Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Kapittel 6Noen kontinuerlige sannsynlighetsfordelinger
TMA4245 V2007: Eirik Mo
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
2
6.1 Kontinuerlig uniform fordelingKontinuerlig uniform fordeling: Sannsynlighetstettheten til den
kontinuerlige uniforme stokastiske variabelen X påintervallet [A, B] er
f (x ; A, B) =1
B − A , A ≤ x ≤ B
= 0 ellers.f(x) F(x)
µ = E(X) =A + B
2og σ2 = Var(X) =
(B − A)212
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
3
6.2 Normalfordeling
Normalfordeling: Sannsynlighetstettheten til en normalfordeltstokastisk variabel, X , med forventning E(X ) = µ ogvarians Var(X ) = σ2, er gitt ved
n(x ;µ, σ) =1√
2 · πσe−
12
(x−µ)2
σ2 ,
for −∞ < x < ∞, der π=3.142 og e1 = 2.718.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
4
Høyde kvinner og menn
Fre
quen
cy
150 160 170 180 190 200 210
05
1015
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
5
Høyde kvinner og menn
hogde, menn
Den
sity
165 170 175 180 185 190 195
0.00
0.02
0.04
0.06
0.08
hogde, kvinnerD
ensi
ty
160 165 170 175 180 185
0.00
0.02
0.04
0.06
0.08
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
6
Normalfordelingen
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
7
Utvalg fra normalfordeling
Eksempel fra notat av Dimakos & Løland, Norsk Regnesentral
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
8
Historisk sett
— Matematisk form av normalfordlingen vist av deMoivre i 1733.
— Laplace brukte normalfordelingen til analyse av måleusikkerhet ieksperimenter rundt 1800.
— C.F. Gauss publikasjon 1809 matematisk behandling avmåleusikkerhet i eksperimenter.
— Navnet “normalfordeling” kom rundt 1875 (Peirce, Galton, Lexis)
— "No scientific discovery is named after its original discoverer."
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
Cartoon Guide to Statisticswww.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
10
Lokasjon og spredning
−4 −2 0 2 4
0.0
0.1
0.2
0.3
0.4
fx1
N(0,1)N(−1,1) N(1,1)
−4 −2 0 2 4
0.0
0.2
0.4
0.6
0.8
fx3
N(0,0.5)
N(0,1)
N(0,2)
−4 −2 0 2 4 6
0.0
0.1
0.2
0.3
0.4
fx1
N(−1,1)
N(1,2)
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
Eksempel fra notat av Dimakos & Løland, Norsk Regnesentral
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
12
IQ— Poengsummen fra en IQ-test antas ofte å være normalfordelt, og
flere av IQ-testene har en forventningsverdi på 100 og etstandardavvik på 16.
140 and over Genius or near genius120-140 Very superior intelligence110-120 Superior intelligence90-110 Normal or average intelligence80-90 Dullness70-80 Borderline deficiencyBelow 70 Definite feeble-mindedness
— Hva er sannsynligheten for å ha en IQ lavere enn 100?
— Hva er sannsynligheten for å ha en IQ mellom 80 og 120?
— For å bli med i Mensa må man oppnå en poengsum høyere enn 98percentilen i fordelingen for testen. Hvor høy poengsum må man hafor å blir medlem av Mensa?
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
13
Standard normalfordelingDFF 6.1: Fordelingen til en normalfordelt stokastisk variabel, Z , med
forventning E(Z ) = 0 og varians Var(Z ) = 1 kalles enstandard normalfordeling.
−3 −2 −1 0 1 2 3
0.0
0.1
0.2
0.3
0.4
−3 −2 −1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
fZ (z) =1√2 · π
e−1
2σ2z2 ,
for −∞ < z < ∞, der π=3.142 og e1 = 2.718.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
Cartoon Guide to Statistics
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
15
N(µ, σ) og N(0, 1)— X har fordeling n(x ;µ, σ)— Z = X−µσ har fordeling n(z; 0, 1)
P(x1 < X < x2) = P(x1 − µ
σ< Z <
x2 − µσ
)
= F (x2 − µ
σ)− F (x1 − µ
σ)
= Φ(x2 − µ
σ)− Φ(x1 − µ
σ)
−3 −2 −1 0 1 2 3
0.0
0.1
0.2
0.3
0.4
x
fx
−3 −2 −1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
x
Fx
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
16
Fra halesannsynlighet til verdi
— X er normalfordelt (µ, σ).
