plik


ÿþ1 MateriaBy dydaktyczne: Probabilistyka Opracowanie: Monika PotyraBa 2 Literatura: 1. W.Krysicki, J.Bartos, W.Dyczka, K.Królikowska, M.Wasilewski,  Rachunek prawdopodobieDstwa i statystyka matematyczna w zadaniach , cz.I Rachunek prawdopodobieDstwa, Wydawnictwo Naukowe PWN, Warszawa, 1993; 2. T.Gerstenkorn, T.Zródka,  Kombinatoryka i rachunek prawdopodonieDstwa , PWN, Warszawa, 1972; 3. W.Kordecki,  Rachunek prawdopodobieDstwa i statystyka matematyczna. Definicje, twierdzenia, wzory , Oficyna Wydawnicza GiS, WrocBaw, 2003; 4. H.Jasiulewicz, W.Kordecki,  Rachunek prawdopodobieDstwa i statystyka matematyczna. PrzykBady i zadania , Oficyna Wydawnicza GiS, WrocBaw, 2003. 5. K.Dobrowolska, W.Dyczka, H.Jakuszenkow,  Matematyka dla studentów studiów technicznych 2 , HELPMATH, Aódz 1999. Opracowanie: Monika PotyraBa 3 Rachunek prawdopodobieDstwa - probabilistyka to dziedzina matematyki, która pozwala budowa modele matematyczne dla do[wiadczeD losowych. 1. ELEMENTY KOMBINATORYKI Definicja. Permutacj bez powtórzeD zbioru n-elementowego nazywamy ka|dy n-elementowy, ró|nowarto[ciowy cig elementów tego zbioru. Liczb wszystkich permutacji zbioru Pn n-elementowego oznaczamy symbolem . Twierdzenie. Liczba wszystkich permutacji zbioru n-elementowego wyra|a si wzorem: Pn = n! Definicja. Permutacj z powtórzeniami zbioru n-elementowego nazywamy ka|dy n-elementowy cig elementów tego zbioru. Liczb wszystkich permutacji zbioru n-elementowego o n1, n2, ... , nk powtarzajcych si elementach odpowiednio razy oznaczamy symbolem . Pnn1,n2,...,nk Twierdzenie. Liczba wszystkich permutacji zbioru n-elementowego o powtarzajcych si elementach odpowiednio n1, n2, ... , nk razy wyra|a si wzorem: n! Pnn1,n2,...,nk = n1!n2!...nk! Opracowanie: Monika PotyraBa 4 Definicja. Kombinacj bez powtórzeD k-elementow zbioru k d" n n-elementowego ( ) nazywamy ka|dy k-elementowy podzbiór ró|nych elementów tego zbioru. Liczb wszystkich kombinacji k-elementowych zbioru n-elementowego oznaczamy k Cn symbolem . Twierdzenie. Liczba wszystkich kombinacji k-elementowych zbioru n-elementowego wyra|a si wzorem: def n n! ëø öø k Cn = = ìø ÷ø (n - k)!Å" k! k íø øø Definicja. Kombinacj z powtórzeniami k-elementow zbioru k d" n n-elementowego ( ) nazywamy ka|dy k-elementowy podzbiór tego zbioru elementów ró|nych lub nie ró|nicych si midzy sob. Liczb wszystkich kombinacji k-elementowych k zbioru n-elementowego oznaczamy symbolem . Cn Twierdzenie. Liczba wszystkich kombinacji k-elementowych z powtórzeniami zbioru n-elementowego wyra|a si wzorem: def n + k - 1 n + k - 1 ëø öø ëø öø k Cn = ìø ÷ø = ìø ÷ø k n - 1 íø øø íø øø Definicja. Wariacj bez powtórzeD k-elementow zbioru k d" n n-elementowego ( ) nazywamy ka|dy k-elementowy, ró|nowarto[ciowy cig elementów tego zbioru. Liczb wszystkich Opracowanie: Monika PotyraBa 5 wariacji bez powtórzeD k-elementowych zbioru n-elementowego Vnk oznaczamy symbolem . Twierdzenie. Liczba wszystkich wariacji bez powtórzeD k-elementowych zbioru n-elementowego wyra|a si wzorem: n! k Vn = (n - k)! Definicja. Wariacj z powtórzeniami