Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n
|
|
- Alexandra Strömberg
- för 7 år sedan
- Visningar:
Transkript
1 Tolkig av saolikhet Statistikes gruder, 15p dagtid HT 01 Föreläsigar F4-F6 Frekvetistisk A / A) då Klassisk atal(a) / atal(ω) = A) storlek(a) / storlek(ω) = A) Subjektiv (persolig) isats/total vist = A) Lite mägdlära Lite mägdlära, forts. Låt e 1, e, osv. betecka elemet Låt A, B betecka mägder av elemet Klamrar brukar avädas { } Ex. A = {1,} Om e i tillhör A skriver vi e i A Ex. 1 {1,} Om A är e delmägd av B skriver vi A B Ex. A = {1,} B = {1,,3,4,5,6} Strikt delmägd beteckas Delmägd beteckas Atag att Ω = {1,,3,4,5,6} och att A = {1,}, B = {,3,4} och C = {3} Komplemetet till e mägd är allt som ite igår i mägde och beteckas med Ā eller A Ex. Ā = {3,4,5,6} Uioe av mägder beteckas med Ex. A B = {1,,3,4} Sittet av mägder beteckas med Ex. A B = {} 1
2 Lite mägdlära, forts. Övig Tomma mägde är delmägde till Ω som ite iehåller ågra elemet alls. Beteckas med. Två mägder är disjukta (oföreliga) om sittet är tomt Ex. A = {1,} och C = {3} A B = Ett kort dras slumpmässigt ur e kortlek beståede av de valiga 5 korte. Deiiera hädelsera A = rött kort, B = kug C = spader (a) Vilka par av A, B och C är disjukta? (b) Tolka följade hädelser och rita Vediagram: i. Ā ii. A B iii. A C iv. A B v. A C vi. (A C) E axiomatisk teori E axiomatisk teori, forts. Kolmogorovs axiom: E saolikhet är e fuktio P som tilldelar varje möjlig hädelse A i ett utfallsrum Ω ett tal P (A), så att följade villkor är uppfyllda: A) 0 Ω) = 1 Om A 1, A,..., A k, är parvis disjukta hädelser i S, då är A 1 A... A k ) = A 1 ) + A ) A k ) Samtliga tre sysätt (defiitioer) på vad e saolikhet egetlige är, är föreliga med Kolmogorovs axiom. Kom ihåg att vi har e formell defiitio på vad e saolikhet är också Massor av ya påståede ka u härledas ur dessa tre axiom dvs. bevisas vara saa iom det geerella formella systemet
3 E axiomatisk teori, forts. F4 Matematikrep Ā) = 1 - A) ) = 0 Om A B så gäller A) A) Ω) = 1 A = A) + A Summatecket Potesräkig Logaritmer Kombiatorik Summatecke Summatecke, forts. Säg att vi har stycke tal x 1,, x Summa av dessa tal (alltså x x ) skrivs kortfattat med hjälp av summa-tecke: x i i1 summa x i då i går fr.o.m. 1 t.o.m. Vad betyder följade? i1 x i i1 x i i1 i1 i1 i1 c cx i ( x i y i ) x i y i 3
4 Summatecke, forts. Summatecke, forts. Ex. Atag att x 1 = 3, x = -, x 3 = 5, x 4 = 3 Beräka: 4 i1 x ; Medelvärde: Varias: i k1 x ; k j1 x j ; i1 1; i0 3x i x1 x... x xi x 1 i 1 i1 x x s i Övig: Utveckla (dvs. lista termera) i1 k jx i k jx i k 1 k jx i j1 Stadardavvikelse: s s a b = a a a a b ac = a (b+c) (a b ) c = a (bc) a b = 1 / a b a 0 = 1 Potesräkig b ggr E komboövig Beräka följade för = 0, 1,, 3 k 0 Svar: = 0; 0 = 1 = 1; = 1 + = 3 = ; = = 7 = 3; = 15 k a 1/b = b a k0 k 1 1 4
5 Logaritmer Atag att vi har följade: Vi vet a och c och söker b b = log a c a b = c Ex. 10 x = x = log = log10000 = lg10000 = 4 Obs! a,b > 0 och a 1 Det tal som vi upphöjer a till för att få c Några olika beteckigar för 10-logaritm Ex. e x = 80 x = l80 = 4, Naturliga logaritm Logaritmer, forts. e = base för de aturliga logaritme =, Räkeregler: l(x y) = lx + ly l(x/y) = lx ly l x k = k lx l 1 = 0 l e = 1 Obs! x, y > 0 e lx = x l(e x ) = x Logaritmer, forts. Logaritmer, forts. Ex. Bevisa första räkeregel: Vi defiierar a, b och c 1. e a = x a = l x. e b = y b = l y 3. e c = (x y) c = l(x y) el. defiitioe av logaritmfuktioe. Vi har alltså x y = e a e b = e a+b Eligt regel för poteser l(x y) = a + b = l x + l y Övigar: l 1 = l 3 + l 4 l 0,5 = l(1/4) = l1 l4 = l4 l 64 = l 6 = 6 l l(3/9) = l3 l9 = l 5 l3 = 5l l3 Eligt defiitioe för logaritmfuktioe Eligt defiitioe ova 5
6 Kombiatorik Att räka ut hur måga sätt ågot ka göras. Ex. Matsedel med tre förrätter, fyra huvudrätter och två efterrätter. På hur måga olika sätt ka e trerätters måltid kompoeras? Svar: Illustratio: Träddiagram Multiplikatiospricipe Ett experimet har m 1 möjliga utfall Ett aat efterföljade experimet har m möjliga utfall Vi gör först det ea seda det adra experimetet Totalt fis det m 1 m möjliga utfall. Exempel Påse med umrerade kulor 1,, Vi drar e kula slumpmässigt och oterar dess ummer Hur måga möjliga utfall? Exempel, forts Samma påse med kulor 1,, Vi har de totala hädelse (kula 1 s ummer, kula s ummer) Hur måga möjliga utfall? Vi drar e kula till slumpmässigt och oterar dess ummer Hur måga möjliga utfall? Uta återläggig: Med återläggig: 6
7 Exempel, forts Spelar ordige ågo roll? Dvs. skiljer vi t.ex. på (1,3) och (3,1) eller betraktar vi det som samma sak? Två fall som uppstår: Ordige spelar roll Ordige spelar ige roll Permutatioer Ett arragemag av olika objekt i e bestämd ordig kallas för e permutatio av objekte. Hur måga olika permutatioer ka ma bilda av olika objekt? Atalet olika permutatioer av olika objekt är:! = 1 3 (-1) -fakultet; (eg. factorial) Permutatioer Ex. På hur måga olika sätt ka vi permutera de tre objekte A, B, C? Svar: 3! = 1 3 = 6 olika sätt, ämlige ABC, ACB, BAC, BCA, CAB, CBA. OBS! Vi defiierar 0! = 1 Dragig uta återläggig Vi drar e kula slumpmässigt och oterar dess ummer och lägger ite tillbaks de iför ästa dragig Vi ka bara få ett ummer e gåg Dragig med återläggig Vi drar e kula slumpmässigt och oterar dess ummer och lägger tillbaks de iför ästa dragig Vi ka dra samma ummer flera gåger i e sekves av dragigar 7
