Formules uit de cursus Waarschijnlijkheidsrekenen en statistiek
|
|
- Bertha Kuiper
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 UNIVERSITY OF GHENT Samenvatting Formules uit de cursus Waarschijnlijkheidsrekenen en statistiek Auteur: Nicolas Vanden Bossche Lesgever: Prof. Hans De Meyer
2 Hoofdstuk 1 Het kansbegrip en elementaire kansrekening 1.1 Formules P (A) = #A #Ω P (A B) = P (A) + P (B) P (A B) p = oppervlakte A oppervlakte Ω R n (A) = F n(a) n P (A) = lim n R n(a) of nog P (A) = maat van A maat van Ω 1
3 Hoofdstuk Axioma s van de kanstheorie en het begrip voorwaardelijke kans.1 Unie van kansen ( ) A k disjunct P A k = P (A k ) k=1 k=1. Voorwaardelijke kansen P (A B) = P (A B) P (B) P (A B C) = P (A C) + P (B C) P (A B C) Vermenigvuldigingsregel: ( n ) P A i = P (A 1 ) P (A A 1 ) P (A 3 A 1 A ) i=1 Totalekansformule: P (B) = P (A 1 B) + P (A B) + + P (A n B) = P (A 1 ) P (B A 1 ) + P (A ) P (B A ) + + P (A n ) P (B A n ) Regel van Bayes: P (A i B) = P (A i)p (B A i ) P (A i )P (B A i ) = P (B) P (A 1 )P (B A 1 ) + + P (A n )P (B A n )
4 Hoofdstuk. Axioma s van de kanstheorie en het begrip voorwaardelijke kans3.3 Onafhankelijke gebeurtenissen.3.1 Gewoon onafhankelijk P (A B) = P (A) P (A B) = P (A)P (B).3. Voorwaardelijk onafhankelijk P (A B C) = P (A C)P (B C).4 Inclusie-exclusie.4.1 Formule Inclusie-exclusieformule: ( n ) n P A k = P (A i ) k=1.4. Incidentie i=1 1 i 1<i n ( n ) + ( 1) n+1 P A k k=1 De kans op ten minste 1 incidentie: ( ) N (N 1)! p a = P (A 1 A n ) = 1 N! = 1 1! + 1 3! + ( 1)N+1 1 N! P (A i1 A i ) + ( ) N (N )! + N! 1 i 1<i <i 3 n P (A i1 A i A i3 ) ( ) N (N 3)! 3 N! De kans op juist k incidenties: p k = q N k met q N = 1 k!! 1 3! ( 1)N+1 N! 3
5 Hoofdstuk 3 Rijen toevalsexperimenten en Markov-ketens 3.1 Bernoulli Kans op m keer succes op n experimenten: p n (m) = ( ) n m p m q n m 3. De Moivre-Laplace 3..1 Lokale limietstelling De kans dat A zicht juist m keer voordoet op n experimenten: Voor z : lim πnpq e z / p n (m) = 1 n met z = m np npq 1 Of nog: p n (m) πnpq e z / 3.. Integrale limietstelling Voor S n het aantal successen in n opeenvolgende experimenten en voor elke a ( b: lim P a S ) n np b = 1 b e z / dz n npq π a 4
6 Hoofdstuk 3. Rijen toevalsexperimenten en Markov-ketens Stochastisch convergeren (Stelling van Bernoulli) ( ) lim P S n n n p ɛ = 1, ɛ > 0 Of nog: S n n p p 3.4 De functie Φ Φ(x) = 1 π x e z / dx 1 b e z / dz = Φ(b) Φ(a) π a 3.5 Limietstelling van Poisson lim n p n(m) = λm m! e λ met λ = np Of nog: p n (m) (np)m e np m! 3.6 Markovketens π n = (π 1 ) n Evenwichtsvergelijkingen: p j = k p i p ij met p i j de kans om van i naar j te gaan in 1 stap i=1 Normaliseringsvergelijking: k p i = 1 i=1 3.7 Geboorte-dood processen Formule: p i b i = p i+1 d i+1 voori = 0,..., m met b i = P (A (n+1) i+1 A (n) i ) en d i = P (A (n+1) i 1 A (n) i ) Of nog: p i = p 0 b 0 b 1 b i 1 d 1 d d i met i = 1,..., m 5
7 Hoofdstuk 3. Rijen toevalsexperimenten en Markov-ketens Limietstellingen voor homogene Markov-ketens met k = Lokale limietstelling Voor p n (m) de kans op m keer succes in n opeenvolgende experimenten met de volgende parameters: ( ) α 1 α π 1 = met (α, β) ]0, 1[ β 1 β β, p = 1 α + β, q = 1 p Er geldt: 1 α + β z = (m np) mα(1 α) + (n m)β(1 β) Of nog (voor z eindig): 1 α + β / p n (m) πnpq(1 + α β) e z 3.8. Integrale limietstelling Voor S n het aantal successen in n opeenvolgende experimenten, voor alle a b en dezelfde parameters als hierboven: ( ) 1 α + β P a (S n np) npq(1 + α β) b 1 π b a = Φ(b) Φ(a) e z / dz 6
8 Hoofdstuk 4 Toevalsveranderlijken 4.1 Discrete toevalsveranderlijken Algemene formules P (X S) = p X (x) x W p x (x) = 1 x S Voor Y = g(x) geldt: p Y (y) = {x g(x) = y}p X (x) 4.1. Verwachtingswaarde en variantie Verwachtingswaarde E[X] = xp X (x) x W µ k (X) = E[X k ] Variantie var(x) = E[(X E[X]) ] σ X = var(x) Eigenschappen E[g(X)] = x W g(x)p X (x) Voor Y = ax + b geldt: 7
9 Hoofdstuk 4. Toevalsveranderlijken 8 E[Y ] = ae[x] + b var(y ) = a var(x) var(x) = E[X ] (E[X]) 4. Continue toevalsveranderlijken 4..1 Algemene formules P (X B) = f X (x)dx B P (a X b) = f X (x)dx = 1 b a f X (x)dx 4.. Verwachtingswaarde en variantie Verwachtingswaarde E[X] = xf X (x)dx Variantie var(x) = E[X ] (E[X]) Eigenschappen E[g(X)] = g(x)f X (x)dx Voor Y = ax + b geldt: E[Y ] = ae[x] + b var(y ) = a var(x) 8
10 Hoofdstuk 4. Toevalsveranderlijken Cumulatieve verdelingsfuncties Discreet F X (x) = P (X x) = k x p X (x) = F X (x) F X (x 1) 4.3. Continu x F X (x) = f X (t)dt f X (x) = df X dx (x) p X (k) 4.4 Centrale momenten, skewness en kurtosis (Genormaliseerde) centrale momenten Het k-de centrale moment: µ k (X) = E[(X E[X])k ] Het genormaliseerde k-de centrale moment: α k (X) = E[(X E[X])k ] (var(x)) k/ 4.4. Skewness α 3 (X) > 0: scheef naar rechts α 3 (X) < 0: scheef naar links α 3 (X) = 0: symmetrisch Kurtosis α 4 (X) > 3: gepiekt α 4 (X) < 3: afgeplat α 4 (X) 3: mesokurtic 9
