IV. PRAWDOPODOBIEŃSTWO I JEGO DEFINICJE
1. Klasyczna definicja prawdopodobieństwa (P. Laplace 1812)
a) przestrzeń E składa sie z n zdarzeń elementarnych
{ ei}
b) zdarzenia jednoelementowe
są jednakowo prawdopodobne
1
P {
( e =
= =
=
1})
P {
( e 2}) ... P {( en}) n
to prawdopodobieństwo dowolnego zdarzenia A składającego się m zdarzeń elementarnych wyraża się wzorem
P( )
m
A = n
m – liczba zdarzeń elementarnych sprzyjających zdarzeniu A n – liczba wszystkich zdarzeń elementarnych (przestrzeń zdarzeń elementarnych)
Przykład Obliczyć prawdopodobieństwo wyciągnięcia asa z talii kart brydżowych P( A) m
4
1
n=52 m=4
=
=
=
n
52
13
Rodzaje kart: 2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q, K, A po 4 kolory to n=13*4=52
dr A. Czech
1
Przykład W partii liczącej 100 sztuk mamy 10 wadliwych. Obliczyć prawdopodobieństwo wyciągnięcia sztuki wadliwej P( A) m
10
n=100 m=10
=
=
= 1
,
0
n
100
Klasyczna definicja nie pozwala obliczyć prawdopodobieństwa gdy przestrzeń
zdarzeń elementarnych E i zbiór zdarzeń sprzyjających zdarzeniu A są nieskończone
!!!
2. Prawdopodobieństwo geometryczne (rozszerzenie definicji klasycznej na nieprzeliczalne zbiory zdarzeń elementarnych) – jeżeli przestrzeń zdarzeń elementarnych E i zbiór A mają interpretację geometryczną, zamiast liczebności zbiorów można użyć miary geometrycznej (długość, pole powierzchni, objętość)
• długość
−
P(( c, d ))
d
c
=
b − a
dr A. Czech
2
• pole powierzchni
P( g )
S g
=
S
G
Przykład Ustawiono 2 pojemniki (biały i żółty) w kształcie walca jeden w drugi.
Następnie do tak ustawionych pojemników wrzucano piłki. Obliczyć jakie jest prawdopodobieństwo trafienia piłki w pojemnik żółty a jakie poza (przy założeniu że wszystkie piłki wpadają do pojemników).
2
2
R
π
R
π
1
P( ż) =
=
=
π
(2 R)2
4
2
R
π
4
π (2 R)2
2
− R
π
4
2
2
R
π − R
π
3
2
R
π
3
P( b) =
=
=
=
π
(2 R)2
4
2
R
π
4
2
R
π
4
dr A. Czech
3
V. ZMIENNE LOSOWE
Zmienna losowa – funkcja, która z określonym prawdopodobieństwem przyporządkowuje zdarzeniom liczby rzeczywiste X , Y - zmienne losowe,
x , y
i
i - wartości zmiennych losowych, gdzie: i = 1,2,...,n.
Typy zmiennych losowych:
A. Zmienna losowa typu skokowego
B. Zmienna losowa typu ciągłego
A. Zmienna losowa typu skokowego – wartościami zmiennej losowej skokowej są liczby x , x ,..., x
1
2
n .
Liczbom tym przyporządkowuje się pewne dodatnie prawdopodobieństwa p , p ,..., p 1
2
n , co wyraża się następującym zapisem: P( X = x ) = p
x
i
i - prawdopodobieństwo zajścia zdarzenia i
n
i= 1,2,..., n, gdzie: p p
1
i =
i > 0 i ∑
i=1
dr A. Czech
4
Rozkład zmiennej losowej w postaci tabeli
x
x
x
x
i
1
2 ...
n
p
p p
p
i
1
2
n
Rozkład zmiennej losowej X
p
i
x
x
x
x
x
1
2
3
4
i
dr A. Czech
5
Dystrybuantą zmiennej losowej dyskretnej X nazwiemy funkcję zdefiniowaną następująco:
F ( x) = P( X < x) = ∑ pi
−∞< xi < x
Zatem P( a ≤ X < b) = ∑ p = F( b) − F( a) i
a≤ x b
<
i
CHARAKTERYSTYKI LICZBOWE ZMIENNEJ LOSOWEJ
a) wartość przeciętna (średnia)
E( X ) = ∑ x p
i
i
b) wariancja
2
σ = ∑( x E( X 2
)) p
i −
i
c) odchylenie standardowe
2
σ = σ
PRZYKLAD Urna zawiera 20 kul oznaczonych kolejnymi numerami 1, 2, 3, 4, 5.
