4.6
Alle fag for VG3

4.6 Kontinuerlege sannsynsfordelingar

Tettleiksfunksjonar, kumulativ fordeling, uniform og eksponentialfordeling.

60 min
9 oppgaver
TettleiksfunksjonKumulativ fordelingUniform fordelingEksponentialfordeling
Du leser den tradisjonelle versjonen
Din fremgang i kapitlet
0 / 9 oppgaver
Kapitlets plass i kurset

Frå diskrete til kontinuerlege fordelingar

Ein diskret stokastisk variabel kan berre ta eit teljande tal verdiar (1, 2, 3, ...). Men mange storleikar er kontinuerlege - dei kan ta alle reelle verdiar i eit intervall.

Døme på kontinuerlege variablar:
- Høgda til ein tilfeldig vald person (t.d. mellom 140 og 220 cm)
- Ventetid til neste buss
- Temperatur ein tilfeldig dag
- Feil i ein produksjonsprosess

For ein kontinuerleg stokastisk variabel XX gir det ikkje meining å snakke om P(X=x)P(X = x) for ein einskild verdi - sannsynet er alltid null. I staden snakkar vi om sannsyn for intervall:

P(a≤X≤b)=∫abf(x) dxP(a \leq X \leq b) = \int_a^b f(x)\, dx

Der f(x)f(x) er tettleiksfunksjonen (eng. probability density function, pdf) til XX.

Tettleiksfunksjon (pdf)
Ein funksjon f(x)f(x) er ein tettleiksfunksjon for ein stokastisk variabel XX dersom:

1. f(x)≥0f(x) \geq 0 for alle xx (ikkje-negativ)
2. ∫−∞∞f(x) dx=1\displaystyle\int_{-\infty}^{\infty} f(x)\, dx = 1 (totalt sannsyn er 1)

Sannsynet for at XX fell i intervallet [a,b][a, b] er:
P(a≤X≤b)=∫abf(x) dxP(a \leq X \leq b) = \int_a^b f(x)\, dx

Geometrisk tolking: P(a≤X≤b)P(a \leq X \leq b) er arealet under grafen til f(x)f(x) mellom aa og bb.

Merk: f(x)f(x) er ikkje eit sannsyn! f(x)f(x) kan godt vere større enn 1 - det er arealet som gir sannsynet.

Forventningsverdi og varians:
E(X)=∫−∞∞x⋅f(x) dxE(X) = \int_{-\infty}^{\infty} x \cdot f(x)\, dx
Var(X)=∫−∞∞x2⋅f(x) dx−[E(X)]2=E(X2)−[E(X)]2\begin{aligned} \text{Var}(X) &= \int_{-\infty}^{\infty} x^2 \cdot f(x)\, dx - [E(X)]^2 \\ &= E(X^2) - [E(X)]^2 \end{aligned}

Kumulativ fordelingsfunksjon (cdf)
Den kumulative fordelingsfunksjonen (eng. cumulative distribution function, cdf) til ein stokastisk variabel XX er:

F(x)=P(X≤x)=∫−∞xf(t) dtF(x) = P(X \leq x) = \int_{-\infty}^{x} f(t)\, dt

Eigenskapar:
- F(x)F(x) er ikkje-avtakande: x1<x2⇒F(x1)≤F(x2)x_1 < x_2 \Rightarrow F(x_1) \leq F(x_2)
- F(x)→0F(x) \to 0 når x→−∞x \to -\infty, og F(x)→1F(x) \to 1 når x→∞x \to \infty
- F′(x)=f(x)F'(x) = f(x) (tettleiksfunksjonen er den deriverte av cdf)

Bruk til sannsynsberekning:
P(a≤X≤b)=F(b)−F(a)P(a \leq X \leq b) = F(b) - F(a)
P(X>a)=1−F(a)P(X > a) = 1 - F(a)

Cdf er nyttig fordi han lèt oss slå opp sannsyn direkte (t.d. frå tabellar for normalfordelinga).

Uniform fordeling
Ein stokastisk variabel XX er uniformt fordelt på intervallet [a,b][a, b], skrive X∼U(a,b)X \sim U(a, b), dersom tettleiksfunksjonen er:

f(x)={1b−afor a≤x≤b0ellesf(x) = \begin{cases} \dfrac{1}{b-a} & \text{for } a \leq x \leq b \\ 0 & \text{elles} \end{cases}

Alle verdiar i [a,b][a, b] er like «tette» - den uniforme fordelinga skildrar fullstendig tilfeldigheit.

