Terningkast. Utfallsrommet S for et terningskast med en vanlig spillterning med 6 sider er veldefinert 1, 2, 3, 4, 5, 6

Størrelse: px
Begynne med side:

Download "Terningkast. Utfallsrommet S for et terningskast med en vanlig spillterning med 6 sider er veldefinert 1, 2, 3, 4, 5, 6"

Transkript

1 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... 7 Sum av to terninger... 8 Sum av tre terninger Triangulære tall Ett terningkast og utfallsrom Utfallsrommet S for et terningskast med en vanlig spillterning med 6 sider er veldefinert 1, 2, 3, 4, 5, 6 Sannsynligheten P for et av disse tallene i et terningkast er 1/6. 1

2 P 1 6 1, 2, 3, 4, 5, 6 X er en diskret (diskontinuerlig) stokastisk (tilfeldig) variabel som representerer alle mulige utkomme av et terningkast. Et terningkast stokastisk eksperiment. Variabelen X har ingen enkeltverdi, men har en statistisk diskret sannsynlighetsfordeling av verdier. P(X = x i ) betyr sannsynligheten for at den tilfeldige variabelen X skal ha verdien x i, hvor x i er et tall i utfallsrommet {1, 2, 3, 4, 5, 6}. En hendelse kan ikke samtidig både skje og ikke skje, de utelukker hverandre gjensidig. Når terningen kastes er alle utfall 1 til 6 uavhengige av hverandre. Sannsynlighet P som befinner seg i intervallet [0, 1] er en tellbar egenskap som tilhører en samling undermengder (delmengder) av en universell mengde, det totale utfallsrommet S. Den totale sannsynlighet er lik 1, P(S) = 1, og sannsynligheten kan aldri være større enn 1. Den diskrete variabelen X for et terningkast er uniformt fordelt og summen av sannsynlighetene blir lik 1: P 1 Vi ønsker å uttrykke sannsynligheten for en hendelse (event) i S. Sannsynlighet har en analogi med en masse = 1 som kan bli fordelt i varierende tykkelse over et område på den reelle tall-linjen. Noen steder på aksen tall-linje plasserer man mye av massen, på andre deler lite eller ingenting. Der hvor man har plassert mest masse blir det størst sannsynlighet. Dette gjenspeiles i begrepet sannsynlighettetthetsfunksjon. Hvis det ikke er noen skjevhet i uttaket av prøver fra S så vil punktsannsynligheten P(x i ) være lik for alle elementene (objektene) x i i S. Sannsynligheten P uttrykkes som en fraksjon (brøk), prosent eller desimaltall e.g. ½ = 50% = Sannsynligheten for at hendelse A skal skje, P(A), er lik brøken antall måter man kan få hendelse A (=suksess) 2

3 dividert på det totale utfallsrommet S som inneholder antall mulige utkomme. Den komplementære hendelsen,, at A ikke skjer, blir 1-P(A). 1 Sannsynligheten for å kaste en treer er P(X = 3) = 1/6. Figur 1. Simulering av utfall av ett terningkast gjentatt en million ganger, og som gir en uniform fordeling av sannsynligheter, 1/6 = Alle utfallene 1til 6 er like sannsynlige. 3

4 Figur 2. Simulering av utfall av ett terningkast gjentatt en million ganger, Alle utfallene 1til 6 er like sannsynlige, som også vist i Figur 1. Sannsynligheten for å få en sekser i ett terningkast er P(X = 6) = 1/6, sannsynligheten for å få to seksere i to terningkast er 1/6 2 = 1/36. Dette er to uavhengige hendelser hvor sannsynligheten følger multiplikasjonsregelen. Sannsynligheten for å få tre seksere i tre terningkast er 1/6 3 =1/216. Sannsynligheten for å få n seksere i n terningkast er 1/6 n. Sannsynligheten for ikke å få en sekser i et terningkast er 1-P(X = 6) = 5/6. Union og snitt Union (U) tilsvarer logisk og. Snitt ) tilsvarer logisk eller. Sannsynligheten for at terningen viser 4, 5 eller 6 blir: Hva er sannsynligheten for å få et liketall eller et multiplum av 3 (delelig på 3) ved å kaste en terning? Vi har undermengden liketall: A = {2, 4, 6} fra utfallsmengden S