k-elementow zbioru n-elementowego nazywamy ka|dy k-elementowy cig elementów tego zbioru (ró|nych lub nie ró|nicych si midzy sob). Liczb wszystkich wariacji z powtórzeniami k-elementowych zbioru Vnk n-elementowego oznaczamy symbolem . Twierdzenie. Liczba wszystkich wariacji z powtórzeniami k-elementowych zbioru n-elementowego wyra|a si wzorem: k Vn = nk 2. PRAWDOPODOBIECSTWO D - do[wiadczenie losowe (realizacja okre[lonego zespoBu warunków, wraz z okre[lonym z góry zbiorem wyników) &! - przestrzeD zdarzeD elementarnych (zbiór wszystkich, wzajemnie wykluczajcych si wyników danego do[wiadczenia) Opracowanie: Monika PotyraBa 6 É , É , ... - zdarzenia elementarne 1 2 (najprostsze, niepodzielne, wzajemnie wykluczajce si wyniki danego do[wiadczenia) A, B, ... - zdarzenia losowe (dowolne podzbiory przestrzeni zdarzeD elementarnych &!) Z - zbiór zdarzeD losowych (rodzina podzbiorów przestrzeni zdarzeD elementarnych &!) Gdy przestrzeD &! jest nieprzeliczalna, wtedy nie ka|dy jej podzbiór przyjmuje si za zdarzenie losowe. Spo[ród wszystkich podzbiorów wyró|nia si rodzin Z podzbiorów &! tak, aby speBnione byBy warunki: 1. &!"Z; 2. Je|eli A"Z, to A "Z; " Uð An " Z 3. Je|eli A , A , A ,& ,A & "Z, to . 1 2 3 n n= 1 Definicja. Rodzin Z podzbiorów &! speBniajc warunki 1-3 nazywamy Ã-ciaBem zdarzeD. Opracowanie: Monika PotyraBa 7 Definicja klasyczna prawdopodobieDstwa (Pierre-Simon de Laplace, 1812) Je|eli przestrzeD &! skBada si z n (n<") jednakowo mo|liwych zdarzeD elementarnych i zdarzenie A skBada si z k zdarzeD elementarnych, to liczb k P( A) = n nazywamy prawdopodobieDstwem zaj[cia zdarzenia A. Definicja aksjomatyczna prawdopodobieDstwa (Andriej KoBmogorow 1933) Niech &! bdzie przestrzeni zdarzeD elementarnych do[wiadczenia losowego D, Z - jego zbiorem zdarzeD losowych. PrawdopodobieDstwem nazywamy funkcj P przyporzdkowujc ka|demu zdarzeniu A"Z liczb rzeczywist P(A) zgodnie z nastpujcymi aksjomatami: (a1) Dla ka|dego zdarzenia A"Z e" P(A) 0 (a2) PrawdopodobieDstwo zaj[cia zdarzenia pewnego jest równe 1, tj. P(&!)=1 (a3) Dla dowolnego cigu A , A , ... parami rozBcznych 1 2 zdarzeD ze zbioru Z *" *" P(A A & ) = P(A ) + P(A ) + & 1 2 1 2 Definicja. (&!,Z,P) nazywamy przestrzeni probabilistyczn. Opracowanie: Monika PotyraBa 8 ELEMENTARNE WAASNOZCI PRAWDOPODOBIECSTWA (w1) P(Ø) = 0 d" (w2) P(A) 1 dla ka|dego A"Z ‚" Ò! d" (w3) A B P(A) P(B) ‚" Ò! (w4) A B P(B\A) = P(B)  P(A) (w5) P(B\A) = P(B)  P(A)"B) (w6) P(A ) = 1  P(A) *" (w7) P(A B) = P(A) + P(B)  P(A)"B) (w8) Je|eli zdarzenia A , A , ..., A s parami rozBczne, to 1 2 n *" *" *" P(A A & A ) = P(A ) + P(A ) + & + P(A ) 1 2 n 1 2 n (w9) Je|eli &!={É ,É ,...,É } i P({É })= P({É })=...= P({É })=1/n, to 1 2 n 1 2 n dla dowolnego zdarzenia A liczba zdarzeD elementarnych sprzyjajacych zdarzeniu A A P( A) = = liczba wszystkich zdarzeD elementarnych przestrzeni © © (w10) Je|eli &!={É ,É ,...} lub &!={É ,É ,...,É } i speBnione s 1 2 1 2 n e" warunki P({É })=p 0 oraz "i pi = 1, to prawdopodobieDstwo i i A = {É ,É ,...,É } wynosi zaj[cia zdarzenia i1 i2 ik P( A) = P({Éi1 }) + P({Éi2 }) + ...P({Éik }) = pi1 + pi2 + ...