ÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Binomisk modell. Kp. 3 Diskrete tilfeldige variable
|
|
- Martin Larsen
- 8 år siden
- Visninger:
Transkript
1 ÅMA Saslighetsregig med statistikk, våre K. 3 Diskrete tilfeldige variable Noe viktige saslighetsmodeller Noe viktige saslighetsmodeller ( Sas.modell : å betr det klasse/te sas.fordelig.) Biomisk modell (k. 3.6) Hergeometrisk modell (k. 3.7) Geometrisk modell (otater) Poisso-modell (k. 3.8) (Seiere skal vi se å viktige kotiuerlige saslighetsmodeller.) Biomisk modell Situasjo der biomisk modell vil kue asse: X atall gager e bestemt begivehet itreffer i løet av et fastlagt atall forsøk. (Dette skal resiseres seiere...) 3
2 Biomisk modell Situasjo der biomisk modell vil kue asse: X atall gager e bestemt begivehet itreffer i løet av et fastlagt atall forsøk. Eks.: atall kro i kast med et egestkke atall seksere i 5 kast med e terig atall togevister med e rekke i LOTTO hver uke i ett år 4 Biomisk modell X atall gager e bestemt begivehet itreffer i løet av et fastlagt atall forsøk. atall suksesser i delforsøk Delforsøkee må tilfredstille:. uavhegige resultat i ulike delforsøk. resultatet er ete suksess eller fiasko 3. P( suksess ) er kostat i alle delforsøkee Def.: Når disse kravee er tilfredsstilt kaller vi de delforsøkee for e biomisk forsøksrekke. 5 Biomisk modell Defiisjo: Når X atall suksesser i e biomisk forsøksrekke, sier vi at X er biomisk fordelt (, ) der P( suksess ) (kalles suksessaslighete). Skrivemåte: X ~ B(, ) 6
3 Biomisk modell Dersom: X ~ B(, ) X ka ata verdiee,,,..., sasligheter og forvetig og varias gitt ved formel: P ( X ) ( ), for,,, K, E ( X) ( X) ( ) Var (obs: forutsetigee om biomisk forsøksrekke medfører resultatee over.) 7 Biomisk modell Eks.: X atall seksere i fem terigkast ~ B( 5, /6 ) E( X) Var( X) ( ) 5 Forvetet : E( X) Var ( X) ( ) ( ) SD X 8 Biomisk modell Eks.: X atall seksere i fem terigkast ~ B( 5, /6 ) Berege sasligheter: P( X ) ( ) P( fem seksere ) P( mist P ( X 5) e sekser ) P ( X ) P( X )
4 Biomisk modell Eks.: X atall seksere i fem terigkast ~ B( 5, /6 ) Biomisk modell Eks.: LOTTO. Y ~ B( 5, ); / P 5 5 ( Y ) ( ),,,, K, 5,,8,6,4,, Biomisk modell Biomisk modell er svært me brukt. Tisk roblemstillig ka være fra medisisk FoU. Eks.: E behadligsmetode/medisi testes å asieter (som alle har e bestemt lidelse). Dersom vi vet at (f.eks. av erfarig) 7% blir helbredet med slik behadlig, hva er fordelige til atall helbredede blat de testidividee? (Tek ev. vs. gammel metode.) 4
5 Biomisk modell Eks.: asieter; 7% blir helbredet med slik behadlig; fordelige til atall helbredede blat de testidividee? La Yat. helbredede blat de. Resultatee for de asietee utgjør (ev. tilærmelsesvis) e biomisk forsøksrekke.. Ulike asieter blir helbredet uavhegig av hveradre (rimelig atakelse). Helbredet (suksess) eller ikke (fiasko) i alle delforsøk 3. P(helbredet).7 for e tilfeldig asiet 3 Biomisk modell Eks.: asieter; 7% blir helbredet med slik behadlig; fordelige til atall helbredede blat de testidividee? La Yat. helbredede blat de. Vi har da at Y ~ B(,.7 ) (biomisk fordelt med og.7).,3,5,,5,,5, atall helbredede 4 Biomisk modell Eks.: asieter; 7% blir helbredet med slik behadlig; fordelige til atall helbredede blat de testidividee? La Yat. helbredede blat de. Vi har da at Y ~ B(,.7 ) (biomisk fordelt med og.7).,3,5 (Obs: Når behadlige er, gjeomført, får vi e,5 observasjo av Y et av tallee fra, til. Seiere i kurset vil det være e,5 viktig tekemåte å teke å et, slikt data som et utfall av Y.) atall helbredede 5 5
6 Biomisk modell Eks.: Yatz hva er saslighete for å få to treere i et kast med fem teriger? - mist to treere? - fem treere? 6 Biomisk modell Begruelse (bevis) for formele for saslighetee. 7 Biomisk modell, fordelig Betrakter et eksemel: Xat. mt i kast med egestkke. P(X ) P(K K L K ) (- ) P(K )P(K ) LP(K ), fordi K 'ee er uavhegige i Formel: P(X ) ( ) (- ) P( X ) ( ) 8 6
7 7 9 Biomisk modell, fordelig (- ) ) ( ) P(X Formel: (- ) (- ) ) P(M ) )P(K P(K ) P(K ) P(M )P(K ) M K P(K ) K M P(K ) K K P(M ) P(X L L L L M L L ( ) ) ( X P Biomisk modell, fordelig som formelsier., (- ) ) P(X sekveser; derfor mulige fies Det (- ) ) K K M P(M sekves : mulig e for Sas. ) : P(X L ( ) ) ( X P Biomisk modell, fordelig,,...,, (- ) ) P(X : at iser vi og delforsøk, til ka ekelt geeraliseres Dette -
8 Biomisk modell Sasligheter ka bereges. vha. formel, eller. vha. tabeller over biomiske sasligheter (som er lagt ut å ettstedet). Obs.: Gjør dere kjet med tabeller til fordeligee som blir gjeomgått! Biomisk modell, tabeller 3 Biomisk modell, tabeller 4 8
9 Biomisk modell, tabeller 5 Biomisk modell, tabeller 6 Biomisk modell, forvetig og varias; utlediger Vi har slått fast at dersom X ~ B(, ), så: E ( X) ( X) ( ) Var Dette skal vi begrue (bevise)! 7 9
10 Biomisk modell, forvetig og varias; utlediger Vi ka skrive : X I + I + L+ I, der, I j, dersom fiasko i delforsøk r. dersom suksess i delforsøk r. j j, j,,..., Hver I j har fordelige : i P(I j i) - Og alle I j 'ee er uavhegige. Begge deler følger av forutsetigee om biomisk forsøksrekke. 8 Biomisk modell, forvetig og varias; utlediger Da får vi: E(I ) ( ) +, j i P(I ji) - og side : X I + I + L+ I, får vi : E( X ) E( I + I + L+ I ) E( I ) + E( I ) + L+ E( I ) + + L+ 9 Biomisk modell, forvetig og varias; utlediger Videre, får vi: E(I j ) ( ) +, i P(I j i) - som gir : Var(I ) E(I j j ) { E(I j )} ( ), 3
