Przekształcenia ciągłe zmiennej losowej.
(&!, F, P) przestrzeń probabilistyczna, X: &! R zmienna losowa.
Zmienna wyznacza na prostej pewien rozkład.
-1
Dla A Ä…" R : PX (A)= P({É : X (É)" A})= P(X (A)).
na
Niech zbiorem wartoÅ›ci zmiennej X bÄ™dzie zbiór Ax, czyli X: &! AX ‚" R .
Niech funkcja y = Ć(x) będzie ciągłą funkcją zmiennej rzeczywistej x na zbiorze Ax. Przez AY
określamy zbiór wartości funkcji Ć (y " AY).
Õ
X
&! AX AY ‚" R
Y(É) = Ć(X(É)) i tak okreÅ›lona funkcja odwzorowuje &! w R. Nazywamy jÄ… funkcjÄ…
ciągłą zmiennej losowej X i oznaczamy: Y = Ć(X).
Wyznaczamy wartości rozkładu zmiennej losowej Y.
Niech A ‚" R .
PY(A) = P({É: Y(É) "A})=P({É: Ć(X(É))"A}) = P({É: X(É) "Ć-1(A)}) = PX(Ć-1(A))
Zatem: PY(A) = PX(Ć-1(A)).
Przykład:
1) X ma rozkład dyskretny P(X=xi) = pi , i=1,2,3,&
y = Ć(x)=x2
Y = Ć(X)=X2
Y " AY = {y1,y2,& } yi = Ć(xi)
p' = P(Y = yi) = P(Õ(X ) = yi) = pi
i
"
k: Õ ( xk )= yi
X: xi -2 -1 0 1 2
pi 1/5 1/5 1/5 1/5 1/5
Y=X2 yi 0 1 2
pi 1/5 2/5 2/5
2) X ma rozkład ciągły
Niech Y = Ć(X) Ć - funkcja ciągła i ró\niczkowalna
f X(x) funkcja gęstości X
f Y(y) funkcja gęstości Y
Niech Õ - róznowartoÅ›ciowa .
Wtedy istnieje x = Õ-1(y).
1) Õ rosnÄ…ca.
Ka\demu przedziałowi x, x + "x) odpowiada przedział y, y + "y).
P(x d" X < x + "x) = P(y d" Y < y + "y)
Fx(x + "x)- Fx(x) = Fy(y + "y)- Fy(y) /: "x
Fy(y + "y)- Fy(y)
Fx(x + "x)- Fx(x) "y
= Å"
"x "y "x
"x 0 "! "y 0
Fy(y + "y)- Fy(y)
Fx(x + "x)- Fx(x) "y
lim = lim Å"
"x0 "x0
"x "y "x
"y0
Fx '(x)= Fy '(y)dy
dx
fx(x)= f (y)dy Ò! f (y)= fx(x)dx
y y
dx dy
fy(y)= fx(x)(Õ-1)'(y) - otrzymaliÅ›my wzór na gÄ™stość funkcji, gdy Õ jest rosnÄ…ca.
2) Õ malejÄ…ca
Ka\demu przedziałowi x, x + "x) odpowiada przedział y - ", y).
P(x d" X < x + "x) = P(y - "y < Y d" y)
Fx(x + "x)- Fx(x) = Fy(y)- Fy(y - "y) /: "x
Fy(y)- Fy(y - "y)
Fx(x + "x)- Fx(x) - "y
lim = lim Å"
"x0 "x0
"x - "y "x
"y0
"x 0 Ô! "y 0 Ô! -"y 0
dy
öÅ‚
Fx'(x) = Fy '(y)ëÅ‚- ÷Å‚
ìÅ‚
dx
íÅ‚ Å‚Å‚
dy
öÅ‚
fx(x) = fy(y)ëÅ‚- ÷Å‚
ìÅ‚
dx
íÅ‚ Å‚Å‚
fy(y) = fx(x)(- Õ-1(y))'
-1
Õ malejÄ…ca Õ malejÄ…ca (Õ-1)' ma wartoÅ›ci ujemne.
-1
Õ monotoniczna, to fy(y) = fx(x)(Õ (y))' = fx(Õ-1(y))(Õ-1(y))' .
Przykład:
1 1
Niech X ma rozkÅ‚ad ciÄ…gÅ‚y okreÅ›lony funkcjÄ… gÄ™stoÅ›ci: fx(x)= Å" , x " R .
Ä„ 1+ x2
Znalezć funkcję gęstości zmiennej Y = 3X - 2 .
