Noen diskrete sannsynlighetsfordelinger. (utarbeidet av Mette Langaas), TMA4245 V2007
|
|
- Haldor Mathisen
- 7 år siden
- Visninger:
Transkript
1 Kapittel 5 Noen diskrete sannsynlighetsfordelinger TMA4245 V2007: Eirik Mo Diskret uniform fordeling Diskret uniform fordeling: Hvis den stokastiske variabelen X antar verdiene x 1, x 2,..., x k med lik sannsynlighet så er X diskret uniformt fordelt med fordeling f(x; k) = 1 k, x = x 1, x 2,..., x k Histogram of x Density x TEO 5.1: µ = E(X) = k i=1 x i k og σ 2 = Var(X) = k i=1 (x i µ) 2 k
2 3 Midtveiseksamen oppg. 1a eksamen Høsten 2004 ble det i TMA4240 bli innført tellende skriftlig midtveiseksamen. Denne ble gitt i form av en flervalgsoppgave ( multiple choice ) bestående av n = 20 spørsmål som alle har m svaralternativer. Studentene måtte velge et svaralternativ for hvert spørsmål (det var ikke lov å svare blankt på et spørsmål). For å få karakter bedre enn F (36%) måtte minst 8 spørsmål være korrekt besvart. Studenten Ole vurderte om han skal la være å lese til midtveiseksamen og heller velge tilfeldige svaralternativer på alle spørsmålene (han ville da ikke engang lese oppgaveteksten før han svarte). Før han bestemte seg, ba han en studiekamerat regne ut hvor stor sannsynlighet han da hadde for få bedre enn F. 4 Midtveiseksamen (forts.) La X være antall korrekte svar Ole fikk på de n = 20 spørsmålene. Forklar hvorfor vi kan anta at X er binomisk fordelt med n = 20 og p = 1 m. Finn sannsynligheten for at Ole fikk bedre enn F hvis han valgte å svare tilfeldig på alle spørsmålene, dvs. P(X 8), når antall svaralternativer er m = 2. Finn også P(X 8) for m = 4 og m = 5. Hva blir forventet antall korrekte svar, dvs. E(X), når m = 2, 4, 5?
3 5 5.3 Binomisk fordeling Bernoulli prosess: Et Bernoulli eksperiment (prosess) har følgende egenskaper: 1. Eksperimentet består av n gjentatte forsøk. 2. Hvert forsøk undersøker man om en hendelse A inntreffer (suksess) eller ikke (A =fiasko). 3. Sannsynligheten for hendelsen A (suksess) kaller vi p, og denne er den samme fra forsøk til forsøk. 4. De n gjentatte forsøkene er uavhengige av hverandre. Dermed: et Bernoulli eksperiment kan resultere i hendelsen A (suksess) med sannsynlighet p og komplementet av hendelsen A (A =fiasko) med sannsynlighet 1 p Binomisk fordeling (forts.) La den stokastiske variablen X være antall ganger hendelsen A (suksess) inntreffer på de n uavhengige forsøkene. Sannsynlighetsfordelingen til X kalles binomisk fordeling og er gitt ved ( ) n f(x) = b(x; n, p) = p x (1 p) (n x), x = 0, 1,..., n x Kumulativ fordeling: F(x) = P(X x) finnes ved tabelloppslag. Eksempler: antall defekte enheter i industriell prosess antall pasienter med positiv effekt av medisin
4 7 Binomisk fordeling forts. n = 10, p = 0.2 n = 10, p = 0.5 n = 10, p = 0.7 Bin(n=10, p=0.2) Bin(n=10, p=0.5) Bin(n=10, p=0.7) Bin(n=10, p=0.2) Bin(n=10, p=0.5) Bin(n=10, p=0.7) TEO 5.2: Forventning og varians i binomisk fordeling b(x; n, p) er µ = E(X) = np og σ 2 = Var(X) = np(1 p) 8 Urne med kuler [v1] Definisjon: p = antall røde kuler antall kuler Prosedyre: Utfør n ganger trekk en kule tilfeldig registrer fargen legg kula tilbake Da er antallet røde kuler binomisk fordelt.
