Kontinuerlige stokastiske variable.
|
|
- Anita Corneliussen
- 8 år siden
- Visninger:
Transkript
1 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 perspektiv, for å illustrere bruken av formlene. Her kommer et eksempel, som nok er noe oppkonstruert, men forhåpentligvis ganske konkret, som har denne sannsynlighetsfordelinga. Hensikten er først og fremst å begrunne hvorfor og hvordan formelverket for kontinuerlige fordelinger naturlig stammer fra de tilsvarende formlene for diskrete fordelinger. Versjon per 28. januar 29 av Hans Petter Hornæs. Innledning. Situasjonsbeskrivelse I dette notatet skal vi se på det halvrealistiske eksemplet at en person kaster pil (eller skyter) på en sirkulær blink med radius (for eksempel desimeter). Den stokastiske variabelen X er avstanden fra treffpunktet til blinkens sentrum. I figur vises blinken med resultatet av et kast til venstre. Utfallet er da lengden på linja mellom treffpunktet og sentrum (i dette tilfellet er = ). I figuren til høyre er alle treffene ienseriepå25kastvist. Figur : Figur av blinken med henholdsvis et og en serie utfall. For å kunne si noe om sannsynligheter må vi vite noe om hvor god pilkasteren er (for en god kaster vil sannsynligheten for åfå treff i midtfeltet være stor, men det gjelder åpenbart ikke denne kasteren). Vi skal anta at han er en ganske dårlig pilkaster som treffer i hytt og pine. Mange ganger treffer han ikke blinken i det hele tatt, men da er regelen at dette ikke teller, og han kaster omigjen. Dette betyr at han helt sikkert treffer et eller annet sted innenfor blinkskiva, sannsynligheten for dette er. Derimot treffer han helt tilfeldig (uniformt) på skiva. Det vil si at to områder med samme areal har samme sannsynlighet for å bli truffet uansett hvor på blinkskiva arealene er plassert. Dette medfører at sannsynligheten for at han treffer innenfor et bestemt område er proporsjonalt med arealet av området. Skuddserien i figur er i virkeligheten simulert kunstig i Maple med disse forutsetningene.
2 .2 Hensikt og plan for dette notatet. Dette eksemplet vil bli presentert i kortversjon på forelesning, så kan man ta ut dette notatet om man ønsker det skriftlig og med flere detaljer. Hensikten er primært å lage et eksempel som viser overgangen fra diskret til kontinuerlig stokastisk variabel. Eksemplet er tilpasset for åfå matematikken så enkel som mulig uten at det er helt trivielt. Jeg har tidligere brukt uniform fordeling, men ulempen med dette er at det blir for enkelt til at man ser de generelle poengene. Selv om spillet (og forutsetningene) ikke er helt realistiske håper jeg det er lett åforstå slik at man kan få en praktisk forestilling om prosessen, ikke bare abstrakt matematisk manipulering. Fram til dette eksemplet har vi snakket om diskrete fordelinger der de mulige utfallene kan listes opp i en ordnet tellbar rekkefølge... < 2 < < < < 2 < 3... (eller bare en del av dette som f.eks < 2 < 3 <...< n ). I denne situasjonene kan i prinsippet hvilket som helst reelt tall (mellom og ) ende opp som utfall, og de reelle tallene kan ikke listes opp på denne måten. Når alle reelle tall i et (muligens uendelig) intervall kan oppnås sier vi at X har en kontinuerlig fordeling. I virkeligheten kan vi selvfølgelig ikke måle treffpunktet med en nøyaktighet med uendelig mange desimaler, men det viktige er at det er matematisk hensiktsmessig å tenke seg at det er dette vi skal gjøre. Kontinuerlige stokastiske variable har en rekke egenskaper felles med diskrete variable, men det er også noen viktige forskjeller. Vi skal derfor begynne med en diskret variant av eksemplet, og se på overgangen fra denne til den kontinuerlige varianten. 2 Diskrete modeller Vi skal i første omgang se på følgende den varianten av eksemplet at avstanden avrundes til det av tallene.,.3,.5,.7 eller.9 som er nærmest. Dette tilsvarer at vi har en vanlig blink men med en litt spesiell poengberegning som i figur 2. Jeg skal kalle denne stokastiske variabelen X 5, der indeksen 5 refererer til at vi har delt inn blinken i5felter: Det første skuddet (som hadde avstand = til sentrum) gir således utfallet.7. I den simulerte skuddserien er det.9 ere, 8.7 ere, 4.5 ere, 2.3 ere og ingen. ere Figur 2: Diskret blink med n =5felter.
