Deze week: Verdelingsfuncties. Statistiek voor Informatica Hoofdstuk 5: Verdelingsfuncties. Bernoulli verdeling. Bernoulli verdeling.
|
|
- Laurens Goossens
- 6 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Deze week: Verdelingsfuncties Statistiek voor Informatica Hoofdstuk 5: Verdelingsfuncties Cursusjaar 29 Peter de Waal Toepassingen Kansmassafuncties / kansdichtheidsfuncties Eigenschappen Departement Informatica Hfdstk 5: 1 / 62 Hfdstk 5: 2 / 62 Bernoulli verdeling Bernoulli verdeling Een stochast X heeft een Bernoulli verdeling met parameter p als de kansmassafunctie f (k p) = P(X = k) van X gelijk is aan p, als k = 1, f (k p) = (1 p), als k =,, anders. We kunnen de kansmassafunctie ook compacter opschrijven als { p k (1 p) 1 k, als k =, 1, f (k p) =, anders. Toepassing Een Bernoulli verdeling komt overeen met de uitslag van een enkelvoudig experiment met kans p op succes (X = 1), en kans 1 p op mislukking (X = ). Voorbeeld Werpen met een zuivere of onzuivere munt (Success == Kop) Enkele eigenschappen E(X) = p, E(X 2 ) = p, Var(X) = p(1 p), MGF: ψ(t) = pe t + (1 p) Vaak wordt 1 p wel als q aangegeven (ook in boek!). Hfdstk 5: Bernoulli verdeling 3 / 62 Hfdstk 5: Bernoulli verdeling 4 / 62
2 Verdelingen: Binomiaal verdeling Binomiaal verdeling: Toepassingen Binomiaal verdeling Een stochast X heeft een binomiaal verdeling met parameters n en p als zijn kansmassafunctie f (k n, p) = P(X = k) gelijk is aan ( ) n p k (1 p) n k, als k =, 1,..., n, f (k n, p) = k, anders. Notatie: X Bin(n, p). Een binomiaal verdeling met parameters n en p komt overeen met het aantal successen in n o.o. deelexperimenten, met ieder deelexperiment kans p op succes en kans 1 p op mislukking. Eigenschappen De som van n o.o. Bernoulli verdeelde stochasten met parameter p is een binomiaal verdeelde stochast met parameters n en p. E(X) = np, Var(X) = np(1 p), MGF: ψ(t) = ( pe t + (1 p) ) n Als de o.o. stochasten X i Bin(n i, p), voor i = 1,..., k, en we definiëren X = X X k, dan geldt X Bin(n n k, p). Hfdstk 5: Binomiaal verdeling 5 / 62 Hfdstk 5: Binomiaal verdeling 6 / 62 Binomiaal verdeling: Kansmassafunctie Voorbeelden van de kansmassafuncties van 3 binomiale verdelingen met parameters n = 1 en p =.1, respectievelijk.3, en.5 zien er als volgt uit: Wat hebben de volgende stochasten gemeen? ".1" ".3" ".5" Het aantal klanten per uur in de SPAR. Het aantal printjobs per uur op de printer laser5. Het aantal zieke bomen in een hectare bos Hfdstk 5: Binomiaal verdeling 7 / 62 Hfdstk 5: Poisson verdeling 8 / 62
3 Poisson verdeling: Eigenschappen Poisson verdeling Een stochast X heeft een Poisson verdeling met verwachting λ > als de kansmassafunctie f (k λ) = P(X = k) gelijk is aan e λ λ k, als k =, 1, 2,..., f (k λ) = k!, anders. Notatie: X Poisson(λ). De verwachting van X is inderdaad λ: E ( X ) = kf (k λ) = λ k= k=1 e λ λ k 1 (k 1)! = λ l= e λ λ l l! = λ Met een soortgelijke truc kunnen we de variantie van X uitrekenen. We schrijven E ( X(X 1) ) = λ 2 en dus is E ( X 2) = λ 2 + λ en Var(X) = E ( X 2) ( E ( X )) 2 = λ Hfdstk 5: Poisson verdeling 9 / 62 Hfdstk 5: Poisson verdeling 1 / 62 Poisson verdeling: Kansmassafunctie Poisson verdeling: MGF en Additieve eigenschap De kansmassafuncties van een Poissonverdeling met verwachting respectievelijk λ =.5, 1 en 5, zien er als volgt uit ".5" "1" "5" MGF Stelling ψ(t) = e λ(e t 1) Als de stochasten X 1,..., X n o.o. zijn en X i is Poisson verdeeld met verwachting λ i, en we definiëren Y = X X n, dan heeft Y een Poisson verdeling met verwachting λ λ n Hfdstk 5: Poisson verdeling 11 / 62 Hfdstk 5: Poisson verdeling 12 / 62