5 9 Urne med kuler [v2] Definisjoner: p 1 = antall hvite kuler antall kuler p 2 = antall sorte kuler antall kuler p 3 = antall blå kuler antall kuler p 4 = antall røde kuler antall kuler Prosedyre: Utfør n ganger trekk en kule tilfeldig og registrer fargen legg kula tilbake Da er antallet hvite kuler og antallet sorte kuler og antallet blå kuler og antallet røde kuler multinomisk fordelt. 10 Multinomisk fordeling Multinomisk fordeling: Et forsøk kan resultere i k mulige utfall A 1, A 2,..., A k, med sannsynligheter p 1, p 2,..., p k. La de stokastiske variablene X 1, X 2,..., X k representere antall ganger utfallene A 1, A 2,..., A k opptrer i n uavhengige forsøk. Sannsynlighetsfordelingen til X 1, X 2,..., X k kalles multinomisk fordeling og er gitt ved ( ) n f(x 1, x 2,..., x k ; p 1, p 2,..., p k, n) = p x 1 1 x 1, x 2,..., x px 2 2 px k k k med k i=1 x i = n, k i=1 p i = 1 og ( n x 1,x 2,...,x k ) = n! x 1!x 2! x k!.
6 11 Urne med kuler [v3] Definisjon: N=antall kuler k =antall røde kuler Prosedyre: Utfør n ganger trekk en kule tilfeldig registrer fargen legg kula til side Da er antallet røde kuler hypergeometrisk fordelt. 12 Antall fisker i dammen Vi vil anslå størrelsen, N, av en dyreart innenfor et område (metode fra 1896). Gjøre to undersøkelser: 1. finner og merker k individ, og slipper dem ut igjen. 2. finner så n individ, og x av disse er merket. Lukket populasjon: ingen død, fødsel, innflytting, utflytting. Andelen merkede i de to utvalgene bør da være like, bestandsanslag: k N = x n N = k n x X er hypergeometisk fordelt med parametere N, k, n.
7 Hypergeometrisk fordeling Hypergeometrisk eksperiment: har følgende egenskaper: 1. Vi har en mengde av N enheter. Av de N enhetene så klassifiseres k som hendelsen A (suksess) og N k som komplementet av hendelsen A (A =fiasko). 2. Et tilfeldig utvalg av størrelse n trekkes uten tilbakelegging fra de N enhetene. Antallet ganger, X, som hendelsen A (suksess) inntreffer er da en hypergeometrisk stokastisk variabel Hypergeometrisk fordeling (forts.) Hypergeometrisk fordeling: En hypergeometrisk stokastisk variabel, X, angir antallet ganger hendelsen A (suksess) inntreffer i et hypergeometrisk eksperiment der n enheter trekkes fra N enheter, der k av de N enheter er klassifisert som hendelsen A (suksess) og N k som komplementet av hendelsen A (A =fiasko). Sannsynlighetsfordelingen til X kalles en hypergeometrisk fordeling og er gitt ved f(x) = h(x; N, n, k) = ( k N k ) x)( n x ( N x = 0, 1, 2,..., n n)
8 15 Hypergeometrisk fordeling (forts.) N = 10, k = 5, n = 5 N = 12, k = 5, n = 5 N = 100, k = 50, n = 40 Hyper(N=10, k=5, n= 5) Hyper(N=12, k=5, n= 5) Hyper(N=100, k=50, n= 40) Hyper(N=10, k=5, n= 5) Hyper(N=12, k=5, n= 5) Hyper(N=100, k=50, n= 40) TEO 5.3: Forventning og varians i den hypergeometriske fordelingen h(x; N, n, k) er µ = E(X) = nk N og σ2 = Var(X) = N n N 1 n k N (1 k N ) 16 Hypergeometisk og binomisk fordeling Hvis n er liten i forhold til N ( n N 0.05), så vil sammensetningen av de N enhetene endres lite under trekningen. Dermed kan k N sees på som den binomiske sannsynligheten p. Dermed kan binomisk fordeling sees på som en stor populasjon versjon av hypergeometrisk fordeling.
