Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT
|
|
- Barbro Pettersson
- för 5 år sedan
- Visningar:
Transkript
1 Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Jointly distributed Joint probability function Marginal probability function Conditional probability function Independence Scatter plot Covariance Correlation Simultant fördelad Simultan sannolikhetsfunktion Marginell sannolikhetsfunktion Betingad sannolikhetsfunktion Oberoende Spridningsdiagram Kovarians Korrelation 1
2 Simultant fördelade stokastiska variabler Ibland vill vi samtidigt studera flera olika stokastiska variabler, vilkas värde bestäms i ett och samma slumpförsök. Ofta är vi intresserade av hur variablerna eventuellt samvarierar. Ex.: a) Välj slumpmässigt en man från en population av män. X = den valde mannens vikt Y = den valde mannens längd b) Gör två kast med en tärning. X = antal prickar i första kastet Y = antal prickar i andra kastet c) Välj slumpmässigt en familj från en population av familjer. X = antal pojkar i den valda familjen Y = antal flickor i den valda familjen Vi säger att X och Y är simultant fördelade. 2
3 Generalisering: n simultant fördelade stokastiska variabler X 1, X 2,, X n. Ex.: Slumpförsök = 10 kast med en tärning. X 1 = antal prickar i första kastet X 2 = antal prickar i andra kastet M X 10 = antal prickar i tionde kastet Låt X och Y vara två diskreta stokastiska variabler, som uppträder tillsammans. De har då en simultan sannolikhetsfunktion: P(x, y) = P(X=x och Y=y) = P(X=x Y=y) Den simultana slh-funktionen ger alltså slh för att få olika kombinationer av värden på X och Y. Vi säger att den ger oss den simultana sannolikhetsfördelningen för X och Y. 3
4 Ex.: En familj väljs slumpmässigt från en population av familjer. X = antalet pojkar; Y = antalet flickor. Antag att den simultana slh-funktionen är följande: Flickor Pojkar y = Summa x = 0 0,38 0,16 0,04 0,01 0,01 0,60 1 0,17 0,08 0, ,27 2 0,05 0,02 0, ,08 3 0,02 0, ,03 4 0, ,02 Summa 0,64 0,27 0,07 0,01 0,01 1,00 P(En pojke, två flickor) = P(1, 2) = 0,02 P(Inga barn) = P(0, 0) = 0,38 Tabellen visar den simultana fördelningen för X och Y. Summan av alla sannolikheterna är = 1. Marginalerna visar marginalfördelningen för X resp. Y. Den marginella slh-funktionen för X är P(x) = P(X = x) = P( x, Alla y y) Analogt definieras den marg. slh-funktionen för Y. 4
5 Vi kan också se på betingade sannolikheter. Definitionen är densamma som tidigare, när vi dfinierade betingade sannolikheter för händelser. P ( x y) = P( X = x Y = y) = P( X = x Y = P( Y = y) y) = P( x, y) P( y) I exemplet ovan får vi följande betingade sannolikheter för X, givet Y. OBS alla kolumnsummor blir nu = 1. y= Marg. x=0 0,59 0,59 0,57 1,00 1,00 0,60 1 0,27 0,30 0, ,27 2 0,08 0,07 0, ,08 3 0,03 0, ,03 4 0, ,02 Summa 1,00 1,00 1,00 1,00 1,00 1,00 5
6 Oberoende stokastiska variabler Finns det, eller finns det inte, någon form av samvariation mellan X och Y? Två stokastiska variabler, X och Y, sägs vara oberoende om (och endast om) P(x, y) = P(x) P(y) för alla par av värden på x och y. Tänk på definitionen av oberoende mellan två händelser A och B: P(A B) = P(A) P(B). Att de stokastiska variablerna X och Y är oberoende är detsamma som att händelserna X=x och Y=y är oberoende händelser för alla kombinationer av värden på x och y. I praktiken: När man vet (t.ex. från tidigare erfarenhet) att två slumpmässiga numeriska storheter inte är relaterade till varandra på något sätt, så brukar man i modellen anta att det är fråga om två oberoende stokastiska variabler. 6