+ pik (w11) Je|eli © ‚" Rn, &! - zbiór ograniczony o mierze ( ) m A ( ) P A := ( ) 0 < m © < " , to . Jest to tzw. prawdopodobieDstwo m(©) geometryczne. Opracowanie: Monika PotyraBa 9 3. PRAWDOPODOBIECSTWO WARUNKOWE Niech (&!,Z,P) bdzie przestrzeni probabilistyczn pewnego do[wiadczenia, B"Z za[ dowolnym ustalonym zdarzeniem takim, |e P(B)>0. Definicja. PrawdopodobieDstwem warunkowym P(A|B) zaj[cia zdarzenia A"Z pod warunkiem zaj[cia zdarzenia B nazywamy liczb P(A )" B) P (A B)= P(B) 4. NIEZALE{NOZ ZDARZEC Definicja. Mówimy, |e zdarzenia A, B" Z s niezale|ne, gdy P(A)"B) = P(A)Å"P(B) Twierdzenie. Niech P(B)>0. Wówczas zdarzenia A i B s niezale|ne wtedy i tylko wtedy, gdy P(A|B) = P(A) A1, A2,..., An Definicja. Mówimy, |e zdarzenia "Z s parami niezale|ne, je[li ka|de dwa z nich s niezale|ne. A1, A2,..., An Definicja. Mówimy, |e zdarzenia "Z s zespoBowo niezale|ne, je[li prawdopodobieDstwo koniunkcji dowolnych k spo[ród nich jest równe iloczynowi prawdopodobieDstw tych zdarzeD. Opracowanie: Monika PotyraBa 10 5. TWIERDZENIE O PRAWDOPODOBIECSTWIE CAAKOWITYM. Twierdzenie (o prawdopodobieDstwie caBkowitym). Je|eli zdarzenia B , B , ..., B "Z speBniaj warunki: 1 2 n B1 *" ... *" Bn = © (c1) Bi )" B = " (c2) , gdy i`"j, j (c3) P(B )>0 dla ka|dego i, i to dla dowolnego zdarzenia A"Z zachodzi równo[ P(A)=P(B )Å"P(A|B )+P(B )Å" P(A|B )+& +P(B )Å"P(A|B )= 1 1 2 2 n n n n P(Bi ) Å" P(A Bi ) P( A )" Bi ) " " = i= 1 i= 1 Twierdzenie (Bayesa) Je|eli zdarzenia B ,B ,...,B "Z speBniaj 1 2 n warunki (c1)-(c3) twierdzenia o prawdopodobieDstwie caBkowitym oraz P(A) > 0, to dla ka|dego zdarzenia B j zachodzi równo[ P(B ) Å" P(A B ) P(B ) Å" P(A B ) j j j j P(B A) = = j n ( ) P A P(Bi ) Å" P(A Bi ) " i= 1 Definicja. Mówimy, |e zdarzenia B ,B ,...,B "Z tworz ukBad 1 2 n zupeBny zdarzeD, gdy speBniaj warunki (c1) i (c2) twierdzenia o prawdopodobieDstwie caBkowitym. Opracowanie: Monika PotyraBa 11 6. ZMIENNE LOSOWE Niech (&!,Z,P) bdzie dowoln przestrzeni probabilistyczn. Definicja. Zmienn losow (ZL) X bdziemy nazywa funkcj X : &! ’! R speBniajc warunek: {É " &! : X(É ) < x } " Z '" x" R Definicja. Mówimy, |e dany jest rozkBad prawdopodobieDstwa, gdy dla dowolnego zbioru okre[lone jest A ‚" R prawdopodobieDstwo def P(X " A) = P{ É " &! : X (É ) " A } ( prawdopodobieDstwo zdarzenia, |e zmienna losowa przyjmuje warto[ci ze zbioru A). Definicja. Dystrybuant ZLX nazywamy funkcj F : R ’! [0,1] okre[lon wzorem def { } F(x) = P(X < x) = P É " &! : X (É ) < x . '" x" R (prawdopodobieDstwo przyjcia przez zmienn losow X warto[ci mniejszej ni| x) Opracowanie: Monika PotyraBa 12 Twierdzenie. Dystrybuanta F ma nastpujce wBasno[ci: (d1) F jest funkcj niemalejc (d2) F jest funkcj lewostronnie cigB lim F( x) = 0 '" lim F( x) = 1 (d3) x’! - " x’! " Ponadto: (d4) F(x ) - F(x ) = P ( x d" X < x ) dla x < x 2 1 1 2 1 2 + (d5) F(x )-F(x ) = P( X=x ) dla x "R 0 0 0 0 (d6) dla x "R ( F(x0+ ) = P X d" x0 ) 0 F : R ’! [0,1] speBniajca Twierdzenie. Dowolna funkcja warunki (d1)-(d3) jest dystrybuant pewnej ZL X. 7. ZMIENNA LOSOWA TYPU SKOKOWEGO (ZLS) Definicja. ZL X nazywamy typu skokowego (ZLS), gdy istnieje przeliczalny zbiór W={x ,x ,...