TMA4240 Statistikk H2015
|
|
- Thor Olsen
- 6 år siden
- Visninger:
Transkript
1 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, NTNU wiki.math.ntnu.no/emner/tma4240/2015h/start/
2 Solsikker sist Jeg planter 4 solsikkefrø. De har 70 % spiringsgrad. Hva er sannsynligheten for at minst 3 av frøene jeg har plantet vil spire?
3
4 Solsikker (igjen) En morgen planter jeg et solsikkefrø, og om kvelden sjekker jeg om frøet har spiret. Spiringsgraden til frøene jeg bruker er 70%. Dette gjentar jeg hver dag - med et nytt frø - frem til jeg totalt har fått 3 spirede frø. La X være antall dager til og med den dagen jeg har fått 3 spirede frø. Hva karakteriserer denne situasjonen og hvilken fordeling har X?
5 Negativ binomisk eksperiment utføres som et binomisk eksperiment med den forskjell at forsøkene gjentas til et fast antall suksesser inntreffer. Dvs. 1. Eksperimentet består av et på forhånd ukjent antall forsøk. 2. Hvert forsøk: inntreffer hendelsen A (suksess) eller ikke (fiasko). 3. Sannsynligheten for hendelsen A (suksess), P(A) = p, er den samme fra forsøk til forsøk. 4. De gjentatte forsøkene er uavhengige av hverandre. 5. Eksperimentet avsluttet når et bestemt antall, k, av hendelsen A (suksesser) har inntruffet.
6
7
8 Negativ binomisk fordeling Vi ser på gjentatte uavhengige forsøk som kan resultere i hendelsen A (suksess) med sannsynlighet p og komplementet til hendelsen A (A =fiasko) med sannsynlighet 1 p. La den stokastiske variabelen X angi antall forsøk som må gjøres for at hendelsen A (suksess) inntreffer k ganger. X har da en negativ binomisk fordeling med sannsynlighet ( ) x 1 b (x; k, p) = p k (1 p) (x k) k 1 for x = k, k + 1, k + 2,...
9 Binomisk og negativ binomisk Forsøksrekke, registrerer A (suksess) eller A (fiasko) i hvert forsøk. P(A) = p i hvert forsøk. Forsøkene er uavhengige. Binomisk Bestemmer totalt antall forsøk, n, på forhånd. X =antall suksesser på n forsøk Negativ binomisk Antall forsøk er ikke bestemt på forhånd, men eksperimentet avsluttes når k suksesser er oppnådd. X =antall forsøk til k suksesser er oppnådd.
10 Negativ binomisk fordeling (forts.) k = 5, p = 0.1 k = 5, p = 0.5 k = 5, p = 0.8 Negbin(k=5, p=0.1) Negbin(k=5, p=0.5) Negbin(k=5, p=0.8) Negbin(k=5, p=0.1) Negbin(k=5, p=0.5) Negbin(k=5, p=0.8)
11 Urne med kuler [v5] Definisjon: p = antall røde kuler antall kuler Prosedyre: Utfør inntil k røde kuler er trukket trekk en kule tilfeldig registrer fargen legg kula tilbake Da er antallet trekninger negativ binomisk fordelt.
12 Eksempler Solsikker. Maskin: En maskin feiler med sannsynlighet p hver time. Når den feiler bli den minimalt reparert (dvs. den blir så god som akkurat før den feilet). Når maskinen har feilet k ganger byttes den ut. X =antall timer til maskinen byttes ut. Ludo: for å starte en omgang ludo må man kaste 6 på terningen. La X være lik antall kaste til og med første 6er er kastet.
13
14 Geometrisk fordeling Negativ binomisk med k=1: g(x; p) = p(1 p) (x 1) x = 1, 2, 3,... TEO 5.3: Forventning og varians i den geometriske fordelingen g(x; p) er µ = E(X ) = 1 p og σ 2 = Var(X ) = 1 p p 2 p = 0.1 p = 0.5 p = 0.8 Negbin(k=1, p=0.1) Negbin(k=1, p=0.5) Negbin(k=1, p=0.8) Negbin(k=1, p=0.1) Negbin(k=1, p=0.5) Negbin(k=1, p=0.8)
15
16 Spørrekonkurranse på radio For å være med i en spørrekonkurranse på radio på du ringe et bestemt telefonnummer. Det er ingen telefonkø, du får enten opptatt-signal eller kommer gjennom. X = # forsøk inntil en kommer gjennom første gang. p = P(komme gjennom på tilfeldig valgt forsøk) = Hva er forventet antall ganger en må ringe for å komme gjennom? 2. Hva er sannsynligheten for å komme gjennom dersom en orker å ringe maksimalt 50 ganger? 3. Dersom en har ringt 50 ganger utan å komme gjennom, hva er sannsynligheten for å komme gjennom i neste forsøk?
