Matematisk statistik för D, I, Π och Fysiker

Relevanta dokument
Föreläsning 5, Matematisk statistik Π + E

Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden

Föreläsning 5, FMSF45 Summor och väntevärden

Matematisk statistik för D, I, Π och Fysiker

Föreläsning 6, Matematisk statistik Π + E

Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer

SF1901: Sannolikhetslära och statistik

SF1901 Sannolikhetsteori och statistik I

Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer

Kap 2. Sannolikhetsteorins grunder

Matematisk statistik 9 hp Föreläsning 4: Flerdim

Föreläsning 6, FMSF45 Linjärkombinationer

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

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.

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

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

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

Väntevärde och varians

TMS136. Föreläsning 5

Föreläsning 7: Punktskattningar

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik

TMS136. Föreläsning 5

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

Föreläsning 7: Punktskattningar

SF1901: Sannolikhetslära och statistik

Övning 1 Sannolikhetsteorins grunder

SF1901 Sannolikhetsteori och statistik I

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

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

Föreläsning 17, Matematisk statistik Π + E

SF1911: Statistik för bioteknik

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

Matematisk statistik för D, I, Π och Fysiker

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

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

Matematisk statistik för D, I, Π och Fysiker

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

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

SF1901: Sannolikhetslära och statistik

Statistiska metoder för säkerhetsanalys

Kurssammanfattning MVE055

TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler

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

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

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

TMS136. Föreläsning 4

Föreläsning 7: Punktskattningar

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

Tentamen MVE302 Sannolikhet och statistik

FACIT: Tentamen L9MA30, LGMA30

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

6. Flerdimensionella stokastiska variabler

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

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

LINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1

Tentamen MVE301 Sannolikhet, statistik och risk

Tentamen i Matematisk Statistik, 7.5 hp

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

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

Föreläsning 2, FMSF45 Slumpvariabel

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

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

Stokastiska vektorer och multivariat normalfördelning

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

Tentamen MVE301 Sannolikhet, statistik och risk

Sannolikhet och statistik XI

Föreläsning 8, Matematisk statistik Π + E

Föreläsning 7: Stokastiska vektorer

Matematisk statistik KTH. Formelsamling i matematisk statistik

Kapitel 5 Multivariata sannolikhetsfördelningar

FACIT: Tentamen L9MA30, LGMA30

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

Exempel för diskreta och kontinuerliga stokastiska variabler

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

Stokastiska signaler. Mediesignaler

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

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

Föreläsning 2, Matematisk statistik för M

Summor av slumpvariabler

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

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

(a) på hur många sätt kan man permutera ordet OSANNOLIK? (b) hur många unika 3-bokstavskombinationer kan man bilda av OSANNO-

Formler och tabeller till kursen MSG830

Våra vanligaste fördelningar

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

SF1901 Sannolikhetsteori och statistik I

Laboration 2: Sannolikhetsteori och simulering

SF1901: Övningshäfte

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06

TENTAMEN I STATISTIKENS GRUNDER 1

Demonstration av laboration 2, SF1901

Problemdel 1: Uppgift 1

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

Formel- och tabellsamling i matematisk statistik

TMS136: Dataanalys och statistik Tentamen

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

LINKÖPINGS UNIVERSITET EXAM TAMS 15 / TEN 1

Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess

Transkript:

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 FMSF45/MASB3 F5 2/25 max/min Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 3/25

max/min Resultat 218-9-24 19: Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 4/25 max/min 1. För att kontrollera kvaliteten på ett stort parti väljs 1 enheter ut och om antalet felaktiga av dessa överstiger 1 enhet avskiljs partiet. Antag att partiets felandel är 5/1. Beräkna sannolikheten att partiet kommer att godkännas. 2. Orterna A och B ligger på var sin sida av ett vattendrag och förbinds av en bro. Antalet fordon som under en minut färdas från A till B är poissonfördelat med väntevärde 3 medan antal fordon i andra riktningen är poissonfördelat med väntevärde 5. Beräkna sannolikheten att det under en minut kommer minst 12 fordon på bron. Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 5/25 max/min 2D stokastisk variabel Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 6/25

max/min 2D stokastisk variabel (Kap. 4) En 2D (bivariate) stokastisk variabel beskrivs av en Simultan fördelnings-, sannolikhets- eller täthetsfunktion F X,Y (x, y) = P(X x, Y y) (Def. 4.2) p X,Y (j, k) = P(X = j, Y = k) (Def. 4.3) f X,Y (x, y) = 2 x y F X,Y(x, y) (Def. 4.4) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 7/25 max/min 2D stokastisk variabel Sannolikheten att hamna i A är integral av tätheten över A P(X A) = A f X (x) dx P((X, Y) A) = A f X,Y (x, y) dxdy f X (x) A x Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 8/25 max/min 2D stokastisk variabel Fler egenskaper (för täthetsfunktioner) (Kap. 4) Marginella tätheten f Y (y) = f X,Y (x, y) dx Betingad täthetsfunktion för X givet att Y = y f X Y (x y) = f X,Y(x, y) f Y (y) X och Y är oberoende f X,Y (x, y) = f X (x)f Y (y) för alla (x, y) Satsen om total sannolikhet Bayes sats f X (x) = f Y X (y x) = f X Y (x y)f Y (y)dy f X Y (x y)f Y (y) f X Y(x z)f Y (z)dz Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 9/25

