Repetition. Repetition. Repetition. X: slumpvariabel (s.v.) betraktas innan ett försök är genomfört. x: observerat värde efter försöket är genomfört.

Relevanta dokument
Diskreta stokastiska variabler

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

Slumpvariabler (Stokastiska variabler)

MATEMATISK STATISTIK I FORTSÄTTNINGSKURS. Tentamen måndagen den 17 oktober 2016 kl 8 12

FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått

FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data

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

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

9. Konfidensintervall vid normalfördelning

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

Formel- och tabellsamling i matematisk statistik

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess

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

Matematisk statistik för D, I, Π och Fysiker

Tentamen i Matematisk Statistik, 7.5 hp

Thomas Önskog 28/

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

en observerad punktskattning av µ, ett tal. x = µ obs = 49.5.

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

SF1901 Sannolikhetsteori och statistik I

Kap 2. Sannolikhetsteorins grunder

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson

Kurssammanfattning MVE055

F9 Konfidensintervall

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

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

10. Konfidensintervall vid två oberoende stickprov

Föreläsning 11: Mer om jämförelser och inferens

4.2.1 Binomialfördelning

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp

Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer

Föreläsning 4: Konfidensintervall (forts.)

TMS136. Föreläsning 11

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 14 18

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

Kontinuerliga variabler

SF1901: SANNOLIKHETSLÄRA OCH STATISTIK. MER HYPOTESPRÖVNING. χ 2 -TEST. Jan Grandell & Timo Koski

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

Grundläggande matematisk statistik

f(x)dx definieras som arean av ytan som begränsas av y = f(t), y = 0, t = a och t = b, se figur.

Betrakta kopparutbytet från malm från en viss gruva. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten i dessa.

Matematisk statistik för D, I, Π och Fysiker

Tentamen i Sannolikhetslära och statistik, TNK069, , kl 8 13.

SF1901: Sannolikhetslära och statistik

Uppgift 1. (4p) (Student som är godkänd på KS1 hoppar över uppgift 1.)

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

7.1 Hypotesprövning. Nollhypotes: H 0 : µ = 3.9, Alternativ hypotes: H 1 : µ < 3.9.

Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer

Matematisk statistik 9 hp Föreläsning 8: Binomial- och Poissonfördelning, Poissonprocess

F10 Problemlösning och mer om konfidensintervall

Matematisk statistik KTH. Formelsamling i matematisk statistik

Föreläsning 11, FMSF45 Konfidensintervall

Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen

Del I. Uppgift 1 Låt A och B vara två oberoende händelser. Det gäller att P (A) = 0.4 och att P (B) = 0.3. Bestäm P (B A ). Svar:...

b) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p)

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

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

Kapitel 5 Multivariata sannolikhetsfördelningar

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

Matematisk statistik för B, K, N, BME och Kemister. Matematisk statistik slumpens matematik. Exempel: Utsläpp från Källby reningsverk.

Tentamen MVE301 Sannolikhet, statistik och risk

Reliability analysis in engineering applications

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

Mer om konfidensintervall + repetition

b) Beräkna väntevärde och varians för produkten X 1 X 2 X 10 där alla X i :na är oberoende och R(0,2). (5 p)

Föreläsning 6, FMSF45 Linjärkombinationer

Byt till den tjocka linsen och bestäm dess brännvidd.

TAMS17/TEN1 STATISTISK TEORI FK TENTAMEN ONSDAG 10/ KL

4.2.3 Normalfördelningen

19.1 Funktioner av stokastiska variabler

Föreläsning 6, Matematisk statistik Π + E

============================================================ V1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE ±.