11 Biomisk modell, forvetig og varias; utlediger Og da: side : X I + I + L+ I, og I 'ee er uavhegige j får vi : Var( X ) Var( I + I + L+ I ) Var( I ) + Var( I ) + L+ Var( I ) ( ) + ( ) + L+ ( ) ( ) Var(I j ) ( ) 3 Noe viktige saslighetsmodeller Biomisk modell (k. 3.6) Hergeometrisk modell (k. 3.7) Geometrisk modell (otater) Poisso-modell (k. 3.8) (Seiere skal vi se å viktige kotiuerlige saslighetsmodeller.) 3 Hergeometrisk modell Hergeometrisk modell / hergeometrisk fordelig Eks.: Vi har fem kuler, tre svarte og to røde i e boks og skal trekke to tilfeldig. La Xat. svarte blat de to uttruke. Ka biomisk modell brukes for X? 33
12 Hergeometrisk modell Eks.: Vi har fem kuler, tre svarte og to røde i e boks og skal trekke to tildeldig. La Xat. svarte blat de to uttruke. Ka biomisk modell brukes for X? Hver trekig: delforsøk, delforsøk, og suksess svart kule trukket fiasko rød kule trukket P(svart å første kule) 3/5 P(svart å adre kule)?? 34 Hergeometrisk modell Eks.: P(svart å første kule) 3/5 P(svart å adre kule) 3/5, de også (!) Obs. ubetiget saslighet; betiget å hva som skjer i første trekig vil vi få adre resultat. Dette viser at resultatee i slike delforsøk ikke er uavhegige! Dvs.: biomisk modell ka ikke brukes. 35 Hergeometrisk modell Vi ka ekelt fie fordelige til X i eksemelet: P(X ) P( e svart, e rød ) /
13 Hergeometrisk modell Tilsvarede for de adre mulige verdiee: P(X ) P( ige svart, to røde ) / P(X ) P( to svarte, ige røde ) / P(X) Hergeometrisk modell Geerelt: Vi trekker stkker fra e oulasjo å N objekt; hvert objekt ka kategoriseres som defekt eller ikke-defekt ; det er M defekte blat de N N-M (ikke-defekte) M (defekte) Y atall defekte i utvalget 38 Hergeometrisk modell Geerelt: Vi trekker stkker fra e oulasjo å N objekt; hvert objekt ka kategoriseres som defekt eller ikke-defekt ; det er M defekte blat de N N-M (ikke-defekte) M (defekte) Y atall defekte i utvalget Vi sier da at Y er hergeometrisk fordelt, (N,M,) 39 3
14 Hergeometrisk modell Def.: Når Y er hergeometrisk fordelt, (N,M,), er saslighetsfordelige gitt ved: P(Y ) P( akkurat defekte i utvalget ) M N m, for,,,..., N N-M (ikke-defekte) - N M M (defekte) M ( P(Y ), dersom > M. ) 4 Hergeometrisk modell Eks.: Meigsmålig. N3.3 mill. stemmeberettigede Matall for e bestemt sak. blat de N utvalgsstørrelse (omkrig ) N-M (ikke-defekte) M (defekte) Yatall for i utvalget, er hergeometrisk fordelt, (N,M,). 4 Hergeometrisk modell Forvetig og varias Setig: Dersom Y er hergeometrisk fordelt, (N,M,), så: M E(Y) N N-M (ikke-defekte) M (defekte) M M N Var(Y) N N N 4 4
15 Hergeometrisk modell Eks.: Meigsmålig; N3.3 mill.; Ata at M. mill. (6.6%) er for e bestemt sak. blat de N, og ata at utvalgsstørrelse Forvetet atall som er for i utvalget M. E(Y) N 3.3 ( 6.6% av utvalget å ) 43 Hergeometrisk modell Tilærmig til biomisk fordelig - eklere å berege biomiske sasligheter Dersom er lite i forhold til N, er det tilærmet uavhegighet mellom resultatee i ulike trekiger/ delforsøk. 44 Hergeometrisk modell Tilærmig til biomisk fordelig - eklere å berege biomiske sasligheter Dersom er lite i forhold til N, er det tilærmet uavhegighet mellom resultatee i ulike trekiger/ delforsøk. Da ka vi se å resultatee av uttrekige som tilærmet e biomisk forsøksrekke, og Xatall defekte blat de i utvalget er tilærmet biomisk fordelt (, ), med M/N. 45 5
16 Hergeometrisk modell Tilærmig til biomisk fordelig Xatall defekte blat de i utvalget er tilærmet biomisk fordelt (, ), med M/N. Eks.: X~herg.(N5,M3,) P(X)..6.3 P(Y) Y~B(,.6 ) M N Hergeometrisk modell Tilærmig til biomisk fordelig Xatall defekte blat de i utvalget er tilærmet biomisk fordelt (, ), med M/N. Eks.: X~herg.(N5,M3,) P(X)..6.3 P(Y) Y~B(,.6 ) P(V) V~herg.(N5,M3,) 3 M N Hergeometrisk modell Altså: istedefor å berege sasligheter fra: herg.(n5,m3,), ka vi bruke tilærmigee fra: Y~B(,.6 ) P(Y) P(V)
17 Hergeometrisk modell Altså: istedefor å berege sasligheter fra: herg.(n5,m3,), ka vi bruke tilærmigee fra: Y~B(,.6 ) Tilærmigee er gode dersom <. N. P(Y) P(V) Noe viktige saslighetsmodeller Biomisk modell (k. 3.6) Hergeometrisk modell (k. 3.7) Geometrisk modell (otater) Poisso-modell (k. 3.8) (Seiere skal vi se å viktige kotiuerlige saslighetsmodeller.) 5 Geometrisk modell Situasjo: Utgagsuktet er e biomisk forsøksrekke; uedelig. Delforsøkee må tilfredstille:. uavhegige resultat i ulike delforsøk. resultatet er ete suksess eller fiasko 3. P( suksess ) er kostat i alle delforsøkee Hvor mage delforsøk til første suksess? 5 7