3 2. Diskrete modell. Siden radien på hele skiva er er hele arealet π 2 = π. Sannsynligheten for at vi treffer innenfor yttergrensene av et felt er andelen dette arealet utgjør av hele. Her skal jeg kalle radius i ytterkantene r i (det vil si r =.2, r 2 =.4, r 3 =.6, r 4 =.8 og r 5 = ), mens poengene kalles i (det vil si =.q, 2 =.3, 3 =.5, 4 =.7 og 5 =.9). Sannsynligheten for åfå i eller færre poeng er dermed andelen arealet med radius r i utgjør. Jeg skal kalle sannsynlighetsfunksjonen F 5 : F 5 ( i )=P(X 5 i )= Arealet av sirkelen med radius r i Arealet av hele sirkelen For eksempel er F 5 (.7) =.8 2 tabellform: = πr2 i π = r2 i. =.64, og med tilsvarende utregninger kan F 5 settes opp på i F 5 ( i ) () Vi kan nå finne punktsannsynlighetene f 5 ( i ) ved formelen f( i )=F ( i ) F ( i )(dervimå sette F ( )=): i f 5 ( i ) (2) Merk at f 5 ( i ) passer med formelen f 5 ( i )=.4 i. Dette er igjen på formen f n ( i )= 2 n i (3) med n = 5, og dette blir den generelle formelen om vi deler inn i n felter. Du kan selv sjekke dette (med litt geometri og algebra) hvis du vil. 2.2 Sannsynlighetsmodellen Et stolpediagram for punktsannsynligheten f( i ) er vist i figur 3. Forventningsverdi og standardavvik er tegnet inn. Legg merke til at toppene på stolpene passer på en rett linje gjennom origo, noe som svarer til at den kontinuerlige modellen har sannsynlighetstetthet som er en rett linje gjennom origo (for ) Forventningsverdi Forventningsverdien er definert som μ =E(X) = n i= i f( i ) som i dette tilfellet blir slik: μ =E(X) = =.66 (4) Dette er som du ser nokså nært (men ikke eksakt lik) 2/3 som er forventningsverdien i den kontinuerlige modellen (regnet ut på forelesning) Varians og standardavvik Variansen er Var (X) =σ 2 = n i= 2 i f( i) μ 2 som i dette tilfellet blir slik: σ 2 =Var(X) = =.544 (5) Dette er nokså nært (men ikke eksakt lik) /8 som er variansen i den kontinuerlige modellen (regnetutpå forelesning).
4 f( i )=P(X = i ) k =.4 f( i )=k i =.4 i Figur 3: Stolpediagram for punktsannsynlighet med n = 5 poengfelter. Standardavviket er σ = Var (X) som i dette tilfellet er: σ =.544 =.233 (6) 2.3 Generalisering til vilkårlig antall felter Anta nå vi istedenfor 5 poengringer har n slike like brede ringer. For eksempel vil blinken og stolpediagrammet med n = 2 se ut som i figur 4: f( i )=P(X n = i ) k =. f( i )=k i =. i Figur 4: Blink og punktsannsynlighet med n = 2 poengområder. Punktsannsynligheten er da gitt ved f( i )=P(X n = i )= 2 n i. (7) Med n = 2 som i figuren gir dette f( i )=P(X 2 = i )= 2 2 i =. i.
5 Med n = 2 blir (noen av) midtpunktene.25,.75,.25,...,.625,.675,.725,.775,...,.925,.975. Sammenliknet med stolpediagrammet i figur 3 er andreaksen strekt ut, toppen er bare /4 ganger så høy. Alle søylene er jo lavere, det er flere verdier å fordele den samlede sannsynligheten på. For eksempel utgjør de 4 feltene med midtpunkter.625,.675,.725,.775 tilsammen feltet som med n = 5 hadde midtpunkt.7. Disse har hver omtrent /4 av høyden til stolpen for P (X 5 =.7) =.28, og har samlet sannsynlighet = =.28 = P (X 5 =.7) 2.3. Forventningsverdi og varians Forventningsverdien μ =E(X n )ogvariansenvar(x n )er μ n =E(X n )= 2 3 6n 2 og Var (X n )= 8 n2 + 36n 4. (8) Som en liten kontroll kan vi sjekke med n =5: E(X 5 )= =.66, som stemmer med første eksempel. Var (X 5 )= =.544, som også stemmer med første eksempel. 4 3 Kontinuerlig modell Nå skal vi tilbake til hovedeksemplet der skåren er avstanden fra treffpunktet til sentrum av skiva. Dermed har vi (ikke tellbart) uendelig mange mulige verdier for, alle reelle tall mellom og. Alle punkter med en skår mindre eller lik er da punktene på sirkellinja med radius r =. Viskal kalle sannsynlighetsfunksjonen for dette tilfellet F,og F () =P(X ) = Arealet av sirkelen med radius Arealet av hele sirkelen altså den sannsynlighetsfunksjone vi hadde i eksemplet på forelesningen. For alle sannsynlighetsfunksjoner (kontinuerlige og diskrete) gjelder = π2 π = 2, P(a<X b) =F (b) F (a) (9) Her kommer (delvis) utledning av formel (7) og formlene i (8). Bredden på hver ring er i denne situasjonen Δ = og punktsannsynligheten er gitt ved f(i) =P(Xn = i) = n 2 i. Dermed er f(i) fremdeles en lineær funksjon på formenf(i) =ki, med konstanten k =2/n som blir mindre n jo større n er. Skårverdien er Δ =, siden den er midt i første intervall med bredde Δ. 2 2n Deretter kommer i-verdiene med mellomrom Δ slik at 2 = 2n + n = 3 2n, 3 = 2n +2 n = 5,...,i = 2n 2n +(i ) n = 2i,...,n = 2n 2n Vi kan sette opp symbolske uttrykk for forventningsverdi og varians, som lar seg forenkle. Jeg har overlatt til Maple å utføre denne forenklinga: E(X n)= n if( i)= i= n i= 2i 2n altså 2/3 minus et lite ledd som går mot når n går mot uendelig. Variansen kan regnes ut etter samme tankegang. 2 2i Maple = 2 n 2n 3 6n, 2