9 17 Urne med kuler [v4] Definisjoner: N=antall kuler a 1 =antall hvite kuler a 2 =antall sorte kuler a 3 =antall blå kuler a 4 =antall røde kuler Prosedyre: Utfør n ganger trekk en kule tilfeldig og registrer fargen legg kula til side. Da er antallet hvite kuler antallet sorte kuler antallet blå kuler antallet røde kuler multivariat hypergeometrisk fordelt. 18 Multivariabel hypergeometrisk fordeling Multivariabelt hypergeometrisk eksperiment: har følgende egenskaper: 1. Et tilfeldig utvalg av størrelse n trekkes uten tilbakelegging fra N enheter. 2. Av de N enhetene så klassifiseres a 1 i cellen A 1, a 2 i cellen A 2,..., a k i cellen A k. 3. Av de n enhetene så klassifiseres x 1 i cellen A 1, x 2 i cellen A 2,..., a k i cellen A k. Sannsynlighetsfordelingen til X 1, X 2,..., X k kalles multivariabel hypergeometrisk fordeling f(x 1, x 2,..., x k ; a 1, a 2,..., a k, n) = ( a1 x n ) )( a2 ) x 1 x 2 ( an ( N n) med k i=1 x i = n og k i=1 a i = N.
10 19 Kakelotteri 300 lodd fordelt på 3 farger (100 av hver) 9 vinnerlodd, 3 av hver farge (33,66,99) Vi kjøper 5 lodd. To strategier: trekk 5 lodd blant de 300 loddene trekk 5 lodd av samme farge Hvilken strategi gir størst sjanse for å vinne? 20 Binomisk og negativ binomisk Forsøksrekke, registrerer A (suksess) eller A (fiasko) i hvert forsøk. P(A) = p i hvert forsøk. Forsøkene er uavhengige. Binomisk Bestemmer totalt antall forsøk, n, på forhånd. X =antall suksesser på n forsøk Negativ binomisk Antall forsøk er ikke bestemt på forhånd, men eksperimentet avsluttes når k suksesser er oppnådd. X =antall forsøk til k suksesser er oppnådd.
11 Negativ binomisk og geometrisk fordeling Kabel: En kabel består av mange uavhengige wires. Kabelen kan overbelastes og P(en wire ødelegges)=p. Ved overlast er det lite sannsynlig at mer enn en wire skades. Kabelen må skiftes når 3 av wirene har feilet. X =antall overbelastninger som kabelen tåler før den må skiftes. Maskin: En maskin feiler med sannsynlighet p hver time. Når den feiler bli den minimalt reparert (dvs. den blir så god som akkurat før den feilet). Når maskinen har feilet k ganger byttes den ut. X=antall timer til maskinen byttes ut. Russisk rulett: En revolver har 6 kammer. En kule settes i ett kammer og kolben snurres. Første person sikter og trekker av. Hvis kulen ikke var i kammeret går revolveren videre til neste mann, som snurrer kolben, sikter og trekker av. X =antall forsøk til k te (helst første) mann finner kulen. 22 Negativ binomisk fordeling Negativ binomisk eksperiment: utføres som et binomisk eksperiment med den forskjell at forsøkene gjentas til et fast antall suksesser inntreffer. Dvs. 1. Eksperimentet består av et på forhånd ukjent antall forsøk. 2. Hvert forsøk: inntreffer hendelsen A (suksess) eller ikke (fiasko). 3. Sannsynligheten for hendelsen A (suksess), P(A) = p, er den samme fra forsøk til forsøk. 4. De gjentatte forsøkene er uavhengige av hverandre. 5. Eksperimentet avsluttet når et bestemt antall, k, av hendelsen A (suksesser) har inntruffet.
