Föreläsning 1, Matematisk statistik +E · 2014. 11. 4. · I 5 obligatoriska dator ovningar (2 i...
Transcript of Föreläsning 1, Matematisk statistik +E · 2014. 11. 4. · I 5 obligatoriska dator ovningar (2 i...
Introduktion Sannolikhetsteori Beroende
Forelasning 1, Matematisk statistik Π + E
Soren Vang Andersen
4 november 2014
Soren Vang Andersen - [email protected] FMS012 F1 1/26
Introduktion Sannolikhetsteori Beroende Tillampningar Praktiska detaljer
Matematisk statistik – slumpens matematik
Sannolikhetsteori: Hur beskriver man slumpen?
Statistikteori: Vilka slutsatser kan man dra av ett datamaterial?
Soren Vang Andersen - [email protected] FMS012 F1 2/26
Introduktion Sannolikhetsteori Beroende Tillampningar Praktiska detaljer
Slumpmassig Variation
I Inom population
I Matosakerhet
Soren Vang Andersen - [email protected] FMS012 F1 3/26
Introduktion Sannolikhetsteori Beroende Tillampningar Praktiska detaljer
Vad kan vi veta om slumpmassig variation?
Inte exakt vad som ska handa, men hur ofta olika saker hander.
Vad vi kan saga ar hur sannolika olika handelser ar.
Soren Vang Andersen - [email protected] FMS012 F1 4/26
Introduktion Sannolikhetsteori Beroende Tillampningar Praktiska detaljer
Tillampningar for matematisk statistik
I MiljoI Ozonlagret bild
I Vaghojd bild
I EkonomiI Aktiedata bild
I Forsakringar bild
I SignalbehandlingI EEG/EKG bild
I Hitta sprangamnen bild
Soren Vang Andersen - [email protected] FMS012 F1 5/26
Introduktion Sannolikhetsteori Beroende Tillampningar Praktiska detaljer
Tillampningar for matematisk statistik (forts)
I Mobil kommunikation
I Elmarknad
I Forsakringar
I Spel/Lotterier
I Biologi
I Geologi
I osv
Soren Vang Andersen - [email protected] FMS012 F1 6/26
Introduktion Sannolikhetsteori Beroende Tillampningar Praktiska detaljer
Praktiska detaljer
I Kursen gar over 2 lasperioder
I 1+ forelasning i veckan (2 i vecka 2 & 5).
I 1 rakneovning i veckan
I 5 obligatoriska datorovningar (2 i LP2, 3 i LP3).
I Frivillig dugga fredagen den 19/12 13–15.
I Kurshemsida:www.maths.lth.se/matstat/kurser/fms012/pie/
I Forelasare: Soren Vang Andersen, MH244
Soren Vang Andersen - [email protected] FMS012 F1 7/26
Introduktion Sannolikhetsteori Beroende Wenn Ex Kolmogorov Frekvens
Grundlaggande sannolikhetsteori
Grundlaggande begrepp
I Utfall – resultatet av ett slumpmassigt forsok.Bet. ω1,ω2, . . .
I Handelse – en samling av ett eller flera utfall.Bet. A,B, . . .
I Utfallsrum – mangden av mojliga utfall. Bet Ω
Soren Vang Andersen - [email protected] FMS012 F1 8/26
Introduktion Sannolikhetsteori Beroende Wenn Ex Kolmogorov Frekvens
Exempel: Tarningskast
Ex. Kasta en tarning.
I Utfallsrum Ω = {1:a, 2:a, 3:a, 4:a, 5:a, 6:a}I En handelse A : ”Minst 4:a” = {4:a, 5:a, 6:a}I B : ”Hogst 5:a” = {1:a, 2:a, 3:a, 4:a, 5:a}I C : ”3:a” = {3:a}
Ex. Kasta tva tarningar.Ej uppenbart hur man skall valja utfallsrum. T.ex.
I Ω = {(1, 1), (1, 2), . . . , (6, 6)}. Totalt 36 utfall.I Om man bara ar intresserad av summan:Ω = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. 11 utfall.