5 og undermengden multiplum av 3: B = {3, 6} Vi er interessert i unionen AUB = {2, 3, 4, 6} P(AUB) = 4/6 = 2/3, fordi unionen har 4 elementer. Vi kunne ha regnet ut på en annen måte: Sannsynligheter kan visualiseres med Venn-diagram. Betinget sannsynlighet 1.Vi kaster en vanlig spillterning med utfallsrommet S = {1, 2, 3, 4, 5, 6}. Det er kjent at resultatet er et liketall, det vil si undermengden A = {2, 4, 6}, og vi har en en betinget sannsynlighet. P(B A). Gitt hendelse A, hva er sannsynligheten for hendelse B. Hva er sannsynligheten for at et av disse liketallene er delelig med 3? Dette gir undermengden B = {3, 6}). Hvis begge disse hendelsene skal være oppfylt er det snittet av A og B, A B = {6} Sannsynligheten for B gitt A blir: Forventningsverdi E(X) og varianse Var(X) Sannsynlighetsteori er studiet av tilfeldige utkomme i et eksperiment. Tilfeldig betyr at utkomme ikke er fastlagt på forhånd, det er innebygget en usikkerhet i eksperimentutfallet. Sannsynlighet og mengdelære har samme logiske struktur. Forventningsverdi E(X) for en diskret variabel er: 5

6 For ett terningkast: Forventningen E(X) for et kast av en perfekt eller rettferdig terning, hvor X er alle mulige utfall, er 3.5. Du får ikke 3.5 ved å kaste en terning, men det er et veiet gjennomsnitt (middelverdi) Jo større variansen er desto mindre sannsynlig er det å treffe på forventningsverdien. Variansen Var(X) for en diskret variabel er: Kan også skrives som: µ hvor µ er gjennomsnittsverdien Forventning og varianse eksisterer bare hvis rekkene konvergerer. V ariansen ved å gjenta ett terningkast blir ca. 2.9: Fordelingsfunksjonen (sannsynlighetsmassefunksjonen) 6

7 Sannsynlighetstettsfunksjonen f(x) for en stokastisk diskret variabel X er: Hvis X er en tilfeldig endimensjonal variabel som inneholder objektene x så vil fordelingsfunksjonen F(x) (sannsynlighetsmassefunksjonen) være definert som: Den kumulative sannsynligheten,kumulativ fordelingsfunksjon F(x), får vi ved å summere punktsannsynlighetene. Fordelingsfunksjonen F(x) befinner seg i [0,1], slik at for alle reelle x: 0 1 lim 0 lim 1 Hvis massen er plassert slik at det er brudd i plasseringen er fordelingsfunksjonen diskret (diskontinuerlig), og er massen plassert kontinuerlig er fordelingsfunksjonen kontinuerlig. Konfidensintervall for proporsjoner Hvis man har X suksess i n forsøk så blir andelen suksess vi bruker p hatt ( )om et forhold i en prøve, og p for populasjonen. Gjennomsnittet til samplingsfordelingen til blir lik p. Det finnes forskjellige metoder for beregning av konfidensintervall for proporsjoner. Tradisjonelt har man bare brukt:

8 men den er ofte lite dekkende og bedre er er Agresti-Coull metoden for beregning av konfidensintervallsom hvor man tilføyer to suksess og to ikke-suksess: 2 4 Konfidensintervallet for forholdet blir: hvor Z = 1.96 for 95% konfidensintervall og Z = 2.58 got 99% konfidensintervall. Sum av to terninger Utfallsrommet for summen av antall øyne på for de sidene som vender opp ved kast av to rettferdige terninger er: 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 Vi skal summere øyne på to terninger. Følgende 6 x 6 matrise viser mulige utfall for summen av to terninger. Antall mulige utfall ved kast av to terninger er lik 36 (6 2 ). 8

9 Figur 3. Simulering av summen av to terninger gjentatt ganger. Histogrammet er symmetrisk med summen 7 som det mest sannsynlige utfall, og de mest sjelde utfall er summen 2 = og 12 = , 1 2, 1 3, 1 4, 1 5, 1 6, 1 1, 2 2, 2 3, 2 4, 2 5, 2 6, 2 1, 3 2, 3 3, 3 4, 3 5, 3 6, 3 1, 4 2, 4 3, 4 4, 4 5, 4 6, 4 1, 5 2, 5 3, 5 4, 5 5, 5 6, 5 1, 6 2, 6 3, 6 4, 6 5, 6 6, 6 Punktsannsynlighetene for summering av øyne på to terninger blir: /36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36 9

