For to uavhengige normalfordelte variable er summen også normalfordelt.
X_mu <- 3
X_sigma2 <- 4
Z_mu <- 4
Z_sigma2 <- 9
Y_mu <- X_mu + Z_mu
Y_sigma2 <- X_sigma2 + Z_sigma2
Y_mu
## [1] 7
Y_sigma2
## [1] 13
#Y er normalfordelt med forventning 7 og varians 13
Når to uavhengige normalfordelte variabler multipliseres, blir resultatet ikke en normalfordeling. Denne situasjonen innebærer en multiplikasjon av to normalfordelte variabler, ikke bare skalering ved en konstant.
Så selv om det finnes enkelte bestemte tilfeller hvor produktet av to normalfordelte variabler kan anta en kjent fordeling vil ikke produktet generelt være normalfordelt.
Derfor er svaret til oppgave b fortsatt at Y, som er lik X*Z+2, ikke nødvendigvis er normalfordelt.
Y = X/Z, der X og Z er normalfordelte og uavhengige. Forholdet mellom to normalfordelte stokastiske variabler er ikke normalfordelt. Dette er på grunn av det ikke-lineære forholdet mellom X og Z (divisjonen), så svaret er nei, Y er ikke normalfordelt.
#a)
forventning <- 0.8
Varians <- sqrt(0.1)
Sannsynlighetforkilofisk <- 1 - pnorm(1, forventning, Varians)
cat("Sannsynligheten for at fisken din er 1 kilo eller over er( =", Sannsynlighetforkilofisk, "\n")
## Sannsynligheten for at fisken din er 1 kilo eller over er( = 0.2635446
forventning <- 0.8
Varians <- sqrt(0.1)
# b) Sannsynlighet for at fisken er mellom 0.8 og 1.2 kilo
Sannsynlighet_bigassfisk <- pnorm(1.2, forventning, Varians) - pnorm(0.8, forventning, Varians)
cat(" Sannsynlighet for at fisken er mellom 0.8 og 1.2 kilo=", Sannsynlighet_bigassfisk, "\n")
## Sannsynlighet for at fisken er mellom 0.8 og 1.2 kilo= 0.3970484
# c) Sannsynlighet for at kun fisk over 0.6 kilo bite på
Sannsynlighet_600gramsfisk <- (1 - pnorm(1, forventning, Varians)) / (1 - pnorm(0.6, forventning, Varians))
cat("Dette er sannsynligheten for at fiske over 600 gram bit", Sannsynlighet_600gramsfisk, "\n")
## Dette er sannsynligheten for at fiske over 600 gram bit 0.3578555
# d) Finn x og y slik at P(X ≤ x) = 0.05 og P(X ≥ y) = 0.05
x <- qnorm(0.05, forventning, Varians)
y <- qnorm(0.95, forventning, Varians)
cat("x =", x, "\n")
## x = 0.2798516
cat("y =", y, "\n")
## y = 1.320148
# f) Finn P(ˆX10 > 10)
n <- 10
forventningfor10kilofisk <- n * forventning
varians_10kilofisk <- sqrt(n) * Varians
Sannsynlighetfor10kilofisk <- 1 - pnorm(10, forventningfor10kilofisk, varians_10kilofisk)
cat("P(ˆX10 > 10) =", Sannsynlighetfor10kilofisk, "\n")
