SF1901: SANNOLIKHETSTEORI OCH FLERDIMENSIONELLA STOKASTISKA STATISTIK VARIABLER. Tatjana Pavlenko. 8 september 2017
|
|
- Patrik Vikström
- för 5 år sedan
- Visningar:
Transkript
1 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 5 FLERDIMENSIONELLA STOKASTISKA VARIABLER Tatjana Pavlenko 8 september 2017
2 PLAN FÖR DAGENS FÖRELÄSNING Repetition av de viktiga begreppen diskret/kontinuerlig stokastisk variabel, sannolikhetsfunktion, täthetsfunktion och fördelningsfunktion. Funktioner av en stokastisk variabel (Kap. 3.10) Flerdimensionella stokastiska variabeler (Kap ) Oberoende stokastiska variabler (Kap. 4.5) Funktioner av flera stokastiska variabler (Kap )
3 DISKRETA STOKASTISKA VARIABLER, REPETITION Def: En stokastisk variabel, X (ω) är diskret om den endast kan anta ändligt eller uppräkneligt oändligt antal värden {k 1, k 2,... }, (syfrar på heltal). Def: p X (k) = P(X = k), k = k 1, k 2,... kallas för sannolikhetsfunktionen för en diskret s.v. X. Villkor: 0 px (k) 1 för alla k alla k p X (k) = 1 Med hjälp av p X (k) har vi: P(a X b) = k:a k b p X (k) P(X a) = k:k a p X (k) P(X > a) = k:k>a p X (k) = 1 k:k a p X (k) = 1 P(X a)
4 KONTINUERLIGA STOKASTISKA VARIABLER (REP.) Def: En stokastisk variabel X är kontinuerlig om det finns icke-negativ funktion f X ( ) sådan att P(X A) = A f X (x)dx, för alla A. f X (x) kallas för täthetsfunktonen för s.v X. Jämför med diskreta fallen! Summeringen av sannolikhetsfunktionen ersats av integration. Villkor: fx (x) 0, f X (x)dx = 1, dvs hela area under täthetsfunktionen är 1. Skilj noga på symbolen X som betecknar en s.v. och x som används som argument i funktionen f X (x)!
5 FÖRDELNINGSFUNKTION FÖR EN S.V. (REP.) Def: Funktionen F X (x) = P(X x), x R 1 kallas för fördelningsfunktionen för den s.v. X. Villkor: 0 FX (x) 1, (slh) FX (x) är icke-avtagande funktion, FX (x) 0 då x och F X (x) 1 då x. FX (x) är kontinuerlig till höger för varje x.
6 FÖRDELNINGSFUNKTION FÖR EN S.V. (FORTS.) FIGUR: Fördelningsfunktion F x (k) uppritad för tre olika Poisson-fördelningar: λ = 1, λ = 4 respektive λ = 10.
7 FÖRDELNINGSFUNKTION FÖR EN S.V. (FORTS.) FIGUR: Fördelningsfunktion för N(µ, σ) uppritad för några olika värden på µ och σ.
8 FÖRDELNINGSFUNKTION FÖR EN S.V. (FORTS.) I det diskreta fallet finns det ett nära samband mellan fördelningsfunktionen och sannolikhetsfunktionen: F X (k) = p X (j), p(k) = j:j k { FX (0) om k = 0 F X (k) F X (k 1) f.ö. I det kontinuerliga fallet finns ett motsvarande samband mellan fördelningsfunktionen och täthetsfunktionen: F X (x) = x f X (t)dt, f X (x) = d dx F X (x), i varje punkt x där f X (x) är kontinuerlig (se Sats 3.1). Tolkning: bilden på tavlan för båda fallen. Låt A = (, x], P(X A) = P(X x) = F X (x).
9 DAGENS FÖRELÄSNING. FUNKTIONER AV EN S.V. Antag att X är en s.v. med fördelningsfunktion F X (x) och täthetsfunktion f X (x). Definiera en ny s.v. Y = g(x ) där g( ) är en reel funktion. Ex: Y = X 2, Y = e X, Y = X. Vilken fördelning har Y? Hur hittar man F Y (y) och f Y (y) med hjälp av F X (x) och f X (x)? Låt g( ) vara en kontinuerlig, stikt monoton (strikt växande/avtagande) funktion. Då kan man definiera den inversa funktionen, g 1 (y) = {x : g(x) = y}. För detta fall blir det fördelningsfunktionen för Y lättare att uttrycka. Exempel om linjär transform på tavlan.
