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

TMS136. Föreläsning 1

Kombinatorik och sannolikhetslära

Sannolikhetsbegreppet

Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar

MA2047 Algebra och diskret matematik

Något om kombinatorik

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.

TMS136. Föreläsning 1

Föreläsning G70 Statistik A

Kap 2: Några grundläggande begrepp

SF1901: Sannolikhetslära och statistik

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

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

Armin Halilovic: EXTRA ÖVNINGAR

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

Grundläggande matematisk statistik

Betingad sannolikhet och oberoende händelser

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

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

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik

Matematisk Statistik och Disktret Matematik, MVE051/MSG810, VT19

Studiehandledning, LMN100, Del 3 Matematikdelen

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

Jörgen Säve-Söderbergh

TMS136. Föreläsning 2

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

Studiehandledning, LMN100, Del 4 Matematikdelen

Matematisk statistik - Slumpens matematik

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

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

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

Föreläsning 1: Introduktion

Introföreläsning i S0001M Matematisk statistik Läsperiod 2, HT 2018

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

Föreläsning G70, 732G01 Statistik A

Föreläsning 1: Introduktion

{ } { } 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}

Introföreläsning i S0001M, Matematisk statistik LP3 VT18

Välkommen till Matematik 3 för lärare!

Föreläsning 1: Introduktion

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

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

Grundläggande matematisk statistik

4. Stokastiska variabler

Kursbeskrivning för Statistisk teori med tillämpningar, Moment 1, 7,5 hp

F2 SANNOLIKHETSLÄRA (NCT )

Föreläsning 12: Repetition

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

FÖRELÄSNING 3:

Kap 3: Diskreta fördelningar

TAMS79: Föreläsning 1 Grundläggande begrepp

Föreläsning 1. Grundläggande begrepp

4.1 Grundläggande sannolikhetslära

Introduktion till sannolikhetslära. Människor talar om sannolikheter :

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

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

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

Kombinatorik. Författarna och Bokförlaget Borken, Kombinatorik - 1

TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter

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

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

Sannolikhetslära till pdf.notebook. May 04, Sannolikhetslära.

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

1.1 Diskret (Sannolikhets-)fördelning

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson

Lösningar och lösningsskisser

SF1901: Sannolikhetslära och statistik. Mer om Approximationer

TATM79: Föreläsning 2 Absolutbelopp, summor och binomialkoefficienter

Kapitel 5 Multivariata sannolikhetsfördelningar

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

SF2715 Tillämpad kombinatorik, 6hp

SF1901: Sannolikhetslära och statistik

Statistikens grunder HT, dagtid Statistiska institutionen

7-2 Sammansatta händelser.

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

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

1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,

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

Grundläggande matematisk statistik

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

Statistik 1 för biologer, logopeder och psykologer

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

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

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

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

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

MATEMATIKSPELET TAR DU RISKEN

Sannolikhet och statistik 1MS005

Grundläggande matematisk statistik

732G70, 732G01 Statistik A 7hp

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

Föreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar

Föreläsning 1, Matematisk statistik Π + E

Föreläsning 1, Matematisk statistik för M

SJÄLVSTÄNDIGA ARBETEN I MATEMATIK

Transkript:

Sannolikhetslära och inferens II Kapitel 2 Grundläggande sannolikhetslära 1

Kursinformation 13 föreläsningar: Måns Thulin, mans.thulin@statistik.uu.se 3 h: normalt 2 h föreläsning + 1 h räknestuga 7 räkneövningar: David Randahl Kurslitteratur: Mathematical statistics with applications, 7th ed, av Wackerly, Mendenhall & Scheaffer Tentamen 26/10 OBS! Jätteobligatoriskt att anmäla sig i förväg. Inlämningsuppgifter kan ge bonuspoäng till tentan Mer info om dessa på torsdag På studentportalen: slides, läsanvisningar, tidsplan, m.m Teorikurs Följ tidsplanen! Lös många uppgifter! 2

Att beräkna en diskret 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. 3

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? 4

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 5

Permutationer och kombinationer 2. Dragning utan återläggning, med hänsyn till ordningen. 3. Dragning utan återläggning, utan hänsyn till ordningen. 6

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. 7

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. 8

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). 9

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 10

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. 11

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. 12

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 13

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 16

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 17

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