6 siden X b = X a a<x b såp(x b) =P(X a) +P(a<X b) F (b) = F (a)+p(a<x b). Sannsynligheten for at skåren ligger i et lite intevall [, +Δ] med bredde Δ er dermed (fra formel 9) P(<X +Δ) =F ( +Δ) F () Riktignok står det og ikke < i første ulikhet, men ved åsepå arealbetrakningene ser du at dette fortsatt stemmer (for kontinuerlige, men ikke diskrete fordelinger). For åfå sannsynligheten for at X er nøyaktig kan vi la Δ gåmotif ( +Δ) F (), men da blir vi stående igjen med F () F () =(sidenf er en kontinuerlig funksjon). Det vil si: P(X = ) = () Dette kan også sees ved at arealet av sirkelinja med radius er, den har jo bredde. Mange stusser på at sannsynligheten er, det er jo ikke umulig. En eller annen verdi av får vi jo som utfall, og denne hadde også sannsynlighet før pilen ble kastet. Det som er umulig har sannsynlighet, men det omvendte gjelder altså ikke. Vi er nødt til å si at det er slik, hvis ikke bryter sannsynlighetsregninga sammen (Kolmogoroffs aksiomer kan ikke oppfylles). Hvis sannsynligheten var større enn på et intervall ville den samlede sannsynligheten blit, ikkesom den skal være. Skal du bruke sannsynlighetsregning på dette må du dermed revurdere den oppfatningen av sannsynlighet du (kanskje) har. Her skal jeg forsøke å forklare hvordan dette skjer, i første omgang litt halvformelt: 3. Sannsynlighetstetthet Istedenfor å betrakte sannsynligheten for at utfallet er nøyaktig lik betrakter vi sannsynligheten per enhet på aksen i et lite intervall: P( X +Δ) Δ = F ( +Δ) F () Δ Grensen for dette når Δ (som svarer til n ) kan bettraktes som gjennomsnittssannsynligheten på et uendelig kort intervall. Dette kalles sannsynlighetstettheten. Men denne grensen er definisjonen av deriverte i matematikken: F P( X +Δ) def () = lim = f() () Δ Δ Siden F () = 2 er da f() =F () =2. Strengt tatt gjelder dette bare de mulige verdiene mellom og, f() = for de umulige verdiene utenfor dette intervallet, slik at Grafen er vist i figur 5. for < f() = 2 for < for > Legg merke til analogien mellom sannsynlighetstettheten f() =2 og punktsannsynlighetene f( i)=k i for de diskrete tilfellene. Sammenlik også stolpediagrammet til f( i)oggrafentilf(). Det er imidlertid en viktig forskjell at punktsannsynlighet gir sannsynlighet direkte, mens sannsynlighetstetthet gir (momentan) gjennomsnittssannsynlighet per enhet langs aksen. (2)
7 2,5,8,6,4,2,5 -,5,5,5 -,5,5,5 Figur 5: Sannsynlighetstetthet f() og sannsynlighetsfunksjon F () for eksemplet 2 P(a<X b) a b Figur 6: Sannsynlighet tolket som areal under f() 3.. Sammenhengen mellom sannsynlighetstetthet og sannsynlighetsfunksjon. Vi har følgende sammenheng mellom sannsynlighetsfunksjonen F og sannsynlighetstettheten f: F () =f() (3) Siden F () =f() er b a f() d = F (b) F (a) (fundamentalsetningen i kalkulus, den regelen du er vant til åbrukeforå regne ut bestemte integraler). Siden høyresiden er P (a <X b), fra formel 9, er b P(a<X b) = f() d En geometrisk tolkning av bestemt integral er arealet av området under grafen til integranden, mellom grensene. Dermed kan sannsynligheter illustreres som arealer som i figur 6. Mange resonnementer om sannsynlighet gjøres lettere halvformelt med henvisning til arealer i en figur som denne framfor mer formelle argumenter via integraler. Hvis vi har en formel for F () kan derivasjon brukes til å finne en formel for f(), men situasjonen er ofte at det er f() som er kjent. Da kan vi finne F () vedå integrere f. Forå unngå navnekollisjon bytter vi variabelnavn (fra til t) i integranden: F () = a f(t) dt (4)
8 Dette får vi ved å sette b = og la a iformel9,dalim a F (a) = (det blir sannsynlighet for et utfall som er minfre enn alle mulig reelle tall a). For generell bruk settes den nedre grensen til, men i dette tilfellet (og mange andre, men ikke i den viktige normalfordelinga) er F () =P(X ) =hvis, og da blir integralet F () = f(t) dt = dt + f(t) dt = f(t) dt hvis. Dette gir med f() =2, som i dette eksemplet: F () = 2tdt= [t 2] = 2. Egentlig er det for < siden P (X <) =, dette er umulig. F () = 2 for for > siden P (X ) =, dette er helt sikkert. Kommentar: Også i de diskrete tilfellene er F ( i)et2.gradspolynom,vimå justere litt så -verdiene blir ytre radius r i i poengsirkelen. Tabell får vi for eksempel med formelen F ( i)=( i +.) Noen egenskaper ved sannsynlighetstetthet og sannsynlighetsfunksjon De grunnleggende matematiske egenskapene for f og F er: a) f() b) f() d = c) F () = f(t) dt d) f() =F () e) F () er en ikke avtagende, kontinuerlig funksjon. f) lim F () = og lim F () = b g) P (a <X b) = f() d a (5) Kommentar: Hvis en funksjon f har egenskapene 5a og b kan sannsynlighet defineres via 5c og P (a <X b) = F (b) F (a). Det samme kan vi gjøre for en hvilken som helst funksjon F som har egenskapene 5e og f. En kontinuerlig stokastisk modell definert på en av disse måtene oppfyller Kolmogoroffs aksiomer, og er dermed matematisk gyldig som definisjon på sannsynlighet. Det viser seg også at det er svært nyttig i veldig mange anvendelser å definere kontiuerlig sannsynlighet slik. Når modellen både er matematisk gyldig, matematisk hensiktsmessig og praktisk svært anvendelig er det ingen vits i å stritte mot og hekte seg opp i innvendinger om at den kanskje ikke er % sann, for eksempel fordi vi i praksis ikke kan måle en verdi som et eksakt reelt tall. 3.2 Forventningsverdi og varians. Hvis den kontinuerlige stokastiske variabelen X har sannsynlighetstetthet f er forventningsverdien μ =E(X) def = f() d (definisjon av forventningsverdi). (6) Legg merke til at denne er nokså lik definisjonen for det diskrete tilfellet når erstattes med n i= (eller mer generelt i= ), og i erstattes med (uten indeks).
