Tema 2: Stokastiske variabler og sannsynlighetsfordelinger Kapittel 3 ST :44 (Gunnar Taraldsen)
|
|
- August Kristensen
- 4 år siden
- Visninger:
Transkript
1 Tem 2: Stokstiske vribler og snnsynlighetsfordelinger Kpittel 3 ST :44 (Gunnr Trldsen) Det nts i nottet t S er et utfllsrom utstyrt med en snnsynlighet P (A) for enhver hendelse A F. F er en σ-lgebr v delmengder. Det nts med ndre ord t (S, F, P ) er et underliggende snnsynlighetsrom som lle ndre definisjoner bseres på. I forelesningene benyttes noen gnger symbolene (Ω, E, P ) for det underliggende snnsynlighetsrommet. Dette er et vnlig vlg i mnge lærebøker. Stokstiske vribler Definisjon: En stokstisk vribel X er en funksjon X : S R slik t (X x) = {s X(s) x} lltid er en hendelse. Den kumultive fordelingsfunksjonen F X til X er definert ved F X (x) = P (X x). Diskret stokstisk vribel X : S R Verdimengden X = X(S) er tellbr Kontinuerlig stokstisk vribel Y : S R Snnsynlighetstettheten f Y = F Y Simulering v stokstiske vribler i R in=10000 # Number of trils X = runif(in) # experiment! Use rnorm(in, 0, 1) in Ex1 :-) summry(x) # Show results eksisterer. Verdimengden Y = Y (S) er d ikke-tellbr uendelig ## Min. 1st Qu. Medin Men 3rd Qu. Mx. ## hist(x) 1
2 Histogrm of X Frequency X g = function(x) x^2 + exp(x) Y = g(x) summry(y) # Show results ## Min. 1st Qu. Medin Men 3rd Qu. Mx. ## hist(y) 2
3 Histogrm of Y Frequency Y Diskret stokstisk vribel X : S R, X (verdimengen) endelig eller tellbr uendelig Definisjon D.1: p X (x) er en punktsnnsynlighet og p X : X R er snnsynlighetsfordelingen til X dersom 1. p X (x) = P (X = x) = P ({e S : X(e) = x}) 2. p X (x) 0 for lle x X 3. x X p X(x) = 1 Definisjon D.2: Den kumultive fordelingsfunksjonen til X, med snnsynlighetsfordeling p X er F X (x) = P (X x) = k x p X (k), k X Kumultiv fordelingsfunksjon Regneregler 1. F X (x) = P (X x) = 1 P (X > x) 2. P (x 1 < X x 2 ) = x 2 k=x 1+1 p X(k) = F X (x 2 ) F X (x 1 ) Egenskper F X (x) 3
4 0 F X (x) 1 F X (x) er voksende F X (x) er en høyrekontinuerlig trppefunksjon Kontinuerlig stokstisk vribel Y : S R, verdimengde Y ikke-tellbr uendelig Definisjon K.1: Funksjonen f Y (y) er en snnsynlighetstetthet for Y dersom 1. P ( Y b) = P ({e S : Y (e) b}) = b f Y (y)dy 2. f Y (y) 0 for lle y R 3. f Y (y)dy = 1 Definisjon K.2: Den kumultive fordelingsfunksjonen til Y, med snnsynlighetstetthet f Y (y), er F Y (y) = P (Y y) = y f Y (t)dt Teorem f Y (y) = d dy F Y (y) Forventningsverdi Forventningsverdien til en stokstisk vribel er gjennomsnittet vi vil få dersom vi repeterer det stokstiske forsøket uendelig mnge gnger: Gjennomsnittet X til et tilfeldig utvlg fr fordelingen til X konvergerer med snnsynlighet 1 mot forventningsverdien E(X) når utvlgets størrelse går mot uendelig. Dette er store tlls lov og det gir spesielt tolkningen v snnsynligheten til en hendelse som en grense v reltiv hyppighet. Definisjon: L X være en diskret stokstisk vribel med punktsnnsynligheter gitt v p X (x) og nt t verdimengden X = X(S) er endelig. D er X en enkel stokstisk vribel og forventningsverdien til X er definert ved E(X) = µ = x X x p X (x) Forventningsverdien E(X) til en generell stokstisk vribel defineres som en grense E(X) = lim E(X n ) hvor X n er enkle stokstiske vrible som konvergerer mot X. Dette definerer smtidig integrlet E(X) = X(s) P (ds) Definisjon Forventningsverdi L X være en diskret stokstisk vribel med punktsnnsynligheter gitt v p X (x). Forventningsverdien til X er definert ved E(X) = µ = x X x p X (x) 4
