Upload
others
View
14
Download
0
Embed Size (px)
Citation preview
SAMMANFATTNING TAMS79
Matematisk statistik, grundkurs
LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, HT 2015
Version: 1.0 Senast reviderad: 2016-02-01 Författare: Viktor Cheng
Sida 2 av 16
Innehållsförteckning
Grundläggande sannolikhetsteori ................................................................................................................... 4
Mängdlära ....................................................................................................................................................... 4
De Morgans lagar ............................................................................................................................................ 4
Kolmogorovs axiom........................................................................................................................................ 4
Regler.............................................................................................................................................................. 5
Klassisk sannolikhet ........................................................................................................................................ 5
Kombinatorik.................................................................................................................................................. 5
Betingad sannolikhet ....................................................................................................................................... 6
Regler.............................................................................................................................................................. 6
Lagen om total sannolikhet ............................................................................................................................. 6
Bayes sats ........................................................................................................................................................ 6
Oberoende händelser ...................................................................................................................................... 6
Diskreta stokastiska variabler (slumpvariabler)............................................................................................. 7
Sannolikhetsfunktion....................................................................................................................................... 7
Fördelningsfunktion ........................................................................................................................................ 7
Väntevärde och varians ................................................................................................................................... 8
Diskreta fördelningar ....................................................................................................................................... 8
Kontinuerliga stokastiska variabler (slumpvariabler) .................................................................................... 9
Täthetsfunktion............................................................................................................................................... 9
Fördelningsfunktion ........................................................................................................................................ 9
Väntevärde och varians ................................................................................................................................. 10
Kontinuerliga fördelningar............................................................................................................................. 10
Standardiserad normalfördelning ................................................................................................................... 10
Regler för normalfördelning .......................................................................................................................... 10
Diskreta tvådimensionella stokastiska variabler (𝜲,𝒀) ................................................................................11
Simultan sannolikhetsfunktion ...................................................................................................................... 11
Fördelningsfunktion ...................................................................................................................................... 11
Marginella sannolikhetsfunktioner ................................................................................................................. 11
Marginella fördelningsfunktioner................................................................................................................... 11
Oberoende s.v. .................................................................................................................................................11
Kontinuerliga tvådimensionella stokastiska variabler (𝜲,𝒀) ...................................................................... 12
Simultan täthetsfunktion ............................................................................................................................... 12
Fördelningsfunktion ...................................................................................................................................... 12
Marginella täthetsfunktioner .......................................................................................................................... 12
Marginella fördelningsfunktioner................................................................................................................... 12
Oberoende s.v. ................................................................................................................................................ 12
Sida 3 av 16
Tvådimensionella stokastiska variabler (𝜲,𝒀) ............................................................................................. 13
Väntevärde .................................................................................................................................................... 13
Varians .......................................................................................................................................................... 13
Kovarians...................................................................................................................................................... 13
Korrelation.................................................................................................................................................... 13
Simultana fördelningar av oberoende s.v. (𝜲,𝒀) .......................................................................................... 14
Betingade fördelningar .................................................................................................................................. 14
Betingad sannolikhetsfunktion för diskreta s.v............................................................................................... 14
Betingad täthetsfunktion för kontinuerliga s.v. .............................................................................................. 14
Betingat väntevärde ....................................................................................................................................... 14
Användbara olikheter ..................................................................................................................................... 14
Summor av oberoende stokastiska variabler ................................................................................................ 15
Egenskaper hos normalfördelade stokastiska variabler .............................................................................. 15
Stora talens lag ................................................................................................................................................ 15
Centrala gränsvärdessatsen (CGS) ................................................................................................................ 16
Sida 4 av 16
Grundläggande sannolikhetsteori
Definition Beteckning Betydelse Exempel
Utfall Resultatet av ett slumpmässigt försök ”krona”
Händelse 𝐴,𝐵,𝐶,… Samling av utfall 𝐴 = "högst 1 krona"
Utfallsrum Ω Mängden av möjliga utfall Ω = krona,klave
Mängdlära
Definition Beteckning Betydelse Övrigt
Komplement 𝐴∗ A inträffar inte
𝐴∗ ∗ = 𝐴
Union 𝐴 ∪𝐵 A eller B eller
båda
𝐴 ∪ 𝐴∗ = Ω
Snitt 𝐴 ∩𝐵 A och B
𝐴 ∩ 𝐴∗ = ∅
Disjunktion 𝐴 ∩ 𝐵 = ∅ A och B kan inte inträffa samtidigt
Kallas också parvis oförenliga
De Morgans lagar
𝐴 ∩ 𝐵 ∪ 𝐶 = 𝐴 ∩ 𝐵 ∪ 𝐴∩ 𝐶 𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪… ∪𝐴𝑛 ∗ = 𝐴1
∗ ∩ 𝐴2∗ ∩𝐴3
∗ ∩ … ∩𝐴𝑛∗
𝐴 ∪ 𝐵 ∩ 𝐶 = 𝐴 ∪ 𝐵 ∩ 𝐴∪ 𝐶 𝐴1 ∩ 𝐴2 ∩ 𝐴3 ∩… ∩𝐴𝑛 ∗ = 𝐴1
∗ ∪ 𝐴2∗ ∪𝐴3
∗ ∪ … ∪𝐴𝑛∗
Kolmogorovs axiom
1. För varje händelse A gäller att:
o 0 ≤ 𝑃 𝐴 ≤ 1
2. För hela utfallsrummet Ω gäller att:
o 𝑃 Ω = 1
3. Om 𝑨,𝑩,… är en ändlig eller uppräkneligt oändlig följd av disjunkta händelser gäller att:
o 𝑃 𝐴 ∪ 𝐵 ∪… = 𝑃 𝐴 + 𝑃 𝐵 + ⋯
Sida 5 av 16
Regler
Beskrivning Beteckning
Komplementsatsen 𝑃 𝐴∗ = 1−𝑃(𝐴)
Omöjliga händelsen 𝑃 ∅ = 0
Additionssatsen för två händelser 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴∩𝐵)
Additionssatsen för två oberoende händelser 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵
Om 𝐴 ⊂ 𝐵 (dvs 𝐴 ⟹ 𝐵) 𝑃 𝐴 ≤ 𝑃 𝐵
Booles olikhet 𝑃 𝐴 ∪ 𝐵 ≤ 𝑃 𝐴 + 𝑃 𝐵
Klassisk sannolikhet
Antag att det i Ω finns 𝑚 st utfall, 𝑥1,𝑥2,… , 𝑥𝑚 (”m = möjliga utfall”)
Om varje utfall från ett försök har samma sannolikhet, dvs
𝑃 𝑥𝑖 =1
𝑚, 𝑖 = 1,… ,𝑚
o så föreligger ett likformigt sannolikhetsmått.