7 Ex.: Två kast med en tärning. Låt X = antalet prickar i första kastet Y = antalet i andra kastet. Om kasten sker korrekt, så kan resultatet i andra kastet inte påverkas av resultatet i första kastet. Alltså rimligt att anta att X och Y här är oberoende stokastiska variabler. T.ex. P(X=6 Y=6) = P(X=6) P(Y=6) = = 1 36 Ex.: Är X och Y oberoende i exemplet med antal pojkar och flickor ovan? Nej, ty villkoret i definitionen är inte uppfyllt för alla värden på x och y. Vi ser t.ex. att Medan P(X=1, Y=1) = 0,08 P(X=1) P(Y=1) = 0,27 0,27 = 0,0729 0,08 Det räcker för att konstatera att X och Y inte är oberoende. 7
8 Ex.: X och Y är två stokastiska variabler, som antas oberoende av varandra. X antar värdena 1 och 2 med sannolikheterna 0,4 och 0,6. Y antar värdena 1, 2, 3 med sannolikheterna 0,2, 0,5, 0,3. Den simultana sannolikhetsfördelningen, vid oberoende, får vi genom att multiplicera marginalsannolikheterna: y=1 2 3 Summa x=1 0,08 0,20 0,12 0,4 2 0,12 0,30 0,18 0,6 Summa 0,2 0,5 0,3 1,0 (T.ex. 0,08 = 0,4 0,2 och 0,20 = 0,4 0,5) Definitionen av oberoende stokastiska variabler kan generaliseras till fallet med fler än två variabler: X 1, X 2,, X n är oberoende stokastiska variabler om och endast om P(x 1, x 2,, x n ) = P(x 1 ) P(x 2 ) P(x n ) för alla värden på x 1, x 2,, x n. 8
9 Kovarians och korrelation för observerade data, repetition (se NCT 2.5 och 3.4) Data: Observationer på två variabler, x och y. Obs. nr. x y 1 x 1 y 1 2 x 2 y 2 M M M n x n y n Kan åskådliggöras i spridningsdiagram: Spridningsdiagram y x
10 Definition av kovarians för två observerade variabler: s xy = 1 n 1 n i= 1 ( x i x)( y i y) Kovariansen positiv: positivt linjärt samband. Kovariansen negativ: negativt linjärt samband. Korrelationskoefficienten för två observerade variabler är en sorts standardiserad kovarians: r = xy s s x xy s y där s x och s y är standardavvikelsen för x resp. y. Korrelationskoefficienten kan också skrivas: r xy = n ( x x)( y i i i= 1 n n 2 ( xi x) i= 1 i= 1 y) ( y i y) 2 10
11 Korrelationskoefficienten är ett standardiserat mått på graden av linjär samvariation hos data. r xy och s xy har alltid samma tecken. -1 r xy +1 r xy = 1: perfekt negativ linjär samvariation r xy = 0 : ingen linjär samvariation (men det kan finnas icke-linjär samvariation) r xy = +1: perfekt positiv linjär samvariation Se exempel på sid i NCT. 11
12 Kovarians och korrelation för stokastiska variabler Vi ska nu definiera kovarians och korrelation för två stokastiska variabler. Med kovariansen för de stokastiska variablerna X och Y menas Cov(X, Y) = σ XY = E[(X µ X )(Y µ Y )] = x µ )( y Alla x Alla y ( µ ) P( x, X Y y) Beräkningsformel: Cov(X, Y) = E(XY) - µ X µ Y = xyp x, y) Alla x Alla y ( µ µ X Y 12
13 Med korrelationskoefficienten för X och Y menas Cov( X, Y ) σ XY ρ = ρ XY = Corr( X, Y ) = = Var( X ) Var( Y ) σ σ Både Cov(X, Y) och Corr(X, Y) mäter hur mycket linjär samvariation det finns mellan X och Y. Kovariansens värde är lite svårtolkat. Det enda vi kan säga är att positiv kovarians betyder positiv samvariation, och negativ kovarians betyder negativ samvariation. Korrelationen är en standardiserad kovarians, som kan anta värden från 1 till +1. Därigenom lättare att tolka värdet. Följande gäller: Kovariansen och korrelationskoefficienten har alltid samma tecken. Båda mäter graden av linjär samvariation mellan X och Y. Det är alltid så att 1 ρ +1. När ρ = +1, finns det ett perfekt positivt linjärt samband mellan X och Y. När ρ = 1, är det ett perfekt negativt linjärt samband. X Y 13
