Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005)
|
|
- Agneta Viklund
- för 7 år sedan
- Visningar:
Transkript
1 Repetition och förberedelse Sannolikhet och sta.s.k (1MS005)
2 Formellsamling och teori Nästa varje ekva.on som vi använder under kursen finns I samlingen. Tricket i examen är hica räc metod/fördelning.ll räc problem. För ac göra det måste ni förstår hur man använder teori.
3 Kurssammanfattning X Bakgrund. (Ingår inte i tentan) 3 Grund kunskap 4 Vik.g kunskap 5 Avancerad kunskap
4 F1 Utfallsrum (X)
5 F2.1 Träddiagram (3)
6 Exempel av frågor i tentamen 2 { }
7 Exempel av frågor i tentamen 1. Putte har fyra lådor framför sig. I den första lådan finns det fyra biljardbollar numrerade 1, 2, 3, 4, i den andra lådan finns det fem biljardbollar numrerade 1, 2, 3, 4, 5, i den tredje lådan finns det sex biljardbollar numrerade 1, 2, 3, 4, 5, 6, i den fjärde lådan finns det sju biljardbollar numrerade 1, 2, 3, 4, 5, 6, 7. (a) Putte väljer en låda slumpmässigt och drar en boll ur denna låda. Vad är sannolikheten att bollen har nummer 5? (b) Givet händelsen i a, dvs att Putte drog en boll med nummer 5, vad är då sannolikheten att han drog den ur låda nummer 3? (c) Antag nu som i a. att Putte väljer en låda slumpmässigt, men att han istället drar två bollar (utan återläggning). Vad är sannolikheten att båda bollarnas nummer är 4 eller mindre?
8 F2.2 Kombinatorik (3)
9 F2.2 Kombinatorik (3)
10 F2.2 Kombinatorik (3)
11 F2.2 Kombinatorik (5)
12 F2.2 Kombinatorik (5)
13 F2.2 Kombinatorik (3)
14 F2.3 Pascal s triangel (3)
15 Exempel av frågor i tentamen 1. Putte har fyra lådor framför sig. I den första lådan finns det fyra biljardbollar numrerade 1, 2, 3, 4, i den andra lådan finns det fem biljardbollar numrerade 1, 2, 3, 4, 5, i den tredje lådan finns det sex biljardbollar numrerade 1, 2, 3, 4, 5, 6, i den fjärde lådan finns det sju biljardbollar numrerade 1, 2, 3, 4, 5, 6, 7. (a) Putte väljer en låda slumpmässigt och drar en boll ur denna låda. Vad är sannolikheten att bollen har nummer 5? (b) Givet händelsen i a, dvs att Putte drog en boll med nummer 5, vad är då sannolikheten att han drog den ur låda nummer 3? (c) Antag nu som i a. att Putte väljer en låda slumpmässigt, men att han istället drar två bollar (utan återläggning). Vad är sannolikheten att båda bollarnas nummer är 4 eller mindre?
16 F2.3 Pascal s triangel (3)
17 F2.3 Pascal s triangel (4)
18 F3.1 Betingning (3)
19 F3.2 Oberoende (3)
20 F3.3 Bayes sats (5)
21 F3.3 Bayes sats (4)
22 Exempel av frågor i tentamen 1. Låt A vara händelsen: Ett flygplan passerar en radar, och B vara händelsen: Radarn registrerar något. Givet att P(A) = 0.05 och att tillverkaren har angivit: P(B A) =0.99 och P(B A c )=0.10. (a) (2p) Beräkna P(B). (b) (3p) Beräkna P(A B) { }
23 Exempel av frågor i tentamen 1. Putte har fyra lådor framför sig. I den första lådan finns det fyra biljardbollar numrerade 1, 2, 3, 4, i den andra lådan finns det fem biljardbollar numrerade 1, 2, 3, 4, 5, i den tredje lådan finns det sex biljardbollar numrerade 1, 2, 3, 4, 5, 6, i den fjärde lådan finns det sju biljardbollar numrerade 1, 2, 3, 4, 5, 6, 7. (a) Putte väljer en låda slumpmässigt och drar en boll ur denna låda. Vad är sannolikheten att bollen har nummer 5? (b) Givet händelsen i a, dvs att Putte drog en boll med nummer 5, vad är då sannolikheten att han drog den ur låda nummer 3? (c) Antag nu som i a. att Putte väljer en låda slumpmässigt, men att han istället drar två bollar (utan återläggning). Vad är sannolikheten att båda bollarnas nummer är 4 eller mindre?
