Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Save this PDF as:
 WORD  PNG  TXT  JPG

Størrelse: px
Starte visningen fra side:

Download "Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen"

Transkript

1 Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark

2 Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse Var(X) = E[(X E(X)) 2 ] = (x E(X)) 2 P(X = x) alle x Normalfordelingsapproksimation/den Centrale Grænseværdisætning ( P a S ) n nµ σ n b Φ(b) Φ(a) Markovs og Chebychevs uligheder for ekstreme udfald P(X a) E(X) P( X E(X) ksd(x)) 1 a k 2 Et udpluk af diskrete fordelinger P(T = i) = (1 p) i 1 p P(Y r = i) = Indikatorfunktioner I A = i+r 1 r 1 1 hvis A indtræffer 0 hvis A c indtræffer p r (1 p) i

3 Standardafvigelse/varians Without replacement Probability White balls With replacement Probability White balls Den hypergeometriske fordeling har mindre variation end binomialfordelingen. Bo Friis Nielsen 23/ forelæsning 4 3

4 Definition af varians

5 Definition af varians Var(X) = E[(X E(X)) 2 ] = (x E(X)) 2 P(X = x) alle x

6 Definition af varians Var(X) = E[(X E(X)) 2 ] = (x E(X)) 2 P(X = x) alle x Beregningsformel for varians (vigtig) p.186 Var(X) = E(X 2 ) (E(X)) 2

7 Definition af varians Var(X) = E[(X E(X)) 2 ] = (x E(X)) 2 P(X = x) alle x Beregningsformel for varians (vigtig) p.186 Shift and scale Var(X) = E(X 2 ) (E(X)) 2 Var(aX +b) = a 2 Var(X)

8 Definition af varians Var(X) = E[(X E(X)) 2 ] = (x E(X)) 2 P(X = x) alle x Beregningsformel for varians (vigtig) p.186 Shift and scale Var(X) = E(X 2 ) (E(X)) 2 Sum af uafhængige variable Var(aX +b) = a 2 Var(X) Hvis X 1,...,X n er uafhængige, så Var ( n i=1 X i ) = n Var(X i ) i=1

9 Varians af et tal trukket fra en liste Givet en liste af tal (x 1,x 2,...,x n ) Lad X være en stokastisk variabel: Et tilfældigt element af listen. n E(X) = x = 1 n i=1 x i Var(X) = 1 n n x 2 i x 2 i=1 Bo Friis Nielsen 23/ forelæsning 4 5

10 Standardafvigelse SD(X) = Var(X) Bo Friis Nielsen 23/ forelæsning 4 6

11 Standardafvigelse Normal p.d.f. SD(X) = Var(X) Shift and scale φ(x) % Vendetange SD(aX + b) = a SD(X) x Bo Friis Nielsen 23/ forelæsning 4 6

12 Bestem variansen i binomialfordelingen (n,p) Bo Friis Nielsen 23/ forelæsning 4 7

13 Bestem variansen i binomialfordelingen (n,p) Først, skriv X Bin(n,p) som Bo Friis Nielsen 23/ forelæsning 4 7

14 Bestem variansen i binomialfordelingen (n,p) Først, skriv X Bin(n,p) som X = X 1 + +X n hvor X i Bernoulli(p) Bo Friis Nielsen 23/ forelæsning 4 7

15 Bestem variansen i binomialfordelingen (n,p) Først, skriv X Bin(n,p) som X = X 1 + +X n hvor X i Bernoulli(p) Dernæst, variansen i en Bernoullifordeling (p): Bo Friis Nielsen 23/ forelæsning 4 7

16 Bestem variansen i binomialfordelingen (n,p) Først, skriv X Bin(n,p) som X = X 1 + +X n hvor X i Bernoulli(p) Dernæst, variansen i en Bernoullifordeling (p): E(X i ) = p, Bo Friis Nielsen 23/ forelæsning 4 7

17 Bestem variansen i binomialfordelingen (n,p) Først, skriv X Bin(n,p) som X = X 1 + +X n hvor X i Bernoulli(p) Dernæst, variansen i en Bernoullifordeling (p): E(X i ) = p, E(X 2 i) = p, Bo Friis Nielsen 23/ forelæsning 4 7

18 Bestem variansen i binomialfordelingen (n,p) Først, skriv X Bin(n,p) som X = X 1 + +X n hvor X i Bernoulli(p) Dernæst, variansen i en Bernoullifordeling (p): E(X i ) = p, E(X 2 i) = p, Var(X i ) = p(1 p) Bo Friis Nielsen 23/ forelæsning 4 7

19 Bestem variansen i binomialfordelingen (n,p) Først, skriv X Bin(n,p) som X = X 1 + +X n hvor X i Bernoulli(p) Dernæst, variansen i en Bernoullifordeling (p): Kombinér: E(X i ) = p, E(X 2 i) = p, Var(X i ) = p(1 p) Var(X) = np(1 p) Bo Friis Nielsen 23/ forelæsning 4 7

20 Spredningen i binomialfordelingen (n,p) p SD SD Bo Friis Nielsen 23/ forelæsning 4 8 n

21 Lad X være antallet af dage i en måned valgt tilfældigt blandt årets tolv måneder i et ikke-skudår. Det anføres at E(X) = Spørgsmål 1 Man finder SD(X) til Ved ikke Bo Friis Nielsen 23/ forelæsning 4 9

22 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Bo Friis Nielsen 23/ forelæsning 4 10

23 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Bo Friis Nielsen 23/ forelæsning 4 10

24 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. Bo Friis Nielsen 23/ forelæsning 4 10

25 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. E(S n ) Bo Friis Nielsen 23/ forelæsning 4 10

26 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. E(S n ) = ne(x i ), Bo Friis Nielsen 23/ forelæsning 4 10

27 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. E(S n ) = ne(x i ), SD(S n ) Bo Friis Nielsen 23/ forelæsning 4 10

28 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. E(S n ) = ne(x i ), SD(S n ) = nsd(x i ) Bo Friis Nielsen 23/ forelæsning 4 10

29 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. E(S n ) = ne(x i ), SD(S n ) = nsd(x i ) E( X n ) Bo Friis Nielsen 23/ forelæsning 4 10

30 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. E(S n ) = ne(x i ), SD(S n ) = nsd(x i ) E( X n ) = E(X n ) Bo Friis Nielsen 23/ forelæsning 4 10

31 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. E(S n ) = ne(x i ), SD(S n ) = nsd(x i ) E( X n ) = E(X n ), SD( X n ) Bo Friis Nielsen 23/ forelæsning 4 10

