Diskrete og kontinuerte stokastiske variable

Relaterede dokumenter
Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

antal gange krone sker i første n kast = n

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

Stikprøvefordelinger og konfidensintervaller

Konfidens intervaller

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala

Opsamling. Lidt om det hele..!

hvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab

Dagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)

Spørgsmål 3 (5 %) Bestem sandsynligheden for at et tilfældigt valgt vindue har en fejl ved listerne, når man ved at der er fejl i glasset.

Velkommen. Program. Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R. Praktiske ting og sager

x-klasserne Gammel Hellerup Gymnasium

Projekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning

24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.

Forelæsning 2: Kapitel 4, Diskrete fordelinger

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

Statistiske test. Efteråret 2010 Jens Friis, AAU. Hjemmeside :

Anvendt Statistik Lektion 3. Punkt- og intervalestimater Konfidensintervaller Valg af stikprøvestørrelse

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen

Definition. Definitioner

Skitse til notat om hvor de forskellige sandsynlighedsfordelinger kan tænkes at komme fra

Estimation ved momentmetoden. Estimation af middelværdiparameter

29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.

Hovedpointer fra SaSt

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen

Statistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion

Løsninger til kapitel 7

Økonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1

9. Binomialfordelingen

Gamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)

Praktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.

Statistiske Modeller 1: Notat 1

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

Indholdsfortegnelse Generelt Diskrete stokastiske variable: Kontinuerte stokastiske variable: Regneregler for stokastiske variable

Test i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!

1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2

Projekt 9.10 St. Petersborg paradokset

Den flerdimensionale normalfordeling

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Løsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)

Sætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n

Sandsynlighedsteori 1.2 og 2 Uge 5.

Statistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer

Sandsynlighedsregning

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

13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )

30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.

BEVISER TIL KAPITEL 7

Generelle lineære modeller

Maja Tarp AARHUS UNIVERSITET

Program. Populationer og stikprøver. Praktiske oplysninger. Eksempel vaccine mod miltbrand hos får. Praktiske oplysninger

Vejledende besvarelser til opgaver i kapitel 15

6 Populære fordelinger

(VIDENSKABSTEORI) STATISTIK (EKSPERIMENTELT ARBEJDE)

STATISTISKE GRUNDBEGREBER

Motivation. En tegning

Tests for forskel i central tendens for data på ordinal- og intervalskala. Typer af statistiske test:

Vejledende opgavebesvarelser

Teoretisk Statistik, 9. februar Beskrivende statistik

Kvantitative Metoder 1 - Forår 2007

STATISTISKE GRUNDBEGREBER

Statistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!

Kvantitative Metoder 1 - Forår 2007

Elementær sandsynlighedsregning

Supplerende noter II til MM04

Elementær sandsynlighedsregning

STATISTISKE GRUNDBEGREBER

Undersøgelse af numeriske modeller

Teoretisk Statistik, 18. november Stikprøveteori: hvor er vi, og hvor skal vi hen? Proportional allokering Optimal allokering

Morten Frydenberg version dato:

Supplement til Kreyszig

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

Program. Ensidet variansanalyse Normalfordelingen. Antibiotika og nedbrydning af organisk materiale. Tegninger

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 15. februar 2006

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

Analyse 1, Prøve maj 2009

Program. Middelværdi af Y = t(x ) Transformationssætningen

Uge 40 I Teoretisk Statistik, 30. september 2003

vejer (med fortegn). Det vil vi illustrere visuelt og geometrisk for (2 2)-matricer og (3 3)-matricer i enote 6.

