Forelesning 3. april, 2017
|
|
- Marianne Thorbjørnsen
- 6 år siden
- Visninger:
Transkript
1 Forelesning 3. april, 2017 APPENDIX TIL KAP. 6 Sentralgrenseteoremet AVSNITT 6.3 Anvendelser av sentralgrenseteoremet Histogrammer S-kurver Q-Q-plot Diverse eksempler
2 MGF for følger av uavhengige identisk fordelte variable FRA FORELESNINGEN 28/3: Anta at X 1,..., X n er uavhengige identisk fordelte variable med E[X i ] = 0 og E[X 2 i ] = V[X i ] = 1, i = 1,..., n. Vi innfører så: Y = 1 n (X X n ) = n X Da holder: lim M Y (t) = e 1 2 t2. n Dette er MGF for N(0, 1)-fordelingen!!
3 MGF for følger av uavhengige identisk fordelte variable Anta mer generelt at X 1,..., X n er uavhengige identisk fordelte variable med E[X i ] = µ og V[X i ] = σ 2, i = 1,..., n. Vi innfører så: Y = X µ σ/ n = 1 n n i=1 n [ X i µ ] σ = n 1 n n [ X i µ ] = n σ W, i=1 der W i = (X i µ)/σ, i = 1,..., n. Dette medfører at: E[W i ] = 0, og E[W 2 i ] = V[W i ] = 1, i = 1,..., n. og dermed igjen at: lim M Y (t) = e 1 2 t 2. n
4 Sentralgrenseteoremet Anta at X 1,..., X n er uavhengige identisk fordelte variable med E[X i ] = µ og V[X i ] = σ 2, i = 1,..., n, og innfør: Da holder: Y = X µ σ/ n lim P(Y y) = lim P( X µ n n σ/ < y) = Φ(y), n der Φ( ) er den kumulative fordelingsfunksjonen for standard normalfordelingen. For n stor er altså Y tilnærmet standard normalfordelt!
5 Sentralgrenseteoremet Eksempler La X Bin(n, p). Da vet vi at: E[X] = np, V[X] = np(1 p), SD[X] = np(1 p). Av dette følger det at: E[X/n] = p, V[X/n] = p(1 p)/n, SD[X/n] = p(1 p)/n. BEMERK: Vi kan skrive: X n = 1 n n B i = B, i=1 der B 1,..., B n er uavhengige Bernoulli(p)-fordelte.
6 Sentralgrenseteoremet Eksempler Vi har da også: E[ B] = p, V[ B] = p(1 p)/n, SD[ B] = p(1 p)/n. Dermed følger det av sentralgrenseteoremet at: Y = X np np(1 p) = X n p p(1 p) n = B E[ B] SD[ B] N(0, 1).
7 Sentralgrenseteoremet Eksempler Anta at X Bin(n, p), der n = 100 og p = 0.7. Ved å benytte MATLAB kan vi finne P(X 70): >> binocdf(70,100,0.7) ans = Vi kan også beregne den tilsvarende sannsynligheten ved å benytte normaltilnærmingen: X np 70 np P(X 70) = P( ) = Φ( ) = 0.5 np(1 p) np(1 p) 21
8 Sentralgrenseteoremet Eksempler Anta at X Bin(n, p), der n = 500 og p = 0.6. Ved å benytte MATLAB kan vi finne P(X 300): >> binocdf(300,500,0.6) ans = Vi kan også beregne den tilsvarende sannsynligheten ved å benytte normaltilnærmingen: X np 300 np P(X 300) = P( ) = Φ( ) = 0.5 np(1 p) np(1 p) 120
9 Histogram Anta at vi har et datasett X 1,..., X n. Vi deler så tallinjen inn i k disjunkte intervaller av lengde δ > 0, betegnet I 1,..., I k, og teller opp hvor mange av X i -ene som faller innenfor hvert av intervallene. Vi innfører så: J j = Antall X i -er innenfor intervallet I j, j = 1,..., k. Vi antar at intervallene dekker hele utfallsrommet til datasettet slik at k j=1 J j = n. Et histogram er et søylediagram der arealet av hver søyle representerer den relative andelen av data som faller innenfor intervallet som søylen er plassert over. Høyden på j-te søyle, h j velges gjerne slik at det samlede arealet av søylene blir 1: h j δ = J j n P(X i I j ), j = 1,..., k.