32 Kvadratrodsloven Lad X i være I.I.D. (Independent and Identically Distributed). Definér summen S n = X 1 + +X n Definér gennemsnittet X n = 1 n S n. E(S n ) = ne(x i ), SD(S n ) = nsd(x i ) E( X n ) = E(X n ), SD( X n ) = 1 n SD(X n ) Bo Friis Nielsen 23/ forelæsning 4 10

33 Store tals svage lov Lad X i være I.I.D. med 10 middelværdi µ og spredning σ. P Average 100 P ǫ > 0 : Average n 1000 P( X n µ < ǫ) 1 P Average ( X n konvergerer mod µ i sandsynlighed) P Average Bo Friis Nielsen 23/ forelæsning 4 11

34 Den centrale grænseværdisætning p.196 Lad X 1,...,X n være I.I.D. med middelværdi µ og varians σ 2. Definér S n = X 1 + +X n. For store n gælder approksimativt ( P a S ) n nµ σ n b Φ(b) Φ(a) Bo Friis Nielsen 23/ forelæsning 4 12

35 Betydning CGS er et centralt resultat i sandsynlighedsregningen og statistikken (og findes i mange varianter) Bo Friis Nielsen 23/ forelæsning 4 13

36 Betydning CGS er et centralt resultat i sandsynlighedsregningen og statistikken (og findes i mange varianter) Budskabet er, at stokastiske variable, der er dannet gennem en sum af mange mindre bidrag, med god tilnærmelse kan beskrives ved en normalfordeling Bo Friis Nielsen 23/ forelæsning 4 13

37 Betydning CGS er et centralt resultat i sandsynlighedsregningen og statistikken (og findes i mange varianter) Budskabet er, at stokastiske variable, der er dannet gennem en sum af mange mindre bidrag, med god tilnærmelse kan beskrives ved en normalfordeling Vi har allerede set denne sætning i anvendelse for binomialfordelingen (og Poissonfordelingen) Bo Friis Nielsen 23/ forelæsning 4 13

38 Markovs ulighed p.174 Bo Friis Nielsen 23/ forelæsning 4 14

39 Markovs ulighed p.174 For ikke negative stokastiske variable, kan vi angive en øvre grænse for sandsynligheder ved brug af middelværdien. P(X a) E(X) a Bo Friis Nielsen 23/ forelæsning 4 14

40 Markovs ulighed p.174 For ikke negative stokastiske variable, kan vi angive en øvre grænse for sandsynligheder ved brug af middelværdien. P(X a) E(X) a Chebychevs ulighed p.191 Bo Friis Nielsen 23/ forelæsning 4 14

41 Markovs ulighed p.174 For ikke negative stokastiske variable, kan vi angive en øvre grænse for sandsynligheder ved brug af middelværdien. P(X a) E(X) a Chebychevs ulighed p.191 Hvis vi også kender variansen kan vi skærpe denne grænse P( X E(X) ksd(x)) 1 k 2 Bo Friis Nielsen 23/ forelæsning 4 14

42 Om en stokastisk variabel X, der beskriver et rumindhold, oplyses det, at den har middelværdi E(X) = 10. Spørgsmål 2 Den mindste øvre grænse for P(X 20) findes til ) 4 1 Φ( En sådan grænse kan ikke bestemmes ud fra det oplyste 6 Ved ikke Hvor Φ som sædvanlig betegner fordelingsfunktionen for en standardiseret normalfordelt variabel. Bo Friis Nielsen 23/ forelæsning 4 15

43 Et udvalg af diskrete fordelinger En række grundlæggende mekanismer Se pp.475 Distribution summaries Bo Friis Nielsen 23/ forelæsning 4 16

44 Spørgsmål 3 Hvis en række tal c i udgør en sandsynlighedsfordeling, hvad må der så gælde om c i? 1 Der er ingen specifikke krav 2 i c i = 1 3 c i kan bestemmes fra en formel som c i = n i p i (1 p) n i 4 c i 0 5 Ingen af de ovenstående er tilstrækkelige 6 Ved ikke Bo Friis Nielsen 23/ forelæsning 4 17

45 Den geometriske fordeling Bo Friis Nielsen 23/ forelæsning 4 18

46 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes Bo Friis Nielsen 23/ forelæsning 4 18

47 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) Bo Friis Nielsen 23/ forelæsning 4 18

48 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) Bo Friis Nielsen 23/ forelæsning 4 18

49 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 Bo Friis Nielsen 23/ forelæsning 4 18

50 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 p Bo Friis Nielsen 23/ forelæsning 4 18

51 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 p P(T > i) = (1 p) i Bo Friis Nielsen 23/ forelæsning 4 18

52 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes Middelværdi P(T = i) = (1 p) i 1 p E(T) P(T > i) = (1 p) i Bo Friis Nielsen 23/ forelæsning 4 18

53 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 p P(T > i) = (1 p) i Middelværdi E(T) = P(T > i) i=0 Bo Friis Nielsen 23/ forelæsning 4 18

54 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 p P(T > i) = (1 p) i Middelværdi E(T) = P(T > i) = 1 p i=0 Bo Friis Nielsen 23/ forelæsning 4 18

55 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 p P(T > i) = (1 p) i Middelværdi E(T) = P(T > i) = 1 p i=0 Varians Var(T) Bo Friis Nielsen 23/ forelæsning 4 18

56 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 p P(T > i) = (1 p) i Middelværdi Varians E(T) = Var(T) = 1 p p 2, i=0 P(T > i) = 1 p Bo Friis Nielsen 23/ forelæsning 4 18

57 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 p P(T > i) = (1 p) i Middelværdi Varians E(T) = Var(T) = 1 p p 2, i=0 P(T > i) = 1 p SD(T) Bo Friis Nielsen 23/ forelæsning 4 18

58 Den geometriske fordeling T : antal Bernoulli forsøg indtil første succes P(T = i) = (1 p) i 1 p P(T > i) = (1 p) i Middelværdi Varians E(T) = P(T > i) = 1 p i=0 Var(T) = 1 p p 2, SD(T) = 1 p p Bo Friis Nielsen 23/ forelæsning 4 18

59 T r Antal forsøg indtil rte succes Negativ binomialfordeling Y r Antal fiaskoer til den r te succes i en sekvens af Bernoulliforsøg Hvor mange kameraer skal vi kassere før vi får r, der passerer kvalitetskontrollen T r = Y r +r (Har i øvrigt mange andre fortolkninger) Bo Friis Nielsen 23/ forelæsning 4 19

