01Zmienne losowe dyskretneid 3335 ppt

background image

Zmienne losowe

background image

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(

ω

i

) = i

Przykład 2 Rzut dwoma kostkami.

Zdarzenia elementarne ω ij = (i,j) , gdzie

i, j =1,2,3,4,5,6

X(

ω

ij

) =

i+j

Y(ω

i

) = 1 gdy i parzyste Y(ω

i

) =0 gdy i

nieparzyste

Y(

ω

ij

) = i/j

Nazwa zmiennejWartość zmiennej

dla zdarzenia wi

Z(

ω

ij

) = max(i,j)

Zmienne

dyskretne

background image

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

background image

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.

background image

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







N

x

dla

0

dla

2

)

(

N

x

x

n

x

f

n

sn

background image

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 (XI i Y J) = P(XI) * 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

background image

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

background image

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 0<y  1 F

X

(y)=1 dla y > 1

Dystrybuanta zmiennej S ma postać

F(y) =

x  y

(n/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)

=

background image

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

background image

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

X

p

x

X

P

x

f

)

(

)

(

i

n

i

i

i

X

n

i

i

p

x

x

f

x

EX

1

1

)

(

background image

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?

background image

Przykład

5 biletów po 1,20zł 4 bilety po 2,40 zł

1,20

2,40

4,80

6 biletów po 4,80

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

background image

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}) = 

xX(),y Y()

x*y P(X=x i Y=y)

=

xX(),y Y()

x*y P(X = x ) * P ( y = y ) =

xX()

x* P(X=x) *(

yY()

y * P(Y=y) ) = E(X) * E(Y).

background image

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.

background image

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

X

D

2

background image

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

background image

Przykład: Ryby

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 nie znakowane = kule czarne
n ryby odłowione = liczba losowań
zależnych
b wyłowione znakowane =wylosowane
białe
c wyłowione nie znakowane =
wylosowane czarne

Prawdopodobieństwo wylosowania b kul
białych i c kul czarnych w n losowaniach

background image

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]


Document Outline


Wyszukiwarka

Podobne podstrony:
zmienne losowe dyskretne id 591 Nieznany
zmienne losowe dyskretne, Socjologia
zmienne losowe dyskretne id 591 Nieznany
03 statystycznej proby losowejid 4486 ppt
03 Sejsmika04 plytkieid 4624 ppt
Choroby układu nerwowego ppt
10 Metody otrzymywania zwierzat transgenicznychid 10950 ppt
10 dźwigniaid 10541 ppt
03 Odświeżanie pamięci DRAMid 4244 ppt
Prelekcja2 ppt
2008 XIIbid 26568 ppt

więcej podobnych podstron