Projekt 1: Om fördelningar och risker
|
|
- Amanda Åkesson
- för 5 år sedan
- Visningar:
Transkript
1 LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-02 Projekt 1: Om fördelningar och risker 1 Syfte I den första delen av detta projekt skall vi försöka hitta begripliga tolkningar av begreppen väntevärde och varians, dels utifrån de teoretiska fördelningarna och dels utifrån datorsimuleringar. Vi skall också titta på några standardfördelningar och bland dessa välja en lämplig fördelning som passar till hastighetsmätningarna. Vi skall också studera fördelningarna för summor av stokastiska variabler och vad som händer när antalet termer i summan växer. Vi skall också fördjupa begreppet sannolikhet via frekvenstolkning genom att genomföra en enkel riskstudie dels via datorsimuleringar och dels genom teoretiska överläggningar. Projektet skall redovisas i form av en rapport. Rapporten skall omfatta vissa nyckelmoment så det är viktigt att du läser igenom projekthandledningen och gör upp en disposition för hur rapporten skall se ut innan du börjar själva arbetet. Tänk till exempel efter vilka frågor det är som skall besvaras och vilka figurer och histogram som då bör vara med i rapporten. 2 Moment hos och faltning av fördelningar 2.1 Förberedelseuppgifter Läs noga igenom avsnitt i Blom Bok C. (a) Hur lyder definitionen av väntevärde? (b) Hur lyder definitionen av varians? (c) Hur kan variansen beräknas på annat sätt än direkt genom definitionen? (Det finns en omskrivning som ofta är mer användbar i praktiska sammanhang.) (d) Om E(X ) = 3 och V(X ) = 1/3, vad får då Y = (X 2)/3 för väntevärde respektive varians? (e) Om X är likformigt fördelad på intervallet (2, 4), vilken fördelning får då Y = (X 2)/3? Vad har Y för väntevärde och varians? Hur stämmer detta överens med föregående uppgift? (f) Låt X R(0, 1) och beräkna m = E(X ), V(X ), täthetsfunktionen för Y = (X m) 2 och E(Y ). (g) Vad menas med faltning av fördelningar för stokastiska variabler och varför faltar vi? (h) Räkna uppgift 507 i Blom Bok C. 2.2 Angående grafisk presentation Först en liten kommentar angående stolpdiagram och histogram. Då vi arbetar med diskreta stokastiska variabler och vill plotta resultat från studier av dessa använder vi stolpdiagram, just för att understryka variablernas diskreta karaktär. I ett stolpdiagram är det höjden av varje stolpe som representerar frekvensen (se Fig. 1). Vid arbete med kontinuerliga stokastiska variabler är det mera ändamålsenligt att indela materialet i klasser och rita ett histogram. I ett histogram är det arean av varje stapel som representerar frekvensen (se Fig. 2). På detta sätt får histogrammet över de relativa frekvenserna en viktig egenskap gemensam med täthetsfunktionen nämligen att den sammanlagda arean under grafen är lika med ett. (Se i övrigt avsnittet om beskrivande statistik i kursboken.)
2 Figur 1: Stolpdiagram Figur 2: Histogram Slumptalsgeneratorn rand i MATLAB genererar slumptal från en rektangelfördelning över intervallet från noll till ett, dvs observationer av en stokastisk variabel X R(0, 1). Uppgift 2.1: Är den stokastiska variabeln X ovan diskret eller kontinuerlig? Uppgift 2.2: Hur bär du dig åt för att plotta en diskret funktion i MATLAB? Uppgift 2.3: Hur bär du dig åt för att plotta en kontinuerlig funktion i MATLAB? Uppgift 2.4: Börja med att plotta täthetsfunktionen för X. >> plot([ ],[ ]) >> axis([ ]) >> title([ Täthetsfunktion för... rektangelfördelning på (0,1) ]) >> xlabel( x ) >> ylabel( f(x) ) Generera sedan, till exempel, hundra slumptal från denna fördelning och plotta histogrammet över de relativa frekvenserna för detta stickprov i samma figur som täthetsfunktionen: >> X = rand(1,100); >> hist2(x); Eftersom ett histogram enligt definitionen i kursboken (och avsnitt 2.2 ovan) är arean av varje stapel som representerar den relativa frekvensen, använder vi hist2 istället för den i MATLAB inbyggda hist som använder absoluta frekvenser till staplarnas höjd. 2.3 Väntevärde Gör om simuleringarna ovan men med 1000 observationer från X R(0, 1) istället och rita om histogrammet tillsammans med täthetsfunktionen. Öppna sedan ett nytt grafikfönster med kommandot figure. I detta fönster skall du plotta de successiva medelvärdena, mx = cumsum(x)./(1:1000), för de 1, 2, 3,..., 1000 första observationerna tillsammans med den linje som anger vad medelvärdena bör konvergera mot: >> plot(mx) >> u =? % byt? mot konvergensvärdet >> line([0 1000],[u u]) Uppgift 2.5: Använd dina figurer och beräkningar för att förklara vad väntevärdet för den stokastiska variabeln X är. 2
3 2.4 Varians Vi skall nu titta på variansen för X. Eftersom V(X ) är definierad som E((X m) 2 ) där m = E(X ) skall vi titta närmare på fördelningen för Y = (X m) 2. I förberedelseuppgift (f) beräknade du täthetsfunktionen för Y när X R(0, 1). Plotta den tillsammans med ett histogram över de 1000 Y -värdena: >> Y = (X-m).^2 % byt ut m mot E(X) >> y = 0:0.001:0.25; >> fy = % ange f_y(y) >> plot(y,fy) >> title( Täthetsfunktion för Y=(X-m)^2 ) >> xlabel( y ) >> ylabel( f_y(y) ) >> hist2(y) Plotta sedan, i ett annat fönster och på samma sätt som för väntevärdet, de successiva medelvärdena my = cumsum(y)./(1:1000) tillsammans med en linje som anger vad de borde konvergera mot. Uppgift 2.6: Använd dina figurer och beräkningar för att förklara vad variansen för den stokastiska variabeln X är. 3 Simulering av stokastiska variabler, några statistiska standardfördelningar I den här delen av projektet kommer du att simulera slumptal från fördelningarna, rita histogram över slumptalen och även jämföra simulerade värden med motsvarande täthetsfunktioner. 