10 Histogram HISTOGRAM MED TOTALT AREAL 1: % % % % 90.0 % 75.0 % 60.0 % 45.0 % 30.0 % 15.0 % 0.0 %
11 Histogram FREKVENSSPLOT DER SUMMEN AV HØYDENE ER 1: 27.5 % 24.8 % 22.0 % 19.3 % 16.5 % 13.8 % 11.0 % 8.3 % 5.5 % 2.8 % 0.0 %
12 S-kurver Anta igjen at vi har et datasett X 1,..., X n. Vi innfører så funksjonen ˆF(x) gitt ved: ˆF(x) = 1 n n I(X i x) i=1 = Andel X i -ene som er mindre enn eller lik x P(X i x) Funksjonen ˆF(x) kalles den empiriske kumulative fordelingsfunksjonen, og refereres ofte til som en S-kurve.
13 S-kurver S-KURVE: 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -4,50-2,70-0,90 0,90 2,70 4,50
14 Q-Q-plot For et gitt datasett X 1,..., X n, lar vi Y 1 Y 2 Y n være ordningsobservatorene. Vi antar at vi har observert at Y i = y i, i = 1,..., n. Vi bemerker da at: ˆF(y i ) = [Andel X i y i ] = i/n P(X i y i ) La så ˆµ = X 1 og ˆσ = n n 1 i=1 (X i X) 2 være anslag for hhv. forventning og standardavvik i fordelingen til X i -ene. La videre z 1,..., z n være slik at P(Z z i ) = i/n, i = 1,..., n, der Z N(ˆµ, ˆσ). I et Q-Q-plot plotter vi y i -ene mot z i -ene. Hvis plottet er en tilnærmet rett linje, så er fordelingen tilnærmet normalfordelt.
15 Q-Q-plot Q-Q-plot: 4,50 2,70 0,90-0,90-2,70-4,50-3,25-1,55 0,15 1,85 3,55 5,25
16 Sentralgrenseteoremet Eksempel 1 EKSEMPEL 1: Anta X 1,..., X n er uavhengige Bernoulli(0.5)-fordelte. Vi ser så på: Y = X E[ X] SD[ X]. I dette tilfellet er: Dette betyr at: E[ X] = E[X i ] = p = 0.5 SD[ X] = SD[X i ]/ n = p(1 p)/ n = 0.5/ n. Y = n( X 0.5)/0.5. Ved å benytte simulering, kan vi igjen anslå forelingen til Y for ulike verdier av n ved å tegne histogrammer. I de etterfølgende beregningene har vi benyttet N = simuleringer, og sett på tilfellene der n = 6 2 = 36, n = 12 2 = 144, n = 24 2 = 576.
17 Sentralgrenseteoremet Eksempel 1 Histogram for normalisert gjennomsnitt av n = 36 Bernoulli(0.5)-fordelte variable mot normaltettheten 55,0 % Histogram 49,5 % 44,0 % 38,5 % 33,0 % 27,5 % 22,0 % 16,5 % 11,0 % 5,5 % 0,0 % -4,50-2,80-1,10 0,60 2,30 4,00
18 Sentralgrenseteoremet Eksempel 1 Histogram for normalisert gjennomsnitt av n = 144 Bernoulli(0.5)-fordelte variable mot normaltettheten 42,5 % Histogram 38,3 % 34,0 % 29,8 % 25,5 % 21,3 % 17,0 % 12,8 % 8,5 % 4,3 % 0,0 % -4,75-2,85-0,95 0,95 2,85 4,75
19 Sentralgrenseteoremet Eksempel 1 Histogram for normalisert gjennomsnitt av n = 576 Bernoulli(0.5)-fordelte variable mot normaltettheten 40,0 % Histogram 36,0 % 32,0 % 28,0 % 24,0 % 20,0 % 16,0 % 12,0 % 8,0 % 4,0 % 0,0 % -4,50-2,75-1,00 0,75 2,50 4,25
20 Sentralgrenseteoremet Eksempel 1 S-kurve for normalisert gjennomsnitt av n = 36 Bernoulli(0.5)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -4,50-2,70-0,90 0,90 2,70 4,50
21 Sentralgrenseteoremet Eksempel 1 S-kurve for normalisert gjennomsnitt av n = 144 Bernoulli(0.5)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -4,75-2,85-0,95 0,95 2,85 4,75
22 Sentralgrenseteoremet Eksempel 1 S-kurve for normalisert gjennomsnitt av n = 576 Bernoulli(0.5)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -4,50-2,70-0,90 0,90 2,70 4,50
23 Sentralgrenseteoremet Eksempel 1 Q-Q-plot for normalisert gjennomsnitt av n = 36 Bernoulli(0.5)-fordelte variable mot normalfordelingen 4,50 Scatter plot 2,70 0,90-0,90-2,70-4,50-4,50-2,80-1,10 0,60 2,30 4,00
24 Sentralgrenseteoremet Eksempel 1 Q-Q-plot for normalisert gjennomsnitt av n = 144 Bernoulli(0.5)-fordelte variable mot normalfordelingen 4,50 Scatter plot 2,70 0,90-0,90-2,70-4,50-4,75-2,85-0,95 0,95 2,85 4,75
25 Sentralgrenseteoremet Eksempel 1 Q-Q-plot for normalisert gjennomsnitt av n = 576 Bernoulli(0.5)-fordelte variable mot normalfordelingen 4,50 Scatter plot 2,70 0,90-0,90-2,70-4,50-4,50-2,75-1,00 0,75 2,50 4,25
26 Sentralgrenseteoremet Eksempel 2 EKSEMPEL 2: Anta X 1,..., X n er uavhengige Eksp(1)-fordelte. Vi ser så på: Y = X E[ X] SD[ X]. I dette tilfellet er: Dette betyr at: E[ X] = E[X i ] = 1 SD[ X] = SD[X i ]/ n = 1/ n = 1/ n. Y = n( X 1). Ved å benytte simulering, kan vi igjen anslå forelingen til Y for ulike verdier av n ved å tegne histogrammer. I de etterfølgende beregningene har vi benyttet N = simuleringer, og sett på tilfellene der n = 6 2 = 36, n = 12 2 = 144, n = 24 2 = 576.
