Meddelelse 3 - Aarhus Universitet
Meddelelse 3 - Aarhus Universitet
Meddelelse 3 - Aarhus Universitet
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Institut for Matematiske Fag STATISTIK(2003-ordning)<br />
<strong>Aarhus</strong> <strong>Universitet</strong> Jens Ledet Jensen<br />
Jørgen Granfeldt<br />
9. februar 2006<br />
Forelæsningerne i uge 6 (6.2–12.2)<br />
<strong>Meddelelse</strong> 3<br />
Ved forelæsningen mandag den 6. februar gennemgik jeg Kapitel 4 Betingede sandsynligheder<br />
og uafhængighed hændelser.<br />
Onsdag den 8. februar begyndte jeg på Kapitel 5 Stokastiske variable og nåede til og med<br />
Eksempel 5.2 om binomialfordelingen.<br />
Fredag den 10. februar når jeg et stykke ind i Afsnit 5.3 om Kontinuerte stokastiske variable.<br />
Et Resumé af emnerne fra denne uge er vedhæftet<br />
Forelæsningerne i uge 7 (13.2–19.2)<br />
Gennemgangen af Kapitel 5 i BPT fortsættes frem til og med Afsnit 5.6. Dernæst gennemgås<br />
Kapitel 6 inden vi vender tilbage til Afsnit 5.7.<br />
Øvelserne i uge 7<br />
(13.2–19.2) Opgaverne 4, 5, 6, 8, 11, 12 (den del der vedrører de stokastiske variable R og Z),<br />
13 samt første spørgsmål i opgave 15.<br />
Øvelserne i uge 8<br />
(20.2–26.2) Først regnes eventuelt resterende opgaver fra sidste gang. Dernæst regnes opgave<br />
43, anden halvdel af opgave 15 samt opgaverne 16–22 i Opgaver i sandsynlighedsregning.<br />
Afleveringsopgaver<br />
(uge 7) Opgave 7<br />
(uge 8) Den del af opgave 12, der vedrører de stokastiske variable S og Y .<br />
(uge 9) Opgave 25<br />
<strong>Meddelelse</strong>r som denne udleveres hver uge ved forelæsningen om fredagen.<br />
De kan desuden findes via kursushjemmesiden:<br />
http://www.imf.au.dk/kurser/statistik-2003ord/F06/<br />
1
Udlån af SAS<br />
Det er vigtigt at I udfylder den seddel med diverse oplysninger i forbindelse med lån af SAS.<br />
Vi lovet SAS at give dem de oplysninger.<br />
Derfor skal SAS CDerne en tur omkring Michael inden næste udlån.<br />
Videresendelse af email fra IMF<br />
På nogen hold – men ikke alle – har man fået følgende oplysning:<br />
Hvis I ikke regelmæssigt læser jeres post på IMF, kan I få den videresendt automatisk til den<br />
mailadresse, som i bruger regelmæssigt.<br />
Hvis bruger ønsker at få posten videresendt til for eksempel fornavn.bagnavn@post.au.dk,<br />
skal han/hun lave en fil ved navn .forward i sit hjemkatalog, med følgende indhold:<br />
fornavn.bagnavn@post.au.dk<br />
\bruger<br />
Det vil få posten videresendt til adressen fornavn.bagnavn@post.au.dk og \bruger vil sikre,<br />
at der gemmes en kopi på IMF-systemet. Hvis man er ligeglad med det, kan man undlade<br />
linjen \bruger.<br />
Ugens StatiStikpille:<br />