1
y = Õ(x) = 3x - 2 y + 2 = 3x x = (y + 2)
3
1 2
Õ-1(y) = y +
3 3
1
(Õ-1(y))'=
3
1 1 1 2
öÅ‚
fy(y) = fx(Õ-1(y))Å" = fxëÅ‚ y + =
ìÅ‚ ÷Å‚
3 3 3 3
íÅ‚ Å‚Å‚
, y " R .
1 1 3
= Å" =
2
3Ä„ Ä„(13 + y2 + 4y)
1 2
ëÅ‚ öÅ‚
1+ y +
ìÅ‚ ÷Å‚
3 3
íÅ‚ Å‚Å‚
Przykład:
1 1
Niech X ma rozkład ciągły o funkcji gęstości: , x " R .
fx(x)= Å"
Ä„ 1+ x2
2
Znalezć funkcję gęstości zmiennej Y = 2X .
Wyznaczmy dystrybuantę nowego rozkładu:
2
FY (y)= PY (Y < y)= PY (2X < y)
2
1) y d" 0 FY (y)= PY (2X < y)= 0
y y y
2) y > 0 2x2 < y Ô! x2 < Ô! - < x <
2 2 2
ëÅ‚ öÅ‚ ëÅ‚ öÅ‚ ëÅ‚ öÅ‚
y y y y
÷Å‚
FY (y)= PìÅ‚- < x < = FX ìÅ‚ ÷Å‚ - FX ìÅ‚- ÷Å‚
ìÅ‚ ÷Å‚ ìÅ‚ ÷Å‚ ìÅ‚ ÷Å‚
2 2 2 2
íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚
ëÅ‚ öÅ‚ ëÅ‚ öÅ‚
y 1 1 y 1 1
=
fY (y) = F' ( y) = fX ìÅ‚ ÷Å‚ Å" - fX ìÅ‚- ÷Å‚
Å"
Y
ìÅ‚ ÷Å‚ ìÅ‚ ÷Å‚
2 2 2 2
y y
íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚
2 (- 2)
2 2
ëÅ‚ öÅ‚
÷Å‚
ëÅ‚ öÅ‚
ëÅ‚ öÅ‚ ëÅ‚ öÅ‚÷Å‚ 1 ìÅ‚ 1
1 y y 1 1
ìÅ‚ ÷Å‚
ìÅ‚
fX ìÅ‚ ÷Å‚ + fX ìÅ‚ - ÷Å‚
= + =
ìÅ‚ ÷Å‚ ìÅ‚ ÷Å‚
ìÅ‚
y 2 2
íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚÷Å‚ y ìÅ‚ ëÅ‚1+ y öÅ‚ Ä„ ëÅ‚1+ y öÅ‚ ÷Å‚ y ëÅ‚1+ y öÅ‚Ä„
íÅ‚ Å‚Å‚
Ä„
4 4 ìÅ‚ ÷Å‚ ìÅ‚ ÷Å‚ 2
ìÅ‚ ÷Å‚ ìÅ‚ ÷Å‚
2 2
2 2 íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚ 2 2
íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚
0 y d" 0
Å„Å‚
ôÅ‚
1
ôÅ‚
.
y > 0
fY (y)=
òÅ‚
ôÅ‚2Ä„ y ëÅ‚1+ y öÅ‚
ìÅ‚ ÷Å‚
ôÅ‚
2 2
íÅ‚ Å‚Å‚
ół
Zmienna losowa unormowana (standaryzowana).
X - zmienna losowa, EX=m, D2X = ´
Definicja:
X - m
ZmiennÄ… losowÄ… U = nazywamy zmiennÄ… losowÄ… unormowanÄ… (standaryzowanÄ…)
Ã
(zmiennej X).
X - m
Funkcja Õ(X )= odchylenia standardowego jest rosnÄ…ca.
Ã
Twierdzenie:
Je\eli U jest zmienną losową unormowaną, to wartość oczekiwana U jest równa 0 i wariancja
jest równa 1.
EU=0, D2(U)=1
X - m 1 EX - E(m) m - m
Dowód: E(U )= EëÅ‚ öÅ‚ = E(X - m)= = = 0
ìÅ‚ ÷Å‚
à à à Ã
íÅ‚ Å‚Å‚
2
X - m 1 D2 X Ã
D2ëÅ‚ öÅ‚ = D2(X - m)= = =1. %
ìÅ‚ ÷Å‚
2 2 2
à à à Ã
íÅ‚ Å‚Å‚
Rozkład DYSKRETNY.
a) Rozkład jednostajny
Mówimy, \e zmienna losowa X ma rozkład jednostajny, je\eli przyjmuje skończoną ilość
wartości nale\ących do zbioru x "{x1,..., xn} i ka\dą przyjmuje z jednakowym
prawdopodobieństwem:
1
P(X = xi )= dla i "{1,2,...}.
n
Przykład: Liczba oczek na kostce wartość zmiennej. Przyjmuje 6 wartości z jednakowym
1
prawdopodobieństwem .
