Statistiska metoder för säkerhetsanalys
|
|
- Daniel Persson
- för 7 år sedan
- Visningar:
Transkript
1 Anna Lindgren Matematisk statistik 2 september 2013
2 Formalia Syfte och Mål Om kursen Kursen ger 7.5 hp och är obligatorisk på Riskhantering. Förutsätter en grundläggande kurs i statistik/matematisk statistik. Hemsida: Lärare Anna Lindgren, MH:136, tel: , e-post: anna@maths.lth.se. Ted Kronvall Kurssekreterare Maria Lövgren, marial@maths.lth.se, tel: , MH:225a b. Kursen består av föreläsningar (28 timmar vid 14 tillfällen), övningar (14 timmar vid 7 tillfällen), obligatoriska datorövningar (12 timmar vid 6 tillfällen)
3 Formalia Syfte och Mål Datorövningarna i Matlab i grupper om två. Obligatorisk närvaro. Kurslitteratur Rychlik, Rydén: Probability and Risk Analysis, An Introduction for Engineers, Springer 2006, ISBN: Finns som e-bok. För att bli godkänd på kursen krävs deltagande vid samtliga sex datorövningar, godkänd vid skriftlig tentamen. Tillåtna hjälpmedel vid tentamen: Kursens formelsamling Formelsamling i grundkurs i matematisk statistik/statistik Miniräknare Tentamen lördag 26 oktober kl i Sparta:A B. Omtentamen lördag 11 januari 2014, i MA:10 J.
4 Formalia Syfte och Mål Syfte: Kursen presenterar begrepp och idéer för grunderna i statistisk behandling av risker. Tyngdpunkten ligger på förståelsen av teorin och metoderna. Därför fokuserar kursen på tillämpningar inom risk och säkerhetsanalys. Eftersom uppskattningen av risker kräver att man kombinerar information från olika källor används Bayesianska metoder flitigt inom detta område. Därför ägnas en väsentlig del av kursen åt sådana metoder. För att kunna analysera och prediktera förekomst och frekvens av farliga scenarier scenarios används moderna statistiska verktyg, såsom Poisson-regression, deviationsanalys, extremvärdesteori och tröskelmetoder. Kännedom om sådana metoder underlättar förståelsen av den roll sannolikhetsteori spelar i riskanalys och hur man på bästa sätt utnyttjar resultatet från datorkörningar.
5 Formalia Syfte och Mål Kursens mål Kunskap och förståelse För godkänd kurs skall studenten kunna skatta olycksintensiteten och modellera dess beroende av några förklarande variabler kunna identifiera situationer där osäkerheten i de framräknade resultaten inte kan försummas, ofta i situationer där mängden tillgänglig information är begränsad, kunna inkludera olika typer av information i en riskuppskattning med Bayesianska metoder.
6 Formalia Syfte och Mål Kursens mål Färdighet och förmåga För godkänd kurs skall studenten kunna läsa speciallitteratur inom området risk och säkerhet där begrepp som intensitet, sannolikhet och säkerhetsindex ofta används, kunna kvantifiera osäkerheten i ofta förekommande riskmått, kunna validera de modeller som använts för att beräkna riskmåtten.
7 Formalia Syfte och Mål Kursens mål Värderingsförmåga och förhållningssätt För godkänd kurs skall studenten visa en större förståelse för de koncept som används inom andra kurser i riskuppskattning, vara medveten om den roll sannolikhet spelar i riskanalys och kunna använda programpaket på ett riktigt sätt.
