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

Relevanta dokument
Sannolikhetslära. 1 Grundläggande begrepp. 2 Likformiga sannolikhetsfördelningar. Marco Kuhlmann

Kombinatorik och sannolikhetslära

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

F2 SANNOLIKHETSLÄRA (NCT )

Kap 2: Några grundläggande begrepp

Föreläsning 2. Kapitel 3, sid Sannolikhetsteori

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

Sannolikhetsbegreppet

Introduktion till sannolikhetslära. Människor talar om sannolikheter :

SF1901: Sannolikhetslära och statistik

Matematisk statistik - Slumpens matematik

TAMS79: Föreläsning 1 Grundläggande begrepp

Institutionen för lingvistik och filologi VT 2014 (Marco Kuhlmann 2013, tillägg och redaktion Mats Dahllöf 2014).

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

7-1 Sannolikhet. Namn:.

Uppgifter 6: Kombinatorik och sannolikhetsteori

Grundläggande matematisk statistik

SF1901: Sannolikhetslära och statistik

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

Grundläggande matematisk statistik

Experimentera i sannolikhet från teoretisk sannolikhet till data

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

4 Diskret stokastisk variabel

Anna: Bertil: Cecilia:

Matematisk statistik 9 hp för I, Pi, C, D och fysiker Föreläsning 1: Introduktion och Sannolikhet

Föreläsning 1, Matematisk statistik Π + E

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 2 HT07

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

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

Matematisk statistik 9hp för: C,D,I, Pi

7-2 Sammansatta händelser.

MATEMATIKSPELET TAR DU RISKEN

Kompletterande lösningsförslag och ledningar, Matematik 3000 kurs B, kapitel 1

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

Statistikens grunder HT, dagtid Statistiska institutionen

Föreläsning G70, 732G01 Statistik A

TMS136. Föreläsning 1

Slumpförsök för åk 1-3

MATEMATIK ARBETSOMRÅDET LIKABEHANDLING Kränkande handlingar, nätmobbning, rasism och genus

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

Sannolikhet DIAGNOS SA3

Föreläsning 1. Grundläggande begrepp

{ } { } 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}

TMS136. Föreläsning 2

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

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.

SF1901: SANNOLIKHETSTEORI OCH STATISTIK GRUNDLÄGGANDE SANNOLIKHETSTEORI, KORT OM BESKRIVANDE STATISTIK. Tatjana Pavlenko.

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

Kap 3: Diskreta fördelningar

Statistik 1 för biologer, logopeder och psykologer

S0007M Statistik2: Slumpmodeller och inferens. Inge Söderkvist

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

F3 SANNOLIKHETSLÄRA (NCT ) För komplementhändelsen A till händelsen A gäller att

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

1.1 Diskret (Sannolikhets-)fördelning

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

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

Betingad sannolikhet och oberoende händelser

Föreläsning 1: Introduktion

REPETITION 3 A. en femma eller en sexa?

3 Grundläggande sannolikhetsteori

SF1901: Sannolikhetslära och statistik

Sannolihhet. och statistik. Vad är möjligt och vad är inte möjligt? Kommer tåget fram i tid? Blir det regn imorgon? Vi bedömer ständigt risker eller

Föreläsning 1, Matematisk statistik för M

Föreläsning G70 Statistik A

Valfritt läromedel för kurs Matematik B Exempel: Räkna med Vux B, Gleerups förlag. Tag kontakt med examinator om du har frågor

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

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

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion

Statistik. Det finns tre sorters lögner: lögn, förbannad lögn och statistik

Stora talens lag eller det jämnar ut sig

Exempel: Väljarbarometern. Föreläsning 1: Introduktion. Om Väljarbarometern. Statistikens uppgift

SF1901: Sannolikhetslära och statistik

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

4.1 Grundläggande sannolikhetslära

Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19

Grundläggande matematisk statistik

Diagnos Sannolikhet/Statistik

1 Mätdata och statistik

Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar

SF1911: Statistik för bioteknik

Föreläsning 1: Introduktion

5.3 Sannolikhet i flera steg

Sannolikhet och statistik. S

14.1 Diskret sannolikhetslära

Sannolikhetslära. Uppdaterad:

en femma eller en sexa?