4 Poisson verdeling: Toepassingen Toepassingen De Poisson verdeling is heel geschikt om het binnenkomen van klanten te modelleren. Bekijk de volgende model voor een winkel: Per uur komen er gemiddeld 2 klanten De aantallen klanten in afzonderlijke uren zijn o.o. Het aantal klanten in een uur is Poisson verdeeld Wanneer we willen weten hoe het aantal klanten in een periode van 3 uur verdeeld is, dan volgt uit de additieve eigenschap van de Poisson verdeling: Het aantal klanten in 3 uur heeft een Poisson verdeling met gemiddelde 6. Het modelleren van binnenkomende klanten kent toepassingen als bijvoorbeeld: Het aantal calls per uur in een callcenter Het aantal printjobs per dag voor een printserver Het aantal klanten per kwartier bij de kassa van de Spar. Het aantal gesprekken per uur in een telefooncentrale Het aantal defecte chips op een wafer Het aantal zieke bomen per ha bos Hfdstk 5: Poisson verdeling 13 / 62 Hfdstk 5: Poisson verdeling 14 / 62 Vraag Nauw verwant aan de Poisson verdeling is het Poisson proces. Poisson proces Een Poisson proces met intensiteit λ is een proces van events, waarvoor geldt: Het aantal events in een tijdsinterval met een lengte t heeft een Poisson verdeling met verwachting λ t. De aantallen events in twee disjuncte tijdsintervallen zijn onderling onafhankelijk. Bekijk het volgende model voor een webserver van een verzekeringsmaatschappij: session requests web server page requests Vraag: Vormen de page requests een Poisson proces voor de webserver? Hfdstk 5: Poisson proces 15 / 62 Hfdstk 5: Poisson proces 16 / 62
5 Voorbeeld (Helpdesk callcenter) Vragen komen binnen volgens Poisson proces met gemiddelde 1 per uur, 6% van de vragen betreft hardware, 4% van de vragen betreft software. Men overweegt om de software en hardware helpdesks te splitsen door ze aparte telefoonnummers te geven. Wat voor proces vormen de binnenkomst van vragen bij de afzonderlijke helpdesks? Antwoord Het oorspronkelijke proces is een Poisson proces met intensiteit λ = 1. Neem een tijdsinterval met lengte t > en noem X = het totale aantal hardwarevragen in het interval [, t]. Y = het totale aantal softwarevragen in het interval [, t] Z = het totale aantal helpdeskvragen in het interval [, t] (X, Y, Z) is een stochastische vector, met Z = X + Y heeft een Poisson verdeling heeft met verwachting λt, Als gegeven is dat Z = n, dan is X Bin(n,.6) en Y Bin(n,.4). Hfdstk 5: Poisson proces 17 / 62 Hfdstk 5: Poisson proces 18 / 62 Voorbeeld (vervolg) We gaan berekenen: f Z (z) g X Z (k z) f X (k) De marginale kansmassafunctie f Z van Z is λt (λt)l P(Z = l) = f Z (l) = e l! De conditionele kansmassafunctie voor X, gegeven Z = n is g X Z (k n) = ( ) n k p k (1 p) n k De marginale kansmassafunctie van X kunnen we nu uitrekenen met de rekenregel van Totale Kans uit Hoofdstuk 3: (pλ)t (pλt)k f X (k) = e k! Geometrische verdeling Beschouw een experiment waarbij we een bepaald Bernoulli deelexperiment herhalen totdat we voor de eerste keer een succes kunnen noteren. De kans op succes per deelexperiment is p, ( < p 1). De kans dat voor de eerste keer succes optreedt bij het eerste deelexperiment is p, tweede deelexperiment is (1 p) p, derde deelexperiment is (1 p)(1 p) p,... n-de deelexperiment is (1 p) n 1 p. Noem X het aantal mislukte deelexperimenten voordat we voor de allereerste keer een succes hebben. We zien dus X Poisson(pλt). Hfdstk 5: Poisson proces 19 / 62 Hfdstk 5: Geometrische verdeling 2 / 62
6 Geometrische verdeling: Kansmassafunctie Geometrische verdeling Een stochast X heeft een geometrische verdeling met parameter p als de kansmassa f (k p) = P(X = k) gelijk is aan f (k p) = Notatie X Geom(p). { p(1 p) k, als k =, 1, 2,...,, anders. De geometrische verdeling voor parameter p =.3, resp..5 en.7 ziet er uit als: ".7" ".5" ".3" Hfdstk 5: Geometrische verdeling 21 / 62 Hfdstk 5: Geometrische verdeling 22 / 62 Momenten en MGF Geometrische verdeling: Geheugenloosheid De verwachting van een geometrisch verdeelde stochast X 1 is E ( X 1 ) = 1 p p en de variantie is Var(X 1 ) = 1 p p 2 De MGF: ψ(t) = p 1 qe t Neem X een stochast met een geometrische verdeling met parameter p, voor een zekere p < 1. Vraag: Wat is de kans P(X = n X k)? Antwoord: P(X = n X k) = P(X = n X k) P(X k) Als n < k dan krijgen we dus P(X = n X k) =. Als n k, dan krijgen we P(X = n X k) = P(X = n) P(X k) = p(1 p)n (1 p) k = p(1 p) n k Vraag: Wat is de kans P(X k = n X k)? Hfdstk 5: Geometrische verdeling 23 / 62 Hfdstk 5: Geometrische verdeling 24 / 62
