föreläsning 4 (kap 4): normalfördelning, centrala ......centrala gränsvärdessatsen antag att ,...
TRANSCRIPT
Chalmers University of Technology
Föreläsning 4 (kap 4):
Normalfördelning, Centrala gränsvärdessatsen,
normalapproximation
Marina Axelson-Fisk
27 april, 2016
Chalmers University of Technology
Idag:
• Normalfördelning
• Centrala gränsvärdessatsen
• Normalapproximation
– Binomialfördelning
– Poissonfördelning
• Poissonapproximation
– Binomialfördelning
Chalmers University of Technology
NORMALFÖRDELNING
Chalmers University of Technology
Normalfördelning
• Den absolut vanligaste fördelningen. Den
uppkommer i en mängd olika situationer.
• En kontinuerlig stokastisk variabel � är
normalfördelad med parametrar � och ��, dvs � ∼�(�, ��) om täthetsfunktionen
� = 12�� �
� ���� ��� �
• Väntevärde och varians� � = �, � � = ��
Chalmers University of Technology
Fördelningsfunktionen för N
• Fördelningsfunktionen för normalfördelningen
� � = � � �����
saknar explicit lösning, löses numeriskt.
(�)
Chalmers University of Technology
Standarnormal
• Värden på �(�) fås mha tabellen för
standardnormalfördelningen �(0,1).• Om � ∼ �(0,1) sägs � vara standardnormalfördelad.
• Fördelningsfunktionen betecknas Φ ! = "(� ≤ !)• Om � ∼ �(�, ��) så gäller att
� = � − �� ∼ �(0,1)• Om � ∼ �(0,1) så gäller att � = �� + � ∼ � �, ��
Chalmers University of Technology
Normalfördelningstabell
" � ≤ 1.96 = 0.975
Chalmers University of Technology
Normalfördelning
• Förekommer naturligt i många sammanhang
• Kan användas för att approximera andra
fördelningar (Binomial, Poisson etc)
• Summan av oberoende stok var går mot
normalfördelning (centrala
gränsvärdessatsen)
• Används i hypotestest, konfidensintervall
etc
Chalmers University of Technology
CENTRALA GRÄNSVÄRDESSATSEN
Chalmers University of Technology
Centrala gränsvärdessatsen
Antag att ��, ��, … , �, är stokastiska variabler som
är oberoende och lika fördelade med väntevärde � �- = � och varians � �- = ��, för alla ..För stora / gäller då att summan
0 =1�-,
-2�är approximativt normalfördelad, 0 ≈ �(/�, /��).
Chalmers University of Technology
Centrala gränsvärdessatsen (forts)
• På samma sätt gäller att medelvärdet av de
stokastiska variablerna
�4 = 1/1�-,
-2�blir approximativt normalfördelad
�4 ≈ � �, ��/
Chalmers University of Technology
NORMALAPPROXIMATION AV ANDRA FÖRDELNINGAR
Chalmers University of Technology
Normalapproximation av Binomialfördelningen
• Låt 0~Bin /, 9 . Då är ju 0 summan av /oberoende Bernoulli-försök 0 = ∑ �-,-2� där
�- = ;1medsannolikhet90medsannolikhet1 − 9med � 0 = /9 och � 0 = /9(1 − 9).
• Centrala gränsvärdessatsen ger att för stora / är 0 ≈ �(/9, /9 1 − 9 ).• Tumregel: /9 > 5 och / 1 − 9 > 5.
Chalmers University of Technology
Kontinuitetskorrektion
Istället för
" 0 ≤ H ≈ Φ I�,J,J(��J)
tar man
" 0 ≤ H ≈ Φ IK�/��,J,J(��J)
dvs " 0 ≤ 10 ≈ "(0 ≤ 9.5
Chalmers University of Technology
" 3 ≤ � ≤ 9 ≈ "(2.5 ≤ 0 ≤ 9.5)
Kontinuitetskorrektion
76543210 141312111098
Binomialfördelning Normalfördelning
Chalmers University of Technology
Poissonfördelning
• Låt � vara en diskret stokastisk variabel som kan
anta värden � = 0,1,2,3, …� sägs vara Poissonfördelad med parameter N, dvs � ∼ Poi N om frekvensfunktionen är
� = " � = � = ��PN��!• Väntevärde och varians� � = N, � � = N
Chalmers University of Technology
Poissionfördelning (forts)
• Poissonfördelningen är en
”räknefördelning” som typiskt används för
fördelningen av antalet impulser i ett givet
tidsintervall
– Antal kunder till en butik under en vecka
– Antal skrivfel på en sida
– Antal inkommande telefonsamtal till en växel
per dag
Chalmers University of Technology
Normalapproximation av Poissonpfördelning
• Om � ∼ Poi(N) och 0 ∼ Poi(R) är oberoende
gäller att � + 0 ∼ Poi(N + R).• Och 0 ∼ Poi(R) kan ses som en summa av R stycken Poi(1)-fördelade variabler.
• Så för stora R får vi0 ≈ �(R,R)
Chalmers University of Technology
Poissonapproximation av binomialfördelningen
• Om � ∼ Bin(/, 9) och / är stort och 9 litet
blir
� ≈ Poi(/9)• Tumregel: / ≥ 20 och 9 ≤ 0.05