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

Relaterede dokumenter
Statistik og Sandsynlighedsregning 2

Program. Middelværdi af Y = t(x ) Transformationssætningen

Hovedpointer fra SaSt

Diskrete og kontinuerte stokastiske variable

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

Analyse 1, Prøve maj 2009

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

Estimation ved momentmetoden. Estimation af middelværdiparameter

antal gange krone sker i første n kast = n

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

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

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

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

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

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

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

Sandsynlighedsteori 1.2 og 2 Uge 5.

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

Motivation. En tegning

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

cos(t), v(t) = , w(t) = e t, z(t) = e t.

Deskriptiv teori: momenter

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.

Maja Tarp AARHUS UNIVERSITET

Mikroøkonomi, matematik og statistik Eksamenshjemmeopgave december 2007

Statistik og Sandsynlighedsregning 2

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

Den flerdimensionale normalfordeling

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

Generelle lineære modeller

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

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen

Introduktion til Statistik

Kvantitative metoder 2

Sandsynlighedsregning 9. forelæsning Bo Friis Nielsen

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala

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

Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål

Eksempel 10.1 En autoregressiv proces af orden 1 (ofte blot kaldet en AR(1)- proces) pårhar et opdateringsskema (10.1) med funktionen. for y R.

Projekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning

9. Binomialfordelingen

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

Morten Frydenberg version dato:

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

Asymptotisk estimationsteori

Vejledende opgavebesvarelser

Regularitetsbetingelserne i simple modeller

Sandsynlighedsregning og statistisk

Teoretisk Statistik, 9. februar Beskrivende statistik

Elementær Matematik. Polynomier

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

Dagens forelæsning. Claus Munk. kap Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro

Claus Munk. kap. 1-3

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

Projekt 4.8 De reelle tal og 1. hovedsætning om kontinuerte funktioner

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

Løsninger til kapitel 7

Supplement til Kreyszig

x-klasserne Gammel Hellerup Gymnasium

Simpel Lineær Regression. Opsplitning af variationen Determinations koefficient Variansanalyse F-test Model-kontrol

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.

Baggrundsnote til sandsynlighedsregning

Sandsynlighedsteori 1.2

Undersøgelse af numeriske modeller

Asymptotisk optimalitet af MLE

Supplerende noter II til MM04

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

Opsamling. Lidt om det hele..!

Stikprøvefordelinger og konfidensintervaller

STATISTISK MODELLERING OG ANALYSE 19. DECEMBER 2008 ET MAT3-PROJEKT I BAYESIANSK INFERENS VEJLEDER: JAKOB G. RASMUSSEN GRUPPE: G4-115

Matematik A. Studentereksamen. Forberedelsesmateriale. Forsøg med digitale eksamensopgaver med adgang til internettet.

Uge 37 opgaver. Opgave 1. Svar : Starter med at definere sup (M) og inf (M) :

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

r n E[ X n ]/n! for alle r > 0 ifølge monoton konvergens, giver potensrækketeori, at ( ) er ækvivalent med, at ρ n E[ X n ]/n!

(VIDENSKABSTEORI) STATISTIK (EKSPERIMENTELT ARBEJDE)

Statistiske Modeller 1: Notat 1

STATISTISKE GRUNDBEGREBER

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab

Elementær sandsynlighedsregning

Oversigt. Kursus 02402/02323 Introducerende Statistik. Forelæsning 12: Inferens for andele. Klaus K. Andersen og Per Bruun Brockhoff

STATISTIKNOTER Simple normalfordelingsmodeller

Branchevejledning. ulykker indenfor. lager. området. Branchearbejdsmiljørådet for transport og engros

De reelle tal. Morten Grud Rasmussen 5. november Se Sætning 3.6 og 3.7 for forskellige formuleringer af egenskaben og dens negation.

Nogle Asymptotiske Resultater. Jens Ledet Jensen Matematisk Institut, Aarhus Universitet. 1 Indledning 1

Talfølger og -rækker

Sammenligning af to grupper

Noter om polynomier, Kirsten Rosenkilde, Marts Polynomier

Statistik og Sandsynlighedsregning 2

Udtrykkelige mængder og Cantorrækker

STATISTIK x-klasserne Gammel Hellerup Gymnasium

AUGUST v. Margit Ingtoft, María Muniz Auken,

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

STATISTISKE GRUNDBEGREBER

Forelæsningsnoter til Stokastiske Processer E05. Svend-Erik Graversen Revideret af Jan Pedersen Kapitel 12 og Appendix B og G af Jan Pedersen

MOGENS ODDERSHEDE LARSEN. Fourieranalyse

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

IMFUFA TEKST NR TEKSTER fra ROSKILDE UNIVERSITETSCENTER. Jørgen Larsen

Tankegangskompetence. Kapitel 9 Algebraiske strukturer i skolen 353

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

Transkript:

Program Statistik og Sadsylighedsregig 2 Sadsylighedstætheder og kotiuerte fordeliger på R Helle Sørese Uge 6, madag Velkomme I dag: Praktiske bemærkiger Hvad skal vi lave på SaSt2? Sadsylighedstætheder og kotiuerte fordeliger Itegraler (icl. et par eksempler) Fordeligsfuktioer hvis vi år det (ellers osdag) SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 1 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 2 / 19 Praktiske tig og sager Praktiske tig og sager Udervisere Susae Ditlevse og Helle Sørese Lars Lau, Nia Mukholt, Christia Mikkelse Jese, Jesper Larse, Rue Ramsdal Erstse Bøger R E itroduktio til Sadsylighedsregig af Michael Sørese E itroduktio til Statistik, Bid 2 af Ige Heigse Freeware statistikprogrampakke (gratis!), ka dowloades Sørg for at istallere det så hurtigt som muligt Itro til R på osdag (eftermiddag), materiale om R på hjemmeside Computerlokaler madag 8 10, osdag 13 15, me medbrig meget gere laptop til øvelser hvis der er R-opgaver. Forelæsiger Madag 10.15 12 i aud. 4 Osdag 10.15 12 og 15.15 16 i aud. 4 Øvelser: Holdiddelig og lokaler ka ses via ISIS. Vær velforberedt til øvelsere! Medbrig meget gere laptop til øvelser med R-opgaver Madag 8 10: opgaveregig (med istruktor) Osdag 8 9: tavlegeemgag v. studerede (med istruktor) Osdag 9-10: opgaveregig (med istruktor) Osdag 13-14: opgaveregig (ude istruktor) Osdag 14 15: tavlegeemgag v. studerede (med istruktor) SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 3 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 4 / 19

Praktiske tig og sager Hvad er det vi skal på SaSt2 Projekter To projekter, formetlig med afleverig 2. marts og 16. marts Begge skal bestås for at kue gå til eksame Eksame Skriftlig prøve med hjælpemidler E løftet pegefiger Husk at arbejde meget med kurset, også hjemme. Vær velforberedt til øvelsere! Ige emme geveje: du lærer det ku ved selv at have figree i savset, ikke ved at se adre gøre det beskidte arbejde. Sadsylighedsregig og statistik for kotiuerte observatioer. Sadsylighedsregig edimesioale kotiuerte fordeliger: tæthed, fordeligsfkt., middelværdi, varias, trasformatio mm. Flerdimesioale kotiuerte fordeliger Normalfordelige og afledte fordeliger Statistik Geerel teori: statistisk model, likelihood, test af hypotese Sammeligig af to stikprøver Lieær regressio SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 5 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 6 / 19 Hvorfor skal vi det? Eksempel: tilfældigt akommede begiveheder Fordi hele verde ikke ka beskrives med diskrete fordeliger og fordi det er oget vigtig matematik... Eksempler: Vægt, blodtryk, kocetratio af hormo i blodet, alkoholpromille Timelø, årlig idkomst, Vetetid til e bestemt hædelse idtræffer (fx. død/ivaliditet pesiosudbetalig, eller akomst til kasseliie) Ædrig i aktiekurs, vægtædrig,... Hvis vi vil beskrive sådae fæomeer skal vi have fat i fordeliger med udfaldsrum som er itervaller, evt. (0, ) eller R. Atag at e begivehed idtræffer tilfældigt således at atallet at begiveheder i tidsrummet [0, t] er poissofordelt med parameter λ, dvs. P(X t = x) = λ x x! e λ t hvor X t er atal hædelser i itervallet [0,t]. Lad T være de stokastiske variabel der agiver tidspuktet for første hædelse. Hvad er så P(T > t) for et givet t > 0? P ( T (t 1,t 2 ] ) for 0 < t 1 < t 2? SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 7 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 8 / 19