— Finn x slik at P(X ≤ x) = α.— Gitt α finner vi i tabell for standard normalfordling verdien z som
oppfyller P(Z ≤ z) = α.— Sammenheng mellom Z og X : Z = X−µ
σog dermed X = µ + σ · Z .
— Verdi for X finner vi fra x = µ + σ · z.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
17
Chebyshevs teorem ognormalfordelingen
— Chebyshevs teorem:P(µ− kσ < X < µ + kσ) ≥ 1− 1k2— Nøyaktig for normalfordelingen:
• k=1: P(µ− σ < X < µ + σ) = 0.683 mot Chebyshev ≥ 0.• k=2: P(µ− 2σ < X < µ + 2σ) = 0.954 mot Chebyshev ≥ 0.75• k=3: P(µ− 3σ < X < µ + 3σ) = 0.997 mot Chebyshev ≥ 0.89
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
18
6.5 Normalapproksimasjon tilbinomisk fordeling
TEO 6.2 Hvis X er en binomisk stokastisk variabel medforventning µ = np og varians σ2 = np(1− p), så vilden stokastiske variabelen
Z =X − µ
σ=
X − np√
np(1− p)
når n →∞ være tilnærmet standard normalfordelt,n(z; 0, 1).
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
19
6.5 Normalapproksimasjon tilbinomisk fordeling
−0.5 0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
n= 2 , p= 0.1
0 1 2 3 4
0.0
0.1
0.2
0.3
0.4
n= 10 , p= 0.1
0 2 4 6 8 10 12 14
0.00
0.05
0.10
0.15
n= 50 , p= 0.1
0 1 2 3 4
0.0
0.1
0.2
0.3
0.4
0.5
n= 2 , p= 0.5
0 2 4 6 8 10
0.00
0.05
0.10
0.15
0.20
0.25
n= 10 , p= 0.5
0 10 20 30 40
0.00
0.02
0.04
0.06
0.08
0.10
n= 50 , p= 0.5
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
20
Regneeksempel fra Cartoon Guide— Binomisk med n = 25, p = 0.5.
— Hva er P(X ≤ 14)?
0 5 10 15 20 25
0.00
0.05
0.10
0.15
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
21
Approksimasjon
Figur fra Cartoon Guide to Statistics.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
22
Kontinuitetskorreksjon
Figur fra Cartoon Guide to Statistics.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
23
Togforsinkelsen, forts.— La X (minutter) betegne togets forsinkelse på en tilfeldig valgt
hverdag. Vi antar at X er en stokastisk variabel medsannsynlighetstetthet
g(x) ={
4xe−2x for x > 00 for x ≤ 0
— Har tidligere regnet ut at P(X > 2) = 0.09.
— La V være antall ganger i løpet av en måned (= 22 hverdager) attoget er mer enn 2 minutter forsinket. Foreslå ensannsynlighetsfordeling for V og sett opp de forutsetninger somligger til grunn for denne.
— Hva er sannsynligheten for at toget er mer enn 2 minutter forsinketminst 2 ganger i løpet av en måned (= 22 hverdager)?
— Hva er (tilnærmet) sannsynligheten for at toget er mer enn 2 minutterforsinket mer enn 30 ganger i løpet av 220 hverdager?
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
24
Eksempel: Trafikk-kontroll, mobilbrukPolitiet vil aksjonere mot ulovlig mobilbruk i bil, og gjennomfører kontrollved Lerkendal-rundkjøringen.
— Antar at antall bilførere som blir bøtelagt i løpet av t timer erPoisson-fordelt med intensitet λ = 5, dvs. med forventningλ · t = 5 · t.
