Om fordelingen tilx +Y
|
|
- Roar Hjelle
- 7 år siden
- Visninger:
Transkript
1 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 til X + Y 2. Direkte tledninger av fordelingen til X +Y 3. Brk av momentgenererende fnksjoner 4. Konvolsjonsformelen V(X +Y) = E[{(X +Y) (µ X +µ Y )} 2 ] = E[{(X µ X )+(Y µ Y )} 2 ] = E[(X µ X ) 2 +(Y µ Y ) 2 +2(X µ x )(Y µ Y )] = E[(X µ X ) 2 ]+E[(Y µ Y ) 2 ] +2E[(X µ x )(Y µ Y )] = V(X)+V(Y)+2Cov(X,Y) Om fordelingen til X + Y p. 1/20 som altså gjelder generelt for avhengige stokastiske variable X og Y (med eksisterende varianser). Om fordelingen til X + Y p. 3/20 Om fordelingen tilx +Y Det er i en rekke sitasjoner av interesse å finne fordelingen til X +Y når vi kjenner fordelingene til X og Y. Vi skal se at mange fordelinger er "lkket" med respekt til smmer, dvs. X +Y har samme type fordelingen som X og Y Dette er også et første skritt mot å finne fordelingen til gjennomsnittet X = 1 n X i n selv om vi for gjennomsnittet skal se at vi kan tilnærme med en normalfordeling. i=1 Variansen til X +Y, forts. Spesielt hvis Cov(X, Y) = 0 får vi da V(X +Y) = V(X)+V(Y) Det ble vist at hvis X og Y er avhengige stokastiske variable så gjelder nettopp og vi har da at Cov(X,Y) = 0 Variansen til en sm = Smmen av variansene Om fordelingen til X + Y p. 2/20 Om fordelingen til X + Y p. 4/20
2 Fordelingen tilx +Y, Generelt Vi kan finne fordelingen til X +Y ved 3 typer framgangsmåter Direkte argment Ved hjelp av momentgenererende fnksjoner Ved "konvolsjonsformelen" Eksempel: Direkte argment Anta at X Bin(n, p), Y Bin(m, p) og X og Y avhengige, dvs. X og Y binomiske med samme sksess-sannsynlighet p, men mligens like n og m. Vi har da X = antall sksesser inforsøk Y = antall sksesser i m forsøk der forsøkene er avhengige med like sksess-sannsynlighet p (Bernolli-sekvens). Men da er jo også X +Y = antall sksesser in+m forsøk i en Bernolli-sekvens på n+m forsøk. Altså X +Y Bin(n+m,p) Om fordelingen til X + Y p. 5/20 Om fordelingen til X + Y p. 7/20 Fordelingen tilx +Y, Generelt Et direkte argment kan bare brkes i noen tilfeller momentgenererende fnksjoner kan benyttes i noen ytterligere sitasjoner Begge disse metodene vil kreve avhengige X og Y Konvolsjonsformelen gir en generell metode for å generere fordelingen til X +Y X + Y ved momentgenererende fnksjoner Vi skal tlede det samme resltatet ved hjelp av momentgenererende fnksjoner M X (t) = E[e Xt ]. Hsk atm X (t) identifiserer fordelingen til X. Vi skal brke følgende resltat Proposisjon Anta atx og Y er avhengige med momentgenererende fnksjoner M X (t) og M Y (t). Da holder M X+Y (t) = M X (t)m Y (t) Om fordelingen til X + Y p. 6/20 Om fordelingen til X + Y p. 8/20
3 Momentgenererende fnksjon for binomiske X og Y Anta igjen atx Bin(n,p),Y Bin(m,p) og X og Y avhengige. Da har (vist tidligere) X mom.gen. fnk. M X (t) = [1 p+pe t ] n og tilsvarende fory. I henhold til Proposisjonen får dax +Y mom.gen. fnk. M X+Y (t) = M X (t)m Y (t) = [1 p+pe t ] n [1 p+pe t ] m = [1 p+pe t ] n+m Men dette er den mom.gen. fnk. for Bin(n+m,p), dvs. for en binomisk variabel medn+m forsøk og sksess-sannsynlighet p, altså X +Y Bin(n+m,p) Om fordelingen til X + Y p. 9/20 Når fører et direkte argment fram? Det er ihvertfall tre sitasjoner hvor et direkte probabilistisk argment kan brkes Binomisk fordeling (som vist) Negativt binomiske (og geometriske) fordelinger med sammep Poisson-fordelinger: Anta X og Y avhengige med X Po(λ),Y Po(µ). Da erx +Y Po(λ+µ). For Poisson-fordeling benyttes sammenhengen med Poisson-prosess. Oppgave: Benytt et direkte argment for å finne fordelingen til X +Y i de to siste tilfellene. Om fordelingen til X + Y p. 11/20 Bevis for proposisjon Siden X og Y er avhengige har de simltantetthet f(x,y) = f X (x)f Y (y) dvs. som prodktet av marginaltetthetene. Da får vi, med dobbelt-integral overr 2, for fnksjoner g(x) og h(y), E[g(X)h(Y)] = g(x)h(y)f X (x)f Y (y)dxdy = [ g(x)f X (x)dx][ h(y)f Y (y)dy] = E[g(X)]E[h(Y)] Dermed blir, siden X og Y er avhengige, Når fører argment basert på mom.gen. fnk. fram? Binomisk (som vist) Neg. bin. (og geometriske) fordelinger med sammep Poisson-fordelinger Eksponensial-fordelinger med sammeλ Gamma-fordelinger med sammeβ Normalfordelinger Selvfølgelig måx og Y være avhengige. Oppgave Utled disse resltatene. M X+Y (t) = E[e t(x+y) ] = E[e tx e ty ] = E[e tx ]E[e ty ] = M X (t)m Y (t) Om fordelingen til X + Y p. 10/20 Om fordelingen til X + Y p. 12/20
