Zmienne losowe
Zmienna losowa
Definicja Niech będzie przestrzenią zdarzeń
elementarnych. Każdą funkcję określoną na zbiorze i
o wartościach w zbiorze liczb rzeczywistych nazywać
będziemy zmienną losową.
Przykład 1 Rzut jedną kostką.
3 2 1 4 5
6
X(w
i
) = i
Przykład 2 Rzut dwoma kostkami.
Zdarzenia elementarne w
ij
= (i,j) , gdzie
i, j =1,2,3,4,5,6
X(
w
ij
) =
i+j
Y(
w
i
) = 1 gdy i parzyste Y(
w
i
) =0 gdy i
nieparzyste
Y(
w
ij
) = i/j
Nazwa zmiennejWartość zmiennej
dla zdarzenia wi
Z(
w
ij
) = max(i,j)
Zmienne
dyskretne
Niezależność zmiennych
losowych
Definicja Powiemy, że dwie zmienne losowe X i Y są
niezależne jeżeli dla dowolnych przedziałów I, J w
zbiorze liczb rzeczywistych
P (XI i Y J) = P(XI) * P(Y J)
Przykład
X
K
(data) - liczba stłuczek samochodowych w Krakowie
X
W
(data) - liczba stłuczek samochodowych w Warszawie
Ilość stłuczek w Warszawie nie powinna mieć wpływu na
liczbę stłuczek w Krakowie. Intuicyjnie te zmienne są
niezależne.
W przypadku zmiennych dyskretnych : niezależność
wyraża się warunkiem:
P(X=x i Y= y) = P(X=x) * P(Y=y) dla
dowolnych x,y R.
Definicję tę można
uogólnić na dowolny
ciąg zmiennych
losowych
Przykład
Rozważmy
doświadczenie z rzutem
dwoma kostkami do gry.
Definiujemy zmienne losowe X , Y i Z : X(i,j)= i , Y(i,j) =
j, Z(i,j)=i+j
Zdarzenie A= „liczba
oczek na kostce 1 jest
nie większa niż 3”
X
3
Zdarzenie B = „liczba oczek
na drugiej kostce wynosi co
najmniej 5
Y 5
Uwaga P(A) = 1/2 = P(X 3) P(B) =1/3 =P(Y 5)
Dla dowolnych k i l mamy
P(X=k i Y=l) = 1/36 = P(X=k) * P(X=l)
tzn. X i Y są zmiennymi
niezależnymi
Zmienne X i Z
nie są niezależne
Rozkład prawdopodobieństwa
Niech X będzie zmienną losową określoną w
przestrzeni .
Definicja Funkcję f
X
określoną na zbiorze R i o
wartościach
w zbiorze [0,1] taką, że
f
X
(x) = P(X=x) dla x R
nazywamy rozkładem prawdopodobieństwa zmiennej
losowej X
f
X
(x)
=
1/6 dla
x=1,2,3,4,5,6
0 dla
pozostałych x
f
Z
(x)
=
1/36 dla x=2 i x=
12
2/36 dla x=3 i
x=11
3/36 dla x=4 i
x=10
4/36 dla x=5 i
x=9
5/36 dla x=6 i
x=8 6/36 dla x=7
0 dla
pozostałych x
Przykład Rozważmy zmienne X, Y, Z
rozpatrywane
w przykładzie z rzutem dwoma kostkami do
gry.
Przykład
Rzucamy n-krotnie monetą . Niech
X
i
(w i-tym rzucie wypadł orzeł) = 1
X
i
(w i-tym rzucie wypadła reszka) = 0
Orzeł
Reszka
Mamy P( X
i
= 1)= 1/2
Niech S
n
= X
1
+ X
2
+...+ X
n
Liczba orłów w n rzutach monetą
P(S
n
= k) = (n nad k)/ 2
n
k orłów
w n rzutach monetą
Rozkłady prawdopodobieństwa zmiennych są
następujące:
f
Xi
(x)
=
1/2 dla x=0,1
0 dla pozostałych
x
f
Sn
(x) =
(n nad x)/ 2
n
dla x
N
0 dla pozostałych x
Rozkład
dwumianowy
Dystrybuanta
Definicja Niech X będzie zmienną losową określoną na
dowolnej przestrzeni zdarzeń losowych .
