Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen
|
|
- Jesper Danielsen
- 7 år siden
- Visninger:
Transkript
1 Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark
2 Dagens emner afsnit 6.1 og 6.2 Betingede diskrete fordelinger P(Y = y X = x) = P(X=x,Y=y) P(X=x) P(Y = y) = x P(X = x)p(y = y X = x) Betinget middelværdi (det diskrete tilfælde) E(Y X = x) = y yp(y = y X = x) E(Y X) en stokastisk variabel E(Y) = E X (E Y (Y X)) = x P(X = x)e(y X = x) E(g(X,Y) X = x) = E(g(x,Y) X = x) E(XY X) = XE(Y X) Bo Friis Nielsen 11/ forelæsning 10 2
3 En virksomhed, der producerer elektriske pærer har afdelinger i to byer. Fabrikken i by A står for 2 af produktionen. Resten 3 produceres i by B, udaf disse er 1% defekte. Spørgsmål 1 Hvor stor en andel af det samlede antal pærer der produceres af virksomheden fremstilles som intakte i by B? Spørgsmålet kan ikke besvares pga. manglende oplysninger 6 Ved ikke Bo Friis Nielsen 11/ forelæsning 10 3
4 Spørgsmål 2 Man får nu den yderligere oplysning at defektprocenten for pærer produceret i by A er (altså er 1 ud af 200 i gennemsnit defekt). Givet en pære er defekt, hvad er da sandsynligheden for, at den er produceret i by B Ved ikke Bo Friis Nielsen 11/ forelæsning 10 4
5 Københavnske boliger 1989 (antal) Antal beboere: værelse værelser værelser værelser værelser værelser Bo Friis Nielsen 11/ forelæsning 10 5
6 Københavnske boliger 1989 (antal) Antal beboere: værelse værelser værelser værelser værelser værelser En bolig er således her karakteriseret ved to egenskaber størrelse - X og antal beboere - Y Bo Friis Nielsen 11/ forelæsning 10 5
7 Relative andele Antal beboere værelse 0,011 0,085 0,007 0,001 0,000 0,000 0,000 2 værelser 0,017 0,264 0,096 0,014 0,003 0,001 0,001 3 værelser 0,009 0,112 0,104 0,032 0,013 0,003 0,002 4 værelser 0,005 0,044 0,052 0,023 0,016 0,004 0,002 5 værelser 0,002 0,010 0,016 0,009 0,007 0,002 0,001 6 værelser 0,002 0,006 0,010 0,006 0,006 0,002 0,002 Bo Friis Nielsen 11/ forelæsning 10 6
8 Relative andele Antal beboere værelse 0,011 0,085 0,007 0,001 0,000 0,000 0,000 2 værelser 0,017 0,264 0,096 0,014 0,003 0,001 0,001 3 værelser 0,009 0,112 0,104 0,032 0,013 0,003 0,002 4 værelser 0,005 0,044 0,052 0,023 0,016 0,004 0,002 5 værelser 0,002 0,010 0,016 0,009 0,007 0,002 0,001 6 værelser 0,002 0,006 0,010 0,006 0,006 0,002 0,002 Disse relative andele kan fortolkes som sandsynligheder, f.eks. P(X = 1,Y = 0) = 0,011 - for hvilket stokastisk eksperiment? Bo Friis Nielsen 11/ forelæsning 10 6
9 Antallet af beboere i en 3 værelses bolig
10 Antallet af beboere i en 3 værelses bolig Hvis nogen har valgt en tilfældig bolig, og fortæller os at den har tre værelser, hvilken sandsynlighedsfordeling vil vi så tillægge antallet af beboere?
11 Antallet af beboere i en 3 værelses bolig Hvis nogen har valgt en tilfældig bolig, og fortæller os at den har tre værelser, hvilken sandsynlighedsfordeling vil vi så tillægge antallet af beboere? Fra rækken med 3 værelses boliger i tabellerne har vi: Beboere: Alle Antal:
12 Antallet af beboere i en 3 værelses bolig Hvis nogen har valgt en tilfældig bolig, og fortæller os at den har tre værelser, hvilken sandsynlighedsfordeling vil vi så tillægge antallet af beboere? Fra rækken med 3 værelses boliger i tabellerne har vi: Beboere: Alle Antal: Andel: 0,009 0,112 0,104 0,032 0,013 0,003 0,002 0,275
13 Antallet af beboere i en 3 værelses bolig Hvis nogen har valgt en tilfældig bolig, og fortæller os at den har tre værelser, hvilken sandsynlighedsfordeling vil vi så tillægge antallet af beboere? Fra rækken med 3 værelses boliger i tabellerne har vi: Beboere: Alle Antal: Andel: 0,009 0,112 0,104 0,032 0,013 0,003 0,002 0,275 Andel af 3 værelses 0,031 0,407 0,379 0,115 0,049 0,012 0,007 1,000
14 Antallet af beboere i en 3 værelses bolig Hvis nogen har valgt en tilfældig bolig, og fortæller os at den har tre værelser, hvilken sandsynlighedsfordeling vil vi så tillægge antallet af beboere? Fra rækken med 3 værelses boliger i tabellerne har vi: Beboere: Alle Antal: Andel: 0,009 0,112 0,104 0,032 0,013 0,003 0,002 0,275 Andel af 3 værelses 0,031 0,407 0,379 0,115 0,049 0,012 0,007 1,000 Når vi ved at boligen har 3 værelser, normerer vi sandsynlighederne så de summerer til 1 henover 3-værelsers boliger.