8 Formalia Syfte och Mål Kursinnehåll Repetition av de grundläggande begreppen inom sannolikhetsteori: oberoende, betingad sannolikhet, stokastisk variabel, täthets- och sannolikhetsfunktion, väntevärde, varians och kovarians. Introduktion och enkla tillämpningar av Bayes sats, Centrala gränsvärdessatsen, Stora talens lag och Små talens lag. Klassisk statistisk inferens: ML-metoden, konfidensintervall, hypotesprövning och anpassningstest. Introduktion till bootstrap och delta-metoden för konstruktion av konfidensintervall. Introduktion till Bayesiansk inferens: prediktiv sannolikhet, conjugated priors, credibility interval. Skattning av intensiteter och Poissonregression
9 Formalia Syfte och Mål Kursinnehåll (forts) Några begrepp från säkerhets- och riskanalys: felintensitet, säkerhetsindex, karaktäristiska värdet. Skattning av kvantiler med POT-metoden. Introduktion till extremvärdesanalys: skattning av designhändelsen, t.ex. styrkan hos 100-årsstormen, samt uppskattning av osäkerheten hos skattningarna.
10 Stormar Maxflöde Trafikdöda Utsläpp Fraktgods Exempel: Stormar Under perioden hade Sverige 26 individuella stormar där skadorna översteg en million m 3 skog. Man har noterat tidperioden (dagar) mellan dessa svåra stormar frekvens dagar Fördelning (matematisk modell) för tidpunkten mellan stormar? Sannolikheten att det är mindre än 400 dagar mellan två stormar? Med vilken intensitet kommer svåra stormar? Har intensiteten ändrats under tidsperioden?
11 Stormar Maxflöde Trafikdöda Utsläpp Fraktgods Exempel: Årligt maxflöde Figuerna visar maximala årliga flödet (ft 3 /s) i Feather River under perioden 1902 till Antag att 200 ft 3 /s är en kritisk gräns Flöde (ft 3 /s) År Flöde (ft 3 /s) Fördelning för maximalt årsflöde? Vad är 50-årsflödet? Sannolikheten att flödet överstiger 200 ft 3 /s? Baserad på samtliga data eller enbart på höga flöden?
12 Stormar Maxflöde Trafikdöda Utsläpp Fraktgods Exempel: Trafikdöda Nedan visas antalet döda i trafiken i Sverige under perioden (Källa: Vägverket) 1000 Antal döda i trafiken År 1000 Antal döda i trafiken År En enkel linjär regressionsmodell där antal döda antas avta linjärt med tiden räcker tydligen ej! En mer komplicerad modell för att beskriva hur antal döda varierar i tiden inkluderar också andra variabler (t.ex. trafikindex, antal människor, antal bilar, antal fordonskm). Vi introducerar s.k. Poissonregression. Hur ska vi avgöra vilka variabler den ska innehålla?
13 Stormar Maxflöde Trafikdöda Utsläpp Fraktgods Exempel: Utsläpp I en dal finns två fabriker som båda, oberoende av varandra, vissa dagar använder en kemisk process som ger upphov till att toxiska föroreningar sprids i luften. Användandet beror inte på veckodag eller säsong. Fabrik E 1 använder den kemiska processen 150 dagar av de totalt 260 arbetsdagarna under ett år medan fabrik E 2 gör det under 30 dagar. (a) Vad är sannolikheten att fabrik E 1 sprider föroreningen i dalen en given arbetsdag? (b) Vad är sannolikheten att den toxiska föroreningen sprids i dalen en given arbetsdag? (c) En viss dag visar mätningar att den toxiska föroreningen finns i dalen, vad är sannolikheten att det var fabrik E 1 som gjorde utsläppet? (d) Vad är sannolikheten att föroreningen inte sprids i dalen under en arbetsvecka om fem dagar? (e) Vad är sannolikheten att den toxiska föroreningen sprids i dalen minst en dag under en arbetsvecka om fem dagar?
14 Stormar Maxflöde Trafikdöda Utsläpp Fraktgods Exempel: Fraktgods När ett företag skickar fraktgods till en återförsäljare sker detta antingen med lastbil, tåg eller flyg. 50% fraktas med lastbil, 30% med tåg och 20% med flyg. Andelen transportskadat gods är 5% med lastbil, 10% med tåg och 2% med flyg. (a) Hur stor andel av godset kan man räkna med får transportskador? (b) Om man mottar ett transportskadat gods hur stor är sannolikheten att det skickats med tåg?
