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

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

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

SF1911: Statistik för bioteknik

SF1901: Sannolikhetslära och statistik

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

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

Föreläsning 2. Kapitel 3, sid Sannolikhetsteori

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

SF1901: Sannolikhetslära och statistik

Grundläggande matematisk statistik

Betingad sannolikhet och oberoende händelser

Sannolikhetsbegreppet

Föreläsning 1, Matematisk statistik Π + E

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

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

Matematisk statistik - Slumpens matematik

Föreläsning G70, 732G01 Statistik A

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

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

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

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

Grundläggande matematisk statistik

3 Grundläggande sannolikhetsteori

Satsen om total sannolikhet och Bayes sats

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

Föreläsning 1, Matematisk statistik för M

TAMS79: Föreläsning 1 Grundläggande begrepp

Statistikens grunder HT, dagtid Statistiska institutionen

TMS136. Föreläsning 2

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

Kap 2: Några grundläggande begrepp

Övning 1 Sannolikhetsteorins grunder

SF1901: Sannolikhetslära och statistik

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

SF1911: Statistik för bioteknik

TMS136. Föreläsning 2

SF1901: Sannolikhetslära och statistik

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

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

SF1901 Sannolikhetsteori och statistik I

Föreläsning 2, Matematisk statistik för M

F2 SANNOLIKHETSLÄRA (NCT )

TMS136. Föreläsning 1

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

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

Kombinatorik och sannolikhetslära

Statistik 1 för biologer, logopeder och psykologer

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

Introduktion till sannolikhetslära. Människor talar om sannolikheter :

SF1901: Sannolikhetslära och statistik

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

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

Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19

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

SF1901: SANNOLIKHETSLÄRA OCH STATISTIK. MER HYPOTESPRÖVNING. χ 2 -TEST. Jan Grandell & Timo Koski

SF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski

faderns blodgrupp sannolikheten att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0

Föreläsning G70 Statistik A

TMS136. Föreläsning 1

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.

SF1901: Sannolikhetslära och statistik. Mer om Approximationer

Svar till gamla tentamenstal på veckobladen

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik

S0007M Statistik2: Slumpmodeller och inferens. Inge Söderkvist

SF1901: Övningshäfte

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)

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

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

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski

Sannolikhetslära till pdf.notebook. May 04, Sannolikhetslära.

SF1901: Sannolikhetslära och statistik

Introföreläsning i S0001M, Matematisk statistik LP3 VT18

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

Reliability analysis in engineering applications

SF1901: SANNOLIKHETSLÄRA OCH STATISTIK. MER OM χ 2 -TEST OCH LIKNANDE. Jan Grandell & Timo Koski

15.1 Mer om betingad sannolikhet

Introföreläsning i S0001M Matematisk statistik Läsperiod 2, HT 2018

STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar

Stokastiska Processer F2 Föreläsning 1: Repetition från grundkursen

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

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

Svar till gamla tentamenstal på veckobladen

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

Föreläsning 2, FMSF45 Slumpvariabel

Matematisk statistik

{ } { } 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}

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

FÖRELÄSNING 3:

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 2 HT07

Markovprocesser SF1904

4.1 Grundläggande sannolikhetslära

Fö relä sning 1, Kö system 2015

SF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018

Fö relä sning 1, Kö system vä ren 2014

Slumpvariabler och sannolikhetsfördelningar

Kapitel 2. Grundläggande sannolikhetslära

Grundläggande matematisk statistik

Transkript:

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 14.01.2013 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 1 / 25

Repetition: Kolmogorovs axiomsystem Ett sannolikhetsmått P är en funktion av händelser, sådan att: (a) 0 1; (b) P(Ω) = 1 (c) om A och B är disjunkta händelser, så gäller P(A B) = +P(B) Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 2 / 25

Repetition: Regler för sannolikhetskalkyl Sats P(A ) = 1. Sats P(A B) = +P(B) P(A B). Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 3 / 25

En sats till Sats Låt A och B vara två händelser och A B. Då gäller P(B). Bevis: B = A (B A ) (rita ett Venndiagram). Det är klart att Därför ger axiom (c) A (B A ) = P(B) = P (A (B A )) = P (A)+P (B A ) P (A), ty P (B A ) 0. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 4 / 25

Inledning (betingad sannoliket) Låt A och B vara två händelser, dvs A,B Ω. Vad är sannolikheten, betecknad med P(B A), för B då vi vet att A har inträffat? Ω Β 01 000 111 000 111 0000 1111 0000 1111 00000 11111 00000 11111 00000 11111 00000 11111 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111 00000 11111 0000 1111 000 111 000 111 Α Α B Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 5 / 25

