Oversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger
|
|
- Sebastian Karlsen
- 7 år siden
- Visninger:
Transkript
1 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 2800 Lyngby Danmark Oversigt 1 Stokastisk variabel 2 3 Fordelingsfunktion 4 Eksempel 1 Eksempel 2 Eksempel 3 Fordelinger i R 5 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Stokastisk variabel Stokastisk variabel Diskret eller kontinuert Stokastisk variabel En stokastisk variabel (random variable) repræsenterer udfaldet af et eksperiment der endnu ikke er udført Et terningekast Antallet af seksere i 10 terningekast km/l for en bil Måling af sukkerniveau i blodprøve... Vi skelner mellem diskret og kontinuert Diskret kan tælles: Hvor mange der bruger briller herinde Antal mange flyvere letter den næste time Kontinuert: Vindmåling Tiden det tog at komme til DTU I dag er det diskret næste uge er det kontinuert. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
2 Stokastisk variabel Stokastisk variabel Stokastisk variabel Simuler et terningekast Før eksperimentet er udført stokastisk variabel haves X (eller X 1,..., X n ) noteret med stort bogstav. Så udføres eksperimentet, og vi har da en realisation eller observation Vælg et tal fra (1, 2, 3, 4, 5, 6) med lige sandsynlighed for hvert udfald x (eller x 1,..., x n ) noteret med småt bogstav. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Diskrete fordelinger Stokastisk variabel Selve konceptet er simpelthen at beskrive eksperimentet før det er udført Hvad kan vi gøre når vi endnu ikke kender udfaldet!? Løsning: brug en tæthedsfunktion En stokastisk variabel har en tæthedsfunktion (probability density function (pdf)) Definition f(x) = P (X = x) Sandsynligheden for at X bliver udfaldet x når eksperimentet udføres Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
3 Stikprøve En fair ternings tæthedsfunktion f(x) gælder: f(1) = 1 6 f(x) 0 alle x f(x) = 1 f(2) = 1 6 Hvis vi kun har en observation kan vi da se fordelingen? Nej men hvis vi har n observationer, så har vi en stikprøve (a sample) {x 1, x 2,..., x n } og da kan vi begynde at se fordelingen x Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Simulate n rolls with a fair dice ## Antal simulerede realiseringer n <- 30 ## Træk uafhængigt fra mængden (1,2,3,4,5,6) med ens sandsynlighed xfair <- sample(1:6, size=n, replace=true) ## Tæl antallet af hvert udfald table(xfair) En unfair ternings tæthedsfunktion ## Plot den empiriske tæthedsfunktion (pdf) plot(table(xfair)/n, ylim=c(0,1), lwd=10, xlab="x", ylab="f(x)") ## Tilføj den rigtige tæthedsfunktion til plottet lines(rep(1/6,6), type="h", lwd=3, col="red") ## legend legend("topright", c("empirical pdf","pdf"), lty=1, col=c(1,2), lwd=c(5,2)) Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
4 Nogle spørgsmål Simuler n kast med en ikke-fair terning ## Antal simulerede realiseringer n <- 30 ## Træk uafhændigt fra mængden (1,2,3,4,5,6) med højere ## sandsynlighed for en sekser xunfair <- sample(1:6, size=n, replace=true, prob=c(rep(1/7,5),2/7)) Find nogle sandsynligheder for X unfair : Sandsynligheden for at få en firer? Sandsynligheden for at få en femmer eller en sekser? Sandsynligheden for at få mindre end tre? ## Plot den empiriske tæthedsfunktion plot(table(xunfair)/n, lwd=10, ylim=c(0,1), xlab="x", ylab="density") ## Tilføj den rigtige tæthedsfunktion lines(c(rep(1/7,5),2/7), lwd=4, type="h", col=2) ## En legend legend("topright", c("empirical pdf","pdf"), lty=1, col=c(1,2), lwd=c(5,2)) f(1) = 1 7 f(6) = Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Fordelingsfunktion Fordelingsfunktion (distribution function eller cumulative density function (cdf)) Fair terning eksempel Fordelingsfunktion Lad X repræsentere et kast med en fair terning Udregn sandsynligheden for at få udfald under 3: Definition Fordelingsfunktionen (cdf) er tæthedsfunktionen akkumuleret F (x) = P (X x) = f(x j ) j hvor x j x P (X < 3) = P (X 2) = F (2) fordelingsfunktionen = P (X = 1) + P (X = 2) = f(1) + f(2) tæthedsfunktionen = = 1 3 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
5 Fair terning eksempel Fordelingsfunktion Udregn sandsynligheden for at få udfald over eller lig 3: P (X 3) = 1 P (X 2) = 1 F (2) fordelingsfunktionen = = 2 3 Der findes en række statistiske fordelinger, som kan bruges til at beskrive og analysere forskellige problemstillinger med I dag er det diskrete fordelinger: Den hypergeometriske fordeling Poisson fordelingen Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Et eksperiment med to udfald (succes eller ikke-succes) gentages X er antal succeser efter n gentagelser Så følger X binomial fordelingen X B(n, p) n antal gentagelser p sandsynligheden for succes i hver gentagelse s tæthedsfunktion giver sandsynligheden for x antal succeser ( ) n f(x; n, p) = P (X = x) = p x (1 p) n x x Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
