Sandsynligheder. Mængder Hændelser Sandsynligheder Regler for sandsynligheder



Relaterede dokumenter
Statistik. Introduktion Deskriptiv statistik Sandsynslighedregning

Statistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning

Sandsynlighedsregning og statistik

Statistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning

Sandsynlighedsregning

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

Hvad skal vi lave i dag?

Nanostatistik: sandsynligheder Kursushjemmeside: kurser/nanostatistik/

Sandsynlighedsregning: endeligt udfaldsrum (repetition)

Dagens program. Afsnit Eksperimenter med usikkerhed Sandsynlighedsmodel - Udfaldsrum - Hændelser - Sandsynligheder Eksempler

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable

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

Produkt og marked - matematiske og statistiske metoder

TØ-opgaver til uge 45

Lad os som eksempel se på samtidigt kast med en terning og en mønt:

Nanostatistik: Stokastisk variabel

Nanostatistik: Stokastisk variabel

Eksempel 1.1: kvalitetskontrol

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

Landmålingens fejlteori - Sandsynlighedsregning - Lektion 1

Sandsynligheder. Udfaldsrum Ω = {ω 1,..., ω N } hvor alle udfald er lige sandsynlige, dvs. P (ω i )=1/N for alle i =1,..., N.

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

Dagens program. Afsnit Diskrete stokastiske variable Sandsynlighedsfunktioner Simultane fordelinger Betingede sandsynligheder

Personlig stemmeafgivning

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.

Sandsynlighed. for matc i stx og hf Karsten Juul


Allan C. Malmberg. Terningkast

4 Oversigt over kapitel 4

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Simulering af stokastiske fænomener med Excel

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Elementær sandsynlighedsregning

SANDSYNLIGHEDSREGNING Hvad er sandsynlighed for noget? Umiddelbart kan vi inddele sandsynlighed i tre former.

Modul 3: Sandsynlighedsregning

Sandsynlighedsregning 1. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 1. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 1. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 1. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen

2. Ved et roulettespil kan man vinde 0,10,100, 500 og 1000 kr. Sandsynligheden for gevinsterne ses af følgende skema:

Definition. Definitioner

Sandsynlighedsregning & Statistik

Opgaver i sandsynlighedsregning

Kombinatorik og Sandsynlighedsregning

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Forår Dagens program

1 Sandsynlighed Sandsynlighedsbegrebet Definitioner Diskret fordeling Betinget sandsynlighed og uafhængighed...

Normalfordelingen og Stikprøvefordelinger

Sandsynlighedsregning Stokastisk variabel

Simulering af stokastiske fænomener med Excel

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

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

Kapitlet indledes med en beskrivelse af - og opgaver med - de tre former for sandsynlighed, som er omtalt i læseplanen for

Velkommen til kurset. Teoretisk Statistik. Lærer: Niels-Erik Jensen

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Nanostatistik: Opgaver

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Efterår Dagens program

Susanne Ditlevsen Institut for Matematiske Fag susanne

TØ-opgaver til uge 46

Monotoniforhold Der gælder følgende sætninger om en differentiabel funktions monotoniforhold:

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

Statistik og sandsynlighed

Sandsynlighedsregning

Forelæsning 2: Kapitel 4, Diskrete fordelinger

Sandsynlighed og kombinatorik

Statistik noter - Efterår 2009 Keller - Statistics for management and economics

Aarhus Universitet 5. februar Meddelelse 2

Kvantitative Metoder 1 - Forår Dagens program

Sandsynlighedsregning

Sandsynlighedsregning

Statistik og Databehandling N: sandsynligheder Kursushjemmeside: statdatabehandling/f06/

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

Kvantitative metoder 2

Sandsynlighedsregning 2. forelæsning Bo Friis Nielsen

4 Stokastiske variabler

Sandsynlighedsregning

3 Usikkerhed og sandsynligheder

Sandsynlighedsregning & Statistik

Produkt og marked - matematiske og statistiske metoder

INSTITUT FOR MATEMATISKE FAG c

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

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative metoder 2

Sandsynlighedsregning 2. forelæsning Bo Friis Nielsen

Undervisningsbeskrivelse

Elementær sandsynlighedsregning

Meddelelse 2. Forelæsningerne i uge 6 ( ) Gennemgangen af BPT fortsættes. Vi afslutter Kapitel 4 og når sikkert et godt stykke ind i Kapitel 5.