}‚"R (w szczególno[ci zbiór W jest 1 2 skoDczony) dla którego speBnione s warunki: P( X = xi ) > 0 '" (s1) xi" W (x - punkt skokowy, P(X=x )=p(x )= p -skok) i i i i p(xi ) = 1 " (s2) ( warunek unormowania ) xi" W Opracowanie: Monika PotyraBa 13 Definicja. Dystrybuant ZLS X o punktach skokowych x i i ( ) p xi F : R ’! [0,1] skokach jest funkcja okre[lona wzorem def F(x) = p(xi ) " '" xi < x x" R Twierdzenie. Dystrybuanta ZLS X ma wBasno[ci (d1)-(d6). Ponadto dystrybuanta ZLS X jest funkcj przedziaBami cigB (niecigB, przedziaBami staB). 8. ZMIENNA LOSOWA TYPU CIGAEGO (ZLC) Definicja. ZL X nazywamy typu cigBego (ZLC), gdy istnieje f : R ’! R+ *" {0} caBkowalna funkcja taka, |e dla dowolnego [x1, x2] przedziaBu x2 P (X " [x1, x2]) = f (x)dx +" x1 Y y=f(x) ( ) P x1 d" x d" x2 x1 x2 X Funkcj f nazywamy gsto[ci prawdopodobieDstwa ZLC X. PrzykBady zmiennej losowej typu cigBego: czas [wiecenia |arówki, bBd losowy pomiaru, czas czekania na wykonanie usBugi. Opracowanie: Monika PotyraBa 14 Twierdzenie. Gsto[ f prawdopodobieDstwa ZLC X speBnia warunek " f (x)dx = 1 (warunek unormowania) +" - " Y y=f(x) 1 X Twierdzenie. Warunkiem koniecznym i dostatecznym na to, aby funkcja f byBa gsto[ci prawdopodobieDstwa jest aby " ( ) ( ) f x e" 0 f x dx = 1 , oraz . +" - " Definicja. Dystrybuant ZLC X o gsto[ci f jest funkcja F : R ’! [0,1] okre[lona wzorem def x F( x) = f (t)dt +" '" x" R - " Y y=f(x) ( ) F x0 x0 X Twierdzenie. Dystrybuanta F ZLC X speBnia warunki (d1)- (d6). Ponadto F jest funkcj cigB. Opracowanie: Monika PotyraBa 15 Twierdzenie. Je|eli F jest dystrybuant ZLC X, to funkcja F'(x) dla tych x, dla których istnieje skoncz.F'(x) ñø f (x) = (*) òø 0 dla pozostaych x " R óø jest gsto[ci ZLC X. Twierdzenie. Zmienna losowa cigBa X ma nastpujce wBasno[ci: P( X = c) = 0 '" " c" R P(a d" X d" b) = P(a < X d" b) = P(a d" X < b) = P(a < X < b) = '" " a< b a,b" R b ( ) = F(b) - F(a) = f x dx +" a Twierdzenie. Je|eli F jest dystrybuant pewnej zmiennej losowej X oraz f jest funkcj postaci (*) i speBniajc warunek unormowania, to X jest zmienn losow cigB, a f jest jej gsto[ci. Opracowanie: Monika PotyraBa 16 4. CHARAKTERYSTYKI LICZBOWE ZMIENNYCH LOSOWYCH Niech g bdzie funkcj okre[lon na zbiorze warto[ci zmiennej losowej X tak, |e Y=g(X) jest zmienn losow. MIARY ZREDNIE Definicja. Warto[ oczekiwan (przecitn, nadziej matematyczn) funkcji g(X) zmiennej losowej X oznaczamy symbolem E[g(X)] i okre[lamy w nastpujcy sposób: xi p( xi ) " gdy X jest ZLS o punktach skokowych i skokach g( xi ) p( xi ) < " E[g(X )] = g(xi )Å" p(xi ) " " oraz , to i i " g( x) f ( x)dx < " " gdy X jest ZLC o gsto[ci f oraz , +" - " " E[g(X )] = ( ) to . W szczególno[ci, dla +"g x Å" f (x) dx - " EX = xi Å" p(xi ) xi Å" p( xi ) < " " " ( ) g x = x : , gdy i i " " EX = oraz +"x Å" f ( x) dx , gdy x Å" f ( x)dx < " . +" - " - " Opracowanie: Monika PotyraBa 17 Twierdzenie. (WBasno[ci warto[ci oczekiwanej) Niech X, Y bd