Summor av slumpvariabler

Relevanta dokument
F8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17

Summor av slumpvariabler

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

Problemlösning. Måns Thulin. Uppsala universitet Statistik för ingenjörer 30/ /16

F9 Konfidensintervall

SF1901 Sannolikhetsteori och statistik I

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

Mer om konfidensintervall + repetition

F10 Problemlösning och mer om konfidensintervall

Föreläsning 6, Matematisk statistik Π + E

Mer om slumpvariabler

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

SF1901: Sannolikhetslära och statistik

Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer

(x) = F X. och kvantiler

Matematisk statistik för D, I, Π och Fysiker

Väntevärde och varians

Formel- och tabellsamling i matematisk statistik

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

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

Introduktion till statistik för statsvetare

Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer

Kap 2. Sannolikhetsteorins grunder

Diskussionsproblem för Statistik för ingenjörer

Grundläggande matematisk statistik

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

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

Bengt Ringnér. October 30, 2006

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

SF1901: Sannolikhetslära och statistik

Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen

Föreläsning 7. Statistikens grunder.

Lektionsanteckningar 11-12: Normalfördelningen

Föreläsning 6, Repetition Sannolikhetslära

Matematisk statistik för D, I, Π och Fysiker

Diskreta slumpvariabler

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.

SF1911: Statistik för bioteknik

Kapitel 5 Multivariata sannolikhetsfördelningar

FÖRELÄSNING 7:

SF1901 Sannolikhetsteori och statistik I

Föreläsning 6, FMSF45 Linjärkombinationer

Grundläggande matematisk statistik

Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005)

TMS136. Föreläsning 7

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

Föreläsning 7: Punktskattningar

Tentamen i Matematisk statistik Kurskod S0001M

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

Stokastiska vektorer och multivariat normalfördelning

FACIT: Tentamen L9MA30, LGMA30

Kurssammanfattning MVE055

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

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

Stokastiska vektorer

Föreläsning 11: Mer om jämförelser och inferens

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

1. En kontinuerlig slumpvariabel X har följande täthetsfunktion (för någon konstant k). f.ö.

Föreläsning 7: Punktskattningar

19.1 Funktioner av stokastiska variabler

F3 Introduktion Stickprov

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

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp

TAMS79: Föreläsning 6. Normalfördelning

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

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.

Föreläsning 5, FMSF45 Summor och väntevärden

F13 Regression och problemlösning

Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden

Samplingfördelningar 1

Övningstentamen i kursen Statistik och sannolikhetslära (LMA120)

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

SF1901: Sannolikhetslära och statistik

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

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN

Statistik 1 för biologer, logopeder och psykologer

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 21 januari 2006, kl

Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen

Storräkneövning: Sannolikhetslära

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06

TENTAMEN I STATISTIKENS GRUNDER

9. Konfidensintervall vid normalfördelning

TMS136. Föreläsning 4

Tentamen i Matematisk statistik Kurskod S0001M

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

Föreläsning 5, Matematisk statistik Π + E

TENTAMEN I STATISTIKENS GRUNDER 1

Repetitionsföreläsning

Några extra övningsuppgifter i Statistisk teori

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1

Föreläsning 7: Punktskattningar

FÖRELÄSNING 8:

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

1 Stora talens lag. Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT Teori. 1.2 Uppgifter

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

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

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

F9 SAMPLINGFÖRDELNINGAR (NCT

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

Föreläsning G60 Statistiska metoder

Transkript:

1/18 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 9/2 2011

2/18 Dagens föreläsning Parkeringsplatsproblemet Räkneregler för väntevärden Räkneregler för varianser Fördelningen för summor av slumpvariabler Inlämningsuppgift 1 och 2 Problemslösning Obs! Ändrad lektionstid för MI2B imorgon: 13.15 08.15 i 2244 på Polacksbacken.