15 Betinget sandsynlighed/fordeling Husk formlen for den betingede sandsynlighed af hændelsen Y = y, givet hændelsen X = x (kapitel 1):
16 Betinget sandsynlighed/fordeling Husk formlen for den betingede sandsynlighed af hændelsen Y = y, givet hændelsen X = x (kapitel 1): P(Y = y X = x) = P(Y = y X = x) P(X = x) = P(Y = y,x = x) P(X = x)
17 Betinget sandsynlighed/fordeling Husk formlen for den betingede sandsynlighed af hændelsen Y = y, givet hændelsen X = x (kapitel 1): P(Y = y X = x) = P(Y = y X = x) P(X = x) = P(Y = y,x = x) P(X = x) Betragter vi x som en fast parameter i dette udtryk og y som en variabel, er P(Y = y X = x) en sandsynlighedsfordeling for en stokastisk variabel (check det!). Vi kalder den Den betingede fordeling af Y givet X = x.
18 Betinget sandsynlighed/fordeling Husk formlen for den betingede sandsynlighed af hændelsen Y = y, givet hændelsen X = x (kapitel 1): P(Y = y X = x) = P(Y = y X = x) P(X = x) = P(Y = y,x = x) P(X = x) Betragter vi x som en fast parameter i dette udtryk og y som en variabel, er P(Y = y X = x) en sandsynlighedsfordeling for en stokastisk variabel (check det!). Vi kalder den Den betingede fordeling af Y givet X = x. Konkret får vi
19 Betinget sandsynlighed/fordeling Husk formlen for den betingede sandsynlighed af hændelsen Y = y, givet hændelsen X = x (kapitel 1): P(Y = y X = x) = P(Y = y X = x) P(X = x) = P(Y = y,x = x) P(X = x) Betragter vi x som en fast parameter i dette udtryk og y som en variabel, er P(Y = y X = x) en sandsynlighedsfordeling for en stokastisk variabel (check det!). Vi kalder den Den betingede fordeling af Y givet X = x. Konkret får vi P(Y = y X = 3)
20 Betinget sandsynlighed/fordeling Husk formlen for den betingede sandsynlighed af hændelsen Y = y, givet hændelsen X = x (kapitel 1): P(Y = y X = x) = P(Y = y X = x) P(X = x) = P(Y = y,x = x) P(X = x) Betragter vi x som en fast parameter i dette udtryk og y som en variabel, er P(Y = y X = x) en sandsynlighedsfordeling for en stokastisk variabel (check det!). Vi kalder den Den betingede fordeling af Y givet X = x. Konkret får vi P(Y = y X = 3) = P(Y = y,x = 3) P(X = 3)
21 Betinget sandsynlighed/fordeling Husk formlen for den betingede sandsynlighed af hændelsen Y = y, givet hændelsen X = x (kapitel 1): P(Y = y X = x) = P(Y = y X = x) P(X = x) = P(Y = y,x = x) P(X = x) Betragter vi x som en fast parameter i dette udtryk og y som en variabel, er P(Y = y X = x) en sandsynlighedsfordeling for en stokastisk variabel (check det!). Vi kalder den Den betingede fordeling af Y givet X = x. Konkret får vi P(Y = y X = 3) = P(Y = y,x = 3) P(X = 3) = P(X = 3,Y = y) 0,275
22 Betinget sandsynlighed/fordeling Husk formlen for den betingede sandsynlighed af hændelsen Y = y, givet hændelsen X = x (kapitel 1): P(Y = y X = x) = P(Y = y X = x) P(X = x) = P(Y = y,x = x) P(X = x) Betragter vi x som en fast parameter i dette udtryk og y som en variabel, er P(Y = y X = x) en sandsynlighedsfordeling for en stokastisk variabel (check det!). Vi kalder den Den betingede fordeling af Y givet X = x. Konkret får vi P(Y = y X = 3) = som i tabellen P(Y = y,x = 3) P(X = 3) = P(X = 3,Y = y) 0,275
23 Betinget fordeling afsnit 6.1 Bo Friis Nielsen 11/ forelæsning 10 9
24 Betinget fordeling afsnit 6.1 For fastholdt værdi af X = x kan Y variere over hele eller dele af sit udfaldsrum. Bo Friis Nielsen 11/ forelæsning 10 9
25 Betinget fordeling afsnit 6.1 For fastholdt værdi af X = x kan Y variere over hele eller dele af sit udfaldsrum. Vi kalder fordelingen af Y for fastholdt X = x for den betingede fordeling af Y givet X = x P(Y = y X = x) Bo Friis Nielsen 11/ forelæsning 10 9
26 Betinget fordeling afsnit 6.1 For fastholdt værdi af X = x kan Y variere over hele eller dele af sit udfaldsrum. Vi kalder fordelingen af Y for fastholdt X = x for den betingede fordeling af Y givet X = x P(Y = y X = x) = P(X = x,y = y) P(X = x) Vi har den meget vigtige: P(Y = y) Bo Friis Nielsen 11/ forelæsning 10 9
27 Betinget fordeling afsnit 6.1 For fastholdt værdi af X = x kan Y variere over hele eller dele af sit udfaldsrum. Vi kalder fordelingen af Y for fastholdt X = x for den betingede fordeling af Y givet X = x P(Y = y X = x) = P(X = x,y = y) P(X = x) Vi har den meget vigtige: P(Y = y) = x P(Y = y X = x) Bo Friis Nielsen 11/ forelæsning 10 9
28 Betinget fordeling afsnit 6.1 For fastholdt værdi af X = x kan Y variere over hele eller dele af sit udfaldsrum. Vi kalder fordelingen af Y for fastholdt X = x for den betingede fordeling af Y givet X = x P(Y = y X = x) = P(X = x,y = y) P(X = x) Vi har den meget vigtige: P(Y = y) = x P(Y = y X = x) = x P(Y = y X = x)p(x = x) Reglen om gennemsnit af betingede fordelinger Bo Friis Nielsen 11/ forelæsning 10 9