10 Disse sannsynlighetene kommer som skrålinjer i matrisen ovenfor, nederst fra venstre og opp mot høyre. 1+1=2 2+1=3 3+1=4 4+1=5 5+1=6 6+1=7 1+2=3 2+2=4 3+2=5 4+2=6 5+2=7 6+2=8 1+3=4 2+3=5 3+3=6 4+3=7 5+3=8 6+3=9 1+4=5 2+4=6 3+4=7 4+4=8 5+4=9 6+4=10 1+5=6 2+5=7 3+5=8 4+5=9 5+5=10 6+5=11 1+6=7 2+6=8 3+6=9 4+6=10 5+6=11 6+6=12 Figur 4. Stolpediagram som viser simulering av summen to terninger gjentatt ganger. 1. Hva er sannsynligheten for å kaste summen 7 med to terninger? 6/36 = 1/6 2. Hva er sannsynligheten for å kaste summen 6 ved kast av to terninger? 5/36 = 13.9%. Summen av sannsynlighetene for hele utfallsrommet er lik 1. Vi kan regn ut forventet verdi E(X) og varians Var(X) for summen av to terninger. Forventet verdi blir ca. 7 og variansen er ca

11 Figur 4. Stolpediagram som viser den kumulative sannsynlighetsfordelingen med diskrete verdier hvor summen av alle sannsynlighetene blir lik 1. Oppgave Kast to terninger og beregn summen av punkter ( øyne ) for de to sidene som vender opp. Gjenta forsøket minst 30 ganger. Sett en strek for hver gang summen blir lik tallet i tabellen nedenfor. Lag en grafisk framstilling Sum Strek for hvert utkomme Totalantall

12 Vi kan regn ut forventet verdi E(X) og varians Var(X) for summen av to tern inger. Fremstill resultatet grafisk og sammenlign med de teoretiske utfa llene. Sum av tre terninger Det er 6 3 =216 mulige utfall ved kast av tre terninger. Det er det samme om en terning kastes tre ganger eller tre terninger en gang hvis det ikke er noen interaksjon mellom terningene. Sannsynligheten for hvert av disse utfallene er1/216 Utfallsrommet for summen av antall øyne på for de sidene som vender opp ved kast av tre terninger 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18 Alle mulige kombinasjoner for summen ved kast av tre terninger er 6 3 =

13 Antall mulige utkomme for sum av kast av tre terninger: Sum Antall utkomme Det er bare 1 måte å få sum 3 = og 18 = Figur 5. Histogram for sannsynlighetene for simulering av sum av tre terninger gjentatt ganger. Histogrammet er symmetrisk. 13

14 Figur 6. Stolpediagram som viser frekvensen av sum av tre terninger gjentatt ganger. Figur 7. Stolpediagram som viser den kumulative sannsynlighetsfordelingen med diskrete verdier for summen av tre terninger, hvor summen av alle sannsynlighetene blir lik 1. 14

15 Forventningsverdien E(X) for sum av tre terninger er ca Oppgave Kast tre terninger og beregn summen av punkter ( øyne ) for sidene som vender opp. Gjenta forsøket minst 30 ganger. Sett en strek for hver gang summen blir lik tallet i tabellen nedenfor. Framstill grafisk Sum Strek for hvert utfall Totalantall Hvis du kaster ti terninger samtidig eller hver for seg. Hva er sannsynligheten for å få akkurat tre seksere? Ca. 15.5%. Dette er ti Bernoulli-forsøk med mulig utkomme 1/6 (sukse ss) og 5/6 (ikke-suksess). Triangulære tall Triangulære tall angir hvor mange måter heltallet N kan skrives som summen av tre positive tall. Eksempler på triangulære tall er 0, 1, 3, 6, 10, 15, 21, 28, 36, 45, Et triangulære tall T n

