Forelesning 13. mars, 2017
|
|
- Jonatan Halvorsen
- 5 år siden
- Visninger:
Transkript
1 Forelesning 13. mars, 217 AVSNITT 5.2 Kovariansen mellom to variable Korrelasjon mellom to variable AVSNITT 5.3 Betingede fordelinger
2 Kovariansen mellom to stokastiske variable Kovariansen mellom to stokastiske variable X og Y med forventningsverdier E[X] = µ X og E[Y ] = µ Y, defineres som: Cov(X, Y ) = E[(X µ X )(Y µ Y )] = x y (x µ X )(y µ Y )p(x, y) (x µ X )(y µ Y )f (x, y)dx dy diskrete kont. Kovariansen er positiv dersom store verdier av X typisk forekommer samtidig med store verdier av Y, og små verdier av X typisk forekommer samtidig med små verdier av Y. Kovariansen er negativ dersom store verdier av X typisk forekommer samtidig med små verdier av Y, og små verdier av X typisk forekommer samtidig med store verdier av Y.
3 Setninger om kovarians I SETNING: Cov(X, Y ) = E[XY ] µ X µ Y. SETNING: Dersom X og Y er uavhengige, er Cov(X, Y ) =. SETNING: Cov(aX + by, Z ) = a Cov(X, Z ) + b Cov(Y, Z ). SETNING: Cov(aX + b, cy + d) = ac Cov(X, Y ). BEVIS: Cov(aX + b, cy + d) = E[(aX + b E(aX + b))(cy + d E(cY + d))] = E[a (X E(X)) c (Y E(Y ))] = ac E[(X E(X))(Y E(Y ))] = ac Cov(X, Y )
4 Setninger om kovarians II SETNING: Cov(X, a) = BEVIS: Cov(X, a) = E[X a] E[X] E[a] = a E[X] a E[X] = SETNING: Cov(X, X) = V (X) BEVIS: Cov(X, X) = E[(X µ X )(X µ X )] = E[(X µ X ) 2 ] = V (X)
5 Eksempler på kovariansberegning EKSEMPEL: La X N(, 1) og la Y = X 2. Da er: E[X] = E[Y ] = E[X 2 ] = V (X) = 1 E[X Y ] = E[X 3 ] = x 3 1 2π e 1 2 x 2 dx = Dermed får vi, selvom X og Y er sterkt avhengige, at: Cov(X, Y ) = E[X Y ] E[X] E[Y ] = 1 =
6 Eksempler på kovariansberegning EKSEMPEL: Anta at X og Y har simultan punktsannsynlighet p(x, y) gitt ved følgende tabell: Dette gir: y p(x, y) 1 2 p X (x) x p Y (y) E[X] = p X () + 1 p X (1) = =.5 E[Y ] = p Y () + 1 p Y (1) + 2 p Y (2) = = 1.25
7 Eksempler på kovariansberegning Videre får vi: y p(x, y) 1 2 p X (x) x p Y (y) E[X Y ] = p(, ) + 1 p(, 1) + 2 p(, 2) Dermed blir: + 1 p(1, ) p(1, 1) p(1, 2) = =.75 Cov(X, Y ) = E[X Y ] E[X] E[Y ] = =.125
8 En nyttig integrasjonsformel: Beta-fordelingen Den stokastiske variabelen X sies å være Beta-fordelt med parametre α og β dersom tettheten til X, f X (x) er av form ( x 1): f X (x) = Γ(α + β) Γ(α)Γ(β) x α 1 (1 x) β 1 Det kan vises at f X (x) er en lovlig tetthet, dvs. at: 1 Γ(α + β) Γ(α)Γ(β) x α 1 (1 x) β 1 dx = 1 Denne integrasjonsformelen er nyttig i mange av de beregningene vi snart skal gjøre. I tillegg trenger vi å vite at: Γ(n) = (n 1)!, n = 1, 2, 3... samt at Γ(α + 1) = αγ(α) for alle α >.
9 En nyttig integrasjonsformel: Beta-fordelingen (forts.) Anta f.eks. at α = β = 1. Da blir f X (x) = = Γ(α + β) Γ(α)Γ(β) x α 1 (1 x) β 1 Γ(1 + 1) Γ(1)Γ(1) x 1 1 (1 x) 1 1 = 1!!! 1 = 1. Vi ser altså at en Beta-fordeling med parametre α = β = 1 er det samme som en Uniformfordeling på intervallet [, 1].
10 En nyttig integrasjonsformel: Beta-fordelingen (forts.) Dersom X er Beta-fordelt med parametre α og β så kan vi lett finne E[X p ] for p = 1, 2,... : E[X p ] = 1 p Γ(α + β) x Γ(α)Γ(β) x α 1 (1 x) β 1 dx = = Γ(α + β) Γ(α + p) Γ(α)Γ(α + β + p) Γ(α + β) Γ(α + p) Γ(α)Γ(α + β + p) 1 Γ(α + β + p) Γ(α + p)γ(β) x α+p 1 (1 x) β 1 dx
11 En nyttig integrasjonsformel: Beta-fordelingen (forts.) Spesielt får vi: E[X] = Γ(α + β) Γ(α + 1) Γ(α)Γ(α + β + 1) = Γ(α + β) αγ(α) Γ(α)(α + β)γ(α + β) = α α + β E[X 2 ] = Γ(α + β) Γ(α + 2) Γ(α)Γ(α + β + 2) = Γ(α + β) α(α + 1)Γ(α) Γ(α)(α + β)(α + β + 1)Γ(α + β) = α(α + 1) (α + β)(α + β + 1)
12 En nyttig integrasjonsformel: Beta-fordelingen (forts.) Dermed kan vi også finne variansen i Beta-fordelingen: V (X) = E[X 2 ] (E[X]) 2 = = α(α + 1) (α + β)(α + β + 1) α 2 (α + β) 2 α(α + 1)(α + β) (α + β) 2 (α + β + 1) α 2 (α + β + 1) (α + β) 2 (α + β + 1) = α3 + α 2 β + α 2 + αβ α 3 α 2 β α 2 ) (α + β) 2 (α + β + 1) = αβ (α + β) 2 (α + β + 1)
13 Eksempler på kovariansberegning EKSEMPEL: Anta at X og Y har simultantetthet f (x, y) gitt ved: { 24xy x 1, y 1, x + y 1 f (x, y) = ellers Vi finner da at vi for x 1 og y 1 har: f X (x) = f Y (y) = 1 x 1 y 24xy dy = 12xy 2 y=1 x = 12x(1 x) 2 24xy dx = 12x 2 y y= x=1 y x= = 12y(1 y) 2 Jfr. forrige side så betyr det at X og Y begge er Beta-fordelte med α = 2 og β = 3.
