Finansiell statistik, vt-05. Bayes sats. Bayes sats; forts. F3 Sannolikhetsteori. Exempel: antag att vi har tre skålar P( ) = 0 P( ) = 2/5 P( ) = 4/5

Storlek: px
Starta visningen från sidan:

Download "Finansiell statistik, vt-05. Bayes sats. Bayes sats; forts. F3 Sannolikhetsteori. Exempel: antag att vi har tre skålar P( ) = 0 P( ) = 2/5 P( ) = 4/5"

Transkript

1 Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt- F Sannolikhetsteori Bayes sats Exempel: antag att vi har tre skålar / 4/ och någon väljer skål m slh: / /6 / Bayes sats; forts marginalsannolikheten, slh dra grön marker enligt lagen om total sannolikhet + + P /

2 Bayes sats; forts antag vi drar vilken skål har vi dragit ur? sannolikheten att vi dragit från? : betingning : enligt multiplikationsregeln : vi har beräknat så... 4 Bayes sats; forts enligt : 6 P 7 7 Vad vi gjort är att vända på betingningen P Bayes sats: Om,,, är disjunkta händelser så att och vi känner,,, och,,, ges för varje 6

3 Elementär kombinatorik För att kunna forma sannolikheter oavsett subjektiv, klassisk eller frekventistisk måste vi veta hur många utfall vi kan få uppenbart i t.ex. tärningsspelande 7 Elementär kombinatorik Samsonite med treställigt kodlås: hur många kombinationer? Antag mitten trasig, går bara till 8 Svar: lika många som alla tal mellan och 999 inklusive och hur många kombinationer? 8 Med mitten trasig Multiplikationsregeln X X X kan väljas på sätt kan väljas på 9 sätt för varje val på första finns 9 val för andra kan väljas på sätt för varje val på andra finns val för tredje träddiagram 9

4 Multiplikationsregeln Antal möjliga sätt att utföra operationer där operationerna kan utföras på,,, olika sätt ges av Permutationer Exempel: en expert skall rangordna företagen a, b, c och d utifrån kvalitén på deras FOU Hur många randordningar kan han göra? abcd abc ac d b a c c rankad :a :a :a 4:a Permutationer: exempel ranking Schematiskt kan experten ranka på 4 ggr ggr ggr enl multiplikationsregeln xxxx xxx xx x rankad :a :a :a 4:a 4

5 Permutationer Generellt: antal permutationer av objekt och där möjligheter plats Permutationer av obj valda ngr i taget Antag vi inte skall permutera alla objekten endast av dem. Av valbara styrelsemedlemmar skall vi utse ordförande, :e vice ordförande samt :e vice ordförande Hur många konfigurationer? 4 Perm: styrelseledning alt 9 alt 8 alt xxxxxxxxxx xxxxxxxxx xxxxxxxxx ordf. :e vice :e vice Svar:

6 Permutationer av obj valda ngr i taget Antal permutationer av objekten valda i taget + möjligheter + + plats 6 Val utan avseende på ordning Får man det här är man glad Exempel: hur många pokerhänder kan man få kort? Om ordningen de kommer upp i räknas Val utan avseende på ordning Men då har vi räknat t.ex. 4 ggr t.ex. etc... hämtat från 8 6

7 7-4- Johan Koskinen, Department of Statistics 9 Val utan avseende på ordning Eftersom detta gäller för alla kombinationer av kort: / Antalet pokerhänder är alltså runt och en halv miljon. -4- Johan Koskinen, Department of Statistics Val utan avseende på ordning Generellt när vi skall välja objekten av totalt utan avseende på ordning: + Betecknas vanligtvis: Och kallas för binomialkoefficienten -4- Johan Koskinen, Department of Statistics Val utan avseende på ordning; div Rekursion: + +

8 Val utan ordning; Pascals triangel Val utan avseende på ordning; SCB I SCB s Företagsdatabas nov fanns 46 9 företag med -4 anställda på hur många sätt kan SCB välja ut 779 företag med -4 anställda? så stora tal att vi måste approximera Val utan avseende på ordning; Binomial koeff. Om man utvecklar + får man + + men hur många termer finns det i +? Alt. formulering: på hur många sätt kan man välja ut tre faktorer ur ?

9 Inte alla element distinkta Exempel: MASSASAUGA är en nordamerikansk skallerorm På hur många sätt kan man felstava ormens namn givet att man kommer ihåg alla och hur många bokstäver det skall vara? Vi kan skriva M A S S A S A U G A 4 så antalet permutationer Bryr oss ej om ordningen på ex M A S S A S A U G A 4 M A S S A S A U G A 4 etc Inte alla element distinkta Svaret ges av: antalet permutationer M A S S A S A U G A 4 delat med antalet permutationer M gånger A A A A 4 gånger S S S 4 gånger U gånger GJohan Koskinen, Department of Statistics -4-6 Några sammanfattande formler Antal sätt ta element av : Med hänsyn till ordning med återläggning utan återläggning utan hänsyn till ordning + 7 9

Finansiell statistik, vt-05. Sannolikhetslära. Mängder En mängd är en samling element (objekt) 1, 2,, F2 Sannolikhetsteori. koppling till verkligheten

