wykładniczy
Transkrypt
wykładniczy
Metody probabilistyczne i statystyka Wykład Zmienne typu ciągłego, wektory losowe Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki Szczecińskiej 3 Metody probabilistyczne i statystyka Wykład 2 8. Wybrane zmienne typu ciągłego (8.1) Rozkład jednostajny (prostokątny, równomierny) na przedziale 〈a,b〉 Funkcja gęstości 1 dla x ∈ 〈 a, b〉 f ( x) = b − a 0 dla x ∉ 〈 a, b〉 Dystrybuanta 0 f ( x) dla x ≤ a 1 b− a x−a F ( x) = dla a < x ≤ b b − a dla x > b 1 Parametry b+a EX = ∫ x ⋅ f ( x)dx = −∞ 2 ∞ b 2 + ba + a 2 2 2 EX = ∫ x ⋅ f ( x)dx = −∞ 3 ∞ Realizacja a) b) F ( x) 1 0 a b x 0 a b Rys.8.1. Wykres gęstości (a) i dystrybuanty (b) zmiennej X (b − a) 2 D X= 12 2 np. czas oczekiwania na tramwaj Opracowała Joanna Banaś x Metody probabilistyczne i statystyka Wykład 2 Rozkład wykładniczy (8.1) Rozkład wykładniczy z parametrem λ > 0 Funkcja gęstości dla x < 0 0 f ( x ) = −λx dla x ≥ 0 λ e Dystrybuanta dla x ≤ 0 0 F ( x) = −λx 1 − e dla x > 0 a) f ( x) λ F ( x) b) 1 0 x 0 Rys.8.2. Wykres gęstości (a) i dystrybuanty (b) zmiennej X Rozkład jest dobrze określony ∫ ∞ −∞ ∞ f ( x)dx = ∫ λe 0 −λx dx = −e −λx ∞ 0 = − lim e −λx + 1 = 1 x →∞ Opracowała Joanna Banaś x Metody probabilistyczne i statystyka Wykład 2 Rozkład wykładniczy Rozkład wykładniczy cd. Parametry 1 EX = λ D2 X = 1 λ2 Realizacja np. czas bezawaryjnej pracy badanego elementu (czas życia) λ − intensywność awarii prawdopodobieństwo P( X ≥ t ) = e −λt − niezawodność elementu Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 2 Rozkład normalny (8.3) Rozkład normalny (Gaussa) z parametrami m∈R i σ> 0 Funkcja gęstości ( x−m ) 2 − 2 1 f ( x) = e 2 σ dla x ∈ » σ 2π f ( x) Rozkład jest dobrze określony (należy wykorzystać całkę Eulera-Poissona) ∞ π − x2 (E-P) ∫ e dx = 0 2 0 m−σ m+σ m Oznaczamy go symbolem N(m,σ) Rys.8.3. Wykres gęstości rozkładu Parametry 1 σ 2π EX = m D2 X = σ2 normalnego (krzywa Gaussa) Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 2 Rozkład normalny Rozkład normalny (Gaussa) cd. Wpływ parametrów na kształt funkcji gęstości f ( x) 1 N (2, 12 ) 0.5 2π 1 2π N (0,1) 1 2 2π N (3, 2) 0.1 0 1 2 3 x Rys.8.4. Wpływ parametrów na kształt funkcji gęstości Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 2 Rozkład normalny standaryzowany Rozkład normalny standaryzowany Funkcja gęstości (parzysta) x2 − 1 f ( x) = e 2 dla x ∈ » 2π Dystrybuanta rozkładu Φ 1 2π Φ(− x) 1 x standaryzowanego Φ(x) – można znaleźć w tablicach statystycznych Realizacje: 0 Rys.8.5. Wykres gęstości rozkładu N (0,1) Φ0.1 ( x) −x Φ (− x) = 1 − Φ ( x) f ( x) waga oraz wzrost osobników jednorodnych populacji ludzkich i zwierzęcych plon na jednakowych poletkach doświadczalnych losowe błędy pomiarów Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 9. Standaryzacja zmiennej losowej X − zmienna losowa standaryzowana, jeśli EX = 0 i D 2 X = 1 (9.1) Stwierdzenie X − zmienna losowa taka, że m = EX < ∞ i σ = D 2 X > 0 X −m ⇒ Y= − zmienna standaryzowana σ Zmienna