dowolnymi ZL, oraz niech a,b,c"R. Wówczas E(aX ) = aEX (E1) E(X + b) = EX + b (E2) E(aX ± bY ) = aEX ± bEY (E3) E( X Å" Y ) = EX Å" EY (E4) Je|eli X, Y s ZL niezale|nymi, to P( X = c) = 1, to EX = c (E5) Je|eli P(X e" 0) = 1, to EX e" 0 (E6) Je|eli P(a d" X d" b) = 1, to a d" EX d" b (E7) Je|eli P( X d" Y ) = 1, to EX d" EY (E8) o ile EX i EY istniej Definicja. Kwantylem rzdu p (p"(0,1)) ZL X nazywamy liczb x speBniajc warunki: p ( ) ( ) P X d" x e" p P X e" x e" 1 - p oraz p p x0,5 Definicja. Median (Me, ) nazywamy kwantyl rzdu p=0,5. Definicja. Mod (warto[ci modaln, dominant  Do), nazywamy ( ) ( ) xk min xi max xi - dla ZLS  punkt skokowy , ró|ny od i , ( ) p xk dla którego osiga maksimum absolutne;  dla ZLC  odcit maksimum absolutnego gsto[ci. Opracowanie: Monika PotyraBa 18 MIARY ROZRZUTU (DYSPERSJI) Definicja. Momentem zwykBym rzdu zmiennej r " N r losowej X nazywamy liczb o ile istnieje. W ( ) mr = E X m1 = EX szczególno[ci . Definicja. Momentem centralnym rzdu zmiennej r " N losowej X nazywamy liczb . ( µ = E X - EX )r r µ = 0 Uwaga. 1 Twierdzenie. Je[li istnieje skoDczony moment rzdu r, to istniej skoDczone momenty rzdów k d" r . Definicja. Moment centralny rzdu II-go nazywamy wariancj zmiennej losowej X i oznaczamy symbolem VX ( lub VarX, D2X ). Zatem: VX = E(X - EX )2 W szczególno[ci: p( xi ), to " gdy X jest ZLS o skokach VX = (xi - EX )2 Å" p(xi ); " i " gdy X jest ZLC o gsto[ci f , to " VX = +"( x - EX )2 Å" f (x) dx - " Opracowanie: Monika PotyraBa 19 Twierdzenie. (WBasno[ci wariancji ) Niech X, Y bd dowolnymi ZL, oraz niech a,b,c"R. Wówczas ( ) VX = 0 Ô! P X = c = 1 (V1) VX e" 0, (V2) V (aX + b) = a2VX 2 (V3) VX = EX - (EX )2 V ( X ± Y ) = VX + VY (V4) Je|eli X, Y s ZL niezale|nymi to (V5) ( ) ( )2 c ( )2 VX = E X - c - ( - EX )2 VX d" E X - c Definicja. Odchylenie standardowe zmiennej losowej X ( ) lub à , S oznaczamy symbolem DX i okre[lamy za x pomoc wzoru: DX = VX Opracowanie: Monika PotyraBa 20 PRZYKAADY ROZKAADÓW TYPU SKOKOWEGO ZMIENNA O ROZKAADZIE RÓWNOMIERNYM x x x ... x i 1 2 n 1 1 1 p ... i n n n x1 + x2 + ... + xn EX = n ZMIENNA O ROZKAADZIE JEDNOPUNKTOWYM x x i 1 p 1 i EX = x1 VX = 0 ZMIENNA O ROZKAADZIE DWUPUNKTOWYM (ZERO- JEDYNKOWYM) x x =1 x =0 i 1 2 p p q=1-p i EX = p VX = pÅ" q Opracowanie: Monika PotyraBa 21 ZMIENNA O ROZKAADZIE GEOMETRYCZNYM ZL X ma rozkBad geometryczny o parametrze p, gdy W=N, przy czym p " (0,1), k = 1,2,... , pk = P(X = k) = pqk- 1 p + q = 1 q 1 VX = EX = , p p2 ZMIENNA O ROZKAADZIE DWUMIANOWYM (BERNOULLIEGO) X <" b(n,p) n ZL X ma rozkBad Bernoulliego, gdy W={0, 1,...,n} (ne"1) n n ëø öø pk = P( Xn = k) = ìø ÷ø pkqn- k k íø øø przy czym p " (0,1), k = 0,1,...,n p + q = 1 , . EXn = n Å" p VXn = n Å" p Å" q ZMIENNA O ROZKAADZIE POISSONA X <" Po(») ZL X ma rozkBad Poissona, gdy W={0, 1,...