9 Var (X) def = ( μ) 2 f() d (Definisjon avvarians.) (7) Igjen tilsvarer dette definisjonene for det diskrete tilfellet med integrasjon istedenfor summering. σ def = Vi har følgende nyttige omskrivning av formelen for varians: Var (X) (Definisjon standardavvik.) (8) Var (X) = 2 f() d μ 2 (Alternativ definisjon varians.) (9) Dette tilsvarer tilsvarende omskrivning for det diskrete tilfelle når integrasjon erstatter summering. Integrasjonsgrensene kan erstattes med nedre grense for verdier der f() mens kan erstattes med øvre grense for verdier der f(). For viktige spesialtilfeller trenger vi imidlertid ofte uendelig i en eller begge grensene så vi får uegentlige integraler. For alle de viktigste spesialtilfellene (alle fordelinger i pensum) konvergerer disse integralene. I motsatt fall er ikke variansen og forventningsverdien definert. Forventningsverdi og varians i eksemplet. I eksemplet med f() =2 for f() = ellers, er forventningsverdien E(X) = 2d= 2 2 d = [ ] = 2 3 =2 3 Merk sammenhengen med det diskrete tilfellet, der 2 3 6n der 2 6n er et lite ledd som går mot når n. 2 Nå kan vi si at n har gått mot uendelig, og vi står bare igjen med Variansen er det som oftest greiest å regne ut med formel 9: Var (X) = 2 2d ( ) 2 2 = 2 3 d 4 [ ] = = = = 8. Merk sammenhengen med det diskrete tilfellet, der Var (X) = 8 v n der v n var et lite ledd som går mot når n.nå kan vi si at n har gått mot uendelig, og vi står bare igjen med Halvformell begrunnelse for definisjonen av forventningsverdi (formel 6) : Betrakt først blinken delt inn i n felter med bredde Δ, venstre endepunkt i og midtpunkt i,oglax n være poengene i dette tilfellet. Poengene i den diskrete blinken har da punktsannsynlighet (per definisjon av X n ): f n ( i )=P( i <X< i +Δ) f n ( i )=F ( i +Δ) F ( i ) Videre er (som en konsekvens av definisjonen av f, eller enda mer formelt fra sekantsetningen): F ( i +Δ) F ( i ) Δ Disse kan da kombineres til Forventningsverdi for X n : Siden også i i E(X n )= 8. f( i ) F ( i +Δ) F ( i ) f( i )Δ f n ( i ) f( i )Δ har vi n i f n ( i ) i= n i f( i )Δ i=
10 Det siste uttrykket er en Riemannsum som konvergerer mot det tilsvarende integralet når n : E(X) def = lim n E(X n)= f() d Ved å generalisere først med grensene a og b (istedenfor og ) i integralet, og så laa og b får vi den generelle definisjonen. Variansformelen kan begrunnes på en tilsvarende måte. At disse fomlene og alle andre formler på en liknende måte transformeres fra formler med summetegn for det diskrete tilfellet til tilsvarende formler med integrasjon for det kontinuerlige tilfellet er vel i seg selv god nok begrunnelse for at det er sannsynlighetstettheten som naturlig erstatter punktsannsynligheten for kontinuerlige variable. 4 Endring av poengskala. Til slutt tar vi med et eksempel på hva som skjer om vi endrer poengivninga til en mer vanlig poengskala for blink: Figur 7: Blinken med gammel og ny skala. Vi kaller de gamle verdiene i,dvs. =., 2 =.3, 3 =.5, 4 =.7 og 5 =.9, og poeng med gammel blink for X. Punktsannsynlighten betegnes med f X ( i ), og er den samme som i tabell 2. De nye verdiene kaller vi y i,dvs.y =,y 2 =2,y 3 =3,y 4 =4ogy 5 =5,ogpoengmedny blink for Y. Punktsannsynligheten kaller vi f Y (y i ). Kastsituasjonen er den samme, slik at samme felt får samme sannsynlighet. Siden poengretningen er omvendt må indeksene reverseres, dvs. P (Y = y i )=P(X = i ), det vil si f Y (y i )=f X ( i )=. Dermed kan en tabell for f Y settes opp ved en liten justering av tabell 2: 6 i y i f Y (y i ) (2) Forventningsverdien er dermed μ Y = = 2.2 Standardavviket er σ Y = =.66.