Antag därefter att händelse A har 𝑔 st utfall (”g = gynnsamma utfall”)
Då är
𝑃 𝐴 =𝑔
𝑚=
antal gynnsamma utfall
antal möjliga utfall
OBS: Tänk på att 𝑔 och 𝑚 bör beräknas på samma sätt (med avseende på ”hänsyn till ordning”)
Kombinatorik
Multiplikationsprincipen
Om åtgärd 1 kan utföras på 𝑎1 olika sätt och åtgärd 2 kan utföras på 𝑎2 olika sätt, osv.
så finns det 𝑎1 ∙ 𝑎2 sätt att utföra båda åtgärder.
Antal sätt att välja 𝒌 st element ur 𝒏 st element:
Dragning med återläggning Dragning utan återläggning
Med hänsyn till ordning 𝑛𝑘 𝑛 ∙ 𝑛 − 1 ∙ … ∙ 𝑛− 𝑘 + 1 = 𝑛!
Utan hänsyn till ordning 𝑛 + 𝑘 − 1
𝑘
𝑛!
𝑘! 𝑛 − 𝑘 !=
𝑛
𝑘
Sida 6 av 16
Betingad sannolikhet
Definition:
𝑃 𝐵|𝐴 =𝑃 𝐴 ∩ 𝐵
𝑃(𝐴), givet att 𝑃 𝐴 > 0
Betydelse:
𝑃 𝐵|𝐴 är den betingade sannolikheten för B, givet att A har inträffat.
Regler
Beskrivning Beteckning
Komplementsatsen 𝑃 𝐵∗|𝐴 = 1− 𝑃(𝐵|𝐴)
Additionssatsen (för två händelser 𝐵 och 𝐶, givet 𝐴) 𝑃 𝐵 ∪ 𝐶|𝐴 = 𝑃(𝐵|𝐴) + 𝑃(𝐶|𝐴) −𝑃 𝐵 ∩ 𝐶|𝐴
Lagen om total sannolikhet
𝐵1,… ,𝐵𝑛 disjunkta händelser
𝐵1 ∪ …∪ 𝐵𝑛 = Ω, dvs i ett försök inträffar precis en av händelserna
Då gäller, för varje händelse 𝐴, där 𝐴 ∈ Ω:
𝑃 𝐴 = 𝑃(𝐵𝑖) ∙ 𝑃(𝐴|𝐵𝑖)
𝑛
𝑖=1
Bayes sats
𝐵1,… ,𝐵𝑛 disjunkta händelser
𝐵1 ∪ …∪ 𝐵𝑛 = Ω, dvs i ett försök inträffar precis en av händelserna
Då gäller, för varje händelse 𝐴, där 𝐴 ∈ Ω:
𝑃 𝐵𝑖|𝐴 =𝑃(𝐴|𝐵𝑖) ∙ 𝑃(𝐵𝑖)
𝑃(𝐴) eller ekvivalent: 𝑃 𝐹𝑖 |𝐴 =
𝑃(𝐴|𝐵𝑖) ∙ 𝑃(𝐵𝑖)
𝑃(𝐵𝑖) ∙ 𝑃(𝐴|𝐵𝑖)𝑛𝑖=1
Oberoende händelser
Definition:
Om 𝑃 𝐴 ∩ 𝐵 = 𝑃(𝐴) ∙ 𝑃(𝐵) så är A och B oberoende händelser
Betydelse:
Om 𝑃 𝐵|𝐴 = 𝑃(𝐵), dvs sannolikheten för B är densamma oavsett om A inträffar eller ej, så kan A och B
anses vara oberoende. Då blir:
𝑃 𝐵|𝐴 =𝑃 𝐴 ∩ 𝐵
𝑃(𝐴) ⇔ 𝑃 𝐵 =
𝑃 𝐴∩ 𝐵
𝑃(𝐴) ⇔ 𝑃 𝐴∩ 𝐵 = 𝑃(𝐴) ∙ 𝑃(𝐵)
Krav för tre oberoende händelser:
𝑃 𝐴 ∩ 𝐵 = 𝑃(𝐴) ∙ 𝑃(𝐵) 𝑃 𝐵 ∩ 𝐶 = 𝑃(𝐵) ∙ 𝑃(𝐶)
𝑃 𝐴 ∩ 𝐶 = 𝑃(𝐴) ∙ 𝑃(𝐶) 𝑃 𝐴∩ 𝐵 ∩ 𝐶 = 𝑃(𝐴) ∙ 𝑃(𝐵) ∙ 𝑃(𝐶)
Sida 7 av 16
Diskreta stokastiska variabler (slumpvariabler)
Definition:
En diskret s.v. 𝛸
Är en funktion från utfallsrummet Ω till ℝ, dvs 𝛸:Ω → ℝ
Antar endast ändligt eller uppräkneligt oändligt många olika värden
”Returnerar ett tal som bestäms av ett utfall”
Sannolikhetsfunktion
Definition:
𝑝𝛸 𝑘 = 𝑃(𝛸 = 𝑘) för alla möjliga värden 𝑘 som 𝛸 kan anta
Betydelse:
Sannolikhetsfunktionen returnerar sannolikheten för utfallet 𝑘
(dvs. sannolikheten att 𝛸 antar värdet 𝑘)
Egenskaper:
𝑝𝛸 𝑘 ≥ 0 för alla 𝑘 ∈ 𝛸 Ω 𝑝𝛸 𝑘
𝑘∈𝛸 Ω
= 1 𝑃 𝛸 ∈ 𝐴 = 𝑝𝛸 𝑘
𝑘∈𝐴
Fördelningsfunktion
Definition:
𝐹𝛸 𝑥 = 𝑃 𝛸 ≤ 𝑥 , 𝑥 ∈ ℝ
Betydelse:
Fördelningsfunktionen returnerar sannolikheten att få ett värde som är
mindre än eller lika med 𝑥
Egenskaper:
𝐹𝛸 𝑥 → 0,𝑑å 𝑥 → −∞1,𝑑å 𝑥 → +∞
𝐹𝛸 𝑥 är icke-avtagande 𝐹𝛸 𝑥 är högerkontinuerlig
𝐹𝛸 𝑥 = 𝑝𝛸 𝑘
𝑘∈𝛸 Ω : 𝑘≤𝑥
𝑃 𝛸 > 𝑥 = 1−𝐹𝛸 𝑥 𝐹𝛸 𝑘 − 𝐹𝛸 𝑘 − 1 = 𝑝𝛸 𝑘
för alla 𝑘 ∈ 𝛸 Ω
Sida 8 av 16
Väntevärde och varians
Diskreta fördelningar
Fördelning Beteckning Situation Sannolikhetsfunktion
Binomialfördelning 𝐵𝑖𝑛 𝑛, 𝑝 𝑛 st oberoende försök där en händelse
𝐴 inträffar med sannolikhet 𝑝.
𝑝𝛸 𝑘 = 𝑛
𝑘 𝑝𝑘 1− 𝑝 𝑛−𝑘
𝑘 = 0,1,… ,𝑛
Hypergeometrisk fördelning
𝐻𝑦𝑝 𝑁,𝑛, 𝑝
Stor mängd med 𝑁 st element av två
typer, 𝑁𝑝 st av den ena och 𝑁(1−𝑝)
av den andra, välj ut 𝑛 st element och räkna antalet som är av första typen.
𝑝𝛸 𝑘 = 𝑁𝑝𝑘 𝑁 1−𝑝
𝑛−𝑘
𝑁𝑘
𝑘 = 0,1,… ,𝑁𝑝
Poisson-fördelning 𝑃𝑜 𝜆 Händelser som inträffar slumpmässigt
i tiden med en viss intensitet 𝜆 > 0. 𝑝𝛸 𝑘 =
𝜆𝑘
𝑘!∙ 𝑒−𝜆
𝑘 = 0,1,… ,𝑛
Väntevärde (𝝁) Varians (𝝈𝟐)
Definition 𝐸 𝛸 = 𝑘 ∙ 𝑝𝛸 𝑘
𝑘∈𝛸 Ω
𝑉 𝛸 = 𝑘2 ∙ 𝑝𝛸 𝑘
𝑘∈𝛸 Ω
− 𝐸 𝛸 2
Tolkning
Medelvärdet med avseende på fördelningen av 𝛸.
”Vad vi kan förvänta oss att 𝛸 blir på ett ungefär.”
Hur sannolikhetsmassan är koncentrerad kring väntevärdet. ”Hur utspritt det är.”
Regler
𝐸 𝛸2 = 𝑘2 ∙ 𝑝𝛸 𝑘 𝑘∈𝛸 Ω
𝐸 𝑎𝛸+ 𝑏 = 𝑎 ∙ 𝐸 𝛸 + 𝑏
𝐸 𝑔(𝛸) = 𝑔(𝑘) ∙ 𝑝𝛸 𝑘 𝑘∈𝛸 Ω
𝑉 𝛸 = 𝐸 𝛸2 − 𝐸 𝛸 2
𝑉 𝑎𝛸+ 𝑏 = 𝑎2 ∙ 𝑉 𝑋
Standardavvikelse 𝐷(𝑋) = 𝑉 𝑋
Sida 9 av 16
Kontinuerliga stokastiska variabler (slumpvariabler)
Definition:
En kontinuerlig s.v. 𝛸
Är en funktion från utfallsrummet Ω till ℝ, dvs 𝛸:Ω → ℝ
Kan anta alla värden i ett intervall eller en union av intervall. Tänk ”kontinuum”.
”Returnerar ett tal som bestäms av ett utfall”
Täthetsfunktion
Definition:
Om det finns en funktion 𝑓𝛸 :ℝ → [0,∞[ sådan att
𝑃 𝑎 < 𝛸 < 𝑏 = 𝑓𝛸 𝑥 𝑏
𝑎
𝑑𝑥
för alla intervall (𝑎, 𝑏) ⊂ ℝ så kallas 𝑓𝛸 𝑥 täthetsfunktionen för 𝛸
OBS: 𝑃 𝑎 < 𝛸 < 𝑏 = 𝑃 𝑎 < 𝛸 ≤ 𝑏 om 𝛸 är kontinuerlig.
