zmienne losowe ciagle 2 id 5914 Nieznany

background image

ZMIENNE LOSOWE CIĄGŁE

Maciej Patan

Instytut Sterowania i Systemów Informatycznych

Uniwersytet Zielonogórski

background image

Metody analizy danych

Zmienne losowe

Zmienne losowe ciągłe

- mogą przyjmować wartości z

nieskończonego i nieprzeliczalnego zbioru (np. przedział liczb
rzeczywistych)

Przykłady

:

I

prędkość samochodu na autostradzie,

I

średnia temperatura latem,

I

amplituda sygnału analogowego,

I

częstotliwość fali elektromagnetycznej,

I

czas przeżywalności po przeszczepie,

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

1

background image

Metody analizy danych

Zmienne losowe

x

f x

X

( )

a

A

W

b

zdarzenie A Þ XÎBÌR

np. {a„X„b}

P (X ∈ B) =

Z

B

f

X

(x) dx,

∀B ⊂ R

w szczególności dla B = [a, b]:

P (a ¬ X ¬ b) =

Z

b

a

f

X

(x) dx

oraz B = a

P (X = a) =

Z

a

a

f

X

(x) dx = 0

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

2

background image

Metody analizy danych

Zmienne losowe

Funkcja

gęstości rozkładu prawdopodobieństwa

f

X

(x):

∀x, f

X

(x) ­ 0;

Z

−∞

f

X

(x) dx = P (−∞ ¬ X ¬ ∞) = 1

Uwaga!

: Wartość f

X

(x) nie oznacza prawdopodobieństwa

żadnego szczególnego zdarzenia! W szczególności, może być
f

X

(x) > 1!

Przykład

: GRP może być dowolnie duża:

f

X

(x) =

1

2

x

,

0 < x ¬ 1

0,

w przeciwnym razie

Z

−∞

f

X

(x) dx =

Z

1

0

1

2

x

dx =

x



1

0

= 1

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

3

background image

Metody analizy danych

Zmienne losowe

Wartość oczekiwana

E(X) =

Z

−∞

xf

X

(x) dx

Przykłady

:

1) Dla rozkładu f

X

(x) =

1

2

x

,

0 < x ¬ 1

0,

w przeciwnym razie

E(X) =

Z

1

0

x

2

x

dx =

1
3

x

3/2



1

0

=

1
3

2) Dla rozkładu f

X

(x) =

1

x

2

,

1 ¬ x

0,

x < 1

E(X) =

Z

1

x

x

2

dx = ln(x)



1

=

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

4

background image

Metody analizy danych

Zmienne losowe

Ogólnie

E[g(X)] =

Z

−∞

g(x)f

X

(x) dx

Wariancja

var(X) = E

h

X − E(X)



2

i

=

Z

−∞

(X − E(X))

2

f

X

(x) dx

1)

var(X) = E(X

2

) (E(X))

2

> 0,

2)

E(aX + b) = a E(X) + b,

3)

var(X) = a

2

var(X).

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

5

background image

Metody analizy danych

Zmienne losowe

Rozkłady zmiennej losowej ciągłej

I. Rozkład jednostajny (prostokątny, równomierny)

Przykład

: Hazardzista kręci kołem fortuny, wyskalowanym w

sposób ciągły między 0 a 1. Zakładając, że wszystkie
podprzedziały tej samej długości są jednakowo
prawdopodobne, mamy

f

X

(x) =

c,

gdy 0 ¬ x ¬ 1,

0,

w przeciwnym razie

Jak określić c?

1 =

Z

−∞

f

X

(x) dx =

Z

1

0

c dx = c

Z

1

0

dx = c

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

6

background image

Metody analizy danych

Zmienne losowe

Ogólnie:

f

X

(x) =

(

1

b−a

,

gdy a ¬ x ¬ b,

0,

w przeciwnym razie

a

b

0

1/(b−a)

E(X) =

Z

−∞

xf

X

(x) dx =

Z

b

a

x

1

b − a

dx =

1

2(b − a)

x

2


b

a

=

a + b

2

E(X

2

) =

Z

b

a

x

2

b − a

dx =

1

3(b − a)

x

3


b

a

=

a

2

+ ab + b

2

3

var(X) = E(X

2

) (E(X))

2

=

(b − a)

2

12

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

7

background image

Metody analizy danych

Zmienne losowe

II. Rozkład wykładniczy (λ > 0)

f

X

(x) =

λe

−λx

,

x ­ 0

0,

w przeciwnym razie

I

używany do modelowania czasu oczekiwania na
nastąpienie danego zjawiska (wystąpienia wypadku,
przepalenia się żarówki, rozpadu promieniotwórczego itd.)