16 Summen av to påhverandre følgende triangulære tall er et kvadrattall. For tabellen over er for n > 8 er det ikke lenger triangulære tall. Tallet 9 kan skrive s som 1+1+7, 1+7+1, 7+1+1, men siden terningen stopper ved tallet 6 følger ikke sum av terninger rekken lenger de triangulære tallene, men symmetrien kommer tilbake igjen for n > 12. Referanser Wikipedia R Development Core Team (2011). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN , URL (PS. På min gamle hjemme-pc har jeg ikke fått somlet meg til en oppdatering). 16

Galton-brett og sentralgrenseteorem

Galton-brett og sentralgrenseteorem Halvor Aarnes, IBV, 2014 Galton-brett og sentralgrenseteorem På et Galton-brett (Sir Francis Galton) beveger kuler for eksempel erter eller klinkekuler seg som følge av tyngdekraften på et skråstilt brett

Detaljer

Myntkast og binomialfordelingen

Myntkast og binomialfordelingen Myntkast og binomialfordelingen Halvor Aarnes, UiO, 2014 Innhold Myntkast... 1 Fakultetsfunksjonen og binomialkoeffisienter... 6 Bernoullifordeling... 8 Binomialfordelingen og Bernoulli-eksperimenter...

Detaljer

Forelening 1, kapittel 4 Stokastiske variable

Forelening 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

Detaljer

Pilkast og kjikvadrat fordelingen

Pilkast og kjikvadrat fordelingen Pilkast og kjikvadrat fordelingen Halvor Aarnes, IBV, 014 Innhold Pilkast... 1 Simulering av pilkast... Kjikvadratfordelingen og gammafordelingen... 3 Rayleigh-fordelingen... 5 Pilkast brukt til å estimere

Detaljer

TMA4240 Statistikk H2010

TMA4240 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

Detaljer

Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger

Kapittel 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

ST1101/ST6101 Sannsynlighetsregning og statistikk Vår 2019

ST1101/ST6101 Sannsynlighetsregning og statistikk Vår 2019 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag ST/ST Sannsynlighetsregning og statistikk Vår 9 Oppgaver fra boka 3..9 Ved et terningkast anses utfallet antall øyne lik for

Detaljer

Diskrete sannsynlighetsfordelinger som histogram. Varians. Histogram og kumulativ sannsynlighet. Forventning (gjennomsnitt) (X=antall mynt i tre kast)

Diskrete 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

Detaljer

Kapittel 4.3: Tilfeldige/stokastiske variable

Kapittel 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

Detaljer

Diskrete sannsynlighetsfordelinger som histogram. Varians. Histogram og kumulativ sannsynlighet. Binomial-fordelingen

Diskrete 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

Detaljer

Bernoulli forsøksrekke og binomisk fordeling

Bernoulli 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

Detaljer

Sannsynlighetsregning og Statistikk

Sannsynlighetsregning og Statistikk Sannsynlighetsregning og Statistikk Leksjon 2. Leksjon 2 omhandler begreper og regneregler for sannsynligheter. Dette er behandlet i kapittel 3.1 og 3.2 i læreboka. Du bør når du har fullført leksjon 2

Detaljer

TMA4240 Statistikk H2010

TMA4240 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)

Detaljer

3.1 Stokastisk variabel (repetisjon)

3.1 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)

Detaljer

STK1100 våren Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner

STK1100 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

Detaljer

Eksempel: kast med to terninger

Eksempel: 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,),...,(,)}

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008

ÅMA110 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,

Detaljer

Statistikk 1 kapittel 5

Statistikk 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

Detaljer

Sum to terninger forts. Eksempel: kast med to terninger. Sum to terninger forts. Kapittel 3. TMA4240 H2006: Eirik Mo

Sum to terninger forts. Eksempel: kast med to terninger. Sum to terninger forts. Kapittel 3. TMA4240 H2006: Eirik Mo 3 Sum to terninger forts. Kapittel 3 TMA4240 H200: Eirik Mo 2 3 4 5,,2,3,4,5, 2 2, 2,2 2,3 2,4 2,5 2, Andre 3 3, 3,2 3,3 3,4 3,5 3, terning 4 4, 4,2 4,3 4,4 4,5 4, 5 5, 5,2 5,3 5,4 5,5 5,,,2,3,4,5, Med

Detaljer

TMA4240 Statistikk H2010 Kapittel 5: Diskrete sannsynlighetsfordelinger : Uniform, binomisk, hypergeometrisk fordeling

TMA4240 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.