14 När ρ = 0, finns inget linjärt samband mellan X och Y. Då är X och Y okorrelerade. Om X och Y är oberoende, så är de också okorrelerade. Men omvändningen gäller inte. X och Y kan vara okorrelerade men ändå beroende. Det kan nämligen finnas ett ickelinjärt samband mellan X och Y. Korrelationskoefficienten ρ kan ses som en sorts teoretisk motsvarighet till den empiriska korrelationskoefficienten, r, som definierades nyss. Ex.: Antag att den simultana fördelningen för X och Y är följande: y=0 1 2 P(x) x=1 0,08 0,12 0,30 0,50 2 0,12 0,18 0,20 0,50 P(y) 0,20 0,30 0,50 1,00 Beräkna korrelationen mellan X och Y. (Svar: ρ = -0,18) 14
15 Väntevärde och varians för summor mm. X och Y är två stokastiska variabler. Säg att vi är intresserade av summan, X + Y, eller av differensen, X Y. Då gäller följande. E(X + Y) = E(X) + E(Y) E(X Y) = E(X) E(Y) Var(X + Y) = Var(X) + Var(Y) + 2Cov(X, Y) Var(X Y) = Var(X) + Var(Y) 2Cov(X, Y) Specialfall: X och Y okorrelerade. Då är Var(X + Y) = Var(X) + Var(Y) Var(X Y) = Var(X) + Var(Y) OBS X och Y oberoende X och Y okorrelerade. 15
16 Ett mer generellt resultat än vad NCT ger är följande: För n stokastiska variabler X 1, X 2,, X n och konstanter a 0, a 1, a 2,, a n gäller att: E(a 0 +a 1 X 1 + a 2 X a n X n ) = = a 0 +a 1 E(X 1 ) + a 2 E(X 2 ) a n E(X n ) Om de stokastiska variablerna är parvis okorrelerade gäller dessutom att: Var(a 0 + a 1 X 1 + a 2 X a n X n ) = n n = a Var( X ) + a Var( X ) + K + a Var( X ) OBS X 1,, X n oberoende parvis okorrelerade. Ex.: Gör tre kast med en symmetrisk tärning. Beräkna summan av antalet prickar. Vad är väntevärde och varians för summan? För medelvärdet? Ex.: Gör ett kast med en symmetrisk tärning och multiplicera utfallet med tio. Vad är väntevärde och varians? Vad blir det om man i stället adderar tio? 16
Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merF5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)
Stat. teori gk, ht 006, JW F5 STOKASTISKA VARIABLER (NCT 5.1-5.3, samt del av 5.4) Ordlista till NCT Random variable Discrete Continuous Probability distribution Probability distribution function Cumulative
Läs merSF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.
SF1901: Sannolikhetslära och statistik Föreläsning 5. Flera stokastiska variabler. Jan Grandell & Timo Koski 31.01.2012 Jan Grandell & Timo Koski () Matematisk statistik 31.01.2012 1 / 30 Flerdimensionella
Läs merFinansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
Läs merFinansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2
Finansiell Statistik (GN, 7,5 hp, HT 008) Föreläsning Diskreta sannolikhetsfördelningar (LLL kap. 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 6. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, De stora talens lag Jan Grandell & Timo Koski 04.02.2016 Jan Grandell & Timo
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 5. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, normalfördelning (del 1) Jan Grandell & Timo Koski 15.09.2008 Jan Grandell &
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merF6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.
Stat. teori gk, ht 2006, JW F6 STOKASTISKA VARIABLER (NCT 5.4-5.6) Binomialfördelningen Används som modell i situation av följande slag: Ett slumpförsök upprepas n gånger (oberoende upprepningar). Varje
Läs merExempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor
Kontinuerliga stokastiska variabler Exempel En stokastisk variabel är kontinuerlig om den kan anta vilka värden som helst i ett intervall, men sannolikheten för varje enskilt utfall är noll: P(X = x) =.
