Föreläsning 2, FMSF45 Slumpvariabel

Relevanta dokument
Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

Föreläsning 2, Matematisk statistik för M

Exempel för diskreta och kontinuerliga stokastiska variabler

Föreläsning 4, Matematisk statistik för M

SF1901: Sannolikhetslära och statistik

Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering

SF1901 Sannolikhetsteori och statistik I

Föreläsning 5, FMSF45 Summor och väntevärden

Föreläsning 3, Matematisk statistik Π + E

SF1901 Sannolikhetsteori och statistik I

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016

SF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018

Kap 2. Sannolikhetsteorins grunder

SF1901: Sannolikhetslära och statistik

Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden

Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess

Matematisk statistik för B, K, N, BME och Kemister

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.

Satsen om total sannolikhet och Bayes sats

Övning 1 Sannolikhetsteorins grunder

Formel- och tabellsamling i matematisk statistik

FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått

histogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid

Två parametrar: µ (väntevärdet) och σ (standardavvikelsen) µ bestämmer normalfördelningens läge

SF1901: SANNOLIKHETSTEORI OCH FLERDIMENSIONELLA STOKASTISKA STATISTIK VARIABLER. Tatjana Pavlenko. 8 september 2017

histogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid 1

Föreläsning 5, Matematisk statistik Π + E

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

Föreläsning 3. Sannolikhetsfördelningar

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

Grundläggande matematisk statistik

SF1911: Statistik för bioteknik

Matematisk statistik KTH. Formelsamling i matematisk statistik

SF1901: Sannolikhetslära och statistik

FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data

TMS136. Föreläsning 4

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

4.2.1 Binomialfördelning

Föreläsning 9, Matematisk statistik 7.5 hp för E Konfidensintervall

Föreläsning 11, FMSF45 Konfidensintervall

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

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

Grundläggande matematisk statistik

Grundläggande matematisk statistik

Grundläggande matematisk statistik

Matematisk statistik 9 hp Föreläsning 8: Binomial- och Poissonfördelning, Poissonprocess

Matematisk statistik för D, I, Π och Fysiker

4.1 Grundläggande sannolikhetslära

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

Föreläsning 8 för TNIU23 Integraler och statistik

Statistiska metoder för säkerhetsanalys

Matematisk statistik för B, K, N, BME och Kemister

Matematisk statistik 9 hp Föreläsning 4: Flerdim

Våra vanligaste fördelningar

1 Föreläsning V; Kontinuerlig förd.

Matematisk statistik for B, K, N, BME och Kemister. Matematisk statistik slumpens matematik. Beskriva Data Florence Nightingale. Forel.

Kurssammanfattning MVE055

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh

Matematisk statistik för B, K, N, BME och Kemister

TAMS65. Formel- och tabellsamling i matematisk statistik TAMS65. Martin Singull TAMS65 TAMS65

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

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

Finansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel

BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, OCH INFÖR ÖVNING 4

Repetitionsföreläsning

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12

FÖRELÄSNING 4:

Föreläsning 8, Matematisk statistik Π + E

Föreläsning 1, Matematisk statistik Π + E

Exempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor

TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler

(x) = F X. och kvantiler

Tentamen i Matematisk Statistik, 7.5 hp

Matematisk statistik - Slumpens matematik

Finansiell statistik, vt-05. Kontinuerliga s.v. variabler. Kontinuerliga s.v. F7 Kontinuerliga variabler

Kapitel 4 Sannolikhetsfördelningar Sid Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Stokastiska Processer F2 Föreläsning 1: Repetition från grundkursen

Grundläggande matematisk statistik

4 Diskret stokastisk variabel

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3

SF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski

Matematisk statistik för D, I, Π och Fysiker

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 14 18

Demonstration av laboration 2, SF1901

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik

Föreläsning G70 Statistik A

Föreläsning 7: Punktskattningar

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

Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).

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

1.1 Diskret (Sannolikhets-)fördelning

Matematisk statistik för D, I, Π och Fysiker

Slumpvariabler och sannolikhetsfördelningar

Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).