14 Eksempler på kovariansberegning Dermed finner vi at: E[X] = 1 x 12x(1 x) 2 dx = 1 12x 2 (1 x) 2 dx = 12 Γ(3)Γ(3) 1 Γ(3 + 3) Γ(3 + 3) Γ(3)Γ(3) x 3 1 (1 x) 3 1 dx 2! 2! 4 = 12 = 12 5! 12 = 2 5 Tilsvarende får vi også at: E[Y ] = 2 5.
15 Eksempler på kovariansberegning Videre finner vi at: E[X Y ] = = = 1 1 x 1 1 [ xy 24 xy dy]dx [8x 2 y 3 y=1 x ] dx y= 8x 2 (1 x) 3 dx = 8 Γ(3)Γ(4) 1 Γ(3 + 4) Γ(3 + 4) Γ(3)Γ(4) x 3 1 (1 x) 4 1 dx = 8 2! 3! 6! = 8 6 = 2 15.
16 Eksempler på kovariansberegning Kombinerer vi alt dette, får vi: Cov(X, Y ) = E[X Y ] E[X] E[Y ] = = = = 2 75
17 Korrelasjonskoeffisienten HUSK: Cov(aX + b, cy + d) = ac Cov(X, Y ). Denne setningen viser at kovarians er følsom overfor hva slags måleenhet man benytter for X og Y. Hvis f.eks. X og Y representerer to avstander, og både X og Y måles i kilometer, så får man en verdi av kovariansen. Hvis man så konverterer X og Y til meter, så øker kovariansen med en faktor på 1 6. Dette betyr imidlertid ikke at avhengigheten mellom X og Y blir sterkere ved denne skalaendringen. Vi ønsker et skala-nøytralt mål for avhengighet: Corr(X, Y ) = ρ X,Y = Cov(X, Y ) V (X) V (Y ) = Cov(X, Y ) σ X σ Y
18 Egenskaper ved korrelasjonskoeffisienten SETNING: Dersom ac = ac, har vi: Corr(aX + b, cy + d) = Corr(X, Y ) BEVIS: Husk at Cov(aX + b, cy + d) = ac Cov(X, Y ). Corr(aX + b, cy + d) = Cov(aX + b, cy + d) V (ax + b) V (cy + d) = ac Cov(X, Y ) a2 V (X) c 2 V (Y ) = ac Cov(X, Y ) ac V (X) V (Y ) = Corr(X, Y ) (Siden ac = ac )
19 Egenskaper ved korrelasjonskoeffisienten SETNING: Dersom X og Y er uavhengige, så er Corr(X, Y ) =. BEVIS: Vi har tidligere vist at dersom X og Y er uavhengige, så er Cov(X, Y ) =. Setningen følger dermed direkte av dette siden: Corr(X, Y ) = Cov(X, Y ) σ X σ Y = σ X σ Y =. Bemerk dog at dersom Corr(X, Y ) =, så medfører ikke dette nødvendigvis at X og Y er uavhengige.
20 Egenskaper ved korrelasjonskoeffisienten La X og Y være to stokastiske variable, og innfør standardiserte variable Z X og Z Y : Vi har da: Z X = X µ X σ X, Z Y = Y µ Y σ Y E[Z X ] = E[ X µ X σ X ] =, E[Z Y ] = E[ Y µ Y σ Y ] = SD[Z X ] = SD[ X µ X σ X ] = 1, SD[Z Y ] = SD[ Y µ Y σ Y ] = 1 Corr(X, Y ) = Corr(Z X, Z Y ) = Cov(Z X, Z Y ) = E[Z X Z Y ] E[Z X ] E[Z Y ] = E[Z X Z Y ]
21 Egenskaper ved korrelasjonskoeffisienten Vi ser så på størrelsen E[Z Y ρ X,Y Z X ] 2, og får at: E[Z Y ρ X,Y Z X ] 2 = E[ZY 2 2ρ X,Y Z X Z Y + ρ 2 X,Y Z X 2 ] = E[ZY 2 ] 2ρ X,Y E[Z X Z Y ] + ρ 2 X,Y E[ZX 2 ] = 1 2ρ X,Y ρ X,Y + ρ 2 X,Y 1 = 1 ρ 2 X,Y Av dette følger det at ρ 2 X,Y 1 eller ekvivalent at: 1 ρ X,Y +1
22 Egenskaper ved korrelasjonskoeffisienten Anta spesielt at ρ 2 X,Y = 1. I så fall må: E[Z Y ρ X,Y Z X ] 2 =. Dette medfører at: Z Y = Y µ Y σ Y = ρ X,Y Z X = ρ X,Y X µ X σ X Eller ekvivalent at: Y = ρ X,Y (X µ X ) σ Y σ X + µ Y = ax + b der a = ρ X,Y ( σ Y σ X ) og b = µ Y ρ X,Y ( σ Y σ X )µ X, og der fortegnet til a er det samme som fortegnet til ρ X,Y.
23 Eksempler på korrelasjonssberegning EKSEMPEL: Anta at X og Y har simultantetthet f (x, y) gitt ved: { 24xy x 1, y 1, x + y 1 f (x, y) = ellers Vi har tidligere vist at vi for x 1 og y 1 har: f X (x) = 12x(1 x) 2 f Y (y) = 12y(1 y) 2 Videre viste vi at: E[X] = E[Y ] = 2 5, og Cov(X, Y ) = 2 75.