24 F4 Diskreta slumpvariabler (X)
25 F4 Diskreta slumpvariabler (3) Defini&on: Fördelnings funk.on, väntevärdet, variansen, standard avvikelse, och varia.onskoefficient. Beräkningar:
26 F4 Diskreta slumpvariabler (4)
27 F5 Kontinuerliga slumpvariabler (3) Defini&on: Fördelningsfunk.on, Täthetsfunk.onen, Väntevärdet, Variansen, Standard avvikelsen, Varia.onskoefficient.
28 F5 Kontinuerliga slumpvariabler (4) Beräkningar:
29 Exempel av frågor i tentamen 2. Låt X vara en kontinuerlig slumpvariabel som har täthetsfunktion på formen ( a 1 x 3, 0 apple x apple 1, f X (x) = 0, x /2 [0, 1]. (a) (2p) Bestäm värdet på konstanten a. (b) (2p) Beräkna E(X) och V(X). (c) (1p) Beräkna sannolikheten för händelsen {X > 0.5}.
30 F6 Bernoulli fördelning (4)
31 F6 Likforming fördelning (3)
32 F6 Binomial fördelning (3)
33 Exempel av frågor i tentamen 1. Flygbolag räknar med att en passagerare som köpt biljett inte dyker upp med sannolikhet 1/10 (oberoende av varandra). Bolagen säljer därför fler biljetter än det finns platser. Flygbolag A har små flygplan med 9 platser, och de säljer 10 biljetter till varje flygning. Flygbolag B har plan med 18 platser och säljer 20 platser. För vilket bolag är risken störst att det dyker upp fler passagerare än det finns platser till en slutsåld flygning? 8. Vi har 10 oberoende, symmetriska slantar, och utför följande. Först singlar vi alla slantar en gång; sedan singlar vi på nytt alla de som visade krona efter första singlingen. Beräkna väntevärdet för det totala antalet klave man ser. (5p)
34 F6 Binomial fördelning (5)
35 F6 Geometrisk fördelning (3)
36 F6 Negativ- binomial fördelning (4)
37 F6 Poisson fördelning (X)
38 F6 Poisson fördelning (5)
39 F6 Poisson fördelning (3)
40 Exempel av frågor i tentamen Z h i Z Z r 4. Lars skall köpa en ny maskin som han skall behålla under tio år. Han vet från tillgängliga data att maskinen kommer behöva repareras ett Poisson(10)-fördelat antal gånger under denna tioårsperiod. En reparation är mycket kostsam och maskinfirman ger honom därför följande försäkringserbjudanden: Erbjudande 1. Erbjudande 2. Varje reparation kostar 7000 kronor. Den första reparationen kostar kronor, den andra kostar (9/10) kr, den tredje kostar (9/10) kr osv. (a) Beräkna den förväntade totala reparationskostnaden för erbjudande 1 resp. 2. Tips: Den totala kostnaden för k reparationer i erbjudande 2 blir Xk 1 j=0 9 j = (9/10)k 1 9/10 = (1 (9/10) k ). (b) Beräkna sannolikheten att erbjudande 1 blir billigare än erbjudande 2.
41 X Lösning: (a) Låt X Po(10) vara antalet gånger som Lars måste få maskinen reparerad och låt K i vara den totala reparationskostnaden för alternativ i =1, 2. Vi har att E[K 1 ] = 7000E[X] = 70000, och att E[K 2 ]= 1X (1 (9/10) k )P(X = k) k=0 1X 1X = P(X = k) (9/10) k P(X = k) k=0 = k=0! 1X (9/10) k 10k k! e 10 k=0 = e 10 1 X k=0! 9 k k! = e (b) Den totala kostnaden för k reparationer blir 7000k för alt 1 och (1 (9/10) k ) för alt 2. Vi ser att (1 (9/10) k ) < 7000k för k = 9 medan (1 (9/10) 8 ) > Erbjudande 1 blir därför billigare om antalet reparationer är färre än eller lika med 8. Därför söker vi enligt tabell. P(X apple 8) = Foljande stickprov anses vara oberoende observationer av en slumpvariabel Re(0 ),
42 F6 Hypergeometrisk fördelning (4)
43 F7 Exponential fördelning (3)
44 F7 Exponential fördelning (4)
45 F7 Normal fördelning (X)
46 F7 Power law fördelning (3)
47 Approximationer npq N n N 1 > 5 Bin(n, p) npq > 5 N(µ, σ 2 ) (E(X) =µ, V (X) =σ 2 ) n N < 0.1 p <0.1 λ > 15 Hyp(N,n,p) p + n N < 0.1 Po(λ) (λ = np)
48 Exempel av frågor i tentamen 4. En kaffemaskin säljer kaffe för 13kr per kopp. Antalet sålda koppar kaffe per dag anses vara Poissonfördelat med väntevärde 100. Att hålla maskinen i drift en dag kostar k kronor, där k anger antalet koppar sålda under dagen. Vad är sannolikheten att kaffemaskinen en given dag drar in en vinst?
Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005)
Repetition och förberedelse Sannolikhet och sta.s.k (1MS005) F8.1 Kvantiler (3) F8.1 Kvantiler (3) F8.2 Räkna regler för väntevärdet (3) F8.3 Olikheter (X) F8.4 Sannolikgenererande funktioner (X) F8.5
Läs merTillåtna hjälpmedel: Räknedosa. Formel- och tabellsamling i matematisk statistik.
UPPSALA UNIVERSITET Matematiska institutionen Erik Broman, Jesper Rydén TENTAMEN I MATEMATISK STATISTIK Sannolikhet och statistik 1MS5 214-1-11 Skrivtid: 8.-13.. För betygen 3, 4 resp. 5 krävs 18, 25 resp.
Läs merIntroduktion till statistik för statsvetare
"Det finns inget så praktiskt som en bra teori" November 2011 Repetition Vad vi gjort hitills Vi har börjat med att studera olika typer av mätningar och sedan successivt tagit fram olika beskrivande mått
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs mer4.1 Grundläggande sannolikhetslära
4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan
Läs merKapitel 5 Multivariata sannolikhetsfördelningar
Sannolikhetslära och inferens II Kapitel 5 Multivariata sannolikhetsfördelningar 1 Multivariata sannolikhetsfördelningar En slumpvariabel som, när slumpförsöket utförs, antar exakt ett värde sägs vara
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 merFormel- och tabellsamling i matematisk statistik
Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P
Läs mer4.2.1 Binomialfördelning
Ex. Kasta en tärning. 1. Vad är sannolikheten att få en 6:a? 2. Vad är sannolikheten att inte få en 6:a? 3. Vad är sannolikheten att få en 5:a eller 6:a? 4. Om vi kastar två gånger, vad är då sannolikheten
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 merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärd funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
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 merStatistik 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 merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärld funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs merSummor av slumpvariabler
1/18 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 9/2 2011 2/18 Dagens föreläsning Parkeringsplatsproblemet Räkneregler för väntevärden Räkneregler
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 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 merGrundläggande matematisk statistik
Grundläggande matematisk statistik Diskreta fördelningar Uwe Menzel, 2018 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merFöreläsning 8, Matematisk statistik Π + E
Repetition Binomial Poisson Stokastisk process Föreläsning 8, Matematisk statistik Π + E Sören Vang Andersen 9 december 214 Sören Vang Andersen - sva@maths.lth.se FMS12 F8 1/23 Repetition Binomial Poisson
Läs merKap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen
Kap 6: Normalfördelningen Normalfördelningen Normalfördelningen som approximation till binomialfördelningen σ μ 1 Sats 6 A Om vi ändrar läge och/eller skala på en normalfördelning så har vi fortfarande
Läs merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler Jörgen Säve-Söderbergh Stokastisk variabel Singla en slant två gånger. Ω = {Kr Kr, Kr Kl, Kl Kr, Kl Kl}
Läs 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 merÖvning 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 mer4. Stokastiska variabler
4. Stokastiska variabler En stokastisk variabel (s.v.) är en funktion som definieras i utfallsrummet. Varje stokastisk variabel har en viss sannolikhetsstruktur. Ex: Man kastar två tärningar. Låt X = summan
Läs merFöreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar
Föreläsning 3 Kapitel 4, sid 79-124 Sannolikhetsfördelningar 2 Agenda Slumpvariabel Sannolikhetsfördelning 3 Slumpvariabel (Stokastisk variabel) En variabel som beror av slumpen Ex: Tärningskast, längden
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 merSF1901: Sannolikhetslära och statistik. Mer om Approximationer
SF1901: Sannolikhetslära och statistik Föreläsning 7.A Mer om Approximationer Jan Grandell & Timo Koski 10.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 10.02.2012 1 / 21 Repetition CGS Ofta
Läs merKapitel 4 Sannolikhetsfördelningar Sid Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin
Kapitel 4 Sannolikhetsfördelningar Sid 79-14 Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Slumpvariabel En variabel för vilken slumpen bestämmer utfallet. Slantsingling, tärningskast,
Läs 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 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 merStokastiska signaler. Mediesignaler
Stokastiska signaler Mediesignaler Stokastiska variabler En slumpvariabel är en funktion eller en regel som tilldelar ett nummer till varje resultatet av ett experiment Symbol som representerar resultatet
Läs merSOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.