Läs merStatistiska metoder för säkerhetsanalys
F6: Betingade fördelningar Exempel: Tillförlitlighet Styrkan hos en lina (wire) kan modelleras enligt en stokastisk variabel Y. En tänkbar modell för styrkan är Weibullfördelning. Den last som linan utsätts
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merStokastiska signaler. Mediesignaler
Stokastiska signaler Mediesignaler Stokastiska variabler En slumpvariabel är en funktion eller en regel som tilldelar ett nummer till varje resultatet av ett experiment Symbol som representerar resultatet
Läs merSannolikhet och statistik XI
April 219 Betingade väntevärden. Vi ska säga att E[Y X = x] är väntevärdet av den sv som samma förd som Y givet X = x. Definition: Y diskret: E[Y X = x] = y k V Y y k p Y X (y k x), Y kont: E[Y X = x]
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merMatematisk statistik 9hp Föreläsning 7: Normalfördelning
Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning
Läs merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag Jörgen Säve-Söderbergh Väntevärde för en funktion av en stokastisk variabel Om
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs merFöreläsning 5, FMSF45 Summor och väntevärden
Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)
Läs merMatematisk statistik 9 hp Föreläsning 6: Linjärkombinationer
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer Anna Lindgren 27+28 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F6: linjärkombinationer 1/21 sum/max/min V.v./var Summa av
Läs merF3 SANNOLIKHETSLÄRA (NCT ) För komplementhändelsen A till händelsen A gäller att
Stat. teori gk, ht 2006, JW F3 SANNOLIKHETSLÄRA (NCT 4.3-4.4) Ordlista till NCT Complement rule Addition rule Conditional probability Multiplication rule Independent Komplementsatsen Additionssatsen Betingad
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
Läs merKapitel 5 Multivariata sannolikhetsfördelningar
Sannolikhetslära och inferens II Kapitel 5 Multivariata sannolikhetsfördelningar 1 Multivariata sannolikhetsfördelningar En slumpvariabel som, när slumpförsöket utförs, antar exakt ett värde sägs vara
Läs merF7 forts. Kap 6. Statistikens grunder, 15p dagtid. Stokastiska variabler. Stokastiska variabler. Lite repetition + lite utveckling av HT 2012.
F7 forts. Kap 6 Statistikens grunder, 15p dagtid HT 01 Lite repetition + lite utveckling av Stokastisk variabel Diskreta och kontinuerliga sv Frekvensfunktion (diskr.), Täthetsfunktion (kont.) Fördelningsfunktion
Läs merMatematisk statistik för D, I, Π och Fysiker
max/min Matematisk statistik för D, I, Π och Fysiker Föreläsning 5 Johan Lindström 25 september 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 1/25 max/min Johan Lindström - johanl@maths.lth.se
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Flerdimensionella Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Flerdimensionella Ett slumpförsök kan ge upphov till flera (s.v.): kast med
Läs merFöreläsning 6, Matematisk statistik Π + E
Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora
Läs merFöreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer
Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F5: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z
Läs merSF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 6 MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. Tatjana Pavlenko 12 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition
Läs merStokastiska vektorer
TNG006 F2 9-05-206 Stokastiska vektorer 2 Kovarians och korrelation Definition 2 Antag att de sv X och Y har väntevärde och standardavvikelse µ X och σ X resp µ Y och σ Y Då kallas för kovariansen mellan
Läs merKovarians och kriging
Kovarians och kriging Bengt Ringnér November 2, 2007 Inledning Detta är föreläsningsmanus på lantmätarprogrammet vid LTH. 2 Kovarianser Sedan tidigare har vi, för oberoende X och Y, att VX + Y ) = VX)
Läs merKurssammanfattning MVE055
Obs: Detta är enbart tänkt som en översikt och innehåller långt ifrån allt som ingår i kursen (vilket anges exakt på hemsidan). Fullständiga antaganden i satser kan saknas och fel kan förekomma så kontrollera
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 6 Johan Lindström oktober 8 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Summa