24 Eksempler på korrelasjonssberegning For å bestemme V (X) og V (Y ), beregner vi: E[X 2 ] = 1 x 2 12x(1 x) 2 dx = 1 12x 3 (1 x) 2 dx = 12 Γ(4)Γ(3) 1 Γ(4 + 3) Γ(4 + 3) Γ(4)Γ(3) x 4 1 (1 x) 3 1 dx 3! 2! = 12 = 144 6! 72 = 1 5 Tilsvarende får vi også at: E[Y 2 ] = 1 5.
25 Eksempler på korrelasjonssberegning Dermed får vi at: V (X) = E[X 2 ] (E[X]) 2 = 1 5 (2 5 )2 = = 1 25 Tilsvarende blir også: V (Y ) = E[Y 2 ] (E[X]) 2 = 1 5 (2 5 )2 = = 1 25 Dette betyr at: SD(X) = SD(Y ) = 1 25 = 1 5
26 Eksempler på korrelasjonssberegning Kombinerer vi alt dette, får vi: Corr(X, Y ) = Cov(X, Y ) SD(X) SD(Y ) = 2 75 ( 1 5 ) = ( 3 75 ) = 2 3 Dette betyr at X og Y er relativt sterkt negativt avhengige selvom kovariansen mellom dem bare var 2 75.
27 Betingede fordelinger Diskret tilfelle La X og Y være diskrete stokastiske variable med simultan punktsannsynlighet p(x, y) og marginale punktsannsynligheter p X (x) og p Y (y). For alle x som er slik at p X (x) > definerer vi den betingede punktsannsynligheten for Y gitt X = x som: p Y X (y x) = p(x, y) p X (x). For alle y som er slik at p Y (y) > definerer vi den betingede punktsannsynligheten for X gitt Y = y som: p X Y (x y) = p(x, y) p Y (y).
28 Betingede fordelinger Diskret tilfelle BEMERK: Dersom vi kjenner p X (x) og p Y X (y x), så kan vi finne den simultane punktsannsynligheten for X og Y som: p(x, y) = p X (x) p Y X (y x). Dersom vi kjenner p Y (y) og p X Y (x y), så kan vi finne den simultane punktsannsynligheten for X og Y som: p(x, y) = p Y (y) p X Y (x y). Det er ofte man spesifiserer simultan punktsannsynlighet på denne måten.
29 Betingede fordelinger Kontinuerlig tilfelle La X og Y være kontinuerlige stokastiske variable med simultantetthet f (x, y) og marginale sannsynlighetstettheter f X (x) og f Y (y). For alle x som er slik at f X (x) > definerer vi den betingede sannsynlighetstettheten for Y gitt X = x som: f Y X (y x) = f (x, y) f X (x). For alle y som er slik at p Y (y) > definerer vi den betingede sannsynlighetstettheten for X gitt Y = y som: f X Y (x y) = f (x, y) f Y (y).
30 Betingede fordelinger Kontinuerlig tilfelle BEMERK: Dersom vi kjenner f X (x) og f Y X (y x), så kan vi finne den simultane sannsynlighetstettheten for X og Y som: f (x, y) = f X (x) f Y X (y x). Dersom vi kjenner f Y (y) og f X Y (x y), så kan vi finne den simultane sannsynlighetstettheten for X og Y som: f (x, y) = f Y (y) f X Y (x y). Det er ofte man spesifiserer simultantetthet på denne måten.
31 Betingede fordelinger Eksempler EKSEMPEL: Anta at X og Y har simultan punktsannsynlighet p(x, y) gitt ved følgende tabell: Dette gir f.eks. y p(x, y) 1 2 p X (x) x p Y (y) p Y X (1 ) = p X Y (1 ) = p(, 1) p X () =.1.5 =.2 < p Y (1) p(1, ) p Y () =.5.25 =.2 < p X (1)
32 Betingede fordelinger Eksempler EKSEMPEL: Anta at X og Y har simultantetthet f (x, y) gitt ved: { 24xy x 1, y 1, x + y 1 f (x, y) = ellers Vi har tidligere vist at vi for x 1 og y 1 har: f X (x) = 12x(1 x) 2 f Y (y) = 12y(1 y) 2 Dvs. at X og Y begge er Beta-fordelte med α = 2 og β = 3.
33 Betingede fordelinger Eksempler Dermed finner vi at den betingede sannsynlighetstettheten for Y gitt at X = x blir: f Y X (y x) = for y 1 x. f (x, y) f X (x) = 24xy 12x(1 x) 2 = 2y (1 x) 2, Vi sjekker at dette er en lovlig sannsynlighetstetthet: 1 x f Y X (y x)dy = = 1 x 1 (1 x) 2 2y (1 x) 2 dy 1 x 2ydy = (1 x)2 (1 x) 2 = 1. Tilsvarende finner vi at: for x 1 y. f X Y (x y) = 2x (1 y) 2
34 Betinget forventning Dersom X og Y er diskrete stokastiske variable, og den betingede punktsannsynligheten for Y gitt X = x er p Y X (y x), defineres den betingede forventningen til Y gitt X = x som: E[Y X = x] = µ Y X=x = y p Y X (y x). Alle y Dersom X og Y er kontinuerlige stokastiske variable, og den betingede sannsynlighetstettheten for Y gitt X = x er f Y X (y x), defineres den betingede forventningen til Y gitt X = x som: E[Y X = x] = µ Y X=x = y f Y X (y x)dy. Alle y
35 Betinget varians Den betingede variansen for Y gitt X = x defineres som: V (Y X = x) = σ 2 Y X=x = E[(Y E[Y X = x]) 2 X = x] = E[(Y µ Y X=x ) 2 X = x] Alternativt kan den betingede variansen beregnes av formelen: V (Y X = x) = σ 2 Y X=x = E[Y 2 X = x] (E[Y X = x]) 2 = E[Y 2 X = x] µ 2 Y X=x
36 Betinget forventning Eksempler EKSEMPEL: Anta at X og Y har simultantetthet f (x, y) gitt ved: { 24xy x 1, y 1, x + y 1 f (x, y) = ellers Vi har da funnet at: f Y X (y x) = 2y, y (1 x). (1 x) 2 og at: f X Y (x y) = 2x, x (1 y). (1 y) 2
37 Betinget forventning Eksempler Vi kan nå finne E[Y X = x]: E[Y X = x] = 1 x 2y y (1 x) 2 dy = 1 (1 x) 2 1 x 2y 2 dy = 1 (1 x) 2 [2 3 y 3 y=1 x ] y= = Tilsvarende finner vi også: 1 2 (1 x) 2 3 (1 x)3 = 2 (1 x). 3 E[X Y = y] = 2 (1 y). 3
38 Betinget forventning Eksempler Vi kan også finne E[Y 2 X = x]: E[Y 2 X = x] = 1 x y 2 2y (1 x) 2 dy = 1 (1 x) 2 1 x 2y 3 dy = 1 (1 x) 2 [2 4 y 4 y=1 x ] y= = Tilsvarende finner vi også: 1 (1 x) (1 x)4 = 1 2 (1 x)2. E[X 2 Y = y] = 1 2 (1 y)2.