18 Geometrisk modell Eks.: Yatall kast med terig til sekser første gag Y ka ata:,, 3,... Terigkastee er delforsøkee (seksersuksess); tilfredsstiller krav til biomisk forsøksrekke. Da: Y atall delforsøk til første suksess 5 Geometrisk modell Def.: Dersom Y er atall delforsøk til første suksess i e biomisk forsøksrekke, så sier vi at Y er geometrisk fordelt med suksessaslighet, der P(suksess). Vi skriver: Y ~ geom.() (Ma sier ofte at dette er e vetetidsfordelig.) 53 Geometrisk modell Def.: Dersom Y er atall delforsøk til første suksess i e biomisk forsøksrekke, så sier vi at Y er geometrisk fordelt med suksessas-lighet, der P(suksess). Vi skriver: Y ~ geom.() Saslighetsfordelig: P(Y ) P(S ) P(Y ) P(F S ) P(Y 3) P(F F S ) uavhegige delforsøk 3 P(F )P(S ) (- ) uavhegige delforsøk P(F )P(F )P(S ) (- )
19 Geometrisk modell Def.: Dersom Y er atall delforsøk til første suksess i e biomisk forsøksrekke, så sier vi at Y er geometrisk fordelt med suksessas-lighet, der P(suksess). Vi skriver: Y ~ geom.() Saslighetsfordelig, geerelt: P(Y ) (- ) -,,, 3,... E(Y) og Var(Y) 55 Geometrisk modell Obs.: P(Y ) (- ) -,,, 3,... E(Y) P(Y ) (- ) - L 56 Geometrisk modell Eks.: Vi tier e rekke i LOTTO hver uke framover. La Xatall uker til vi får 7 riktige første gag. Da: X~geom.(), der / Forvetet atall uker til vi får 7 riktige første gag E(X) 57 9
20 Geometrisk modell Eks.: Vi tier e rekke i LOTTO hver uke framover. La Xatall uker til vi får 7 riktige første gag. Da: X~geom.(), der / Forvetet atall uker til vi får 7 riktige første gag E(X) / uker (!) 58 Geometrisk modell Eks.: La Yatall terigkast til vi får sekser første gag. Da: Y~geom.(), /6. Hva er saslighete for å få første sekser ie kast? 59 Geometrisk modell Eks.: Vi er iteressert i P(Y ). Ser geerelt å P(Y ): P(Y ) P(mist e sekser ie kast) - P(ige sekser i løet av kast) - (- ),,,3,... 6
21 Geometrisk modell Eks.: Vi er iteressert i P(Y Ser geerelt å P(Y ). ): P(Y ) P(mist e sekser ie kast) - P(ige sekser i løet av kast) - (- ),,,3,... P(Y ) - (- ) Geometrisk modell Eks.: Diagram over P(Y ) år Yat. kast til første sekser. (Vi kaller P(Y ) for de kumulative fordeligsfuksjoe til Y.) Sas. for første sekser ie... P(Y<),667,356 3,43 4,577 5,598 6,665 7,79 8,7674 9,86,8385,8654,8878 P(Y ) - (- ) 6,,8,6,4,, Atall kast til første sekser 6 Noe viktige saslighetsmodeller Biomisk modell (k. 3.6) Hergeometrisk modell (k. 3.7) Geometrisk modell (otater) Poisso-modell (k. 3.8) 63
22 Poissomodell (k. 3.8) Situasjoer der Poissofordelig ka være e god beskrivelse: Xatall forekomster av e bestemt begivehet i et tidsrom (f.eks. atall ulkker r. måed) eller Xatall forekomster av et bestemt objekt i et bestemt volum eller areal (f.eks. atall bakterier i e varøve) 64 Poissomodell Eks.: La Y atall telefosamtaler i til setralbordet i løet av ett miutt. Y ka ata:,,, Poissomodell Eks.: La Y atall telefosamtaler i til setralbordet i løet av ett miutt. Y ka ata:,,,... Med hvilke sasligheter??... P(Y)?? 66
23 Poissomodell Eks.: La Y atall telefosamtaler i til setralbordet i løet av ett miutt. Y ka ata:,,,... I slike situasjoer er det ofte rimelig å ata. at atall forekomster i disjukte itervall er statistisk uavhegig av hveradre,. at forvetet atall forekomster r. ehet er kostat, og 3. at saslighete for to eller flere forekomster i samme itervall, går mot ull år itervallegde går mot ull 67 Poissomodell Dersom forutsetigee er tilfredsstilt, så ka vi utlede matematisk at saslighetee for Y er gitt ved: For,,, 3,... P(Y ) ( λt)! e λt Her er λt forvetet atall i (t i eksemelet) t miutt 68 Poissomodell Eks.: Dersom vi ka forvete 8 ikommede samtaler r. miutt, har vi: For,,, 3,...,3,7,7 3,86 4,573 5,96 6, 7,396 8,396 9,4,993,7,48 3,96 4,69 5,9 6,45 7, 8,9 9,4,,, P(Y ) () 8 8 e!,5,,5 Poissofordelig, m/forv. 8,
24 Poissomodell Obs.: De beskreve atakelsee + diff.ligiger ++ gir saslighetee. (tids)itervall vs. areal vs. volum gir realistiske saslighetsmodeller i situasjoer der atakelsee helt eller tilærmelsesvis er tilfredsstilt 7 Poissomodell Eks.: Ata at Yatall samtaler til e setral, er Poissofordelt med forvetig.5 samtaler r. miutt. P( ige samtaler i ett miutt )? P( to eller flere i ett miutt )? P( akkurat tre i løet av to miutt )? 7 Poissomodell Eks.: Ata at Yatall samtaler til e setral, er Poissofordelt med forvetig.5 samtaler r. miutt. P(ige i ett miutt) P(Y ).5 e!.5 e.5. ( λt) λt P(Y ) e! 7 4
25 Poissomodell Eks.: Ata at Yatall samtaler til e setral, er Poissofordelt med forvetig.5 samtaler r. miutt. P(ige i ett miutt) P(Y ).5 e!.5 e.5. P(to eller flere i ett miutt) P(Y ) - P(Y ) - { P(Y ) + P(Y ) }.5.5 ( λt) λt -{. + e }.45 P(Y ) e!! 73 Poissomodell Eks.: Ata at Yatall samtaler til e setral, er Poissofordelt med forvetig.5 samtaler r. miutt. Poissofordelig med forvetig.5: Poissofordelig, m/forv..5,4,35,3,5,,5,,5, Poissomodell Eks.: Ata at Yatall samtaler til e setral, er Poissofordelt med forvetig.5 samtaler r. miutt. Dersom Xatall samtaler i to miutt, så vil vi ha at: X er Poissofordelt med forvetig.5 3 P(akkurat tre i to miutt) P(X 3) 3 3 e 3! 3.4 λ.5 og t : λt.5 3 ( λt) λt P(Y ) e! 75 5
26 Poissomodell Resultat: Dersom Y er Poissofordelt med arameter λt, har vi at: E(Y) λt og For,,, 3,... P(Y ) ( λt) λt e! Var(Y) λt Skrivemåte : Y ~ Poiss. ( λt ) 76 Poissomodell Obs.: Når E(Y) Y ~ Poiss. ( λt ), P(Y ) ( λt )! så e -λt L λt For,,, 3,... P(Y ) ( λt) λt e! 77 Poissomodell Berege sasligheter ) med formel ) bruk av tabell (tilgjegelig å ettstedet) 78 6
27 Poissomodell, tabell 79 Poissomodell, tabell 8 Poissomodell Eksemler:. Atall utrkiger er uke ved brastasjo. Atall stormer er år 8 7
ÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Noen viktige sannsynlighetsmodeller
ÅMA0 Sannsnlighetsregning med statistikk, våren 008 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) Hpergeometrisk modell
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA0 Sannsnlighetsregning med statistikk, våren 007 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) (kp. 3.7) (notater)
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2011
ÅMA0 Sannsynlighetsregning med statistikk, våren 0 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsynlighetsmodeller Noen viktige sannsynlighetsmodeller ( Sanns.modell : nå betyr det klasse/type sanns.fordeling.
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Hypergeometrisk modell
ÅMA Sannsnlighetsregning med statistikk, våren 6 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) Hpergeometrisk modell
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Binomisk modell. Kp. 3 Diskrete tilfeldige variable
ÅMA Sannsynlighetsregning med statistikk, våren 006. 3 Diskrete tilfeldige variable Noen viktige sannsynlighetsmodeller Noen viktige sannsynlighetsmodeller (k. 3.6 Hyergeometrisk modell (k. 3.7 Geometrisk
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA Sasylighetsregig med statistikk, våre 6 Kp. 4 Kotiuerlige tilfeldige variable og ormaldelige Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsdeliger) Vi har til å sett på diskrete
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 3 Diskrete tilfeldige variable. Diskrete tilfeldige variable, varians (kp. 3.
ÅMA Sannsynlighetsregning med statistikk, våren 8 Kp. Diskrete tilfeldige variable Kp. Diskrete tilfeldige variable Har sett på (tidligere: begrep/definisjoner; tilfeldig (stokastisk variabel sannsynlighetsfordeling
DetaljerHypergeometrisk modell
Hpergeometrisk modell Tilnærming til binomisk fordeling - enklere å beregne binomiske sannsnligheter Dersom n er liten i forhold til N, er det tilnærmet uavhengighet mellom resultatene i ulike trekninger/
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA0 Sasylighetsregig med statistikk, våre 008 Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA Sasylighetsregig med statistikk, våre Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett på diskrete
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA0 Sasylighetsregig med statistikk, våre 007 Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett
DetaljerUkeoppgaver i BtG207 Statistikk, uke 4 : Binomisk fordeling. 1
Ukeoppgaver i BtG20 Statistikk, uke 4 : Biomisk fordelig. 1 Høgskole i Gjøvik Avdelig for tekologi, økoomi og ledelse. Statistikk Ukeoppgaver uke 4 Biomisk fordelig. Oppgave 1 La de stokastiske variable
DetaljerNoen vanlige. Indikatorfordeling: 1, dersom suksess. I mange situasjoner kan fenomenet vi ser på. 0, dersom ikke suksess
Kapittel 5: Noe valige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighets- fordelig (e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe
DetaljerKapittel 7: Noen viktige sannsynlighetsfordelinger
Kapittel 7: Noe viktige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighetsfordelig e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe av
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2011
ÅMA0 Sasylighetsregig statistikk våre 0 Kp. 4 Kotiulige tilfeldige variable; Normalfordelig Kotiulige tilfeldige variable itro. (ell: Kotiulige sasylighetsfordelig Vi har til å sett på diskrete fordelig
DetaljerKapittel 7: Noen viktige sannsynlighetsfordelinger
Kapittel 7: Noe viktige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighetsfordelig (e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2010 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 12. april Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 59
DetaljerEcon 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering
Eco 130 uke 15 (HG) Poissofordelige og iførig i estimerig 1 Poissofordelige (i) Tilærmig til biomialfordelige. Regel. ( Poissotilærmelse ) Ata Y ~ bi(, p) E( Y ) = p og var( Y ) = p(1 p). Hvis er stor
DetaljerLøsningsforslag ST1101/ST6101 kontinuasjonseksamen 2018
Løsigsforslag ST/ST6 kotiuasjoseksame Oppgave a Defier hedelsee R, B, B rød kule i første trekig, blå kule i adre trekig, blå kule i tredje trekig. Vi skal fie PR B B for to ulike situasjoer. Geerelt vet
DetaljerForelesning Moment og Momentgenererende funksjoner
ushu.li@uib.o Forelesig + 3 Momet og Mometgeererede fuksjoer 1. Oppsummerig til Forelesig 1 1.1) Fuksjoe av S.V: hvis variabele er e fuksjo (trasformasjo) av S.V. : g( ), da er også e S.V.: til ethvert
DetaljerEcon 2130 Forelesning uke 11 (HG)
Eco 130 Forelesig uke 11 (HG) Mer om ormalfordelige og setralgreseteoremet Uke 1 1 Fra forrige gag ~ betyr er fordelt som. ~ N( µσ, ) E( ) = µ, og var( ) = σ Normalfordelige er symmetrisk om μ og kotiuerlig
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2006 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 3. april Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1 / 56
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 5 Estimering. Målemodellen.