10 ALLMÄNT: g( ) ÄR MONOTON FUNKTION AV EN S.V. Om g( ) är växande så gäller att g(x) y om och endast om x g 1 (y). FY (y) = P(Y y) = P(g(X ) y) = P(X g 1 (y)) = F X (g 1 (y)). fy (y) = dy d F X (g 1 (y)) = f X (g 1 (y)) dy d g 1 (y). Om g( ) är avtagande så gäller i stället g(x) y om och endast om x g 1 (y). Man får därför i stället F Y (y) = P(X g 1 (y)) = 1 F X (g 1 (y)). fy (y) = d dy (1 F X (g 1 (y))) = f X (g 1 (y))( d dy g 1 (y)). Generellt (för g( ) växande och antagande) fås f Y (y) genom f Y (y) = d dy F Y (y) = f X (g 1 (y)) d dy g 1 (y).
11 TVÅDIMENSIONELL S.V. Idé: Flera s.v. definieras på samma utfallsrum. Def: En tvådimensionell stokastisk variabel är en tvådimensionell funktion (X, Y ) = (X (ω), Y (ω)) definierad på ett utfallsrum Ω och som tar värden i R 2. Tolkning: Den s.v (X, Y ) associerar ett talpar till varje elementarutfall i Ω och är alltså en d funktion Ω R 2. För att betrakta sannolikheter av typen P((X, Y ) A), dvs att talparen hamnar i en tvådimensionell region A Ω behöver vi Def: (Simultana) fördelningsfunktionen F X,Y (x, y) för (X, Y ) definieras som F X,Y (x, y) = P(X x, Y y). I Def. ovan valde vi A som de talpar (u, v) som uppfyller (u x, v y).
12 DISKRET TVÅDIMENSIONELL S.V. Def: En tvådimensionell s.v (X, Y ) sägs vara diskret om både X och Y endast antar ett ändligt eller uppräkneligt oändligt antal värden. Vi förutsätter att dessa värden är icke-negativa heltal. (Simultan) sannolikhetsfunktion p X,Y (j, k) för en sådan s.v definieras av Villkor: p X,Y (j, k) = P(X = j, Y = k), j = 0, 1, 2..., k = 0, 1, px,y (j, k) 1 j=0 k=0 p X,Y (j, k) = 1, på analogt sätt med endimensionella s.v. Fördelningsfunktionen kan bestämmas ur sannolikhetsfunktionen genom summering: F X,Y (x, y) = j x k y p X,Y (j, k).
13 DISKRET TVÅDIMENSIONELL S.V. FIGUR: Simultan sannolikhetsfunktion för en tvådimensionell s.v (X, Y ).
14 KONTINUERLIG TVÅDIMENSIONELL S.V. Def: En tvådimensionell s.v (X, Y ) sägs vara kontinuerlig om det finns en funktion f X,Y (x, y) så att för alla mängder A gäller P((X, Y ) A) = A f X,Y (x, y)dxdy. Funktionen f X,Y (x, y) kallas för (simultan) täthetsfunktion för s.v (X, Y ). Villkor: fx,y (x, y) 0 för alla x, y R f 2 X,Y (x, y)dxdy = 1 dvs är den totala volumen (sannolikhetsmassan) under yta (täthetsfunktion) lika med 1. Fördelningsfunktionen kan bestämmas ur täthetsfunktion genom relationen x y F X,Y (x, y) = f X,Y (u, v)dudv.
15 KONTINUERLIG TVÅDIMENSIONELL S.V. (FORTS.) FIGUR: Simultan täthetsfunktion för en kontinuerlig tvådimensionell s.v.
16 MARGINALIZERING Komponenterna i s.v. (X, Y ) är var och en för sig endimensionella s.v. Man skiljer på den marginella fördelningen för en komponent och den simultana fördelning för den tvådimensionella s.v. Motsvarande terminologi används för sannolikhets- och täthetsfunktionen. Samband mellan simultanfördelningen för (X, Y ) och marginalfördelningen för dess ena komponent: Def: Om (X, Y ) är diskret ges den marginella sannolikhetsfunktionen för X av p X (j) = p X,Y (j, k) (man summerar i y led) k=0 och på samma sätt p Y (k) = j=0 p X,Y (j, k), (man summerar i x led). Def: Om (X, Y ) är kontinuerlig ges den marginella täthetsfunktionen för X av f X (x) = f X,Y (x, y)dy, och på samma sätt f Y (y) = f X,Y (x, y)dx.
