Introduktion Sannolikhetsteori Beroende
Matematisk statistik 9 hp f¨or I, Pi, C, D och fysiker
F¨orel¨asning 1: Introduktion och Sannolikhet
Anna Lindgren
30+31 augusti 2016
Introduktion Sannolikhetsteori Beroende Praktiska detaljer Till¨ampningar
Praktiska detaljer
I Kr¨aver 12 hp inom Endim och/eller Flerdim och/eller Linalg.
Vi inv¨antar augustitentorna innan vi kastar ut er fr˚an kursen.
I 1 f¨orel¨asning i veckan, men 2 i lp1:2+5 och lp2:3+7.
En f¨orel¨asningsserie f¨or I+Pi, en f¨or C+D. ¨Ovriga f˚ar v¨alja grupp.
I 1 r¨akne¨ovning i veckan
I 4 obligatoriska dator¨ovningar (lp1:4+7 och lp2:4+6).
I 1 obligatoriskt f¨ardighetsprov deadline 14/10 kl 24.00.
I skriftlig tentamen 12 januari.
I Kurshemsida:
www.maths.lu.se/kurshemsida/fms012masb03
I F¨orel¨asare: Anna Lindgren, MH:136, anna@maths.lth.se
Introduktion Sannolikhetsteori Beroende Praktiska detaljer Till¨ampningar
Matematisk statistik – slumpens matematik
Sannolikhetsteori: Hur beskriver man slumpen?
Statistikteori: Vilka slutsatser kan man dra av ett datamaterial?
Introduktion Sannolikhetsteori Beroende Praktiska detaljer Till¨ampningar
Slumpm¨assig Variation
I Inom population
I M¨atos¨akerhet
Introduktion Sannolikhetsteori Beroende Praktiska detaljer Till¨ampningar
Vad kan vi veta om slumpm¨assig variation?
Inte exakt vad som ska h¨anda, men hur ofta olika saker h¨ander.
Vad vi kan s¨aga ¨ar hur sannolika olika h¨andelser ¨ar.
Introduktion Sannolikhetsteori Beroende Praktiska detaljer Till¨ampningar
Till¨ampningar f¨or matematisk statistik
I Milj¨o
I Ozonlagret bild
I V˚agh¨ojd bild
I Ekonomi
I Aktiedata bild
I F¨ors¨akringar bild
I Signalbehandling
I EEG/EKG bild
I Hitta spr¨ang¨amnen bild
I Hitta narkotika bild
Introduktion Sannolikhetsteori Beroende Praktiska detaljer Till¨ampningar
Till¨ampningar f¨or matematisk statistik (forts)
I Mobil kommunikation
I Elmarknad
I F¨ors¨akringar
I Spel/Lotterier
I Biologi
I Geologi
I osv
Introduktion Sannolikhetsteori Beroende Venn Ex Kolmogorov Frekvens
Grundl¨aggande sannolikhetsteori
Grundl¨aggande begrepp
I Utfall – resultatet av ett slumpm¨assigt f¨ors¨ok.
Bet. ω1, ω2, . . .
I H¨andelse – en samling av ett eller flera utfall.
Bet. A, B, . . .
I Utfallsrum – m¨angden av m¨ojliga utfall. Bet Ω
Introduktion Sannolikhetsteori Beroende Venn Ex Kolmogorov Frekvens
Exempel: T¨arningskast
Ex. Kasta en t¨arning.
I Utfallsrum Ω = {1:a, 2:a, 3:a, 4:a, 5:a, 6:a}
I En h¨andelse A : ”Minst 4:a” = {4:a, 5:a, 6:a}
I B : ”H¨ogst 5:a” = {1:a, 2:a, 3:a, 4:a, 5:a}
I C : ”3:a” = {3:a}
Ex. Kasta tv˚a t¨arningar.
Ej uppenbart hur man skall v¨alja utfallsrum. T.ex.