17
18 NB: i andre lærebøker og i noen software (f.eks. matlab) så brukes heller Y=antall forsøk i tillegg til de k suksessene, der k=antall suksesser, slik at Y=0,...,uendelig. Dvs. at vår X=Y+k.
19 SMS Når jeg sender en SMS blir den mottatt ved en basestasjon i nærheten. Vi skal se på ankomsten av SMS til basestasjonen og antall SMS som mottas ved basestasjonen i løpet av et halvt minutt.
20
21 5.5 Poisson-fordeling og -prosess Vi ser på om en hendelse inntreffer eller ikke innenfor et intervall eller en region. 1. Antall hendelser som inntreffer i et intervall eller i en spesifisert region, er uavhengig av antall hendelser som inntreffer i ethvert annet disjunkt intervall eller region. 2. Sannsynligheten for at en enkelt hendelse inntreffer innenfor et lite intervall eller liten region, er proporsjonal med lengden av intervallet eller størrelsen på regionen, og er ikke avhengig av antallet hendelser som inntreffer utenfor intervallet eller regionen. 3. Sannsynligheten for at mer enn en hendelse skal inntreffe innenfor et kort intervall eller liten region er neglisjerbar.
22
23 Poisson-fordeling La den stokastiske variabelen X representere antallet hendelser i et gitt intervall eller region av størrelse t. Sannsynlighetsfordelingen til X er p(x; λt) = (λt)x e λt x = 0, 1, 2,... x! hvor λ er gjennomsnittlig antall hendelser per enhet intervall eller region (og e = ).
24 Antallet SMS til basestasjonen La λ = 3 sms/minutt og t = 0.5 minutt. x P(X = x) <
25
26
27
28 Binomisk- og Poisson-fordeling Utledning : Poisson P(X = x) kan utledes ved å dele opp tidsaksen i n bittesmå intervaller av lengde t = t n. Da har vi en binomisk situasjon i n uavhengige intervaller. Lar vi n får vi Poisson P(X = x). TEO 5.5 La X være en binomisk stokastisk variabel med sannsynlighetsfordeling b(x; n, p). Når n, p 0, og µ = np holdes konstant, så er b(x; n, p) p(x; µ)
29 Poisson-fordeling (forts.) µ = λt = 0.5 µ = λt = 2 µ = λt = Pois(lambda=0.5) Pois(lambda=2) Pois(lambda=10) TEO 5.4 Forventning og varians i Poissonfordelingen p(x; λt) er begge λt.
30 Poisson Standard triks= få inn sum over alle sannsynligheter
31
32 Poisson-situasjoner Alpinulykker (eksamen 5.august 2004, oppgave 3) Sikkerhet er en av de høyest prioriterte oppgavene i norske alpinanlegg. Vi antar at antall alpinulykker som krever legebehandling i alpinanlegget Alpinfjellet i en periode på t skidager, X, er Poisson-fordelt med forventningsverdi µ = λt. Her er λ skadefrekvens pr skidag og t er eksponeringstid i antall skidager. En skidag er definert som en person i alpinanlegget en hel dag. Jordskjelv α-partikler bakgrunnsstråling. Trykkfeil pr. bokside. Antall studenter som sovner pr. forelesningstime (?) Antall aviser som selges ved et utsalgssted.
33 Trafikk-kontroll av mobilbruk Politiet vil aksjonere mot ulovlig mobilbruk i bil, og gjennomfører en kontroll ved Lerkendal-rundkjøringen. Kontrollen varer i 3 timer. La X =antall bilførere som blir bøtelagt for ulovlig mobilbruk i løpet av de 3 timene. Anta at X Poisson, der λ = 5 og t = 3. Hva er forventet antall bilførere som blir bøtelagt i kontrollen? Hva er sannsynligheten for at ingen blir bøtelagt? Hva er sannsynligheten for at minst 20 blir bøtelagt?