Detaljer

ECON Statistikk 1 Forelesning 4: Stokastiske variable, fordelinger. Jo Thori Lind

ECON 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

Detaljer

TMA4240 Statistikk Høst 2008

TMA4240 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

Detaljer

1 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 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

Detaljer

Regneregler for forventning og varians

Regneregler 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

Detaljer

Statistikk 1 kapittel 5

Statistikk 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

Detaljer

Betinget sannsynlighet

Betinget 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

Detaljer

STK1100 våren Forventningsverdi. Forventning, varians og standardavvik

STK1100 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 (

Detaljer

Tilfeldige variabler. MAT0100V Sannsynlighetsregning og kombinatorikk

Tilfeldige 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

Detaljer

ST0103 Brukerkurs i statistikk Høst 2014

ST0103 Brukerkurs i statistikk Høst 2014 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag ST0103 Brukerkurs i statistikk Høst 2014 Løsningsforslag Øving 1 2.1 Frekvenstabell For å lage en frekvenstabell må vi telle

Detaljer

STK Oppsummering

STK 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

Detaljer

Oppfriskning av blokk 1 i TMA4240

Oppfriskning 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 2 Sannsynlighetsregning (sannsynlighetsteori) 1 Grunnbegrep Stokastisk forsøk: forsøk med uforutsigbart utfall Enkeltutfall: et av de mulige

Detaljer

Høgskolen 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 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:

Detaljer

Foreleses onsdag 8. september 2010

Foreleses 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

Detaljer

Kapittel 4.4: Forventning og varians til stokastiske variable

Kapittel 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

Detaljer

MAT4010 PROSJEKTOPPGAVE: Statistikk i S2. Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem

MAT4010 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

Detaljer

ST0202 Statistikk for samfunnsvitere

ST0202 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.

Detaljer

Tilfeldige variable (5.2)

Tilfeldige 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

Detaljer

TMA4240/TMA4245 Statistikk Oppsummering diskrete sannsynlighetsfordelinger

TMA4240/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

Detaljer

Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.20).

Illustrasjon 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

Detaljer

Test, 3 Sannsynlighet og statistikk

Test, 3 Sannsynlighet og statistikk Test, 3 Sannsynlighet og statistikk Innhold 3. Stokastiske variabler og sannsynlighetsfordelinger... 3. Forventningsverdi, varians og standardavvik... 5 3.3 Normalfordelingen... 4 3.4 Sentralgrensesetningen...

Detaljer

TMA4245 Statistikk Eksamen desember 2016

TMA4245 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

Detaljer

Denne uken: Kapittel 4.3 og 4.4

Denne uken: Kapittel 4.3 og 4.4 Sist: Kapittel 4.1, 4.2, 4.5 Tilfeldighet Sannsynlighetsmodeller Regler for sannsynlighet Denne uken: Kapittel 4.3 og 4.4 Tilfeldige variable Forventning og varians til tilfeldige variable Litt repetisjon:

Detaljer

Statistikk 1 kapittel 5

Statistikk 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

Detaljer

Litt om forventet nytte og risikoaversjon. Eksempler på økonomisk anvendelse av forventning og varians.

Litt 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

Detaljer

Løsningsforslag ECON 2130 Obligatorisk semesteroppgave 2017 vår

Løsningsforslag 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011 ÅMA110 Sannsynlighetsregning med statistikk, våren 2011 Kp. 2 Sannsynlighetsregning (sannsynlighetsteori) 1 Grunnbegrep Stokastisk forsøk: forsøk med uforutsigbart utfall Enkeltutfall: et av de mulige

Detaljer

Midtveiseksamen i STK1100 våren 2017

Midtveiseksamen 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

Detaljer

Forelesning 5: Kontinuerlige fordelinger, normalfordelingen. Jo Thori Lind

Forelesning 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

Statistikk 1 kapittel 5

Statistikk 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

Detaljer

Sannsynlighetsregning

Sannsynlighetsregning Sannsynlighetsregning Per G. Østerlie Thora Storm vgs per.osterlie@stfk.no 5. april 203 Hva og hvorfor? Hva? Vi får høre at det er sannsynlig at et eller annet kommer til å skje. Sannsynligheten for å

Detaljer

Sannsynlighetsbegrepet

Sannsynlighetsbegrepet Sannsynlighetsbegrepet Notat til STK1100 Ørnulf Borgan Matematisk institutt Universitetet i Oslo Januar 2004 Formål Dette notatet er et supplement til kapittel 1 i Mathematical Statistics and Data Analysis

Detaljer

Sannsynlighetsregning og kombinatorikk

Sannsynlighetsregning og kombinatorikk Sannsynlighetsregning og kombinatorikk Introduksjon Formålet med sannsynlighet og kombinatorikk er å kunne løse problemer i statistikk, somoftegårutpååfattebeslutninger i situasjoner der tilfeldighet rår.