Liczba kul o podanych numerach wynosi odpowiednio: 2, 5, 7, 3, 3. Narysować wykres prawdopodobieństwa, dystrybuantę i obliczyć: wartość przeciętną, wariancję i odchylenie standardowe.
dr A. Czech
6
n
Dystrybuanta
Numery kul
n
p
i
=
i
i
n
F ( x)
F ( x) = P( X < x) = ∑ pi x = 1
−∞< xi < x
1
2
0,1
0
x = 2
2
5
0,25
0,10
x = 3
3
7
0,35
0,35
x = 4
4
3
0,15
0,70
P( a ≤ X < b) = ∑ p = F( b) − F( a) x = 5
i
5
3
0,15
0,85
a≤ x b
<
i
x > 5
1
∑ n
∑ p
i = 1
i = 20
Rozkład zmiennej losowej X
Dystrybuanta
p
F ( x)
i
x
x
i
i
dr A. Czech
7
E( X ) = ∑ x p
i
i = 1⋅
1
,
0 + 2⋅ ,
0 25 + 3⋅ 3
,
0 5 + 4⋅ 1
,
0 5 + 5⋅ 1
,
0 5 = 3 - wartość przeciętna
2
σ = ∑( x E X p
i −
( ))2 i = 1
( − )
3 2 ⋅ 1
,
0 + (2 − )
3 2 ⋅ ,
0 25 + 3
( − )
3 2 ⋅ 3
,
0 5 +
+
- wariancja
(4 − )
3 2 ⋅ 1
,
0 5 + 5
( − )
3 2 ⋅ 1
,
0 5 = ,
1 4
2
σ = σ = ,14 = 1,
1 8 - odchylenie standardowe
WYBRANE ROZKŁADY SKOKOWE
1. Rozkład zero-jedynkowy
P( X = )
1 = p - rozkład zmiennej X
P( X = 0) = 1− p
p + q =
,
gdzie:
1
0 dla
x ≤ 0
F ( x) = q dla 0 < x ≤ 1
- Dystrybuanta
1 dla
x > 1
E( X ) = 1⋅ p + 0 ⋅ q = p - wartość oczekiwana 2
σ = ∑( x − E( X 2
)) p = 1
( − p 2
) ⋅ p + (0 − p 2
) ⋅ q = pq
i
i
- wariancja
Stosowany przy badaniu cech niemierzalnych (jakościowych)
dr A. Czech
8
Przykład Rzut monetą. Jeżeli orzeł to 1, zaś w przypadku reszki 0. Rozkład zero-jedynkowy z prawdopodobieństwem ½.
1
0 dla
x ≤ 0
P( X = )
1 =
1
2
F ( x) =
dla
0 < x ≤ 1
1
2
P( X = 0) =
1
dla
x > 1
2
p
F ( x
i
)
x
x
i
i
dr A. Czech
9
1
E( X ) = p = 2 - wartość oczekiwana
2
1
1
1
σ = pq = 1− =
2
2
4 - wariancja
2
1
1
σ = σ =
=
4
2 - odchylenie standardowe
2. Rozkład dwumianowy (bimodalny)
Zmienna losowa X ma rozkład dwumianowy B(n,p) jeśli jej funkcja rozkładu określona jest następującym wzorem:
n
−
−
n!
k
n k
k
k
n k
k
n− k
P( X = k) =
p q
= C p q
=
p q
n
k
k (
! n − k)!
gdzie: n – liczba doświadczeń,
k = 1,2,3,...,n
p – prawdopodobieństwo sukcesu
q = 1- p – prawdopodobieństwo porażki
dr A. Czech
10
Dystrybuanta zmiennej losowej:
!
