Kapittel 5: Tilfeldige variable, forventning og varians.

Like dokumenter
Kapittel 5: Tilfeldige variable, forventning og varians.

Kapittel 7: Noen viktige sannsynlighetsfordelinger

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

Kapittel 7: Noen viktige sannsynlighetsfordelinger

Noen vanlige. Indikatorfordeling: 1, dersom suksess. I mange situasjoner kan fenomenet vi ser på. 0, dersom ikke suksess

Forelesning Moment og Momentgenererende funksjoner

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011

LØSNING: Eksamen 28. mai 2015

ÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Binomisk modell. Kp. 3 Diskrete tilfeldige variable

Econ 2130 Forelesning uke 11 (HG)

LØSNINGSFORSLAG TILEKSAMEN I FAG TMA4240/TMA4245 STATISTIKK 10. august 2005

Ulike typer utvalg. MAT0100V Sannsynlighetsregning og kombinatorikk. Ordnet utvalg uten tilbakelegging. Ordnet utvalg med tilbakelegging.

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.

TMA4245 Statistikk Eksamen mai 2017

Ukeoppgaver i BtG207 Statistikk, uke 4 : Binomisk fordeling. 1

TMA4240 Statistikk Høst 2009

Betinget sannsynlighet

211.7% 2.2% 53.0% 160.5% 30.8% 46.8% 17.2% 11.3% 38.7% 0.8%

Kapittel 8: Estimering

Emnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008

ÅMA110 Sannsynlighetsregning med statistikk, våren ÅMA110 Sannsynlighetsregning med statistikk, våren 2010

Mer om utvalgsundersøkelser

Statistikk og økonomi, våren 2017

Oppgave 1 Hardheten til en bestemt legering er undersøkt med åtte målinger og resultatene ble (i kg/mm 2 ) som i tabellen til høyre.

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

statistikk, våren 2011

TMA4240 Statistikk Høst 2016

Estimering 1 -Punktestimering

Forventningsverdi. MAT0100V Sannsynlighetsregning og kombinatorikk

Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10

Estimering 1 -Punktestimering

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Oppsummering

Løsningsforslag ST1101/ST6101 kontinuasjonseksamen 2018

MOT310 Statistiske metoder 1, høsten 2011

Introduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians

Oppgaven består av 9 delspørsmål, A,B,C,., som anbefales å veie like mye, Kommentarer og tallsvar er skrevet inn mellom <<.. >>.

Econ 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering

Løsningsforslag for andre obligatoriske oppgave i STK1100 Våren 2007 Av Ingunn Fride Tvete og Ørnulf Borgan

Emnenavn: Metode 1, statistikk deleksamen. Eksamenstid: 4 timer. Faglærer: Bjørnar Karlsen Kivedal

Kap. 9: Inferens om én populasjon

Oppgaver fra boka: Med lik men ukjent varians antatt har vi fra pensum at. t n1 +n 2 2 under H 0 (12 1) (12 1)

Kort repetisjon fra kapittel 4. Oppsummering kapittel ST0202 Statistikk for samfunnsvitere. Betinget sannsynlighet og trediagram

TMA4240 Statistikk Høst 2016

KLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon

X = 1 5. X i, i=1. som vil være normalfordelt med forventningsverdi E( X) = µ og varians Var( X) = σ 2 /5. En rimelig estimator for variansen er

MOT310 Statistiske metoder 1, høsten 2012

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 5

TMA4240 Statistikk Høst 2015

ECON240 Statistikk og økonometri

Oppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?

ÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 5 Estimering. Målemodellen.

TMA4245 Statistikk Vår 2015

Del1. Oppgave 1. a) Deriver funksjonene: b) Gitt den uendelige rekken. Avgjør om rekken konvergerer, og bestem eventuelt summen av rekken.

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5

Kap. 9: Inferens om én populasjon

Forelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling

) = P(Z > 0.555) = > ) = P(Z > 2.22) = 0.013

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004

Eksamen REA3028 S2, Våren 2010

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 5. Hypotesetesting, del 5

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004

Skrivne og trykte hjelpemiddel samt kalkulator er tillate. Ta med all mellomrekning som trengst for å grunngje svaret.

H 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2

5 y y! e 5 = = y=0 P (Y < 5) = P (Y 4) = 0.44,

TMA4245 Statistikk Eksamen 9. desember 2013

Estimering 2. -Konfidensintervall

STK1100 våren 2017 Estimering

Løsning TALM1005 (statistikkdel) juni 2017

3MX 2007/8 - Kapittel 5: 8. januar 5. februar 2008

EKSAMENSOPPGAVE. Mat-1060 Beregningsorientert programmering og statistikk

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5

Konfidensintervall. Notat til STK1110. Ørnulf Borgan, Ingrid K. Glad og Anders Rygh Swensen Matematisk institutt, Universitetet i Oslo.

Påliteligheten til en stikkprøve

Eksamen REA3028 S2, Våren 2010

Høgskolen i Telemark Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 20. mai 2008

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2018

TMA4240 Statistikk Høst 2015

8 (inkludert forsiden og formelsamling) Tegne- og skrivesaker, kalkulator, formelsamling (se vedlagt).