4 X og Y normalfordelte Anta X N(µ X,σ X ) og Y N(µ Y,σ Y ). Da er M X (t) = e µ Xt+σ 2 X t2 /2 og tilsvarende fory. Dermed blir momentgenererende for X +Y M X+Y (t) = M X (t)m Y (t) = e µ Xt+σ 2 X t2 /2 e µ Y t+σ 2 Y t2 /2 = e (µ X+µ Y )t+(σ 2 X +σ2 Y )t2 /2 som er mom.gen. fnksjon for N(µ X +µ Y, σx 2 +σ2 Y ), dvs. X +Y har en normalfordeling med forventning µ X +µ Y og variansσx 2 +σ2 Y. Om fordelingen til X + Y p. 13/20 Smmen av to Poisson-fordelte variable Anta X Po(λ),Y Po(µ) og X og Y avhengige. Da blir ved konvolsjonsformelen, for U = X + Y, p X (x)p Y ( x) = p X (x)p Y ( x) x=0 siden p X (x)p Y ( x) > 0 når x = 0,1,2,...,. Dermed x=0 λ x µ x e λ x! ( x)! e µ = 1e (λ+µ)!! x=0 x!( x)! λx µ x = 1! e (λ+µ) (λ+µ) der den siste likheten følger av Newton s binomialformel. Men dette er nettopp en Poisson-sannsynlighet med forventning λ+µ, dvs. U = X +Y Po(λ+µ). Om fordelingen til X + Y p. 15/20 Konvolsjonsformelen, diskret fordelinger Anta atx og Y er diskrete stokastiske variable med simltane pkt.sh p(x, y) og la U = X + Y. Vi kan skrive begivenheten {U = } = {X = x,y = x} som er en disjnkt nion. Dermed får vi P{X = x,y = x} = p(x, x) Spesielt hvisx ogy er avhengige ogp(x,y) = p X (x)p Y (y) fås p X (x)p Y ( x) Dette kalles konvolsjonsformelen. Om fordelingen til X + Y p. 14/20 Konvolsjonsformelen for kontinerlige stok. var. Tilsvarende det diskrete tilfelle vil vi ha for (X,Y) kontinerlig fordelt med simltantetthet f(x, y) at tettheten til U = X + Y gis ved f U () = f(x, x)dx Spesielt når X og Y er avhengige med tettheter f X (x) og f Y (y) fås konvolsjonsformelen f U () = f X (x)f Y ( x)dx Om fordelingen til X + Y p. 16/20
5 Eksempel: X og Y avhengige og N(0, 1) Når X og Y begge er standard normalfordelte gir konvolsjonsformelen at U = X + Y har tettet f U () = 1 2π e x2 /2 1 2π e ( x)2 /2 dx = 1 2π 2 e 2 /4 1 2π e 2(x /2)2 /2 2dx = 1 2π 2 e 2 /4 siden x 2 +( x) 2 = (x 2 )2 og det siste integralet blir lik 1 (er over en tetthet). Men dette betyr atu N(0, 2), normalfordelt med forventning 0 og varians lik 2. Noe som også følger av argmentet med mom.gen.f. Om fordelingen til X + Y p. 17/20 "Påskefordeling" (?) La U = tid fra vårjevndøgn til 1. påskedag = X + Y der X = tid fra vårjevndøgn til første fllmåne Y = tid fra fllmåne til første søndag Rimelig å anta X U[0, 29.5] og Y U[0, 7]. Antar også at X og Y er avhengige. Får < < f U () = f X (x)f Y ( x)dx = 1 7 < < < < fu Om fordelingen til X + Y p. 19/20 Fordelingen til smmen av to U[0,1]-variable Anta at både X og Y er avhengige og niformt fordelt på [0,1], dvs. begge har tetthet 1 0 < x < 1 f(x) = 0 ellers Fordelingen til U = X +Y blir da 1 0 f U () = f(x)f( x)dx = 1dx = 0 < < dx = 2 1 < < påskedag fu Freqency Dag fra vårjevndøgn Om fordelingen til X + Y p. 18/20 Om fordelingen til X + Y p. 20/20
FORMELSAMLING 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
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
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}
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
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
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
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
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
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
DetaljerStokastisk variabel. Eksempel augefarge
Dagens tekst Kap 3: Stokastiske variable og sannsynsfordelingar Stokastisk variabel: Diskret sannsynsfordeling: Kontinuerleg sannsynsfordeling: Kummulativ sannsynsfordeling: Diskret simultanfordeling Kontinuerleg
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
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 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
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,
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
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
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
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
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,
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
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
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
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
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
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
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
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform I går Normal I går Eksponensial I dag Gamma I dag Kji-kvadrat I dag Nokre eigenskapar
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
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
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).