8 På hur måga sätt ka vi välja ut k objekt frå objekt (k ), ifall vi bryr oss om ordige? Och uta återläggig? Svar:! (- k)! Ex. = 5, k = 5! (5-)! Kombiatioer På hur måga sätt ka vi välja ut k objekt frå objekt (k ), ifall vi ite bryr oss om ordige? Uta återläggig? Svar:! k! (- k)! över k, biomialkoefficiet Obs! Vi defiierar k - k F5 Saolikheter Framförallt Nyquist Kap 5 Me först lite repetitio och lite mer kombiatorik Multiplikatiospricipe Ett experimet har m 1 möjliga utfall Ett aat efterföljade experimet har m möjliga utfall Vi gör först det ea seda det adra experimetet Totalt fis det m 1 m möjliga utfall. 8
9 Dragig uta återläggig Vi drar e kula slumpmässigt och oterar dess ummer och lägger ite tillbaks de iför ästa dragig Vi ka bara få ett ummer e gåg Dragig med återläggig Vi drar e kula slumpmässigt och oterar dess ummer och lägger tillbaks de iför ästa dragig Vi ka dra samma ummer flera gåger i e sekves av dragigar Ordad Vi drar ett atal kulor slumpmässigt och oterar deras ummer Ordige spelar roll, dvs. vi skiljer t.ex. på (1,,5), (1,5,), (,1,5), (,5,1), (5,1,) och (5,,1) Ej ordad Vi drar ett atal kulor slumpmässigt och oterar deras ummer Ordige spelar ige roll, utfalle ova betraktas som samma utfall Om vi har dragit k olika ummer av möjliga, hur måga sätt ka de ordas på? Permutatioer Ett arragemag av k olika objekt i e bestämd ordig kallas för e permutatio av objekte. Hur måga olika permutatioer ka ma bilda av k olika objekt? Atalet olika permutatioer av k olika objekt är: Ordat med återläggig Dra k stycke ur möjliga. 1:a kula möjligheter, :a kula möjligheter, osv. Multiplikatiospricipe ger... k k! = k (k-1) 3 1 k-fakultet; (eg. k factorial) 9
10 Ordat uta återläggig Dra k stycke ur möjliga. 1:a kula möjligheter, :a kula (-1) möjligheter, osv. Multiplikatiospricipe ger ( 1)... ( k ) ( k 1) k stycke faktorer... ( k 1) ( k)... 1 ( k)... 1! ( - k)! Atag att vi har = 5 objekt A, B, C, D, E och att vi slumpmässigt väljer k = 3. Vi ka få!/(-k)! = 5! / (5-3)! = 60 olika utfall om vi tar häsy till ordige. Av alla dessa 60 utfall, hur måga iehåller objekte A, B och C? Svar: Vi ka lista dem: ABC, ACB, BAC, BCA, CAB, CBA; 6 utfall Eller ise att de k objekte ka ordas på k! = 3! = 6 sätt Ej ordat uta återläggig Dra k stycke ur möjliga. 1:a kula möjligheter, :a kula (-1) möjligheter, osv. Ger! ( - k)! Justera seda för att ordige ite spelar roll geom att dela med atal möjliga permutatioer av k objekt! k!( - k)! k Kombiatioer Välja ut k objekt frå objekt där k, och struta i ordige! k! (- k)! k - k över k, biomialkoefficiet Pascals triagel k:te koeffeiciete i (a+b) 10
11 Kombiatioer Sammafattig Några särskilda resultat:!! 1 0!( - )!!0! 0 0 0! 0!0! Med återläggig Uta återläggig Ordad! (- k)! Ej ordad k -1 ( k -1)! k k k!( 1)!! k k!( k)! Ex. På hur måga sätt ka ma dra fem kort ur e valig kortlek? 5 5 5! 5!47! Itressat sambad? 1 1 e k0 k! 0! 1 1! 1! 1 3! ! Exempel Saolikheter Hur måga olika urval ka vi dra frå Sveriges befolkig ( = ca 9 miljoer) av storlek k = 1000? Uta återl. Med återl. Uta återl. Med återl. Ej ordad siffror till siffror till Ordad ! ! 6950 siffror till siffror till Att beräka saolikheter Hädelser; A, B, C osv. Saolikhete för att A ska iträffa; A) Alla hädelser; 0 A) 1 Omöjlig hädelse; ) = 0 Säker hädelse; Ω) = 1 A och/eller B (uio); A A och B (sitt); A Ite A (komplemet); Ā) = 1 - A) 11
12 Additiossatse Saolikhete att A eller B eller både A och B iträffar. A = A) + A Exempel Dra ett kort ur e kortlek och låt A = Hjärter, B = Klätt, C = Spader Kug A) = 13/5 = 1/4 = 1/5 = 3/13 C) = 1/5 Specialfall om A och B disjukta dvs. A B = vilket ger A = A) + A = A) + ) = A) + Jmfr med Kolmogorovs axiom A = Klätt hjärter ) = 3/5 A = Hjärter och/eller Klätt ) = A) + A = 1/4 + 3/13 3/5 = (13+1-3)/5 = /5 = 11/6 A C) = hj och/eller spk ) = A) + A = (13+1)/5 Addera mera Betigade saolikheter Tre hädelser A, B och C A B C) = A) + + A A C) B C) + A B C) Rita ett Vediagram! Övig: A = Hjärter, B = Klätt, C = jämt (dam = 1, ess = 1). Beräka varje term i additiossatse ova! Saolikhete att A iträffar givet att B iträffar eller har iträffat. Exempel: Saolikhete att det blev 6 givet att det blev jämt? Saolikhete att det blev 6 givet att det blev udda? Saolikhete att det blev 6 givet att det ite blev 5? Vad är det som häder med utfallsrummet? 1
13 Betigig Betigig Geom att hädelse B har iträffat så ka vi säga att utfallsrummet Ω har påverkats. B har ite hät, dvs. vi ka stryka bort de dele av Ω. Saolikhete för A beräkas geom att titta på de del av A som sammafaller med B dvs. sittet och jämföra med B Dvs. istället för att titta på stlk(a) / stlk(ω) = A) tittar vi på stlk(a / stlk( = A A utläses saolikhete för A givet B och beräkas eligt (Klassiska tolkige) A A Betigig, forts. Vi ka äve uttrycka det som A = A Vi ka äve väda på betigige och se på saolikhete att B har iträffat givet A: eller A B A) A) A = B A) A) och därmed att A = B A) A) Exempel Iblad är faktiskt de betigade saolikhetera käda sarare ä sittet. T.ex. Ma har två modeller av e produkt i lager, 30 % av e gammal modell M 1 och 70 % av e yare M. Av M 1 brukar 8 % vara behäftade med fel (hädelse F) av de M brukar 3 % vara fel. Om ma tar e ehet på måfå ur lagret, vad är saolikhete att a) det är fel på de? b) det är M 1 givet att det är fel på de? 13