15 Grundläggande begrepp Odds Sannolikhetsteori Grundläggande begrepp Utfall Vi har ett experiment (försök) vars utfall vi inte känner. Ex: Kasta en tärning och notera resultatet Ex: Betrakta en industri och se om den drabbas av utsläpp Händelse Händelsen A är ett uttalande om utfallet. Ex: Kasta en tärning: A = minst femma Ex: Betrakta en industri en dag: B = utsläpp Sannolikhet P(A) = sannolikheten för A Ex: P(A) = sannolikheten att tärningen visar minst femma Ex: P(B) = sannolikheten att industrin drabbas av utsläpp
16 Grundläggande begrepp Odds Egenskaper hos P(A) 0 P(A) 1 Om P(A) = 0 så inträffar A aldrig Om P(A) = 1 så inträffar A alltid P(inte A) = 1 P(A) Frekvenstolkning Om vi upprepar experimentet många gånger, oberoende av varandra, kan vi tolka P(A) som relativa frekvensen: antal femmor och sexor Ex: P(A) = P(minst femma) = totalt antal kast antal dagar med utsläpp Ex: P(B) = P(utsläpp) = totalt antal dagar
17 Grundläggande begrepp Odds Additionssatsen P(A B) = P(A) + P(B) P(A B) dvs P(minst en av A och B inträffar) = = P(A inträffar) + P(B inträffar) P(både A och B inträffar) Oberoende Om A och B är oberoende så är P(A B) = P(A) P(B). Om P(A B) = P(A) P(B) så är A och B är oberoende. Betingad sannolikhet Vi vet att A inträffade. Vad är då sannolikheten att B (också) inträffar? P(B A) = P(A B) P(A) A och B oberoende ger P(B A) = P(B).
18 Grundläggande begrepp Odds Satsen om total sannolikhet Om händelserna A 1,...,A n inte kan inträffa samtidigt och tillsammans fyller upp hela utfallsrummet så gäller att P(B) = n P(B A i ) P(A i ) i=1 Ex: Fraktgods (a) P(lastbil) = 0.5, P(tåg) = 0.3, P(flyg) = 0.2, P(skada lastbil) = 0.05, P(skada tåg) = 0.10, P(skada flyg) = P(skada) = P(skada lastbil) P(lastbil) + P(skada tåg) P(tåg) + + P(skada flyg) P(flyg) = = 0.059
19 Grundläggande begrepp Odds Bayes sats Utnyttja att definitionen av betingad sannolikhet medför att P(B A) P(A) = P(B A) = P(A B) P(B) P(A B) = P(B A) P(A) P(B) Ex: Fraktgods (b) P(skada tåg) P(skada tåg) P(tåg) P(tåg skada) = = P(skada) P(skada) = = = 0.51
20 Grundläggande begrepp Odds Odds För två händelser A 1 och A 2 är oddsen två positiva tal q 1 och q 2 så att q 1 = P(A 1) q 2 P(A 2 ) För flera uteslutande händelser A 1,...,A n : Ex: Fraktgods q i q j = P(A i) P(A j ) q i P(A i ) = q q n Vi har ett gods, vad är oddsen för lastbil, tåg resp. flyg? P(lastbil) P(tåg) = = 5 3, P(lastbil) = 0.5 P(flyg) 0.2 = 5 2, P(tåg) P(flyg) = = 3 2 Oddsen för lastbil : tåg : flyg är 5 : 3 : 2 eller 10 : 6 : 4 eller...
