Statistikk 1 kapittel 5

Størrelse: px
Begynne med side:

Download "Statistikk 1 kapittel 5"

Transkript

1 Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2017

2 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 stor verdi for tettheten Generelt: Gitt en stokastisk variabel X, uniform fordelt på intervallet a x b Tettheten f(x) er f(x) = 1/(b-a), a x b f(x) = 0 ellers, fordi arealet under f(x)-kurven må være lik 1. En kan vise at E(X) = (a + b)/2 Var(X) = (b a) 2 /12 Den uniforme fordelingen er et eksempel på en bestemt sannsynlighetsmodell

3 En sannsynlighetsmodell definerer hele sannsynlighetsfordelingen til en bestemt s.v. (eller den simultane fordelingen til flere s.v. er samtidig). Kan gis enten i form av en tabell (diskret s.v.) eller en formel (både diskret og kontinuerlig s.v.). Sannsynlighetsfordelingen i form av en tabell er ofte (men ikke alltid) empirisk (erfaringsmessig, databasert). Da gjelder den bare den ene situasjonen. Fordelinger i form av en formel er mer anvendelige, større bruksområde. 3

4 Eksempel (jfr. oppgave 4.3): antall seksere i tre kast s.v. X Tabell: x P(X=x) 0 (5/6) 3 = 125/ (1/6).(5/6) 2 = 75/ (1/6) 2.(5/6) = 15/216 3 (1/6) 3 = 1/216 Formel: P(X=x) = 3 x (sjekk selv) 1 6 x x, x = 0,1,2,3 Formel kortere enn tabell, men uklart hva sannsynlighetene blir med 2, eller 4, eller 5, eller n kast. Sannsynlighetsmodell for antall seksere i n kast: P(X=x) = n 1 x 5 n x, x = 0, 1, 2,, n x 6 6 Mer generell, fordi antall kast n kan velges fritt 4

5 Enda mer generell: sannsynlighet p på suksess istedenfor 1/6. F. eks. myntkast, p=½ for kron/mynt Kaster n ganger. Hvor ofte kron? S.v. X P(X=x) = n x p x 1 p n x, n= 1, 2, 3, ; x = 0, 1, 2, n, 0 < p < 1 Denne modellen kalles for binomisk sannsynlighetsmodell. X har en binomisk fordeling. n og p er parametere, som er avhengige av situasjonen. X er en s.v. Leddet n x kalles for binomialkoeffisient. (i mange andre sammenhenger ser du n k ) 5

6 Definisjon binomisk modell En binomisk modell beskriver sannsynligheten for et bestemt antall vellykkete forsøk («suksess») i en såkalt binomisk forsøksrekke - Forsøket kan deles opp i n delforsøk - Hvert forsøk har bare to utfall: A og ikke-a - Sannsynligheten P(A) er den samme i alle delforsøkene: p - Delforsøkene er statistisk uavhengige av hverandre Hvis X er antall ganger at A inntreffer, er X binomisk fordelt P(X=x) = n p x x 1 p n x, n= 1, 2, 3, ; x = 0, 1, 2, n, 0 < p < 1, der n er antall delforsøk og p=p(a) Kortform: X ~ bin(n,p) tegnet ~ står for «har sannsynlighetsfordeling:» 6

7 To eksempler 1) Oppgave 4.11 Antall jenter X i en familie med 4 barn. p = 0,486 X ~ bin(4, 0,486) P(X=x) = 4 x 0,486 x 0,514 4 x, x = 0, 1, 2, 3, 4 2) Antall personer som stemmer Høyre blant 1000 tilfeldig valgte personer. p=0,268 fra Stortingsvalg 2013 P(X=x) = 1000 x 0,268 x 0, x, x = 0, 1, 2,, 1000 Forutsetningene? 7