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Väntevärde och varians, funktioner av s.v:er, flera stokastiska variabler. Jan Grandell & Timo Koski 10.09.2008 Jan Grandell & Timo Koski () Matematisk
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 79 / TEN 1 augusti 14, klockan 8.00-12.00 Examinator: Jörg-Uwe Löbus Tel: 28-1474) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs mer2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /
Föreläsning 5: Matstat AK för I, HT-8 MATEMATISK STATISTIK AK FÖR I HT-8 FÖRELÄSNING 5: KAPITEL 4.6 7: SUMMOR, MAXIMA OCH ANDRA FUNKTIONER AV S.V. KAPITEL 5. : VÄNTEVÄRDEN, LÄGES- OCH SPRIDNINGSMÅTT EXEMPEL
Läs merFöreläsning 5, Matematisk statistik Π + E
Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min
Läs merFöreläsning 11. Slumpvandring och Brownsk Rörelse. Patrik Zetterberg. 11 januari 2013
Föreläsning 11 Slumpvandring och Brownsk Rörelse Patrik Zetterberg 11 januari 2013 1 / 1 Stokastiska Processer Vi har tidigare sett exempel på olika stokastiska processer: ARIMA - Kontinuerlig process
Läs merFöreläsning 6, FMSF45 Linjärkombinationer
Föreläsning 6, FMSF45 Linjärkombinationer Stas Volkov 2017-09-26 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F6: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z = X + Y p Z (k)
Läs merMatematisk statistik 9 hp Föreläsning 4: Flerdim
Matematisk statistik 9 hp Föreläsning 4: Flerdim Johan Lindström 3+4 september 26 Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim /5 Transformer Inversmetoden Transformation av stokastiska variabler
Läs merStokastiska vektorer och multivariat normalfördelning
Stokastiska vektorer och multivariat normalfördelning Johan Thim johanthim@liuse 3 november 08 Repetition Definition Låt X och Y vara stokastiska variabler med EX µ X, V X σx, EY µ Y samt V Y σy Kovariansen
Läs merNågra extra övningsuppgifter i Statistisk teori
Statistiska institutionen Några extra övningsuppgifter i Statistisk teori 23 JANUARI 2009 2 Sannolikhetsteorins grunder 1. Tre vanliga symmetriska tärningar kastas. Om inte alla tre tärningarna visar sexa,
Läs merVäntevärde och varians
TNG6 F5 19-4-216 Väntevärde och varians Exempel 5.1. En grupp teknologer vid ITN slår sig ihop för att starta ett företag som utvecklar datorspel. Man vet att det är 8% chans för ett felfritt spel som
Läs mer2.1 Mikromodul: stokastiska processer
2. Mikromodul: stokastiska processer 9 2. Mikromodul: stokastiska processer 2.. Stokastiska variabler En stokastiskt variabel X beskrivs av dess täthetsfunktion p X (x), vars viktigaste egenskaper sammanfattas
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 2 augusti 217, klockan 8-12 Examinator: Jörg-Uwe Löbus (Tel: 79-62827 Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs merF14 HYPOTESPRÖVNING (NCT 10.2, , 11.5) Hypotesprövning för en proportion. Med hjälp av data från ett stickprov vill vi pröva
Stat. teori gk, ht 006, JW F14 HYPOTESPRÖVNING (NCT 10., 10.4-10.5, 11.5) Hypotesprövning för en proportion Med hjälp av data från ett stickprov vill vi pröva H 0 : P = P 0 mot någon av H 1 : P P 0 ; H
Läs merTMS136. Föreläsning 5
TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data
Läs merTMS136. Föreläsning 5
TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med
Läs mer0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.
Avd. Matematisk statistik TENTAMEN I SF9, SF95 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 2:E JANUARI 25 KL 4. 9.. Kursledare: Gunnar Englund, 73 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merOberoende stokastiska variabler
Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen
Läs merMatematisk statistik TMS063 Tentamen
Matematisk statistik TMS63 Tentamen 8-8- Tid: 4:-8: Tentamensplats: SB Hjälpmedel: Bifogad formelsamling och tabell samt Chalmersgodkänd räknare. Kursansvarig: Olof Elias Telefonvakt/jour: Olof Elias,
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE32 Sannolikhet och statistik 219-6-5 kl. 8:3-12:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merFöreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.
Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Ytterligare begrepp Viktiga
Läs merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA21/9MA31, STN2) 212-8-2 kl 8-12 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd 6 poäng.
