TØ-opgaver til uge 46



Relaterede dokumenter
TØ-opgaver til uge 45

Hvad skal vi lave i dag?

Opgaver i sandsynlighedsregning

Hvad skal vi lave i dag?

Hvad skal vi lave i dag?

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Forår Dagens program

Definition. Definitioner

Noget om en symmetrisk random walks tilbagevenden til udgangspunktet

Lad os som eksempel se på samtidigt kast med en terning og en mønt:

Elementær sandsynlighedsregning

Binomialfordelingen. Binomialfordelingen. Binomialfordelingen

Aarhus Universitet 5. februar Meddelelse 2

Landmålingens fejlteori - Sandsynlighedsregning - Lektion 1

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

Elementær sandsynlighedsregning

{ } { } {( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )}

Produkt og marked - matematiske og statistiske metoder

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

En Introduktion til Sandsynlighedsregning

Sandsynlighedsregning og statistik

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

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

Dagens program. Afsnit Diskrete stokastiske variable Sandsynlighedsfunktioner Simultane fordelinger Betingede sandsynligheder

Sandsynlighedsregning: endeligt udfaldsrum (repetition)

Kvantitative Metoder 1 - Efterår Dagens program


Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable

Simulering af stokastiske fænomener med Excel

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

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

Opgaver til Matematisk Modellering 1

Meddelelse 2. Forelæsningerne i uge 6 ( ) Gennemgangen af BPT fortsættes. Vi afslutter Kapitel 4 og når sikkert et godt stykke ind i Kapitel 5.

INSTITUT FOR MATEMATISKE FAG c

1 Sandsynlighed Sandsynlighedsbegrebet Definitioner Diskret fordeling Betinget sandsynlighed og uafhængighed...

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Nanostatistik: Stokastisk variabel

Sandsynlighedsregning & Statistik

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

Sandsynlighedsregning

Forelæsning 2: Kapitel 4, Diskrete fordelinger

Tip til 1. runde af Georg Mohr-Konkurrencen Kombinatorik

Sandsynligheder. Mængder Hændelser Sandsynligheder Regler for sandsynligheder

MM501 forelæsningsslides

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model

Sandsynlighedsregning

Sandsynlighedsregning Stokastisk variabel

Analyse 2. Bevis af Fatous lemma (Theorem 9.11) Supplerende opgave 1. Øvelser

Indblik i statistik - for samfundsvidenskab

1 Beviser for fornyelsessætningen

Kvantitative Metoder 1 - Forår Dagens program

Susanne Ditlevsen Institut for Matematiske Fag susanne

Statistik Lektion 2. Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var.

Teoretisk Statistik, 13 april, 2005

Nanostatistik: Stokastisk variabel

En Introduktion til Sandsynlighedsregning

Forslag til løsning af Opgaver til sandsynlighedsregning (side 434)

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Nanostatistik: sandsynligheder Kursushjemmeside: kurser/nanostatistik/

4 Oversigt over kapitel 4

Modul 3: Sandsynlighedsregning

Simulering af stokastiske fænomener med Excel

Skriftlig Eksamen Diskret Matematik (DM528)

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

MM501/MM503 forelæsningsslides

Kvantitative Metoder 1 - Efterår Dagens program

Sandsynlighedsregning

Repetition Stokastisk variabel

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

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

m = 0,15 22,5 + 0, , , , ,05 90 = 61,9år år år år år 26,67% 40% 26,67% 6,67%

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

DM72 Diskret matematik med anvendelser

Kvantitative Metoder 1 - Forår 2007

Sandsynlighedsregning & Statistik

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

Reeksamen 2014/2015 Mål- og integralteori

Tue Tjur: Hvad er tilfældighed?