Dystrybuantą zmiennej X nazywamy funkcję F : R
[0,1] taką, że
F
X
(x) = P(X x) dla x R
W przypadku zmiennej losowej
dyskretnej mamy F
X
(x) =
y x
f
X
(y)
Dystrybuanta akumuluje
wartości rozkładu
prawdopodobieństwa
Przykład
Dystrybuanta
zmiennej losowej X w
rzucie jedną kostką
do gry:
1
5/6
4/6
3/6
1 2 3 4 5 6 7 8
Przykłady
Przykład Zliczanie liczby orłów w n rzutach monetą.
Dystrybuanta każdej ze zmiennych X
i
jest określona:
F
X
(y) = 0 gdy y <0 F
X
(y) = 1/2 gdy 0y <1 F
X
(y)=1 dla y 1
Dystrybuanta zmiennej S ma postać
F(y) =
x y
(n nad x) / 2
n
Przykład Wybieramy losowo liczbę z przedziału [0,1).
= [0,1). Niech U będzie zmienną losową taką że dla
x [0,1), U(x)=x.
Zmienna
jednostajna
P( U[a,b))= b-a b>a i b,a
[0,1)
To nie jest
dyskretna zmienna
losowa
Dystrybuanta F
U
(y) = P(U
y)
0 gdy y<0
y gdy 0
y<1
1 gdy y 1
F
U
(y)
=
Wartość oczekiwana
Definicja - skończona przestrzeń zdarzeń
elementarnych, X zmienna losowa określona w .
Wartością oczekiwaną zmiennej X nazywamy liczbę
E(X) =
w
X(w)* P({w}).
Jeśli wszystkie zdarzenia elementarne są
jednakowo prawdopodobne, to P({w}) =
1/card() czyli
)
(
)
(
)
(
card
X
X
E
Przykład Rzucamy jedną kostką do gry. Liczba
wyrzuconych oczek X jest zmienną losową o
wartościach 1,2,3,4,5,6 i ma rozkład jednostajny
P(X=i)=1/6.
Zatem E(X)= (1+2+...6)/6 = 3.5
Wartość oczekiwana zmiennej
dyskretnej
Niech X będzie zmienną losową dyskretną określoną w
pewnej przestrzeni zdarzeń elementarnych
}
,...,
2
,
1
:
{
n
i
x
i
)
(
1
i
n
i
i
x
X
P
x
EX
i
i
i
p
x
X
P
x
fX
)
(
)
(
i
n
i
i
i
n
i
i
p
x
x
fX
x
EX
1
1
)
(
Przykład
Zmienna losowa przypisująca losowi wygraną ma
rozkład prawdopodobieństwa f :
f(x
1
)=P(X=x
1
) = n
1
/n , f(x
2
)=P(X=x
2
) = n
2
/n ...
f(x
k
)=P(X=x
k
) = n
k
/n
Wartość oczekiwana zmiennej X , EX=
i=1...k
(x
i
*n
i
/n)=
i=1...k
(x
i
*n
i
)/n
1 los = EX zł
Zysk = n *EX
Suma
wygranych =
i=1...k
x
i
*n
i
W pewnej loterii sprzedaje się n losów, z których n
1
wygrywa sumę x
1
zł., n
2
- wygrywa x
2
zł., ...n
k
losów
wygrywa x
k
zł.
Loterię nazywamy sprawiedliwą, jeśli suma
wygranych jest równa ilości pieniędzy uzyskanych
ze sprzedaży biletów.
Jaka powinna być cena jednego losu, żeby loteria była
sprawiedliwa?
Przykład
5 biletów po 1,20zł 4 bilety po 2,40 zł
1,20
2,40
4,80
6 biletów po 4,80
zł
W tramwaju zgasło światło i pasażer skasował losowo
wyciągnięty bilet. Jaka jest wartość oczekiwana jego
opłaty za przejazd?
Rozkład prawdopodobieństwa f
X
:
f(1,20)= 5/15 f(2,40)= 4/15
f(4,80)= 6/15
bilet
Cena
tego
biletu
X
EX = 1,20 *5/15 + 2,40* 4/15+ 4,80 * 6/15 =
2,96
Własności wartości oczekiwanej
- przestrzeń zdarzeń, w której określone są zmienne
losowe X i Y.
Twierdzenie 1
E(cX) = c E(X)
E(X + Y) = E(X) + E(Y)
E(a) = a
E(X – E(X)) = 0
Twierdzenie 2
Jeśli X i Y są
niezależnymi
zmiennymi losowymi,
to
E(X * Y) = E(X) * E(Y).