6 Binomial fordeling eksempel ## Sandsynlighed for success p <- 0.1 ## Antal gentagelser af succes og ikke-succes eksperimentet nrepeat <- 30 ## Simuler Bernoulli eksperiment nrepeat gange tmp <- sample(c(0,1), size=nrepeat, prob=c(1-p,p), replace=true) ## x er nu sum(tmp) ## Lav tilsvarende med funktion til simulering af binomial fordeling rbinom(1, size=30, prob=p) ################ ## Fair terning eksempel ## Antal simulerede realiseringer n <- 30 ## Træk uafhængigt fra mængden (1,2,3,4,5,6) med ens sandsynlighed xfair <- sample(1:6, size=n, replace=true) ## Tæl sammen for mange seksere sum(xfair == 6) ## Lav tilsvarende med rbinom() rbinom(n=1, size=30, prob=1/6) Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Eksempel 1 I et kundecenter i et telefonselskab søger man at forbedre kundetilfredsheden. Især er det vigtigt, at når der indrapporteres en fejl, bliver fejlen udbedret i løbet af samme dag. Antag at sandsynligheden for at en fejl bliver udbedret i løbet af samme dag er 0.7. I løbet af en dag indrapporteres 6 fejl. Hvad er sandsynligheden for at samtlige fejl udbedres? Step 1) Hvad skal repræsenteres: X er antal udbedrede fejl Step 2) Hvilken fordeling: X følger binomial fordelingen Step 3) Hvilken sandsynlighed: P (X = x) = f(x; n, p) P (X = 6) = f(6; n, p) Step 4) Hvad er antal trækninger? n = 6 Hvad er succes-sandsynligheden? p = 0.7 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Eksempel 1 Hvad er sandsynligheden for at 2 eller færre fejl bliver udbedret samme dag? Step 1) Hvad skal repræsenteres: X er antal udbedrede fejl Step 2) Hvilken fordeling: X følger binomial fordelingen Step 3) Hvilken sandsynlighed: P (X??) P (X 2) = F (2; n, p) Step 4) Hvad er antal trækninger? n = 6 Hvad er succes-sandsynligheden? p = 0.7 X er igen antal succeser, men nu er det uden tilbagelægning ved gentagelsen X følger da den hypergeometriske fordeling n er antallet af trækninger X H(n, a, N) a er antallet af succeser i populationen N elementer store population Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
7 Eksempel 2 Sandsynligheden for at få x succeser er n er antallet af trækninger f(x; n, a, N) = P (X = x) = a er antallet af succeser i populationen N elementer stor population i R, e.g. function dhyper: k svarer til n n svarer til N a m svarer til a ( a N a ) x)( n x ( N n) I en forsendelse af 10 hard disks har 2 mindre skrammer. Hvis der udtages en tilfældig stikprøve på 3 hard disks, hvad er sandsynligheden for at mindst en af dem har skrammer? Step 1) Hvad skal repræsenteres: X er antal med skrammer Step 2) Hvilken fordeling: X følger den hypergeometriske fordeling Step 3) Hvilken sandsynlighed: P (X??) P (X 1) = 1 P (X = 0) = 1 f(0; n, a, N) Step 4) Hvad er antal trækninger? n = 3 Hvor mange succeser er der? a = 2 Hvor mange er der i alt? N = 10 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Binomial vs. hypergeometrisk anvendes også for at analysere stikprøver med tilbagelægning (Tænk på en terningekast) Når man vil analysere stikprøver uden tilbagelægning anvendes den hypergeometriske fordeling (Tænk på træk fra en hat) Poisson fordelingen anvendes ofte som en fordeling (model) for tælletal, hvor der ikke er nogen naturlig øvre grænse Poisson fordelingen karakteriseres ved en intensitet, dvs. på formen antal/enhed Parameteren λ angiver intensiteten Typisk hændelser per tidsinterval Intervallerne mellem hændelserne er uafhængige, dvs. processen er hukommelsesløs Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
8 Eksempel 3.1 X følger Poisson fordelingen X P (λ) : f(x) = P (X = x) = λx x! e λ Det antages, at der i gennemsnit bliver indlagt 0.3 patienter pr. dag på københavnske hospitaler som følge af luftforurening. Hvad er sandsynligheden for at der på en vilkårlig dag bliver indlagt højst 2 patienter som følge af luftforurening? Step 1) Hvad skal repræsenteres: X er antal patienter pr. dag Step 2) Hvilken fordeling: X følger Poisson fordelingen Step 3) Hvilken sandsynlighed: P (X??)P (X 2) Step 4) Hvad er raten: λ = 0.3 patienter per dag Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Eksempel 3.2 Eksempel 3.3 Det antages, at der i gennemsnit bliver indlagt 0.3 patienter pr. dag på københavnske hospitaler som følge af luftforurening. Hvad er sandsynligheden for at der på en vilkårlig dag bliver indlagt præcis 2 patienter? Step 3) Hvilken sandsynlighed: P (X??)P (X = 2) Det antages, at der i gennemsnit bliver indlagt 0.3 patienter pr. dag på københavnske hospitaler som følge af luftforurening. Hvad er sandsynligheden for at der på en vilkårlig dag bliver indlagt mindst 2 patienter? Step 3) Hvilken sandsynlighed: P (X??)P (X 2) = 1 P (X 1) Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