39 Betinget varians Eksempler Til slutt kan vi kombinere disse resultatene og finne: V (Y X = x) = E[Y 2 X = x] (E[Y X = x]) 2 Tilsvarende finner vi også: = 1 2 (1 x)2 22 (1 x)2 32 = ( )(1 x)2 = (1 x)2. 18 V (X Y = y) = (1 y)2. 18
40 Uavhengighet og betingede fordelinger La X og Y være to diskrete uavhengige stokastiske variable med simultan punktsannsynlighet p(x, y). Siden variablene er uavhengige, har vi at: Dermed får vi: p(x, y) = p X (x) p Y (y) p Y X=x (y) = p(x, y) p X (x) = p X (x) p Y (y) = p Y (y). p X (x) Tilsvarende får vi: p X Y =y (x) = p(x, y) p Y (y) = p X (x) p Y (y) = p X (x). p Y (y)
41 Uavhengighet og betingede fordelinger La X og Y være to kontinuerlige uavhengige stokastiske variable med simultan sannsynlighetstetthet f (x, y). Siden variablene er uavhengige, har vi at: Dermed får vi: f (x, y) = f X (x) f Y (y) f Y X=x (y) = f (x, y) f X (x) = f X (x) f Y (y) = f Y (y). f X (x) Tilsvarende får vi: f X Y =y (x) = f (x, y) f Y (y) = f X (x) f Y (y) = f X (x). f Y (y)
Forelesning 7. mars, 2017
Forelesning 7. mars, 2017 AVSNITT 5.1 Eksempel: Miljøkonturer AVSNITT 5.2 Forventningen til en funksjon av flere variable Kovariansen mellom to variable Eksempel: Miljøkonturer Miljøvariable som karakteriserer
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 16. november 2009) 1. Sannsynlighet La A, B, A 1, A 2,...,B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
Detaljer3.4: Simultanfordelinger (siste rest) 4.1,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen)
TMA4240 Statistikk H200 3.4: Simultanfordelinger (siste rest) 4.,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen) Mette Langaas Foreleses mandag 3. september 200 2 f (x,
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 11. november 2017) 1. Sannsynlighet La A, B, A 1, A 2,..., B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerTo-dimensjonale kontinuerlige fordelinger
To-dimensjonale kontinuerlige fordelinger Noen resultater for diskrete fordelinger Vi har tidligere definert punktsannsynligheten p(x, y) for en todimensjonal variabel (X, Y ) som p(x, y) = P ({X = x}
DetaljerTyngdepunkt. Togforsinkelsen (Eksamen Des2003.1a) I denne oppgaven kan du bruke uten å vise det at. Kapittel 4
3 Tyngdepunkt Kapittel 4 Forventningsverdi, varians, kovarians for én stokastisk variabel og funksjoner av stokastiske variabler TMA4240 H2006: Eirik Mo 2 4.1 Forventing til en stokastisk variabel DEF
DetaljerSTK1100 våren Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner
STK1100 våren 2017 Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner Svarer til avsnittene 4.1 og 4.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i
DetaljerForeleses onsdag 8. september 2010
TMA4240 Statistikk H200 4.2: Varians (univariat del) 4.4: Chebyshevs teorem 3.4: Simultanfordelinger Mette Langaas Foreleses onsdag 8. september 200 Mette.Langaas@math.ntnu.no, TMA4240H200 2 4.2 Varians
DetaljerForventning og varians.
Forventning og varians. Dekkes av kapittel 4 i læreboka. Forventning (4.1) Forventningsverdi = gjennomsnitt i det lange løp. Defininsjon: Forventningsverdien til en stokastisk variabel X er: x xf(x),x
DetaljerTogforsinkelsen (Eksamen Des2003.1a) I denne oppgaven kan du bruke uten å vise det at
Kapittel 4 Forventningsverdi, varians, kovarians for én stokastisk variabel og funksjoner av stokastiske variabler TMA4245 V2007: Eirik Mo 2 4.1 Forventing til en stokastisk variabel DEF 4.1: La X være
DetaljerStatistikk 1 kapittel 4
Statistikk 1 kapittel 4 Nico Keilman ECON 2130 Vår 2017 Kapittel 4 Stokastiske (tilfeldige) variabler Anta 1) Vi kjenner sannsynligheter for ulike utfall knyttet til et forsøk 2) Hvert utfall har en (meningsfull)
DetaljerKapittel 4: Matematisk forventning
Kapittel 4: Matematisk forventning TMA4240 Statistikk (F2 og E7) Multivariate tilfeller foreleses mandag 6.september, 2004 Ole.Petter.Lodoen@math.ntnu.no p.1/16 Forventing til funksjon av flere stokastiske
DetaljerForventning og varians.
Forventning og varians. Dekkes av kapittel 4 i læreboka. Forventning (4.) Forventningsverdi gjennomsnitt i det lange løp. Defininsjon: Forventningsverdien til en stokastisk variabel X er: E(X) f(),x diskret
DetaljerTMA4240 Statistikk Høst 2008
TMA4240 Statistikk Høst 2008 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7 Oppgave 1 Tippekonkurranse Denne oppgaven er ment som en kjapp test på hva du har
DetaljerA) B) 400 C) 120 D) 60 E) 10. Rett svar: C. Fasit: ( 5 6 = 60. Hvis A, B, C er en partisjon av utfallsrommet S, så er P (A B) lik.