21 Grundläggande begrepp Odds Ex: Fraktgods (forts) Antag nu att vi får ny information, nämligen att godset är skadat, vad är då oddsen för lastbil, tåg resp. flyg? Betingade sannolikheter! P(lastbil skadat) P(tåg skadat) P(lastbil skadat) P(flyg skadat) P(lastbil) P(skadat lastbil) P(skadat) = P(tåg) P(skadat tåg) = =... P(skadat lastbil) P(skadat tåg) P(skadat) ) P(lastbil) P(tåg) }{{} gamla oddset 5:3 P(tåg skadat) P(flyg skadat) =...
22 Grundläggande begrepp Odds Ex: Fraktgods (forts) Uppdaterade odds: q post lastbil = P(skadat lastbil) qprior lastbil = = 0.25 q post tåg q post flyg = P(skadat tåg) q prior tåg = = 0.30 = P(skadat flyg) qprior flyg = = 0.04 Nya oddsen för lastbil : tåg : flyg är 25 : 30 : 4 A priori och a posteriori odds Vi har sinsemellan uteslutande händelser A 1,...,A n. Gamla odds q prior 1,..., q prior n kallas a priori odds. Nya odds, när vi fått information om att händelsen B har inträffat, q post 1,..., q post n kallas a posteriori odds där q post i = P(B A i ) q prior i
KURSPROGRAM HT-18 MATEMATISK STATISTIK AK FÖR D, I OCH PI, FMSF45 & MASB03
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK KURSPROGRAM HT-18 MATEMATISK STATISTIK AK FÖR D, I OCH PI, FMSF45 & MASB03 Allmänt Kursen ger 9hp och omfattar 36 timmar föreläsning, 28 timmar
Läs merMatematisk 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 merKURSPROGRAM HT-10 MATEMATISK STATISTIK AK FÖR CDI, FMS 012
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK KURSPROGRAM HT-10 MATEMATISK STATISTIK AK FÖR CDI, FMS 012 Hemsida Kursens hemsida finns på http://www.maths.lth.se/matstat/kurser/fms012/
Läs merMatematisk 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 merFöreläsning 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 merSannolikhet och statistik 1MS005
UPPSALA UNIVERSITET Matematiska institutionen Jesper Rydén Matematisk statistik Sannolikhet och statistik 1MS005 2013 08 28 Sannolikhet och statistik 1MS005 Kurshemsida: http://www2.math.uu.se/ jesper/sos13.html
Läs merKURSPROGRAM HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER, FMSF70 & MASB02
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK KURSPROGRAM HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER, FMSF70 & MASB02 Allmänt Kursen ger 7.5hp och omfattar 26 timmar föreläsning,
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merFöreläsning 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 merKursbeskrivning för Statistisk teori med tillämpningar, Moment 1, 7,5 hp
Statistiska institutionen VT2011 Kursbeskrivning för Statistisk teori med tillämpningar, Moment 1, 7,5 hp MOMENTETS INNEHÅLL Momentet ger studenten kunskap om ett antal olika statistiska modeller och hur
Läs merSannolikhetslära och statistik, grundkurs
DNR LIU-2018-02499 1(5) Sannolikhetslära och statistik, grundkurs Programkurs 6 hp Probability and Statistics, First Course TAMS42 Gäller från: 2019 VT Fastställd av Programnämnden för data- och medieteknik,
Läs merGrundläggande 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 merIntroföreläsning i S0001M Matematisk statistik Läsperiod 2, HT 2018
Introföreläsning i S0001M Matematisk statistik Läsperiod 2, HT 2018 Mykola Shykula Luleå tekniska universitet 5 november 2018 Gruppindelning och lärare Gruppindelning Grupp A: 30 st Arkitekt (TCARA), 20
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merIntroföreläsning 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 merÄMAD04, Matematik 4, 30 högskolepoäng Mathematics 4, 30 credits Grundnivå / First Cycle
Humanistiska och teologiska fakulteterna ÄMAD04, Matematik 4, 30 högskolepoäng Mathematics 4, 30 credits Grundnivå / First Cycle Fastställande Kursplanen är fastställd av Naturvetenskapliga fakultetens
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 merb) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p)
Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 27:E OKTOBER 2014 KL 08.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66, Björn-Olof Skytt, 08-790 86 49.