60 Spørgsmål 4 Hvad er middelværdi og varians for en NB(r,p) fordeling? 1 E(Y r ) = r(1 p) p,var(y r ) = r(1 p) p 2 2 E(Y r ) = r(1 p) p,var(y r ) = (1 p) p 2 3 E(Y r ) = 1 p,var(y r) = r(1 p) p 2 4 E(Y r ) = 1 p,var(y r) = (1 p) p 2 5 E(Y r ) = r p,var(y r) = r p 2 6 Ved ikke Bo Friis Nielsen 23/ forelæsning 4 20

61 Negativ binomialfordeling udledning Bo Friis Nielsen 23/ forelæsning 4 21

62 Negativ binomialfordeling udledning Antal fiaskoer før r te succes. Bo Friis Nielsen 23/ forelæsning 4 21

63 Negativ binomialfordeling udledning Antal fiaskoer før r te succes. En sekvens af Bernoulli forsøg: fffsffsfs Bo Friis Nielsen 23/ forelæsning 4 21

64 Negativ binomialfordeling udledning Antal fiaskoer før r te succes. En sekvens af Bernoulli forsøg: fffsffsfs Vi skal placere r 1 successer på i+r 1 forsøg før vores endelige succes. Bo Friis Nielsen 23/ forelæsning 4 21

65 Negativ binomialfordeling udledning Antal fiaskoer før r te succes. En sekvens af Bernoulli forsøg: fffsffsfs Vi skal placere r 1 successer på i+r 1 forsøg før vores endelige succes. Derfor Bo Friis Nielsen 23/ forelæsning 4 21

66 Negativ binomialfordeling udledning Antal fiaskoer før r te succes. En sekvens af Bernoulli forsøg: fffsffsfs Vi skal placere r 1 successer på i+r 1 forsøg før vores endelige succes. Derfor P(Y r = i) Bo Friis Nielsen 23/ forelæsning 4 21

67 Negativ binomialfordeling udledning Antal fiaskoer før r te succes. En sekvens af Bernoulli forsøg: fffsffsfs Vi skal placere r 1 successer på i+r 1 forsøg før vores endelige succes. Derfor P(Y r = i) = i+r 1 r 1 Bo Friis Nielsen 23/ forelæsning 4 21

68 Negativ binomialfordeling udledning Antal fiaskoer før r te succes. En sekvens af Bernoulli forsøg: fffsffsfs Vi skal placere r 1 successer på i+r 1 forsøg før vores endelige succes. Derfor P(Y r = i) = i+r 1 r 1 p r 1 (1 p) i p Bo Friis Nielsen 23/ forelæsning 4 21

69 Negativ binomialfordeling udledning Antal fiaskoer før r te succes. En sekvens af Bernoulli forsøg: fffsffsfs Vi skal placere r 1 successer på i+r 1 forsøg før vores endelige succes. Derfor i+r 1 P(Y r = i) = p r 1 (1 p) i p r 1 i+r 1 = p r (1 p) i r 1 Bo Friis Nielsen 23/ forelæsning 4 21

70 Middelværdi og varians Y r NB(r,p) Bo Friis Nielsen 23/ forelæsning 4 22

71 Middelværdi og varians Y r NB(r,p) Y r = T r r T r Bo Friis Nielsen 23/ forelæsning 4 22

72 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r Bo Friis Nielsen 23/ forelæsning 4 22

73 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. Bo Friis Nielsen 23/ forelæsning 4 22

74 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. W i er IID; geometrisk (p) fordelt: Lad X i være antallet af fiaskoer mellem succes i 1 og i. Bo Friis Nielsen 23/ forelæsning 4 22

75 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. W i er IID; geometrisk (p) fordelt: Lad X i være antallet af fiaskoer mellem succes i 1 og i. E(W i ) = 1 p Bo Friis Nielsen 23/ forelæsning 4 22

76 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. W i er IID; geometrisk (p) fordelt: Lad X i være antallet af fiaskoer mellem succes i 1 og i. Vi har da Y r = E(W i ) = 1 p r X i = i=1 Var(W i ) = 1 p p 2 r (W i 1) = i=1 r W i r i=1 Bo Friis Nielsen 23/ forelæsning 4 22

77 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. W i er IID; geometrisk (p) fordelt: Lad X i være antallet af fiaskoer mellem succes i 1 og i. Vi har da Derfor: Y r = E(W i ) = 1 p r X i = i=1 Var(W i ) = 1 p p 2 r (W i 1) = i=1 r W i r i=1 Bo Friis Nielsen 23/ forelæsning 4 22

78 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. W i er IID; geometrisk (p) fordelt: Lad X i være antallet af fiaskoer mellem succes i 1 og i. Vi har da Derfor: Y r = E(W i ) = 1 p r X i = i=1 E(Y r ) = r p r Var(W i ) = 1 p p 2 r (W i 1) = i=1 r W i r Bo Friis Nielsen 23/ forelæsning 4 22 i=1

79 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. W i er IID; geometrisk (p) fordelt: Lad X i være antallet af fiaskoer mellem succes i 1 og i. Vi har da Derfor: Y r = E(W i ) = 1 p r X i = i=1 E(Y r ) = r p Var(W i ) = 1 p p 2 r (W i 1) = i=1 r = r1 p p r W i r Bo Friis Nielsen 23/ forelæsning 4 22 i=1

80 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. W i er IID; geometrisk (p) fordelt: Lad X i være antallet af fiaskoer mellem succes i 1 og i. Vi har da Derfor: Y r = E(W i ) = 1 p r X i = i=1 E(Y r ) = r p Var(W i ) = 1 p p 2 r (W i 1) = i=1 r = r1 p p r W i r Bo Friis Nielsen 23/ forelæsning 4 22 i=1 Var(Y r )

81 Middelværdi og varians Y r NB(r,p) Y r = T r r T r = W 1 + +W r hvor W i er ventetiden fra den i 1te til den ite succes. W i er IID; geometrisk (p) fordelt: Lad X i være antallet af fiaskoer mellem succes i 1 og i. Vi har da Derfor: Y r = E(W i ) = 1 p r X i = i=1 E(Y r ) = r p Var(W i ) = 1 p p 2 r (W i 1) = i=1 r = r1 p p r W i r Bo Friis Nielsen 23/ forelæsning 4 22 i=1 Var(Y r ) = r 1 p p 2

82 Indikatorfunktionen (p.155), p.168 Spørgsmål 5 Hvad er E(I A ) A 4 P(A) I A = 5 Kan man ikke sige generelt 6 Ved ikke 1 hvis A indtræffer 0 hvis A c indtræffer Bo Friis Nielsen 23/ forelæsning 4 23

