Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad



Relevanta dokument
SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.

Sannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n

Borel-Cantellis sats och stora talens lag

Tentamen i Sannolikhetsteori III 13 januari 2000

Föreläsning 10: Kombinatorik

Anmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b].

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion.

DEL I. Matematiska Institutionen KTH

Induktion LCB Rekursion och induktion; enkla fall. Ersätter Grimaldi 4.1

F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik

ENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp

Föreläsning G04: Surveymetodik

(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna.

Introduktion till statistik för statsvetare

Stokastiska variabler

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n grad( P(

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)

2. Konfidensintervall för skillnaden mellan två proportioner.

TAMS79: Föreläsning 9 Approximationer och stokastiska processer

. Mängden av alla möjliga tillstånd E k kallas tillståndsrummet.

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Grundläggande matematisk statistik

Armin Halilovic: EXTRA ÖVNINGAR

Kompletterande kurslitteratur om serier

Genomsnittligt sökdjup i binära sökträd

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera

TMS136: Dataanalys och statistik Tentamen med lösningar

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 1: Matematik 7.5 hp

Webprogrammering och databaser. Begrepps-modellering. Exempel: universitetsstudier Kravspec. ER-modellen. Exempel: kravspec forts:

H1009, Introduktionskurs i matematik Armin Halilovic POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING. vara ett polynom där a

101. och sista termen 1

Inledande kombinatorik LCB 2001

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)

F3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?

Föreläsning G04 Surveymetodik 732G19 Utredningskunskap I

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Tentamen i Krypteringsmetoder och Säkring av Datasystem 7.5 hp

Cartesisk produkt. Multiplikationsprincipen Ï Ï Ï

Universitetet: ER-diagram e-namn

Databaser - Design och programmering. Databasdesign. Kravspecifikation. Begrepps-modellering. Design processen. ER-modellering

H1009, Introduktionskurs i matematik Armin Halilovic. använder vi oftast induktionsbevis.

= (1 1) + (1 1) + (1 1) +... = = 0

Databaser - Design och programmering. Programutveckling. Programdesign, databasdesign. Kravspecifikation. ER-modellen. Begrepps-modellering

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl

Föreläsning 2: Punktskattningar

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Osäkerhet. Probabilistiska resonemang. Sannolikhet. Osäkerhet. ! Osäkerhet! Grundläggande sannolikhetslära. ! Bayesianska nätverk

REGULJÄRA SPRÅK (8p + 6p) 1. DFA och reguljära uttryck (6 p) Problem. För följande NFA över alfabetet {0,1}:

c n x n, där c 0, c 1, c 2,... är givna (reella eller n=0 c n x n n=0 absolutkonvergent om x < R divergent om x > R n n lim = 1 R.

x 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x

Inledande matematisk analys. 1. Utred med bevis vilket eller vilka av följande påståenden är sana:

Lektion 3 Kärnan Bindningsenergi och massdefekt

Vad är det okända som efterfrågas? Vilka data är givna? Vilka är villkoren?

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 1: Matematik 7.5 hp

Inledande matematisk analys (TATA79) Höstterminen 2016 Föreläsnings- och lekionsplan

b 1 och har för olika värden på den reella konstanten a.

1. Test av anpassning.

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl

4.2.3 Normalfördelningen

Uppgifter 3: Talföljder och induktionsbevis

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k

MS-A0409 Grundkurs i diskret matematik I

RESTARITMETIKER. Avsnitt 4. När man adderar eller multiplicerar två tal som t ex

Föreläsning G70 Statistik A

Datastrukturer och algoritmer

F10 ESTIMATION (NCT )

Matematisk statistik - Slumpens matematik

Egna funktioner. Vad är sin? sin är namnet på en av många inbyggda funktioner i Ada (och den återfinns i paketet Ada.Numerics.Elementary_Functions)

TAMS15: SS1 Markovprocesser

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Matematisk statistik

Analys av algoritmer. Beräkningsbar/hanterbar. Stora Ordo. O(definition) Datastrukturer och algoritmer. Varför analysera algoritmer?

Universitetet: ER-diagram e-namn

Följande begrepp används ofta vid beskrivning av ett statistiskt material:

Tentamen i Matematisk statistik för V2 den 28 maj 2010

Datorövning 2 Fördelningar inom säkerhetsanalys

ÖPPNA OCH SLUTNA MÄNGDER. KOMPAKTA MÄNGDER. DEFINITIONSMÄNGD. INLEDNING. Några viktiga andragradskurvor: Cirkel, ellips, hyperbel och parabel.

