Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
|
|
- Henrik Jacob Mørk
- 4 år siden
- Visninger:
Transkript
1 Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte Carlo-metoder Differential- og integralregning Matrix-regning Smagsprøve på fundamentale matematiske metoder af relevans for jeres videre uddannelse og virke Hver undervisningsgang tager udgangspunkt i et konkret eksempel på en anvendelse af de gennemgåede matematiske metoder 1 / 32 2 / 32 Lagerstyring Hver måned leveres et antal møtrikker L. Forventet værdi/middelværdi Gentager et eksperiment igen og igen (f.eks. kast med terning) Forbrug den ite dag i måneden: X i (tilfældigt antal) X i : tilfældig værdi af ite eksperiment Beholdning ved månedens indgang: B 0 = L Gennemsnit (repræsentativ værdi) af n gentagelser: n Beholdning efter t dage: B t = B 0 X 1 X 2 X t = B 0 t X i. Forventet værdi af B t? Sandsynlighed for at B t < 0? Hvor stort skal L være? brug for at regne på tilfældige/stokastiske variable. X = (X 1 + X X n )/n = 1 n Antag X i kun antager værdierne 1, 2,..., M. X = 1 n M ma m = m=1 M m=1 m A m n X i Metoder: 1. teoretiske resultater 2. Monte Carlo metoder (computer-simulation) 3 / 32 hvor A m er antal gange værdien m (1, 2,..., M 1 eller M) kom ud. Hvis n : A m /n p m = sandsynligheden P(X i = m) for værdien m 4 / 32
2 Forventet værdi - fortsat Regneregler Definition den forventede værdi (middelværdien) for en stokastisk variabel X med mulige værdier 1,..., M er M EX = mp m hvor p m = P(X = m) m=1 P(X = m) er sandsynligheden for, at X tager værdien m Eksempel: X antal øjne ved kast med ærlig terning, p m = 1/6. Antag at X og Y er to stokastiske variable E[X + Y ] = EX + EY EaX = aex EX = = / 32 6 / 32 Tilbage til lageret Forventet værdi af beholdning: EB t = L tex 1 (antager alle X i har samme middelværdi) For at beregne EX 1 skal vi kende sandsynlighedsfunktionen p(m) = p m for X 1. Definition En funktion p(m) er en sandsynlighedsfunktion hvis p(m) 0 og M p(m) = 1 X har sandsynlighedsfunktion p(m) hvis P(X = m) = p(m) Fundamental sandsynlighedsregning Lad A og B være to hændelser. Da gælder P(A eller B) = P(A) + P(B) P(A og B) hvor P(A eller B) er sandsynligheden for at mindst en af hændelserne indtræffer og P(A og B) er sandsynligheden for at begge hændelser indtræffer. Eksempel (kast med terning). A: kast giver 4 eller 5 og B: kast giver 5 eller 6. P(A) = P(B) = 1/3 og P(A og B) = P(kast giver 5) = 1/6. Dermed P(A eller B) = 1/3 + 1/3 1/6 = 3/6. Hvis A: kast giver 4 og B: kast giver 5, kan A og B ikke begge indtræffe. Dermed P(A og B) = 0 og P(A eller B) = 1/6 + 1/6 0 = 2/6. 7 / 32 8 / 32
3 Fundamental sandsynlighedsregning fortsat Hvis A og B er uafhængige gælder P(A og B) = P(A)P(B) Eksempel (to kast med terning) A: 6 er i første kast. B: 6 er i andet kast. P(A og B) = P(A)P(B) = 1/36 Binomialfordelingen Lad X i være fejlstatus for ite komponent (i = 1,..., n): { 1 ite komponent defekt X i = 0 ellers Total antal defekte: X = (X X n ) = Eksempel: lad n = 3 og p være sandsynligheden for defekt komponent. Sekvensen 010 angiver X 1 = 0, X 2 = 1, X 3 = 0. Dermed n X i 9 / 32 P(X = 1) = P(100 eller 010 eller 001) = P(100) + P(010) + P(001) = p(1 p)(1 p) + (1 p)p(1 p) + (1 p)(1 p)p = 3p(1 p) 2 Antallet af måder en defekt ud af tre kan fremkomme=3. Bemærk, at f.eks. hændelserne A = 100 og B = 010 ikke begge kan indtræffe. 