83 Hvornår kan man bruge indikatorfunktioner? Bo Friis Nielsen 23/ forelæsning 4 24

84 Hvornår kan man bruge indikatorfunktioner? Man kan bruge indikatorfunktionen når vi kan skrive en stokastisk variabel X som X = I A1 +I A2 + +I Ak Bo Friis Nielsen 23/ forelæsning 4 24

85 Hvornår kan man bruge indikatorfunktioner? Man kan bruge indikatorfunktionen når vi kan skrive en stokastisk variabel X som X = I A1 +I A2 + +I Ak - dvs. X tæller, hvor mange af hændelser A 1,...,A k, der er indtruffet. Bo Friis Nielsen 23/ forelæsning 4 24

86 Hvornår kan man bruge indikatorfunktioner? Man kan bruge indikatorfunktionen når vi kan skrive en stokastisk variabel X som X = I A1 +I A2 + +I Ak - dvs. X tæller, hvor mange af hændelser A 1,...,A k, der er indtruffet. E(X) Bo Friis Nielsen 23/ forelæsning 4 24

87 Hvornår kan man bruge indikatorfunktioner? Man kan bruge indikatorfunktionen når vi kan skrive en stokastisk variabel X som X = I A1 +I A2 + +I Ak - dvs. X tæller, hvor mange af hændelser A 1,...,A k, der er indtruffet. E(X) = P(A 1 )+P(A 2 )+...P(A k ) Bo Friis Nielsen 23/ forelæsning 4 24

88 Hvornår kan man bruge indikatorfunktioner? Man kan bruge indikatorfunktionen når vi kan skrive en stokastisk variabel X som X = I A1 +I A2 + +I Ak - dvs. X tæller, hvor mange af hændelser A 1,...,A k, der er indtruffet. E(X) = P(A 1 )+P(A 2 )+...P(A k ) bruges når P(A i ) kan bestemmes (let), men fordelingen af X ikke kan. (F.eks. opgave ) Bo Friis Nielsen 23/ forelæsning 4 24

89 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Bo Friis Nielsen 23/ forelæsning 4 25

90 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Lad N betegne antallet af disse hændelser, der indtræffer. Bo Friis Nielsen 23/ forelæsning 4 25

91 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Lad N betegne antallet af disse hændelser, der indtræffer. Opskriv N udtrykt ved indikatorvariable Bo Friis Nielsen 23/ forelæsning 4 25

92 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Lad N betegne antallet af disse hændelser, der indtræffer. Opskriv N udtrykt ved indikatorvariable Variablen I B antager værdien 1, Bo Friis Nielsen 23/ forelæsning 4 25

93 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Lad N betegne antallet af disse hændelser, der indtræffer. Opskriv N udtrykt ved indikatorvariable Variablen I B antager værdien 1, hvis B indtræffer, Bo Friis Nielsen 23/ forelæsning 4 25

94 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Lad N betegne antallet af disse hændelser, der indtræffer. Opskriv N udtrykt ved indikatorvariable Variablen I B antager værdien 1, hvis B indtræffer, ellers 0. Bo Friis Nielsen 23/ forelæsning 4 25

95 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Lad N betegne antallet af disse hændelser, der indtræffer. Opskriv N udtrykt ved indikatorvariable Variablen I B antager værdien 1, hvis B indtræffer, ellers 0. N = Bo Friis Nielsen 23/ forelæsning 4 25

96 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Lad N betegne antallet af disse hændelser, der indtræffer. Opskriv N udtrykt ved indikatorvariable Variablen I B antager værdien 1, hvis B indtræffer, ellers 0. N = I A1 Bo Friis Nielsen 23/ forelæsning 4 25

97 Opgave Lad A 1, A 2 og A 3 være hændelser med sandsynlighederne P(A 1 ) = 1 5, P(A 2) = 1 4, P(A 3) = 1 3 Lad N betegne antallet af disse hændelser, der indtræffer. Opskriv N udtrykt ved indikatorvariable Variablen I B antager værdien 1, hvis B indtræffer, ellers 0. N = I A1 +I A2 +I A3 Bo Friis Nielsen 23/ forelæsning 4 25

98 Find E(N) N = I A1 +I A2 +I A3 Bo Friis Nielsen 23/ forelæsning 4 26

99 Find E(N) N = I A1 +I A2 +I A3 Vi tager forventning på begge sider Bo Friis Nielsen 23/ forelæsning 4 26

100 Find E(N) N = I A1 +I A2 +I A3 Vi tager forventning på begge sider E(N) Bo Friis Nielsen 23/ forelæsning 4 26

101 Find E(N) N = I A1 +I A2 +I A3 Vi tager forventning på begge sider E(N) = E(I A1 +I A2 +I A3 ) Bo Friis Nielsen 23/ forelæsning 4 26

102 Find E(N) N = I A1 +I A2 +I A3 Vi tager forventning på begge sider E(N) = E(I A1 +I A2 +I A3 ) Dermed E(N) Bo Friis Nielsen 23/ forelæsning 4 26

103 Find E(N) N = I A1 +I A2 +I A3 Vi tager forventning på begge sider E(N) = E(I A1 +I A2 +I A3 ) Dermed E(N) = E(I A1 )+E(I A2 )+E(I A3 ) Hvorfor? Bo Friis Nielsen 23/ forelæsning 4 26

104 Find E(N) N = I A1 +I A2 +I A3 Vi tager forventning på begge sider E(N) = E(I A1 +I A2 +I A3 ) Dermed E(N) = E(I A1 )+E(I A2 )+E(I A3 ) Hvorfor? E(N) Bo Friis Nielsen 23/ forelæsning 4 26

105 Find E(N) N = I A1 +I A2 +I A3 Vi tager forventning på begge sider E(N) = E(I A1 +I A2 +I A3 ) Dermed E(N) = E(I A1 )+E(I A2 )+E(I A3 ) Hvorfor? E(N) = P(A 1 )+P(A 2 )+P(A 3 ) Bo Friis Nielsen 23/ forelæsning 4 26

106 Find E(N) N = I A1 +I A2 +I A3 Vi tager forventning på begge sider E(N) = E(I A1 +I A2 +I A3 ) Dermed E(N) = E(I A1 )+E(I A2 )+E(I A3 ) Hvorfor? E(N) = P(A 1 )+P(A 2 )+P(A 3 ) = Bo Friis Nielsen 23/ forelæsning 4 26