Finansiell statistik, vt-05. Sannolikhetslära. Mängder En mängd är en samling element (objekt) 1, 2,, F2 Sannolikhetsteori. koppling till verkligheten Johan, Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-05 F2 Sannolikhetsteori Sannolikhetslära koppling till verkligheten mängdlära räkna med sannolikheter definitioner

Läs mer

Föreläsning 2. Kapitel 3, sid Sannolikhetsteori

Föreläsning 2. Kapitel 3, sid Sannolikhetsteori Föreläsning 2 Kapitel 3, sid 47-78 Sannolikhetsteori 2 Agenda Mängdlära Kombinatorik Sannolikhetslära 3 Mängdlära Används för att hantera sannolikheter Viktig byggsten inom matematik och logik Utfallsrummet,

Läs mer

3 Grundläggande sannolikhetsteori

3 Grundläggande sannolikhetsteori 3 Grundläggande sannolikhetsteori Ämnet sannolikhetsteori har sin grund i studier av hasardspel utförda under 1500- och 1600-talen av bland andra Gerolamo Cardano, Pierre de Fermat och Blaise Pascal. Mycket

Läs mer

Kapitel 2. Grundläggande sannolikhetslära

Kapitel 2. Grundläggande sannolikhetslära Sannolikhetslära och inferens II Kapitel 2 Grundläggande sannolikhetslära 1 Att beräkna en sannolikhet I många slumpförsök gäller att alla utfall i S är lika sannolika. Exempel: Tärningskast, slantsingling.

Läs mer

modell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt

modell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F5 Diskreta variabler Kursens mål beskriva/analysera data formellt verktyg strukturera omvärlden innehåll osäkerhet

Läs mer

Kapitel 2. Grundläggande sannolikhetslära

Kapitel 2. Grundläggande sannolikhetslära Sannolikhetslära och inferens II Kapitel 2 Grundläggande sannolikhetslära 1 Kursinformation 13 föreläsningar: Måns Thulin, mans.thulin@statistik.uu.se 3 h: normalt 2 h föreläsning + 1 h räknestuga 7 räkneövningar:

Läs mer

Kombinatorik och sannolikhetslära

Kombinatorik och sannolikhetslära Grunder i matematik och logik (2018) Kombinatorik och sannolikhetslära Marco Kuhlmann Sannolikhetslära Detta avsnitt är för det mesta en kompakt sammanfattning av momentet sannolikhetslära som ingår i

Läs mer

Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19

Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19 Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19 Nancy Abdallah Chalmers - Göteborgs Universitet March 25, 2019 1 / 36 1. Inledning till sannolikhetsteori 2. Sannolikhetslagar 2 / 36 Lärare

Läs mer

TMS136. Föreläsning 1

TMS136. Föreläsning 1 TMS136 Föreläsning 1 Varför? Om vi gör mätningar vill vi kunna modellera och kvantifiera de osäkerheter som obönhörligen finns Om vi handlar med värdepapper vill kunna modellera och kvantifiera de risker

Läs mer

TMS136. Föreläsning 1

TMS136. Föreläsning 1 TMS136 Föreläsning 1 Varför? Om vi gör mätningar vill vi modellera och kvantifiera de osäkerheter som obönhörligen finns Om vi handlar med värdepapper vill vi modellera och kvantifiera de risker som finns

Läs mer

MA2047 Algebra och diskret matematik

MA2047 Algebra och diskret matematik MA2047 Algebra och diskret matematik Något om kombinatorik Mikael Hindgren 24 september 2018 Vad är kombinatorik? Huvudfråga: På hur många sätt kan en viss operation utföras? Några exempel: Hur många gånger

Läs mer

Föreläsning 1. Grundläggande begrepp

Föreläsning 1. Grundläggande begrepp Finansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 1 Sannolikhetsteori (LLL Kap 5) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course,

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 1

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 1 Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 1 Sannolikhetslära (LLL Kap 5) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course,

Läs mer

Statistisk slutledning (statistisk inferens): Sannolikhetslära: GRUNDLÄGGANDE SANNOLIKHETSLÄRA. Med utgångspunkt från ett stickprov

Statistisk slutledning (statistisk inferens): Sannolikhetslära: GRUNDLÄGGANDE SANNOLIKHETSLÄRA. Med utgångspunkt från ett stickprov OSÄKERHET Sannolikhetslära: Om det i ett område finns 32 % med universitetsexamen, vad är sannolikheten att ett stickprov kommer att innehålla 31-33 % med universitetsexamen? Om medelåldern i en population

Läs mer

Kap 2: Några grundläggande begrepp

Kap 2: Några grundläggande begrepp Kap 2: Några grundläggande begrepp Varför sannolikhetslära är viktigt? Vad menar vi med sannolikhetslära? Träddiagram? Vad är den klassiska, empiriska och subjektiva sannolikheten? Vad menar vi med de

Läs mer

Matematisk statistik - Slumpens matematik

Matematisk statistik - Slumpens matematik Matematisk Statistik Matematisk statistik är slumpens matematik. Började som en beskrivning av spel, chansen att få olika utfall. Brevväxling mellan Fermat och Pascal 1654. Modern matematisk statistik

Läs mer

{ } { } En mängd är en samling objekt A = 0, 1. Ex: Mängder grundbegrepp 5 C. Olof M C = { 7, 1, 5} M = { Ce, Joa, Ch, Je, Id, Jon, Pe}