3.1 Rektangelfördelning (likformig fördelning) Fördelningen, som är beskriven på sidan 62 i kursboken, är användbar för att till exempel beskriva avrundningsfel vid mätningar. Den är också grundfördelningen vid Monte Carlo-fördelningar. Funktionen rand genererar rektangelfördelade slumptal i intervallet (0, 1). Med >> x = rand(20,1); genereras 20 rektangelfördelade slumptal i intervallet [0, 1) och läggs i en 20 1-matris. Ett rektangelfördelat slumptal i intervallet [a, b) fås med a+(b-a)*rand (tänk efter att det är rimligt!). Uppgift 3.1: Generera 100 slumptal från en rektangelfördelning med a = 4 och b = 12. Plotta data i ett histogram med hjälp av hist2. Verkar det stämma med en rektangelfördelning? Vi skall nu studera R( 1/2, 1/2)-fördelningen på samma sätt och sedan jämföra de två. Generera alltså, i en vektor X1, 1000 slumptal från denna fördelning (se avsnitt 3.1) och plotta de successiva medelvärdena på sätt som ovan. Beräkna också Y1 = (X1 - m1)^2, där m1= E(X 1 ), och plotta de successiva medelvärdena. Uppgift 2.7: Ge en tolkning av väntevärde och varians för en R( 1/2, 1/2)-variabel. Hur förhåller sig dessa till väntevärde och varians för en R(0, 1)-variabel? Öka antalet slumptal till 1000, och och gör respektive normerade histogram. Vad händer? 3.2 Weibullfördelning Weibullfördelningen är mycket användbar för att beskriva variationer i hållfasthetsdata, till exempel sträck-, brott-, och utmattningsgränser. Fördelningsfunktionen ges av F(x) = 1 e (x/a)c om x 0 och där a och c är konstanter som kan ges olika värden. Slumptal från Weibullfördelningen med parametrar a och c läggs i en p q ma- 3
4 s Projekt 1, Matstat AK för L, HT-02 tris med hjälp av MATLAB-kommandot weibrnd((1/a)^c,c,p,q). Om man använder STIXBOX blir kommandot istället rweib([p q],c,a) för en p q-matris eller rweib(p,c,a) för en vektor med p element. Uppgift 3.2: Generera 1000 slumptal från en Weibullfördelning med a = 0.6 och c = 0.8 och lägg dem i en vektor. Sätt alltså p = 1000 och q = 1 i weibrnd-kommandot. Plotta data i ett histogram med hjälp av hist2. Uppgift 3.3: Bestäm täthetsfunktionen för Weibullfördelningen genom att derivera fördelningsfunktionen F(x) = 1 e (x/a)c med a = 0.6 och c = 0.8. Täthetsfunktionen blir f (x) = Du kan rita ut täthetsfunktionen med kommandona >> x = [0:0.1:9]; >> plot(x,fx, - ) där fx ersätts med det uttryck som du just beräknat. Jämför täthetsfunktionen med histogrammet i föregående uppgift. Du kan plotta histogrammet i samma figur om du har skrivit hold on. Glöm inte att skriva hold off innan du fortsätter att rita figurer. Uppgift 3.4: Generera 1000 slumptal från en Weibullfördelning med a = 3 och c = 1. Plotta data i ett histogram med hjälp av hist2. Med konstanten c = 1 får man som specialfall exponentialfördelningen. Rita upp dess täthetsfunktion. 3.3 Normalfördelningen Täthetsfunktionen för en normalfördelad stokastisk variabel ges av f X (x) = 1 e (x m)2 2 /2s för 2p < x <. Den beror alltså på två parametrar m och s där m är väntevärdet i fördelningen och s är standardavvikelsen. Normalfördelningen är en av de fördelningar som används mest inom sannolikhets- och statistikteorin. Funktionen normrnd (rnorm i STIXBOX) i MAT- LAB genererar normalfördelade slumptal. Kommandot >> y = normrnd(4,1,p,q); genererar slumptal från en normalfördelning med väntevärdet 4 och standardavvikelsen 1 och placerar dem i matrisen y med dimensionen p q. (STIXBOX: rnorm([p q],4,1)) Uppgift 3.5: Generera 1000 slumptal från en normalfördelning med m = 1 och s = 0.5. Plotta data i ett histogram med hjälp av hist2. Uppgift 3.6: Generera 1000 slumptal från en normalfördelning med m = 1 och s = 2. Plotta data i ett histogram med hjälp av hist2. Hur påverkar s - värdet dina histogram? Normalfördelningens täthetsfunktion, f X (x) fås genom normpdf (STIXBOX: dnorm). Rita ut normalfördelningar för olika värden på m och s och se hur fördelningarna påverkas: >> x = [0:0.1:10]; >> plot(x,normpdf(x,1,0.5)) >> plot(x,normpdf(x,6,0.5), r ) >> plot(x,normpdf(x,4,2), g ) >> plot(x,normpdf(x,3,0.1), y ) 4
5 Fördelningsfunktionen, F X (x), för en normalfördelad stokastisk variabel fås med kommandot normcdf (STIXBOX: pnorm). Uppgift 3.7: m s Rita ut samma normalfördelningar som ovan men nu med hjälp av fördelningsfunktioner. Lägg märke till hur olika värden på och påverkar fördelningsfunktionerna: >> x = [0:0.1:10]; >> plot(x,normcdf(x,1,0.5)) >> plot(x,normcdf(x,6,0.5), r ) >> plot(x,normcdf(x,4,2), g ) >> plot(x,normcdf(x,3,0.1), y ) 3.4 Andra fördelningar Andra MATLAB-funktioner som genererar slumptal från olika fördelningar är listade i Appendix A. Ett generellt sätt att generera ett slumptal från en given fördelningsfunktion F(x) är att använda inversmetoden. Denna innebär att man löser ekvationen F(x) = u där u är ett slumptal från en rektangelfördelning på intervallet (0, 1). Några fördelningar är lätta att invertera direkt, till exempel Exponentialfördelning F(x) = 1 e x/a x = a ln(1 u) Weibullfördelning F(x) = 1 e (x/a)c x = a( ln(1 u)) 1/c Extremvärdefördelning F(x) = exp( e (x b)/a ) x = b a ln( ln( u)) I andra fall, till exempel för normalfördelningen, måste inverteringen ske numeriskt. Det finns olika specialkonstruerade metoder för att simulera slumptal från sådana fördelningar. Det finns för normalfördelningen den så kallade Box-Müllertransformationen samt Marsaglias metod för generering av slumptal. Box-Müller-transformationen: Om U 1, U 2 är oberoende och R(0, 1)-fördelade så är X 1 = 2 ln(u 1 ) cos(2p U 2 ), X 2 = 2 ln(u1 ) sin(2p U 2 ) oberoende och båda är standard normalfördelade. Marsaglias metod: Generera U 1, U 2 oberoende och R(0, 1)-fördelade tills vi fått W = U1 2 + U2 2 1 (detta kräver i medeltal 4/p 1.27 försök), då är X 1 = U 1 2 ln(w )/W, X2 = U 2 2 ln(w )/W oberoende och båda är standard normalfördelade. I vissa fall kan Marsaglias metod vara en aning snabbare eftersom den undviker de tidskrävande uträkningarna av de trigonometriska funktionerna cosinus och sinus. 