107 Beregn Var(N) når A 1, A 2 og A 3 er gensidigt udelukkende A 1, A 2 og A 3 er uafhængige A 1 A 2 A 3 Bo Friis Nielsen 23/ forelæsning 4 27

108 Var(N) når A i er gensidigt udelukkende I dette tilfælde har vi P(N > 1) = 0 P(N = 1) = P(A 1 )+P(A 2 )+P(A 3 ) Bo Friis Nielsen 23/ forelæsning 4 28

109 Var(N) når A i er gensidigt udelukkende I dette tilfælde har vi P(N > 1) = 0 P(N = 1) = P(A 1 )+P(A 2 )+P(A 3 ) = E(N) Bo Friis Nielsen 23/ forelæsning 4 28

110 Var(N) når A i er gensidigt udelukkende I dette tilfælde har vi P(N > 1) = 0 P(N = 1) = P(A 1 )+P(A 2 )+P(A 3 ) = E(N) Eksperimentet er altså et Bernoullieksperiment og vi har Var(N) Bo Friis Nielsen 23/ forelæsning 4 28

111 Var(N) når A i er gensidigt udelukkende I dette tilfælde har vi P(N > 1) = 0 P(N = 1) = P(A 1 )+P(A 2 )+P(A 3 ) = E(N) Eksperimentet er altså et Bernoullieksperiment og vi har Var(N) = p(1 p) Bo Friis Nielsen 23/ forelæsning 4 28

112 Var(N) når A i er gensidigt udelukkende I dette tilfælde har vi P(N > 1) = 0 P(N = 1) = P(A 1 )+P(A 2 )+P(A 3 ) = E(N) Eksperimentet er altså et Bernoullieksperiment og vi har Var(N) = p(1 p) = = 0,170 = 0,4122 Bo Friis Nielsen 23/ forelæsning 4 28

113 Var(N) når A 1, A 2 og A 3 er uafhængige Var(N) Bo Friis Nielsen 23/ forelæsning 4 29

114 Var(N) når A 1, A 2 og A 3 er uafhængige Var(N) = Var(I A1 +I A2 +I A3 ) Bo Friis Nielsen 23/ forelæsning 4 29

115 Var(N) når A 1, A 2 og A 3 er uafhængige Var(N) = Var(I A1 +I A2 +I A3 ) = Var(I A1 )+Var(I A3 )+Var(I A3 ) Bo Friis Nielsen 23/ forelæsning 4 29

116 Var(N) når A 1, A 2 og A 3 er uafhængige Var(N) = Var(I A1 +I A2 +I A3 ) = Var(I A1 )+Var(I A3 )+Var(I A3 ) For hver A i har vi Var(I Ai ) = P(A i ) P(A c i) Bo Friis Nielsen 23/ forelæsning 4 29

117 Var(N) når A 1, A 2 og A 3 er uafhængige Var(N) = Var(I A1 +I A2 +I A3 ) = Var(I A1 )+Var(I A3 )+Var(I A3 ) For hver A i har vi Var(I Ai ) = P(A i ) P(A c i) Altså Var(I A1 ) = = 4 25 Var(I A2 ) = 3 16 Var(I A3 ) = 2 9 Bo Friis Nielsen 23/ forelæsning 4 29

118 Var(N) når A 1, A 2 og A 3 er uafhængige Var(N) = Var(I A1 +I A2 +I A3 ) = Var(I A1 )+Var(I A3 )+Var(I A3 ) For hver A i har vi Var(I Ai ) = P(A i ) P(A c i) Altså Var(I A1 ) = = 4 25 Var(I A2 ) = 3 16 Var(I A3 ) = 2 9 Så V(N) = , Bo Friis Nielsen 23/ forelæsning 4 29

119 Beregn Var(N) når A 1 A 2 A 3 Bo Friis Nielsen 23/ forelæsning 4 30

120 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) Bo Friis Nielsen 23/ forelæsning 4 30

121 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Bo Friis Nielsen 23/ forelæsning 4 30

122 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 Bo Friis Nielsen 23/ forelæsning 4 30

123 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) Bo Friis Nielsen 23/ forelæsning 4 30

124 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) Bo Friis Nielsen 23/ forelæsning 4 30

125 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 Bo Friis Nielsen 23/ forelæsning 4 30

126 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 P(N = 1) Bo Friis Nielsen 23/ forelæsning 4 30

127 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 P(N = 1) = P(A 3 \A 2 ) = P(A 3 ) P(A 2 ) = 1 12 Bo Friis Nielsen 23/ forelæsning 4 30

128 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 P(N = 1) = P(A 3 \A 2 ) = P(A 3 ) P(A 2 ) = 1 12 Dermed: E(N 2 ) Bo Friis Nielsen 23/ forelæsning 4 30

129 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 Dermed: P(N = 1) = P(A 3 \A 2 ) = P(A 3 ) P(A 2 ) = 1 12 E(N 2 ) = Bo Friis Nielsen 23/ forelæsning 4 30

130 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 P(N = 1) = P(A 3 \A 2 ) = P(A 3 ) P(A 2 ) = 1 12 Dermed: E(N 2 ) = = Bo Friis Nielsen 23/ forelæsning 4 30

131 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 P(N = 1) = P(A 3 \A 2 ) = P(A 3 ) P(A 2 ) = 1 12 Dermed: E(N 2 ) = = Var(N) Bo Friis Nielsen 23/ forelæsning 4 30

132 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 P(N = 1) = P(A 3 \A 2 ) = P(A 3 ) P(A 2 ) = 1 12 Dermed: E(N 2 ) = = Var(N) = E(N 2 ) (E(N)) 2 Bo Friis Nielsen 23/ forelæsning 4 30

133 Beregn Var(N) når A 1 A 2 A 3 P(N = 3) = P(A 1 ) = 1 5 Vi har ved brug af differensreglen p.22 P(N = 2) = P(A 2 \A 1 ) = P(A 2 ) P(A 1 ) = 1 20 Dermed: P(N = 1) = P(A 3 \A 2 ) = P(A 3 ) P(A 2 ) = 1 12 E(N 2 ) = = Var(N) = E(N 2 ) (E(N)) 2 = 4931 = 1,370 = 1, Bo Friis Nielsen 23/ forelæsning 4 30

134 Beregn Var(N) når A 1, A 2 og A 3 er gensidigt udelukkende Var(N) = A 1, A 2 og A 3 er uafhængige Var(N) = 0,755 2 A 1 A 2 A 3 Var(N) = 1,17 2 Kan vi forklare/forstå resultatet? Bo Friis Nielsen 23/ forelæsning 4 31