f(y) y y max/min 2D stokastisk variabel 1 1 f(x,y) 8 8 6 6 4 4 2 2.2.1 f(y).2 2 4 6 8 1 x.1 2 4 6 8 1 x Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 1/25 max/min Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 11/25 max/min Summa av två oberoende s.v., Z = X + Y (Kap. 4.7) Diskret: p Z (k) = k p X (i) p Y (j) = p X (i)p Y (k i) i+j=k i= Kontinuerlig: F Z (z) = f X (x) f Y (y) dxdy = f Z (z) = x+y z f X (x)f Y (z x) dx f X (x)f Y (z x) dx sv.wikipedia.org/wiki/faltning Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 12/25

max/min av tärningskast Summa av tärningar.2 p X (k).1 1 2 3 4 5 6 Antal tärningar 7 8 1 2 k 3 4 5 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 13/25 max/min : Summa av diskreta stokastiska variabler Vad blir sannolikhetsfunktionen för summan av två Poisson fördelade stokastiska variabler X Po (μ x ) och Y Po ( μ y )? p X (k) = μk X k! e μx, k =, 1,... Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 14/25 max/min : Summa av kontinuerliga stokastiska variabler Vad blir tätheten för Z = X + Y om X, Y Exp(λ), där X och Y är oberoende? { λe λx x > f X (x) = f Y (x) = f.ö. Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 15/25

max/min Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 16/25 max/min Maximum (Kap. 4.6) Störst av två oberoende Z = max(x, Y) F Z (z) =P(Z z) = P(max(X, Y) z) = P(X z Y z) =F X (z)f Y (z) Störst av fler oberoende Z = max(x 1,..., X n ) n F Z (z) = F Xi (z) i=1 Jfr. alla (Kap. 2.7): P(A 1 A n ) = n i=1 P(A i) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 17/25 max/min Minimum (Kap. 4.6) Minst av två oberoende Z = min(x, Y) F Z (z) =P(Z z) = P(min(X, Y) z) = 1 P(min(X, Y) > z) =1 P(X > z Y > z) = 1 [1 F X (z)][1 F Y (z)] Minst av fler oberoende Z = min(x 1,..., X n ) n [ ] F Z (z) = 1 1 F Xi (z) i=1 Jfr. minst en (Kap. 2.7): P(A 1 A n ) = 1 n i=1 (1 P(A i)) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 18/25

max/min : Server belastning Belastningen på en server utgörs av oberoende förfrågningar från ett stort antal (n st) användare. Antag att tiden mellan förfrågningar från en användare är exponentialfördelad med parameter λ i. X i Exp (λ i ) Vad är fördelningen för tiden mellan de förfrågningar som inkommer till servern från alla användare? Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 19/25 max/min E(X) & V(X) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 2/25 max/min E(X) & V(X) Väntevärde, E(X), μ, μ X (Def. 5.1) Väntevärdet anger tyngdpunkten för fördelningen och kan tolkas som det värde man får i medeltal i långa loppet. { k E(X) = k p X(k) Diskr. x f X(x) dx Kont. Varians, V(X), σ 2, σ 2 X (Def. 5.2) Variansen anger hur utspridd X är kring sitt väntevärde. [ ] } 2 V(X) = E{ X E(X) = E(X 2 ) E(X) 2 Standardavvikelse (Def. 5.3), D(X), σ, σ X D(X) = V(X) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 21/25

max/min E(X) & V(X) Väntevärde för f X,Y (x, y) (Kap. 5.2c) För det kontinuerliga fallet ges väntevärdet ges av E(X) = = x f X (x) dx = x f X,Y (x, y) dy dx x f X,Y (x, y) dy dx } {{ } =f X (x) För ett mer komplicerat väntevärde har vi E(g(X, Y)) = g(x, y) f X,Y (x, y) dy dx Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 22/25 max/min E(X) & V(X) Betingat väntevärde för f X,Y (x, y) (Kap. 5.2c) Det betingade väntevärdet för X givet att Y = y blir (inget nytt) E(X Y = y) = x f X Y (x y) dx Satsen om total sannolikhet för väntevärde: E(E(X Y)) = { E(X Y = y)fy (y) dy E(X Y = y) py (k) = E(X) en.wikipedia.org/wiki/law_of_total_expectation Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 23/25 max/min E(X) & V(X), C(X, Y) (Def. 5.7) en anger hur mycket linjärt beroende som finns mellan X och Y. C(X, Y) = E{ [X E(X) ][ Y E(Y) ] } = E(XY) E(X)E(Y) Ur definitionen fås C(X, X) = V(X) X och Y oberoende = C(X, Y) = Obs. C(X, Y) = X och Y oberoende Korrellationskoefficient, ρ, ρ X,Y (Def. 5.8) ρ X,Y = C(X, Y) D(X)D(Y) 1 ρ X,Y 1 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 24/25

max/min E(X) & V(X) Korrellation (Kap. 5.4) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 25/25