Statistiska metoder för säkerhetsanalys
|
|
- Marcus Berg
- för 5 år sedan
- Visningar:
Transkript
1 F13: Kvantiler och extremvärden
2 Lysrör Extremvärden Vi hade tidigare (Kedja) att om X i var oberoende och Rayleigh-fördelade så blev Y = min(x 1,..., X n ) också Rayleighfördelad. Vad händer med Z = max(x 1,..., X n )? Exempel: Lysrör En viss typ av lysrör har livslängder som kan anses vara exponentialfördelade med väntevärde 1 år. I ett rum finns 100 lysrör. (a) Beräkna 100-års-livslängden, dvs x (b) Hur stor är sannolikheten att minst ett av de 100 lysrören har en livslängd som överstiger x 0.01? (c) Beräkna fördelningen för tiden tills alla lysrören gått sönder. (d) Vad händer med fördelningen då antalet lysrör växer?
3 Lysrör Ex: Lysrör (forts): (a) Vi har livslängderna X i med F X (x) = P(X x) = 1 e x så att P(X > x 0.01 ) = e x 0.01 = 0.01 x 0.01 = ln år. (b) Vi har P(max(X 1,..., X 100 ) > x 0.01 ) = = 1 P(max(X 1,..., X 100 ) x 0.01 ) = 1 (P(X i x 0.01 )) 100 = 1 ( )100 1 e 1 =
4 Lysrör Ex: Lysrör (forts): (c) Vi söker fördelningen för Z = max(x 1,..., X 100 ), dvs F Z (x) = P(Z x) = P(max(X 1,..., X 100 ) x) = P(X 1 x,..., X 100 x) = (P(X x)) 100 = (F X (x)) 100 = (1 e x ) 100, x > 0, f Z (x) = F Z (x) = 100 f X(x) (F X (x)) (d) För stora n har vi att = 100 e x (1 e x ) 100 1, x > 0 F Z (x) = (1 e x ) n = (1 e (x ln n) dvs en Gumbel-fördelning med a = 1 och b = ln n. n ) n e (x ln n) e
5 Lysrör Maximum av n st Exp(1) n=1 n=2 n=10 n=50 n= x Gumbelfördelningar med a=1, b=ln n n=1 n=2 n=10 n=50 n= x
6 Definition Lysrör Generaliserad extremvärdesfördelning GEV Maximum, Z = max(x 1,..., X n ), av många oberoende identiskt fördelade stokastiska variabler kan bara vara fördelade enligt tre olika typer: Fréchet, Gumbel eller (omvänd) Weibull. De tre sammanfattas som en Generaliserad extremvärdesfördelning (GEV): { ( P(Z z) exp 1 c z b ) } 1/c = a = z b (1 c e a )1/c c < 0, z > b + a/c, Fréchet e e (z b)/a, c = 0, < z <, Gumbel z b (1 c e c = form, a = skala, b = läge. a )1/c c > 0, z < b + a/c, Weibull +
7 Definition Lysrör GEV (forts): Tung svans uppåt om c < 0, begränsad svans om c > GEV med a=1, b=0 c = 0.6 c = 0 c = z a-kvantilen i GEV-fördelningen ges av z a = { b + a c (1 ( ln(1 a))c ), c 0, b a ln( ln(1 a)), c = 0
8 Definition Lysrör Ex: Lysrör (forts): (e) En stor fastighetsägare har 50 rum med 100 lysrör i varje. Beräkna 50- års -lystiden för den maximala lystiden för de olika rummen, dvs den lystid som överstigs i medeltal en gång på 50 rum. Vi har att Z = max(x 1,..., X 100 ) = maximal lystid i ett rum är ungefär Gumbelfördelad med parametrar a = 1 och b = ln 100 så att P(Z > z 50 ) = 1 (1 e z 50 ) e e (z 50 ln 100) = 1 50 z 50 = ln(1 ( )1/100 ) = år (Exakt) z 50 = ln 100 ln( ln(1 1 )) = år 50 (Approx.) (Det skiljer ungefär 53 minuter.)
