Lektion 5 2023 Kontinuerte Sandsynlighedsfordelinger

Kvantitative Analyseredskaber
Tema i dag: Kontinuerte sandsynlighedsfordelinger
Dato Emne Litteratur Tilhørende

øvelser
Kontinuerte BO kap. 6-7: EMB kap. 5-6 11-13

sandsynlighedsfordelinger
6.1-6.5 NKS sæt 5
• Normalfordelingen
7. marts og
• Normal og binomialfordelingen
7.1-7.3
• Eksponentialfordelingen
Matematik og statistik Del 2 – Statistik, forår 2023 1

Kontinuerte sandsynlighedsfordelinger
Planen for i dag

▪ Kontinuerte sandsynlighedsfordelinger
▪ Normalfordelingen, herunder Z-fordelingen
▪ Normalfordelingen og binomialfordelingen
▪ Eksponentialfordelingen
▪ Den centrale grænseværdisætning (Central Limit
Theorem)

Diskrete & kontinuerte variabler
▪ Diskret variabel: ▪ Kontinuert variabel:
▪ Tæller hændelser ▪ Måler (højde, vægt, hastighed, løn)
▪ Har et tællelig antal af mulige værdier ▪ Har et uendelig antal af mulige værdier
▪ Har diskrete hop mellem efterfølgende ▪ Går kontinuert fra værdi til værdi
værdier ▪ Har ingen målelig sandsynlighed til
▪ Har målelige sandsynligheder for hver hver individuel værdi
enkelt værdi ▪ Sandsynlighed er areal
▪ Sandsynlighed er højde
Eksempel: Eksempel:
Binomial Det skraverede
n=5 p=0.3 område angiver
x P(x) sandsynligheden
0 0.168 for mellem 2 og
1 0.360 3.
2 0.309
3 0.132
4 0.028
5 0.002
1.000

Sandsynlighedstæthedsfunktionen
Probability density function (PDF)
Tæthedsfunktionen f(x)
Arealet under
kurven f(x) er lig
1.
Sandsynligheden for x
mindre end 3 er det
røde areal.

Tæthedsfunktion (opsummering)
Nedenfor vises en normalfordelt variabel
For alle kontinuerte sandsynlighedsfordelinger gælder følgende:
▪ Tæthedsfunktionen har kun positive værdier: f(x) ≥ 0
▪ Sandsynligheden for, at x ligger mellem a og b, er lig med det grønne
område under f(x).
▪ Det totale område under tæthedsfunktionen f(x) er lig 1.
▪ Ingen enkeltværdi af x har en sandsynlighed, dvs. f(a) = 0. Kun områder er
sandsynligheder. Dvs.: P(a ≤ x ≤ b) = P(a < x < b).

Den kumulative fordelingsfunktion
Den kumulative
fordelingsfunktion F(x)
(eller bare
fordelingsfunktionen).
Den viser udviklingen i
arealet under
tæthedsfunktionen til
venstre for x, når x
stiger/forøges.
Tæthedsfunktionen
f(x)

Theorem)

Normalfordelingen
▪ Normalfordelingen er en vigtig fordeling, blandt andet fordi

mange andre fordelinger, kan approksimeres til den.
▪ Blandt andre Carl F. Gauss (1777-1855) fandt frem til den,
derfor kaldes den også den gaussiske fordeling.
Gauss
Gaussfordeling
function(x) dnorm(x) (x)
0.4
0.2
0.0
-4 -2 0 2 4

Normalfordelingen - Kendetegn
▪ Klokkeformet og symmetrisk omkring dens middelværdi.

▪ Middelværdi = median = toppunkt.
▪ Den er karakteriseret ved en middelværdi μ og varians σ² (eller
standardafvigelse σ).
▪ Notation: X~N(μ,σ²). Denne måde at skrive det på betyder, at
variablen X følger en normalfordeling med middelværdi μ og
varians σ².
▪ Er defineret for alle x (dvs. x kan antage værdier fra minus
uendelig til plus uendelig).