27 Sentralgrenseteoremet Eksempel 2 Histogram for normalisert gjennomsnitt av n = 36 Eksp(1)-fordelte variable mot normaltettheten 42.5 % 38.3 % 34.0 % 29.8 % 25.5 % 21.3 % 17.0 % 12.8 % 8.5 % 4.3 % 0.0 %
28 Sentralgrenseteoremet Eksempel 2 Histogram for normalisert gjennomsnitt av n = 144 Eksp(1)-fordelte variable mot normaltettheten 40.0 % 36.0 % 32.0 % 28.0 % 24.0 % 20.0 % 16.0 % 12.0 % 8.0 % 4.0 % 0.0 %
29 Sentralgrenseteoremet Eksempel 2 Histogram for normalisert gjennomsnitt av n = 576 Eksp(1)-fordelte variable mot normaltettheten 40.0 % 36.0 % 32.0 % 28.0 % 24.0 % 20.0 % 16.0 % 12.0 % 8.0 % 4.0 % 0.0 %
30 Sentralgrenseteoremet Eksempel 2 S-kurve for normalisert gjennomsnitt av n = 36 Eksp(1)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -4,50-2,55-0,60 1,35 3,30 5,25
31 Sentralgrenseteoremet Eksempel 2 S-kurve for normalisert gjennomsnitt av n = 144 Eksp(1)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -4,50-2,55-0,60 1,35 3,30 5,25
32 Sentralgrenseteoremet Eksempel 2 S-kurve for normalisert gjennomsnitt av n = 576 Eksp(1)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -4,50-2,70-0,90 0,90 2,70 4,50
33 Sentralgrenseteoremet Eksempel 2 Q-Q-plot for normalisert gjennomsnitt av n = 36 Eksp(1)-fordelte variable mot normalfordelingen
34 Sentralgrenseteoremet Eksempel 2 Q-Q-plot for normalisert gjennomsnitt av n = 144 Eksp(1)-fordelte variable mot normalfordelingen
35 Sentralgrenseteoremet Eksempel 2 Q-Q-plot for normalisert gjennomsnitt av n = 576 Eksp(1)-fordelte variable mot normalfordelingen
36 Sentralgrenseteoremet Eksempel 3 EKSEMPEL 3: Anta X 1,..., X n er uavhengige Unif( 1, +1)-fordelte. Vi ser så på: Y = X E[ X] SD[ X]. I dette tilfellet er: Dette betyr at: E[ X] = E[X i ] = 0 SD[ X] = SD[X i ]/ n = (1/ 3)/ n = 0.58/ n. Y = n X Ved å benytte simulering, kan vi igjen anslå forelingen til Y for ulike verdier av n ved å tegne histogrammer. I de etterfølgende beregningene har vi benyttet N = simuleringer, og sett på tilfellene der n = 6 2 = 36, n = 12 2 = 144, n = 24 2 = 576.