} k e- » » przy czym »>0, k=0, 1, .... pk = P(X = k) = k! EX = » VX = » Opracowanie: Monika PotyraBa 22 Twierdzenie. (o zbie|no[ci rozkBadu Bernoulliego do rozkBadu Poissona) Niech ZL X ma rozkBad Bernoulliego X <"b(n,p). Je|eli n n lim np(n) = » p=p(n) speBnia warunek , n’! " k n ëø öø e- » » to . lim ìø ÷ø pkqn- k = k k! n’! " íø øø Wniosek (przybli|enie Poissona) k n ëø öø e- » » ìø ÷ø pkqn- k H" , » = np, k = 0,1,..., n k k! íø øø Przybli|enie to jest wystarczajco dokBadne, gdy: p<0.1, n>50, np<10. Opracowanie: Monika PotyraBa 23 PRZYKAADY ROZKAADÓW TYPU CIGAEGO ZMIENNA LOSOWA O ROZKAADZIE JEDNOSTAJNYM (równomiernym, prostoktnym) X<"R(a,b) Definicja. ZLC X ma rozkBad jednostajny na przedziale (a,b), gdy 1 ñø dla a < x < b ôø f ( x) = - a b òø ôø 0 dla x d" a (" x e" b óø Y f(x)= a b X Twierdzenie. Gdy ZLC X ma rozkBad jednostajny, to 0 dla x d" a ñø ôø x-a ôø òø " F( x) = dla a < x < b b-a ôø ôø 1 dla x e" b óø Y y=F(x) a b X a + b " EX = 2 (b - a)2 " VX = 12 Opracowanie: Monika PotyraBa 24 ZMIENNA LOSOWA O ROZKAADZIE WYKAADNICZYM X<"Ex(») Definicja. ZLC X ma rozkBad wykBadniczy z parametrem » (»>0), gdy ñø ôø » Å" e- » Å" x dla x e" 0 f (x) = òø ôø 0 dla x < 0 óø Y » y=f(x) X Twierdzenie. Gdy ZLC X ma rozkBad wykBadniczy, to ñø ôø - e- » Å" x dla x e" 0 1 " F( x) = òø ôø 0 dla x < 0 óø Y 1 y=F(x) X 1 " EX = » 1 " VX = 2 » Opracowanie: Monika PotyraBa 25 ZMIENNA LOSOWA O ROZKAADZIE NORMALNYM (GAUSSA) X<"N(µ,Ã) Definicja. ZLC X ma rozkBad normalny z parametrami (µ,Ã) (µ"R, Ã>0), gdy ( x- µ )2 - 2 1 2à f (x) = Å" e , x " R à Å" 2À Y 1 y=f(x) krzywa Gaussa à 2À µ X Twierdzenie. Gdy ZLC X ma rozkBad normalny, to " EX = µ 2 " VX = à Opracowanie: Monika PotyraBa 26 ZMIENNA LOSOWA O STANDARYZOWANYM ROZKAADZIE NORMALNYM X<"N(0,1) Definicja. ZLC X ma standaryzowany rozkBad normalny, gdy ma rozkBad normalny o µ=0 i Ã=1. Jej gsto[ (oznaczana 1 - u2 1 przez Õ ) wyra|a si wzorem 2 Õ (u) = e , u" R 2À Y 1 y=(x) 2À -x x X Twierdzenie. Gdy ZLC X ma standaryzowany rozkBad normalny, to " EX = 0 " VX = 1 " dla dowolnego u"R dystrybuanta wyra|a si wzorem 1 2 u - t 1 ¦ (u) = +"e 2 dt 2À - " przy czym dla dowolnego ue"0 ¦(-u)=1-¦(u). Opracowanie: Monika PotyraBa 27 X - EX U = Definicja. Zmienn losow nazywamy à x standaryzowan zmienn losow. X - µ ( ) Twierdzenie. Je|eli X~N(µ ,à ) , to U = ~ N 0,1 . à Twierdzenie. (ReguBa 3-à mowa) Je|eli X~N(µ ,à ), to ( ) P X - µ < 3à H" 0,9973 Opracowanie: Monika PotyraBa 28 WEKTORY LOSOWE Niech Xi : &! ’! R1, i = 1,2,...,n bd jednowymiarowymi { } &! , Z, p zmiennymi losowymi okre[lonymi w . Definicja. Cig n jednowymiarowych zmiennych losowych Xi , i = 1,2,..., n nazywamy wektorem losowym i oznaczamy: ( ) [ ( ) ( ) ( )] X É = X1 É , X2 É ,..., Xn É Xi nazywamy wspóBrzdnymi wektora X. Gdy n=2 oznacza bdziemy tradycyjnie: ( ) [ ( ) ( )] ( X É = X É ,Y É X ,Y ) lub krócej: . Definicja. Dystrybuant wektora losowego X=(X,Y) nazywamy funkcj , gdy dla ka|dego [ ] F : R2 ’! 