3.5 Att hitta en lämplig fördelning som beskriver data Som beskrivs i kursboken är de relativa frekvenserna uppskattningar av ett antal areor under täthetsfunktionen. Om man har ett stort stickprov kan man välja en fin klassindelning och med ett histogram över de relativa frekvenserna få en god bild av täthetsfunktionens utseende. En naturlig fråga är om vi kan hitta någon statistisk standardfördelning som väl beskriver den variation som vi observerat? Vi kan undersöka detta på två sätt: med hjälp av empirisk fördelningsfunktion och med hjälp av sannolikhetspapper, att grafiskt jämföra en fördelning baserad på data med en hypotetisk fördelning. De två olika sätten är i stort sett samma sak. Vi kommer här att använda metoden med empirisk fördelningsfunktion medan vi på laboration 3 kommer att titta närmare på metoden med sannolikhetspapper Empirisk fördelningsfunktion Från en dags produktion av tegelstenar tog man slumpmässigt ut 125 stycken och mätte deras vikt (kg). Vikterna är lagrade i filen tegel. Uppgift 3.8: Ladda in data och gör ett histogram över vikterna. Beräkna även medelvärde mean och standardavvikelse std. Vilken fördelning tror du kan beskriva variationen i vikt? 5
6 För att undersöka om du har rätt ska du jämföra den empiriska fördelningsfunktionen med din hypotetiska fördelningsfunktionen. Uppgift 3.9: Rita den empiriska fördelningsfunktionen för tegelstensvikterna med hjälp av följande MATLAB kommandon: >> xs = sort(vikt); >> n = length(xs); >> Fn = [1:n]/n; >> stairs(xs,fn); Avläs från figuren vad medianvärdet är för vikterna, och vilken vikt som understigs av 90 % av tegelstenarna. Använd kommandot zoom on för att se detaljer i plotten. m s m s En fördelningsfunktion för normalfördelningen kan plottas med funktionen normcdf (normal cumulative distribution function) men kräver värden på parametrarna och i fördelningen. Håll kvar den empiriska fördelningsfunktionen i figuren med hold on och rita in en normalfördelning med = 1 och standardavvikelsen = 0.05 i figuren. >> x = [0:0.01:2]; >> plot(x,normcdf(x,1,0.05)) Uppgift 3.10: Identifiera väsentliga avvikelser mellan de två fördelningarna. Relatera dessa avvikelser till dem som du sett i de tidigare plottarna. 4 Summor av stokastiska variabler faltning 4.1 Symmetrisk fördelning Börja med att hitta på en diskret sannolikhetsfunktion med några möjliga utfall, till exempel den likformiga fördelningen över 1,2,...,6, dvs ett tärningskast. Mata sedan in denna sannolikhetsfunktion i form av en vektor. >> p = [ ]/6 Nollan finns där för att det blir lättare att hålla reda på saker och ting om det första elementet i vektorn är sannolikheten för att utfallet är noll. Rita upp sannolikhetsfunktionen med kommandot stem. >> stem(0:length(p)-1,p) Funktionen length ger antalet element i en vektor. Som du vet beräknas sannolikhetsfunktionen för en summa av två oberoende diskreta stokastiska variabler genom en diskret faltning (se kursboken). I MATLAB finns en funktion, conv, som utför just en sådan faltning (faltning heter convolution på engelska). >> p2 = conv(p,p); >> p4 = conv(p2,p2); >> p8 = conv(p4,p4); Här blir p8 alltså sannolikhetsfunktionen för en summa av åtta stycken oberoende stokastiska variabler med sannolikhetsfunktionen p. Rita upp var och en av dessa nya sannolikhetsfunktioner med hjälp av stem (om du använder subplotkommandot kan du få plottarna i följd på ett överskådligt sätt). Nu kan vi också åstadkomma slumptal från fördelningen p8 genom att generera åtta stycken slumptal från fördelningen p och sedan lägga ihop dem. Om vi gör detta, till exempel, hundra gånger kan vi sedan rita ett stolpdiagram över de relativa frekvenserna och jämföra detta med sannolikhetsfunktionen för p8. I MATLAB gör vi detta lätt och snabbt genom att först generera en slumptalsmatris Y=floor(6*rand(8,100)+1), där vi kan betrakta varje kolonn som observationer av åtta stycken tärningskast. Ta, innan du går vidare, reda på hur funktionen sum fungerar. >> s = sum(y); >> [yy,xx] = hist(s,0:length(p8)-1); >> stem(xx,yy/100) Den andra inparametern till funktionen hist är en vektor vars element anger klassmitten för respektive klass, och på detta sätt får vi samma indelning som i stolpdiagrammet över sannolikhetsfunktionen p8. Nu kan det vara dags att ta det lite lugnt ett slag och fundera över några frågor: 6