37 Sentralgrenseteoremet Eksempel 3 Histogram for normalisert gjennomsnitt av n = 36 Unif( 1, +1)-fordelte variable mot normaltettheten 40.0 % 36.0 % 32.0 % 28.0 % 24.0 % 20.0 % 16.0 % 12.0 % 8.0 % 4.0 % 0.0 %
38 Sentralgrenseteoremet Eksempel 3 Histogram for normalisert gjennomsnitt av n = 144 Unif( 1, +1)-fordelte variable mot normaltettheten 40.0 % 36.0 % 32.0 % 28.0 % 24.0 % 20.0 % 16.0 % 12.0 % 8.0 % 4.0 % 0.0 %
39 Sentralgrenseteoremet Eksempel 3 Histogram for normalisert gjennomsnitt av n = 576 Unif( 1, +1)-fordelte variable mot normaltettheten 40.0 % 36.0 % 32.0 % 28.0 % 24.0 % 20.0 % 16.0 % 12.0 % 8.0 % 4.0 % 0.0 %
40 Sentralgrenseteoremet Eksempel 3 S-kurve for normalisert gjennomsnitt av n = 36 Unif( 1, +1)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -2,50-1,50-0,50 0,50 1,50 2,50
41 Sentralgrenseteoremet Eksempel 3 S-kurve for normalisert gjennomsnitt av n = 144 Unif( 1, +1)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -2,50-1,50-0,50 0,50 1,50 2,50
42 Sentralgrenseteoremet Eksempel 3 S-kurve for normalisert gjennomsnitt av n = 576 Unif( 1, +1)-fordelte variable (rød kurve) mot S-kurve for N(0,1)-fordelingen (grønn kurve) 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % -2,50-1,45-0,40 0,65 1,70 2,75
43 Sentralgrenseteoremet Eksempel 3 Q-Q-plot for normalisert gjennomsnitt av n = 36 Unif( 1, +1)-fordelte variable mot normalfordelingen
44 Sentralgrenseteoremet Eksempel 3 Q-Q-plot for normalisert gjennomsnitt av n = 144 Unif( 1, +1)-fordelte variable mot normalfordelingen
45 Sentralgrenseteoremet Eksempel 3 Q-Q-plot for normalisert gjennomsnitt av n = 576 Unif( 1, +1)-fordelte variable mot normalfordelingen
STK1100 våren Normalfordelingen. Normalfordelingen er den viktigste av alle sannsynlighetsfordelinger
STK00 våren 206 Normalfordelingen Svarer til avsnitt 4.3 i læreboka Geir Storvik Matematisk institutt Universitetet i Oslo Normalfordelingen er den viktigste av alle sannsynlighetsfordelinger Normalfordelingen
DetaljerForslag til endringar
Forslag til endringar Bakgrunn: Vi har ingen forelesningar veka etter påske. Eg skal bort 18. og 19. april. Eksamen er 30.mai Forslag til endringar: Ekstra forelesningar onsdag 16.mars og onsdag 30 mars
DetaljerKap. 8: Utvalsfordelingar og databeskrivelse
Kap. 8: Utvalsfordelingar og databeskrivelse Utvalsfordelingar Utvalsfordeling for gjennomsnitt (med kjent varians) ( X ) Sentralgrenseteoremet (SGT) Utvalsfordeling for varians (normalfordeling) Utvalfordeling
DetaljerIllustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.20).
Econ 130 HG mars 017 Supplement til forelesningen 7. februar Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.0). Regel 5.19 sier at summer, Y X1 X X
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn
DetaljerKapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering
Kapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering TMA4245 Statistikk Kapittel 8.1-8.5. Kapittel 9.1-9.3+9.15 Turid.Follestad@math.ntnu.no p.1/21 Har sett
DetaljerObservatorer. STK Observatorer - Kap 6. Utgangspunkt. Eksempel høyde Oxford studenter
Observatorer STK00 - Observatorer - Kap 6 Geir Storvik 4. april 206 Så langt: Sannsynlighetsteori Stokastiske modeller Nå: Data Knytte data til stokastiske modeller Utgangspunkt Eksempel høyde Oxford studenter
DetaljerEcon 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
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
DetaljerLøsning på Dårlige egg med bruk av Tabell 2 i Appendix B
Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn P(x), x=0,1,2,3,4 fra den generelle formelen for binomisk sannsynlighetsfordeling
DetaljerForelesning 7: Store talls lov, sentralgrenseteoremet. Jo Thori Lind
Forelesning 7: Store talls lov, sentralgrenseteoremet Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Estimering av variansen 2. Asymptotisk teori 3. Store talls lov 4. Sentralgrenseteoremet 1.Estimering
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Løsningsskisse Oppgave Scriptet run confds.m simulerer n data x,..., x n fra en normalfordeling med
DetaljerEt lite notat om og rundt normalfordelingen.