ÅMA0 Sasylighetsregig med statistikk, våre 0 Kp. 5 Estimerig. Målemodelle. Estimerig. Målemodelle. Ihold:. (Pukt)Estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.). (Pukt)Estimerig i målemodelle
DetaljerKapittel 5: Tilfeldige variable, forventning og varians.
Kapittel 5: Tilfeldige variable, forvetig og varias. Tilfeldige variable Tilfeldige variable kalles også stokastiske variable. Defiisjo: E tilfeldig variabel er e variabel som får si umeriske verdi bestemt
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Konfidensintervall, innledning. Kp. 5 Estimering.
ÅMA0 Sasylighetsregig med statistikk våre 006 Kp. 5 Estimerig Estimerig. Målemodelle. Ihold:. (Pukt)Estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estimerig i målemodelle (kp. 5.3)
DetaljerRepetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10
Repetisjo; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10 og Geerell defiisjo av : Situasjo: Data x 1,...,x ;utfallav:x 1,...,X ; u.i.f. tilfeldige variable Ukjet parameter i fordelige til X i ee: θ Dersom L og U L
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2008 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 3. april Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 56
DetaljerMer om utvalgsundersøkelser
Mer om utvalgsudersøkelser I uderkapittel 3.6 i læreboka gir vi e kort iførig i takegage ved utvalgsudersøkelser. Vi gir her e grudigere framstillig av temaet. Populasjo og utvalg Ved e utvalgsudersøkelse
DetaljerOppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?
ECON EKSAMEN 8 VÅR TALLSVAR Oppgave Vi har e kortstokk beståede av 6 kort. På av disse står det skrevet JA på forside mes det står NEI på forside av de adre kortee. Hvis ma får se kortet med bakside vedt
DetaljerOppgave 1 Hardheten til en bestemt legering er undersøkt med åtte målinger og resultatene ble (i kg/mm 2 ) som i tabellen til høyre.
EKSAMEN I: ÅMA110 SANNSYNLIGHETSREGNING MED STATISTIKK VARIGHET: 4 TIMER DATO: 28. AUGUST 2010 BOKMÅL TILLATTE HJELPEMIDLER: KALKULATOR: HP30S, Casio FX82 eller TI-30 OPPGAVESETTET BESTÅR AV 3 OPPGAVER
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2008 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 26. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 53
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 5. Hypotesetesting, del 5
ÅMA11 Sasylighetsregig med statistikk, våre 7 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 26. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 59 Bjør
DetaljerHøgskolen i Telemark Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 20. mai 2008
Høgskole i Telemark Avdelig for estetiske fag, folkekultur og lærerutdaig BOKMÅL. mai 8 EKSAMEN I MATEMATIKK Modul 5 studieoeg Tid: 5 timer Ogavesettet er å sider (ikludert formelsamlig). Hjelemidler:
DetaljerSTK1100: Kombinatorikk
1100: ombiatorikk auar 2009 Ørulf orga Matematisk istitutt Uiversitetet i Oslo 1 Uiform sasylighetsmodell: t stokastisk forsøk har N utfall Det er de mulige utfallee for forsøket i atar at de N utfallee
DetaljerMOT310 Statistiske metoder 1, høsten 2011
MOT310 Statistiske metoder 1, høste 2011 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 24. august, 2011 Bjør H. Auestad Itroduksjo og repetisjo 1 / 32 Repetisjo; 9.1,
DetaljerEksempler fra slutten av forrige uke. Eksempler (styrke, dimensjonering,...) Eksempler fra slutten av forrige uke
Oversikt, del 5 Hypotesetestig, del 4 (oppsummerig fra Hypotesetestig, del 5 Kofidesitervall dimesjoerig Eksempler fra slutte av forrige uke Kofidesitervall p-verdi Eksempler Eksempler (styrke, dimesjoerig,...
DetaljerIntroduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians
Hypotesetestig / iferes (kap ) Itroduksjo Populasjo og utvalg Statistisk iferes Utvalgsfordelig (samplig distributio) Utvalgsfordelige til gjeomsittet Itroduksjo Vi øsker å få iformasjo om størrelsee i
DetaljerOppgaven består av 9 delspørsmål, A,B,C,., som anbefales å veie like mye, Kommentarer og tallsvar er skrevet inn mellom <<.. >>.
ECON 130 EKSAMEN 008 VÅR - UTSATT PRØVE SENSORVEILEDNING Oppgave består av 9 delspørsmål, A,B,C,., som abefales å veie like mye, Kommetarer og tallsvar er skrevet i mellom . Oppgave 1 Ved e spørreudersøkelse
DetaljerUlike typer utvalg. MAT0100V Sannsynlighetsregning og kombinatorikk. Ordnet utvalg uten tilbakelegging. Ordnet utvalg med tilbakelegging.
MAT0100V Sasylighetsregig og kombiatorikk Ordet utvalg med og ute tilbakeleggig (repetisjo) Uordet utvalg ute tilbakeleggig (repetisjo) Tilfeldige variabler og sasylighetsfordeliger Hypergeometrisk fordelig
DetaljerKonfidensintervall. Notat til STK1110. Ørnulf Borgan, Ingrid K. Glad og Anders Rygh Swensen Matematisk institutt, Universitetet i Oslo.