Kumulativ fordelingsfunksjon:
F(x)={0x<ax−ab−aa≤x≤b1x>bF(x) = \begin{cases} 0 & x < a \\ \dfrac{x - a}{b - a} & a \leq x \leq b \\ 1 & x > b \end{cases}

Forventningsverdi og varians:
E(X)=a+b2,Var(X)=(b−a)212E(X) = \frac{a + b}{2}, \qquad \text{Var}(X) = \frac{(b-a)^2}{12}

Eksponentialfordeling
Ein stokastisk variabel XX er eksponentialfordelt med parameter λ>0\lambda > 0, skrive X∼Exp(λ)X \sim \text{Exp}(\lambda), dersom tettleiksfunksjonen er:

f(x)={λe−λxx≥00x<0f(x) = \begin{cases} \lambda e^{-\lambda x} & x \geq 0 \\ 0 & x < 0 \end{cases}

Eksponentialfordelinga blir brukt til å modellere ventetider mellom hendingar (t.d. tid til neste telefonsamtale, levetid til ein komponent).

Kumulativ fordelingsfunksjon:
F(x)=1−e−λxfor x≥0F(x) = 1 - e^{-\lambda x} \quad \text{for } x \geq 0

Dermed: P(X>t)=e−λtP(X > t) = e^{-\lambda t} (overlevingssannsyn)

Forventningsverdi og varians:
E(X)=1λ,Var(X)=1λ2E(X) = \frac{1}{\lambda}, \qquad \text{Var}(X) = \frac{1}{\lambda^2}

Hugselausheit: P(X>s+t∣X>s)=P(X>t)P(X > s + t \mid X > s) = P(X > t) - ein eksponentialfordelt variabel «hugsar ikkje» fortida.

✏️Tettleiksfunksjon og sannsynsberekning

La f(x)={cx2for 0≤x≤30ellesf(x) = \begin{cases} cx^2 & \text{for } 0 \leq x \leq 3 \\ 0 & \text{elles} \end{cases}.

(a) Bestem cc slik at ff er ein gyldig tettleiksfunksjon.
(b) Finn P(1≤X≤2)P(1 \leq X \leq 2).
(c) Finn E(X)E(X).

(a) Kravet er ∫03cx2 dx=1\int_0^3 cx^2\, dx = 1:
c[x33]03=c⋅273=9c=1  ⟹  c=19c\left[\frac{x^3}{3}\right]_0^3 = c \cdot \frac{27}{3} = 9c = 1 \implies c = \frac{1}{9}

(b)
P(1≤X≤2)=∫12x29 dx=19[x33]12=19⋅8−13=727≈0,259\begin{aligned} P(1 \leq X \leq 2) &= \int_1^2 \frac{x^2}{9}\, dx \\ &= \frac{1}{9}\left[\frac{x^3}{3}\right]_1^2 \\ &= \frac{1}{9} \cdot \frac{8 - 1}{3} = \frac{7}{27} \\ &\approx 0{,}259 \end{aligned}

(c)
E(X)=∫03x⋅x29 dx=19∫03x3 dx=19[x44]03=19⋅814=94=2,25\begin{aligned} E(X) &= \int_0^3 x \cdot \frac{x^2}{9}\, dx \\ &= \frac{1}{9}\int_0^3 x^3\, dx \\ &= \frac{1}{9}\left[\frac{x^4}{4}\right]_0^3 \\ &= \frac{1}{9} \cdot \frac{81}{4} = \frac{9}{4} \\ &= 2{,}25 \end{aligned}

Svar: a) c=19\displaystyle c = \frac{1}{9} b) P(1≤X≤2)=727≈0,259\displaystyle P(1 \leq X \leq 2) = \frac{7}{27} \approx 0{,}259 c) E(X)=2,25E(X) = 2{,}25

Gjør dette i GeoGebra

Utforsk: Tettleiksfunksjon og sannsyn som areal

Eksponentialfordelinga med λ=0,5\lambda = 0{,}5: tettleiken f(x)=0,5e−0,5xf(x) = 0{,}5e^{-0{,}5x}. Det skraverte arealet er P(0≤X≤2)=1−e−1≈0,63P(0 \le X \le 2) = 1 - e^{-1} \approx 0{,}63. For kontinuerlege fordelingar er sannsyn alltid areal under tettleikskurva.

Skriv inn én linje om gangen i inntastingsfeltet:

f(x) = 0.5 * e^(-0.5x)
a = Integral(f, 0, 2)

Med språket satt til norsk forstår GeoGebra kommandonavnene både på norsk og engelsk.

Åpne GeoGebra(åpnes i ny fane)
✏️Eksponentialfordeling - ventetid

Anrop til eit kundesenter kjem i gjennomsnitt 4 per time. Ventetida XX mellom to påfølgjande anrop er eksponentialfordelt med λ=4\lambda = 4.

(a) Finn sannsynet for at det tek meir enn 30 minutt til neste anrop.
(b) Finn P(X≤16)\displaystyle P(X \leq \frac{1}{6}) (innan 10 minutt).
(c) Finn forventa ventetid.

(a) 30 minutt =0,5= 0{,}5 timar:
P(X>0,5)=e−4⋅0,5=e−2≈0,135P(X > 0{,}5) = e^{-4 \cdot 0{,}5} = e^{-2} \approx 0{,}135

Det er ca. 13,5 % sannsyn for at det tek meir enn 30 minutt.