I Ω = {(1, 1), (1, 2), . . . , (6, 6)}. Totalt 36 utfall.
I Om man bara ¨ar intresserad av summan:
Ω = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. 11 utfall.
Introduktion Sannolikhetsteori Beroende Venn Ex Kolmogorov Frekvens
H¨andelser Venn-diag. M¨angdl¨ara
Utfallsrummet Ω Grundm¨angden
H¨andelsen A;
A intr¨affar Delm¨angden A
Komplementh¨andelsen.
A∗till A; A intr¨affar ej Komplementet {A till A Unionh¨andelsen A ∪ B;
A eller B eller b˚ada intr¨affar Unionen A ∪ B Snitth¨andelsen A ∩ B = AB;
b˚ade A och B intr¨affar Snittet A ∩ B
A och B of¨orenliga hndlser;
kan ej intr¨affa samtidigt A och B disjunkta
Introduktion Sannolikhetsteori Beroende Venn Ex Kolmogorov Frekvens
Exempel (kasta en t¨arning rep, forts)
I A : ”Minst 4:a” = {4:a, 5:a, 6:a}
I B : ”H¨ogst 5:a” = {1:a, 2:a, 3:a, 4:a, 5:a}
I C : ”3:a” = {3:a}
N˚agra exempel p˚a snitt och union
I A ∩ B = {4:a, 5:a}
I A ∪ B = Ω
I B ∩ C = C = {3:a}
I A ∩ C = {} = ∅. Kan inte intr¨affa, eftersom A och C ¨ar of¨orenliga.
Introduktion Sannolikhetsteori Beroende Venn Ex Kolmogorov Frekvens
Sannolikhet
Sannolikheten att en h¨andelse A skall intr¨affa bet. P(A) En sannolikhet m˚aste uppfylla f¨oljande,
Kolmogorovs axiomsystem:
•0 ≤ P(A) ≤ 1 En sannolikhet ¨ar ett tal mellan 0 och 1
• P(Ω) = 1 Sannolikheten attn˚agot skall h¨anda ¨ar 1
• P(A ∪ B) = P(A) + P(B) Om och endast om A och B ¨ar of¨orenliga H¨arur f¨oljer ¨aven t.ex.
Komplementsatsen P(A∗) =1 − P(A).
Om det ¨ar slh 1/100 att vinna p˚a ett lotteri ¨ar slh 99/100 attinte vinna.
Additionssatsen P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Introduktion Sannolikhetsteori Beroende Venn Ex Kolmogorov Frekvens
Frekvenstolkning av sannolikhet
Upprepa ett slumpm¨assigt f¨ors¨ok n g˚anger Antal ggr A intr¨affar
n → P(A), n → ∞
Ex Kasta tre t¨arningar 100 000 ggr och r¨akna ut relativa frekvensen treor i varje kast f¨or var och en av t¨arningarna
0.2 0.4 0.6 0.8 1
Relativa frekvensen av antal treor
Relativ frekvens 1/6?
Introduktion Sannolikhetsteori Beroende Venn Ex Kolmogorov Frekvens
Den klassiska sannolikhetsdefinitionen
Om ett f¨ors¨ok kan utfalla p˚a m m¨ojliga s¨att som alla ¨ar lika sannolika (har vi enlikformig sannolikhetsf¨ordelning) och en h¨andelse A intr¨affar vid g st av dessa g¨aller
P(A) = g m
Ex Dra ett kort ur en kortlek. Vad ¨ar sannolikheten att det ¨ar ett hj¨arter?
Lsg Det finns m = 52 kort varav g = 13 ¨ar hj¨arter s˚a P(♥) = 13/52 = 1/4
Ex Dra tv˚a. Vad ¨ar sannolikheten att b˚ada ¨ar hj¨arter?
