Upload
lysa
View
44
Download
0
Embed Size (px)
DESCRIPTION
Akademi Merkonomer Statistik Aften 4. 2011.10.11 [email protected]. Denne dag. Gennemgang af aflevering Poisson Fordelingen Kontinuerte Fordelinger Intro til kontinuerte fordelinger Normalfordelingen Den Centrale Grænseværdisætning K onfidensintervaller Evaluering. - PowerPoint PPT Presentation
Citation preview
Akademi MerkonomerStatistikAften 4
Gennemgang af aflevering Poisson Fordelingen Kontinuerte Fordelinger
◦ Intro til kontinuerte fordelinger◦ Normalfordelingen
Den Centrale Grænseværdisætning Konfidensintervaller
Evaluering
Denne dag
Diskrete FordelingerLad 𝑿 en diskret stokastisk variable Binomial-fordeling.: 𝑿∼ 𝒃(𝒏,𝒑) Stikprøve med tilbagelægning Hypergeometrisk-fordeling.: 𝑿∼ 𝒉(𝑵,𝑺,𝒏) Stikprøve uden tilbagelægning Poisson-fordeling.: 𝑿∼ 𝒑𝒐(𝝀) Antal hændelser i et område (eks. tid)
Poisson Fordeling IAntal hændelser i et område (eks. tid)
.: Intensiteten, der er konstant over hele området
I en poissonproces optræder begivenhederne i en tidsmæssig eller rumlig afgrænsning og følgende krav skal være opfyldt
- Max. 1 begivenhed i meget små intervaller - Sandsynligheden for en begivenhed er proportional med intervallets
længde
- For og forskellige intervaller og samt begivenheder i intervallerne gælder at og er uafhængige
Tæthedsfunktion.:
Poisson Fordeling IIDer gælder
- - -
Tilnærmet til normal for
Poisson(1)
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0 1 2 3 4 5 6
Poisson(2)
0
0,05
0,1
0,15
0,2
0,25
0,3
0 1 2 3 4 5 6 7
Poisson(5)
0
0,05
0,1
0,15
0,2
0 1 2 3 4 5 6 7 8 9 10 11
Poisson(10)
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
4 5 6 7 8 9 10 11 12 13 14 15 16
Poisson Fordeling IIIEksempel 10.:I gennemsnit kommer 3 biler forbi et vejkryds i minuttet, hvad er ss. for derkommer flere end 3 biler forbi ?
Excell.:=POISSON(x ; Middelværdi ; Kum. [0,1])
BeWI.:2.: Sandsynlighedsfordelinger og fraktilerb.: Poissonfordeling, indtast intensitet og evt. begrænsninger
Kontinuerte Stokastiske VariableTil ethvert tilfældigt eksperiment tildeles en numerisk værdi
og
En kontinuert stokastisk tæthedsfunktion skal opfylde
- er integrabel - for alle værdier af -
Eksempel 12.:
Fordelings & Tæthedsfunktion , KSV
Fordelingsfunktion.: Tæthedsfunktion.:
Sandsynligheder, KSVFor kont. s.v. reelle tal gælder der
- (punktsandsynligheden er ) - - -
Udtrykt ved fordelingsfunktionen
- - -
Regneregler, KSVLad en kontinuert s.v.
- -
-
Husk i det diskrete tilfælde var middelværdien
og variansen
NormalfordelingenLad En kontinuert s.v. med tæthedsfunktion
Kaldes normalfordelt med middelværdi og varians Vi skriver
Standard Normal FordelingLad med Middelværdi.: og Varians.: Så Tæthedsfunktion.:
Fordelingsfunktion.:
Transformation Standard Normal
Lad og reelle tal, da gælder
- Specielt
-
-
-
-fraktilen benævnes (skrives ofte og beregnes ved
Man er ofte interesseret i at finde , idet halen da fjernes i begge ender af fordelingsfkt.