Probability 21-9-24 SOS HT1 Slumpvariabler Slumpvariabler Ett slumpmässigt försök ger ofta upphov till ett tal som bestäms av utfallet av försöket. Talet är alltså inte känt före försöket; det bestäms
Läs merFöreläsning 2 (kap 3): Diskreta stokastiska variabler
Föreläsning 2 (kap 3): Diskreta stokastiska variabler Marina Axelson-Fisk 20 april, 2016 Idag: Diskreta stokastiska (random) variabler Frekvensfunktion och fördelningsfunktion Väntevärde Varians Några
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 merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del I
MS-A Grundkurs i sannolikhetskalkyl och statistik Exempel, del I G Gripenberg Aalto-universitetet januari G Gripenberg (Aalto-universitetet) MS-A Grundkurs i sannolikhetskalkyl och statistikexempel, del
Läs merF9 Konfidensintervall
1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att
Läs merRepetitionsföreläsning
Slumpförsök Repetitionsföreläsning Föreläsning 15 Sannolikhet och Statistik 5 hp Med händelser A B... avses delmängder av ett utfallsrum. Slumpförsök = utfallsrummet + ett sannolikhetsmått P. Fredrik Jonsson
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 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 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 merTentamen i Matematisk Statistik, 7.5 hp
Tentamen i Matematisk Statistik, 7.5 hp Distanskurs 15 januari, 2011 kl. 9.00 13.00 Maxpoäng: 30p. Betygsgränser: 12p: betyg G, 21p: betyg VG. Hjälpmedel: Miniräknare samt formelsamling som medföljer tentamenstexten.
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 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 merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
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 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 merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs mermodell 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 merTentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 017 Matematik 3 för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik 3 för gymnasielärare, Sannolikhetslära och statistik 017-10-0 kl. 08:30-1:30 Examinator:
Läs merF6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.
Stat. teori gk, ht 2006, JW F6 STOKASTISKA VARIABLER (NCT 5.4-5.6) Binomialfördelningen Används som modell i situation av följande slag: Ett slumpförsök upprepas n gånger (oberoende upprepningar). Varje
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 20 FACIT: Tentamen L9MA0, LGMA0 Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 20-0-2
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 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 6, Repetition Sannolikhetslära
Föreläsning 6, Repetition Sannolikhetslära kap 4 Sannolikhetslära och slumpvariabler kap 5 Stickprov, medelvärden, CGS, binomialfördelning Viktiga grundbegrepp utfall, händelse, sannolikheter, betingad
Läs merMatematisk statistik 9 hp Föreläsning 8: Binomial- och Poissonfördelning, Poissonprocess
Matematisk statistik 9 hp Föreläsning 8: Binomial- och Poissonfördelning, Poissonprocess Anna Lindgren 4+5 oktober 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F8: Binomial och Poisson 1/18 N(μ, σ)
Läs merFÖRELÄSNING 8:
FÖRELÄSNING 8: 016-05-17 LÄRANDEMÅL Konfidensintervall för väntevärdet då variansen är okänd T-fördelningen Goodness of fit-test χ -fördelningen Hypotestest Signifikansgrad Samla in data Sammanställ data
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 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 merMatematisk statistik TMS064/TMS063 Tentamen
Matematisk statistik TMS64/TMS63 Tentamen 29-8-2 Tid: 4:-8: Tentamensplats: SB Hjälpmedel: Bifogad formelsamling och tabell samt Chalmersgodkänd räknare. Kursansvarig: Olof Elias Telefonvakt/jour: Olof
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 merF10 Kap 8. Statistikens grunder, 15p dagtid. Binomialfördelningen 4. En räkneregel till. Lite repetition HT Sedan
01-09-7 F10 Kap 8 Statistikens grunder, 15p dagtid HT 01 Lite repetition Kovarians Binomial- och Poissonfördelning Täthetsfunktion (kont.) Fördelningsfunktion (kont.) Arean under en kurva Sedan Normalfördelningen
Läs merTENTAMEN MÅNDAGEN DEN 22 OKTOBER 2012 KL a) Bestäm P(ingen av händelserna inträffar). b) Bestäm P(exakt två av händelserna inträffar).