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT

TENTAMEN I MATEMATISK STATISTIK

Hambley avsnitt 12.7 (även 7.3 för den som vill läsa lite mer om grindar)

Andra ordningens lineära differensekvationer

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n = grad( P(

Tommy Färnqvist, IDA, Linköpings universitet

Kontrollskrivning 2 till Diskret Matematik SF1610, för CINTE1, vt 2019 Examinator: Armin Halilovic Datum: To Σ p P/F Extra Bonus

a) Beräkna E (W ). (2 p)

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08

Fourierserien. fortsättning. Ortogonalitetsrelationerna och Parsevals formel. f HtL g HtL t, där T W ã 2 p, PARSEVALS FORMEL

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007

Transkript:

Saolikhetslära c 201 Eric Järpe Högskola i Halmstad Saolikhetslära hadlar om att mäta hur saolikt (dvs hur ofta ) ma ka förväta sig att ågot iträffar. Därför sorterar saolikhetslära uder de matematiska uderrubrike måtteori (äve kallat itegratiosteori). Strax ska vi defiiera begreppet saolikhet i elighet med måtteori, me låt oss börja med ågra adra grudläggade begrepp och de klassiska defitioe. Låt oss betrakta två exempel. I exempel 1 kastar vi e tärig e gåg. I exempel 2 kastar vi samtidigt e grö och e röd tärig e gåg. Detta är exempel på två experimet. Varje experimet ka ha olika resultat (hädelser). Utfalle är de mista bestådsdelar som bygger upp de olika hädelsera. Tillsammas bildar utfalle mägde av allt som ka iträffa, utfallsrummet. Begrepp Förklarig Värde i exemple Experimet Specifikatio av e 1: Kasta e tärig situatio som ka få 2: Kasta två tärigar olika förlopp Utfall De möjliga resultate 1: 1, 2, 3, 4,, 6 av experimetet 2: (1,1),(1,2),...,(6,),(6,6) (Atomära hädelser) Hädelse Sammasättig av utfall 1: A 1 {vi slår e sexa} {6} B 1 {vi slår högst 4} {1,2,3 eller 4} 2: A 2 {gröa tärige är e sexa} {(6,1),(6,2),...,(6,6)} B 2 {summa är 7} {(1,6),(2,),(3,4),(4,3),(,2),(6,1)} Utfallsrum Ω Mägde av alla utfall 1: {1,2,3,4,,6} 2: {(1,1),(1,2),...,(,6),(6,6)} Defiitio 1 De klassiska defiitioe Saolikhete för att ett experimet utmyar i e hädelse A beteckas P(A) och defieras som atalet utfall gysamma för A, g(a), i proportio mot det totala atalet utfall som experimetet ka utmya i, m: P(A) #{gysamma utfall} #Ω g(a) m 1

Multiplikatiospricipe Om ett experimet ka idelas i j delexperimet där det första ka få 1 utfall det adra ka få 2 utfall. det j:te ka få j utfall så har experimetet 1 2 j utfall. Exempel I exemplet med de röda och de gröa tärige ger kast med de röda 6 utfall och kast med de gröa också 6 utfall varmed experimetet har totalt 6 6 36 utfall. Låt oss beräka saolikhera för hädelsera A 1,B 1,A 2 och B 2. 1: P(A 1 ) g(a 1) m 1 #{6} #{1,2,3,4,,6} 1 6 P(B 1 ) g(b 1) m 1 #{1,2,3,4} #{1,2,3,4,,6} 2 3 2: P(A 2 ) g(a 2) m 2 #{(6,1),(6,2),...,(6,6)} #{(1,1),(1,2),...,(6,6)} 6 36 1 6 P(B 2 ) g(b 2) #{(1,6),(2,),(3,4),(4,3),(,2),(6,1)} m 2 #{(1,1),(1,2),...,(6,6)} 6 36 1 6 Exempel Atag att vi kackar på hos e fembarsfamilj och att bare i tur och ordig kommer till dörre. På hur måga sätt ka det iträffa? Lösig: Eftersom varje bar ka vara atige pojke eller flicka blir det totala atalet kofiguratioer 2 32 stycke. Kombiatorik/biomialkoefficieter Atalet sätt ma ka välja k elemet blad möjliga uta återläggig och uta häsy till ordige är ( )! k k!( k)! Kom ihåg: ( ) ( k ( k), ( 0) 1, 1). Läs om Pascals triagel! Observera P(Ω) 1. (Mycket avädbar regel!) 2