Läs merFormler och tabeller till kursen MSG830
Formler och tabeller till kursen MSG830 Deskriptiva mått För ett datamängd x 1,, x n denieras medelvärde standardavvikelse standardfelet (SEM) Sannolikheter x = 1 n n i=1 = x 1 + + x n n s = 1 n (x i x)
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics
Läs merFöreläsning 7: Stokastiska vektorer
Föreläsning 7: Stokastiska vektorer Johan Thim johanthim@liuse oktober 8 Repetition Definition Låt X och Y vara stokastiska variabler med EX = µ X, V X = σx, EY = µ Y samt V Y = σy Kovariansen CX, Y definieras
Läs merÖvning 1. Vad du ska kunna efter denna övning. Problem, nivå A
Övning 1 Vad du ska kunna efter denna övning Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Definiera fördelningsfunktionen för en stokastisk variabel. Definiera frekvensfunktionen
Läs merTENTAMEN MÅNDAGEN DEN 22 OKTOBER 2012 KL a) Bestäm P(ingen av händelserna inträffar). b) Bestäm P(exakt två av händelserna inträffar).
Tekniska högskolan i Linköping Matematiska institutionen Matematisk statistik,jan Olheim MATEMATIK:Statistik 9MA31 STN, 9MA37 STN TENTAMEN MÅNDAGEN DEN OKTOBER 01 KL 14.00-18.00. Hjälpmedel:Formler och
Läs merSF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 3 DISKRETA STOKASTISKA VARIABLER Tatjana Pavlenko 23 mars, 2018 PLAN FÖR DAGENSFÖRELÄSNING Repetition av betingade sannolikheter, användbara satser
Läs mer19.1 Funktioner av stokastiska variabler
9. Funktioner av stokastiska variabler 9.. Oberoende stokastiska variabler Som vi minns innebär P(A B) = P(A) P(B) att händelserna A och B är oberoende. Låt A vara händelsen att X < x och B vara händelsen
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merFINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I. Oktober Matematikcentrum Matematisk statistik
FINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I Oktober Matematikcentrum Matematisk statistik CENTRUM SCIENTIARUM MATHEMATICARUM LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK
Läs merFinansiell statistik, vt-05. Slumpvariabler, stokastiska variabler. Stokastiska variabler. F4 Diskreta variabler
Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-05 F4 Diskreta variabler Slumpvariabler, stokastiska variabler Stokastiska variabler diskreta variabler kontinuerliga
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Funktioner av s.v:er, Flera stokastiska variabler. Marginell sannolikhetsfunktion och -täthetsfunktion. Oberoende sv:er, Maximum och minimum av oberoende
Läs merF18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT
Stat. teori gk, ht 006, JW F18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT 1.1, 13.1-13.6, 13.8-13.9) Modell för multipel linjär regression Modellantaganden: 1) x-värdena är fixa. ) Varje y i (i = 1,, n) är
Läs mer4.1 Grundläggande sannolikhetslära
4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE30 Sannolikhet, statistik och risk 207-08-5 kl. 8:30-3:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 03-7725325 Hjälpmedel: Valfri miniräknare.
Läs merFöreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar
Föreläsning 3 Kapitel 4, sid 79-124 Sannolikhetsfördelningar 2 Agenda Slumpvariabel Sannolikhetsfördelning 3 Slumpvariabel (Stokastisk variabel) En variabel som beror av slumpen Ex: Tärningskast, längden
Läs merSimulering av elmarknader. EG2205 Föreläsning 11, vårterminen 2016 Mikael Amelin
Simulering av elmarknader EG2205 Föreläsning 11, vårterminen 2016 Mikael Amelin 1 Kursmål Tillämpa stokastisk produktionskostnadssimulering och Monte Carlo-simulering för att beräkna förväntad driftkostnad
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-08-15 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merTentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.
Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tid: Måndagen den 2015-06-01, 8.30-12.30. Examinator och Jour: Olle Nerman, tel. 7723565, rum 3056, MV, Chalmers. Hjälpmedel: Valfri
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Väntevärde, varians, standardavvikelse, kvantiler Uwe Menzel, 28 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Väntevärdet X : diskret eller kontinuerlig slumpvariable
Läs merFöreläsning 6, Repetition Sannolikhetslära
Föreläsning 6, Repetition Sannolikhetslära kap 4 Sannolikhetslära och slumpvariabler kap 5 Stickprov, medelvärden, CGS, binomialfördelning Viktiga grundbegrepp utfall, händelse, sannolikheter, betingad
Läs merF10 Kap 8. Statistikens grunder, 15p dagtid. Binomialfördelningen 4. En räkneregel till. Lite repetition HT Sedan
01-09-7 F10 Kap 8 Statistikens grunder, 15p dagtid HT 01 Lite repetition Kovarians Binomial- och Poissonfördelning Täthetsfunktion (kont.) Fördelningsfunktion (kont.) Arean under en kurva Sedan Normalfördelningen
Läs mer1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,
1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, LMA201, LMA521 1.1 Mängd (Kapitel 1) En (oordnad) mängd A är en uppsättning av element. En sådan mängd kan innehålla ändligt eller oändlligt
Läs merF2 SANNOLIKHETSLÄRA (NCT )
Stat. teori gk, ht 2006, JW F2 SANNOLIKHETSLÄRA (NCT 4.1-4.2) Ordlista till NCT Random experiment Outcome Sample space Event Set Subset Union Intersection Complement Mutually exclusive Collectively exhaustive
Läs mer2. Test av hypotes rörande medianen i en population.