Kap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren

UNIVERSITETET I OSLO

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2015

Eksamen REA3028 S2, Våren 2011

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006

EKSAMEN Løsningsforslag

Oppgaver fra boka: X 2 X n 1

TMA4240 Statistikk Eksamen desember 2015

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk. Kp. 5 Estimering.

Hypotesetesting, del 4

Løsningsforslag Oppgave 1

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 5

Oppgave 1 a) Minste kvadraters metode tilpasser en linje til punktene ved å velge den linja som minimerer kvadratsummen. x i (y i α βx i ) = 0, SSE =

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 4

Eksamen REA3028 S2, Våren 2012

LØSNING, EKSAMEN I STATISTIKK, TMA4240, DESEMBER Anta at sann porøsitet er r. Måling med utstyret gir da X n(x; r, 0,03).

2. Hypotesetesting i ulike sitausjoner: i. for forventingen, μ, i målemodellen med normalantakelse og kjent varians, σ 2.

Transkript:

Kapittel 5: Tilfeldige variable, forvetig og varias. Tilfeldige variable Tilfeldige variable kalles også stokastiske variable. Defiisjo: E tilfeldig variabel er e variabel som får si umeriske verdi bestemt av utfallet av et stokastisk forsøk. Eksempler: Aksjekurs om e uke, temperature i morge, levetid for lyspære, atall medaljer Norge tar i ski-vm, atall ulykker på e veistrekig, omsetig i e bedrift este år, atall studeter som får A på eksame i BØK45, atall bilag med feil ved e revisjo, låerete om ett år, atall mål i e fotballkamp, atall som svarer ja i e udersøkelse, osv. Data/datasett er ofte utfall av stokastiske variable. La X=atall kro i tre mytkast. X er da e tilfeldig variabel. Utfallsrom KKK 3 KKM KMK MKK KMM MKM MMK MMM 0 Vi ser at mulige verdier for X i dette eksemplet er 0,, og 3.

Tilfeldige variable er ete diskrete eller kotiuerlige. Defiisjo: E variabel er diskret dersom de ku ka ata et tellbart atall verdier. Eksempler: X=atall kro i m mytkast, Y=atall trykkfeil i ei bok, Z=atall bilag med feil i et regskap, osv Defiisjo: E variabel er kotiuerlig dersom de ka ata e hvilke som helst verdi i et itervall. Eksempler: X=temperatur, Y=børsideks, T=levetid for lyspære, osv I oe situasjoer ka det være e defiisjossak om ma velger å se på e variabel som diskret eller kotiuerlig. I reste av kapittel 5 skal vi se på diskrete variable. Sasylighetsfordeliger I mytkasteksemplet så vi at 3 av de 8 like sasylige utfallee ga verdie X=. Dette ka vi uttrykke: P(X==3/8=0.375. Tilsvarede ka vi rege ut sasylighete for de adre mulige verdiee til X. Vi får da det som kalles sasylighetsfordelige til X. Defiisjo: P(=P(X= for alle mulige verdier er sasylighetsfordelige til de diskrete stokastiske variabele X. Egeskaper:.. 0 P ( P ( Notasjo: Stor bokstav = tilfeldig variabel (før forsøket er utført Lite bokstav = umerisk verdi til variabele (etter forsøket er utført

Mytkasteksemplet X=atall kro i tre mytkast. P(0=/8, P(=3/8, P(=3/8, P(3=/8 og P(=0 for alle adre. Sjekk: P( Vi ka sette sasylighetsfordelige opp i e tabell: 0 3 Forvetigsverdi Forvetigsverdi = gjeomsitt i det lage løp Forvetigsverdie agir setrum i sasylighetsfordelige. Defiisjo: Forvetigsverdie til de diskrete tilfeldige variabele X er: E( X P( P( /8 3/8 3/8 /8 X=atall kro i tre mytkast. Vi ka også tege sasylighetsfordelige: 0 3 P( /8 3/8 3/8 /8 E( 0/83/8 3/83/8.5 P(

Merk at E( ikke treger være blat de mulige verdiee for X. Terigkast X=resultat av terigkast 3 4 5 6 P( /6 /6 /6 /6 /6 /6 E( /6 /63/6 4/65/6 6/6 3.5 Bilutleiefirma med 3 biler. X=atall biler utleid e tilfeldig dag. Av erfarig vet ma at: Bilutleie fortsettelse Ata at fortjeeste, g(, ved biler utleid er: Hva er firmaets forveta fortjeeste per dag? Dvs, hva er E[g(]? Defiisjo: Eksemplet: 0 3 P( 0.5 0.30 0.35 0.0 0 3 g( -700 00 900 700 E[ g ( X ] g( P( 0 3 P( 0.5 0.30 0.35 0.0 Forveta fortjeeste = gj.s. fortjeeste per dag i det lage løp