8 Egenskaper for binomisk fordelt s.v. Anta at X ~ bin(n,p) Regel 5.3 sier at E(X) = n.p, Var(X) = n.p.(1-p) Bevis på s. 488 X er antall jenter i en 4-barnsfamilie (p=0,486). Forventet antall jenter E(X) blir lik 4 x 0,486 = 1,944 jenter Varians til X blir 4 x 0,486 x 0,514 = 0,999 SD(X) = 1,000 jente Når n og p varierer får vi en hel rekke fordelinger. For noen av disse er P(X x) blitt tabellert: kumulativ binomisk fordeling. 8

9 Tabell over kumulativ binomisk fordeling (tabell E1, s. 534) NB Tabellen viser den kumulative fordelingen!! Eksempel 1 Kaster en mynt 10 ganger P(minst 4 ganger kron)? X s.v. antall ganger kron X ~ bin(10, ½). n=10, p=½ P(X 4) = 1 P(X 3) = 1 0,172 = 0,828 = 83% 9

10 Tabell over kumulativ binomisk fordeling (tabell E1, s. 534) NB Tabellen viser den kumulative fordelingen!! Eksempel 2 Kaster en mynt 10 ganger X s.v. antall ganger kron X ~ bin(10, ½). P(eksakt 4 ganger kron)? P(X=4) = P(X 4) P(X 3) = = 0,377 0,172 = 0,205 = 21% NB Vanlig triks for diskret s.v.: fra kumulert til punktsannsynlighet!! 10

11 Tabellen viser P(X x) bare for n 10 og noen få verdier for p. For stor n brukes Excel jfr. side 176, eller en tilnærming (regel 5.20 senere). 11

12 Eksemplet viser at P(X 39) = 0,643 for en binomisk fordelt s.v. X~bin(90, 0,42) BINOM.FORDELING.N(antall_s;forsøk;sannsynlighet_s;kumulativ) Antall_s Antall forsøk med vellykket utfall. Forsøk Antall uavhengige forsøk. Sannsynlighet_s Sannsynligheten for å lykkes ved hvert forsøk. Kumulativ En logisk verdi som bestemmer funksjonens form. Hvis kumulativ er lik SANN, returnerer BINOM.FORDELING.N den kumulative fordelingsfunksjonen, eller sannsynligheten for at det maksimalt er antall_s vellykkede forsøk. Hvis kumulativ er USANN, returneres punktsannsynlighet, som er sannsynligheten for at det skal bli antall_s vellykkede forsøk. 12

13 Hypergeometrisk fordeling Forutsetning binomisk forsøk: samme sannsynlighet på «suksess» i hvert delforsøk Henger sammen med at delforsøkene er basert på trekning med tilbakelegging Mange delforsøk men trekning uten tilbakelegging? 13

14 Eksempel: Damenes 3 mil under Vinter-OL Salt Lake City 2002 N = 50 deltakere. Anta at M = 10 av disse var dopet. Det ble trukket n=6 deltakere for dopingtest. To av disse var positive: Olga Danilova og Larissa Lazutina. Hva er sannsynligheten for at vi skulle trekke to som var dopet? Antall trukne som er dopet er en s.v. X - Antall mulige utvalg 6 fra 50 er lik 50 6 kombinasjonsregelen - Antall «gunstige» utvalg: 2 som er dopet kan trekkes på 10 2 ulike måter, mens de øvrige 4 kan trekkes på ulike måter Dermed blir sannsynligheten for at vi trekker 2 som har dopet seg lik P X=2 = = 0,259 = 26% 14

15 På samme måte P X=1 = =0,414 større enn P(X=2)!! Og P X=0 = =0,242 Sannsynlighet for at ingen blir avslørt er hele 24%! For alle x: P X=x = 10 x 40 6 x 50 6, x=0,1,2,3,,6 Eksempel på en hypergeometrisk fordeling 15

16 Hypergeometrisk fordeling Populasjon på N enheter M av disse er merket, M N n blir trukket X er s.v.: antall enheter som er merket, blant de n som vi trakk P X=x = M x N M n x N n, x=1,2,3,,n, x M Andelen p = M/N er merket E(X) = n.p = n.m/n Også: Var(X) = n.p. 1 p. N n N 1 bevis på side

