Kapitel 2. Grundläggande sannolikhetslära

Relevanta dokument
Kapitel 2. Grundläggande sannolikhetslära

Föreläsning 2. Kapitel 3, sid Sannolikhetsteori

SF1901: Sannolikhetslära och statistik

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

Något om kombinatorik

Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar

Kombinatorik och sannolikhetslära

Sannolikhetsbegreppet

MA2047 Algebra och diskret matematik

Betingad sannolikhet och oberoende händelser

TMS136. Föreläsning 1

Kap 2: Några grundläggande begrepp

Armin Halilovic: EXTRA ÖVNINGAR

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.

Jörgen Säve-Söderbergh

Grundläggande matematisk statistik

TMS136. Föreläsning 1

SF1901: Sannolikhetslära och statistik

Kombinatorik. Kapitel 2. Allmänt kan sägas att inom kombinatoriken sysslar man huvudsakligen med beräkningar av

Föreläsning G70 Statistik A

Kombinatorik. Bilder: Akvareller gjorda av Ramon Cavallers, övriga diagram och foton av Nils-Göran. Nils-Göran Mattsson och Bokförlaget Borken, 2011

Finansiell statistik, vt-05. Bayes sats. Bayes sats; forts. F3 Sannolikhetsteori. Exempel: antag att vi har tre skålar P( ) = 0 P( ) = 2/5 P( ) = 4/5

Kombinatorik Förenkla C(n+1,2)-C(n,2) och C(n+1,3)-C(n,3)

{ } { } 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}

TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter

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

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

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik

Matematisk statistik - Slumpens matematik

TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter

Hur många registreringsskyltar finns det som inte innehåller samma tecken mer än en

Kombinatorik. Författarna och Bokförlaget Borken, Kombinatorik - 1

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

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson

Introduktion till sannolikhetslära. Människor talar om sannolikheter :

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

Sannolikhetslära till pdf.notebook. May 04, Sannolikhetslära.

Tillägg, Studiehandledning LMN100 Delkurs 4: Statistik, sannolikhet och funktioner

KOMBINATORIK. Exempel 1. Motivera att det bland 11 naturliga tal finns minst två som slutar på samma

F2 SANNOLIKHETSLÄRA (NCT )

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

Kapitel 5 Multivariata sannolikhetsfördelningar

7-2 Sammansatta händelser.

kvoten mellan två på varandra följande tal i en talföljd är konstant alltid lika stor.

4.1 Grundläggande sannolikhetslära

Föreläsning G70, 732G01 Statistik A

Känguru Student (gymnasiet åk 2 och 3) sida 1 / 6

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

Studiehandledning, LMN100, Del 3 Matematikdelen

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

Studiehandledning, LMN100, Del 4 Matematikdelen

Grundläggande matematisk statistik

Kap 3: Diskreta fördelningar

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 2 HT07

TAMS79: Föreläsning 1 Grundläggande begrepp

samma sätt. Spara varje uppgift som separat Excelfil. För att starta Excel med Resampling-pluginet, välj Resampling Stats for Excel i Start-menyn.

TMS136. Föreläsning 2

SF1901: Sannolikhetslära och statistik

4. Stokastiska variabler

Lösningar till Algebra och kombinatorik

1.1 Diskret (Sannolikhets-)fördelning

STA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017

SF2715 Tillämpad kombinatorik, 6hp

Lösningar och lösningsskisser

Repetition av matematik inför kurs i statistik 1-10 p.

Statistikens grunder HT, dagtid Statistiska institutionen

STA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017

Kurs: HF1012, Matematisk statistik Lärare: Armin Halilovic Datum: Tisdag 12 april 2016 Skrivtid: 8:15-10:00

Vidare får vi S 10 = 8, = 76, Och då är 76

A-del. (Endast svar krävs)

Grundläggande matematisk statistik

SF1901: Sannolikhetslära och statistik. Mer om Approximationer

Grundläggande matematisk statistik

MATEMATIKSPELET TAR DU RISKEN

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

SJÄLVSTÄNDIGA ARBETEN I MATEMATIK

Föreläsning 12: Repetition

Bonusmaterial till Lära och undervisa matematik från förskoleklass till åk 6. Ledning för att lösa problemen i Övningar för kapitel 5, sid

18 juni 2007, 240 minuter Inga hjälpmedel, förutom skrivmateriel. Betygsgränser: 15p. för Godkänd, 24p. för Väl Godkänd (av maximalt 36p.