7 Negatief-binomiale verdeling Normale Verdeling Er bestaat ook een uitgebreidere variant van de Geometrische verdeling: Noem X het aantal deelexperimenten uitgevoerd voordat het r-de succes wordt waargenomen, als elk deelexperiment met kans p succes oplevert. X heeft een zogenoemde negatief-binomiale verdeling met parameters r en p. Voor meer info: zie boek! De normale verdeling is wellicht dé belangrijkste verdeling uit de kansrekening, en wel om drie redenen: Natuurlijke verschijnselen. Interessante rekenkundige eigenschappen. Centrale limietstelling. Hfdstk 5: Geometrische verdeling 25 / 62 Hfdstk 5: Normale verdeling Inleiding 26 / 62 Normale verdeling: Kansdichtheidsfunctie Normale verdeling Een stochast X heeft een normale verdeling met verwachting µ ( < µ < ) en variantie σ 2 (σ > ), als X een continue verdeling heeft met kansdichtheidsfunctie f (x µ, σ 2 ) gelijk aan [ f (x µ, σ 2 1 ) = exp 1 ( x µ ) ] 2 2πσ 2 2 σ Notatie X N(µ, σ 2 ). De normale verdeling wordt ook vaak een Gauss verdeling genoemd, met name in de Engelstalige literatuur. De kansdichtheidsfunctie voor een normale verdeling met µ = en σ = 1, resp. 2 en 5 zien er als volgt uit: f (x) is symmetrisch rond x = µ f (x) is maximaal voor x = µ. f (x) heeft een knik bij x = µ ± σ Hfdstk 5: Normale verdeling Definitie 27 / 62 Hfdstk 5: Normale verdeling Definitie 28 / 62
8 Eigenschappen Verwachting Variantie E ( X ) = µ Var(X) = σ 2 MGF ψ(t) = exp (µ t σ2 t 2) Stelling (Lineaire transformatie) Als X N(µ, σ 2 ) en we definiëren Y = ax + b, voor gegeven constanten waarbij a, dan is Als X N(µ, σ 2 ) en we nemen Y = (X µ)/σ, dan is Y N(, 1). Definitie (Standaard normale verdeling) Een stochast X heeft een standaard normale verdeling als X N(, 1). De kansdichtheid wordt vaak aangegeven met φ en de kansverdelingsfunctie met Φ, ofwel φ(t) = 1 2π e 1 2 x2 Φ(t) = P(X t) = t φ(x) dx Y N(aµ + b, a 2 σ 2 ) Hfdstk 5: Normale verdeling Eigenschappen 29 / 62 Hfdstk 5: Normale verdeling Standaard normale verdeling 3 / 62 Standaard normale verdeling: eigenschappen Als X N(, 1) dan geldt: φ(t) is symmetrisch rond t =, dus P(X t) = P(X t), Φ( t) = 1 Φ(t), ofwel Φ(t) + Φ( t) = 1. φ(x) P(X -t) P(X t) -t t x Hfdstk 5: Normale verdeling Standaard normale verdeling 31 / 62 Normale verdelingen: berekeningen Voor de standaard normale verdeling bestaan tabellen van Φ: x Φ(x) x Φ(x) x Φ(x) Stel: we hebben X N(5, 4) en we willen P(1 < X < 8) berekenen. Kies Z = (X 5)/2, dan is Z N(, 1) en we kunnen berekenen: ( 1 5 P(1 < X < 8) = P < X 5 < 8 5 ) = P( 2 < Z < 1.5) = P(Z < 1.5) P(Z < 2) = Φ(1.5) Φ( 2) ( ) = Φ(1.5) 1 Φ(2) =.9332 (1.9773) =.915 Hfdstk 5: Normale verdeling Standaard normale verdeling 32 / 62
9 Normale verdelingen: Eigenschappen Steekproefgemiddelde uit normale verdeling Som van normaal verdeelde stochasten Veronderstel: X 1,..., X k zijn o.o. normaal verdeelde stochasten, met X i N(µ i, σi 2 ), en a 1,..., a k en b zijn constanten met minstens één a i, en we definiëren Y = a 1 X a k X k + b, dan heeft Y ook een normale verdeling en wel met verwachting µ Y = a 1 µ a k µ k + b en variantie σ 2 Y = a2 1 σ a2 k σ2 k. Als X 1,..., X k een steekproef vormen uit een normale verdeling met verwachting µ en variantie σ 2, dan is het steekproefgemiddelde X n = 1 ( ) X X n n ook een stochast die normaal verdeeld is en wel met verwachting µ Xn = µ en variantie σ 2 X n = σ2 n. Hfdstk 5: Normale verdeling Standaard normale verdeling 33 / 62 Hfdstk 5: Normale verdeling Standaard normale verdeling 34 / 62 Steekproefgemiddelde: Voorbeeld In Hoofdstuk 4 zagen we een voorbeeld van een importeur van kazen. Neem aan dat het gewicht van elke kaas normaal verdeeld is met gemiddelde µ = 1 kg en variantie σ 2 =.25 kg 2. Voor een afzonderlijke kaas geldt: ( Xi 1 P(X i < 9.75) = P <.5 ) = Φ(.5) = We nemen een steekproef van 25 kazen: X i, i = 1, 2,..., 25. Voor het steekproefgemiddelde geldt nu: ( X25 1 P(X 25 < 9.75) = P <.1 ) = Φ( 2.5) =.62.1 Stelling (Centrale Limietstelling) Veronderstel X 1,..., X n zijn o.o. stochastische grootheden, die allemaal dezelfde verdeling hebben, met verwachting µ = E ( X i ), en variantie σ 2 = Var(X i ), dan geldt voor elke x R ( lim P n X n µ σ 2 /n x ) = Φ(x). ofwel, bij benadering als n, X n N (µ, σ2 ). n Hfdstk 5: Normale verdeling Standaard normale verdeling 35 / 62 Hfdstk 5: Normale verdeling Centrale Limietstelling 36 / 62