Läs merExempel: 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 merKolmogorovs 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 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 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 merStatistiska metoder för säkerhetsanalys
F7: Bayesiansk inferens Klassisk vs Bayesiansk Två problem Klassisk statistisk inferens Frekventistisk tolkning av sannolikhet Parametrar fixa (ofta okända) storheter Skattningar och konfidensintervall
Läs merUtfall, 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 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 merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merSannolikhetsteori. Måns Thulin. Uppsala universitet Statistik för ingenjörer 23/ /14
1/14 Sannolikhetsteori Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 23/1 2013 2/14 Dagens föreläsning Relativa frekvenser Matematik för händelser Definition av sannolikhet
Läs merFöreläsning 1: Introduktion
Föreläsning 1: Introduktion Matematisk statistik David Bolin Chalmers University of Technology March 22, 2014 Lärare och kurslitteratur David Bolin: Rum: E-mail: Fredrik Boulund: Rum: E-mail: Kursansvarig,
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 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 merFö relä sning 1, Kö system vä ren 2014
Fö relä sning 1, Kö system vä ren 2014 Här följer en mycket kort sammanfattning av det viktigaste i Föreläsning 1. Observera att dessa anteckningar inte kan ersätta läroboken, de är alltför kortfattade
Läs merVälkommen till Matematik 3 för lärare!
Välkommen till Matematik 3 för lärare! Nu: Statistik för lärare + Linjär algebra + datorlabbar Antagen? Registrerad? För er som läser första ämnet nu (MAxx eller FYMA): Hållbar Utveckling med Människan
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 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 merStatistik och testmetodik
Psykologiska institutionen Anvisningar och schema till delkursen Statistik och testmetodik 7,5 högskolepoäng 17 januari-9 mars 2011 Momentansvarig: Emma Bäck Schema Datum Tid Grupp Lokal Lärare Innehåll
Läs merEfter att ha genomgått momentet Statistisk teori III, grundnivå, 7,5 högskolepoäng,
Statistiska Institutionen Kursbeskrivning till STATISTISK TEORI III, grundnivå, 7,5 högskolepoäng, HT 2007 Gebrenegus Ghilagaber Bertil Wegmann (2007 08 28) 1 Innehåll Kursen behandlar: Fördelningar. Momentgenererande
Läs merFö relä sning 1, Kö system 2015
Fö relä sning 1, Kö system 2015 Här följer en kort sammanfattning av det viktigaste i Föreläsning 1. Kolla kursens hemsida minst en gång per vecka. Övningar kommer att läggas ut där, skriv ut dem och ha
Läs merIntroduktion 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 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 merSF1920/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 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 merFöreläsning 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 merBeskrivning av och preliminära läsanvisningar till Fortsättningskurs i statistik, moment 1, Statistisk Teori, 10 poäng.
STOCKHOLMS UNIVERSITET HT 2005 Statistiska institutionen 2005-08-29 MC Beskrivning av och preliminära läsanvisningar till Fortsättningskurs i statistik, moment 1, Statistisk Teori, 10 poäng. KURSBESKRIVNING
Läs merMatematisk statistik för D, I, Π och Fysiker. Matematisk statistik slumpens matematik. Tillämpningar för matematisk statistik.