1. Antall hendelser i disjunkte tidsintervall er uavhengige.2. Sannsynligheten for at en enkelt hendelse inntreffer innenfor et
kort tidsintervall av lengde ∆t er tilnærmet λ∆t.3. Sannsynligheten for at mer enn en hendelse skal inntreffe
innenfor et kort tidsintervall av lengde ∆t er neglisjerbar.
— Y=antall hendelser i intervallet [0, t], er Poisson-fordelt
p(y ; λt) =e−λt (λt)y
y !y = 0, 1, 2, ...
hvor λ er gjennomsnittlig antall hendelser per enhet (intervall ellerregion).
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
25
Trafikk-kontroll (forts.)
— La X være tid fra kontrollen starter til første bilfører blirbøtelagt.
— X=tid til første hendelse, er eksponensialfordelt medforventning E(X ) = 1λ .
— Tid mellom to påfølgende hendelser har samme fordeling somtid til første hendelse.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
26
Eksponensial fordelingen
DEF: En kontinuerlig stokastisk variabel X har eneksponentialfordeling med parameter β, hvissannsynlighetstettheten er gitt ved
f (x ;β) ={ 1
β e−x/β, x > 0
0 ellers.
hvor β > 0.
TEO 6.3, COR 1: Forventing og varians i ekponentialfordelingen er
µ = E(X ) = β σ2 = Var(X ) = β2
Annen parameterisering: λ = 1β brukes også.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
27
Eksponensial fordelingen, f (x)
f (x ;β) for β = 1, 2, 3, 4, 5 (eller λ = 1,12,
13,
14,15
)
0 2 4 6 8 10
0.0
0.2
0.4
0.6
0.8
1.0
x
f(x)
beta=1
beta=2
beta=3
beta=4beta=5
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
28
Eksempel: Trafikk-kontroll (forts.)
1. Hva er forventet tid til første bøtelegging?
2. Hvor sannsynlig er det at første bot blir skrevet ut før det er gått 20min?
3. Hva er sannynligheten for at det tar mer enn 3 timer til første botskrives ut?
4. Dersom ingen er bøtelagt etter 20 min., hva er sannsynligheten for atden første bot ikke blir skrevet ut i løpet av de neste 20 min.?
5. Hva er sannsynligheten for at det tar mer enn en time før 2 bøter erskrevet ut?
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
29
Ingen hukommelse
— En lyspære har levetid X , som er eksponentialfordelt medparameter β.
f (x ;β) ={ 1
β e−x/β, x > 0
0 ellers.
— Vi vet at lyspæra har virket i s timer, hva er da sannsynlighetenfor at den virker t timer til?
Har atP(X > s + t | X > s) = P(X > s + t − s) = 1− F (t), derF (t) = P(X ≤ t) er kumulativ fordeling for X , innsatt t .
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
30
Eksempel: Trafikk-kontroll, mobilbruk
Løsning: X er eksponensialfordelt med parameter β = 1/λ = 15 .
1. E(X ) = β = 1/λ = 1/5 t = 12 min.
2. P(X ≤ 13
) = F (13
) = 1− e−1β
13 = 1− e−5/3 = 1− 0.19 = 0.81
3. P(X > 3) = 1− P(X ≤ 3) = 1− (1− e−3/β) = e−3·5 =0.0000003
4. P(X >23| X > 1
3) = P(X >
23− 1
3) = P(X >
13) = 1− P(X ≤
13
) = 1− 0.81 = 0.19
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
31
Tid til nte hendelse
— Trafikk-kontroll:Hva er sannsynligheten for at det tar mer enn en timefør 2 bøter er skrevet ut?
— Lyspærer: Jeg kjøper en pakke med 10 lyspærer til stekeovnen min.Hvor lang tid holder de?
— SMS til basestasjon: Hvor lang til går det til basestasjonen harmottatt 100 SMS?
— Trafikk-kontroll: Foto-boks står montert i tunnel. Den kan ta 36 bilder(?). Hvor langt tid tar det før veivesenet bør skifte film?
