Experimentella metoder 2014, Räkneövning 1

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

Ingenjörsmetodik IT & ME 2011 Föreläsning 11

Forskningsmetodik 2006 lektion 2

Experimentella metoder 2013, Räkneövning 3

Ingenjörsmetodik IT & ME 2010 Föreläsning 5

Experimentella metoder, FK3001. Datorövning: Finn ett samband

Del A: Begrepp och grundläggande förståelse

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.

Föreläsning G60 Statistiska metoder

Grundläggande matematisk statistik

9. Konfidensintervall vid normalfördelning

Studietyper, inferens och konfidensintervall

4 Diskret stokastisk variabel

Grundläggande matematisk statistik

SF1901 Sannolikhetsteori och statistik I

Introduktion till statistik för statsvetare

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

Del A: Begrepp och grundläggande förståelse

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):

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

Lösningsförslag till Tillämpad matematisk statistik LMA521, Tentamen

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN

Kort om mätosäkerhet

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

10. Konfidensintervall vid två oberoende stickprov

STOCKHOLMS UNIVERSITET FYSIKUM

Kap 3: Diskreta fördelningar

Del A: Begrepp och grundläggande förståelse

1.1 Diskret (Sannolikhets-)fördelning

Föreläsning 12, FMSF45 Hypotesprövning

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN

F13 Regression och problemlösning

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

Experimentella metoder 2014, Räkneövning 4

13.1 Matematisk statistik

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

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

Thomas Önskog 28/

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

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.

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):

Föreläsning 4: Konfidensintervall (forts.)

Datorövning 1: Fördelningar

F10 Problemlösning och mer om konfidensintervall

Vetenskaplig metod och statistik

Lektionsanteckningar 11-12: Normalfördelningen

Vetenskaplig metod och statistik

Tentamen i Sannolikhetslära och statistik Kurskod S0008M

LKT325/LMA521: Faktorförsök

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.

Demonstration av laboration 2, SF1901

Föreläsning 8 för TNIU23 Integraler och statistik

ÖVNINGSUPPGIFTER KAPITEL 9

TMS136. Föreläsning 7

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

F9 SAMPLINGFÖRDELNINGAR (NCT

FACIT: Tentamen L9MA30, LGMA30

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

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

Föreläsning 2 (kap 3): Diskreta stokastiska variabler

Extrauppgifter - Statistik

ÖVNINGSUPPGIFTER KAPITEL 9

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1

Föreläsning 4. Kapitel 5, sid Stickprovsteori

Statistiska begrepp och metoder som används i Successivprincipen

Grundläggande matematisk statistik

F9 Konfidensintervall

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

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

Monte Carlo-metoder. Bild från Monte Carlo

FACIT: Tentamen L9MA30, LGMA30

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:...

LABORATION 1. Syfte: Syftet med laborationen är att

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

19.1 Funktioner av stokastiska variabler

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

Beskrivande statistik

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

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

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

F3 Introduktion Stickprov

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

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

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

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

Föreläsning 5. Kapitel 6, sid Inferens om en population

Hur måttsätta osäkerheter?

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

SF1901 Sannolikhetsteori och statistik I

FÖRELÄSNING 8:

Stokastiska signaler. Mediesignaler

1 Mätdata och statistik

Oberoende stokastiska variabler

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

LMA521: Statistisk kvalitetsstyrning

LMA522: Statistisk kvalitetsstyrning

Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen

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

Beskrivande statistik. Tony Pansell, Leg optiker Docent, Universitetslektor

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

Transkript:

Experimentella metoder 04, Räkneövning Problem : Tio mätningar av en resistans gav följande resultat: Mätning no. Resistans (Ω) Mätning no Resistans (Ω) 0.3 6 0.0 00.5 7 99.98 3 00.0 8 99.80 4 99.95 9 99.90 5 99.9 0 00.0 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.

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!

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) = (0,803 + 0,007 + 0,046 + 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

och felet i H ges av H = Insättning av värden ger H h = tan α ( L) + L cos 4 α ( α) + ( h) H = 5,48 0 4 + 8,36 0 3 + 0 4 = 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

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

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