SF1901 Sannolikhetsteori och statistik I

Transkript

1 SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 7 15 november / 28

2 Lite om kontrollskrivning och laborationer Kontrollskrivningen omfattar Kap. 1 5 i boken, alltså Föreläsning 1 6. Hjälpmedel: endast miniräknare. omfattar 5 uppgifter. För att erhålla bonus krävs helt korrekt svar till minst 3 av uppgifterna. Gamla kontrollskrivningar att öva på finns på hemsidan. 2 / 28

3 Idag Förra gången Normalfördelningen och dess egenskaper (Kap ) Linjärkombinationer av oberoende normalfördelade s.v. (Kap. 6.5) Centrala gränsvärdessatsen (Kap. 6.7) 3 / 28

4 Denna kurs Sannolikhetsteori: Hur kan man ställa upp en matematisk modell för ett slumpmässigt försök? (lv. 1 3) Inferensteori: Vilka slutsatser kan man dra av ett givet datamaterial? (lv. 4 7) Sannolikhetsteorin utgör en grund för inferensteorin. 4 / 28

5 Idag Förra gången Normalfördelningen och dess egenskaper (Kap ) Linjärkombinationer av oberoende normalfördelade s.v. (Kap. 6.5) Centrala gränsvärdessatsen (Kap. 6.7) 5 / 28

6 Förra gången Väntevärden av funktion av flerdimensionell s.v., kovarians och korrelation, väntevärde och varians för linjärkombinationer, stora talens lag. 6 / 28

7 Mer om kovarianser: bilinjäritet Man övertygar sig enkelt om att kovariansen är bilinjär, dvs. för godtyckliga linjärkombinationer i a ix i och j b jy j av ev. beroende s.v. gäller att C i a i X i, j b j Y j = a i b j C(X i, Y j ). i,j Ofta praktiskt när man räknar! Speciellt gäller att (jfr. förra gången) ( ) V a i X i = C a i X i, a j X j i i j = a i a j C(X i, X j ) = ai 2 V(X i ) + 2 i,j i i<j a i a j C(X i, X j ). 7 / 28

8 Exempel: summa och differens Låt X och Y vara s.v. sådana att V(X ) = V(Y ). Beräkna C(X + Y, X Y ). [ svar: 0 ] 8 / 28

9 Idag Förra gången Normalfördelningen och dess egenskaper (Kap ) Linjärkombinationer av oberoende normalfördelade s.v. (Kap. 6.5) Centrala gränsvärdessatsen (Kap. 6.7) 9 / 28

10 Täthetsfunktion Definition Om en s.v. X har täthetsfunktionen f X (x) = 1 σ 2π e (x µ)2 /(2σ2), x R, där µ och σ > 0 är givna tal, sägs X vara normalfördelad (kodbeteckning: X N(µ, σ)). Om µ = 0 och σ = 1 sägs X vara standardiserad normalfördelad. Den standardiserade normalfördelningen är så viktig att man gett dess täthets- och fördelningsfunktion egna namn, ϕ resp. Φ: ϕ(x) = 1 2π e x2 /2 och Φ(x) = x 1 2π e z2 /2 dz. 10 / 28

11 Täthetsfunktion (forts.) (a) Täthetsfunktioner (b) Fördelningsfunktioner Figur: Täthets- och fördelningsfunktioner för N(µ, σ)-fördelningar med olika parametrar (µ, σ). 11 / 28

12 Gauß och Laplace (a) C. F. Gauß ( ) (b) P. S. Laplace ( ) 12 / 28

13 Exempel: lite tabellexercis Låt X N(0, 1). Använd tabell för att beräkna (a) P(X 0.75), (b) P(X 0.75), (c) x 0.15, dvs. 15%-kvantilen för X. MATLAB-lösning: >> normcdf([ ]) ans = >> norminv(1 0.15) ans = / 28

14 Väntevärde och varians för N(0, 1) Låt X N(0, 1). Då ϕ är symmetrisk inses direkt att E(X ) = xϕ(x) dx = 1 x e x2 /2 dx = 0. 2π Vidare, då V(X ) = E(X 2 ) E(X ) 2 = E(X 2 ) gäller att V(X ) = [ = x x 2 ϕ(x) dx = )] ( 1 2π e x2 /2 } {{ } =0 ( ) 1 x x e x2 /2 dx 2π + 1 e x2 /2 dx 2π }{{} =1 = / 28

15 Allmän normalfördelning N(µ, σ) Sats X N(µ, σ) om och endast om Y = (X µ)/σ N(0, 1). Dessutom gäller att f X (x) = 1 σ ϕ ( x µ σ ) och ( ) x µ F X (x) = Φ, x R. σ Detta ger direkt att E(X ) = E(σY + µ) = σe(y ) + µ = µ, V(X ) = V(σY + µ) = σ 2 V(Y ) = σ 2, dvs. parametrarna µ och σ är väntevärde resp. standardavvikelse för N(µ, σ)-fördelningen. 15 / 28

16 Exempel: lite mer tabellexercis Låt X N(6, 2) och beräkna P(7 < X < 9) med hjälp av tabell. MATLAB-lösning: normcdf(9,6,2) normcdf(7,6,2) ans = / 28

17 Normalfördelningens kvantiler Standardnormalfördelningens α-kvantil betecknas λ α och kan hittas i tabell; om X N(0, 1) gäller alltså att P(X > λ α ) = α. Vidare, P( λ α/2 < X < λ α/2 ) = 1 2(α/2) = 1 α. Om X N(µ, σ) är α-kvantilen µ + λ α σ, ty Dessutom, ( ) X µ α = P > λ α = P(X > µ + λ α σ). σ ( 1 α = P λ α/2 < X µ ) < λ σ α/2 = P ( µ λ α/2 σ < X < µ + λ α/2 σ ). 17 / 28