34
35 Poissonfordeling P (X x) x\µ Tabeller og 23 formler.9999 i statistikk,.9995 Poisson-fordeling, side (av utgaven.9633 med.9367 forord fra )
36 1 Noen diskrete sannsynlighetsfordelinger Binomisk fordeling f(x) = b(x; n, p) = ( n x )px (1 p) n x, x = 0, 1,..., n. E(X) = np, Var(X) = np(1 p), M X (t) = (pe t + 1 p) n. Poissonfordeling f(x) = p(x; µ) = µx x! e µ, x = 0, 1, 2,.... E(X) = µ, Var(X) = µ, M X (t) = e µ(et 1). Hypergeometrisk fordeling ( k x )( N n x k f(x) = h(x; N, n, k) =, x = 0, 1,..., min(k, n). ( N n ) Tabeller og formler i statistikk, noen diskrete fordelinger. E(X) = nk N, M (t) har ikke et pent uttrykk. Var(X) = N n N 1 n k N (1 k N ).
37 Geometrisk (p) min X i Xi n = 1 Xi Poisson (µ) Negativbinomisk (n, p) µ = n(1 p) n µ = np n σ 2 = µ µ Binomisk (n, p) p = k/n N µ = np σ 2 = np(1 p) n Hypergeometrisk (N, n, k) e X Normal Lognormal (µ, σ 2 ) (µ, σ 2 ) log(x) X µ σ µ + σx Tabeller og formler Xi i statistikk, kart over fordelinger. Normal (0, 1) X 2 i α = β µ = αβ σ 2 = αβ 2 α Gamma (α, β) X1 X1+X2 Beta (α, β) α = β = 1 Xi X1 X2 Xi χ 2 α = ν/2 β = 2 Xi X/β Uniform (0, 1)
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
Detaljer5.2 Diskret uniform fordeling. Midtveiseksamen (forts.) Kapittel 5. Noen diskrete sannsynlighetsfordelinger. TMA4245 V2007: Eirik Mo
Histogram of x 1 2 3 4 5 6 x 0 1 2 3 4 5 6 3 Midtveiseksamen oppg. 1a eksamen 06.08.2004 Kapittel 5 Noen diskrete sannsynlighetsfordelinger TMA4245 V2007: Eirik Mo Høsten 2004 ble det i TMA4240 bli innført
DetaljerNoen 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
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
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
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Kapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.4-5.7: Normalfordelingen, normalapproksimasjon, eksponensial og gamma. Mette Langaas Foreleses mandag 27. september 2010 2
DetaljerTMA4240 Statistikk H2010 Kapittel 5: Diskrete sannsynlighetsfordelinger : Uniform, binomisk, hypergeometrisk fordeling
TMA4240 Statistikk H2010 Kapittel 5: Diskrete sannsynlighetsfordelinger 5.1-5.4: Uniform, binomisk, hypergeometrisk fordeling Mette Langaas 2 Arbeidshverdag etter endt studium Studere et fenomen (f.eks.
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
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
DetaljerKap. 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
Detaljer6.5 Normalapproksimasjon til. binomisk fordeling
....3.4.5..5..5..5...4.6.8....4.6.8....3.4..5..5 Kaittel 6: Kontinuerlige sannsynsfordelingar TMA445 Statistikk Ka 6.5-6.8. 6.5: Normal aroksimasjon til binomisk fordeling, 6.6-6.8: Eksonensialfordeling,
Detaljer6.1 Kontinuerlig uniform fordeling
Kapittel 6 Noen kontinuerlige sannsynlighetsfordelinger TMA4240 H2006: Eirik Mo 2 6.1 Kontinuerlig uniform fordeling Kontinuerlig uniform fordeling: Sannsynlighetstettheten til den kontinuerlige uniforme
DetaljerKapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.4-5.7: Normalfordelingen, normalapproksimasjon, eksponensial og gamma.
TMA4240 Statistikk H2010 Kapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.4-5.7: Normalfordelingen, normalapproksimasjon, eksponensial og gamma. Mette Langaas Foreleses mandag 27. september 2010 2
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
DetaljerDiskrete sannsynlighetsfordelinger.
Diskrete sannsynlighetsfordelinger. Dekkes av kapittel 5 i læreboka. Husk: f(x) er punktsannsynligheten til en diskret X dersom: 1. f(x) 0 2. x f(x) =1 3. f(x) =P (X = x) Vi skal nå sepå situasjoner der
DetaljerDiskrete sannsynlighetsfordelinger.