Betydelse:
Täthetsfunktion anger hur mycket ”sannolikhetsmassa” det finns per
längdenhet i punkten 𝑥.
Nödvändiga egenskaper:
𝑓𝛸 𝑥 ≥ 0 för alla 𝑥 ∈ ℝ
∫ 𝑓𝛸 𝑥 ∞
−∞ 𝑑𝑥 = 1
Fördelningsfunktion
Definition:
𝐹𝛸 𝑥 = 𝑃 𝛸 ≤ 𝑥 = 𝑃 −∞ < 𝛸 ≤ 𝑥 = 𝑓𝛸 𝑡 𝑥
−∞
𝑑𝑡, 𝑥 ∈ ℝ
Betydelse:
Fördelningsfunktionen returnerar sannolikheten att få ett värde som är
mindre än eller lika med 𝑥
Egenskaper:
𝐹𝛸 𝑥 → 0,𝑑å 𝑥 → −∞1,𝑑å 𝑥 → +∞
𝐹𝛸 𝑥 är icke-avtagande 𝐹𝛸 𝑥 är kontinuerlig överallt
I alla punkter där 𝑓𝛸 𝑥 är kontinuerlig gäller att 𝐹′𝛸 𝑥 =𝑑
𝑑𝑥𝐹𝛸 𝑥 = 𝑓𝛸 𝑥 (integralkalkylens huvudsats)
𝑃 𝑎 < 𝛸 ≤ 𝑏 = 𝑓𝛸 𝑡 𝑏
𝑎
𝑑𝑡 = 𝐹𝛸 𝑏 − 𝐹𝛸 𝑎 , 𝑎 < 𝑏
Sida 10 av 16
Väntevärde och varians
Kontinuerliga fördelningar
Fördelning Beteckning Situation Täthetsfunktion
Rektangelfördelning Likformig fördelning
𝑅𝑒 𝑎, 𝑏 𝑈 𝑎,𝑏
”Allt är lika sannolikt” 𝑓𝛸 𝑥 = 1
𝑏 − 𝑎, 𝑎 < 𝑥 < 𝑏
0, 𝑎𝑛𝑛𝑎𝑟𝑠
Normalfördelning 𝑁 𝜇,𝜍 Används ofta då variabler har okänd fördelning (se CGS)
𝑓𝛸 𝑥 =1
𝜍 2𝜋𝑒− 𝑥−𝜇 2
2𝜍2 , 𝑥 ∈ ℝ
Exponentialfördelning Exp 𝜆 ”Exponentiellt avtagande” 𝑓𝛸 𝑥 = 𝜆 ∙ 𝑒−𝜆𝑥, 𝑥 ≥ 0
0, 𝑎𝑛𝑛𝑎𝑟𝑠
Standardiserad normalfördelning
Låt Φ 𝑦 vara (den fyrkantiga) fördelningsfunktionen för 𝑌~𝑁 0,1 , dvs
Φ 𝑦 = 𝑓𝛸 𝑡 𝑦
−∞
𝑑𝑡 = 1
2𝜋𝑒−
𝑡2
2 𝑦
−∞
𝑑𝑡
Låt 𝑋 vara en s.v. med väntevärde 𝜇 och standardavvikelse 𝜍, dvs. 𝑋~𝑁 𝜇,𝜍
Då kallas 𝑌 =𝛸−𝜇
𝜍 en standardiserad s.v. och 𝑌~𝑁 0,1 ⟹
𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝑃 𝑎 − 𝜇
𝜍<𝑋 − 𝜇
𝜍≤𝑏 − 𝜇
𝜍 = 𝑃
𝑎 − 𝜇
𝜍< 𝑌 ≤
𝑏 − 𝜇
𝜍 = Φ
𝑏 − 𝜇
𝜍 − Φ
𝑎 − 𝜇
𝜍
Regler för normalfördelning
Antag att 𝑎 > 0, 𝑏 > 0 och 𝛸~𝑁 0,1
Då gäller:
Regel
𝑃 𝛸 ≤ −𝑎 = = Φ −𝑎 = 1− Φ 𝑎
𝑃 𝛸 > 𝑎 = = 1 −𝑃 𝛸 ≤ 𝑎 = 1 −Φ 𝑎
𝑃 −𝑎 < 𝛸 ≤ 𝑏 = = Φ 𝑏 −Φ −𝑎 = Φ 𝑏 − 1 −Φ 𝑎
= Φ 𝑏 +Φ 𝑎 − 1
Exempel
𝑃 𝛸 ≤ −2 = = Φ −2 = 1 −Φ 2
𝑃 𝛸 > 3 = = 1− 𝑃 𝛸 ≤ 3 = 1− Φ 3
𝑃 −2 < 𝛸 ≤ 3 = = Φ 3 −Φ −2
= Φ 3 − 1 − Φ 2
= Φ 3 +Φ 2 − 1
Väntevärde (𝝁) Varians (𝝈𝟐)
Definition 𝐸 𝛸 = 𝑥 ∙ 𝑓𝛸 𝑥
∞
−∞
𝑑𝑥 𝑉 𝛸 = 𝑥2 ∙ 𝑓𝛸 𝑥 𝑑𝑥∞
−∞
− 𝐸 𝛸 2
Tolkning
Medelvärdet med avseende på fördelningen av 𝛸.