{ } { } En mängd är en samling objekt A = 0, 1. Ex: Mängder grundbegrepp 5 C. Olof M C = { 7, 1, 5} M = { Ce, Joa, Ch, Je, Id, Jon, Pe} Mängder grundbegrepp En mängd är en samling objekt Ex: { } { } A = 0, 1 B = 0 C = { 7, 1, 5} tomma mängden (har inga element) D = { 1, 2, 3,, 10} M = { Ce, Joa, Ch, Je, Id, Jon, Pe} kallas element i mängden

Läs mer

Hur många registreringsskyltar finns det som inte innehåller samma tecken mer än en

Hur många registreringsskyltar finns det som inte innehåller samma tecken mer än en Föreläsning 10 Multiplikationsprincipen Additionsprincipen Permutationer Kombinationer Generaliserade permutationer och kombinationer. Binomialsatsen Multinomialsatsen Lådprincipen (Duvslagsprincipen)

Läs mer

SF1901: SANNOLIKHETSTEORI OCH STATISTIK GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGAD SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.

SF1901: SANNOLIKHETSTEORI OCH STATISTIK GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGAD SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko. SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 2 GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGAD SANNOLIKHETER, OBEROENDE HÄNDELSER Tatjana Pavlenko 26 mars, 2015 SANNOLIKHETSGRUNDER (REPETITION) Slumpförsöket

Läs mer

SF1901: SANNOLIKHETSTEORI OCH GRUNDLÄGGANDE SANNOLIKHETSTEORI, STATISTIK BETINGADE SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.

SF1901: SANNOLIKHETSTEORI OCH GRUNDLÄGGANDE SANNOLIKHETSTEORI, STATISTIK BETINGADE SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko. SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 2 GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGADE SANNOLIKHETER, OBEROENDE HÄNDELSER Tatjana Pavlenko 30 augusti, 2016 SANNOLIKHETSGRUNDER (REPETITION) Slumpförsöket

Läs mer

Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005)

Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005) Repetition och förberedelse Sannolikhet och sta.s.k (1MS005) Formellsamling och teori Nästa varje ekva.on som vi använder under kursen finns I samlingen. Tricket i examen är hica räc metod/fördelning.ll

Läs mer

Wienerprocesser. Finansiell statistik, vt-05. Enkel slumpvandring. Enkel slumpvandring. Varför: model för aktiekurs (dock med aber...

Wienerprocesser. Finansiell statistik, vt-05. Enkel slumpvandring. Enkel slumpvandring. Varför: model för aktiekurs (dock med aber... Varför: model för aktiekurs dock med aber... exempel: Black-Scholes jfr Binomialoptionsmodellen Johan Koskinen Statistiska institutionen Stockholms universitet Finansiell statistik vt-05 F5 Tidsserieanalys

Läs mer

Föreläsning 12: Repetition

Föreläsning 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 mer

Armin Halilovic: EXTRA ÖVNINGAR

Armin Halilovic: EXTRA ÖVNINGAR KOMBINATORIK I kombinatoriken sysslar man huvudsakligen med beräkningar av antalet sätt på vilket element i en given lista kan arrangeras i dellistor. Centrala frågor i kombinatoriken är: " Bestäm antalet..."

Läs mer

Kombinatorik. Författarna och Bokförlaget Borken, 2011. Kombinatorik - 1

Kombinatorik. Författarna och Bokförlaget Borken, 2011. Kombinatorik - 1 Kombinatorik Teori Multiplikationsprincipen..2 Teori Permutationer 3 Teori Kombinationer...5 Modell Dragning utan återläggning & sannolikheter 8 Teori Duvslageprincipen 11 Teori Pascals triangel & Mosertal...13

Läs mer

Icke-parametriska/fördelningsfria test. Finansiell statistik, vt-05. Teckentest. Teckentest. Vi gör observationer för =1,, på variablerna.

Icke-parametriska/fördelningsfria test. Finansiell statistik, vt-05. Teckentest. Teckentest. Vi gör observationer för =1,, på variablerna. Ickeparametriska/fördelningsfria test Vi gör observationer för,, på variablerna,,, eller Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt05 F0 ickeparametriska

Läs mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF1901: Sannolikhetslära och statistik Föreläsning 1. Jan Grandell & Timo Koski 01.09.2008 Jan Grandell & Timo Koski () Matematisk statistik 01.09.2008 1 / 48 Inledning Vi ska först ge några exempel på

Läs mer

Kombinatorik 6.19. Förenkla C(n+1,2)-C(n,2) och C(n+1,3)-C(n,3)

Kombinatorik 6.19. Förenkla C(n+1,2)-C(n,2) och C(n+1,3)-C(n,3) Kombinatorik 6.19 Förenkla C(n+1,2)-C(n,2) och C(n+1,3)-C(n,3) S: Sitter med med uppgift 6.19 a och b i EA och trots att det finns lösningsförslag till a på hemsidan så förstår jag inte. C(n+1,2) - C(n,2)

Läs mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grundläggande matematisk statistik Grundbegrepp, axiomsystem, betingad sannolikhet, oberoende händelser, total sannolikhet, Bayes sats Uwe Menzel uwe.menzel@slu.se 23 augusti 2017 Slumpförsök Ett försök

