Föreläsning 7 FK2002



Relevanta dokument
Lärare 1. Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum

4.1 Grundläggande sannolikhetslära

Grundläggande matematisk statistik

TMS136. Föreläsning 4

Lärare 4. Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum

Lektion 7. Radioaktivt sönderfall Bakgrundsräkning Vad är en hypotes? χ 2 -test (chi-kvadrattest) Fysikexperiment, 7.

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

Föreläsning 2 (kap 3): Diskreta stokastiska variabler

4.2.1 Binomialfördelning

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

Gamla tentauppgifter i kursen Statistik och sannolikhetslära (LMA120)

Föreläsning 3. Sannolikhetsfördelningar

Lotto. Singla slant. Vanliga missuppfattningar vad gäller slumpen. Slumpen och hur vi uppfattar den - med och utan tärning

Stockholms Universitet Fysikum Tentamensskrivning i Experimentell fysik för lärare 7.5 hp, för FK2004. Onsdagen den 14 december 2011 kl 9-14.

4 Diskret stokastisk variabel

Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar

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

Kap 3: Diskreta fördelningar

Statistik 1 för biologer, logopeder och psykologer

F6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.

TAMS65 - Föreläsning 6 Hypotesprövning

TAMS65 - Föreläsning 6 Hypotesprövning

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

Exempel för diskreta och kontinuerliga stokastiska variabler

34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD

Repetitionsföreläsning

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

Giltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta. Tentamensresultaten anslås med hjälp av kodnummer.

FÖRELÄSNING 8:

Tentamen består av 12 frågor, totalt 40 poäng. Det krävs minst 24 poäng för att få godkänt och minst 32 poäng för att få väl godkänt.

Föreläsningsanteckningar till kapitel 9, del 2

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion

Två innebörder av begreppet statistik. Grundläggande tankegångar i statistik. Vad är ett stickprov? Stickprov och urval

Introduktion till statistik för statsvetare

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1

Föreläsning 5. Kapitel 6, sid Inferens om en population

Mer om slumpvariabler

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl

Föreläsning 2, FMSF45 Slumpvariabel

Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret stokastisk variabel.

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

Idag. EDAA35, föreläsning 4. Analys. Exempel: exekveringstid. Vanliga steg i analysfasen av ett experiment

Tentamen i Matematisk statistik Kurskod S0001M

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

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

Kap 2. Sannolikhetsteorins grunder

EXAMINATION KVANTITATIV METOD vt-11 (110319)

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

Föreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar

Syfte: o statistiska test om parametrar för en fördelning o. förkasta eller acceptera hypotesen

OBS! Vi har nya rutiner.

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

2. Test av hypotes rörande medianen i en population.

Statistiska metoder för säkerhetsanalys

Föreläsning 5: Hypotesprövningar

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

Lärare 5 Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Att jämföra i tid och rum

1. Du slår en tärning två gånger. Låt A vara händelsen att det första kastet blir en sexa och låt B vara händelsen att summan av kasten blir sju.

Betrakta kopparutbytet från malm från en viss gruva. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten i dessa.

SF1901: SANNOLIKHETSLÄRA OCH STATISTIK. MER HYPOTESPRÖVNING. χ 2 -TEST. Jan Grandell & Timo Koski

Forskningsmetodik 2006 lektion 2

1 Bakgrund DATORÖVNING 3 MATEMATISK STATISTIK FÖR E FMSF Något om Radon och Radonmätningar. 1.2 Statistisk modell

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

TT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng

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

SF1901: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 12 oktober 2015

Kort om mätosäkerhet

Föreläsning G60 Statistiska metoder

Jörgen Säve-Söderbergh

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1

Statistiska Institutionen Gebrenegus Ghilagaber (docent) Skriftlig tentamen i FINANSIELL STATISTIK, grundnivå, 7,5 hp, HT08. Torsdagen 15 januari 2009

Tentamen på. Statistik och kvantitativa undersökningar STA101, 15 hp. Tisdagen den 10 e januari Ten 1, 9 hp

Binomialfördelning, två stickprov

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

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.

Föreläsning 2, Matematisk statistik för M

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

F3 Introduktion Stickprov

EXAMINATION KVANTITATIV METOD vt-11 (110204)

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

Föreläsning 12, FMSF45 Hypotesprövning

Tentamen på. Statistik och kvantitativa undersökningar STA001, 15 hp. Exempeltenta 2

Giltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta. Tentamensresultaten anslås med hjälp av kodnummer.

