Matematisk statistik 9 hp Föreläsning 4: Flerdim

Relevanta dokument
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden

Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering

Föreläsning 5, Matematisk statistik Π + E

Matematisk statistik för D, I, Π och Fysiker

Föreläsning 5, FMSF45 Summor och väntevärden

Föreläsning 3, Matematisk statistik Π + E

SF1901: Sannolikhetslära och statistik

TMS136. Föreläsning 5

SF1901: SANNOLIKHETSTEORI OCH FLERDIMENSIONELLA STOKASTISKA STATISTIK VARIABLER. Tatjana Pavlenko. 8 september 2017

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.

TMS136. Föreläsning 5

Kap 2. Sannolikhetsteorins grunder

Föreläsning 2, Matematisk statistik för M

SF1901 Sannolikhetsteori och statistik I

SF1901: Sannolikhetslära och statistik

Statistiska metoder för säkerhetsanalys

TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler

SF1901 Sannolikhetsteori och statistik I

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

SF1901: Sannolikhetslära och statistik

Föreläsning 4, Matematisk statistik för M

Föreläsning 2, FMSF45 Slumpvariabel

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

Slumpvariabler och sannolikhetsfördelningar

Exempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor

Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT

Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer

FINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I. Oktober Matematikcentrum Matematisk statistik

SF1901 Sannolikhetsteori och statistik I

SF1901: Sannolikhetslära och statistik

Matematisk statistik for B, K, N, BME och Kemister. Matematisk statistik slumpens matematik. Beskriva Data Florence Nightingale. Forel.

Grundläggande matematisk statistik

SF1911: Statistik för bioteknik

Matematisk statistik för D, I, Π och Fysiker

Övning 1 Sannolikhetsteorins grunder

Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer

Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar

Matematisk statistik för D, I, Π och Fysiker

Föreläsning 6, Matematisk statistik Π + E

Exempel för diskreta och kontinuerliga stokastiska variabler

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016

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

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

SF1901: Sannolikhetslära och statistik

Satsen om total sannolikhet och Bayes sats

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh

Väntevärde och varians

Matematisk statistik för B, K, N, BME och Kemister

TENTAMEN I STATISTIKENS GRUNDER 1

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar

TMS136. Föreläsning 4

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

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

Kurssammanfattning MVE055

(x) = F X. och kvantiler

Laboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys

SF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK.

Föresläsningsanteckningar Sanno II

bli bekant med summor av stokastiska variabler.

DATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03. bli bekant med summor av stokastiska variabler.

LINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1

Laboration 2: Sannolikhetsteori och simulering

Demonstration av laboration 2, SF1901

6. Flerdimensionella stokastiska variabler

Statistiska metoder för säkerhetsanalys

Matematisk statistik för B, K, N, BME och Kemister

Matematisk statistik för D, I, Π och Fysiker

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

Tentamen MVE302 Sannolikhet och statistik

Föreläsning 7: Punktskattningar

Matematisk statistik för D, I, Π och Fysiker

Stokastiska signaler. Mediesignaler

Sannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00. Kap 2: Sannolikhetsteorins grunder

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh

BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, OCH INFÖR ÖVNING 4

TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära

Två parametrar: µ (väntevärdet) och σ (standardavvikelsen) µ bestämmer normalfördelningens läge

FORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np.

Transformer i sannolikhetsteori

2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /

Föreläsning 3. Sannolikhetsfördelningar

Föreläsning 7: Stokastiska vektorer

Föreläsning 6, FMSF45 Linjärkombinationer

Problemsamling i Sannolikhetsteori

Fö relä sning 1, Kö system vä ren 2014

FACIT: Tentamen L9MA30, LGMA30

Kapitel 5 Multivariata sannolikhetsfördelningar

TENTAMEN MÅNDAGEN DEN 22 OKTOBER 2012 KL a) Bestäm P(ingen av händelserna inträffar). b) Bestäm P(exakt två av händelserna inträffar).

Tentamen MVE301 Sannolikhet, statistik och risk

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

SF1901: Övningshäfte

Tentamen MVE301 Sannolikhet, statistik och risk

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.