11 Det er imidlertid mulig å regne ut μ Y og σ Y uten ågå om punktsannsynligheten f Y : Legg merke til at y i = 5 i +5.5 (sjekk!). Vi sier da at den stokastiske variabelen Y er en lineær funksjon av X ved Y = 5X +5.5 Det finnes en generell formel for hvordan forventningsverdi og standarddavvik transformeres gjennom lineære funksjoner: E(aX + b) =ae(x)+b og σ ax+b = a σ X (2) Vi har i dette tilfellet at μ =.66 (fra likning 4) og σ =.233(fra likning 6), så denne formelen gir μ Y = =2.2 σ Y = = =.65 Avviket på i 3. desimal skyldes at vi har brukt avrundede verdier i mellomregningene.
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
DetaljerST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen
ST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen Bo Lindqvist Institutt for matematiske fag 2 Kap. 6: Normalfordelingen Normalfordelingen regnes som den viktigste statistiske fordelingen!
DetaljerTMA4240/TMA4245 Statistikk: Oppsummering kontinuerlige sannsynlighetsfordelinger
TMA4240/TMA4245 Statistikk: Oppsummering kontinuerlige sannsynlighetsfordelinger Kontinuerlig uniform fordeling f() = B A, A B. En kontinuerlig størrelse (vekt, lengde, tid), som aldri kan bli mindre enn
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
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
DetaljerKrasjkurs MAT101 og MAT111
Krasjkurs MAT101 og MAT111 Forord Disse notatene ble skrevet under et åtte timer (to firetimers forelesninger) i løpet av 10. og 11. desember 2012. Det er mulig at noen av utregningene ikke stemmer, enten
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 3.3: Kontinuerlige sannsynlighetsfordelinger 4.1: Matematisk forventing (univariat del) Mette Langaas Foreleses mandag 6. september 2010 2 3.1 Stokastisk variabel (repetisjon)
Detaljer3.1 Stokastisk variabel (repetisjon)
TMA4240 Statistikk H2010 3.3: Kontinuerlige sannsynlighetsfordelinger 4.1: Matematisk forventing (univariat del) Mette Langaas Foreleses mandag 6. september 2010 2 3.1 Stokastisk variabel (repetisjon)
DetaljerSTK1100 våren Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner
STK1100 våren 2017 Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner Svarer til avsnittene 4.1 og 4.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i
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
DetaljerLøsningsforslag AA6526 Matematikk 3MX Privatister 3. mai 2005. eksamensoppgaver.org
Løsningsforslag AA6526 Matematikk 3MX Privatister 3. mai 2005 eksamensoppgaver.org eksamensoppgaver.org 2 Om løsningsforslaget Løsningsforslaget for matematikk eksamen i 3MX er gratis, og det er lastet
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
DetaljerTo-dimensjonale kontinuerlige fordelinger
To-dimensjonale kontinuerlige fordelinger Noen resultater for diskrete fordelinger Vi har tidligere definert punktsannsynligheten p(x, y) for en todimensjonal variabel (X, Y ) som p(x, y) = P ({X = x}
DetaljerKapittel 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
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
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,
DetaljerPotensrekker. Binomialrekker
Potensrekker Potensrekker er rekker på formen: Potensrekker kan brukes på en rekke områder for å finne tilnærmede eller eksakte løsninger på problemer som ellers kanskje må løses numerisk eller krever
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
DetaljerST1101/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
DetaljerSannsynlighetsregning 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
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
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
DetaljerRekker, Konvergenstester og Feilestimat
NTNU December 8, 2012 Oversikt 1 2 3 4 5 6 For å forstå, må vi først forstå potensrekker For å forstå potensrekker, må vi først forstå rekker. For å forstå rekker, må vi først forstå følger. Definisjon
DetaljerLær å bruke GeoGebra 4.0
Lær å bruke GeoGebra 4.0 av Sigbjørn Hals Innhold: Generelt om GeoGebra... 2 Innstillinger... 2 Likninger og ulikheter... 5 Implisitte likninger... 5 Ulikheter... 9 Statistikkberegninger i regnearket...
DetaljerMAT 100a - LAB 3. Vi skal først illustrerere hvordan Newtons metode kan brukes til å approksimere n-te roten av et positivt tall.
MAT 100a - LAB 3 I denne øvelsen skal vi bruke Maple til å illustrere noen anvendelser av derivasjon, først og fremst Newtons metode til å løse likninger og lokalisering av min. og max. punkter. Vi skal
DetaljerRegneregler for forventning og varians
Regneregler for forventning og varians Det fins regneregler som er til hjelp når du skal finne forventningsverdier og varianser. Vi skal her se nærmere på disse reglene. Vi viser deg også hvordan reglene
Detaljer1 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
DetaljerLøsningsforslag AA6516 Matematikk 2MX - 07. desember 2005. eksamensoppgaver.org
Løsningsforslag AA6516 Matematikk 2MX - 07. desember 2005 eksamensoppgaver.org eksamensoppgaver.org 2 Om løsningsforslaget Løsningsforslaget for matematikk eksamen i 2MX er gratis, og det er lastet ned
DetaljerTallinjen FRA A TIL Å
Tallinjen FRA A TIL Å VEILEDER FOR FORELDRE MED BARN I 5. 7. KLASSE EMNER Side 1 Innledning til tallinjen T - 2 2 Grunnleggende om tallinjen T - 2 3 Hvordan vi kan bruke en tallinje T - 4 3.1 Tallinjen
DetaljerTMA4100 Matematikk 1, 4. august 2014 Side 1 av 12. x 2 3x +2. x 2
TMA4 Matematikk, 4. august 24 Side av 2 Oppgave Den rasjonale funksjonen p er definert som p(x) x2 3x +2 3x 2 5x +2. Finn de tre grenseverdiene lim xæ p(x), lim xæ p(x) og lim xæœ p(x). Løsning: x 2 3x
DetaljerStatistikk 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
DetaljerTMA4100 Matematikk 1, høst 2013
TMA4100 Matematikk 1, høst 2013 Forelesning 9 www.ntnu.no TMA4100 Matematikk 1, høst 2013, Forelesning 9 Derivasjon I dagens forelesning skal vi se på følgende: 1 Tilnærminger til små endringer. 2 Vekstfart.