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Observasjoner Histogram Viser fordelingen av faktiske observerte
DetaljerForelesning 27. mars, 2017
Forelesning 27. mars, 2017 AVSNITT 5.5 Ordningsobservatorene AVSNITT 6.1 Observatorer og deres fordelinger Ordningsobservatorene La X 1,..., X n være n uavhengige stokastiske variable som alle har samme
DetaljerTMA4240 Statistikk Høst 2012
TMA424 Statistikk Høst 212 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving 5 blokk I Løsningsskisse Oppgave 1 X N(18,2.5 2 ) P(X < 15) = P ( X 18 < 15 18 ) = P(Z < 1.2)
DetaljerEstimatorar. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Estimatorar Torstein Fjeldstad Institutt for matematiske fag, NTNU 11.10.2018 I dag Repetisjon Er dataa mine normalfordelt? Estimatorar Eigenskapar til S 2 Kahoot 2 Repetisjon Obervator Ein observator
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
DetaljerUtvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling
Kapittel 8 Utvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling TMA4240 H2006: Eirik Mo 2 Til nå... Definert sannsynlighet og stokastiske variabler (kap. 2 & 3).
DetaljerSTK1000 Uke 36, Studentene forventes å lese Ch 1.4 ( ) i læreboka (MMC). Tetthetskurver. Eksempel: Drivstofforbruk hos 32 biler
STK1000 Uke 36, 2016. Studentene forventes å lese Ch 1.4 (+ 3.1-3.3 + 3.5) i læreboka (MMC). Tetthetskurver Eksempel: Drivstofforbruk hos 32 biler Fra histogram til tetthetskurver Anta at vi har kontinuerlige
DetaljerMedisinsk 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
DetaljerHypotesetesting. Hvorfor og hvordan? Gardermoen 21. april 2016 Ørnulf Borgan. H. Aschehoug & Co Sehesteds gate 3, 0102 Oslo Tlf:
Hypotesetesting Hvorfor og hvordan? Gardermoen 21. april 2016 Ørnulf Borgan H. Aschehoug & Co Sehesteds gate 3, 0102 Oslo Tlf: 22 400 400 www.aschehoug.no 1 Oversikt Sannsynlighetsregning og statistikk
DetaljerEt lite notat om og rundt normalfordelingen.
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Observasjoner Histogram Viser fordelingen av faktiske observerte
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 8, blokk II Løsningsskisse Oppgave 1 Da komponentene danner et parallellsystem, vil systemet fungere dersom minst
DetaljerÅMA110 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 2010, s. 1. Oppgave 1. Histogram over frekvenser.
ÅMA1 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 0, s. 1 (Det tas forbehold om feil i løsningsforslaget.) a) Gjennomsnitt: x = 1 Emp. standardavvik: Median: 1 (1.33 + 1.) = 1.35
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
DetaljerSeksjon 1.3 Tetthetskurver og normalfordelingen
Seksjon 1.3 Tetthetskurver og normalfordelingen Har sett på ulike metoder for å plotte eller oppsummere data Vil nå starte på hvordan beskrive data ved modeller Hovedmetode er tetthetskurver Tetthetskurver
DetaljerST0202 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
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
DetaljerEt lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver?
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Boka (Ch 1.4) motiverer dette ved å gå fra histogrammer til tetthetskurver.
DetaljerTMA4240 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 9 Løsningsskisse Oppgave 1 a) Vi lar her Y være antall fugler som kolliderer med vindmølla i løpet av den gitte
DetaljerKapittel 4.3: Tilfeldige/stokastiske variable
Kapittel 4.3: Tilfeldige/stokastiske variable Litt repetisjon: Sannsynlighetsteori Stokastisk forsøk og sannsynlighet Tilfeldig fenomen Individuelle utfall er usikre, men likevel et regulært mønster for
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
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,
DetaljerBootstrapping og simulering Tilleggslitteratur for STK1100
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 (oppdatert April 2016) 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor
Detaljer(Det tas forbehold om feil i løsningsforslaget.) Oppgave 1
ÅMA1 Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 2011, s. 1 (Det tas forbehold om feil i løsningsforslaget.) Oppgave 1 a) Data: x 1, x 2, x 3, x 4, x 5 Gjennomsnitt: x = 1 5 (x 1
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Kapittel 7: Utvalgsfordeling Bo Lindqvist Institutt for matematiske fag 2 Fra kapittel 1: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg
DetaljerFra første forelesning:
2 Fra første forelesning: ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag opulasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av populasjonen
DetaljerEmnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard
EKSAMEN Emnekode: SFB107111 Emnenavn: Metode 1, statistikk deleksamen Dato: 16. mai 2017 Hjelpemidler: Godkjent kalkulator og vedlagt formelsamling m/tabeller Eksamenstid: 4 timer Faglærer: Hans Kristian
