Experimentella metoder 2014, Räkneövning 1

Storlek: px
Starta visningen från sidan:

Download "Experimentella metoder 2014, Räkneövning 1"

Transkript

1 Experimentella metoder 04, Räkneövning Problem : Tio mätningar av en resistans gav följande resultat: Mätning no. Resistans (Ω) Mätning no Resistans (Ω) Beräkna ett uppskattat värde för resistansen, med fel, efter, 5 och 0 mätningar. Ange ocks uppskattningen fr standardavvikelsen i en enskild mtning efter, 5 resp. 0 mtningar. Problem : En grupp studenter mäter höjden av en flaggstång med hjälp av en teodolit som figuren ovan visar. Som framgår av figuren ges flaggstångens höjd av H = L tan α + h Man gör mätningarna och uppskattar fel i storheterna. Resultatet blir h = (98 ± ) cm L = (4,3 ± 0,05) m α = (5, ± 0,3) Bestäm värdet på flaggstångens höjd med fel.

2 Problem 3: Man kan fråga sig hur studenterna i problem uppskattade felen. Det är en ganska dålig teodolit och det är svårt både att läsa av ordentligt och att få horisontalplanet korrekt. En annan grupp behandlar felen på statistisk väg genom att flytta runt teodoliten lite grann och göra om mätningarna. Man får följande sammanhörande värden på α och L: L/m α/ L/m α/ 7,0 43,47 5,8 49,7 8,5 40,07 8,95 36,74,33 30,66 9,4 35,55 4,8 5,09 8,48 38,0 Teodolitens höjd uppmättes till h = (98 ± ) cm a: Bestäm ett värde på höjden för varje mätning, och uppskatta felet i en enskild H-bestämning. b: Histogrammera de åtta H-värdena. c: Bestäm ett bästa värde, med fel, på flaggstångens höjd. Problem 4: En likformig sannolikhetsfördelning ges av f(x) = b a 0 a < x < b övriga x Bestäm fördelningens standardavvikelse!

3 Problem, lösning: Vi uppskattar resistansen som medelvärdet av mätvärdena med ett fel som svarar mot medelvärdets standardavvikelse. Lägg märke till att det kan vara lämpligt att införa x = R 99 för att slippa så mycket siffror. Efter fem mätningar har vi x = Vi beräknar variansen av x som s = 4,3 +,5 +,0 + 0,95 + 0,9 5 =,3 Ω 5 (x i x) = (0, , , ,08 + 0,099) Ω 4 i= och standardavvikelsen (mätosäkerheten i en enstaka mätning) uppskattar vi som s = s = 0,5 Ω Att vi använt x istället för R spelar ingen roll för standardavvikelsen, men medelvärdet av resistansmätningarna blir R = x + 99 Ω = 00,3 Ω Medelvärdets standardavvikelse uppskattar vi som s/ N = s/ 5. Efter fem mätningar är alltså vår uppskattning av resistansen R = (00, ± 0,) Ω, och osäkerheten i en enskild mätning har vi uppskattat till σ R = 0,5 Ω. Motsvarande räkning efter två mätningar ger och efter tio mätningar får vi Problem, lösning: R = (00,6 ± 0,5)Ω σ R = 0,7 Ω, R = (00, ± 0,)Ω σ R = 0,5 Ω. Insättning i formeln H = L tan α + h ger H = 7,69 m. Vi använder sedan felfortplantningsformeln för H. Partialderivatorna blir H L = tan α H α = L cos α 3