Lsg Med lite kombinatorik blir det lite mer komplicerat P(b˚ada ♥) = Antal s¨att att v¨alja tv˚a♥
Antal s¨att att v¨alja tv˚a kort =
13 2
52 = 78 1326 = 1
17
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera h¨andelser
Betingad sannolikhet
Ex. F¨or en t¨arning har vi P(Etta) = 1/6, men om vi vet att utfallet ¨ar udda f˚ar vi P(Etta om udda utfall) = 1/3.
Def. Den betingade sannolikheten att A skall intr¨affa om vi vet att B intr¨affat betecknas P(A | B) och definieras som
P(A | B) = P(A ∩ B) P(B)
Ur detta (och P(B | A)) f˚ar vi tv˚a r¨akneregler f¨or P(A ∩ B) P(A ∩ B) = P(A | B) · P(B) = P(B | A) · P(A) Ex (igen) Dra tv˚a kort.
Vad ¨ar sannolikheten att b˚ada ¨ar hj¨arter?
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera h¨andelser
Betingad risk
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera h¨andelser
Satsen om total sannolikhet
Om vi har n st h¨andelser H1, . . . ,Hnsom ¨ar
I Parvis of¨orenliga, dvs Hi∩ Hj = ∅, i 6= j
I Tillsammans t¨acker utfallsrummet, dvs
n
[
i=1
Hi = Ω g¨aller f¨or varje h¨andelse A
P(A) =
n
X
i=1
P(A | Hi) ·P(Hi)
samt”Konsten att v¨anda en betingad sannolikhet” eller Bayes sats P(Hi | A) = P(Hi∩ A)
P(A) = P(A | Hi) ·P(Hi) P(A)
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera h¨andelser
Oberoende h¨andelser
Om det visar sig att P(A | B) = P(A), p˚averkas inte A av att B intr¨affat eller ej, de ¨ar oberoende. Detta kan med definitionen av betingad sannolikhet skrivas om som P(A ∩ B) = P(A) · P(B).
Def. H¨andelserna A och B ¨aroberoende av varandra
⇐⇒
P(A ∩ B) = P(A) · P(B) Obs. Skilj mellanoberoende och of¨orenliga.
Kan tv˚a oberoende h¨andelser vara of¨orenliga?
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera h¨andelser
Exempel: Oberoende
Kasta tv˚a t¨arningar och l˚at
A = F¨orsta t¨arningen visar sexa B = Summan ¨ar sju
C = Summan ¨ar ˚atta
Vilka av h¨andelserna A, B och C ¨ar oberoende av varandra?
2 3 4 5 6
Tärning 2
A B C
Introduktion Sannolikhetsteori Beroende Bayes Oberoende Flera h¨andelser
Alla, ingen och n˚agon
Om vi har n stoberoende h¨andelser A1, . . . ,An kan vi r¨akna ut sannolikheten att
I alla intr¨affar
P(A1∩ · · · ∩ An) =P(A1) · . . . ·P(An)
I ingen intr¨affar, dvs alla l˚ater bli att intr¨affa
P(A∗1∩ · · · ∩ A∗n) =P(A∗1) · . . . ·P(A∗n) =
= [1 − P(A1)] · . . . · [1 − P(An)]
I n˚agon intr¨affar, dvs minst en, eller ”inte ingen”
P(A1∪ · · · ∪ An) =1 − P(A∗1∩ · · · ∩ A∗n) =
Introduktion Sannolikhetsteori Beroende
Ozon i Dobson enheter
Tillbaka
Introduktion Sannolikhetsteori Beroende
V˚agh¨ojd
Tillbaka
Introduktion Sannolikhetsteori Beroende
OMXS30 aktieindex
Tillbaka
400 600 800 1000 1200 1400
OMXS30
Introduktion Sannolikhetsteori Beroende
Kostnad stormskador
Tillbaka
Introduktion Sannolikhetsteori Beroende
EKG och R-R variation
Tillbaka
Introduktion Sannolikhetsteori Beroende
Detektion av spr¨ang¨amne
Tillbaka
Introduktion Sannolikhetsteori Beroende
NQR signal meta-amfetamin
Tillbaka