10 Voorbeeld Stochastische variabele X N(, 25): Voorbeeld Stochastische variabele X met gemiddelde µ = en σ = 5:.4 x 25.4 x 25.3 x 1 x.3 x 1 x Hfdstk 5: Normale verdeling Centrale Limietstelling 37 / 62 Hfdstk 5: Normale verdeling Centrale Limietstelling 38 / 62 Opmerkingen De Centrale Limietstelling eist alleen dat alle X i o.o. en identiek verdeeld zijn. We kunnen zeggen dat X n N(µ, σ 2 /n), als n, of dat n X i N(nµ, nσ 2 ) als n. i=1 We kunnen de tabellen voor de standaardnormale verdeling gebruiken om benaderingen voor de kansverdelingsfunctie van X n uit te rekenen. Voor willekeurig x 1 en x 2 (x 1 < x 2 ) geldt bijvoorbeeld dat ( P x 1 < X ) n µ σ/ n x 2 Φ(x 2 ) Φ(x 1 ) als n voldoende groot. Voorbeeld Stel we werpen 1 maal met een zuivere dobbelsteen. We noemen het aantal ogen in de i-de worp X i en X = X X 1. Vraag: Hoe groot is de kans P(X > 36)? Antwoord De verwachting en de variantie van X i zijn µ Xi = E ( X i ) = 3.5 en σ 2 Xi = Var(X i ) = Uit de Centrale Limietstelling volgt bij benadering X N(35, 292) De gevraagde kans is dus bij benadering P(X > 36) =? Hfdstk 5: Normale verdeling Centrale Limietstelling 39 / 62 Hfdstk 5: Normale verdeling Centrale Limietstelling 4 / 62
11 Continuïteitscorrectie Veronderstel we hebben: discreet verdeelde stochast X met kansmassafunctie f (x) we benaderen met een continue verdeelde stochast Y met kansdichtheidsfunctie g(x). g(x) Belangrijk! Punten om in de gaten te houden als je een stochast X met een andere stochast Y wilt benaderen: Zorg voor E(X) = E(Y) en Var(X) = Var(Y) Als X discreet en Y continu, pas dan continuïteitscorrectie toe P(2 X 5) = f (2) + f (3) + f (4) + f (5) g(x) dx 1.5 Hfdstk 5: Normale verdeling Continuïteitscorrectie 41 / 62 Hfdstk 5: Normale verdeling Continuïteitscorrectie 42 / 62 Voorbeeld We gooien 2 keer met een zuivere munt en willen uitrekenen wat de kans is op 1 maal Kop. Antwoord Noem X het aantal keren Kop in die 2 worpen. X Bin(2, 1/2), met (tabel uit boek) P(X = 1) =.1762 Vraag: Benader P(X = 1) door X te benaderen met een normale verdeling. Gamma verdeling Een stochast X heeft een Gamma verdeling met parameters α > en β > als de kansdichtheidsfunctie f (x α, β) van X gelijk is aan f (x α, β) = 1 Γ(α) βα x α 1 e βx als x >, als x. waarbij Γ de Gamma functie is, d.w.z. Γ(α) = x α 1 e x dx. (Notatie X Gamma(α, β)) Hfdstk 5: Normale verdeling Continuïteitscorrectie 43 / 62 Hfdstk 5: Gamma Verdeling 44 / 62
12 Gamma verdeling: Plots kansdichtheid De Gamma functie heeft de volgende eigenschap die erg handig is bij de berekeningen aan de kansdichtheid van de Gamma verdeling: 1.8 alpha = 1., beta = 1. alpha = 2., beta = 1. alpha = 5., beta = alpha 2., beta =.5 alpha = 2., beta = 1. alpha = 2., beta = 1.5 alpha = 2., beta = Voor elke α > 1 geldt Γ(α) = (α 1)Γ(α 1) In het bijzonder Γ(1) = 1 en daarom is voor elke integer n 2: Γ(n) = (n 1)! Parameters De parameters hebben een naam die aanduidt welke rol ze spelen voor de kansdichtheidsfunctie: β : schaalparameter (Eng. scale parameter) 1/α : vormparameter (Eng. shape parameter) Hfdstk 5: Gamma Verdeling 45 / 62 Hfdstk 5: Gamma Verdeling 46 / 62 Gamma verdeling: Eigenschappen Verwachting: E ( X ) = α β Variantie: Exponentiële Verdeling (α = 1) Een stochast X heeft een exponentiële verdeling (Eng. exponential) met parameter β, als de kansdichtheidsfunctie f (x β) gelijk is aan β e βx als x >, f (x β) = als x. Var(X) = α β 2 MGF: ψ(t) = ( β ) α β t Additieve eigenschap Als de stochasten X 1,..., X k o.o. zijn en X i Gamma(α i, β), dan geldt voor de som X X k Gamma(α α k, β). Uit de eerdere afleidingen voor de Gamma verdeling volgt nu: E ( X ) = 1 β Var(X) = 1 β 2 ψ(t) = β β t Hfdstk 5: Gamma Verdeling Eigenschappen 47 / 62 Hfdstk 5: Gamma Verdeling Exponentiële verdelingen 48 / 62
13 Exponentiële verdeling: Geheugenloosheid Exponentiële verdeling: Toepassingen Stel we hebben een stochast X die exponentieel verdeeld is met parameter λ, dus P(X x) = ofwel P(X > x) = x x λe λt dt (x ). [ λe λt dt = e λt] t= = e λx t=x De exponentiële verdeling wordt veel gebruikt om de tijd te modelleren totdat een bepaalde gebeurtenis optreedt, bijvoorbeeld de tijd totdat een component defect raakt, de tijd nodig om een klant te helpen, de tijd tussen de aankomsten van twee opeenvolgende klanten. Er geldt P(X > x X > z) = e λ(x z), en dus ook P(X z > x X > z) = e λx! Hfdstk 5: Gamma Verdeling Exponentiële verdelingen 49 / 62 Hfdstk 5: Gamma Verdeling Exponentiële verdelingen 5 / 62 Verband Poisson proces