7 Uppgift 4.1: (a) Hur stämmer fördelningen för de simulerade värdena överens med den teoretiska fördelningen för p8? (b) Varför förskjuts den resulterande fördelningen allt längre mot höger för varje faltning? (c) Varför blir sannolikhetsfunktionen för den resulterande fördelningen bredare för varje faltning? (d) Kan du skönja någon tendens beträffande resultaten av de successiva faltningarna? >> m = sum((0:6).*p) >> sigma = sqrt(sum(((0:6)-m).^2.* p)) Funktionen sum ger summan av elementen i en vektor, notationen.^2 betyder elementvis kvadrering av en vektor och sqrt är kvadratroten. Vi kan nu jämföra sannolikhetsfunktionen p4 med den normalfördelning N(4m, s 4) som har samma väntevärde och varians/standardavvikelse som p4. >> stem(0:length(p4)-1,p4) >> xx = 0:0.5:30 >> plot(xx,normpdf(xx,4*m,sqrt(4)*sigma)) Sist, men inte minst, några frågor: 4.2 Skev fördelning Utför sedan ett antal faltningar på samma sätt som ovan, men med en skev fördelning, till exempel >> q = [ ]/a (Vad skall a vara?) Börja med att rita upp sannolikhetsfunktionen med hjälp av stem, så att du vet hur den ser ut. Uppgift 4.2: (a) Kan du se samma tendens här som du såg i föregående fall? (b) Om du svarat ja på ovanstående fråga, hur många faltningar tycker du behövs för att tydligt kunna se tendensen? Om du svarat nej, fortsätt med ett par faltningar till! Uppgift 4.3: (a) Approximeras p4 väl av normalfördelningen? (b) Hur stort måste antalet termer n i summan vara, för att approximationen skall bli bra? (Pröva med summor av fler och färre stokastiska variabler, och notera det värde på n, för vilket du tycker att approximationen är bra.) (c) Påverkas hur väl fördelningen för summan approximeras av normalfördelningen, av något mer än antalet termer i summan? Jämförelse med normalfördelningen Vi skall nu avsluta detta avsnitt med en liten jämförelse med normalfördelningen. Det kan kanske verka en aning långsökt, men det skall så småningom visa sig, att det finns goda skäl till detta. Räkna först ut väntevärde och standardavvikelse för en stokastisk variabel med sannolikhetsfunktionen p. 5 Riskanalys Om igelkottar kilar över en väg vid n oberoende tillfällen och varje gång en igelkott passerar över vägen riskerar den att råka ut för en olycka med en sannolikhet som är 1/n, hur stor är då risken att någon av igelkottarna råkar ut för en olycka? 7
8 Uppgift 5.1: (a) Simulera fram olycksrisken för några olika n. Du kan använda den färdigskrivna m- filen igelkott. (b) Beräkna olycksrisken då n = 1000 exakt, med hjälp av oberoende händelser. (c) Om vi utsätter oss för små risker, så små att de nästan inte kan inträffa, många gånger, hur stor är då sannolikheten att vi någon gång råkar ut för denna olycka? Om du räknar med P(olycka en viss gång) = 1/n, vad är då sannolikheten att olyckan inträffar någon gång av n? Vad händer då n? 6 Avslutning När man som ingenjör utför sina beräkningar, räcker det inte att de är formellt korrekta. Resultaten måste också sättas i relation till den omgivande verkligheten, tolkas i ett sammanhang. Väntevärde och varians är viktiga begrepp i sannolikhets- och statistikteorin, men de är abstraktioner som i varje enskilt fall måste tolkas för att få en mening. Den mekaniska analogin vid sannolikhets- eller täthetsfunktioner samt frekvenstolkningen är två möjliga vägar som illustrerats i första delen av denna laboration. I statistiken arbetar man ofta med summor av stokastiska variabler, inte minst när man bildar medelvärden. Avsnittet om faltning handlade just om detta, och de avslutande jämförelserna med normalfördelningen kan ses som en heuristisk härledning av centrala gränsvärdessatsen. Denna sats intar en central plats inom statistikteorin och förklarar också till viss del varför normalfördelningen är så ofta förekommande i statistiska sammanhang. I mitten av projektet fick du tillfälle att lite mer ingående studera några standardfördelningar och några av deras egenskaper. Varje fördelning har sina speciella egenskaper som gör den mer eller mindre användbar i olika sammanhang. För att kunna modellera den komplexa värld vi lever i behöver vi därför en bred repertoar av fördelningar, och vi skulle kunna underkasta var och en av de fördelningar som presenteras under kursens gång ett liknande specialstudium. Nu räcker inte den utmätta tiden till detta, och detta moment får därför samtidigt stå som ett exempel på hur man kan studera en fördelning och dess egenskaper för att kunna välja en fördelning som passar till ett specifikt problem. 7 Redovisning Rapport Projektet utförs i grupper om två eller tre personer och skall redovisas i form av en kort rapport koncentrerad kring de nyckelfrågor som är markerade med en bomb,. Figurer och histogram som kan förtydliga resonemang och slutsatser skall givetvis också vara med. Rapporten skall senast vara inlämnad måndagen den 23 oktober klockan Du kan lämna den till antingen labbhandledaren eller sekreteraren. Om rapporten inte är inlämnad senast detta datum rättas den inte förrän nån gång i framtiden när vi har tid. Rättade rapporter delas ut på föreläsningarna och finns sedan i fack i korridoren på andra våningen i mattehuset. Icke godkända rapporter skall kompletteras och lämnas in igen så fort som möjligt. Utformningen av rapporten skall i görligaste mån följa instruktionerna i den utdelade promemorian angående redovisning av datorlaborationer. Rapporten skall bara omfatta väsentligheterna i projektet. Det finns delmoment och Uppgifter som är till för att stödja nyckelmomenten. Dessa behöver så klart ej redovisas i detalj och bör bara tas med för att stödja och förtydliga eventuella resonemang. 8