10 / 32 På foregående slide antog vi at X i erne uafhængige (udfaldet af X 1 giver ikke viden om udfaldet af X 2 ) hvorved f.eks. P(X 1 = 1 og X 2 = 0) = P(X 1 = 1)P(X 2 = 0) = p(1 p) Generelt n: hvor P(X = m) = p(m) = ( ) n n! = m m!(n m)! er antal måder vi kan få m 1 ere i n forsøg. ( ) n p m (1 p) n m m Ovenstående er sandsynlighedsfunktionen for en binomial-fordeling. Fakultet: f.eks. 5! = og 0! = 1. Middelværdi for en binomialfordeling Antag X er binomialfordelt b(n, p) med antalsparameter n og sandsynlighedsparameter p. Så er EX = np Kan udregnes vha. sandsynlighedsfunktionen, men nemmere: EX = E[X X n ] = EX EX n = np Sum af to uafhængige binomialfordelinger med samme sandsynlighedsparameter: X 1 b(n 1, p) og X 2 b(n 2, p) X = X 1 + X 2 b(n 1 + n 2, p) 11 / / 32
4 Eksempel (lager): der bruges mellem 0 og 10 møtrikker pr. dag og forventet værdi er 2 X i b(10, 0.2). Total forbrug for en måned: X = 30 X i b(300, 0.2) Forventet månedsforbrug: EX = 60. Sæt L = EX = 60. Sandsynlighed for at lageret tømmes : P(B 30 < 0) = P(L X < 0) = P(X > L) = 1 P(X 60) = Større lager nødvendigt. F.eks. vælge L så P(X > L) 0.01%. Da skal L >= 76. Er binomialfordeling rimelig model? Poisson-processen og Poisson-fordelingen Antag at hændelser (f.eks. opkald til help-desk) indtræffer over tid i henhold til følgende: 1. antal hændelser i to disjunkte tidsintervaller er uafhængige 2. i meget kort tidsrum højst en hændelse 3. sandsynligheden for en hændelse i meget kort tidsrum [t, t + dt[ er λdt Da kaldes følgen af tidspunkter for hændelser en Poisson-proces. Betragt det totale antal hændelser i et tidsrum [0, T ]. Inddel tidsrummet i n små intervaller hver af længde T /n. Lad X i være 1 hvis hændelse i i te interval og nul ellers. Da har X = i X i tilnærmelsesvist en binomialfordeling b(n, λt /n) med middelværdi µ = λt. 13 / / 32 Man kan vise, at når n så vil sandsynlighedsfunktionen for b(n, λt /n) = b(n, µ/n) gå mod P(X = m) = exp( µ) µm m! Dette er sandsynlighedsfunktionen for en Poisson-fordeling. NB: en Poisson-fordelt stokastisk variabel kan antage alle heltalsværdier. Udledning af Poisson fordeling udfra binomial-fordelinger giver EX = µ Tilbage til lageret Antag dagligt forbrug Poisson(2). Dermed månedsforbrug Poisson(60). Sandsynlighed for at lageret tømmes : P(B 30 < 0) = P(L X < 0) = P(X > L) = 1 P(X 60) = Stort set samme tal som med binomialfordeling da b(300, 0.2) Poisson(60) (n = 300 stor!) og (sum af uafhængige Poisson-variable) X 1 Poisson(µ 1 ) og X 2 Poisson(µ 2 ) X 1 +X 2 Poisson(µ 1 +µ 2 ) 15 / / 32
5 Med den simple lager-model kan vi nemt eksplicit beregne de fleste middelværdier og sandsynligheder. Men hvad hvis vi f.eks. spørger om noget mere kompliceret - f.eks. forventede ventetid V til lageret går i nul: V = max{t B t 0} Da har V ikke en simpel sandsynlighedsfordeling. Løsning kan være Monte Carlo beregning = empirisk beregning af middelværdier vha. computer-simulationer 17 / 32 Opgaver 1. (spil med uærlig mønt) lad X = 1 hvis plat og 1 hvis krone. Antag sandsynlighed for plat 0.4. Hvad er EX? 2. (kast med uærlig terning) Lad P(X = 5) = P(X = 6) = 0.25 og P(X = 1) = P(X = 2) = P(X = 3) = P(X = 4). 2.1 Hvad er P(X = 1)? 2.2 hvad er P(X )? 2.3 Hvad er EX? 3. Lad EX = 4 og EY = Hvad er E(2X + 3Y )? 3.2 Hvad er E[X Y ]? 4. Antag to kort udtages tilfældigt (med tilbagelægning) fra et sæt spillekort. Lad hændelserne A og B være at henholdsvis det førte og det andet spillekort er et es. 4.1 Hvad er sandsynligheden for at begge kort er esser (P(A og B)? 