informatyka II w3

background image

Informatyka II

Chemia biologiczna

Wykład 3 (22.11.2010)

Egzamin ko cowy!!!

background image

Posta graficzna wybranych miar poło enia

Miary po

ł

rednie

mediana

kwantyle

moda

arytmetyczna

harmoniczna

geometryczna

kwartyl pierwszy

kwartyl drugi

medialna

kwartyl trzeci

decyle

Miary poło enia

rednie

moda

kwantyle

mediana

arytmetyczna

harmoniczna

geometryczna

kwartyl pierwszy

kwartyl drugi

medialna

kwartyl trzeci

decyle

background image

Q

3

– kwartyl trzeci

+1.5H

-1.5H

H

+3H

-3H

Warto ci

odstaj ce

Warto ci

ekstremalne

Warto ci

odstaj ce

Warto ci

ekstremalne

W

ar

to

ci

n

ie

od

st

aj

ce

kwantyle

kwartyl pierwszy

kwartyl drugi

medialna

decyle

Miary poło enia

kwantyle

Q

1

– pierwszy kwartyl

Q

2

– drugi kwartyl

medialna

H - rozst p

mi dzykwartylny

background image

25% warto ci

zbioru próby

25% warto ci

zbioru próby

25% warto ci

zbioru próby

25% warto ci

zbioru próby

Mediana Q

2

= 35

Q

1

= 25

Q

3

= 49

Rozst p mi dzykwartylny H

H=Q

3

-Q

1

= 24

Rozst p danych R

R=x

max

-x

min

= 92-17=75

Próba X: cena szczepionki przeciw grypie A/H1N1 w wybranych 12 aptekach

23 17 32 60 22 52 29 38 42 92 27 46

Sortowanie:

17

22

23 27

23 27

29

32 38

32 38

42

46 52

46 52

60 92

2

35

2

2

25

49

Dolna granica

warto ci nieodstaj cych

Q

1

-1.5*H=25-36 = -11

Górna granica

warto ci nieodstaj cych

Q

3

+1.5*H=49+36 = 85

background image

0

20

40

60

80

100

C

en

a

sz

cz

ep

io

nk

i

Próba X

Q

3

Q

2

Q

1

25

35

49

-11

17

92

92

85

85

x

min

-1.5H

+1.5H

-20

0

20

40

60

80

100

0

1

2

3

4

5

6

Q

1

Q

2

Q

3

+1

.5

H

-1

.5

H

x

m

in

x

m

ax

Zakres warto ci

nieodstaj cych

W

ar

to

od

st

aj

ca

Cena szczepionki

Li

cz

ba

a

pt

ek

Za

kre

s w

art

o

ci

nie

od

sta

j

cy

ch

Warto

odstaj ca

x

max

R

oz

st

p c

en

background image

..

.

..

.

..

.

... ... ...

background image

Pozna

Wrocław

Wałbrzych

Katowice

Opole

10

20

30

40

50

60

70

80

90

100

C

en

a

>> boxplot(cena,miasto)

background image

Podstawowym poj ciem rachunku prawdopodobie stwa jest

zdarzenie losowe

oraz

przestrze zdarze elementarnych

.

Do wiadczenie jest zdarzeniem losowym, je eli:

mo e by powtarzane w tych samych warunkach;

jego wynik nie mo e by przewidziany w sposób pewny;

zbiór wszystkich mo liwych wyników jest znany i mo e by opisany przed

przeprowadzeniem wiczenia.

Zbiór wszystkich mo liwych wyników zdarze losowych nosi nazw

przestrzeni zdarze elementarnych lub przestrzeni próbkow (

lub S).

Pojedynczy element przestrzeni zdarze elementarnych (pojedynczy wynik

do wiadczenia losowego) nazywany jest

zdarzeniem elementarnym

.

Dowolny podzbiór zdarze elementarnych nazywamy zdarzeniem A, B, C itd.

A

B

background image

Przykłady:

jednokrotny rzut monet : „orzeł” (O) i „reszka” (R) to dwa zdarzenia

elementarne, które buduj cał przestrze ,

={O, R}.

rzut dwoma monetami:

={(O,O), (O,R), (R,O), (R,R)}.

wybieraj c dowolna cyfr z ksi ki telefonicznej:

={0, 1, 2, 3, 4, 5, 6, 7, 8, 9}

rozwa aj c ostatni cyfr dowolnej liczby parzystej:

={0, 2, 4, 6, 8}.

czas oczekiwania na taksówk – zdarzenia elementarne s

dowolnymi liczbami dodatnimi, a przestrze jest niesko czona.