9 LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK REDOVISNING AV PROJEKT 1: OM FÖRDELNINGAR OCH RISKER MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-02 Detta blad skall lämnas som försättsblad till rapporten. Checklista (a) Vi har utfört alla moment i projektet, inklusive förberedelseuppgifterna (b) Vi har korrekturläst rapporten och rättat språk- och skrivfel (c) Vi har försett figurer, tabeller och liknande med figurtexter och tydlig numrering (d) Vi har försett alla axlar i alla figurer med storheter, där så är möjligt (e) Vi har kontrollräknat de beräkningar som kan kontrollräknas (f) Vi har gjort en rimlighetsbedömning av samtliga resultat (g) Vi har kontrollerat och kommenterat eventuella orimliga resultat (h) Vi har strukturerat den löpande texten väl med tydliga avsnittsrubriker (i) Vi har försett rapporten med sidnumrering och datum (j) Vi har tydligt redovisat förutsättningar, förenklingar och gjorda antaganden (k) Vår rapport är läsbar utan tillgång till laborationshandledningen (l) Härmed intygas att alla ovanstående frågor kan besvaras med Ja och att denna rapport är ett resultat av våra egna ansträngningar, bortsett från att vi samarbetat med [namn] [ort och datum] [underskrifter] [namnförtydliganden] Rättarens anteckningar Rättat av: Godkänt (datum):
1 Syfte. 2 Moment hos och faltning av fördelningar MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT Angående grafisk presentation
UNDS TEKNISKA ÖGSKOA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR, FMS 33, T-3!"$&' (*) 1 Syfte I den första delen av detta projekt skall vi försöka hitta begripliga tolkningar av
Läs mer1 Syfte. 2 Moment hos och faltning av fördelningar MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-04. 2.2 Angående grafisk presentation
LUNDS TEKNISKA HÖSKOLA ATEATIKCENTRU ATEATISK STATISTIK ATEATISK STATISTIK, AK FÖR L, FS 33, HT-4!"$&' (*) 1 Syfte I den första delen av detta projekt skall vi försöka hitta begripliga tolkningar av begreppen
Läs merLaboration 2: 1 Syfte. 2 Väntevärde och varians hos en s.v. X med fördelningen F X (x) MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 2: Om väntevärden och fördelningar 1 Syfte I denna laboration skall vi försöka
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 3 Matematisk statistik AK för CDIFysiker, FMS012/MASB03, HT15 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 01, HT-07 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen, enkla punktskattningar
Läs merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 3 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT12 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merDatorövning 1 Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF20: MATEMATISK STATISTIK, ALLMÄN KURS, 7.5HP FÖR E, HT-15 Datorövning 1 Fördelningar I denna datorövning ska du utforska begreppen sannolikhet
Läs merrepetera begreppen sannolikhetsfunktion, frekvensfunktion och fördelningsfunktion
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF25: MATEMATISK STATISTIK KOMPLETTERANDE PROJEKT DATORLABORATION 1, 14 NOVEMBER 2017 Syfte Syftet med dagens laboration är att du ska träna
Läs merbli bekant med summor av stokastiska variabler.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 2 MATEMATISK STATISTIK FÖR E FMSF20 Syfte: Syftet med dagens laborationen är att du skall: få förståelse för diskreta, bivariate
Läs merDATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03. bli bekant med summor av stokastiska variabler.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03 Syfte: Syftet med dagens laborationen är att du skall: få förståelse
Läs merDatorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, VT-17 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
Läs merMatematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3. Laboration 2. Fördelningar och simulering
Matematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3 Laboration 2 Fördelningar och simulering Introduktion 2014-02-06 Syftet med laborationen är dels
Läs merträna på att använda olika grafiska metoder för att undersöka vilka fördelningar ett datamaterial kan komma från
Matematikcentrum Matematisk statistik MASB11: BIOSTATISTISK GRUNDKURS DATORLABORATION 1, 1 APRIL 215 FÖRDELNINGAR, SIMULERING OCH FÖRDELNINGSANPASSNING Syfte Syftet med dagens laboration är att du ska
Läs merDatorövning 2 Betingad fördelning och Centrala gränsvärdessatsen
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, HT-16 Datorövning 2 Betingad fördelning och Centrala gränsvärdessatsen Syftet med den här laborationen
Läs merDatorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF45/MASB03: MATEMATISK STATISTIK, 9 HP, VT-18 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
Läs merDemonstration av laboration 2, SF1901
KTH 29 November 2017 Laboration 2 Målet med dagens föreläsning är att repetera några viktiga begrepp från kursen och illustrera dem med hjälp av MATLAB. Laboration 2 har följande delar Fördelningsfunktion
Läs merLaboration 3: Parameterskattning och Fördelningsanpassning
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3 MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 3: Parameterskattning och Fördelningsanpassning 1 Syfte Syftet
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med några viktiga områden inom kursen nämligen
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3 MATEMATISK STATISTIK, AK FÖR I, FMS 12, HT-8 Laboration 3: Sannolikhetsteori och simulering Syftet med den här laborationen
Läs merSF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2