losowa Y z twierdzenia (9.1) to standaryzacja zmiennej losowej X (9.2) Przykład Niech zmienna losowa X ma rozkład N(m,σ). Obliczyć prawdopodobieństwo, że zmienna X przyjmuje wartości w otoczeniu m o promieniu a) σ, b) 2σ, c) 3σ. (9.3) Wniosek (reguła trzech σ) Prawie 100 % wartości zmiennej losowej o rozkładzie normalnym N(m,σ) leży w przedziale (m − 3σ, m + 3σ) Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 10. Wektory losowe (Ω, Z , P) − przestrzeń probabilistyczna n-wymiarowy wektor losowy (lub n-wymiarowa zmienna losowa) to dowolne odwzorowanie mierzalne X : Ω → » n , tzn. takie, że {ω∈ Ω : X(ω) ∈ B} ∈ Z dla każdego B ∈ B ( » n ) (10.1) (10.2) Twierdzenie X : Ω → » n− dowolne odwzorowanie takie, że X(ω) = ( X 1 (ω),..., X n (ω) ) dla ω∈Ω X jest wektorem losowym ⇔ X i : Ω → » jest zmienną losową dla i = 1,…,n (10.3) Wniosek Warunkowi (10.1) równoważny jest warunek {ω∈ Ω : X 1 (ω) < x1 ,..., X n (ω) < xn } ∈ Z dla każdego ( x1 ,..., x1 ) ∈ » n Zmienne X1, X2 ,…, Xn to zmienne brzegowe Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 Dystrybuanta wektora losowego Oznaczenia P ({ω∈ Ω : X 1 (ω) < x1 ,..., X n (ω) < x n }) ≡ P ( X 1 < x1 ,..., X n < x n ) P ({ω∈ Ω : X 1 (ω) = x1 ,..., X n (ω) = x n }) ≡ P ( X 1 = x1 ,..., X n = x n ) Dystrybuanta wektora losowego X = (X1,…, Xn) (lub dystrybuanta łączna zmiennych losowych X1,…, Xn ) − funkcja FX = FX 1 ,..., X n : » n → » określona wzorem (10.4) FX 1 ,..., X n ( x1 ,..., xn ) = P ( X 1 < x1 ,..., X n < xn ) dla ( x1 ,..., xn ) ∈ » n Dla n = 2 dystrybuanta F : » 2 → » wektora losowego (X, Y ) jest określona wzorem (10.5) F ( x, y ) = P ( X < x, Y < y ) dla ( x, y ) ∈ » 2 Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 Własności dystrybuanty wektora losowego (X, Y ) (10.6) Własności F – dystrybuanta wektora losowego (X, Y ) a) monotoniczność F – funkcja niemalejąca ze względu na każdą ze zmiennych , tzn. ∀ x1 , x2 , y∈» x1 < x 2 ⇒ F ( x1 , y ) ≤ F ( x 2 , y ), ∀ x , y1 , y2∈» y1 < y 2 ⇒ F ( x, y1 ) ≤ F ( x, y 2 ). b) ciągłość F – funkcja lewostronnie ciągła ze względu na każdą ze zmiennych , tzn. ∀ x0 , y0∈» lim− F ( x, y 0 ) = F ( x0 , y 0 ) x→ x0 ∀ x0 , y0∈» lim− F ( x0 , y ) = F ( x0 , y 0 ) y→ y0 c) d) ∀ y∈» lim F ( x, y ) = 0 x→−∞ ∀ x∈» lim F ( x, y ) = 0 FX ( x) = lim F ( x, y ) dla x ∈ » y→∞ lim F ( x, y) = 1 y→−∞ x→∞ y →∞ FY ( y) = lim F ( x, y) dla y ∈ » x→∞ Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 Wektora losowy (X, Y ) typu skokowego Wektor losowy (X, Y ) jest typu skokowego, jeżeli rozkład tego wektora jest miarą atomową, tzn. istnieje przeliczalna liczba atomów ( xi , y j ) ∈ » 2 , takich, że (10.7) P ( X = xi , Y = y j ) = pij > 0 dla i, j = 1, 2,... i ∑ i, j pij = 1 (10.8) Twierdzenie Jeśli (X, Y ) jest wektorem losowym typu skokowego o rozkładzie (10.7), to zmienne brzegowe X i Y też są typu skokowego o rozkładach odpowiednio P ( X = xi ) = ∑ j pij i P (Y = y j ) = ∑ j pij dla i, j = 1, 2,... Ponadto pij pij P ( X = xi / Y = y j ) = i P(Y = y j / X = xi ) = P(Y = y j ) P ( X = xi ) Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 Wektora losowy (X, Y ) typu skokowego (10.9) Przykład W urnie jest 8 kul białych i 2 czarne. Losujemy bez zwracania dwie kule. Niech zmienna losowa X przyjmuje wartości równe liczbie kul czarnych wśród wylosowanych, zaś 1 gdy pierwsza wylosowana kula jest czarna Y= 0 gdy pierwsza wylosowana kula jest biała Wyznaczyć { a) b) c) d) rozkład wektora losowego (X, Y ) dystrybuantę wektora losowego (X, Y ) rozkłady brzegowe rozkład warunkowy zmiennej X (warunek: Y = 0) Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 Wektora losowy (X, Y ) typu ciągłego Wektor losowy (X, Y ) jest typu ciągłego, jeżeli dystrybuanta F tego wektora jest postaci (por. rys.10.1) x y F ( x, y ) = ∫ ∫ f (u, v)dvdu dla ( x, y ) ∈ » 2 (10.10) −∞ −∞ 2 gdzie f : » → » jest nieujemną funkcją taką, że (10.11) ∞ ∫ ∫ ∞ −∞ −∞ f ( x, y )dxdy = 1 f ( x, y ) 0 x0 x y0 y Rys.10.1. Wartość dystrybuanty wektora losowego w punkcie (x0, y0) Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 Własności wektora losowego (X, Y ) typu ciągłego (10.12) Własność Dla dowolnego zbioru borelowskiego B ⊂ B (» 2 ) W szczególności P ( ( X , Y ) ∈ B ) = ∫∫ f ( x, y )dxdy B b d P(a ≤ X ≤ b, c ≤ Y ≤ d ) = ∫ ∫ f ( x, y )dydx a c dla a, b, c, d ∈ », a < b, c < d (10.13) Twierdzenie Jeżeli (X, Y ) jest wektorem losowym typu ciągłego o gęstości f, to zmienne brzegowe też są typu ciągłego o gęstościach fX, fY określonych wzorami (por. rys.11.2) f X ( x) = ∫ ∞ fY ( y) = ∫ ∞ −∞ −∞ f ( x, y ) f ( x, y )dy dla x ∈ » f ( x, y )dx dla y ∈ » f X ( x0 ) Rys.10.2. Wartość gęstości rozkładu brzegowego X 0 x0 x y Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 Własności wektora losowego (X, Y ) typu ciągłego (10.14) Twierdzenie Jeśli (X, Y ) jest wektorem losowym typu ciągłego o gęstości f, to gęstość rozkładu warunkowego zmiennej losowej X przy warunku Y = y jest określona wzorem f ( x, y ) f ( x / y) = dla x, y ∈ » ∧ f Y ( y ) ≠ 0 fY ( y) zaś gęstość rozkładu warunkowego zmiennej losowej Y przy warunku X = x wzorem f ( x, y ) f ( y / x) = dla x, y ∈ » ∧ f X ( x) ≠ 0 f X ( x) gdzie fX, fY są gęstościami rozkładów brzegowych Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 3 Własności wektora losowego (X, Y ) typu ciągłego Wektor losowy (X, Y ) ma rozkład jednostajny na ograniczonym zbiorze borelowskim B ⊂ » 2 , jeśli funkcja gęstości ma postać (por. rys. 10.3) 1 f ( x, y ) = m ( B ) 0 gdzie m jest miarą Lebesgue’ga w » dla ( x, y ) ∈ B f ( x, y ) dla ( x, y ) ∉ B 1 m( B ) 2 (10.5) Przykład (X, Y ) jest wektorem losowym o rozkładzie jednostajnym na zbiorze K = {( x, y ) ∈ » 2 :| x | + | y | ≤ 1} Wyznaczyć a) gęstość wektora (X, Y ) b) gęstości rozkładów brzegowych i warunkowych c) gęstości rozkładów warunkowych 0 B 1 x y Rys.10.3. Wykres gęstości rozkładu jednostajnego na zbiorze B ⊂ » 2 Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 Dziękuję za uwagę Opracowała Joanna Banaś