14 a) F) Exempel, forts. = F M 1 ) + F M ) = F M 1 ) M 1 ) + F M ) M ) = 0,08 0,3 + 0,03 0,7 = 0,045 dvs. 4,5 % Obs! M 1 = M Oberoede: Exempel Slumpmässigt urval av = ur e grupp av N = 10 objekt. Vi drar först e (experimet 1) och seda e till (experimet ) b) M 1 F) = F M 1 ) M 1 ) / F) = 0,08 0,7 / 0,045 = 0,53333 dvs. ca 53 % Är experimete oberoede? om det sker med återläggig om det sker uta återläggig Är detta vettiga svar? Oberoede: Exempel 1 Oberoede: Exempel 3 Vi fågar e fisk i e sjö. Vi oterar kö, mäter vikt och lägd, bedömer evetuella skador etc. Vi kastar seda tillbaks de. Vi upprepar detta k gåger. Är fågstera oberoede? Hur ka våra mätresultat och observatioer evetuellt påverkas om det fis ett beroede? Ex) Du är i Stockholm och e kompis i Las Vegas och i kastar samtidigt varsi rättvis tärig. Vi vet (atar) att X du = 6) = X kompis = 6) = 1/6 Vad är saolikhete att i båda får e sexa? Dvs. X du = 6 X kompis = 6) Vad är saolikhete att di kompis fick e sexa givet att du fick det? Dvs. X kompis = 6 X du = 6 ) 14
15 Oberoede Oberoede Två hädelser / experimet är oberoede om A = A) Och omvät om ma ka visa att de är oberoede så är A = A). Om A och B är oberoede så ises att följade gäller: A = A) Hur ser vi det sista? Jo, A A) A A) Om A och B är oberoede, så är de äve oberoede av varadras komplemet och komplemete är också oberoede av varadra. Dvs. varje par ( A, ; ( A, ; ( A, ; ( A, är också oberoede F6 Nyquist kap 6 Additiossatse Vad är e stokastisk variabel Diskreta och kotiuerliga sv Frekvesfuktio (diskr.) Täthetsfuktio (kot.) Fördeligsfuktio Me först lite repetitio Additiossatse Betigade saolikheter Oberoede Saolikhete att A eller B eller både A och B iträffar. A = A) + A Specialfall om A och B disjukta dvs. A B = vilket ger A = A) + A = A) + ) = A) + Jmfr med Kolmogorovs axiom 15
16 Exempel Betigig Vi vet vad A är, beräka A A) - A Additiossatse [1- A)] [1 ]-[1- A] Saolikheter för komplemet 1- A) 1-1 A 1- A) A) - A 1- A A Kräver lite takearbete Dvs. istället för att titta på stlk(a) / stlk(ω) = A) tittar vi på stlk(a / stlk( = A A utläses saolikhete för A givet B och beräkas eligt A A (Klassiska tolkige) Betigig, forts. Oberoede Vi ka äve uttrycka det som A = A Vi ka äve väda på betigige och se på saolikhete att B har iträffat givet A: eller A B A) A) A = B A) A) och därmed att A = B A) A) Två hädelser / experimet är oberoede om A = A) Och omvät, om de är oberoede gäller att A = A). Om A och B är oberoede så ises att följade gäller: A = A) 16
17 Exempel Övig Atag att vi har följade saolikheter: A) = 0,8; = 0,; A = 0,16 a) Beräka de betigade saolikhete för A givet B A 0,16 A 0,8 0, b) Är A och B oberoede? a) Beräka Ā Atag att vi har följade saolikheter: a) Beräka A E 1 ) b) Beräka A E 3 ) c) Är A och E 3 oberoede? d) Beräka E 1 Ā) e) Är E 1 och Ā oberoede? f) Beräka A) g) Beräka E 3 ) E 1 E E 3 A 0,1 0,48 0,19 Ā 0,07 0,06 0,08 Övig, forts. Stokastiska variabler 1 a) A E 1 ) = [avläst frå tabelle] = 0,1 b) A E 3 ) = A E 3 ) / E 3 ) = A E 3 ) / [A E 3 ) + Ā E 3 ) ] = 0,19 / (0,19 + 0,08) 0,704 c) A) = [A E 1 ) + A E ) + A E 3 )] = 0,1 + 0,48 + 0,19 = 0,79 0,704 (frå b) A och E 3 är beroede. d) E 1 Ā) = Ā E 1 ) / Ā) = Ā E 1 ) / [Ā E 1 )+Ā E 3 )+Ā E )] = 0,07 / (0,07 + 0,06 + 0,08) 0,333 e) E 1 ) = [aalogt med c] = 0,19 0,333 f) A) = [frå c] = 0,79 g) E 3 ) = [frå b] = 0,7 Utfall av ett experimet och som resulterar i e siffra hur mycket, hur läge osv. Variabler: ågot som varierar, typiskt ett tal Stokastiska variabler: ågot som varierar slumpmässigt Kallas äve slumpvariabel (s.v.) Beteckas typiskt med stor bokstav: X, Y, Z osv. 17
18 Stokastiska variabler Stokastiska variabler 3 Ett utfall eller hädelse beskrivs med de valda bokstave, t.ex. X =, X = 10, X = -0,5 X 3, X > 40, X 0,4 eller allmät X = x, X x, osv. X = x och likade beteckar alltså e hädelse/utfall. Seda vill vi veta X = x) för olika x Saolikhetsmodell Ett utfallsrum Ω Saolikheter A) för alla hädelser A Ω På motsvarade sätt ka vi formulera e modell är vi har e stokastisk variabel Utfallsrum Ω: x =.. Saolikheter A): X = x), X x), osv. Alla tillåta tal för x Exempel Exempel, forts. Vi kastar e tärig tre gåger och oterar hur måga ettor vi får. Betecka med A i att det blev e etta i kast r i = 1,, 3. Är kaste oberoede? Möjliga utfall (Ω): Ā 1, Ā, Ā 3 Ā 1, A, A 3 Ā 1, Ā, A 3 A 1, Ā, A 3 Ā 1, A, Ā 3 A 1, A, Ā 3 A 1, Ā, Ā 3 A 1, A, A 3 Möjliga utfall som de stokastiska variabel X ka ata: Ω x = {0,1,,3} el. x = 0,1,,3 Saolikhetera för alla A Ω x beräkas geom att summera alla utfall för de utfall som leder till A. a) Vad är saolikhete för X = 0? b) För X >? = X=3) c) För X? d) För X = 4? 18