12 23 Negativ binomisk fordeling Negativ binomisk fordeling: Vi ser på gjentatte uavhengige forsøk som kan resultere i hendelsen A (suksess) med sannsynlighet p og komplementet til hendelsen A (A =fiasko) med sannsynlighet 1 p. La den stokastiske variabelen X angi antall forsøk som må gjøres for at hendelsen A (suksess) inntreffer k ganger. X har da en negativ binomisk fordeling med sannsynlighet ( ) x 1 b (x; k, p) = p k (1 p) (x k) k 1 for x = k, k + 1, k + 2, Negativ binomisk fordeling (forts.) k = 5, p = 0.1 k = 5, p = 0.5 k = 5, p = 0.8 Negbin(k=5, p=0.1) Negbin(k=5, p=0.5) Negbin(k=5, p=0.8) Negbin(k=5, p=0.1) Negbin(k=5, p=0.5) Negbin(k=5, p=0.8)
13 25 Urne med kuler [v5] Definisjon: p = antall røde kuler antall kuler Prosedyre: Utfør inntil k røde kuler er trukket trekk en kule tilfeldig registrer fargen legg kula tilbake Da er antallet trekninger negativ binomisk fordelt. 26 Geometrisk fordeling Negativ binomisk med k=1: g(x; p) = p(1 p) (x 1) x = 1, 2, 3,... TEO 5.4: Forventning og varians i den geometriske fordelingen g(x; p) er µ = E(X) = 1 p og σ 2 = Var(X) = 1 p p 2 p = 0.1 p = 0.5 p = 0.8 Negbin(k=1, p=0.1) Negbin(k=1, p=0.5) Negbin(k=1, p=0.8) Negbin(k=1, p=0.1) Negbin(k=1, p=0.5) Negbin(k=1, 4 p=0.8)
14 27 Telefonsalg av billettar A-HA skal ha konsert på Lerkendal, og billetter kan kjøpes ved å ringe et bestemt telefonnummer. X = # forsøk inntil en kommer gjennom første gang. X g(x; p), p = P(komme gjennom) = Hva er forventet antall ganger en må ringe for å komme gjennom? 2. Hva er sannsynligheten for å komme gjennom dersom en orker å ringe maksimalt 50 ganger? 3. Dersom en har ringt 50 ganger utan å komme gjennom, hva er sannsynligheten for å komme gjennom i neste forsøk? 28 Pyramidespillet, eksamen Des2004 #2a Ole Petter har blitt spurt om å bli med i et pyramidespill (betale inn en viss sum penger, og deretter rekruttere nye personer). Så vil pengene begynne å strømme inn... Ifølge personen som spurte Ole Petter, vil en person som blir spurt om å delta i pyramidespillet ha en sannsynlighet p = 1/3 for å bli med, så det å få fem personer til å bli med, skal ikke være noe problem. Forenkling: La den stokastiske variabelen X angi antall personer Ole Petter må spørre, inntil den første personen blir med i pyramidespillet. Under hvilke antagelser vil X være geometrisk fordelt? I resten av oppgaven kan du anta at X er geometrisk fordelt med punktsannsynlighet f(x) = p(1 p) (x 1) for x = 1, 2,...
15 29 Pyramidespillet, eksamen Des2004 #2a Dersom Ole Petter bestemmer seg for å delta i pyramidespillet, hva er forventet antall personer han må spørre for å få med en ny person, når p = 1/3? Hva er sannsynligheten for at han må spørre flere enn fem personer for å få en person til å delta i pyramidespillet, når p = 1/3? Poisson prosess og fordeling Poisson prosess: Vi ser på om en hendelse inntreffer eller ikke innenfor et intervall eller en region. 1. Antall hendelser som inntreffer i et intervall eller i en spesifisert region, er uavhengig av antall hendelser som inntreffer i ethvert annet disjunkt intervall eller region. 2. Sannsynligheten for at en enkelt hendelse inntreffer innenfor et lite intervall eller liten region, er proporsjonal med lengden av intervallet eller størrelsen på regionen, og er ikke avhengig av antallet hendelser som inntreffer utenfor intervallet eller regionen. 3. Sannsynligheten for at mer enn en hendelse skal inntreffe innenfor et kort intervall eller liten region er negliserbar.