Idag. EDAA35, föreläsning 4. Analys. Kursmeddelanden. Vanliga steg i analysfasen av ett experiment. Exempel: exekveringstid

Hur skriver man statistikavsnittet i en ansökan?

Föreläsning 12: Repetition

Repetition 2, inför tentamen

Tentamen på. Statistik och kvantitativa undersökningar STA001, 15 hp. Exempeltenta 2

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

Extrauppgifter - Statistik

SF1922/SF1923: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 14 maj 2018

Lektionsanteckningar 11-12: Normalfördelningen

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

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) 4 juni 2004, kl

Föreläsning 12: Regression

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

OBS! Vi har nya rutiner.

TMS136. Föreläsning 11

Tentan består av 15 frågor, totalt 40 poäng. Det krävs minst 24 poäng för att få godkänt och minst 33 poäng för att få välgodkänt.

Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess

Transkript:

Föreläsning 7 FK2002

Föreläsning 7 Binomialfördelning Poissonfördelning Att testa en hypotes

Binomialfördelningen Betrakta ett experiment som består av n försök varav ν är lyckade försök. Mätningar har diskreta värden (lyckade, inte lyckade). T.ex. att kasta en tärning, att flippa ett mynt. Det finns en viss sannolikhet p att ett vi får ett lyckat försök 1 1 t.ex. vi kasta en "tre" ( p = ), vi får klave inte krona ( p = ) 6 2 q=sannolikheten att vi inte får ett lycket försök =1- p Vad är sannolikheten att få ν lyckade försök i n försök? n! ν P( n, ν ) = Bn, p ( ν ) = p q ν!( n ν )! B binomial n ν

Fråga Man drar ett kort från en kortlek och tittar på det. Sedan lägger man tillbaka kortet. Man gör detta fyra gånger. Vad är sannolikheten att dra minst tre hjärter? n! ν n ν 1 3 P = p q ; n = 4, p =, q = ν!( n ν )! 4 4 3 1 4! 1 3 sannolikheten att få 3 hjärter: ν = 3 P = = 0.05 = 5% 3!1! 4 4 4 0 4! 1 3 sannolikheten att få 4 hjärter: ν = 4 P = = 0.004 = 0.4% 4!0! 4 4 sannolikheten att få minst 3 hjärter=5+0.4=5.4%

Egenskaper av en binomialfördelning (1) Betrakta en binomialfördelning B ν för ett ( ) ( ) n, p X, σ ( ν X ) 2 2σ 2 n, p ( ) visst värde av p. Om n är stor (>~20) blir binomialfördelningen normalfördelningen B G X = ν G ν normalfunktion= Ae =medelvärdet, σ = standardavvikelsen, A=konstant (2) Standardavvikelsen av antalet lyckade försök: σ ν = np(1 p)

En jämförelse mellan en binomial-och Normalfördelningen normalfördelning Binomialfördelningen När nblir stor blir Normalfördelning ~ binomialfördelning

Att testa en hypotes En vaxtillverkare vill testa en ny typ av vax som används mellan en skid och marken. Hur kan han/hon bestämma om vaxet fungerar. En allmänn princip för att utföra ett statistiskt test: (1) Uppskatta sannolikheten att resultatet av testet är konsekvent med den s.k. nollhypotesen dvs att vaxet inte fungerar. (2) Om sannolikheten är mindre än en sannolikhetsgräns (t.ex. 5%) säger vi att det finns starka bevis för att vaxet fungerar.

Att testa vaxet Betrakta ett test som består av 10 skidlopp. Nollhypotesen innebär att sannolikheten att en 1 behandlad skid skulle vinna: p =. 2 Sannolikheten att de behandlade skidorna skulle vinna ν skidlopp 10 10! 1 P = B 10, 1 ( ν ) = 2 ν!(10 ν )! 2 Sannolikheten att de behandlade skidorna skulle vinna 10 skidlopp 10! 1 P = B 10, 1 (10) = = 0.1%. 2 10!(10 10)! 2 10

Sannolikheten att de behandlade skidorna skulle vinna minst 8 skidlopp P = B (8) + B (9) + B (10) 10, 1 10, 1 10, 1 2 2 2 10 10 10 10! 1 10! 1 10! 1 = + + = 5.5% 8!(10 8)! 2 9!(10 9)! 2 10!(10 10)! 2 Tillverkaren kan kvantifiera hur framgångsrikt sitt vax är!