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,
DetaljerStatistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent)
TMA440 Statistikk H010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,
DetaljerEkstreme bølger. Geir Storvik Matematisk institutt, Universitetet i Oslo. 5. mars 2014
Ekstreme bølger Geir Storvik Matematisk institutt, Universitetet i Oslo 5. mars 2014 Bølger Timesvise max-bølger ved bøye utenfor østkyst av USA (17/12/1991-23/2-1992) Størrelse på bølger varierer sterkt
DetaljerHøgskolen i Telemark. Institutt for økonomi og informatikk FORMELSAMLING Statistikk I. Til bruk ved eksamen. Per Chr. Hagen
Høgskolen i Telemark Institutt for økonomi og informatikk FORMELSAMLING 6005 Statistikk I Til bruk ved eksamen Per Chr. Hagen . Sannsynlighetsregning. Regneregler Komplementsetningen: Addisjonssetningen:
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
DetaljerOppgaven består av 10 delspørsmål som anbefales å veie like mye. Kommentarer og tallsvar er skrevet inn mellom <<. >>. Oppgave 1
ECON 0 EKSAMEN 004 VÅR SENSORVEILEDNING Oppgaven består av 0 delspørsmål som anbefales å veie like mye. Kommentarer og tallsvar er skrevet inn mellom
DetaljerTabell 1: Beskrivende statistikker for dataene
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7, blokk II Løsningsskisse Oppgave 1 a) Utfør en beskrivende analyse av datasettet % Data for Trondheim: TRD_mean=mean(TRD);
DetaljerUtvalgsfordelinger (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
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
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerInferens. STK Repetisjon av relevant stoff fra STK1100. Eksempler. Punktestimering - "Fornuftig verdi"
Inferens STK1110 - Repetisjon av relevant stoff fra STK1100 Geir Storvik 12. august 2015 Data x 1,..., x n evt også y 1,..., y n Ukjente parametre θ kan være flere Vi ønsker å si noe om θ basert på data.
DetaljerUtvalgsfordelinger (Kapittel 5)
Utvalgsfordelinger (Kapittel 5) Oversikt pensum, fortid og fremtid Eksplorativ data-analyse (Kap 1, 2) Hvordan produsere data (Kap 3) Sannsynlighetsteori (Kap 4) Utvalgsfordelinger til observatorer (Kap
DetaljerSTK 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
DetaljerHøgskoleni 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:
DetaljerLøsningsforslag til eksamen i TMA4245 Statistikk 7. juni 2007
Løsningsforslag til eksamen i TMA4245 Statistikk 7. juni 2007 Oppgave 1: Pengespill a) For hver deltaker har vi følgende situasjon: Deltakeren får en serie oppgaver. Hver runde har to mulige utfall: Deltakeren
DetaljerTMA4245 Statistikk Høst 2016
TMA5 Statistikk Høst 6 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving Løsningsskisse Oppgave a) Den tilfeldige variabelen X er kontinuerlig fordelt med sannsynlighetstetthet
DetaljerSted Gj.snitt Median St.avvik Varians Trondheim 6.86 7.50 6.52 42.49 Værnes 7.07 7.20 6.79 46.05 Oppdal 4.98 5.80 7.00 48.96
Vår 213 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 8, blokk II Matlabøving Løsningsskisse Oppgave 1 a) Ingen løsningsskisse. b) Finn, for hvert datasett,
DetaljerSTK1100 våren Forventningsverdi. Forventning, varians og standardavvik
STK00 våren 0 Forventning, varians og standardavvik Svarer til avsnitt 3.3 i læreboka Geir Storvik (Ørnulf Borgan) Matematisk institutt Universitetet i Oslo Forventningsverdi Punktsannsynligheten px (
Detaljerbetyr begivenheten at det blir trukket en rød kule i første trekning og en hvit i andre, mens B1 B2
ECON30: EKSAMEN 06v SENSORVEILEDNING. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i
DetaljerUtvalgsfordelinger. 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
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerTMA4245 Statistikk. Innlevering 3. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
TMA4245 Statistikk Vår 2017 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 3 Dette er den første av to innleveringer i blokk 2 Denne øvingen skal oppsummere pensum
DetaljerHøgskoleni østfold EKSAMEN
et) Høgskoleni østfold EKSAMEN Emnekode:Emne: SFB10711Metode 1 Statistikkdel Dato: 5. feb. 2016Eksamenstid: kl. 1400 Hjelpemidler: Kalkulator Utlevert formelsamling til kl. 1800 Faglærer: Nils Ingar Arvidsen
DetaljerEmnenavn: Eksamenstid: Faglærer: Hans Kristian Bekkevard
Høgskoleni østfold EKSAMEN Emnekode: SFB10711 Emnenavn: Metodekurs 1: statistikk, deleksamen Dato: Eksamenstid: 4. januar 2017 4 timer Hjelpemidler: Kalkulator og vedlagt formelsamling m/tabeller Faglærer:
DetaljerDenne 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:
DetaljerSeksjon 1.3 Tetthetskurver og normalfordelingen
Seksjon 1.3 Tetthetskurver og normalfordelingen Har sett på ulike metoder for å plotte eller oppsummere data ved tall Vil nå starte på hvordan beskrive data ved modeller Hovedmetode er tetthetskurver Tetthetskurver
DetaljerUtvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer.
