2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /

Relevanta dokument
Föreläsning 6, Matematisk statistik Π + E

Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer

Matematisk statistik för D, I, Π och Fysiker

Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer

Matematisk statistik för D, I, Π och Fysiker

Föreläsning 6, FMSF45 Linjärkombinationer

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

SF1901 Sannolikhetsteori och statistik I

Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden

Föreläsning 5, FMSF45 Summor och väntevärden

Föreläsning 5, Matematisk statistik Π + E

(x) = F X. och kvantiler

Väntevärde och varians

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.

Stokastiska vektorer och multivariat normalfördelning

Kap 2. Sannolikhetsteorins grunder

SF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK.

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

1 Föreläsning IV; Stokastisk variabel

Sannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK 9HP, FMS012 [UPPDATERAD ] Sannolikhetsteorins grunder

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh

Centrala gränsvärdessatsen (CGS). Approximationer

Summor av slumpvariabler

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

Matematisk statistik

Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT

Stokastiska vektorer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik

Föreläsning 7: Stokastiska vektorer

SF1901: Sannolikhetslära och statistik

Kurssammanfattning MVE055

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

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

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

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

Föreläsning 7: Punktskattningar

Sannolikhet och statistik XI

Föreläsning 7: Punktskattningar

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

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

Stokastiska signaler. Mediesignaler

Föreläsning 7: Punktskattningar

Veckoblad 3. Kapitel 3 i Matematisk statistik, Dahlbom, U.

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

FINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I. Oktober Matematikcentrum Matematisk statistik

Matematisk statistik för D, I, Π och Fysiker

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06

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

F7 forts. Kap 6. Statistikens grunder, 15p dagtid. Stokastiska variabler. Stokastiska variabler. Lite repetition + lite utveckling av HT 2012.

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

Statistiska metoder för säkerhetsanalys

Bengt Ringnér. September 20, Detta är föreläsningsmanus på lantmätarprogrammet LTH vecka 5 HT07.

Oberoende stokastiska variabler

Tentamen MVE302 Sannolikhet och statistik

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

Matematisk statistik TMS063 Tentamen

SF1901 Sannolikhetsteori och statistik I

Bengt Ringnér. October 30, 2006

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

TMS136. Föreläsning 5

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

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

FACIT: Tentamen L9MA30, LGMA30

TENTAMEN MÅNDAGEN DEN 22 OKTOBER 2012 KL a) Bestäm P(ingen av händelserna inträffar). b) Bestäm P(exakt två av händelserna inträffar).

Övning 1. Vad du ska kunna efter denna övning. Problem, nivå A

bli bekant med summor av stokastiska variabler.

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

19.1 Funktioner av stokastiska variabler

Statistiska metoder för säkerhetsanalys

Föreläsning 8, Matematisk statistik Π + E

Övning 1 Sannolikhetsteorins grunder

TMS136. Föreläsning 4

DATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03. bli bekant med summor av stokastiska variabler.

Kovarians och kriging

TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära

Grundläggande matematisk statistik

Lektionsanteckningar 11-12: Normalfördelningen

Våra vanligaste fördelningar

Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar

TMS136. Föreläsning 5

SF1911: Statistik för bioteknik

1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5

Matematisk statistik för D, I, Π och Fysiker

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

Grundläggande matematisk statistik

Sannolikheter och kombinatorik

FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6.

FACIT: Tentamen L9MA30, LGMA30

Tentamen MVE301 Sannolikhet, statistik och risk

Matematisk statistik 9 hp Föreläsning 4: Flerdim

Detta formelblad får användas under både KS2T och KS2D, samt ordinarie tentamen. x = 1 n. x i. with(stats): describe[mean]([3,5]); 4.

Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess

Finansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2

1.1 Diskret (Sannolikhets-)fördelning

0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.

TENTAMEN I STATISTIKENS GRUNDER 1

Formler och tabeller till kursen MSG830

Övning 1(a) Vad du ska kunna efter denna övning. Problem, nivå A. Redogöra för begreppen diskret och kontinuerlig stokastisk variabel.