19 Exempel, forts. Diskreta mägder a) X = 0) = Ā 1 Ā Ā 3 ) = = [ty oberoede] = = Ā 1 ) Ā ) Ā 3 ) = (5/6) 3 = = 15/16 0,579 b) X = 3) = A 1 A A 3 ) = = [ty oberoede] = = A 1 ) A ) A 3 ) = (1/6) 3 = = 1/16 0,00463 c) X ) = X=) + X=3) = 16/16 d) X = 4) = 0, ty 4 Ω x Diskreta mägder ka ses som e lista av värde. Består av estaka värde, oftast heltal. T.ex. {0, 1,, 3} {0, ±1, ±, ±3} {1, 1,, 3, 5} Äve oädliga diskreta mägder ka förekomma. T.ex. {0, 1,, 3, } {0, ±1, ±, ±3, } {1, 1,, 3, 5, 8, 13, 1, } Kotiuerliga mägder Frekvesfuktioe 1 Kotiuerliga mägder ka typiskt beskrivas med itervall. Består av samtliga värde iom ett väldefiierat område. [0,1] (0,5) (10,15) Sluta itervall [..., ] ikluderar ädpuktera Öppa itervall (, ) exkluderar ädpuktera Om Ω x för e s.v. X är diskret, kallas X e diskret s.v. Frekvesfuktioe för e diskret s.v. defiieras som saolikhete att X blir x och beteckas ofta med f(x) f(x) = X = x) (1,] Itervallgräsera ka vara oädliga (då ages gräse som öppet). T.ex. [0, ), (-, ) Exempel: Ω x = {0,1} och 0,6 f( x) 0 x (0,4) 1x x 0,1 aars 19
20 Frekvesfuktioe Exempel Frekvesfuktioe tillsammas med e tydlig beskrivig av utfallsrummet sammafattar allt vi behöver veta om X. Frekvesfuktioe kallas äve saolikhetsfuktioe ty de ger oss just saolikhetera för samtliga x som ligger i Ω x Eg. frequecy or probability mass fuctio. Atag följade frekvesfuktio: x f(x) F(x) 0 0,5787 0, ,347 0,959 0, , , Rita f(x) i ett lämpligt diagram! Vad är F(x) för ågot? Frekvesfuktioe illustreras ofta i stolpdiagram där höjde på varje stolpe är lika med saolikhete för motsvarade värde på x. Om vi summerar f(x) för alla värde på x Ω x, vad blir summa? Täthetsfuktioe 1 Täthetsfuktioe Om Ω x för e s.v. X är kotiuerlig, kallas X e kotiuerlig s.v. Täthetsfuktioe för e kotiuerlig s.v. defiieras ite som saolikhete att X blir x. Beteckas också ofta med f(x). Täthetsfuktioe är e beskrivig av hur saolikt det är att X hamar i ett delitervall till Ω x För att beräka e saolikhet att X ska ligga i itervallet mella säg a och b, beräkas area uder f(x) och över x- axel och mella a och b. Detta ka skrivas som e itegral: a X b) = Vi ka läma ea sida odefiierad också och skriver b a f ( x) dx (Se Figur 6., sid 7 Kap 6 i Nyquist) X c) = c f ( x) dx Notera gräse. Vad betyder det? 0
21 Täthetsfuktioe 3 Fördeligsfuktioe Vi defiierar e täthetsfuktio för e kotiuerlig s.v. i stil med ågofuktio x Ωx f( x) 0 aars Det fis vissa krav på hur fuktioe får se ut: f(x) ska vara kotiuerlig (betyder?) f(x) > 0 för alla x Ω x och = 0 aars Area uder f(x) mella ± ska vara =? För både diskreta och kotiuerliga s.v. defiieras fördeligsfuktioe eligt F(x) = X x) Diskreta fallet: Kotiuerliga fallet: F ( x) f( k) k x F ( x) f( t) dt x 1
F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik
03-0-4 F4 Matematirep Summatece Summatecet Potesräig Logaritmer Kombiatori Säg att vi har styce tal x,, x Summa av dessa tal (alltså x + + x ) srivs ortfattat med hjälp av summatece: x i i summa x i då
Läs merSANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.
rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE BEGRE OH BETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast med Ω ). Hädelse E delmägd av utfallsrummet.
Läs merSannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11
rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE EGRE OH ETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast medd Ω ). Hädelse E delmägd av utfallsrumm
Läs merSAMMANFATTNING TAMS79 Matematisk statistik, grundkurs
SAMMANFATTNING TAMS79 Matematisk statistik, grudkurs LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, HT 2015 Versio: 1.0 Seast reviderad: 2016-02-01 Författare: Viktor Cheg
Läs merSannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad
Saolikhetslära c 201 Eric Järpe Högskola i Halmstad Saolikhetslära hadlar om att mäta hur saolikt (dvs hur ofta ) ma ka förväta sig att ågot iträffar. Därför sorterar saolikhetslära uder de matematiska
Läs merF4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik
0-0-5 F Matematrep Summateet Potesräg Logartmer Kombator Summatee Säg att v har ste tal,, Summa av dessa tal (alltså + + ) srvs ortfattat med hälp av summatee: summa då går fr.o.m. t.o.m. Summatee, forts.
Läs merSannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1
Saolikheter E saolikhet ka ata värde frå 0 till 1 0 < P < 1 Beteckas: P Pr Prob Saolikhete för e hädelse Hädelse A P(A) Pr(A) Prob(A) Defiitio saolikhet: De frekves med vilke hädelse av itresse iträffar
Läs merStatistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?
Statistisk aalys Vilka slutsatser ka dras om populatioe med resultatet i stickprovet som grud? Hur säkra uttalade ka göras om resultatet? Mats Guarsso Tillämpad matematik III/Statistik - Sida 83 Exempel
Läs merFöreläsning 3. 732G04: Surveymetodik
Föreläsig 3 732G04: Surveymetodik Dages föreläsig Obudet slumpmässigt urval (OSU) Populatiosparametrar och stickprovsstatistikor Vätevärdesriktighet Ädliga och oädliga populatioer Medelvärde, adel Kofidesitervall
Läs merBorel-Cantellis sats och stora talens lag
Borel-Catellis sats och stora tales lag Guar Eglud Matematisk statistik KTH Vt 2005 Iledig Borel-Catellis sats är e itressat och avädbar sats framför allt för att bevisa stora tales lag i stark form. Vi
Läs merENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist
Föreläsig VI Mikael P. Sudqvist Aritmetisk summa, exempel Exempel I ett sällskap på 100 persoer skakar alla persoer had med varadra (precis e gåg). Hur måga hadskakigar sker? Defiitio I e aritmetisk summa
Läs merAnmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b].