Matematisk Statistik SF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2 1 Introduktion Denna laboration är inte poänggivande utan är till för den som vill bekanta sig med MATLAB. Fokusera
Läs merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011
Avd. Matematisk statistik Tobias Rydén 2011-09-30 SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Förberedelser. Innan du går till laborationen, läs igenom den här handledningen. Repetera också i
Läs merFöreläsning 3, Matematisk statistik Π + E
Repetition Kvantil Presentation Slumptal Transformer Inversmetoden Föreläsning 3, Matematisk statistik Π + E Sören Vang Andersen 13 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F3 1/19 Repetition
Läs merLaboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 1 MATEMATISK STATISTIK AK FÖR F OCH FYSIKER, FMS012/MASB03, VT15 Laboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
Läs merSF1901 Sannolikhetsteori och statistik: HT 2014 Lab 1 för CSAMHS, CINEKI, och CL
Matematisk Statistik SF1901 Sannolikhetsteori och statistik: HT 2014 Lab 1 för CSAMHS, CINEKI, och CL Introduktion Detta är handledningen till Laboration 1, ta med en en utskriven kopia av den till laborationen.
Läs merDatorövning 1 Introduktion till Matlab Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-12 Datorövning 1 Introduktion till Matlab Fördelningar I denna datorövning ska du först
Läs merLaboration 2: Sannolikhetsteori och simulering
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 2 Matematisk statistik AK för Π och E, FMS012, HT14/VT15 Laboration 2: Sannolikhetsteori och simulering Syftet med den här laborationen
Läs merLaboration 4: Hypotesprövning och styrkefunktion
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR L, FMS 032, HT-07 Laboration 4: Hypotesprövning och styrkefunktion 1 Syfte I denna laboration
Läs merMatematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg. Laboration 1. Simulering
Matematikcentrum (7) Matematisk Statistik Lunds Universitet Per-Erik Isberg Laboration Simulering HT 006 Introduktion Syftet med laborationen är dels att vi skall bekanta oss med lite av de olika funktioner
Läs merTMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall
Läs merLaboration 1: Beskrivande statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 1 MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 1: Beskrivande statistik 1 Syfte Syftet med den här laborationen
Läs mer1 Syfte. 2 Förberedelseuppgifter DATORLABORATION 1 MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-03
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 1 MATEMATISK STATISTIK, AK FÖR L, FMS 0, HT-0! "$&%')(+*,-./01.02% 1 Syfte Syftet med den här laborationen är att du ska bli
Läs mer1 Sannolikhet enligt frekvenstolkningen Kast med tärning
Lunds univrsitet Matematikcentrum Matematisk statistik Biostatistisk grundkurs, MASB11 Laboration 2 HT-2014, 141212 Fördelningar och simulering Introduktion Syftet med laborationen är dels att vi skall
Läs merMatematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT2007. Laboration. Simulering
Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT007 Laboration Simulering Grupp A: 007-11-1, 8.15-.00 Grupp B: 007-11-1, 13.15-15.00 Introduktion Syftet
Läs merLaboration 3: Enkla punktskattningar, styrkefunktion och bootstrap
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3, HT -06 MATEMATISK STATISTIK FÖR F, PI OCH NANO, FMS 012 MATEMATISK STATISTIK FÖR FYSIKER, MAS 233 Laboration 3: Enkla punktskattningar,
Läs merMer om slumpvariabler
1/20 Mer om slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/2 2013 2/20 Dagens föreläsning Diskreta slumpvariabler Vilket kretskort ska man välja? Väntevärde
Läs merIndex. Vektorer och Elementvisa operationer. Summor och Medelvärden. Grafik i två eller tre dimensioner. Ytor. 20 januari 2016 Sida 1 / 26
TAIU07 Föreläsning 2 Index. Vektorer och Elementvisa operationer. Summor och Medelvärden. Grafik i två eller tre dimensioner. Ytor. 20 januari 2016 Sida 1 / 26 Matriselement och Index För att manipulera
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA21/9MA31, STN2) 212-8-2 kl 8-12 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd 6 poäng.
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs mer(x) = F X. och kvantiler
Föreläsning 5: Matstat AK för M, HT-8 MATEMATISK STATISTIK AK FÖR M HT-8 FÖRELÄSNING 5: KAPITEL 6: NORMALFÖRDELNINGEN EXEMPEL FORTKÖRARE Man har mätt hastigheten på 8 bilar som passerade en korsning i
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merLaboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 1 MATEMATISK STATISTIK AK FÖR ED, FMS021, VT01 Laboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys Syftet med
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merLaboration 1: Mer om Matlab samt Deskriptiv statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 1 MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-02 Laboration 1: Mer om Matlab samt Deskriptiv statistik 1 Syfte Syftet med den
Läs merF5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)
Stat. teori gk, ht 006, JW F5 STOKASTISKA VARIABLER (NCT 5.1-5.3, samt del av 5.4) Ordlista till NCT Random variable Discrete Continuous Probability distribution Probability distribution function Cumulative
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Tid: 21:a April klockan
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 8p av totalt 20p Tid: 21:a April klockan 8.00-12.00 Redovisning Lös först uppgifterna i Matlab.
