02402 Vejledende løsninger til hjemmeopgaver og øvelser i kapitel 4

Relaterede dokumenter
Forelæsning 2: Kapitel 4, Diskrete fordelinger

Oversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Efterår Dagens program

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

Oversigt over nyttige fordelinger

Sandsynlighedsregning

02402 Vejledende løsninger til hjemmeopgaver og øvelser i uge 5

Vejledende løsninger til opgaver i kapitel 6

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007

Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger. Peder Bacher

Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger. Peder Bacher

Oversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger

Oversigt. Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger

02402 Vejledende løsninger til Splus-opgaverne fra hele kurset

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger

Binomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen

INSTITUT FOR MATEMATISKE FAG c

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.

Løsninger til kapitel 5

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger

Definition. Definitioner

Binomial 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/

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)

Nanostatistik: Opgavebesvarelser

Løsning til eksaminen d. 14. december 2009

4 Oversigt over kapitel 4

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable

Note om Monte Carlo metoden

Trin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen


enote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions

Hvorfor er det lige at vi skal lære det her?

Ex µ = 3,σ 2 = 1 og µ = 1,σ 2 = 4. hvor. Vha. R: Vha. tabel:

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Hvad skal vi lave i dag?

Kvantitative Metoder 1 - Forår Dagens program

Diskrete fordelinger. Fire vigtige diskrete fordelinger: 1. Uniform fordeling (diskret) 2. Binomial fordeling. 3. Hyper-geometrisk fordeling

Stikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader

Uge 10 Teoretisk Statistik 1. marts 2004

Besvarelser til øvelsesopgaver i uge 6

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 136

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Løsninger til kapitel 6

Kvantitative Metoder 1 - Forår Dagens program

Produkt og marked - matematiske og statistiske metoder

Kvantitative Metoder 1 - Forår Dagens program

Kapitel 4 Sandsynlighed og statistiske modeller

Kvantitative Metoder 1 - Efterår Dagens program

Løsning til eksaminen d. 29. maj 2009

Kursus Introduktion til Statistik. Forelæsning 13: Summary. Per Bruun Brockhoff

Tema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.

2 -test. Fordelingen er særdeles kompleks at beskrive med matematiske formler. 2 -test blev opfundet af Pearson omkring år 1900.

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher

Hvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Statistik noter - Efterår 2009 Keller - Statistics for management and economics

Kvantitative Metoder 1 - Forår Dagens program

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model

Produkt og marked - matematiske og statistiske metoder

Sandsynlighedsregning Oversigt over begreber og fordelinger

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala

Hvorfor er normalfordelingen så normal?

Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Løsning til eksamen 16/

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Karakteristiske funktioner og Den Centrale Grænseværdisætning

Løsning til eksamen d.27 Maj 2010

Statistik. Hjemmeside: kkb. Statistik - lektion 1 p.1/22

Et firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen

CIVILINGENIØREKSAMEN Side?? af?? sider. Skriftlig prøve, den: 16. december 2004 Kursus nr : (navn) (underskrift) (bord nr)

Binomialfordeling og konfidensinterval for en andel

Kvantitative Metoder 1 - Efterår Dagens program

Normalfordelingen og Stikprøvefordelinger

Kvantitative Metoder 1 - Forår Dagens program

Teoretisk Statistik, 16. februar Generel teori,repetition

Side 1 af 19 sider. Danmarks Tekniske Universitet. Skriftlig prøve: 15. december 2007 Kursus navn og nr: Introduktion til Statistik, 02402

Binomialfordelingen. Binomialfordelingen. Binomialfordelingen

Sandsynlighedsregning 5. forelæsning Bo Friis Nielsen

Nanostatistik: Opgaver

Konfidensintervaller og Hypotesetest

Ensidet eller tosidet alternativ. Hypoteser. tosidet alternativ. nul hypotese testes mod en alternativ hypotese

Eksempel I. Tiden mellem kundeankomster på et posthus er eksponential fordelt med middelværdi µ =2minutter.

