Veckoblad 2. Kapitel 2 i Matematisk statistik, Blomqvist U.



Relevanta dokument
Veckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U.

Slumpvariabler (Stokastiska variabler)

Svar till gamla tentamenstal på veckobladen

Veckoblad 3. Kapitel 3 i Matematisk statistik, Dahlbom, U.

DEL I. Matematiska Institutionen KTH

Svar till gamla tentamenstal på veckobladen

Tentamen i Dataanalys och statistik för I den 5 jan 2016

1 Föreläsning IV; Stokastisk variabel

Matematisk statistik, LMA 200, för DAI och EI den 25 aug 2011

Kap 3: Diskreta fördelningar

Tentamen i MATEMATISK STATISTIK Datum: 8 Juni 07

Väntevärde för stokastiska variabler (Blom Kapitel 6 och 7)

Förklaring:

FORMELSAMLING HT-15 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMS086 & MASB02. Sannolikhetsteori. Beskrivning av data

Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).

Tentamen LMA 200 Matematisk statistik,

Övningstentamen 1. c) Beräkna sannolikheten att exakt en av A eller B inträffar (6 poäng)

Tentamen i Tillämpad matematisk statistik för MI3 och EPI2 den 15 december 2010

Tentamen LMA 200 Matematisk statistik,

1. Anpassningstest. Chi-Square test. Multinomial experiment. Multinomial experiment. Vad gör g r ett anpassningstest?

1.1 Diskret (Sannolikhets-)fördelning

Thomas Macks beräkning av standardfelet för reservavsättningar

Variansanalys ANOVA. Idé. Experiment med flera populationer. Beteckningar. Beteckningar. ANOVA - ANalysis

Trafikljus stresstest för försäkrings- och driftskostnadsrisker inom livförsäkring

4.2.1 Binomialfördelning

Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen

Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).

Tentamen i Dataanalys och statistik för I den 28 okt 2015

Föreläsning G70 Statistik A

Del A Begrepp och grundläggande förståelse.

Tentamen i statistik och sannolikhetslära för BI2 den 27 maj 2010

4 Diskret stokastisk variabel

Trafikljus utvidgat med stresstest för försäkrings- och driftskostnadsrisker inom livförsäkring

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

4.1 Grundläggande sannolikhetslära

Centrala gränsvärdessatsen (CGS). Approximationer

Tentamen LMA 200 Matematisk statistik, data/elektro

Tentamen den 11 april 2007 i Statistik och sannolikhetslära för BI2

Stokastiska Processer F2 Föreläsning 1: Repetition från grundkursen

Beräkna standardavvikelser för efterfrågevariationer

Övning 1 Sannolikhetsteorins grunder

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh

732G70 Statistik A. Föreläsningsunderlag skapad av Karl Wahlin Föreläsningsslides uppdaterade av Bertil Wegmann

Upphandlingsbarometern

a) B är oberoende av A. (1p) b) P (A B) = 1 2. (1p) c) P (A B) = 1 och P (A B) = 1 6. (1p) Lösningar: = P (A) P (A B) = 1

Oberoende stokastiska variabler

Experimentella metoder 2014, Räkneövning 5

Övningstentamen 3. Uppgift 5: Anta att ξ är en kontinuerlig stokastisk variabel med följande frekvensfunktion: f(x) = 0

1.1 Diskret (Sannolikhets-)fördelning

Konvergens och Kontinuitet

FK2002,FK2004. Föreläsning 5

Uppgift 2. För två händelser A och B gäller P(A B)=0.5, P ( A ) = 0. 4 och P ( B

Centrala Gränsvärdessatsen:

Övningstentamen

SF1901 Sannolikhetsteori och statistik I

SVÄNGNINGAR Odämpad svängning för ett diskret system med en frihetsgrad.

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004 TEN

Test av anpassning, homogenitet och oberoende med χ 2 - metod

KONFIDENSINTERVALL FÖR MEDIANEN (=TECKENINTERVALL )

Övningstentamen 1. A 2 c

SF1901: Sannolikhetslära och statistik

Komplettering av felfortplantningsformeln

Uppgift 2) Datum: 23 okt TENTAMEN I MATEMATIK OCH MATEMATISK STATISTIK, kurskod 6H3000

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

KINESISKA RESTSATSEN OCH STRUKTURSATSER

Formel- och tabellsamling i matematisk statistik

Matematisk statistik TMS064/TMS063 Tentamen

Medelvärde. Repetition. Median. Standardavvikelse. Frekvens. Normerat värde. z = x x

1. a Vad menas med medianen för en kontinuerligt fördelad stokastisk variabel?