4 och felet i H ges av H = Insättning av värden ger H h = tan α ( L) + L cos 4 α ( α) + ( h) H = 5, , = 9,4 0 m Resultatet av mätningen är alltså: H = (7,69 ± 0,09) m Problem 3, lösning: a: Vi har en statistisk spridning som beror på mätningarna av L och α. Fördelningen av L resp. α var för sig betyder inte så mycket, man har ju helt enkelt valt olika avstånd från stången för att göra sin mätning. Om vi däremot beräknar H så kommer vi att få slumpmässiga avvikelser från det sanna värdet. För att bestämma osäkerheten i en enstaka H-mätning måste vi uppskatta hur stor spridningen är. Först beräknar vi alltså H för varje punkt i (i =, 8) enligt H i = L i tan α i + h Sedan uppskattar vi standardavvikelsen (Hi H) σ H s = N Vi kan t.ex. använda omskrivningen ( s = H ( ) ) H N N Vi får följande tabell H (m) H (m ) 7,65 58,45 7,836 6,397 7,697 59,37 7,666 58,77 7,76 59,536 7,66 58,689 7,583 57,50 7,60 57,93 Summa: 6,394 47,90 (Jag har behållit massvis med siffror för mellanresultat. Eftersom fluktuationerna är små jämfört med medelvärdet gör det faktiskt skillnad.) Nu kan vi lätt beräkna H H = = 7,67m 8 4

5 och s = N ( H ( ) ) H = 7,9 cm N Men detta är inte hela osäkerheten i H. Det tillkommer också en osäkerhet på cm i teodolitens höjd h. Vi kan lägga ihop dessa båda osäkerheter kvadratiskt, och uppskattar alltså felet i en mätning av H som H = s + h = 7,9 + = 7,96 cm Lägg märke till att felet i h är en centimeter, men det påverkar bara det totala felet med 0,06 cm eftersom det är så mycket mindre än felet i H. Vi uppskattar alltså samma fel i alla H-värdena. Den första mätningen ger t.ex. H = (7,63 ± 0,08) m b: För att göra ett histogram delar vi in H-axeln i klasser, t.ex. som i tabellen nedan. Intervall (m) Antal Interval (m) Antal 7,50 7,55 0 7,70 7,75 7,55 7,60 7,75 7,80 0 7,60 7,65 7,80 7,85 7,65 7,70 3 7,85 7,90 0 Vi avsätter sedan antalet mätningar i varje klass (bin) på den vertikala axeln i ett histogram: 5

6 c: Eftersom alla våra mätningar har samma precision är det bästa värdet på H medelvärdet som vi redan beräknat till 7,67 m. Medelvärdets standardavvikelse får vi genom att dividera standardavvikelsen i en enskild mätning med N: σ H = σh 8 =,78 cm Också här måste vi inkludera osäkerheten i h, så att vår osäkerhet i H blir,78 + cm =,95 cm. Slutresultatet för H blir alltså H = (7,67 ± 0,03) m Om felet i h vore mycket större (vi kanske glömt mäta h, och är tvugna att uppskatta det ur minnet) skulle det ha en betydande inverkan på felet i H. Vi skulle ha kunnat införa storheten λ = L tan α och bestämt osäkerheten i den på statistisk väg för att sedan beräkna H = λ + h med fel. Detta är på sätt och vis enklare, men att beräkna H för fixt h och sedan variera h är en mer allmän procedur som också hade kunnat användas om de enskilda mätningarna och slutresultatet berott på h på ett mycket mer komplicerat sätt. Lägg också märke till att spridningen i H bör bero på vilket L vi väljer, så för att vår uppskattning av felet ur spridningen av H-värdena skall vara tillförlitlig bör vi välja ungefär samma L hela tiden. Problem 4, lösning: Variansen (kvadraten på standardavvikelsen) är V = E ( (x µ) ) = + (x µ) f(x) dx Av symmetriskäl är fördelningens medelvärde µ = (b + a) Eftersom f(x) = 0 utanför intervallet [a, b] får vi V = b a (x µ) f(x) dx = b a Primitiva funtionen till ( ) x b+a är 3 ( ( b b + a V = 3(b a) 3(b a) b a ( ) x b+a 3, så ) 3 ( a b + a ) ) 3 = ( (b ) 3 ( ) ) 3 a a b = ( x b + a ) dx ( 3(b a) ( ) ) 3 b a = (b a) Således är standardavvikelsen σ = b a 6

Finns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?

