Föreläsning 2. Kapitel 3, sid Sannolikhetsteori

Relevanta dokument
Föreläsning G70, 732G01 Statistik A

Föreläsning G70 Statistik A

Kap 2: Några grundläggande begrepp

Statistisk slutledning (statistisk inferens): Sannolikhetslära: GRUNDLÄGGANDE SANNOLIKHETSLÄRA. Med utgångspunkt från ett stickprov

Grundläggande matematisk statistik

Introduktion till sannolikhetslära. Människor talar om sannolikheter :

Föreläsning 1, Matematisk statistik Π + E

Matematisk statistik 9 hp för I, Pi, C, D och fysiker Föreläsning 1: Introduktion och Sannolikhet

Matematisk statistik - Slumpens matematik

TMS136. Föreläsning 1

Sannolikhetsbegreppet

1 Föreläsning I, Vecka I: 5/11-11/11 MatStat: Kap 1, avsnitt , 2.5

Föreläsning 1. Grundläggande begrepp

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 1

SF1901: Sannolikhetslära och statistik

Föreläsning 1, Matematisk statistik för M

Matematisk statistik 9hp för: C,D,I, Pi

Utfall, Utfallsrummet, Händelse. Sannolikhet och statistik. Utfall, Utfallsrummet, Händelse. Utfall, Utfallsrummet, Händelse

3 Grundläggande sannolikhetsteori

F2 SANNOLIKHETSLÄRA (NCT )

SF1901: SANNOLIKHETSTEORI OCH STATISTIK GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGAD SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

SF1901: SANNOLIKHETSTEORI OCH GRUNDLÄGGANDE SANNOLIKHETSTEORI, STATISTIK BETINGADE SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.

Kombinatorik och sannolikhetslära

Kolmogorovs Axiomsystem Kolmogorovs Axiomsystem Varje händelse A tilldelas ett tal : slh att A inträar Sannolikheten måste uppfylla vissa krav: Kolmog

Statistik 1 för biologer, logopeder och psykologer

händelsen som alltid inträffar. Den tomma mängden representerar händelsen som aldrig inträffar.

F3 SANNOLIKHETSLÄRA (NCT ) För komplementhändelsen A till händelsen A gäller att

Kapitel 2. Grundläggande sannolikhetslära

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende

TMS136. Föreläsning 2

Grundläggande matematisk statistik

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 1 Mängdlära Grundläggande sannolikhetsteori Kombinatorik Deskriptiv statistik

Finansiell statistik, vt-05. Sannolikhetslära. Mängder En mängd är en samling element (objekt) 1, 2,, F2 Sannolikhetsteori. koppling till verkligheten

Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19

TMS136. Föreläsning 1

Betingad sannolikhet och oberoende händelser

Statistik. Det finns tre sorters lögner: lögn, förbannad lögn och statistik

Kapitel 2. Grundläggande sannolikhetslära

TAMS79: Föreläsning 1 Grundläggande begrepp

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende

Sannolikhetslära. 1 Enkel sannolikhet. Grunder i matematik och logik (2015) 1.1 Sannolikhet och relativ frekvens. Marco Kuhlmann

1.5 Vad är sannolikheten för att ett slumpvis draget spelkort ska vara femma eller lägre eller knekt, dam, kung eller äss?

732G70, 732G01 Statistik A 7hp

Föreläsningsanteckningar. Grundläggande statistik 732G01/732G40

MATEMATIKSPELET TAR DU RISKEN

SF1901: Sannolikhetslära och statistik

Satsen om total sannolikhet och Bayes sats

Övning 1 Sannolikhetsteorins grunder

SF1901: SANNOLIKHETSTEORI OCH STATISTIK GRUNDLÄGGANDE SANNOLIKHETSTEORI, KORT OM BESKRIVANDE STATISTIK. Tatjana Pavlenko.

TMS136. Föreläsning 2

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende

Sannolikhetslära. 1 Grundläggande begrepp. 2 Likformiga sannolikhetsfördelningar. Marco Kuhlmann

FMS012/MASB03: Matematisk statistik 9.0 hp för F+fysiker Föreläsning 1: Sannolikhet

Sannolikhetsteori. Måns Thulin. Uppsala universitet Statistik för ingenjörer 23/ /14

STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

7-1 Sannolikhet. Namn:.

Sannolikhetslära till pdf.notebook. May 04, Sannolikhetslära.

Matematisk statistik för D, I, Π och Fysiker. Matematisk statistik slumpens matematik. Tillämpningar för matematisk statistik.

SF1901: Övningshäfte

Armin Halilovic: EXTRA ÖVNINGAR

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 2 HT07

Uppgifter 6: Kombinatorik och sannolikhetsteori

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del I

Exempel: Väljarbarometern. Föreläsning 1: Introduktion. Om Väljarbarometern. Statistikens uppgift

7-2 Sammansatta händelser.