18 Idag Förra gången Normalfördelningen och dess egenskaper (Kap ) Linjärkombinationer av oberoende normalfördelade s.v. (Kap. 6.5) Centrala gränsvärdessatsen (Kap. 6.7) 18 / 28

19 Linjärkombinationer av oberoende normalfördelade s.v. Linjärkombinationer av normalfördelade s.v. är fortfarande normalfördelade! Sats Om X 1 N(µ 1, σ 1 ), X 2 N(µ 2, σ 2 ),..., X n N(µ n, σ n ) är oberoende gäller för alla konstanter a 1, a 2,..., a n och b att n n a i X i + b N a i µ i + b, n. i=1 i=1 i=1 a 2 i σ2 i Om X 1, X 2,..., X n är oberoende och N(µ, σ)-fördelade erhålls speciellt, för a 1 = a 2 =... = a n = 1/n, X = 1 n n i=1 ( ) σ X i N µ,. n 19 / 28

20 Exempel: bomullsband En maskin klipper till bomullsband i bitar, vilkas längd (enhet: meter) uppvisar en slumpmässig variation som är N(1, 0.05). Vid ett tillfälle vill man ha 10 bitar med en sammanlagd längd på 10 meter. Då gör man på ett av nedanstående två sätt: (I) Tag ett band slumpmässigt med längden X 1 och klipp till ytterligare 9 precis lika långa bitar. Sammanlagda längden är då Y. (II) Tag 10 bitar slumpmässigt med längder X 1, X 2,..., X 10. Deras sammanlagda längd är då Z. Med vilken metod är sannolikheten störst att den sammanlagda längden ligger nära 10? [ svar: metod (II) ] 20 / 28

21 Idag Förra gången Normalfördelningen och dess egenskaper (Kap ) Linjärkombinationer av oberoende normalfördelade s.v. (Kap. 6.5) Centrala gränsvärdessatsen (Kap. 6.7) 21 / 28

22 Centrala gränsvärdessatsen Följande är det viktigaste resultatet i matematisk statistik. Sats (centrala gränsvärdessatsen) Låt X 1, X 2,... vara en oändlig följd av likafördelade s.v. med väntevärde µ och standardavvikelse σ > 0 och sätt Y n = X X n. Då gäller för alla a < b att ( P a < Y ) n nµ σ < b Φ(b) Φ(a) då n. n Med andra ord, när n är stort är Y n ungefär N(nµ, σ n)-fördelad. Vi skriver detta Y n AsN(nµ, σ n). 22 / 28

23 Centrala gränsvärdessatsen (forts.) Notera att Y n AsN(nµ, σ n) X = Y n n AsN ( µ, ) σ, n vilket är i linje med stora talens lag. Men centrala gränsvärdessatsen beskriver även felet mellan X och µ. Det märkliga med CGS:en är att den håller oberoende av fördelningen hos X i :na sålänge väntevärde och varians är väldefinierade! Hur stort n som krävs för bra approximation beror på fördelningen hos X i :na och i synnerhet på hur skev denna är. Många mätfel uppstår som summor av delfel av ungefär samma storlek och blir alltså approximativt normalfördelade. 23 / 28

24 Exempel: upprepade kast med tärning För utfallet X av ett tärningskast gäller att µ = E(X ) = 3.5 och σ = D(X ) = Vi kastar en tärning upprepade gånger och betecknar utfallen X 1, X 2, X 3,... Efter varje nytt kast skriver vi upp summan Y n = n i=1 X i. MATLAB-simulering: X = randi(6,1,n); S = cumsum(x); means = S./(1:n); Slutligen beräknar vi den normerade summan (Y n nµ)/(σ n). 24 / 28

25 Exempel: upprepade kast med tärning (forts.) 0.45 Simulation of 2000 rolls Normalised histogram Normalised deviation from 3.5 Figur: Normerat histogram över 2000 simulerade normerade summor. Rödstreckad linje är täthetsfunktionen för N(0, 1). 25 / 28

26 Exempel: brinntid hos glödlampor En viss typ av glödlampor har livslängder som är oberoende och exponentialfördelade med väntevärde 1000 (enhet: timme). Hur stor är sannolikheten att 100 lampor av denna typ har en sammanlagd brinntid på minst timmar? [ svar: 0.16] 26 / 28

27 Centrala gränsvärdessatsen, bevisskiss Idé: visa att täthetsfunktionen f n för (Y n nµ)/(σ n) är lika med ϕ för stora n genom att visa att Fouriertransformerna av dessa funktioner är lika. Man visar tämligen enkelt (övning!) att Fouriertransformen av ϕ är e t2 /2. För varje täthet f X med väntevärde 0 och varians 1 ges Fouriertransformen allmänt av F(t) = e itx f X (x) dx = E (e ) itx Taylor = 1 + E(X )it V(X ) t 2 + o(t 2 ) 2 = t2 + o(t 2 ). Överkurs för den intresserade studenten. 27 / 28

28 Centrala gränsvärdessatsen, bevisskiss (forts) Trick: skriv Z n = Y n nµ σ n = 1 n n X i µ. }{{ σ } not. = X i i=1 Nu erhålls, då E( X i ) = 0 och V( X i ) = 1. ) ϕ n (t) = E (e itzn = E (e i t n X ) n i=1 i ober. = = ( ( t n ) 2 + o ( ) ) n 1 n n i=1 E (e i t ) n X i n e t2 /2 = ϕ(t). Överkurs för den intresserade studenten. 28 / 28