Finns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning? När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns

Läs mer

Ingenjörsmetodik IT & ME 2011 Föreläsning 11

Ingenjörsmetodik IT & ME 2011 Föreläsning 11 Ingenjörsmetodik IT & ME 011 Föreläsning 11 Sammansatt fel (Gauss regel) Felanalys och noggrannhetsanalys Mätvärden och mätfel Medelvärde, standardavvikelse och standardosäkerher (statistik) 1 Läsanvisningar

Läs mer

Forskningsmetodik 2006 lektion 2

Forskningsmetodik 2006 lektion 2 Forskningsmetodik 6 lektion Per Olof Hulth hulth@physto.se Slumpmässiga och systematiska mätfel Man skiljer på två typer av fel (osäkerheter) vid mätningar:.slumpmässiga fel Positiva fel lika vanliga som

Läs mer

Experimentella metoder 2013, Räkneövning 3

Experimentella metoder 2013, Räkneövning 3 Experimentella metoder 2013, Räkneövning 3 Problem 1: Fem studenter mätte längden av ett rum, deras resultat blev 3,30 m, 2,90 m, 3,70 m, 3,50 m, och 3,10 m. Inga uppgifter om mätnoggrannheten är kända.

Läs mer

Ingenjörsmetodik IT & ME 2010 Föreläsning 5

Ingenjörsmetodik IT & ME 2010 Föreläsning 5 Ingenjörsmetodik IT & ME 010 Föreläsning 5 Sammansatt fel (Gauss regel) Felanalys och noggrannhetsanalys Mätvärden och mätfel Medelvärde, standardavvikelse och standardosäkerher (statistik) 1 Frågor från

Läs mer

Experimentella metoder, FK3001. Datorövning: Finn ett samband

Experimentella metoder, FK3001. Datorövning: Finn ett samband Experimentella metoder, FK3001 Datorövning: Finn ett samband 1 Inledning Den här övningen går ut på att belysa hur man kan utnyttja dimensionsanalys tillsammans med mätningar för att bestämma fysikaliska

Läs mer

Del A: Begrepp och grundläggande förståelse

Del A: Begrepp och grundläggande förståelse STOCKHOLMS UNIVERSITET FYSIKUM K.H Tentamensskrivning i Experimentella metoder, 12p, för kandidatprogrammet i fysik, 9/6 2015, 9-14. Införda beteckningar skall förklaras och uppställda ekvationer motiveras.

Läs mer

a n β n + a n 1 β n a 0 + a 1 β 1 + a 2 β , x = r β e ; 0.1 r < 1; e = heltal.

a n β n + a n 1 β n a 0 + a 1 β 1 + a 2 β , x = r β e ; 0.1 r < 1; e = heltal. De iakttagna fenomenen beror på avrundningsfel, och vi skall därför studera talframställningen i datorer. Vid beräkningar för hand är det vanligt att man uttrycker tal i tiopotensframställningen, men i

Läs mer

Föreläsning G60 Statistiska metoder

Föreläsning G60 Statistiska metoder Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala

Läs mer

Grundläggande matematisk statistik

Grundläggande 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 mer

9. Konfidensintervall vid normalfördelning

9. Konfidensintervall vid normalfördelning TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag

Läs mer

Studietyper, inferens och konfidensintervall

Studietyper, inferens och konfidensintervall Studietyper, inferens och konfidensintervall Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Studietyper Experimentella studier Innebär

Läs mer

4 Diskret stokastisk variabel

4 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 mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grundläggande matematisk statistik Väntevärde, varians, standardavvikelse, kvantiler Uwe Menzel, 28 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Väntevärdet X : diskret eller kontinuerlig slumpvariable

Läs mer

SF1901 Sannolikhetsteori och statistik I

SF1901 Sannolikhetsteori och statistik I SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på