0,1 ( x, y " R2 zachodzi ) ( ) [{ ( ) ( ) }] ( ) F x, y = P É : X É < x,Y É < y = P X < x,Y < y Twierdzenie. WBasno[ci dystrybuanty ( ) F x, y (WD1) jest niemalejc funkcj jednego argumentu przy ustalonym drugim; ( ) F x, y (WD2) jest lewostronnie cigB funkcj jednego z argumentów przy ustalonym drugim; Opracowanie: Monika PotyraBa 29 ( ) ( ) ( ) F( x, y) = 1 F x, y = 0 = F x, y = F x, y lim lim lim lim x’! - " x’! " y’! - " (WD3)x’! - " y’! - " y’! " x1 < x2, y1 < y2 (WD4) Dla ka|dego , ( ) ( ) ( ) ( ) F x2 , y2 - F x1, y2 - F x2, y1 + F x1, y1 e" 0 . Warunki (WD1)-(WD4) s warunkami koniecznymi ( ) F x, y i wystarczajcymi na to, by byBa dystrybuant ( X ,Y ) zmiennej losowej . RozkBady brzegowe (marginalne) Definicja. RozkBady jednowymiarowych zmiennych losowych o dystrybuantach: ( ) ( ), FX x = lim F x, y ( ) ( ) FY y = lim F x, y y’! " x’! " nazywamy rozkBadami brzegowymi wektora (X,Y). FX FY Funkcje i maj wBasno[ci dystrybuanty jednowymiarowych zmiennych losowych oraz ( ) ( ) ( ) ( ) ( ) FX x = lim F x, y = lim P X < x,Y < y = P X < x,Y < " = P X < x y’! " y’! " Opracowanie: Monika PotyraBa 30 WEKTORY LOSOWE TYPU SKOKOWEGO (DYSKRETNEGO) ( X ,Y ) Definicja. Dwuwymiarowa zmienna losowa jest typu skokowego, je[li przyjmuje skoDczon lub przeliczaln liczb ( xi , yk ) warto[ci odpowiednio z prawdopodobieDstwami ( ) P X = xi ,Y = yk = pik , i,k " N, pik = 1. " " i k ( ) p : xi , yk ’! [0,1] i, k " N Definicja. Funkcj , , ( pik = P X = xi ,Y = yk ) o warto[ciach nazywamy funkcj prawdopodobieDstwa wektora losowego (X,Y). ( X ,Y ) Dystrybuanta wektora w tym przypadku to funkcja ( ) F x, y = pik " " i k xi < x yk < y TABLICA DWUDZIELCZA m y y ... y 1 2 n Y pij = pi" " X j = 1 x p p ... p p " 1 11 12 1n 1 x p p ... p p " 2 21 22 1n 2 ... ... ... ... ... ... x p p ... p p " m m1 m2 mn k m n n ... p" 1 p" 2 p" n " pi" = p" j = 1 " pij = p" j " i = 1 j= 1 i = 1 Opracowanie: Monika PotyraBa 31 WEKTORY LOSOWE TYPU CIGAEGO ( X ,Y ) Definicja. Dwuwymiarowa zmienna losowa ( ) F x, y o dystrybuancie jest typu cigBego, je[li istnieje nieujemna i caBkowalna funkcja f : R2 ’! R taka, |e y x ( ) ( ) F x, y = f t, s dtds +" +" - " - " Funkcj f nazywamy gsto[ci prawdopodobieDstwa wektora ( X ,Y ) losowego . Z z = f (x, y) X Y Twierdzenie. WBasno[ci gsto[ci: (WG1) f jest gsto[ci prawdopodobieDstwa " " ( ) ( ) Ô! f x,y e" 0 f x, y dxdy = 1 i +" +" - " - " (WG2) Je|eli (x,y) jest punktem cigBo[ci f, to 2 ( ) " F x, y ( ) f x, y = " x" y [( ) ] ( ) P X ,Y " B = f x, y dxdy +"+" (WG3) Dla B ‚" R2, B Opracowanie: Monika PotyraBa 32 ( X ,Y ) Twierdzenie. Je|eli jest wektorem losowym typu ( ) f x, y cigBego o gsto[ci , to rozkBady brzegowe s rozkBadami jednowymiarowych zmiennych losowych typu cigBego o gsto[ciach: " " ( ) ( ) ( ) ( ) f x = f x, y dy fY y = f x, y dx , +" +" X - " - " NIEZALE{NOZ ZMIENNYCH LOSOWYCH Definicja. Zmienne losowe X i Y s niezale|ne, je[li dla ka|dego x, y " R ( ) ( ) ( ) F x, y = FX x FY y ( ) ( ) ( ) P X < x,Y < y = P X < x P Y < y Równowa|nie: . Tak wic w przypadku niezale|nych zmiennych losowych, rozkBady brzegowe wyznaczaj jednoznacznie rozkBad wektora losowego. Twierdzenie. Warunkiem koniecznym i dostatecznym na to, by zmienne losowe X i Y typu skokowego byBy niezale|ne jest, aby xi , yk " R dla ka|dego ( ) ( ) ( ) P X = xi ,Y = yk = PX xi PY yk Ô! pik = pi" Å" p" k Opracowanie: Monika PotyraBa 33 Twierdzenie. Warunkiem koniecznym i dostatecznym na to, by zmienne losowe X