Oppgave 1 Det skal velges en komité bestående av 2 menn og 1 kvinne. Komitéen skal velges fra totalt 5 menn og 6 kvinner. Hvor mange ulike komitéer kan dannes? A) 86400 B) 400 C) 120 D) 60 E) 10 Rett svar:
DetaljerStokastisk variabel. Eksempel augefarge
Dagens tekst Kap 3: Stokastiske variable og sannsynsfordelingar Stokastisk variabel: Diskret sannsynsfordeling: Kontinuerleg sannsynsfordeling: Kummulativ sannsynsfordeling: Diskret simultanfordeling Kontinuerleg
DetaljerHØGSKOLEN I STAVANGER
HØGSKOLEN I STAVANGER Avdeling for TEKNISK NATURVITEN- EKSAMEN I: TE199 SANNSYNLIGHETSREGNING MED STATISTIKK SKAPELIGE FAG VARIGHET: 4 TIMER DATO: 5. JUNI 2003 TILLATTE HJELPEMIDLER: KALKULATOR OPPGAVESETTET
DetaljerKapittel 2: Hendelser
Kapittel 2: Hendelser FENOMEN Eksperiment Utfall Utfallsrom Eksperiment. Utfall. Eksperiment Utfall Hendelse Sannsynlighet: egenskaper, gunstige vs. mulige, relativ frekvens Sannsynlighet for mer enn en
Detaljer6 x P (X = x) = x=1 = P (X 2 = 6)P (X 2 = 6)P (X 3 = 6) =
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 4, blokk I Løsningsskisse Oppgave 1 a) Utfallsrommet til X 1 er {1, 2,, 4, 5, }. Sannsynlighetsfordelingen
DetaljerSiden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden.
Estimeringsmetoder Momentmetoden La X, X 2,..., X n være uavhengige variable som er rektangulært fordelte på intervallet [0, θ]. Vi vet da at forventningsverdiene til hver observasjon og forventningen
DetaljerSTK juni 2018
Løsningsforslag til eksamen i STK. juni 8 Oppgave Tvillingpar kan være enten eneggede eller toeggede. Sannsynligheten for at det ved en tvillingfødsel blir født eneggede tvillinger er i Nord-Europa omtrent
Detaljerstatistikk, våren 2011
ÅMA110 Sannsynlighetsregning med statistikk, våren 011 Kp. 3 Diskrete tilfeldige variable 1 Diskrete tilfeldige variable, innledning Hva er en tilfeldig variabel (stokastisk variabel)? Diskret tilfeldig
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Deleksamen i: STK Sannsynlighetsregning og statistisk modellering Eksamensdag: Mandag 4. mars 26 Tid for eksamen: 5. 7. Oppgavesettet er
DetaljerOppfriskning av blokk 1 i TMA4240
Oppfriskning av blokk 1 i TMA4240 Geir-Arne Fuglstad November 21, 2016 2 Hva har vi gjort i dette kurset? Vi har studert to sterkt relaterte grener av matematikk Sannsynlighetsteori: matematisk teori for
DetaljerTMA4240 Statistikk H2015
TMA4240 Statistikk H2015 Kapittel 4: Matematisk forventning [4.1+start 4.3] Quiz kjørt med Kahoot! fra kahoot.it. Mette Langaas wiki.math.ntnu.no/emner/tma4240/2015h/start/ 2 Høyde, kvinner Frequency
DetaljerLøsningsforslag ECON 2130 Obligatorisk semesteroppgave 2017 vår
Løsningsforslag ECON 130 Obligatorisk semesteroppgave 017 vår Andreas Myhre Oppgave 1 1. (i) Siden X og Z er uavhengige, vil den simultane fordelingen mellom X og Z kunne skrives som: f(x, z) = P(X = x
DetaljerLøsningsforslag til obligatorisk oppgave i ECON 2130
Andreas Mhre April 15 Løsningsforslag til obligatorisk oppgave i ECON 13 Oppgave 1: E(XY) = E(X(Z X)) Setter inn Y = Z - X E(XY) = E(XZ X ) E(XY) = E(XZ) E(X ) E(XY) = - E(X ) X og Z er uavhengige, så
DetaljerØVINGER 2017 Løsninger til oppgaver. Lineærkombinasjonen Z = 5X + 8Y har forventningsverdi
ØVINGER 27 Løsninger til oppgaver Øving 6 4. (7). Fra oppgave 4.5 (øving 4) har vi forventningsverdien variansen til X, E[X] =.92, V ar[x] =.3. Lineærkombinasjonen Z = 5X + 8Y har forventningsverdi E[Z]
DetaljerStatistikk 1 kapittel 4
Statistikk 1 kapittel 4 Nico Keilman ECON 2130 Vår 2015 Kapittel 4 Stokastiske (tilfeldige) variabler Anta 1) Vi kjenner sannsynligheter for ulike utfall knyttet til et forsøk 2) Hvert utfall har en (meningsfull)
DetaljerFunksjoner av stokastiske variable.
Funksjoner av stokastiske variable. Dekkes av pensumsidene i kap. 7 I ulike sammenhenger, blant annet for å finne fordelingen til estimatorer, er vi interesserte i fordelingen til funksjoner av stokastiske
DetaljerFunksjoner av stokastiske variable.
Funksjoner av stokastiske variable. Dekkes av pensumsidene i kap. 7 I ulike sammenhenger, blant annet for å finne fordelingen til estimatorer, er vi interesserte i fordelingen til funksjoner av stokastiske
DetaljerForelesning 27. mars, 2017
Forelesning 27. mars, 2017 AVSNITT 5.5 Ordningsobservatorene AVSNITT 6.1 Observatorer og deres fordelinger Ordningsobservatorene La X 1,..., X n være n uavhengige stokastiske variable som alle har samme
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010. ÅMA110 Sannsynlighetsregning med statistikk, våren 2010
ÅMA Sannsynlighetsregning med statistikk, våren Kp. Diskrete tilfeldige variable ÅMA Sannsynlighetsregning med statistikk, våren Kp. Diskrete tilfeldige variable Diskrete tilfeldige variable, innledning
DetaljerLøsningsforslag, eksamen statistikk, juni 2015
Løsningsforslag, eksamen statistikk, juni 0 Oppgave 1 Siden det spørres om tall fra et intervall, som oppgaven viser kan være et reelle, er det tydelig at tallene er tatt fra en kontinuerlig fordeling.