6
b) Rozkład zero-jedynkowy
Zmienna ma rozkład zero jedynkowy, je\eli przyjmuje dwie wartości 0 i 1.
X "{0,1} P(X = 0)=1- q = p P(X =1)= p
2
EX = 0Å" q +1Å" p = p D2 X = EX - EX = 1Å" p + 0Å" q - p2 = p - p2 = p(1- p)= pq .
Przykład: X występuje w doświadczeniu, w którym mo\liwe są dwa wyniki i X jest to
wartość przyporządkowana tym wynikom, np. rzut monetą niekoniecznie symetryczną.
c) Rozkład geometryczny
Zmienna losowa przyjmuje nieskoÅ„czenie wiele wartoÅ›ci X (É)"{1,2,3,...} z
prawdopodobieństwem P(X = k)= pqk-1 dla k = 1,2,...
X liczba doświadczeń, które trzeba wykonać, aby uzyskać pierwszy sukces w ciągu
niezale\nych doświadczeń.
d) Rozkład Bernoulliego (rozkład dwumianowy)
Zmienna losowa X przyjmuje rozkład Bernoulliego, je\eli przyjmuje wartości X "{0,...n} z
n
ëÅ‚ öÅ‚
prawdopodobieÅ„stwami P(X = k)= ìÅ‚ ÷Å‚ pkqn-k dla k "{0,...,n}, czyli X-liczba sukcesów w
ìÅ‚k ÷Å‚
íÅ‚ Å‚Å‚
schemacie Bernoulliego.
2
&! = {É = (x1,& , xn): xi = A, A ,i = 1,& , n}
P(X =1)= p P(X = 0) = 1 - p = q
i i
X = X1 +& + X EX = EX1 +& + EX = nEX1 = n(1Å" p + 0Å" q)= np
n n
2
D2 X = D2 X1 +& + D2 X = nD2 X1 = n(EX12 - (EX1) )= n(1Å" p + 0 Å" q - p2)=
n
np - np2 = np(1- p)= npq
X sÄ… niezale\ne.
i
e) Rozkład Poissona
X "{0,1,2,& }
ke-
P = (X = k)= - stała, > 0
k!
"
Å" e- " k Å" k Å" e-
EX = pi = Å" = =
"xi "k k "
k! k!
i k =0 k =1
k
" " -1 l
"
k
= e- = =
" Å" e- "(k -1)! = e-" e-e
(k -1)! l!
k =1 k =1 l =0
e
2 k
" " "
k ke-
2 2
D2 X = pi - 2 = - 2 = Å" - 2 = e- +1) - 2 =
"xi " "k ke- "(k
k! k!(k -1)! k!
i k =0 k =1 k =0
k
" "
ëÅ‚ öÅ‚ ëÅ‚ öÅ‚
kk " k
ìÅ‚ ÷Å‚
= e-ìÅ‚ + = e-ìÅ‚ + e ÷Å‚ - 2 = e-(e + e )- 2 =
" " ÷Å‚ - 2 ìÅ‚"(k
÷Å‚
k! k! -1)!
k =0 k =0 k =1
íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚
= e-e (( +1))- 2 = 2 + - 2 =
Przykłady:
1) Rozmieszczenie gwiazd w układach międzyplanetarnych.
2) Rozmieszczenie drzew w wolnostojÄ…cym lesie.
3) Liczba połączeń w centralce w określonym czasie.
4) Liczba wad w określonej produkcji pewnych elementów.
5) Liczba zachorowań na rzadkie choroby.
6) Liczba po\arów, awarii, wypadków drogowych.
Wiele występujących w przyrodzie przykładów rozkładów mo\e być aproksymowane
rozkładem Poissona.
Twierdzenie. Poissona: Niech zmienna losowa X ma rozkład dwuwymiarowy określony
n
n
ëÅ‚ öÅ‚
wzorem: P(X = k)= ìÅ‚ ÷Å‚ pkqn-k , k = 0,1,...,n . Je\eli prawdopodobieÅ„stwo P = p(n) maleje
n
ìÅ‚ ÷Å‚
k
íÅ‚ Å‚Å‚
do zera w taki sposób, \e zaczynając od pewnego n0 dla n > n0 , np= =const, to
e- Å"k
lim P(X = k)= .
n
n"
k!