en Exponentiële verdeling Combineren van Poisson processen In een Poisson proces met intensiteit λ zijn de tussenaankomsttijden exponentiëel verdeeld met parameter λ. Bewijs (schets) Neem een tijdsduur t >. Definieer X de tijd tot de eerste aankomst startend vanaf, en Y het aantal aankomsten in de periode [, t]. De volgende twee gebeurtenissen zijn equivalent: {X t} {Y 1} Y heeft een Poisson verdeling met parameter λ t, dus Eigenschap Veronderstel De stochasten X 1,..., X k zijn o.o. en X i heeft een exponentiële verdeling met parameter λ i, Definieer Y = min{x 1,..., X k }, Dan heeft Y een exponentiële verdeling met parameter λ = λ λ k. P(X t) = P(Y 1) = 1 P(Y = ) = 1 e λt Hfdstk 5: Gamma Verdeling Exponentiële verdelingen 51 / 62 Hfdstk 5: Gamma Verdeling Exponentiële verdelingen 52 / 62
14 Combineren van Poisson processen: Voorbeeld Een helpdesk callcenter handelt de gesprekken af voor 3 bedrijven. 1 Computerfabrikant, Poisson proces, intensiteit λ 1 =.1, 2 Printerfabrikant, Poisson proces, intensiteit λ 2 =.5, 3 Internetprovider, Poisson proces, intensiteit λ 3 =.7. Beschouw het moment onmiddellijk nadat een (willekeurig) gesprek is binnengekomen. De tijd tot de eerstvolgende gesprek van type 1 is exponentieel verdeeld met parameter λ 1, type 2 is exponentieel verdeeld met parameter λ 2, type 3 is exponentieel verdeeld met parameter λ 3, De tijd tot het eerstkomende gesprek (van willekeurige type) heeft exponentiële verdeling met parameter λ 1 + λ 2 + λ 3 = 1.3. Volgens deze berekening kunnen we dus de som van een aantal Poisson processen vervangen door één Poisson proces met een intensiteit gelijk aan de som van de afzonderlijke intensiteiten: is equivalent met λ 1 λ 2 λ 3 λ 1 +λ 2 +λ 3 callcenter callcenter Hfdstk 5: Gamma Verdeling Exponentiële verdelingen 53 / 62 Hfdstk 5: Gamma Verdeling Exponentiële verdelingen 54 / 62 Beta verdeling: Voorbeelden kansdichtheidsfuncties Beta verdeling Een stochast X heeft een Beta verdeling met parameters α en β als de kansdichtheidsfunctie f (x α, β) gelijk is aan f (x α, β) = (Notatie: X Beta(α, β)) Γ(α + β) Γ(α)Γ(β) xα 1 (1 x) β 1, < x < 1,, anders. 1 Beta(.5,.5) Beta(1,1) Beta(2,.5) Beta(2,1) Beta(.5,2) Beta(2,2) 1 1 Hfdstk 5: Beta Verdeling 55 / 62 Hfdstk 5: Beta Verdeling 56 / 62
15 Momenten van de Beta verdeling Beta verdeling: Toepassing Met de speciale vorm van de kansdichtheidsfunctie van de Beta verdeling kunnen we de momenten rechtstreeks uitrekenen: = E ( X k) = 1 x k f (x α, β) dx = Γ(α + β) Γ(α)Γ(β) 1 x k x α 1 (1 x) β 1 dx Γ(α + β) Γ(α + k)γ(β) Γ(α)Γ(β) Γ(α + k + β) = α(α + 1) (α + k 1) (α + β)(α + β + 1) (α + β + k 1) Voor de verwachting en de variantie levert dit? Voorbeeld (Medicijnentest) Onbekende kans P op succes bij behandeling met Imipramine. Veronderstel: P Beta(α, β), met α = 1 en β = 1. Medicijn wordt o.o. uitgeprobeerd op 1 patiënten. Definieer: Stochast X i = 1, i = 1,..., 1, als het Imipramine succes oplevert, en X i = anders. X = X X 1. Vraag: Wat is de kansverdeling van P als we weten dat er onder die 1 patiënten bij 45 patiënten een succesvol effect van behandeling met Imipramine waarnamen? Ofwel wat is g P X (p 45)? Hfdstk 5: Beta Verdeling 57 / 62 Hfdstk 5: Beta Verdeling 58 / 62 Volgorde berekeningen: f P (p) g X P (45 p) f X (45) g P X (p 45) f P (p) = Γ(α + β) Γ(α)Γ(β) pα 1 (1 p) β 1, voor < p < 1. ( ) 1 g X P (k p) = p k (1 p) 1 k, k =,..., 1. k f X (45) = = = 1 ( g X P (45 p) f P (p) dp ( ) 1 p Γ(α + β) (1 p) 45 Γ(α)Γ(β) pα 1 (1 p) β 1 dp ) Γ(α + β) Γ(α)Γ(β) Γ(α + 45)Γ(β + 55) Γ(α + β + 1) Met behulp van Bayes volgt dan: g P X (p 45) = f X,P(45, p) f X (45) = = = g X P(45, p)f P (p) f X (45) ( 1 ) 45 p 45 (1 p) 55 Γ(α+β) Γ(α)Γ(β) pα 1 (1 p) β 1 f X (45) Γ(α + β + 1) Γ(α + 45)Γ(β + 55) pα+45 1 (1 p) β+55 1, < p < 1. We waren gestart met α = β = 1. Ofwel, gegeven de uitkomst X = 45 de a posteriori verdeling voor P een Beta(46, 56)-verdeling Hfdstk 5: Beta Verdeling 59 / 62 Hfdstk 5: Beta Verdeling 6 / 62
