1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

Relevanta dokument
Matematisk statistik - Slumpens matematik

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

Föreläsning 2. Kapitel 3, sid Sannolikhetsteori

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

Grundläggande matematisk statistik

TAMS79: Föreläsning 1 Grundläggande begrepp

Föreläsning 1, Matematisk statistik Π + E

F2 SANNOLIKHETSLÄRA (NCT )

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

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

SF1901: Sannolikhetslära och statistik

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

1.1 Diskret (Sannolikhets-)fördelning

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

TMS136. Föreläsning 2

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

Kapitel 1. betecknas detta antal med n(a). element i B; bet. A B. Den tomma mängden är enligt överenskommelsen en delmängd. lika; bet. A = B.

Introduktion till sannolikhetslära. Människor talar om sannolikheter :

Föreläsning 1, Matematisk statistik för M

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

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

Statistikens grunder HT, dagtid Statistiska institutionen

Reliability analysis in engineering applications

Sannolikhetsbegreppet

1.1 Diskret (Sannolikhets-)fördelning

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

Kap 2: Några grundläggande begrepp

Föreläsning G70, 732G01 Statistik A

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

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

(N) och mängden av heltal (Z); objekten i en mängd behöver dock inte vara tal. De objekt som ingår i en mängd kallas för mängdens element.

Kombinatorik och sannolikhetslära

{ } { } 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}

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 2 HT07

TMS136. Föreläsning 1

S0007M Statistik2: Slumpmodeller och inferens. Inge Söderkvist

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

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

4 Diskret stokastisk variabel

Föreläsning G70 Statistik A

TMS136. Föreläsning 2

Begreppen "mängd" och "element" är grundläggande begrepp i matematiken.

Statistik 1 för biologer, logopeder och psykologer

Begreppen "mängd" och "element" är grundläggande begrepp i matematiken.

Grafer och grannmatriser

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

Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19

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

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

Induktionsprincipen Starka induktionsprincipen Välordningsprincipen Divisionsalgoritmen

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

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

SF1901 Sannolikhetsteori och statistik I

FÖRELÄSNING 3:

SF1901: Sannolikhetslära och statistik

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

Föreläsning 1: Introduktion

Sannolikhetslära. 19 februari Vad är sannolikheten att vinna om jag köper en lott?

7. NÅGRA SPECIELLA DISKRETA SANNOLIKHETSFÖRDELNINGAR

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

Slumpförsök för åk 1-3

Oberoende stokastiska variabler

MA2047 Algebra och diskret matematik

Uppsala universitet Institutionen för lingvistik och filologi. Grundbegrepp: Mängder och element Delmängder

Kap 3: Diskreta fördelningar

3 Grundläggande sannolikhetsteori

SF1901: Sannolikhetslära och statistik

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

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

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

STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar

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

Tentamen i Statistik, STA A13 Deltentamen 1, 4p 12 november 2005, kl

SF1901: Sannolikhetslära och statistik

SF1911: Statistik för bioteknik

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

Satsen om total sannolikhet och Bayes sats

4.1 Grundläggande sannolikhetslära

Grundläggande matematisk statistik

Föreläsning 12: Repetition

Betingad sannolikhet och oberoende händelser

4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler

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

Föreläsning 1: Tal, mängder och slutledningar

Övning 1 Sannolikhetsteorins grunder

TMS136. Föreläsning 1

MATEMATIK ARBETSOMRÅDET LIKABEHANDLING Kränkande handlingar, nätmobbning, rasism och genus

2MA105 Algebraiska strukturer I. Per-Anders Svensson

Fö relä sning 1, Kö system vä ren 2014

Föreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar

en observerad punktskattning av µ, ett tal. x = µ obs = 49.5.

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

Föreläsning 1: Introduktion

S0005M. Stokastiska variabler. Notes. Notes. Notes. Stokastisk variabel (slumpvariabel) (eng: random variable) Mykola Shykula

Introföreläsning i S0001M Matematisk statistik Läsperiod 2, HT 2018

Starta med att läsa avsnitt 2.1 i [J] från sidan 56 (64) [76] till och med exempel (2.1.3) [2.1.5] på sidan 57 (65) [79].