135 Tail sum formula Hvis X kan antage værdier 0,1,... E(X) = i=1 P(X i) (En tilsvarende formel gælder for kontinuerte variable; kap. 4) Bo Friis Nielsen 23/ forelæsning 4 32

136 Tail sum formula Hvis X kan antage værdier 0,1,... E(X) = i=1 P(X i) (En tilsvarende formel gælder for kontinuerte variable; kap. 4) Bevis: hvor X = I(A 1 )+I(A 2 )+ A i = {X i} Bo Friis Nielsen 23/ forelæsning 4 32

137 Et par nyttige sumformler N i=0 a i = 1 an+1 1 a, a 1 i=0 a i = 1 1 a, a < 1 i=0 a i i! = ea Bo Friis Nielsen 23/ forelæsning 4 33

138 Et par nyttige sumformler N i=0 a i = 1 an+1 1 a, a 1 i=0 a i = 1 1 a, a < 1 i=0 a i i! = ea For a i 0 og b i 0 har vi: ( )( ) ( i ) a i b i = a k b i k = i=0 i=0 i=0 k=0 c i c i = Bo Friis Nielsen 23/ forelæsning 4 33 i=0 i a k b i k k=0

139 Sammenhæng mellem fordelinger X Bin(n 1,p) og Y Bin(n 2,p): X +Y Bin(n 1 +n 2,p) X Pois(λ 1 ) og Y Pois(λ 2 ): X +Y Pois(λ 1 +λ 2 ) X Geom(p): X 1 NB(1,p). X NB(r 1,p) og Y NB(r 2,p): X +Y NB(r 1 +r 2,p) Bin(n,λ/n) Pois(λ) når n HyperGeom(n,N,G) Bin(n,p) når N,G mens G/N p. Summer kan generelt approksimeres med normalfordelingen Bo Friis Nielsen 23/ forelæsning 4 34

140 Nye begreber i afsnit 3.3 og 3.4 Varians og standardafvigelse Markovs og Chebychevs uligheder Indikatorfunktion Den centrale grænseværdisætning (3.3) Geometrisk fordeling Negativ binomial fordeling Poisson fordeling Bo Friis Nielsen 23/ forelæsning 4 35

141 Afsnit 3.3 og 3.4 Varians/standardafvigelse Var(X) = E[(X E(X)) 2 ] = (x E(X)) 2 P(X = x) alle x Normalfordelingsapproksimation/den Centrale Grænseværdisætning ( P a S ) n nµ σ n b Φ(b) Φ(a) Markovs og Chebychevs uligheder for ekstreme udfald P(X a) E(X) P( X E(X) ksd(x)) 1 a k 2 Et udpluk af diskrete fordelinger P(T = i) = (1 p) i 1 p P(T r = i) = Indikatorfunktioner I A = x+r 1 r 1 1 hvis A indtræffer 0 hvis A c indtræffer p r 1 (1 p) i p

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse

Læs mere

Oversigt over nyttige fordelinger

Oversigt over nyttige fordelinger Oversigt over nyttige fordelinger Helene Regitze Lund Wandsøe November 14, 2011 1 Bernoulli-fordelingen 1 Når et eksperiment har to mulige udfald: succes eller fiasko. X er en stokastisk variabel med følgende

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte

Læs mere

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en

Læs mere

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder

Læs mere

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen Repetition Lov om total sandsynlighed Bayes sætning P( B A) = P(A) = P(AI B) + P(AI P( A B) P( B) P( A B) P( B) +

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Kapitel 4: Diskrete fordelinger Afsnit 4.1-4.2, 4.7: Bernoulli fordeling Binomial fordeling Store Tals Lov (Laws of Averages, Laws of Large Numbers) 1 Bernoulli fordeling Kvantitative Metoder

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater

Læs mere

Sandsynlighedsregning

Sandsynlighedsregning Mogens Bladt www2.imm.dtu.dk/courses/02405 21. September, 2007 Lidt om binomialkoefficienter n størrelsen af en mængde/population. Vi ønsker at udtage en sub population af størrelse r. To sub populationer

Læs mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable

Oversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800

Læs mere

En oversigt over udvalgte kontinuerte sandsynlighedsfordelinger

En oversigt over udvalgte kontinuerte sandsynlighedsfordelinger Institut for Økonomi Aarhus Universitet Statistik 1, Forår 2001 Allan Würtz 4. April, 2001 En oversigt over udvalgte kontinuerte sandsynlighedsfordelinger Uniform fordeling Benyttes som model for situationer,

Læs mere

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable Normal fordelingen Normal fordelingen Egenskaber ved normalfordelingen Standard normal fordelingen Find sandsynligheder ud fra tabel Transformation af normal fordelte variable Invers transformation Repetition

Læs mere

Sandsynlighedsregning Oversigt over begreber og fordelinger

Sandsynlighedsregning Oversigt over begreber og fordelinger Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)

Læs mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@imm.dtu.dk Dagens nye emner afsnit 6.3 (og 6.4 Betingede

Læs mere

Definition. Definitioner

Definition. Definitioner Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/

Læs mere

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfn@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede) fordelingsfunktion

Læs mere

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Statistisk Model Indhold Binomialfordeling Sandsynlighedsfunktion Middelværdi og spredning 1 Aalen: Innføring i statistik med medisinske eksempler

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Multinomial fordeling, Afsnit 4.8 Negativ binomialfordeling, Afsnit 4.4 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte

Læs mere

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x) Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen

Læs mere

enote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions

enote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 33B, Rum 9 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail: pbac@dtu.dk Efterår

Læs mere

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0. Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:

Læs mere

Sandsynlighedsregning 2. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 2. forelæsning Bo Friis Nielsen Sandsynlighedsregning 2. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Vigtigste nye emner i 2.1, 2.2 og 2.5

Læs mere

Løsning til eksamen 16/

Løsning til eksamen 16/ 1 IMM - DTU 245 Probability 24-5-11 BFN/bfn Løsning til eksamen 16/12 23 Spørgsmål 1) 2 44% Man benytter formlen for skalering og positionsskift i forbindelse med varians og standardafvigelse, samt formlen

Læs mere

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Kapitel 4: Diskrete fordelinger Hypergeometrisk fordeling, Afsnit 4.3 Multinomial fordeling, Afsnit 4.8 Geometrisk fordeling og Negativ binomialfordeling (Inverse Sampling), Afsnit 4.4 Approksimation

