Introduktion till sannolikhetslära. Människor talar om sannolikheter :

Relevanta dokument
F2 SANNOLIKHETSLÄRA (NCT )

Kap 2: Några grundläggande begrepp

Föreläsning 2. Kapitel 3, sid Sannolikhetsteori

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

Matematisk statistik - Slumpens matematik

Föreläsning 1. Grundläggande begrepp

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

Sannolikhetsbegreppet

Föreläsning G70, 732G01 Statistik A

S0007M Statistik2: Slumpmodeller och inferens. Inge Söderkvist

Statistik 1 för biologer, logopeder och psykologer

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

Föreläsning 1, Matematisk statistik Π + E

Grundläggande matematisk statistik

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

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

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

Föreläsning 1, Matematisk statistik för M

SF1901: Sannolikhetslära och statistik

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

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

TMS136. Föreläsning 2

TAMS79: Föreläsning 1 Grundläggande begrepp

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

Slumpförsök för åk 1-3

TMS136. Föreläsning 1

Föreläsning G70 Statistik A

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

SF1901: Sannolikhetslära och statistik

Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19

Reliability analysis in engineering applications

Finansiell statistik, vt-05. Sannolikhetslära. Mängder En mängd är en samling element (objekt) 1, 2,, F2 Sannolikhetsteori. koppling till verkligheten

Statistikens grunder HT, dagtid Statistiska institutionen

Kombinatorik och sannolikhetslära

SF1911: Statistik för bioteknik

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

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

Sannolikhetslära. Uppdaterad:

MATEMATIK ARBETSOMRÅDET LIKABEHANDLING Kränkande handlingar, nätmobbning, rasism och genus

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

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

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

Betingad sannolikhet och oberoende händelser

7-1 Sannolikhet. Namn:.

1 Mätdata och statistik

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

{ } { } 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

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

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

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

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

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

15.1 Mer om betingad sannolikhet

Grundläggande matematisk statistik

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

Övning 1 Sannolikhetsteorins grunder

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

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

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

Sannolikhetslära till pdf.notebook. May 04, Sannolikhetslära.

Kapitel 2. Grundläggande sannolikhetslära

Grundläggande matematisk statistik

Föreläsning 1: Introduktion

F9 SAMPLINGFÖRDELNINGAR (NCT

SF1901: Sannolikhetslära och statistik

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 2 HT07

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

4.1 Grundläggande sannolikhetslära

Tentamen i Statistik, STA A13 Deltentamen 1, 4p 12 november 2005, kl

7-2 Sammansatta händelser.

TMS136. Föreläsning 1

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.

FMS012/MASB03: Matematisk statistik 9.0 hp för F+fysiker Föreläsning 1: Sannolikhet

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

14.1 Diskret sannolikhetslära

Introföreläsning i S0001M Matematisk statistik Läsperiod 2, HT 2018

Experimentera i sannolikhet från teoretisk sannolikhet till data

4.2.1 Binomialfördelning

Introföreläsning i S0001M, Matematisk statistik LP3 VT18

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

Satsen om total sannolikhet och Bayes sats

4 Diskret stokastisk variabel

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion

Föreläsning 1: Introduktion

SF1911: Statistik för bioteknik

Vad kan hända? strävorna

7. NÅGRA SPECIELLA DISKRETA SANNOLIKHETSFÖRDELNINGAR

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

Föreläsning 1: Introduktion

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

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

FÖRELÄSNING 3:

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

Något om sannolikheter, slumpvariabler och slumpmässiga urval

Dagens Teori. A) Försöket att kasta en tärning har sex utfall, vilka vi kan beteckna 1, 2, 3, 4, 5, 6. Utfallsrummet

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

1.1 Diskret (Sannolikhets-)fördelning

Stokastisk geometri. Lennart Råde. Chalmers Tekniska Högskola och Göteborgs Universitet

Kapitel 2. Grundläggande sannolikhetslära

Transkript:

F9 Introduktion till sannolikhetslära Introduktion till sannolikhetslära Människor talar om sannolikheter : Sannolikheten att få sju rätt på Lotto Sannolikheten att få stege på en pokerhand Sannolikheten att bli godkänd på en tenta Statistik bygger på sannolikhetslära 1

Introduktion till sannolikhetslära Slumpmässigt försök (random trial) Ett försök som kan upprepas under likartade förhållanden och där resultatet vid varje upprepning inte kan förutsägas med säkerhet Ex tärningskast (1,2,3,4,5,6?), lottdragning (vinst eller ej?), sannolikhetsurval (vilka blir dragna?) Utfall (outcome) Resultatet av ett slumpmässigt försök Ex få en sexa vid tärningskast Utfallsrum Utfallsrummet U = mängden av alla tänkbara utfall: Ex U={1,2,3,4,5,6} Exempel Slumpförsök Utfallsrum Kast med 6-sidig tärning Kast med mynt U={ } U={ } Slumpmässigt urval av N=10 personer U={ } 2