LÖSNINGAR TILL P(A) = P(B) = P(C) = 1 3. (a) Satsen om total sannolikhet ger P(A M) 3. (b) Bayes formel ger

Uppgift 3: Den stokastiska variabeln ξ har frekvensfunktionen 0 10 f(x) =

Lektionsanteckningar 11-12: Normalfördelningen

FACIT: Tentamen L9MA30, LGMA30

Stokastiska Processer

Mätfelsbehandling. Lars Engström

Tentamen i Matematisk Statistik, 7.5 hp

Satsen om total sannolikhet och Bayes sats

F13. Förra gången (F12) Konfidensintervall och hypotesprövning Chi-tvåtest. Stratifierat urval

Stokastiska variabler

Lösningsförslag till Tillämpad matematisk statistik LMA521, Tentamen

SF1901 Sannolikhetsteori och statistik I

Primär- och sekundärdata. Undersökningsmetodik. Olika slag av undersökningar. Beskrivande forts. Beskrivande forts

Grundläggande matematisk statistik

Grundläggande matematisk statistik

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

Tentamen i matematisk statistik för BI2 den 16 januari 2009

Introduktion till statistik för statsvetare

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

Matematisk statistik för D, I, Π och Fysiker

Jörgen Säve-Söderbergh

Föreläsning 5, FMSF45 Summor och väntevärden

SF1901: Sannolikhetslära och statistik

1 Föreläsning V; Kontinuerlig förd.

Övningstentamen i matematisk statistik

Tentamen i Matematisk statistik för V2 den 28 maj 2010

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

Tentamen i FEM för ingenjörstillämpningar (SE1025) den 5 juni 2009 kl

F7 forts. Kap 6. Statistikens grunder, 15p dagtid. Stokastiska variabler. Stokastiska variabler. Lite repetition + lite utveckling av HT 2012.

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

Transkript:

Vecoblad 2 Kaptel 2 Matemats statst, Blomqvst U. ya begrepp: oberoende händelser, betngad sannolhet, Bayes formel.. är man sall lösa problem, där sntt mellan händelser ngår, an det ofta vara tll hjälp att använda en orstabell. ntag att v har 2 händelser och B. B P( B) P( B) P(B) B P( B ) P( B ) P(B ) P() P( ).00 är man fyller ovanstående fyrfältstabell så använder man sg av sambanden att margnalsannolheterna P(B) och P(B ) är summan av sannolheterna respetve rad, d.v.s. P(B)=P( B)+P( B) och P(B )=P( B )+P( B ). 2. Slj på stuatoner med oberoende och beroende: Man väljer ut 5 element slumpmässgt från en låda med 20 stycen. För varje element avgörs om det är defet eller helt. Hur många bland de fem är defeta? - Om man väljer ut elementen utan återläggnng så har man beroende. - Om man väljer ut elementen med återläggnng så har man oberoende. Om man väljer ut 5 element slumpmässgt från en stor produton så antar man att man har oberoende. P( B) = P() P(B) vd oberoende P( B) = P( B) P(B) vd beroende 3. Om man har oberoende så används alltså formeln P( B) = P() P(B) Övnngar att räna: 2.23-2.25, 2.30, 2.34 4. Om man har beroende så används betngade sannolheter. Följande formler används P( B) = P( B) P(B) P( B) P(B ) P() Bayes sats: P( B) = = P(B) P(B) Övnngar att räna: 2.38, 2.40, 2.44, 2.46

5. Sannolheter an åsådlggöras med träddagram.. B D. D 2 B P(B) = P(B D ) P(D ) + P(B D ) P( D ) + P(B D ) P( ) D 3. B 2 2 3 D3 Gammalt tentamenstal (Data/Eletro 07037) En man astar 2 symmetrsa tärnngar, en vt och en svart. Betrata följande händelser: : Den svarta tärnngen ommer upp med 6 ögon. B: Den vta tärnngen ommer upp med 6 ögon. : Summan av antal ögon på den svarta och den vta tärnngen är udda. a) Är händelserna och B oberoende eller beroende? b) Är händelserna och oberoende eller beroende? c) Är de tre händelserna, B och oberoende eller beroende av varandra? För att få poäng på ovanstående deluppgfter måste du motvera dtt svar med hjälp av beränngar. Gammalt tentamenstal (Bygg 99022): nta att v har 00 stycen en-ronor. Ett av mynten är felatgt på så sätt att båda sdorna är lavar. nta att v slumpmässgt väljer ut en en-rona ur högen. V astar upp myntet luften tre gånger. Varje gång ommer en lave upp. a) Vad är sannolheten att v erhållt det felatga myntet? b) nta att man fortsätter att asta myntet och att lave ommer upp varje gång. Hur många ast måste man göra för att sannolheten att man har fått det felatga myntet sall bl större än 0.90. Kaptel 3 Matemats statst, Blomqvst U. ya begrepp: Dsret stoasts varabel. Sannolhetsfördelnngen besrvs av sannolhetsfuntonen P(ξ=x) eller fördelnngsfuntonen P(ξ x) väntevärde [ E(ξ) eller µ ], varans [ Var(ξ) eller σ 2 ] eller standardavvelse [ S(ξ), Var( ξ ) eller σ ]. lformg fördelnng, hypergeometers fördelnng, Hyp(, n, p), bnomalfördelnngen, Bn(n, p), och Possonfördelnngen, Po(λ).

