Kap. 7 - Sannsynlighetsfordelinger
|
|
- Asbjørn Morten Frantzen
- 7 år siden
- Visninger:
Transkript
1 Oppgaver: Kap. 7 - Sannsynlighetsfordelinger Oppgaver fra kapitlet Lærebok: ,7.--7, 7.-, 7., 7., 7.7 Oppgavesamling: 7.00, 7.0, 7.09, 7., 7.9, 7., 7.0, 7.0, Stokastisk variabel: Verdi av gevinst: X Som er i utfallsrommet 0,0,00,00,00 Sannsynlighetsmodell: p() PX 00 p PX 0 PX PX 0 PX 00 X 00 X 00 p00 p00 p og 7.0: 9 EX p VarX 9.9 p som kan forenkles til: p 9.9 (Se side 78!) Utregningene gjør vi med lommeregner: {0,0,00,00,00} STOL {9/000,/0,/00,/00} STO L og -Var Stats L,L gir: 9.9 (EX ) 7. (VarX 7. 07) 7.0: Pris pr. lodd: 0 kroner Overskudd ved kjøp av et lodd: Y X 0 a) y p() EY ypy av 0 fordelinger.te
2 VarX 0. p som kan forenkles til: p 0. (Se side 78!) b) EY EX 0 EX VarY VarX 0 VarX 07 7.: Z X a) Oppgaven mener vel X og ikke Y her... Kan bruke modellen over, bare bytte ut X : 0,0,00,00,00 med Z : 0,00,00,00,00 og gjøre det samme som i 7.0 og 7.0 om igjen. Men, det er for mye arbeid, når man isteden kan gjøre: b) EZ EX EX VarZ VarX VarX VarX 08 c) Husk at prisen pr. lodd er 0 kroner (oppgave 7.0) Da får vi en ny stokastisk variabel: Forventet gevinst ved kjøp av ett lodd: Z 0 med forventning EZ 0 EZ Dette betyr at loddkjøpere i gjennomsnitt vil tape 0 øre pr. lodd. Selger de alle loddene vil de derfor tjene: X: Antall AP-velgere i utvalg på n 0. Utfallsrom (definisjonsmengde): 0,,,...,0 Y: Antall SV-velgere i utvalg på n 0. Utfallsrom som X X og Y: Binomiske, da: Enkelteksperiment(delforsøk) (n ) med to utfall AP eller ikke AP Uavhengige. (Egentlig ikke, men "stor" by, så binomisk god tilnærming til hypergeometrisk fordeling.) Observerer antall suksesser. (suksessap) Fordelinger: PX b n p p n 0 PY y b y y n y p y p ny 0 y (binompdf(0,0.,) y (binompdf(0,0.,y) 0 a) PX b binompdf(0,0.,) c) PY b y binompdf(0,0.,) 0.87 Ekstra eksempel: Sannsynligheten for at vi vi får mellom og AP-velgere: PX,, PX X X PX PX PX (disjunkte!) binompdf(0,0.,)binompdf(0,0.,)binompdf(0,0.,) av 0 fordelinger.te
3 Hvis det er mange ledd, kan man bruke den andre funksjonen på DISTR,A:binomcdf( (ccumulativsum) binomcdf(0,0.,) regner ut alle sannsynlighetene opp til og med (0,,,,,) og binomcdf(0,0.,) regner ut alle sannsynlighetene opp til og med (0,,), så dermed får vi differansen (,,) som: binomcdf(0,0.,)-binomcdf(0,0.,) : EX np (binomisk) 0 0. (Antall AP-velgere man vil få i gjennomsnitt med gjentatte utvalg) VarX np p VarX.. Hvis fordelingen ikke hadde vært binomisk, kunne man regnet det ut manuelt: (Gjør dette bare for å illustrere hvordan man bruker lommeregneren) b() Denne tabellen (sannsynlighetsmodellen) kan man legge i L og L: binomdf(0,0.) STOL (binompdf med bare n 0 og p 0. genererer en liste med alle sannsynlighetene!) EX 0 0 b Lommeregner: Enten sum(l*l) eller STAT,CALC,-Var Stats L,L som gir: (gjennomsnitt/forventning) (standardavvik) AP: X,p 0.. SV: Y,q 0. Z: X Y Obs: n 00, ikke 0 i denne oppfølgingsoppgaven. EX np VarX np p EY nq VarY nq q EZ EX Y EX EY (Kan alltid brukes.) VarZ VarX Y VarX VarY Kan ikke brukes, da X og Y er avhengige av hverandre! av 0 fordelinger.te