Soren Vang Andersen - [email protected] FMS012 F1 9/26
Introduktion Sannolikhetsteori Beroende Wenn Ex Kolmogorov Frekvens
Handelser Wenn-diag. Mangdlara
Utfallsrummet Ω Grundmangden
Handelsen A;
A intraffarDelmangden A
Komplementhandelsen.
A∗ till A; A intraffar ejKomplementet {A till A
Unionhandelsen A ∪ B;
A eller B eller bada intraffarUnionen A ∪ B
Snitthandelsen A∩B = AB;
bade A och B intraffarSnittet A ∩ B
A och B oforenliga hndlser;
kan ej intraffa samtidigtA och B disjunkta
Soren Vang Andersen - [email protected] FMS012 F1 10/26
Introduktion Sannolikhetsteori Beroende Wenn Ex Kolmogorov Frekvens
Exempel (kasta en tarning rep, forts)
I A : ”Minst 4:a” = {4:a, 5:a, 6:a}I B : ”Hogst 5:a” = {1:a, 2:a, 3:a, 4:a, 5:a}I C : ”3:a” = {3:a}
Nagra exempel pa snitt och union
I A ∩ B = {4:a, 5:a}I A ∪ B = Ω
I B ∩ C = C = {3:a}I A ∩ C = {} = ∅. Kan inte intraffa, eftersom A och C ar
oforenliga.
Soren Vang Andersen - [email protected] FMS012 F1 11/26
Introduktion Sannolikhetsteori Beroende Wenn Ex Kolmogorov Frekvens
Sannolikhet
Sannolikheten att en handelse A skall intraffa bet. P(A)En sannolikhet maste uppfylla foljande,Kolmogorovs axiomsystem:• 0 ≤ P(A) ≤ 1 En sannolikhet ar ett tal mellan 0 och 1
• P(Ω) = 1 Sannolikheten att nagot skall handa ar 1
• P(A ∪ B) = P(A) + P(B) Om och endast om A och B ar oforenliga
Harur foljer aven t.ex.
Komplementsatsen P(A∗) = 1− P(A).Om det ar slh 1/100 att vinna pa ett lotteri ar slh99/100 att inte vinna.
Additionssatsen P(A ∪ B) = P(A) + P(B)− P(A ∩ B)
Soren Vang Andersen - [email protected] FMS012 F1 12/26
Introduktion Sannolikhetsteori Beroende Wenn Ex Kolmogorov Frekvens
Frekvenstolkning av sannolikhet
Upprepa ett slumpmassigt forsok n ganger
Antal ggr A intraffar
n→ P(A), n→∞
Ex Kasta tre tarningar 100 000 ggr och rakna ut relativafrekvensen treor i varje kast for var och en av tarningarna
100
101
102
103
104
105
0
0.2
0.4
0.6
0.8
1Relativa frekvensen av antal treor
Antal tärningskast
Rel
ativ
frek
vens
1/6?
Soren Vang Andersen - [email protected] FMS012 F1 13/26
Introduktion Sannolikhetsteori Beroende Wenn Ex Kolmogorov Frekvens
Den klassiska sannolikhetsdefinitionen
Om ett forsok kan utfalla pa m mojliga satt som alla ar likasannolika (har vi en likformig sannolikhetsfordelning) och enhandelse A intraffar vid g st av dessa galler
P(A) =g
m
Ex Dra ett kort ur en kortlek. Vad ar sannolikheten att det arett hjarter?Lsg Det finns m = 52 kort varav g = 13 ar hjarter saP(♥) = 13/52 = 1/4Ex Dra tva. Vad ar sannolikheten att bada ar hjarter?Lsg Med lite kombinatorik blir det lite mer komplicerat
P(bada ♥) =Antal satt att valja tva ♥
Antal satt att valja tva kort=
(132
)(522
) =78
1326=
1
17
Soren Vang Andersen - [email protected] FMS012 F1 14/26
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Betingad sannolikhet
Ex. For en tarning har vi P(Etta) = 1/6, men om vi vet attutfallet ar udda far vi P(Etta om udda utfall) = 1/3.Def. Den betingade sannolikheten att A skall intraffa om vi vetatt B intraffat bet. P(A | B) och definieras som
P(A | B) =P(A ∩ B)
P(B)
Ur detta (och P(B | A)) far vi tva rakneregler for P(A ∩ B)
P(A ∩ B) = P(A | B)P(B) = P(B | A)P(A)
Ex (igen) Dra tva kort.Vad ar sannolikheten att bada ar hjarter?