29 Opgave I en bestemt by har 10% af familierne ingen børn, 20 % har et barn, 40% har to børn, 20 % har tre børn og 10 % har fire børn. Antag, at der er 50% chance for, at det enkelte barn er en pige uafhængigt af antallet af børn i familien. Bestem sandsynlighedsfordelingen for antallet af piger i en familie. Bo Friis Nielsen 11/ forelæsning 10 10
30 Opgave I en bestemt by har 10% af familierne ingen børn, 20 % har et barn, 40% har to børn, 20 % har tre børn og 10 % har fire børn. Antag, at der er 50% chance for, at det enkelte barn er en pige uafhængigt af antallet af børn i familien. Bestem sandsynlighedsfordelingen for antallet af piger i en familie. Vi definerer først relevante stokastiske variable: Bo Friis Nielsen 11/ forelæsning 10 10
31 Opgave I en bestemt by har 10% af familierne ingen børn, 20 % har et barn, 40% har to børn, 20 % har tre børn og 10 % har fire børn. Antag, at der er 50% chance for, at det enkelte barn er en pige uafhængigt af antallet af børn i familien. Bestem sandsynlighedsfordelingen for antallet af piger i en familie. Vi definerer først relevante stokastiske variable:c antallet af børn i en familie, Bo Friis Nielsen 11/ forelæsning 10 10
32 Opgave I en bestemt by har 10% af familierne ingen børn, 20 % har et barn, 40% har to børn, 20 % har tre børn og 10 % har fire børn. Antag, at der er 50% chance for, at det enkelte barn er en pige uafhængigt af antallet af børn i familien. Bestem sandsynlighedsfordelingen for antallet af piger i en familie. Vi definerer først relevante stokastiske variable:c antallet af børn i en familie, og G antallet af piger i en familie. Bo Friis Nielsen 11/ forelæsning 10 10
33 Opgave I en bestemt by har 10% af familierne ingen børn, 20 % har et barn, 40% har to børn, 20 % har tre børn og 10 % har fire børn. Antag, at der er 50% chance for, at det enkelte barn er en pige uafhængigt af antallet af børn i familien. Bestem sandsynlighedsfordelingen for antallet af piger i en familie. Vi definerer først relevante stokastiske variable:c antallet af børn i en familie, og G antallet af piger i en familie. I en familie med C = c børn finder vi P(G = i C = c) Bo Friis Nielsen 11/ forelæsning 10 10
34 Opgave I en bestemt by har 10% af familierne ingen børn, 20 % har et barn, 40% har to børn, 20 % har tre børn og 10 % har fire børn. Antag, at der er 50% chance for, at det enkelte barn er en pige uafhængigt af antallet af børn i familien. Bestem sandsynlighedsfordelingen for antallet af piger i en familie. Vi definerer først relevante stokastiske variable:c antallet af børn i en familie, og G antallet af piger i en familie. I en familie med C = c børn finder vi P(G = i C = c) = c ( ) i ( ) c i 1 1, i 2 2 Bo Friis Nielsen 11/ forelæsning 10 10
35 Opgave I en bestemt by har 10% af familierne ingen børn, 20 % har et barn, 40% har to børn, 20 % har tre børn og 10 % har fire børn. Antag, at der er 50% chance for, at det enkelte barn er en pige uafhængigt af antallet af børn i familien. Bestem sandsynlighedsfordelingen for antallet af piger i en familie. Vi definerer først relevante stokastiske variable:c antallet af børn i en familie, og G antallet af piger i en familie. I en familie med C = c børn finder vi P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Bo Friis Nielsen 11/ forelæsning 10 10
36 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i 2 2
37 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2
38 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0)
39 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)
40 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)P(C = 0)
41 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)P(C = 0)+P(G = 0 C = 1)
42 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)P(C = 0)+P(G = 0 C = 1)P(C = 1)
43 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)P(C = 0)+P(G = 0 C = 1)P(C = 1) + +P(G = 0 C = 4)
44 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)P(C = 0)+P(G = 0 C = 1)P(C = 1) + +P(G = 0 C = 4)P(C = 4)
45 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)P(C = 0)+P(G = 0 C = 1)P(C = 1) + +P(G = 0 C = 4)P(C = 4) 4 = P(G = 0 C = c)p(c = c) c=0
46 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)P(C = 0)+P(G = 0 C = 1)P(C = 1) = ( ) P(G = 0 C = 4)P(C = 4) 4 = P(G = 0 C = c)p(c = c) c=0 ( ) ( ) ( ) ( )