Föreläsning 7: Punktskattningar

Transkript:

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 av ett slumpmässigt försök. Bet.: ω 1, ω 2,... Händelse en samling av ett eller flera utfall. Bet. A, B,... Utfallsrum mängden av möjliga utfall. Bet. Ω Kolmogorovs axiomsystem 0 P(A) 1 En sannolikhet är ett tal mellan 0 och 1 P(Ω) = 1 Sannolikheten att något skall hända är 1 P(A 1 A 2... ) = P(A 1 ) + P(A 2 ) +... Om A 1, A 2,... är oförenliga Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 2/23

Begrepp Samband Några viktiga samband Additionssatsen: P(A B) = P(A) + P(B) P(A B) Betingad sannolikhet: P(A B) = P(A B) P(B) defineras bara om P(B) > 0 Total sannolikhet: P(A) = n i=1 P(A H i) P(H i ) om H i H j =, i j och Bayes sats: P(H i A) = P(A H i) P(H i ) P(A) n H i = Ω Oberoende: Händelserna A och B är oberoende P(A B) = P(A) P(B) i=1 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 3/23

Stokastisk variabel En stokastisk variabel eller slumpvariabel är ett tal vars värde styrs av slumpen (en funktion som avbildar Ω R). Beteckning: X, Y,.... En stokastisk variabel är Diskret om den kan anta ett ändligt antal (ex 1, 3, π), eller uppräkneligt oändligt (ex 0, 1, 2,...). Ex: X = Antal sönderfallande partiklar i ett radioaktivt ämne under 1 s. Y = Antal Nordkoreas kärnvapentest i 2017. Kontinuerlig om den kan anta alla reella tal i ett intervall, typsikt resultatet av en mätning. Ex: X = Hastigheten hos nästa bil som passerar Vattenhallen. Y = Temperaturen i Lund i morgon. Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 4/23

Sannolikhetsfunktion Standardfördelningar Sannolikhetsfunktion För en diskret s.v. X definieras sannolikhetsfunktionen som p X (k) = P(X = k) Några egenskaper: 0 p X (k) 1, eftersom de är ju sannolikheter b P(a X b) = p X (k) alla k k=a p X (k) = 1. Slh att X skall anta något värde är 1. Observera att en stokastisk variabel jämförd med ett tal, dvs. {X = k} är en händelse. Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 5/23

Sannolikhetsfunktion Standardfördelningar Exempel: Keno-3 I Keno-3 väljs 3 av 70 nr. Vid dragning väljs 20 av dessa 70 ut som vinstnummer. Låt X = Antal vinstnr man prickar in. Sannolikhetsfunktionen för X är k 0 1 2 3 p X (k) 0.36 0.45 0.17 0.02 Två vinstnummer ger 5 kr och tre vinstnummer ger 90 kr. a) Vad är sannolikheten att vinna något? b) Vad är sannolikheten att man fått två vinstnummer under förutsättning att man vunnit? Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 6/23

Sannolikhetsfunktion Standardfördelningar Binomialfördelning Beteckning: X Bin(n, p) där 0 < p < 1 och n {1, 2,... } Förekomst: Ett slumpmässigt försök med en händelse A där P(A) = p upprepas n oberoende ggr, X = Antal ggr A inträffar. Sannolikhetsfunktion: p X (k) = ( ) n p k (1 p) n k, k k = 0, 1,..., n Ex: X=Antal sexor på tio tärningskast: X Bin(10, 1/6) Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 7/23

Sannolikhetsfunktion Standardfördelningar Poissonfördelning Beteckning: X Po(μ) där μ > 0 Förekomst: Räknar antal händelser. Sannolikhetsfunktion: p X (k) = e μ μk, k = 0, 1, 2,... k! Ex: Bilar som passerar på en väg. Antal radioaktiva sönderfall. Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 8/23

Sannolikhetsfunktion Standardfördelningar ffg-fördeling Beteckning: X ffg(p) där 0 < p < 1 Förekomst: Försöket med händelsen A upprepas oberoende, där P(A) = p. X=Antal försök tills A inträffar för första gången. Sannolikhetsfunktion: p X (k) = p(1 p) k 1, k = 1, 2,... Ex: Antal slantsinglingar t.o.m. första krona. X ffg(1/2). Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 9/23

Sannolikhetsfunktion Standardfördelningar Geometrisk fördelning Beteckning: Y Ge(p) där 0 < p < 1 Förekomst: Försöket upprepas. Y=Antal försök innan A inträffar första gången (dvs Y = X 1), där P(A) = p. Sannolikhetsfunktion: p Y (k) = p(1 p) k, k = 0, 1,... Ex: Antal tärningskast innan första sexa: X Ge(1/6). Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 10/23

Täthetsfunktion Standardfördelningar Täthetsfunktion En kontinuerlig s.v. X har i stället en täthetsfunktion f X (x). P(X A) = f X (x) dx A Några egenskaper: f X (x) 0 P(a X b) = P(a < X < b) = b a f X (x) dx f X (x) dx = 1. Slh att X skall anta något värde är 1. Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 11/23