17 Eksempel: Kortstokk 52 kort, 13 av disse er spar. Du får utdelt 13 kort. Hvor stor er sjansen på eksakt 5 spar? N = 52, M = 13, n = 13 Antall spar du får er en s.v. X P X = 5 = = 0,125 17

18 Dopingeksemplet n=6, M=10, N=50 p = M/N = 0,2 Vi fant P(X = 0) = 0,242 P(X = 1) = 0,414 P(X = 2) = 0,259 Hva om vi (feilaktig) hadde antatt en binomisk fordeling? X~ bin(6, 0,2) P(X=0) = 6 0 0,2 0 0,8 6 = 0,262 (hypergeometrisk 0,242) P(X=1) = 6 1 0,2 1 0,8 5 = 0,393 (hypergeometrisk 0,414) P(X=2) = 6 2 0,2 2 0,8 4 = 0,246 (hypergeometrisk 0,259) I praksis kan vi bruke binomisk fordeling istedenfor hypergeometrisk fordeling, så snart N > 10n. Her hadde vi N/n = 50/6 = 8,3 18

19 Hypergeometrisk vs. binomisk fordeling Samme forventning: E(X) = n.p Variansene er forskjellige Binomisk: Var(X) = n.p.(1-p) Hypergeometrisk: Var(X) = n.p. 1 p. N n, mindre enn binomisk N 1 Faktor N n N 1 = 1 n N 1 1 N går mot 1 for stor N og liten n/n Dopingeksemplet: Var(X) = 6 x 0,2 x 0,8 = 0,96 (binomisk) Var(X) = 0,96 x (50-6)/(50-1) = 0,86 (hypergeometrisk) ca 10% lavere 19

20 Merknad Løvås tar feil når han på side 177 skriver at sannsynligheten for at en merket enhet blir trukket ikke er den samme i hver enkelt trekning. Populasjon N M enheter er merket Trekker et tilfeldig utvalg av n enheter La P j være sannsynligheten at vi trekker en merket enhet i trekning j, j=1,2, n Første trekning: P 1 = M/N Andre trekning: P 2 = M 1 N 1.P 1 + M N 1. 1 P 1 = M N o.s.v. Jfr. også regel 3.28 s. 117, og Haralds notat som legges ut på semestersiden. 20

21 21

22 22

23 23

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

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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011

ÅMA110 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.

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

Litt mer om den hypergeometriske fordelingen og dens tilnærming av binomisk fordeling.

Litt 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

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

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

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

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

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

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

Løsningskisse seminaroppgaver uke 15

Løsningskisse 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

Detaljer

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i <<< >>>.

TALLSVAR. 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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 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)

Detaljer

Utvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer.

Utvalgsfordelinger. 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Noen viktige sannsynlighetsmodeller

ÅMA110 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

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

Sensurveiledning for eksamen i lgu52003 våren 2015

Sensurveiledning for eksamen i lgu52003 våren 2015 Sensurveiledning for eksamen i lgu5200 våren 205 Oppgave a) Gjennomsnittsfart fra 0-0 minutt: tilbakelagt strekning etter 0 min tilbakelagt strekning ved start tid = Gjennomsnittsfart fra 5-0 minutt: (5

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Binomisk modell. Kp. 3 Diskrete tilfeldige variable

ÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Binomisk modell. Kp. 3 Diskrete tilfeldige variable ÅMA Sannsynlighetsregning med statistikk, våren 006. 3 Diskrete tilfeldige variable Noen viktige sannsynlighetsmodeller Noen viktige sannsynlighetsmodeller (k. 3.6 Hyergeometrisk modell (k. 3.7 Geometrisk

Detaljer

Diskrete sannsynlighetsfordelinger.