Läs mer

Introduktion till statistik för statsvetare

Introduktion 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 mer

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II Sannolikhetslära och inferens II Kapitel 4 Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar 1 Kontinuerliga slumpvariabler En slumpvariabel som kan anta alla värden på något intervall sägs

Läs mer

Del A: Begrepp och grundläggande förståelse

Del A: Begrepp och grundläggande förståelse STOCKHOLMS UNIVERSITET FYSIKUM KH/CW/SS Tentamensskrivning i Experimentella metoder, 1p, för kandidatprogrammet i fysik, /5 01, 9-14 Införda beteckningar skall förklaras och uppställda ekvationer motiveras

Läs mer

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN): Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF50: Matematisk statistik för L och V OH-bilder på föreläsning 7, 2017-11-20 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3

Finansiell 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 mer

Lösningsförslag till Tillämpad matematisk statistik LMA521, Tentamen

Lösningsförslag till Tillämpad matematisk statistik LMA521, Tentamen Lösningsförslag till Tillämpad matematisk statistik LMA21, Tentamen 201801 Betygsgränser: för betyg krävs minst 20 poäng, för betyg 4 krävs minst 0 poäng, för betyg krävs minst 40 poäng. 1. Vid en kvalitetskontroll

Läs mer

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN 016-03-1 Hjälpmedel: Formler och tabeller i statistik, räknedosa Fullständiga lösningar erfordras till samtliga uppgifter. Lösningarna skall vara

Läs mer

Kort om mätosäkerhet

Kort om mätosäkerhet Kort om mätosäkerhet Henrik Åkerstedt 14 oktober 2014 Introduktion När man gör en mätning, oavsett hur noggrann man är, så får man inte exakt rätt värde. Alla mätningar har en viss osäkerhet. Detta kan

Läs mer

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) SF1901: Sannolikhetslära och statistik Föreläsning 9. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 21.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 21.02.2012

Läs mer

10. Konfidensintervall vid två oberoende stickprov

10. Konfidensintervall vid två oberoende stickprov TNG006 F0-05-06 Konfidensintervall för linjärkombinationer 0. Konfidensintervall vid två oberoende stikprov Antag att X, X,..., X m är ett stikprov på N(µ, σ ) oh att Y, Y,..., Y n är ett stikprov på N(µ,

Läs mer

STOCKHOLMS UNIVERSITET FYSIKUM

STOCKHOLMS UNIVERSITET FYSIKUM STOCKHOLMS UNIVERSITET FYSIKUM Tentamensskrivning i Fysikexperiment, 7,5 hp, för FK2002 Onsdagen den 15 december 2010 kl. 9-14. Skrivningen består av två delar A och B. Del A innehåller enkla frågor och

Läs mer

Kap 3: Diskreta fördelningar

Kap 3: Diskreta fördelningar Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen

Läs mer

Del A: Begrepp och grundläggande förståelse

Del A: Begrepp och grundläggande förståelse STOCKHOLMS UNIVERSITET FYSIKUM K.H./C.F./C.W. Tentamensskrivning i Experimentella metoder, 1p, för kandidatprogrammet i fysik, 18/6 013, 9-14. Införda beteckningar skall förklaras och uppställda ekvationer

Läs mer

1.1 Diskret (Sannolikhets-)fördelning

1.1 Diskret (Sannolikhets-)fördelning Föreläsning III. Diskret (Sannolikhets-)fördelning Med diskret menas i matematik, att något antar ett ändligt antal värden eller uppräkneligt oändligt med värden e.vis {, 2, 3,...}. Med fördelning menas

Läs mer

Föreläsning 12, FMSF45 Hypotesprövning

Föreläsning 12, FMSF45 Hypotesprövning Föreläsning 12, FMSF45 Hypotesprövning Stas Volkov 2017-11-14 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F12: Hypotestest 1/1 Konfidensintervall Ett konfidensintervall för en parameter θ täcker rätt

Läs mer

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN

TENTAMEN 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 mer

F13 Regression och problemlösning

F13 Regression och problemlösning 1/18 F13 Regression och problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/3 2013 2/18 Regression Vi studerar hur en variabel y beror på en variabel x. Vår modell