5 L Y være en kontinuerlig stokstisk vribel med snnsynlighetstetthet f Y (y). Forventningsverdien til Y er gitt ved E(Y ) = µ = y f Y (y)dy Teorem For en tilfeldig vribel X binomisk(n, p), så er E(X) = np. Definisjon Medin L X være en diskret stokstisk vribel. Medinen er den verdien m som oppfyller P (X < m) = P (X > m). Dersom P (X m 1 ) = P (X m 2 ) = 0.5 så er m = m1+m2 2. L Y være en kontinuerlig stokstisk vribel. Medinen er løsningen på likningen m f Y (y)dy = 0.5. Se eksempel Funksjoner v stokstiske vrible Teorem: L Y = g(x). D gjelder E(Y ) = E(g(X)) = g(x(s)) P (ds) = g(x) P X (dx) hvor P X (A) = P (X A) = P {s X(s) A}. Teorem ) X diskret, verdimengde X, punktsnnsynlighet p X (x). D er E(g(X)) = x X g(x)p X (x) hvis x X g(x) p X(x) < Teorem b) Y kontinuerlig, snnsynlighetstetthet f Y (y). D er hvis g(y) f Y (y)dy <. Korrolr E(g(Y )) = g(y)f Y (y)dy W er en stokstisk vribel med forventningsverdi E(W ). For konstnter og b så er E(W + b) = E(W ) + b Vrins Definisjon ) X diskret, punktsnnsynlighet p X (x), forventningsverdi E(X) = µ. D er 5
6 Vr(X) = σ 2 = E((X µ) 2 ) = x X(x µ) 2 p X (x) Definisjon b) Y kontinuerlig, snnsynlighetstetthet f Y (y), forventningsverdi E(Y ) = µ. D er Vr(Y ) = σ 2 = E((Y µ) 2 ) = Teorem W stokstisk vribel, forventningsverdi E(W ) = µ, og E(W 2 ) <. (y µ) 2 f Y (y)dy Teorem Vr(W ) = σ 2 = E(W 2 ) µ 2 W stokstisk vribel, forventningsverdi E(W ) = µ, og E(W 2 ) <. For konstnter og b så er Vr(W + b) = 2 Vr(W ) Momenter og momentgenererende funksjoner Definisjon (1) Moment r for en stokstisk vribel W er µ r = E(W r ) Definisjon Den momentgenererende funksjonen M W (t) for W er M W (t) = E(e tw ) for lle t der E(e tw ) eksisterer. Teorem Dersom moment r eksisterer så er Teorem E(W r ) = dr dt r M W (t) t=0 = M (r) W (0) For to stokstiske vrible W 1 og W 2 der M W1 (t) = M W2 (t) så er f W1 (w) = f W2 (w). Med ndre ord hr W 1 og W 2 smme snnsynlighetsfordeling. Teorem (): L W være en stokstisk vribel med momentgenererende funksjon M W (t). L V = W + b. D er M V (t) = e bt M W (t). 6
7 Simultnfordeling Definisjon Diskret simultnfordeling X : S R, Y : S R er diskrete stokstiske vrible. Simultn punktsnnsynlighet er definert som Merk: p X,Y (x, y) 0 x y p X,Y (x, y) = 1 p X,Y (x, y) = P (X = x, Y = y) = P ({e S : X(e) = x og Y (e) = y}) Teorem Diskret mrginlfordeling L p X,Y (x, y) være simultn punktsnnsynlighet for diskrete vrible X og Y. D er p X (x) = y p X,Y (x, y), og p Y (y) = x p X,Y (x, y) Definisjon Kontinuerlig simultnfordeling X : S R, Y : S R er kontinuerlige stokstiske vrible. Simultn snnsynlighetstetthet f X,Y (x, y) for et rel A R 2 er definert ved P ({e S : (X(e), Y (e)) A}) = P ((X, Y ) A) = f X,Y (x, y)dxdy Merk: f X,Y (x, y) 0 f X,Y (x, y)dxdy = 1 Teorem Kontinuerlig mrginlfordeling L f X,Y (x, y) være simultn snnsynlighetstetthet for kontinuerlige vrible X og Y. D er f X (x) = f X,Y (x, y)dy, og f y (y) = Definisjon Kumultiv simultnfordeling A f X,Y (x, y)dx L U og V være to stokstiske vrible. D er den kumultive simultnfordelingen Teorem F U,V (u, v) = P (U u og V v) L X og Y være to kontinuerlige stokstiske vrible med kumultiv simultnfordeling F X,Y (x, y). D er f x,y = 2 x y F X,Y (x, y) Simultnfordelinger for mer enn to vrible Diskret: p X1,...,X n (x 1,..., x n ) = P (X 1 = x 1,..., X n = x n ) Kontinuerlig: For en region R R n : P (Y 1,..., Y n R) = f Y1,...,Y n (y 1,..., y n )dy 1 dy n R 7