— Promillekontroll: Hvor lenge må politiet stå på post før de har fått 5personer som har blåst rødt?
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
32
Gamma-fordelingen
DEF: En kontinuerlig stokastisk variabel X følger engammafordeling med parametere α og β, hvissannsynlighetstettheten er gitt ved
f (x ;α, β) =
{
1βαΓ(α)x
α−1e−x/β , x > 00 ellers.
hvor α > 0 og β > 0.
Parametere: α er formparameter, β er skalaparameter.
Eksponensial: er Gamma med α = 1.
Erlang: er Gamma med α heltall.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
33
Gamma fordelingen (forts.)
DEF 6.2: Gammafunksjonen er definert som
Γ(α) =
∫
∞
0xα−1e−xdx
for α > 0.— Γ(1) = 1.— For α positivt naturlig tall:
Γ(α) = (α− 1) · (α− 2) · · · (α− n) · Γ(α − n).— For α positivt heltall: Γ(α) = (α− 1)!
TEO 6.3: Forventing og varians i gammafordelingen:
µ = E(X ) = αβ σ2 = Var(X ) = αβ2
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
34
Gammafordelingen, f (x)α=1 α=10
β = 1
0 2 4 6 8
0.0
0.2
0.4
0.6
0.8
1.0
Eksponensial beta= 1
x
fx
0 5 10 15 20 25
0.00
0.02
0.04
0.06
0.08
0.10
0.12
f(gamma) alpha= 10 beta= 1
x
fx
β = 4
0 10 20 30
0.00
0.05
0.10
0.15
0.20
0.25
f(gamma) alpha= 1 beta= 4
x
fx
0 20 40 60 80 100
0.00
00.
005
0.01
00.
015
0.02
00.
025
0.03
0
f(gamma) alpha= 10 beta= 4
x
fx
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
35
Trafikk-kontroll, mobilbruk (forts.)Hva er sannsynligheten for at det tar mer enn en time før 2 bøter erskrevet ut?
— La X være antall timar til andre bøtelegging.X er Gammafordelt med α = 2, β = 1
λ= 15 .
P(X > 1) = 1− P(X ≤ 1)
P(X ≤ 1) =∫ 1
0
1(
15
)2
Γ(2)
x1e−5x dx
= 25∫ 1
0xe−5xdx = delvis integrasjon. . . = 0.96
⇒ P(X > 1) = 1− P(X ≤ 1) = 1− 0.96 = 0.04
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
36
6.8 Kjikvadrat fordelingen
(mer fullstendig sammen med statistisk inferens)
DEF En kontinuerlig stokastisk variabel X er kji-kvadratfordelt parameter ν (kalt frihetgrader), hvissannsynlighetstettheten er gitt ved
f (x ; ν) =
{
12ν/2Γ(ν/2)
xν/2−1e−x/2, x > 0
0 ellers.
hvor ν er et positivt heltall.
Kji-kvadrat vs. gamma: Kji-kvadrat er gamma med α = ν/2 ogβ = 2.
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
37
Kjikvadrat fordelingen (forts.)Forventing og varians i kji-kvadrat fordelingen er
µ = E(X ) = ν σ2 = Var(X ) = 2 · ν
0 5 10 15 20
0.00
0.05
0.10
0.15
0.20
0.25
0.30
Kjikvadrat 1,5,10,20
0
0
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007
38
6.10 Weibull fordelingen(Ikke pensum, men mye brukt!)
DEF: En kontinuerlig stokastisk variabel X er Weibull-fordelt,med parametere α og β, med sannsynlighetstetthet gitt ved
f (x) ={
αβxβ−1e−αxβ
, x > 00 ellers.
der α > 0 og β > 0.
Eksponensial: spesialtilfelle for β = 1
0.0 0.5 1.0 1.5 2.0
0.0
0.2
0.4
0.6
0.8
1.0
1.2
x
fx1
www.ntnu.no [email protected] (utarbeidet av Mette Langaas), TMA4245 V2007