Transkript:

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 FUNKTION AV EN KONTINUERLIG VARIABEL Antag en väntetid X, mätt i timmar, är eponentialfördelad med f X e för >. Vi vill ha fördelningen för tiden mätt i minuter istället, dvs för Y 6X. Eftersom PX för ontinuerliga fördelningar börjar vi istället med fördelningsfuntionen F Y y PY y P6X y PX y/6 y/6 f X d y/6 e d [ e ] y/6 e y/6 e / för y/6 dvs för y. Definitionen av täthetsfuntionen ger f Y y d dy PY y e y/ för y. Y är ocså eponentialfördelad! f X 6 4..4.6.8 belastning N Antag att belastningarna olia år är oberoende. Beräna slh att belastningen under ett år överstiger.9 N; slh att den största belastningen under år överstiger.9 N; den belastning som har sannoliheten.5 att inte översridas någon gång på år. Lösning. PX >.9.9.9 f X d d [ ].9.9.5. Lösning. PmaX,..., X >.9 [ma är större minst en är större. Jobbigt. Vänd!] PmaX,..., X.9 [ma är mindre alla är mindre] PX.9,..., X.9 [oberoende] PX.9... PX.9 PX.9 PX >.9.9.9 /.9948..5.5 f X.5.5 f Y y, YX Lösning. Vi vill hitta a så att.5 PmaX,..., X > a PmaX,..., X a... PX > a a a 5 vilet ger att a.5 /5.999 N..5.5 4 4 MAXIMUM OCH MINIMUM EXEMPEL FÖRDELNINGEN FÖR MAXIMUM En onstrution utsätts år i för en belastning X i N, med fördelning enligt f Xi, < Om X,..., X n är oberoende s.v. så gäller att PmaX,..., X n PX... PX n och PminX,..., X n > PX >... PX n > Motivering: Om det största värdet ligger under måste alla värdena ligga under. Om det minsta värdet ligger över måste alla värdena ligga över.

Föreläsning 5: Matstat AK för I, HT-8 NÅGRA RESULTAT EXEMPEL FÖRDELNINGEN FÖR SUMMOR Kunder anländer till en affär enligt en Poissonprocess med intensitet Ð. Då är tiderna X, X, etc, mellan successiva under oberoende och eponentialfördelade med väntevärde /Ð, dvs f Xi Ðe Ð, Bestäm fördelningen för tiden från det att affären öppnar till dess att den andra unden anländer, dvs fördelningen för Z X + X. Lösning: PX + X f X,X, y d dy +y [oberoende] f X f X y d dy y +y y Ðe Ð Ðe Ðy dy d [ Ðe Ð e Ðy] d Ðe Ð e Ð d Ðe Ð Ðe Ð d [ e Ð Ðe Ð] e Ð Ðe Ð. f X +X d d PX + X Ðe Ð Ðe Ð + Ð e Ð Ð e Ð för Detta är en Gammafördelning! Summan av ober. Eponentialvariabler med samma väntevärde blir Gamma-fördelad.5.5 X 4 6...6.4. X +X 4 6 X +...+X 4 6 Summa av ober. Normalvariabler blir Normalfördelad. Summa av ober. Poissonvariabler blir Poissonfördelad. Summa av ober. Binomialvariabler med samma p blir Binomialfördelad. Två mycet vitiga satser: E V a + a + VÄNTEVÄRDE OCH VARIANS FÖR LINJÄRKOMBINATIONER c i X i a + c i X i c i EX i ci VX i om X,..., X n är oberoende Eempel forts: Beräna väntevärde, varians och standardavvielse för tiden tills den andra unden anländer, och för tiden tills den n:te unden anländer. Lösning: EX + X Det ansträngande alternativet: f X +X d, etc.