Tæthedsfunktionen for normalfordelingen
Tæthedsfunktionen for normalfordelingen:

 ( x−  )2  Normalfordelingen: µ = 0, 2 = 1
− 
1  2 2 
f ( x) =  
for −   x  
0.4
e
2 2
0.3
f(x)
0.2
0.1
hvor e = 2,7182818 og π = 3,14159265

0.0
-5 0 5
x

Eksempler på normalfordelinger
μ = 0,0 μ = 1,0 μ = 2,0
Samme
standard-
afvigelse,
forskellig
middelværdi.
Samme
σ = 2,0 σ = 0,5 middelværdi,
σ = 1,0 forskellig
standard-
afvigelse.

Standard normalfordelingen (Z-fordelingen)
▪ Standard normalfordelingen er normalfordelingen med middelværdi
μ = 0 og standardafvigelse σ = 1.
▪ Denne fordeling betegnes også som Z-fordelingen.
▪ Notation: Z~N(0,1). Grafisk illustreret:
Standard Normalfordeling
f(z) 0,4
=1
0,3
{
0,2
0,1
0,0
-5 -4 -3 -2 -1 0 1 2 3 4 5
=0
z

Tabelopslag – find sandsynlighed
▪ Den kumulative
fordelingsfunktion F(z) for
standard
P(z≤1,21) normalfordelingen er
tabellagt i Tabel A.3 i
appendikset i Bowerman,
5. udg., side 607, for
F(1,21)
F(z) = P(Z ≤ z) positive værdier af z.
▪ Figuren viser
P(z ≤ 1,21) = F(1,21)

Find P(Z < 1,21) vha. tabelopslag
P(z ≤ 1,21 ) = F(1,21) = 0,8869
88,69%
Standard normalfordelingen
er tabellagt i Bowerman for
z = -3,99 til 3,99.
Hele z-værdien
2. decimalen i
angivet
z-værdien
med 1 decimal:
Bowerman, s. 607:

Forelæsningsøvelse – 10 min.
▪ Hvor ligger P(1 ≤ z ≤ 2) i

figurerne?
▪ Beregn P(1 ≤ z ≤ 2)
(sandsynligheden for at z ligger
mellem 1 og 2) via opslag i
tabellen i Bowerman, s. 607.
▪ PS: Har I ikke bogen med, ligger tabellen på

itslearning under dagens forelæsning.

Forelæsningsøvelse – Find P(1 ≤ z ≤ 2)
▪ Hvor ligger P(1 ≤ z ≤ 2) i

P(z ≤ 1) figurerne?
P(1 ≤ z ≤ 2)
▪ Vi beregner P(1 ≤ z ≤ 2)
således:
P(1  z  2) = P( z  2) − P( z  1)
= F (2) − F (1)
= 0,9772 − 0,8413
P(z ≤ 2) = 0,1359
▪ Vi finder P(z ≤ 1) og P(z ≤ 2) i

Bowerman, jf. næste slide.

Vi finder P(z ≤ 2) og P(z ≤ 1) i tabel:
P(z ≤ 1)
P(z ≤ 2)
Bowerman, s. 607. P(1  z  2) = P( z  2) − P( z  1) = 0,9772 − 0,8413 = 0,1359

Transformation til standardnormal
▪ Vi kan transformere en normalfordelt variabel, X~N(,2), om til

en standard normalfordeling, Z~N(0,1), ved følgende lineære
transformation:
x−
z=

▪ Formålet er, at vi dermed kan bruge den kumulative
fordelingsfunktion for standard normalfordelingen F(z) til at
beregne sandsynligheder knyttet til en hvilken som helst
normalfordeling X~N(,2).