Hur många parkeringsplatser? Ett företag ska bygga 100 nya lägenheter. Utifrån erfarenhet från liknande områden vet man att sannolikheten är 25 % att ett hushåll inte har någon bil, 50 % att ett hushåll har en bil och 25 % att ett hushåll har två bilar. Hur många bilar kan man förvänta sig att hushållen har tillsammans? Hur många parkeringsplatser ska man bygga vid bostäderna för att sannolikheten att alla hushålls bilar får plats ska vara 95 %? Antag att man av utrymmesskäl inte får plats med fler än 75 parkeringsplatser. Hur stor är då sannolikheten att hushållens bilar får plats? 3/18

4/18 Räkneregler för väntevärden Låt X och Y vara slumpvariabler och a, b, c vara givna konstanter. Då är E[aX + by + c] = ae[x ] + be[y ] + c. Exempel: Om E[X ] = 5 och E[Y ] = 10 så är E[X + Y ] = E[X ] + E[Y ] = 5 + 10 = 15. Om spel 1 i genomsnitt ger 5 kr i vinst och spel 2 i genomsnitt ger 10 kr i vinst så är den genomsnittliga vinsten av spelen tillsammans 15 kr. E[X ] = 5, E[Y ] = 10, a = 2, b = 1 och c = 25 så är E[2X + Y 25] = 2 5 + 10 25 = 5. Om det kostar 25 kr att spela spel 1 två gånger och spel 2 en gång så förlorar man i genomsnitt 5 kr.

5/18 Räkneregler för väntevärden Mer allmänt kan vi låta X 1, X 2,..., X n vara slumpvariabler och a 1, a 2,..., a n vara givna konstanter. Inför slumpvariabeln S n = a 1 X 1 + a 2 X 2 +... + a n X n = n a i X i. i=1 Vi har då följande räkneregel: E[S n ] = a 1 E[X 1 ] + a 2 E[X 2 ] +... + a n E[X n ] = n a i E[X i ] i=1 Se parkeringsplatsexempel på tavlan!

6/18 Oberoende slumpvariabler Vi har tidigare definierat att två händelser A och B är oberoende om P(A B) = P(A) P(B). Två slumpvariabler X och Y kallas oberoende om P({X x} {Y y}) = P(X x) P(Y y) för alla värden på x och y. Många beräkningar blir betydligt enklare när man jobbar med oberoende slumpvariabler. När man redovisar problem på kursen så är det viktigt att poängtera när man utnyttjar att slumpvariabler är oberoende!

7/18 Räkneregler för oberoende slumpvariabler Låt X 1, X 2,..., X n vara oberoende slumpvariabler och c, a 1, a 2,..., a n vara givna konstanter. Inför slumpvariabeln S n = a 1 X 1 + a 2 X 2 +... + a n X n + c = Vi har då följande räkneregel: n a i X i + c. i=1 V[S n ] = a 2 1V[X 1 ] + a 2 2V[X 2 ] +... + a 2 nv[x n ] = Se parkeringsplatsexempel på tavlan! Om X och Y är oberoende så gäller dessutom att E[X Y ] = E[X ] E[Y ] n ai 2 V[X i ] i=1

8/18 Räkneregler för normalfördelningen Antag att X N(µ X, σ 2 X ) och Y N(µ Y, σ 2 Y ). Då gäller att ax + b N(aµ X + b, a 2 σ 2 X ) och om X och Y är oberoende så är X + Y N(µ X + µ Y, σ 2 X + σ2 Y ).

9/18 Centrala gränsvärdessatsen Låt X 1, X 2,..., X n vara oberoende slumpvariabler som alla har samma fördelning, med väntevärde µ och varians σ 2. Då gäller för stora n att är approximativt normalfördelad: där µ y = nµ och σ 2 Y = nσ2. Y = X 1 + X 2 +... + X n Y N(µ y, σ 2 Y ) Se parkeringsplatsexempel på tavlan!