Læs mere

INSTITUT FOR MATEMATISKE FAG c

INSTITUT FOR MATEMATISKE FAG c INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske

Læs mere

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:

Læs mere

Vejledende løsninger til opgaver i kapitel 6

Vejledende løsninger til opgaver i kapitel 6 Vejledende løsninger til opgaver i kapitel Opgave 1: a) Den stokastiske variabel, X, der angiver, om en elev består, X = 1, eller dumper, X =, sin eksamen i statistik. b) En binomialfordelt variabel fremkommer

Læs mere

Oversigt. Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger

Oversigt. Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger Introduktion til Statistik Forelæsning 2: og diskrete fordelinger Oversigt 1 2 3 Fordelingsfunktion 4 Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 017 Danmarks Tekniske Universitet 2800

Læs mere

Statistiske modeller

Statistiske modeller Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder

Læs mere

Sandsynlighedsregning 8. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 8. forelæsning Bo Friis Nielsen Sandsynlighedsregning 8. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner 5.1 og 5.2 Ligefordeling med to

Læs mere

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3 Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april

Læs mere

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk

Læs mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Rune Haubo B Christensen (based on slides by Per Bruun Brockhoff) DTU Compute, Statistik og Dataanalyse Bygning

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Lineære transformationer, middelværdi og varians Helle Sørensen Uge 8, onsdag SaSt2 (Uge 8, onsdag) Lineære transf. og middelværdi 1 / 15 Program I formiddag: Fordeling

Læs mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Kursus 242 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 35/324 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail:

Læs mere

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder

Læs mere

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske

Læs mere

Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål

Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner

Læs mere

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,

Læs mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 11, 2016 1/22 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M. Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 9, 2015 Sandsynlighedsregning og lagerstyring Normalfordelingen

Læs mere

Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger. Peder Bacher

Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger. Peder Bacher Introduktion til Statistik Forelæsning 2: Stokastisk variabel og diskrete fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark

Læs mere

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1

Læs mere

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfn@dtu.dk Dagens emner: Afsnit 4.2, 4.3 og 4.4 Poissonprocessen/eksponentialfordelingen

Læs mere

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Kursus 02402 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800

Læs mere

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset

Læs mere

Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen

Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen Statistik Lektion etinget sandsynlighed ayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV inomialfordelingen Repetition Udfaldsrum S Hændelse S Simpel hændelse O i 1, 3 4,

Læs mere

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6.1 og 6.2 Betingede diskrete

Læs mere

Oversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger

Oversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger Course 02402/02323 Introducerende Statistik Forelæsning 2: Stokastisk variabel og diskrete fordelinger Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet

Læs mere

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6.1 og 6.2 Betingede diskrete

Læs mere

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Sandsynlighedsregning 0. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6. og 6. Betingede diskrete

Læs mere

Statistik Lektion 2. Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var.

Statistik Lektion 2. Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var. Statistik Lektion Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var. Repetition Stikprøve Stikprøvestørrelse n Stikprøvemiddelværdi Stikprøvevarians s Population

Læs mere

DANMARKS TEKNISKE UNIVERSITET Side?? af?? sider. Skriftlig prøve, den: 18. december 2014 Kursus nr : (navn) (underskrift) (bord nr)

DANMARKS TEKNISKE UNIVERSITET Side?? af?? sider. Skriftlig prøve, den: 18. december 2014 Kursus nr : (navn) (underskrift) (bord nr) DANMARKS TEKNISKE UNIVERSITET Side?? af?? sider Skriftlig prøve, den: 8. december 04 Kursus nr : 040 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Normalfordelingen og transformation af kontinuerte fordelinger Helle Sørensen Uge 7, mandag SaSt2 (Uge 7, mandag) Normalford. og transformation 1 / 16 Program Paretofordelingen,

Læs mere

Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen

Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:

Læs mere

Binomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.

Binomialfordelingen. X ~ bin(n,p): X = antal succeser i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes. Uge 9 Teoretisk Statistik 23. februar 24 1. Binomialfordelingen 2. Den hypergeometriske fordeling 3. Poissonfordelingen 4. Den negative binomialfordeling 5. Gammafordelingen Binomialfordelingen X ~ bin(n,p):

Læs mere

hvor a og b er konstanter. Ved middelværdidannelse fås videre

hvor a og b er konstanter. Ved middelværdidannelse fås videre Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den

Læs mere

DANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 17. december 2015 Kursus nr : (navn) (underskrift) (bord nr)

DANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 17. december 2015 Kursus nr : (navn) (underskrift) (bord nr) DANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider Skriftlig prøve, den: 17. december 015 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret

Læs mere

Program. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål

Program. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen

Læs mere

Binomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/

Binomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/ Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial

Læs mere

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.

Teoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt

Læs mere

DANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 29. maj 2015 Kursus nr : (navn) (underskrift) (bord nr)

DANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 29. maj 2015 Kursus nr : (navn) (underskrift) (bord nr) DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 9. maj 05 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret af:

Læs mere

CIVILINGENIØREKSAMEN Side 1 af 16 sider. Skriftlig prøve, den: 28. maj 2010 Kursus nr : (navn) (underskrift) (bord nr)

CIVILINGENIØREKSAMEN Side 1 af 16 sider. Skriftlig prøve, den: 28. maj 2010 Kursus nr : (navn) (underskrift) (bord nr) CIVILINGENIØREKSAMEN Side af 6 sider Skriftlig prøve, den: 8. maj 00 Kursus nr : 005 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: navn underskrift bord nr Der

Læs mere

Momenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål

Momenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive

Læs mere

Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable: udfald

Læs mere

Grundlæggende statistik Lektion 2 Indhold Diskrete fordelinger Binomial fordelingen Poisson fordelingen Hypergeometrisk fordeling Data typer el. typer af tilfældige variable Diskrete variable > Kategoriseres

Læs mere

Sandsynlighedsregning 2. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 2. forelæsning Bo Friis Nielsen Vigtigste nye emner i.,. og.5 Sandsynlighedsregning. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Siene Danmarks Tekniske Universitet 800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Binomialfordelingen

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Afsnit 6.1 Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler Lineære transformationer

Læs mere

Oversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff

Oversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff Course 242/2323 Introducerende Statistik Forelæsning 3: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 22 Danmarks Tekniske Universitet 28 Lyngby Danmark

Læs mere

Note om Monte Carlo metoden

Note om Monte Carlo metoden Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at

Læs mere

Løsninger til kapitel 6

Løsninger til kapitel 6 Opgave 6.1 a) 180 200 P ( X < 180) = Φ = Φ( = 0, 1587 b) 220 200 P ( X > 220) = Φ = Φ(1) = 0, 8413 c) 200 200 P ( X > 200) = 1 X < 200) = 1 Φ = ) = 1 0,5 = 0, 5 d) P ( X = 230) = 0 e) 180 200 P ( X 180)

Læs mere

Tema. Dagens tema: Indfør centrale statistiske begreber.