Läs mer

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016

Läs mer

Experimentella metoder 2014, Räkneövning 4

Experimentella metoder 2014, Räkneövning 4 Experimentella metoder, Räkneövning Problem : På polisstationen i Slottshult är man missnöjd med att polisdistriktet utvidgats till att också omfatta grankommunen Järvsprånget Innan utvidningen hade man

Läs mer

13.1 Matematisk statistik

13.1 Matematisk statistik 13.1 Matematisk statistik 13.1.1 Grundläggande begrepp I den här föreläsningen kommer vi att definiera och exemplifiera ett antal begrepp som sedan kommer att följa oss genom hela kursen. Det är därför

Läs mer

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.

SF1901: 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 mer

LÖSNINGAR TILL. Matematisk statistik, Tentamen: kl FMS 086, Matematisk statistik för K och B, 7.5 hp

LÖSNINGAR 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 mer

Thomas Önskog 28/

Thomas Önskog 28/ Föreläsning 0 Thomas Önskog 8/ 07 Konfidensintervall På förra föreläsningen undersökte vi hur vi från ett stickprov x,, x n från en fördelning med okända parametrar kan uppskatta parametrarnas värden Detta

Läs mer

Tryckfel i K. Vännman, Matematisk Statistik, upplaga 2:13

Tryckfel i K. Vännman, Matematisk Statistik, upplaga 2:13 Tryckfel i K. Vännman, Matematisk Statistik, upplaga 2:13 Kasper K. S. Andersen 11 oktober 2018 s. 10, b, l. 8: 1 4 17.62 1 5 17.62 s. 25, Tabell 1.13, linje 1, kolonn 7: 11 111 s. 26, Figur 1.19 b, l.

Läs mer

a3 bc 5 a 5 b 7 c 3 3 a2 b 4 c 4. Förklara vad ekvationen (2y + 3x) = 16(x + 1)(x 1) beskriver, och skissa grafen.

a3 bc 5 a 5 b 7 c 3 3 a2 b 4 c 4. Förklara vad ekvationen (2y + 3x) = 16(x + 1)(x 1) beskriver, och skissa grafen. MMA Matematisk grundkurs TEN Datum: 4 juni Skrivtid: timmar Hjälpmedel: Penna, linjal och radermedel Denna tentamen TEN består av nio stycken om varannat slumpmässigt ordnade uppgifter som vardera kan

Läs mer

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN): Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 2018-09-19 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):

Läs mer

Föreläsning 4: Konfidensintervall (forts.)

Föreläsning 4: Konfidensintervall (forts.) Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika

Läs mer

Datorövning 1: Fördelningar

Datorövning 1: Fördelningar Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, VT-17 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och

Läs mer

F10 Problemlösning och mer om konfidensintervall

F10 Problemlösning och mer om konfidensintervall 1/13 F10 Problemlösning och mer om konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 22/2 2013 2/13 Dagens föreläsning Problemlösning Skattningar Konfidensintervall

Läs mer

Vetenskaplig metod och statistik

Vetenskaplig metod och statistik Vetenskaplig metod och statistik Innehåll Vetenskaplighet Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet? Experimentlogg Att fundera på

Läs mer

Lektionsanteckningar 11-12: Normalfördelningen

Lektionsanteckningar 11-12: Normalfördelningen Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet

Läs mer

Vetenskaplig metod och statistik

Vetenskaplig metod och statistik Vetenskaplig metod och statistik Innehåll Vetenskaplighet Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet? Experimentlogg Att fundera på

Läs mer

Tentamen i Sannolikhetslära och statistik Kurskod S0008M

Tentamen i Sannolikhetslära och statistik Kurskod S0008M Tentamen i Sannolikhetslära och statistik Kurskod S0008M Poäng totalt för del 1: 25 (12 uppgifter) Tentamensdatum 2012-12-19 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson

Läs mer

LKT325/LMA521: Faktorförsök

LKT325/LMA521: Faktorförsök Föreläsning 2 Innehåll Referensfördelning Referensintervall Skatta variansen 1 Flera mätningar i varje grupp. 2 Antag att vissa eekter inte existerar 3 Normalfördelningspapper Referensfördelning Hittills

Läs mer

FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6.

FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6. Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, 28-4-6 EXEMPEL (max och min): Ett instrument består av tre komponenter.

Läs mer

Demonstration av laboration 2, SF1901

Demonstration av laboration 2, SF1901 KTH 29 November 2017 Laboration 2 Målet med dagens föreläsning är att repetera några viktiga begrepp från kursen och illustrera dem med hjälp av MATLAB. Laboration 2 har följande delar Fördelningsfunktion

Läs mer

Föreläsning 8 för TNIU23 Integraler och statistik

Föreläsning 8 för TNIU23 Integraler och statistik Föreläsning 8 för TNIU Integraler och statistik Krzysztof Marciniak ITN, Campus Norrköping, krzma@itn.liu.se www.itn.liu.se/ krzma ver. - 9--6 Inledning - lite om statistik Statistik är en gren av tillämpad

Läs mer

ÖVNINGSUPPGIFTER KAPITEL 9

ÖVNINGSUPPGIFTER KAPITEL 9 ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar

Läs mer

TMS136. Föreläsning 7

TMS136. Föreläsning 7 TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna

Läs mer

Tillåtna hjälpmedel: Räknedosa. Formel- och tabellsamling i matematisk statistik.

Tillåtna 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 mer

F9 SAMPLINGFÖRDELNINGAR (NCT

F9 SAMPLINGFÖRDELNINGAR (NCT Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion

Läs mer

FACIT: Tentamen L9MA30, LGMA30

FACIT: 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 mer

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12

Tentamen 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 mer

Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13

Provmoment: 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 mer

Föreläsning 2 (kap 3): Diskreta stokastiska variabler

Föreläsning 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 mer

Extrauppgifter - Statistik

Extrauppgifter - Statistik Extrauppgifter - Statistik Uppgifter 1. Den stokastiska variabeln Y t 10 ). Bestäm c så att P ( c < Y < c) = 2. Vid tillverkning av en viss sorts färg tillsätts färgpigmentet med hjälp av en doseringsapparat,

Läs mer

ÖVNINGSUPPGIFTER KAPITEL 9

ÖVNINGSUPPGIFTER KAPITEL 9 ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar

Läs mer

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning i Matematisk Statistik med Metoder MVE490 Tid: den 16 augusti, 2017 Examinatorer: Kerstin Wiklander och Erik Broman. Jour:

Läs mer

Föreläsning 4. Kapitel 5, sid Stickprovsteori

Föreläsning 4. Kapitel 5, sid Stickprovsteori Föreläsning 4 Kapitel 5, sid 127-152 Stickprovsteori 2 Agenda Stickprovsteori Väntevärdesriktiga skattningar Samplingfördelningar Stora talens lag, Centrala gränsvärdessatsen 3 Statistisk inferens Population:

Läs mer

Statistiska begrepp och metoder som används i Successivprincipen

Statistiska begrepp och metoder som används i Successivprincipen Statistiska begrepp och metoder som används i Successivprincipen Generellt har statistiska procedurer antingen varit överförenklade eller opraktiska för projektteamen. Resultatet blir inte trovärdigt i

Läs mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x

Läs mer

F9 Konfidensintervall

F9 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 mer

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4) Stat. teori gk, ht 006, JW F5 STOKASTISKA VARIABLER (NCT 5.1-5.3, samt del av 5.4) Ordlista till NCT Random variable Discrete Continuous Probability distribution Probability distribution function Cumulative