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)

Statistiske modeller

Stikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader

Oversigt over nyttige fordelinger

10.1 Et lykkehjul består af 24 lige store felter med numre fra 1 til 24.

Indblik i statistik - for samfundsvidenskab

Vejledende løsninger til opgaver i kapitel 6

DANMARKS TEKNISKE UNIVERSITET Side 1 af 17 sider. Skriftlig prøve, den: 19. december 2018 Kursus nr : (navn) (underskrift) (bord nr)

Transkript:

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 af en usikker begivenhed Ex: Sandsynligheden for regn i morgen er 0,5 Ex: Sandsynligheden for at få 7 rigtige i lotto er 0,0000009 I modsætning til deterministiske hændelser: Den 25. juni har jeg fødselsdag ;-) I morgen står solen op kl. 7.4 Forskellige statistiske retninger: Frekventistisk (jeres, fortrinsvist) Bayesiansk (bruger subjektive sandsynligheder) Den klassiske sandsynlighedsteori blev udviklet i 00 tallet inspireret af Casino spil!

Lidt om mængder En mængde er en samling af elementer Eksempel: A={,2,3,4} eller A={plat, krone} Den tomme mængde A=Ø, indeholder ingen elementer Den universelle mængde S, indeholder alle elementer Komplementet af en mængde A, er mængden Ā, der indeholder alle elementer i S, der ikke er i A. Eksempel: S={,2,3,4,5,} og A={,4,}. Så er Ā={2,3,5} Venn Diagram A, 4, Ā 2,3,5 S

Mere om mængder Fællesmængden af A og B, A B, er mængden, der indeholder de elementer, der er i både A og B A={,2,3} B={3,4,5} A B={3} A A B, 2 3 4, 5 Foreningsmængden af A og B, A U B, er mængden, der indeholder de elementer, der er i A eller B eller begge S B S A={,2,3} B={3,4,5} A U B={,2,3,4,5} A, 2 3 4, 5 B A U B

Den tomme mængde To mængder er disjunkte, hvis fællesmængden A B=Ø A={,2,3} B={4,5} A B={Ø} A, 2, 3 4, 5 B S

Mere om sandsynlighed Eksperiment: Handling, der leder frem til et af flere mulige udfald Udfald: Observation eller måling Ex: Kast med en terning eller kast med en mønt Udfaldsrum: En liste af flere mulige udfald af eksperimentet, lig med den universelle mængde S={o,o2,,ok} Udfaldene skal være udtømmende Eksempler: Terningkast S={,2,3,4,5,} S={,2,3,4,5} duer ikke! Møntkast S={plat, krone} S={plat} duer ikke Udfaldene skal være disjunkte Terningkast S={,2,3,4,5,} S={-2,2-3,3-4,4-5,5-} duer ikke!

Hændelser En simpel hændelse er et udfald i udfaldsrummet Eksempel: Terningkast en er er en simpel hændelse En hændelse er en mængde af en eller flere simple hændelser i et udfaldsrum Eksempel: Terningkast A={2,3,4} er en hændelse Sandsynligheden for en hændelse, P(A), er summen af sandsynlighederne for de simple hændelser Eksempel: P(A)=P(2)+P(3)+P(4)=/+/+/=3/ Hvis sandsynligheden for alle udfald er ens, er sandsynligheden for en hændelse: P( A) = n( A) n( S) Eksempel:P(A)=3/ n( A) = antal elementer i A n(s) = antal elementer i S