Transkript:

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 beregne: ( n P (antal krone) = P (X = x) = p x) x (1 p) n x Sandsynligheden for at slå ingen krone (og dermed plat): ( ) P (0 krone) = P (X = 0) = ( 1 0 2 )0 (1 1 2 ) 0 = ( 1 2 ) På samme måde beregnes de øvrige udfald: ( P (1 krone) = P (X = 1) = ( 1) 1 2 )1 (1 1 2 ) 1 = ( 1 2 ) ( ) P (2 krone) = P (X = 2) = ( 1 2 2 )2 (1 1 2 ) 2 = 6 ( 1 2 ) ( P (3 krone) = P (X = 3) = ( 3) 1 2 )3 (1 1 2 ) 3 = ( 1 2 ) P ( krone) = P (X = ) = ( ) ( 1 2 ) (1 1 2 ) = ( 1 2 ) Sansynlighederne kan afbildes i et bar chart (søjlediagram), således at man har en figur for tæthedsfunktionen. Ovenstående sandsynligheder kunne også være fundet ved hjælp af tabel 1, idet man bemærker, at P (X = x) = P (X x) P (X x 1) I R Alternativt kunne opgaven løses i R vha. dbinom. > a=dbinom(0,,1/2) > b=dbinom(1,,1/2) > c=dbinom(2,,1/2) > d=dbinom(3,,1/2) > e=dbinom(,,1/2) > > y<-c(a,b,c,d,e) > y [1] 0.0625 0.2500 0.3750 0.2500 0.0625 1

Dette plotter vi nu i R vha. fã lgende kode > plot(y, type="o", col="blue", ann=false, axes=false) > axis(1, at=1:5, lab=c("0","1","2","3","")) > axis(2) > > title(xlab= "Antal kroner", col.lab=rgb(0,0.5,0)) > title(ylab= "Sandsynlighed", col.lab=rgb(0,0.5,0)) Sandsynlighed 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0 1 2 3 Antal kroner Vejledende løsning.16 (6ed:.1) Der er oplyst p = 0.0, og man skal beregne sandsynligheden for succes i ud af 12, hvilket klart kan beskrives ved en binomialfordeling når rørene er uafhængige. Hermed fås: P ( rør) = P (X = ) = ( ) 12 (0.) (1 0.0) 12 = 95 (0.0256) (0.0167) = 0.213 2

Opgaven kunne også være løst vha tabel 1: P (X = ) = P (X ) P (X 3) = 0.38 0.225 = 0.213 I R Her kan den også løses på samme måde, vi skriver dem op i så de passer til rækkefølgen ovenfor. > dbinom(,12,0.) [1] 0.212809 > pbinom(,12,0.)-pbinom(3,12,0.) [1] 0.212809 Vejledende løsning.21(6ed:.19) Producenten påstår, at P (for lidt kaffe i glas) = 0.1. Der tages stikprøver a n = 16, og producentens påstand godkendes, hvis der er færre end 3 glas, hvori indholdet er for lavt. a) Hvis den faktiske andel med for lidt kaffe er p = 0.05, findes > pbinom(2,16,0.05) [1] 0.9570621 P (X 2) = B(2; 16, 0.05) = 0.9571 b) Hvis den faktiske andel med for lidt kaffe er p = 0.10, findes > pbinom(2,16,0.1) [1] 0.789293 P (X 2) = B(2; 16, 0.10) = 0.7892 c) Hvis den faktiske andel med for lidt kaffe er p = 0.15, findes > pbinom(2,16,0.15) [1] 0.5613793 P (X 2) = B(2; 16, 0.15) = 0.561 d) Hvis den faktiske andel med for lidt kaffe er p = 0.20, findes > pbinom(2,16,0.2) [1] 0.351837 P (X 2) = B(2; 16, 0.20) = 0.3518 Vejledende løsning.2(6ed:.22) Opgaven kan opfattes som stikprøvetagning uden tilbagelægning, dvs. sandsynligheden skal beregnes vha den hypergeometriske fordeling. Vi definerer: N = 12 a = 3 3

n = x = 1 (bemærk at man også kunne have formuleret a = 9 og x = 3) ( ) ( ) a N a x n x f(x) = P (X = x) = ( ) N n ( ) ( ) 3 12 3 1 1 P (X = 1) = ( ) = 0.5091 12 Den hypergeometriske fordeling findes også i R som (hyper), men den har en anden form end i lærebogen og vi vil derfor ikke gennemgå den her. Øvelser Vejledende løsning.13(6ed:.11) a) Ved direkte opslag i tabel 1, side 576, P (X 7) = B(7; 19, 0.5) = 0.3169 > pbinom(7,19,0.5) [1] 0.316926 b) b(7; 19, 0.5) = 0.12 > dbinom(7,19,0.5) [1] 0.1267 c) B(8; 10, 0.95) = 0.0861 > pbinom(8,10,0.95) [1] 0.08613836 d) b(8; 10, 0.95) = 0.076 > dbinom(8,10,0.95) [1] 0.07638 e) 1 B(3; 10, 0.35) = 0.862 > 1-pbinom(3,10,0.35) [1] 0.86173 f) B(; 9, 0.3) B(1; 9, 0.3) = 0.7052 > pbinom(,9,0.3)-pbinom(1,9,0.3) [1] 0.7051881