Eksempel: tilfældigt akommede begiveheder Altså: P ( T (t 1,t 2 ] ) t2 t2 = e λ t 1 e λ t 2 = λe λ x dx = p(x)dx t 1 t 1 Og for et lille iterval af lægde h: Poiter: P ( T (x,x + h] ) λe λ x h = p(x)h Sadsylighed for at have i iterval er lig areal uder kurve Sadsylighed for at have i et lille iterval ær x er cirka proportioal med itervallægde, med proportioalitetsfaktor p(x). Stor tæthed stor sadsylighed Fuktioe p kaldes e sadsylighedstæthed. Fordelige af T kaldes ekspoetialfordelige med parameter med parameter λ. Sadsylighedstæthed og sadsylighedsmål Iterval I R. E fuktio p : I R kaldes e sadsylighedstæthed (tæthedsfuktio, tæthed) på I hvis p(x) 0 for alle x I og I p(x)dx = 1 Kravee p(x) 0 og I p(x)dx = 1 er rimelige. Hvorfor? Sadsylighedsmål på I: For pæe delmægder A af I sættes P(A) = 1 A (x)p(x)dx = p(x) dx I A Defierer P faktisk et sadsylighedsmål på I? Kravee er (side 18): 0 P(A) 1 for alle A P(I ) = 1 P(A B) = P(A) + P(B) hvis A B = /0. Lad os være lidt mere præcise og geerelle... SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 9 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 10 / 19 Kotiuert fordelig og kot. stokastisk variabel Eksempel: ligefordelige P kaldes e kotiuert fordelig, og P har sadsylighedstæthed p. For δ lille er (gaske som for ekspoetialfordelige): x0 +δ P([x 0,x 0 + δ]) = p(x)dx p(x 0 )δ x 0 Vi ka tæke på P som e fordelig på hele R (i stedet for ku I ): P(B) = P(B I ) for pæe delmægder B R. Svarer til at sætte p(x) = 0 udefor I. Diskret vs. kotiuert: ssh.fuktio tæthed, sum itegral. E stokastisk var. X er kotiuert hvis des fordelig er kotiuert: P(X A) = 1 A (x)p(x)dx, P(X = a) = 1 {a} (x)p(x)dx = 0 Først ligefordelige på [0, 1]: træk tilfældigt tal mellem 0 og 1. To delitervaller af [0, 1] med samme lægde skal være lige sadsylige. Derfor skal tæthede være kostat. De skal desude itegrere til 1, så Så er fx. p(x) = 1 [0,1] (x) 4/5 P([2/5,4/5]) = 1 [2/4,4/5] (x)p(x)dx = 1dx = 2 2/5 5 Altså: sadsylighed for iterval lig itervallægde. Ligefordelig på iterval [a,b] for a < b. Tæthed? Måske har vi været lidt for hurtige: giver itegralere meig? SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 11 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 12 / 19

Itegraler Itegraler Betragter ku ikke-egative fuktioer i dag (kadidater til tætheder). 1. f : [a,b] [0, ) kotiuert: b a f (x)dx = lim hvor a i = a + ( i 1 2) b a 2. f : [a,b] [0, ) stykkevis kotiuert: i=1 f (a i ) b a Itegral = sum af itegraler over kotiuerte delstykker 3a. f : R [0, ) begræset og (stykkevis) kotiuert på [,] for alle. Itegralere I = f (x)dx veldefieret fra situatio 1. og 2. I koverget: f (x)dx = lim I og vi siger at f er itegrabel I diverget: skriver f (x)dx = + og vi siger at f er ikke itegrabel 3b. Tilsvarede for f : [0, ) [0, ) begræset og (stykkevis) kotiuert på hvert iterval [0,]. Se på I = f (x)dx 0 og defier itegralet 0 f (x)dx afhægig af om I kovergerer eller ej. SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 13 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 14 / 19 Itegraler Eksempler 4. f : (a,b] [0, ) kotiuert på (a,b) me med f (x) for x a. Se på b I = f (x)dx a+ 1 og defier itegralet b a f (x)dx afhægig af om I kovergerer eller ej. Siger at f er itegrabel eller ikke-itegrabel på (a, b]. Hvorfor dee iteresse i om e ikke-egativ fuktio er itegrabel eller ej? Hvis f er itegrabel ka vi bruge de som sadsylighedstæthed: p(x) = f (x) f (x)dx To eksempler: f (x) = λe λ x, x > 0 for et fast λ > 0. Potetielt problem for x. Er f itegrabel? f (x) = x α, 0 < x 1 for et fast α > 0. Potetielt problem for x 0. For hvilke værdier af α er f itegrabel? SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 15 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 16 / 19

Fordeligsfuktio Eksempler Hvis X har kotiuert fordelig P med tæthed p: P(X x) = P ( X (,x] ) = x 1 (,x] (y)p(y)dy = p(y)dy Fordeligsfuktio for kotiuert fordelig P med tæthed p: x F (x) = p(y)dy, x R Egeskaber for fordeligsfuktioe (lidt mere om dette på osdag): F er svagt voksede F (x) 0 for for x og F (x) 1 for for x Ekspoetialfordelige med parameter λ: p(x) = λe λ x, x > 0 Fordeligsfuktio? Ligefordelige på [0, 1]: p(x) = 1, a x b Fordeligsfuktio? Ligefordelige på [a, b]. Fordeligsfuktio? F (x) = p(x) hvis p er kotiuert i x da F er e stamfuktio til p SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 17 / 19 SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 18 / 19 Resumé Vigtige tig fra i dag: Sadsylighedstæthed, kotiuert fordelig, fordeligsfuktio: defiitioer og fortolkiger Skal være opmærksom på om itegraler faktisk eksisterer således at de faktisk ka ormere til tætheder Ekspoetialfordelige og ligefordelige I skal kue rege på disse tig! Odag: Mere om sadsylighedstætheder og fordeligsfuktioer Middelværdi og varias for kotiuerte fordeliger Itro til R SaSt2 (Uge 6, madag) Tætheder og kot. fordeliger 19 / 19