11 Hoofdstuk 5 Gezamenlijke en voorwaardelijke kansverdelingen 5.1 Gezamenlijke discrete toevalsveranderlijken Algemeen p X,Y (x, y) = P ({X = x} {Y = y}) = P (X = x, Y = y) Marginaal: p X (x) = y p Y (y) = x p X,Y (x, y) p X,Y (x, y) 5.1. Eigenschappen Voor Z = g(x, Y ) geldt: p Z (z) = E[g(X, Y )] = x g(x, y)p X,Y (x, y) E[aX + by ] = ae[x] + be[y ] y {(x,y) g(x,y)=z} p X,Y (x, y) 5. Gezamenlijke continue toevalsveranderlijken 5..1 Algemeen P ((X, Y ) B) = (x,y) B f X,Y (x, y)dxdy 10
12 Hoofdstuk 5. Gezamenlijke en voorwaardelijke kansverdelingen 11 d P (a X b, c Y d) = P (X A) = A Marginaal: b c a f X,Y (x, y)dxdy f X,Y (x, y)dydx = F X (x) A f X (x) = f Y (y) = f X,Y (x, y)dy f X,Y (x, y)dx 5.. Eigenschappen Als X en Y gezamenlijk normaal verdeeld zijn met parameters σ X, σ Y, µ X, µ Y en ρ, dan geldt dat X d = N(µ X, σ X ) en Y d = N(µ Y, σ Y ) E[g(X, Y )] = E[aX + by ] = ae[x] + be[y ] g(x, y)f X,Y (x, y)dxdy 5.3 Gezamenlijke cumulatieve verdelingen Discreet F X,Y (x, y) = k x l ypx,y (k, l) Voor X = {x 1, x,...} en Y = {y 1, y,...}: p X,Y (x k, y l ) = F X,Y (x k, y l ) F X,Y (x k 1, y l ) F X,Y (x k, y l 1 )+F X,Y (x k 1, y l 1 ) 5.3. Continu x F X,Y (x, y) = y f X,Y (x, y) = F X,Y x y f X,Y (s, t)dsdt (x, y) 11
13 Hoofdstuk 5. Gezamenlijke en voorwaardelijke kansverdelingen Covariantie en correlatie Algemeen cov(x, Y ) = E[(X E[X])(Y E[Y ])] ρ(x, Y ) = cov(x, Y ) var(x)var(y ) 5.4. Eigenschappen cov(x, Y ) = E[XY ] E[X]E[Y ] cov(ax + by + c, Z) = acov(x, Z) + bcov(y, Z) var(ax + by ) = a var(x) + b var(y ) + abcov(x, Y ) 5.5 Voorwaardelijke kansverdelingen Discreet Algemeen p X A (x) = P (X = x A) = P ({X = x} A P (A) p X Y (x y) = P (X = x Y = y) = p X,Y (x, y) p Y (y) Totalekansformule: p X (x) = n P (A i )p X A (x) met A 1 A n een partitie voor Ω Verwachting i=1 E[X A] = x xp X A (x) E[X Y = y] = x xp X Y (x y) E[g(X) A] = x g(x)p X A (x) E[g(X) Y = y] = x g(x)p X Y (x y) Formule van totale verwachting: E[X] = n P (A i )E[X A i ] i=1 1
14 Hoofdstuk 5. Gezamenlijke en voorwaardelijke kansverdelingen Continu Algemeen f X A (x) = f X(x) P (X A) f X,Y (x, y), x A f X Y (x y) = f Y (y) 0, elders Totalekansformule: f X (x) = n P (A i )p X A (x) met A 1 A n een partitie voor Ω i=1 Verwachting E[X A] = xp X A (x) E[X Y = y] = xp X Y (x y) E[g(X) A] = g(x)p X A (x) E[g(X) Y = y] = g(x)p X Y (x y) Formule van totale verwachting: E[X] = n P (A i )E[X A i ] i=1 5.6 Onafhankelijkheden Voor alle X en Y onafhankelijk geldt: Discreet p X A (x) = p X (x) p X,Y (x, y) = p X (x)p Y (y) p X,Y A (x, y) = p X A (x)p Y A (y) p X1 X n (x 1 x n ) = p X1 (x 1 )p X (x ) 13
15 Hoofdstuk 5. Gezamenlijke en voorwaardelijke kansverdelingen Continu f X,Y (x, y) = f X (x)f Y (y) Of nog: f X Y (x y) = f X (x), (x, y) : f Y (y) > 0 f Y X (y x) = f Y (y), (x, y) : f X (x) > 0 f X1 X n (x 1 x n ) = f X1 (x 1 )f X (x ) Algemeen F X,Y (x, y) = F X (x)f Y (y) F X1 X n (x 1 x n ) = F X1 (x 1 )F X (x ) E[XY ] = E[X]E[Y ] cov(x, Y ) = 0 var(ax + by ) = a var + b var(y ) 14
16 Hoofdstuk 6 Functies van toevalsveranderlijken 6.1 Afgeleide verdelingen Algemeen Haal f Y uit f X met Y = g(x): 1. F Y (y) = P (g(x) y) =. f Y (y) = df Y (Y ) dy {x g(x) y} X d = N(0, 1) X d = Gamma( 1, 1 ) f X (x)dx Gamma( n, 1 ) = χ n met E[X] = n en var(x) = n 6.1. Lineaire functies Voor Y = ax + b geldt: Continu: f Y (y) = 1 a f X( y b a ) Exponentieel: f Y (y) = λ a e λ(y b)/a 15
17 Hoofdstuk 6. Functies van toevalsveranderlijken 16 Normaal: f Y (y) = 1 π a σ e (y b aµ) /a σ Monotone functies Voor g strikt monotoon en Y = g(x) waarbij y = g(x) en x = h(y) geldt: f Y (y) = f X (h(y)) dh(y) dy 6. Momentgenererende functies 6..1 Algemeen Functie: M X (s) = E[e sx ] = x e sx p X (x) = e sx f X (x)dx Y = ax + b M Y (s) = e sb M X (sa) µ k (X) = E[X k ] = dk ds k M X(s) s=0 6.. Onafhankelijkheden Voor X en Y onafhankelijk en Z = X + Y geldt: M Z (s) = M X (s)m Y (s) Voor X 1... X n onafhankelijke Poisson-veranderlijken met parameters λ 1... λ n : d Z = X X n = Poisson(λ1 + + λ n ) d Voor X 1 = N(µ1, σ1), d..., X n = N(µn, σn) en onafhankelijk: d Z = X X n = N(µ1 + + µ n, σ1 + + σn) d d Voor X 1 = Gamma(α1, β),..., X n = Gamma(αn, β) en onafhankelijk: d Z = X X n = Gamma(α1 + + α n, β) 16