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),
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.
DetaljerTMA4240 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 9 Løsningsskisse Oppgave 1 a) Vi lar her Y være antall fugler som kolliderer med vindmølla i løpet av den gitte
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform I går Normal I går Eksponensial I dag Gamma I dag Kji-kvadrat I dag Nokre eigenskapar
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]
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
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
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.
DetaljerKapittel 6: Kontinuerlige sannsynlighetsfordelinger
Kapittel 6: Kontinuerlige sannsynlighetsfordelinger TMA4240 Statistikk (F2 og E7) Foreleses 15. september, 2004. µ µ µ + Basert på slides av Mette Langås p.1/16 6.1 Kontinuerlig uniform fordeling Kontinuerlig
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.
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/TMA4245 Statistikk Oppsummering diskrete sannsynlighetsfordelinger
TMA4240/TMA4245 Statistikk Oppsummering diskrete sannsynlighetsfordelinger Binomisk fordeling* ( ) n b(x; n, p) = p x (1 p) n x = x ( ) n p x q n x, x x = 0, 1, 2,..., n Fenomén: i) n forsøk. ii) Suksess/fiasko
DetaljerEksponensielle klasser
Eksponensielle klasser, de Jong & Heller, Kap. 3 Eksponensielle klasser STK3100-1. september 2008 Sven Ove Samuelsen En stokastisk variabel Y sies å ha fordeling i den eksponensielle fordelingsklasse dersom
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
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
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
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
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlige stokastiske variabelen X ha fordelingsfunksjon (sannsynlighetstetthet
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)
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)
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
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
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
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
DetaljerFORMELSAMLING STATISTIKK, HiG Versjon per 10. januar 2002, ved Hornæs
FORMELSAMLING STATISTIKK, HiG Versjon per 10 januar 2002, ved Hornæs 1 EMPIRISKE STATISTISKE MÅL 11 Forventningsverdi, varians og standardavvik La x {x 1,x 2, x n } være et datasett av (reelle) tall: 111
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
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,),...,(,)}
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
DetaljerObservatorar og utvalsfordeling. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Observatorar og utvalsfordeling Torstein Fjeldstad Institutt for matematiske fag, NTNU 08.10.2018 I dag Til no i emnet Observatorar Utvalsfordelingar Sentralgrenseteoremet 2 Til no i emnet definisjon av
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,
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
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:
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
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
DetaljerTMA4240 Statistikk H2015
TMA4240 Statistikk H2015 Kapittel 5: Noen diskrete sannsynlighetsfordelinger 5.4 Geometrisk og negativ binomisk fordeling 5.5 Poisson-prosess og -fordeling Mette Langaas Institutt for matematiske fag,
DetaljerTMA4240 Statistikk Høst 2009
TMA4240 Statistikk Høst 2009 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 5 Løsningsskisse Oppgave 1 En lottorekke kan oppfattes som et ikke-ordnet utvalg på
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.
DetaljerLøsningsforslag statistikkeksamen desember 2014
Løsningsforslag statistikkeksamen desember 2014 Oppgave 1 a i. To hendelser er disjunke hvis det er intet overlapp mellom hendelsene, altså hvis A B = Ø. Siden vi har en sannsynlighet for å finne A B som
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
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
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
DetaljerLøsningskisse for oppgaver til undervisningsfri uke 14 (6.-9. april)
HG April 010 Løsningskisse for oppgaver til undervisningsfri uke 14 (6.-9. april) Innledende merknad. De fleste oppgavene denne uka er øvelser i bruk av den viktige regel 5.0, som er sentral i dette kurset,
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
DetaljerELE Matematikk valgfag
EKSAMENSOPPGAVE - Skriftlig eksamen ELE 79 Matematikk valgfag Institutt for Samfunnsøkonomi Utlevering:.06.08 Kl. 09.00 Innlevering:.06.08 Kl. 4.00 Vekt: 00% av ELE 79 Antall sider i oppgaven: Innføringsark:
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 8, blokk II Løsningsskisse Oppgave 1 Da komponentene danner et parallellsystem, vil systemet fungere dersom minst
Detaljerµ = E(X) = Ʃ P(X = x) x
Redigerte høydepunkt fra forrige episode 3.2: Punktsannsynlighet og kumulativ sannsynlighet punktsannsynlighet: sanns. for at en stok. var. X har en viss verdi x; P(X = x) kumulativ sannsynlighet: sanns.
