Sandsynligheder Udfald og hændelser Sandsynligheder Additionsreglen

Slides:



Advertisements
Lignende præsentationer
Kombinatorik, sandsynlighed og statistik
Advertisements

Atomer Et programmeret forløb. En måde at lære på.
Overskrift her Navn på oplægsholder Navn på KU- enhed For at ændre ”Enhedens navn” og ”Sted og dato”: Klik i menulinjen, vælg ”Indsæt” > ”Sidehoved / Sidefod”.
Hypotese test – kapitel 6 (Signifikans test)
Repræsentativitet Opsamling fra sidst Repræsentativitet (χ2-test)
Anvendt Statistik Lektion 3
En ærlig mønt kastes 5 gange
Dummyvariabler 13. oktober 2006
Kombinatorik, sandsynlighed og statistik
Repræsentativitet Sandsynligheden for at få krone ved kast med en mønt
Statistik Lektion 6 Konfidensinterval for varians Hypoteseteori
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber
Anvendt Statistik Lektion 4
Program Informationer χ2-test (chi-i-anden) Projekt 3
Illustration fra Kort om kræft figur 4.1.
Matematikseminar foråret 2009
Akademi Merkonomer Statistik Aften 3
Anvendt Statistik Lektion 2
Anvendt Statistik Lektion 5
Sammenligning af to grupper – kapitel 7
1 Effektiv forrentning Kjeld Tyllesen PEØ, CBS Erhvervsøkonomi / Managerial Economics Kjeld Tyllesen, PEØ, CBS.
Statistik.
Side Grundlæggende teoretisk statistik Kapitel E Modeller og sandsynlighedsfordelinger.
Anvendt Statistik Lektion 3
Statistik og sandsynlighedsregning
Lektion 9: Indavl og Krydsning
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 4. november 2005.
Statistik og kvantitativ metode Politik & Administration og Samfundsfag 3. semester 2007 Lektion 5, tirsdag den 23. oktober Punkt- og intervalestimering.
Introduktion til Access (Access, del 1)
Anvendt Statistik Lektion 2
Statistik Lektion 6 Konfidensinterval for andele og varians
Økonometri 1: Dummy variable
Signifikanstest ved (en eller) to stikprøver
Man siger at X er binomialfordelt med
Statistik – Lektion 2 Uafhængighed Stokastiske Variable
ELEVOPGAVER I HYGIEJNE
Learning Objectives 5 Steps of a Significance Test Assumptions
Statistik for geografer
Grundlæggende teoretisk statistik
Statistik for geografer
Strategisk investering & finansiering Introduktion til investeringsteori Kapitel 1.
Økonometri 1: F121 Økonometri 1 Heteroskedasticitet 27. oktober 2006.
Statistik Lektion 2 Betinget sandsynlighed Bayes’ regel
1 Design, analyse og verifikation. 2 Design Bevisteknikker Design ved hjælp at matematisk induktion Analyse O-notation Logaritmer Binær søgning Verifikation.
Introduktion til Access (Access, del 1). RHS – Informationsteknologi – Fra design til udvikling Vi ved nu, hvordan vi finder et design for en database,
Bernoulli og binomial fordelingerne
Kombinatorik, sandsynlighed og statistik
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 9. november 2004.
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber
Grundlæggende teoretisk statistik
Statistik Lektion 2 Betinget sandsynlighed Bayes’ regel
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation og dataproblemer 2. november 2004.
Statistik for geografer Lektion 6. Sandsynlighedsregning Statistisk eksperiment Udfald Udfaldsrum Hændelse Statistisk eksperiment Udfald Udfaldsrum Hændelse.
Introduktion Deskriptiv statistik Sandsynslighedregning
Økonometri 1: Dummy variable1 Økonometri 1 Dummy variable 24. marts 2003.
Kombinatorik, sandsynlighed og statistik
Økonometri 1: Inferens i den multiple regressionsmodel1 Økonometri 1 Inferens i den multiple regressionsmodel 3. marts 2003.
Betinget sandsynlighed Bayes’ regel Diskrete stokastiske variable
Side Grundlæggende teoretisk statistik Hypotesetest: Test i 2 populationer.
Grundlæggende teoretisk statistik
Økonometri 1: F151 Økonometri 1 Specifikation og dataproblemer 10. november 2006.
Grundlæggende teoretisk statistik
Grundlæggende programmering Forår 2002
Statistik II 4. Lektion Logistisk regression.
Opgave i binomialfordeling 2.g, HHX. Grundbegreber Et antal gange, hvor man gentager en bestemt handling f.eks. tage et emne op, kaste en mønt eller få.
Teoretiske kontinuerte fordelinger
Simulering af binomialforsøg
Præsentationens transcript:

Sandsynligheder Udfald og hændelser Sandsynligheder Additionsreglen Betinget sandsynlighed Multiplikationsreglen

Udfald og hændelser De mulige udfald (elementer) udgør udfaldsrummet (mængde). Eks: antal fremspirede frø ud af 50: Udfaldsrum: U = {0, …, 50} En hændelse er en delmængde af U, fx Ex: Hændelsen A: ”mindst 10 frø spirer” er A= {10, 11, … , 50}

Sandsynligheder P(A) = Sandsynlighed for at hændelsen A indtræffer Teoretisk sidestykke til relativ hyppighed: hvor X er antallet af gange A indtræffer i n forsøg.