Kvantitative Metoder 1 - Forår 2007

Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen

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

4 Stokastiske variabler

Sandsynlighed. for matc i stx og hf Karsten Juul

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Løsning til eksamen 16/

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Sandsynlighedsregning

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

Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen

13 Markovprocesser med transitionssemigruppe

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable


Løsninger til kapitel 5

Proposition I Hvis jeg har samme chance for at få a eller b, er det for mig lige så meget værd som a + b

Undervisningsbeskrivelse

Note om Monte Carlo metoden

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

Transkript:

TØ-opgaver til uge 46 Først laver vi en liste over de ligninger med mere i [ITP], der skal bruges: [1]: Ligning (2.5) på side 4. [2]: Sætning 3.1, ligning (3.3) på side 7. [3]: Sætning 3.1, ligning (3.4) på side 7. [4]: Sætning 3.1, ligning (3.5) på side 7. [5]: Ligning (3.9) på side 8. [6]: Definition 4.2 på side 14. [7]: Sætning 4.7 på side 16. [8]: Sætning 4.10 på side 18. [9]: Sætning 5.6 iii) på side 23. Opgave 5 Lad A, B F være hændelser og lad C = (A B) \ (A B) (C kaldes den symmetriske mængdedifferens, thi elementer i C er med i enten A eller B). Da (A B) (A B), er P (C) = P ((A B) \ (A B)) [2] = P (A B) P (A B) [4] = (P (A) + P (B) P (A B)) P (A B) = P (A) + P (B) 2P (A B). Opgave 6 Et fly har to sikkerhedssystemer, der virker uafhængigt af hinanden. Lad de to hændelser A og B være givet ved A: Det første sikkerhedssystem bryder sammen, B: Det andet sikkerhedssystem bryder sammen. Det oplyses, at P (A) = P (B) = 0,01. Vi vil så bestemme sandsynligheden for at følgende hændelsen indtræffer: C: Højest én af de to sikkerhedssystemer bryder sammen. Først observerer vi, at C = (A B) C, så da A og B er uafhængige, er P (C) = P ( (A B) C) [3] = 1 P (A B) [6] = 1 P (A)P (B) = 1 0,01 2 = 0,9999. 1

Opgave 9 Tre kommoder indeholder hver to skuffer, hvorom vi ved, at i den første kommode er der én guldmønt i hver af skufferne, i den anden skuffe er der én guld- og én sølvmønt i hver skuffe og i den sidste kommode er der én sølvmønt i hver af de to skuffer. Nu åbnes en skuffe, og den viser sig at indeholde en guldmønt. Da vi har tre skuffe, der kan indeholde en guldmønt, og der er to guldmønter tilbage, må sandsynligheden for at trække endnu en guldmønt i samme kommode som den første være 2/3. Dette må vi hellere få vist stringent, så lad G i og K j betegne hændelserne G i : Der udtrækkes en guldmønt i den i te skuffe; i = 1, 2, K j : Der åbnes en skuffe i den j te kommode; j = 1, 2, 3. Det er klart, at P (K j ) = 1/3. Da vi kan udtrække en guldmønt i den anden skuffe i hver af de tre kommoder, under forudsætning af at der var en guldmønt i den første skuffe, er P (G 2 ) = P (K 1 G 1 ) + P (K 2 G 1 ) + P (K 3 G 1 ) = P (K 1 G 1 ). ( ) Sidste lighedstegn følger af, at man ikke kan udtage en guldmønt fra anden skuffe i hverken anden eller tredje kommode (der var jo ikke mere end én enkelt guldmønt i nogen af dem fra starten). Videre ved vi, at P (G 1 K 1 ) = 1, P (G 1 K 2 ) = 1/2, P (G 1 K 3 ) = 0. Vi antager nu, at K j erne er disjunkte hændelser, og vi ved at E = 3 K j. Heraf ses, at ( 3 ) G 1 = G 1 E = G 1 K j er en endelig forening af disjunkte mængder. Dette betyder, at P (G 1 ) [7] = P (G 1 K j )P (K j ) = 1 1 3 + 1 2 1 3 + 0 1 3 = 1 2. Nu bruger vi så Bayes formel til at beregne den ønskede sandsynlighed: P (G 2 ) ( ) = P (K 1 G 1 ) = [8] P (G 1 K 1 )P (K 1 ) P (G 1 K j )P (K j ) = P (K 1) P (G 1 ) P (G 1 K 1 ) = 1/3 1/2 1 = 2 3. 2