Kofidesitervall Notat til STK1110 Ørulf Borga, Igrid K. Glad og Aders Rygh Swese Matematisk istitutt, Uiversitetet i Oslo August 2007 Formål E valig metode for å agi usikkerhete til et estimat er å berege
DetaljerKapittel 8: Estimering
Kaittel 8: Estimerig Estimerig hadler kort sagt om hvorda å aslå verdie å arametre som,, og dersom disse er ukjete. like arametre sier oss oe om oulasjoe vi studerer (dvs om alle måliger av feomeet som
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk. Kp. 5 Estimering.
ÅMA asylighetsregig med statistikk våre 008 Kp. 5 Estimerig Estimerig. Målemodelle. Ihold:. (ukt)estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (ukt)estimerig i målemodelle (kp. 5.3)
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004 Oppgave Midtveiseksame a) X er e stokastisk variabel
DetaljerEmnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard
EKSAMEN Emekode: SFB107111 Emeav: Metode 1, statistikk deleksame Dato: 7. mai 2018 Hjelpemidler: Godkjet kalkulator og vedlagt formelsamlig m/tabeller Eksamestid: 4 timer Faglærer: Has Kristia Bekkevard
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 4. Hypotesetesting, del 4
ÅMA11 Sasylighetsregig med statistikk, våre 27 Kp. 6, del 4 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 19. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 27 Bjør
DetaljerTMA4240 Statistikk Høst 2009
TMA440 Statistikk Høst 009 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave Øsker å fie 99% kofidesitervall for µ µ år vi atar ormalfordeliger
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag TMA20 Statistikk Eksame desember 205 Løsigsskisse Oppgave a) De kumulative fordeligsfuksjoe til X, F (x) P (X x): F (x) P (X x) x
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 4
ÅMA11 Sasylighetsregig med statistikk, våre 21 Kp. 6, del 4 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 22. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 29 Bjør
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
1 ECON130: EKSAMEN 013 VÅR - UTSATT PRØVE TALLSVAR. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variasjo i vaskelighetsgrad. Svaree er gitt i
DetaljerLØSNING, EKSAMEN I STATISTIKK, TMA4240, DESEMBER Anta at sann porøsitet er r. Måling med utstyret gir da X n(x; r, 0,03).
LØSNING, EKSAMEN I STATISTIKK, TMA440, DESEMBER 006 OPPGAVE 1 Ata at sa porøsitet er r. Målig med utstyret gir da X (x; r, 0,03). a) ( ) X r P(X > r) P 0,03 > 0 P(Z > 0) 0,5. ( X r P(X r > 0,05) P 0,03
DetaljerHøgskolen i Telemark Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 12. desember 2008
Høgskole i Telemark Avdelig for estetiske fag, folkekultur og lærerutdaig BOKMÅL. desember 8 EKSAMEN I MATEMATIKK, Utsatt røve Modul 5 studieoeg Tid: 5 timer Ogavesettet er å sider (ikludert formelsamlig).
DetaljerSTK1100: Kombinatorikk og sannsynlighet
ST1100: ombiatorikk og sasylighet Jauar 201 Ørulf Borga/Geir Storvik Matematisk istitutt Uiversitetet i Oslo 1 Uiform sasylighetsmodell: Et stokastisk forsøk har N utfall Det er de mulige utfallee for
DetaljerEmnenavn: Metode 1, statistikk deleksamen. Eksamenstid: 4 timer. Faglærer: Bjørnar Karlsen Kivedal
EKSAMEN Emekode: SFB10711 Emeav: Metode 1, statistikk deleksame Dato: 10. oktober 2018 Hjelpemidler: Godkjet kalkulator og vedlagt formelsamlig m/tabeller Eksamestid: 4 timer Faglærer: Bjørar Karlse Kivedal
DetaljerHypotesetesting, del 4
Oversikt, del 4 t-fordelig t-test t-itervall Del 5 Kofidesitervall vs. test p-verdi t-fordelig Rett på defiisjo: Utgagspuktet er målemodelle med ormalatakelse: X 1,...,X,u.i.f.tilf.var.derX i Nμ, σ 2 ).La
DetaljerKap. 9: Inferens om én populasjon
2 ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Ka. 9: Iferes om é oulasjo Hvis σ er ukjet bytter vi ut σ med s i Ny observator blir t = x μ s/ z = x μ σ/ der s = Σx 2 (Σx)
DetaljerKap. 9: Inferens om én populasjon
2 ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Ka. 9: Iferes om é oulasjo Hvis σ er ukjet bytter vi ut σ med s i Ny observator blir t = x μ s/ z = x μ σ/ der s = Σx 2 (Σx)
DetaljerLøsningsforslag Oppgave 1
Løsigsforslag Oppgave 1 a X i µ 0 σ X i µ 0 2 σ 2, i 1,..., er uavhegige og stadard N0, 1 fordelte. Da er, i 1,..., uavhegige og χ 2 -fordelte med e frihetsgrad. Da er summe χ 2 -fordelt med atall frihetsgrader
DetaljerKLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon
Tidligere sett på KLMED8004 Medisisk statistikk Del I, høst 008 Estimerig Hvorda kjete sasylighetsfordeliger (biomialfordelig, ormalfordelig) med kjete populasjosparametrer (forvetig, varias osv.) ka gi
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 2
ÅMA11 Sasylighetsregig med statistikk, våre 27 Kp. 6, del 2 Bjør H. Auestad Istitutt for matematikk og aturviteskap 5. mars 21 Bjør H. Auestad Kp. 6: del 1/2 1/ 42 Bjør H. Auestad Kp. 6: del 1/2 2/ 42
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006
ÅMA110 Sasylighetsregig med statistikk, våre 2006 Kp. 6, del 2 Bjør H. Auestad Kp. 6: Hypotesetesig del 2 1/ 38 Bjør H. Auestad Kp. 6: Hypotesetesig del 2 2/ 38 Oversikt 1. Hva er hypotesetestig? 2. Hypotesetestig
DetaljerStatistikk og økonomi, våren 2017
Statistikk og økoomi, våre 07 Obligatorisk oppgave 6 Løsigsforslag Oppgave E terig kastes 0 gager, og det registreres hvor mage 6-ere som oppås i løpet av disse 0 kastee. Vi ka kalle atall 6-ere i løpet
DetaljerKort repetisjon fra kapittel 4. Oppsummering kapittel ST0202 Statistikk for samfunnsvitere. Betinget sannsynlighet og trediagram
2 Kort reetisjo fra kaittel 4 Betiget sasylighet og trediagram Eksemel: Fra e oulasjo av idrettsfolk trekkes e erso tilfeldig og testes for doig. De iteressate hedelsee er D=ersoe er doet, A=teste er ositiv.