Läs mer1 Stora talens lag. Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT Teori. 1.2 Uppgifter
Lunds universitet Matematikcentrum Matematisk statistik Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT-15 Syftet med denna laboration är att du skall bli förtrogen med två viktiga områden
Läs merFinns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?
När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns
Läs merTAIU07 Matematiska beräkningar med Matlab
TAIU07 Matematiska beräkningar med Matlab Laboration 1. Vektorberäkningar Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion I denna övning skall vi träna på
Läs merNedan redovisas resultatet med hjälp av ett antal olika diagram (pkt 1-6):
EM-fotboll 2012 några grafer Sport är en verksamhet som genererar mängder av numerisk information som följs med stort intresse EM i fotboll är inget undantag och detta dokument visar några grafer med kommentarer
Läs merFöreläsning 4, Matematisk statistik för M
Föreläsning 4, Matematisk statistik för M Erik Lindström 1 april 2015 Erik Lindström - erikl@maths.lth.se FMS012 F4 1/19 Binomialfördelning Beteckning: X Bin(n, p) Förekomst: Ett slumpmässigt försök med
Läs merBIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, OCH INFÖR ÖVNING 4
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, 216-4-6 OCH INFÖR ÖVNING 4 Övningens mål: Du ska förstå begreppet slumpvariabel och skilja
Läs merLaboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 1 Matematisk statistik AK för CDIfysiker, FMS012/MASB03, HT15 Laboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
Läs merKapitel 4 Sannolikhetsfördelningar Sid Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin
Kapitel 4 Sannolikhetsfördelningar Sid 79-14 Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Slumpvariabel En variabel för vilken slumpen bestämmer utfallet. Slantsingling, tärningskast,
Läs merLunds tekniska högskola Matematikcentrum Matematisk statistik
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS035: MATEMATISK STATISTIK FÖR M DATORLABORATION 1 Syfte Syftet med dagens laboration är att du ska träna på att hantera olika numeriska
Läs merLaboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 1 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT12 Laboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
Läs merDatorövning 3 Bootstrap och Bayesiansk analys
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövning 3 Bootstrap och Bayesiansk analys I denna datorövning ska vi fokusera på två olika
Läs merLaboration 4: Lineär regression
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 4: Lineär regression 1 Syfte Denna laboration handlar om regressionsanalys och
Läs merFöreläsning 5, Matematisk statistik Π + E
Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min
Läs merMatematisk statistik 9 hp Föreläsning 3: Transformation och simulering
Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering Anna Lindgren 8+9 september 216 Anna Lindgren - anna@maths.lth.se FMS12/MASB3: transform 1/11 Stokastisk variabel Kvantil Stokastisk
Läs merLaboration 2: Sannolikhetsteori och simulering
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 2 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT13 Laboration 2: Sannolikhetsteori och simulering Syftet med den här
Läs merIntroduktion till statistik för statsvetare
"Det finns inget så praktiskt som en bra teori" November 2011 Repetition Vad vi gjort hitills Vi har börjat med att studera olika typer av mätningar och sedan successivt tagit fram olika beskrivande mått
Läs merLaboration med Minitab
MATEMATIK OCH STATISTIK NV1 2005 02 07 UPPSALA UNIVERSITET Matematiska institutionen Silvelyn Zwanzig, Tel. 471 31 84 Laboration med Minitab I denna laboration skall du få stifta bekantskap med ett statistiskt
Läs merInstitutionen för teknikvetenskap och matematik, S0001M LABORATION 2
Institutionen för teknikvetenskap och matematik, S0001M LABORATION 2 Laborationen avser att illustrera användandet av normalfördelningsdiagram, konfidensintervall vid jämförelser samt teckentest. En viktig
Läs merAvd. Matematisk statistik
ANVISNINGAR TILL INLÄMNINGSUPPGIFTER I MATEMATISK STATISTIK, HT 007 På inlämningsuppgiften ska alltid namn och elevnummer finnas med. Ett automatiskt web-baserat kontrollsystem för numeriska svar kommer
Läs merMatematisk statistik 9hp Föreläsning 7: Normalfördelning
Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs merStatistiska metoder för säkerhetsanalys
F3: Slumpvariaber och fördelningar Diskret Kontinuerlig Slumpvariabler Slumpvariabler = stokastiska variabler = random variables = s.v. Heter ofta X, Y, T. Diskreta kan anta ändligt eller uppräkneligt
Läs merTvå parametrar: µ (väntevärdet) och σ (standardavvikelsen) µ bestämmer normalfördelningens läge
Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 28-9-3 Normalfördelningen, X N(µ, σ) f(x) = e (x µ)2 2σ 2, < x < 2π σ.4 N(2,).35.3.25.2.5..5
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Väntevärde och varians, funktioner av s.v:er, flera stokastiska variabler. Jan Grandell & Timo Koski 10.09.2008 Jan Grandell & Timo Koski () Matematisk
Läs merTANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 2 november 2015 Sida 1 / 23
TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 2 november 2015 Sida 1 / 23 Föreläsning 2 Index. Kolon-notation. Vektoroperationer. Summor och medelvärden.
Läs merKontrollera att följande punkter är uppfyllda innan rapporten lämnas in: Första sidan är ett försättsblad (laddas ned från kurshemsidan)
Statistiska institutionen VT 2012 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas
Läs merFörsta sidan är ett försättsblad (laddas ned från kurshemsidan) Alla frågor som nns i uppgiftstexten är besvarade
HT 2011 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas in senast 29/9 kl 16.30.