”Vad vi kan förvänta oss att 𝛸 blir på ett ungefär.”
Hur sannolikhetsmassan är koncentrerad kring väntevärdet. ”Hur utspritt det är.”
Regler
𝐸 𝛸2 = ∫ 𝑥2 ∙ 𝑓𝛸 𝑥 𝑑𝑥∞
−∞
𝐸 𝑎𝛸+ 𝑏 = 𝑎 ∙ 𝐸 𝛸 + 𝑏
𝐸 𝑔(𝛸) = ∫ 𝑔(𝑥) ∙ 𝑓𝛸 𝑥 𝑑𝑥∞
−∞
𝑉 𝛸 = 𝐸 𝛸2 − 𝐸 𝛸 2 𝑉 𝑎𝛸+ 𝑏 = 𝑎2 ∙ 𝑉 𝑋
Standardavvikelse 𝐷(𝑋) = 𝑉 𝑋
Sida 11 av 16
Diskreta tvådimensionella stokastiska variabler (𝜲,𝒀)
Simultan sannolikhetsfunktion
Definition:
𝑝𝛸 ,𝑌 𝑥,𝑦 = 𝑃(𝛸 = 𝑥,𝑌 = 𝑦) för alla möjliga värden 𝑥 och 𝑦 som 𝛸 respektive 𝑌 kan anta
Egenskaper:
𝑝𝛸 ,𝑌 𝑥,𝑦 ≥ 0 för alla 𝑥 ,𝑦 𝑝𝛸 ,𝑌 𝑥,𝑦
∞
𝑥=0
∞
𝑦=0
= 1 𝑃 𝛸,𝑌 ∈ 𝐴 = 𝑝𝛸 ,𝑌 𝑥,𝑦
𝑥 ,𝑦 ∈𝐴
Fördelningsfunktion
Definition:
𝐹𝛸 ,𝑌 𝑥, 𝑦 = 𝑃 𝛸 ≤ 𝑥,𝑌 ≤ 𝑦 = 𝑝𝛸 ,𝑌 𝑥, 𝑦
𝑥≤𝑋𝑦≤𝑌
Marginella sannolikhetsfunktioner
För 𝜲 För 𝒀
𝑝𝛸 𝑥 = 𝑝𝛸 ,𝑌 𝑥, 𝑦
∞
𝑦=0
𝑝𝑌 𝑦 = 𝑝𝛸 ,𝑌 𝑥, 𝑦
∞
𝑥=0
Håll 𝑥 fixt, summera över alla 𝑦, dvs.
𝑝𝑥 2 = 𝑝𝛸 ,𝑌 2,0 + 𝑝𝛸 ,𝑌 2,1 + 𝑝𝛸 ,𝑌 2,2 + ⋯
Håll 𝑦 fixt, summera över alla 𝑥, dvs.
𝑝𝑌 2 = 𝑝𝛸 ,𝑌 0,2 + 𝑝𝛸 ,𝑌 1,2 + 𝑝𝛸 ,𝑌 2,2 +⋯
Marginella fördelningsfunktioner
För 𝜲 För 𝒀
𝐹𝛸 𝑥 = 𝑝𝛸 𝑥
∞
𝑥=0
= 𝑝𝛸 ,𝑌 𝑥, 𝑦
∞
𝑦=0
∞
𝑥=0
𝐹𝑌 𝑦 = 𝑝𝑌 𝑦
∞
𝑦=0
= 𝑝𝛸 ,𝑌 𝑥, 𝑦
∞
𝑥=0
∞
𝑦=0
Summera 𝛸:s marginella sannolikhetsfunktioner över alla 𝑥 Summera 𝑌:s marginella sannolikhetsfunktioner över alla 𝑦
Oberoende s.v.
Definition:
Två diskreta s.v. 𝛸 och 𝑌 kallas oberoende om någon av följande gäller (för alla möjliga 𝑥 och 𝑦)
𝑝𝛸 ,𝑌 𝑥,𝑦 = 𝑝𝑋(𝑥) ∙ 𝑝𝑌 (𝑦)
𝐹𝛸 ,𝑌 𝑥, 𝑦 = 𝐹𝛸 𝑥 ∙ 𝐹𝑌 𝑦
Sida 12 av 16
Kontinuerliga tvådimensionella stokastiska variabler (𝜲,𝒀)
Simultan täthetsfunktion
Definition:
Om det finns en funktion 𝑓𝛸 ,𝑌 𝑥,𝑦 sådan att
𝑃 𝛸,𝑌 ∈ 𝐴 = 𝑓𝛸 ,𝑌 𝑥, 𝑦 𝐴
𝑑𝑥 𝑑𝑦
för alla 𝐴 ⊆ ℝ2 så kallas 𝑓𝛸 ,𝑌 𝑥,𝑦 täthetsfunktionen för 𝛸,𝑌
Nödvändiga egenskaper:
𝑓𝛸 ,𝑌 𝑥, 𝑦 ≥ 0 för alla 𝑥,𝑦 ∈ ℝ2
∫ ∫ 𝑓𝛸 ,𝑌 𝑥, 𝑦 ∞
−∞
∞
−∞𝑑𝑥 𝑑𝑦 = 1
Fördelningsfunktion