Avd. Matematisk statistik

Matematisk statistik 9.5 hp, HT-16 Föreläsning 11: Konfidensintervall

Stokastiska variabler

SF1901 Sannolikhetsteori och statistik I

TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära

Tentamen i ETE115 Ellära och elektronik, 16/8 2017

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):

Grundläggande matematisk statistik

Föreläsning 9, Matematisk statistik 7.5 hp för E Konfidensintervall

Kapitel 10 Hypotesprövning

Centrala gränsvärdessatsen (CGS). Approximationer

Föreläsning 12, FMSF45 Hypotesprövning

Föreläsning 8, Matematisk statistik Π + E

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

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

Exempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor

σ 12 = 3.81± σ n = 0.12 n = = 0.12

Statistik 1 för biologer, logopeder och psykologer

Föreläsning 11, Matematisk statistik Π + E

Uppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik

Uppgiftssamling 5B1493, lektionerna 1 6. Lektion 1

Repetitionsföreläsning

Uppgift 1 (a) För två händelser, A och B, är följande sannolikheter kända

SF1901 Sannolikhetsteori och statistik I

Avd. Matematisk statistik

2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /

SF1911: Statistik för bioteknik

Transkript:

X: slumpvrel (s.v.) etrkts nnn ett försök är genomfört. : oservert värde efter försöket är genomfört. En s.v. är kontnuerlg om den kn nt ll tänkr värden ett ntervll. Fördelnngsfunkton (cdf): F () = P(X ) Täthetsfunkton (pdf): f () = F () P( < X ) = f ()d F () - F () = Täthetsfunkton P( < X ) täthet Väntevärde: Vrns: Stndrvvkelse: μ = E(X) = f ()d σ = V(X) = E (X -μ) σ = σ (uttrycker jämvktsläge) Normlfördelnng: X N(μ, σ ) Stndrd normlfördelnng: Z = (X- μ)/σ N(, ) ( ) = ( - μ) f ()d = V(X) μ μ μ P( < X ) = P < = σ σ σ μ μ μ μ P < Z = Φ Φ σ σ σ σ

Lägesförändrng N(,σ ) N(μ,σ ) täthet -μ -μ μ Stndrdserng N(,) N(μ,σ ) täthet (-μ)/σ (-μ)/σ μ Hur mn kn verfer om ett dtmterl är normlfördelt. Hstogrm Normlplottr Normltetstest Testr om hypotesen tt dtmterlet är normlfördelt är snn. Hypotesen förksts om p-värdet α (sgnfknsnvån). Om p-värdet > α kn v nte förkst hypotesen, dvs hypotesen ehöver nte vr snn. Små stckprov r etrem vvkelser från normlfördelnngen förksts Stor stckprov mnst lll vvkelse från normlfördelnngen (som prktken kn vr försumr) förksts.

Hstogrm of strengths (uppg. 3.69) Norml Hstogrm of strengths (uppg. 3.69) Norml 4 Men 6. StDev.57 N 6 6 Men 6. StDev.57 N 6 5 3 Frequency Frequency 4 3 8 9 strengths 3 83 9 99 7 strengths 5 3 3 Beroende på klssredd och ntl klsser ger hstogrm olk lder. Prolty Plot of strengths Norml - 95% CI Percent 99 95 9 8 7 6 5 4 3 Men 6. StDev.57 N 6 AD.475 P-Vlue.7 5 6 7 8 9 strengths 3 4 5 Normlplot med konfdensnd. En s.v. X är dskret om den endst kn nt ett ändlgt eller ett uppräknelgt oändlgt ntl värden. Snnolkhetsfunkton: f () = P(X = ) Fördelnngsfunkton (cdf): F () = P(X ) = f ( ) Väntevärde: Vrns: μ = E(X) = f ( ll ) σ = V(X) = E (X -μ) ( ) = ( -μ) ll f ( )

Bnomlfördelnngen: A är en händelse som nträffr med snnolkheten P(A) = p. Upprep försöket n gånger och låt X = ntl gånger händelse A nträffr X Bn(n, p) n n f () = P(X = ) = p ( p), =,,...,n μ = np, σ = np(-p) Om n är stort (np(-p)>) kn X Bn(n, p) ppromers med N(np, np(-p)) (centrl gränsvärdesstsen) Flerdmensonell s.v.: f(,y) X och Y är oeroende f(,y) = f () f y (y) Beroendemått: Kovrns: Cov(X,Y) = E((X - μ ) (Y - μ y )) = E(X Y) - μ μ y Korrelton: ρ = ρ(x,y) = Cov(X,Y)/(σ σ y ) - ρ (mått på det enkl lnjär eroendet melln X och Y). Korrelton =.45 Korrelton =.9888 Korrelton = -.4 Korrelton = -.59 Korrelton = -.987 Korrelton =.3