Matematisk statistik för D, I, Π och Fysiker Föreläsning 1 Johan Lindström 4 september 2018 Johan Lindström - johanl@maths.lth.se FMSF45/MASB03 F1 2/29 Matematisk statistik slumpens matematik Sannolikhetsteori:
Läs mer1 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 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 merMatematisk statistik 9hp Föreläsning 2: Slumpvariabel
Matematisk statistik 9hp Föreläsning 2: Slumpvariabel Anna Lindgren 6+7 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp Utfall
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 merFMS012/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 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 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 merSannolikhetslära. 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 merFöreläsning 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 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 merFöreläsning G70 Statistik A
Föreläsning 2 732G70 Statistik A Introduktion till sannolikhetslära Sannolikhetslära: område inom statistiken där vi studerar experiment vars utfall beror av slumpen Sannolikhet: numeriskt värde (mellan
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 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 merTMS136. Föreläsning 2
TMS136 Föreläsning 2 Sannolikheter För en händelse E skriver vi sannolikheten att E inträffar som P(E) För en händelse E skriver vi sannolikheten att E inte inträffar som P(E ) Exempel Låt E vara händelsen
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 merKursbeskrivning för Statistisk teori med tillämpningar, 15 hp
Statistiska institutionen HT 2014 Kursbeskrivning för Statistisk teori med tillämpningar, 15 hp Kursen består av fyra moment: 1. Statistisk teori med tillämpningar I, tentamen, 6 hp 2. Inlämningsuppgift
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 3 4 november 2016 1 / 28 Idag Förra gången Stokastiska variabler (Kap. 3.2) Diskret stokastisk variabel (Kap. 3.3 3.4) Kontinuerlig stokastisk
Läs merTNIU66: Statistik och sannolikhetslära
Institutionen för teknik och naturvetenskap Michael Hörnquist, 1 februari 2013 TNIU66: Statistik och sannolikhetslära Kursinformation 2013 Mål och innehåll Kursens mål och förväntade läranderesultat enligt
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-05-31 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merTT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng
Matematisk statistik Provmoment: Ladokkod: Tentamen ges för: TT091A, TVJ22A, NVJA02 Pu, Ti 7,5 högskolepoäng Namn: (Ifylles av student) Personnummer: (Ifylles av student) Tentamensdatum: 2012-05-29 Tid:
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-06-01 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merTT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng
Matematisk statistik Provmoment: Ladokkod: Tentamen ges för: TT091A, TVJ22A, NVJA02 Pu, Ti 7,5 högskolepoäng Namn: (Ifylles av student) Personnummer: (Ifylles av student) Tentamensdatum: 2012-08-31 Tid:
Läs merSatsen om total sannolikhet och Bayes sats
Satsen om total sannolikhet och Bayes sats Satsen om total sannolikhet Ibland är det svårt att direkt räkna ut en sannolikhet pga att händelsen är komplicerad/komplex. Då kan man ofta använda satsen om
Läs merTentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.
Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tid: Måndagen den 2015-06-01, 8.30-12.30. Examinator och Jour: Olle Nerman, tel. 7723565, rum 3056, MV, Chalmers. Hjälpmedel: Valfri
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 merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010
Avd. Matematisk statistik SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010 0 Allmänna anvisningar Arbeta med handledningen, och skriv rapport, i grupper om två eller tre personer. Närvaro vid laborationstiden
Läs merJörgen 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 merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merMatematisk statistik for B, K, N, BME och Kemister. Matematisk statistik slumpens matematik. Beskriva Data Florence Nightingale. Forel.