47 Vi fandt for en familie med C = c børn P(G = i C = c) = c ( ) i ( ) c i 1 1, i = 0,...c i 2 2 Vi skal nu finde den ubetingede fordeling af antallet af piger G Vi benytter reglen om gennemsnittet af betingede sandsynligheder (boksen side 41 eller Chapter 1 summary side 73). P(G = 0) = P(G = 0 C = 0)P(C = 0)+P(G = 0 C = 1)P(C = 1) = ( ) P(G = 0 C = 4)P(C = 4) 4 = P(G = 0 C = c)p(c = c) c=0 ( ) ( ) ( ) ( ) =
48 Det var for 0 piger. For de andre muligheder får vi: P(G = i) = 4 j=0 P(G = i C = j)p(c = j) Det vil sige: Bo Friis Nielsen 11/ forelæsning 10 12
49 Det var for 0 piger. For de andre muligheder får vi: P(G = i) = 4 j=0 P(G = i C = j)p(c = j) Det vil sige: P(G = 4) = = Bo Friis Nielsen 11/ forelæsning 10 12
50 Det var for 0 piger. For de andre muligheder får vi: P(G = i) = 4 j=0 P(G = i C = j)p(c = j) Det vil sige: P(G = 4) = = P(G = 1) = 2 5 P(G = 3) = , P(G = 2) = = 1 20 Bo Friis Nielsen 11/ forelæsning 10 12
51 Det var for 0 piger. For de andre muligheder får vi: P(G = i) = 4 j=0 P(G = i C = j)p(c = j) Det vil sige: P(G = 4) = = P(G = 1) = 2 5 Den generelle formel er: P(Y = y) P(G = 3) = , P(G = 2) = = 1 20 Bo Friis Nielsen 11/ forelæsning 10 12
52 Det var for 0 piger. For de andre muligheder får vi: P(G = i) = 4 j=0 P(G = i C = j)p(c = j) Det vil sige: P(G = 4) = = P(G = 1) = 2 5 Den generelle formel er: P(G = 3) = , P(G = 2) = = 1 20 P(Y = y) = x Bo Friis Nielsen 11/ forelæsning 10 12
53 Det var for 0 piger. For de andre muligheder får vi: P(G = i) = 4 j=0 P(G = i C = j)p(c = j) Det vil sige: P(G = 4) = = P(G = 1) = 2 5 Den generelle formel er: P(G = 3) = , P(G = 2) = = 1 20 P(Y = y) = x P(Y = y X = x) Bo Friis Nielsen 11/ forelæsning 10 12
54 Det var for 0 piger. For de andre muligheder får vi: P(G = i) = 4 j=0 P(G = i C = j)p(c = j) Det vil sige: P(G = 4) = = P(G = 1) = 2 5 Den generelle formel er: P(G = 3) = , P(G = 2) = = 1 20 P(Y = y) = x P(Y = y X = x)p(x = x) Bo Friis Nielsen 11/ forelæsning 10 12
55 Man kaster tre mønter. De mønter, der lander plat kastes igen. Lad X betegne antallet af krone efter første kast og Y betegne antallet af krone efter andet kast (0 X Y 3). Spørgsmål 3 Angiv den betingede fordeling f Y (y X = x) = P(Y = y X = x) af Y for X = x 1 f Y (y X = x) = 3! y!(3 y)! 2 f Y (y X = x) = (3 x)! (y x)!(3 y)! 1 8, y = x,..., x, y = x,...,3 3 f Y (y X = x) = 1 4 x, y = x,...,3 4 f Y (y X = x) = (3+x)! (y+x)!(3 y)! 5 f Y (y X = x) = (3+x)! (y+x)!(3 y)! 6 Ved ikke x, y = x,...,3 1 8, y = x,...,3 Bo Friis Nielsen 11/ forelæsning 10 13
56 Uafhængighed og betingede fordelinger Hvis X og Y er uafhængige har vi og dermed P(X = x,y = y) = P(X = x) P(Y = y) P(Y = y X = x) = P(Y = y) Omvendt, hvis dette holder x,y, må X og Y være uafhængige. Altså: X og Y er uafhængige, hvis og kun hvis den betingede fordeling af Y givet X er identisk med den ubetingede fordeling af Y. Med andre ord: Hvis X ikke indeholder information of Y. Bo Friis Nielsen 11/ forelæsning 10 14
57 Middelantallet af beboere i en treværelses bolig Beboere: Alle Andele 0,031 0,407 0,379 0,115 0,049 0,012 0,007 1,000 Bo Friis Nielsen 11/ forelæsning 10 15
58 Middelantallet af beboere i en treværelses bolig Beboere: Alle Andele 0,031 0,407 0,379 0,115 0,049 0,012 0,007 1,000 Hvis vi ved at boligen er treværelses, beregner vi middelværdien i den betingede fordeling: Betinget middelværdi afsnit 6.2 E(Y X = x) = y yp(y = y X = x) E(Y X = 3) = 0, ,007 = 1,808 Bo Friis Nielsen 11/ forelæsning 10 15
59 Betinget middelværdi som stokastisk variabel
60 Betinget middelværdi som stokastisk variabel Hvad er en stokastisk variabel?
61 Betinget middelværdi som stokastisk variabel Hvad er en stokastisk variabel? Vi kan tænke på den som en variabel hvis værdi fastlægges gennem et (stokastisk) eksperiment, vi ikke har udført endnu
62 Betinget middelværdi som stokastisk variabel Hvad er en stokastisk variabel? Vi kan tænke på den som en variabel hvis værdi fastlægges gennem et (stokastisk) eksperiment, vi ikke har udført endnu Her er sådan en konstruktion: 1. Vælg en tilfældig bolig.
63 Betinget middelværdi som stokastisk variabel Hvad er en stokastisk variabel? Vi kan tænke på den som en variabel hvis værdi fastlægges gennem et (stokastisk) eksperiment, vi ikke har udført endnu Her er sådan en konstruktion: 1. Vælg en tilfældig bolig. 2. Lad X være antallet af værelser i boligen.
64 Betinget middelværdi som stokastisk variabel Hvad er en stokastisk variabel? Vi kan tænke på den som en variabel hvis værdi fastlægges gennem et (stokastisk) eksperiment, vi ikke har udført endnu Her er sådan en konstruktion: 1. Vælg en tilfældig bolig. 2. Lad X være antallet af værelser i boligen. 3. Lad Z være det gennemsnitlige antal beboere blandt alle de boliger, der har X værelser.