DetaljerFormelsamling V-2014 MAT110. Statistikk 1. Per Kristian Rekdal
Formelsamling V-2014 MAT110 Statistikk 1 Per Kristian Rekdal 2 Forord Dette er formelsamlingen i emnet MAT110 Statistikk 1 ved høgskolen i Molde. Formlene i denne formelsamlingen er stort sett de formlene
DetaljerKapittel 3: Stokastiske variable og sannsynlighetsfordelinger
f(x,y) NTNU Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger TMA4240 Statistikk (F2 og E7) 3.4: Foreleses mandag 30.august y=hoyde x=vekt Ole.Petter.Lodoen@math.ntnu.no p.1/18 Oppsummering
DetaljerTMA4240 Statistikk Høst 2009
TMA44 Statistikk Høst 9 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b Løsningsskisse Oppgave X er en stokastisk variabel med sannsynlighetstetthet { f(x),
DetaljerHøgskolen i Telemark. Institutt for økonomi og informatikk FORMELSAMLING Statistikk I. Til bruk ved eksamen. Per Chr. Hagen
Høgskolen i Telemark Institutt for økonomi og informatikk FORMELSAMLING 6005 Statistikk I Til bruk ved eksamen Per Chr. Hagen . Sannsynlighetsregning. Regneregler Komplementsetningen: Addisjonssetningen:
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerEksempel: kast med to terninger
Kapittel 3 TMA4245 V2007: Eirik Mo 2 Eksempel: kast med to terninger I et eksperiment kaster vi to terninger og registerer antall øyne på hver terning. Utfallsrom S={(,),(,2),(,3),...,(,), (2,),...,(2,),...,(,)}
DetaljerTMA4240 Statistikk. Øving nummer 7. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
TMA4240 Statistikk Vår 2008 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7 Oppgave Blandet drops a) Tippekupong På en tippekupong er det gitt 2 fotballkamper.
DetaljerGammafordelingen og χ 2 -fordelingen
Gammafordelingen og χ 2 -fordelingen Gammafunksjonen Gammafunksjonen er en funksjon som brukes ofte i sannsynlighetsregning. I mange fordelinger dukker den opp i konstantleddet. Hvis man plotter n-fakultet
DetaljerTMA4245 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 4 Løsningsskisse Oppgave 1 Mureren La X være mengden mørtel mureren bruker i løpet av en tilfeldig valgt arbeidsdag.
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 3.3: Kontinuerlige sannsynlighetsfordelinger 4.1: Matematisk forventing (univariat del) Mette Langaas Foreleses mandag 6. september 2010 2 3.1 Stokastisk variabel (repetisjon)
Detaljer3.1 Stokastisk variabel (repetisjon)
TMA4240 Statistikk H2010 3.3: Kontinuerlige sannsynlighetsfordelinger 4.1: Matematisk forventing (univariat del) Mette Langaas Foreleses mandag 6. september 2010 2 3.1 Stokastisk variabel (repetisjon)
DetaljerMatematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1
Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s AR2-modell: Oppgave X t φ X t φ 2 X t 2 Z t Antas å være kausal slik at X t ψ j Z t j er ukorrelert med Z t+,
DetaljerLa U og V være uavhengige standard normalfordelte variable og definer
Binormalfordelingen Definisjon Noe av hensikten med å innføre begrepet betinget sannsynlighet er at kompliserte modeller ofte kan bygges ut fra enkle betingede modeller. Når man spesifiserer betingelser
DetaljerBernoulli forsøksrekke og binomisk fordeling
Bernoulli forsøksrekke og binomisk fordeling Bernoulli forsøksrekke i) gjentar et forsøk n ganger ii) hvert forsøk gir enten suksess eller fiasko iii) sannsynligheten for suksess er p i alle forsøkene
DetaljerHØGSKOLEN I STAVANGER
HØGSKOLEN I STAVANGER Avdeling for TEKNISK NATURVITEN- EKSAMEN I: TE199 SANNSYNLIGHETSREGNING MED STATISTIKK SKAPELIGE FAG VARIGHET: 4 TIMER DATO: 30. AUGUST 2003 TILLATTE HJELPEMIDLER: KALKULATOR OPPGAVESETTET
Detaljer6.5 Normalapproksimasjon til. binomisk fordeling
....3.4.5..5..5..5...4.6.8....4.6.8....3.4..5..5 Kaittel 6: Kontinuerlige sannsynsfordelingar TMA445 Statistikk Ka 6.5-6.8. 6.5: Normal aroksimasjon til binomisk fordeling, 6.6-6.8: Eksonensialfordeling,
DetaljerForelening 1, kapittel 4 Stokastiske variable
Forelening 1, kapittel 4 Stokastiske variable Eksempel X = "antall kron på kast med to mynter (før de er kastet)" Uniformt utfallsrom {MM, MK, KM, KK}. X = x beskriver hendelsen "antall kron på kast med
DetaljerFormelsamling V MAT110 Statistikk 1. Per Kristian Rekdal
Formelsamling V-2016 MAT110 Statistikk 1 Per Kristian Rekdal Figur 1: Statistikk. 3 Innhold 1 Beskrivende statistikk 9 1.1 Populasjon og utvalg.................................. 9 1.2 Statistiske mål
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 24. april Bjørn H. Auestad Oppsummering våren
DetaljerSTK1100 våren Normalfordelingen. Normalfordelingen er den viktigste av alle sannsynlighetsfordelinger
STK00 våren 206 Normalfordelingen Svarer til avsnitt 4.3 i læreboka Geir Storvik Matematisk institutt Universitetet i Oslo Normalfordelingen er den viktigste av alle sannsynlighetsfordelinger Normalfordelingen
DetaljerSTK1100 våren Forventningsverdi. Forventning, varians og standardavvik
