Matematisk statistik f or¨ D, I, P och Fysiker - Lu · 2018. 9. 4. · I 3 Godk anda f¨...
Transcript of Matematisk statistik f or¨ D, I, P och Fysiker - Lu · 2018. 9. 4. · I 3 Godk anda f¨...
Intro Info Kursplan Sannolikhetsteori Beroende
Matematisk statistik forD, I, Π och Fysiker
Forelasning 1
Johan Lindstrom
4 september 2018
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 2/29
Intro Info Kursplan Sannolikhetsteori Beroende Tillampningar Arbetsmarknad Exjobb
Matematisk statistik – slumpens matematik
Sannolikhetsteori: Hur beskriver man slumpen?
Statistikteori: Vilka slutsatser kan man dra av ettdatamaterial?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 3/29
Intro Info Kursplan Sannolikhetsteori Beroende Tillampningar Arbetsmarknad Exjobb
Tillampningar for matematisk statistik
www.etc.se/inrikes/stopp-forsakringar-i-klimatkansliga-omraden
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 4/29
Intro Info Kursplan Sannolikhetsteori Beroende Tillampningar Arbetsmarknad Exjobb
Kostnad stormskador
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 5/29
Intro Info Kursplan Sannolikhetsteori Beroende Tillampningar Arbetsmarknad Exjobb
Oversvamningar — Sodra Nederlanderna 1953
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 6/29
Intro Info Kursplan Sannolikhetsteori Beroende Tillampningar Arbetsmarknad Exjobb
OMXS30 aktieindex
1993 1995 1997 1999 2001 2003 2005 2007 2009
200
400
600
800
1000
1200
1400
OMXS30
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 7/29
Intro Info Kursplan Sannolikhetsteori Beroende Tillampningar Arbetsmarknad Exjobb
EKG och R-R variation
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 8/29
Intro Info Kursplan Sannolikhetsteori Beroende Tillampningar Arbetsmarknad Exjobb
Careercast — The Best Jobs of 2017 & 2018
20171. Statistician
2. Medical Services Manager
3. Operations Research Analyst
5. Data Scientist
7. Mathematician
20181. Genetic Counselor
2. Mathematician
3. University Professor
5. Statistician
7. Data Scientist
9. Operations Research Analyst
10. Actuary
Mathematicians and Data Scientists both can find lucrativeopportunities in the tech space parsing and analyzing collecteddata.
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 9/29
Intro Info Kursplan Sannolikhetsteori Beroende Tillampningar Arbetsmarknad Exjobb
Exjobb — LUP Student Papers VT-18 (ett urval)
Machine Learning:I Artificial Neural Network Modelling of Intensive Care
MortalityI Evaluation of Data Augmentation of MR Images for Deep
Learning
Finans & risk:I Pricing fixed price electricity contracts in the Nordic regionI Modelling Probability of Default in the Nordics
Signalbehandling:I Classification of bird syllables in noisy environments using
multitapersI Efficient Estimation of Decaying Sinusoids with Application
in NMR Spectroscopy
Modellering:I Road modelling using LiDAR-dataI Spatio-Temporal Modelling of Air Pollution in Malta
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 10/29
Intro Info Kursplan Sannolikhetsteori Beroende Fardighetstest
Praktiska detaljer
I Kursen gar over 2 lasperioderI 1+ forelasning i veckan (2 i vecka 2 & 5).I 1 rakneovning i veckanI Mycket sjalvstudietid (>10 h per vecka).I Examination:
I 3 Godkanda fardighetstest (2 i LP2, 1 i LP3).I 4 Godkanda datorovningar (2 i LP1, 2 i LP2).I Tentamin 2019-01-17
I Kurshemsida:www.maths.lth.se/matstat/kurser/fms012/pie/
I Forelasare: Johan Lindstrom, MH319
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 12/29
Intro Info Kursplan Sannolikhetsteori Beroende Fardighetstest
Forkunskapskrav
For att fa lasa kursen maste man ha klarat 12 hogskolepoanginom:
I Linjar algebra (FMA420, FMAA20I Endimensionell analys (FMAA01, FMAA05)I Flerdimensionell analys (FMA430, FMA435)
innan kursen startar.
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 13/29
Intro Info Kursplan Sannolikhetsteori Beroende Fardighetstest
Fardighetstest & Datorovningar
I Fardighetstest i Mozquiztohttp://quizms.maths.lth.se/
I Logga in med StiL-identitetI Testen skall klaras (6 av 10) senast:
I 2018-09-24, Mandag lv 4I 2018-10-15, Mandag lv 7I 2018-12-10, Mandag lv 6
I Handledning pa ovningarna och i datorsal.I Redovisningen sker i Mozquizto senast
I 2018-10-03, Onsdag lv 5I 2018-10-24, Onsdag lv 8I 2018-12-05, Onsdag lv 5I 2018-12-19, Onsdag lv 7
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 14/29
Intro Info Kursplan Sannolikhetsteori Beroende
Kursinnehall — En oversikt
Lasperiod 1 — SannolikhetsteoriI Grundlaggande begreppI Modeller for slumpmassiga handelserI Rakneregler for slumpmassiga handelser
Lasperiod 2 — StatistikI Hur anpassar vi modeller till data?I Hur bra ar anpassningen?I Vad kan vi dra for slutsatser fran data?I Finns det samband mellan olika datamaterial?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 15/29
Intro Info Kursplan Sannolikhetsteori Beroende Ex Kolmogorov Frekvens
Grundlaggande begrepp (Kap. 2.2)
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
Exempel: TarningskastUtfallsrum Ω {1:a,2:a,3:a,4:a,5:a,6:a}Utfall ω1 1:aHandelse A ”Minst 4:a” = {4:a,5:a,6:a}
Utfallsrum vid kast av tva tarningar?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 16/29
Intro Info Kursplan Sannolikhetsteori Beroende Ex Kolmogorov Frekvens
Exempel
Kasta en tarning och definera handelsernaI 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}
Vad ar:
1. A ∩ B?
2. A ∪ B?
3. A ∩ C?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 17/29
Intro Info Kursplan Sannolikhetsteori Beroende Ex Kolmogorov Frekvens
Sannolikhet — Bet. P(A)
Kolmogorovs axiomsystem (Kap. 2.3)
0 ≤ P(A) ≤ 1En sannolikhet ar ett tal mellan 0 och 1
P(Ω) = 1Sannolikheten att nagot skall handa ar 1
P(A ∪ B) = P(A)+ P(B)Om och endast om A och B ar oforenliga
Komplementsatsen: P(A∗) = 1− P(A).
Additionssatsen: P(A ∪ B) = P(A)+ P(B)− P(A ∩ B)
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 18/29
Intro Info Kursplan Sannolikhetsteori Beroende Ex Kolmogorov Frekvens
Klassiska sannolikhetsdefinitionen (Kap. 2.4)
Om alla utfall ar lika sannolika (likformigt sannolikhetsmatt)ar sannolikheten for en handelse A kvoten mellan antaletgynsamma fall, g, och antalet mojliga fall, m:
P(A) =gm
(=‖A‖‖Ω‖
)
Exempel:Dra tva kort ur en kortlek. Vad ar sannolikheten att bada arhjarter?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 19/29
Intro Info Kursplan Sannolikhetsteori Beroende Ex Kolmogorov Frekvens
Frekvenstolkning av sannolikhet (Kap. 2.4)
Upprepa ett slumpmassigt forsok n ganger
Antal ggr A intraffarn
→ P(A), da n→∞
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?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 20/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Betingad sannolikhet (Def. 2.6)
Sannolikheten att B intraffar givet att vi observerat A ar
P(B | A) =P(A ∩ B)
P(A)
Exempel:Sannolikheten att en slumpmassigt vald
I student ar langre an 185 cm?I manlig student ar langre an 185 cm?
Exempel:Dra tva kort ur en kortlek. Vad ar sannolikheten att bada arhjarter?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 21/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Satsen om total sannolikhet (Sats 2.9)Om vi har n st handelser H1, . . . ,Hn som ar
I Parvis oforenliga, Hi ∩ Hj = ∅, i 6= j
I Tillsammans tacker utfallsrummet,n⋃
i=1
Hi = Ω
galler for varje handelse A att
P(A) =n∑
i=1
P(A | Hi)P(Hi)
Bayes sats (Sats 2.10)
P(Hi | A) =P(Hi ∩ A)
P(A)=
P(A | Hi)P(Hi)∑ni=1 P(A | Hi)P(Hi)
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 22/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Exemple: Bayes sats
Om vi traffar en kvinnlig teknolog i arskurs 2, vilken sektionar det mest troligt att hon tillhor?
SektionFEMVKDWI
P(Sek | kvinna)
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 23/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Data fran LTHs antagningssystem
Sektion P(kvinna | Sek) StudenterF 24.3 181E 38.2 123M 30.5 158V 42.6 155K 58.0 112D 23.7 156W 64.4 59I 36.0 100tot 1044
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 24/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Lagen om total sannolikhet
Sektion P(kvinna | Sek) P(Sek)F 24.3 17.3E 38.2 11.8M 30.5 15.1V 42.6 14.8K 58.0 10.7D 23.7 14.9W 64.4 5.7I 36.0 9.6tot 36.5
P(kvinna) =∑
i
P(kvinna | Seki) · P(Seki)
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 25/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Sektion P(♀ | Sek) P(Sek) P(Sek | ♀) P(Sek | ♂)
F 24.3 17.3 11.5 20.7E 38.2 11.8 12.3 11.5M 30.5 15.1 12.6 16.6V 42.6 14.8 17.3 13.4K 58.0 10.7 17.0 7.1D 23.7 14.9 9.7 18.0W 64.4 5.7 10.0 3.2I 36.0 9.6 9.4 9.7tot 36.5
P(Sek | ♀) = P(♀ | Sek) · P(Sek)P(♀)
Klassificering — Exjobb:E. Persson (2018), Aspect-Based Opinion Mining fromSwedish Digital Book Reviews
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 26/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Oberoende handelser (Kap. 2.7)
Handelserna A och B ar oberoende av varandra⇐⇒
P(A ∩ B) = P(A)P(B)
For oberoende handelser galler att P(A | B) = P(A).
Obs: Skilj mellan oberoende och oforenliga.
Kan tva oberoende handelser vara oforenliga?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 27/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Alla, ingen och nagon (Kap. 2.7)
Om vi har n st oberoende handelser A1, . . . ,An fas foljandesannolikheter for
Alla: P(A1 ∩ · · · ∩ An) =n∏
i=1
P(Ai)
Ingen: P(A∗1 ∩ · · · ∩ A∗
n) =n∏
i=1
(1− P(Ai))
Minst en: P(A1 ∪ · · · ∪ An) = 1−n∏
i=1
(1− P(Ai))
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 28/29
Intro Info Kursplan Sannolikhetsteori Beroende Bayes Oberoende Flera handelser
Exempel — Alla, ingen och nagon
Kasta 4 tarningar vad ar sannolikheten att fa:
1. Alla (4 stycken) 3:or?
2. Inga 5:or?
3. Minst ett udda (1:a, 3:a, 5:a) nummer?
Johan Lindstrom - [email protected] FMSF45/MASB03 F1 29/29