16 Poisson prosess og fordeling Poisson fordeling: La den stokastiske variabelen X representere antallet hendelser i et gitt intervall eller region av størrelse t. Sannsynlighetsfordelingen til X er p(x; λt) = (λt)x x! e λt x = 0, 1, 2,... hvor λ er gjennomsnittlig antall hendelser per enhet intervall eller region (og e = ). 32 Binomisk- og Poissonfordeling Utledning : Poisson P(X = x) kan utledes ved å dele opp tidsaksen i n bittesmå intervaller av lengde t = t n. Da har vi en binomisk situasjon i n uavhengige intervaller. Lar vi n får vi Poisson P(X = x). Bevis A27 side 713. TEO 5.6 La X være en binomisk stokastisk variabel med sannsynlighetsfordeling b(x; n, p). Når n, p 0, og µ = np holdes konstant, så er b(x; n, p) p(x;µ)
17 33 Poisson fordeling (forts.) µ = λt = 0.5 µ = λt = 2 µ = λt = 10 Pois(lambda=0.5) Pois(lambda=2) Pois(lambda=10) Pois(lambda=0.5) Pois(lambda=2) Pois(lambda=10) TEO 5.45 Forventning og varians i Poissonfordelingen p(x; λt) er begge λt. 34 Poisson situasjoner Alpinulykker (eksamen 5.august 2004, oppgave 3) Sikkerhet er en av de høyest prioriterte oppgavene i norske alpinanlegg. Vi antar at antall alpinulykker som krever legebehandling i alpinanlegget Alpinfjellet i en periode på t skidager, X, er Poisson-fordelt med forventningsverdi µ = λt. Her er λ skadefrekvens pr skidag og t er eksponeringstid i antall skidager. En skidag er definert som en person i alpinanlegget en hel dag. Jordskjelv α-partikler bakgrunnsstråling. Trykkfeil pr. bokside. Antall studenter som sovner pr. forelesningstime (?) Antall aviser som selges ved et utsalgssted.
18 36 Optimal leveranse av Dagbladet Daglig selges rundt eksemplarer av Dagbladet hos tilsammen utsalgssteder (tall fra 2000). Dagbladet ønsker å bruke statistiske modeller for å betemme hvor mange eksemplarer som skal leveres til hvert utsalgssted hver salgsdag for at avisen skal tjene mest. Leveres for mange eksemplarer blir noen ikke solgt og er en unødvendig kostnad. Leveres for få eksemplarer gå utsalgsstedet utsolgt og avisen taper salgsinntekter. Økonomer i avisen kan angi en kostnad eksemplar som ikke blir solgt og for eksemplarer som kunne vært solgt (tapt salg). Dette kan våre avhengig av ukedag, type utsalgssted og andre størrelser.
19 37 Optimal leveranse av Dagbladet Kan vi finne fordelingen til antall aviser som kan selges på hvert salgssted hver salgsdag kan vi optimalt bestemme hvor mange aviser som skal leveres til hvert salgssted hver salgssdag. Et slikt system er implementert ved Dagbladet! 38 Fordelingen til avissalg Dagens salg av Dagbladet i en dagligvareforretning på City Syd (idealisert). 1. Ser vi på salget i to disjunkte tidsintervall så er disse uavhengige. (Har mange aviser og går ikke utsolgt.) 2. Kundene ankommer butikken fordelt over hele åpningstiden. Noen av kundene kjøper Dagbladet, og vi har en underliggende intensitet for kjøp på λ. 3. To salg er ikke fullstendig sammenfallende på tidsaksen. Salget er Poisson-fordelt med forventing λt. Pois(lambda=50)
20 39 Fordelingen til avissalg (forts.) Forventet salg er avhengig av utsalgssted og salgsdag. Klar effekt: Ukedag Sesong, helligdager, høytider, spesielle hendelser, trender over lengre perioder. Type utsalgssted, geografi. Basert på data tilbake i tid (her 3.5 år) kan man anslå forventet salg for hver utsalgssted og hver salgsdag frem i tid. Leveranse kan så bestemmes som en percentil i Poisson-fordelingen med denne forventningen. 40 Fordelingen til avissalg (forts.) Pois(lambda=50) Metoden anbefaler leveringstall på en normaldag, og skaleres i forhold til dagens forside (totalopplaget). Problemer med Poisson: faste kunder, busslast på fjellet.
5.2 Diskret uniform fordeling. Midtveiseksamen (forts.) Kapittel 5. Noen diskrete sannsynlighetsfordelinger. TMA4245 V2007: Eirik Mo
Histogram of x 1 2 3 4 5 6 x 0 1 2 3 4 5 6 3 Midtveiseksamen oppg. 1a eksamen 06.08.2004 Kapittel 5 Noen diskrete sannsynlighetsfordelinger TMA4245 V2007: Eirik Mo Høsten 2004 ble det i TMA4240 bli innført
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 H2010 Kapittel 5: Diskrete sannsynlighetsfordelinger : Uniform, binomisk, hypergeometrisk fordeling
TMA4240 Statistikk H2010 Kapittel 5: Diskrete sannsynlighetsfordelinger 5.1-5.4: Uniform, binomisk, hypergeometrisk fordeling Mette Langaas 2 Arbeidshverdag etter endt studium Studere et fenomen (f.eks.