Z

−∞

f

X

(x) dx =

Z

0

λe

−λx

dx = −e

−λx



0

= 1

E(X) =

Z

0

xλe

−λx

dx =

1

λ

,

var(X) =

1

λ

2

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

8

background image

Metody analizy danych

Zmienne losowe

λ = 0,25

λ = 4

0

1

2

3

4

5

0.05

0.1

0.15

0.2

0.25

0

1

2

3

4

5

0

0.5

1

1.5

2

2.5

3

3.5

4

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

9

background image

Metody analizy danych

Zmienne losowe

Przykład

: Czas do momentu, gdy mały meteoryt spadnie gdziekolwiek na

Saharze modeluje się z.l. o rozkładzie wykładniczym o średniej 10 dni. W
tej chwili jest północ. Jakie jest prawdopodobieństwo tego, że meteoryt
spadnie pomiędzy 6:00 a 18:00 pierwszego dnia?

1

λ

= 10 ⇒ λ = 0,1,

P (X ­ a) = P (X > a) = e

−λa

P (

1
4

¬ X ¬

3
4

) = P (X ­

1
4

) − P (X >

3
4

) = e

1/40

− e

3/40

= 0,0476

A jakie jest prawdopodobieństwo, że meteoryt spadnie między 6:00 a
18:00 któregoś dnia?

X

k=1

P (k −

3
4

¬ X ¬ k −

1
4

) =

X

k=1

P (X ­ k −

3
4

) − P (X >

1
4

)



=

X

k=1

(e

(4k−3)/40

− e

(4k−1)/40

) = 0,4998

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

10

background image

Metody analizy danych

Zmienne losowe

III. Rozkład normalny N (µ, σ)

f

X

(x) =

1

σ

2π

e

(x−µ)2

2σ2

I

rozkład o największym znaczeniu praktycznym,
reprezentujący najczęściej stosowany rozkład błędów
pomiarowych.

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

σ

=0.5

σ

=3

σ

=1

µ

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

11

background image

Metody analizy danych

Zmienne losowe

Dystrybuanta rozkładu normalnego

Φ(x) = P (X < x) =

Z

x

−∞

1

σ

2π

e

(y−µ)2

2σ2

dy

nie ma postaci analitycznej =konieczna jest tabelaryzacja Φ.

0

0.25

0.5

0.75

1

σ

=0.5

σ

=1

σ

=3

µµ

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

12

background image

Metody analizy danych

Zmienne losowe

Standaryzacja rozkładu normalnego N (0, 1):

X ∼ N (µ, σ) ⇒ Y =

x − µ

σ

∼ N (0, 1)

Przykład

: Temperatura średnia w pewnym mieście dana jest

rozkładem normalnym T ∼ N (15

C, 2

C). Jakie są szanse, że

przekroczy ona w danym dniu 20

C?

P (T < 20) = P



T −15

2

<

2015

2



= P (Y < 2,5) = Φ

Y

(2,5) = 0,993

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

13

background image

Metody analizy danych

Zmienne losowe

Przykład

: Zamierzony termin wykonania pewnego procesu

produkcyjnego dany jest rozkładem normalnym X ∼ N (50, 5).

a)

Ile wynosi prawdopodobieństwo skończenia prac przed 46
dniem?

b)

Jaki jest maksymalny termin realizacji zadania na
poziomie ufności 97%?

a) P (X < 46) = Φ



4650

5



= Φ(0,8) = 1 Φ(0,8)

= 1 0,788 = 0,212

b) P (Y < Y

max

) = 0, 97 ⇒ Y

max

= 1,88 =

X

max

50

5

⇒ X

max

= 50 + 1,88 · 5 = 59,4 dni

Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski

14


Wyszukiwarka

Podobne podstrony:
zmienne losowe ciagle id 591438 Nieznany
zmienne losowe dyskretne id 591 Nieznany
zmienne losowe dyskretne id 591 Nieznany
zmienne losowe gestosci typu ci Nieznany
Pomiary napiec zmiennych id 374 Nieznany
zmienna zalezna i niezalezna id Nieznany
4IMIR prady zmienne id 39330 Nieznany (2)
AM2 11 Zamiana zmiennych id 587 Nieznany (2)
MM ETK W04 zmiennestanu id 3442 Nieznany
Pradnica pradu zmiennego id 382 Nieznany
6 zmienna losowa id 44007 Nieznany
FUNKCJE JEDNEJ ZMIENNEJ id 1820 Nieznany
miary zmiennosci id 298408 Nieznany
5 napieci zmienne cw5 id 60977 Nieznany (2)
Przekształcenia ciągłe zmiennej losowej

więcej podobnych podstron