Läs mer

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde

Läs mer

Monte Carlo-metoder. Bild från Monte Carlo

Monte Carlo-metoder. Bild från Monte Carlo Monte Carlo-metoder 0 Målen för föreläsningen På datorn Bild från Monte Carlo http://en.wikipedia.org/wiki/file:real_monte_carlo_casino.jpg 1 Begrepp En stokastisk metod ger olika resultat vid upprepning

Läs mer

FACIT: Tentamen L9MA30, LGMA30

FACIT: Tentamen L9MA30, LGMA30 Göteborgs Universitetet GU Lärarprogrammet 216 FACIT: Matematik 3 för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik 3 för gymnasielärare, Sannolikhetslära och statistik 216-1-21 kl. 8.3-12.3

Läs mer

Del I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:...

Del I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:... Avd. Matematisk statistik TENTAMEN I SF9/SF94/SF95/SF96 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 4:E OKTOBER 08 KL 8.00 3.00. Examinator för SF94/SF96: Tatjana Pavlenko, 08-790 84 66 Examinator för

Läs mer

LABORATION 1. Syfte: Syftet med laborationen är att

LABORATION 1. Syfte: Syftet med laborationen är att LABORATION 1 Syfte: Syftet med laborationen är att ge övning i hur man kan använda det statistiska programpaketet Minitab för beskrivande statistik, grafisk framställning och sannolikhetsberäkningar, visa

Läs mer

Idag. EDAA35, föreläsning 4. Analys. Exempel: exekveringstid. Vanliga steg i analysfasen av ett experiment

Idag. EDAA35, föreläsning 4. Analys. Exempel: exekveringstid. Vanliga steg i analysfasen av ett experiment EDAA35, föreläsning 4 KVANTITATIV ANALYS Idag Kvantitativ analys Kamratgranskning Analys Exempel: exekveringstid Hur analysera data? Hur vet man om man kan lita på skillnader och mönster som man observerar?

Läs mer

19.1 Funktioner av stokastiska variabler

19.1 Funktioner av stokastiska variabler 9. Funktioner av stokastiska variabler 9.. Oberoende stokastiska variabler Som vi minns innebär P(A B) = P(A) P(B) att händelserna A och B är oberoende. Låt A vara händelsen att X < x och B vara händelsen

Läs mer

Hypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University

Hypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Liksom konfidensintervall ett hjälpmedel för att

Läs mer

Beskrivande statistik

Beskrivande statistik Beskrivande statistik Tabellen ovan visar antalet allvarliga olyckor på en vägsträcka under 15 år. år Antal olyckor 1995 36 1996 20 1997 18 1998 26 1999 30 2000 20 2001 30 2002 27 2003 19 2004 24 2005

Läs mer

Första sidan är ett försättsblad (laddas ned från kurshemsidan) Alla frågor som nns i uppgiftstexten är besvarade

Första sidan är ett försättsblad (laddas ned från kurshemsidan) Alla frågor som nns i uppgiftstexten är besvarade HT 2011 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas in senast 29/9 kl 16.30.

Läs mer

Matematisk statistik för B, K, N, BME och Kemister

Matematisk statistik för B, K, N, BME och Kemister Matematisk statistik för B, K, N, BME och Kemister Föreläsning 5 Johan Lindström 12 september 216 Johan Lindström - johanl@maths.lth.se FMS86/MASB2 F5 1/23 Repetition Gauss approximation Delta metoden

Läs mer

F8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17

F8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17 1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,

Läs mer

F3 Introduktion Stickprov

F3 Introduktion Stickprov Utrotningshotad tandnoting i arktiska vatten Inferens om väntevärde baserat på medelvärde och standardavvikelse Matematik och statistik för biologer, 10 hp Tandnoting är en torskliknande fisk som lever

Läs mer

Två parametrar: µ (väntevärdet) och σ (standardavvikelsen) µ bestämmer normalfördelningens läge

Två 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 mer

1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5

1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5 LÖSNINGAR TILL Matematisk statistik Tentamen: 29 7 kl 8 3 Matematikcentrum FMSF45 Matematisk statistik AK för D,I,Pi,F, 9 h Lunds universitet MASB3 Matematisk statistik AK för fysiker, 9 h. För tiden mellan