Uwaga: Zdarzenia elementarne musza by ekskluzywne – dane

zdarzenie elementarne nie zawiera w sobie innych zdarze

elementarnych

background image

Zmienna losowa

– dowolna funkcja o warto ciach rzeczywistych okre lona na

przestrzeni zdarze elementarnych, która ka demu zdarzeniu elementarnemu

przyporz dkowuje liczb rzeczywist z okre lonym prawdopodobie stwem.

Zmienn losow

nazywamy

dyskretn

, gdy przyjmuje warto ci ze zbioru

dyskretnego, tzn. sko czonego lub przeliczalnego. Dla ka dej warto ci mo na

wyznaczy prawdopodobie stwo jej wyst pienia (np. liczba studentów, liczba

oczek na kostce).

Je eli zmienna losowa mo e przybiera wszystkie warto ci z pewnego

przedziału liczbowego, to nazywana jest

zmienna losow ci gł

, np. ilo

wody w wiadrze, waga osobnika, temperatura za oknem).

background image

Prawdopodobie stwo zdarzenia A

Klasyczna definicja prawdopodobie stwa: P(x)=

liczba zdarze elementarnych sprzyjaj cych zdarzeniu x

P(x)=

n liczba wszystkich zdarze elementarnych

n

x

n

Liczba wyst pie warto ci zmiennej w danej grupie

Liczba wyst pie wszystkich warto ci zmiennej

Wzgl dna cz sto

grupy

=

>> rozklad

rozklad =

18

19 20 21 22 23 24 25 26 27 28

2 6 4 5 8 3 7 3 6 3 3

50

0.04 0.12 0.08 0.1 0.16 0.06 0.14 0.06 0.12 0.06 0.06

1

4

12 8 10 16 6 14 6 12 6 6

100

Procentowa wzgl dna cz sto

grupy= Wzgl dna cz sto

grupy * 100

background image

Wła ciwo ci rachunku prawdopodobie stwa:

Ka demu zdarzeniu losowemu A przypisujemy liczb P(A), zwana

prawdopodobie stwem tego zdarzenia, która jest nieujemna i mniejsza

b d równa jedno ci: 0 P(A) 1.

Prawdopodobie stwo zdarzenia pewnego jest równe jedno ci: P(

)=1.

Prawdopodobie stwo zdarzenia niemo liwego jest równe zeru: P(

)=1.

Prawdopodobie stwo sumy zdarze losowych A oraz B:

je eli A

B= 0

, jest równe sumie prawdopodobie stw tych zdarze :

P(A

B) = P(A) + P(B).

je eli A

B 0

, jest równe sumie prawdopodobie stw tych zdarze minus

prawdopodobie stwo ich iloczynu:

P(A

B) = P(A) + P(B) – P(A

B)

Prawdopodobie stwo zdarzenia przeciwnego do zdarzenia A: P( )=1-P(A)

A

B

A

B

background image

18

19

20

21

22

23

24

25

26

27

28

0

0.02

0.04

0.06

0.08

0.1

0.12

0.14

0.16

Zmienna x - grupa (wiek)

W

zg

l

dn

a

cz

st

o

gr

up

y

/ l

ic

ze

bn

o

gr

up

y

P

ra

w

do

po

do

bi

e

st

w

o

P

(x

)

background image

Je eli X jest dowoln zmienn losow to dla tej zmiennej okre lana jest

dystrybuanta.
Dystrybuanta

- funkcja zmiennej rzeczywistej X równa prawdopodobie stwu,

e zmienna losowa przyjmie warto

nie wi ksz od x.

Jest to wi c całka oznaczona od dolnej granicy dziedziny danego rozkładu
prawdopodobie stwa zmiennej losowej (np. minus niesko czono ci lub zera)
do X, z funkcji rozkładu prawdopodobie stwa danej zmiennej losowej.
Dla dyskretnej zmiennej losowej warto

F(x

i

) mo na obliczy

przez zsumowanie (

skumulowanie

) funkcji prawdopodobie stwa dla warto ci

nie wi kszych od x

i

.

