Repetition Betingat v.v. Kovarians Stora talens lag Gauss
Matematisk statistik 9 hp
F¨orel¨asning 6: Linj¨arkombinationer
Anna Lindgren
27+28 september 2016
Summa av tv˚a oberoende, Z = X + Y
p Z (k) = X
i+j=k
p X (i) · p Y (j) =
k
X
i=0
p X (i) · p Y (k − i)
f Z (z) = d
dz
Z Z
x+y≤z
f X (x) · f Y (y) dx dy
Rita!
Maximum/Minimum av fler oberoende
Z = max(X 1 , . . . , X n ) F Z (z) =
n
Y
i=1
F X
i(z)
Z = min(X 1 , . . . , X n ) F Z (z) = 1 −
n
Y
i=1
[1 − F X
i(z)]
Repetition Betingat v.v. Kovarians Stora talens lag Gauss sum/max/min V.v./var
V¨antev¨arde
V¨antev¨ardet anger tyngdpunkten f¨or f¨ordelningen
E(X) =
(R ∞
−∞ x · f X (x) dx Kont.
P
k k · p X (k) Diskr.
Varians
Variansen anger hur utspridd X ¨ar kring sitt v¨antev¨arde.
V(X) = E
h
X − E(X) i 2
= E(X 2 ) − E(X) 2 ≥ 0
Standardavvikelse, D(X), σ, σ X
D(X) = pV(X)
Betingat v¨antev¨arde
Det betingade v¨antev¨ardet f¨or X givet att Y = y blir (inget nytt)
E(X | Y = y) =
(R ∞
−∞ x · f X|Y=y (x) dx kont.
P
k k · p X|Y=y (k) diskr.
Satsen om total sannolikhet f¨or v¨antev¨arden
E(E(X | Y)) = E(X), dvs
E(X) =
Z ∞
−∞
E(X | Y = y) · f Y (y) dy
X
k
E(X | Y = k) · p Y (k)
Repetition Betingat v.v. Kovarians Stora talens lag Gauss
Ex (forts): Om f X,Y (x, y) = e −y , 0 ≤ x ≤ y
Vi hade tidigare att
f X|Y=y (x) = 1
y , 0 ≤ x ≤ y dvs X | Y = y ∈ R(0, y)
f Y|X=x (y) = e −(y−x) , y ≥ x dvs Y | X = x ∈ 00 x + Exp(1) 00
f X (x) = e −x , x ≥ 0 dvs X ∈ Exp(1)
f Y (y) = ye −y , y ≥ 0 dvs X ∈ Γ (2, 1)
I Vad blir E(X | Y = y) och E(Y | X = x)?
I Vad blir E(X) och E(Y)?
Beroendem˚att
Kovarians
Kovarians, C(X, Y)
C(X, Y) = E{[X − E(X)][Y − E(Y)]} = E(XY) − E(X) · E(Y)
I Kovariansen anger hur mycket linj¨art beroende som finns mellan X
och Y .
I Ur definitionen f˚as C(X, X) = V(X)
I X och Y oberoende ⇒ C(X, Y) = 0 dvs X och Y ¨ar okorrelerade.
I Obs. C(X, Y) = 0 6⇒ X och Y oberoende
Korrellationskoefficient, ρ, ρ X,Y
ρ X,Y = C(X, Y)
D(X)D(Y)
I − 1 ≤ ρ X,Y ≤ 1
Repetition Betingat v.v. Kovarians Stora talens lag Gauss Linj¨arkombination Oberoende Exempel
Korrellation
Repetition Betingat v.v. Kovarians Stora talens lag Gauss Linj¨arkombination Oberoende Exempel
Linj¨arkombination
I E(aX + b) = aE(X) + b
I V(aX + b) = a 2 V(X)
I D(aX + b) = |a|D(X)
Allm¨ant
I E
n
X
i=1
a i X i
!
=
n
X
i=1
a i E(X i )
I V
n
X
i=1
a i X i
!