16 Conclusies van medicijnenonderzoek Na bestudering van Hoofdstuk 5 moet je: Kansverdeling voor onbekende P: A priori: Beta(1,1) x 1 A posteriori: Beta(46,56) x 1 Uit een beschrijving kunnen distilleren welke verdeling het experiment het beste beschrijft. Gebruik: Discreet/Continu? Range voor uitkomst? Verdelingstype herkennen uit kansmassa/kansdichtheid-functie. Weten welke kansmassa/kansdichtheid-functie bij een verdeling hoort. Weten hoe je kansen uit kunt rekenen of opzoeken. Centrale limietstelling kunnen gebruiken om kansen te benaderen. Hfdstk 5: Beta Verdeling 61 / 62 Hfdstk 5: Beta Verdeling 62 / 62
Deze 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 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 informatieDeze 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 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 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 informatieVoorbeeld 1. Statistiek voor Informatica Hoofdstuk 3: Stochastische Variabelen en Verdelingen. Voorbeeld 2A. Voorbeeld 1 (vervolg)
Voorbeeld Statistiek voor Informatica Hoofdstuk 3: Stochastische Variabelen en Verdelingen Cursusjaar 2009 Peter de Waal Departement Informatica In een eperiment gooien we 4 maal met een zuivere munt.
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 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 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 Kansrekening en Statistiek (2WS04), dinsdag 17 juni 2008, van uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Kansrekening en Statistiek (2WS4, dinsdag 17 juni 28, van 9. 12. uur. Dit is een tentamen met gesloten boek. De uitwerkingen
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 informatieStatistiek voor Natuurkunde Opgavenserie 1: Kansrekening
Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening Inleveren: 12 januari 2011, VOOR het college Afspraken Serie 1 mag gemaakt en ingeleverd worden in tweetallen. Schrijf duidelijk je naam, e-mail
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 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 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 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 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 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 (2WS2), Vrijdag 24 januari 24, om 9:-2:. Dit is een tentamen met gesloten boek. De uitwerkingen van de opgaven
Nadere informatieStatistiek voor A.I. College 6. Donderdag 27 September
Statistiek voor A.I. College 6 Donderdag 27 September 1 / 1 2 Deductieve statistiek Kansrekening 2 / 1 Vraag: Afghanistan In het leger wordt uit een groep van 6 vrouwelijke en 14 mannelijke soldaten een
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 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 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 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 informatieKansrekening en Statistiek
Kansrekening en Statistiek College 7 Dinsdag 11 Oktober 1 / 33 2 Statistiek Vandaag: Populatie en steekproef Maten Standaardscores Normale verdeling Stochast en populatie Experimenten herhalen 2 / 33 3
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 informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
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 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 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 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 informatieHoofdstuk 6 Discrete distributies
Hoofdstuk 6 Discrete distributies Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Discrete distributies p 1/33 Discrete distributies binomiale verdeling
Nadere informatieb. de aantallen aankomsten in disjuncte tijdsintervallen zijn onafhankelijk van elkaar
APPENDIX: HET POISSON PROCES Een stochastisch proces dat onlosmakelijk verbonden is met de Poisson verdeling is het Poisson proces. Dit is een telproces dat het aantal optredens van een bepaalde gebeurtenis
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 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 informatieGezamenlijke kansverdeling van twee stochasten
Gezamenlijke kansverdeling van twee stochasten Voorbeeld: V = de windsnelheid H = hoogte van het waterniveau in een rivier/zee De combinatie (V, H) is van belang voor een overstroming en niet zozeer V
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 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 informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i).