Definition:
𝐹𝛸 ,𝑌 𝑥, 𝑦 = 𝑃 𝛸 ≤ 𝑥,𝑌 ≤ 𝑦 = 𝑓𝛸 ,𝑌 𝑢, 𝑣 𝑥
−∞
𝑦
−∞
𝑑𝑢 𝑑𝑣
Marginella täthetsfunktioner
För 𝜲 För 𝒀
𝑓𝛸 𝑥 = 𝑓𝛸,𝑌 𝑥,𝑦
∞
−∞
𝑑𝑦, 𝑥 ∈ ℝ 𝑓𝑌 𝑦 = 𝑓𝛸,𝑌 𝑥,𝑦
∞
−∞
𝑑𝑥, 𝑦 ∈ ℝ
Håll 𝑥 fixt & integrera över 𝑦 så fås en funktion av 𝑥,
dvs. 𝑓𝑥 2 = ∫ 𝑓𝛸,𝑌 2,𝑦
∞
−∞ 𝑑𝑦
Håll 𝑦 fixt & integrera över 𝑥 så fås en funktion av 𝑦,
dvs. 𝑓𝑌 2 = ∫ 𝑓𝛸,𝑌 𝑥,2
∞
−∞ 𝑑𝑥
Marginella fördelningsfunktioner
För 𝜲 För 𝒀
𝐹𝛸 𝑥 = 𝑓𝛸 𝑥
∞
−∞
𝑑𝑥 = 𝑓𝛸,𝑌 𝑥,𝑦
∞
−∞
∞
−∞
𝑑𝑦 𝑑𝑥 𝐹𝑌 𝑦 = 𝑓𝑌 𝑦
∞
−∞
𝑑𝑦 = 𝑓𝛸,𝑌 𝑥,𝑦
∞
−∞
∞
−∞
𝑑𝑥 𝑑𝑦
Integrera marginella täthetsfunktionen för 𝛸 över alla 𝑥 Integrera marginella täthetsfunktionen för 𝑌 över alla 𝑦
Oberoende s.v.
Definition:
Två kontinuerliga s.v. 𝛸 och 𝑌 kallas oberoende om någon av följande gäller (för alla möjliga 𝑥 och 𝑦)
𝑓𝛸 ,𝑌 𝑥, 𝑦 = 𝑓𝑋(𝑥) ∙ 𝑓𝑌(𝑦)
𝐹𝛸 ,𝑌 𝑥, 𝑦 = 𝐹𝛸 𝑥 ∙ 𝐹𝑌 𝑦
Sida 13 av 16
Tvådimensionella stokastiska variabler (𝜲,𝒀)
Väntevärde
Definition:
𝐸 𝑔 𝛸,𝑌 =
𝑔 𝑥, 𝑦 ∙ 𝑝𝛸 ,𝑌 𝑥, 𝑦 , (diskreta s.v. )
∞
𝑦=0
∞
𝑥=0
𝑔 𝑥, 𝑦 ∙ 𝑓𝛸 ,𝑌 𝑥, 𝑦 ∞
−∞
∞
−∞
𝑑𝑥 𝑑𝑦 , (kontinuerliga s.v. )
Regler:
𝐸 𝑋+ 𝑌 = 𝐸 𝑋 + 𝐸 𝑌
𝐸 𝑎𝑋+ 𝑏𝑌+ 𝑐 = 𝑎 ∙ 𝐸 𝑋 + 𝑏 ∙ 𝐸 𝑌 + 𝑐
𝐸 𝑋 ∙ 𝑌 = 𝐸 𝑋 ∙ 𝐸 𝑌 om Χ och Y är oberoende
Varians
Regler:
𝑉 𝑋+ 𝑌 = 𝑉 𝑋 + 2 ∙ 𝐶𝑜𝑣 𝑋,𝑌 + 𝑉 𝑌
𝑉 𝑎𝑋+ 𝑏𝑌+ 𝑐 = 𝑎2 ∙ 𝑉 𝑋 + 2𝑎𝑏 ∙ 𝐶𝑜𝑣 𝑋,𝑌 + 𝑏2 ∙ 𝑉 𝑌
𝑉 𝑋+ 𝑌 = 𝑉 𝑋 + 𝑉 𝑌 om Χ och Y är oberoende
Kovarians
Definition:
𝐶𝑜𝑣 𝛸,𝑌 = 𝐸 𝛸 ∙ 𝑌 − 𝐸 𝛸 ∙ 𝐸 𝑌
Regler:
𝐶𝑜𝑣 𝑋,𝑋 = 𝑉(𝑋)
𝐶𝑜𝑣 𝑋,𝑌 = 𝐶𝑜𝑣 𝑌,𝑋
𝐶𝑜𝑣 𝑎𝑋,𝑏𝑌 = 𝑎 ∙ 𝑏 ∙ 𝐶𝑜𝑣 𝑋,𝑌
𝐶𝑜𝑣 𝑋,𝑌 = 0 om Χ och Y är oberoende
Korrelation
Definition:
𝜌 𝛸,𝑌 =𝐶𝑜𝑣 𝛸,𝑌
𝐷 𝑋 ∙ 𝐷(𝑌)=
𝐶𝑜𝑣 𝛸,𝑌
𝑉 𝛸 ∙ 𝑉 𝑌
Betydelse:
Mått på linjärt beroende mellan 𝛸 och 𝑌
−1 ≤ 𝜌 ≤ 1 gäller alltid!
Tänk ”𝑋 är −100% respektive 100% beroende av 𝑌”
Regler:
𝛸 och 𝑌 är oberoende ⟹ 𝐶𝑜𝑣 𝑋,𝑌 = 0 ⟹ 𝛸 och 𝑌 är okorrelerade
OBS: Implikationen går enbart åt ena hållet!