Ett annat exempel Två kandidater deltar i ett val. Kandidat-1 påstår att sin opinionsundersökning visar att 60% av väljare ska rösta på honom. Kandidat-2 vill kolla detta påstående. Hon gör sin egen opinionsundersökning. Hon frågor 600 väljare som slumpmässigt valdes ut. Om 330 väljare säger att de ska rösta på kandidat-1 är detta konskevent med hans påstående?

Sannolikheten att ν väljare ska rösta på kandidat 1 = P B n, p ( ν ) Detta exempel handlar om en binomialfördelning med en stor n (600) normalfördelning binomialfördelning. Medelvärdet av X = 600 0.6 = 360 Standardavvikelsen σ = np(1 p) = 600 0.6(1 0.6) = 12 360 330 = 30 = 2.5σ

Använd tabellen: Vi behöver arean under fördelningen för ν < X 2.5 σ. Andelen av arean=1-0.99 0.01 Sannolikheten 1% Det är väldigt osannolikt att kandidat-1 har rätt.

Poissonfördelning Sannolikheten att ett antal oberoende händelser t.ex. radioaktiva sönderfall äger rum inom ett visst tidsintervall eller inom en viss volym. Poissonfördelningen: ν µ µ Pµ ( ν ) = e ν! µ = medelvärdet av antalet händelser ; ν = antalet händelser. Standardavvikelser = µ. Obs! En Binomialfördelning Poissonfördelning när sannolikheten p av en händelse är liten och antalet prov är 20 stort. T.ex. ett radioaktivt prov består av 10 kärnor och sannolikheten att en av dem ska sönderfalla inom ett visst 20 intervall är 10.

Radioaktivt sönderfall Ett radioaktivt prov emitterar alfapartiklar : 2 alfapartiklar per minut. (a) Om antalet alfapartiklar som emitteras inom två minuter räknas vad är det förväntade resultatet för medelvärdet? (b) Vad är sannolikheten att ett experiment skulle finna att antalet alfapartiklar =medelvärdet? (c) Vad är sannolikheten för att observera ν alfapartiklar om ν = 0,1, 2,3, 4 och för ν 5?

(a) Det förväntade resultatet : medelvärdet µ = 2 x 2 =4 Sannolikheten att få ν partiklar: Prob( ν partiklar)= P 4 ν ( ) = 4 e 4 ν! ν

(b) Sannolikheten att få ν partiklar: 4 ν e 4 Prob( ν partiklar)= P ( ) 4 ν = ν! 4 4 e 4 Prob(4 partiklar)= = 0.20 4! 4 0 4 1 e 4 e 4 (c) Prob(0)= = 0.02 ; Prob(1)= = 0.07 ; 0! 1! 4 2 4 3 e 4 e 4 Prob(2)= = 0.15 ; Prob(3)= = 0.20 2! 3! 4 5 4 6 4 7 e 4 e 4 e 4 Prob( ν 5)= + + +... = 0.37 5! 6! 7!

Poissonfördelningar Varje kärna har en viss sannolikhet att sönderfalla inom ett tvåminutesintervall Poissonfördelningar är diskreta och osymmetriska (för µ< 5)

Ett exempel till 18 hönor bor i ett hönshus. Varje höna i hönshuset lägger ett ägg om dagen i genomsnitt. (a)om jag kollar hönorna varje timme och tar bort ägg som jag hittar vad är medelvärdet av antalet ägg som jag hittar när jag besöker hönshuset? (b) Vad är sannolikheten att jag skulle hitta 0,1,2,3 eller fler än 3 ägg.

(a) Medelvärdet av antalet ägg jag skulle förvänta mig att hitta varje timme: 1 µ = 18 = 0.75 24 0.75 0 e 0.75 (b) Prob(0 ägg)= P0.75 ( 0) = = 0.47 0! 0.75 1 e 0.75 Prob(1 ägg)= P0.75 ( 1 ) = =0.35 1! 0.75 2 e 0.75 Prob(2 ägg)= P0.75 ( 2 ) = =0.13 2! 0.75 3 e 0.75 Prob(3 ägg)= P0.75 ( 3 ) = =0.03 3! 0.75 4 0.75 5 e 0.75 e 0.75 Prob( 4 ägg)= + +...=0.007 4! 5!

i= 1 Standardavvikelse Standardavvikelsen av en Poissonfördelning med medelvärdet µ N 1 σ = ( ν ) 2 i µ = µ N 1 Man tolkar σ som ett fel i en individuell mätning. T.ex. om man mäter N radioaktivt sönderfall inom ett visst tidsintervall är mätningen: N ± N. Det är lättare att göra en kvantitativ tolkning av hur N kan betraktas som ett fel i en mätning när µ blir stor (nästa sidan).