Dowód: p =
n
n
ëÅ‚ öÅ‚ n!
n-k
lim P(Xn = k) = limìÅ‚ ÷Å‚ pkqn-k = lim pk(1- p) =
ìÅ‚k ÷Å‚
n" n" n"
k!(n - k)!
íÅ‚ Å‚Å‚
n
(n - k +1)(n - k + 2)Å"& Å"(n -1)nk ëÅ‚1- öÅ‚
ìÅ‚ ÷Å‚
n
íÅ‚ Å‚Å‚
= lim =
k
n"
k!nk ëÅ‚1- öÅ‚
ìÅ‚ ÷Å‚
n
íÅ‚ Å‚Å‚
n
ëÅ‚1- k -1 k - 2 1
öÅ‚ëÅ‚1- öÅ‚ öÅ‚ëÅ‚1- öÅ‚
Å"& Å"ëÅ‚1-
ìÅ‚ ÷Å‚ìÅ‚ ÷Å‚ ìÅ‚ ÷Å‚ìÅ‚ ÷Å‚
k íÅ‚ k
n n n n
Å‚Å‚íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚íÅ‚ Å‚Å‚
= lim = e-
k
n"
k! k!
ëÅ‚1-
öÅ‚
ìÅ‚ ÷Å‚
.
n
íÅ‚ Å‚Å‚
-
n
n ëÅ‚ - öÅ‚
öÅ‚ ìÅ‚ öÅ‚ ÷Å‚
limëÅ‚1- ÷Å‚ ìÅ‚
= limìÅ‚ëÅ‚1- ÷Å‚
= e-
ìÅ‚
÷Å‚
n" n"
n n
íÅ‚ Å‚Å‚ ìÅ‚íÅ‚ Å‚Å‚ ÷Å‚
íÅ‚ Å‚Å‚
%
Wnioski:
Z twierdzenia wynika, \e rozkład Poissona mo\na stosować do aproksymacji rozkładu
dwumianowego, gdy prawdopodobieństwo P jest małe, a liczba doświadczeń
n-du\a. Przyjmujemy wtedy = np .
Przykład: W skład aparatury wchodzi m.in. n=1000 elementów określonego rodzaju.
Prawdopodobieństwo uszkodzenia w ciągu roku ka\dego z n-elementów wynosi p=0,001 i nie
zale\y od stanu pozostałych elementów. Obliczyć prawdopodobieństwa uszkodzenia w ciągu
roku:
a) dokładnie dwóch elementów
b) nie mniej ni\ dwóch elementów.
X-liczba elementów uszkodzonych w ciągu roku.
X ma rozkład dwumianowy o n=1000 i p=0,001.
n 1000
ëÅ‚ öÅ‚ ëÅ‚ öÅ‚
2 998
a) P(X = 2)= ìÅ‚ ÷Å‚ p2qn-2 = ìÅ‚ ÷Å‚(0,001) Å"(0,999)
ìÅ‚ ìÅ‚ ÷Å‚
2÷Å‚ 2
íÅ‚ Å‚Å‚ íÅ‚ Å‚Å‚
Obliczanie prawdopodobieństw przy tak du\ej liczbie n i małym p byłoby bardzo \mudne.
Mo\emy zatem uznać, \e X ma w przybli\eniu rozkład Poissona i skorzystać z tablic przy
obliczaniu prawdopodobieństw z uniknięciem \mudnych obliczeń.
= np = 0,001Å"1000 =1 P(X = 2)H" 0,183940
b)
P(X e" 2)=1- P(X < 2)=1-(P(X = 0)+ P(X =1))=1- (0,367879 + 0,367879)=1- 2Å" 0,367879 =
= 1- 0,735758 = 0,264242
Wyszukiwarka
Podobne podstrony:
MPiS30 W05d Zmienne losowe IIPiS15 W03 Zmienne losowe II 12MPiS cw zmienne losowezmienne losowe22 09 AMPiS cw dwie zmienne losowe3 Zmienne losowe i ich rozkładyrozklad zmiennej losowe metodologia wyk2Rozklad zmiennej losowej zadaniaPiS15 W02k Zmienne losowe ISM15 W02k Zmienne losowe IParametry zmiennej losowejPiS15 W02d Zmienne losowe Izmienne losowePiS15 W03k Zmienne losowe IIjurlewicz,probabilistyka, parametry zmiennej losowej2rozklady zmiennej losowejDwuwymiarowe Zmienne Losowe p29więcej podobnych podstron