8 Betinget snnsynlighet og uvhengige stokstiske vrible Definisjon () Betinget punktsnnsynlighet L X og Y være diskrete, med simultn punktsnnsynlighet p X,Y (x, y). Betinget punktsnnsynlighet for Y, gitt t X = x er p Y x (y) = P (Y = y X = x) = p X,Y (x, y) p X (x) for p X (x) > 0 Definisjon (b) Betinget snnsynlighetstetthet L X og Y være kontinuerlige, med simultn snnsynlighetstethet f X,Y (x, y). Betinget snnsynlighetstetthet for Y, gitt t X = x er f Y x (y) = f X,Y (x, y) f X (x) for f X (x) > 0. Dermed er P ( Y b X = x) = b f Y x (y)dy Definisjon Uvhengige stokstiske vrible L X og Y være diskrete, med simultn punktsnnsynlighet p X,Y (x, y). D er X og Y uvhengige dersom p X,Y (x, y) = p X (x)p Y (y) L X og Y være kontinuerlige, med simultn snnsynlighetstethet f X,Y (x, y) D er X og Y uvgengige dersom b d c f X,Y (x, y)dydx = b f X (x)dx d c f Y (y)dy Teorem L X og Y være kontinuerlige, med simultn snnsynlighetstethet f X,Y (x, y) D er X og Y uvgengige hvis og bre hvis f X,Y (x, y) = g(x)h(y) for funksjoner g(x) og h(y). Dersom dette er snt, så finnes en konstnt k slik t f X (x) = kg(x) og f Y (y) = 1 k h(y), ltså er g(x)h(y) = f X(x)f Y (y). Lineærtrnsformsjoner - snnsynlighetsfordeling Y = X + b, E(Y ) = E(X) + b, Vr(Y ) = 2 Vr(X) Teorem X diskret, Y = X + b, ( ) y b p Y (y) = p X Teorem X kont, Y = X + b, f Y (y) = 1 f X ( ) y b 8
9 Lineærtrnsformsjoner Teorem X diskret, Y = X + b Teorem X kont, Y = X + b ( ) y b p Y (y) = p X f Y (y) = 1 f X ( ) y b Kombinsjoner v stokstiske vribler Z = g(x, Y ), g : R 2 R Teorem X, Y diskrete med simultn punktsnnsynlighet p X,Y (x, y). D er E(g(X, Y )) = g(x, y)p X,Y (x, y) x y X, Y kontinuerlige med simultntetthet f X,Y (x, y). D er E(g(X, Y )) = Sum v to stokstiske vrible Teorem g(x, y)f X,Y (x, y)dxdy E(X + by ) = E(X) + be(y ) for X og Y diskrete, eller X og Y kontinuerlige, X og Y vhengige eller X og Y uvhengige Teorem Definisjon kovrins Kovrinsen til to stokstiske vribler X og Y er Vr(X + by ) = 2 Vr(X) + b 2 Vr(Y ) + 2bCov(X, Y ) Cov(X, Y ) = E((X E(X))(Y E(Y )))E(XY ) E(X)E(Y ) Teorem Dersom X og Y er uvhengige så er Cov(X, Y ) = 0. Korollr
10 Dersom X og Y er uvhengige så er Vr(X + by ) = 2 Vr(X) + b 2 Vr(Y ) Korrelsjon Corr(X, Y ) = Cov(X, Y ) Vr(X) Vr(Y ) 1 Corr(X, Y ) 1 Sum v to uvhengige stokstiske vribler Z = X + Y, X og Y uvhengige. E(Z) = E(X) + E(Y ) Vr(Z) = Vr(X) + Vr(Y ) p Z (z) =?, f Z (z) =? Teorem (b) L Z = X + Y. For uvhengige stokstiske vrible X og Y med momentgenererende funksjoner M X (t) og M Y (t) så er M Z (t) = M X (t) M Y (t) Teorem (1) X og Y er diskrete stokstiske vrible og Z = X + Y. D er p Z (z) = x X p X (x)p Y (z x) Teorem (2) X og Y er kontinuerlige stokstiske vrible og Z = X + Y. D er f Z (z) = f X (x)f Y (z x)dx Tilfeldig utvlg og sentrlgrenseteoremet Definisjon L X 1,..., X n være n uvhengige stoktiske vrible fr den smme snnsynlighetsfordelingen (p X (x) eller f X (x)) - ltså er de identisk fordelte. D er X 1,..., X n et tilfeldig utvlg fr p X (x) eller f X (x). Stndrdisering v stokstiske vrible L X være en stokstisk vribel med forventningsverdi E(X) = µ og vrins Vr(X) = σ 2. D er X µ σ en stokstisk vribel med forventningsverdi 0 og vrins 1. L X 1,..., X n være identisk fordelte, uvhengige stokstiske vribler, slik t E(X i ) = µ og Vr(X i ) = σ 2 for lle i = 1,..., n. D er E( n i=1 X i) = nµ og Vr( n i=1 X i) = nσ 2, slik t vribel med forventningsverdi 0 og vrins 1. n i=1 Xi nµ nσ 2 er en stokstisk L X = 1 n n i=1 X i. D er E( X) = µ og Vr( X) = σ2 X µ n. D er en stokstisk vribel med forventningsverdi 0 og vrins 1. σ 2 n 10