P(B A) Vi är ledda oss till följande definition. Definition Låt A och B vara två händelser. Antag att > 0. Sannolikheten för B betingat av A betecknas med P(B A) och definieras som P(B A) = P(A B). Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 6 / 25

Betingad sannolikhet är ett sannolikhetsmått: P(B A) 0 är klart. A B A, och satsen ovan ger P(A B) P(A B) d.v.s. 1. P(A A) = P(A A) = = 1 m.a.o. A är utfallsrummet. Tag B 1 B 2 =. P(B 1 B 2 A) = P(B 1 B 2 A) = P((B 1 A) (B 2 A)) and by axiom (c) = P((B 1 A))+P((B 2 A) = P(B 1 A) + P(B 2 A) = P(B 1 A)+P(B 2 A). Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 7 / 25

Betingad sannolikhet: exempel Exempel (Kast med röd och vit tärning) A = summan av ögonen är högst 4. B k = vita tärningen visar k ögon. P(B k A) = 0 om k 4. Möjliga utfall, m, är 36: (v,r),v,r = 1,...6, dvs (1,1),(1,2),...(6,6). Gynnsamma utfall för A, är 6: (1,1), (1,2), (1,3), (2,1), (2,2), (3,1). Gynnsamma utfall för A B k, är 4 k: (v,r),v = k,r = 1,...4 k, dvs (k,1),(k,2),...(k,4 k) om k < 4. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 8 / 25

Betingad sannolikhet: exempel forts. Exempel Klassiska sannolikhetsdefinitionen ger Detta ger, för k < 4, = 6 36 P(B k A) = 4 k 6 och P(A B k ) = 4 k 36. 3 6 = 1 2 k = 1 = 2 6 = 1 3 k = 2 1 6 k = 3. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 9 / 25

Betingad sannolikhet Ofta är det lättare att ange värden till betingade sannolikheter än till obetingade, och vi utnyttar definitionen baklänges. Exempel En ohederlig person har två tärningar, en äkta och en falsk som alltid ger 6 ögon. Han väljer slumpmässigt den ena. Vad är sannolikheten för 5 resp. 6 ögon. Låt oss betrakta fallet med sex ögon. Intuitivt bör gälla att sannolikheten är 1 2 1 6 + 1 2 1 = 1 12 + 6 12 = 7 12. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 10 / 25

Lagen om total sannolikhet Mera systematiskt gäller följande sats Sats (Lagen om total sannolikhet) Om H 1,...,H n är disjunkta händelser, har positiv sannolikhet och uppfyller hela Ω, så gäller för varje händelse A Ω att = n P(H i )P(A H i ). i=1 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 11 / 25

Lagen om total sannolikhet Ω Η 1 Η 5 Η 2 Α Η 4 Η 3 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 12 / 25

Lagen om total sannolikhet Bevis. Vi utnyttjar en av De Morgans regler = P(A Ω) = P(A (H 1... H n )) = P((A H 1 )... (A H n )) och sedan Kolmogorovs axiom (c) från första föreläsningen, ty (A H i ) (A H j ) = om i = j, = n n P(A H i ) = P(H i )P(A H i ). i=1 i=1 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 13 / 25

Bayes sats Vi ska nu ge en viktig sats om vändning av händelserna i betingade sannolikheter. Sats (Bayes sats) Under samma villkor som i lagen om total sannolikhet gäller Bevis. P(H i A) = P(H i)p(a H i ) n j=1 P(H j)p(a H j ). P(H i A) = P(H i A) = P(H i A) P(H i ) P(H i) = P(A H i) P(H i). Lagen om total sannolikhet tillämpad på ger resultatet. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 14 / 25

Bayes sats: tolkning Sannolikheten P(H i ) kallas a priori sannolikhet för H i. Sannolikheten P(H i A) kallas posteriori sannolikhet för H i. Bayes sats visar alltså hur a priori sannolikhet omvandlas till posteriori sannolikhet. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 15 / 25