STK00 våren 0 Forventning, varians og standardavvik Svarer til avsnitt 3.3 i læreboka Geir Storvik (Ørnulf Borgan) Matematisk institutt Universitetet i Oslo Forventningsverdi Punktsannsynligheten px (
Detaljer1.1.1 Rekke med konstante ledd. En rekke med konstante ledd er gitt som. a n (1) n=m
Formelsamling og tabeller FO020E Matte 2000 for elektroprogrammet 1 Matematikk 1.1 Denisjoner av ulike typer polynomer og rekker 1.1.1 Rekke med konstante ledd En rekke med konstante ledd er gitt som a
DetaljerLøsningsforslag til eksamen i TMA4245 Statistikk 7. juni 2007
Løsningsforslag til eksamen i TMA4245 Statistikk 7. juni 2007 Oppgave 1: Pengespill a) For hver deltaker har vi følgende situasjon: Deltakeren får en serie oppgaver. Hver runde har to mulige utfall: Deltakeren
DetaljerRegneregler for forventning og varians
Regneregler for forventning og varians Det fins regneregler som er til hjelp når du skal finne forventningsverdier og varianser. Vi skal her se nærmere på disse reglene. Vi viser deg også hvordan reglene
DetaljerKontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x) er sannsynlighetstettheten til en kontinuerlig X dersom: 1. f(x) 0 for alle x R 2. f(x)dx =1 3. P (a
DetaljerNotasjon. Løsninger. Problem. Kapittel 7
3 Notasjon Kapittel 7 Funksjoner av stokastiske variabler Har n stokastiske variabler, X 1, X 2,..., X n, med kjent fordeling f( 1, 2,..., n ) og kumulativ fordeling F( 1, 2,..., n ). Ser på Y = u(x 1,
DetaljerLøsningsforslag. MOT 110 Matematisk statistikk og stokastiske prosesser B, høst Oppgave 1
MOT 110 Matematisk statistikk og stokastiske prosesser B, høst 2004. Løsningsforslag Oppgave 1 a) Autokovariansen for en tidsrekke X t } er: γ(t + h, t) Cov(X t+h, X t ). Tidsrekken X t } er stasjonær
DetaljerForelesning 5: Kontinuerlige fordelinger, normalfordelingen. Jo Thori Lind
Forelesning 5: Kontinuerlige fordelinger, normalfordelingen Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Kontinuerlige fordelinger 2. Uniform fordeling 3. Normal-fordelingen 1. Kontinuerlige fordelinger
DetaljerTema 2: Stokastiske variabler og sannsynlighetsfordelinger Kapittel 3 ST :44 (Gunnar Taraldsen)
Tem 2: Stokstiske vribler og snnsynlighetsfordelinger Kpittel 3 ST1101 2019-01-13 12:44 (Gunnr Trldsen) Det nts i nottet t S er et utfllsrom utstyrt med en snnsynlighet P (A) for enhver hendelse A F. F
DetaljerKapittel 4.4: Forventning og varians til stokastiske variable
Kapittel 4.4: Forventning og varians til stokastiske variable Forventning og varians til stokastiske variable Histogrammer for observerte data: Sannsynlighets-histogrammer og tetthetskurver for stokastiske
DetaljerRegneøvelse 22/5, 2017
Regneøvelse 22/5, 217 Arne Bang Huseby Eksamen STK11 212: oppgave 1 og 2 Eksamen STK11 28: oppgave 1) og 2 Eksamen 212, oppgave 1 Ved en bestemt butikk i en større dagligvarekjede viser langvarige data
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: Kalkulator. Hornæs: Formelsamling statistikk HiG. John Haugan: Formler og tabeller.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. REA1081 EKSAMENSDATO: 11. juni 2007. KLASSE: Ingeniørklasser. TID: kl. 9.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 4 (innkl.
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 8.1: Tilfeldig utvalg 9.1-9.3: Estimering Mette Langaas Foreleses uke 40, 2010 2 Utfordring Ved en bedrift produseres en elektrisk komponent. Komponenten må
DetaljerUtfordring. TMA4240 Statistikk H2010. Mette Langaas. Foreleses uke 40, 2010
TMA4240 Statistikk H2010 Statistisk inferens: 8.1: Tilfeldig utvalg 9.1-9.3: Estimering Mette Langaas Foreleses uke 40, 2010 2 Utfordring Ved en bedrift produseres en elektrisk komponent. Komponenten må
DetaljerObservatorer. STK Observatorer - Kap 6. Utgangspunkt. Eksempel høyde Oxford studenter
Observatorer STK00 - Observatorer - Kap 6 Geir Storvik 4. april 206 Så langt: Sannsynlighetsteori Stokastiske modeller Nå: Data Knytte data til stokastiske modeller Utgangspunkt Eksempel høyde Oxford studenter
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerOppgavesett nr. 5. MAT110 Statistikk 1, Et transportfirma har et varemottak for lastebiler med spesialgods, se figur 1.
Innleveringsfrist: mandag 19. mars kl. 16:00 (version 01) Oppgavesett nr. 5 MAT110 Statistikk 1, 2018 Oppgave 1: ( logistikk ) Et transportfirma har et varemottak for lastebiler med spesialgods, se figur
DetaljerMidtveiseksamen i STK1100 våren 2017
Midtveiseksamen i STK1100 våren 2017 Denne midtveiseksamenen består av 20 oppgaver. Det er ett riktig svaralternativ for hvert spørsmål. Hvis svaret er oppgitt som et desimaltall, er det rundet av til
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn
DetaljerTMA4240 Statistikk H2015
TMA4240 Statistikk H2015 Funksjoner av stokastiske variabler (kapittel 7+notat) Fokus på start med kumulativ fordeling 7.2 Funksjon av en SV (inkludert en-entydighet). Fordeling til max/min (fra notat).