MÄNGDER Stadardtalmägder: N={0,, 2, 3, } mägde av alla aturliga tal (I ågra böcker N={,2,3, }) Z={ 3, 2,,0,, 2, 3, 4, } mägde av alla hela tal m Q={, där m, är hela tal och 0 } mägde av alla ratioella
Läs mer101. och sista termen 1
Lektio, Evariabelaalys de ovember 999 5.. Uttryck summa j uta summasymbole. j + Termera är idexerade frå j = till j = och varje term är blir j j+. Summa Skriver vi upp summa uta summasymbole blir de +
Läs merTentamen i Sannolikhetsteori III 13 januari 2000
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Louise af Klitberg Lösigar Tetame i Saolikhetsteori III 13 jauari 2000 Uppgift 1 a) Det mest detaljerade utfallsrummet är med uppebara beteckigar Ω = {(B1, B2),
Läs merFöreläsning 10: Kombinatorik
DD2458, Problemlösig och programmerig uder press Föreläsig 10: Kombiatorik Datum: 2009-11-18 Skribeter: Cecilia Roes, A-Soe Lidblom, Ollata Cuba Gylleste Föreläsare: Fredrik Niemelä 1 Delmägder E delmägd
Läs mer4.2.3 Normalfördelningen
4.2.3 Normalfördelige Biomial- och Poissofördelige är två exempel på fördeligar för slumpvariabler som ka ata ädligt eller uppräkeligt måga olika värde. Sådaa fördeligar sägs vara diskreta. Ofta är ett
Läs merInduktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion.
Idutio och Biomialsatse Vi fortsätter att visa hur matematisa påståede bevisas med idutio. Defiitio. ( )! = ( över ).!( )! Betydelse av talet studeras seare. Med idutio a vi u visa SATS (Biomialsatse).
Läs merb 1 och har för olika värden på den reella konstanten a.
Första häftet 649. a) A och B spelar cigarr, vilket som bekat tillgår på följade sätt. Omväxlade placerar de ibördes lika, jämtjocka cigarrer på ett rektagulärt bord, varvid varje y cigarr måste placeras
Läs merStatistikens grunder HT, dagtid Statistiska institutionen
Statistikens grunder 1 2013 HT, dagtid Statistiska institutionen Vad vi ska gå igenom Mängdlära Absolutbelopp Summatecknet Potensräkning Logaritmer och exponentialfunktionen Kombinatorik 2013-09-03 Michael
Läs merMinsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera
Matematisk statistik slumpes matematik Saolikhetsteori hur beskriver ma slumpe? Statistikteori vilka slutsatser ka ma dra av ett datamaterial? Statistikteori översikt Puktskattig Hur gör ma e bra gissig
Läs merTENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08
TENTAMEN I MATEMATISK STATISTIK Datum: 3 mars 8 Te i kurse HF3, 6H3, 6L3 MATEMATIK OCH MATEMATISK STATISTIK, Te i kurse HF ( Tidigare k 6H3), KÖTEORI OCH MATEMATISK STATISTIK, Skrivtid: 8:5-:5 Hjälpmedel:
Läs merθx θ 1 om 0 x 1 f(x) = 0 annars
Avd. Matematisk statistik TENTAMEN I SF903 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH TORSDAGEN DEN TREDJE JUNI 200 KL 4.00 9.00. Examiator: Guar Eglud, tel. 790 74 06 Tillåta hjälpmedel: Läroboke.
Läs merVad är det okända som efterfrågas? Vilka data är givna? Vilka är villkoren?
Problemlösig. G. Polya ger i si utmärkta lilla bok How to solve it (Priceto Uiversity press, 946) ett schema att följa vid problemlösig. I de flod av böcker om problemlösig som har följt på Polyas bok
Läs merAntalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).
Harald Lag Formelsamlig och Tabeller i Statistik och Saolikhetsteori (15/11-10) Datareducerig Om x 1,..., x är ett stickprov ur e populatio så defiieras medelvärdet x x = 1 k=1 x k och stadardavvikelse
Läs merTAMS79: Föreläsning 9 Approximationer och stokastiska processer
TAMS79: Föreläsig 9 Approximatioer och stokastiska processer Joha Thim 18 ovember 2018 9.1 Biomialfördelig Vi har reda stött på dea fördelig flera gåger. Situatioe är att ett slumpförsök har två möjliga
Läs mer1. Test av anpassning.
χ -metode. χ -metode ka avädas för prövig av hypoteser i flera olika slag av problem: om e stokastisk variabel följer e viss saolikhetsfördelig med käda eller okäda parametrar. om två stokastiska variabler
Läs mer. Mängden av alla möjliga tillstånd E k kallas tillståndsrummet.
Stokastiska rocesser Defiitio E stokastisk rocess är e mägd familj av stokastiska variabler Xt arameter t är oftast me ite alltid e tidsvariabel rocesse kallas diskret om Xt är e diskret s v för varje
Läs merStokastiska variabler
TNG006 F2 11-04-2016 Stoastisa variabler Ett slumpmässigt försö ger ofta upphov till ett tal som bestäms av utfallet av försöet. Talet är ite ät före försöet uta bestäms av vilet utfall som ommer att uppstå,
Läs merLÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:
LÖSNINGAR TILL Matematisk statistik Tetame: 2014 10 28 kl 14 00 19 00 Matematikcetrum FMS 086 Matematisk statistik för B, K, N och BME, 7.5 hp Luds tekiska högskola MASB02 Matematisk statistik för kemister,
Läs merMS-A0409 Grundkurs i diskret matematik Sammanfattning, del I
MS-A0409 Grudkurs i diskret matematik Sammafattig, del I G. Gripeberg Aalto-uiversitetet 2 oktober 2013 G. Gripeberg (Aalto-uiversitetet) MS-A0409 Grudkurs i diskret matematiksammafattig, del 2Ioktober
Läs merF10 ESTIMATION (NCT )
Stat. teori gk, ht 2006, JW F10 ESTIMATION (NCT 8.1-8.3) Ordlista till NCT Iferece Parameter Estimator Estimate Ubiased Bias Efficiecy Cofidece iterval Cofidece level (Studet s) t distributio Slutledig,
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)
Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del ) Pukt- och itervallskattig (LLL Kap 10) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level
Läs merb) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)
Avd Matematisk statistik TENTAMEN I SF922, SF923 och SF924 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 29:E MAJ 208 KL 0800 300 Examiator för SF922/SF923: Tatjaa Pavleko, 08-790 84 66 Examiator för SF924:
Läs merUppgifter 3: Talföljder och induktionsbevis
Gruder i matematik och logik (017) Uppgifter 3: Talföljder och iduktiosbevis Ur Matematik Origo 5 Talföljder och summor 3.01 101. E talföljd defiieras geom formel a 8 + 6. a) Är det e rekursiv eller e
Läs mer(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna.
1 0,5 0 LÖSNINGAR till tetame: Statistik och saolikhetslära (LMA120) Tid och plats: 08:30-12:30 de 6 april 2016 Hjälpmedel: Typgodkäd miiräkare, formelblad Betygsgräser: 3: 12 poäg, 4: 18 poäg, 5: 24 poäg.