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/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
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
DetaljerDiskrete sannsynlighetsfordelinger.
Diskrete sannsynlighetsfordelinger. Dekkes av kapittel 5 i læreboka. Husk: f(x) er punktsannsynligheten til en diskret X dersom: 1. f(x) 0 2. x f(x) =1 3. f(x) =P (X = x) Vi skal nå sepå situasjoner der
DetaljerDiskrete sannsynlighetsfordelinger.
Diskrete sannsynlighetsfordelinger. Dekkes av kapittel 5 i læreboka. Husk: f() er punktsannsynligheten til en diskret X dersom: 1. f() 0 2. f() =1 3. f() =P (X = ) Vi skal nå sepå situasjoner der vi har
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
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
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
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
DetaljerOppgave 1 Vi lar X være antall tankskip som ankommer havnen i løpet av en dag. Vi har fått oppgitt at X poisson(λ) med
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 5, blokk I Løsningsskisse Oppgave 1 Vi lar X være antall tankskip som ankommer havnen i løpet av en dag.
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
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
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
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:
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 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
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
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
DetaljerStatistikk 1 kapittel 5
Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2014 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
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)
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:
DetaljerTilfeldige variabler. MAT0100V Sannsynlighetsregning og kombinatorikk
MAT0100V Sannsynlighetsregning og kombinatorikk Forventning, varians og standardavvik Tilnærming av binomiske sannsynligheter Konfidensintervall Ørnulf Borgan Matematisk institutt Universitetet i Oslo
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,
DetaljerEmnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard
EKSAMEN Emnekode: SFB107111 Emnenavn: Metode 1, statistikk deleksamen Dato: 16. mai 2017 Hjelpemidler: Godkjent kalkulator og vedlagt formelsamling m/tabeller Eksamenstid: 4 timer Faglærer: Hans Kristian
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
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 (
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
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
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i <<< >>>.
1 ECON213: EKSAMEN 217 VÅR - UTSATT PRØVE TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2011
ÅMA0 Sannsynlighetsregning med statistikk, våren 0 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsynlighetsmodeller Noen viktige sannsynlighetsmodeller ( Sanns.modell : nå betyr det klasse/type sanns.fordeling.
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.
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
Detaljer1 Section 4-1: Introduksjon til sannsynlighet. 2 Section 4-2: Enkel sannsynlighetsregning. 3 Section 5-1: Introduksjon til sannsynlighetsfordelinger
1 Section 4-1: Introduksjon til sannsynlighet 2 Section 4-2: Enkel sannsynlighetsregning 3 Section 5-1: Introduksjon til sannsynlighetsfordelinger 4 Section 5-2: Tilfeldige variable 5 Section 5-3: Binomisk
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 5, blokk I Løsningsskisse Oppgave 1 X og Y er uavhengige Poisson-fordelte stokastiske variable, X p(x;5 og Y p(y;1.
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
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Noen viktige sannsynlighetsmodeller
ÅMA0 Sannsnlighetsregning med statistikk, våren 008 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) Hpergeometrisk modell
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
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
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
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2008
ÅMA0 Sannsynlighetsregning med statistikk, våren 008 Kp. Sannsynlighetsregning (sannsynlighetsteori).5 Betinget sannsynlighet Betinget sannsynlighet (kp..5) - innledning Eks.: Et terningkast; {,, 3, 4,
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
DetaljerBetinget sannsynlighet
Betinget sannsynlighet Multiplikasjonsloven for sannsynligheter (s. 49 i bok): P( AB ) = P( A B ) P(B) Veldig viktig verktøy for å finne sannsynligheter for snitt. (Bevises ved rett fram manipulering av
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA0 Sannsnlighetsregning med statistikk, våren 007 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) (kp. 3.7) (notater)
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering
ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 21. april Bjørn H. Auestad Oppsummering våren
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Tilfeldige variable (5.2) Dersom vi til hvert utfall av eksperimentet tilordner et tall, har vi laget en tilfeldig variabel.