STATISTISKE GRUNDBEGREBER

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable

Matematik A. Højere handelseksamen. Tirsdag den 26. maj 2015 kl hhx151-mat/a

Meningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017

Asymptotisk estimationsteori

Introduktion til Statistik

Elementær Matematik. Polynomier

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Asymptotisk optimalitet af MLE

Viden Om Vind oftere, stop i tide


Susanne Ditlevsen Institut for Matematiske Fag susanne

4 Sandsynlighedsfordelinger og approksimationer

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

Bestemmelse af vandføring i Østerå

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

Noter om Kombinatorik 2, Kirsten Rosenkilde, februar

Transkript:

Diskrete og kotiuerte stokastiske variable Beroulli Biomial fordelig Negativ biomial fordelig Hypergeometrisk fordelig Poisso fordelig Kotiuerte stokastiske variable Uiform fordelig Ekspoetial fordelig

Opsummerig Law of total probability Bayes sætig P( B A) P(A) P(A I B) + P(A I B) P( A B) P( B) P( A B) P( B) + P( A B) P( B) Stokastisk variabel diskret: Edeligt atal værdier Sadsyligheds fordelig: Tabel med ssh. for hvert, P(X). Kumulativ fordeligs fuktio F ( ) P( X ) P( i) i Middelværdi μ E ( ) P( ) Varias Stadard afvigelse σ V μ ( X ) E [( X ) ] E ( X ) [ E ( X σ SD ( X ) V ( X ) )]

Beroulli fordelige Hvis et eksperimet består af et ekelt forsøg og forsøget ete ka være e succes eller e fiasko, så kaldes forsøget for et Beroulli forsøg Atallet af succes er i et Beroulli eksperimet, som ka være ete eller 0, kaldes e Beroulli stokastisk variabel Hvis p er sadsylighede for succes i et Beroulli eksperimet, så er E(X) p + 0 (-p) p E(X²)² p + 0² (-p) p V(X) E(X² ) (E(X))² p - p² p( - p) Hvis for eksempel p0,7: E(X)0,7 V(X)0,7 0,3 0,

Biomial fordelig Biomial fordelige er resultatet af et Biomialt eksperimet: Det Biomiale eksperimet består af et fast atal Beroulli forsøg Så i hvert forsøg er der to mulige udfald, succes og fiasko P( succes )p kostat for hvert forsøg (Ligeledes for P( fiasko )-pq) Forsøgee er uafhægige Eksempler: Kast med e møt gage. S(kroe (succes), plat (fiasko)). Hvis fair møt p0,5. Sadsylighede er kostat og forsøgee er uafhægige, da et møtkasts udfald ikke påvirker udfaldet af det æste kast Træk et kort gage. S(spar (succes), adet (fiasko)). P(spar)0,5, kostat hvis vi lægger kortet tilbage i buke ige, ellers ikke. Uafhægige. Bemærk! Ude tilbagelægig vil P(ummer spar, hvis ummer er e spar) /5 og dermed ikke kostat sadsylighed

Biomial eksempel Kast e møt 5 gage og lad X være atallet af plat. Der er 5 3 mulige sekveser af plat og kroe i udfaldsrummet. Af disse er der 0 med kroe (X): KKPPP KPKPP KPPKP KPPPK PKKPP PKPKP PKPPK PPKKP PPKPK PPPKK Sadsylighede for hvert af disse 0 udfald er p q 3 (/) (/) 3 (/3), så sadsylighede for kroe i 5 kast er: P(X ) 0 * (/3) (0/3) 0.35 0 (/3) Atal udfald med kroe Sadsylighede for hvert af disse udfald

Biomial fordelig Geerelt:. Sadsylighede for e give sekves af succes er ud af forsøg med sadsylighed for succes p og sadsylighed for fiasko q er lig med: p q (-). Atallet af forskellige sekveser af forsøg, der resulterer i succes er er lig med atallet af valg af elemeter ud af elemeter: C!!( )! Biomial sadsyligheds fordelig: P () pq!!( )! pq ( ) ( ) hvor : p er sadsylighede for succes i et ekelt forsøg, q -p, er atallet af forsøg, og er atallet af succes er.