4 Ser at Z er binomisk fordelt med p z Altså: VarZ np z p z (VarZ VarX Y VarX VarY gir 9 0 som altså er feil fordi X og Y er avhengige av hverandre.) 7.- Antall : X 0,, binomisk med n,p altså b b0 b 8 b I tabelll: 0 b() (binompdf(,/) gir {0.9,0.78,0.078} Sum øyne: Y,,,,,7,8,9,0,, Denne må settes sammen av et annet eksperiment, som er uniformt. (alle utfall like sannsynlige) Tenker oss at terningene er ordnet, f.eks. en rød og en blå terning. Da blir utfallsrommet U,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Her kan vi få på en måte (,), på to måter ((,) og (,)), på tre måter ((,), (,),(,)) o.s.v. Altså: y py 7.: EX np VarX np p ( VarX 0.7) 8 8 EY ypy (Ikke uventet, fordelingen er jo helt symmetrisk...) Vary y y 7 py som kan forenkles til: y y py 7 (Se side 78!) Men, dette gjøres selvfølgelig enklere ved å legge modellen i L og L og bruke -Var Stats, {,,,,,7,8,9,0,,} STOL og {,,,,,,,,,,}/ STOL som gir: 7... av 0 fordelinger.te
5 .98 som gir VarY Pengestykker: X 0,,, binomisk b Terning: Y,,,,,, uniformt uy Prisen kunden må betale: Z X 00Y EX np VarX np p EY yuy VarY y. uy Tar Y med lommeregner: {,,,,,} STO L og {,,,,,}/ STO L og -Var Stats L,L gir: som gir VarY (egentlig EZ E X 00Y EX 00EY VarZ Var X 00Y 000 VarX 00 VarY EZ 0 er hva kundene i gjennomsnitt må betale for en sykkel, hvis mange kunder er med på dette salget. 7. Fra 7. og har vi: EX VarX 8 EY 7 VarY Z X 00Y EZ E X 00Y Setningen VaraX by c a VarX b VarY gjelder bare hvis X og Y er uavhengige! 7.7 X binomisk med n 00 deleksperiment der P 0. (mark eller ikke). Antar at antallet vi plukker ut de 00 eplene fra er så stort at vi kan tilnærme hypergeometrisk fordeling med binomisk fordeling. b binompdf(00,0.,) a) EX np VarX np p VarX b) ) PX b binompdf(00,0.,)0.08 ) P X P.77 X.77 P0 X 0 binomcdf(9)-binomcdf(0)0. ) P X P.77 X.77 P X binomcdf()-binomcdf()0.9 av 0 fordelinger.te
6 Dette illustrerer noe som er vanlig ved symmetriske, klokkeformede fordelinger uten lange haler: Ca. / av fordelingen ligger mellom forventningenett standardavvik. Ca. 9% av fordelingen ligger mellom forventningento standardavvik. Dette gjelder for såkalte normalfordelinger. (Neste kapittel) Men det gjelder også for mange andre fordelinger som er tilnærmet lik en normalfordeling, som f.eks. binomiske fordelinger der n er rimelig stor og p ikke er altfor liten eller altfor stor a) Da alle p måp b) PX p p7 p c) Feil i oppgave. Skulle antagelig stått: "... eller flere drops i en pose...mindre enn..." (Slik det står blir sannsynligheten null! Kan ikke skje!) Anvender: PA B PAB PB PX X PX PX Binomiske delforsøk, enten rette eller galt, n, uavhengighet. U 0,,,...,, Kari: X, suksess-sannsynlighet p k 0., b k binompdf(,0.,) Jonas: Y, suksess-sannsynlighet p j 0., b j y y 0. y 0. y binompdf(,0.,) a) EX np k 0..0 VarX np k p k EY np y 0. 9 VarY np j p j y.. 90 b) Legger i lommeregner: {0,,,,,,,7,8,9,0,,,,,} STO L binompdf(,0.) STO L binompdf(,0.) STO L STATPLOT : Type histogram,xlist:l, Ylist L og STATPLOT : Type histogram, Xlist: L, Ylist L gir da histogrammene. Har ikke histogram i denne tekstbehandleren, så jeg bruker punkter isteden: y Altså like, men forskjøvet i forhold til hverandre. av 0 fordelinger.te