=
n
X
i=1
a 2 i V(X i ) + 2 X
i<j
a i a j C(X i , X j )
| {z }
=0 om okorrelerade
Kovariansen ¨ar bilinj¨ar
dvs linj¨ar i b˚ada argumenten (jfr polynommultiplikation)
C
X
j
a j X j , X
k
b k Y k
= X
j
X
k
a j b k C(X j , Y k )
Exempel:
1. Ber¨akna E(X 1 + 2X 2 ) och E(3Y 1 − 4Y 2 )
2. Ber¨akna V(X 1 + 2X 2 ) och V(3Y 1 − 4Y 2 )
3. Ber¨akna C(X 1 + 2X 2 , 3Y 1 − 4Y 2 )
Repetition Betingat v.v. Kovarians Stora talens lag Gauss Linj¨arkombination Oberoende Exempel
Specialfall av oberoende och likaf¨ordelade s.v.
L˚at E(X i ) = μ, V(X i ) = σ 2
Summa: Y = P n
i=1 X i
I E(Y) = E
n
X
i=1
X
i!
=
n
X
i=1
E(X
i) =
n
X
i=1
μ = nμ
I V(Y) = V
n
X
i=1
X
i!
=
n
X
i=1
1
2V(X
i) =
n
X
i=1
σ
2= nσ
2Medelv¨arde: X ¯ n = 1
n
n
X
i=1
X i
I E( ¯ X
n) = 1
n
n
X
i=1
E(X
i) = 1
n
n
X
i=1
μ = 1
n · nμ = μ
I V( ¯ X
n) = 1
n
2n
X V(X
i) = 1
n
2n
X
σ
2= 1
n
2· nσ
2= σ
2n
Exempel: Br¨ador
Kapa br¨ador med oberoende l¨angder X i . E(X i ) = 1 m och
V(X i ) = 0.1 m 2 . Best¨am E(Y) och V(Y) om Y ges av
a) Sammanlagda l¨angden av 10 stycken.
b) Tag en br¨ada, kapa nio till exakt lika l˚anga.
Repetition Betingat v.v. Kovarians Stora talens lag Gauss
Tio oberoende realiseringar f¨or succesiva medelv¨arden av
standard exponential f¨ordelning
Vi har h¨ar E(X) = 1.
0.5 1 1.5 2 2.5 3 3.5 4
Succesiva medelvärden standard exponentialfördelning
Stora talens lag
Om X 1 , X 2 , . . . , X n ¨ar oberoende och likaf¨ordelade med E(X i ) = μ s˚a
g¨aller
P(| ¯ X n − μ| > ε) → 0, n → ∞
f¨or alla ε > 0.
Det vill s¨aga medelv¨ardet konvergerar i sannolikhet mot v¨antev¨ardet d˚a
n v¨axer mot o¨andligheten!
Vi har till och med att:
P n
n→∞ lim
X ¯ n existerar och ¨ar lika med μ o
= 1
Repetition Betingat v.v. Kovarians Stora talens lag Gauss Exempel n variabler Exempel
Linj¨arisering av g(x) kring punkten μ = E(X)
← g(x)
g(x) ≈ g(µ) + g’(µ)(x−µ) →
g(µ)
µ
Gauss approximationsformler i en variabel
Y = g(X). Taylorutveckla funktionen g kring μ = E(X)
g(X) ≈ g(μ) + (X − μ) · g 0 (μ) =⇒
I E(Y) ≈ g(E(X))
I V(Y) ≈ (g 0 [E(X)]) 2 · V(X)
Repetition Betingat v.v. Kovarians Stora talens lag Gauss Exempel n variabler Exempel
Exempel
L˚at E(X) = μ och V(X) = σ 2 .
a) Best¨am approximativt v¨antev¨arde och varians f¨or
Y = g(X) = πX 2 .
b) Best¨am v¨antev¨ardet f¨or Y utan approximation.
Vi ser att approximationen av v¨antev¨ardet alltid ¨ar f¨or liten men
st¨ammer bra om σ ¨ar liten i f¨orh˚allande till μ.
Gauss approximationsformler i n variabler
F¨or en funktion av n variabler f˚as p˚a samma s¨att
Y = g(X 1 , . . . , X n )
E(Y) ≈ g(E(X 1 ), . . . , E(X n ))
V(Y) ≈
n
X
i=1
c 2 i V(X i ) + 2 X
i<j
c i c j C(X i , X j )
d¨ar c i = ∂g
∂x i
(E(X 1 ), . . . , E(X n ))
Repetition Betingat v.v. Kovarians Stora talens lag Gauss Exempel n variabler Exempel