F ( x) = ∑
n
k
k
n − k
C p q
p q
n
= ∑
k
n − k
k (
! n
k)!
k < x
k < x
−
Charakterystyki opisowe:
E( X ) = np - wartość przeciętna lub z definicji E( X ) = ∑ x p i
i
2
σ = npq
2
2
- wariancja lub z definicji σ = ∑ ( x E( X )) p
i −
i
Przykład Rzucamy 3 razy monetą n=3, p=0,5 q=0,5
A. Obliczyć: a) P( X = )
0 - nie będzie orła,
b) P( X = )
1 - będzie raz orzeł,
c) P( X = )
2 - będzie 2 razy orzeł,
d) P( X = )
3 - będzie 3 razy orzeł,
e) P( X ≥ )
1 - będzie przynajmniej raz orzeł,
B. Narysować: wykres rozkładu prawdopodobieństwa i dystrybuantę C. Obliczyć: wartość przeciętną, wariancję i odchylenie standardowe
A:
3
0
3
0
0
3
!
3
1
1
a) P( X = )
0 =
5
,
0
5
,
0
= C 5
,
0
5
,
0
=
1⋅ =
0
3
3
(
!
0
− )
0 !
8
8
dr A. Czech
11
3
⋅
1
2
1
1
2
!
3
1 1
!
2 3 1
3
b) P( X = )
1 =
5
,
0
5
,
0
= C 5
,
0
5
,
0
=
⋅ ⋅ =
⋅ =
1
3
3
(
!
1
− )
1 ! 2 4
1⋅ !
2 8
8
3
⋅
2
1
2
2
1
!
3
1 1
!
2 3 1
3
c) P( X = )
2 =
5
,
0
5
,
0
= C 5
,
0
5
,
0
=
⋅ ⋅ =
⋅ =
2
3
3
(
!
2
− )
2 ! 4 2
!
2 ⋅ !
1 8
8
3
3
0
3
1
2
!
3
1
!
3 1
1
d) P( X = )
3 =
5
,
0
5
,
0
= C 5
,
0
5
,
0
=
⋅ ⋅1 = ⋅ =
3
3
3
(
!
3
− )
3 ! 8
!
3 8
8
3 n
k
n− k
3
3
1
7
P X
∑
e) (
≥ )
1 =
5
,
0
5
,
0
= + + =
k
k 1
=
8
8
8
8
B:
Rozkład zmiennej losowej X
Dystrybuanta
pi
F ( x)
x
x
i
i
dr A. Czech
12
C:
1
E( X ) = np = 3⋅ - wartość przeciętna 2
1
3
3
1
12
E( X ) = ∑ x p
i
i = 0 ⋅
+1⋅ + 2⋅ + 3⋅ =
= 5
,
1
8
8
8
8
8
2
1 1
3
σ = npq = 3⋅ ⋅ = = ,
0 75
2 2
4
- wariancja
2
2
2
1
2
3
2
3
2
1
σ = ∑( x E X p
i −
( ))
i = (0 −
)
5
,
1
⋅ + 1
( −
)
5
,
1
⋅ + (2 − )
5
,
1
⋅ + 3
( −
)
5
,
1
⋅ = 7
,
0 5
8
8
8
8
σ =
7
,
0 5 = 8
,
0 7
3. Rozkład Poissona
Zmienna losowa X przyjmuje wartości: 0,1,2,... z prawdopodobieństwem: k
m
− m
P( X = k) =
e
gdzie: m – stała dodatnia
k!
e=2,71 – stała Eulera
k = 0,1,2,...
dr A. Czech
13
Dystrybuanta zmiennej losowej X:
k
F ( x)
∑ m −
=
m
e
k!
k < x
Charakterystyki opisowe:
E( X ) = m - wartość oczekiwana 2
σ = m - wariancja
Rozkład dwumianowy można przybliżać rozkładem Poissona gdy:
• prawdopodobieństwo sukcesu jest mniejsze niż 0,2 ( p < , 0 2 ),
• liczna doświadczeń jest równa co najmniej 20 ( n ≥ 20).
co można zapisać w postaci:
k
n
−
np
k
n k
− np
P( X = k) =
p q
≈
e
k
k!
gdzie: np= m w rozkładzie Poissona
dr A. Czech
14