DetaljerOppgavesett nr. 6. MAT110 Statistikk 1, 2018
Innleveringsfrist: mandag 9. april kl. 16:00 (versjon 01) Oppgavesett nr. 6 MAT110 Statistikk 1, 2018 Oppgave 1: ( Sport Management ) La oss igjen se nærmere på fotballaget Tufte IL fra øving 4. Vi definerer
DetaljerLøsningsforslag oblig 1 STK1110 høsten 2014
Løsningsforslag oblig STK høsten 4 Oppgave I forbindelse med en studie av antioksidanter og antocyanider, ble innholdet av antocyan i 5 beger med blåbær målt. De målte verdiene var (i mg per gram): 55
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: Kalkulator. Hornæs: Formelsamling statistikk HiG. John Haugan: Formler og tabeller.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. BtG207 EKSAMENSDATO: 11. juni 2007. KLASSE: HIS 05 08. TID: kl. 8.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 5 (innkl. forside)
DetaljerTMA4240 Statistikk Høst 2012
TMA424 Statistikk Høst 212 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving 5 blokk I Løsningsskisse Oppgave 1 X N(18,2.5 2 ) P(X < 15) = P ( X 18 < 15 18 ) = P(Z < 1.2)
DetaljerMIK 200 Anvendt signalbehandling, 2012.
Stavanger, 1. november 2011 Det teknisknaturvitenskapelige fakultet MIK 200 Anvendt signalbehandling, 2012. Prosjekt 1, Tapsfri komprimering. Vi skal i dette miniprosjektet se litt på hvordan en kan gjøre
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
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
DetaljerInferens. STK Repetisjon av relevant stoff fra STK1100. Eksempler. Punktestimering - "Fornuftig verdi"
Inferens STK1110 - Repetisjon av relevant stoff fra STK1100 Geir Storvik 12. august 2015 Data x 1,..., x n evt også y 1,..., y n Ukjente parametre θ kan være flere Vi ønsker å si noe om θ basert på data.
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
Detaljeronsdag_19_09_2018_poisson_eksponential_normalfordelng_vikartime_bygg_v2.notebook
September 19, The story so far Kap. 3: Diskrete stokastiske variable variablene er "diskrete", dvs. tellevariable som kun har verdier X = 0, X = 1, X = 2,... beregne forventningsverdi og varians for variabel
DetaljerBootstrapping og simulering Tilleggslitteratur for STK1100
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 (oppdatert April 2016) 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor
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 Kapittel 5: Diskrete sannsynlighetsfordelinger 5.5-5.6: Negativ binomisk, geometrisk, Poisson Mette Langaas Foreleses mandag 20. september 2010 2 Kabel En kabel består av mange
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 0, blokk II Løsningsskisse Oppgave Surhetsgrad i ferskvann Eksamen august 00, oppgave av 3 a) En god estimator
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
DetaljerForelesning 7: Store talls lov, sentralgrenseteoremet. Jo Thori Lind
Forelesning 7: Store talls lov, sentralgrenseteoremet Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Estimering av variansen 2. Asymptotisk teori 3. Store talls lov 4. Sentralgrenseteoremet 1.Estimering
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlege stokastiske variabelen X ha fordelingsfunksjon (sannsynstettleik
Detaljerx λe λt dt = 1 e λx for x > 0 uavh = P (X 1 v)p (X 2 v) = F X (v) 2 = (1 e λv ) 2 = 1 2e λv + e 2λv = 2 1 λ 1 2λ = 3
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 7 Løsningsskisse Oppgave 1 a) Regner først ut den kumulative fordelingsfunksjonen til X: F X (x) = x λe λt dt
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 (
DetaljerUNIVERSITETET I OSLO Matematisk Institutt
UNIVERSITETET I OSLO Matematisk Institutt Midtveiseksamen i: STK 1000: Innføring i anvendt statistikk Tid for eksamen: Onsdag 9. oktober 2013, 11:00 13:00 Hjelpemidler: Lærebok, ordliste for STK1000, godkjent
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
Detaljer