Statistik er som en gammeldags gadelygte. Ikke særligt oplysende, men god at støtte sig til.<br />
2<br />
Robert Storm Petersen
Betingede sandsynligheder og uafhængighed af hændelser<br />
Chapter 4 side 13<br />
Betinget sandsynlighed (conditional probability) Definition 4.1 side 13<br />
Hvis P(B) > 0 kaldes<br />
P(A|B) =<br />
P(A ∩ B)<br />
P(B)<br />
den betingede sandsynlighed af A givet B (conditional<br />
probability of A given B).<br />
Uafhængighed af hændelser (independence of events)<br />
A og B er uafhængige (independent) hvis<br />
Der gælder:<br />
Definition 4.2 side 14:<br />
P(A ∩ B) = P(A)P(B)<br />
A og B er uafhængige ⇔ P(A|B) = P(A)<br />
A1,...,An er indbyrdes uafhængige (mutually independent) hvis<br />
hvor {i1,...,ij} ⊆ {1,2,...,n}, j = 2,...,n<br />
Eksempler<br />
Example 4.1 side 14<br />
P(Ai1 ∩ ··· ∩ Ai j ) = P(Ai1 )···P(Ai j ),<br />
R.11<br />
A<br />
A∩B<br />
P(A|B)=P(A∩B)/P(B)<br />
B
Regneregler side 18<br />
Omvendt betinget sandsynlighed Hvis de tre størrelser P(A) > 0, P(B) > 0 og P(A|B) alle er<br />
kendte er<br />
P(B|A) = P(A|B)P(B)<br />
P(A)<br />
Hvis B1,...,Bn er en disjunkt opdeling<br />
af E, dvs.<br />
n<br />
Bi = E, og Bi ∩ B j = /0, i = j<br />
i=1<br />
og P(Bi) > 0 og P(A|Bi), i =<br />
1,...,n, alle er kendte, er<br />
og<br />
P(A) =<br />
n<br />
∑<br />
i=1<br />
P(A|Bi)P(Bi)<br />
P(Bk |A) = P(A|Bk)P(Bk)<br />
∑ n i=1 P(A|Bi)P(Bi)<br />
(Bayes formel)<br />
Eksempler<br />
Example 4.2 side 16 og 19<br />
Example 4.3 side 17 og 19<br />
E<br />
R.12<br />
B B B<br />
…<br />
1 2 3 n<br />
A<br />
B
Uafhængige gentagelser af et eksperiment side 20<br />
eksperiment nr: 1 ··· i ··· n<br />
sandsynlighedshedsrum: (E,F,P) ··· (E,F,P) ··· (E,F,P)<br />
Under ét beskrives gentagelserne ved sandsynlighedsrummet (E n ,F n ,P n ), hvor<br />
udfaldsrum:<br />
E n = E × ··· × E × ··· × E = {(e1,...,ei,...,en) : ei ∈ E, i = 1,...,n}<br />
samling af delmængder F n , mindste samling af delmængder af E n , som er lukket under dannelse<br />
af komplementærmængde og uendelig foreningsmængde og fællesmængde og som indeholder<br />
alle mængder af formen<br />
A1 × ··· × Ai × ··· × An = {(e1,...,ei,...,en) : ei ∈ Ai ∈ F, i = 1,...,n}<br />
sandsynlighedsmål P n givet ved<br />
P n (A1 × ··· × Ai × ··· × An) = P(A1)···P(Ai)···P(An)<br />
Begrundelse for navnet uafhængige gentagelser<br />
P n (E × ··· × E × Ai × E × ··· × E) = P(Ai)<br />
E × ··· × E × Ai × E × ··· × E ∼ Ai<br />
Under P n er hændelserne E ×···×E ×Ai ×E ×···×E, i = 1,...,n, uafhængige, det vil sige at<br />
efter identifikationen af E × ··· × E × Ai × E × ··· × E med Ai er hændelserne Ai, i = 1,...,n,<br />
uafhængige.<br />
R.13
Example 4.4 side 21<br />