9 Lysrör POT GPD ny GEV Skattning av stora kvantiler Antag att vi inte känner fördelningen för livslängderna men ändå vill skatta kvantiler långt ute i svansen, t.ex. har vi observerat livslängderna för de 100 lysrören i vart och ett av 50 rum, dvs 5000 lysrör Observerade livslängder (år) för 5000 lysrör Lysrör (nr) Hur kan vi skatta svansen i fördelningen?
10 Lysrör POT GPD ny GEV Max-fördelning Vi vet att maximum av livslängderna för många lysrör är ungefär GEV-fördelat så vi skulle kunna använda maximum för de 50 rummens lysrör istället: Maximal livslängd i 50 rum med 100 lysrör i varje per lysrör per rum Lysrör (nr)
11 Lysrör POT GPD ny GEV Max-fördelning (forts): Slöseri med data att bara använda rumsmaxima. Använd också mindre extrema värden, näst högsta, osv. 50 rumsmaxima = 5000 observationer men bara 50 maxima. Rum 1 har minsta maxvärdet Z = 3.7 och 311 lysrör har längre livslängd än så! Kan man använda alla 311? Eller varför inte de 405 värden som är större än 3.0? Eller 648 värden större än 2.0?
12 Lysrör POT GPD ny GEV Överskott över tröskelnivå (Peaks Over Threshold) Använd alla värden som överstiger en viss nivå. Bestäm en någorlunda hög tröskelnivå u (pröva några olika). Uppskatta förväntat antal överskott l = l u per tidsenhet (t.ex. per år) med l observerat antal överskott = totala observationsperioden Antag att antalet överskott N över tröskeln u under ett år är poissonfördelat: Ex: Lysrör (forts): P(N = k) = e l lk Med u = 3.0 får vi l = 405/5000 = 0.08., k = 0, 1, 2,... k!
13 Lysrör POT GPD ny GEV Generaliserad Paretofördelning Överskotten över en hög nivå är mer representativa för de globala extremvärdena än vad data i gemen är. Nästan alla fördelningar har en Generaliserad Pareto-svans (GPD). Med Y = X u = överskottet över nivån u gäller approximativt ( 1 1 c y ) 1/c, c 0 P(Y y) a + 1 e y/a, c = 0, Exponential Tung svans om c < 0, begränsad svans om c > 0. Skatta a och c med ML-metoden. Ex: Lysrör (forts): Med Matlab får vi a = 3.08 och c = 0.20.
14 Lysrör POT GPD ny GEV GPD med a=2 c = 0.6 c = 0 c = y Överskott över nivån u = 3 år Observerade överskott Skattad Generaliserad Pareto (c = 0.20, a=3.08) Y = X u
15 Lysrör POT GPD ny GEV Poisson + GPD = GEV N(t) = antalet överskott över u under t år är poissonfördelat med väntevärde lt. Överskottens storlek Y 1,..., Y N är ungefär GPD. Med Z t = t-årligt maximum = u + max(y 1,..., Y N ), så är, för z > u: P(Z t z) = P(N(t) = 0) + =... = exp ( P(N(t) = n, Y 1,..., Y n z u) n=1 ( 1 c z m s där s = a (lt) c och m = u + s a. c ) 1/c + )
16 Lysrör POT GPD ny GEV Ex: Lysrör (forts): För lysrör har vi, t.ex. s = a (l ) c = 0.58 och m = u + s a c = och 1 %-kvantilen z 0.01 = m + s c (1 ( ln(1 0.01))c ) = år Skattad fördelning för maximal livslängd Max av 100 lysrör Max av 5000 lysrör Max av lysrör Livslängd (år) OBS: osäker skattning!