11 Normltilnærming til binomisk fordeling L X binom(n, p), d er lim P n ( < ) X np b 1 b = e 1 2 z2 dz np(1 p) 2π Det følger t P ( X b) P ( Y b) der Y N(np, np(1 p)). Når n ikke er særlig stor så kn vi gjøre en kontinutetskorreksjon. Vi hr sett t P ( X b) P ( 0.5 < Y b+0.5) gir en bedre tilnærming når n er liten. Dersom vi endrer ulikhetene får vi tilsvrende P ( < X b) P (+0.5 < Y b+0.5), osv. Dette er enklest å se ved å tegne et snnsynlighetshistogrm for den binomiske fordelingen og snnsynlighetstettheten for normlfordelingen. Teorem Sentrlgrenseteoremet L X 1,..., X n være identisk fordelte, uvhengige stokstiske vribler, slik t E(X i ) = µ og Vr(X i ) = σ 2 for lle i = 1,..., n. D er Alterntiv formulering ( n lim P i=1 < X ) i nµ b 1 b = e 1 2 z2 dz n nσ 2 2π lim P n < X µ σ 2 n b = b 1 2π e 1 2 z2 dz 11
Løsningsforslag til obligatorisk oppgave i ECON 2130
Andres Mhre April 13 Løsningsforslg til obligtorisk oppgve i ECON 13 Oppgve 1: E(XY) = E(X(Z X)) Setter inn Y = Z - X E(XY) = E(XZ X ) E(XY) = E(XZ) E(X ) X og Z er uvhengige v hverndre, så Cov(X, Z) =.
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
DetaljerForelesning 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
Detaljer1 Mandag 1. mars 2010
Mndg. mrs Fundmentlteoremet sier t integrsjon og derivsjon er motstte opersjoner. Vi hr de siste ukene sett hvordn vi på ulike måter kn derivere funksjoner i flere vrible. Nå er turen kommet til den motstte
DetaljerDenne veka. Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon
Denne veka Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon Notat: Ordningsvariable og ekstremvariable Ordnings variable Maksimum Minumum Transformasjon
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
Detaljer1 Mandag 18. januar 2010
Mndg 8. jnur 2 I denne første forelesningen skl vi friske opp litt rundt funksjoner i en vribel, se på hvordn de vokser/vtr, studere kritiske punkter og beskrive krumning og vendepunkter. Vi får ikke direkte
Detaljer1 Mandag 25. januar 2010
Mndg 5. jnur Vi fortsetter med å se på det bestemte integrlet, bl.. på hvordn vi kn bruke numeriske beregninger til å bestemme verdien når vi ikke nødvendigvis kn finne en nti-derivert. Videre skl vi t
DetaljerS2 kapittel 6 Sannsynlighet
S kpittel 6 Snnsynlighet Løsninger til oppgvene i bok Oppgve 6. Ett v de 36 mulige utfllene er gunstig for hendelsen S. Alle de 36 mulige utfllene er like snnsynlige. Altså er PS ( ) 36 b Det er utfll
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
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}
DetaljerForelesning 13. mars, 2017
Forelesning 13. mars, 217 AVSNITT 5.2 Kovariansen mellom to variable Korrelasjon mellom to variable AVSNITT 5.3 Betingede fordelinger Kovariansen mellom to stokastiske variable Kovariansen mellom to stokastiske
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
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
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
DetaljerMAT 100A: Mappeeksamen 4
. november, MAT A: Mppeeksmen Løsningsforslg Oppgve ) Vi bruker produktregelen: f (x) x rctn x + x + x Siden x og rctn x hr smme fortegn, og x ldri er negtiv, er f (x) positiv overlt, bortsett fr t f ().
