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

Relevanta dokument
TMS136. Föreläsning 4

Grundläggande matematisk statistik

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

Lektionsanteckningar 11-12: Normalfördelningen

Föreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar

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

Introduktion till statistik för statsvetare

Exempel för diskreta och kontinuerliga stokastiska variabler

Statistik 1 för biologer, logopeder och psykologer

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

Grundläggande matematisk statistik

modell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt

Våra vanligaste fördelningar

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

Föreläsning 2, Matematisk statistik för M

Föreläsning G60 Statistiska metoder

Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen

Föreläsning 2 (kap 3): Diskreta stokastiska variabler

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

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

4.2.1 Binomialfördelning

TMS136. Föreläsning 10

Föreläsning 2, FMSF45 Slumpvariabel

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II

FÖRELÄSNING 8:

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

SF1901 Sannolikhetsteori och statistik I

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

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

Statistiska metoder för säkerhetsanalys

Föreläsning 7: Punktskattningar

SF1911: Statistik för bioteknik

Finns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?

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

F13 Regression och problemlösning

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

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

Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen

Mer om slumpvariabler

8. NÅGRA SPECIELLA KONTINUERLIGA SANNOLIKHETSFÖRDELNINGAR

Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden

TMS136. Föreläsning 11

Formel- och tabellsamling i matematisk statistik

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

Föreläsning 5, Matematisk statistik Π + E

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

Föreläsning 7: Punktskattningar

F9 SAMPLINGFÖRDELNINGAR (NCT

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

Kap 2. Sannolikhetsteorins grunder

SF1901 Sannolikhetsteori och statistik I

TMS136. Föreläsning 5

Stokastiska signaler. Mediesignaler

9. Konfidensintervall vid normalfördelning

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

Statistiska begrepp och metoder som används i Successivprincipen

ÖVNINGSUPPGIFTER KAPITEL 9

Några extra övningsuppgifter i Statistisk teori

TMS136. Föreläsning 5

FÖRELÄSNING 7:

Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13

Matematisk statistik KTH. Formelsamling i matematisk statistik

4.1 Grundläggande sannolikhetslära

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

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

4 Diskret stokastisk variabel

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

Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering

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

Föreläsning 3. Sannolikhetsfördelningar

Föreläsning 5, FMSF45 Summor och väntevärden

TMS136. Föreläsning 13

FACIT: Tentamen L9MA30, LGMA30

Uppdaterade uppgifter 1-10 till Krzysztofs häfte

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

Forskningsmetodik 2006 lektion 2

Föreläsning 7: Punktskattningar

Inledning till statistikteorin. Skattningar och konfidensintervall för μ och σ

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

Tentamen i Matematisk Statistik, 7.5 hp

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.

Lärmål Sannolikhet, statistik och risk 2015

Föreläsning 8 för TNIU23 Integraler och statistik

Föreläsning 11: Mer om jämförelser och inferens

Rättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:

Tenta i Statistisk analys, 15 december 2004

Föreläsning 3, Matematisk statistik Π + E

TAMS79: Föreläsning 6. Normalfördelning

Övning 1 Sannolikhetsteorins grunder

Hur måttsätta osäkerheter?

Laboration 2: 1 Syfte. 2 Väntevärde och varians hos en s.v. X med fördelningen F X (x) MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08

SF1901 Sannolikhetsteori och statistik I

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.

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

TMS136. Föreläsning 7

(x) = F X. och kvantiler

SF1901: Sannolikhetslära och statistik

Sannolikheter och kombinatorik

Föreläsning 4: Konfidensintervall (forts.)

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011

Transkript:

5 45 4 5 5 5 5 Öppningskurs 5 9 7 5 9 7 4 45 49 5 57 6 65 abb Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F7 Kontinuerliga variabler Kontinuerliga s.v. variabler Allmänna begrepp täthetsfunktion fördelningsfunktion väntevärde varians Fördelningar Normalfördelningen Uniform t-fördelning, χ -fördelning, F exponentiell fördelning Kontinuerliga s.v. I många fall ej meningsfullt tilldela alla utfall sannolikheter Pilkastning: var hamnar pilen? Hur länge brinner lampan? Vad är aktiekursen? Längd?