Stat. teori gk, ht 006, JW F0 ICKE-PARAMETRISKA TEST (NCT 15.1, 15.3-15.4) Ordlista till NCT Nonparametric Sign test Rank Icke-parametrisk Teckentest Rang Teckentest Teckentestet är formellt ingenting
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Aalto-universitetet 28 januari 2014 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl
Läs merχ 2, chi-två Test av anpassning: sannolikheter specificerade Data: n observationer klassificerade i K olika kategorier:
Stat. teori gk, ht 006, JW F1 χ -TEST (NCT 16.1-16.) Ordlista till NCT Goodness-of-fit-test χ, chi-square Test av anpassning χ, chi-två Test av anpassning: sannolikheter specificerade i förväg Data: n
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Sannolikheter Slumpvariabler Centrala gränsvärdessatsen Aalto-universitetet 8 januari 04 3 Tvådimensionella slumpvariabler
Läs merimport totalt, mkr index 85,23 100,00 107,36 103,76
1. a) F1 Kvotskala (riktiga siffror. Skillnaden mellan 3 och 5 månader är lika som skillnaden mellan 5 och 7 månader. 0 betyder att man inte haft kontakt med innovations Stockholm.) F2 Nominalskala (ingen
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 216 FACIT: Matematik 3 för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik 3 för gymnasielärare, Sannolikhetslära och statistik 216-1-21 kl. 8.3-12.3
Läs mer4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler
Föreläsning 2 4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler Stokastiskavariabler Stokastisk variabel (eng: random variable) En variabel vars värde
Läs merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
Läs merFORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD 208-08-26 Sannolikhetsteori Följande gäller för sannolikheter: 0 P(A P(Ω = P(A
Läs merFöreläsning G70 Statistik A
Föreläsning 2 732G70 Statistik A Introduktion till sannolikhetslära Sannolikhetslära: område inom statistiken där vi studerar experiment vars utfall beror av slumpen Sannolikhet: numeriskt värde (mellan
Läs merLärmål Sannolikhet, statistik och risk 2015
Lärmål Sannolikhet, statistik och risk 2015 Johan Jonasson Februari 2016 Följande begrepp och metoder ska behärskas väl, kunna förklaras och tillämpas. Direkta bevis av satser från kursen kommer inte på
Läs merSannolikheter och kombinatorik
Sannolikheter och kombinatorik En sannolikhet är ett tal mellan 0 och 1 som anger hur frekvent en händelse sker, där 0 betyder att det aldrig sker och 1 att det alltid sker. När vi talar om sannolikheter
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl
Karlstads universitet Avdelningen för nationalekonomi och statistik Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl 08.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema
Läs merTMS136. Föreläsning 2
TMS136 Föreläsning 2 Sannolikheter För en händelse E skriver vi sannolikheten att E inträffar som P(E) För en händelse E skriver vi sannolikheten att E inte inträffar som P(E ) Exempel Låt E vara händelsen
Läs merTMS136. Föreläsning 2
TMS136 Föreläsning 2 Slumpförsök Med slumpförsök (random experiment) menar vi försök som upprepade gånger utförs på samma sätt men som kan få olika utfall Enkla exempel är slantsingling och tärningskast
Läs merFöreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 8 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Enkel linjär regression (kap 17.1 17.5) o Skatta regressionslinje (kap 17.2) o Signifikant lutning? (kap 17.3, 17.5a) o Förklaringsgrad
Läs mer