Läs mer

Utfall, Utfallsrummet, Händelse. Sannolikhet och statistik. Utfall, Utfallsrummet, Händelse. Utfall, Utfallsrummet, Händelse

Utfall, Utfallsrummet, Händelse. Sannolikhet och statistik. Utfall, Utfallsrummet, Händelse. Utfall, Utfallsrummet, Händelse Utfall, Utfallsrummet, Händelse Sannolikhet och statistik Sannolikhetsteorins grunder HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Denition 2.1 Resultatet av ett slumpmässigt försök kallas

Läs mer

Något om kombinatorik

Något om kombinatorik Något om kombinatorik 1. Inledning Kombinatoriken är den gren av matematiken som försöker undersöka på hur många olika sätt något kan utföras. Det kan vara fråga om mycket olika slag av problem. Kombinatoriska

Läs mer

Kolmogorovs Axiomsystem Kolmogorovs Axiomsystem Varje händelse A tilldelas ett tal : slh att A inträar Sannolikheten måste uppfylla vissa krav: Kolmog

Kolmogorovs Axiomsystem Kolmogorovs Axiomsystem Varje händelse A tilldelas ett tal : slh att A inträar Sannolikheten måste uppfylla vissa krav: Kolmog Slumpvariabel (Stokastisk variabel) Resultat av ett slumpförsök - utgången kann inte kontrolleras Sannolikhet och statistik Sannolikhetsteorins grunder VT 2009 Resultatet kan inte förutspås, men vi vet

Läs mer

KOMBINATORIK. Exempel 1. Motivera att det bland 11 naturliga tal finns minst två som slutar på samma

KOMBINATORIK. Exempel 1. Motivera att det bland 11 naturliga tal finns minst två som slutar på samma Explorativ övning 14 KOMBINATORIK Kombinatoriken används ofta för att räkna ut antalet möjligheter i situationer som leder till många olika utfall. Den används också för att visa att ett önskat utfall

Läs mer

Kombinatorik. Kapitel 2. Allmänt kan sägas att inom kombinatoriken sysslar man huvudsakligen med beräkningar av

Kombinatorik. Kapitel 2. Allmänt kan sägas att inom kombinatoriken sysslar man huvudsakligen med beräkningar av Kapitel 2 Kombinatorik Allmänt kan sägas att inom kombinatoriken sysslar man huvudsakligen med beräkningar av det antal sätt, på vilket elementen i en given mängd kan arrangeras i delmängder på något sätt.

Läs mer

Något om permutationer

Något om permutationer 105 Något om permutationer Lars Holst KTH, Stockholm 1. Inledning. I många matematiska resonemang måste man räkna antalet fall av olika slag. Den del av matematiken som systematiskt studerar dylikt brukar

Läs mer

KOMBINATORIK OCH BINOMIALSATSEN

KOMBINATORIK OCH BINOMIALSATSEN KOMBINATORIK OCH BINOMIALSATSEN PERMUTATIONER (Ordnade listor med n element, så kallade n- tipplar) 1. (permutationer av n olika element) Vi betraktar ordnade listor med n olika element,,, Varje bestämd

Läs mer

Statistik. Det finns tre sorters lögner: lögn, förbannad lögn och statistik

Statistik. Det finns tre sorters lögner: lögn, förbannad lögn och statistik Statistik Statistik betyder ungefär sifferkunskap om staten Statistik är en gren inom tillämpad matematik som sysslar med insamling, utvärdering, analys och presentation av data eller information. Verkligheten

Läs mer

1 Föreläsning II, Vecka I, 21/1-25/11, 2019, avsnitt

1 Föreläsning II, Vecka I, 21/1-25/11, 2019, avsnitt 1 Föreläsning II, Veca I, 1/1-5/11, 019, avsnitt.3 1.1 Kombinatori Exempel 1.1 I ett rutnät går man åt höger eller uppåt. Hur många vägar finns det mellan A och B? B A Vi har 8 (del-)sträcor att välja

Läs mer

1 Föreläsning II, Vecka I, 5/11-11/11, avsnitt 2.3

1 Föreläsning II, Vecka I, 5/11-11/11, avsnitt 2.3 1 Föreläsning II, Veca I, 5/11-11/11, avsnitt 2.3 1.1 Kombinatori Ex 2.1 I ett rutnät går man åt höger eller uppåt. Hur många vägar finns det mellan A och B? B A Vi har 8 (del-)sträcor att välja uppåt

Läs mer

Finansiell statistik, vt-05. Slumpvariabler, stokastiska variabler. Stokastiska variabler. F4 Diskreta variabler

Finansiell statistik, vt-05. Slumpvariabler, stokastiska variabler. Stokastiska variabler. F4 Diskreta variabler Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-05 F4 Diskreta variabler Slumpvariabler, stokastiska variabler Stokastiska variabler diskreta variabler kontinuerliga

Läs mer

Föreläsning G70, 732G01 Statistik A

Föreläsning G70, 732G01 Statistik A Föreläsning 3 732G70, 732G01 Statistik A Introduktion till sannolikhetslära Sannolikhetslära: område inom statistiken där vi studerar experiment vars utfall beror av slumpen Sannolikhet: numeriskt värde