Transformation til Z
Spørgsmål: Hvad svarer x = 12 til
ovre i z-fordelingen?
𝑥−𝜇 𝑥−6
X ~N(𝜇,σ2) 𝑧= 𝑧=
𝜎 2
X ~N(6,22) 12 − 6
𝑧= =3
2
f(x) f(z)
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 Transforma- 0.4
0.3
0.2 tion over i z- 0.3
0.2
0.1
fordeling 0.1
0.0
x 0.0
z
6 0
12 3

Transformation til standardnormal
▪ Sandsynlighederne knyttet til X ~ N(,2) bliver derfor:
 a−
P ( x  a ) = P z  
  
 b−
P ( x  b ) = P z  
  
a− b−
P ( a  x  b ) = P z 
   

Transformation: Eksempel
▪ Antag studerendes score til eksamen er normalfordelt med
middelværdi 60 og standardafvigelse 15.
▪ Dvs. score X ~ N(60,152)
▪ Spørgsmål: Hvor stor en andel af de studerende har en score
under 95? P(X ≤ 95) = ?
▪ Idé: Transformer problemet til et, der vedrører en standard
normalfordelt variabel:
 x −  95 −    95 − 60 
P ( x  95) = P   = P z  
     15 
 95 − 60 
= P z   = P ( z  2,33) = F (2,33) = 0,9901
 15 
▪ Dvs. 99,01% af de studerende har en score under 95.

Find P(z ≤ 2,33) i tabelopslag.
Bowerman, s. 607.
Vi kan også bruge Excel!
▪ Excel: Formler / Indsæt funktion / Statistisk / NORMAL.FORDELING
(og angiv den ønskede x-værdi, middelværdien, standardafvigelsen
samt skriv SAND for at få den akkumulerede sandsynlighed).

Forelæsningsøvelse - 10 min.
▪ Antag studerendes pointscore til eksamen er normalfordelt med

middelværdi 60 og standardafvigelse 15.
▪ Dvs. pointscore X ~ N(60,152)
▪ For at bestå eksamen skal man opnå mindst 40 point.
▪ Spørgsmål: Hvor stor en andel af de studerende kan forventes
ikke at bestå eksamen? Beregn altså sandsynligheden for at
opnå mindre end 40 point, dvs. hvad er P(X ≤ 39)?
▪ Idé: Transformer problemet til et, der vedrører en standard
normalfordelt variabel og find sandsynligheden via tabelopslag
(se på itslearning eller i bog). Derefter kan du evt. finde
sandsynligheden ved hjælp af Excel.

Forelæsningsøvelse - 10 min.
▪ Antag studerendes pointscore til eksamen er normalfordelt med
middelværdi 60 og standardafvigelse 15. Dvs. score X ~ N(60,152).
▪ For at bestå eksamen skal man mindst opnå 40 point.
▪ Spørgsmål: Hvor stor en andel af de studerende kan forventes
ikke at bestå eksamen? Beregn altså sandsynligheden for at opnå
mindre end 40 point, dvs. hvad er P(X ≤ 39)?
▪ Svar: Vi transformer problemet til et, der vedrører en standard
normalfordelt variabel:
 x −  39 −    39 − 60 
P ( x  39) = P   = P  z  
     15 
 39 − 60 
= P z   = P ( z  −1,4) = F (−1,4) = 0,0808
 15 
▪ Dvs. 8,08% kan forventes ikke at bestå eksamen.
Find P(z ≤ -1,4) i tabelopslag.
Bowerman, s. 606.
Forelæsningsøvelse – 10 min.
▪ Excel: Formler / Indsæt funktion / Statistisk / NORMAL.FORDELING
(og angiv den ønskede x-værdi, middelværdien, standardafvigelsen
samt skriv SAND for at få den akkumulerede sandsynlighed).

Theorem)

Standard normal- og binomialfordelingen
▪ Binomialfordelingen beskriver udfaldet af For eksempel:
Binomial
gentagne forsøg, hvor der i hvert forsøg n=5 p=0.3
er to udfaldsmuligheder: Succes (med x P(x)
sandsynlighed p) eller fiasko (med 0 0.168
1 0.360
sandsynligheden q = 1-p). 2 0.309
▪ Middelværdi µ = np. Varians 2 = npq. 3 0.132
4 0.028
5 0.002
1.000
▪ Vi kan bruge normalfordelingen som en approksimation af binomial-
fordelingen, hvis np ≥ 5 og nq ≥ 5.
▪ Så kan vi fx beregne sandsynligheden for, at værdien ligger mellem a og b
(bemærk at vi transformerer til Z-fordelingen):
 a − np b − np 
P(a  x  b) = P z 