Opgave 11 Lad 1 = blå, 2 = gul og 3 = hvid, lad i = 1, 2, 3 og lad B i og G betegne hændelserne B i : En udvalgt blomst har anlæg for den i te farve, G: En udvalgt blomst kommer i groning. Det oplyses nu, at P (B 1 ) = 0,7, P (B 2 ) = 0,2, P (B 3 ) = 0,1, P (G B 1 ) = 0,95, P (G B 2 ) = 0,90, P (G B 3 ) = 0,90. Spørgsmål (i) Vi skal have bestemt sandsynligheden for at en tilfældigt valgt plante kommer i groning. Antag derfor, at en blomst kun kan have anlæg for én farve. Det vil sige, at B i erne er disjunkte hændelser og E = 3 B i. Heraf ses, at ( 3 ) G = G E = G B i er en endelig forening af disjunkte mængder. Dette betyder, at P (G) [7] = P (G B i )P (B i ) = 0,95 0,7 + 0,9 0,2 + 0,9 0,1 0,94. Spørgsmål (ii) Af Bayes formel fås nu direkte, at sandsynligheden for at en blomst, der kommer i groning, er gul, er lig med P (B 2 G) = [8] P (G B 2)P (B 2 ) P (G B i )P (B i ) = P (B 2) P (G) P (G B 0,9 0,2 2) = 0,935 0,19. Opgave 16 Lad (E, F, P ) betegne et sandsynlighedsrum og lad A 1, A 2, A 3 F være (indbyrdes) uafhængige hændelser. Vi skal have vist, at A 1 A 2 og A 3 er uafhængige: P ((A 1 A 2 ) A 3 ) = P (A 1 A 2 A 3 ) [6] = P (A 1 )P (A 2 )P (A 3 ) [6] = P (A 1 A 2 )P (A 3 ). Af [6] følger det nu, at A 1 A 2 og A 3 er uafhængige. 3

Opgave 24 Lad X være en stokastisk variabel, der opfylder følgende: P (X [0, 1]) = 1/2 og P (X [0, 1/4]) = 1/3. Vi ser, at [1/4, 1] = [0, 1] \ [0, 1/4], så da [0, 1] [0, 1/4], er P (X [1/4, 1]) [2] = P (X [0, 1]) P (X [0, 1/4]) = 1 2 1 3 = 1 6. Opgave 26 Lad X betegne en diskret stokastisk variabel med sandsynlighedsfunktion p X, hvor { c x for x { 1, 1, 2} p X (x) = 0 ellers, hvor c R + er en konstant. Spørgsmål (i) Vi skal have bestemt værdien af c. Lad K = {x R x supp p X }, så er 1 [9] = x K p X (x) = c 1 + c 1 + c 2 = 4c = c = 1 4. Jeg gider ikke at tegne grafen for p X. Spørgsmål (ii) Lad B = {x R x = 1}. Vi ser, at B supp p X = { 1, 1}, så da { 1} {1} =, er P ( X = 1) [5] = P (X = 1) + P (X = 1) = 1 4 1 + 1 4 1 = 1 2. Opgave 27 En ærlig mønt (ved ærlig forstås her, at P (plat) = P (krone) = 1/2) kastes vilkårligt mange gange. De enkelte kast er indbyrdes uafhængige. Lad B betegne hændelsen plat og lad B C betegne hændelsen krone. Sæt så V KK = min{n N det (n 1) te kast giver krone og det n te kast giver krone}, V KP = min{n N det (n 1) te kast giver krone og det n te kast giver plat}. 4

Vi har så følgende mulige udfald: E 2 = { BB, BB C, B C B, B C B C}, E 3 = { BBB, BBB C, BB C B, B C BB, BB C B C, B C BB C, B C B C B, B C B C B C}. Dette viser, at #E 2 = 4 og #E 3 = 8. Nu observerer man så, at {V KK = 2} = { B C B C}, {V KP = 2} = { B C B }, {V KK = 3} = { BB C B C}, {V KP = 3} = { BB C B, B C B C B }. Da P : F [0, 1] er et uniformt sandsynlighedsmål på F, er P (V KK = 2) [1] = #{V KK = 2} #E 2 = 1 4, P (V KP = 2) [1] = #{V KP = 2} #E 2 = 1 4, P (V KK = 3) [1] = #{V KK = 3} #E 3 = 1 8, P (V KP = 3) [1] = #{V KP = 3} #E 3 = 2 8 = 1 4. Litteratur [ITP] Preben Blæsild og Jan Pedersen. An Introduction to Probability Theory, 3. udgave. Aarhus Universitet, Danmark 2004. 5