Föreläsning 7: Punktskattningar

Transkript:

Matematisk statistik 9 hp Föreläsning 4: Flerdim Johan Lindström 3+4 september 26 Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim /5

Transformer Inversmetoden Transformation av stokastiska variabler Givet en s.v. X. Vilken fördelning får Y = g(x)? Om Y är diskret kan man räkna ut sannolikhetsfunktionen p Y (k) = p X (j) j;g(j)=k dvs P(Y = k) fås genom att lägga ihop p X (j) för alla j sådana att g(j) = k. Metod om Y är kontinuerlig:. Sätt upp F Y (y) = P(Y y). 2. Stoppa in Y = g(x) och uttryck F Y (y) som fkn av F X ( ). 3. Derivera för att få f Y (y) som fkn av f X ( ) Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 2/5

Transformer Inversmetoden Inversmetoden För att dra slumptal från en fördelning med fördelningsfunktion F Y (y):. Räkna ut F Y (y) 2. Dra slumptal från en R(, )-fördelning. 3. Beräkna F (y) för varje slumptal. Y Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 3/5

Transformer Inversmetoden Kontinuerlig fördelning Exp(/2) Inversmetoden.8.6.4.2 f X (x).2.2.4.6.8.2 2.5 Önskad täthet f Y (y).5.5.5 2 2.5 3.8 F Y (y).6.4.2.5.5 2 2.5 3 Önskade slumptal Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 4/5

Tvådim. stokastisk variabel (X, Y) Simultan fördelningsfunktion: F X,Y (x, y) = P(X x, Y y) Simultan sannolikhetsfunktion: p X,Y (j, k) = P(X = j, Y = k) Simultan täthetsfunktion: f X,Y (x, y) = Några egenskaper: P[(X, Y) A] = (j,k) A P[(X, Y) A] = p X (j) = k A p X,Y (j, k) p X,Y (j, k) f X,Y (x, y) dxdy 2 x y F X,Y(x, y) Marginell slh.funkt. för X f Y (y) = f X,Y (x, y) dx Marginell täthet för Y Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 5/5

Sannolikheten att hamna i A är integral av tätheten över A P(X A) = A f X (x) dx P((X, Y) A) = A f X,Y (x, y) dxdy f X (x) A x Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 6/5

Ex: Radioaktivt sönderfall Vid observation av sönderfall beskrivs den simultana fördelningen för tidpunkten för första, X, och andra, Y, sönderfallet av f X,Y (x, y) = e y, x y f X,Y (x,y) = e y, x y.8.6.4.2 3 2 2 3 Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 7/5

Ex: Om f X,Y (x, y) = e y, x y Vad blir f X (x) och f Y (y)? f X (x) = e x, x.4 f Y (y) = y e y, y.8.3.6.4.2.2. 2 3 x 2 3 4 5 y Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 8/5

Oberoende stokastiska variabler Oberoende Händelserna A och B är oberoende P(A B) = P(A) P(B) X och Y är oberoende stokastiska variabler F X,Y (x, y) = F X (x) F Y (y) för alla (x, y) p X,Y (j, k) = p X (j) p Y (k) f X,Y (x, y) = f X (x) f Y (y) alla (j, k) alla (x, y) Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 9/5

Betingade fördelningar Betingad slh P(A B) = P(A B) P(B) Betingad sannolikhetsfunktion för X givet att Y = k p X Y=k (j) = p X,Y(j, k) p Y (k) Betingad täthetsfunktion för X givet att Y = y f X Y=y (x) = f X,Y(x, y) f Y (y) Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim /5

Ex (forts): Om f X,Y (x, y) = e y, x y Vad blir f Y X=x (y) och f X Y=y (x)? f X Y=y (x) = /y, x y f Y X=x (y) = e (y x), y x.8 y= y=2 y=3.8 x= x=2 x=3.6.6.4.4.2.2 2 3 x 2 3 4 5 y Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim /5

Simulering av tvådim. fördelning mha betingning Vet man fördelningen för X och för Y X = x kan man först simulera X och sedan Y via Y X = x. Om f X,Y (x, y) = e y, x y blir (enligt ex. på tavlan) f X (x) = e x, x dvs X Exp() f Y X=x (y) = e (y x), y x dvs Y X = x x + Exp() N stycken par (X, Y) kan då simuleras med x = exprnd(,n,); y = x + exprnd(,n,); Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 2/5

8 Simulerade (X,Y) då f X,Y (x,y) = e y, x y 7 6 y = x + exprnd(,8,) 5 4 3 2 2 3 4 5 6 7 8 x = exprnd(,8,) Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 3/5

Satsen om total sannolikhet igen Total slh P(A) = i P(A H i) P(H i ) För sannolikhetsfunktioner p X (j) = k p X Y=k (j) p Y (k) För täthetsfunktioner f X (x) = f X Y=y (x) f Y (y) dy Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 4/5

Exempel: kombinera diskret och kontinuerligt Vi är intresserade av Y = antalet fel hos en komponent under h men vi vet att felintensiteten varierar slumpmässigt från komponent till komponent. Vi antar att X = felintensiteten (h ) för en komponent är X Exp() och Y X = x Po(x), dvs f X (x) = e x, x resp. Vilken fördelning har då Y? p Y X=x (k) = e x xk, k =,, 2,... k! p Y (k) = = p Y X=x (k) f X (x) dx = x k k! e 2x dx = [y = 2x] = x xk e 2 k+ k! k! e x dx y k e y dy = 2 k+ = 2 ( 2 )k, k =,, 2,... dvs Ge(/2). Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim 5/5