7 7.09 Antall X fiskersomersmittetietutvalgpån 0 med suksess-sannsynlighet p 0.. Binomisk fordelt: b) PX b a) EX np 0 0. VarX np p c) ) PX 0 b binomcdf(0,0.,) 0.87 ) PX PX ) P X b binomcdf(0,0.,)-binomcdf(0,0.,) 0.97 d) binompdf(0,0.) STO L Kan da se på listen med STAT,EDIT: {0.,0.70,0.8,...,E-0} e) V er fordelt binomisk med b v n n PV PV binomcdf(n,0.,) Prøver binomcdf(n,0.,) med forskjellige n til vi finner en passende verdi: n 0 : 0. (allerede regnet ut) n 0 : 0.70 n 0 : 0. n : 0. n : 0.9 n : Skål: N 00, A 0, N A 0 Utvalg: n 0, X antall nøtter av type A a) Hypergeometrisk fordeling: h A N n NA n Kan tilnærme (se siste halvdel av oppgaven) med binomisk fordeling da n 0 er relativt liten i forhold til N 00. Da har vi b binompdf(0,0.,) b) og e) Hypergeometrisk er dessverre ikke med i fordelingene på lommeregneren på DISTR. (geometpdf er noe annet!) Så, det greieste er å legge inn som funksjon: Y(0 ncr X)*(0 ncr (0-X))/(00 ncr 0) Da kan vi regne ut sannsynligheter med Y(0), Y() o.s.v. og generere hele tabellen med: seq(y,x,0,0) STO L og {0,,,,,,,7,8,9,0} STO L Binomisk: binompdf(0,0.) STO L Vi får da tabellene i fasiten. c) og f) Hypergeometrisk: -Var stats L,L gir: 7 av 0 fordelinger.te
8 EX VarX. Finnes en formel her også, som er en modifikasjon av formlene for binomisk (se oppgave 7.0!) EX n A N VarX Nn n A A n N N Leddet Nn sier en del om hvor god tilnærmingen er, den bør ikke være så langt unna. n Legg merke til at p A Nn gir np p altså helt likt binomisk bortsett fra det første leddet! N n Binomisk: EX np 0 0. np p d) og f) STATPLOT med hypergeometrisk med L og L, og binomisk med L og L gir omtrent dette: y La oss først se på utfallene av farver i ordnet rekkefølge (før vi går løs på kronene): Lurt å sette opp et tre-diagram! Ser at vi får et tre med 8 muligheter. (Minus fordi vi ikke kan trekke gule!) U S,SS,H,S,G,H,S,H,H,H,G,G,S,G,H Sannsynlighetsmodellen blir: utfall S,S S,H S,G H,S H,H H,G G,S G,H sannsynlighet Da blir sannsynlighetsmodellen for X : X SS.SH,HS HH.SG,GS HG,GH px Bør sjekke at summen av alle blir! EX p VarX EX p p EX Legg {,.,,.,} i L og {,,,,}/ i L og bruk -Var Stats. Ikke noe poeng å regne ut eksakte brøker manuelt. d) som a), b) og c) med litt andre tall for sannsynlighetene. Gidder ikke ta dette. 8 av 0 fordelinger.te
9 7. a) Fordi summen av alle sannsynlighetene er. b) Se fasit. Dette er den såkalte kumulative (akkumulerte/summerte) fordelingen, altså 0 p c) PX PX d) EX p VarX. p p (Kan legge fordelingen i L og L og bruke -Var Stats.) VarX e) f) Fordelingen blir: Y py Utfallsrommet er definisjonsmengden for Y, altså {00,0,00,00} g) Somid) Bruker lommeregner med {00,0,00,00} i L og {0.,0.,0.,0.} i L. -Var Stats L,L gir: EY. VarY 70. VarY Tolkning av forventning til Y: Når Ole har solgt mange krukker, vil gjennomsnittlig inntekt for hver solgte krukke bli ca Hypergeometrisk tilfelle: N 0,K, M N K n Antall kvinner i utvalget: X er altså fordelt: PX h Lommeregner: Y( ncr X)( ncr (-X))/(0 ncr ) Kan legge inn fordelingene i lister: {0,,,} i L og seq(y,x,0,) i L a) Fordelingen blir da: h0 h o.s.v. X 0 PX 0 0 b) Tar forventningen også for treningens skyld: EX h Finnes også en ferdig-formel, omtrent som i binomisk: EX n p n K N 0 VarX EX h h EX K N n NK n 0 9 av 0 fordelinger.te