i Y typu cigBego byBy niezale|ne jest, aby dla x, y " R ka|dego ( ) ( ) ( ) f x, y = f x fY y X ROZKAADY WARUNKOWE Gdy X, Y s zale|ne, bada si tzw. rozkBady warunkowe: ( ) P X < x,Y " B ( ) P X < x |Y " B = ( ) P Y " B > 0 o ile , . B ‚" R ( ) P Y " B ( ) ( ) FX x | B = P X < x | Y " B Definicja. Funkcj zmiennej x nazywamy dystrybuant warunkow zmiennej losowej X pod Y " B warunkiem, |e . ( I. Niech X,Y ) bdzie wektorem typu skokowego, takim, |e ( ) { } p" k = P Y = yk > 0 B = yk . Wtedy dla mamy: 1 P( X < x | Y = yk ) = pik " p" k i xi < x i std funkcje prawdopodobieDstwa rozkBadu warunkowego s postaci: Opracowanie: Monika PotyraBa 34 pik ( ) P X = xi |Y = yk = p" k > 0 o ile oraz p" k pik ( ) P Y = yk | X = xi = pi" > 0 o ile . pi" ( X ,Y ) II. Niech bdzie wektorem typu cigBego. Wtedy gsto[ci rozkBadów warunkowych s postaci: ( ) f x, y ( ) f x | y = ( ) fY y > 0 o ile ; X ( ) fY y ( ) f x, y ( ) fY y | x = ( ) f x > 0 o ile . X ( ) f x X Opracowanie: Monika PotyraBa 35 CHARAKTERYSTYKI LICZBOWE WEKTORA LOSOWEGO (X,Y) ( X ,Y ) Niech bdzie wektorem losowym o znanym rozkBadzie ( Z = g X ,Y ) prawdopodobieDstwa, oraz niech bdzie zmienn losow. Definicja: Warto[ci przecitn zmiennej losowej ( Z = g X ,Y ) jest liczba okre[lona wzorem: - " - " [ ( )] EZ = E g X ,Y = +" +"g( x, y) f ( x, y)dxdy - " - " - " - " ( ) ( ) ( X ,Y ) g x, y f x, y dxdy < " dla typu cigBego (o ile ) +" +" - " - " [ ( )] ( ) EZ = E g X ,Y = g xi , yk pik " " i k ( ) g xi , yk pik < " " " ( X ,Y ) dla typu skokowego (o ile ) i k MOMENTY { } r + s, r,s " N *" 0 Definicja. Momentem zwykBym rzdu r s ( X ,Y ) wektora nazywamy warto[ przecitn X Y r s ( mrs = E X Å" Y ) (o ile istnieje) Opracowanie: Monika PotyraBa 36 { } r + s, r,s " N *" 0 Definicja. Momentem centralnym rzdu ( X ,Y ) wektora nazywamy: [( )r ( µ = E X - EX Å" Y - EY )s] (o ile istnieje) rs m10 = EX , m01 = EY Np.: , ( S m10 , m01 ) punkt - [rodek ci|ko[ci masy prawdopodobieDstwa, µ = 0 = µ , , . µ = D2 X µ = D2Y 01 10 20 02 Definicja. Kowariancj nazywamy: ( ) [( ) ( µ = cov X ,Y = E X - EX Å" Y - EY )] 11 WBasno[ci momentów: ( ) ( ) cov X ,Y = E X Å" Y - EX Å" EY 1. ( ) E X < " E Y < " 2. E aX + bY = aEX + bEY o ile , 3. ( ) ( D2 aX + bY = a2D2X + b2D2Y + 2abcov X ,Y ) ( ) E X Å" Y = EX Å" EY 4. Je[li X,Y s niezale|ne to (odwrotna zale|no[ nie musi zachodzi; np. X~r.symetryczny o EX=0 3 oraz Y = X 2, wtedy =0) EX ( ) cov X ,Y = 0 5. Je[li X,Y s niezale|ne to 6. Je[li X,Y s niezale|ne to ( ) D2 aX + bY = a2D2X + b2D2Y Opracowanie: Monika PotyraBa 37 WSPÓACZYNNIK KORELACJI ( X,Y ) ZaBó|my, |e ma skoDczone momenty rzdu II-go oraz 2 2 à = D2 X > 0, à = D2Y > 0. X Y Definicja. WspóBczynnikiem korelacji zmiennych X,Y nazywamy liczb okre[lon wzorem: ( cov X ,Y ) Á = X ,Y à Å" à X Y WBasno[ci: Á 1. jest niezmiennikiem przeksztaBcenia liniowego X ,Y a,c `" 0 Á Á zmiennych X,Y tzn. = , gdy X ,Y aX + b,cY + d Á d" 1 2. X ,Y ( ) Á = 1 Ô! " P Y = aX + b = 1 3. X ,Y a,b" R Á = 0, to zmienne X i Y nazywamy Definicja. Je[li X ,Y nieskorelowanymi. Opracowanie: Monika PotyraBa

Wyszukiwarka