4.2 Hvad er sandsynligheden for at mindst et kort er et es P(A eller B)? 4.3 Hvad er sandsynligheden for et begge kort er esser, hvis der ikke udtages med tilbagelægning? 18 / Antag P(A) = 1/3, P(B) = 1/4 og P(A eller B) = 1/12. Er A og B uafhængige hændelser? 6. Lad X b(3, 0.25). Hvad er P(X 1)? Hvad er EX? 7. Antag X 1 b(10, 0.10) og X 2 b(30, 0.10). Argumenter for at summen X er b(40, 0.10). Hvad er EX? 8. (trafikuheld i et vejkryds) Antag at sandsynligheden for en ulykke indenfor et tidsrum af 1 minut er , at der ikke sker 2 ulykker på en gang og at ulykker indtræffer uafhængigt af hinanden. 8.1 Hvad er det forventede antal ulykker indenfor en måned (31 dage)? 8.2 Hvad er sandsynligheden for at der ikke forekommer ulykker indenfor en måned? 8.3 Er opgavens antagelser realistiske? 9. Antag antal mål i første halvleg er Poisson-fordelt med middelværdi 1.5 og Poisson-fordelt med middelværdi 1 i anden halvleg og at antallene af mål er uafhængige. Hvad er sandsynligheden for at der i alt scores mindst en gang? 19 / 32 Facit 1: 0.2, 2.1: 1/8, 2.2: 3/8, 2.3: 4, 3.1: 23, 3.2: -1, 4.1: (1/52) 2 4.2: 2/52 (1/52) 2 4.3: (1/52)(1/51) 5: nej (P(A og B) = 0 mens (P(A)P(B) = 1/12), 6: , 0.75, 7: 4, 8.1: : 0.04, 9: / 32
6 Monte Carlo Antag vi gerne vil beregne sandsynligheden for at et kast med 5 terninger giver mindst 15 i alt. Er vi ikke i stand til at beregne denne sandsynlighed teoretisk, kan vi i princippet kaste 5 terninger et stort antal gange og udregne andelen af kastene, hvor summen af terningernes øjne giver 15 eller derover. Denne andel vil være et estimat af den ønskede sandsynlighed. I praksis lader vi en computer foretage kastene vha. computer-genererede tilfældige tal. Estimat af P(X m): Lad I i = 1[X i m] P(X m) = E1[X m] Ī Eksempel: hvis vi bruger n = 1000 simulationer af kast med 5 terninger fås estimat Men kun estimat - hvis vi tager 1000 nye kast fås andet resultat - f.eks Dvs. der er en vis usikkerhed på Monte Carlo estimatet. Usikkerheden bliver mindre jo større n, der benyttes. 21 / / 32 Basal statistik - empirisk middelværdi og varians Observationer X 1, X 2,..., X n (kan være syntetiske - genereret på computer) - alle fordelt som X. Empirisk middelværdi og empirisk varians X = 1 n X i n s 2 = 1 n 1 n (X i X ) 2 ( empirisk middelværdi af kvadrerede afvigelser ) Empirisk spredning: s = s 2 = 1 n (X i X ) n 1 2 Når n meget stor vil X blive nøjagtig tilnærmelse af µ = EX og s 2 vil tilnærme sig variansen af X : VarX = E(X µ) 2 Varians: forventede værdi af den kvadrerede afvigelse fra middelærdien. Spredning: (samme enhed som X ) σ = VarX Eksempel: varians af binomialfordeling X b(1, p) med µ = p. σ 2 = E(X µ) 2 = p(1 p) 2 + (1 p)(0 p) 2 = p(1 p) 23 / / 32
7 Regneregel for varians: antag X og Y uafhængige Spredning af ax : Var[X + Y ] = VarX + VarY VaraX = a 2 VarX VaraX = a VarX Eksempel: varians af binomialfordeling X = n X i b(n, p) VarX = n VarX i = np(1 p) Centrale grænseværdi-sætning CLT: når n stor vil X tilnærmelsesvist have en normal-fordeling med middelværdi µ og varians σ 2 /n. NB: ligegyldigt hvilken fordeling X i erne har fås samme grænse-fordeling af X når n (dog skal X i erne være ens fordelt og uafhængige) Normalfordelingen: kontinuert sandsynlighedsfordeling. Hvis X normalfordelt, kan X antage alle reelle værdier. Sandsynligheder for en kontinuert stokastisk variabel angives vha. fordelingsfunktion F eller tæthedsfunktion f : P(X x) = F (x) F (x) = x f (z)dz 25 / / 32 Tæthed for normalfordeling Eksempel: uniform fordeling på [0, 1]: { 1 x [0, 1] F (x) = x f (x) = 0 ellers Normalfordeling med middelværdi µ og varians σ 2 : f klokkeformet f (x) = 1 exp( 1 2πσ 2 2σ 2 (x µ)2 ) dnorm(x) x 27 / / 32