18 Hoofdstuk 6. Functies van toevalsveranderlijken Convolutie Voor Z = X + Y en X en Y onafhankelijk, geldt: p Z (z) = x p X (x)p Y (z x) f Z (z) = f X (x)f Y (z x)dx 6.4 Randomgeneratoren Algemeen U 1, U,..., uniform verdeeld op [0, 1] noemen we een rij onafhankelijke randomgetallen. Multiplicatieve congruentiemethode met multiplicator r, de modulus m en de startwaarde x 0 : x n = rx n 1 modm, n = 1,, Pseudo-inverse van F X (x) F ( 1) X (y) = min{x R F X (x) y} Voor F X continu en strikt stijgend: F ( 1) X = F 1 X F ( 1) X (y) u y F X(u) Voor F : R [0, 1] een niet-dalende functie met F () = 0 en F ( ) = 1: U d = U[0, 1] X = F ( 1) (U) heeft F als cumulatieve verdelingsfunctie 6.5 Statistieken Een statistiek is een functie g(x 1, X,..., X n ) X n = n X i i=1 n met E[ X n ] = E[X] en var( X n ) = var(x) n ) X d = N(µ, σ ) X n d = N ( µ, σ n 17
19 Hoofdstuk 6. Functies van toevalsveranderlijken 18 Steekproefvariantie: S n = n (X i X n ) i=1 n 1 Steekproefstandaardafwijking: n (X i X n ) i=1 S = n 1 E[S n] = var(x) Voor de steekproefvariantie S n van een aselecte steekproef van omvang n, geldt: Steekproefmoment: Scheefheid: α 3 = M 3 (M )3/ Kurtosis: α 4 = M 4 (M ) (n 1)S n σ d = χ n 1 Sn is onafhankelijk van X n E[Sn] = σ Het k-de moment M k = Het k-de centrale moment M k = 6.6 Ordestatistieken Algemeen Men noemt Y k de k-de orde statistiek als: var(s n) = σ4 n 1 n Xi k i=1 n n (X i X n ) k i=1 n Y 1 Y n 18
20 Hoofdstuk 6. Functies van toevalsveranderlijken 19 F Yk (y) = n j=k Voor X continu: ( n ) j [FX (y)] j [1 F X (y)] n j F Yk (y) = k ( n k) [FX (y)] k 1 [1 F X (y)] n k f X (y) Voor k = 1: Voor k = n: F Y1 (y) = 1 [1 F X (y)] n f Y1 (y) = n[1 F X (y)] n 1 f X (y) 6.6. Begrippen Steekproefbereik R = Y n Y 1 F Yn (y) = [F X (y)] n f Yn (y) = n[f X (y)] n 1 f X (y) Midden van het steekproefbereik MR = Y 1 + Y n Y n + Y n +1, als n even is Steekproefmediaan M = Y n, als n oneven is Percentiel P p = (1 q)y k + qy k+1 met p ]0, 100[, k = het geheel deel van (n+1)p 100 en q het fractioneel deel P 5 = Q 1, P 5 0 = Q = M, P 7 5 = Q 3 Interkwartielbereik IRQ = Q 3 Q Eigenschappen Voor j < k geldt: n! (j 1)!(k j 1)!(n k)! [F X(y)] j 1 f X (y) f Yj,Y k (y, z) = [F X (z) F X (y)] k j 1 f X (z)[1 F X (z)] n k, als y z 0 elders 19
21 Hoofdstuk 6. Functies van toevalsveranderlijken 0 De kansdichtheidsfunctie van het steekproefbereik R: { n(n + 1) f R (r) = [F X(x) F X (x r)] n f X (x r)f X (x)dx, als r > 0 0, als r 0 0
22 Hoofdstuk 7 Wet van de grote aantallen en de centrale limietstelling 7.1 De ongelijkheden van Markov en Chebyshev De ongelijkheid van Markov P (X a) E[X] a!! Xn p E[X]!! 7.1. De ongelijkheid van Chebyshev P ( X E[X] c) var(x) c 7. De centrale limietstelling Voor X 1, X,... met dezelfde verdeling en onafhankelijk waarvoor E[X i ] = µ < en var(x i ) = σ < en > 0: ( ) x R : lim P (X1 µ) + + (X n µ) x = 1 x e z / dz n nσ π Of nog: n( Xn µ) d Z n = /rightarrow N(0, 1) σ 1
23 Hoofdstuk 8 Schatten, schatters en betrouwbaarheidsintervallen 8.1 Schatters Meest aannemelijke schatter ˆθ = max f n (x 1,..., x n θ) θ 8.1. De momentenmethode Voor n parameters te bepalen, gebruik je minstens n van de volgende vgl: µ k = m k of nog E[X k ] = 1 n X k i 8. Kwaliteit van schatters Een schatter δ is zuiver als: bias(δ) = E θ [δ] θ = 0 waarbij E θ [Z] = E θ [g(x 1,..., X n )] = g(x 1... x n )f(x 1... x n θ)dx 1... dx n Gemiddelde kwadratische fout: MSE(δ) = E θ [(δ(x 1,..., X n ) θ) ] = var(δ(x 1,..., X n )) + bias(δ)
24 Hoofdstuk 8. Schatten, schatters en betrouwbaarheidsintervallen Betrouwbaarheidsintervallen Voor de verwachtingswaarde Voor X normaal verdeeld met ONBEKENDE verwachting en BEKENDE variantie: T 1 = X n z α T = X n + z α 8.3. Voor relatieve frequenties σ n σ n Neem ˆp = S n n als schatter: T 1 = ˆp z α ˆp(1 ˆp) n ˆp(1 ˆp) T = ˆp + z α n Voor de variantie Voor X normaal verdeeld met BEKENDE verwachting en ONBEKENDE variantie: met ˆσ = 1 n i=1 (X i µ) Of met steekproefvariantie: met Sn = 1 n 1 i=1 (X i X n ) T 1 = nˆσ χ n, α nˆσ T = χ n,1 α T 1 = (n 1)S n χ n 1, α T = (n 1)S n χ n 1,1 α 3
25 Hoofdstuk 8. Schatten, schatters en betrouwbaarheidsintervallen z α -tabel α γ α z α z α
26 Hoofdstuk 9 Het toetsen van hypothesen 9.1 Testen en hun betrouwbaarheid De testfunctie { 1, x R(ejection) φ(x) = 0, x A(cceptance) 9.1. Fouten van type I en II Fout van type I : een ware H 0 wordt verworpen Fout van type II: een valse H 0 wordt aangenomen Tabel H 0 waar H 0 vals H 0 aanvaarden 1 α β H 0 verwerpen α 1 β 9. De verschillende testen 9..1 z-test normaal gemiddelde, 1 populatie, σ BEK- END Kies H 0 : µ = µ 0 Kies α Bereken x n en z = x n µ 0 σ n Kies H 1 = 5