Soren Vang Andersen - [email protected] FMS012 F1 15/26
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Betingad risk
Soren Vang Andersen - [email protected] FMS012 F1 16/26
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Satsen om total sannolikhet
Om vi har n st handelser H1, . . . ,Hn som ar
I Parvis oforenliga, dvs Hi ∩Hj = ∅, i 6= j
I Tillsammans tacker utfallsrummet, dvs
n⋃i=1
Hi = Ω
galler for varje handelse A
P(A) =
n∑i=1
P(A | Hi)P(Hi)
samt ”Konsten att vanda en betingad sannolikhet” eller Bayessats
P(Hi | A) =P(Hi ∩A)
P(A)=
P(A | Hi)P(Hi)
P(A)
Soren Vang Andersen - [email protected] FMS012 F1 17/26
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Oberoende handelser
Om det visar sig att P(A | B) = P(A), paverkas inte A av att Bintraffat eller ej, de ar oberoende. Detta kan med definitionenav betingad sannolikhet skrivas om som P(A ∩ B) = P(A)P(B).Def. Handelserna A och B ar oberoende av varandra
⇐⇒P(A ∩ B) = P(A)P(B)
Obs. Skilj mellan oberoende och oforenliga.
Kan tva oberoende handelser vara oforenliga?
Soren Vang Andersen - [email protected] FMS012 F1 18/26
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Exempel: Oberoende
Kasta tva tarningar och lat
A = Forsta tarningen visar sexa
B = Summan ar sju
C = Summan ar atta
Vilka av A,B, A,C och B,C ar oberoende av varandra?
1 2 3 4 5 6
1
2
3
4
5
6
Tärning 1
Tär
ning
2
ABC
Soren Vang Andersen - [email protected] FMS012 F1 19/26
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Alla, ingen och nagon
Om vi har n st oberoende handelser A1, . . . ,An kan vi rakna utsannolikheten att
I alla intraffar
P(A1 ∩ · · · ∩An) = P(A1) · . . . · P(An)
I ingen intraffar, dvs alla intraffar inte
P(A∗1 ∩ · · · ∩A∗
n) = P(A∗1) · . . . · P(A∗
n) =
= [1− P(A1)] · . . . · [1− P(An)]
I nagon intraffar, dvs minst en, eller ”inte ingen”
P(A1 ∪ · · · ∪An) = 1− P(A∗1 ∩ · · · ∩A∗
n) =
= 1− [1− P(A1)] · . . . · [1− P(An)]
Soren Vang Andersen - [email protected] FMS012 F1 20/26
Introduktion Sannolikhetsteori Beroende
Ozon i Dobson enheter
Tillbaka
Soren Vang Andersen - [email protected] FMS012 F1 21/26
Introduktion Sannolikhetsteori Beroende
Vaghojd
Tillbaka
Soren Vang Andersen - [email protected] FMS012 F1 22/26
Introduktion Sannolikhetsteori Beroende
OMXS30 aktieindex
Tillbaka
1993 1995 1997 1999 2001 2003 2005 2007 2009
200
400
600
800
1000
1200
1400
OMXS30
Soren Vang Andersen - [email protected] FMS012 F1 23/26
Introduktion Sannolikhetsteori Beroende
Kostnad stormskador
Tillbaka
Soren Vang Andersen - [email protected] FMS012 F1 24/26
Introduktion Sannolikhetsteori Beroende
EKG och R-R variation
Tillbaka
Soren Vang Andersen - [email protected] FMS012 F1 25/26
Introduktion Sannolikhetsteori Beroende
Detektion av sprangamne
Tillbaka
Soren Vang Andersen - [email protected] FMS012 F1 26/26