65 Betinget middelværdi som stokastisk variabel Hvad er en stokastisk variabel? Vi kan tænke på den som en variabel hvis værdi fastlægges gennem et (stokastisk) eksperiment, vi ikke har udført endnu Her er sådan en konstruktion: 1. Vælg en tilfældig bolig. 2. Lad X være antallet af værelser i boligen. 3. Lad Z være det gennemsnitlige antal beboere blandt alle de boliger, der har X værelser. Vi ser at Z = E(Y X) er en stokastisk variabel.
66 Betinget middelværdi som stokastisk variabel Hvad er en stokastisk variabel? Vi kan tænke på den som en variabel hvis værdi fastlægges gennem et (stokastisk) eksperiment, vi ikke har udført endnu Her er sådan en konstruktion: 1. Vælg en tilfældig bolig. 2. Lad X være antallet af værelser i boligen. 3. Lad Z være det gennemsnitlige antal beboere blandt alle de boliger, der har X værelser. Vi ser at Z = E(Y X) er en stokastisk variabel. Vi bruger sandsynlighedsregning til at udtrykke, hvad vi ved om dens opførsel.
67 Betinget middelværdi som stokastisk variabel Hvad er en stokastisk variabel? Vi kan tænke på den som en variabel hvis værdi fastlægges gennem et (stokastisk) eksperiment, vi ikke har udført endnu Her er sådan en konstruktion: 1. Vælg en tilfældig bolig. 2. Lad X være antallet af værelser i boligen. 3. Lad Z være det gennemsnitlige antal beboere blandt alle de boliger, der har X værelser. Vi ser at Z = E(Y X) er en stokastisk variabel. Vi bruger sandsynlighedsregning til at udtrykke, hvad vi ved om dens opførsel. I et eksperiment, hvor vi måler både X og Y, udtrykker den simultane fordeling, hvad vi ved om X s og Y s opførsel før eksperimentet.
68 Betingede forventningsværdier som stokastiske variable Z = E(Y X) er en stokastisk variabel. Bo Friis Nielsen 11/ forelæsning 10 17
69 Betingede forventningsværdier som stokastiske variable Z = E(Y X) er en stokastisk variabel. Den kan fastlægges uden at kende andet til realisationen (altså, hvilken bolig vi valgte) end X. Bo Friis Nielsen 11/ forelæsning 10 17
70 Betingede forventningsværdier som stokastiske variable Z = E(Y X) er en stokastisk variabel. Den kan fastlægges uden at kende andet til realisationen (altså, hvilken bolig vi valgte) end X. Vi kan altså skrive Z = g(x) Bo Friis Nielsen 11/ forelæsning 10 17
71 Betingede forventningsværdier som stokastiske variable Z = E(Y X) er en stokastisk variabel. Den kan fastlægges uden at kende andet til realisationen (altså, hvilken bolig vi valgte) end X. Vi kan altså skrive Z = g(x) for en passende funktion g. I dette tilfælde er g(x) givet ved algoritmen: Tag det gennemsnitlige antal beboere blandt de boliger der har x værelser. Bo Friis Nielsen 11/ forelæsning 10 17
72 Information og betingede fordelinger Lad X og Y være to stokastiske variable knyttet til samme eksperiment, og forestil jer en observatør der kun får adgang til X. Bo Friis Nielsen 11/ forelæsning 10 18
73 Information og betingede fordelinger Lad X og Y være to stokastiske variable knyttet til samme eksperiment, og forestil jer en observatør der kun får adgang til X. For hende vil den realiserede værdi af Y være ukendt, både før (a priori) og efter (a posteriori) eksperimentet udføres. Bo Friis Nielsen 11/ forelæsning 10 18
74 Information og betingede fordelinger Lad X og Y være to stokastiske variable knyttet til samme eksperiment, og forestil jer en observatør der kun får adgang til X. For hende vil den realiserede værdi af Y være ukendt, både før (a priori) og efter (a posteriori) eksperimentet udføres. For hende vil Y a priori være fordelt efter den ubetingede fordeling P(Y = y). Den vigtigste størrelse i denne fordeling er forventningsværdien E(Y). Bo Friis Nielsen 11/ forelæsning 10 18
75 Information og betingede fordelinger Lad X og Y være to stokastiske variable knyttet til samme eksperiment, og forestil jer en observatør der kun får adgang til X. For hende vil den realiserede værdi af Y være ukendt, både før (a priori) og efter (a posteriori) eksperimentet udføres. For hende vil Y a priori være fordelt efter den ubetingede fordeling P(Y = y). Den vigtigste størrelse i denne fordeling er forventningsværdien E(Y). Efter eksperimentet vil hun have adgang til informationen X = x. Derfor reviderer hun sin opfattelse af Y s fordeling til den betingede fordeling P(Y = y X = x). Den vigtigste størrelse i denne fordeling er den betingede forventningsværdi E(Y X = x). Bo Friis Nielsen 11/ forelæsning 10 18
76 Hvad er fordelingen af Z = E(Y X)? For boligeksemplet finder vi: x P(X = x) 0,104 0,396 0,275 0,145 0,046 0,033 E(Y X = x) 0,9902 1,3087 1,8079 2,1429 2,4139 2,6908 Bo Friis Nielsen 11/ forelæsning 10 19
77 Hvad er fordelingen af Z = E(Y X)? For boligeksemplet finder vi: x P(X = x) 0,104 0,396 0,275 0,145 0,046 0,033 E(Y X = x) 0,9902 1,3087 1,8079 2,1429 2,4139 2,6908 Dermed har vi direkte fordelingen af Z = E(Y X): z 0,9902 1,3087 1,8079 2,1429 2,4139 2,6908 P(Z = z) 0,104 0,396 0,275 0,145 0,046 0,033 Bo Friis Nielsen 11/ forelæsning 10 19
78 Hvad er forventningsværdien af Z = E(Y X)? Bo Friis Nielsen 11/ forelæsning 10 20