Läs merDEL I. Matematiska Institutionen KTH
1 Matematiska Istitutioe KTH Lösig till tetamesskrivig på kurse Diskret Matematik, momet A, för D2 och F, SF1631 och SF1630, de 5 jui 2009 kl 08.00-13.00. DEL I 1. (3p) Bestäm e lösig till de diofatiska
Läs merTentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl. 09.00-13.00
0.01.007 Tetame i Statistik, STA A13 Deltetame, 5p 0 jauari 007, kl. 09.00-13.00 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt miiräkare. Asvarig lärare: Haah Hall Övrigt:
Läs merIntervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej
Itervallskattig c 005 Eric Järpe Högskola i Halmstad Atag att vi har ett stickprov x,..., x på X som vi vet är Nµ, σ me vi vet ej värdet av µ = EX. Då ka vi beräka x, vvr skattig av µ. För att få reda
Läs merCartesisk produkt. Multiplikationsprincipen Ï Ï Ï
Kombiatorik Kombiatorik hadlar oftast om att räka hur måga arragemag det fis av e viss typ. Sådaa kalkyler uderlättas om ma ka hitta relevata represetatioer av de ibladade arragemage ågot som illustreras
Läs merTENTAMEN I MATEMATISK STATISTIK
TETAME I MATEMATISK STATISTIK Te i kurse 6H, KÖTEORI OCH MATEMATISK STATISTIK, Te i kurse 6H, 6L MATEMATIK OCH MATEMATISK STATISTIK, Skrivtid: :-7: Lärare: Armi Halilovic Kurskod 6H, 6H, 6L, 6A Hjälpmedel:
Läs merArmin Halilovic: EXTRA ÖVNINGAR
Stokastiska rocesser Defiitio E stokastisk rocess är e mägd (familj) av stokastiska variabler X(t) arameter t är oftast (me ite alltid) e tidsvariabel rocesse kallas diskret om X(t) är e diskret s v för
Läs merc n x n, där c 0, c 1, c 2,... är givna (reella eller n=0 c n x n n=0 absolutkonvergent om x < R divergent om x > R n n lim = 1 R.
P Potesserier Med e potesserie mear vi e serie av type c x, där c, c, c,... är giva (reella eller komplexa) kostater, s.k. koefficieter, och där x är e (reell eller komplex) variabel. För varje eskilt
Läs merGenomsnittligt sökdjup i binära sökträd
Iformatiostekologi Tom Smedsaas 10 augusti 016 Geomsittligt sökdjup i biära sökträd Detta papper visar att biära sökträd som byggs upp av slumpmässiga data är bra. Beteckigar och defiitioer Defiitio De
Läs merF3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.
F3 Lite till om tidsserier Deflaterig, att justera för iflatioe tatistikes gruder dagtid 4 3,5 3,5,5 Mjölk ockerdricka HT,5 975 976 977 978 979 98 98 98 Löpade priser År Mjölk ockerdricka KPI 945 = 975,34,
Läs mer1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k
LÖSNINGAR TILL Matematisk statistik, Matematikcetrum Tetame: 5 kl 8 Luds tekiska högskola FMS, FMS, FMS, FMS 5, MAS 9 Matematisk statistik för ED, F, I, FED och fysiker. a Eftersom X och Y har samma fördelig
Läs merFör att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ
1 February 1, 2018 1 Förel. VII Puktskattigar av parametrar i fördeligar 1.1 Puktskattig För att skatta vätevärdet för e fördelig är det lämpligt att aväda Medelvärdet ξ = 1 ξ j. Vi tar u vätevärdet av
Läs merInduktion LCB Rekursion och induktion; enkla fall. Ersätter Grimaldi 4.1
duktio LCB 2000 Ersätter Grimaldi 4. Rekursio och iduktio; ekla fall E talföljd a a 0 a a 2 ka aturligtvis defiieras geom att ma ager e explicit formel för uträkig av dess elemet, som till exempel () a
Läs merNormalfördelningens betydelse. Sannolikhet och statistik. Täthetsfunktion, väntevärde och varians för N (µ, σ)
Normalfördeliges betydelse Empirisktse gur: måga storheter approximativt ormalfördelade Summa av måga ugefär oberoede och ugefär likafördelade s.v. är approximativt ormalfördelad CGS Exempel: mätfel =
Läs merSannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00. Kap 2: Sannolikhetsteorins grunder
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK, AK FÖR I, FMS 10, HT-00 Saolikhetsteori Kap : Saolikhetsteoris gruder Följade gäller för saolikheter: 0
Läs merTAMS15: SS1 Markovprocesser
TAMS15: SS1 Markovprocesser Joha Thim (joha.thim@liu.se) 21 ovember 218 Vad häder om vi i e Markovkedja har kotiuerlig tid istället för diskreta steg? Detta är ett specialfall av e kategori stokastiska
Läs merUppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik
Uppsala Uiversitet Matematiska istitutioe Matematisk Statistik Formel- och tabellsamlig Saolikhetsteori och Statistik IT2-2004 Formelsamlig, Saolikhetsteori och Statistik IT-2004 1 Saolikhetsteori 1.1
Läs merTENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004 TEN kl
TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF004 TEN 0-04-5 kl 8.5-.5 Hjälpmedel: Formler och tabeller i statistik, räkedosa Fullstädiga lösigar erfordras till samtliga uppgifter. Lösigara skall vara
Läs merDatorövning 2 Fördelningar inom säkerhetsanalys
Luds tekiska högskola Matematikcetrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-15 Datorövig 2 Fördeligar iom säkerhetsaalys I dea datorövig ska vi studera ågra grudläggade
Läs merTentamen i matematisk statistik
MSTA3, Saolikhetsteori A, 5 p 5--7 Tetame i matematisk statistik Saolikhetsteori A, 5 poäg Skrivtid: 9.-5.. Tillåta hjälpmedel: Tabellsamlig, ege miiräkare. Studetera får behålla tetamesuppgiftera. På
Läs merInledande matematisk analys (TATA79) Höstterminen 2016 Föreläsnings- och lekionsplan
Iledade matematisk aalys TATA79) Hösttermie 016 Föreläsigs- och lekiospla Föreläsig 1 Logik, axiom och argumet iom matematik, talbeteckigssystem för hetal, ratioella tal, heltalspoteser. Lektio 1 och Hadledigstillfälle
Läs mer2. Konfidensintervall för skillnaden mellan två proportioner.
Föreläsig 12 LV1, Torsdag 12/10 Upplägg 1. Kofidesitervall för proportioer. 2. Kofidesitervall för skillade mella två proportioer. 3. Grafteori Kofidesitervall för proportioer Atag att vi vill skatta adele
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)
Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del 1) Sampligfördeligar (LLL Kap 8) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level course,
Läs merIntroduktion till statistik för statsvetare
"Det fis iget så praktiskt som e bra teori" November 2011 Bakgrud Stadardiserig E saolikhetsekvatio Kosekves av stora tales lag Stora tales lag ger att är slumpvariablera X i är oberoede, med e och samma
Läs merSkattning / Inferens. Sannolikhet och statistik. Skattning / Inferens. Vad är det som skattas?