DetaljerStatistikk 1 kapittel 5
Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2016 Kapittel 5 Sannsynlighetsmodeller I kap. 4 så vi et eksempel med en s.v. X som hadde en uniform sannsynlighetsfordeling: alle verdier av x har like
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Kapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.4-5.7: Normalfordelingen, normalapproksimasjon, eksponensial og gamma. Mette Langaas Foreleses mandag 27. september 2010 2
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerTMA4245 Statistikk Eksamen august 2014
TMA4245 Statistikk Eksamen august 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Oppgave 1 En bedrift produserer en type medisin i pulverform Medisinen selges på flasker
DetaljerECON Statistikk 1 Forelesning 4: Stokastiske variable, fordelinger. Jo Thori Lind
ECON2130 - Statistikk 1 Forelesning 4: Stokastiske variable, fordelinger Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Betinget sannsynlighet 2. Stokastiske variable 3. Forventning og varians 4. Regneregler
DetaljerForelesing 27 Oppsummering. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Forelesing 27 Oppsummering Torstein Fjeldstad Institutt for matematiske fag, NTNU 18.04.2018 I dag Lineær regresjon (sjekk av modellantagelser) Praktisk informasjon Andre statistikk-kurs Oversikt over
DetaljerBinomisk sannsynlighetsfunksjon
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Binomisk sannsynlighetsfunksjon La det være n forsøk, sannsynlighet p for suksess og sannsynlighet q for fiasko. Den tilfeldige
DetaljerEcon 2130 Forelesning uke 10 (HG) Geometrisk og normal fordeling
Econ 2130 Forelesning uke 10 (HG) Geometrisk og normal fordeling 1 Geometrisk fordeling Binomisk forsøks-serie En serie likeartete forsøk med to mulige utfall, S og F, i hvert. (Modell) forutsetninger
Detaljer6.1 Kontinuerlig uniform fordeling
Kapittel 6 Noen kontinuerlige sannsynlighetsfordelinger TMA4240 H2006: Eirik Mo 2 6.1 Kontinuerlig uniform fordeling Kontinuerlig uniform fordeling: Sannsynlighetstettheten til den kontinuerlige uniforme
DetaljerFormelsamling i medisinsk statistikk
Formelsamling i medisinsk statistikk Versjon av 6. mai 208 Dette er en formelsamling til O. O. Aalen (red.): Statistiske metoder i medisin og helsefag, Gyldendal, 208. Gjennomsnitt x = n (x + x 2 + x 3
DetaljerStatistikk 1 kapittel 5
Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2017 Kapittel 5 Sannsynlighetsmodeller I kap. 4 så vi et eksempel med en s.v. X som hadde en uniform sannsynlighetsfordeling: alle verdier av x har like
DetaljerStatistikk 1 kapittel 5
Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2015 Kapittel 5 Sannsynlighetsmodeller I kap. 4 så vi et eksempel om en s.v. X som hadde en uniform sannsynlighetsfordeling: alle verdier av x har like
DetaljerSum to terninger forts. Eksempel: kast med to terninger. Sum to terninger forts. Kapittel 3. TMA4240 H2006: Eirik Mo
3 Sum to terninger forts. Kapittel 3 TMA4240 H200: Eirik Mo 2 3 4 5,,2,3,4,5, 2 2, 2,2 2,3 2,4 2,5 2, Andre 3 3, 3,2 3,3 3,4 3,5 3, terning 4 4, 4,2 4,3 4,4 4,5 4, 5 5, 5,2 5,3 5,4 5,5 5,,,2,3,4,5, Med
DetaljerLøsningsforslag Eksamen i Statistikk SIF5060 Aug 2002
Løsningsforslag Eksamen i Statistikk SIF5060 Aug 2002 Oppgave 1 a) En god estimator er forventningsrett og har liten varians. Vi tester forventningsretthet: E[ˆµ] E[Y ] µ E[ µ] E[ 1 2 X + 1 2 Y ] 1 2 E[X]
DetaljerLøsningsforslag til andre sett med obligatoriske oppgaver i STK1110 høsten 2010
Løsningsforslag til andre sett med obligatoriske oppgaver i STK1110 høsten 2010 Oppgave 1 a Forventet antall dødsulykker i år i er E(X i λ i. Dermed er θ i λ i E(X i forventet antall dødsulykker per 100
DetaljerÅMA 110 (TE 199) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 2005, s. 1. Oppgave 1
ÅMA 0 (TE 99) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 005, s. Oppgave a) P (X 0) 0.04 + 0.04 + 0.06 + 0.06 + 0. + 0. + 0. 0.6 P (0 X 40) 0.0 + 0.0 + 0.04 + 0.04 + 0.06 0.0 P
DetaljerÅMA110 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 2010, s. 1. Oppgave 1. Histogram over frekvenser.
ÅMA1 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 0, s. 1 (Det tas forbehold om feil i løsningsforslaget.) a) Gjennomsnitt: x = 1 Emp. standardavvik: Median: 1 (1.33 + 1.) = 1.35
DetaljerKapittel 5: Tilfeldige variable, forventning og varians.
Kapittel 5: Tilfeldige variable, forventning og varians. Tilfeldige variable Tilfeldige variable kalles også stokastiske variable. En tilfeldig variabel er en variabel som får sin numeriske verdi bestemt
DetaljerLøsning på Dårlige egg med bruk av Tabell 2 i Appendix B
Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn P(x), x=0,1,2,3,4 fra den generelle formelen for binomisk sannsynlighetsfordeling
DetaljerTMA4240 Statistikk 2014
TMA4240 Statistikk 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 12, blokk II Oppgave 1 På ein av vegane inn til Trondheim er UP interessert i å måle effekten
DetaljerDEL 1 GRUNNLEGGENDE STATISTIKK
INNHOLD 1 INNLEDNING 15 1.1 Parallelle verdener........................... 18 1.2 Telle gunstige.............................. 20 1.3 Regneverktøy og webstøtte....................... 22 1.4 Oppgaver................................
DetaljerEKSAMEN I EMNE SIF5072 STOKASTISKE PROSESSER Lørdag 16. august 2003 Tid: 09:00 14:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38/73 94 27 25 EKSAMEN I EMNE SIF5072 STOKASTISKE PROSESSER
DetaljerTMA4245 Statistikk Vår 2007
TMA4245 Statistikk Vår 2007 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7 Oppgave Tippekonkurranse Denne oppgaven er ment som en kjapp test på hva du har lært.
DetaljerSTK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform Onsdag Normal Onsdag Eksponensial I dag Gamma I dag Kji-kvadrat I dag Student-T (Kap
Detaljer