Introduktion till sannolikhetslära Händelse (event): betecknas A, B, En samling av ett eller flera utfall En delmängd av utfallsrummet Ex slumpförsök: tärningskast, U={1,2,3,4,5,6} Vill bestämma sannolikheten att A ska inträffa P(A)=? Ex sannolikheten att få högst en trea? Händelse A=att få ett udda antal B=att få högst 3 C=att få 6:a D=att inte få 6:a E=att få 7:a Delmängd A={1,3,5} B={1,2,3} C={6} D={1,2,3,4,5} Tom delmängd Egenskaper hos sannolikheter Sannolikheter bör vara som relativa frekvenser! Sådana ligger mellan 0 och 1: ( A) 1 0 P Om P(A)=0 händelse Om P(A)=1 händelse A är en omöjlig A är en säker 3

Egenskaper hos sannolikheter Disjunkta händelser A och B är händelser som inte kan inträffa samtidigt Ömsesidigt uteslutande Ex myntkast A={krona}, B={klave}, tärningskast A={1,3,5} B={2} Komplement till A Händelsen att A inte inträffar De utfall i U som inte tillhör A Vi använder beteckningen A* Ex A={1,2} A*={3,4,5,6} vid kast med tärning P(A eller A*)=P(A)+P(A*)=1 P(A)=1-P(A*), P(A*)=1-P(A) Bestämning av sannolikheter Subjektiva sannolikheter Tilltro till en framtida händelse Varierar mellan olika personer Klassisk sannolikhetsdefinition Om alla utfall är lika sannolika antalet gynnsamma utfall P ( A) = antalet möjliga utfall Ex A={1,3,5} P(A)= 3/6 = 1/2 Empiriskt bestämd sannolikhet Om utfallen har olika sannolikhet/vi vet inte sannolikheten Ex osymmetrisk tärning 4

Relativ frekvens Antag att ett försök upprepas n ggr, den sökta händelsen inträffar f ggr, då gäller rf = f n 0 f n Stora talens lag Relativa frekvenser är stabila och närmar sig ett visst värde då antalet upprepningar av försöket (n) ökar Relativ frekvens Gränsvärdet kallas för den teoretiska sannolikheten Använd den observerade relativa frekvensen för händelsen som en skattning av den teoretiska sannolikheten 5

Exempel Kasta en tärning 12 ggr. Hur många Kasta en tärning 30 ggr. Hur många Kasta ett mynt 30 ggr. Hur många gånger får vi krona? Stora talens lag Om utfallen har olika chans att inträffa kan vi ej använda den klassiska definitionen Vi kan använda den relativa frekvensen Hur många upprepningar av försöket behövs? Hur många gånger behöver vi kasta ett mynt för att uppskatta sannolikheten att få krona? Sannolikheten att den relativa frekvensen för en händelse är nära den teoretiska sannolikheten ökar om antalet upprepningar ökar 6

Exempel: symmetrisk tärning Kasta en tärning 30 ggr. Hur många Kasta en tärning 100 ggr. Hur många Kasta en tärning 1000 ggr. Hur många Relativa frekvensen närmar sig ett värde här 1/6 = 0,1667 när vi upprepar försöket ett stort antal gånger Detta är värdet utifrån klassiska definitionen Detta värde kallar vi för sannolikheten för händelsen Additionssatsen P(A eller B)=P(A eller B eller båda)= P(minst en av händelserna A och B inträffar) Additionsatsen P(A eller B)= P(A)+P(B)-P(A och B) Om disjunkta P(A och B)=0 Ex A={1,2,3,4}, B={2,4,6} A och B={2,4} P(A eller B)=P(A)+P(B)-P(A och B)=4/6 + 3/6 2/6 = 5/6 A eller B={1,2,3,4,6}, U={1,2,3,4,5,6} P(A eller B)=5/6 7

Relativa frekvenser för flera händelser Antag två händelser som inte kan inträffa samtidigt Relativa frekvensen är f 1 /n resp f 2 /n Relativa frekvensen för att den ena eller den andra inträffar f1 f2 f1 + f2 rf = + = n n n Exempel Vi kastar en tärning 100 ggr och får 19 ettor och 16 sexor. Relativa frekvensen för en etta eller sexa är rf = 19 100 + 16 100 = 35 100 = 0,35 8

Multiplikationssatsen för oberoende händelser A och B är oberoende händelser om P(A och B) = P(A)P(B) Exempel Sannolikheten att få sexa på första kastet och etta på andra? P(6 på första och 1 på andra)= 1 1 = 6 6 1 36 9