Diskrete sannsynlighetsfordelinger. Dekkes av kapittel 5 i læreboka. Husk: f() er punktsannsynligheten til en diskret X dersom: 1. f() 0 2. f() =1 3. f() =P (X = ) Vi skal nå sepå situasjoner der vi har
DetaljerTMA4240 Statistikk Høst 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
DetaljerTMA4240 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
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
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
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
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
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
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
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
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:
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 (
DetaljerÅMA110 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.
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
DetaljerA) B) 400 C) 120 D) 60 E) 10. Rett svar: C. Fasit: ( 5 6 = 60. Hvis A, B, C er en partisjon av utfallsrommet S, så er P (A B) lik.
Oppgave 1 Det skal velges en komité bestående av 2 menn og 1 kvinne. Komitéen skal velges fra totalt 5 menn og 6 kvinner. Hvor mange ulike komitéer kan dannes? A) 86400 B) 400 C) 120 D) 60 E) 10 Rett svar:
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
DetaljerKapittel 6: Kontinuerlige sannsynlighetsfordelinger
Kapittel 6: Kontinuerlige sannsynlighetsfordelinger TMA4240 Statistikk (F2 og E7) Foreleses 15. september, 2004. µ µ µ + Basert på slides av Mette Langås p.1/16 6.1 Kontinuerlig uniform fordeling Kontinuerlig
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Noen viktige sannsynlighetsmodeller
ÅMA0 Sannsnlighetsregning med statistikk, våren 008 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) Hpergeometrisk modell
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)
DetaljerForeleses onsdag 8. september 2010
TMA4240 Statistikk H200 4.2: Varians (univariat del) 4.4: Chebyshevs teorem 3.4: Simultanfordelinger Mette Langaas Foreleses onsdag 8. september 200 Mette.Langaas@math.ntnu.no, TMA4240H200 2 4.2 Varians
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
DetaljerKapittel 4: Matematisk forventning
Kapittel 4: Matematisk forventning TMA4240 Statistikk (F2 og E7) Multivariate tilfeller foreleses mandag 6.september, 2004 Ole.Petter.Lodoen@math.ntnu.no p.1/16 Forventing til funksjon av flere stokastiske
DetaljerHØGSKOLEN I STAVANGER
HØGSKOLEN I STAVANGER Avdeling for TEKNISK NATURVITEN- EKSAMEN I: TE199 SANNSYNLIGHETSREGNING MED STATISTIKK SKAPELIGE FAG VARIGHET: 4 TIMER DATO: 5. JUNI 2003 TILLATTE HJELPEMIDLER: KALKULATOR OPPGAVESETTET
DetaljerOppgave 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.
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA0 Sannsnlighetsregning med statistikk, våren 007 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) (kp. 3.7) (notater)
DetaljerMidtveiseksamen i STK1100 våren 2017
Midtveiseksamen i STK1100 våren 2017 Denne midtveiseksamenen består av 20 oppgaver. Det er ett riktig svaralternativ for hvert spørsmål. Hvis svaret er oppgitt som et desimaltall, er det rundet av til
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................................
DetaljerForelesing 27 Oppsummering. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Forelesing 27 Oppsummering Torstein Fjeldstad Institutt for matematiske fag, NTNU 18.04.2018 I dag Lineær regresjon (sjekk av modellantagelser) Praktisk informasjon Andre statistikk-kurs Oversikt over
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Sara Martino a, Torstein Fjeldstad b Tlf: a 994 03 330, b 962 09 710 Eksamensdato: 28. november 2018 Eksamenstid
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
DetaljerStatistikk 1 kapittel 5
Statistikk 1 kapittel 5 Nico Keilman ECON 2130 Vår 2014 Kapittel 5 Sannsynlighetsmodeller I kap. 4 så vi et eksempel om en s.v. X som hadde en uniform sannsynlighetsfordeling: alle verdier av x har like
DetaljerPrøvemidtveiseksamen TMA4240 Statistikk H2004
Prøvemidtveiseksamen TMA4240 Statistikk H2004 Lagt ut 21.09.2004, løsningsforslag tilgjengelig 04.10.2004. Tilatte hjelpemiddel: Bestemt enkel kalkulator, dvs. HP30S. Tabeller og formler i statistikk (Tapir).