(b) 10 minutt =16\displaystyle = \frac{1}{6} time:
P ⁣(X≤16)=1−e−4⋅1/6=1−e−2/3≈1−0,513=0,487\begin{aligned} P\!\left(X \leq \tfrac{1}{6}\right) &= 1 - e^{-4 \cdot 1/6} \\ &= 1 - e^{-2/3} \\ &\approx 1 - 0{,}513 \\ &= 0{,}487 \end{aligned}

(c)
E(X)=1λ=14=0,25 timar=15 minuttE(X) = \frac{1}{\lambda} = \frac{1}{4} = 0{,}25 \text{ timar} = 15 \text{ minutt}

Svar: a) e−2≈0,135e^{-2} \approx 0{,}135 b) 1−e−2/3≈0,4871 - e^{-2/3} \approx 0{,}487 c) 15 minutt

📝Oppgave 1

Løys oppgåvene:

a

Avgjer om f(x)={2xfor 0≤x≤10ellesf(x) = \begin{cases} 2x & \text{for } 0 \leq x \leq 1 \\ 0 & \text{elles} \end{cases} er ein gyldig tettleiksfunksjon. Grunngi svaret.

b

Finn P(0,3≤X≤0,7)P(0{,}3 \leq X \leq 0{,}7) for tettleiksfunksjonen i a).

c

Finn E(X)E(X) og Var(X)\text{Var}(X) for tettleiksfunksjonen i a).

Løs oppgaven
📝Oppgave 2

Løys oppgåvene:

a

Ein tilfeldig variabel X∼U(2,8)X \sim U(2, 8). Finn E(X)E(X), Var(X)\text{Var}(X) og P(3≤X≤6)P(3 \leq X \leq 6).

b

Finn den kumulative fordelingsfunksjonen F(x)F(x) for X∼U(2,8)X \sim U(2, 8) og bruk han til å rekne ut P(X>5)P(X > 5).

c

La f(x)={cx(1−x)0≤x≤10ellesf(x) = \begin{cases} cx(1-x) & 0 \leq x \leq 1 \\ 0 & \text{elles} \end{cases}. Bestem cc og finn E(X)E(X).

Løs oppgaven
📝Oppgave 3

Løys oppgåvene:

a

Ei lyspære har levetid X∼Exp(0,001)X \sim \text{Exp}(0{,}001) (målt i timar). Finn forventa levetid og sannsynet for at lyspæra varer meir enn 1500 timar.

b

Finn P(500≤X≤2000)P(500 \leq X \leq 2000) for lyspæra i a).

c

Forklar kva det vil seie at eksponentialfordelinga er «hugselaus». Gi eit døme.

Løs oppgaven
📝Oppgave 4

Løys oppgåvene:

a

La f(x)={34(1−x2)−1≤x≤10elles\displaystyle f(x) = \begin{cases} \frac{3}{4}(1-x^2) & -1 \leq x \leq 1 \\ 0 & \text{elles} \end{cases}. Stadfest at ff er ein gyldig tettleiksfunksjon.

b

Finn den kumulative fordelingsfunksjonen F(x)F(x) for f(x)={6x(1−x)0≤x≤10ellesf(x) = \begin{cases} 6x(1-x) & 0 \leq x \leq 1 \\ 0 & \text{elles} \end{cases} og bruk han til å finne P(X>0,75)P(X > 0{,}75).

c

Rekn ut Var(X)\text{Var}(X) for f(x)=6x(1−x)f(x) = 6x(1-x), 0≤x≤10 \leq x \leq 1. (Hint: Finn E(X)E(X) og E(X2)E(X^2) ved integrasjon.)

Løs oppgaven

Oppsummering

Tettleiksfunksjon (pdf):
- f(x)≥0f(x) \geq 0 og ∫−∞∞f(x) dx=1\int_{-\infty}^{\infty} f(x)\,dx = 1
- P(a≤X≤b)=∫abf(x) dxP(a \leq X \leq b) = \int_a^b f(x)\,dx = areal under kurva

Kumulativ fordelingsfunksjon (cdf):
- F(x)=P(X≤x)=∫−∞xf(t) dtF(x) = P(X \leq x) = \int_{-\infty}^x f(t)\,dt
- P(a≤X≤b)=F(b)−F(a)P(a \leq X \leq b) = F(b) - F(a)
- F′(x)=f(x)F'(x) = f(x)

Uniform fordeling U(a,b)U(a,b): E(X)=a+b2\displaystyle E(X) = \frac{a+b}{2}, Var(X)=(b−a)212\displaystyle \text{Var}(X) = \frac{(b-a)^2}{12}

Eksponentialfordeling Exp(λ)\text{Exp}(\lambda): E(X)=1λ\displaystyle E(X) = \frac{1}{\lambda}, P(X>t)=e−λtP(X > t) = e^{-\lambda t}, hugselaus

Tips til eksamen: Hugs at du alltid kan utleie cdf ved integrasjon av pdf, og finne sannsyn via cdf. Kontroller alltid at integralet til tettleiksfunksjonen er 1.

Repetisjonsoppgåver
Din fremgang
0deloppgaver0 / 5 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.