Dowód Tw. 2:
E(X*Y) =
w
Y(w) *X(w) * P({w}) =
xX(),y Y()
x*y P(X=x i Y=y)
=
xX(),y Y()
x*y P(X = x ) * P ( y = y ) =
xX()
x* P(X=x) *(
yY()
y * P(Y=y) ) = E(X) * E(Y).
Wariancja
Definicja
: D
2
X = E((X-EX)
2
)
Rozważmy dwie zmienne o rozkładach {(100,1/2),
(100,1/2)}, {(2,1/3), (-1,2/3)} Mamy EX = EY = 0.
Chociaż zmienne bardzo się
różnią, to wartości oczekiwane są takie same.
Nowy parametr, który
charakteryzuje rozrzut
wartości zmiennej losowej.
Niech X ma rozkład prawdopodobieństwa {(x
i
,p
i
)}
i=1,...n.
Oznaczmy EX= m. Wtedy D
2
X = ((x
1
- m)
2
*p
1
+...+ (x
n
–
m)
2
*p
n.
Co to znaczy, że
D
2
X jest małą
liczbą?
Twierdzenie D
2
X = E(X
2
) – (EX)
2
Prawdopodobieństwo
zdarzenia, że X przyjmuje
wartość dużo różniącą się
od m jest małe.
Przykład
Rozważmy zmienną losową o rozkładzie zero-
jedynkowym
Wtedy EX = p oraz
D
2
X = E((X- EX)
2
) = (1-p)
2
p +(0-p)
2
(1-p) =
p(1-p)
p
prawdop
z
p
prawdop
z
X
.
1
.
1
0
Definicja Liczbę
nazywamy odchyleniem standardowym
zmiennej X. dyspersja
Na egzaminie jest 30 zadań i za każde można dostać 1
punkt o ile poprawnie odpowie się na 3 wykluczające
się pytania. Jaka jest wartość oczekiwana zmiennej
losowej opisującej wynik egzaminu i jaka jest wariancja
tej zmiennej.
X
D
2
Własności wariancji
Wniosek
Jeżeli zmienne X i Y są
niezależne, to
D
2
(X-Y) =
D
2
(X+Y).
Twierdzenie
D
2
(c) = 0
D
2
(cX) = c
2
D
2
(X)
D
2
(X + Y) = D
2
(X) + D
2
(Y) o ile X i Y są niezależne
Dowód
D
2
(X+Y) = E((X+Y - E(X+Y))
2
)= E((X-EX + Y-EY)
2
)=
E((X-EX)
2
+2(X-EX)(Y-EY) + (Y-EY)
2
)=
E ((X-EX)
2
) + E(2(X-EX)(Y-EY)) + E((Y-EY)
2
) =D
2
(X) +
D
2
(Y).
Ponieważ X i Y są
niezależne więc również (X-
c) i (Y-c) są zmiennymi
niezależnymi.
E(2(X-EX)(Y-EY))= 0
Zastosowanie
Dla ustalenia liczby ryb w jeziorze odławiamy pewną
liczbę ryb, np. 1000sztuk. Złapane ryby znakujemy i
wpuszczamy je do jeziora. Po upływie pewnego czasu
dokonujemy odłowu uzyskując np.: 1200 ryb, wśród
których było 25 znakowanych.
)
(
)
)(
(
N
n
C
c
B
b
N
P
N liczba ryb = liczba kul w urnie
B ryby znakowane = kule białe
C ryby nieznakowane = kule czarne
n ryby odłowione = liczba losowań
zależnych
b wyłowione znakowane =wylosowane
białe
c wyłowione nieznakowane =
wylosowane czarne
Prawdopodobieństwo wylosowania b kul
białych i c kul czarnych w n losowaniach
Cd. ryby
Aby na podstawie tych danych empirycznych
oszacować liczbę ryb w jeziorze zastosujemy zasadę
największej wiarygodności, polegającej na wyznaczeniu
takiej liczby N, aby prawdopodobieństwo P
N
miało
wartość największą.
P
N
/P
N-1
>1 dla N<B*n/b
P
N
/P
N-1
<1 dla N> B*n/b
b
n
B
N
N
Bn
BN
nN
N
P
P
B
N
b
n
B
b
N
n
N
n
B
N
b
n
B
b
N
N
(
)
)(
(
)
(
*
)
(
)
)(
(
2
1
1
1
P
N
osiąga
największą wartość
dla N = [B n/b]