79 Hvad er forventningsværdien af Z = E(Y X)? Man har E(Y) = E(Z) = E(E(Y X)) = x E(Y X = x)p(x = x) Bo Friis Nielsen 11/ forelæsning 10 20
80 Hvad er forventningsværdien af Z = E(Y X)? Man har E(Y) = E(Z) = E(E(Y X)) = x E(Y X = x)p(x = x) Intuitivt: Informationen X = x vil ændre observatørens forventningsværdi af Y, men ikke i middel. Bo Friis Nielsen 11/ forelæsning 10 20
81 Hvad er forventningsværdien af Z = E(Y X)? Man har E(Y) = E(Z) = E(E(Y X)) = x E(Y X = x)p(x = x) Intuitivt: Informationen X = x vil ændre observatørens forventningsværdi af Y, men ikke i middel. I behøver ikke forstå dette i dybden, Bo Friis Nielsen 11/ forelæsning 10 20
82 Hvad er forventningsværdien af Z = E(Y X)? Man har E(Y) = E(Z) = E(E(Y X)) = x E(Y X = x)p(x = x) Intuitivt: Informationen X = x vil ændre observatørens forventningsværdi af Y, men ikke i middel. I behøver ikke forstå dette i dybden, men I skal kunne anvende ovenstående formel (opgave træner dette). Bo Friis Nielsen 11/ forelæsning 10 20
83 Hvad er forventningsværdien af Z = E(Y X)? Man har E(Y) = E(Z) = E(E(Y X)) = x E(Y X = x)p(x = x) Intuitivt: Informationen X = x vil ændre observatørens forventningsværdi af Y, men ikke i middel. I behøver ikke forstå dette i dybden, men I skal kunne anvende ovenstående formel (opgave træner dette). Den betingede middelværdi er et vigtigt begreb/redskab i anvendelserne (statistik, signalbehandling, billedbehandling) Bo Friis Nielsen 11/ forelæsning 10 20
84 For boligeksemplet: Vi havde fordelingen af Z = E(Y X): z 0,9902 1,3087 1,8079 2,1429 2,4139 2,6908 P(Z = z) 0,104 0,396 0,275 0,145 0,046 0,033 Bo Friis Nielsen 11/ forelæsning 10 21
85 For boligeksemplet: Vi havde fordelingen af Z = E(Y X): z 0,9902 1,3087 1,8079 2,1429 2,4139 2,6908 P(Z = z) 0,104 0,396 0,275 0,145 0,046 0,033 hvoraf E(Y) = E(Z) = , , ,033 = hvilket stemmer med hvad vi får direkte fra den marginale fordeling af Y. Bo Friis Nielsen 11/ forelæsning 10 21
86 Lad X 1 og X 2 være antal øjne i to kast med en almindelig terning. Lad nu X betegne minimum og Y betegne maximum af X 1 og X 2. Spørgsmål 4 E(Y X = 4) kan karakteriseres ved Ved ikke Bo Friis Nielsen 11/ forelæsning 10 22
87 Lad X 1 og X 2 være antal øjne i to kast med en almindelig terning. Lad nu X betegne minimum og Y betegne maximum af X 1 og X 2. Spørgsmål 5 E(Y X) kan karakteriseres ved med P = 1 6,4 med P = 1 6, 9 2 med P = 1 6, med P = 1 6, 11 2 med P = 1 6,6 med P = med P = 36, 38 9 med P = 9 36, 33 7 med P = 7 36, 26 5 med P = 5 36, 17 3 med P = 3 36,6 med P = i=x i 1 7 X 5 X Ved ikke Bo Friis Nielsen 11/ forelæsning 10 23
88 Afsnit 6.1 og 6.2 Betingede diskrete fordelinger P(Y = y X = x) = P(X=x,Y=y) P(X=x) P(Y = y) = x P(X = x)p(y = y X = x) Betinget middelværdi (det diskrete tilfælde) E(Y X = x) = y yp(y = y X = x) E(Y X) en stokastisk variabel E(Y) = E X (E Y (Y X)) = x P(X = x)e(y X = x) E(g(X,Y) X = x) = E(g(x,Y) X = x) E(XY X) = XE(Y X) Bo Friis Nielsen 11/ forelæsning 10 24
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 mereSandsynlighedsregning 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 mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable:
Læs mereSandsynlighedsregning 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 mereSandsynlighedsregning 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 mereSandsynlighedsregning Stokastisk variabel
Sandsynlighedsregning Stokastisk variabel I eksperimenter knyttes ofte en talværdi til hvert udfald. S s X(s) R Definition: En stokastisk variabel X er en funktion defineret på S, der antager værdier på
Læs mereSandsynlighedsregning 12. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 2. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@imm.dtu.dk Dagens nye emner afsnit 6.5 Den bivariate
Læs mereElementær 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 mereElementær 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 mereSandsynlighedsregning 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 mereSandsynlighedsregning 8. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 8. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner 5.1 og 5.2 Ligefordeling med to
Læs mereStatistik 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 mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 30. maj 2016 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 0. maj 206 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
Læs mereDagens program. Afsnit Diskrete stokastiske variable Sandsynlighedsfunktioner Simultane fordelinger Betingede sandsynligheder
Dagens program Afsnit 2.1-2.3 Diskrete stokastiske variable Sandsynlighedsfunktioner Simultane fordelinger Betingede sandsynligheder 1 Stokastiske variable (diskrete) Et eksperiment med usikkerhed beskrives
Læs mere3 Stokastiske variable 3.1 Diskrete variable
3 Stokastiske variable 3.1 Diskrete variable Punktsandsnligheden benævnes P(x) = P(X = x). {x, P(x)} er en sandsnlighedsfordeling for den stokastiske variabel, X, hvis 1) P(x) $ 0 for alle værdier af x.