Utvalgsfordelinger Vi har sett at utvalgsfordelinger til en statistikk (observator) er fordelingen av verdiene statistikken tar ved mange gjenttatte utvalg av samme størrelse fra samme populasjon. Utvalg
DetaljerUNIVERSITETET I OSLO Matematisk Institutt
UNIVERSITETET I OSLO Matematisk Institutt Midtveiseksamen i: STK 1000: Innføring i anvendt statistikk Tid for eksamen: Onsdag 9. oktober 2013, 11:00 13:00 Hjelpemidler: Lærebok, ordliste for STK1000, godkjent
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
DetaljerDa vil summen og gjennomsnittet være tilnærmet normalfordelte : Summen: X 1 +X X n ~N(nµ,nσ 2 ) Gjennomsnittet: X 1 +X
Me me me me metallic hvit 4.4: Tilnærming til normalfordeling Tilnærming til normalfordeling: binomisk og Poisson kan tilnærmes v.h.a. normalfordeling under bestemte forhold (ved "mange" delforsøk/hendelser)
DetaljerEmnenavn: Deleksamen i Statistikk. Eksamenstid: Faglærer: Tore August Kro. Oppgaven er kontrollert:
EKSAMEN Emnekode: IRB22515, IRBIO22013, IRE22518, IRM23116 Emnenavn: Deleksamen i Statistikk Dato: Sensurfrist: 03.01.19 24.01.19 Eksamenstid: 09.00 12.00 Antall oppgavesider: 6 Antall vedleggsider: 9
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Deleksamen i: STK1000 Innføring i avvendt statistikk Eksamensdag: Onsdag 7. oktober 2015 Tid for eksamen: 11.00 13.00 Oppgavesettet er på
DetaljerLøsning eksamen desember 2016
Løsning eksamen desember 016 Oppgave 1 a) En drone har to uavhengige motorer. Vi innfører hendelsene A: motor 1 svikter B: motor svikter Dronen er avhengig av at begge virker, slik at sannsynligheten for
DetaljerAndre obligatoriske oppgave stk 1100
Andre obligatorise oppgave st 11 John Miael Modin 17. april 8 Oppgave 1 X er årsinteten til en tilfeldig valgt person i en befolningsgruppe. Sansynlighetstettheten til X er gitt ved { θ f X (x) = θ x θ
DetaljerKap. 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:
DetaljerTMA4240 Statistikk Høst 2009
TMA4240 Statistikk Høst 2009 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b5 Løsningsskisse Oppgave 1 Vi ønsker å finne ut om et nytt serum kan stanse leukemi.
DetaljerBootstrapping og stokatisk simulering Tilleggslitteratur for STK1100
Bootstrapping og stokatisk simulering Tilleggslitteratur for STK1100 Geir Storvik April 014 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor statistikk
DetaljerLøsningsforslag Eksamen S2, høsten 2016 Laget av Tommy Odland Dato: 27. januar 2017
Løsningsforslag Eksamen S, høsten 016 Laget av Tommy Odland Dato: 7. januar 017 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x 3 5x, og vi kommer til å få bruk for reglene (ax n ) = anx
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform I går Normal I går Eksponensial I dag Gamma I dag Kji-kvadrat I dag Nokre eigenskapar
Detaljerx λe λt dt = 1 e λx for x > 0 uavh = P (X 1 v)p (X 2 v) = F X (v) 2 = (1 e λv ) 2 = 1 2e λv + e 2λv = 2 1 λ 1 2λ = 3
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 7 Løsningsskisse Oppgave 1 a) Regner først ut den kumulative fordelingsfunksjonen til X: F X (x) = x λe λt dt
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
DetaljerLøsningsforslag til oppgaver brukt i STA100
Universitetet i Stavanger Løsningsforslag til oppgaver brukt i STA100 Oppgave 1 a) Populasjonen er alle studenter ved Universitetet i Stavanger, og utvalget er de (ca 100) studentene hun velger ut i undersøkelsen
DetaljerDiskrete sannsynlighetsfordelinger som histogram. Varians. Histogram og kumulativ sannsynlighet. Binomial-fordelingen
Diskret sannsynlighetsfordeling (kap 1.1-1.6) Oversikt Utfallsrom (sample space) Sannsynlighetsfordeling Forventning (expectation), E(, populasjonsgjennomsnitt Bruk av figurer og histogram Binomialfordelingen
DetaljerOblig 1 i MAT2400. Oppgave 1. Tor Hedin Brønner. a) Vi tar integralet av f X (x) fra til x: = 1. Medianen, µ, finner vi ved å sette.