Populton X. μ, σ, f (), Stckprov (,,, n ), s, Stckprov: oeroende oservtoner,,, n från X. X hr en fördelnng med okänd prmetrr μ och σ. n μ sktts med = = í n σ n sktts med s = = ( í ) n Noter tt nnn stckprovet är tget är och s två s.v. (v vet nte vlk mätvärden v kommer tt få just den här gången). Vlk fördelnngr hr dess slumpvrler? Låt X, X,,X n vr oer. s.v. med E(X ) = μ och V(X ) = σ Om Y = c X + c X + + c n X n, där ll c är konstnter, är lltd E(Y) = c E(X )+ c E(X )+ + c n E(X n ) = c μ + c μ + + c n μ n V(Y) = c L+ V(X ) + cv(x) + L+ cnv(xn ) = cσ + cσ + cnσn Om dessutom ll X N(μ,σ ) är Y N(E(Y), V(Y)) Speclfll: ll c =/n, μ = μ och σ = σ. X μ X N(μ, σ /n) dvs N(,) Centrl gränsvärdesstsen (CGS): Om n är stort (n >3) gäller det tt X μ X ppro. N(μ, σ /n) dvs ppro. N(,) (ovsett vlken fördelnng X hr). Mn kn vs tt (n-)s /σ χ (n-) om ll X N(μ,σ )

Punktskttnngr llmänt: Låt θˆ vr en skttnng v θ. θˆ är en funkton v stckprovet,,, n, dvs θˆ = θˆ(,, K, n ). Innn v hr oservert stckprovet är θˆ en s.v. θˆ är väntevärdesrktg (v.v.r.) om E( θˆ ) = E θˆ ( X,X, K,X ) Skttnngens stndrdvvkelse V θˆ. En skttnng v skttnngens stndrdvvkelse medelfelet för θˆ. Medelfelet för X är s/ n. () ( ) θ n = Vˆ () θˆ klls Hypotesprövnng: H : nollhypotes (det mn vll motevs) H : mothypotes (det mn vll styrk) Typ I-fel: H förksts när H är snn. Typ II-fel: H förksts nte när H är snn. Sgnfknsnvå: α (förvld, vnlgtvs 5%) Test estäms så tt P(Typ I-fel) = α. Styrk (power): - P(Typ II-fel), nvänds för tt edöm hur r ett test är och för stckprovsdmensonerng. p-värde: den mnst sgnfknsnvå som H förksts på. (om p-värdet < förvlt α förksts H ) Låt X, X,,X n vr oer. och N(μ, σ ) -fördelde (σ känd). H : μ = μ, H : μ μ μ sktts med. Om vvker mycket från μ tyder det på tt H är snn, dvs. μ om vvker mycket från. X μ Om H är snn är Z = N(,) Bestäm k och k så tt α = P(förkst H då H är snn) = X μ X μ P > ( Z < k ) + P( Z ) < k + P > k k = P

α/ - α α/ λ α / λ α / Välj k = -λ α/ och k = λ α/ (om α =.5 λ α/ =.96). μ Förkst H om μ < - λ α/ eller > λ α/, dvs. om < μ λ eller > μ + λ. α / α / Olk vrnter v test fnns smmnfttde på nsdn v okens pärmr. Konfdensntervll: Ett ntervll [L, U] som täcker den prmeter mn skttr med snnolkheten -α. Om X, X,,X n vr oer. och N(μ, σ ) -fördelde (σ känd) är L = λ α / σ/ n och U = + λα / σ/ Förkst H om μ [L, U]. n.