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

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

S0005M, Föreläsning 2

Transkript:

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, LMA201, LMA521 1.1 Mängd (Kapitel 1) En (oordnad) mängd A är en uppsättning av element. En sådan mängd kan innehålla ändligt eller oändlligt med element. Ex.vis A := {x 1, x 2,..., x n }. (1) A har n element, om alla x k är olika, alltså ett ändligt antal. Ex.vis är F = {1, 2, 4, 3, 4, 2} = {1, 2, 4, 3}. Antal element i mängden skrivs F, d.v.s. F = 4. Med A B menas mängden av de element som ligger i A eller B. Med A B menas mängden av de element som ligger i A och B. Med A \ B menas mängden av de element som ligger i A men inte i B. Att ett element x finns i en mängd A skrivs x A. Med A B menas att om x A, så gäller x B. A är delmängd av B, alternativt B är övermängd till A. är den tomma mängden, mängden som inte innehåller något element. Givet en grundmängd Ω. Med A Ω. Då är A c = Ω \ A, komplementet till A. Att A B betyder att om x A så är x B. Alternativt kan det skrivas som att x / B = x / A. En likhet A = B är alltså ekvivalent med att A B och B A. Ex 1 För att bevisa följande likheter räcker det att rita mängder. Börja med att rita en grundmängd Ω! A C B Venn-diagram med tre delmängder i en grundmängd Ω. (A c B c ) = (A B) c. (A \ B) (B \ A) = (A B) \ (A B) (symmetrisk differens). A (B C) = (A B) (A C). 1

A B A B B A Ex 2 Ett kast med en tärning Dess utfall är 1, 2, 3, 4, 5, och vi kan tala om mängden Ω = {1, 2, 3, 4, 5, }. Denna mängd innehåller alla utfall och kallas utfallsrummet. Den betecknas Ω även i boken. För en sannolikhet (av en händelse), ofta betecknad P eller p, gäller 0 p 1. Ex 3 Vad är sannolikheten att i ett tärningskast, få (a) en 2:a eller en :a, (b) ett udda tal, (c) ett tal 5? Lösning: Det är naturligt att samtliga utfall sker med samma sannolikhet och att totala sannolikheten är 1. Vi sätter Ω, som ovan. (a) Som mängd betraktad A = {2, }. Den inträffar med sannolikheten 2 = 1 3. (b) Ett udda tal är 1, 3 eller 5. Som mängd betraktad är det B := {1, 3, 5}. B innehåller 3 element. Det är då rimligt att sannolikheten för att får ett udda tal är 3 = 1 2. (c) Ett tal 5 är 1, 2, 3, 4 eller 5, alltså 5 utfall. Som mängd sätter vi C = {1, 2, 3, 4, 5}. Sannolikheten som söks, d.v.s. att få ett tal 5 är 5. 2

Sannolikheten för de utfallen är densamma 1. Man talar om likformig sannolikhetsfördelning. (a) Vi införde beteckningen A, som antal element i mängden A. Här är Ω =. Vi kan i (a) sätta A = {2, } = 2. Den sökta sannolikheten i (a) är A Ω = 2 =: P (A) = 1 3. Vi inför beteckningen M, för antal möjliga utfall. Då är M = Ω =. P.s.s. inför vi G för antal gynnsamma utfall. Då är G = A = 2. Den sökta sannolikheten i (a) kan alltså skrivas (b) Här är A Ω = G M = 2 = 1 3. G = B = 3 och därmed är P (B) = B Ω = G M = 3 = 1 2. (c) P (C) = C Ω = G M = 5. Begreppet mängd ersätts så småningom av begreppet händelse. Sannolikhet hänger ihop med relativ frekvens; Om man kastar en tärning, säg 100 gånger, bör c:a 1/ vara 2:or, d.v.s. ungefär 1 till 17 gånger bör man få en 2:a. Ex 4 Med samma mängder (händelser) som i föreående exempel, bestäm (a) A B och A B. (b) A C och A C. (c) A c och B C. (d) och motsvarande sannolikheter. Lösning: (a) A B = {2, } {1, 3, 5} = {1, 2, 3, 5, }. A B = {2, } {1, 3, 5} =. (b) A C = {2, } {1, 2, 3, 4, 5} = {1, 2, 3, 4, 5, }, A C = {2}. 3