Oblig 1 i MAT24 Tor Hedin Brønner Oppgave 1. a) Vi tar integralet av f X (x) fra til x: x f X (x) dy = Medianen, µ, finner vi ved å sette.5 = µ dy + x = [ θ y θ] x = θ x θ + θ θ ( θ = 1 x) µ θ = θ.5 µ
DetaljerØving 1 TMA4240 - Grunnleggende dataanalyse i Matlab
Øving 1 TMA4240 - Grunnleggende dataanalyse i Matlab For grunnleggende introduksjon til Matlab, se kursets hjemmeside https://wiki.math.ntnu.no/tma4240/2015h/matlab. I denne øvingen skal vi analysere to
DetaljerTMA4240 Statistikk H2017 [15]
TMA4240 Statistikk H207 [5] Del 2: Statistisk inferens Populasjon og utvalg [8.] Observatorer og utvalgsfordelinger [8.2-8.3] Fordeling til gjennomsnittet og sentralgrenseteoremet [8.4] Normalplott [8.8]
DetaljerBootstrapping og simulering
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor statistikk, men
DetaljerA. 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
DetaljerECON Statistikk 1 Forelesning 4: Stokastiske variable, fordelinger. Jo Thori Lind
ECON2130 - Statistikk 1 Forelesning 4: Stokastiske variable, fordelinger Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Betinget sannsynlighet 2. Stokastiske variable 3. Forventning og varians 4. Regneregler
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
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 16. november 2009) 1. Sannsynlighet La A, B, A 1, A 2,...,B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerØving 1 TMA4245 - Grunnleggende dataanalyse i Matlab
Øving 1 TMA4245 - Grunnleggende dataanalyse i Matlab For grunnleggende bruk av Matlab vises til slides fra basisintroduksjon til Matlab som finnes på kursets hjemmeside. I denne øvingen skal vi analysere
DetaljerObservatorar og utvalsfordeling. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Observatorar og utvalsfordeling Torstein Fjeldstad Institutt for matematiske fag, NTNU 08.10.2018 I dag Til no i emnet Observatorar Utvalsfordelingar Sentralgrenseteoremet 2 Til no i emnet definisjon av
Detaljerα =P(type I feil) = P(forkast H 0 H 0 er sann) =1 P(220 < X < 260 p = 0.6)
TMA4245 Statistikk Vår 212 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving 4 blokk II Løsningsskisse Oppgave 1 4 personer spurt. Hvis mellom 22 og 26 personer svarer
DetaljerLøsning eksamen desember 2017
Løsning eksamen desember 017 Oppgave 1 Innfører hendelsene D: enheten er defekt K: enheten blir kassert a i Disse sannsynlighetene kan leses ut av oppgaveteksten: P D = 0, 10 P K D = 0, 07 P K D = 0, 95
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlige stokastiske variabelen X ha fordelingsfunksjon (sannsynlighetstetthet
DetaljerDEL 1 GRUNNLEGGENDE STATISTIKK
INNHOLD 1 INNLEDNING 15 1.1 Parallelle verdener........................... 18 1.2 Telle gunstige.............................. 20 1.3 Regneverktøy og webstøtte....................... 22 1.4 Oppgaver................................
DetaljerUNIVERSITETET I OSLO
Deleksamen i: UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet STK1000 Innføring i anvendt statistikk. Eksamensdag: Onsdag 13. oktober 2010. Tid for eksamen: 15:00 17:00. Oppgavesettet
DetaljerTMA4240 Statistikk Høst 2012
TMA424 Statistikk Høst 212 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7 Løsningsskisse Matlabøving Beskrivende analyse Oppgave 1 a) Finn, for hvert datasett,
DetaljerFordelinger, mer om sentralmål og variasjonsmål. Tron Anders Moger
Fordelinger, mer om sentralmål og variasjonsmål Tron Anders Moger 20. april 2005 1 Forrige gang: Så på et eksempel med data over medisinerstudenter Lærte hvordan man skulle få oversikt over dataene ved
DetaljerKontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x) er sannsynlighetstettheten til en kontinuerlig X dersom: 1. f(x) 0 for alle x R 2. f(x)dx =1 3. P (a
Detaljer