DetaljerTilfeldige variable (5.2)
Tilfeldige variable (5.) Dersom vi til hvert utfall av eksperimentet tilordner et tall, har vi laget en tilfeldig variabel. Tilfeldig variabel: En variabel som har en numerisk verdi for hvert utfall i
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 6, blokk I Løsningsskisse Oppgave 1 Vi antar X er normalfordelt, X N(3315, 55 2. Ved bruk av formelheftet finner
DetaljerDiskrete sannsynlighetsfordelinger som histogram. Varians. Histogram og kumulativ sannsynlighet. Binomial-fordelingen
Diskret sannsynlighetsfordeling (kap 1.1-1.6) Oversikt Utfallsrom (sample space) Sannsynlighetsfordeling Forventning (expectation), E(, populasjonsgjennomsnitt Bruk av figurer og histogram Binomialfordelingen
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
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Kapittel 5: Sannsynlighetsfordelinger for diskrete variabler Bo Lindqvist Institutt for matematiske fag 2 Tilfeldige variabler (5.1) Dersom vi til hvert utfall av eksperimentet
DetaljerDiskrete sannsynlighetsfordelinger som histogram. Varians. Histogram og kumulativ sannsynlighet. Forventning (gjennomsnitt) (X=antall mynt i tre kast)
Diskret sannsynlighetsfordeling (kap 1.1-1.6) Oversikt Utfallsrom (sample space) Sannsynlighetsfordeling Forventning (expectation), E(X), populasjonsgjennomsnitt Bruk av figurer og histogram Binomialfordelingen
DetaljerTerningkast. Utfallsrommet S for et terningskast med en vanlig spillterning med 6 sider er veldefinert 1, 2, 3, 4, 5, 6
Terningkast Halvor Aarnes, UiO, 2014 Innhold Ett terningkast og utfallsrom... 1 Union og snitt... 4 Betinget sannsynlighet... 5 Forventningsverdi E(X) og varianse Var(X)... 5 Konfidensintervall for proporsjoner...
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 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
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
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
DetaljerLøsningskisse seminaroppgaver uke 15
HG April 0 Løsningskisse seminaroppgaver uke 5 Oppg. 5.6 La X = antall barn i utvalget som har lærevansker. Andel barn med lærevansker i populasjonen av barn antas å være p = 0,5. Utvalgsstørrelsen er
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Hypergeometrisk modell
ÅMA Sannsnlighetsregning med statistikk, våren 6 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) Hpergeometrisk modell
DetaljerKapittel 5: Diskrete sannsynsfordelingar TMA4245 Statistikk. 5.2 Diskret uniform fordeling NTNU NTNU NTNU
Kapittel 5: Disrete sasysfordeligar TMA4245 Statisti Rep.: Forvetig, varias og ovarias Forvetig (tygdeput, geeraliserig av empiris gjeomsitt): < P x µ = E(X) = R xf(x) (Xdisret) : xf(x)dx (Xotiuerlig)
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
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
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
DetaljerUtvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer.