Detaljer

µ = E(X) = Ʃ P(X = x) x

µ = 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.

Detaljer

SANNSYNLIGHETSREGNING

SANNSYNLIGHETSREGNING SANNSYNLIGHETSREGNING Er tilfeldigheter tilfeldige? Når et par får vite at de skal ha barn, vurderes sannsynligheten for pike eller gutt normalt til rundt 50/50. Det kan forklare at det fødes omtrent like

Detaljer

ECON240 Høst 2017 Oppgaveseminar 1 (uke 35)

ECON240 Høst 2017 Oppgaveseminar 1 (uke 35) ECON40 Høst 017 Oppgaveseminar 1 (uke 35) Oppgaver til prerequisites og kapittel 1 fra læreboken Example P.1, P.5, P.6, P.7, P.8, P.9, P.11, P.1, P.13, og P.14 Example 1.1, 1., 1.3, 1.4, 1.6, 1.7, 1.9,

Detaljer

ST0202 Statistikk for samfunnsvitere

ST0202 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

Detaljer

Innledning kapittel 4

Innledning kapittel 4 Innledning kapittel 4 Sannsynlighet og tilfeldighet Basert på materiale fra Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Deterministiske fenomener Almanakk for Norge viser: når det er fullmåne

Detaljer

Sannsynligheten for en hendelse (4.2) Empirisk sannsynlighet. ST0202 Statistikk for samfunnsvitere

Sannsynligheten for en hendelse (4.2) Empirisk sannsynlighet. ST0202 Statistikk for samfunnsvitere 2 Sannsynligheten for en hendelse (4.2) Sannsynligheten for en hendelse sier oss hvor ofte vi forventer at hendelsen inntreffer, dvs. den forventede relative frekvens av hendelsen. ST0202 Statistikk for

Detaljer

ECON240 Vår 2018 Oppgaveseminar 1 (uke 6)

ECON240 Vår 2018 Oppgaveseminar 1 (uke 6) ECON240 Vår 2018 Oppgaveseminar 1 (uke 6) Oppgaver til prerequisites og kapittel 1 fra læreboken Example P.1, P.5, P.6, P.7, P.8, P.9, P.11, P.12, P.13, og P.14 Example 1.1, 1.2, 1.3, 1.4, 1.6, 1.7, 1.9,

Detaljer

TMA4240 Statistikk H2010

TMA4240 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

Detaljer

Utfordring. TMA4240 Statistikk H2010. Mette Langaas. Foreleses uke 40, 2010

Utfordring. 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

Detaljer

Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger

Kapittel 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

Detaljer

Sannsynlighet og statistikk

Sannsynlighet 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...

Detaljer

STK1100 våren Introduksjon til sannsynlighetsbegrepet. Deterministiske fenomener. Stokastiske forsøk. Litt historikk

STK1100 våren Introduksjon til sannsynlighetsbegrepet. Deterministiske fenomener. Stokastiske forsøk. Litt historikk STK1100 våren 2016 Introduksjon til sannsynlighetsbegrepet Svarer til avsnittene 2.1 og 2.2 i læreboka Geir Storvik Basert på presentasjon av Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Deterministiske

Detaljer

Innledning kapittel 4

Innledning kapittel 4 Innledning kapittel 4 Sannsynlighet og tilfeldighet Basert på materiale fra Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Deterministiske fenomener Almanakk for Norge viser: når det er fullmåne

Detaljer

Stokastisk variabel. Eksempel augefarge

Stokastisk variabel. Eksempel augefarge Dagens tekst Kap 3: Stokastiske variable og sannsynsfordelingar Stokastisk variabel: Diskret sannsynsfordeling: Kontinuerleg sannsynsfordeling: Kummulativ sannsynsfordeling: Diskret simultanfordeling Kontinuerleg

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 3 Diskrete tilfeldige variable. Diskrete tilfeldige variable, varians (kp. 3.