Sannolikhetslära har i Lgr 11 fått en mer framträdande roll än i tidigare

TMS136. Föreläsning 1

Sannolikheten att vinna ett spel med upprepade myntkast

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

SF1901: Övningshäfte

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

Detaljplanering. Matematik 1A LÅ 2013/2014. Jonas Bengtsson

Matematisk statistik för D, I, Π och Fysiker. Matematisk statistik slumpens matematik. Tillämpningar för matematisk statistik.

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

PLANERING MATEMATIK - ÅK 8. Bok: Y (fjärde upplagan) Kapitel : 5 Ekvationer Kapitel : 6 Sannolikhet och statistik. Elevens namn: Datum för prov

Matematisk statistik

Kapitel 2. Grundläggande sannolikhetslära

Lärandemål E-nivå årskurs 9

Transkript:

Marco Kuhlmann Detta är en kompakt sammanfattning av momentet sannolikhetslära som ingår i kurserna Matematik 1b och 1c på gymnasiet. 1 Grundläggande begrepp 1.01 När vi singlar slant eller kastar tärning kan vi inte med säkerhet förutsäga resultatet. Singla slant och kast med tärning är exempel på slumpförsök. 1.0 Ett möjligt resultat vid ett slumpförsök kallas utfall. När man singlar slant finns det två möjliga utfall: krona och klave. Vid kast med tärning finns det sex möjliga utfall: etta, tvåa, trea, fyra, femma och sexa. 1.03 Mängden av alla möjliga utfall vid ett slumpförsök kallas försökets utfallsrum och betecknas med den grekiska bokstaven Ω (omega). 1.0 En händelse är en mängd möjliga utfall. Händelsen jämnt antal prickar vid kast med tärning inträffar när man slår en tvåa, fyra eller sexa; händelsen består alltså av tre stycken utfall. 1.05 Mängden Ω, som innehåller alla möjliga utfall vid ett slumpförsök, representerar händelsen som alltid inträffar. Den tomma mängden representerar händelsen som aldrig inträffar. 1.0 Notationen P(A) betecknar sannolikheten (eng. probability) för händelsen A. En sannolikhet kan anges i bråkform ( 1 ), decimalform (0,5) eller procentform (50%). Ibland säger vi chans eller risk istället för sannolikhet, t.ex. Risken för att insjukna i bakteriell meningit är 0,003%. 1.07 Kolmogorov-axiomen. Sannolikheter lyder under nedanstående regler: 1. För varje händelse A gäller att P(A) är ett reellt tal mellan 0 och 1.. För hela utfallsrummet Ω gäller att P(Ω) = 1. 3. För händelser A, B sådana att A B = gäller att P(A B) = P(A) + P(B). 1(5) 15 maj 01

1.08 För två händelser A, B som inte kan inträffa samtidigt (A B = ) men som tillsammans utgör hela utfallsrummet (A B = Ω) gäller att P(A) + P(B) = 1. Händelserna kompletterar varandra. Händelsen B kallas därför komplementhändelsen till händelsen A (och vice versa) och vi skriver B = A c. För komplementhändelser gäller: P(A c ) = 1 P(A). Likformiga sannolikhetsfördelningar.01 När alla utfall av ett slumpförsök har samma sannolikhet, säger man att man har en likformig sannolikhetsfördelning. Singla slant och kast med tärning är exempel på slumpförsök med likformig sannolikhetsfördelning..0 När man har en likformig sannolikhetsfördelning (och bara då!) beskrivs sannolikheten för en händelse A av den så kallade klassiska sannolikhetsmodellen: P(A) = antalet gynnsamma utfall antalet möjliga utfall = A Ω Vid kast med tärning finns det sex möjliga utfall. Sannolikheten för händelsen sexa (ett gynnsamt utfall) är 1 ; sannolikheten för jämnt antal prickar (tre gynsamma utfall) är 1..03 Sannolikheten för händelsen som alltid inträffar är 1; för denna händelse är antalet gynnsamma utfall samma som antalet möjliga utfall. Sannolikheten för händelsen som aldrig inträffar är 0; för denna händelse är antalet gynnsamma utfall lika med noll..0 Likformiga sannolikhetsfördelningar kan presenteras med utfallsdiagram som i figur 1. Detta diagram visar alla möjliga utfall för slumpförsöket kast med två tärningar. Ur diagrammet kan vi läsa av sannolikheten för händelser som t.ex. poängsumman lika med 7 ( 3 = 1 ). 3 Sannolikhet som relativ frekvens 3.01 Vi gör upprepade kast med en tärning. Vid utvalda tidpunkter räknar vi ut den relativa frekvensen av sexor, dvs. kvoten mellan antalet sexor (den absoluta frekvensen) och antalet kast. Resultaten visas i tabell 1. Som vi kan se stabiliserar sig den relativa frekvensen kring den teoretiska sannolikheten för händelsen sexa, 1 (figur ). (5) 15 maj 01