PROGRAMFÖRKLARING III
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING III Matematisk statistik, Lunds universitet stik för modellval och prediktion p./22 Statistik
Läs merExtremvärden att extrapolera utanför data och utanför teori/modell. Statistik för modellval och prediktion p.1/27
Extremvärden att extrapolera utanför data och utanför teori/modell Statistik för modellval och prediktion p.1/27 Ledning utgjuter sig Centrala Uppsala översvämmades på tisdagskvällen för andra gången den
Läs merDatorövning 6 Extremvärden och Peak over Threshold
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövning 6 Extremvärden och Peak over Threshold I denna datorövning ska vi använda mätningarna
Läs merDatorövning 6 Extremvärden och Peaks over Threshold
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-16 Datorövning 6 Extremvärden och Peaks over Threshold I denna datorövning ska vi använda
Läs merMatematisk statistik för D, I, Π och Fysiker
max/min Matematisk statistik för D, I, Π och Fysiker Föreläsning 5 Johan Lindström 25 september 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 1/25 max/min Johan Lindström - johanl@maths.lth.se
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs merFöreläsning 5, FMSF45 Summor och väntevärden
Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)
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 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 merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Funktioner av s.v:er, Flera stokastiska variabler. Marginell sannolikhetsfunktion och -täthetsfunktion. Oberoende sv:er, Maximum och minimum av oberoende
Läs merStatistiska metoder för säkerhetsanalys
1 / 14 Statistiska metoder för säkerhetsanalys F2: Händelseströmmar och Poissonprocesser Definition Intensitet Exempel 2 / 14 Händelseström Händelsen A inträffar vid de okända tidpunkterna S 1, S 2,...
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 4, 28-3-27 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1913 MATEMATISK STATISTIK FÖR IT OCH ME ONSDAGEN DEN 12 JANUARI 2011 KL 14.00 19.00. Examinator: Camilla Landén, tel. 7908466. Tillåtna hjälpmedel: Formel- och tabellsamling
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 merStatistiska metoder för säkerhetsanalys
F9: Intensiteter 3 september 213 Egenskaper Återstående livslängd Storm Poissonprocess (igen) Händelsen A inträffar enligt en Poissonprocess med intensitet l. N A (t) = antal gånger A inträffar i (, t)
Läs merDel I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:...
Avd. Matematisk statistik TENTAMEN I SF9/SF94/SF95/SF96 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 4:E OKTOBER 08 KL 8.00 3.00. Examinator för SF94/SF96: Tatjana Pavlenko, 08-790 84 66 Examinator för
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 merStatistiska metoder för säkerhetsanalys
F10: Intensiteter och Poissonmodeller Frågeställningar Konstant V.v.=Var Cyklister Poissonmodeller för frekvensdata Vi gör oberoende observationer av de (absoluta) frekvenserna n 1, n 2,..., n k från den
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 merSF1911: Statistik för bioteknik
SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion
Läs merNågra extra övningsuppgifter i Statistisk teori
Statistiska institutionen Några extra övningsuppgifter i Statistisk teori 23 JANUARI 2009 2 Sannolikhetsteorins grunder 1. Tre vanliga symmetriska tärningar kastas. Om inte alla tre tärningarna visar sexa,
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid 1
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF5: Matematisk statistik för L och V OH-bilder på föreläsning 4, 27--8 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
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 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 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 merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-08-15 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merProvmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13
Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare
Läs merTentamensskrivning i stokastik MAGB64, 7.5 ECTS den 8 juni 2012 kl 14 19
Karlstads universitet matematik Peter Mogensen Tentamensskrivning i stokastik MAGB64, 7.5 ECTS den 8 juni 2012 kl 14 19 Hjälpmedel: Godkänd räknare och Mathematics Handbook Beta. Jourtelefon: 0733141592
Läs merb) Beräkna sannolikheten för att en person med språkcentrum i vänster hjärnhalva är vänsterhänt. (5 p)
Avd. Matematisk statistik TENTAMEN I SF1922/SF1923/SF1924 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 13:E AUGUSTI 2018 KL 8.00 13.00. Examinator för SF1922/SF1923: Tatjana Pavlenko, 08-790 84 66 Examinator
Läs merLärmål Sannolikhet, statistik och risk 2015
Lärmål Sannolikhet, statistik och risk 2015 Johan Jonasson Februari 2016 Följande begrepp och metoder ska behärskas väl, kunna förklaras och tillämpas. Direkta bevis av satser från kursen kommer inte på
Läs merSTATISTISKA INSTITUTIONEN Jakob Bergman
LUNDS UNIVERSITET STATISTISK TEORI STATISTISKA INSTITUTIONEN STAB0 Jakob Bergman 008-0-08 Tentamen i statistisk teori lördagen den januari 008. Tillåtna hjälpmedel: Körner: Tabeller och formler för statistiska
Läs merFöreläsning 12: Repetition
Föreläsning 12: Repetition Marina Axelson-Fisk 25 maj, 2016 GRUNDLÄGGANDE SANNOLIKHETSTEORI Grundläggande sannolikhetsteori Utfall = resultatet av ett försök Utfallsrum S = mängden av alla utfall Händelse
Läs merExempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor
Kontinuerliga stokastiska variabler Exempel En stokastisk variabel är kontinuerlig om den kan anta vilka värden som helst i ett intervall, men sannolikheten för varje enskilt utfall är noll: P(X = x) =.