## P(ˆX10 > 10) = 0.02275013
# g) Finn N slik at P(¯XN ≤ 0.6) < 0.05
# Her bruker vi z-score og løser for N.
z <- qnorm(0.05)
n_required <- (z * Varians)^2 / (0.6 - forventning)^2
n_required <- ceiling(n_required) # Runder opp til nærmeste hele tall
cat("Antall fisker nødvendig for at P(¯XN ≤ 0.6) < 0.05 er", n_required, "\n")
## Antall fisker nødvendig for at P(¯XN ≤ 0.6) < 0.05 er 7
a)
Forventning og varians Y
forventning: E[Y] = E[(X₁ + X₂)/2] = (μ + μ)/2 = μ
varians: Var[Y] = (σ² + σ²)/ 2² = σ² / 2 - Z = 2X1 + 3X2 / 5,
Forventning og varians Z
E[Z] = E[(2X₁ + 3X₂)/5] = (2μ + 3μ)/5 = μ
Var[Z] = (4σ² + 9σ²)/ 5² = (13σ²)/25 - P = 5 + X1 / 2
Forventing og varians P
E[P] = E[5 + X₁/2] = 5 + μ/2,
Var[P] = (σ²)/ 2² = σ² / 4
b) Q = Ȳₐ = X1 + X2 + X3 + X4 + X5 / 5
forventning: E[Q] = E[Ȳₐ] = μ
varians: Var[Q] = Var[Ȳₐ] = σ²/5 - L = Ȳb = X1 + X2 + X3 / 3
forventning: E[L] = E[Ȳb] = μ
varians: Var[L] = Var[Ȳb] = σ²/3 - M = Ȳₐ + Ȳb / 2
forventning: E[M] = E[(Ȳₐ + Ȳb)/2] = (μ + μ)/2 = μ
varians Var[M] = (σ²/5 + σ²/3)/ 2² = (4σ²/45)
c) W = p Ȳₐ + q Ȳb
forventning E[W] = E[p Ȳₐ + q Ȳb] = pμ + qμ = μ (forutsatt at p + q = 1)
varians Var[W] = p²Var[Ȳₐ] + q²Var[Ȳb] = p²σ²/5 + q²σ²/3 = (9p² + 5q²)σ²/15
For å minimere Var[W], tar vi deriverte av Var[W] med hensyn til p, og setter den deriverte lik 0, for å finne optimal p.
Minste varians oppnås når p = σ²/3 / (σ²/5 + σ²/3) = 5 / 8 og q = 1 - p = 3 / 8
a) Vi antar at forventningen til formuen er μ og variansen er σ². For tilfeldige personer med formue X₁ og X₂, har vi:
Forventningen til summen av to uavhengige variabler er lik summen av forventningene, mens variansen til summen av to uavhengige variabler er lik summen av variansene. Vektede summer følger en lignende regel, hvor vektene går kvadratisk inn i variansen.
La oss finne forventningene og variansene for hver av variablene Y, Z og P.
Forventning:
E[Y] = E[(X₁ + X₂) / 2] = (E[X₁] + E[X₂]) / 2 = μ
E[Z] = E[(2X₁ + 3X₂) / 5] = (2E[X₁] + 3E[X₂]) / 5 = μ
E[P] = E[5 + X₁ / 2] = 5 + E[X₁] / 2 = 5 + μ / 2
Varians:
Var[Y] = Var[(X₁ + X₂) / 2] = (Var[X₁] + Var[X₂]) / 2² = σ² / 2
Var[Z] = Var[(2X₁ + 3X₂) / 5] = (2²Var[X₁] + 3²Var[X₂]) / 5² = (4σ² + 9σ²) / 25 = (13/25)σ²
Var[P] = Var[5 + X₁ / 2] = Var[X₁ / 2] = (1/2)²Var[X₁] = σ² / 4
b) Nå ser vi på Anne som snakker med 5 personer og Bernt som snakker med 3 andre personer.
Forventning:
E[Ȳ_A] = E[X] = μ
E[Ȳ_B] = E[X] = μ
Varians:
Var[Ȳ_A] = Var[X] / 5 = σ² / 5
Var[Ȳ_B] = Var[X] / 3 = σ² / 3
For Q, L og M som er basert på Anne og Bernt sine snittformuer:
E[Q] = E[Ȳ_A]
Var[Q] = Var[Ȳ_A]
E[L] = E[Ȳ_B]
Var[L] = Var[Ȳ_B]
E[M] = (E[Ȳ_A] + E[Ȳ_B]) / 2 = μ
Var[M] = (Var[Ȳ_A] + Var[Ȳ_B]) / 4
c) Når vi har et vektet gjennomsnitt og p + q = 1, kan vi finne forventningen og variansen for W som følger:
Forventning:
Varians:
For å minimere variansen av W, tar vi utledningen av Var[W] med hensyn på p og setter den lik 0. Siden p + q = 1, kan vi erstatte q med 1 - p i uttrykket. Minste varians finner vi når p og q oppfyller at q = Var[Ȳ_A] / (Var[Ȳ_A] + Var[Ȳ_B]) og p = 1 - q.