17 OBEROENDE S.V. Betrakta en tvådimenionell s.v. (X, Y ) Intuitivt: man kan anse att X och Y är oberoende om händelserna {X A} och {Y B} är oberoende för alla mängder A och B. Detta leder oss till följande Def: De s.v. X och Y kallas oberoende om P(X A, Y B) = P(X A)P(Y B) för alla mängder A och B. Sats: De s.v X och Y är oberoende om och endast om eller F X,Y (x, y) = F X (x)f Y (y) för alla x och y, p X,Y (j, k) = p X (j)p Y (k) för alla j och k, för diskreta s.v. f X,Y (x, y) = f X (x)f Y (y) för alla x och y, för kontinuerliga s.v.
18 VANLIGA FLERDIMENSIONELLA FÖRDELNIGAR. FIGUR: Bivariat normalfördelning. Simultan täthetsfunktion f X,Y (x, y) = f X (x)f Y (y) när s.v. X N(0, 0.5) och Y N(0, 0.2) är oberoende.
19 FÖRDELNING FÖR MAXIMUM OCH MINIMUM Sats: Låt X 1 och X 2 vara oberoende s.v. med fördelningsfunktioner F X1 (x) respektive F X2 (x). Definiera U = min(x 1, X 2 ) och V = max(x 1, X 2 ). Då gäller att F U (u) = 1 (1 F X1 (u))(1 F X2 (u)), F V (v) = F X1 (v)f X2 (v). Sats kan vidare utvidgas för fler än två s.v.: Om X 1,..., X n är oberoende och lika fördelade med fördelningsfunktion F X (x) så har Y = min i=1,...,n (X 1,..., X n ) och Z = max i=1,...,n (X 1,..., X n ) fördelningsfunktionerna F Y (y) = 1 (1 F X (y)) n respektive F Z (z) = (F X (z)) n. Bevis och exempel på tavlan.
20 FÖRDELNING FÖR MAXIMUM OCH MINIMUM (FORTS. Exempel: Motor. En motor upphör helt att fungera när samtliga 4 cylindrar gått sönder. Antag att cylindrarnas livslängder X i, i = 1,..., 4 (i år) är oberoende och likafördelade Exp(λ) där λ = 1/7, dvs E (X i ) = 7. Låt en s.v. T vara tid tills motorn helt upphör att fungera, då är T = max(x 1,..., X 4 ). Fördelningsfunktion för de enskilda cylindrarna är F Xi (x) = 1 e x/7 (samma för alla i), vilket ger F T (t) = F 4 X i (t) = ( 1 e t/7) 4. Om vi i stället är intresserade av tiden S då motor funktion blir nedsatt pga någon cylinder inte fungerar så får vi S = min(x 1,..., X 4 ) och fördelningsfunktionen för S blir F S (s) = 1 (1 F Xi (s)) 4 = 1 (e s/7 ) 4 = 1 e 4s/7. Minsta av n st. oberoende lika förd. s.v. med Exp(λ) också är Exp-fördelad men Exp(nλ)!
SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde
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 merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
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 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 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 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 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 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 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 merTAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler
TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler Johan Thim (johan.thim@liu.se) 1 november 18 Vi fokuserar på två-dimensionella variabler. Det är steget från en dimension till två som är det
Läs merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
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 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 mer6. Flerdimensionella stokastiska variabler
6 Flerdimensionella stokastiska variabler 61 Simultana fördelningar Den simultana fördelningsfunktionen av X och Y, vilka som helst två stokastiska variabler, definieras F(a,b) = F X,Y (a,b) = P(X a,y
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 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 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 merMatematisk statistik 9hp Föreläsning 2: Slumpvariabel
Matematisk statistik 9hp Föreläsning 2: Slumpvariabel Anna Lindgren 6+7 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp Utfall
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska
Läs merFöreläsning 2, Matematisk statistik för M
Repetition Stok. Var. Diskret Kont. Fördelningsfnk. Föreläsning 2, Matematisk statistik för M Erik Lindström 25 mars 2015 Erik Lindström - erikl@maths.lth.se FMS012 F2 1/16 Repetition Stok. Var. Diskret
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 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 merFöreläsning 2, FMSF45 Slumpvariabel
Föreläsning 2, FMSF45 Slumpvariabel Stas Volkov 2017-09-05 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp och beteckningar Utfall resultatet
Läs merExempel för diskreta och kontinuerliga stokastiska variabler
Stokastisk variabel ( slumpvariabel) Sannolikhet och statistik Stokastiska variabler HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Stokastisk variabel, slumpvariabel (s.v.): Funktion: Resultat
Läs merFöresläsningsanteckningar Sanno II
Föresläsningsanteckningar 1 Gammafunktionen I flera av våra vanliga sannolikhetsfördelningar ingår den s.k. gamma-funktionen. Γ(p) = 0 x p 1 e x dx vilken är definierad för alla reella p > 0. Vi ska här
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 merSF1911: Statistik för bioteknik
SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion
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 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 merSF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 5. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski 28.01.2015 Jan Grandell & Timo Koski () Matematisk
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 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 merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 3 4 november 2016 1 / 28 Idag Förra gången Stokastiska variabler (Kap. 3.2) Diskret stokastisk variabel (Kap. 3.3 3.4) Kontinuerlig stokastisk
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 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 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 merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler Jörgen Säve-Söderbergh Stokastisk variabel Singla en slant två gånger. Ω = {Kr Kr, Kr Kl, Kl Kr, Kl Kl}
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 merSlumpvariabler och sannolikhetsfördelningar
och sannolikhetsfördelningar Föreläsning 4 Sannolikhet och Statistik 5 hp Fredrik Jonsson April 2010 Översikt 1. Verklighetsanknutna exempel. Definition relativt utfallsrum. 2. Sannolikhetsfördelningar
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 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 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 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 merTMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 8 Johan Lindström 9 oktober 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F8 1/26 process Johan Lindström - johanl@maths.lth.se FMSF45/MASB3
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt
Läs merFöreläsning 4, Matematisk statistik för M
Föreläsning 4, Matematisk statistik för M Erik Lindström 1 april 2015 Erik Lindström - erikl@maths.lth.se FMS012 F4 1/19 Binomialfördelning Beteckning: X Bin(n, p) Förekomst: Ett slumpmässigt försök med
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 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 merMatematisk statistik 9 hp Föreläsning 3: Transformation och simulering
Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering Anna Lindgren 8+9 september 216 Anna Lindgren - anna@maths.lth.se FMS12/MASB3: transform 1/11 Stokastisk variabel Kvantil Stokastisk
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 25..26 Jan Grandell & Timo Koski Matematisk statistik 25..26 / 44 Stokastiska
Läs merTentamen i Sannolikhetslära och statistik, TNK069, , kl 8 13.
LINKÖPINGS UNIVERSITET ITN, Campus Norrköping Univ lekt George Baravdish Tentamen i Sannolikhetslära och statistik, TNK69, 26--7, kl 8 3. Hjälpmedel är räknare med tömda minnen samt formelsamling utgiven
Läs merKompendium om flerdimensionella fördelningar för kursen S0008M Sannolikhetslära och statistik
Adam Jonsson och Jesper Martinsson Kompendium om flerdimensionella fördelningar för kursen S0008M Sannolikhetslära och statistik TVM-Matematik, Luleå Tekniska Universitet 8 mars 2016 Kompendiet avser
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 merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
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 merFöreläsning 15: Försöksplanering och repetition
Föreläsning 15: Försöksplanering och repetition Matematisk statistik Chalmers University of Technology Oktober 19, 2015 Utfall och utfallsrum Slumpmässigt försök Man brukar säga att ett slumpmässigt försök
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 merSF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för
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 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 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 merTAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära
TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära Martin Singull Matematisk statistik Matematiska institutionen TAMS65 - Mål Kursens övergripande mål är att ge
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 merFöreläsning 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 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 merFöreläsning 3, Matematisk statistik Π + E
Repetition Kvantil Presentation Slumptal Transformer Inversmetoden Föreläsning 3, Matematisk statistik Π + E Sören Vang Andersen 13 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F3 1/19 Repetition
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 merFöreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess
Repetition Binomial Poisson Stokastisk process Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess Stas Volkov 217-1-3 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F8: Binomial- och
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 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 merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
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 merFöreläsning 3. Sannolikhetsfördelningar
Föreläsning 3. Sannolikhetsfördelningar Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Slumpvariabel? Resultatet av ett slumpmässigt försök utgörs
Läs merTentamen i Matematisk Statistik, 7.5 hp
Tentamen i Matematisk Statistik, 7.5 hp Distanskurs 15 januari, 2011 kl. 9.00 13.00 Maxpoäng: 30p. Betygsgränser: 12p: betyg G, 21p: betyg VG. Hjälpmedel: Miniräknare samt formelsamling som medföljer tentamenstexten.