Läs merStatistiska metoder för säkerhetsanalys
F11: Poissonprocesser och tillförlitlighet Egenskaper Träd Test London Poissonprocesser i planet Vi har ett område B. Låt N(B) vara antalet händelser som inträffar i område B. Om det gäller att två eller
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på
Läs mer6. Flerdimensionella stokastiska variabler
6 Flerdimensionella stokastiska variabler 61 Simultana fördelningar Den simultana fördelningsfunktionen av X och Y, vilka som helst två stokastiska variabler, definieras F(a,b) = F X,Y (a,b) = P(X a,y
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 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 merSF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt
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 merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 8:E JANUARI 2018 KL 14.00 19.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merSF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 3 DISKRETA STOKASTISKA VARIABLER Tatjana Pavlenko 23 mars, 2018 PLAN FÖR DAGENSFÖRELÄSNING Repetition av betingade sannolikheter, användbara satser
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 merSannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0
Avd. Matematisk statistik TENTAMEN I SF191, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 1:A JUNI 216 KL 8. 13.. Kursledare: Thomas Önskog, 8-79 84 55 Tillåtna hjälpmedel: Formel- och tabellsamling i
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE30 Sannolikhet, statistik och risk 207-08-5 kl. 8:30-3:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 03-7725325 Hjälpmedel: Valfri miniräknare.
Läs mer(a) sannolikheten för att läkaren ställer rätt diagnos. (b) sannolikheten för att en person med diagnosen ej sjukdom S ändå har sjukdomen, dvs.
Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 31:E MAJ 2012 KL 08.00 13.00. Examinator: Tobias Rydén, tel 790 8469. Kursledare: Tatjana Pavlenko, tel 790 8466.
Läs merFINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I. Oktober Matematikcentrum Matematisk statistik
FINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I Oktober Matematikcentrum Matematisk statistik CENTRUM SCIENTIARUM MATHEMATICARUM LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 6 Johan Lindström oktober 8 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Summa
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 merTentamen i Sannolikhetslära och statistik, TNK069, , kl 8 13.
LINKÖPINGS UNIVERSITET ITN, Campus Norrköping Univ lekt George Baravdish Tentamen i Sannolikhetslära och statistik, TNK69, 26--7, kl 8 3. Hjälpmedel är räknare med tömda minnen samt formelsamling utgiven
Läs merFör logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))
Logitmodellen För logitmodellen ges G (=F) av den logistiska funktionen: F(z) = e z /(1 + e z ) (= exp(z)/(1+ exp(z)) Funktionen motsvarar den kumulativa fördelningsfunktionen för en standardiserad logistiskt
Läs merSF1901: SANNOLIKHETSTEORI OCH FLERDIMENSIONELLA STOKASTISKA STATISTIK VARIABLER. Tatjana Pavlenko. 8 september 2017
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 5 FLERDIMENSIONELLA STOKASTISKA VARIABLER Tatjana Pavlenko 8 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition av de viktiga begreppen diskret/kontinuerlig
Läs merSkattningsmetoder för den generaliserade extremvärdesfördelningen
U.U.D.M. Project Report 2016:17 Skattningsmetoder för den generaliserade extremvärdesfördelningen Kevin Cribäck Examensarbete i matematik, 15 hp Handledare: Jesper Rydén Examinator: Jörgen Östensson Juni
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1901,SF1905,SF1907 OCH SF1908 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 12:E JANUARI 2011 KL 14.00 19.00. Kursledare: Gunnar Englund för D och I, tel. 7907416.