10 Ferdig-formel: VarX Nn n K K som tilsvarer binomisk formel: N N N korreksjonsledd n p p VarX PX p a Utfallsrom:,, a a) p gir: a a a a 9 9 b) Dette gir sannsynlighetsmodellen: X p c) EX p. 9 SDX 0. Tok med {,,} i L og {,9,}/9 i L og -Var Stats. d) Se fasit, bare å bytte ut med Y X 7.0 (Se også 7.07 og 7.08!) Antall mennesker i kø: X er fordelt PX p! e Utfallsrom: 0,,,,... Dette er den såkalte Poissonfordelingen med parameter k. (Se 7.08) Denne brukes ofte i beregning av antall folk i køer og antall feil i produksjonen. Et interessant poeng er at EX VarX k! Tolkningen av k er gjennomsnittlig antall personer i køen. a) PX p! e 0. b) PX p! e 0. c) Lommeregner: Y ^X*e ^(-)/! {0,,,,...,0} i L og (Y,X,0,0) i L d) EX p VarX EX p.7 Fant med -Var Stats L,L Vi ser at EX VarX k! Dette er også poenget i 7.07 og av 0 fordelinger.te
Fagdag 5-3MX. Kommentarer
Fagdag 5-3MX Kommentarer 4 - Ogaver I) En sesiell sannsynlighetsfordeling. 7-10, 30, 40 (Samme roblemstilling følges o gjennom 3 ogaver) 7.10-30-40-50-51 (50 og 51 bruker formler fra 7.5 side 272) Stokastisk
DetaljerOppgaver fra 8.3, 8.4, , 8.51, 8.52, 8.231, 8.232, 8.250, 8.252
Oppgaver fra 8.3, 8.4, 8.5 8.41, 8.51, 8.52, 8.231, 8.232, 8.250, 8.252 8.41 Populasjon: Tilfeldig variabel X : Trekke en tilfeldig flaske og måle volumet Ukjent sannsynlighetsfordeling, men forventning
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:
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
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
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
DetaljerStatistikk 1 kapittel 5
Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2016 Kapittel 5 Sannsynlighetsmodeller I kap. 4 så vi et eksempel med en s.v. X som hadde en uniform sannsynlighetsfordeling: alle verdier av x har like
DetaljerTMA4240 Statistikk 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 2017 Kapittel 5 Sannsynlighetsmodeller I kap. 4 så vi et eksempel med en s.v. X som hadde en uniform sannsynlighetsfordeling: alle verdier av x har like
DetaljerStatistikk 1 kapittel 5
Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2015 Kapittel 5 Sannsynlighetsmodeller I kap. 4 så vi et eksempel om en s.v. X som hadde en uniform sannsynlighetsfordeling: alle verdier av x har like
DetaljerLøsningsforslag Eksamen S2, høsten 2017 Laget av Tommy O. Sist oppdatert: 26. november 2017
Løsningsforslag Eksamen S, høsten 017 Laget av Tommy O. Sist oppdatert: 6. november 017 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x 4x 3. Vi bruker regelen samt regelen (x n ) = nx
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
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
DetaljerLøsningsforslag til obligatorisk oppgave i ECON2130 våren 2014 av Jonas Schenkel.
Løsningsforslag til obligatorisk oppgave i ECON2130 våren 2014 av Jonas Schenkel. Det er i flere av oppgavene flere fremgangsmåter. Om din måte var riktig burde komme frem i rettingen. A Både X og Y tilfredsstiller
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
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
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
DetaljerLøsningsskisse eksamen 3MX
Løsningsskisse eksamen 3MX.6.6 Ikke sjekket, kan være feil. a) f 5tan 5 sincos 5 cos cos Eller: f 5tan 5tan 5 tan 5tan 5 (Produktregel) b) g u 3, u cos g 3u sin 3 cos sin (Kjerneregel. Kan multipliseres
DetaljerSannsynlighet og statistikk S2 Løsninger
Sannsynlighet og statistikk S2 Løsninger Innhold 3. Stokastiske variabler og sannsynlighetsfordelinger... 2 3.2 Forventningsverdi Varians Standardavvik... 9 3.3 Normalfordelingen... 7 3.4 Sentralgrensesetningen...