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

Dagens Teori. 6.1 Kombinatorik Ett svårt problem

Statistik 1 för biologer, logopeder och psykologer

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

Uppgifter 6: Kombinatorik och sannolikhetsteori

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

1.5 Vad är sannolikheten för att ett slumpvis draget spelkort ska vara femma eller lägre eller knekt, dam, kung eller äss?

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

KOMBINATORIK OCH BINOMIALSATSEN

SF1914/SF1916: SANNOLIKHETSTEORI OCH GRUNDLÄGGANDE SANNOLIKHETSTEORI, STATISTIK KORT OM BESKRIVANDE STATISTIK. Tatjana Pavlenko.

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

Avdelning 1, trepoängsproblem

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

F9 SAMPLINGFÖRDELNINGAR (NCT

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

Slumpförsök för åk 1-3

FÖRELÄSNING 3:

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

SF1901 Sannolikhetsteori och statistik I

Aktiviteten, (Vad är mina chanser?), parvis, alla har allt material,

Transkript:

Sannolikhetslära och inferens II Kapitel 2 Grundläggande sannolikhetslära 1

Att beräkna en sannolikhet I många slumpförsök gäller att alla utfall i S är lika sannolika. Exempel: Tärningskast, slantsingling. Om så är fallet kan vi bestämma sannolikheten för en händelse A genom att räkna utfall. Det abstrakta problemet att bestämma Pr(A) har då överförts på det konkreta problemet att räkna utfall. För att i olika situationer kunna räkna utfall behöver vi känna till några kombinatoriska tekniker. 2

Kombinatorik: Att räkna utfall De för oss intressanta slumpförsöken är då vi ur en population ska dra ett antal individer. I sannolikhetsläran överförs detta problem på en sk urnmodell, dvs till att dra r bollar ur en urna som innehåller totalt n bollar. För att veta vilken kombinatorisk teknik som ska användas för att bestämma på hur många sätt bollarna kan dras behöver vi besvara två frågor. 1. Är det dragning med eller utan återläggning? 2. Är det dragning med eller utan hänsyn till ordningen? 3

Kombinatorik: mn-regeln 1. Dragning med återläggning, med hänsyn till ordningen. Exempel: Hur många registreringsnummer till bilar finns det? Vi ska dra tre bollar vardera ur en bokstavsurna med n 1 =23 bollar och en sifferurna med n 2 =10 bollar. Dragning sker med återläggning (samma bokstäver och siffror får förekomma fler gånger) och med hänsyn till ordningen (ABC123 skiljer sig från ACB123). Antal registreringsnummer är 4

Permutationer och kombinationer 2. Dragning utan återläggning, med hänsyn till ordningen. 3. Dragning utan återläggning, utan hänsyn till ordningen. 5

Uppgift 2.58 b Antag att vi drar fem kort ur en vanlig kortlek. Vi är nu intresserade av Pr(A) där A = De fem korten ger en kåk, dvs en triss och ett par. För att kunna beräkna Pr(A) måste vi räkna utfall, dvs pokerhänder. Vi söker n A = Antal pokerhänder med en kåk N = Antal pokerhänder (utan restriktioner) Det är dragning utan återläggning, utan hänsyn till ordningen, dvs vi söker antal kombinationer. 6

Uppgift 2.58 b Av de 13 valörerna väljer vi ut 2 som ska utgöra kåken Vilken av de 2 valda valörerna ska vara triss? Av de valda valörernas fyra kort väljer vi ut tre respektive två kort. Av de övriga 44 korten ska inget väljas. Totalt ska vi av kortlekens 52 kort välja 5. 7