Varias Varias er et yttig mål som sier oe om hvor mye verdie til e tilfeldig variabel vil variere fra forsøk til forsøk. Varias= mål på spredig omkrig forvetigsverdie Defiisjoer: Variase til de diskrete tilfeldige variabele X er: Alterativ formel som gir eklere regig (se forklarig i boka: Stadardavviket til de diskrete tilfeldige variabele X er: SD( X Var ( X Var ( X E[( X E( X ] ( E( X P( Var( X E( X E( X P( E( X Merk: Var(0 og SD(0 alltid! Varias/stadardavvik er mål på spredig i e sasylighetsfordelig. Utvalgsvarias/utvalgsstadardavvik (kap. er mål på spredig i et datasett. I økoomi vil varias være et mål på risiko (mer om dette seere Dersom vi registrerer mage X-verdier fra e symmetrisk sasylighetsfordelig sier e grov tommelfigerregel at: Ca 68% av verdiee vil ligge i E( SD(, Ca 95% av verdiee vil ligge i E( SD(, Neste alle verdiee vil ligge i E( 3SD(, E( SD( E( SD( E( 3SD(

Terigkast X=resultat av terigkast Var( 3 4 5 6 P( /6 /6 /6 /6 /6 /6 P( E( 6.9 3 6 4 6 5 6 3.5 6 6 6 To ivesterigsprosjekter vurderes. La X=avkastig ved prosjekt og Y=avkastig ved prosjekt. Følgede overslag er gjort: Prosjekt : Gir: E(=30 og Var(=600 Prosjekt : -00-00 0 00 00 P( 0. 0. 0. 0.3 0. y -00-00 0 00 00 P(y 0.5 0.5 0. 0.5 0.5 Gir: E(Y=30 og Var(Y=900 Dvs: - Lik forveta avkastig, E(=E(Y. - Prosjekt har høyest risiko, Var(Y>Var(, dvs større sasylighet for stort tap/stor gevist ved prosjekt.

Regeregler for forvetig og varias La a og b være kostater (faste tall og X e stokastisk variabel. Da gjelder: E(a+ b = a+ be( Var(a+ b = b Var( Spesialtilfeller: b=0 gir: E(a=a og Var(a=0 a=0 gir: E(b = be( og Var(b =b Var( a=0 og b=- gir: Var(- = (- Var( = Var( (NB!! Byggeprosjekt Materialkostadee er a=800 og løsutgiftee per md er b=0. X=byggetid (md 4 5 6 7 8 P( 0.0 0.0 0.60 0.5 0.04 Dette gir at E(=6.0 og Var(=0.5499 Totalkostade blir: K = a+bx = 800+0X Fi E(K og Var(K.

Et firma selger el.artikler. Kjøpes i fra grossist i parti på 50 stk. To tilbud: Grossist A: 3500,- og grossist B: 3570,-. Noe defekte. Omkostiger: 35,- pr defekt ehet. X = atall defekte fra A, Y = atall defekte fra B; Har at: 0 3 4 P( 0. 0. 0.3 0.3 0. y 0 P(y 0.4 0.4 0. Hvor løer det seg for firmaet å kjøpe artiklee? Lieærkombiasjoer av flere variable Regereglee for forvetig og varias ka geeraliseres til flere variable. For eksempel, dersom a, b og c er kostater og X og Y er to stokastiske variable har vi at: E(a+bX+cY = a+be(+ce(y Var(a+bX+cY = b Var(+c Var(Y (ved uavhegighet Regele for forvetigsverdi gjelder alltid, regele for varias ku dersom X og Y er uavhegige. Defiisjo: To stokastiske variable X og Y er uavhegige dersom P X Y y P(X P(Y y, for alle mulige kombiasjoer av X og Y. Betyr i praksis at iformasjo om verdie til de ee variabele ikke påvirker sasylighetsfordelige til de adre.

Regereglee ka geeraliseres videre til et vilkårlig atall variable X,.,X. La a,,a og b være kostater. Da er: E( a X Var( a X a Spesielt får vi: E( X Var( X X a X X b a E( X X b a E( X Var( X a Var( X E( X E( X a Var( X b Var( X (ved uavh. (ved uavh. Atall defekte varer i et parti på 50 fra e grossist hadde følgede sasylighetsfordelig: y 0 P(y 0.4 0.4 0. Vi kjøper to uavhegige parti fra dee grossiste. Hva er forvetet atall feil i de to partiee og hva er sasylighete for at vi får mer e to feilvarer? Ved avhegighet gjelder reglee for forvetigsverdi fremdeles, me for varias kommer et kovariasledd i i tillegg (kap. 6 ikke pesum. Disse reglee vil vi spesielt få bruk for i kap. 8.

Notasjo: Til slutt Ofte bruker ma symbolet for E( og symbolet for Var(, dvs bruker: = E( = Var( = SD( Oppsummerig Tilfeldige variable, diskrete og kotiuerlige. Sett på diskrete her. Sasylighetsfordelig: Forvetigsverdi: Varias: Var( E[( X.. P( 0 P( E ( X P ( E[ g ( X ] g ( P ( E( ] P( E( Stadardavvik: SD( X Var ( X E(a+ b = a+ be( Var(a+ b = b Var( E( X E( E( Var( X X Var( X Var( X (veduavh.