Læs mereSandsynlighedsregning 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 mereSandsynlighedsregning 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 mereSandsynlighedsregning 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 mereSandsynlighedsregning 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 mereOpgaver i sandsynlighedsregning
Afdeling for Teoretisk Statistik STATISTIK Institut for Matematiske Fag Preben Blæsild Aarhus Universitet 9. januar 005 Opgaver i sandsynlighedsregning Opgave Lad A og B være hændelser således at P(A)
Læs mereSandsynlighedsregning 5. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 5. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 3.5 og 4.1 Poissonfordelingen
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 19. december 2018 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 9. december 08 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
Læs mereSandsynlighedsregning 6. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 4.2, 4.3 og 4.4 Poissonprocessen/eksponentialfordelingen
Læs mereStatistik 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 mereCIVILINGENIØREKSAMEN. Side 1 af 19 sider. Skriftlig prøve, den: 20. december 2006 Kursus nr : 02405. Kursus navn: Sandsynlighedsregning
CIVILINGENIØREKSAMEN Side af 9 sider Skriftlig prøve, den: 0. december 006 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: navn underskrift bord
Læs mereFor nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.
1 Uge 11 Teoretisk Statistik 8. marts 2004 Kapitel 3: Fordeling af en stokastisk variabel, X Kapitel 4: Fordeling af flere stokastiske variable, X 1,,X m (på en gang). NB: X 1,,X m kan være gentagne observationer
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variable Loven om den itererede middelværdi Eksempler 1 Beskrivelse af
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variabler Loven om den itererede middelværdi Eksempler 1 Beskrivelse
Læs mereINSTITUT 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 mereNanostatistik: 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 mereSandsynlighedsregning 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 mereSandsynlighedsregning 7. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede)
Læs mereSandsynlighedsregning 7. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 7. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 4.5 og 4.6 (Kumulerede)
Læs mereAnvendt 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 mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 16 sider. Skriftlig prøve, den: 28. maj 2014 Kursus nr : (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 6 sider Skriftlig prøve, den: 8. maj 04 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret af:
Læs mereSandsynlighedsregning
Mogens Bladt www2.imm.dtu.dk/courses/02405 28. September, 2007 Stokastiske variable Betragt 3 kast med en mønt. Så er udfaldsrummet Ω = {(p, p, p), (p, p, k), (p, k, p), (p, k, k), (k, p, p), (k, p, k),
Læs mereOversigt. 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 mereForelæsning 2: Kapitel 4, Diskrete fordelinger
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 mereSandsynlighedsregning 9. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 5.3 og 5.4 Simultane kontinuerte
Læs mereHvad skal vi lave i dag?
p. 1/1 Hvad skal vi lave i dag? Repeterer lidt om diskrete sv. Standardfordelinger (binomial, Poisson, geometrisk) Stokastiske vektorer Diskrete stokastiske vektorer p. 2/1 Repetition Heltallige sv er
Læs mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
Læs mereSandsynlighedsregning 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 mereDefinition. 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 mereLøsning 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 mereOversigt. 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 mereSandsynlighedsregning 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 mereEt 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 mereCIVILINGENIØREKSAMEN 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 mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereHvad skal vi lave i dag?
p. 1/15 Hvad skal vi lave i dag? Definition af sandsynlighedsrum. Egenskaber ved Sandsynlighedsmål. (Kap. 3). Fødselsdagsproblemet (supplerende eksempel 3.1). Betingede sandsynligheder og uafhængighed
Læs mereNote 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 mereRegneregler 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 mereAnvendt 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 mereKursusindhold: 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 mereLøsninger til kapitel 5
1 Løsninger til kapitel 5 Opgave 51 Det nemmeste er her at omskrive alle sandsynlighederne til differenser mellem kumulerede sandsynligheder, dvs af sandsynligheder af formen, og derefter beregne disse
Læs mereKvantitative Metoder 1 - Efterår 2006. Dagens program
Dagens program Afsnit 2.4-2.5 Bayes sætning Uafhængige stokastiske variable - Simultane fordelinger - Marginale fordelinger - Betingede fordelinger Uafhængige hændelser - Indikatorvariable Afledte stokastiske
Læs mereKvantitative 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 mereStatistik 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 mereNanostatistik: Stokastisk variabel
Nanostatistik: Stokastisk variabel JLJ Nanostatistik: Stokastisk variabel p. 1/29 Repetition Ω: udfaldsrummet: alle de mulige udfald af et experiment P(A): ss for hændelsen A = frekvens i uafhængige gentagelser
Læs mereRepetition. 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 mereModul 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 mereStatDataN: Middelværdi og varians
StatDataN: Middelværdi og varians JLJ StatDataN: Middelværdi og varians p. 1/33 Repetition Stokastisk variabel: funktion fra udfaldsrum over i de hele tal eller over i de reelle tal Ex: Ω = alle egetræer,
Læs mereSandsynlighedsregning 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 mereProdukt 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 mereSandsynlighedsregning: endeligt udfaldsrum (repetition)
Program: 1. Repetition: sandsynlighedsregning 2. Sandsynlighedsregning fortsat: stokastisk variabel, sandsynlighedsfunktion/tæthed, fordelingsfunktion. 1/16 Sandsynlighedsregning: endeligt udfaldsrum (repetition)
Læs mereProdukt 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 mereVejledende 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 mereHvad skal vi lave i dag?
p. 1/2 Hvad skal vi lave i dag? Eksempler på stokastiske variable. Ventetid på krone ved møntkast. Antal plat ved n kast. Antal radioaktive henfald. Ventetiden på en flyulykke. Udtrækning af tal i et interval.