Eksempel Kast med en terning, antal øjne: 6 5 4 2 3 3 1 4 1 2 1 4 6 2 4 3 … Hændelse A= {2,4,6} (lige antal øjne) Relativ hyppighed af A er her 9/16= 0.5625 Sandsynligheden for A er 0.5 hvis vi antager at antal øjne i et kast er ligefordelt. Relativ hyppighed ændrer sig (tilfældigt) med antal kast. Sandsynligheden er derimod uændret.

Additionsregel Ssh for at mindst en af en række hændelser (A, B, …) indtræffer er summen af ssh for hver af dem, dvs. = P(A) + P(B) + ... HVIS hændelserne udelukker hinanden (ingen fælles mulige udfald)

Additionsreglen som ikke gælder Eks: Hvis ssh for at salmonella findes i en kylling er 0.03, hvad er så ssh for at finde salmonella i mindst en kylling ud af 5? Svar: 0.03 + 0.03 + … + 0.03 = 0.15 FORKERT!! Fejl, fordi hændelserne ikke udelukker hinanden. Rigtigt: 1 – 0.975 (ifølge multiplikationspincippet)

Betinget sandsynlighed Betinget ssh. af A givet B: P(A|B) = P(A og B)/P(B) Hændelser, A og B, kaldes uafhængige, hvis P(A|B) = P(A) som også kan skrives P(A og B) = P(A)P(B).

Multiplikationsreglen Sandsynligheden for at en følge af hændelser (A, B, C, …) alle indtræffer er produktet af deres sandsynligheder, altså P(A og B og C) = P(A)P(B)P(C) … HVIS hændelserne er uafhængige!!

Binomialfordelingen Hvornår bruges den? Beregninger Formler

Binomialfordelingen - typiske eksempler Antal dyr med en bestemt sygdom i en stikprøve. Antal døde celler ud af 100 celler observeret i et mikroskop. Antal afkom med genotype aa ud af 4 fra et forældrepar med genotyper (Aa x Aa). Antal ...ud af ...

Anvendelse Binomialfordelingen anvendes som model for antallet af gange en hændelse indtræffer ud af et bestemt antal forsøg. X= antal hunde som har adfærdsproblemer ud af 58 X binomialfordelt (n=58, p), hvor p er ukendt. Forudsætning 1: Uafhængighed Forudsætning 2: Homogenitet (samme p hver gang)

Eksempel Antallet af besætninger med mastitis ud af n=40 Antallet af forsøgsdyr ud af n=10 på en bestemt diæt som vokser mere end 10% i en periode Antallet af dyr med mastitis i en besætning med n=200 dyr. Uafhængighed? Homogenitet?

Beregningseksempel Forekomst af salmonella i en population af kyllinger antages at være 10 %. Hvad er sandsynligheden for at tre kyllinger alle er inficeret? ingen af de tre kyllinger er inficeret? præcis 1 af 3 kyllinger er inficeret? Hvor mange kyllinger skal udtages for at man med 95% sikkerhed opdager at der findes salmonella i populationen?

Binomialfordeling: Formel X binomialfordelt med antalsparameter n sandsynlighedsparameter p P(X=j) = nCj pj (1-p)n-j Eksempel (indsæt n=4, j=3, p=0.5): P(X=3) = 4C3 0.53 (1-0.5)4-3 = ... = 0.25

Poissonfordelingen Hvornår bruges den? Beregninger Formler

Poissonfordelingen - typiske eksempler Antal tilfælde af en sjælden ikke-smitsom sygdom i løbet af et år. Antal bakteriekolonier talt i en petriskål. Antal hunde der ankommer til en veterinærklinik i løbet af et døgn Antal ...

Anvendelse Poissonfordelingen anvendes som model for X= antallet af gange en hændelse indtræffer i en vis periode, eller et vist område (i tid eller rum). X Poissonfordelt (λ), hvor λ er ”middelværdien”. Forudsætning 1: Uafhængighed (ml disjunkte områder) Forudsætning 2: Homogenitet (samme sandsynlighed for forekomst i alle delområder af samme størrelse)

Beregningseksempel I gennemsnit ankommer 2 hunde om dagen til en veterinærklinik. Hvad er sandsynligheden for at der en bestemt dag ankommer netop 1 hund? Ingen ankommer?

Poissonfordeling: Formel X Poissonfordelt med parameter λ P(X=j) = λj exp(-λ)/j! For j= 0,1, 2, ...

MPN-metoden 20 prøver af 1 ml opløst i forholdet 1:100000 udtages og dyrkes på 20 plader. Man kan ikke se antallet af kolonier, men kun om prøven er positiv (mindst 1 koloni). Hvad er koncentrationen af bakterien (antal/ml efter fortynding og antal/ml inden fortynding), hvis 12 ud af de 20 prøver er positive? Kun model og metode – ingen beregninger her