27 Hoofdstuk 9. Het toetsen van hypothesen 6 H 1 : µ < µ 0 H 0 verwerpen z < z α H 1 : µ > µ 0 H 0 verwerpen z > z α H 1 : µ µ 0 H 0 verwerpen z > z α 9.. t-test normaal gemiddelde, 1 populatie, σ ONBEK- END Kies H 0 : µ = µ 0 Kies α Bereken x n, s n en t = x n µ 0 s n /n Kies H 1 = H 1 : µ < µ 0 H 0 verwerpen t < t n 1,1 α H 1 : µ > µ 0 H 0 verwerpen t > t n 1,α H 1 : µ µ 0 H 0 verwerpen t > t n 1, α 9..3 z-test normale gemiddelden, populaties, σ 1 en σ BEKEND Kies H 0 : µ 1 µ = δ Kies α Bereken x n, ȳ m en z = Kies H 1 = x n ȳ m δ σ 1 /n + σ /m H 1 : µ 1 µ < δ H 0 verwerpen z < z α H 1 : µ 1 µ > δ H 0 verwerpen z > z α H 1 : µ 1 µ δ H 0 verwerpen z > z α 9..4 t-test normale gemiddelden, populaties, σ 1 en σ ONBEKEND Kies H 0 : µ 1 µ = δ Kies α Bereken x n, ȳ m, s 1, s, s p = (n 1)s 1 + (m 1)s n + m en t = x n ȳ m δ s (n + m) p nm 6
28 Hoofdstuk 9. Het toetsen van hypothesen 7 Kies H 1 = H 1 : µ 1 µ < δ H 0 verwerpen z < z α H 1 : µ 1 µ > δ H 0 verwerpen z > z α H 1 : µ 1 µ δ H 0 verwerpen z > z α 9..5 Goodness-of-fit verwerp H 0 χ > χ j 1 r,α met r het aantal geschatte parameters Hierbij is χ = n (N j nπ j ) j=1 nπ j en π j = N p j met N j het aantal dat gemeten is voor j Veel succes op het examen! 7
Deze week: Steekproefverdelingen. Statistiek voor Informatica Hoofdstuk 7: Steekproefverdelingen. Kwaliteit van schatter. Overzicht Schatten
Deze week: Steekproefverdelingen Statistiek voor Informatica Hoofdstuk 7: Steekproefverdelingen Cursusjaar 29 Peter de Waal Zuivere Schatters Betrouwbaarheidsintervallen Departement Informatica Hfdstk
Nadere informatieCursus Statistiek Hoofdstuk 4. Statistiek voor Informatica Hoofdstuk 4: Verwachtingen. Definitie (Verwachting van discrete stochast) Voorbeeld (1)
Cursus Statistiek Hoofdstuk 4 Statistiek voor Informatica Hoofdstuk 4: Verwachtingen Cursusjaar 29 Peter de Waal Departement Informatica Inhoud Verwachtingen Variantie Momenten en Momentengenererende functie
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Kansrekening (2WS2, Vrijdag 23 januari 25, om 9:-2:. Dit is een tentamen met gesloten boek. De uitwerkingen van de opgaven dienen
Nadere informatieKansrekening en stochastische processen 2S610
Kansrekening en stochastische processen 2S610 Docent : Jacques Resing E-mail: j.a.c.resing@tue.nl http://www.win.tue.nl/wsk/onderwijs/2s610 1/28 Schatten van de verwachting We hebben een stochast X en
Nadere informatieKanstheorie, -rekenen en bekende verdelingen
Kanstheorie, -rekenen en bekende verdelingen 1 Rekenregels kansrekenen Kans van de zekere gebeurtenis: P () = P (U) = 1 Kans van de onmogelijke gebeurtenis: P (;) = 0 Complementregel: P (A c ) = 1 P (A)
Nadere informatieKansrekening en stochastische processen 2DE18
Kansrekening en stochastische processen 2DE18 Docent : Jacques Resing E-mail: resing@win.tue.nl 1/23 Voor een verzameling stochastische variabelen X 1,..., X n, de verwachting van W n = X 1 + + X n is
Nadere informatieHet tentamen heeft 25 onderdelen. Met ieder onderdeel kan maximaal 2 punten verdiend worden.
Hertentamen Inleiding Kansrekening WI64. 9 augustus, 9:-: Het tentamen heeft 5 onderdelen. Met ieder onderdeel kan maximaal punten verdiend worden. Het tentamen is open boek. Boeken, nota s en een (eventueel
Nadere informatieVandaag. Onderzoeksmethoden: Statistiek 2. Basisbegrippen. Theoretische kansverdelingen
Vandaag Onderzoeksmethoden: Statistiek 2 Peter de Waal (gebaseerd op slides Peter de Waal, Marjan van den Akker) Departement Informatica Beta-faculteit, Universiteit Utrecht Theoretische kansverdelingen
Nadere informatieTentamen Voortgezette Kansrekening (WB006C)
WB6C: Voortgezette Kansrekening Donderdag 26 januari 212 Tentamen Voortgezette Kansrekening (WB6C) Het is een open boek tentamen. Gebruik van een rekenmachine of andere hulpmiddelen is niet toegestaan.
Nadere informatieb) Uit Bayes volgt, gebruik makend van onderdeel a) P (T V )P (V ) P (T ) = (0.09)(0.07)
Uitwerkingen tentamen 6 juli 22. We stellen T de gebeurtenis test geeft positief resultaat, F de gebeurtenis, chauffeur heeft gefraudeerd, V de gebeurtenis, chauffeur heeft vergissing gemaakt C de gebeurtenis,
Nadere informatieUitwerking Tentamen Inleiding Kansrekening 11 juni 2015, uur Docent: Prof. dr. F. den Hollander
Uitwerking Tentamen Inleiding Kansrekening juni 25,. 3. uur Docent: Prof. dr. F. den Hollander () [6] Zij F een gebeurtenissenruimte. Laat zien dat voor elke B F de verzameling G {A B : A F} opnieuw een
Nadere informatieKansrekening en stochastische processen 2DE18
Kansrekening en stochastische processen 2DE18 Docent : Jacques Resing E-mail: resing@win.tue.nl 1/28 The delta functie Zij De eenheids impulsfunctie is: d ε (x) = { 1ε als ε 2 x ε 2 0 anders δ(x) = lim
Nadere informatieDeze week: Verdelingsfuncties. Statistiek voor Informatica Hoofdstuk 5: Verdelingsfuncties. Bernoulli verdeling. Bernoulli verdeling.
