STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
2007-10-08 – sida 57 – # 61<br />
3.5 Lägesmått <strong>och</strong> spridningsmått<br />
3.5.1 Lägesmått<br />
3.5 LÄGESMÅTT OCH SPRIDNINGSMÅTT 57<br />
En slumpvariabels värde är ju slumpmässigt så man kan därför inte entydigt<br />
säga att en den är stor eller liten. Likväl vill man ofta kunna uttala sig om<br />
en slumpvariabel är stor eller inte – inte minst vid jämförelse av olika flera<br />
slumpvariabler. Eftersom en slumpvariabel kan anta olika värden måste man<br />
på något sätt väga in sannolikheten för olika värden för att beskriva om den<br />
är stor eller inte. Detta kan göras på olika sätt <strong>och</strong> man brukar kalla dessa<br />
storheter för lägesmått. Det vanligaste lägesmåttet är väntevärde.<br />
DEFINITION 3.7 (VÄNTEVÄRDE)<br />
Väntevärdet för en slumpvariabel X betecknas <strong>med</strong> E(X), µX, eller bara µ<br />
om det inte kan förväxlas <strong>med</strong> andra väntevärden, <strong>och</strong> är ett reellt tal. För<br />
en diskret slumpvariabel definieras det som<br />
E(X) = <br />
k · pX(k), (3.2)<br />
<strong>och</strong> för en kontinuerlig som<br />
E(X) =<br />
k<br />
∞<br />
−∞<br />
x · fX(x) dx. (3.3)<br />
Väntevärdet för en funktion g(·) av en slumpvariabel X betecknas<br />
E(g(X)) <strong>och</strong> definieras analogt som E(g(X)) = <br />
k g(k)pX(k), respektive<br />
E(g(X)) = g(x)fX(x)dx.<br />
ANMÄRKNING 3.10<br />
Definitionen gäller endast om summan/integralen är absolut-konvergent,<br />
dvs. om <br />
k |k|pX(k) < ∞ respektive ∞<br />
−∞ |x| fX(x) dx < ∞. Om summan/integralen<br />
är oändlig sägs X sakna väntevärde. Fallet att X saknar<br />
väntevärde kan i själva verket delas upp i olika fall. Om man betraktar de<br />
negativa <strong>och</strong> positiva delarna av utfallen var för sig <strong>och</strong> tittar på<br />
E(X − ) = <br />
kpX(k) <strong>och</strong><br />
k0