(c) A c = Ω\A är ju komplementet till A och är A c = {1, 3, 4, 5} alltså mängden av de utfall som ligger i Ω men inte i A. B C = {1, 3, 5} {1, 2, 3, 4, 5} = B. Speciellt är ju B C. Detta är ekvivalent med att B C = B. (d) Motsvarande sannolikheter är (a) P (A B) = 5 och P (A B) = P ( ) = 0 = 0. (b) P (A C) = = 1 och P (A C) = 1. (c) Respektive P (A c ) = 1 P (A) = 1 1 3 = 2 3. P (B C) = P (B) = 3 = 1 2. 4

I (a) är P (A B) = 5. Är det detsamma som att addera, d.v.s. är denna sannolikhet P (A) + P (B)? Vi ser att P (A) + P (B) = 2 + 3 = P (A B). Likheten beror på att P (A B) = 0. Mer exakt så är A och B disjunkta ("ej samtidiga") och P (A B) = P ( ) = 0. Därför är P (A) + P (B) = P (A B). Om vi sätter A B = D = {1, 2, 3, 5, }, så kan vi skriva D, som en disjunkt union: D = A B = A B. Varje mängd D kan delas upp i en eller flera parvis disjunkta delmängder. En sådan disjunkt union skrivs som ovan med. Man kan tänka sig att en mängd D är lika med D = n k=1 A k en parvis disjunkt union. Fördelen med det är att P (D) = n P (A k ). k=1 Vi jämför nu P (A C) med P (A) + P (C). P (A C) = = 1 och P (A) + P (C) = 5 + 2 = 7 (> 1). Vi skall justera så att vi får en likhet. A C = {2} och P (A C) = 1. För att få likhet, får vi subtrahera 1/ i VL på följande sätt P (A) + P (C) P (A C) = P (A C). (2) Vi ser att det numeriskt stämmer. Likheten beror på att i VL finns elementet 2 (som mängd {2}) finns i både A och C. Likheten (2) gäller generellt i sannolikhetslära. Ex 5 Två kast med en tärning Vad är sannolikheten att (a) första kast är jämnt. (b) summan är 7, (c) summan är udda och summan jämn. Lösning: 5

(a) Att första kast är jämnt är oberoende av utfallet av andra kast. Således är den sannolikheten 1 2. (b) Summan är 7. Låt vågrät rad utgöra andra kast och lodrät kolonn utgöra 1:a kast. ( ) ( ) ( ) ( ) ( ) ( ) ( 1 1 ) ( 1 2 ) ( 1 3 ) ( 1 4 ) ( 1 5 ) ( 1 ) 2 1 2 2 2 3 2 4 2 5 2 ( ) ( ) ( ) ( ) ( ) ( ) ( 3 1 3 2 3 3 3 4 3 5 3 ) ( ) ( ) ( ) ( ) ( ) ( 4 1 ) ( 4 2 ) ( 4 3 4 4 4 5 4 ) ( ) ( ) ( ) ( 5 1 ) ( 5 2 ) ( 5 3 ) ( 5 4 5 5 5 ) ( ) ( ) 1 2 3 4 5 Vi får M = 2 = 3 och G =, så att sökt sannolikhet är P (summan är 7) = 3 = 1. (c) Summan är udda: G = 2+4++4+2 = 18, M = 3 = P (summan är udda) = 18 3 = 1 2. Summan är jämn: G = 1+3+5+5+3+1 = 18, M = 3 = P (summan är udda) = 18 3 = 1 2. Observera att P (summa = x) inte är likformig, d.v.s. P (summa = x) är olika för olika x = 2, 3..., 12. Vi inför en stokastisk variabel, här betecknad ξ med betydelsen ξ =summan av tärningskasten(-s poäng). Sannolikheterna fördelar sig som i figuren. 0.15 0.10 0.05 3 4 5 7 8 9 10 11 12 Frekvensfunktion (Probability density function) för summan av två kast med en tärning (eller ett kast med två tärningar).