Diskrete 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

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

Kap. 5.2: Utvalgsfordelinger for antall og andeler

Kap. 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

Detaljer

Econ 2130 Forelesning uke 10 (HG) Geometrisk og normal fordeling

Econ 2130 Forelesning uke 10 (HG) Geometrisk og normal fordeling Econ 2130 Forelesning uke 10 (HG) Geometrisk og normal fordeling 1 Geometrisk fordeling Binomisk forsøks-serie En serie likeartete forsøk med to mulige utfall, S og F, i hvert. (Modell) forutsetninger

Detaljer

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

ÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Hypergeometrisk modell

ÅMA110 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

Detaljer

A. i) Sett opp en frekvenstabell over de fire mulige kombinasjonene av kjønn og røykestatus. Dvs. fyll inn. Ikke - røyker Sum Jente Gutt Sum 25

A. i) Sett opp en frekvenstabell over de fire mulige kombinasjonene av kjønn og røykestatus. Dvs. fyll inn. Ikke - røyker Sum Jente Gutt Sum 25 1 ECON21: ESAEN 215v SENSORVEILEDNING. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i > Grensen til bestått bør ligge på ca

Detaljer

Løsningskisse for oppgaver til undervisningsfri uke 14 (6.-9. april)

Løsningskisse 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,

Detaljer

TMA4240 Statistikk H2015

TMA4240 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

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

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

Fasit for tilleggsoppgaver

Fasit 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

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

Diskrete sannsynlighetsfordelinger.

Diskrete 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

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

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

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

Terningkast. 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...

Detaljer

Observatorer. STK Observatorer - Kap 6. Utgangspunkt. Eksempel høyde Oxford studenter

Observatorer. 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

Detaljer

Høgskoleni østfold EKSAMEN

Høgskoleni 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

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

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 2009

TMA4240 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

Detaljer

Utvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer.

Utvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer. Utvalgsfordelinger Vi har sett at utvalgsfordelinger til en observator er fordelingen av verdiene observatoren tar ved mange gjenttatte utvalg av samme størrelse fra samme populasjon. Utvalg er en tilfeldig

Detaljer

Statistikk 1. Nico Keilman. ECON 2130 Vår 2014

Statistikk 1. Nico Keilman. ECON 2130 Vår 2014 Statistikk 1 Nico Keilman ECON 2130 Vår 2014 Pensum Kap 1-7.3.6 fra Løvås «Statistikk for universiteter og høgskoler» 3. utgave 2013 (eventuelt 2. utgave) Se overspringelsesliste på emnesiden Supplerende

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

Oppgave 1 Vi lar X være antall tankskip som ankommer havnen i løpet av en dag. Vi har fått oppgitt at X poisson(λ) med

Oppgave 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.

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

Utvalgsfordelinger (Kapittel 5)

Utvalgsfordelinger (Kapittel 5) Utvalgsfordelinger (Kapittel 5) Observator En observator er en funksjon av data for mange individer, for eksempel Gjennomsnitt Andel Stigningstall i regresjonslinje En observator er en tilfeldig variabel

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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering

ÅMA110 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

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

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

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

Emnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard

Emnenavn: 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

Detaljer

Hypergeometrisk modell

Hypergeometrisk 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/

Detaljer

5.2 Diskret uniform fordeling. Midtveiseksamen (forts.) Kapittel 5. Noen diskrete sannsynlighetsfordelinger. TMA4245 V2007: Eirik Mo

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

Detaljer

Hogskoleni Østfold EKSAMEN. Eksamenstid: kl til k

Hogskoleni 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)

Detaljer

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.

TALLSVAR. 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

Detaljer

ST0202 Statistikk for samfunnsvitere

ST0202 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

Detaljer

Noen diskrete sannsynlighetsfordelinger. (utarbeidet av Mette Langaas), TMA4245 V2007

Noen diskrete sannsynlighetsfordelinger. (utarbeidet av Mette Langaas), TMA4245 V2007 Kapittel 5 Noen diskrete sannsynlighetsfordelinger TMA4245 V2007: Eirik Mo 2 5.2 Diskret uniform fordeling Diskret uniform fordeling: Hvis den stokastiske variabelen X antar verdiene x 1, x 2,..., x k

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

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

statistikk, våren 2011

statistikk, 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

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

Løsningsforslag til obligatorisk oppgave i ECON2130 våren 2014 av Jonas Schenkel.