S0007M Statistik2: Slumpmodeller och inferens. Inge Söderkvist

Reliability analysis in engineering applications

Statistikens grunder HT, dagtid Statistiska institutionen

Kombinatorik. Bilder: Akvareller gjorda av Ramon Cavallers, övriga diagram och foton av Nils-Göran. Nils-Göran Mattsson och Bokförlaget Borken, 2011

Finansiell statistik, vt-05. Bayes sats. Bayes sats; forts. F3 Sannolikhetsteori. Exempel: antag att vi har tre skålar P( ) = 0 P( ) = 2/5 P( ) = 4/5

MA2047 Algebra och diskret matematik

{ } { } En mängd är en samling objekt A = 0, 1. Ex: Mängder grundbegrepp 5 C. Olof M C = { 7, 1, 5} M = { Ce, Joa, Ch, Je, Id, Jon, Pe}

Föreläsning 1: Introduktion

SF1914/SF1916: SANNOLIKHETSTEORI OCH GRUNDLÄGGANDE SANNOLIKHETSTEORI, STATISTIK KORT OM BESKRIVANDE STATISTIK. Tatjana Pavlenko.

Kombinatorik. Kapitel 2. Allmänt kan sägas att inom kombinatoriken sysslar man huvudsakligen med beräkningar av

Något om kombinatorik

Föreläsning 1: Introduktion

14.1 Diskret sannolikhetslära

Lösningar och lösningsskisser

Slumpförsök för åk 1-3

PLANERING MATEMATIK - ÅK 8. Bok: Y (fjärde upplagan) Kapitel : 5 Ekvationer Kapitel : 6 Sannolikhet och statistik. Elevens namn: Datum för prov

Vidare får vi S 10 = 8, = 76, Och då är 76

Föreläsning 12: Repetition

Föreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar

4.1 Grundläggande sannolikhetslära

Sannolikhet DIAGNOS SA3

Jörgen Säve-Söderbergh

Aktiviteten, (Vad är mina chanser?), parvis, alla har allt material,

SF1901: Sannolikhetslära och statistik

Föreläsning 1: Introduktion

4 Diskret stokastisk variabel

Finansiell statistik, vt-05. Slumpvariabler, stokastiska variabler. Stokastiska variabler. F4 Diskreta variabler

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion

Institutionen för lingvistik och filologi VT 2014 (Marco Kuhlmann 2013, tillägg och redaktion Mats Dahllöf 2014).

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.

SF1901 Sannolikhetsteori och statistik I

Transkript:

Föreläsning 2 Kapitel 3, sid 47-78 Sannolikhetsteori

2 Agenda Mängdlära Kombinatorik Sannolikhetslära

3 Mängdlära Används för att hantera sannolikheter Viktig byggsten inom matematik och logik Utfallsrummet, S, är samtliga möjliga utfall vid ett experiment Ex: Kasta en tärning: S = {1, 2, 3, 4, 5, 6}

4 Mängdlära Varje del av S kallas för element Ex: Låt A = händelsen udda ögon påtärningen B = händelsen högst 3 ögon på tärningen A = 1, 3, 5 B = 1, 2, 3 Om mängden A ingår i S är A en delmängd av S, vilket betecknas A ε S

5 Snitt och union Låt A och B vara två delmängder av S Snitt: Är de element som tillhör både A och B A B Union: Är de element som tillhör A eller B (eller båda) A B

6 Disjunkta händelser Händelser som inte har ett snitt Ex: Dra kort ur en kortlek. Låt: A = kortet är en hjärter B = korter är en spader B A S

7 Oberoende händelser Definieras som att sannolikheten för en händelse inte påverkas av att en annan händelse redan inträffat eller inte Går inte att visualisera i Venndiagram Ex: Kasta en tärning. Låt: A = 6 ögon upp på första kastet B = 6 ögon upp på andra kastet Händelserna är oberoende för de påverkar inte varandra Disjunkta händelser är inte oberoende!

8 Kombinatorik Gren inom matematiken som handlar om att beräkna på hur många sätt ett givet antal element kan ordnas i mängder Olika metoder Multiplikationsprincipen Permutationer när alla element är olika Permutationer när vissa element är lika Kombinationer utan upprepning Kombinationer vid upprepning

9 Multiplikationsprincipen Ex: Framför oss har vi fyra kulor i olika färger. En röd, en svart, en blå och en grön. Vi väljer en, markerar färgen på den, lägger tillbaka den (kallas med återläggning). Detta upprepas k gånger. På hur många sätt kan detta experiment utföras? n 1 n 2 n k = n k Visualiseras ofta i ett träddiagram

10 Permutationer när alla element är olika Ex: Samma fyra kulor ligger framför oss. Vi väljer utan återläggning två kulor. På hur många sätt kan detta göras, om ordningen spelar roll? Hur många sätt kan man välja k element från n stycken P n k = n! n k!

11 Permutationer när vissa element är lika Ex: Fyra kulor ligger framför oss. En svart, en blå och två röda. På hur många sätt kan vi utan återläggning välja ut alla fyra kulorna, om ordningen spelar roll? Totalt n element, där k g är antalet element i grupp g k P 1,k 2, n! n = k 1! k 2!