Deze week: Verdelingsfuncties Statistiek voor Informatica Hoofdstuk 5: Verdelingsfuncties Cursusjaar 29 Peter de Waal Toepassingen Kansmassafuncties / kansdichtheidsfuncties Eigenschappen Departement Informatica
Nadere informatieOefenDeeltentamen 2 Kansrekening 2011/ Beschouw een continue stochast X met kansdichtheidsfunctie cx 4, 0 x 1 f X (x) = f(x) = 0, anders.
Universiteit Utrecht *=Universiteit-Utrecht Boedapestlaan 6 Mathematisch Instituut 3584 CD Utrecht OefenDeeltentamen Kansrekening 11/1 1. Beschouw een continue stochast X met kansdichtheidsfunctie c 4,
Nadere informatie+ ( 1 4 )2 σ 2 X σ2. 36 σ2 terwijl V ar[x] = 11. Aangezien V ar[x] het kleinst is, is dit rekenkundig gemiddelde de meest efficiënte schatter.
STATISTIEK OPLOSSINGEN OEFENZITTINGEN 5 en 6 c D. Keppens 2004 5 1 (a) Zij µ de verwachtingswaarde van X. We moeten aantonen dat E[M i ] = µ voor i = 1, 2, 3 om te kunnen spreken van zuivere schatters.
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 15 Dinsdag 2 November 1 / 16 2 Statistiek Indeling: Filosofie Schatten Centraal Bureau voor Statistiek 2 / 16 Schatten Vb. Het aantal tenen plus vingers in jullie huishoudens:
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 12 Vrijdag 16 Oktober 1 / 38 2 Statistiek Indeling vandaag: Normale verdeling Wet van de Grote Getallen Centrale Limietstelling Deductieve statistiek Hypothese toetsen
Nadere informatieHoofdstuk 5. Toevalsveranderlijken en waarschijnlijkheidsdistributies. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent
Hoofdstuk 5 Toevalsveranderlijken en waarschijnlijkheidsdistributies Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Toevalsveranderlijken en waarschijnlijkheidsdistributies
Nadere informatieTentamen Inleiding Kansrekening 9 juni 2016, 10:00 13:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 9 juni 6, : 3: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met onderdelen. Elk onderdeel
Nadere informatieSCHATTEN. A.W. van der Vaart en anderen
SCHATTEN A.W. van der Vaart en anderen VOORWOORD Dit diktaatje wordt gebruikt bij het vak Biostatistiek 2 voor MNW. Het is een uittreksel van het boek Algemene Statistiek geschreven door A.W. van der Vaart
Nadere informatieTentamen Inleiding Kansrekening 11 augustus 2011, uur
Mathematisch Instituut Niels Bohrweg Universiteit Leiden 2 CA Leiden Delft Tentamen Inleiding Kansrekening augustus 20, 09.00 2.00 uur Bij dit examen is het gebruik van een evt. grafische) rekenmachine
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 8 Donderdag 13 Oktober 1 / 23 2 Statistiek Vandaag: Stochast en populatie Experimenten herhalen Wet van de Grote Getallen Centrale Limietstelling 2 / 23 Stochast en populatie
Nadere informatieMedische Statistiek Kansrekening
Medische Statistiek Kansrekening Medisch statistiek- kansrekening Hoorcollege 1 Uitkomstenruimte vaststellen Ook wel S of E. Bij dobbelsteen: E= {1,2,3,4,5,6} Een eindige uitkomstenreeks Bij het gooien
Nadere informatieTentamen Inleiding Kansrekening 16 juni 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 6 juni 7, : 7: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met twee of drie onderdelen.
Nadere informatieExamen Statistiek I Feedback
Examen Statistiek I Feedback Bij elke vraag is alternatief A correct. Bij de trekking van een persoon uit een populatie beschouwt men de gebeurtenissen A (met bril), B (hooggeschoold) en C (mannelijk).
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Kansrekening (2WS2), Vrijdag 24 januari 24, om 9:-2:. Dit is een tentamen met gesloten boek. De uitwerkingen van de opgaven
Nadere informatieStochastiek 2. Inleiding in de Mathematische Statistiek 1 / 18
Stochastiek 2 Inleiding in de Mathematische Statistiek 1 / 18 t-toetsen 2 / 18 Steekproefgemiddelde en -variantie van normale observaties Stelling. Laat X 1,..., X n o.o. zijn en N(µ, σ 2 )-verdeeld. Dan:
Nadere informatieKansrekening en statistiek wi2105in deel 2 16 april 2010, uur
Kansrekening en statistiek wi205in deel 2 6 april 200, 4.00 6.00 uur Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na afloop
Nadere informatieSamenvatting Statistiek
Samenvatting Statistiek De hoofdstukken 1 t/m 3 gaan over kansrekening: het uitrekenen van kansen in een volledig gespecifeerd model, waarin de parameters bekend zijn en de kans op een gebeurtenis gevraagd
Nadere informatieTentamen Kansrekening en Statistiek MST 14 januari 2016, uur
Tentamen Kansrekening en Statistiek MST 14 januari 2016, 14.00 17.00 uur Het tentamen bestaat uit 15 meerkeuzevragen 2 open vragen. Een formuleblad wordt uitgedeeld. Normering: 0.4 punt per MC antwoord
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Kansrekening en Statistiek (2S27), dinsdag 14 juni 25, 9. - 12. uur. Dit is een tentamen met gesloten boek. De uitwerkingen
Nadere informatieDeze week: Schatten. Statistiek voor Informatica Hoofdstuk 6: Schatten. Voorbeeld Medicijnentest. Statistische inferentie
Deze week: Schatten Statistiek voor Informatica Hoofdstuk 6: Schatten Cursusjaar 2009 Peter de Waal Departement Informatica Statistische inferentie A Priori en posteriori verdelingen Geconjugeerde a priori
Nadere informatieTentamen Inleiding Kansrekening wi juni 2010, uur
Technische Universiteit Delft Mekelweg Faculteit Electrotechniek, Wiskunde en Informatica 8 CD Delft Tentamen Inleiding Kansrekening wi juni, 9.. uur Bij dit examen is het gebruik van een (evt. grafische
Nadere informatieVrije Universiteit 28 mei Gebruik van een (niet-grafische) rekenmachine is toegestaan.