Detaljer2. Hypotesetesting i ulike sitausjoner: i. for forventingen, μ, i målemodellen med normalantakelse og kjent varians, σ 2.
Oversikt 1. Hva er hypotesetestig? 2. i ulike sitausjoer: i. for forvetige, μ, med ormalatakelse og kjet varias, σ 2. ii. for forvetige, μ, med stor og ormaltilærmig (variase, σ 2, ukjet). iii. for suksessasylighete,
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Oppsummering
ÅMA110 Sasylighetsregig med statistikk, våre 2007 Oppsummerig Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 19. april Bjør H. Auestad Oppsummerig våre 2006 1 / 37 Oversikt
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: 19 des. 2014 Varighet/eksamestid: Emekode: 3 timer TALM1005 Emeav: Statistikk og Økoomi statistikkdele Klasser: Logistikk 1 Kjemi
DetaljerForelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling
STAT (V6) Statistikk Metoder Yushu.Li@uib.o Forelesig 4 og 5 Trasformasjo, Weibull-, logormal, beta-, kji-kvadrat -, t-, F- fordelig. Oppsummerig til Forelesig og..) Momet (momet about 0) og setral momet
DetaljerOversikt, del 5. Vi har sett på styrkefunksjon for ensidige tester. Eksempler (styrke, dimensjonering,...) Eksempler fra slutten av forrige uke
Hypotesetestig, del 4 oppsummerig fra Hypotesetestig, del 5 Kofidesitervall dimesjoerig Oversikt, del 5 Eksempler fra slutte av forrige uke Kofidesitervall p-verdi Eksempler Eksempler styrke, dimesjoerig,...
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA Sasylighetsregig med statistikk, våre 27 Kp. 6 (kp. 6) Tre deler av faget/kurset:. Beskrivede statistikk 2. Sasylighetsteori, sasylighetsregig 3. Statistisk iferes estimerig kofidesitervall hypotesetestig
DetaljerTMA4240 Statistikk Høst 2015
Høst 205 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer, blokk II Løsigsskisse Oppgave a) X bi(, p) fordi: Udersøker uavhegige delar av DNA-strukture. Fi for kvar del
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksame i: ECON130 Statistikk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamesdag: 6.05.017 Sesur kugøres: 16.06.017 Tid for eksame: kl. 14:30 17:30 Oppgavesettet er på 6 sider Tillatte helpemidler: Alle
DetaljerTMA4245 Statistikk Eksamen mai 2017
TMA445 Statistikk Eksame mai 07 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsskisse Oppgave a Når vi reger ut disse tre sasylighetee må ma huske på at de mulige verdiee
DetaljerOppgaver fra boka: Med lik men ukjent varians antatt har vi fra pensum at. t n1 +n 2 2 under H 0 (12 1) (12 1)
MOT30 Statistiske metoder, høste00 Løsiger til regeøvig r. 5 (s. ) Oppgaver fra boka: Oppgave 0.36 (0.0:8) Dekkslitasje X,..., X u.i.f. N(µ, σ ) og X,..., X u.i.f. N(µ, σ ) og alle variable er uavhegige.
DetaljerLØSNINGSFORSLAG TILEKSAMEN I FAG TMA4240/TMA4245 STATISTIKK 10. august 2005
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 8 LØSNINGSFORSLAG TILEKSAMEN I FAG TMA440/TMA445 STATISTIKK 0. august 005 Oppgave Smeltepuktsbestemmelse a) Vi jobber i dette
DetaljerRep.: generelle begrep og definisjoner Kp. 10.1, 10.2 og 10.3
Kp. 1, oversikt ; oversikt, t- ; oversikt ; stor ; Hypoteseig; ett- og to-utvalg Rep.: geerelle begrep og defiisjoer Kp. 1.1, 1.2 og 1.3 Rep.: ett-utvalgser for μ (...), p Kp. 1 og 1.8 Nytt: ett-utvalgs
Detaljer) = P(Z > 0.555) = > ) = P(Z > 2.22) = 0.013
TMA4240 Statistikk Vår 2008 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b5 Løsigsskisse Oppgave 1 a) X 1,...,X 16 er u.i.f. N(80,18 2 ). Setter Y = X. i) P(X 1 >
DetaljerX = 1 5. X i, i=1. som vil være normalfordelt med forventningsverdi E( X) = µ og varians Var( X) = σ 2 /5. En rimelig estimator for variansen er
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 11, blokk II Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2011
ÅMA110 asylighetsregig med statistikk våre 011 Kp. 5 Estimerig 1 Estimerig. Målemodelle. Ihold: 1. (ukt)estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (ukt)estimerig i målemodelle (kp.