MARKOV PROCESSEN Continue-tijd Markov ketens (CTMCs) In de voorafgaande colleges hebben we uitgebreid gekeken naar discrete-tijd Markov ketens (DTMCs). Definitie van discrete-tijd Markov keten: Een stochastisch
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 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 informatieOverzicht. Statistiek voor Informatica Hoofdstuk 2: Voorwaardelijke kansen. Voorwaardelijke kans. Voorbeeld: Probabilistisch redeneren
Overzicht Statistiek voor Informatica Hoofdstuk 2: Voorwaardelijke kansen Cursusjaar 2009 Peter de Waal Departement Informatica Voorwaardelijke kans Rekenregels Onafhankelijkheid Voorwaardelijke Onafhankelijkheid
Nadere informatieOpgaves Hoofdstuk 3: Toevalsveranderlijken en Distributiefuncties
Opgaves Hoofdstuk 3: Toevalsveranderlijken en Distributiefuncties Discrete Distributiefuncties 3. Er zijn 3 studenten aan het begin van de dag aanwezig bij een symposium. De kans dat een student volhoudt
Nadere informatieModel: Er is één bediende en de capaciteit van de wachtrij is onbegrensd. 1/19. 1 ) = σ 2 + τ 2 = s 2.
Het M/G/1 model In veel toepassingen is de aanname van exponentiële bedieningstijden niet realistisch (denk bijv. aan produktietijden). Daarom zullen we nu naar het model kijken met willekeurig verdeelde
Nadere informatieFormules uit de cursus Waarschijnlijkheidsrekenen en statistiek
UNIVERSITY OF GHENT Samenvatting Formules uit de cursus Waarschijnlijkheidsrekenen en statistiek Auteur: Nicolas Vanden Bossche Lesgever: Prof. Hans De Meyer Hoofdstuk 1 Het kansbegrip en elementaire kansrekening
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 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 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 1/39 Een stochastisch proces (stochastic proces) X (t) bestaat
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 informatieVrije Universiteit Amsterdam Opleiding Wiskunde Vak Poisson Processen. Poisson Processen. Arno Weber.
Vrije Universiteit Amsterdam Opleiding Wiskunde Vak Poisson Processen Poisson Processen Arno Weber email: aeweber@cs.vu.nl Januari 2003 1 Inhoudsopgave 1. Computersimulaties 3 2. Wachttijd-paradox 6 3.
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 informatieUitwerkingenOefenQuiz Kansrekening 2009
Universiteit Utrecht *Universiteit-Utrecht Boedapestlaan 6 Mathematisch Instituut 3584 CD Utrecht UitwerkingOefQuiz Kansreking 29 1. James Bond zoekt e brief in één van de drie ladkast in het voormalige
Nadere informatieQ is het deel van de overgangsmatrix dat correspondeert met overgangen
COHORTE MODELLEN Stel we hebben een groep personen, waarvan het gedrag van ieder persoon afzonderlijk beschreven wordt door een Markov keten met toestandsruimte S = {0, 1, 2,..., N} en overgangsmatrix
Nadere informatieStatistiek voor A.I. College 9. Donderdag 11 Oktober
Statistiek voor A.I. College 9 Donderdag 11 Oktober 1 / 48 2 Deductieve statistiek Bayesiaanse statistiek 2 / 48 Reistijd naar college (minuten). Jullie - onderzoek Tim Histogram of CI Frequency 0 1 2
Nadere informatieToetsende Statistiek, Week 2. Van Steekproef naar Populatie: De Steekproevenverdeling
Toetsende Statistiek, Week 2. Van Steekproef naar Populatie: De Steekproevenverdeling Moore, McCabe & Craig: 3.3 Toward Statistical Inference From Probability to Inference 5.1 Sampling Distributions for
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 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 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 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 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 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 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 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 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 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 informatieVoorbeeld 1: kansverdeling discrete stochast discrete kansverdeling
12.0 Voorkennis Voorbeeld 1: Yvette pakt vier knikkers uit een vaas waar er 20 inzitten. 9 van de knikkers zijn rood en 11 van de knikkers zijn blauw. X = het aantal rode knikkers dat Yvette pakt. Er zijn
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Eindtentamen Kansrekening en Statistiek (WS), Tussentoets Kansrekening en Statistiek (WS), Vrijdag 8 april, om 9:-:. Dit is een tentamen
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 informatieTentamen Kansrekening en Statistiek (2WS04), woensdag 30 juni 2010, van 9.00 12.00 uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Kansrekening en Statistiek (WS4), woensdag 3 juni, van 9.. uur. Dit is een tentamen met gesloten boek. De uitwerkingen van de
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 informatieVragen die je wilt beantwoorden zijn:
Net als bij een discrete-tijd Markov keten is men bij de bestudering van een continue-tijd Markov keten zowel geïnteresseerd in het korte-termijn gedrag als in het lange-termijn gedrag. Vragen die je wilt
Nadere informatieDe Wachttijd-paradox