Skumulowana funkcja prawdopodobie stwa

Cumulative Distribution Function

x

i

x

)= P(x

i

x

i

x

F(x)=

)

background image

Przykład
Funkcj dystrybuanty wyznaczamy sumuj c (kumuluj c) kolejne warto ci

P(x

i

)

:

x

i

2

3

4

5

6

7

8

9

P(x

i

) 0,000 0,000

0,067 0,200 0,267 0,133 0,233 0,100

F(x

i

) 0,000 0,000

0,067 0,267 0,534 0,667 0,900 1,000

=

=

1

)

(

k

i

k

P(x

i

)

x

F

2

3

4

5

6

7

8

9

0

0.1

0.2

Zmienna X

P

(X

)

Zmienna X

2

3

4

5

6

7

8

9

0

0.2

0.4

0.6

0.8

1

F(

X

)

background image

0

10 15 20

30

60

120

0

1

2

3

4

5

Czas (min)

C

ze

st

os

c

0

10 15 20

30

60

120

0

0.05

0.1

0.15

0.2

0.25

Czas (min)

P

(x

)

0

20

40

60

80

100

120

0.2

0.4

0.6

0.8

1

Czas (min)

F(

x)

Czas po wi cony

na nauk

przed egzaminem

z Informatyki II

dla próby 20 studentów:

10

20

15

0

15

30

30

20

10

15

10

60

0

10

30

20

120

60

10

120

background image

Dla

dyskretnej zmiennej losowej

X o funkcji prawdopodobie stwa P

warto ci

redni

(oczekiwan )

nazywamy liczb

=

=

1

i

X

x

i

P(x

i

)

µµµµ

E(X)=

Wariancj dyskretnej zmiennej losowej

o funkcji prawdopodobie stwa p nazywamy

liczb

=

=

1

i

X

(x

i

-

µµµµ

X

)

2

P(x

i

)

σσσσ

2

Odchylenie standardowe

σσσσ

x

definiuje si jako

2

x

σ

V(X)=

background image

X Cz sto

P(x)

F(x)

x*P(X)'

(x-

µ

x

)

2

*P(x)

0

2

0.1

0.1

0

91.5063

10

5

0.25

0.35

2.5

102.5156

15

3

0.15

0.5

2.25

34.8844

20

3

0.15

0.65

3

15.7594

30

3

0.15

0.8

4.5

0.0094

60

2

0.1

0.9

6

88.5063

120

2

0.1

1

12

805.5063

µµµµ

30.25

1138.6875

σσσσ

2222

33.7444

σσσσ

background image

Funkcja g sto ci prawdopodobie stwa zmiennej losowej

typu ci głego

nazywamy funkcj f(x), okre lon na zbiorze liczb rzeczywistych
o nast puj cych własno ciach:

F(x)

0

b

a

F(x)dx=P(a<X<b) dla dowolnych a<b

F(x)

g sto

zmiennej losowe X

lub

g sto

rozkładu

Warto ci

redni ci głej zmiennej losowej

o g sto ci f nazywamy wielko

+

-

x F(x)dx

µµµµ

=

E(X) =

Wariancj ci głej zmiennej losowej

o g sto ci f nazywamy wielko

(x-

µµµµ

)

2

F(x)

σσσσ

2

V(X)= =

+

-

background image

Dystrybuanta rozkładu zmiennej losowej

X

Rozkład zmiennej losowej mo na opisa dystrybuant , czyli funkcj

zmiennej losowej

X

zdefiniowan nast puj co

F

(

x

) =

P

(

X<x

)

(probability distribution )

Dystrybuanta okre la prawdopodobie stwo, e zmienna losowa przyjmie

warto

mniejsz ni okre lone x:

Dystrybuanta jest funkcj :

niemalej c ,

z przedziału [0; 1],

o warto ciach lim F(x)=0 oraz lim F(x)=1,

x

-

x

→∞

dla której

P

(

a x b

) =

F

(

b

)-F(a)

background image

Zmienna losowa X

P

(x

)

Powierzchnia pod krzyw f(x) w przedziale [-1:4] jest prawdopodobie stwem,

e zmienna losowa, której rozkład opisuje funkcja f(x) przyjmie warto

mi dzy

warto ci -1 a 4.

background image

Probability Density Function

Cumulative Distribution Function

PDF

CDF

P

(x

)

background image

Funkcja g sto ci w rozkładzie normalnym o postaci:

okre lona dla wszystkich rzeczywistych warto ci

zmiennej X.

(

)

(

)

σσσσ

µµµµ

σσσσ

π

=

σσσσ

µµµµ

2

x

exp

2

1

,

;

x

P

2

2

Centraln rol w rachunku prawdopodobie stwa i

statystyce pełni tak zwany rozkład normalny.