Läs mer

Statistikens grunder HT, dagtid Statistiska institutionen

Statistikens grunder HT, dagtid Statistiska institutionen Statistikens grunder 1 2013 HT, dagtid Statistiska institutionen Vad vi ska gå igenom Mängdlära Absolutbelopp Summatecknet Potensräkning Logaritmer och exponentialfunktionen Kombinatorik 2013-09-03 Michael

Läs mer

Matematisk statistik 9 hp för I, Pi, C, D och fysiker Föreläsning 1: Introduktion och Sannolikhet

Matematisk statistik 9 hp för I, Pi, C, D och fysiker Föreläsning 1: Introduktion och Sannolikhet Matematisk statistik 9 hp för I, Pi, C, D och fysiker Föreläsning 1: Introduktion och Sannolikhet Anna Lindgren 30+31 augusti 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F1: Sannolikhet 1/27 Praktiska

Läs mer

Sannolikhetslära. 1 Enkel sannolikhet. Grunder i matematik och logik (2015) 1.1 Sannolikhet och relativ frekvens. Marco Kuhlmann

Sannolikhetslära. 1 Enkel sannolikhet. Grunder i matematik och logik (2015) 1.1 Sannolikhet och relativ frekvens. Marco Kuhlmann Marco Kuhlmann Detta kapitel behandlar grundläggande begrepp i sannolikhetsteori: enkel sannolikhet, betingad sannolikhet, lagen om total sannolikhet och Bayes lag. 1 Enkel sannolikhet Den klassiska sannolikhetsteorin,

Läs mer

Matematisk statistik 9hp för: C,D,I, Pi

Matematisk statistik 9hp för: C,D,I, Pi Matematisk statistik 9hp för: C,D,I, Pi Föreläsning 1, Sannolikhet Stas Volkov September 12, 2017 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F1: Sannolikhet 1/27 Tillämpningar Praktiska detaljer Matematisk

Läs mer

Föreläsning 1, Matematisk statistik Π + E

Föreläsning 1, Matematisk statistik Π + E Introduktion Sannolikhetsteori Beroende Föreläsning 1, Matematisk statistik Π + E Sören Vang Andersen 4 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F1 1/26 Introduktion Sannolikhetsteori

Läs mer

Sidor i boken V.L = 8 H.L. 2+6 = 8 V.L. = H.L.

Sidor i boken V.L = 8 H.L. 2+6 = 8 V.L. = H.L. Sidor i boken 119-11 Andragradsekvationer Dagens tema är ekvationer, speciellt andragradsekvationer. Men först några ord om ekvationer i allmänhet. En ekvation är en likhet som innehåller ett (möjligen

Läs mer

Föreläsning 8: Räkning. Duvhålsprincipen. Kombinatorik

Föreläsning 8: Räkning. Duvhålsprincipen. Kombinatorik Föreläsning 8: Räkning. Duvhålsprincipen. Kombinatorik Summaregeln Om och B är disjunkta mängder så B = + B, ty innehåller inga upprepningar Produktregeln Om och B är disjunkta mängder så är B = B Exempel:

Läs mer

Uppgifter 6: Kombinatorik och sannolikhetsteori

Uppgifter 6: Kombinatorik och sannolikhetsteori Grunder i matematik och logik (2017) Uppgifter 6: Kombinatorik och sannolikhetsteori Marco Kuhlmann Kombinatorik Nivå A 6.01 En meny består av tre förrätter, fem huvudrätter och två efterrätter. På hur

Läs mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grundläggande matematisk statistik Grundbegrepp, axiomsystem, betingad sannolikhet, oberoende händelser, total sannolikhet, Bayes sats Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de

Läs mer

Kombinatorik. Bilder: Akvareller gjorda av Ramon Cavallers, övriga diagram och foton av Nils-Göran. Nils-Göran Mattsson och Bokförlaget Borken, 2011

Kombinatorik. Bilder: Akvareller gjorda av Ramon Cavallers, övriga diagram och foton av Nils-Göran. Nils-Göran Mattsson och Bokförlaget Borken, 2011 Kombinatorik Teori Multiplikationsprincipen..2 Teori Permutationer 3 Teori Kombinationer...5 Modell Dragning utan återläggning & sannolikheter 8 Teori Duvslageprincipen 11 Teori Pascals triangel & Mosertal...13

Läs mer

Lösningar och lösningsskisser

Lösningar och lösningsskisser Lösningar och lösningsskisser Diskret matematik för gymnasiet, :a upplagan, Liber AB Kapitel, Sannolikhetslära och Kombinatorik 0. a) ( ) ( ) h!! ( )!!! 9!! 9!!! h! ( h)!! h! ( h)!! h! ( h)! Likheten är

Läs mer

TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter

TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter TATM79: Föreläsning Absolutbelopp, summor och binomialkoefficienter Johan Thim 15 augusti 015 1 Absolutbelopp Absolutbelopp Definition. För varje reellt x definieras absolutbeloppet x enligt { x, x 0 x

Läs mer

Statistik 1 för biologer, logopeder och psykologer

Statistik 1 för biologer, logopeder och psykologer Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data

Läs mer

Föreläsning 1, Matematisk statistik för M

Föreläsning 1, Matematisk statistik för M Föreläsning 1, Matematisk statistik för M Erik Lindström 23 mars 2015 Erik Lindström - erikl@maths.lth.se FMS035 F1 1/30 Tillämpningar Praktiska detaljer Matematisk statistik slumpens matematik Sannolikhetsteori:

Läs mer

1 Föreläsning I, Vecka I: 5/11-11/11 MatStat: Kap 1, avsnitt , 2.5

1 Föreläsning I, Vecka I: 5/11-11/11 MatStat: Kap 1, avsnitt , 2.5 1 Föreläsning I, Vecka I: 5/11-11/11 MatStat: Kap 1, avsnitt 2.1-2.2, 2.5 Introduktion till kursen. Grundläggande sannolikhetslära. Mängdlära, händelser, sannolikhetsmått Händelse följer samma räkneregler

Läs mer

TAMS79: Föreläsning 1 Grundläggande begrepp

TAMS79: Föreläsning 1 Grundläggande begrepp TMS79: Föreläsning 1 Grundläggande begrepp Johan Thim 31 oktober 2018 1.1 Begrepp Ett slumpförsök är ett försök där resultatet ej kan förutsägas deterministiskt. Slumpförsöket har olika möjliga utfall.

Läs mer

F2 SANNOLIKHETSLÄRA (NCT )

F2 SANNOLIKHETSLÄRA (NCT ) Stat. teori gk, ht 2006, JW F2 SANNOLIKHETSLÄRA (NCT 4.1-4.2) Ordlista till NCT Random experiment Outcome Sample space Event Set Subset Union Intersection Complement Mutually exclusive Collectively exhaustive

Läs mer

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion Gnuer i skyddade/oskyddade områden, binära utfall och binomialfördelningar Matematik och statistik för biologer, 10 hp Fredrik Jonsson Januari 2012 I vissa områden i Afrika har man observerat att förekomsten

Läs mer

Catalantal för gymnasieelever

Catalantal för gymnasieelever Institutionen för naturvetenskap och teknik Catalantal för gymnasieelever Emma Nimelius Örebro universitet Institutionen för naturvetenskap och teknik Matematik C Catalantal för gymnasieelever Emma Nimelius

Läs mer

FMS012/MASB03: Matematisk statistik 9.0 hp för F+fysiker Föreläsning 1: Sannolikhet

FMS012/MASB03: Matematisk statistik 9.0 hp för F+fysiker Föreläsning 1: Sannolikhet FMS012/MASB03: Matematisk statistik 9.0 hp för F+fysiker Föreläsning 1: Sannolikhet Anna Lindgren 18 januari 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F1: Sannolikhet 1/27 Tillämpningar Praktiska

Läs mer

TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter

TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter Johan Thim 2 augusti 2016 1 Absolutbelopp Absolutbelopp Definition. För varje reellt x definieras absolutbeloppet x enligt { x, x 0

Läs mer

Vidare får vi S 10 = 8,0 10 4 = 76, Och då är 76

Vidare får vi S 10 = 8,0 10 4 = 76, Och då är 76 Ellips Sannolikhet och statistik lösningar till övningsprov sid. 38 Övningsprov.. i) P(:a äss och :a äss och 3:e äss och 4:e äss ) P(:a äss) P(:a äss :a äss) P(3:e äss :a och :a äss) antal P(4:a äss :a

Läs mer

Dagens Teori. 6.1 Kombinatorik Ett svårt problem

Dagens Teori. 6.1 Kombinatorik Ett svårt problem Dagens Teori 6.1 Kombinatorik Många problem inom matematiken, datalogin och ingenjörsvetenskapen består av att räkna antalet objekt med speciella egenskaper. Även om det inte finns någon absolut regel

Läs mer

Sannolikhetsbegreppet

Sannolikhetsbegreppet Kapitel 3 Sannolikhetsbegreppet Betrakta följande försök: Ett symmetriskt mynt kastas 100 gånger och antalet krona observeras. Antal kast 10 20 30 40 50 60 70 80 90 100 Antal krona 6 12 16 21 25 30 34

Läs mer

Övning 1 Sannolikhetsteorins grunder

Övning 1 Sannolikhetsteorins grunder Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är

Läs mer

Statistikens grunder HT, dagtid Statistiska institutionen

Statistikens grunder HT, dagtid Statistiska institutionen Statistikens grunder 1 2013 HT, dagtid Statistiska institutionen Orsak och verkan N Kap 2 forts. Annat ord: kausalitet Något av det viktigaste för varje vetenskap. Varför? Orsakssamband ger oss möjlighet

Läs mer

Algebra och kombinatorik 10/ Föreläsning 4. Låt X vara en ändlig mängd. En permutation av X är en bijektiv funktion X X. Sats: S n =n!