DetaljerLøsningsforslag. e n. n=0. 3 n 2 2n 1. n=1
Eksamen i BYPE2000 - Matematikk 2000 Dato: 6. juni 2014 Målform: Bokmål Antall oppgaver: 7 (20 deloppgaver) Antall sider: 4 Vedlegg: Noen formler Hjelpemiddel: Ingen Alle svarene skal grunngis. Alle deloppgavene
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.
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.
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2008
ÅMA0 Sannsynlighetsregning med statistikk, våren 008 Kp. Sannsynlighetsregning (sannsynlighetsteori).5 Betinget sannsynlighet Betinget sannsynlighet (kp..5) - innledning Eks.: Et terningkast; {,, 3, 4,
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...
DetaljerFunksjoner og andregradsuttrykk
88 4 Funksjoner og andregradsuttrykk Mål for opplæringen er at eleven skal kunne bruke matematiske metoder og hjelpemidler til å løse problemer fra ulike fag og samfunnsområder løse likninger, ulikheter
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
DetaljerForelesning 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
DetaljerECON2130 Kommentarer til oblig
ECON2130 Kommentarer til oblig Her har jeg skrevet ganske utfyllende kommentarer til en del oppgaver som mange slet med. Har noen steder gått en del utover det som det strengt tatt ble spurt om i oppgaven,
DetaljerOppsummering TMA4100. Kristian Seip. 26./28. november 2013
Oppsummering TMA4100 Kristian Seip 26./28. november 2013 Forelesningene 26./28. november Disse forelesningene er et forsøk på å se de store linjer og sammenhengen mellom de ulike deltemaene i TMA4100 delvis
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
DetaljerEKSAMEN I EMNET Mat 111 - Grunnkurs i Matematikk I - LØSNING Mandag 15. desember 2014 Tid: 09:00 14:00
Universitetet i Bergen Det matematisk naturvitenskapelige fakultet Matematisk institutt Side 1 av 11 BOKMÅL EKSAMEN I EMNET Mat 111 - Grunnkurs i Matematikk I - LØSNING Mandag. desember 214 Tid: 9: 14:
Detaljer6.2 Normalfordeling. Høyde kvinner og menn. 6.1 Kontinuerlig uniform fordeling. Kapittel 6
3 6.2 Normalfordeling Kapittel 6 Noen kontinuerlige sannsynlighetsfordelinger TMA4245 V2007: Eirik Mo Normalfordeling: Sannsynlighetstettheten til en normalfordelt stokastisk variabel, X, med forventning
DetaljerEneboerspillet del 2. Håvard Johnsbråten, januar 2014
Eneboerspillet del 2 Håvard Johnsbråten, januar 2014 I Johnsbråten (2013) løste jeg noen problemer omkring eneboerspillet vha partall/oddetall. I denne parallellversjonen av artikkelen i vil jeg i stedet
DetaljerMAT1100 - Grublegruppen Uke 36
MAT - Grublegruppen Uke 36 Jørgen O. Lye Partiell derivasjon Hvis f : R 2 R er en kontinuerlig funksjon, så kaller man følgende dens partiellderiverte (gitt at de finnes!) f f(x + h, y) f(x, y) (x, y)
DetaljerLøsningsforslag Eksamen S2, våren 2017 Laget av Tommy O. Sist oppdatert: 25. mai 2017
Løsningsforslag Eksamen S, våren 17 Laget av Tommy O. Sist oppdatert: 5. mai 17 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x /x = x x 1. Den eneste regelen vi trenger her er (kx n )
DetaljerPoissonprosesser og levetidsfordelinger
Poissonprosesser og levetidsfordelinger Poissonfordeling som grensetilfelle for binomisk fordeling La X være binomisk fordelt med fordeling P (X = x) = ( ) n p x (1 p) n x, for x = 0, 1,... n. (1) x Forventningsverdien
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
Detaljer1 Grafisk framstilling av datamateriale
1 Grafisk framstilling av datamateriale Dette notatet er laget med tanke på åfå til en rask gjennomgang av denne delen av pensum. Determentforå ha nedskrevet det som forholdsvis rakt blir sagt i forelesning,
DetaljerBinomisk sannsynlighetsfunksjon
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Binomisk sannsynlighetsfunksjon La det være n forsøk, sannsynlighet p for suksess og sannsynlighet q for fiasko. Den tilfeldige
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: Kalkulator. Hornæs: Formelsamling statistikk HiG. John Haugan: Formler og tabeller.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. BtG27 EKSAMENSDATO: 27. mai 211. KLASSE: HIS 8 11. TID: kl. 8. 13.. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 3 innkl. forside) TILLATTE
DetaljerDen krever at vi henter ned Maples plottekommandoer fra arkivet. Det gjør vi ved kommandoen
For å tegne grafen til en likning, skal vi bruke kommandoen Den krever at vi henter ned Maples plottekommandoer fra arkivet. Det gjør vi ved kommandoen with plots Gjør det (altså: trykk linjeskift med