Sida 14 av 16
Simultana fördelningar av oberoende s.v. (𝜲,𝒀)
Fördelning för 𝜲 Fördelning för 𝒀 Fördelning för 𝜲+ 𝒀
𝑃𝑜(𝜆1) 𝑃𝑜(𝜆2) 𝑃𝑜(𝜆1 + 𝜆2)
𝑁 𝜇1,𝜍1 𝑁 𝜇2 ,𝜍2 𝑁 𝜇1 + 𝜇2, 𝜍12 + 𝜍2
2
𝑋~𝐵𝑖𝑛 𝑚, 𝑝 𝐵𝑖𝑛 𝑛 ,𝑝 𝐵𝑖𝑛(𝑚 + 𝑛, 𝑝)
Betingade fördelningar
Betingad sannolikhetsfunktion för diskreta s.v.
Definition:
Betingad sannolikhetsfunktion för 𝛸, givet 𝑌 = 𝑦:
𝑝𝛸|𝑌=𝑦 𝑥 = 𝑃 𝛸 = 𝑥 𝑌 = 𝑦 =𝑝𝛸 ,𝑌 𝑥, 𝑦
𝑝𝑌 𝑦
Betingad täthetsfunktion för kontinuerliga s.v.
Definition:
Betingad täthetsfunktion för 𝛸, givet 𝑌 = 𝑦:
𝑓𝛸|𝑌=𝑦 𝑥 = 𝑃 𝛸 = 𝑥 𝑌 = 𝑦 =𝑓𝛸 ,𝑌 𝑥,𝑦
𝑓𝑌 𝑦
Betingat väntevärde
Definition:
Betingat väntevärde för 𝛸, givet 𝑌 = 𝑦:
𝐸 𝑋|𝑌 = 𝑦 =
𝑥 ∙ 𝑝𝛸|𝑌=𝑦 𝑥 , (diskreta s.v. )
∞
𝑥=0
𝑥 ∙ 𝑓𝛸|𝑌=𝑦 𝑥 ∞
−∞
𝑑𝑥, (kontinuerliga s.v. )
Lagen om total förväntan:
𝐸 𝑋 = 𝐸 𝐸 𝑋|𝑌 =
𝐸 𝑋|𝑌 = 𝑦 ∙ 𝑝𝑌 𝑦 , (diskreta s.v. )
∞
𝑦=0
𝐸 𝑋|𝑌 = 𝑦 ∙ 𝑓𝛸|𝑌=𝑦 𝑦 ∞
−∞
𝑑𝑦 , (kontinuerliga s.v. )
Användbara olikheter
Förutsättningar Resultat
Markovs olikhet 𝑎 > 0
𝑋 ≥ 0 𝑃 𝑋 ≥ 𝑎 ≤
𝐸 𝑋
𝑎
Chebyshevs olikhet
𝐸 𝑋 = 𝜇
𝐷 𝑋 = 𝜍 > 0
eller 𝑉 𝑋 = 𝜍2 < ∞
Gäller för alla 𝑘 > 0
𝑃 𝑋 − 𝜇 ≥ 𝑘𝜍 ≤1
𝑘2
eller
𝑃 𝑋 − 𝜇 ≥ 𝑘 ≤𝜍2
𝑘2
Sida 15 av 16
Summor av oberoende stokastiska variabler
Förutsättningar Resultat
OBS: Kräver inte att 𝑋1,… ,𝑋𝑛 är oberoende
𝑋1,… ,𝑋𝑛 har alla samma väntevärde 𝜇 𝐸 𝑋1 + ⋯+𝑋𝑛 = 𝑛 ∙ 𝜇
𝑋1,… ,𝑋𝑛 har alla samma varians 𝜍2 𝑉 𝑋1 +⋯+𝑋𝑛 = 𝑛 ∙ 𝜍2
𝑋1,… ,𝑋𝑛 har alla samma standardavvikelse 𝜍 𝐷 𝑋1 +⋯+𝑋𝑛 = 𝑛 ∙ 𝜍
𝑋1,… ,𝑋𝑛 har alla samma väntevärde 𝜇
𝑋1,… ,𝑋𝑛 har alla samma standardavvikelse 𝜍
𝑋 =𝑋1+⋯+𝑋𝑛
𝑛 är det aritmetiska medelvärdet
𝐸 𝑋 = 𝜇
𝑉 𝑋 =𝜍2
𝑛
𝐷 𝑋 =𝜍
𝑛
Egenskaper hos normalfördelade stokastiska variabler
Förutsättningar Resultat
𝑋~𝑁 𝜇,𝜍 𝑌 = 𝑎𝑋 + 𝑏
𝑌~𝑁(𝑎 ∙ 𝜇 + 𝑏, 𝑎 𝜍)
𝑋~𝑁 𝜇1,𝜍1 𝑌~𝑁 𝜇2 ,𝜍2
𝑋 och 𝑌 oberoende
(𝛸 ± 𝑌)~𝑁 𝜇1 ± 𝜇2, 𝜍12 + 𝜍2
2
𝑋1,… ,𝑋𝑛 är oberoende
𝑋1~𝑁 𝜇1,𝜍1 ,… ,𝑋𝑛~𝑁 𝜇𝑛 ,𝜍𝑛 𝑎𝑖𝛸𝑖 + 𝑏
𝑛
1
~𝑁 𝑎𝑖𝜇𝑖 + 𝑏
𝑛
1
, 𝑎𝑖2𝜍𝑖
2
𝑛
1
𝑋1,… ,𝑋𝑛 är oberoende
𝑋1~𝑁 𝜇,𝜍 ,… ,𝑋𝑛~𝑁 𝜇,𝜍
𝑋 =𝑋1+⋯+𝑋𝑛
𝑛 är det aritmetiska medelvärdet
𝑋 ~𝑁 𝜇,𝜍
𝑛
Alla s.v. är oberoende
𝑋1~𝑁 𝜇1,𝜍1 ,… ,𝑋𝑛~𝑁 𝜇1,𝜍1 𝑌1~𝑁 𝜇2,𝜍2 ,… ,𝑌𝑛~𝑁 𝜇2,𝜍2
𝑋 =𝑋1+⋯+𝑋𝑛
𝑛 är det aritmetiska medelvärdet
𝑌 =𝑌1+⋯+𝑌𝑛
𝑛 är det aritmetiska medelvärdet
𝑋 − 𝑌 ~𝑁 𝜇1 −𝜇2, 𝜍1
2
𝑛1
+𝜍2
2
𝑛2
Stora talens lag
𝑋1,… ,𝑋𝑛 är oberoende
𝑋1,… ,𝑋𝑛 är likafördelade med väntevärde 𝜇
𝑋 =𝑋1+⋯+𝑋𝑛
𝑛
För alla 𝜀 > 0 :
𝑃 𝑋 − 𝜇 ≥ 𝜀 → 0 eller ekvivalent: 𝑃 𝑋 − 𝜇 < 𝜀 → 1, då 𝑛 → ∞
Sida 16 av 16
Centrala gränsvärdessatsen (CGS) Formellt:
𝑋1,… ,𝑋𝑛 är en följd av oberoende och likafördelade s.v.