DetaljerBioberegninger - notat 3: Anvendelser av Newton s metode
Bioberegninger - nott 3: Anvendelser v Newton s metode 20. februr 2004 1 Euler-Lotk ligningen L oss tenke oss en populsjon bestående v individer v ulik lder. L n være mksiml lder. L m i være ntll vkom
DetaljerStokastisk variabel. Eksempel augefarge
Dagens tekst Kap 3: Stokastiske variable og sannsynsfordelingar Stokastisk variabel: Diskret sannsynsfordeling: Kontinuerleg sannsynsfordeling: Kummulativ sannsynsfordeling: Diskret simultanfordeling Kontinuerleg
DetaljerTMA4245 Statistikk Høst 2016
TMA5 Statistikk Høst 6 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving Løsningsskisse Oppgave a) Den tilfeldige variabelen X er kontinuerlig fordelt med sannsynlighetstetthet
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,
DetaljerIntegrasjon Fundamentalteoremet Substitusjon Forelesning i Matematikk 1 TMA4100
Integrsjon Fundmentlteoremet Substitusjon Forelesning i Mtemtikk 1 TMA4100 Hns Jkob Rivertz Institutt for mtemtiske fg 23. september 2011 2 Mtemtisk induksjon Alle elefnter er ros! Vil bevise P n Alle
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
DetaljerE K S A M E N. Matematikk 3MX. Elevar/Elever Privatistar/Privatister. AA6524/AA6526 8. desember 2004 UTDANNINGSDIREKTORATET
E K S A M E N UTDANNINGSDIREKTORATET Mtemtikk 3MX Elevr/Elever Privtistr/Privtister AA654/AA656 8. desember 004 Vidregånde kurs II / Videregående kurs II Studieretning for llmenne, økonomiske og dministrtive
DetaljerDenne veka. Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon
Denne veka Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon Notat: Ordningsvariable og ekstremvariable Ordnings variable Maksimum Minumum Transformasjon
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
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
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]
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
DetaljerOm fordelingen tilx +Y
Variansen til X +Y Om fordelingen til X +Y Vi viste at generelt, dvs. også når X og Y er avhengige gjelder E[X +Y] = E[X]+E[Y] Med µ X og µ Y forventningen til X og Y har vi da STK1100 V11 1. Variansen
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
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
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
Detaljer1 Mandag 8. mars 2010
1 Mndg 8. mrs 21 Vi hr tidligere integrert funksjoner lngs x-ksen, og vi hr integrert funksjoner i flere vrible over begrensede områder i xy-plnet. I denne forelesningen skl vi integrere funksjoner lngs
DetaljerLøsningsforslag til Eksamen i fag MA1103 Flerdimensjonal analyse
Norges teknisk nturvitenskpelige universitet Institutt for mtemtiske fg Side 1 v 5 Løsningsforslg til Eksmen i fg MA113 Flerdimensjonl nlyse 2.5.6 Oppgve 1 Vi hr f(x, y) = (4 x 2 y 2 )e x+y. ) Kritiske
DetaljerMultippel integrasjon. Geir Ellingsrud
Multippel integrsjon. Geir Ellingsrud 2. pril 24 2 NB: Dette er en midlertidig versjon dtert 2. pril 24. Den kommer til å bli utvidet og korrigert fortløpende!!. Dobbelt integrlet over rektngler og iterert
DetaljerSammendrag kapittel 1 - Aritmetikk og algebra
Smmendrg kpittel 1 - Aritmetikk og lgebr Regneregler for brøker Utvide brøk: Gng med smme tll i teller og nevner. b = k b k Forkorte brøk: del med smme tll i teller og nevner. b = : k b : k Summere brøker:
DetaljerLøsningsforslag Kollokvium 6
Løsningsforslg Kollokvium 6 25. februr 25 Her finner dere et løsningsforslg for oppgvene som ble diskutert på Kollokvium 6. Oppgve Diskusjonsoppgve Diskuter følgende spørsmål med hverndre og prøv å bli
Detaljer1 k 2 + 1, k= 5. i=1. i = k + 6 eller k = i 6. m+6. (i 6) i=1
TMA4 Høst 6 Norges teknisk nturvitenskpelige universitet Institutt for mtemtiske fg Løsningsforslg Øving 5 5..6 Vi er gitt summen og ønsker å skrive den på formen m k=5 k +, f(i). i= Strtpunktene er henholdsvis
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
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
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
DetaljerLøsningsforslag til prøveeksamen Mat1110 våren 2004 Oppgave 1 (a) Elemetære rekkeoperasjoner anvendt på den utvidete matrisen til systemet gir oss:
Løsningsforslg til prøveeksmen Mt våren 4 Oppgve () Elemetære rekkeopersjoner nvendt på den utvidete mtrisen til systemet gir oss: b b b b b Setter vi = og b = får vi d mtrisen: som gir likningssystemet:
DetaljerLEDDVIS INTEGRASJON OG DERIVASJON AV POTENSREKKER:
LEDDVIS INTEGRASJON OG DERIVASJON AV POTENSREKKER: Vi ntr t potensrekken n x n n= konvergerer i ( R, R), R >, med summen s(x). D gjelder: og s (x) = n n x n for hver x med x < R, s(t) dt = n= (Dette er
DetaljerNumerisk derivasjon og integrasjon utledning av feilestimater
Numerisk derivsjon og integrsjon utledning v feilestimter Knut Mørken 6 oktober 007 1 Innledning På forelesningen /10 brukte vi litt tid på å repetere inhomogene differensligninger og rkk dermed ikke gjennomgå
DetaljerBrøkregning og likninger med teskje
Brøkregning og likninger med teskje Dette heftet gir en uformell trinn for trinn gjennomgng v grunnleggende regler for brøkregning og likninger. Dette er sto som vi i FYS 000 egentlig forventer t dere
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:
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
DetaljerLEDDVIS INTEGRASJON OG DERIVASJON AV POTENSREKKER: a n x n. R > 0, med summen s(x). Da gjelder: a n n + 1 xn+1 for hver x < R.