Kontinuerliga s.v. forts. Utfallen för många 4 Kontinuerliga s.v. forts. mätnoggrannhet 5 Kontinuerliga variabler För kont. s.v. Meningsfullt prata slh av typen slh livslängd lampa är mellan, och timme P({,} { }) P(, ) juice i tetran mer än halvliter men mindre än liter P({,5} {< }) P(,5 < ) juice skillnaden i pris på aktien idag-imorgon är mellan och,5 P({ } {<,5}) P( <,5 ) $ 6

Staplar för slh i intervall Kontinuerliga variabler kurva beskriver fördelning av sannolikhet... 7 Täthetsfunktion En kontinuerlig variabel kan anta Kontinuerlig slumpvariabel: kan anta alla värden i ett intervall Har en täthetsfunktion () sådan att ytan under kurvan i intervallet [, ] är alltså: ( ) 8 Uniform/rektangulär fördelning om annars alla värden i () ytan under kurvan är P( ) ( ) 9

Uniform/rektangulär fördelning m.a.o. alla intervall (av viss längd) lika troliga Kasta yxa Index % Visa P( ) ( ) geometriskt Visa att Uniform/rektangulär fördelning ( ) är arean av ytan h Integralen: b Uniform/rektangulär fördelning Vad är sannolikheten att ligget t.hö. om /? P(/ ) 4

Uniform/rektangulär fördelning Vad är sannolikheten att är mellan /4 och. eller är större än /? P({/4,} {/ }) Uniform/rektangulär fördelning Avrundningsfel: antag att man avrundar sina mätningar till närmaste heltal Väntetiden för t-banan (- min trafik; ignorera tåget står inne ) /( ) om annars 4 Kontinuerliga s.v. För en kontinuerlig s.v. är sannolkheten i en punkt d.v.s. för alla P följd P( ) P(< ) 5 5

Fördelningsfunktion För kontinuerlig s.v. () P( ) Hur räkna ut? Analog m. diskreta s.v.: Antag ordnad följd av tal < < < - < P( ) P( ) + P( < ) + + ( < ) P 6 Fördelningsfunktion För kontinuerlig s.v. med täthetsfunktion () () P( ) ( ) 7 Exempel fördelningsfunktion För s.v. uniformt fördelad över intervallet [,] Uniform(,) om annars [ ] 8 6

Exempel fördelningsfunktion Antag tid till t-bana uniformt fördelad över intervallet [,] Uniform(,) täthetsfunktion: / om annars Vad är sannolikheten att vi får vänta min eller mindre? P( ) () 9 Exempel fördelningsfunktion Sökt sannolikhet P( ) (), Kontinuerlig s.v. ; ()? Väntevärde Balansera fördelningarna - väga ihop värdena... 7

Väntevärde Kontinuerlig s.v. med täthetsfunktion () Väntevärdet för, () ges av Väntevärde exempel Kontinuerlig s.v. med täthetsfunktion om annars Är () en täthetsfunktion? () ytan under kurvan är? [ ] Väntevärde exempel Väntevärdet för, () ges av 4 4 4 4 4 4 4 4 8

Varians Kontinuerlig s.v. med täthetsfunktion () Variansen för, Var() ges av [( ( )) ] Var( ) ( ( )) Med alternativ form Var( ) ( ) [ ( ) ] 5 Varians: exempel Kontinuerlig s.v. med täthetsfunktion om annars Väntevärdet för, () /4 ( ) 4 5 5 5 6 Varians: exempel Väntevärdet för, () /4 och ( ) /5 [ ( ] Var ( ) ( ) ) 5 4 8 Standardavvikelsen för, (),94 7 9

Normalfördelning Oftast får man värden nära mitten symmetri: värden tv om mitten lika troliga som th 8 Antag att längden på svenska än är normalfördelad runt 8 Vad är sannolikheten att en slumpvis vald man är kortare än 8? Sökt sannolikhet P(Längd 8) Normalfördelning Fördelningen symmetrisk: lika troligt med avvikelser tv som th:... 9 För normalfördelad s.v. N(µ,σ ) Täthetsfunktion: Normalfördelning ( µ ) /( σ ) πσ < < < µ < ( µ ) ( µ ) σ σ >

För normalfördelad s.v. N(µ,σ ) Väntevärde: () µ Varians: Var() σ Standardavvikelse: SD() σ Median: P( Md) / Md µ Normalfördelningen