10/18 Centrala gränsvärdessatsen för medelvärden I många situationer är man intresserad av X = 1 n (X 1 + X 2 +... + X n ). Det följer ur centrala gränsvärdessatsen att då n är stort så är X N (µ, σ2 ) n Då n så får vi att variansen σ2 n 0. Vad innebär det?

11/18 Stora talens lag Vi betraktar X = 1 n (X 1 + X 2 +... + X n ). Antag att slumpvariablerna X 1,..., X n är oberoende och har samma väntevärde µ. Man kan då visa att ( ) P X µ då n = 1, vilket vi tolkar som att medelvärdet X ligger nära µ då antalet observationer n är stort. Resultatet kallas stora talens lag och är en av de stora satserna inom sannolikhetsteorin och vetenskap i allmänhet.

12/18 Sammanfattning E[aX + by + c] = ae[x ] + be[y ] + c. Om X och Y är oberoende så är V[aX + by + c] = a 2 V[X ] + b 2 V[Y ]. Centrala gränsvärdessatsen: Summor av likafördelade oberoende slumpvariabler är approximativt normalfördelade. Stora talens lag: Då antalet observationer n är stort så ligger medelvärdet X nära väntevärdet µ.

13/18 Kvalitetskontroll Ett företag får en leverans av ett mycket stort antal komponenter. De vill utföra en kvalitetskontroll och beslutar sig för att skicka tillbaka leveransen om den innehåller minst 10% defekta komponenter. De väljer ut 10 komponenter på måfå och skickar tillbaka leveransen om minst 1 av de valda komponenterna är defekt. Vad är sannolikheten att leveransen skickas tillbaka om 10% av de levererade komponenterna är defekta? Vad är sannolikheten att leveransen skickas tillbaka om 20% av de levererade komponenterna är defekta?

14/18 Arbetsledaren En arbetsledare på en stor arbetsplats har observerat att antalet vikarier X som måste hyras in under en vecka tycks följa en Po(2)-fördelning. Vad är sannolikheten att ingen vikarie behövs en given vecka? Vad är sannolikheten att de behöver hyra in vikarier minst 100 gånger under ett år?

15/18 Diameter på enheter Vissa tillverkade enheter har en diameter X som kan beskrivas av täthetsfunktionen för 2 < x < 3. Bestäm konstanten c. f (x) = c(x 2)(3 x) Man kasserar enheter vars diameter är mindre än 2.2 eller större än 2.8. Hur stor andel av de tillverkade enheterna måste kasseras i det långa loppet?

16/18 Största lasten En mindre bro tål belastningar upp till och med 70 ton. Från en studie av lastbilars vikt, inklusive släp med last, har man kommit fram till att lastbilars vikter är normalfördelade med väntevärde 35 ton och varians 100. Vad är sannolikheten att en lastbil väger mer än 70 ton? Två lastbilar befinner sig på bron samtidigt. Vad är sannolikheten att de tillsammans väger mer än 70 ton? Under en dag passerar 120 lastbilar bron. Vad är sannolikheten att den tyngsta lastbilen väger mer än 70 ton?

17/18 Vilken dörr? I ett amerikanskt tävlingsprogram på TV fick deltagarna spela spelet bilen och getterna. I spelet finns tre dörrar. Bakom en finns en bil och bakom de andra två finns getter. Programledaren vet vilken dörr som bilen finns bakom, men inte deltagaren. Deltagaren vinner bilen om hon gissar rätt dörr. Spelet går till så att deltagaren gissar en dörr, varefter programledaren öppnar en av dörrarna som deltagaren inte valt. Bakom den öppnade dörren finns en get. Programledaren erbjuder sedan deltagaren att ändra sitt val till den andra kvarvarande dörren. Ska deltagaren behålla den dörr hon först gissade på eller byta dörr?

18/18 Två döttrar En man berättar stolt för oss att han har två barn och att minst en av dem är en dotter. Givet den informationen, vad är sannolikheten att han har två döttrar?