LEDDVIS INTEGRASJON OG DERIVASJON AV POTENSREKKER: Vi ntr t potensrekken konvergerer i ] R, R[, n x n R >, med summen s(x). D gjelder: s (x) = n n x n 1 for hver x < R, og s(t)dt = n n + 1 xn+1 for hver
DetaljerLøsningsforslag Kollokvium 1
Løsningsforslg Kollokvium 1 30. jnur 015 Her finner dere et løsningsforslg for oppgvene som ble diskutert på Kollokvium 1. Oppgve 1 Regning med enheter ) Energienheten 1 ev (elektronvolt) er definert som
DetaljerM2, vår 2008 Funksjonslære Integrasjon
M, vår 008 Funksjonslære Integrsjon Avdeling for lærerutdnning, Høgskolen i Vestfold. pril 009 1 Arelet under en grf Vi begynner vår diskusjon v integrsjon, på smme måte som vi begynte med derivsjon, ved
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)
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
DetaljerTMA4100 Matematikk1 Høst 2008
TMA4 Mtemtikk Høst 8 Norges teknisk nturvitenskpelige universitet Institutt for mtemtiske fg Løsningsforslg Øving 6 5..5 Gjennomsnittet v f(x) = x på intervllet [, ] er lik relet A under grfen dividert
Detaljer2 π[r(x)] 2 dx = u 2 du = π 1 ] 2 = π u 1. V = π. V = π [R(x)] 2 [r(x)] 2 dx = π (x + 3) 2 (x 2 + 1) 2 dx = 117π 5.
NTNU Institutt for mtemtiske fg TMA Mtemtikk høsten 2 Løsningsforslg - Øving 6 Avsnitt 6. 7 Ved å bruke disk-metoden får mn t volumet er π[r(x)] 2 dx 3 Ved å bruke disk-metoden får mn t volumet er L u
DetaljerDerivasjon. Oversikt over Matematikk 1. Derivasjon anvendelser. Sekantsetningen
3 Oversikt over Mtemtikk Induksjon Grenser og kontinuitet Skjæringssetningen Eksistens v ekstrempunkt Elementære funksjoner Derivsjon Sekntsetningen Integrsjon Differensilligninger Kurver i plnet Rekker
DetaljerDagens tekst. Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon
Dagens tekst Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon Notat: Ordningsvariable og ekstremvariable Ordnings variable Maksimum Minumum Transformasjon
DetaljerKapittel 4.7. Newtons metode. Kapittel 4.8.
Ekskt løsning Newtons metode - Integrsjon Forelesning i Mtemtikk TMA00 Hns Jko Rivertz Institutt for mtemtiske fg 0. septemer 0 Kpittel.7. Newtons metode Den ekskte løsningen v x x = 0er ikke særlig rukelig
DetaljerTMA4100 Matematikk 1, høst 2013
TMA4100 Matematikk 1, høst 2013 Forelesning 11 www.ntnu.no TMA4100 Matematikk 1, høst 2013, Forelesning 11 Transcendentale funksjoner Vi begynner nå på temaet transcendentale funksjoner. I dagens forelesning
DetaljerOppfriskningskurs i matematikk 2007
Oppfriskningskurs i mtemtikk 2007 Mrte Pernille Htlo Institutt for mtemtiske fg, NTNU 6.-11. ugust 2007 Velkommen! 2 Temer Algebr Trigonometri Funksjoner og derivsjon Integrsjon Eksponensil- og logritmefunksjoner
DetaljerNumerisk Integrasjon
Numerisk Integrsjon Anne Kværnø Mrch 1, 018 1 Problemstilling Vi skl ltså finne en numerisk tilnærmelse til integrlet for en gitt funksjon f (x). I(, b) = f (x)dx Teknikken vi skl diskutere klles numeriske
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
DetaljerFasit til utvalgte oppgaver MAT1100, uka 20-24/9
Fsit til utvlgte oppgver MAT00, uk 20-24/9 Øyvind Ryn oyvindry@ifi.uio.no September 24, 200 Oppgve 5..5 år vi viser t f er kontinuerlig i ved et ɛ δ-bevis, er det lurt å strte med uttrykket fx f, og finne
Detaljergir g 0 (x) = 2x + x 2 (x + 3) x x 2 x 1 (x + 3) 2 x 5 + 2x 4 + 6x 3 + x 2 + x + 3 x 2 (x + 3) 2 g(x; y) h(x) F (x; y) =
Oppgve ) gir b) c) d) e) f() = 5 4 3 gir f () = 3 6 + 3 g() = + 3 f)når så blir Merk her t = Tilsvrende er gir g () = + ( + 3) ( + 3) 5 + 4 + 6 3 + + + 3 ( + 3) h() = f() gir h () = f () + f() f() = g(;
DetaljerDel 5 Måleusikkerhet 5.2 Type A og type B usikkerhetsbidrag
Del 5 Måleusikkerhet 5. Type A og type B usikkerhetsbidrg Utdrg fr VIM:.8 Type A evlution of mesurement uncertinty Evlution of component of mesurement uncertinty by sttisticl nlysis of mesured quntity
DetaljerIntegrasjon Skoleprosjekt MAT4010
Integrsjon Skoleprosjekt MAT4010 Tiin K. Kristinslund, Julin F. Rossnes og Torstein Hermnsen 19. mrs 2014 1 Innhold 1 Innledning 3 2 Integrsjon 3 3 Anlysens fundmentlteorem 7 4 Refernser 10 2 1 Innledning
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,
DetaljerTMA4100 Matematikk 1, høst 2013
TMA4100 Matematikk 1, høst 2013 Forelesning 9 www.ntnu.no TMA4100 Matematikk 1, høst 2013, Forelesning 9 Derivasjon I dagens forelesning skal vi se på følgende: 1 Tilnærminger til små endringer. 2 Vekstfart.