Föreläsning 5: Matstat AK för I, HT-8 Det enlare alternativet: EX + X EX + EX Ð + Ð Ð. VX + X VX + VX Ð + Ð Ð. DX + X VX + X. Ð EX +... + X n +... + n n EX i. Ð Ð Ð VX +... + X n Ð +... + Ð n Ð n VX i. n DX +... + X n n DX i Ð Eempel forts: Beräna väntevärde, varians och standardavvielse för sillnaden i tid tills den första unden anländer och tiden mellan första och andra unden. Lösning: EX X EX EX Ð Ð. VX X VX + VX Ð + Ð Ð. DX X VX X. Ð Eempel forts: Beräna väntevärde, varians och standardavvielse för medelvärdet av de successiva tiderna mellan de n första underna. Lösning: E X E X i EX i n n n Ð n n Ð Ð V X V X i n n n VX i EX i. Ð n n Ð nð VX i n. D X V X Ð n DX i n STORA TALENS LAG Aritmetisa medelvärdet av observationer av oberoende liafördelade variabler närmar sig väntevärdet när antalet observationer väer.... eftersom E X EX i och variansen avtar med öande n. Medelvärdet ger alltså en bra uppsattning av väntevärdet!

Väntevärden 6 5.5 5 4.5 4.5 Succesiva medelvärden för 6 tärningar Lägesmått Väntevärde, EX, µ, µ X, m,... f X d Kont. EX p X Disr. Väntevärdet anger tyngdpunten för fördelningen och an tolas som det värde man får i medeltal i långa loppet..5.5 4 Antal tärningsast Väntevärde av Y gx gf X d EY gp X Kont. Disr. F5 F5 Spridningsmått Varians, V X, σ, σ X V X E{[X EX] } EX EX Variansen anger hur utspridd X är ring sitt väntevärde. Variansen är alltid positiv. Standardavvielse, DX, σ, σ X DX V X Standardavvielsen har samma dimension som X och EX. Beroendemått Kovarians, CX, Y CX, Y E{[X EX][Y EY ]} EXY EXEY Kovariansen anger hur mycet linjärt beroende som finns mellan X och Y. Ur definitionen fås CX, X V X X och Y oberoende CX, Y Obs. CX, Y X och Y oberoende Korrellationsoefficient, ρ, ρ X,Y ρ X,Y CX, Y DXDY ρ F5 F5 4 Korrellation Räneregler EaX + b aex + b V ax + b a V X DaX + b a DX Linjärombination E a i X i a i EX i V a i X i a i a j CX i, X j a i V X i + i<j }{{} om oberoende F5 5 F5 6 Kovariansen är bilinjär dvs linjär i båda argumenten jfr polynommultipliation C a j X j, b Y a j b j CX j, Y j j E. CX + X, Y 4Y CX, Y 4CX, Y + + CX, Y 4CX, Y E. Y X X. Uttryc V Y i V X, V X och CX, X. V Y CY, Y CX X, X X 4CX, X CX, X CX, X + CX, X 4V X 4CX, X + V X F5 7

Keno Lett å vinne? Tjugo envisa, glada? Keno-9 spelare Varje dag dras vinstnummer av 7 möjliga. I Keno n väljes n nummer. Antalet vinstnummer X är hypergeometrist fördelat N 7, p, n. 7 Np N p 5 Total insats, total vinst 5 Medelvinst px n N n 45 Insatsen är 5 r i alla spel. I tabellen anger EV förväntad vinst i ronor utan insatsen medränad..5 4 Vinstplan Spel Antal rätt Vinst Sannolihet Totalt EV DV Keno 4.657e-7 9 5.7e-5 8.89 7.8 6.5 5 5.88 5.589.5.76 69 Keno 9 9 5.58e-6 8 6 9.685e-5 7 5.46 6 5.68 5.549.68.7 46 Keno 8 8 5.4e-5 7.46 6.5 5 5.9 4 5.8.56.74 84 Keno 7 7 6.467e-5 6 5.67 5 5.584 4 5.79.967.77 98.7 Keno 6 6.956 5.59 4 5.457 5.74..74 7 Keno 5 5.8 4 45. 5.54.7.76 6. Keno 4 4 6.584.67 5.58..74.8 Keno 9.8 5.75.94.74.9 Keno 5.7867.787.75 9.4.5.5 4 6 8 Antal spel 5 5 5 5 4 Antal spel