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 merLINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 augusti 218, klockan 8.-12. Examinator: Jörg-Uwe Löbus (Tel: 79-62827) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 6. Normalfördelning, Centrala gränsvärdessatsen, Approximationer Jan Grandell & Timo Koski 06.02.2012 Jan Grandell & Timo Koski () Matematisk statistik
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 merUppgift 1. P (A) och P (B) samt avgör om A och B är oberoende. (5 p)
Avd. Matematisk statistik TENTAMEN I SF90, SF905, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 8:E AUGSTI 204 KL 08.00 3.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel- och
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 15 / TEN 1
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 5 / TEN januari 08, klockan 4.00-8.00 Examinator: Jörg-Uwe Löbus (Tel: 0709-6087) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärld funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs mer1 Föreläsning V; Kontinuerlig förd.
Föreläsning V; Kontinuerlig förd. Ufallsrummet har hittills varit dsikret, den stokastisk variabeln har endast kunnat anta ett antal värden. Ex.vis Poissonfördeln. är antal observationer inom ett tidsintervall
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 merStat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT
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
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 4, 28-3-27 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärd funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs merFöreläsning 8 för TNIU23 Integraler och statistik
Föreläsning 8 för TNIU Integraler och statistik Krzysztof Marciniak ITN, Campus Norrköping, krzma@itn.liu.se www.itn.liu.se/ krzma ver. - 9--6 Inledning - lite om statistik Statistik är en gren av tillämpad
Läs merRepetitionsföreläsning
Slumpförsök Repetitionsföreläsning Föreläsning 15 Sannolikhet och Statistik 5 hp Med händelser A B... avses delmängder av ett utfallsrum. Slumpförsök = utfallsrummet + ett sannolikhetsmått P. Fredrik Jonsson
Läs merFormel- och tabellsamling i matematisk statistik
Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P
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 mer(x) = F X. och kvantiler
Föreläsning 5: Matstat AK för M, HT-8 MATEMATISK STATISTIK AK FÖR M HT-8 FÖRELÄSNING 5: KAPITEL 6: NORMALFÖRDELNINGEN EXEMPEL FORTKÖRARE Man har mätt hastigheten på 8 bilar som passerade en korsning i
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 7 15 november 2017 1 / 28 Lite om kontrollskrivning och laborationer Kontrollskrivningen omfattar Kap. 1 5 i boken, alltså Föreläsning
Läs merVåra vanligaste fördelningar
Sida Våra vanligaste fördelningar Matematisk statistik för D3, VT Geometrisk fördelning X är geometriskt fördelad med parameter p, X Geo(p), om P (X = k) = ( p) k p P (X k) = ( p) k för k =,,... Beskriver
Läs merMatematisk statistik för D, I, Π och Fysiker
Sannolikhetsteori Stokastisk variabel 2D stokastisk variabel Linjärkombination Gauss approximation Poissonprocess Markovkedjor Statistik Konfidensintervall Hypotesprövning Regression Multipel reg. Matematisk
Läs merTAMS79: Föreläsning 6. Normalfördelning
TAMS79: Föreläsning 6 Normalfördelningen Johan Thim (johan.thim@liu.se 3 november 018 Normalfördelning Definition. Låt µ R och > 0. Om X är en stokastisk variabel med täthetsfunktion f X ( = 1 ( ep ( µ,
Läs mer