Snabbrepetton:. En sannolhetsfördelnng besrver hur totala sannolhetsmassan har fördelats ut över ett antal punter (ändlgt eller uppränelgt oändlgt antal det dsreta fallet) 2. För en allmän dsret fördelnng gäller att Sannolhet: P(ξ = x ) Fördelnngsfunton: F( x ) = P(ξ x ) = P ( ξ = x ) 3. Väntevärdet är det samma som tyngdpunten fördelnngen. Och beränas med hjälp av formeln n E(ξ) = x P( ξ = x ) Om fördelnngen är symmetrs lgger den mtten. Ex. vs är vd ast med tärnng väntevärdet 3.5. 4. Varansen (eller standardavvelsen) är ett mått på sannolhetsmassans sprdnng. En s.v. som bara an anta ett värde har varansen noll. Ju större del av sannolhetsmassan som fördelnngen har förlagd långt bort från väntevärdet, desto större varans. 5. Enl. sats 3.2 på sd 73 gäller att varansberänas enlgt 2 2 2 [ ] = E [( ξ µ ) ] = E[ ξ ] Var ξ µ = n x 2 2 P( ξ = x) [E( ξ)] (Steners sats). 6. Om ξ är en dsret stoasts varabel med sannolhetsfuntonen p(ξ = x) på utfallsrummet Ω, då gäller för varje reellvärd funton g att E[g(ξ)] = Ω Övnngar att räna: 3., 3.2, 3.7, 3.0, 3. g (x) p(x) Gammalt tentamenstal (Masn 080828): Ett flygbolag vet att 0.5% av deras passagerare blr av med stt bagage. Detta ostar flygbolaget genomsntt 600 dollar per förlorat bagage. a) Hur mycet bör man höja flygavgften (per passagerare) för att täca denna ostnad? b) Vlen sannolhetsfördelnng har du använt?

Standardfördelnngarna för en dsret stoasts varabel är Lformg fördelnng: ξ är Lf() = antal möjlga utfall med la sannolheter. Sannolhet: P(ξ = x) = Exempel: ntal ögon vd ett tärnngsast. Hypergeometrs fördelnng: ξ är Hyp(, n, p) = begränsad mängd. p = antal element av ett vsst slag. p = andel element av ett vsst slag. n = antal slumpmässgt utvalda element ur mängden. p p Sannolhet: P(ξ = x) = x n x n Väntevärde: E(ξ) = n p n Varans: Var(ξ) = n p ( p) Exempel: Ploca ulor ur en urna utan återläggnng. Övnngar att räna: 3.3, 3.5, 3.7 Bnomalfördelnngen: ξ är Bn(n, p) n = antal oberoende upprepnngar av ett försö. p = sannolheten att händelsen (eller ) nträffar ett sådant försö. n x n x Sannolhet: P(ξ = x) = p ( p) x Väntevärde: E(ξ) = n p Varans: Var(ξ) = n p ( p) Exempel: ntal lavar vd 20 oberoende ast av ett mynt. Övnngar att räna: 3.4, 3.23 Gammalt tentamenstal (Bygg 99022): I Monte arlo:s casno an man spela ola tärnngsspel. Ett spel går tll så att en spelare,, satsar pengar och väljer en sffra mellan och 6. En crouper, som söter banen, astar tre tärnngar. Om en, två eller tre av tärnngarna vsar den valda sffran så får två, tre respetve fyra gånger nsatsen av banen. Om ngen av tärnngarna vsar det valda numret förlorar. nta att satsar 50 franc. a) Beräna förväntad vnst för. b) Beräna standardavvelsen för :s förväntade vnst.

Possonfördelnngen: ξ är Po(λ) λ = genomsnttlgt antal händelser ett ntervall. Sannolhet: P(ξ = x) = e λ x λ x! Väntevärde: E(ξ) = λ Varans: Var(ξ) = λ Exempel: ntal båtar som anlägger en hamn under ett dygn. Övnngar att räna: 3.24, 3.27 Gammalt tentamenstal (Masn 090827): I en vägorsnng an antal blar som passerar antas vara Possonfördelat med en genomsnttlg passerngsfrevens av 5 blar på 5 mnuter. Vad är sannolheten att det ommer mnst 2 blar tll orsnngen under en 5-mnuters perod? (3 poäng) 7. I en s.. Possonprocess med ntensteten c är antalet blar som ommer ett ntervall av längden t Po(ct) och antalet blar dsjunta ntervall oberoende. Intervallen mellan anomsterna är exponentalfördelade. (V ommer tll denna fördelnng ap.4) 8. Summan av två varabler som är oberoende och Possonfördelade med parametrarna λ resp. λ 2 är Po(λ +λ 2 ) 9. Lägg märe tll vlloren vd approxmatonerna mellan de ola fördelnngarna sd 89. Väntevärdet bbehålls doc alltd. Övnngar att räna: 3.25, 3.26 Hyp(, n, p) n>0 n n < p+ 0. <0. n>0 p<0. Bn(n, p) Po( λ )