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 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)
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
DetaljerI = (xy + z 2 ) dv. = z 2 dv. 1 1 x 1 x y z 2 dz dy dx,
TMA5 Mtemtikk Vår 7 Norges teknisk nturvitenskpelige universitet Institutt for mtemtiske fg Løsningsforslg Øving 8 Alle oppgvenummer referer til 8 utgve v Adms & Essex Clculus: A Complete Course 57: Vi
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
Detaljerdx = 1 2y dy = dx/ x 3 y3/2 = 2x 1/2 + C 1
NTNU Institutt for mtemtiske fg TMA Mtemtikk høsten Løsningsforslg - Øving 7 Avsnitt 6.5 ) En hr t y = e, så y + 3y = e + 3e = e. b) En hr t y = e 3 e (3/), så y + 3y = e 3e (3/) + 3e + 3e (3/) = e. c)
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).
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
DetaljerIntegrasjon av trigonometriske funksjoner
Integrsjon v trigonometriske funksjoner øistein Søvik 3. november 15 I dette dokumentet skl jeg vise litt ulike integrsjonsteknikker og metoder for å utforske integrlene v (cos x) og (sin x). De bestemte
DetaljerDEL 1 Uten hjelpemidler
DEL 1 Uten hjelpemidler Hjelpemidler: vnlige skrivesker, psser, linjl med entimetermål og vinkelmåler Oppgve 1 Vrisjonsredden er differnsen mellom største og minste verdi. Største verdi vr 20 poeng. Minste
DetaljerNynorsk. e) Ein bestemt ellipse kan i polarkoordinatar skrivast på forma. 2) Bruk lommereknaren og finn arealet av flatestykket avgrensa av grafen.
OPPGÅVE 1 ) Deriver funksjonne: 1) f ( ) = 3 + cos ) g ( ) = sin b) Finn integrlet: ln d c) Løys likning ved rekning: 6cos cos 1 0 0, π = d) L X vere ein binomisk fordelt vribel med n = 50 og p = 0,75.
DetaljerTMA4100 Matematikk 1, høst 2013
TMA4100 Matematikk 1, øst 2013 Forelesning 7 www.ntnu.no TMA4100 Matematikk 1, øst 2013, Forelesning 7 Derivasjon Denne uken skal vi begynne på tema 2 om derivasjon. I dagens forelesning skal vi se på
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
DetaljerTillegg om integralsatser
Kpittel 7 Tillegg om integrlstser 7.1 Integrlstser, fundmentlstser Fr et mtemtiske snspunkt er integrlstser beslektet med b f) d = fb) f) b β dr = βr b ) βr ) der den første klles nlsens fundmentlteorem,
DetaljerTFY4104 Fysikk. Institutt for fysikk, NTNU. Høsten Løsningsforslag til øving 8. a = e m E
TFY414 Fysikk. Institutt for fysikk, NTNU. Høsten 16. Løsningsforslg til øving 8. Oppgve 1. ) C F = E = m Newtons. lov. Her er = e, så elektronets kselersjon blir = e m E ltså mot venstre. b) C Totlt elektrisk
DetaljerOm eksamen. Never, never, never give up!
I dag I dag Rekning av eksamensoppgåver Eksamen Mai 2014, oppgåve 2 (inkl normal fordeling, lin.reg. og deskriptiv statistikk) Eksamen August 2012, oppgåve 3 a og b (inkl SME) Om eksamen (Truleg) 10 punkt.
DetaljerTransformasjoner av stokastiske variabler
Transformasjoner av stokastiske variabler Notasjon merkelapper på fordelingene Sannsynlighetstettheten og den kumulative fordelingen til en stokastisk variabel X betegnes hhv. f X og F X. Indeksen er altså
DetaljerLøsningsforslag Eksamen M100 Høsten 1998
Løsningsforslag Eksamen M00 Høsten 998 Oppgave { x y = f(x) = + x + a hvis x ln( + x ) x hvis < x lim f(x) = f( ) = + a = a x lim f(x) = ln( + x ( ) ) ( ) = ln + For at f(x) skal være kont. i x = må lim
DetaljerTMA4100 Matematikk 1 for MTDESIG, MTIØT-PP, MTMART og MTPROD høsten 2010
TMA4100 Matematikk 1 for MTDESIG, MTIØT-PP, MTMART og MTPROD høsten 2010 Toke Meier Carlsen Institutt for matematiske fag 30. september 2010 2 Fremdriftplan I går 5.5 Ubestemte integraler og substitusjon
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
DetaljerOm eksamen. Never, never, never give up!