Läs mer3 Jämförelse mellan Polyas urna och en vanlig urna
LUNDS UNIVERSITET MATEMATIKCENTRUM MATEMATISK STATISTIK 1 Förberedelser LABORATION 1: POLYAS URNMODELL MATEMATISK STATISTIK AK, MAS 101:A, VT-01 Laborationen, som presenterar en urnmodell introducerad
Läs merMatematisk statistik allmän kurs, MASA01:B, HT-14 Laborationer
Lunds universitet Matematikcentrum Matematisk statistik Matematisk statistik allmän kurs, MASA01:B, HT-14 Laborationer Information om laborationerna I andra halvan av MASA01 kursen ingår två laborationer.
Läs mer13.1 Matematisk statistik
13.1 Matematisk statistik 13.1.1 Grundläggande begrepp I den här föreläsningen kommer vi att definiera och exemplifiera ett antal begrepp som sedan kommer att följa oss genom hela kursen. Det är därför
Läs merLunds tekniska högskola Matematikcentrum Matematisk statistik
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS035: MATEMATISK STATISTIK FÖR M DATORLABORATION 1, 2012-03-30 Syfte Syftet med dagens laboration är att du ska träna på att hantera olika
Läs mer0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.
Avd. Matematisk statistik TENTAMEN I SF9, SF95 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 2:E JANUARI 25 KL 4. 9.. Kursledare: Gunnar Englund, 73 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling
Läs mer(a) Vilket av följande alternativ är sannolikheten för JACKPOT: P (A \ B), P A C \ B, P (A \ B), P A C \ B C?
Lösningar till tentamen i Militärteknik Grundkurs Metod 1OP103 Del: Statistik Datum: 2009-12-04, Tid: 8.30-12.30 Hjälpmedel: Kurslitteratur, egna anteckningar, miniräknare, dator (ej internettillgång)
Läs mer2010-08-30 Fysikexperiment, 7.5 hp 1
Presentation av data Medelvärde av grupperade data Slumptal Gränsvärdesfunktioner Normalfördelningsfunktionen Parameterbestämning Minsta kvadratmetoden 010-08-30 Fysikexperiment, 7.5 hp 1 1 Presentation
Läs merSF1910 Tillämpad statistik, HT 2016 Laboration 1 för CSAMHS, CLGYM-TEMI
Matematisk Statistik Introduktion SF1910 Tillämpad statistik, HT 2016 Laboration 1 för CSAMHS, CLGYM-TEMI Detta är handledningen till Laboration 1, ta med en en utskriven kopia av den till laborationen.
Läs merIntroduktion till statistik för statsvetare
Stockholms universitet November 2011 Data på annat sätt - I Stolpdiagram Data på annat sätt - II Histogram För kvalitativa data som nominal- och ordinaldata infördes stapeldiagram. För kvantitativa data
Läs merMonte Carlo-metoder. Bild från Monte Carlo
Monte Carlo-metoder 0 Målen för föreläsningen På datorn Bild från Monte Carlo http://en.wikipedia.org/wiki/file:real_monte_carlo_casino.jpg 1 Begrepp En stokastisk metod ger olika resultat vid upprepning
Läs merVariabler. TANA81: Beräkningar med Matlab. Matriser. I Matlab skapas en variabel genom att man anger dess namn och ger den ett värde:
TANA81: Beräkningar med Matlab - Variabler och Matriser - Logiska uttryck och Villkor - Repetitionssatser - Grafik - Funktioner Variabler I Matlab skapas en variabel genom att man anger dess namn och ger
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 7 15 november 2017 1 / 28 Lite om kontrollskrivning och laborationer Kontrollskrivningen omfattar Kap. 1 5 i boken, alltså Föreläsning
Läs merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler Jörgen Säve-Söderbergh Stokastisk variabel Singla en slant två gånger. Ω = {Kr Kr, Kr Kl, Kl Kr, Kl Kl}
Läs merWeibullanalys. Maximum-likelihoodskattning
1 Weibullanalys Jan Enger Matematisk statistik KTH Weibull-fördelningen är en mycket viktig fördelning inom tillförlitlighetsanalysen. Den används ofta för att modellera mekaniska komponenters livslängder.
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
Läs merSF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde
Läs merDatorövning 3 Bootstrap och Bayesiansk analys
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-17 Datorövning 3 Bootstrap och Bayesiansk analys I denna datorövning ska vi fokusera på
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Väntevärde, varians, standardavvikelse, kvantiler Uwe Menzel, 28 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Väntevärdet X : diskret eller kontinuerlig slumpvariable
Läs mer0 om x < 0, F X (x) = c x. 1 om x 2.
Avd. Matematisk statistik TENTAMEN I SF193 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH MÅNDAGEN DEN 16 AUGUSTI 1 KL 8. 13.. Examinator: Gunnar Englund, tel. 7974 16. Tillåtna hjälpmedel: Läroboken.
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics
Läs merLunds univrsitet Matematikcentrum Matematisk statistik
Lunds univrsitet Matematikcentrum Matematisk statistik Biostatistisk grundkurs, MASB11 Laboration 2 VT-2015, 150205 Felrisker Fördelningar och Simulering Introduktion Syftet med laborationen är dels att
Läs merLaboration 1: Introduktion till R och Deskriptiv statistik
STOCKHOLMS UNIVERSITET 13 februari 2009 Matematiska institutionen Avd. för matematisk statistik Gudrun Brattström Laboration 1: Introduktion till R och Deskriptiv statistik Denna första datorlaboration
Läs merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06
Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Bengt Ringnér September 20, 2006 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Väntevärde standardavvikelse
Läs mer