DetaljerMAT4010 PROSJEKTOPPGAVE: Statistikk i S2. Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem
MAT400 PROSJEKTOPPGAVE: Statistikk i S2 Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem 20. mai 205 Innhold. Stokastisk Variabel.. Stokastiske variable som funksjoner 3 2. Forventningsverdi
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
DetaljerLøsningskisse for oppgaver til undervisningsfri uke 8 ( februar 2012)
1 ECON 130 HG - februar 01 Løsningskisse for oppgaver til undervisningsfri uke 8 (0.-. februar 01) Oppg..1. Variabel: x = antall kundehenvendelser pr. dag 1. Antall observasjoner: n = 100 dager. I Excel
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
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...
DetaljerEksamensoppgave i Løsningsskisse TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i Løsningsskisse TMA440 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland a, Sara Martino b Tlf: a 48 18 96, b 99 40 33 30 Eksamensdato: 30. november
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.
DetaljerIllustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.20).
Econ 130 HG mars 017 Supplement til forelesningen 7. februar Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.0). Regel 5.19 sier at summer, Y X1 X X
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
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
Detaljer, men det blir svært tungvindt her.) 3 xe3x 1 9 e3x C 1 9 e3x 3x 1 C
Oppgave a) Deriver funksjonene: ) fx x sinx uv u v uv gir: f x x sinx x cosx x sinx x cosx ) gx sinx sinxcosx sinx, x k cosx cosx g x cosx (x k) (Kan også bruke u v u vuv, men det blir svært tungvindt
DetaljerÅMA110 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 2010, s. 1. Oppgave 1. Histogram over frekvenser.
ÅMA1 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 0, s. 1 (Det tas forbehold om feil i løsningsforslaget.) a) Gjennomsnitt: x = 1 Emp. standardavvik: Median: 1 (1.33 + 1.) = 1.35
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
DetaljerStatistikk 1 kapittel 4
Statistikk 1 kapittel 4 Nico Keilman ECON 2130 Vår 2017 Kapittel 4 Stokastiske (tilfeldige) variabler Anta 1) Vi kjenner sannsynligheter for ulike utfall knyttet til et forsøk 2) Hvert utfall har en (meningsfull)
DetaljerKapittel 4.3: Tilfeldige/stokastiske variable
Kapittel 4.3: Tilfeldige/stokastiske variable Litt repetisjon: Sannsynlighetsteori Stokastisk forsøk og sannsynlighet Tilfeldig fenomen Individuelle utfall er usikre, men likevel et regulært mønster for
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010. ÅMA110 Sannsynlighetsregning med statistikk, våren 2010
ÅMA Sannsynlighetsregning med statistikk, våren Kp. Diskrete tilfeldige variable ÅMA Sannsynlighetsregning med statistikk, våren Kp. Diskrete tilfeldige variable Diskrete tilfeldige variable, innledning
DetaljerEKSAMEN KANDIDATNUMMER: EKSAMENSDATO: 26. mai 2006. SENSURFRIST: 16. juni 2006. KLASSE: HIS 04 07. TID: kl. 8.00 13.00.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. BtG207 EKSAMENSDATO: 26. mai 2006. SENSURFRIST: 16. juni 2006. KLASSE: HIS 04 07. TID: kl. 8.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER
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
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
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
DetaljerLøsningsforslag til seminar 4 Undervisningsfri uke
Løsningsforslag til seminar 4 Undervisningsfri uke Iman Ghayoornia February 22, 2016 Oppgave 2.1 Se Excel-filen som er tilgjengelig på emnesiden. Hvis du lurer på hvordan jeg fikk verdiene i cellene så
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
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
DetaljerFormelsamling i medisinsk statistikk
Formelsamling i medisinsk statistikk Versjon av 6. mai 208 Dette er en formelsamling til O. O. Aalen (red.): Statistiske metoder i medisin og helsefag, Gyldendal, 208. Gjennomsnitt x = n (x + x 2 + x 3
DetaljerForelesning 3. april, 2017
Forelesning 3. april, 2017 APPENDIX TIL KAP. 6 Sentralgrenseteoremet AVSNITT 6.3 Anvendelser av sentralgrenseteoremet Histogrammer S-kurver Q-Q-plot Diverse eksempler MGF for følger av uavhengige identisk
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:
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
DetaljerKap. 5.2: Utvalgsfordelinger for antall og andeler
Kap. 5.2: Utvalgsfordelinger for antall og andeler Binære data (1/0, Ja/Nei, Suksess/Feil) Utvalgsundersøkelser: Ja/Nei-spørsmål Tilstedeværelse av arter: Tilstede/Ikke-tilstede (1/0) Overlevelse etter
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)
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
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
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}
DetaljerEKSAMEN KANDIDATNUMMER: EKSAMENSDATO: 10. juni Ingeniørutdanning. TID: kl EMNEANSVARLIG: Hans Petter Hornæs
KANDIDATNUMMER: EKSAMEN EMNENAVN: EMNENUMMER: Statistikk. Rea181 EKSAMENSDATO: 1. juni 28 KLASSE: Ingeniørutdanning. TID: kl. 9. 13.. EMNEANSVARLIG: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 3 (innkl.