DetaljerKapittel 2: Hendelser
Kapittel 2: Hendelser FENOMEN Eksperiment Utfall Utfallsrom Eksperiment. Utfall. Eksperiment Utfall Hendelse Sannsynlighet: egenskaper, gunstige vs. mulige, relativ frekvens Sannsynlighet for mer enn en
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Hypergeometrisk modell
ÅMA Sannsnlighetsregning med statistikk, våren 6 Kp. 3 Diskrete tilfeldige variable Noen viktige sannsnlighetsmodeller Noen viktige sannsnlighetsmodeller Binomisk modell (kp. 3.6) Hpergeometrisk modell
DetaljerSFB LØSNING PÅ EKSAMEN HØSTEN 2018
SFB107111 - LØSNING PÅ EKSAMEN HØSTEN 018 Eksamen høsten 018 Oppgave 1 Anta at 70% av studentene spiller fotball og at 0% ikke spiller fotball. Anta at av de som spiller fotball så er det 40% som spiller
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 24. april Bjørn H. Auestad Oppsummering våren
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
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.
DetaljerEksamensoppgave i Løsningsskisse TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i Løsningsskisse TMA440 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland a, Sara Martino b Tlf: a 48 18 96, b 99 40 33 30 Eksamensdato: 30. november
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 11. november 2017) 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
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 6, blokk I Løsningsskisse Oppgave 1 Vi antar X er normalfordelt, X N(3315, 55 2. Ved bruk av formelheftet finner
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
DetaljerÅMA110 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
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
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 0, blokk II Løsningsskisse Oppgave Surhetsgrad i ferskvann Eksamen august 00, oppgave av 3 a) En god estimator
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Kapittel 5: Sannsynlighetsfordelinger for diskrete variabler Bo Lindqvist Institutt for matematiske fag 2 Tilfeldige variabler (5.1) Dersom vi til hvert utfall av eksperimentet
DetaljerTMA4240 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
DetaljerUtfordring. 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
DetaljerST0202 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.
Detaljeronsdag_19_09_2018_poisson_eksponential_normalfordelng_vikartime_bygg_v2.notebook
September 19, The story so far Kap. 3: Diskrete stokastiske variable variablene er "diskrete", dvs. tellevariable som kun har verdier X = 0, X = 1, X = 2,... beregne forventningsverdi og varians for variabel
DetaljerTilfeldige 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
DetaljerTMA4240 Statistikk Høst 2007
TMA4240 Statistikk Høst 2007 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b4 Løsningsskisse Oppgave 1 Eksamen juni 1999, oppgave 3 av 3 a) µ populasjonsgjennomsnitt,
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
MAT000V Sannsynlighetsregning og kombinatorikk Tilfeldige variabler og sannsynlighetsfordelinger (repetisjon) Hypergeometrisk fordeling (repetisjon) Binomisk fordeling Forventningsverdi Tilfeldige variabler
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 5, blokk I Løsningsskisse Oppgave 1 X og Y er uavhengige Poisson-fordelte stokastiske variable, X p(x;5 og Y p(y;1.
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 Ei bedrift produserer elektriske komponentar. Komponentane kan ha to typar
DetaljerTyngdepunkt. Togforsinkelsen (Eksamen Des2003.1a) I denne oppgaven kan du bruke uten å vise det at. Kapittel 4
3 Tyngdepunkt Kapittel 4 Forventningsverdi, varians, kovarians for én stokastisk variabel og funksjoner av stokastiske variabler TMA4240 H2006: Eirik Mo 2 4.1 Forventing til en stokastisk variabel DEF
DetaljerEksamensoppgave i TMA4295 Statistisk inferens
Institutt for matematiske fag Eksamensoppgave i TMA4295 Statistisk inferens Faglig kontakt under eksamen: Vaclav Slimacek Tlf: 942 96 313 Eksamensdato: Tirsdag 2. desember 2014 Eksamenstid (fra til): 09:00-13:00
Detaljer3.4: Simultanfordelinger (siste rest) 4.1,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen)
TMA4240 Statistikk H200 3.4: Simultanfordelinger (siste rest) 4.,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen) Mette Langaas Foreleses mandag 3. september 200 2 f (x,
Detaljerfor x 0 F X (x) = 0 ellers Figur 1: Parallellsystem med to komponenter Figur 2: Seriesystem med n komponenter
TMA4245 Statistikk Vår 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 3, blokk II Dette er den første av to innleveringer i blokk 2. Denne øvingen skal oppsummere
DetaljerSensurveiledning 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
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,
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: Kalkulator. Hornæs: Formelsamling statistikk HiG. John Haugan: Formler og tabeller.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. BtG207 EKSAMENSDATO: 1. juni 2010. KLASSE: HIS 08 11. TID: kl. 8.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 3 (innkl. forside)
DetaljerOm eksamen. Never, never, never give up!