 npq npq 
Eksempel
▪ Et uddannelsessted vil lave en spørgeskemaundersøgelse blandt
tidligere studerende, og man vil gerne opnå mindst 200 svar.
Erfaringsmæssigt er svarprocenten 25% i sådanne undersøgelser.
▪ Spørgsmål: Hvad er sandsynligheden for at få færre end 200 svar
tilbage, hvis man udsender 900 spørgeskemaer?
▪ Metode: Vi kan bruge Z-fordelingen som en approksimation af
binomialfordelingen, da np = 900*0,25 = 225 > 5 og nq = 900*(1-
0,25) = 675 > 5:
 x − np     
P( x  200) = P z  = P  z  200 − 900(0,25)  = P z  200 − 225 
npq   900(0,25)(0,75)   168,75 
  
 − 25 
= P z   = P( z  −1,92) = F (−1,92) = 0,0274
 12,99 
▪ Dvs. 2,74% sandsynlighed for at få færre end 200 svar tilbage.

Transformation til Z
X ~N(𝜇,σ2) Spørgsmål: Hvad svarer x = 200 til ovre
i z-fordelingen?
𝜇 = 𝑛𝑝 = 900 0,25 = 225
𝑥−𝜇 𝑥 − 225
𝜎 = 𝑛𝑝𝑞 = 900(0,25)(0,75)=12,99 𝑧= 𝑧=
𝜎 12,99
X ~N(225,12,992) 200 − 225

𝑧= = −1,92
12,99
f(x) f(z)
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 Transforma- 0.4
0.3
0.2 tion over i z- 0.3
0.2
0.1
fordeling 0.1
0.0
225 x 0.0
z
0
200 -1,92

Theorem)

Eksponentialfordelingen
▪ Antag at en given hændelse indtræffer λ (lambda) gange indenfor en
tidsperiode, fx at der kommer 3 kunder ind i en butik per 10 minutter.
▪ Eksponentialfordelingen bruges til at finde sandsynligheden for, at
hændelsen er sket efter at en vis tid er gået, fx sandsynligheden for at 1
kunde er kommet ind i butikken 5 minutter efter at butikken har åbnet.
Eksponentialfordelingen betegnes: X ≈ E(λ).
▪ Vi antager i øvrigt, at der for hvert sub-tidsinterval inden for perioden er lige
så stor sandsynlighed for, at hændelsen indtræffer.
▪ Tæthedsfunktionen er givet ved:
f ( x ) =  e − x
▪ hvor e = 2,71828…
▪ Både middelværdi og standardafvigelse er lig 1/λ: µ = σ = 1/ λ.

Beregning af sandsynligheder
▪ Sandsynligheder beregnes på følgende måder:
▪ Sandsynlighed for at der går mere end fx a minutter, inden hændelsen sker:
− a
P( x  a) = e
▪ Sandsynlighed for at der går mindre end fx a minutter, inden hændelsen sker:
P ( x  a ) = 1 − e − a
▪ Sandsynlighed for at der går mellem fx a og b minutter, inden hændelsen sker:
− a − b
P ( a  x  b) = e −e

Beregning af sandsynligheder
▪ Sandsynlighed for at der går mellem fx 2 og 4 minutter, inden hændelsen sker:
𝑃(2 < 𝑥 < 4) = 𝑒 −𝜆2 − 𝑒 −𝜆4

Eksponentialfordelingen – Eksempel 1
▪ En computer bryder ned 2 gange i timen.
▪ Dvs. at λ=2 og µ=1/2 (dvs. nedbrud 1 gang hver ½ time).
▪ Vores tidsenhed er i timer, dvs. x = 1 betyder x = 1 time.
▪ Idet x angiver tiden i timer, der går inden computeren bryder ned, fra man
har startet computeren, hvad er sandsynligheden for, at der går mere end
1 time, inden det sker?
− x
P( X  x) = e
P( X  1) = e −2(1) = 0,1353