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:. f(x 0 for alle x R 2. f(xdx = 3. P (a
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn
DetaljerPrøve 6 1T 24.02.12 80 minutter. Alle hjelpemidler
Prøve 6 T 24.02.2 80 minutter. Alle hjelpemidler Oppgave I boks A er det 6 svarte og 2 hvite kuler. I boks B er det 8 svarte og 4 hvite kuler. Vi trekker en kule fra en av krukkene. a) va er sannsynligheten
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
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
1 ECON130: EKSAMEN 014 VÅR - UTSATT PRØVE TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variason i vanskelighetsgrad. Svarene er gitt i >. Oppgave 1 Fra en eldre
DetaljerSannsynlighet og statistikk
Sannsynlighet og statistikk Innhold Kompetansemål Sannsynlighet og statistikk, S... 3. Stokastiske variabler og sannsynlighetsfordelinger... 3 Stokastisk forsøk... 3 Definisjon av sannsynlighet og sannsynlighetsmodell...
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
DetaljerPrøvemidtveiseksamen TMA4240 Statistikk H2004
Prøvemidtveiseksamen TMA4240 Statistikk H2004 Lagt ut 21.09.2004, løsningsforslag tilgjengelig 04.10.2004. Tilatte hjelpemiddel: Bestemt enkel kalkulator, dvs. HP30S. Tabeller og formler i statistikk (Tapir).
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
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.
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
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
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,
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
DetaljerSannsynlighetsregning og kombinatorikk
Sannsynlighetsregning og kombinatorikk Introduksjon Formålet med sannsynlighet og kombinatorikk er å kunne løse problemer i statistikk, somoftegårutpååfattebeslutninger i situasjoner der tilfeldighet rår.
DetaljerHypergeometrisk modell
Hpergeometrisk modell Tilnærming til binomisk fordeling - enklere å beregne binomiske sannsnligheter Dersom n er liten i forhold til N, er det tilnærmet uavhengighet mellom resultatene i ulike trekninger/
DetaljerLøsningsforslag Eksamen S2, høsten 2016 Laget av Tommy Odland Dato: 27. januar 2017
Løsningsforslag Eksamen S, høsten 016 Laget av Tommy Odland Dato: 7. januar 017 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x 3 5x, og vi kommer til å få bruk for reglene (ax n ) = anx
DetaljerSTK1100 våren Betinget sannsynlighet og uavhengighet. Svarer til avsnittene 2.4 og 2.5 i læreboka
STK1100 våren 2017 Betinget sannsynlighet og uavhengighet Svarer til avsnittene 2.4 og 2.5 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Eksempel 1 Vi vil først ved hjelp av et eksempel
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,
DetaljerÅMA 110 (TE 199) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 2005, s. 1. Oppgave 1
ÅMA 0 (TE 99) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 005, s. Oppgave a) P (X 0) 0.04 + 0.04 + 0.06 + 0.06 + 0. + 0. + 0. 0.6 P (0 X 40) 0.0 + 0.0 + 0.04 + 0.04 + 0.06 0.0 P
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
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
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
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
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
Detaljer6 x P (X = x) = x=1 = P (X 2 = 6)P (X 2 = 6)P (X 3 = 6) =
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 4, blokk I Løsningsskisse Oppgave 1 a) Utfallsrommet til X 1 er {1, 2,, 4, 5, }. Sannsynlighetsfordelingen
DetaljerNotater til forelesning i Sannsynlighetsregning SK 101 Matematikk i grunnskolen I
Notater til forelesning i Sannsynlighetsregning SK 101 Matematikk i grunnskolen I 4 Kombinatorikk Vi må lære tellemetoder når valgtrær, som vi brukte tidligere, blir for store og vanskelig å håndtere.