9 Fordelinger i R Eksempel 3.4 Hvad er sandsynligheden for at der i en periode på 3 dage bliver indlagt præcis 1 patient? Step 1) Hvad skal repræsenteres: Fra X antal per dag Til X 3dage som er patienter per 3 dage Step 2) Hvilken fordeling følger X 3dage : Poisson fordelingen Step 3) Hvilken sandsynlighed: P (X 3dage = 1) Step 4) Skaler raten Fra λ = 0.3 patienter/dag til λ 3dage = 0.9 patienter/3dage R binom hyper pois Betegnelse Binomial hypergeometrisk poisson d f(x) (probability density function). p Fordelingsfunktion F (x) (cumulative distribution function). r Tilfældige tal fra den anførte fordeling. (Forelæsning 10) q Fraktil (quantile) i fordeling. Husk at hjælp til funktion mm. fåes ved at sætte? foran navnet. Eksempel binomial fordelt: P (X 5) = F (5; 10, 0.6) pbinom(q=5, size=10, prob=0.6) ## Få hjælpen med?pbinom Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Middelværdi (mean) og forventningsværdi (expectation) Middelværdi eksempel Stokastisk variabels middelværdi µ = E(X) = xf(x) alle x Det rigtige gennemsnit Fortæller hvor midten af X er Middelværdi af en terning µ = E(X) = = = 3.5 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
10 ## Antal simulerede realiseringer n <- 30 ## Træk uafhængigt fra mængden (1,2,3,4,5,6) med ens sandsynlighed xfair <- sample(1:6, size=n, replace=true) ## Udregn empirisk middelværdi (sample mean, læg mærke til ## i R hedder funktionen 'mean') mean(xfair) Jo flere observationer, jo tættere kommer man på den rigtige middelværdi Prøv det i R lim ˆµ = µ n Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Varians Varians eksempel Definition Et mål for spredningen σ 2 = Var(X) = alle x(x µ) 2 f(x) Den rigtige spredning af X (modsat empirisk varians (sample variance)) Varians af terningekast σ 2 = E[(X µ) 2 ] = = (1 3.5) (2 3.5) (3 3.5) (4 3.5) (5 3.5) (6 3.5) Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
11 Varians eksempel ## Antal simulerede realiseringer n <- 30 ## Træk uafhængigt fra mængden (1,2,3,4,5,6) med ens sandsynlighed xfair <- sample(1:6, size=n, replace=true) ## Udregn empirisk varians (sample variance, læg mærke til ## i R hedder funktionen 'var') var(xfair) : Middelværdi: µ = n p Varians: σ 2 = n p (1 p) Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 for kendte fordelinger Den hypergeometriske fordeling: Middelværdi: µ = n a N Varians: σ 2 = na (N a) (N n) N 2 (N 1) Poisson fordelingen: Middelværdi: µ = λ Varians: σ 2 = λ Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
12 Oversigt Terninge eksempel, se forskel på empirisk middelværdi og middelværdi ## Gentag 10 gange: Tæl sammen for mange seksere på 30 slag antalseksere <- rbinom(n=10, size=30, prob=1/6) ## Endelig kan vi se på empirisk middelværdi (sample mean) mean(rbinom(n=10, size=30, prob=1/6)) ## Den (rigtige) middelværdi (mean) n * 1/6 Oversigt 1 Stokastisk variabel 2 3 Fordelingsfunktion 4 Eksempel 1 Eksempel 2 Eksempel 3 Fordelinger i R 5 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 2 Efteråret / 51
Oversigt. 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 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 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 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 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 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 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 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 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 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 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 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 mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff
Course 242/2323 Introducerende Statistik Forelæsning 3: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 22 Danmarks Tekniske Universitet 28 Lyngby Danmark
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 mereKursus 02402/02323 Introduktion til statistik. Forelæsning 13: Et overblik over kursets indhold. Klaus K. Andersen og Per Bruun Brockhoff
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet
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 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 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 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 mereKursus Introduktion til Statistik. Forelæsning 13: Summary. Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 13: Summary Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