Skattig / Iferes Saolikhet och statistik Puktskattig Försöket att beskriva e hel populatio pga ågra få mätvärde! Oberservatio = Populatio HT 2008 UweMezel@mathuuse http://wwwmathuuse/ uwe/ Populatio har
Läs merDatorövning 2 Fördelningar inom säkerhetsanalys
Luds tekiska högskola Matematikcetrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövig 2 Fördeligar iom säkerhetsaalys I dea datorövig ska vi studera ågra grudläggade frå saolikhetsteori:
Läs mer= (1 1) + (1 1) + (1 1) +... = = 0
TALFÖLJDER OCH SERIER Läs avsitte - och 5 Lös övigara, abcd, 4, 5, 7-9, -5, 7-9, -abcd, 4, 5 Läsavisigar Avsitt Defiitioe av talföljd i boe är ågot ryptis, me egetlige är det ågot väldigt eelt: e talföljd
Läs mervara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n grad( P(
Armi Halilovic: EXTRA ÖVNINGAR Polyom POLYNOM OCH ALGEBRAISKA EKVATIONER Defiitio Polyom är uttrycket av type a a a 0 ( där är ett icke-egativt heltal) Defiitio Låt P( a a a0 vara ett polyom där a 0, då
Läs merÖPPNA OCH SLUTNA MÄNGDER. KOMPAKTA MÄNGDER. DEFINITIONSMÄNGD. INLEDNING. Några viktiga andragradskurvor: Cirkel, ellips, hyperbel och parabel.
ÖPPNA OH SLUTNA MÄNGDER. KOMPAKTA MÄNGDER. DEFINITIONSMÄNGD. INLEDNING. Någr viktig drgrdskurvor: irkel ellips hyperbel och prbel.. irkels ekvtio irkel med cetrum i och rdie hr ekvtioe pq O Amärkig. Edst
Läs merFöljande begrepp används ofta vid beskrivning av ett statistiskt material:
Armi Halilovic: EXTRA ÖVNINGAR Besrivade statisti BESKRIVANDE STATISTIK. GRUNDBEGREPP Följade begrepp aväds ofta vid besrivig av ett statistist material: LÄGESMÅTT (medelvärde, media och typvärde): Låt
Läs merFöreläsning 2: Punktskattningar
Föreläsig : Puktskattigar Joha Thim joha.thim@liu.se 7 augusti 08 Repetitio Stickprov Defiitio. Låt de stokastiska variablera X, X,..., X vara oberoede och ha samma fördeligsfuktio F. Ett stickprov x,
Läs merLycka till! I(X i t) 1 om A 0 annars I(A) =
Avd Matematisk statistik TENTAMEN I SF955 f d 5B555 DATORINTENSIVA METODER ONSDAGEN DEN AUGUSTI 008 KL 400 900 Examiator: Guar Eglud, tel 790746 Email: guare@mathkthse Tillåta hjälpmedel: Formel- och tabellsamlig
Läs merFORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK, FMS601 Valiga fördeligar Fördelig Vätevärde Varias Biomialfördelig, Bi (, p ) P (X = x) = ( x) p x (1 p)
Läs merH1009, Introduktionskurs i matematik Armin Halilovic POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING. vara ett polynom där a
POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING Defiitio Polyom är ett uttryck av följade typ P( ) a a a, där är ett icke-egativt heltal (Kortare 0 P k ( ) a a 0 k ) k Defiitio
Läs merTMS136: Dataanalys och statistik Tentamen 2013-10-26 med lösningar
TMS36: Dataaalys och statistik Tetame 03-0-6 med lösigar Examiator och jour: Mattias Sude, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkäd räkare och formelsamlig formelsamlig delas ut med teta). Betygsgräser:
Läs merHögskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00
Lösigsförslag UPPGIFT 1 Kvia Ma Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00 Pr(ej högskoleutbildad kvi=0,07=7% Pr(högskoleutbildad)=0,87 c) Pr(Kvi*Pr(Högskoleutbildad)=0,70*0,87=0,609
Läs merLinjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes
Lijär Algebra (lp 1, 2016) Lösigar till skrivuppgifte Julia Brades Uppgift 1. Betecka mägde av alla matriser med M(). Vi har e elemetvist defiierad additio av två matriser A, B M(). De är defiierad geom
Läs merTentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl. 08.15 13.15
Karlstads uiversitet Fakultete för ekoomi, kommuikatio och IT Statistik Tetame i Statistik STG A0 ( hp) 5 mars 00, kl. 08.5 3.5 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt
Läs merx 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x
Uppgift 1 a) Vi iför slackvariabler x 4, x 5 och x 6 och löser problemet med hjälp av simplexalgoritme. Z -2-1 1 0 0 0 0 x 4 1 1-1 1 0 0 20 x 5 2 1 1 0 1 0 30 x 6 1-1 2 0 0 1 10 x 1 blir igåede basvariabel
Läs merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsala Uiversitet Matematisa Istitutioe Thomas Erladsso LÄSANVISNINGAR VECKA -5 BINOMIALSATSEN Ett uttryc av forme a + b allas ett biom eftersom det är summa av två moom. För uttrycet (a + b) gäller de
Läs merFöreläsning G70 Statistik A
Föreläsig 5 732G70 Statistik A Egeskaper hos stickprovsstatistikora Stickprovsmedelvärde Stickprovssumma Stickprovsadel Lägesmått Spridig Medelfel EX VarX 2 2 E X Var X E P Var P X X 1 1 P Eftersom respektive
Läs merFormelblad Sannolikhetsteori 1
Formelblad Saolikhetsteori Bayes formel: Låt A och D vara två hädelser Då gäller P A D = P D AP A P D Chebyshevs olikhet: Låt X vara e stokastisk variabel med vätevärde µ och varias Då gäller för alla
Läs merLösningar och kommentarer till uppgifter i 1.1
Lösigar och kommetarer till uppgifter i. 407 d) 408 d) 40 a) 3 /5 5) 5 3 0 ) 0) 3 5 5 4 0 6 5 x 5 x) 5 x + 5 x 5 x 5 x 5 x + 5 x 40 Om det u är eklare så här a x a 3x + a x) a 4x + 43 a) 43 45 5 3 5 )
Läs merP (A) = k A P (A ) = 1 P (A) P (A B) P (B) P (M i ) = 1 P (A) P (X = k) = p X (k) p X (k) = 1 P (A B) p X (k)
SVERIGES LANTBRUKSUNIVERSITET Istitutioe för eergi och tekik Uwe Mezel e-post: uwe.mezel@matstat.de Formelsamlig Grudläggade matematiskt statistik 2080822 Saolikhetslära Klassisk saolikhetsdeitio: P A
Läs mera) Beräkna E (W ). (2 p)
Avd. Matematisk statistik TENTAMEN I SF19 och SF191 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 13:E MARS 18 KL 8. 13.. Examiator: Björ-Olof Skytt, 8 79 86 49. Tillåta hjälpmedel: Formel- och tabellsamlig
Läs merMultiplikationsprincipen
Kombiatori Kombiatori hadlar oftast om att räa hur måga arragemag det fis av e viss typ. Multipliatiospricipe Atag att vi är på e restaurag för att provsmaa trerättersmåltider. Om det fis fyra förrätter
Läs merTentamen i Matematisk statistik för V2 den 28 maj 2010
Tetame i Matematisk statistik för V de 8 maj 00 Uppgift : E kortlek består av 5 kort. Dessa delas i i färger: 3 hjärter, 3 ruter, 3 spader och 3 klöver. Kortleke iehåller damer, e i varje färg. Ata att
Läs merFöreläsning G04 Surveymetodik 732G19 Utredningskunskap I
Föreläsig 5 732G04 Surveymetodik 732G19 Utredigskuskap I Dages föreläsig Klusterurval Estegs klusterurval Tvåstegs klusterurval Klusterurval med PPS 2 Klusterurval De urvalsdesiger som diskuterats hittills
Läs merGrundläggande matematisk statistik
Grudläggade matematisk statistik Puktskattig Uwe Mezel, 2018 uwe.mezel@slu.se; uwe.mezel@matstat.de www.matstat.de Saolikhetsteori: Saolikhetsteori och statistikteori vad vi gjorde t.o.m. u vi hade e give
Läs merBertrands postulat. Kjell Elfström
F r å g a L u d o m m a t e m a t i k Matematikcetrum Matematik NF Bertrads ostulat Kjell Elfström Bertrads ostulat är satse, som säger, att om > är ett heltal, så fis det ett rimtal, sådat att < < 2 2.