Vejledende løsning.15(6ed:.13) P (human error) = p = 0.7, n = og x = 2. Dermed fås: ( ) P (X = 2) = b(2;, 0.75) = 0.75 2 (1 0.75) 2 = 0.211 2 > dbinom(2,,0.75) [1] 0.2109375 Bemærk, at løsningen også kunne fås ved tabelopslag, idet P (X = 2) = P (X 2) P (X 1) > pbinom(2,,0.75) - pbinom(1,,0.75) [1] 0.2109375 Vejledende løsning.19 Det oplyses P (ready to eat) = p = 0.9, dvs. P (not ready to eat) = (1 p) = 0.1. Desuden har vi n = 18. a) x = 18 gode, P (X = 18) = 1 P (X 17) = 0.15 (bemærk, at opgaven også kan løses ved at vælge 1 p = 0.1 og dermed finde sandsynligheden for x = 0 dårlige) > 1-pbinom(17,18,0.9) [1] 0.150096 b) Med 1 p = 0.1 skal vi finde for x 2, dvs. P (X 2) = 0.73 > pbinom(2,18,0.1) [1] 0.733796 c) Med 1 p = 0.1 skal vi finde for x, dvs. P (X ) = 1 P (X 3) = 0.098 > 1-pbinom(3,18,0.1) [1] 0.0981968 Vejledende løsning.32(6ed:.30) Ved at bruge formel for middelværdi og varians for en diskret stokastisk variabel, findes a) b) σ 2 = µ = 3 x i f(x i ) = 0 0. + 1 0.3 + 2 0.2 + 3 0.1 = 1 i=0 3 (x i µ) 2 f(x i ) = (0 1) 2 0.+(1 1) 2 0.3+(2 1) 2 0.2+(3 1) 2 0.1 = 1 i=0 5

Vejledende løsning.1(6ed:.39) Idet vi betragter udfald fra en binomial fordeling, anvendes formlerne: a) µ = 338 og σ = 13 b) µ = 120 og σ = 10 c) µ = 2 og σ =.8 d) µ = 520 og σ = 13.9 µ = n p σ 2 = n p(1 p) σ = n p(1 p) Vejledende løsning.57(6ed:.55) Vi betragter nu en Poisson fordelt variabel, X P (λ), hvor λ = 5.8. Vi søger nu at finde sandsynligheden: P (inaktiv) = P (X 13) = 1 P (X 12) = 1 0.993 = 0.007 > 1-ppois(12,5.8) [1] 0.006789956 Vejledende løsning.59(6ed:.57) Der er igen tale om en Poisson fordelt variabel, idet vi betragter intensitet af kundeankomster, hvor λ = 1.5 a) P (X ) = 0.981 > ppois(,1.5) [1] 0.98121 b) For en 2-minuts periode har vi λ = 2 1.5 = 3 og dermed P (X 3) = 1 P (X 2) = 0.577 > 1-ppois(2,3) [1] 0.5768099 c) For en 6-minuts periode har vi λ = 6 1.5 = 9 og dermed P (X 15) = 0.978 > ppois(15,9) [1] 0.977963 Vejledende løsning Ropg3.3.1 Der er tale om en binomialfordeling med n = 10 og p = 0.6, og den angivne sandsynlighed er P (X = ) som i bogen også kaldes b(; 10, 0.6). 6

Vejledende løsning Ropg3.3.2 De to sandsynligheder, der er oplyst er fã lgende: P (X ) = 0.1662386 P (X 5) = 0.3668967 Man får således de à nskede sandsynligheder som: P (X 5) = 0.3668967 P (X < 5) = P (X ) = 0.1662386 P (X > ) = 1 P (X ) = 1 0.1662386 = 0.833761 P (X = 5) = P (X 5) P (X ) = 0.3668967 0.1662386 = 0.2006581 Vejledende løsning Ropg3.3.3 Der er tale om en poissonfordeling med λ = 3, og den angivne sandsynlighed er Vejledende løsning Ropg3.3. P (X = ) = 3 e 3.! De to sandsynligheder, der er oplyst er fã lgende: P (X ) = 0.8152632 P (X 5) = 0.916082 Man får således de à nskede sandsynligheder som: P (X 5) = 0.916082 P (X < 5) = P (X ) = 0.8152632 P (X > ) = 1 P (X ) = 1 0.8152632 = 0.187368 P (X = 5) = P (X 5) P (X ) = 0.916082 0.8152632 = 0.1008188 7