8 Normalfordeling - 2 slags intervaller Intervaller for Monte Carlo estimater - vurdering af usikkerhed For en normalfordeling N(µ, σ 2 ) har vi altid P(µ σ1.96 X µ + σ1.96) = 0.95 Dvs. med 95% sandsynlighed afviger en normalfordeling ikke mere end to standardafvigelser (1.96σ 2σ) fra middelværdien. Tilsvarende (interval for µ) P(X σ1.96 µ X + σ1.96) = 0.95 Estimat X tilnærmelsesvist N(µ, σ 2 /n). Dvs. interval for ukendt µ: P( X 1.96 σ n µ X σ n ) = 0.95 Intervallet [ X σ1.96, X + σ1.96] giver et bud på usikkerheden af estimationen af µ - kaldes konfidens-intervallet. I praksis erstattes ukendte σ af s = s 2 - den empiriske spredning. 29 / / 32 Tilbage til Monte Carlo Med tusind (computer) kast af 5 terninger får vi estimeret forventet total antal øjne og estimeret varians Estimaterne for µ og σ 2 /n er og 13.91/1000 = Den estimerede spredning for X er = NB: hvad er den sande forventede værdi? Bud på usikkerheden: trolige værdier af µ er [ , ]. Lager: V ventetid til lager tømmes. Empirisk middelværdi og varians Antal simulationer=1000. Dvs. sande forventede ventetid ± Estimation af sandsynlighed for mere end 15: her benytter vi variable I i = 1[total sum i > 14]. Empirisk middelværdi og varians og Dvs. estimeret spredning på Ī er 0.17/1000 = Dvs. vurdering af usikkerhed: sandsynlighed mellem og / / 32
9 Exercises 1. Beregn varianserne af de stokastiske variable fra opgave 1, 2, 6 og Udgangspunktet er følgende 10 observationer (uafhængige, samme middelværdi og varians): Beregn empirisk middelværdi x og varians s Beregn et 95% konfidensinterval for den ukendte (teoretiske) middelværdi µ. 2.3 Hvor stor skulle stikprøven være, hvis intervallets bredde skulle være mindre end en halv? 3. Antag X er normalfordelt med middelværdi 3 og varians Hvad er sandsynligheden for, at X er mindre end 3? 3.2 Angiv et interval, som X tilhører med 95% sandsynlighed. 4. Antag X 1,..., X 50 alle har middelværdi 3 og varians Angiv et interval, som X tilhører med sandsynlighed 95%. 4.2 Angiv et (tilfældigt) interval, som med sandsynlighed 95% vil indeholde den sande middelværdi Antag X = (X X 100 ) b(100, 0.25) og lad X = X /100. Hvordan kan vi udregne en tilnærmet værdi for P( X 0.1) vha. den centrale grænseværdi-sætning? Antag vi ikke ved p = 0.25, og at p estimeres vha. X. Angiv da et 95% konfidensinterval for p. 33 / / 32 Facit 1: 0.96, 3, , 3.6, 2.1: , 2.2: [1.52;2.74], 2.3: 60, 3.1: 0.5, 3.2: 3±2.77, 4.1: 3 ± 0.392, 4.2: X ±0.392, 5: X er approksimativt N(0.25, ), X ± / 32
Produkt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 11, 2016 1/22 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 9, 2015 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereProdukt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereDefinition. Definitioner
Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mere1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable
Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Statistisk Model Indhold Binomialfordeling Sandsynlighedsfunktion Middelværdi og spredning 1 Aalen: Innføring i statistik med medisinske eksempler
Læs mereAgenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede
Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater
Læs mereBernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen
Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Repetition Lov om total sandsynlighed Bayes sætning P( B A) = P(A) = P(AI B) + P(AI P( A B) P( B) P( A B) P( B) +
Læs mereLandmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Læs mereLandmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset
Læs mereBinomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/
Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial
Læs mereMotivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser
Motivation Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser Rasmus Waagepetersen October 26, 2018 Eksempel: En landmåler får til opgave at måle længden λ fra A til B. Entreprenøren
Læs mereLandmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3
Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Læs mereAnvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger
Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Multinomial fordeling, Afsnit 4.8 Negativ binomialfordeling, Afsnit 4.4 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte
Læs mereAnvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger
Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte
Læs mereHøjde af kvinder 2 / 18
Hvorfor er normalfordelingen så normal? og er den nu også det? Søren Højsgaard (updated: 2019-03-17) 1 / 18 Højde af kvinder 2 / 18 Inddeler man i mindre grupper kan man forestille sig at histogrammet
Læs mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 4: Diskrete fordelinger Afsnit 4.1-4.2, 4.7: Bernoulli fordeling Binomial fordeling Store Tals Lov (Laws of Averages, Laws of Large Numbers) 1 Bernoulli fordeling Kvantitative Metoder
Læs mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereStatistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen
Statistik Lektion etinget sandsynlighed ayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV inomialfordelingen Repetition Udfaldsrum S Hændelse S Simpel hændelse O i 1, 3 4,
Læs mereLandmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:
Læs mereRegneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)
Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen
Læs mereModul 2: Sandsynlighedsmodeller og diskrete stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1
Læs mereStikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader
Stikprøver og stikprøve fordelinger Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Statistik Statistisk Inferens: Prediktere og forekaste værdier af
Læs mereINSTITUT FOR MATEMATISKE FAG c
INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 4: Diskrete fordelinger Hypergeometrisk fordeling, Afsnit 4.3 Multinomial fordeling, Afsnit 4.8 Geometrisk fordeling og Negativ binomialfordeling (Inverse Sampling), Afsnit 4.4 Approksimation
Læs mereHvorfor er normalfordelingen så normal?
Hvorfor er normalfordelingen så normal? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 24, 2018 normalfordelingen så normal? October 24, 2018 1 / 13 Højde af kvinder Histogram
Læs mereNanostatistik: Opgaver
Nanostatistik: Opgaver Jens Ledet Jensen, 19/01/05 Opgaver 1 Opgaver fra Indblik i Statistik 5 Eksamensopgaver fra tidligere år 11 i ii NANOSTATISTIK: OPGAVER Opgaver Opgave 1 God opgaveskik: Når I regner
Læs mereTeoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.
Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereLandmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering
Landmålingens fejlteori Lektion 3 Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition: Middelværdi og
Læs mereSandsynlighedsregning 5. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 5. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 3.5 og 4.1 Poissonfordelingen
Læs mereDiskrete fordelinger. Fire vigtige diskrete fordelinger: 1. Uniform fordeling (diskret) 2. Binomial fordeling. 3. Hyper-geometrisk fordeling
Disrete fordelinger Fire vigtige disrete fordelinger: 1. Uniform fordeling (disret) 2. Binomial fordeling 3. Hyper-geometris fordeling 4. Poisson fordeling 1 Uniform fordeling Definition Esperiment med
Læs mereProgram. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
Læs mereOversigt over nyttige fordelinger
Oversigt over nyttige fordelinger Helene Regitze Lund Wandsøe November 14, 2011 1 Bernoulli-fordelingen 1 Når et eksperiment har to mulige udfald: succes eller fiasko. X er en stokastisk variabel med følgende
Læs mereSandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
Læs mereRepetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable
Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition
Læs mereInstitut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med
Repetition: Varians af linear kombination Landmålingens fejlteori Lektion 5 Fejlforplantning - rw@math.aau.dk Antag X 1, X,..., X n er uafhængige stokastiske variable, og Y er en linearkombination af X
Læs mereenote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 33B, Rum 9 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereKapitel 4 Sandsynlighed og statistiske modeller
Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 Indledning 2 Sandsynlighed i binomialfordelingen 3 Normalfordelingen 4 Modelkontrol
Læs mereOversigt. Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger
Introduktion til Statistik Forelæsning 2: og diskrete fordelinger Oversigt 1 2 3 Fordelingsfunktion 4 Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 017 Danmarks Tekniske Universitet 2800
Læs mereKapitel 4 Sandsynlighed og statistiske modeller
Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 22 Generalisering fra stikprøve til population Idé: Opstil en model for populationen
Læs mereTeoretisk Statistik, 13 april, 2005
Poissonprocessen Teoretisk Statistik, 13 april, 2005 Setup og antagelser Fordelingen af X(t) og et eksempel Ventetider i poissonprocessen Fordeling af ventetiden T 1 til første ankomst Fortolkning af λ
Læs mereVejledende løsninger til opgaver i kapitel 6
Vejledende løsninger til opgaver i kapitel Opgave 1: a) Den stokastiske variabel, X, der angiver, om en elev består, X = 1, eller dumper, X =, sin eksamen i statistik. b) En binomialfordelt variabel fremkommer
Læs mereSandsynlighedsfordelinger for kontinuerte data på interval/ratioskala
3 5% 5% 5% 0 3 4 5 6 7 8 9 0 Statistik for biologer 005-6, modul 5: Normalfordelingen opstår når mange forskellige faktorer uafhængigt af hinanden bidrager med additiv variation til. F.eks. Højde af rekrutter
Læs mereStatistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Læs mereForelæsning 3: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereBinomialfordelingen. Binomialfordelingen. Binomialfordelingen
Statistik og Sandsynlighedsregning 1 MS kapitel 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Definition 3.2.1 Lad X 1, X 2,..., X n være uafhængige
Læs mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereEx µ = 3,σ 2 = 1 og µ = 1,σ 2 = 4. hvor. Vha. R: Vha. tabel:
Normal fordeling Tæthedsfunktion for normalfordeling med middelværdi µ og varians σ 2 : Program (8.15-10): f() = 1 µ)2 ep( ( 2πσ 2 2σ 2 ) E µ = 3,σ 2 = 1 og µ = 1,σ 2 = 4 1. vigtige sandsynlighedsfordelinger:
Læs mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
Læs mereSandsynlighedsregning Oversigt over begreber og fordelinger
Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.
Kursus 242 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 35/324 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail:
Læs mereStatistik Lektion 2. Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var.
Statistik Lektion Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var. Repetition Stikprøve Stikprøvestørrelse n Stikprøvemiddelværdi Stikprøvevarians s Population
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 Repetition MS kapitel 1 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Hvad er sandsynlighed? - beskriver systemer
Læs mereKarakteristiske funktioner og Den Centrale Grænseværdisætning
E6 efterår 1999 Notat 10 Jørgen Larsen 20. oktober 1999 Karakteristiske funktioner og Den Centrale Grænseværdisætning Karakteristiske funktioner som er nære slægtninge til Fourier-transformationen) er
Læs mereNanostatistik: Opgavebesvarelser
Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,
Læs mereEstimation og usikkerhed
Estimation og usikkerhed = estimat af en eller anden ukendt størrelse, τ. ypiske ukendte størrelser Sandsynligheder eoretisk middelværdi eoretisk varians Parametre i statistiske modeller 1 Krav til gode
Læs mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
Læs mereLandmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske
Læs mereForelæsning 2: Kapitel 4, Diskrete fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereStatistik II 1. Lektion. Sandsynlighedsregning Analyse af kontingenstabeller
Statistik II 1. Lektion Sandsynlighedsregning Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Lineære transformationer, middelværdi og varians Helle Sørensen Uge 8, onsdag SaSt2 (Uge 8, onsdag) Lineære transf. og middelværdi 1 / 15 Program I formiddag: Fordeling
Læs mereHvad er danskernes gennemsnitshøjde? N = 10. X 1 = 169 cm. X 2 = 183 cm. X 3 = 171 cm. X 4 = 113 cm. X 5 = 174 cm
Kon densintervaller og vurdering af estimaters usikkerhed Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Marts 18, 2019 Slides @ biostatistics.dk/talks/ 1 Population og stikprøve 2 Stikprøvevariation
Læs mereOverheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.
Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte fordelinger, Afsnit 5.1-5.2: - Fordelingsfunktion - Tæthedsfunktion - Eksempel:
Læs mere02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4
02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 Vejledende løsning 5.46 P (0.010 < error < 0.015) = (0.015 0.010)/0.050 = 0.1 > punif(0.015,-0.025,0.025)-punif(0.01,-0.025,0.025) [1] 0.1
Læs merehvor a og b er konstanter. Ved middelværdidannelse fås videre
Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den
Læs mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger
Course 02402/02323 Introducerende Statistik Forelæsning 2: Stokastisk variabel og diskrete fordelinger Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet
Læs mereAntag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.
Simple fejlforplantningslov Landmålingens fejlteori Lektion 6 Den generelle fejlforplantningslov Antag X, X,, X n er n uafhængige stokastiske variable, hvor Var(X )σ,, Var(X n )σ n Lad Y g(x, X,, X n ),
Læs mereLøsning til eksaminen d. 29. maj 2009
DTU Informatik 02402 Introduktion til Statistik 20-2-01 LFF/lff Løsning til eksaminen d. 29. maj 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereTeoretisk Statistik, 16. februar Generel teori,repetition
1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske
Læs mereSandsynlighedsregning
Mogens Bladt www2.imm.dtu.dk/courses/02405 21. September, 2007 Lidt om binomialkoefficienter n størrelsen af en mængde/population. Vi ønsker at udtage en sub population af størrelse r. To sub populationer
Læs mereIntroduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger. Peder Bacher
Introduktion til Statistik Forelæsning 2: Stokastisk variabel og diskrete fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereIntroduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereSupplement til kapitel 7: Approksimationen til normalfordelingen, s. 136
Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 36 Det er besværligt at regne med binomialfordelingen, og man vælger derfor ofte at bruge en approksimation med normalfordeling. Man
Læs mereKiosk-modellen (News vendor s model) og EOQ modellen
Kiosk-modellen (News vendor s model) og EOQ modellen Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet September 17, 2014 1/15 Stokastiske modeller i økonomi Fundamentale modeller i
Læs mereKombinatorik. Eksempel 2: En mand har 7 par bukser og 10 skjorter. Skal han både vælge en skjorte og et par bukser, så har han 10. 7=70 mulige valg.
Noter til Biomat, 005. Kombinatorik. - eller kunsten at tælle. Alle tal i kombinatorik-afsnittet er hele og ikke-negative. Additionsprincippet enten - eller : Antag vi enten skal lave et valg med m muligheder
Læs mereOversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereUge 10 Teoretisk Statistik 1. marts 2004
1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Rune Haubo B Christensen (based on slides by Per Bruun Brockhoff) DTU Compute, Statistik og Dataanalyse Bygning
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 17. december 2015 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider Skriftlig prøve, den: 17. december 015 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
Læs mereHvorfor er det lige at vi skal lære det her?
Lektion 8 Stokastiske variable En stokastisk variabel er en afbildning af udfaldsrummet ind i de reelle tal. Man benytter ofte store bogstaver som X, Y og Z til at betegne en stokastisk variabel. Ved at
Læs mereFejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning
Fejlforplantning Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Landmåling involverer ofte bestemmelse af størrelser som ikke kan
Læs mere1 Sandsynlighed Sandsynlighedsbegrebet Definitioner Diskret fordeling Betinget sandsynlighed og uafhængighed...
Indhold 1 Sandsynlighed 1 1.1 Sandsynlighedsbegrebet................................. 1 1.2 Definitioner........................................ 2 1.3 Diskret fordeling.....................................
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereTema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.
Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Ventetider i en Poissonproces Beskrivelse af kontinuerte fordelinger: - Median og kvartiler - Middelværdi - Varians Simultane fordelinger 1 Ventetider i en Poissonproces
Læs mere