ÅMA110 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

Detaljer

Kap. 7 - Sannsynlighetsfordelinger

Kap. 7 - Sannsynlighetsfordelinger Oppgaver: Kap. 7 - Sannsynlighetsfordelinger Oppgaver fra kapitlet Lærebok: 7.0-0-0-,7.--7, 7.-, 7., 7., 7.7 Oppgavesamling: 7.00, 7.0, 7.09, 7., 7.9, 7., 7.0, 7.0, 7.0 7.0-0-0-0- Stokastisk variabel:

Detaljer

Statistikk 1 kapittel 4

Statistikk 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)

Detaljer

Eksamensoppgave i TMA4240 Statistikk

Eksamensoppgave 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

Detaljer

Statistikk. Forkurs 2017

Statistikk. Forkurs 2017 Statistikk Forkurs 2017 Hva er statistikk? Undersøke Registrere Lage oversikt Presentasjon av informasjon Formidle Arbeidet med statistikk kan vi dele inn i to hovedområder: Samle inn og ordne opplysninger

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010. ÅMA110 Sannsynlighetsregning med statistikk, våren 2010

ÅMA110 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

Detaljer

Statistikk. Forkurs 2018

Statistikk. Forkurs 2018 Statistikk Forkurs 2018 Hva er statistikk? Undersøke Registrere Lage oversikt Presentasjon av informasjon Formidle Arbeidet med statistikk kan vi dele inn i to hovedområder: Samle inn og ordne opplysninger

Detaljer

INNHOLD. Matematikk for ungdomstrinnet

INNHOLD. Matematikk for ungdomstrinnet INNHOLD STATISTIKK... 2 FREKVENS... 2 RELATIV FREKVENS... 2 FREKVENSTABELL... 2 KLASSEDELING... 3 SØYLEDIAGRAM (STOLPEDIAGRAM)... 3 LINJEDIAGRAM... 4 SEKTORDIAGRAM... 4 HISTOGRAM... 4 FRAMSTILLING AV DATA...

Detaljer

FORMELSAMLING TIL STK1100 OG STK1110

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

Detaljer

Kontinuerlige sannsynlighetsfordelinger.

Kontinuerlige 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

Detaljer

Sannsynlighet og statistikk S2 Løsninger

Sannsynlighet 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...

Detaljer

Sannsynlighetsregning og Statistikk.

Sannsynlighetsregning og Statistikk. Sannsynlighetsregning og Statistikk. Leksjon Velkommen til dette kurset i sannsynlighetsregning og statistikk! Vi vil som lærebok benytte Gunnar G. Løvås:Statistikk for universiteter og høyskoler. I den

Detaljer

Løsningskisse for oppgaver til undervisningsfri uke 8 ( februar 2012)

Løsningskisse 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

Detaljer

ST0202 Statistikk for samfunnsvitere

ST0202 Statistikk for samfunnsvitere ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Fra første forelesning: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av

Detaljer

Introduction to the Practice of Statistics

Introduction to the Practice of Statistics David S. Moore George P. McCabe Introduction to the Practice of Statistics Fifth Edition Chapter 4: Probability: The Study of Randomness Copyright 2005 by W. H. Freeman and Company Statistisk inferens

Detaljer

MULTIPLE CHOICE ST0103 BRUKERKURS I STATISTIKK September 2016

MULTIPLE 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.

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren

ÅMA110 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

Detaljer

6 x P (X = x) = x=1 = P (X 2 = 6)P (X 2 = 6)P (X 3 = 6) =

6 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

Detaljer

Tilfeldige variabler. MAT0100V Sannsynlighetsregning og kombinatorikk

Tilfeldige variabler. MAT0100V Sannsynlighetsregning og kombinatorikk MAT000V Sannsynlighetsregning og kombinatorikk Tilfeldige variabler og sannsynlighetsfordelinger (repetisjon) Hypergeometrisk fordeling (repetisjon) Binomisk fordeling Forventningsverdi Tilfeldige variabler

Detaljer

Kontinuerlige stokastiske variable.