Algebra och kombinatorik 10/ Föreläsning 4. Låt X vara en ändlig mängd. En permutation av X är en bijektiv funktion X X. Sats: S n =n! Permutationer Låt X vara en ändlig mängd. En permutation av X är en bijektiv funktion X X. Mängden permutationer av N n för n N är S n (S 0 är mängden av permutationer av ) Sats: S n =n! Ex S 3 =3! Låt

Läs mer

Exempel: Väljarbarometern. Föreläsning 1: Introduktion. Om Väljarbarometern. Statistikens uppgift

Exempel: Väljarbarometern. Föreläsning 1: Introduktion. Om Väljarbarometern. Statistikens uppgift Exempel: Väljarbarometern Föreläsning 1: Introduktion Matematisk statistik Det som typiskt karakteriserar ett statistiskt problem är att vi har en stor grupp (population) som vi vill analysera. Vi kan

Läs mer

Sannolikhetslära till pdf.notebook. May 04, 2012. Sannolikhetslära. Kristina.Wallin@kau.se

Sannolikhetslära till pdf.notebook. May 04, 2012. Sannolikhetslära. Kristina.Wallin@kau.se May 0, 0 Sannolikhetslära Kristina.Wallin@kau.se May 0, 0 Centralt innehåll Sannolikhet Åk Slumpmässiga händelser i experiment och spel. Åk 6 Sannolikhet, chans och risk grundat på observationer, experiment

Läs mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF1901: Sannolikhetslära och statistik Föreläsning 1. Jan Grandell & Timo Koski 19.01.2016 Jan Grandell & Timo Koski Matematisk statistik 19.01.2016 1 / 65 Många tänker på tabeller 1 när de hör ordet statistik.

Läs mer

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson Uppsala Universitet Matematiska Institutionen Thomas Erlandsson LÄSANVISNINGAR VECKA 36 VERSION 1. ARITMETIK FÖR RATIONELLA OCH REELLA TAL, OLIKHETER, ABSOLUTBELOPP ADAMS P.1 Real Numbers and the Real

Läs mer

SF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018

SF1922/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 mer

Begreppen "mängd" och "element" är grundläggande begrepp i matematiken.

Begreppen mängd och element är grundläggande begrepp i matematiken. MÄNGDER Grundläggande begrepp och beteckningar Begreppen "mängd" och "element" är grundläggande begrepp i matematiken. Vi kan beskriva (ange, definiera) en mängd som innehåller ändligt många element genom

Läs mer

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 1 Mängdlära Grundläggande sannolikhetsteori Kombinatorik Deskriptiv statistik

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 1 Mängdlära Grundläggande sannolikhetsteori Kombinatorik Deskriptiv statistik SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 1 Mängdlära Grundläggande sannolikhetsteori Kombinatorik Deskriptiv statistik Jörgen Säve-Söderbergh Information om kursen Kom ihåg att

Läs mer

Jörgen Säve-Söderbergh

Jörgen Säve-Söderbergh SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 8 Binomial-, hypergeometrisk- och Poissonfördelning Exakta egenskaper Approximativa egenskaper Jörgen Säve-Söderbergh Binomialfördelningen

Läs mer

Introduktion till sannolikhetslära. Människor talar om sannolikheter :

Introduktion till sannolikhetslära. Människor talar om sannolikheter : F9 Introduktion till sannolikhetslära Introduktion till sannolikhetslära Människor talar om sannolikheter : Sannolikheten att få sju rätt på Lotto Sannolikheten att få stege på en pokerhand Sannolikheten

Läs mer

Lärmål Sannolikhet, statistik och risk 2015

Lärmål 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 mer

Begreppen "mängd" och "element" är grundläggande begrepp i matematiken.

Begreppen mängd och element är grundläggande begrepp i matematiken. MÄNGDER Grundläggande begrepp och beteckningar egreppen "mängd" och "element" är grundläggande begrepp i matematiken. Vi kan beskriva (ange, definiera) en mängd som innehåller ändligt många element genom

Läs mer

Probabilistisk logik 1

Probabilistisk logik 1 729G43 Artificiell intelligens / 2016 Probabilistisk logik 1 Marco Kuhlmann Institutionen för datavetenskap Osäkerhet 1.01 Osäkerhet Agenter måste kunna hantera osäkerhet. Agentens miljö är ofta endast

Läs mer

Introföreläsning i S0001M, Matematisk statistik LP3 VT18

Introföreläsning i S0001M, Matematisk statistik LP3 VT18 föreläsning i S0001M, Matematisk statistik LP3 VT18 Luleå tekniska universitet 15 januari 2018 Gruppindelning och lärare Gruppindelning Grupp A - Datateknik, Väg- och vatten (Mykola) Grupp B - Ind. ekonomi,

Läs mer

Lösningar till Algebra och kombinatorik

Lösningar till Algebra och kombinatorik Lösningar till Algebra och kombinatorik 091214 1. Av a 0 = 1 och rekursionsformeln får vi successivt att a 1 = 1 + a 0 1 a 0 = 1 + 1 1 1 = 2, a 2 = 1 + a 1 1 a 0 + 1 a 1 = 1 + 2 1 + 1 = 4, 2 a 3 = 1 +

Läs mer

Föreläsning 1: Introduktion

Föreläsning 1: Introduktion Föreläsning 1: Introduktion Matematisk statistik Chalmers University of Technology Mars 23, 2015 Lärare och kurslitteratur : Rum: E-mail: Anders Hildeman: Rum: E-mail: Kursansvarig och föreläsare H3018

Läs mer

STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar

STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar 2007-10-08 sida 1 # 1 STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar Sven Erick Alm och Tom Britton Typsatt med liber1ab 2007-10-08 1 2007-10-08 sida 2 # 2 2007-10-08 sida i # 3 Innehåll

Läs mer

Kapitel 1. betecknas detta antal med n(a). element i B; bet. A B. Den tomma mängden är enligt överenskommelsen en delmängd. lika; bet. A = B.