Läs mer

SF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018

SF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018 SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för

Läs mer

F14 HYPOTESPRÖVNING (NCT 10.2, , 11.5) Hypotesprövning för en proportion. Med hjälp av data från ett stickprov vill vi pröva

F14 HYPOTESPRÖVNING (NCT 10.2, , 11.5) Hypotesprövning för en proportion. Med hjälp av data från ett stickprov vill vi pröva Stat. teori gk, ht 006, JW F14 HYPOTESPRÖVNING (NCT 10., 10.4-10.5, 11.5) Hypotesprövning för en proportion Med hjälp av data från ett stickprov vill vi pröva H 0 : P = P 0 mot någon av H 1 : P P 0 ; H

Läs mer

Föreläsning 5. Kapitel 6, sid Inferens om en population

Föreläsning 5. Kapitel 6, sid Inferens om en population Föreläsning 5 Kapitel 6, sid 153-185 Inferens om en population 2 Agenda Statistisk inferens om populationsmedelvärde Statistisk inferens om populationsandel Punktskattning Konfidensintervall Hypotesprövning

Läs mer

Hur måttsätta osäkerheter?

Hur måttsätta osäkerheter? Geotekniska osäkerheter och deras hantering Hur måttsätta osäkerheter? Lars Olsson Geostatistik AB 11-04-07 Hur måttsätta osäkerheter _LO 1 Sannolikheter Vi måste kunna sätta mått på osäkerheterna för

Läs mer

Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar

Matematisk 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 mer

SF1901 Sannolikhetsteori och statistik I

SF1901 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 mer

FÖRELÄSNING 8:

FÖRELÄSNING 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 mer

Stokastiska signaler. Mediesignaler

Stokastiska 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 mer

1 Mätdata och statistik

1 Mätdata och statistik Matematikcentrum Matematik NF Mätdata och statistik Betrakta frågeställningen Hur mycket väger en nyfödd bebis?. Frågan verkar naturlig, men samtidigt mycket svår att besvara. För att ge ett fullständigt

Läs mer

Oberoende stokastiska variabler

Oberoende stokastiska variabler Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen

Läs mer

Tentamen i Statistik, STG A01 och STG A06 (13,5 hp) Torsdag 5 juni 2008, Kl

Tentamen i Statistik, STG A01 och STG A06 (13,5 hp) Torsdag 5 juni 2008, Kl Karlstads Universitet Avdelningen för Nationalekonomi och Statistik Tentamen i Statistik, STG A0 och STG A06 (3,5 hp) Torsdag 5 juni 008, Kl 4.00-9.00 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema

Läs mer

LMA521: Statistisk kvalitetsstyrning

LMA521: Statistisk kvalitetsstyrning Föreläsning 5 Föregående föreläsningar Acceptanskontroll: Konsten att kontrollera producerade enheter så att man kan garantera kvalitet samtidigt som kontrollen inte blir för kostsam att genomföra Dagens

Läs mer

LMA522: Statistisk kvalitetsstyrning

LMA522: Statistisk kvalitetsstyrning Föreläsning 5 Föregående föreläsningar Acceptanskontroll: Konsten att kontrollera producerade enheter så att man kan garantera kvalitet samtidigt som kontrollen inte blir för kostsam att genomföra Dagens

Läs mer

Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen

Kap 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 mer

PROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd

PROGRAMFÖRKLARING 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 mer

Beskrivande statistik. Tony Pansell, Leg optiker Docent, Universitetslektor

Beskrivande statistik. Tony Pansell, Leg optiker Docent, Universitetslektor Beskrivande statistik Tony Pansell, Leg optiker Docent, Universitetslektor Beskrivande statistik Grunden för all analys är ordning och reda! Beskrivande statistik hjälper oss att överskådligt sammanfatta

Läs mer

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012

Föreläsning 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 mer