1,, 3,, 5,, 1, 5, 5 3, 5, 5 5, 5, 5 1,, 3,, 5,, 1, 3, 3 3, 3, 3 5, 3, 3 1,, 3,, 5,, 1, 1, 1 3, 1, 1 5, 1, 1 Figur 1: Kast med två tärningar, en röd och en lila. Utfallet 5, betyder att den röda tärningen visar en femma och den lila tärningen visar en fyra. Punkterna på diagonalen representerar händelsen poängsumman lika med 7. antal kast n 10 50 100 500 1 000 5 000 10 000 50 000 antal sexor f 1 8 17 98 179 818 1 88 8 308 relativ frekvens f/n 0,100 0,10 0,170 0,19 0,179 0,1 0,19 0,1 Tabell 1: Relativ frekvens av sexor vid upprepade kast med en tärning 3(5) 15 maj 01

3.0 De stora talens lag. Den relativa frekvensen för en händelse närmar sig sannolikheten för händelsen när antalet slumpförsök ökar. 3.03 Det finns många situationer där man inte på förhand kan bestämma sannolikheten för en viss händelse; detta gäller i synnerhet när sannolikhetsfördelningen inte är likformig. I dessa fall kan man använda De stora talens lag och ta den relativa frekvensen för händelsen vid ett stort antal slumpförsök som närmevärde för sannolikheten. Slumpförsök i flera steg.01 När vi kastar tärning två gånger, så är det rimligt att anta att sannolikheten för händelsen jämnt antal prickar vid första kastet inte påverka sannolikheten för samma händelse vid andra kastet. Vi kan därför betraktar de två händelser som oberoende..0 Produktregeln säger att sannolikheten för att två oberoende händelser A och B ska inträffa är produkten av de enskilda händelsernas sannolikheter: P(A B) = P(A) P(B) Produktregeln gäller även för fler än två händelser, under förutsättningen att alla dessa händelser är ömsesidigt oberoende..03 Att två händelser är beroende innebär att inträffandet av den ena påverkar sannolikheten för den andra. Exempel: Vi har en påse med fem kulor, tre svarta och två vita. Vi drar två kulor ur påsen. Sannolikheten för vilken färg den andra kulan har 0. f/ n 0.18 0.1 0.1 0 10,000 0,000 30,000 0,000 50,000 n Figur : Relativ frekvens (f/n) av sexor vid n kast med tärning. Den relativa frekvensen stabiliserar sig kring den teoretiska sannolikheten 1 (orange linje). (5) 15 maj 01

1:a kulan 3 5 5 :a kulan 3 1 Figur 3: Vi drar två kulor ur en burk som i början innehåller tre svarta kulor och två vita kulor. De fyra grenarna längst ned representerar de möjliga utfallen, dvs. två svarta kulor, svart kula först, sedan vit kula, vit kula först, sedan svart kula, två vita kulor. beror på vilken färg den första kulan hade. Ett slumpförsök i flera steg som detta kan illustreras som i figur 3..0 Diagrammet i figur 3 är ett exempel på ett träddiagram. I ett träddiagram representerar varje nivå ett steg i slumpförsöket, och varje gren ett möjligt utfall..05 Räkneregler för träddiagram. 1. Sannolikheten för en gren (ett utfall) i ett träddiagram är lika med produkten av sannolikheterna längs grenen.. Sannolikheten för en händelse är summan av sannolikheterna för de olika grenarna (utfallen) i ett träddiagram som ingår i händelsen..0 Dragning med återläggning syftar på slumpförsök i flera steg med oberoende händelser, som t.ex. att dra kulor ur en burk och lägga tillbaka kulorna efter varje dragning, eller att kasta flera tärningar i följd. Sådana slumpförsök kan visualiseras både med utfallsdiagram (figur 1) och med träddiagram (figur 3)..07 Dragning utan återläggning syftar på slumpförsök i flera steg med beroende händelser, som t.ex. att dra kulor ur en burk utan att lägga tillbaka dem. Sådana slumpförsök kan visualiseras med träddiagram (figur 3). 5(5) 15 maj 01