Tekniska högskolan i Linköping Matematiska institutionen Matematisk statistik,jan Olheim MATEMATIK:Statistik 9MA31 STN, 9MA37 STN TENTAMEN MÅNDAGEN DEN OKTOBER 01 KL 14.00-18.00. Hjälpmedel:Formler och
Läs merKurssammanfattning MVE055
Obs: Detta är enbart tänkt som en översikt och innehåller långt ifrån allt som ingår i kursen (vilket anges exakt på hemsidan). Fullständiga antaganden i satser kan saknas och fel kan förekomma så kontrollera
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 merFÖRELÄSNING 7:
FÖRELÄSNING 7: 2016-05-10 LÄRANDEMÅL Normalfördelningen Standardnormalfördelning Centrala gränsvärdessatsen Konfidensintervall Konfidensnivå Konfidensintervall för väntevärdet då variansen är känd Samla
Läs merMer om slumpvariabler
1/20 Mer om slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/2 2013 2/20 Dagens föreläsning Diskreta slumpvariabler Vilket kretskort ska man välja? Väntevärde
Läs merFinansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2
Finansiell Statistik (GN, 7,5 hp, HT 008) Föreläsning Diskreta sannolikhetsfördelningar (LLL kap. 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level
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 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 merVeckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U.
Veckoblad 3 Kapitel 3 i Matematisk statistik, Blomqvist U. ya begrepp: likformig fördelning, hypergeometerisk fördelning, Hyp(, n, p), binomialfördelningen, Bin(n, p), och Poissonfördelningen, Po(λ). Standardfördelningarna
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 merVåra vanligaste fördelningar
Sida Våra vanligaste fördelningar Matematisk statistik för D3, VT Geometrisk fördelning X är geometriskt fördelad med parameter p, X Geo(p), om P (X = k) = ( p) k p P (X k) = ( p) k för k =,,... Beskriver
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 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 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 merTvå parametrar: µ (väntevärdet) och σ (standardavvikelsen) µ bestämmer normalfördelningens läge
Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 28-9-3 Normalfördelningen, X N(µ, σ) f(x) = e (x µ)2 2σ 2, < x < 2π σ.4 N(2,).35.3.25.2.5..5
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
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 merFöreläsning 2, FMSF45 Slumpvariabel
Föreläsning 2, FMSF45 Slumpvariabel Stas Volkov 2017-09-05 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp och beteckningar Utfall resultatet
Läs merStorräkneövning: Sannolikhetslära
UPPSALA UNIVERSITET Matematiska institutionen Jakob Björnberg Sannolikhet och statistik 2012 09 28 Storräkneövning: Sannolikhetslära 1. (Tentamen, april 2009.) Man har efter studier av beredskapen hos
Läs merLÖSNINGAR TILL. Matematisk statistik, Tentamen: kl FMS 086, Matematisk statistik för K och B, 7.5 hp
LÖSNINGAR TILL Matematisk statistik, Tentamen: 011 10 1 kl 14 00 19 00 Matematikcentrum FMS 086, Matematisk statistik för K och B, 7.5 hp Lunds tekniska högskola MASB0, Matematisk statistik kemister, 7.5
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2014-01-17 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 15.00 20.00 Lärare: Adam Jonsson, Mykola
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Aalto-universitetet 28 januari 2014 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Sannolikheter Slumpvariabler Centrala gränsvärdessatsen Aalto-universitetet 8 januari 04 3 Tvådimensionella slumpvariabler
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 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 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 merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 8. Approximationer av sannolikhetsfördelningar Jan Grandell & Timo Koski 11.02.2016 Jan Grandell & Timo Koski Matematisk statistik 11.02.2016 1 / 40 Centrala
Läs merMer om konfidensintervall + repetition
1/14 Mer om konfidensintervall + repetition Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 23/2 2011 2/14 Dagens föreläsning Skattningar som slumpvariabler Väntevärde Varians
Läs merDiskreta slumpvariabler
1/20 Diskreta slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 28/1 2013 2/20 Dagens föreläsning En maskin gör fel ibland! En man berättar att han har minst en
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 merTENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN
TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF004, TEN 06-06-0 Hjälpmedel: Formler oh tabeller i statistik, räknedosa Fullständiga lösningar erfordras till samtliga uppgifter. Lösningarna skall vara
Läs merKapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen
Sannolikhetslära och inferens II Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen 1 Statistikor och samplingfördelningar I Kapitel 6 studerades metoder för att bestämma sannolikhetsfördelningen
Läs merFÖRELÄSNING 4:
FÖRELÄSNING 4: 26-4-9 LÄRANDEMÅL Poissonfördelning Kontinuerliga slumpvariabler Kontinuerlig uniform fördelning Exponentialfördelning Samla in data Sammanställ data Gissa modell för datan Testa modellen
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 merTentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp
Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp 15 januari, 2014 kl. 9.00 13.00 Maxpoäng: 30p. Betygsgränser: 12p: betyg G, 21p: betyg VG. Hjälpmedel: Typgodkänd miniräknare
Läs mer