Løsningsforslag 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

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

Kapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering

Kapittel 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

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

Høgskoleni Øs fold EKSAMEN. Om noe er uklart eller mangelfullt i oppgaven inngår det som en del av oppgaven å ta de nødvendige forutsetninger.

Høgskoleni Øs fold EKSAMEN. Om noe er uklart eller mangelfullt i oppgaven inngår det som en del av oppgaven å ta de nødvendige forutsetninger. Høgskoleni Øs fold EKSAMEN Emnekode: Emne: SFB10711 Metodekurs 1: Grunnleggende matematikk og statistikk Deleksameni statistikk Dato: 3. januar 2014 Eksamenstid: kl. 0900 til kl. 1300 Hjelpemidler: Faglærer:

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 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 5: Tilfeldige variable, forventning og varians.

Kapittel 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

Detaljer

TMA4240 Statistikk H2010

TMA4240 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

Detaljer

Statistikk 1 kapittel 4

Statistikk 1 kapittel 4 Statistikk 1 kapittel 4 Nico Keilman ECON 2130 Vår 2015 Kapittel 4 Stokastiske (tilfeldige) variabler Anta 1) Vi kjenner sannsynligheter for ulike utfall knyttet til et forsøk 2) Hvert utfall har en (meningsfull)

Detaljer

Medisinsk statistikk Del I høsten 2009:

Medisinsk statistikk Del I høsten 2009: Medisinsk statistikk Del I høsten 2009: Kontinuerlige sannsynlighetsfordelinger Pål Romundstad Beregning av sannsynlighet i en binomisk forsøksrekke generelt Sannsynligheten for at suksess intreffer X

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

Løsningsforslag til seminar 4 Undervisningsfri uke

Løsningsforslag 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

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

betyr begivenheten at det blir trukket en rød kule i første trekning og en hvit i andre, mens B1 B2

betyr 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

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

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

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

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

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

Høgskoleni østfold EKSAMEN. SFB10711 Metodekurs 1: Grunnleggende matematikk og statistikk Skriftlig eksamen, vår, statistikk

Høgskoleni østfold EKSAMEN. SFB10711 Metodekurs 1: Grunnleggende matematikk og statistikk Skriftlig eksamen, vår, statistikk Høgskoleni østfold EKSAMEN Emnekode: Emne: SFB10711 Metodekurs 1: Grunnleggende matematikk og statistikk Skriftlig eksamen, vår, statistikk Dato: 4. mai 2015 Eksamenstid: kl. 09.00 til kl. 13.00 Hjelpemidler:

Detaljer

MAT0100V Sannsynlighetsregning og kombinatorikk

MAT0100V Sannsynlighetsregning og kombinatorikk MAT000V Sannsynlighetsregning og kombinatorikk Uordnet utvalg uten tilbakelegging (repetisjon) Tilfeldige variabler og sannsynlighetsfordelinger Hypergeometrisk fordeling Binomisk fordeling Ørnulf Borgan

Detaljer

Notater til forelesning i Sannsynlighetsregning SK 101 Matematikk i grunnskolen I

Notater 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.

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

Kap. 6, Kontinuerlege Sannsynsfordelingar

Kap. 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

Detaljer

ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon

ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon Bo Lindqvist Institutt for matematiske fag 2 Kap. 9: Inferens om én populasjon Statistisk inferens har som mål å tolke/analysere

Detaljer

Statistikk 1 kapittel 3

Statistikk 1 kapittel 3 Statistikk 1 kapittel 3 Nico Keilman ECON 2130 Vår 2014 Kapittel 3 Sannsynlighetsregning Formål: å kvantifisere usikkerhet ved hjelp av sannsynligheter Viktige begreper stokastisk forsøk: et forsøk der

Detaljer

ÅMA 110 (TE 199) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 2005, s. 1. Oppgave 1

ÅMA 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

Detaljer

Kap. 6, Kontinuerlege Sannsynsfordelingar

Kap. 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

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

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

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

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