Afdeling Wiskunde Volledig tentamen Statistics Deeltentamen 2 Statistics Vrije Universiteit 28 mei 2015 Gebruik van een (niet-grafische) rekenmachine is toegestaan. Geheel tentamen: opgaven 1,2,3,4. Cijfer=
Nadere informatieTentamen Inleiding Statistiek (WI2615) 10 april 2013, 9:00-12:00u
Technische Universiteit Delft Mekelweg 4 Faculteit Elektrotechniek, Wiskunde en Informatica 2628 CD Delft Tentamen Inleiding Statistiek (WI2615) 10 april 2013, 9:00-12:00u Formulebladen, rekenmachines,
Nadere informatieKansrekening en statistiek WI2105IN deel I 4 november 2011, uur
Kansrekening en statistiek WI05IN deel I 4 november 0, 4.00 7.00 uur Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Een formuleblad wordt uitgereikt. Meerkeuzevragen Toelichting:
Nadere informatieIntroductie tot traditionele herverzekering
Introductie tot traditionele herverzekering Module AN17 Schadeverzekering 26 maart 2012 Nico de Boer nico.de.boer@aaa-riskfinance.nl Lesindeling onderdeel herverzekering Datum Te behandelen 19 maart Hoofdstuk
Nadere informatieKansrekenen [B-KUL-G0W66A]
KU Leuven Kansrekenen [B-KUL-G0W66A] Notities Tom Sydney Kerckhove Gestart 8 februari 2015 Gecompileerd 25 maart 2015 Docent: Prof. Tim Verdonck Inhoudsopgave 1 Voorkennis 3 1.1 Verzamelingen.......................................
Nadere informatieSchatten en simuleren
Les 5 Schatten en simuleren 5.1 Maximum likelihood schatting Tot nu toe hebben we meestal naar voorbeelden gekeken waar we van een kansverdeling zijn uitgegaan en dan voorspellingen hebben gemaakt. In
Nadere informatieKansrekening en statistiek WI2211TI / WI2105IN deel 2 2 februari 2012, uur
Kansrekening en statistiek WI22TI / WI25IN deel 2 2 februari 22, 4. 6. uur VOOR WI22TI: Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Een formuleblad is niet toegestaan.
Nadere informatieVU University Amsterdam 2018, Maart 27
Department of Mathematics Exam: Voortgezette biostatistiek VU University Amsterdam 2018, Maart 27 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatie10. De simultane kansverdeling van twee stochasten X en Y is gegeven door de volgende (onvolledige) tabel: X / /4 1. d. 0 e.
Tentamen Statistische methoden MST-STM 1 april 2011, 9:00 12:00 Studienummers: Vult u alstublieft op het MC formulier uw Delftse studienummer in; en op het open vragen formulier graag beide, naar volgend
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamenopgaven Statistiek 2DD71: UITWERKINGEN 1. Stroopwafels a De som S van de 12 gewichten is X 1 + X 2 + + X 12. Deze is normaal
Nadere informatieTentamen Statistische methoden MST-STM 8 april 2010, 9:00 12:00
Tentamen Statistische methoden MST-STM 8 april 2, 9: 2: Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na afloop inleveren alstublieft.
Nadere informatieTentamen Kansrekening (NB004B)
NB4B: Kansrekening Dinsdag november 2 Tentamen Kansrekening (NB4B) Het is een open boek tentamen. Gebruik van een rekenmachine of andere hulpmiddelen is niet toegestaan. Vermeld op ieder blad je naam en
Nadere informatieVoorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal. Toets Kansrekenen I. 28 maart 2014
Voorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal Toets Kansrekenen I 28 maart 2014 Naam : Richting : Lees volgende aanwijzingen alvorens aan het examen te beginnen Wie de
Nadere informatieTentamen Kansrekening en statistiek wi2105in 25 juni 2007, uur
Tentamen Kansrekening en statistiek wi205in 25 juni 2007, 4.00 7.00 uur Bij dit examen is het gebruik van een (evt. grafische rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na afloop
Nadere informatieHoofdstuk 4: Aanvullende Begrippen (Extra Oefeningen)
Hoofdstuk 4: Aavullede Begrippe (Extra Oefeige) 9. Veroderstel dat X e Y ormaal verdeeld zij met resp. gemiddelde waarde µ X e µ Y e met dezelfde variatie 2. Wat is da de distributie va X Y? Bepaal de
Nadere informatieOefenvragen bij Statistics for Business and Economics van Newbold
Oefenvragen bij Statistics for Business and Economics van Newbold Hoofdstuk 1 1. Wat is het verschil tussen populatie en sample? De populatie is de complete set van items waar de onderzoeker in geïnteresseerd
Nadere informatieZo geldt voor o.o. continue s.v.-en en X en Y dat de kansdichtheid van X + Y gegeven wordt door
APP.1 Appendix A.1 Erlang verdeling verdeling met parameters n en λ Voor o.o. discrete s.v.-en X en Y geldt P (X + Y = z) =P (X = x 1 en Y = z x 1 )+P(X = x en Y = z x )+... = P (X = x 1 )P (Y = z x 1
Nadere informatieTentamen Statistische methoden MST-STM 1 juli 2010, 9:00 12:00
Tentamen Statistische methoden MST-STM 1 juli 2010, 9:00 12:00 Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na afloop inleveren
Nadere informatieHandout limietstellingen Kansrekening 2WS20
Handout limietstellingen Kansrekening WS0 Remco van der Hofstad 13 januari 017 Samenvatting In deze hand out bespreken we een aantal limietstellingen en hun bewijzen. In meer detail, behandelen we de volgende
Nadere informatieInleiding Applicatie Software - Statgraphics
Inleiding Applicatie Software - Statgraphics Beschrijvende Statistiek /k 1/35 OPDRACHT OVER BESCHRIJVENDE STATISTIEK Beleggen Door een erfenis heeft een vriend van u onverwacht de beschikking over een
Nadere informatieSet 2 Inleveropgaven Kansrekening (2WS20)
1 Technische Universiteit Eindhoven Faculteit Wisunde en Informatica Set Inleveropgaven Kansreening (WS) 14-15 1. (Functies van normale verdelingen) Stel dat X een standaard normale verdeling heeft. (a)
Nadere informatieHandout limietstellingen Kansrekening 2WS20
Handout limietstellingen Kansrekening WS0 Remco van der Hofstad 11 januari 018 Samenvatting In deze hand out bespreken we een aantal limietstellingen en hun bewijzen. In meer detail, behandelen we de volgende
Nadere informatieDeel I : beschrijvende statistiek
HOOFDSTUK 1 TYPISCHE FOUTEN BIJ STATISTIEK Foute gegevens Fouten in berekening kans Foute interpretatie resultaten Statistiek : de wetenschap van het leren uit data & van het meten, controleren en communiceren
Nadere informatieKansrekening en statistiek wi2105in deel I 29 januari 2010, uur
Kansrekening en statistiek wi20in deel I 29 januari 200, 400 700 uur Bij dit examen is het gebruik van een (evt grafische rekenmachine toegestaan Tevens krijgt u een formuleblad uitgereikt na afloop inleveren
Nadere informatieStatistiek voor A.I.