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 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 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 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 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 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 mereMM501 forelæsningsslides
MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler
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 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 March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen
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 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 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 mere1 enote 1: Simple plots og deskriptive statistik. 2 enote2: Diskrete fordelinger. 3 enote 2: Kontinuerte fordelinger
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Building 324, Room 220 Danish Technical University
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 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 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 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 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 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 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 mereMM501/MM503 forelæsningsslides
MM501/MM503 forelæsningsslides uge 50, 2009 Produceret af Hans J. Munkholm 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen dx Eksempler = et udtryk, der indeholder
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 mereForelæsning 10: Statistik ved hjælp af simulering
Kursus 02402 Introduktion til Statistik Forelæsning 10: Statistik ved hjælp af simulering Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereOversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 10: Statistik ved hjælp af simulering. Per Bruun Brockhoff.
Kursus 02402 Introduktion til Statistik Forelæsning 10: Statistik ved hjælp af simulering Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
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 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 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 mereGrundlæggende statistik Lektion 2 Indhold Diskrete fordelinger Binomial fordelingen Poisson fordelingen Hypergeometrisk fordeling Data typer el. typer af tilfældige variable Diskrete variable > Kategoriseres
Læs mereKursus 02323: Introducerende Statistik. Forelæsning 12: Forsøgsplanlægning. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 12: Forsøgsplanlægning Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
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 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 mereProdukt 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 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 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 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 mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereForelæsning 4: Konfidensinterval for middelværdi (og spredning)
Introduktion til Statistik Forelæsning 4: Konfidensinterval for middelværdi (og spredning) Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
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 mere02402 Vejledende løsninger til hjemmeopgaver og øvelser i kapitel 4
0202 Vejledende løsninger til hjemmeopgaver og øvelser i kapitel Hjemmeopgaver Vejledende løsning.2 Eksperimentet kan beskrives ved binomialfordelingen, X b(x; n, p), hvor n = og p = 1 2. Dermed kan man
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 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 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 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 Dagens program
Dagens program Kapitel 8.1-8.3 Tilfældig stikprøve (Random Sampling) Likelihood Eksempler på likelihood funktioner Sufficiente statistikker Eksempler på sufficiente statistikker 1 Tilfældig stikprøve Kvantitative
Læs mere1 enote 1: Simple plots og deskriptive statistik. 2 enote 2: Diskrete fordelinger. 3 enote 2: Kontinuerte fordelinger
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Peder Bacher DTU Compute, Dynamiske Systemer Building 303B, Room 017 Danish Technical University 2800 Lyngby
Læs mereTrin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereSandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
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 mereSandsynlighedsregning 7. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede)
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 mereBinomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.