Eksponentialfordelingen – Eksempel 2
▪ I en bank kommer der gennemsnitlig 3 kunder per 10 minutters periode
op til skranken.
▪ Dvs. at λ=3 og µ=1/3 (dvs. 1 kunde hvert 3 minut og 20 sek.).
▪ Vores tidsenhed er 10 minutter, dvs. x = 1 betyder x = 10 minutter.
▪ Spørgsmål: Hvad er sandsynligheden for, at den første kunde vil komme
inden for 5 minutter? (Bemærk: x måles i forhold til tidsenheden 10
minutter, dvs. 5 minutter betyder, at x = 0,5.)
− x
P( X  x) = 1 − e
−3( 0 , 5 )
P( X  0,5) = 1 − e = 1 − 0,2231 = 0,7769

Vi kan også bruge Excel!
▪ Excel: Formler / Indsæt funktion / Statistisk / EKSP.FORDELING
(og angiv den ønskede x-værdi, Lambda, samt skriv SAND for at
få den akkumulerede sandsynlighed).

Planen for i dag

Theorem)

Den centrale grænseværdisætning
Problem:
Vi udtager mange stikprøver fra en population. Hvad er

stikprøvernes middelværdi og standardafvigelse?
Eller formuleret anderledes:

Hvad er stikprøvefordelingens middelværdi og
standardafvigelse i forhold til populationens middelværdi
og standardafvigelse (sidstnævnte er ukendte for os)?

Central limit theorem
Populationens
fordeling:
X ≈ N(µ,σ2)
µ
𝑥ҧ 𝑥ҧ 𝑥ҧ 𝑥ҧ 𝑥ҧ 𝑥ҧ Stikprøve-
𝑥ҧ 𝑥ҧ 𝑥ҧ 𝑥ҧ 𝑥ҧ fordelingen:
𝑥ҧ 𝑥ҧ 𝑥ҧ 𝑥ҧ 𝑋ത ≈ N(µ,σ2/n)

▪ Når vi udtager gentagne stikprøver fra en population, vil middelværdierne
___ af
stikprøverne være en stokastisk variabel, som vi betegner X.
▪ Når vi udtager gentagne stikprøver fra en population der er normalfordelt

med middelværdi µ og standardafvigelse , så vil stikprøvernes middelværdi
følge en normalfordeling med middelværdi µ og standardafvigelse  / n :
2 X −
X  N ( , ) eller Z =  N (0,1)
n / n
Derfor:
▪ Stikprøvefordelingens middelværdi er den samme som populationens.
▪ Stikprøvefordelingens standardafvigelse er mindre end populationens.

▪ Når vi udtager gentagne stikprøver fra en population, der ikke er
normalfordelt med middelværdi µ og standardafvigelse , så vil
stikprøvernes middelværdi være normalfordelte med middelværdi µ og
standardafvigelse  / n , hvis n er tilpas stor (tommelfingerregel: n > 30).
Det vil sige, når n er tilpas stor, gælder stadigvæk:
2 X −
X  N ( , ) eller Z =  N (0,1)
n / n
Derfor:
▪ Stikprøvefordelingens middelværdi er den samme som populationens.
▪ Stikprøvefordelingens standardafvigelse er mindre end populationens.

Altså: Uanset om populationen er normalfordelt eller ej,

vil stikprøvefordelingen være normalfordelt ved stor stikprøvestørrelse (n>30).

Næste gang
Øvelser der hører til denne forelæsning
▪ Opgaver 11-13.
Emne næste forelæsning

▪ Konfidensintervaller
Litteratur til næste forelæsning

▪ BO, kap. 8 (8.1 - 8.4) og kap. 9 (9.6 – 9.7)
▪ EMB, kap. 7 og 8
▪ NKS 6 (BB)

Lektion 5 2023 Kontinuerte Sandsynlighedsfordelinger

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Lektion 5 2023 Kontinuerte Sandsynlighedsfordelinger

Uploaded by

Copyright:

Available Formats

Kvantitative Analyseredskaber

Tema i dag: Kontinuerte sandsynlighedsfordelinger

Dato Emne Litteratur Tilhørende

Kontinuerte BO kap. 6-7: EMB kap. 5-6 11-13

Matematik og statistik Del 2 – Statistik, forår 2023 1

Planen for i dag

Matematik og statistik Del 2 – Statistik, forår 2023 2

Matematik og statistik Del 2 – Statistik, forår 2023 3

Matematik og statistik Del 2 – Statistik, forår 2023 4

Matematik og statistik Del 2 – Statistik, forår 2023 5

Matematik og statistik Del 2 – Statistik, forår 2023 6

Matematik og statistik Del 2 – Statistik, forår 2023 7

▪ Normalfordelingen er en vigtig fordeling, blandt andet fordi

Matematik og statistik Del 2 – Statistik, forår 2023 8

▪ Klokkeformet og symmetrisk omkring dens middelværdi.

Matematik og statistik Del 2 – Statistik, forår 2023 9

Tæthedsfunktionen for normalfordelingen:

hvor e = 2,7182818 og π = 3,14159265

Matematik og statistik Del 2 – Statistik, forår 2023 10

Matematik og statistik Del 2 – Statistik, forår 2023 11

Matematik og statistik Del 2 – Statistik, forår 2023 12

Matematik og statistik Del 2 – Statistik, forår 2023 13

P(z ≤ 1,21 ) = F(1,21) = 0,8869

Matematik og statistik Del 2 – Statistik, forår 2023 14

▪ Hvor ligger P(1 ≤ z ≤ 2) i

▪ PS: Har I ikke bogen med, ligger tabellen på

Matematik og statistik Del 2 – Statistik, forår 2023 15

▪ Hvor ligger P(1 ≤ z ≤ 2) i

▪ Vi finder P(z ≤ 1) og P(z ≤ 2) i

Matematik og statistik Del 2 – Statistik, forår 2023 16

Bowerman, s. 607. P(1  z  2) = P( z  2) − P( z  1) = 0,9772 − 0,8413 = 0,1359

▪ Vi kan transformere en normalfordelt variabel, X~N(,2), om til

Matematik og statistik Del 2 – Statistik, forår 2023 18

Matematik og statistik Del 2 – Statistik, forår 2023 19

▪ Sandsynlighederne knyttet til X ~ N(,2) bliver derfor:

Matematik og statistik Del 2 – Statistik, forår 2023 20

Matematik og statistik Del 2 – Statistik, forår 2023 21

Matematik og statistik Del 2 – Statistik, forår 2023 23

▪ Antag studerendes pointscore til eksamen er normalfordelt med

Matematik og statistik Del 2 – Statistik, forår 2023 24

Matematik og statistik Del 2 – Statistik, forår 2023 27

Matematik og statistik Del 2 – Statistik, forår 2023 28

▪ Dvs. 2,74% sandsynlighed for at få færre end 200 svar tilbage.

Matematik og statistik Del 2 – Statistik, forår 2023 30

X ~N(225,12,992) 200 − 225

Matematik og statistik Del 2 – Statistik, forår 2023 31

Matematik og statistik Del 2 – Statistik, forår 2023 32

Matematik og statistik Del 2 – Statistik, forår 2023 33

▪ Sandsynligheder beregnes på følgende måder:

Matematik og statistik Del 2 – Statistik, forår 2023 34

▪ Sandsynlighed for at der går mellem fx 2 og 4 minutter, inden hændelsen sker:

𝑃(2 < 𝑥 < 4) = 𝑒 −𝜆2 − 𝑒 −𝜆4

Matematik og statistik Del 2 – Statistik, forår 2023 35

Matematik og statistik Del 2 – Statistik, forår 2023 36

Matematik og statistik Del 2 – Statistik, forår 2023 37

Matematik og statistik Del 2 – Statistik, forår 2023 38

Planen for i dag

Matematik og statistik Del 2 – Statistik, forår 2023 39

Vi udtager mange stikprøver fra en population. Hvad er

Eller formuleret anderledes:

Matematik og statistik Del 2 – Statistik, forår 2023 40

Matematik og statistik Del 2 – Statistik, forår 2023 41

▪ Når vi udtager gentagne stikprøver fra en population der er normalfordelt