Statistiek voor A.I. College 13 Donderdag 25 Oktober 1 / 28 2 Deductieve statistiek Orthodoxe statistiek 2 / 28 3 / 28 Jullie - onderzoek Tobias, Lody, Swen en Sander Links: Aantal broers/zussen van het
Nadere informatiePopulatie: De gehele groep elementen waarover informatie wordt gewenst.
Statistiek I Werkcollege 1 Populatie: De gehele groep elementen waarover informatie wordt gewenst. Steekproef: Gedeelte van de populatie dat feitelijk wordt onderzocht om informatie te vergaren. Eenheden:
Nadere informatieInleiding Applicatie Software - Statgraphics. Beschrijvende Statistiek
Inleiding Applicatie Software - Statgraphics Beschrijvende Statistiek OPDRACHT OVER BESCHRIJVENDE STATISTIEK Beleggen Door een erfenis heeft een vriend van u onverwacht de beschikking over een klein kapitaaltje
Nadere informatieHOOFDSTUK II BIJZONDERE THEORETISCHE VERDELINGEN
HOOFDSTUK II BIJZONDERE THEORETISCHE VERDELINGEN. Continue Verdelingen 1 A. De uniforme (of rechthoekige) verdeling Kansdichtheid en cumulatieve frequentiefunctie Voor x < a f(x) = 0 F(x) = 0 Voor a x
Nadere informatieTentamen Inleiding Kansrekening 25 juni 2009, uur Docent: F. den Hollander
Universiteit Leiden Niels Bohrweg Tentamen Inleiding Kansrekening 25 juni 2009, 0.00 3.00 uur Docent: F. den Hollander Mathematisch Instituut 2333 CA Leiden Bij dit tentamen is het gebruik van een (grafische)
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 12 Donderdag 21 Oktober 1 / 38 2 Statistiek Indeling: Stochast en populatie Experimenten herhalen Wet van de Grote Getallen Centrale Limietstelling 2 / 38 Deductieve
Nadere informatieSOCIALE STATISTIEK (deel 2)
SOCIALE STATISTIEK (deel 2) D. Vanpaemel KU Leuven D. Vanpaemel (KU Leuven) SOCIALE STATISTIEK (deel 2) 1 / 57 Hoofdstuk 5: Schatters en hun verdeling 5.1 Steekproefgemiddelde als toevalsvariabele D. Vanpaemel
Nadere informatiemodule SC 12 Inleiding Risicotheorie donderdag 7 november uur
module SC 1 Inleiding Risicotheorie donderdag 7 november 013 13.30-16.30 uur Examen module SC 1 Inleiding Risicotheorie donderdag 7 november 013 Voordat u met de beantwoording van de vragen van dit examen
Nadere informatieFORMULARIUM: STATISTIEK
FORMULARIUM: STATISTIEK VARIABELE STEEKPROEF x,x,...,x POPULATIE X Dichtheid relatieve frequetie: f j kas met kasregels P(G C ) = P(G) P(G G ) = P(G ) + P(G ) P(G G ) P(G \ G ) = P(G ) P(G ) als G G voorwaardelijke
Nadere informatieHertentamen Inleiding Kansrekening 5 juli 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Hertentamen Inleiding Kansrekening 5 juli 07, 4:00 7:00 Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan, wel het gebruik van rekenmachine. Er
Nadere informatieHoofdstuk 8: Het Toetsen van Hypothesen (Extra Oefeningen)
Hoofdstuk 8: Het Toetsen van Hypothesen (Extra Oefeningen) 8.16. Men wenst H 0 : p 0.2 te testen tegenover H 1 : p 0.4 voor een binomiale distributie met n 10. Bepaal α en β als de testfunctie gegeven
Nadere informatieSet 3 Inleveropgaven Kansrekening (2WS20) Opgaven met sterretjes zijn lastiger dan opgaven zonder sterretje.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Set 3 Inleveropgaven Kansrekening (2WS2) 23-24 Opgaven met sterretjes zijn lastiger dan opgaven zonder sterretje.. Voetbalplaatjes. Bij
Nadere informatieHoofdstuk 7 : Continue distributies als stochastische modellen. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent
Hoofdstuk 7 : Continue distributies als stochastische modellen Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Continue distributies als stochastische
Nadere informatieStatistiek voor A.I. College 10. Dinsdag 16 Oktober
Statistiek voor A.I. College 10 Dinsdag 16 Oktober 1 / 30 Jullie - onderzoek Geert-Jan, Joris, Brechje Horizontaal: lengte Verticaal: lengte tussen topjes middelvingers met gestrekte armen. DIII 170 175
Nadere informatieStatistiek voor A.I. College 10. Donderdag 18 Oktober
Statistiek voor A.I. College 10 Donderdag 18 Oktober 1 / 28 Huffington Post poll verkiezingen VS - 12 Oktober 2012 2 / 28 Gallup poll verkiezingen VS - 15 Oktober 2012 3 / 28 Jullie - onderzoek Kimberly,
Nadere informatieKansrekening en statistiek wi2105in deel 2 27 januari 2010, uur
Kansrekening en statistiek wi2105in deel 2 27 januari 2010, 14.00 16.00 uur Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na
Nadere informatieintroductie populatie- steekproef- steekproevenverdeling pauze parameters aannames ten slotte
toetsende statistiek week 1: kansen en random variabelen week 2: de steekproevenverdeling Moore, McCabe, and Craig. Introduction to the Practice of Statistics Chapter 5: Sampling Distributions 5.1: The
Nadere informatieVandaag. Onderzoeksmethoden: Statistiek 3. Recap 2. Recap 1. Recap Centrale limietstelling T-verdeling Toetsen van hypotheses
Vandaag Onderzoeksmethoden: Statistiek 3 Peter de Waal (gebaseerd op slides Peter de Waal, Marjan van den Akker) Departement Informatica Beta-faculteit, Universiteit Utrecht Recap Centrale limietstelling
Nadere informatieData analyse Inleiding statistiek
Data analyse Inleiding statistiek Terugblik - Inductieve statistiek Afleiden van eigenschappen van een populatie op basis van een beperkt aantal metingen (steekproef) Kennis gemaakt met kans & kansverdelingen
Nadere informatieOpgeloste Oefeningen Hoofdstuk 8: Het Toetsen van Hypothesen
Opgeloste Oefeningen Hoofdstuk 8: Het Toetsen van Hypothesen 8.1. Stel dat medisch onderzoek heeft uitgewezen dat als het gemiddelde nicotinegehalte van een sigaret 25 mg of meer bedraagt, de kans op longkanker
Nadere informatieDeeltentamen 2 Algemene Statistiek Vrije Universiteit 18 december 2013
Afdeling Wiskunde Volledig tentamen Algemene Statistiek Deeltentamen 2 Algemene Statistiek Vrije Universiteit 18 december 2013 Gebruik van een (niet-grafische) rekenmachine is toegestaan. Geheel tentamen:
Nadere informatieDH19 Bedrijfsstatistiek MC, 2e Bach Hir, Juni 2009
Naam:... Voornaam:... DH19 Bedrijfsstatistiek MC, 2e Bach Hir, Juni 2009 Slechts één van de vier alternatieven is juist. Kruis het bolletje aan vóór het juiste antwoord. Indien je een meerkeuzevraag verkeerd
Nadere informatieStochastiek voor Informatici Sara van de Geer voorjaar 2000
Stochastiek voor Informatici Sara van de Geer voorjaar 2000 1 Inhoud hoofdstuk 1 t/m 3 1. Uniforme verdeling, transformaties, wet van de grote aantallen. 1.1. Discrete uniforme verdeling. 1.2. Realisaties.