Täthetsfunktion Standardfördelningar Rektangel- eller likformig fördelning Beteckning: X R(a, b) eller X U(a, b) (engelska Uniform) Täthetsfunktion: f X (x) = { 1 b a, 0 f.ö. a x b 1/(b a) 0 a b Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 12/23

Täthetsfunktion Standardfördelningar Exponentialfördelning Beteckning: X Exp(λ) (eller X Γ(1, λ) ) där λ > 0 Täthetsfunktion: { λe λx, x 0 f X (x) = 0 x < 0 f X (x) 2 1.5 1 λ = 2 λ = 1 λ = 1/2 λ = 1/4 0.5 0 0 2 4 6 x OBS! Ibland (t.ex i Matlab) används bet. Exp(μ) där μ = 1/λ. Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 13/23

Täthetsfunktion Standardfördelningar Normalfördelning Beteckning: X N(μ, σ) där μ R, σ > 0 Täthetsfunktion: f X (x) = 1 (x μ) e 2σ 2, 2 < x < 2πσ 2 0.5 µ = 4 0.15 σ = 2 σ = 1 f X (x) f X (x) µ = 0 µ = 10 σ = 2 0 2 0 2 4 6 8 10 x 0 20 0 20 40 x Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 14/23

Exempel Glödlampa Fördelningsfunktion För att räkna ut sannolikheter behöver man summera p X (k) eller integrera f X (x). Det kan därför vara användbart att ha en fördelningsfunktion (borde heta kumulativ förd.funk.) F X (x) = P(X x) Några egenskaper: 0 F X (x) 1, eftersom det är en sannolikhet F X (x) är växande. Diskret Kontinuerlig F X (x) = k x p X (k) F X (x) = x p X (k) = F X (k) F X (k 1) f X (x) = d dx F X(x) f X (t) dt Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 15/23

Exempel Glödlampa Fördelningsfunktion Diskret b P(a < X b) = p X(k) P(a < X b) = F X(b) F X(a) k=a+1 p X (k) F X (x) P(a < X b) = a b a b k k b a f X(x) dx Kontinuerligt P(a < X b) = F X(b) F X(a) f X (x) F X (x) a b x a b x Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 16/23

Exempel Glödlampa Fördelningsfunktion N(0,1) F X (x) = Φ(x) := 1 2π x där Φ(x) räknas ut numeriskt eller fås från tabell. e t2 /2 dt Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 17/23

Exempel Glödlampa Fördelningsfunktion Ge(0.3) F X (x) = { 1 (1 0.3) x +1 x 0 0 x < 0 1 0.8 0.6 0.4 0.2 0 0 5 10 15 20 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 18/23

Exempel Glödlampa Fördelningsfunktion Exp(0.5) F X (x) = { 1 e 0.5x x 0 0 x < 0 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 19/23

Exempel Glödlampa Exempel Glödlampa Låt X = Livslängden hos en glödlampa i år. Antag att fördelningen för X beskrivs av följande täthetsfunktion { e x, x 0 f X (x) = 0 x < 0 a) Beräkna F X (x) samt skissa den och f X (x). b) Beräkna sannolikheten att lampan håller minst två år. c) Om vi sett att lampan lyst ett år, vad är sannolikheten att den lyser två år till? Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 20/23

Exempel α-kvantil, x α En kvantil, x α, till en s.v. X är en gräns som överskrids med slh α. Den fås som lösning till någon av följande ekvationer. F X (x α ) = 1 α xα f X (x) dx = 1 α x α f X (x) dx = α f 1 a a x_a x Eller direkt ur x α = F 1 X (1 α) Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 21/23

Exempel Exempel Glödlampa (forts.) Låt X = Livslängden hos en glödlampa i år. Antag att fördelningen för X beskrivs av följande täthetsfunktion { e x, x 0 f X (x) = 0 x < 0 a) Beräkna kvantilen x α som funktion av α. b) Beräkna numeriskt de tre kvartilerna x 0.25, x 0.50 och x 0.75. (x 0.50 kallas även median) c) Gör en konkret tolkning av x 0.25. Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 22/23

Sammanfattning En stokastisk variabel X är diskret om den kan anta ett ändligt eller uppräkneligt antal värden, typiskt några positiva heltal; kontinuerlig om den kan anta alla reella tal i ett intervall. X beskrives av: Sannolikhetsfunktion p X (k) = P(X = k) om X är diskret. Täthetsfunktion f X (x) om X är kontinuerlig. Fördelningsfunktion F X (x) = P(X x) i alla fall; bra att räkna ut sannolikheter med. En α-kvantil, x α, är en gräns som överskrids med slh α. Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 23/23