Binomialkoefficienter Termerna kallas ofta för binomialkoefficienter eftersom dom uppstår som En binomialkoefficient anger i utvecklingen av (a+b) n, (även kallad binomial) på hur många sätt man kan välja r stycken a n (och därmed n-r b n). 8

Distinkta (åtskiljbara) permutationer Många gånger uppstår situationer då bollarna i urnan kan grupperas i bollar som är oskiljbara (vid olikfärgade bollar finns ett antal i samma färg) Vi är då intresserade av att räkna antal distinkta (åtskiljbara) permutationer. Det viktigaste specialfallet är att vi har bollar i två färger (exempelvis vita och svarta). Antal distinkta (åtskiljbara) permutationer som innehåller exakt r vita bollar är då 9

Distinkta (åtskiljbara) permutationer I det generella fallet har vi k olika typer av bollar i urnan. Antal distinkta (åtskiljbara) permutationer ges då av Dessa termer kallas ofta för multinomialkoefficienter eftersom dom uppstår i utvecklingen av en multinomial. 10

Kombinatorik: Fall 4 4. Dragning med återläggning, utan hänsyn till ordningen. Denna situation kan skrivas om och lösas mha distinkta permutationer. Betrakta en följd som innehåller n-1 stycken / och r stycken o. Exempelvis ska o/oo// tolkas som att boll 1 valdes en gång, boll 2 valdes två gånger och att boll 3 inte valdes någon gång. Eftersom vi i vår följd har två typer av objekt ges antal distinkta permutationer av. 11

Matematiskt verktyg: Geometriska serier I sannolikhetsläran är vi ofta intresserade av att summera en oändlig följd av tal. Av speciellt intresse är sk geometriska serier vilket är en summa (med oändligt antal termer) där termerna är på formen a 0, a 1, a 2, och a < 1. Det visar sig att denna serie kan skrivas på följande slutna form 12

Matematiskt verktyg: Geometriska serier (Bevis) Bevis: Vi börjar med att studera en summa med ett ändligt antal termer. Låt a vara ett tal och m ett heltal. Vi låter då Lägger vi till ytterligare en term fås med motsvarande beteckning S m+1 och det är klart att Vi kan dock även finna ett samband mellan S m och S m+1 genom att multiplicera varje term i S m med a. 13

Matematiskt verktyg: Geometriska serier (Bevis) Om vi nu tar differensen av dessa båda samband fås vilket kan förenklas eftersom S m+1 försvinner ur högerledet. dvs Nu betraktar vi detta resultat för växande värde på m. Eftersom a < 1 följer att termerna a m+1 blir mindre och mindre ju större värde vi väljer på m. Vi drar slutsatsen att a m+1 0 då m och saken är klar. 14

Uppgift 2.119 b Experiment. Vi kastar två tärningar (och fortsätter med detta) tills sammanlagt antal ögon på de båda tärningarna är fyra eller sju. Uppgift. Bestäm sannolikheten att vårt experiment avslutas med att sammanlagt antal ögon på de båda tärningarna är fyra. Intressanta händelser är A = Sammanlagt antal ögon i det avslutande kastet är fyra A k = Det avslutande kastet är kast k och totalt antal ögon i detta kast är fyra B k = Sammanlagt antal ögon i kast k är fyra C k = Sammanlagt antal ögon i kast k är vare sig fyra eller sju 15

Uppgift 2.119 b Observation 1. För att finna Pr(A) använder vi att händelser associerade med olika kast är oberoende och att de flesta händelser associerade med samma kast är disjunkta. Observation 2. I varje kast är det totalt 36 lika sannolika utfall. Observation 3. I varje kast är det 3 utfall (13, 22, and 31) där sammanlagt antal ögon är 4, och 27 utfall där sammanlagt antal ögon vare sig är 4 eller 7. Därmed följer att 16

Uppgift 2.119 b Utifrån de intressanta händelserna inses att och då dessa händelser associeras med olika kast är de oberoende, dvs Vidare inses att och eftersom A k -händelserna är disjunkta följer slutligen att