Nadere informatieInleidende begrippen over foutentheorie
Hoofdstuk 1 Inleidende begrippen over foutentheorie Doelstellingen 1. leren omgaan met fouten op een meting 2. kennis van statistische basisbegrippen 3. meetgegevens verwerken en interpreteren (in Excell)
Nadere informatieHoofdstuk 12 : Regressie en correlatie. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent.
Hoofdstuk 12 : Regressie en correlatie Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Regressie en correlatie p 1/26 Regressielijn Vraag : vind het
Nadere informatie= P(B) = 2P(C), P(A B) = 1 2 en P(A C) = 2 5. d. 31
Tentamen Statistische methoden 45STAMEY april, 9: : Studienummers: Vult u alstublieft op het MC formulier uw Delftse studienummer in; en op het open vragen formulier graag beide, naar volgend voorbeeld:
Nadere informatieInleiding Statistiek
Inleiding Statistiek Practicum 1 Op dit practicum herhalen we wat Matlab. Vervolgens illustreren we het schatten van een parameter en het toetsen van een hypothese met een klein simulatie experiment. Het
Nadere informatiewerkcollege 6 - D&P9: Estimation Using a Single Sample
cursus 9 mei 2012 werkcollege 6 - D&P9: Estimation Using a Single Sample van frequentie naar dichtheid we bepalen frequenties van meetwaarden plot in histogram delen door totaal aantal meetwaarden > fracties
Nadere informatieZeldzame en extreme gebeurtenissen
24 March 215 Outline 1 Inleiding 2 Extreme gebeurtenissen 3 4 Staarten 5 Het maximum 6 Kwantielen 23 maart 215 Het Financieele Dagblad Vijf grootste rampen (verzekerd kapitaal) 1 Orkaan Katrina (25, MU$
Nadere informatieWenS eerste kans Permutatiecode 0
WenS eerste kans 2012 2013 Aantekeningen op de vragenbladen zijn NIET TOEGELATEN. Je mag gebruik maken van schrijfgerief en een eenvoudige rekenmachine; alle andere materiaal blijft achterin. Leg je studentenkaart
Nadere informatieLes 1: Waarschijnlijkheidrekening
Medische statistiek 1 Les 1: Waarschijnlijkheidrekening I Theorie A Inleidende defenities V: de verzameling van alle mogelijke uitkomsten A,B,... : een gebeurtenis is een verzameling uitkomsten in V Q
Nadere informatieWiskundige Analyse II
Hoofdstuk 1 Wiskundige Analyse II Vraag 1.1 Het volume van een omwentelingslichaam beschreven door een homogeen, projecteerbaar gebied D dat de omwentelingsas niet snijdt, is gelijk aan het product van
Nadere informatieKansrekening en Statistiek. Overzicht Kansrekening
Kansrekening en Statistiek Overzicht Kansrekening 1 / 30 Overzicht: stochasten Discrete stochasten X - distributiefuncties f P(X A) = i A f (x) = i A P(X = i). 2 / 30 Overzicht: stochasten Discrete stochasten
Nadere informatieWiskundige Analyse II
Hoofdstuk Wiskundige Analyse II Vraag. Het volume van een omwentelingslichaam beschreven door een homogeen, projecteerbaar gebied D dat de omwentelingsas niet snijdt, is gelijk aan het product van de baan
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 2 Donderdag 15 September 1 / 42 1 Kansrekening Vandaag: Vragen Eigenschappen van kansen Oneindige discrete uitkomstenruimtes Continue uitkomstenruimtes Continue stochasten
Nadere informatieEen Bernoulli experiment is een experiment met slechts twee mogelijke uitkomsten, die we succes ( S ) en mislukking ( M ) noemen.
Hoofdstuk 6 Kansverdelingen 6.1 Discrete stochasten 6.1.1 De Bernoulli verdeling Een Bernoulli experiment is een experiment met slechts twee mogelijke uitkomsten, die we succes ( S ) en mislukking ( M
Nadere informatie3de bach HI. Econometrie. Volledige samenvatting. uickprinter Koningstraat Antwerpen A 11,00
3de bach HI Econometrie Volledige samenvatting Q www.quickprinter.be uickprinter Koningstraat 13 2000 Antwerpen 170 A 11,00 Practicum 0: Herhaling statistiek Hier vindt u een kort overzicht van enkele
Nadere informatie. Dan geldt P(B) = a. 1 4. d. 3 8
Tentamen Statistische methoden 4052STAMEY juli 203, 9:00 2:00 Studienummers: Vult u alstublieft op het meerkeuzevragenformulier uw Delftse studienummer in (tbv automatische verwerking); en op het open
Nadere informatieHoofdstuk 3 Statistiek: het toetsen
Hoofdstuk 3 Statistiek: het toetsen 3.1 Schatten: Er moet een verbinding worden gelegd tussen de steekproefgrootheden en populatieparameters, willen we op basis van de een iets kunnen zeggen over de ander.
Nadere informatieBayesiaans leren. Les 2: Markov Chain Monte Carlo. Joris Bierkens. augustus Vakantiecursus 1/15
Bayesiaans leren Les 2: Markov Chain Monte Carlo Joris Bierkens Vakantiecursus augustus 2019 1/15 Samenvatting en vooruitblik Veel statistische problemen kunnen we opvatten in een Bayesiaanse context n
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Uitwerking tentamen Kansrekening en Stochastische Processen (2S61) op woensdag 27 april 25, 14. 17. uur. 1. Gegeven zijn twee onafhankelijke
Nadere informatieData analyse Inleiding statistiek
Data analyse Inleiding statistiek 1 Terugblik - Inductieve statistiek Afleiden van eigenschappen van een populatie op basis van een beperkt aantal metingen (steekproef) Kennis gemaakt met kans & kansverdelingen»
Nadere informatieHoofdstuk 9 : Steekproefstatistieken. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent.
Hoofdstuk 9 : Steekproefstatistieke Marix Va Daele MarixVaDaele@UGetbe Vakgroep Toegepaste Wiskude e Iformatica Uiversiteit Get Steekproefstatistieke p 1/20 Schattige Waeer uit ee steekproef de waarde
Nadere informatie