𝑋1,… ,𝑋𝑛 har samtliga väntevärde 𝜇
𝑋1,… ,𝑋𝑛 har samtliga standardavvikelse 𝜍 > 0 eller varians 𝜍2 < ∞
Då gäller, för 𝑌 = 𝑋1 +⋯+𝑋𝑛 :
𝑃 𝑎 <𝑌 − 𝑛 ∙ 𝜇
𝜍 𝑛≤ 𝑏 → 𝛷 𝑏 −𝛷 𝑎 , då 𝑛 → ∞
eller ekvivalent, med 𝑋 =𝑋1 +⋯+𝑋𝑛
𝑛∶
𝑃 𝑎 < 𝑛 𝑋 − 𝜇
𝜍 ≤ 𝑏 → 𝛷 𝑏 − 𝛷 𝑎 , då 𝑛 → ∞
Informellt:
En summa av oberoende och likafördelade s.v. är ungefär normalfördelad så länge antalet s.v. är tillräckligt stort.
Detta gäller oavsett vilken fördelning de egentligen har! Alltså kan okända eller svårberäknade fördelningar
approximeras med normalfördelning.
Poissonprocess
Definition:
En Poissonprocess med intensitet 𝜆 > 0 är en stokastisk process i kontinuerlig tid (dvs. en familj av s.v.
𝑋𝑡 , 𝑡 ≥ 0) med följande egenskaper:
För varje 𝑡 ≥ 0: processens värde 𝑋𝑡 är en s.v. som kan anta värden 0,1,2… och 𝑋0 ≡ 0
Varje utfall (realisering) är en icke-avtagande högerkontinuerlig funktion
För varje följd av tidpunkter 0 = 𝑡0 < 𝑡1 < 𝑡2 < ⋯ < 𝑡𝑛 gäller att:
o 𝑋1 − 𝑋0, 𝑋2 − 𝑋1, 𝑋3 −𝑋2,… , 𝑋𝑛 − 𝑋𝑛−1 är oberoende s.v
För varje 𝑡 ≥ 0: 𝑃 𝑋𝑡+ −𝑋𝑡 = 1 = 𝜆 ∙ + 𝑂 , då → 0
För varje 𝑡 ≥ 0: 𝑃 𝑋𝑡+ −𝑋𝑡 > 1 = 𝑂 , då → 0
o 𝑂() är en restterm som definieras enligt lim→0𝑂
= 0.
Egenskaper:
Förutsättningar Resultat
0 ≤ 𝑡1 < 𝑡2 𝑋𝑡2
− 𝑋𝑡1 ~𝑃𝑜 𝜆 𝑡2 − 𝑡1
Speciellt: 𝑋𝑡~𝑃𝑜 𝜆 ∙ 𝑡
𝑋𝑡~𝑃𝑜 𝜆 ∙ 𝑡 𝐸 𝑋𝑡 = 𝜆 ∙ 𝑡
Hopptider 𝑇1,𝑇2,… ,𝑇𝑛 𝑇1,𝑇2,… ,𝑇𝑛 är oberoende och 𝐸𝑥𝑝(𝜆)-fördelade s.v.
Väntetider 𝑇1,𝑇2 − 𝑇1,… ,𝑇𝑛 − 𝑇𝑛−1 𝑇1,𝑇2 − 𝑇1,… ,𝑇𝑛 − 𝑇𝑛−1 är oberoende och 𝐸𝑥𝑝(𝜆)-fördelade s.v.
Fixt 𝑡0 ≥ 0
𝑌𝑡 = 𝑋𝑡𝑜+𝑡 −𝑋𝑡0 för 𝑡 ≥ 0
𝑌𝑡 , 𝑡 ≥ 0 är också en Poissonprocess med samma intensitet 𝜆
𝑋𝑡 , 𝑡 ≥ 0 med intensitet 𝜆1
𝑌𝑡 , 𝑡 ≥ 0 med intensitet 𝜆2
𝑋𝑡 och 𝑌𝑡 oberoende
𝑋𝑡 + 𝑌𝑡 , 𝑡 ≥ 0 är också en Poissonprocess med intensitet 𝜆1+𝜆2