Lad B1,...,Bk være en disjunkt opdeling<br />
af E,<br />
k<br />
E = B j, Bi ∩ B j = /0, i = j<br />
j=1<br />
dvs. én og kun én af følgende hændelser<br />
observeres<br />
hændelse: B1 ··· B j ··· Bk<br />
sandsynlighed: π1 ··· π j ··· πk<br />
k<br />
∑ π j =<br />
j=1<br />
k<br />
∑ P(B j) = P(E) = 1<br />
j=1<br />
π = (π1,...,πk) sandsynlighedsvektor<br />
som tilhører<br />
Πk = {π : π j > 0, j = 1,...,k,<br />
k<br />
∑ π j = 1}<br />
j=1<br />
n uafhængige gentagelser af forsøget<br />
Example 5.9 side 47<br />
E<br />
B B B<br />
…<br />
1 2 3 k<br />
udfald: B j1 , ··· ,B ji , ··· ,Bjn<br />
sandsynlighed: π j1 × ··· ×π ji × ··· ×π jn<br />
Xj : antal gange B j observeres i de n gentagelser. X = (X1,...,Xj,...,Xk)<br />
P(X = x) =<br />
n!<br />
x1!···xk! πx1<br />
1 ···πxk k<br />
X ∼ m(n,π)<br />
R.14<br />
B
Resume<br />
Stokastisk variabel (random variable) Section 5.1 side 24<br />
Definition 5.1 side 24<br />
Lad (E,F,P) være et sandsynlighedsrum.<br />
En afbildning X fra E ind i R,<br />
X : E → R<br />
e → X(e)<br />
kaldes en stokastisk variabel hvis<br />
{e ∈ E | X(e) ≤ x} ∈ F, for alle x ∈ R.<br />
Vi bruger {X ≤ x} som forkortelse for<br />
{e ∈ E | X(e) ≤ x}.<br />
Fordelingsfunktion (distribution function)<br />
Definition 5.2 side 24<br />
Funktionen F fra R ind i [0,1] givet ved<br />
F : R → [0,1]<br />
x → F(x) = P(X ≤ x)<br />
kaldes fordelingsfunktionen for X. Helt præcist<br />
er F(x) = P({e ∈ E | X(e) ≤ x}).<br />
Egenskaber ved F<br />
Theorem 5.1 side 25<br />
a) F(x) ∈ [0,1], x ∈ R<br />
b) F er voksende: x1 < x2 ⇒ F(x1) ≤ F(x2)<br />
c) F(x) → 0 og F(x) → 1<br />
x→ −∞ x→ ∞<br />
d) F er højrekontinuert, F(x) = F(x+)<br />
E<br />
R.15<br />
•e<br />
IR<br />
X [<br />
x<br />
•X<br />
( e )<br />
Springet af F i x = −1 er P(X = −1).<br />
Theorem 5.2 side 26<br />
a) P(X ∈ ]a,b]) = F(b) − F(a)<br />
b) P(X = x) = F(x) − F(x−)
Typer af stokastiske variable<br />
Vi skal kun betragte to typer af stokastiske variable, nemlig diskrete (discrete), Section 5.2 side<br />
28, og kontinuerte (continuous), Section 5.3, side 38.<br />
Fraktiler (Definition 5.3 side 28) For p ∈ [0,1] defineres p-fraktilen (p-fractile) for F som<br />
mængden<br />
xp = {x ∈ R | F(x−) ≤ p ≤ F(x)}<br />
Udvalgte fraktiler for fordelingsfunktionen F: x0.05 = −2.5, x0.3 = x0.4 = −1.0 og x0.9214 =<br />
[1,2].<br />
I statistik bruges følgende resultat (Theorem 5.3b, side 28):<br />
Antag, at Y har fordelingsfunktionen FY samt af X = α +βY (β > 0). Fordelingsfunktionen FX<br />
for X er<br />
x − α<br />
FX(x) = FY(<br />
β )<br />
og sammenhængen mellem fraktilerne xp og yp for X og Y er<br />
yp = xp − α<br />
β<br />
= { x − α<br />
β<br />
R.16<br />
| x ∈ xp}.