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
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 2.8: Bayes regel 3.1: Stokastisk variabel 3.2: Diskrete sannsynlighetsfordelinger 3.3: Kontinuerlige sannsynlighetsfordelinger Mette Langaas Foreleses onsdag 1. september 2010
DetaljerLøsningsforslag Eksamen S2, våren 2014 Laget av Tommy O. Sist oppdatert: 1. september 2018 Antall sider: 11
Løsningsforslag Eksamen S, våren 014 Laget av Tommy O. Sist oppdatert: 1. september 018 Antall sider: 11 Finner du matematiske feil, skrivefeil, eller andre typer feil? Dette dokumentet er open-source,
DetaljerS2 - Eksamen V Løsningsskisser. Del 1
Litt foreløpige, si ifra hvis dere finner feil! Oppgave 1 S - Eksamen V10-6.06.10 Løsningsskisser Del 1 1) Produktregel: f x x lnx x 1 x x lnx x x lnx 1 ) Kjerneregel: f x 3e x 3e u, u x f x 3e u x 6xe
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.
DetaljerEKSAMEN KANDIDATNUMMER: EKSAMENSDATO: 11. juni HiS Jørstadmoen. TID: kl EMNEANSVARLIG: Hans Petter Hornæs
KANDIDATNUMMER: EKSAMEN EMNENAVN: EMNENUMMER: Statistikk. BtG27 EKSAMENSDATO: 11. juni 28 KLASSE: HiS 6-9 Jørstadmoen. TID: kl. 8. 13.. EMNEANSVARLIG: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 4 (innkl.
DetaljerSTK1000 Uke 36, Studentene forventes å lese Ch 1.4 ( ) i læreboka (MMC). Tetthetskurver. Eksempel: Drivstofforbruk hos 32 biler
STK1000 Uke 36, 2016. Studentene forventes å lese Ch 1.4 (+ 3.1-3.3 + 3.5) i læreboka (MMC). Tetthetskurver Eksempel: Drivstofforbruk hos 32 biler Fra histogram til tetthetskurver Anta at vi har kontinuerlige
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
DetaljerFagdag 5-08.01.09. 2) Du skal fylle ut en tippekupong. På hvor mange måter kan dette gjøres?
Fagdag Plan Fagdag - 08.01.0 1,2 time: Repetisjon kapittel 3 - Sannsynlighet Oppgaver Teori (lesestoff) 3, time: Arbeide med.1 og.2: 16, 17, 18, 1 3, time: Ekstra vurdering før terminoppgjør Repetisjon
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
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
DetaljerEt lite notat om og rundt normalfordelingen.
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Observasjoner Histogram Viser fordelingen av faktiske observerte
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
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
DetaljerKapittel 5: Tilfeldige variable, forventning og varians.
Kapittel 5: Tilfeldige variable, forventning og varians. Tilfeldige variable Tilfeldige variable kalles også stokastiske variable. En tilfeldig variabel er en variabel som får sin numeriske verdi bestemt
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
DetaljerLitt om forventet nytte og risikoaversjon. Eksempler på økonomisk anvendelse av forventning og varians.
H. Goldstein Revidert januar 2008 Litt om forventet nytte og risikoaversjon. Eksempler på økonomisk anvendelse av forventning og varians. Dette notatet er ment å illustrere noen begreper fra Løvås, kapittel
Detaljer5.2 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
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Øvelsesoppgave i: ECON2130 Statistikk 1 Dato for utlevering: Mandag 22. mars 2010 Dato for innlevering: Fredag 9. april 2010 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Innleveringssted: Ved siden av SV-info-senter
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,
Detaljer