DetaljerForventningsverdi. MAT0100V Sannsynlighetsregning og kombinatorikk
MAT0100V Sasylighetsregig og kombiatorikk Forvetigsverdi Sasylighetsfordelige til e tilfeldig variabel X gir sasylighete for de ulike verdiee X ka ata Forvetig, varias og stadardavvik Tilærmig av biomiske
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: 5 jui 2015 Varighet/eksamestid: Emekode: 3 timer TALM1005 Emeav: Statistikk og Økoomi statistikkdele Klasser: Logistikk 1 Kjemi
DetaljerH 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2
TMA4245 Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave 1 Vi øsker å fie ut om et ytt serum ka stase leukemi. 5 mus får serumet, 4
DetaljerKap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren
2 Kap. 9: Iferes om é populasjo I Kapittel 8 brukte vi observatore z = x μ σ/ for å trekke koklusjoer om μ. Dette krever kjet σ (urealistisk). ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for
DetaljerLøsningsforslag for andre obligatoriske oppgave i STK1100 Våren 2007 Av Ingunn Fride Tvete og Ørnulf Borgan
Løsigsforslag for adre obligatoriske oppgave i STK11 Våre 27 Av Igu Fride Tvete (ift@math..uio.o) og Ørulf Borga (borga@math.uio.o). NB! Feil ka forekomme. NB! Sed gjere e mail hvis du fier e feil! Oppgave
DetaljerLøsning TALM1005 (statistikkdel) juni 2017
Løsig TALM1005 statistikkdel jui 2017 Oppgave 1 a Har oppgitt at sasyligte for at é harddisk svikter er p = 0, 037. Ifører hedelsee A : harddisk 1 svikter B : harddisk 2 svikter C : harddisk 3 svikter
DetaljerEstimering 2. -Konfidensintervall
Estimerig 2 -Kofidesitervall Dekkes av kap. 9.4-9.5, 9.10, 9.12 og forelesigsotatee. Dersom forsøket gjetas mage gager vil (1 α)100% av itervallee [ ˆΘ L, ˆΘ U ] ieholde de ukjete parametere θ (som er
DetaljerEKSAMEN Løsningsforslag
..4 EKSAMEN Løsigsforslag Emekode: ITF75 Dato: 6. desember Eme: Matematikk for IT Eksamestid: kl 9. til kl. Hjelpemidler: To A4-ark med valgfritt ihold på begge sider. Kalkulator er ikke tillatt. Faglærer:
DetaljerPåliteligheten til en stikkprøve
Pålitelighete til e stikkprøve Om origiale... 1 Beskrivelse... 2 Oppgaver... 4 Løsigsforslag... 4 Didaktisk bakgru... 5 Om origiale "Zuverlässigkeit eier Stichprobe" på http://www.mathe-olie.at/galerie/wstat2/stichprobe/dee
Detaljer8 (inkludert forsiden og formelsamling) Tegne- og skrivesaker, kalkulator, formelsamling (se vedlagt).
Eksamesoppgave våre 011 Ordiær eksame Bokmål Fag: Matematikk Eksamesdato: 10.06.011 Studium/klasse: GLU 5-10 Emekode: MGK00 Eksamesform: Skriftlig Atall sider: 8 (ikludert forside og formelsamlig) Eksamestid:
DetaljerSTK1100 våren 2017 Estimering
STK1100 våre 017 Estimerig Svarer til sidee 331-339 i læreboka Ørulf Borga Matematisk istitutt Uiversitetet i Oslo 1 Politisk meigsmålig Spør et tilfeldig utvalg på 1000 persoer hva de ville ha stemt hvis
DetaljerTMA4245 Statistikk Vår 2015
TMA4245 Statistikk Vår 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II Oppgave 1 Kari har ylig kjøpt seg e y bil. Nå øsker hu å udersøke biles besiforbruk
DetaljerHypotesetesting, del 5
Oversikt, del 5 Kofidesitervall p-verdi Kofidesitervall E (tosidig test ka gjeomføres vha. av et kofidesitervall. For eksempel, dersom vi i målemodell 1 vil teste: H 0 : μ = μ 0 mot H 1 : μ μ 0, ka vi
Detaljerbetegne begivenheten at det trekkes et billedkort i trekning j (for j=1,2,3), og komplementet til
1 ECON1: EKSAMEN 17v SENSORVEILEDNING. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variaso i vaskelighetsgrad. Svaree er gitt i
Detaljer211.7% 2.2% 53.0% 160.5% 30.8% 46.8% 17.2% 11.3% 38.7% 0.8%
Prøve-eksame II MET 1190 Statistikk Dato 31. mai 2019 kl 1100-1400 Alle svar skal begrues. Når besvarelse evalueres, blir det lagt vekt på at framgagsmåte og resultat preseteres så klart, presist og kortfattet
Detaljer3MX 2007/8 - Kapittel 5: 8. januar 5. februar 2008
3MX 00/8 - Kapittel : 8. jauar. februar 008 Pla for skoleåret 00/008: Kapittel 6: 6/ /. Kapittel : / /3. Prøver på eller skoletime etter hvert kapittel. É heildagsprøve i hver termi. Repetisjo, prøver,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: STK11 Sasylighetsregig og statistisk modellerig. LØSNINGSFORSLAG Eksamesdag: Fredag 9. jui 217. Tid for eksame: 9. 13.. Oppgavesettet
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 11 Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som vil være ormalfordelt
DetaljerUlike typer utvalg. MAT0100V Sannsynlighetsregning og kombinatorikk. Ordnet utvalg uten tilbakelegging 29 (29 1) (29 2) (29 3) =
MAT000V Sasylighetsregig og kombiatorikk Urdede utvalg ute tilbakeleggig Pascals talltrekat og biomialkoeffisietee Ørulf Borga Matematisk istitutt Uiversitetet i Oslo Ulike typer utvalg Eksempel 6.: Vi
DetaljerVi skal hovedsakelig ikke bestemme summen men om rekken konvergerer. det vil si om summen til rekken er et bestemt tall
Kapittel 8 Oppsummerig-Rekker Rekker er summe til edelig eller uedelig mage ledd i e tallfølge. Potesrekker ka beyttes til å uttrykke vaskelige fuksjoer om et pukt. Ma ka skreddesy potesfuksjoer ved hjelp
Detaljer5 y y! e 5 = = y=0 P (Y < 5) = P (Y 4) = 0.44,
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 9, blokk II Løsigsskisse Oppgave a) Vi lar her Y være atall fugler som kolliderer med vidmølla i løpet av de gitte
DetaljerOversikt over konfidensintervall i Econ 2130
HG April 00 Oversikt over kofidesitervall i Eco 30 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. Løvås ieholder mage verdifulle kommetarer og eksempler.
DetaljerSignifikante sifre = alle sikre pluss ett siffer til
Sigifikate siffer og stadardavvik behadles i kap. Disse to emee skal vi ta for oss i dag. Kofidesgreser behadles i kap 4. Dette skal vi ta for oss i osdag. Presetasjo av aalysedata ka gjøres på følgede
Detaljer