Plan vidare Onsdag Gjere ferdig kap 11 + repetisjon Fredag Rekning av eksamensoppgåver Eksamen Mai 2014, oppgåve 2 (inkl normal fordeling, lin.reg. og deskriptiv statistikk) Eksamen August 2012, oppgåve
DetaljerIntegrasjon del 2. October 15, Department of Mathematical Sciences, NTNU, Norway. Integrasjon
Integrsjon del Deprtment of Mthemticl Sciences, NTNU, Norwy Octoer 5, 4 Integrsjon Sustitusjon for estemte integrler Husk kjærneregel d dt f (g(t)) = f (g(t)) g (t) ved fundmentlteoremet (del ) vi får
DetaljerDagens program. 7.6 Numerisk integrasjon (fortsatt) 7.7 Uegentlige integraler
Dgens progrm 7.6 Numerisk integrsjon (fortstt) 7.7 Uegentlige integrler Forelesningen onsdg 28. oktober flyttes til ud. R7. Trpesmetoden Merknd side 479 Den tilnærmede verdien til integrlet f (x)dx beregnet
DetaljerEKSAMEN. 1. klassene, ingenørutdanning og Flexing. ANTALL SIDER UTLEVERT: 5 (innkl. forside og 2 sider formelark)
KANDIDATNUMMER: EKSAMEN EMNENAVN: Mtemtikk EMNENUMMER: REA4 EKSAMENSDATO:. desember 9 KLASSE:. klssene, ingenørutdnning og Flexing. TID: kl. 9. 3.. FAGANSVARLIG: Hns Petter Hornæs ANTALL SIDER UTLEVERT:
DetaljerFY2045/TFY4250 Kvantemekanikk I, løsning øving 10 1 LØSNING ØVING 10
FY45/TFY45 Kvntemeknikk I, løsning øving LØSNING ØVING Løsning oppgve Spinn. D åde χ + og χ i likhet med lle ndre spinorer er egentilstnder til enhetsmtrisen med egenverdi lik, hr vi Videre finner vi t
DetaljerDEL 1 Uten hjelpemidler
DEL 1 Uten hjelpemidler Hjelpemidler: vnlige skrivesker, psser, linjl med entimetermål og vinkelmåler Oppgve 1 Vrisjonsredden er differnsen mellom største og minste verdi. Største verdi vr 20 poeng. Minste
DetaljerArne B. Sletsjøe. Oppgaver, MAT 1012
Arne B. Sletsjøe Oppgaver, MAT 101 1 En-variabel kalkulus 1.1 I de følgende oppgavene, i) finn alle kritiske punkter til f(x), ii) beskriv monotoniegenskapene til funksjonene ved å se på fortegnet til
DetaljerFormelsamling i matematikk
Formelsmling i mtemtikk Algebr Aritmetiske opersjoner (b + c) b + c + c b Potensregler Polynom b + c b b + c d + bc d bc b c d b d c d bc x y x+y x x / x y x y n x x /n 0 x n x n ( x ) y xy (b) x x y (
DetaljerLøsning av utvalgte øvingsoppgaver til Sigma R2 kapittel 5
Løsning av utvalgte øvingsoppgaver til Sigma R kapittel 5 5.5 Ce kx y = kce kx Vi setter inn i y + ky og ser om vi får 0: 5.5 ax + a y = ax Vi setter inn i y 5.54 kce kx + k Ce kx = 0 x x + y: ax x(ax
DetaljerEksamen R2, Våren 2011 Løsning
R Eksamen, Våren 0 Løsning Eksamen R, Våren 0 Løsning Del Tid: timer Hjelpemidler: Vanlige skrivesaker, passer, linjal med centimetermål og vinkelmåler er tillatt. Oppgave (8 poeng) a) Deriver funksjonene
DetaljerEKSAMEN I EMNE TTM4110 PÅLITELIGHET OG YTELSE MED SIMULERING. Mandag 14. desember 2005 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for telematikk Side 1 av 12 Faglig kontakt under eksamen: Poul Heegaard (73 594321) EKSAMEN I EMNE TTM4110 PÅLITELIGHET OG YTELSE MED SIMULERING
DetaljerNytt skoleår, nye bøker, nye muligheter!
Nytt skoleår, nye øker, nye muligheter! Utstyret dere trenger, er som i fjor: Læreok lånes v skolen vinkelmåler, --9 og - -9-treknter, psser, lynt, viskelær, penn, A-rk til innføring og A klddeok. Og en
Detaljer