Läs merTenta i MVE025/MVE295, Komplex (matematisk) analys, F2 och TM2/Kf2
Teta i MVE5/MVE95, Komplex (matematisk) aalys, F och TM/Kf 6, 8.3-.3 Hjälpmedel: Formelblad som delas ut av tetamesvaktera Telefovakt: Mattias Leartsso, 3-535 Betygsgräser: -9 (U), -9 (3), 3-39 (4), 4-5
Läs mer4. Uppgifter från gamla tentor (inte ett officiellt urval) 6
SF69 - DIFFERENTIALEKVATIONER OCH TRANSFORMER II - ÖVNING 4 KARL JONSSON Iehåll. Egeskaper hos Fouriertrasforme. Kapitel 3: Z-Trasform.. Upp. 3.44a-b: Bestämig av Z-trasforme för olika talföljder.. Upp.
Läs merTentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl
Karlstads uiversitet Istitutioe för iformatiostekologi Avdelige för statistik Tetame i Statistik, STA A13 Deltetame, 5p 5 jui 004, kl. 09.00-13.00 Tillåta hjälpmedel: Asvarig lärare: Övrigt: Bifogad formel-
Läs merInledande kombinatorik LCB 2001
Iledade kombiatorik LCB 2001 Ersätter Grimaldi 1.1 1.4, 3.1 (delvis) 1 Additios- och multiplikatiospricipera Kombiatorik hadlar om koste att räka atalet av saker och tig. Hur måga gåger geomlöpes e viss
Läs merH1009, Introduktionskurs i matematik Armin Halilovic. använder vi oftast induktionsbevis.
MATEMATISK INDUKTION För att bevisa att ett påståede P() är sat för alla heltal 0 aväder vi oftast iduktiosbevis Iduktiossatse Låt P() vara ett påståede vars saigsvärde beror av heltalet 0 där 0 är ett
Läs merStatistik. Språkligt och historiskt betyder statistik ungefär sifferkunskap om staten
Statistik Språkligt och historiskt betyder statistik ugefär sifferkuskap om state E Statistisk udersökig består av fyra delar: Plaerig Dataisamlig Bearbetig Beskrivade statistik (kap 1) Statistisk aalys
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1917/SF1918/SF1919 SANNOLIKHETSTEORI OCH STATISTIK, TISDAG 8 JANUARI 2019 KL 8.00 13.00. Examiator för SF1917/1919: Jörge Säve-Söderbergh, 08-790 65 85. Examiator
Läs merÖvningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp
Övigstetame i MA08 Tillämpad Matematik III-Statistik, 7.5hp Hjälpmedel: Räkedosa och medföljade formelsamlig! Täk på att dia lösigar ska utformas så att det blir lätt för läsare att följa dia takegågar.
Läs merZ-Testet. Idè. Repetition normalfördelning. rdelning. Testvariabel z
Repetitio ormalfördelig rdelig Z-Testet X i. Medelvärdets fördelig:.stadardiserad ormalfördelig: N (, ) X N, X X N (, ) N (,) X N, X N(,) 3. Kvatiler: uwe.meel@math.uu.se Vad gör g r Z-testetZ? H : e ormalfördelad
Läs merFourierserien. fortsättning. Ortogonalitetsrelationerna och Parsevals formel. f HtL g HtL t, där T W ã 2 p, PARSEVALS FORMEL
Fourierserie fortsättig Ortogoalitetsrelatioera och Parsevals formel Med hjälp av ortogoalitetsrelatioera Y Â m W t, Â W t ] =, m ¹, m = () där Xf, g\ = Ÿ T f HtL g HtL, där W ã p, ka ma bevisa följade
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Att repetera.
Uppsala Uiversitet Matematisa Istitutioe Bo Styf rasformmetoder, 5 hp gyl, I, W, X 20-0-26 Att repetera. Vi samlar här e del material frå tidigare urser som a vara avädbart uder urses gåg. Serier. E serie
Läs merREGULJÄRA SPRÅK (8p + 6p) 1. DFA och reguljära uttryck (6 p) Problem. För följande NFA över alfabetet {0,1}:
CD58 FOMEA SPÅK, AUTOMATE, OCH BEÄKNINGSTEOI, 5 p JUNI 25 ÖSNINGA EGUJÄA SPÅK (8p + 6p). DFA och reguljära uttryck (6 p) Problem. För följade NFA över alfabetet {,}:, a) kovertera ovaståede till e miimal
Läs merViktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in.
Statistisk försöksplaerig Provmomet: Ladokkod: Tetame ges för: Skriftlig tetame 3,0 hp 51SF01 DTEIN14h 4,5 högskolepoäg TetamesKod: Tetamesdatum: 5 ovember 015 Tid: 9.00-13.00 Hjälpmedel: Miiräkare Totalt
Läs merFöreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin
Föreläsig 5 73G70, 73G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 5 Stickprovsteori Sid 15-150 Statistisk iferes Populatio (äve målpopulatio) = de (på logisk väg
Läs merMS-A0409 Grundkurs i diskret matematik I
MS-A0409 Grudkurs i diskret matematik I G. Gripeberg Mägder och logik Relatioer och fuktioer Aalto-uiversitetet oktober 04 Kombiatorik etc. G. Gripeberg (Aalto-uiversitetet MS-A0409 Grudkurs i diskret
Läs mer