Matematisk statistik for B, K, N, BME och Kemister asning Forel 1 Johan Lindstrom 29 augusti 2016 Johan Lindstr om - johanl@maths.lth.se FMS086/MASB02 F1 2/21 Till ampningar Matematisk statistik slumpens
Läs merTentamen för kursen. Linjära statistiska modeller. 22 februari
STOCKHOLMS UIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 februari 2017 9 14 Examinator: Ola Hössjer, tel. 070/672 12 18, ola@math.su.se Återlämning: Meddelas via kurshemsida
Läs merSF1901: 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 merSF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende
SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 21.01.2015 Jan Grandell & Timo Koski () Matematisk statistik 21.01.2015 1 / 1 Repetition:
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 merLINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 2 augusti 217, klockan 8-12 Examinator: Jörg-Uwe Löbus (Tel: 79-62827 Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merUppgift 1. P (A) och P (B) samt avgör om A och B är oberoende. (5 p)
Avd. Matematisk statistik TENTAMEN I SF90, SF905, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 8:E AUGSTI 204 KL 08.00 3.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel- och
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-06-07 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson Jourhavande
Läs merFörslagen har förankrats inom avdelningen. Vid ett internseminarium diskuterades MMTarbetet. Med vänlig hälsning. Jan Enger studierektor
Avdelningen för matematisk statistik vid matematiska institutionen förslår fem kurser för MMT 2003. Två av dessa är grundkurser och tre är kurser på masternivå. Den först grundkursen, Sannolikhetslära
Läs merFMS032: MATEMATISK STATISTIK AK FÖR V OCH L KURSPROGRAM HT 2015
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS032: MATEMATISK STATISTIK AK FÖR V OCH L KURSPROGRAM HT 2015 HEMSIDA Kursens hemsida finns på http://www.maths.lth.se/matstat/kurser/fms032/
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 merTentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl
Karlstads universitet Avdelningen för nationalekonomi och statistik Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl 08.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema
Läs merFöreläsning 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 merKursbeskrivning för statistisk teori med tillämpningar I + II, 15 hp
Statistiska institutionen VT 2012 Kursbeskrivning för statistisk teori med tillämpningar I + II, 15 hp Kursen består av två moment: 1. Statistisk teori med tillämpningar I 2. Statistisk teori med tillämpningar
Läs merMatematisk statistik fo r B, K, N, BME och Kemister. Matematisk statistik slumpens matematik. Beskriva Data Florence Nightingale.
Matematisk statistik fo r B, K, N, BME och Kemister Fo rela sning 1 Johan Lindstro m 28 augusti 2017 Johan Lindstro m - johanl@maths.lth.se FMSF70/MASB02 F1 2/18 Tilla mpningar Matematisk statistik slumpens
Läs merTMS136. 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 merFinansiell 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 merKursbeskrivning för Statistisk teori med tillämpningar, 15 hp
Statistiska institutionen VT 2015 Kursbeskrivning för Statistisk teori med tillämpningar, 15 hp Kursen består av fyra moment: 1. Statistisk teori med tillämpningar I, tentamen, 6 hp 2. Inlämningsuppgift
Läs merKursbeskrivning för statistisk teori med tillämpningar I + II, 15 hp
Statistiska institutionen HT 2011 Kursbeskrivning för statistisk teori med tillämpningar I + II, 15 hp Kursen består av två moment: 1. Statistisk teori med tillämpningar I 2. Statistisk teori med tillämpningar
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 merKurser inom profilen Teknisk matematik (Y)
Matematisk Statistik Kurser inom profilen Teknisk matematik (Y) Martin Singull Matematisk Statistik MAI - LiU Linköping 9 mars 2015 Matematisk statistik Matematisk statistik handlar om: 1) Sannolikhetslära
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) 26 april 2004, klockan 08.15-13.15
Karlstads universitet Institutionen för informationsteknologi Avdelningen för Statistik Tentamen i Statistik, STA A10 och STA A13 (9 poäng) 6 april 004, klockan 08.15-13.15 Tillåtna hjälpmedel: Bifogad
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 mer(a) Avgör om A och B är beroende händelser. (5 p) (b) Bestäm sannolikheten att A inträffat givet att någon av händelserna A och B inträffat.
Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSLÄRA OCH STATISTIK I, MÅNDAGEN DEN 15 AUGUSTI 2016 KL 08.00 13.00. Examinator: Tatjana Pavlenko, 08 790 84 66. Kursledare: Thomas Önskog, 08 790
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 15 / TEN 1
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 5 / TEN januari 08, klockan 4.00-8.00 Examinator: Jörg-Uwe Löbus (Tel: 0709-6087) Tillåtna hjälpmedel är en räknare, formelsamling 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 TT091A TGMAS15h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 30 Maj Tid: 9-13 Hjälpmedel: Miniräknare (nollställd) samt allmänspråklig
Läs mer