Poisson-och normalfördelningar P ν 9 ( ) Normal: X = 9, σ =3 Poisson: µ =9 När µ blir stor (> ~5) ν Poissonfördelning = Normalfördelning ( ) ( ) P ν = G ν där X = µ och σ = µ µ X, σ Detta betyder att vi kan använda normalfördelningen för att tolka osäkerheter. T.ex. en 68% sannolikhet att en mätning ligger mellan µ - σ < µ < µ + σ.

Ett exempel Student A påstår att han har gjort en mätning av medelvärdet av kosmisk strålning dvs partiklar som träffar en detektor inom ett visst tidsintervall. Han har hittat i genomsnitt 9 partiklar per minut med en försummbart osäkerhet. (a) Student B räknar antalet partiklar inom en minut. Hon mäter 12 partiklar. Är hennes mätningar konsekvent med student As resultat? (b) Student C räknar 115 partiklar inom 10 minuter. Är student Cs mätningar konsekvent med student As resultat?

(a) Mätningen av medelvärdet (av student A) ger 9 partiklar per minut. Vi antar att osäkerheten är försummbar. Om student As resultat är korrekt: Felet i en individuell mätningen = 9 = 3 Student Bs mätning : P ν 9 12 ± 3 partiklar inom en minut. Konsekvent med student A. ( ) Det korrekta värdet av student A Student Bs värde ν

(c) Student A s medelvärde över ett intervall av 10 minuter: µ =10 9 = 90 Felet i en individuell mätning över 10 minuter σ = 90 10. Student C mäter 115 ± 10. Det är en stor skillnad (2. 5 σ ). Sannolikheten att göra en mätning större än µ +2.5σ 1 0.99 0.01 Det är väldigt osannolikt att mätningarna är konsekventa.

Radioaktiva sönderfall med bakgrund En student undersöker ett radioaktivt prov. Han mäter 2540 sönderfall inom 10 minuter. Han tar bort provet och mäter 95 sönderfall inom 3 minuter. Vad är antalet sönderfall per minut från provet? Signal + bakgrund inom 10 minuter =2540 ± 2540 2540 ± 2540 Signal + bakgrund per minut = = 254 ± 5 10 Bakgrund inom 3 minuter =95 ± 95 95 ± 95 Bakgrund per minut = = 32 ± 3 3 Antalet sönderfall per minut = ( 254 ± 5) ( 3 ) 2 ± 3 = 222 ± 6

Normal-, Binomial- och Poissonfördelningar Fördelningen Funktion Standardevvikel se (eller felet i en individuell mätning ) När uppstår denna fördelning? Normal Binomial Poisson G= Ae B n, p P ( ν ) µ ( ν X ) 2 2σ 2 n! ν = p q ν!( n ν )! ( ν ) n ν σ np(1 p) ν µ µ = e µ ν! En viss mätning ν kan ha kontinuerliga värdenoch det finns att antal olika mätfel som förklarar varför mätningen inte har medelvärdet. Två möjliga diskreta värden (t.ex. krona,klave). Vi vill beräkna sannolikheten att få t.ex. ν kronor efter n prov om sannolikheten att få ett lyckat försök är p. Två möjliga diskreta värden (t.ex. en kärna sönderfäller eller sönderfäller inte) eller. Vi vill beräkna sannolikheten att få t.ex. ν sönderfallna kärnor om medelvärdet är µ. En Binomial -> Poissonfördelning när p är lite n och när stor.

Bn, p ν ( ) n=3 Binomalfördelning P ( ) µ ν n p blir stor blir liten. µ blir stor Normalfördelning P ν 9 ( ) Poissonfördelning ν ν

2006 En gammal tentafråga

2005 En gammal tentafråga

0 1 2 3 4 5 6 7

Tentan Om ett ämne är i boken men dök inte upp på föreläsningarna kommer det inte att dyka upp på tentan. På webben: Gamla tentafrågor Räkneövning: 2011/12/6 en fullständig gammal tenta. Kan anordna en extra räkneövning om detta behövs. Lycka till!

Sammanfattning Binomialfördelningen är en speciell funktion som tillämpas för diskreta yes/no mätningar Poissonfördelningen är en gränsfunktion av binomialfördelningen Både fördelningar blir normalfördelningar under vissa förhållanden. Med tanken på den lämpligaste fördelningen kan man göra hypotestester.