DetaljerKonfidensintervall for µ med ukjent σ (t intervall)
Forelesning 3, kapittel 6 Konfidensintervall for µ med ukjent σ (t intervall) Konfidensintervall for µ basert på n observasjoner fra uavhengige N( µ, σ) fordelinger når σ er kjent : Hvis σ er ukjent har
DetaljerStatistikk 1 kapittel 5
Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2016 Kapittel 5 Sannsynlighetsmodeller I kap. 4 så vi et eksempel med en s.v. X som hadde en uniform sannsynlighetsfordeling: alle verdier av x har like
DetaljerLøsningsforslag Eksamen S2, våren 2016 Laget av Tommy Odland Dato: 29. januar 2017
Løsningsforslag Eksamen S, våren 016 Laget av Tommy Odland Dato: 9. januar 017 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = e x. Den generelle regelen er at (e ax ) = ae ax, i vårt tilfelle
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
DetaljerMA1102 Grunnkurs i analyse II Vår 2019
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag MA112 Grunnkurs i analyse II Vår 219 8.4.1 Vi skal finne lengden til kurven x = 3t 2, y = 2t 3 der t 1. Som boka beskriver på
DetaljerGeoGebra-opplæring i Matematikk 2P
GeoGebra-opplæring i Matematikk 2P Emne Underkapittel Graftegning 2.1 Linje gjennom to punkter 2.1 Å finne y- og x-verdier 2.1 Lineær regresjon 2.3 Andregradsfunksjoner 2.4 Polynomregresjon 2.4 Eksponential-
DetaljerOppsummering TMA4100. Kristian Seip. 17./18. november 2014
Oppsummering TMA4100 Kristian Seip 17./18. november 2014 Forelesningene 17./18. november Disse forelesningene er et forsøk på å se de store linjer og sammenhengen mellom de ulike deltemaene i TMA4100 delvis
DetaljerNormal- og eksponentialfordeling.
Ukeoppgaver i Statistikk, uke 8 : Normal- og eksponentialfordeling. 1 Høgskolen i Gjøvik Avdeling for teknologi, økonomi og ledelse. Statistikk Ukeoppgaver uke 8 I løpet av uken blir løsningsforslag lagt
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
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
DetaljerMA1102 Grunnkurs i analyse II Vår 2014
Norges teknisknaturvitenskapelige universitet Institutt for matematiske fag MA Grunnkurs i analyse II Vår 4 Løsningsforslag Øving 9 7.3.b Med f() = tan +, så er f () = cos () på intervallet ( π/, π/).
DetaljerNormalfordeling. Høgskolen i Gjøvik Avdeling for teknologi, økonomi og ledelse. Statistikk Ukeoppgaver uke 7
Ueoppgaver i BtG207 Statisti, ue 7 : Normalfordeling. 1 Høgsolen i Gjøvi Avdeling for tenologi, øonomi og ledelse. Statisti Ueoppgaver ue 7 Normalfordeling. Oppgave 1 Anta Z N(0, 1), dvs. Z er standard
DetaljerLøsning, Oppsummering av kapittel 10.
Ukeoppgaver, uke 36 Matematikk 3, Oppsummering av kapittel. Løsning, Oppsummering av kapittel. Oppgave a) = +, = + z og z =z +. b) f(,, z) = +, + z,z + så (f(, 3, ) = +3, 3+, +3=7, 3, 5 c ) Gradienten
DetaljerEnkel matematikk for økonomer 1. Innhold. Parenteser, brøk og potenser. Ekstranotat, februar 2015
Ekstranotat, februar 205 Enkel matematikk for økonomer Innhold Enkel matematikk for økonomer... Parenteser, brøk og potenser... Funksjoner...4 Tilvekstform (differensialregning)...5 Nyttige tilnærminger...8
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
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
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
DetaljerOppsummering TMA4100. Kristian Seip. 16./17. november 2015
Oppsummering TMA4100 Kristian Seip 16./17. november 2015 Forelesningene 17./18. november Denne forelesningen beskriver de store linjer og sammenhengen mellom de ulike deltemaene i TMA4100 noen tips for
Detaljer1 C z I G + + = + + 2) Multiplikasjon av et tall med en parentes foregår ved å multiplisere tallet med alle leddene i parentesen, slik at
Ekstranotat, 7 august 205 Enkel matematikk for økonomer Innhold Enkel matematikk for økonomer... Parenteser og brøker... Funksjoner...3 Tilvekstform (differensialregning)...4 Telleregelen...7 70-regelen...8
DetaljerKanter, kanter, mange mangekanter
Kanter, kanter, mange mangekanter Nybegynner Processing PDF Introduksjon: Her skal vi se på litt mer avansert opptegning og bevegelse. Vi skal ta utgangspunkt i oppgaven om den sprettende ballen, men bytte
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
DetaljerBokmål. Eksamensinformasjon
Eksamen 05.12.2008 AA6524/AA6526 Matematikk 3MX Elevar og privatistar / Elever og privatister Nynorsk/Bokmål Bokmål Eksamensinformasjon Eksamenstid: Hjelpemidler: Vedlegg: Andre opplysninger: Framgangsmåte
DetaljerBeskrivende statistikk.