Tema. Dagens tema: Indfør centrale statistiske begreber. Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i

Læs mere

Et firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen

Et firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen STATISTIK Skriftlig evaluering, 3. semester, mandag den 6. januar 004 kl. 9.00-13.00. Alle hjælpemidler er tilladt. Opgaveløsningen forsynes med navn og CPR-nr. OPGAVE 1 Et firma tuner biler. Antallet

Læs mere

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Kontinuerte fordelinger Ventetider i en Poissonproces Beskrivelse af kontinuerte fordelinger: - Median og kvartiler - Middelværdi - Varians Simultane fordelinger 1 Ventetider i en Poissonproces

Læs mere

MM501 forelæsningsslides

MM501 forelæsningsslides MM501 forelæsningsslides uge 40, 2010 Produceret af Hans J. Munkholm bearbejdet af JC 1 Separabel 1. ordens differentialligning En generel 1. ordens differentialligning har formen s.445-8 dx Eksempler

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Afsnit 6.1. Ligefordelinger, fra sidst Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler

Læs mere

Uge 10 Teoretisk Statistik 1. marts 2004

Uge 10 Teoretisk Statistik 1. marts 2004 1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt

Læs mere

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 Vejledende løsning 5.46 P (0.010 < error < 0.015) = (0.015 0.010)/0.050 = 0.1 > punif(0.015,-0.025,0.025)-punif(0.01,-0.025,0.025) [1] 0.1

Læs mere

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:

Læs mere

CIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: XY. december 200Z Kursus nr : (navn) (underskrift) (bord nr)

CIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: XY. december 200Z Kursus nr : (navn) (underskrift) (bord nr) CIVILINGENIØREKSAMEN Side 1 af 18 sider Skriftlig prøve, den: XY. december 200Z Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)

Læs mere

Diskrete fordelinger. Fire vigtige diskrete fordelinger: 1. Uniform fordeling (diskret) 2. Binomial fordeling. 3. Hyper-geometrisk fordeling

Diskrete fordelinger. Fire vigtige diskrete fordelinger: 1. Uniform fordeling (diskret) 2. Binomial fordeling. 3. Hyper-geometrisk fordeling Disrete fordelinger Fire vigtige disrete fordelinger: 1. Uniform fordeling (disret) 2. Binomial fordeling 3. Hyper-geometris fordeling 4. Poisson fordeling 1 Uniform fordeling Definition Esperiment med

Læs mere

Løsning eksamen d. 15. december 2008

Løsning eksamen d. 15. december 2008 Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th

Læs mere

CIVILINGENIØREKSAMEN Side?? af?? sider. Skriftlig prøve, den: 16. december 2004 Kursus nr : (navn) (underskrift) (bord nr)

CIVILINGENIØREKSAMEN Side?? af?? sider. Skriftlig prøve, den: 16. december 2004 Kursus nr : (navn) (underskrift) (bord nr) CIVILINGENIØREKSAMEN Side?? af?? sider Skriftlig prøve, den: 6. december 2004 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)

Læs mere

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1) ; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians

Læs mere

Teoretisk Statistik, 16. februar Generel teori,repetition

Teoretisk Statistik, 16. februar Generel teori,repetition 1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske

Læs mere

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:

Læs mere

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.

Overheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ. Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.

Læs mere

Nanostatistik: Opgavebesvarelser

Nanostatistik: Opgavebesvarelser Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,

Læs mere

Nanostatistik: Opgaver

Nanostatistik: Opgaver Nanostatistik: Opgaver Jens Ledet Jensen, 19/01/05 Opgaver 1 Opgaver fra Indblik i Statistik 5 Eksamensopgaver fra tidligere år 11 i ii NANOSTATISTIK: OPGAVER Opgaver Opgave 1 God opgaveskik: Når I regner

Læs mere

Estimation og usikkerhed

Estimation og usikkerhed Estimation og usikkerhed = estimat af en eller anden ukendt størrelse, τ. ypiske ukendte størrelser Sandsynligheder eoretisk middelværdi eoretisk varians Parametre i statistiske modeller 1 Krav til gode

Læs mere

Landmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering

Landmålingens fejlteori - Lektion 3. Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering Landmålingens fejlteori Lektion 3 Estimation af σ Dobbeltmålinger Geometrisk nivellement Linearisering - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition: Middelværdi og

Læs mere

DANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 24. maj 2012 Kursus nr : (navn) (underskrift) (bord nr)

DANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 24. maj 2012 Kursus nr : (navn) (underskrift) (bord nr) DANMARKS TEKNISKE UNIVERSITET Side af 6 sider Skriftlig prøve, den: 24. maj 2 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret af:

Læs mere

Kombinatorik. Eksempel 2: En mand har 7 par bukser og 10 skjorter. Skal han både vælge en skjorte og et par bukser, så har han 10. 7=70 mulige valg.

Kombinatorik. Eksempel 2: En mand har 7 par bukser og 10 skjorter. Skal han både vælge en skjorte og et par bukser, så har han 10. 7=70 mulige valg. Noter til Biomat, 005. Kombinatorik. - eller kunsten at tælle. Alle tal i kombinatorik-afsnittet er hele og ikke-negative. Additionsprincippet enten - eller : Antag vi enten skal lave et valg med m muligheder

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte

Læs mere

Statistik. Hjemmeside: kkb. Statistik - lektion 1 p.1/22

Statistik. Hjemmeside:  kkb. Statistik - lektion 1 p.1/22 Statistik Kursets omfang: 2 ECTS Inklusiv mini-projekt! Bog: Complete Business Statistics, AD Aczel & J. Sounderpandian Software: SPSS eller Excel?? Forelæser: Kasper K. Berthelsen E-mail: kkb@math.aau.dk

Læs mere

CIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: PQ. juli 200Z Kursus nr : (navn) (underskrift) (bord nr)

CIVILINGENIØREKSAMEN Side 1 af 18 sider. Skriftlig prøve, den: PQ. juli 200Z Kursus nr : (navn) (underskrift) (bord nr) CIVILINGENIØREKSAMEN Side 1 af 18 sider Skriftlig prøve, den: PQ. juli 200Z Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)

Læs mere