St. Norm og BeregningerTabelopslag, Standard Normal fordeling Lad 𝑿∼ 𝑵(𝟎,𝟏) De fire mest benyttede fraktiler (læg mærke til symmetri), 𝒛𝟗𝟓%,𝒛𝟗𝟕,𝟓%,𝒛𝟓%,𝒛𝟐,𝟓%
BeWIStat.: 2. Sands. & Fordel. -> d. Z-fordel. 2. Sands. & Fordel. -> e. Normal
Excell.:
p=STANDARDNORMFORDELING(Z) Z=STANDARDNORMINV(p) p=NORMFORDELING(x;𝜇;𝜎;𝑘𝑢𝑚[0,1])
Andre 𝒕− 𝑭𝒐𝒓𝒅𝒆𝒍𝒊𝒏𝒈𝒆𝒏 Lad 𝑿∼ 𝑵(𝟎,𝟏) og 𝒀∼ 𝝌𝟐(𝒏) uafh. s.v., da gælder at 𝒁= 𝑿
ඥ𝒀/𝒏∼ 𝒕(𝒏)
Bruges som tilnærmelse til 𝑵(𝝁,𝝈𝟐) når 𝒏≤ 𝟑𝟎 𝜶-fraktilen betegnes 𝒕ሺ𝒏ሻ𝜶 kan også aflæses i tabel i App. D., Excel: p=tfordeling(t,f,[0,1]) t=tinv(p,f)
𝝌𝟐 − 𝑭𝒐𝒓𝒅𝒆𝒍𝒊𝒏𝒈 Hvis vi har 𝑛 uafhængige normalfordelte s.v. 𝑿𝟏,𝑿𝟐,…,𝑿𝒏 ∼ 𝑵𝒏(𝝁,𝝈), da gælder
𝒀= ሺ𝑿𝒊 − 𝝁ሻ𝟐𝝈𝟐𝒏
𝒊=𝟏 ∼ 𝝌𝟐(𝒏)
Sammenhængen med normalfordelingen er 𝑼∼ 𝑵ሺ𝟎,𝟏ሻ⟹𝑼𝟐 ∼ 𝝌𝟐(𝟏) 𝜶-fraktilen betegnes 𝝌𝟐ሺ𝒏ሻ𝜶 = 𝝌𝒏,𝜶𝟐 kan Også aflæses i tabel i App. D., Excel: p=chifordeling(t,f)
t=chiinv(p,f) Vi vender tilbage til denne fordeling
2 Normal FordelingerLad og Y , uafhængige s.v. Da er Lad , da gælder Gennemsnittet.:
Og
Centrale Grænseværdi SætningLad ens fordelte s.v. med
og Da gælder at gennemsnittet er en s.v. så tilnærmelsen
gælder for
Konfidensinterval MiddelværdiKonfidensintervallet for middelværdien beskriver ss. for at populationens sande middelværdi er i nærheden af stikprøvens middelværdi . Sandsynlighedsparametere udtrykkes negativt ved , der er ss. for at ikke er tæt på , vi taler derfor om et konfidensinterval Herunder er og derfor er , altså er der ss. for at ligger inden for det angivne interval omkring .
Hvis populationens sande varians er kendt, da er S
Beregning af Lad den stokastiske variabel: 𝑿∼ 𝑵൫𝝁,𝝈𝟐൯
Kendt varians: 𝝈𝟐 𝟏 − 𝜶= 𝑷(𝑿ഥ− 𝒛𝟏−𝜶/𝟐 ⋅ 𝝈/ξ𝒏 < 𝝁< 𝑿ഥ+ 𝒛𝟏−𝜶/𝟐 ⋅ 𝝈/ξ𝒏 )
Ukendt varians: 𝒔𝟐 𝟏 − 𝜶= 𝑷(𝑿ഥ− 𝒕(𝒏− 𝟏)𝟏−𝜶/𝟐 ⋅ 𝝈/ξ𝒏 < 𝝁< 𝑿ഥ+ 𝒕(𝒏− 𝟏)𝟏−𝜶/𝟐 ⋅ 𝝈/ξ𝒏 )
Bemærk.: For 𝒏≥ 𝟑𝟎 anvendes normalfordelingen og 𝒛𝟏−𝜶/𝟐 fremfor t-fordeling og t(n-1).
Eksempelvis.:
Struktur
Opgaver
Grupper
BeWi Stat
Evaluering