Obligatorisk oppgave i Statistikk, uke : Beskrivende statistikk. 1 Høgskolen i Gjøvik Avdeling for teknologi, økonomi og ledelse. Statistikk Ukeoppgaver uke I løpet av uken blir løsningsforslag lagt ut
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: John Haugan: Formler og tabeller. Rottmanns formelsamling (tillatt som overgangsordning)
KANDIDATNUMMER: EKSAMEN FAGNAVN: Matematikk FAGNUMMER: REA4 EKSAMENSDATO: 6. desember 24 SENSURFRIST: 6. januar 25 KLASSE:. klassene, ingenørutdanning. TID: kl. 9. 3.. FAGLÆRER: Hans Petter Hornæs ANTALL
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
DetaljerEksamen REA3028 S2, Høsten 2012
Eksamen REA308 S, Høsten 01 Del 1 Tid: timer Hjelpemidler: Vanlige skrivesaker, passer, linjal med centimetermål og vinkelmåler er tillatt. Oppgave 1 (6 poeng) Deriver funksjonene 3x x a) gx 3 3x x 3x
DetaljerGeometri. Mål. for opplæringen er at eleven skal kunne
8 1 Geometri Mål for opplæringen er at eleven skal kunne bruke geometri i planet til å analysere og løse sammensatte teoretiske og praktiske problemer knyttet til lengder, vinkler og areal 1.1 Vinkelsummen
DetaljerLøsningsforslag til underveiseksamen i MAT 1100
Løsningsforslag til underveiseksamen i MAT 00 Dato: Tirsdag /0, 00 Tid: Kl. 9.00-.00 Vedlegg: Formelsamling Tillatte hjelpemidler: Ingen Oppgavesettet er på sider Eksamen består av 0 spørsmål. De 0 første
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
DetaljerFor en tid siden ble jeg konfrontert med følgende problemstilling:
Normat 55:, 3 7 (7) 3 Bøker på bøker En bokorms øvelse i stabling Ivar Farup Høgskolen i Gjøvik Postboks 9 N 8 Gjøvik ivar.farup@hig.no Innledning For en tid siden ble jeg konfrontert med følgende problemstilling:
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
DetaljerSiden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden.
Estimeringsmetoder Momentmetoden La X, X 2,..., X n være uavhengige variable som er rektangulært fordelte på intervallet [0, θ]. Vi vet da at forventningsverdiene til hver observasjon og forventningen
DetaljerEksamen. Fag: AA6524/AA6526 Matematikk 3MX. Eksamensdato: 6. desember 2006. Vidaregåande kurs II / Videregående kurs II
Eksamen Fag: AA654/AA656 Matematikk 3MX Eksamensdato: 6. desember 006 Vidaregåande kurs II / Videregående kurs II Studieretning: Allmenne, økonomiske og administrative fag Elevar/Elever Privatistar/Privatister
DetaljerTMA4240 Statistikk H2015
TMA4240 Statistikk H2015 Kapittel 4: Matematisk forventning [4.1+start 4.3] Quiz kjørt med Kahoot! fra kahoot.it. Mette Langaas wiki.math.ntnu.no/emner/tma4240/2015h/start/ 2 Høyde, kvinner Frequency
Detaljer: subs x = 2, f n x end do
Oppgave 2..5 a) Vi starter med å finne de deriverte til funksjonen av orden opp til og med 5 i punktet x = 2. Det gjør vi ved å bruke kommandoen diff f x, x$n der f x er uttrykket som skal deriveres, x
DetaljerLær å bruke Microsoft Mathematics, Matematikk-tillegget i Word og WordMat. Av Sigbjørn Hals
Lær å bruke Microsoft Mathematics, Matematikk-tillegget i Word og WordMat Av Sigbjørn Hals 1 Innhold Hva er matematikktillegget for Word?... 2 Nedlasting og installasjon av matematikktillegget for Word...
DetaljerMAT jan jan jan MAT Våren 2010
MAT 1012 Våren 2010 Mandag 18. januar 2010 Forelesning I denne første forelesningen skal vi friske opp litt rundt funksjoner i en variabel, se på hvordan de vokser/avtar, studere kritiske punkter og beskrive
DetaljerStudentene skal kunne. gjøre rede for begrepene naturlige, hele, rasjonale og irrasjonale tall. skrive mengder på listeform
1 10 Tall og tallregning Studentene skal kunne gjøre rede for begrepene naturlige, hele, rasjonale og irrasjonale tall definere og benytte de anerkjente skrivemåtene for åpne, halvåpne og lukkede intervaller
DetaljerEksamen i matematikk. Hvordan har eksamen i R1 høsten 2011 endret all læreplantolkning?
Eksamen i matematikk Hvordan har eksamen i R1 høsten 2011 endret all læreplantolkning? Samarbeidet udir/forlag Før reform 94: En representant fra hvert matematikkverk var med på å lage eksamensoppgavene
DetaljerEksamen 31.05.2011. REA3028 Matematikk S2. Nynorsk/Bokmål
Eksamen 1.05.2011 REA028 Matematikk S2 Nynorsk/Bokmål Bokmål Eksamensinformasjon Eksamenstid: Hjelpemidler på Del 1: Hjelpemidler på Del 2: 5 timer: Del 1 skal leveres inn etter 2 timer. Del 2 skal leveres
DetaljerSum 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
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
DetaljerGo with the. Niende forelesning. Mye matematikk i boka her ikke så komplisert, men mye å holde styr på.
Go with the Niende forelesning Mye matematikk i boka her ikke så komplisert, men mye å holde styr på. Fokuserer på de viktigste ideene i dagens forelesning, så det forhåpentligvis blir lettere å skjønne
DetaljerEKSAMEN I EMNE TMA4245 STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Bokmål Faglig kontakt under eksamen: John Tyssedal 73 59 35 34/ 41 64 53 76 Jo Eidsvik 73 59 01 53/ 90 12 74 72
Detaljer