Kontinuerlige stokastiske variable. Kontinuerlige stokastiske variable. I forelesning har vi sett på en kontinuerlig stokastisk variabel med sannsynlighetstetthet f() =2 og sannsynlighetsfunksjon F () = 2 for. Der hadde jeg et reint regneteknisk

Detaljer

Formelsamling V-2014 MAT110. Statistikk 1. Per Kristian Rekdal

Formelsamling 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Grunnbegrep. Grunnbegrep, sannsynligheten for et utfall

ÅMA110 Sannsynlighetsregning med statistikk, våren Grunnbegrep. Grunnbegrep, sannsynligheten for et utfall ÅM110 Sannsynlighetsregning med statistikk, våren 006 Kp. Sannsynlighetsregning (sannsynlighetsteori) 1 Grunnbegrep Stokastisk forsøk: forsøk med uforutsigbart utfall Enkeltutfall: et av de mulige utfallen

Detaljer

Slide 1. Slide 2 Statistisk inferens. Slide 3. Introduction to the Practice of Statistics Fifth Edition

Slide 1. Slide 2 Statistisk inferens. Slide 3. Introduction to the Practice of Statistics Fifth Edition Slide 1 David S. Moore George P. McCabe Introduction to the Practice of Statistics Fifth Edition Chapter 4: Probability: The Study of Randomness 9/22/2010 Copyright 2005 by W. H. Freeman and Company Slide

Detaljer

STK1100 våren Introduksjon til sannsynlighetsbegrepet. Svarer til avsnittene 2.1 og 2.2 i læreboka

STK1100 våren Introduksjon til sannsynlighetsbegrepet. Svarer til avsnittene 2.1 og 2.2 i læreboka STK1100 våren 2017 Introduksjon til sannsynlighetsbegrepet Svarer til avsnittene 2.1 og 2.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Deterministiske fenomener Almanakk for Norge

Detaljer

ØVINGER 2017 Løsninger til oppgaver. 3.1 Myntkast For et enkelt myntkast har vi to mulige utfall, M og K. Utfallsrommet blir

ØVINGER 2017 Løsninger til oppgaver. 3.1 Myntkast For et enkelt myntkast har vi to mulige utfall, M og K. Utfallsrommet blir ØVINGER 017 Løsninger til oppgaver Øving 3.1 Myntkast For et enkelt myntkast har vi to mulige utfall, M og K. Utfallsrommet blir S = {M, K}. Med to etterfølgende myntkast blir utfallsrommet S = {MM, MK,

Detaljer

STK1100 våren Introduksjon til sannsynlighetsbegrepet. Deterministiske fenomener. Stokastiske forsøk. Litt historikk

STK1100 våren Introduksjon til sannsynlighetsbegrepet. Deterministiske fenomener. Stokastiske forsøk. Litt historikk STK1100 våren 2017 Introduksjon til sannsynlighetsbegrepet Svarer til avsnittene 2.1 og 2.2 i læreboka Deterministiske fenomener Almanakk for Norge viser: når det er fullmåne når det er soloppgang og solnedgang

Detaljer

DEL 1 GRUNNLEGGENDE STATISTIKK

DEL 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................................

Detaljer

3.4: Simultanfordelinger (siste rest) 4.1,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen)

3.4: 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,

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Kapittel 2: Sannsynlighet

Kapittel 2: Sannsynlighet Kapittel 2: Sannsynlighet Definisjoner: Noen grunnleggende begrep. Stokastisk forsøk: Et forsøk/eksperiment der det er tilfeldig hva utfall blir. Utfallsrom, : Mengden av alle mulige utfall av et stokastisk

Detaljer

A) 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.

A) 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:

Detaljer

Forelesning 3, kapittel 3. : 3.2: Sannsynlighetsregning. Kolmogoroffs aksiomer og bruk av disse.

Forelesning 3, kapittel 3. : 3.2: Sannsynlighetsregning. Kolmogoroffs aksiomer og bruk av disse. Forelesning 3, kapittel 3. : 3.2: Sannsynlighetsregning. Kolmogoroffs aksiomer og bruk av disse. Den klassiske definisjonen (uniform modell) av sannsynlighet for en hendelse A i et utfallsrom S er at sannsynligheten

Detaljer

Kapittel 2: Hendelser

Kapittel 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

Detaljer