Bayes sats: exempel Låt oss gå tillbaka till exemplet om falskspelaren. Sätt A = 6 ögon. H 1 = äkta tärningen. H 2 = falska tärningen. Då gäller = P(H 1 )P(A H 1 )+P(H 2 )P(A H 2 ) = 1 2 1 6 + 1 2 1 = 7 12, som i exemplet. Bayes sats ger vidare och P(H 1 A) = P(H 1 A) P(H 2 A) = P(H 2 A) = P(A H 1 ) P(H 1) = 1 1 62 = P(A H 2 ) P(H 2) = 1 1 2 vilket kanske inte är lika lätt att inse rent intuitivt. 12 7 = 1 7 12 7 = 6 7 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 16 / 25

Bayes sats: screening för cancer Vi räknar på det exempel som ges av John Allen Paulos: The Math behind Screening Tests. What a positive result really means. Scientific American, January 2012. http://www.scientificamerican.com/article.cfm?id=weighing-the-positives Låt oss anta att 0.4 % av befolkningen drabbas av en form av cancer. Ett diagnostiskt test ger positivt resultat i 99.5 % av fallen, om en individ har cancer och ger positivt resultat i 1 % av fallen, om en individ inte har cancer. Om vi plockar på måfå en vuxen individ ur en stor population och testet ger ett postivt svar, vad är sannolikheten för att individen har den aktuella formen av cancer? Beteckna A 1 = individen har cancer. A 2 = individen har inte cancer. B = positivt testresultat. Vi har P (A 1 ) = 0.004,P (A 2 ) = 0.996,P (B A 1 ) = 0.995,P (B A 2 ) = 0.01 Sökt är P (A 1 B). Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 17 / 25

Bayes sats: medicinsk diagnostik P(A 1 ) = 0.004,P (A 2 ) = 0.996,P (B A 1 ) = 0.995,P (B A 2 ) = 0.01 Bayes sats ger P(A 1 B) som P(A 1 B) = = P(B A 1 )P (A 1 ) P (B A 1 )P (A 1 )+P (B A 2 )P (A 2 ) = 0.995 0.004 0.995 0.004+0.01 0.996 = 0.2855. En oväntat låg posteriori sannolikhet! Varför är detta ändå ett rimligt svar? Vilken slutsats drar vi om screening? Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 18 / 25

Oberoende händelser Intuitivt är två händelser A och B oberoende om inträffandet av A inte ger någon information om huruvida B inträffar eller ej. I formler betyder detta Allmänt gäller ju P(B A) = P(B). P(B A) = P(A B), om > 0. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 19 / 25

Oberoende händelser Multiplikation med leder oss till följande definition: Definition Två händelser A och B är oberoende om P(A B) = P(B). Definitionen ovan kräver inget villkor om positiva sannolikheter. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 20 / 25

Oberoende händelser Det är inte självklart hur oberoende skall definieras för flera händelser. Definition Tre händelser A, B och C är oberoende om P(A B) = P(B) P(A C) = P(C) P(B C) = P(B)P(C) P(A B C) = P(B)P(C). Endast P(A B C) = P(B)P(C) räcker inte, vilket inses om vi sätter A = B och C =. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 21 / 25

Oberoende händelser Inte heller räcker parvis oberoende, vilket ses av följande exempel: Kast med röd och vit tärning: A = vita tärningen visar jämnt antal ögon. B = röda tärningen visar jämnt antal ögon. C = jämn ögonsumma. A och B är oberoende av försöksskäl. Vidare gäller P(A C) = P(A B) = P(B) = 1 4 och P(C) = 1 4. Således är A och C oberoende. Pss. följer att B och C är oberoende. Eftersom A B C vore det inte rimligt att anse att A, B och C är oberoende. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 22 / 25

Oberoende händelser Allmänt: Oavsett vilka händelser vi plockar ut så skall sannolikheten för snittet vara produkten av sannolikheterna. Man kan visa att om A 1,...,A n är oberoende, så är även A 1,...,A n oberoende. Detta kan verka helt självklart, med är inte helt lätt att visa. Vi nöjer oss med fallet n = 2. Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 23 / 25

Oberoende händelser Vi har P(A B ) = P((A B) ) = 1 P(A B) = 1 P(B)+P(B) = 1 P(B)(1 ) = (1 )(1 P(B)) = P(A )P(B ). Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 24 / 25

Oberoende händelser Sats Låt händelserna A 1,...,A n vara oberoende. Sätt B = n 1 A i, dvs. minst en av händelserna A 1,...,A n inträffar. Då gäller P(B) = 1 (1 P(A 1 ))(1 P(A 2 ))...(1 P(A n )). Bevis. ( ) P(B) = 1 P(B n ) = 1 P Ai n = 1 1 1 P(A i) = 1 n 1 (1 P(A i )). Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 25 / 25