Utvalgsfordelinger Vi har sett at utvalgsfordelinger til en statistikk (observator) er fordelingen av verdiene statistikken tar ved mange gjenttatte utvalg av samme størrelse fra samme populasjon. Utvalg
DetaljerSFB LØSNING PÅ EKSAMEN HØSTEN 2018
SFB107111 - LØSNING PÅ EKSAMEN HØSTEN 018 Eksamen høsten 018 Oppgave 1 Anta at 70% av studentene spiller fotball og at 0% ikke spiller fotball. Anta at av de som spiller fotball så er det 40% som spiller
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
DetaljerHogskoleni Østfold EKSAMEN. Eksamenstid: kl til k
Hogskoleni Østfold EKSAMEN Emnekode: SFB10711 Dato: 5. jan 2015 Hjelpemidler: Kalkulator Utlevert formelsamling Emne: Metodekurs I: Grunnleggende matematikk og statistikk (Statistikk, ny og utsatt eksamen)
DetaljerLøsningskisse seminaroppgaver uke 11 ( mars)
HG Mars 008 Løsningskisse seminaroppgaver uke (0.-4. mars) ECON 0 EKSAMEN 004 VÅR Oppgave En gitt prøve er laget som en flervalgsprøve ( multiple choice test ). Prøven består av tre spørsmål. For hvert
Detaljerbetyr begivenheten at det blir trukket en rød kule i første trekning og en hvit i andre, mens B1 B2
ECON30: EKSAMEN 06v SENSORVEILEDNING. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i
Detaljer6.2 Normalfordeling. Høyde kvinner og menn. 6.1 Kontinuerlig uniform fordeling. Kapittel 6
3 6.2 Normalfordeling Kapittel 6 Noen kontinuerlige sannsynlighetsfordelinger TMA4245 V2007: Eirik Mo Normalfordeling: Sannsynlighetstettheten til en normalfordelt stokastisk variabel, X, med forventning
DetaljerMULTIPLE CHOICE ST0103 BRUKERKURS I STATISTIKK September 2016
MULTIPLE CHOICE ST0103 BRUKERKURS I STATISTIKK September 2016 SETT RING RUNDT DET RIKTIGE SVARET FOR HVER OPPGAVE. Oppgave 1 Stokastisk forsøk Stokastiske forsøk karakteriseres ved to av følgende egenskaper.
DetaljerLitt mer om den hypergeometriske fordelingen og dens tilnærming av binomisk fordeling.
1 ECON 2130 HG mars 2015 Litt mer om den hypergeometriske fordelingen og dens tilnærming av binomisk fordeling. Grunnen til dette supplementet er dels at forholdet mellom hypergeometrisk og binomisk fordeling
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
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.
DetaljerKapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.4-5.7: Normalfordelingen, normalapproksimasjon, eksponensial og gamma.
TMA4240 Statistikk H2010 Kapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.4-5.7: Normalfordelingen, normalapproksimasjon, eksponensial og gamma. Mette Langaas Foreleses mandag 27. september 2010 2
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
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,
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Sara Martino a, Torstein Fjeldstad b Tlf: a 994 03 330, b 962 09 710 Eksamensdato: 28. november 2018 Eksamenstid
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
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
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 Ei bedrift produserer elektriske komponentar. Komponentane kan ha to typar
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksamen i: ECON30 Statistikk UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 03.06.06 Sensur kunngjøres: 4.06.06 Tid for eksamen: kl. 09:00 :00 Oppgavesettet er på 5 sider Tillatte hjelpemidler:
DetaljerEKSAMEN I ST2101 STOKASTISK MODELLERING OG SIMULERING Onsdag 1. juni 2005 Tid: 09:00 14:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 6 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38 EKSAMEN I ST2101 STOKASTISK MODELLERING OG SIMULERING
DetaljerKapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering
Kapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering TMA4245 Statistikk Kapittel 8.1-8.5. Kapittel 9.1-9.3+9.15 Turid.Follestad@math.ntnu.no p.1/21 Har sett
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
DetaljerEKSAMEN I EMNE TMA4265/SIF5072 STOKASTISKE PROSESSER Onsdag 10. august 2005 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 6 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38 EKSAMEN I EMNE TMA4265/SIF5072 STOKASTISKE PROSESSER
DetaljerHøgskoleni østfold EKSAMEN
et) Høgskoleni østfold EKSAMEN Emnekode:Emne: SFB10711Metode 1 Statistikkdel Dato: 5. feb. 2016Eksamenstid: kl. 1400 Hjelpemidler: Kalkulator Utlevert formelsamling til kl. 1800 Faglærer: Nils Ingar Arvidsen
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
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
DetaljerLøsning eksamen desember 2017
Løsning eksamen desember 017 Oppgave 1 Innfører hendelsene D: enheten er defekt K: enheten blir kassert a i Disse sannsynlighetene kan leses ut av oppgaveteksten: P D = 0, 10 P K D = 0, 07 P K D = 0, 95
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
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................................
DetaljerKapittel 3: Stokastiske variable og sannsynlighetsfordelinger
Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger TMA4245 Statistikk (B, K1, I) 3.1, 3.2, 3.3 foreleses torsdag 15.januar 0.00 0.02 0.04 0.06 0.08 160 170 180 190 hoyde i cm Mette.Langaas@math.ntnu.no
Detaljer