Kapitel 1. betecknas detta antal med n(a). element i B; bet. A B. Den tomma mängden är enligt överenskommelsen en delmängd. lika; bet. A = B. Kapitel 1 Mängdlära Begreppet mängd är fundamentalt i vårt tänkande; en mängd är helt allmänt en samling av objekt, vars antal kan vara ändligt eller oändligt. I matematiken kallas dessa objekt mängdens

Läs mer

Sannolikheter och kombinatorik

Sannolikheter och kombinatorik Sannolikheter och kombinatorik En sannolikhet är ett tal mellan 0 och 1 som anger hur frekvent en händelse sker, där 0 betyder att det aldrig sker och 1 att det alltid sker. När vi talar om sannolikheter

Läs mer

Funktioner och kombinatoriska tillämpningar. Mars

Funktioner och kombinatoriska tillämpningar. Mars Mars 27 2006 Lådprincip Om kn + 1 eller fler kulor skall läggas i n lådor då måste någon låda innehålla minst k + 1 kulor. Exempel I en liksidig triangel med sidan 1 väljes 5 punkter. Visa att det finns

Läs mer

Diskret matematik: Övningstentamen 4

Diskret matematik: Övningstentamen 4 Diskret matematik: Övningstentamen 22. Beskriv alla relationer, som är såväl ekvivalensrelationer som partiella ordningar. Är någon välbekant relation sådan? 23. Ange alla heltalslösningar till ekvationen

Läs mer

Algebra och kombinatorik 28/4 och 5/ Föreläsning 9 och 10

Algebra och kombinatorik 28/4 och 5/ Föreläsning 9 och 10 Grupper En grupp är ett par (G,*) där G är en mängd och * är en binär operation på G som uppfyller följande villkor: G1 (sluten) x,yϵg så x*yϵg G2 (associativ) x,y,z ϵg (x*y)*z=x*(y*z) G3 (identitet) Det

Läs mer

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 21.01.2016 Jan Grandell & Timo Koski Matematisk statistik 21.01.2016 1 / 39 Lärandemål Betingad

Läs mer

Finansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel

Finansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,

Läs mer

Övningshäfte 6: 2. Alla formler är inte oberoende av varandra. Försök att härleda ett par av de formler du fann ur några av de övriga.

Övningshäfte 6: 2. Alla formler är inte oberoende av varandra. Försök att härleda ett par av de formler du fann ur några av de övriga. GÖTEBORGS UNIVERSITET MATEMATIK 1, MAM100, HT2005 MATEMATISK BASKURS Övningshäfte 6: Syftet med övningen är att utforska strukturen hos talsystemen under addition respektive multiplikation samt sambandet

Läs mer

2. En vanlig kortlek består av 52 kort, varav 13 i varje färg. En pokerhand består av 5 kort.

2. En vanlig kortlek består av 52 kort, varav 13 i varje färg. En pokerhand består av 5 kort. Tentamenskrivning för TMS63, Matematisk Statistik. Tisdag em den 9 aug, 24, V-huset. Examinator: Marina Axelson-Fisk. Tel: 7-22883 Tillåtna hjälpmedel: typgodkänd miniräknare, tabell- och formelhäfte (utdelas).

Läs mer

MATRISTEORI. Pelle Pettersson MATRISER. En matris är ett rektangulärt schema med tal, reella eller komplexa, vilka kallas matrisens

MATRISTEORI. Pelle Pettersson MATRISER. En matris är ett rektangulärt schema med tal, reella eller komplexa, vilka kallas matrisens MATRISTEORI Pelle Pettersson ALLMÄN MATRISKUNSKAP MATRISER En matris är ett rektangulärt schema med tal, reella eller komplexa, vilka kallas matrisens element Exempel Matrisen 2 3 4 5 6 har två rader och

Läs mer

Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl

Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl 1 Matematiska Institutionen KTH Lösning av tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, tisdagen den 27 maj 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel

Läs mer

Kryssuppgifter 5, Inledande diskret matematik D/DI, HT2016 Lösningar

Kryssuppgifter 5, Inledande diskret matematik D/DI, HT2016 Lösningar Kryssuppgifter, Inledande diskret matematik D/DI, HT2016 Lösningar Basuppgifter 1. Det finns två fall: FALL 1: Styrelsen har kvinnor och 3 män. I så fall finns det ) val för kvinnorna och ( 9 ) val för

Läs mer

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 14.01.2013 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 1 / 25 Repetition:

Läs mer

Anna: Bertil: Cecilia:

Anna: Bertil: Cecilia: Marco Kuhlmann 1 Osäkerhet 1.01 1.02 1.03 1.04 1.05 Intelligenta agenter måste kunna hantera osäkerhet. Världen är endast delvist observerbar och stokastisk. (Jmf. Russell och Norvig, 2014, avsnitt 2.3.2.)

Läs mer

Föreläsning 1: Introduktion

Föreläsning 1: Introduktion Föreläsning 1: Introduktion Matematisk statistik Chalmers University of Technology August 29, 2016 Lärare : Rum: E-mail: Anders Hildeman: Rum: E-mail: Sandra Eriksson Barman: Rum: E-mail: Kursansvarig

Läs mer