I dag I dag Rekning av eksamensoppgåver Eksamen Mai 2014, oppgåve 2 (inkl normal fordeling, lin.reg. og deskriptiv statistikk) Eksamen August 2012, oppgåve 3 a og b (inkl SME) Om eksamen (Truleg) 10 punkt.
DetaljerEksamensoppgåve i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgåve i TMA4240 Statistikk Fagleg 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
DetaljerTMA4245 Statistikk Eksamen august 2014
TMA4245 Statistikk Eksamen august 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Oppgave 1 En bedrift produserer en type medisin i pulverform Medisinen selges på flasker
DetaljerTMA4240 Statistikk H2015
TMA4240 Statistikk H2015 Funksjoner av stokastiske variabler (kapittel 7+notat) Fokus på start med kumulativ fordeling 7.2 Funksjon av en SV (inkludert en-entydighet). Fordeling til max/min (fra notat).
Detaljer1.1.1 Rekke med konstante ledd. En rekke med konstante ledd er gitt som. a n (1) n=m
Formelsamling og tabeller FO020E Matte 2000 for elektroprogrammet 1 Matematikk 1.1 Denisjoner av ulike typer polynomer og rekker 1.1.1 Rekke med konstante ledd En rekke med konstante ledd er gitt som a
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for lærer- og tolkeutdanning
HØGSKOLEN I SØR-TRØNDELAG Avdeling for lærer- og tolkeutdanning Emnekode(r): LGU52003 Emnenavn: Matematikk 2 (5-10), emne 2 Studiepoeng: 15 Eksamensdato: 11. mai 2015 Varighet/Timer: Målform: Kontaktperson/faglærer:
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
DetaljerKræsjkurs i statistikk
Kræsjkurs i statistikk Tommy Odland 22. november 2016 Sammendrag En liten samling oppgaver basert løst på fagene ELE103 (HiB) og STAT110 (UiB). Tema: Kombinatorikk Forkunnskaper: multiplikasjonsprinsippet,
DetaljerEksamensoppgave i TMA4240 / TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 / TMA4245 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland Tlf: 48 22 18 96 Eksamensdato: 10. august 2017 Eksamenstid (fra til): 09.00-13.00
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 9.6: Prediksjonsintervall 9.8: To utvalg, differanse µ 1 µ 2 Mette Langaas Foreleses mandag 18.oktober, 2010 2 Prediksjonsintervall for fremtidig observasjon,
DetaljerTMA4240 Statistikk H2015
TMA4240 Statistikk H2015 Kapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.1 Uniform fordeling 6.2-6.3 Normalfordeling Mette Langaas Institutt for matematiske fag, NTNU wiki.math.ntnu.no/emner/tma4240/2015h/start/
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
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
DetaljerOm eksamen. Never, never, never give up!
Plan vidare Onsdag Gjere ferdig kap 11 + repetisjon Fredag Rekning av eksamensoppgåver Eksamen Mai 2014, oppgåve 2 (inkl normal fordeling, lin.reg. og deskriptiv statistikk) Eksamen August 2012, oppgåve
Detaljerµ = 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.
DetaljerEksamensoppgave i ST0103 Brukerkurs i statistikk
Institutt for matematiske fag Eksamensoppgave i ST0103 Brukerkurs i statistikk Faglig kontakt under eksamen: Nikolai Ushakov Tlf: 45128897 Eksamensdato: August 2018 Eksamenstid (fra til): 09:00 13:00 Hjelpemiddelkode/Tillatte
DetaljerHØGSKOLEN I STAVANGER
HØGSKOLEN I STAVANGER Avdeling for TEKNISK NATURVITEN- EKSAMEN I: TE199 SANNSYNLIGHETSREGNING MED STATISTIKK SKAPELIGE FAG VARIGHET: 4 TIMER DATO: 30. AUGUST 2003 TILLATTE HJELPEMIDLER: KALKULATOR OPPGAVESETTET
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
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 9.8: To uvalg (siste del) 9.9: Parvise observasjoner 9.10-9.11: Andelser 9.12: Varians Mette Langaas Foreleses onsdag 20.oktober, 2010 2 Norske hoppdommere og Janne Ahonen Janne
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
Detaljer