12 Kombinationer utan återläggning Ex: Fyra kulor ligger framför oss. En röd, en svart, en blå och en grön. Vi väljer utan återläggning två kulor. På hur många sätt kan detta göras, om ordningen inte spelar roll? Hur många sätt kan man välja k element från n stycken C n k = n k = n! k! n k!

13 Kombinationer med återläggning Ex: Fyra kulor ligger framför oss. En röd, en svart, en blå och en grön. Vi väljer med återläggning två kulor. På hur många sätt kan detta göras, om ordningen inte spelar roll? C n k = n + k 1 k = (n + k 1)! k! n 1!

14 Permutationer och kombinationer Utan återläggning och med hänsyn till ordningen: Permutationer när alla element är olika Utan återläggning och med hänsyn till ordningen, vissa element ej åtskiljbara: Permutationer när vissa element är olika Utan återläggning och utan att ordningsföljden har betydelse: Kombinationer utan upprepning Med återläggning och utan att ordningsföljden har betydelse: Kombinationer vid upprepning Permutationer används när ordningsföljden har betydelse!

15 Introduktion till sannolikhetslära Område inom statistik där vi studerar experiment som beror på slumpen Sannolikhet är ett värde mellan 0 och 1 som säger hur trolig händelsen är Ex: Sannolikheten för händelse A Pr(A)

16 Regler för sannolikheter 1. En sannolikhet ligger alltid mellan 0 och 1 2. Sannolikheten för alla disjunkta händelser i S kommer tillsammans summera till 1 3. Om vi vet sannolikheten för A, Pr(A), så är sannolikheten att A inte inträffar 1 Pr(A)

17 Den klassiska sannolikhetsdefinitionen Pr A = antalet gynnsamma utfall totala antalet utfall Ex: Tio kulor i olika färger ligger framför oss, varav en är blå. Vi väljer utan återläggning två kulor. Vad är sannolikheten att en av dem är blå?

18 Relativ frekvens tolkning av sannolikhet 0,3 0,25 0,2 Relativ frekvens 0,15 0,1 0,05 0 Tärningskast 1 1001 2001 3001 4001 5001 6001 7001 8001 9001

19 Additionssatsen för disjunkta händelser Om A och B är disjunkta gäller Pr A B = Pr A + Pr B Ex: Dra ett kort ur en kortlek. Vad är sannolikheten att kortet är ett hjärter eller ett spader? Pr Hjärter = 1 4 Pr Spader = 1 4 Pr Hjärter eller Spader = 1 4 + 1 4 = 1 2

20 Additionssatsen för icke-disjunkta händelser Om A och B inte är disjunkta gäller Pr A B = Pr A + Pr B Pr(A B) Ex: Vi drar ett kort ur en kortlek. Vad är sannolikheten att kortet är en hjärter eller en sjua? Pr Hjärter = 1 4 Pr Sjua = 1 13 Pr Hjärter eller Sjua = 1 4 + 1 13 1 52 = 4 13

21 Multiplikationssatsen för oberoende händelser Om A och B är oberoende gäller Pr A B = Pr A Pr B Ex: Vi singlar slant två gånger. Vad är sannolikheten för två krona i rad? Pr Första krona = Pr(Andra krona) = 1 2 Pr Första och andra krona = 1 2 1 2 = 1 4

22 Betingad sannolikhet Sannolikheten för händelse A givet att händelse B redan inträffat Pr A B = Pr A B Pr B Ex: Vi drar ett kort och ser att den är röd. Vad är sannolikheten att kortet är ett ess? Pr Röd = 1 2 Pr Ess = 1 13

23 Betingad sannolikhet Pr Röd Ess = 1 26 1 Pr Ess Röd = 26 = 1 1 13 2 Om Pr A B = Pr(A) eller Pr B A = Pr(B) så är händelserna oberoende

24 Multiplikationssatsen för beroende händelser Om A och B är beroende gäller Pr A B = Pr A Pr B A = Pr B Pr A B = Pr B A Ex: En skål innehåller 10 röda och 5 blå kulor. Vi väljer slumpmässigt och utan återläggning 2 kulor. Vad är sannolikheten för att bägge är blå? Pr Första blå = 5 15 Pr Andra blå Första blå = 4 14

25 Multiplikationssatsen för beroende händelser Pr Första Andra = 5 15 4 14 = 2 21

26 Lagen om total sannolikhet Om A 1,, A g är g st parvis disjunkta händelser, vars union bildar hela utfallsrummet, blir: g Pr B = i=1 Pr A i Pr B A i Ex: Sannolikheten att drabbas as strupcancer är 5% för rökare och 0,1% för icke-rökare. 14% av befolkningen röker. Vad är sannolikheten att en slumpmässigt vald person drabbas av strupcancer?

27 Bayes sats Om A 1,, A g är g parvis disjunkta händelser, vars union bildar hela utfallsrummet, blir: Pr A j B = Pr A j Pr B A j Pr B g Där Pr B = σ i=1 Pr Ai Pr B A i Ex (fortsättning): Hur stor andel av dem som drabbas av strupcancer är rökare?