De Wachttijd-paradox Korteweg-de Vries Instituut voor Wiskunde Universiteit van Amsterdam Mastercourse 15 november 25 Peter Spreij spreij@science.uva.nl 1 Het probleem In deze mastercourse behandelen
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 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 informatieToegepaste Wiskunde 2: Het Kalman-filter
Toegepaste Wiskunde 2: Het Kalman-filter 25 februari, 2008 Hans Maassen 1. Inleiding Het Kalman filter schat de toestand van een systeem op basis van een reeks, door ruis verstoorde waarnemingen. Een meer
Nadere informatieTentamen Mathematische Statistiek (2WS05), dinsdag 3 november 2009, van uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Mathematische Statistiek (2WS05), dinsdag 3 november 2009, van 4.00 7.00 uur. Dit is een tentamen met gesloten boek. De uitwerkingen
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 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 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 informatie36, P (5) = 4 36, P (12) = 1
Les 2 Kansverdelingen We hebben in het begin gesteld dat we de kans voor een zekere gunstige uitkomst berekenen als het aantal gunstige uitkomsten gedeelt door het totale aantal mogelijke uitkomsten. Maar
Nadere informatieTentamen Mathematische Statistiek (2WS05), vrijdag 29 oktober 2010, van 14.00 17.00 uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Mathematische Statistiek (WS05), vrijdag 9 oktober 010, van 14.00 17.00 uur. Dit is een tentamen met gesloten boek. De uitwerkingen
Nadere informatie5.0 Voorkennis. Voorbeeld 1: In een vaas zitten 10 rode, 5 witte en 6 blauwe knikkers. Er worden 9 knikkers uit de vaas gepakt.
5.0 Voorkennis Voorbeeld 1: In een vaas zitten 10 rode, 5 witte en 6 blauwe knikkers. Er worden 9 knikkers uit de vaas gepakt. a) Bereken de kans op minstens 7 rode knikkers: P(minstens 7 rood) = P(7 rood)
Nadere informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieData analyse Inleiding statistiek
Data analyse Inleiding statistiek 1 Doel Beheersen van elementaire statistische technieken Toepassen van deze technieken op aardwetenschappelijke data 2 1 Leerstof Boek: : Introductory Statistics, door
Nadere informatieuitwerkingen OefenTentamen kansrekening 2007
Universiteit Utrecht *Universiteit-Utrecht Boedaestlaan Mathematisch Instituut 3584 CD Utrecht uitweringen OefenTentamen ansreening 2007 Uitwering van Ogave Ogave Veronderstel dat α de ans is dat van een
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 informatiewerkcollege 5 - P&D7: Population distributions - P&D8: Sampling variability and Sampling distributions
cursus 4 mei 2012 werkcollege 5 - P&D7: Population distributions - P&D8: Sampling variability and Sampling distributions Huiswerk P&D, opgaven Chapter 6: 9, 19, 25, 33 P&D, opgaven Appendix A: 1, 9 doen
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 informatieStatistiek voor A.I. College 4. Donderdag 20 September 2012
Statistiek voor A.I. College 4 Donderdag 20 September 2012 1 / 30 2 Deductieve statistiek Kansrekening 2 / 30 Cycle 3 / 30 Context 4 / 30 2 Deductieve statistiek Vandaag: Eigenschappen kansen Oneindige
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 informatieKansrekening en Statistiek
Kansrekening en Statistiek College 3 Dinsdag 21 September 1 / 21 1 Kansrekening Indeling: Uniforme verdelingen Cumulatieve distributiefuncties 2 / 21 Vragen: lengte Een lineaal wordt op een willekeurig
Nadere informatieTentamen Inleiding Kansrekening 12 augustus 2010, 10.00 13.00 uur Docent: F. den Hollander
Universiteit Leiden Niels Bohrweg Mathematisch Instituut 333 CA Leiden Tentamen Inleiding Kansrekening augustus,. 3. uur Docent: F. den Hollander Bij dit tentamen is het gebruik van een (grafische) rekenmachine
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
HET POISSON PROCES In veel praktische toepassingen kan het aaankomstproces van personen, orders,..., gemodelleerd worden door een zogenaamd Poisson proces. Definitie van een Poisson proces: Een Poisson
Nadere informatie13.1 Kansberekeningen [1]
13.1 Kansberekeningen [1] Herhaling kansberekeningen: Somregel: Als de gebeurtenissen G 1 en G 2 geen gemeenschappelijke uitkomsten hebben geldt: P(G 1 of G 2 ) = P(G 1 ) + P(G 2 ) B.v. P(3 of 4 gooien
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 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 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 informatieWe zullen de volgende modellen bekijken: Het M/M/ model 1/14
De analyse en resultaten van de voorgaande twee modellen (het M/M/1/K model en het M/M/1 model) kunnen uitgebreid worden naar modellen met meerdere bediendes. We zullen de volgende modellen bekijken: Het
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
VERNIEUWINGSPROCESSEN In hoofdstuk 3 hebben we gezien wat een Poisson proces is. Definitie van een Poisson proces: Een Poisson proces met intensiteit λ (notatie P P (λ)) is een stochastisch proces {N(t),
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 informatie