Diskrete stokastiske variable Section 5.2 side 29<br />
Definition 5.4 En stokastisk variabel X siges<br />
at være diskret (discrete) hvis dens fordelingsfunktion<br />
F er en trappefunktion med<br />
endeligt eller tælleligt mange spring.<br />
Definition 5.5 Sandsynlighedsfunktionen<br />
(probability function) f for en diskret stokastisk<br />
variabel X, hvis fordelingsfunktion F<br />
har spring i {xi | i ∈ I}, er defineret ved<br />
f : R → [0,1]<br />
x → f(x),<br />
hvor<br />
⎧<br />
⎨ P(X = xi), hvis x = xi<br />
f(x) =<br />
⎩<br />
0, ellers.<br />
Egenskaber ved f<br />
(Theorem 5.4 side 31) Sandsynlighedsfunktionen f for en diskret stokastisk variabel X har de<br />
følgende tre egenskaber:<br />
i) f(x) ≥ 0, x ∈ R<br />
ii) Mængden {x ∈ R | f(x) = 0} er en endelig eller tællelig delmængde af R<br />
iii) ∑ f(xi) = 1<br />
i∈I<br />
Endvidere kan sandsynligheden P(X ∈ A) for hændelsen {X ∈ A}, hvor A ⊆ R, beregnes som<br />
P(X ∈ A) = ∑<br />
{i∈I;xi∈A}<br />
f(xi) (2.21)<br />
Endelig gælder der, at givet en funktion f , der opfylder de tre betingelser, findes der en diskret<br />
stokastisk variabel X, så f er sandsynlighedsfunktionen for X.<br />
R.17
Kontinuerte stokastiske variable Section 5.3 side 38<br />
Definition 5.6 En stokastisk variabel X siges<br />
at være kontinuert (continuous) hvis der<br />
findes en integrabel funktion<br />
f : R → [0,∞[<br />
x → f(x),<br />
så fordelingsfunktionen F for X er givet ved<br />
F(x) =<br />
x<br />
−∞<br />
f(z)dz, x ∈ R. (5.19)<br />
Funktionen f kaldes tæthedsfunktionen<br />
(density function) for X. (Sammenhængen<br />
mellem F og f er illustreret i Figure 5.7)<br />
Egenskaber ved f<br />
(Theorem 5.5 side 38) Tæthedsfunktionen f for en kontinuert stokastisk variabel X har de<br />
følgende to egenskaber:<br />
i) f(x) ≥ 0, x ∈ R<br />
ii) ∞<br />
−∞<br />
f(x)dx = 1<br />
Endvidere kan sandsynligheden P(X ∈ A) for hændelsen {X ∈ A}, hvor A ⊆ R er en Borel<br />
mængde, beregnes som<br />
<br />
P(X ∈ A) = f(x)dx (5.22)<br />
Endelig gælder der, at givet en funktion f , der opfylder de to betingelser, findes der en kontinuert<br />
stokastisk variabel X, så f er tæthedsfunktionen for X.<br />
R.18<br />
A
Fortolkning af f<br />
Hvis Ix er et lille interval af længde Δx omkring<br />
x er<br />
(se Figure 5.8)<br />
P(X ∈ Ix) ≈ f(x)Δx<br />
Flere egenskaber vedrørende kontinuerte stokastiske variable<br />
a) F er kontinuert<br />
b) P(X = x) = 0, for alle x ∈ R (5.20)<br />
c) Hvis f er kontinuert i x, gælder der at f(x) = F ′ (x) (5.21)<br />
R.19
Stokastiske variable Section 5.2 og 5.3<br />
E<br />
•<br />
e<br />
FX(x) = P(X ≤ x)<br />
IR<br />
X [<br />
x<br />
•<br />
X ( e )<br />
diskret stokastisk variabel kontinuert stokastisk variabel<br />
FX trappefunktion FX kontinuert<br />
med spring i {xi | i ∈ I}<br />
fX sandsynlighedsfunktion fX tæthedsfunktion<br />
<br />
angiver størrelsen af springene for FX<br />
i) fX(x) ≥ 0, x ∈ R<br />
ii) {x ∈ R | fX(x) = 0} endelig eller tællelig<br />
iii) ∑ fX(xi) = 1<br />
i∈I<br />
FX(x) = x<br />
−∞<br />
fX(z)dz<br />
i) fX(x) ≥ 0, x ∈ R<br />
∞<br />
ii) fX(x)dx = 1<br />
diskrete fordelinger kontinuerte fordelinger<br />
binomial (Example 5.2 side 32) uniform (Example 5.6 side 41)<br />
Poisson (Example 5.3 side 33) normal (Example 5.7 side 41)<br />
geometrisk (Example 5.4 side 35) gamma (Example 5.8 side 44)<br />
hypergeometrisk (Example 5.5 side 35) eksponential<br />
χ 2<br />
R.20<br />
−∞