Regler for sandsynlighed Givet et udfaldsrum S={o,o2,,ok} da skal sandsynlighederne opfylde: ) 0 P(o ) for alle i 2) k i= P(o i i ) = og dermed også 0 P(A), for enhver hændelse A Eksempel: Terningkast lige sandsynlighed for alle udfald: S = {,2,3,4,5,} P() = P(2) = P(3) = P(4) = P(5) = P() = P(o ) = + i i= + + + + =

Flere regler Sandsynligheden for Ā: P(Ā)=-P(A) Sandsynligheden for Ø: P(Ø)=0 Sandsynligheden for S: P(S)= Fællesmængden for hændelserne A og B, A B, er hændelsen, der forekommer, når både A og B forekommer Sandsynligheden for A B, P(A B), kaldes den simultane sandsynlighed (joint probability)

Simultan sandsynlighed - eksempel

Marginal sandsynlighed Marginale sandsynligheder beregnes ved at summe over rækker og søjler i tabellen.

Additionsreglen Sandsynligheden for foreningen mellem to mængder A og B, A U B, er givet som: P(A U B) = P(A) + P(B) P(A B) Hvis A og B er disjunkte hændelser, er P(A B) = 0 og dermed: P(A U B) = P(A) + P(B) Eksempel med fælles fonde: P A U B = P A P B - PA B = ( 0, 0,29 ) (0, 0,0) -0, = 0.4

Betinget sandsynlighed Den betingede sandsynlighed P(A B) betyder sandsynligheden for A, givet at vi kender B: P(A IB) P(B I A) P(A B) = og P(B A) = P(B) P(A) eller ligeledes P(A IB) = P(A B)P(B) = P(B A)P(A) Eksempel: Hvad er sandsynligheden for at en fælles fond er bedst, når vi ved at manageren kom fra en god skole? P(B A P(A IB) ) = P(A) 0. = = 0.275 0.40

Uafhængighed To hændelser er uafhængige hvis: P(A B) = P(A) og P(B A) = P(B) Ligeledes P(AI B) = P(A)P(B) Eksempel: Er der uafhængighed mellem om en fælles fond er god eller dårlig og om manageren kom fra en god eller dårlig skole? P(B A) = 0,275 P(B) = 0,7 De er derfor ikke uafhængige!! Lige meget hvilken kombination af hændelser vi vælger, skal uafhængigheden gælde. Hvis bare en kombinationer viser afhængighed, er hændelserne afhængige.

Tavle eksempel

Kombinatorik Hvis der er n hændelser, og hændelse i kan forekomme på N(i) mulige måder, så er antallet af mulige måder n hændelser kan forekomme på N()N(2) N(n) n fakultet: n!=n(n-)(n-2) (0!=) Permutationer: Antal mulige ordnede valg af r elementer ud af n elementer: n! n Pr = ( n r)! Kombinationer: Antal mulige uordnede valg af r elementer fra en grupper af n elementer: n = r n! r!( n r)!

Tavle eksempler på kombinatorik

Produktregel for uafhængige hændelser Reglerne for fællesmængde og foreningsmængde gælder også for flere end to hændelser Sandsynligheden for fællesmængden af flere uafhængige hændelser, er produktet af sandsynlighederne for de enkelte hændelser P(defekt korkprop)=0.75 P(4 defekte korkpropper)=0.75x0,75x0,75x0,75=0,3 Bemærk, når man udtager en stikprøve fra en STOR population, antager man uafhængighed mellem de enkelte elementer Sandsynligheden for foreningen af flere hændelser er givet ved: P(A U A 2 U...U A k ) = -P(A )P(A ) LP(A P(mindst en defekt korkprop) = - P(ingen defekte krokpropper) = - 0,25x0,25x0,25x0,25 2 k )

Opsamling Mængder Hændelser Sandsynligheder Regler for sandsynligheder Simultan sandsynlighed (fælles mængde) Marginal sandsynlighed (sum ud over anden variabel) Additionsreglen (forenings mængde) Betinget sandsynlighed Uafhængighed Produktregel for uafhængige hændelser Kombinatorik

Opgaver Kapitel 2: 20, 2, 23, 3, 38, 57