Læs mereBetingede sandsynligheder Aase D. Madsen
1 Uge 12 Teoretisk Statistik 15. marts 2004 1. Betingede sandsynligheder Definition Loven om den totale sandsynlighed Bayes formel 2. Betinget middelværdi og varians 3. Kovarians og korrelationskoefficient
Læs mereKursusindhold: 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 mereKursusindhold: 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 mereSimulering af stokastiske fænomener med Excel
Simulering af stokastiske fænomener med Excel John Andersen, Læreruddannelsen i Aarhus, VIA Det kan være en ret krævende læreproces at udvikle fornemmelse for mange begreber fra sandsynlighedsregningen
Læs mereProgram. 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 mereTeoretisk 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 mereProgram. 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 mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereMatematik 3 SS. Københavns Universitet Naturvidenskabelig kandidateksamen, sommeren Opgaver til besvarelse i 3 timer fredag den 18. juni 1993.
Københavns Universitet Opgaver til besvarelse i 3 timer fredag den 18. juni 1993. Opgave 1 (50%) Det bemærkes, at en række af nedenstående spørgsmål kan besvares uafuængigt af de Øvrige spørgsmål (resultaterne,
Læs mereKvantitative Metoder 1 - Efterår 2006. Dagens program
Dagens program Afsnit 1.7-1.8 Fødselsdagseksemplet, fra sidst Eksperimenterikkealleerligesandsynlige Diskrete sandsynlighedsfordelinger -Definition af sandsynligheder - Regneregler Hvad er sandsynligheder?
Læs mereDANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 19. december 2012 Kursus nr : 02405. (navn) (underskrift) (bord nr)
DANMARKS TEKNISKE UNIVERSITET Side af 7 sider Skriftlig prøve, den: 9. december 0 Kursus nr : 0405 Kursus navn: Sandsynlighedsregning Varighed : 4 timer Tilladte hjælpemidler: Alle Dette sæt er besvaret
Læs mereNanostatistik: Stokastisk variabel
Nanostatistik: Stokastisk variabel JLJ Nanostatistik: Stokastisk variabel p. 1/34 Repetition Ω: udfaldsrummet: alle de mulige udfald af et experiment P(A): ss for hændelsen A = frekvens i uafhængige gentagelser
Læs mere2011.09.20 lth@campus.dk
2011.09.20 lth@campus.dk Intro Læseplan Beskrivende Statistik Sandsynligheder Ordet kommer fra Latin.: statisticum (statsrådgiver) Italiensk.: statistica (statsmand / politiker) Hvorfor statistik? Træk
Læs mereKønsproportion og familiemønstre.
Københavns Universitet Afdeling for Anvendt Matematik og Statistik Projektopgave forår 2005 Kønsproportion og familiemønstre. Matematik 2SS Inge Henningsen februar 2005 Indledning I denne opgave undersøges,
Læs mereKursusindhold: 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 March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereStatistik 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 mere4 Stokastiske variabler
4 Stokastiske variabler I kapitel 3 viste vi, hvordan man kan tilskrive sandsynligheder til forskellige hændelser, der knytter sig til et eksperiment. I praksis vil et eksperiment ofte involvere mange
Læs mereBilledbehandling 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 mereSimulering af stokastiske fænomener med Excel
Simulering af stokastiske fænomener med Excel John Andersen, Læreruddannelsen i Aarhus, VIA Det kan være en ret krævende læreproces at udvikle fornemmelse for mange begreber fra sandsynlighedsregningen
Læs mereSandsynlighedsregning & Statistik
Jørgen Larsen Sandsynlighedsregning & Statistik for matematikstuderende 2006 Indhold Forord 5 Del I Sandsynlighedsregning 7 Indledning 9 Endelige udfaldsrum. Grundlæggende definitioner.....................
Læs mereStatistik 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 mereLøsning til prøveeksamen 1
IMM - DTU 020 Probability 2006-2-8 BFN/bfn Løsning til prøveeksamen Spørgsmål ) For en indikatorvariabel I A for hændelsen A gælder E(I A ) = P(A) (se for eksemepl side 68). Således er E(X) = P(N ) = =
Læs mereForelæsning 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 merehvor 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 mereBinomialfordelingen. Binomialfordelingen. Binomialfordelingen
Statistik og Sandsynlighedsregning 1 MS kapitel 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Definition 3.2.1 Lad X 1, X 2,..., X n være uafhængige
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion
Læs mereBernoulli 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 mereCIVILINGENIØREKSAMEN Side 1 af 16 sider. Skriftlig prøve, den: 16. december 2010 Kursus nr : (navn) (underskrift) (bord nr)
CIVILINGENIØREKSAMEN Side 1 af 16 sider Skriftlig prøve, den: 16. december 2010 Kursus nr : 02405 Kursus navn: Sandsynlighedsregning Tilladte hjælpemidler: Alle Dette sæt er besvaret af: (navn) (underskrift)
Læs mereDANMARKS 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 mereSandsynligheder. Mængder Hændelser Sandsynligheder Regler for sandsynligheder
Sandsynligheder Mængder Hændelser Sandsynligheder Regler for sandsynligheder Sandsynligheder En sandsynlighed er et kvantitativt mål for usikkerhed et mål der udtrykker styrken af vores tro på forekomsten
Læs mereLandmålingens 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 mereDANMARKS 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