Zwi zane jest z nim słynne twierdzenie nazywane

centralnym twierdzeniem granicznym. Na jego podstawie

mo na w wielu sytuacjach zakłada , e zmienna losowa,

któr jeste my wła nie zainteresowani, ma rozkład

normalny.

background image

Rozkład normalny

Rozkład normalny (termin ten został po raz pierwszy u yty przez Galtona, 1889)
posiada funkcj g sto ci okre lon wzorem:

Dwuwymiarowy rozkład normalny.
Dwie zmienne podlegaj dwuwymiarowemu rozkładowi normalnemu,
je li dla ka dej warto ci jednej zmiennej, odpowiadaj ce warto ci drugiej zmiennej
posiadaj rozkład normalny.

Dokładny kształt rozkładu normalnego (charakterystyczna "krzywa dzwonowa")
zdefiniowany jest przez funkcj posiadaj c jedynie dwa parametry:
warto

redni i odchylenie standardowe.

background image

Funkcja g sto ci w rozkładzie normalnym:

jest symetryczna wzgl dem prostej

x

=

µ

w punkcie

x =

µ

osi ga warto

maksymaln

ramiona funkcji maj punkty przegi cia dla x =

µ

-

oraz

x =

µ

+

rednia (

µ

) jest zarazem modaln i median ,

kształt funkcji g sto ci zale y od warto ci parametrów:

µ

i .

Parametr

µ

decyduje o przesuni ciu krzywej,

natomiast parametr decyduje o „smukło ci” krzywej.

background image
background image

Funkcja g sto ci rozkładu normalnego ma zastosowanie do

reguły

„trzech sigma”,

któr nast pnie rozwini to na

reguł „sze

sigma”

stosowan w kontroli jako ci

Reguła „trzech sigma” - je eli zmienna losowa ma rozkład normalny to:
- 68,3 % populacji mie ci si w przedziale (

µ

- ;

µ

+ )

- 95,5 % populacji mie ci si w przedziale (

µ

- 2 ;

µ

+ 2 )

- 99,7 % populacji mie ci si w przedziale (

µ

- 3 ;

µ

+ 3

)

background image

rozst p

mi dzykwartylny

Q3+1.5*H

Q1-1.5*H

H

Q3

Q1

Mediana

background image
background image

W celu obliczenia prawdopodobie stwa zmiennej X w rozkładzie
normalnym o dowolnej warto ci oczekiwanej i odchyleniu
standardowym dokonuje si

standaryzacji.

Standaryzacja polega na sprowadzeniu dowolnego rozkładu

normalnego o danych parametrach

µ

i do rozkładu

standaryzowanego (modelowego) o warto ci oczekiwanej

µ

= 0

i odchyleniu standardowym = 1.

Prawdopodobie stwo w rozkładzie normalnym wyznacza si dla
warto ci zmiennej losowej z okre lonego przedziału

background image

Przykładowe rozkłady funkcji g sto ci dla danych

i

0

0,5

-4

-3

-2

-1

0

1

2

3

4

N(0,1)
N(3,1)
N(0,2)
N(3,2)

background image

Wykres dystrybuanty rozkładu normalnego

-0,2

0

0,2

0,4

0,6

0,8

1

1,2

-4

-3

-2

-1

0

1

2

3

4

N (0,1)
N (3,1)
N (0,2)
N (3,2)

background image

>> dist

tool

background image

Przykład:

Wzrost kobiet w pewnej populacji ma rozk

ł

ad normalny

N(165,15). Oznacza to, i zmienna losowa jak jest wzrost
kobiet ma rozk

ł

ad normalny ze redni równa165 cm

i odchyleniem standardowym równym 15 cm.

Jaki jest udzia

ł

w populacji kobiet o wzroscie:

a)

do 160 cm,

background image

u

Zmienn losow X zast pujemy

zmienn standaryzowan u

, która ma

rozkład N(0,1)

u = zmienna standaryzowana

(

)

-

π

=

2

u

exp

2

1

1

,

0

;

f

2

σ

µ

= x

u

)

-

π

=

2

exp

2

1

,

;

f

2

σ

x

background image

Warto ci dystrybuanty standaryzowanego rozkładu
normalnego – warto ci te zostały stablicowane

Zatem:

=

<

<

σ

µ

σ

µ

a

b

F

b

X

a

P

)

(

- F

Wzrost studentów ma rozkład

N(

175; 5). Odpowiedz, jakie jest

prawdopodobie stwo, e spotkamy studenta o wzro cie:

a. dokładnie 180 cm

b. ni szym ni 180 cm

c. wy szym ni 180 cm

d. w granicach pomi dzy 172,5 i 182,5 cm

e. w granicach pomi dzy 180 i 182,5 cm

background image

Wyszukiwarka

Podobne podstrony:

więcej podobnych podstron