Uge 9 Teoretisk Statistik 23. februar 24 1. Binomialfordelingen 2. Den hypergeometriske fordeling 3. Poissonfordelingen 4. Den negative binomialfordeling 5. Gammafordelingen Binomialfordelingen X ~ bin(n,p):
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 mereSandsynlighedsregning 7. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfn@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede) fordelingsfunktion
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 mereStatistik noter - Efterår 2009 Keller - Statistics for management and economics
Statistik noter - Efterår 2009 Keller - Statistics for management and economics Jonas Sveistrup Hansen - stud.merc.it 22. september 2009 1 Indhold 1 Begrebsliste 3 2 Forelæsning 1 - kap. 1-3 3 2.1 Kelvin
Læs mereSandsynlighedsregning 7. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede)
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
Læs mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable:
Læs mereStatistik. Hjemmeside: kkb. Statistik - lektion 1 p.1/22
Statistik Kursets omfang: 2 ECTS Inklusiv mini-projekt! Bog: Complete Business Statistics, AD Aczel & J. Sounderpandian Software: SPSS eller Excel?? Forelæser: Kasper K. Berthelsen E-mail: kkb@math.aau.dk
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 mereOversigt. 1 Motiverende eksempel: Højde-vægt. 2 Lineær regressionsmodel. 3 Mindste kvadraters metode (least squares)
Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression Oversigt Motiverende eksempel: Højde-vægt 2 Lineær regressionsmodel 3 Mindste kvadraters metode (least squares) Klaus
Læs mereLøsninger til kapitel 5
1 Løsninger til kapitel 5 Opgave 51 Det nemmeste er her at omskrive alle sandsynlighederne til differenser mellem kumulerede sandsynligheder, dvs af sandsynligheder af formen, og derefter beregne disse
Læs mereCIVILINGENIØREKSAMEN Side 1 af 16 sider. Skriftlig prøve, den: 28. maj 2010 Kursus nr : (navn) (underskrift) (bord nr)
CIVILINGENIØREKSAMEN Side af 6 sider Skriftlig prøve, den: 8. maj 00 Kursus nr : 005 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: navn underskrift bord nr Der
Læs mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable: udfald
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 mereEt firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen
STATISTIK Skriftlig evaluering, 3. semester, mandag den 6. januar 004 kl. 9.00-13.00. Alle hjælpemidler er tilladt. Opgaveløsningen forsynes med navn og CPR-nr. OPGAVE 1 Et firma tuner biler. Antallet
Læs mereHvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
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 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 mereEnsidet eller tosidet alternativ. Hypoteser. tosidet alternativ. nul hypotese testes mod en alternativ hypotese
Kursus 02402 Introduktion til Statistik Forelæsning 6: Kapitel 7: Hypotesetest for gennemsnit (one-sample setup). 7.4-7.6 Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet
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 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 mereHvad skal vi lave i dag?
p. 1/1 Hvad skal vi lave i dag? Repeterer lidt om diskrete sv. Standardfordelinger (binomial, Poisson, geometrisk) Stokastiske vektorer Diskrete stokastiske vektorer p. 2/1 Repetition Heltallige sv er
Læs mereProgram: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke.
Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke. 1/23 Opsummering af fordelinger X 1. Kendt σ: Z = X µ σ/ n N(0,1)
Læs mereStatDataN: Middelværdi og varians
StatDataN: Middelværdi og varians JLJ StatDataN: Middelværdi og varians p. 1/33 Repetition Stokastisk variabel: funktion fra udfaldsrum over i de hele tal eller over i de reelle tal Ex: Ω = alle egetræer,
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 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 mere