Läs merLufttorkat trä Ugnstorkat trä
Avd. Matematisk statistik TENTAMEN I SF1901 och SF1905 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 18:E OKTOBER 2012 KL 14.00 19.00. Examinator: Tatjana Pavlenko, tel 790 8466. Tillåtna hjälpmedel:
Läs merBILAGA II. Extremvärdesstatistik och osäkerhet
BILAGA II Extremvärdesstatistik och osäkerhet I denna något spretiga bilaga har samlats ett antal sektioner som beskriver och fördjupar olika metoder och resultat kopplade till den statistiska bearbetningen
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 merReliability analysis in engineering applications
Relibility nlysis in engineering pplictions Etremvärdesfördelningr Mimum och minimum Structurl Engineering - Lund University 1 Etremvärdesfördelningr Vrible lod, q Mvärdet under referensperioden Q 1 Q
Läs merProblemdel 1: Uppgift 1
STOCKHOLMS UNIVERSITET MT 00 MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, CH 8 februari 0 LÖSNINGAR 8 februari 0 Problemdel : Uppgift Rätt svar är: a) X och X är oberoende och Y och Y
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 merMatematisk statistik 9 hp Föreläsning 6: Linjärkombinationer
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer Anna Lindgren 27+28 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F6: linjärkombinationer 1/21 sum/max/min V.v./var Summa av
Läs merSimulering av Poissonprocesser Olle Nerman, Grupprojekt i MSG110,GU HT 2015 (max 5 personer/grupp)
Simulering av Poissonprocesser Olle Nerman, 2015-09-28 Grupprojekt i MSG110,GU HT 2015 (max 5 personer/grupp) Frågeställning: Hur åstadkommer man en realisering av en Poissonprocess på ett tidsintervall
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-10-12 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merFöreläsning 6, Matematisk statistik Π + E
Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE30 Sannolikhet, statistik och risk 207-06-0 kl. 8:30-3:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 03-7725348 Hjälpmedel: Valfri miniräknare.
Läs merf(x) = 2 x2, 1 < x < 2.
Avd. Matematisk statistik TENTAMEN I SF90,SF907,SF908,SF9 SANNOLIKHETSTEORI OCH STATISTIK TORSDAGEN DEN 7:E JUNI 0 KL 4.00 9.00. Examinator: Gunnar Englund, tel. 07 7 45 Tillåtna hjälpmedel: Formel- och
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen TT091A TGMAS15h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 30 Maj Tid: 9-13 Hjälpmedel: Miniräknare (nollställd) samt allmänspråklig
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 merUppgift 1 a) En kontinuerlig stokastisk variabel X har fördelningsfunktion
Avd. Matematisk statistik TENTAMEN I 5B57 MATEMATISK STATISTIK FÖR T och M ONSDAGEN DEN 9 OKTOBER 25 KL 8. 3.. Examinator: Jan Enger, tel. 79 734. Tillåtna hjälpmedel: Formel- och tabellsamling i Matematisk
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen 6.5 hp AT1MS1 DTEIN16h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 1 juni 2017 Tid: 14-18 Hjälpmedel: Miniräknare Totalt antal
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE32 Sannolikhet och statistik 219-6-5 kl. 8:3-12:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs merExtremvärdesteori och POT-modellen
Extremvärdesteori och POT-modellen Tove Nilsson Kandidatuppsats i matematisk statistik Bachelor Thesis in Mathematical Statistics Kandidatuppsats 29:4 Matematisk statistik Juni 29 www.math.su.se/matstat
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF194 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAG 1 AUGUSTI 019 KL 8.00 13.00. Examinator: Björn-Olof Skytt, 08-790 86 49. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merb) Beräkna sannolikheten att en mottagen nolla har sänts som en nolla. (7 p)
Avd. Matematisk statistik TENTAMEN I SF90 OCH SF905 SANNOLIKHETSTEORI OCH STATISTIK, FREDAGEN DEN 4:E MARS 204 KL 4.00 9.00. Kursledare: För D och Media: Gunnar Englund, 073 32 37 45 Kursledare: För F:
Läs merEnvägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper
Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Tobias Abenius February 21, 2012 Envägs variansanalys (ANOVA) I envägs variansanalys utnyttjas att
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 merTMS136. Föreläsning 5
TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 augusti 218, klockan 8.-12. Examinator: Jörg-Uwe Löbus (Tel: 79-62827) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
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 merSF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för
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 merFöreläsning 3. Sannolikhetsfördelningar
Föreläsning 3. Sannolikhetsfördelningar Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Slumpvariabel? Resultatet av ett slumpmässigt försök utgörs
Läs merBestäm med hjälp av en lämplig och välmotiverad approximation P (X > 50). (10 p)
Avd. Matematisk statistik TENTAMEN I SF1901, SF1905, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 17:E AUGUSTI 2015 KL 8.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel-
Läs merTAMS17/TEN1 STATISTISK TEORI FK TENTAMEN ONSDAG 10/ KL
TAMS17/TEN1 STATISTISK TEORI FK TENTAMEN ONSDAG 1/1 18 KL 8.-13.. Examinator och jourhavande lärare: Torkel Erhardsson, tel. 8 14 78. Tillåtna hjälpmedel: Formelsamling i matematisk statistik utgiven av
Läs merExempel på tentamensuppgifter
STOCKHOLMS UNIVERSITET 4 mars 2010 Matematiska institutionen Avd. för matematisk statistik Mikael Andersson Exempel på tentamensuppgifter Uppgift 1 Betrakta en allmän I J-tabell enligt 1 2 3 J Σ 1 n 11
Läs merTMS136: Dataanalys och statistik Tentamen
TMS136: Dataanalys och statistik Tentamen 013-08-7 Examinator och jour: Mattias Sunden, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkänd räknare och formelsamling (formelsamling delas ut med tentan). Betygsgränser:
Läs merPoissonregression. E(y x1, x2,.xn) = exp( 0 + 1x1 +.+ kxk)
Poissonregression En lämplig utgångspunkt om vi har en beroende variabel som är en count variable, en variabel som antar icke-negativa heltalsvärden med ganska liten variation E(y x1, x2,.xn) = exp( 0
Läs merFöreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.
Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Ytterligare begrepp Viktiga
Läs merMatematisk statistik KTH. Formelsamling i matematisk statistik
Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016
Läs merFöreläsning 11. Slumpvandring och Brownsk Rörelse. Patrik Zetterberg. 11 januari 2013
Föreläsning 11 Slumpvandring och Brownsk Rörelse Patrik Zetterberg 11 januari 2013 1 / 1 Stokastiska Processer Vi har tidigare sett exempel på olika stokastiska processer: ARIMA - Kontinuerlig process
Läs merExtremvärdesteori som ett hjälpmedel att sätta gränser
Extremvärdesteori som ett hjälpmedel att sätta gränser Blickar bakåt och framåt Georg Lindgren Lunds universitet, Matematisk statistik 22 mars, 2012 Cramérsällskapet Introduktion Nytt? New and growing?
Läs merFöreläsning 6 (kap 6.1, 6.3, ): Punktskattningar
Föreläsning 6 (kap 6.1, 6.3, 7.1-7.3): Punktskattningar Marina Axelson-Fisk 4 maj, 2016 Stickprov (sample) Idag: Stickprovsmedelvärde och varians Statistika (statistic) Punktskattning (point estimation)
Läs merSF1901: Övningshäfte
SF1901: Övningshäfte 24 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på
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 merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merFöreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess
Repetition Binomial Poisson Stokastisk process Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess Stas Volkov 217-1-3 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F8: Binomial- och
Läs mer