Exempel Vad är saolikhete att det hos e fembarsfamilj (i ett område med lika stor adel pojkar som flickor) fis (a) 1 pojke och 4 flickor? (b) 2 pojkar och 3 flickor? (c) övriga kofiguratioer? Lösig: (a) Ataletsättför1pojkeoch4flickorär ( 1) (dvs(p,f,f,f,f),(f,p,f,f,f),...,(f,f,f,f,p)). Dettotalaataletsättär2 32varmedP(1P,4F). 32 ) 10 varmed P(2P,3F) 10 (b) #{2P,3F} (. 2 32 (c) Pga symmetriregel för biomialkoefficietera är P(3P,2F) 10 och 32 P(4P,1F). Vidare, eftersom ( ( 32 0) ) 1 så är P(F) P(P) 1. 32 Kotroll: P(F)+P(4F,1P)+P(3F,2P)+P(2F,3P)+P(1F,4P)+P(P) 1. Exempel Kalle köper lotter på ett lotteri med 100 lotter varav 1 ger 100 000:- 2 ger e bostadsrätt 2 ger e koloilott ger e cykel ger 100:- Vad är chase att ha vier (a) mist 3 cyklar? (b) 200:-, 1 cykel och 1 koloilott (och iget aat)? (c) bostad eller pegar? (d) ågot överhuvudtaget? Lösig: (a) P(mist 3 cyklar) P(3 cyklar)+p(4 cyklar)+p( cyklar) ( ) 4 3 9 94 +( ) 4 3 2 9 +( ) 4 3 2 1 3 100 99 98 97 96 4 100 99 98 97 96 100 99 98 97 96 46126 0.0006127. 728720 (b) P(200:- och 1 cykel och 1 koloilott) 2 1 2 8! 0.0000113. 100 99 98 97 96 2 (c) P(bostad eller pegar) P(ite bara cyklar och itlotter) 1 P(bara cyklar och itlotter) 1 90 89 88 87 86 0.4162476. 100 99 98 97 96 (d) P(ågot) 1 P(iget) 1 8 84 83 82 81 0.643167. 100 99 98 97 96 3

På det här viset ka ma klara av saolikheter för hädelser ur uppräkeliga (dvs umrerbara) utfallsrum. Me täk t.ex. om Pelle hoppar lägdhopp och att ha ka mäta sia hopp med godtyckligt hög precisio. Vad blir u utfalle av ett hopp? Utfallsrummet måste vara de positiva reella tale Ω R + och hädelser frå detta utfallsrum t.ex. ett hopp är lägre ä 4 meter. Me vilka är utfalle? Detta är ett exempel med överuppräkeligt utfallsrum och för att klara av det behövs e geeraliserig av saolikhetsbegreppet. Ett framgågsrikt agreppssätt är att lika hädelser vid mägder. Låt oss börja med att repetera lite mägdlära. Nam Förklarig Värde i exemple Ve-diagram 1: A 1 {6} Ω A B B 1 { 4} 2: A 2 {gröa 6} B 2 {summa 7} Uio Sitt A B A eller B A B A och B 1: A 1 B 1 { 6 eller 4} {6,1,2,3,4} 2: A 2 B 2 {gröa 6 eller summa 7} {(6,1),...,(6,6),(,2),...,(1,6)} 1: A 1 B 1 { 6 och 4} 2: A 2 B 2 {gröa 6 och summa 7} {(6,1)} Komplemet A c Allt utom A 1: AC 1 { 6} {1,2,3,4,} 2: A C 2 Ω\{gröa 6} {(1,1),(1,2),...,(,),(,6)} Två hädelser A,B är disjukta om de ite ka iträffa samtidigt, dvs om A B. Lär De Morgas lagar: (A B) C A C B C och (A B) C A C B C. Idelig av hela utfallsrummet Ω i disjukta delmägder kallas partitio. 4

Defiitio 2 De modera defiitioe E fuktio P, som till varje hädelse A ur ett utfallsrum Ω ordar P(A) R, är ett saolikhetsmått om 1. 0 P(A) 1 för alla A Ω, 2. P(Ω) 1, 3. P(A B) P(A)+P(B) för alla disjukta A,B Ω. P mäter de mass-/yt- adel som upptas av A relativt utfallsrummet Ω. Tilläggas bör också att de modera defiitioe sammafaller med (dvs ger samma resultat som) de klassiska i de fall det hadlar om uppräkeliga utfallsrum. Ite desto midre ka de klassiska vara ett pedagogiskt första steg att ta och ma ka aturligtvis aväda de ärhelst ma föredrar de i de fall de är tillämpbar. Sats 2B Komplemetsatse: P(A C ) 1 P(A). Sats 2C Additiossatse: P(A B) P(A)+P(B) P(A B). Övig Härled Satsera 2B och 2C frå defiitioe av saolikhet och mägdlagara.