Biomial fordelig.00 )!!(! 3)! 3!(! 3 )!!(! )!!(! 0)! 0!(! 0 Sadsylighed P() succeser Atallet af ) ( 3) ( 3 ) ( ) ( 0) ( 0 q p q p q p q p q p M M

Kumulativ Biomial fordelig (Tabel, Appediks C) 5 p 0.0 0.05 0.0 0.0 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99 0.95.774.590.38.68.078.03.00.00.000.000.000.000.999.977.99.737.58.337.87.087.03.007.000.000.000.000.999.99.94.837.683.500.37.63.058.009.00.000 3.000.000.000.993.969.93.83.663.47.63.08.03.00 4.000.000.000.000.998.990.969.9.83.67.40.6.049 Biomial kumulativ fordelig og sadsyligheds fordelig af K, atallet af kroe i 5 kast med e fair møt. h F(h) P(h) 0 0.03 0.03 0.87 0.56 0.500 0.33 3 0.83 0.33 4 0.969 0.56 5.000 0.03.000 Idividuelle sadsyligheder fra kumulative sadsyligheder F ( ) PX ( ) Pi ( ) P() 3 F() 3 F(). 83. 500. 33 all i P(X) F() - F( - ) For eample:

Biomial sadsyligheder - eksempel 60% af Daske Bak aktiere ejes af mig ;-). E stikprøve på 5 aktier vælges. Hvad er sadsylighede for at højst 3 af dem ejes af mig? 5 p.50.60.70 0.000.000.000.000.000.000.004.000.000 3.08.00.000 4.059.009.00............ F ( ) F (3) P( X ) i P( i) P( X 3) 0.00

Middelværdi, varias og stadard afvigelse af e Biomial fordelig Middelværdi af e biomial fordelig: μ E( X ) p For eksempel, hvis K tæller atallet af kroer i 5 kast med e fair møt: Varias af e biomial fordelig: μ K E( K) (5)(.5).5 σ V ( X ) pq σ K V ( K) (5)(.5)(.5).5 Stadard afvigelse af e biomial fordelig: σ K SD( K).5.8 σ SD(X) pq

De egative biomial fordelig bruges til at bestemme sadsylighede for atallet af forsøg X, der skal til for at opå et øsket atal af succes er s i e række af Beroulli forsøg med sadsylighed for succes lig p. ) ( ) ( ) ( s p s p s X P NegativBiomialfordelig: ) ( Variase er: Middelværdie er: p p s p s σ μ Negativ Biomial fordelig

Negativ Biomial - eksempel Lad sadsylighede for at producere et defekt produkt være p0,05 Lad produktere være uafhægige Hvis ma tilfældigt udvælger produkter, hvad er så sadsylighede for at det 8. produkt ma vælger, vil være det første defekte produkt? P( X 8) 0.0349 8 0.05 ( (8 0.05) )

De hypergeometriske fordelig bruges til at bestemme sadsylighede for et atal af hædelser ude tilbagelægig. De tæller atallet af succes er i udvælgelser, ude tilbagelægig, fra e populatio på N elemeter, hvor S af dem er succes er og (N-S) er fiaskos. N S N S P ) ( Hypergeometrisk fordelig: pq N N N S p p er givet som: Variase hvor, Middelværdie er givet som: σ μ Hypergeometrisk fordelig

Hypergeometrisk fordelig - eksempel Eksempel: 0 biler, defekte og 8 i orde. 5 udvælges for ispektio. Hvad er sadsylighede for midst defekt bil? ( 0 ) ( 5 ) P() 0 5 P() 0 5 ( 0 ) ( 5 ) 8 4 0 5 8 3 0 5!!! 0! 5!5!! 0!! 8! 4!4! 0! 5!5! 8! 3!5! 5 9 9 0.556 0. Alt i alt, P() + P() 0.556 + 0. 0.778.

Poisso fordelig Poisso fordelige bruges til at bestemme sadsylighede for atallet af hædelser i et givet iterval, for eksempel et tidsiterval. De ka også bruges til at approksimere biomial sadsyligheder, år sadsylighede for succes er lille (p 0.05) og atallet af forsøg er stor ( 0). Poisso fordelig : P( ) μ e! μ for,,3,... hvor μ er middelværdie af fordelige OG variase. (Husk at e.788...).

Poisso fordelige Atal succes er i et iterval er uafhægig af succes er i ethvert adet iterval Sadsylighede for succes i et iterval er det samme for alle itervaller af samme lægde Sadsylighede for succes er proportioal med lægde af itervallet Sadsylighede for mere ed é succes i et iterval går mod 0 år lægde af itervallet går mod 0. Eksempler: Flyulykker på et år Atal fejl på meter stof Typografiske fejl på 00 sider i e bog

Poisso - eksempel

Diskrete og kotiuerte stokastiske Diskret stokastisk variabel: Tæller hædelser Har et tællelig atal af mulige værdier Har diskrete hop mellem efterfølgede værdier Har målelige sadsyligheder for hver ekelt værdi Sadsylighed er højde E kotiuert stokastisk variabel: Måler (højde, vægt, hastighed, lø) Har et uedelig atal af mulige værdier Går kotiuert fra værdi til værdi Har ige målelig sadsylighed til hver idividuel værdi Sadsylighed er areal For eksempel: Biomial 3 p.5 P() 0 0.5 0.375 0.375 3 0.5.000 P() 0.4 0.3 0. 0. 0.0 0 Biomial: 3 p.5 3 For eksempel: Det skraverede område agiver sadsylighede for mellem og 3 miutter. P() 0.3 0. 0. 0.0 Miutes to Complete Task 3 4 5 6 Miutes

Kotiuert fordelig Halv-Miut Itervaller Kvart-Miut Itervaller Miutes to Complete Task: By Half-Miutes Miutes to Complete Task: Fourths of a Miute 0.5 P() 0.0 0.05 P() 0.00 0.0..0.5.0.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 0 3 4 5 6 7 Miutes Miutes Ottededel-Miut Itervaller Miutes to Complete Task: Eighths of amiute Uedelig små itervaller Tæthedsfuktio P() f(z) 0 3 4 5 6 7 Miutes 0 3 Miutes 4 5 6 7

Kotiuerte stokastiske variable tæthedsfuktio og fordeligsfuktio Svarer til sadsyligheds fordelig for diskrete variable For e tæthedsfuktio f() defieret på itervallet fra a til b gælder at: f() 0 for alle mellem a og b Det totale areal uder kurve mellem a og b er. Sadsylighede for at ligger i et giver iterval (idehold i itervallet fra a til b) er arealet uder kurve for dette iterval. De kumulative fordeligsfuktio F() er givet som: F()P(X ) arealet uder f() mellem de midste værdi af (typisk mius uedelig) og.

Tæthedsfuktio og fordeligsfuktio F() F(b) F(a) } P(a X b)f(b) - F(a) f() 0 a b P(a X b) Arealet uder f() mellem a og b F(b) - F(a) 0 a b

Uiform fordelig uiform [a,b] tæthed: f() { /(a b) for a X b 0 ellers E(X) (a + b)/; V(X) (b a) / Uiform [a, b] fordelig Hele arealet uder f() /(b a) * (b a).00 f() Arealet uder f() fra a til b P(a X b) (b a)/(b a) a a b b

Uiform fordelig - fortsat uiform [0,5] tæthed: f() { /5 for 0 X 5 0 ellers E(X).5 Uiform [0,5] fordelig f() 0.5 0.4 0.3 0. 0. Hele arealet uder f() /5 * 5.00 Arealet uder f() fra til 3 P( X 3) (/5) /5. 0.0-0 3 4 5 6

Ekspoetial fordelig De ekspoetielle stokastiske variabel, måler tide mellem to hædelser, der er Poisso fordelt. Ekspoetial fordelig : Tæthedsfu ktio er givet som : Ekspoetial fordelig : λ f ( ) λe λ for 0, λ > 0 f() Middelværdie og stadard afvigelse begge lig med. λ De kumulative fordeligsfuktio er givet som : er 0 0 Tid 3 F( ) e λ for 0.

Ekspoetial fordelig - eksempel Eksempel Atag at de tid e bestemt maskie fugerer, før de bryder samme (dvs. tide mellem to sammebrud) følger e ekspoetial fordelig med parameter λ. Tid måles i timer. Hvad er sadsylighede for at maskie vil virke i midst e time ude at bryde samme? Hvad er de geemsitlige tid mellem sammebrud? λ λ F ( ) e P( X ) e P( X ) e. 353 ( )( ) E( X ). λ 5

Opgaver Kapitel 3: 33, 35, 39 - prøv jer lidt frem i b og c, 47 a, 49 a, 3, 63, 65. Kapitel : 7, 53.