zestaw nr 24.
Transkrypt
zestaw nr 24.
24. Podstawowe pojęcia rachunku prawdopodobieństwa, przestrzeń probabilistyczna, klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, zmienne losowe. 1 Przestrzeń propabilistyczna Przestrzenią probabilistyczną nazywamy trójkę (Ω, F, P ), gdzie Ω jest zbiorem zdarzeń elementarnych, F jest rodziną podzbiorów zbioru Ω spełniającą warunki: 1. F 6= ø 2. A ∈ F ⇒ A0 ∈ F 3. Ai ∈ F i = 1, 2, . . . ⇒ S∞ i=1 Ai ∈ F oraz P : F → [0, 1] jest funkcją o następujących własnościach: 1. P (Ω) = 1 (miara unormowana) S∞ 2. dla A1 , A2 , . . . ∈ F parami rozłącznych P ( i=1 Ai ) = P∞ i=1 P (Ai ). (F-nazywamy σ-ciałem) 2 Prawdopodobieństwo klasyczne Niech Ω będzie zbiorem skończonym, Ω = {ω1 , ω2 , . . . , ωn }, F = 2Ω oraz niech wszystkie zdarzenia elementarne {ωi } i = 1, 2, . . . będą równie prawdopodobne (P ({ωi }) = P ({ωj }) = n1 , i, j = 1, . . . , n). Wtedy mamy model klasyczny, a prawdopodobieństwo liczymy ze wzoru: = P (A) = A = Ω 1 2.1 Przykład Rzucamy dwa razy sumetryczną kostką sześcienna. Jakie jest prawdopodobieństwo wyrzucenia w sumie 4 oczek? Ω = {(1, 1), (1, 2), (1, 3), . . . , (5, 6), . . . , (6, 6)} = Ω= 36 F = 2Ω A-wyrzucenie w sumie 4 oczek A = {(1, 3), (2, 2), (3, 1)} = A= 3 1 3 = P (A) = 36 12 3 Prawdopodobieństwo geometryczne Niech Ω ⊂ Rk , Ω ∈ B(Rk ) oraz 0 < λk (Ω) < ∞. Wtedy miarę prawdopodobieństwa określoną na F = B(Ω) wzorem P (A) = λλkk (A) nazywamy prawdopodobień(Ω) stwem gemetrycznym 3.1 Przykład Z odcinka[0,2] losujemy dwie liczby. Obliczyć jakie jest prawdopodobieństwo, że ich suma będzie większa od 1. Ω = [0, 2] × [0, 2], F = B(Ω), P (A) = A = {(x, y) ∈ Ω : x + y > 1} 1∗1∗ 1 P (A) = 1 − 4 2 2 λ2 (A) 4 4 Zmienna losowa Niech (Ω, F, P ) będzie przestrzenią propablilistyczną. Zmienną losową nazywmy funkcje: X : Ω → R spełniającą jeden z równoważnych warunków: 1. {ω ∈ Ω : X(ω) < a} ∈ F 2. {ω ∈ Ω : X(ω) ≤ a} ∈ F 3. {ω ∈ Ω : X(ω) > a} ∈ F 4. {ω ∈ Ω : X(ω) ≥ a} ∈ F 5. ∀A∈B(R) X −1 (A) ∈ F Zmienna losowa to funkcja mierzalana określona na Ω, działająca w R. 4.1 Przykład Rzucamy 3 racy monetą. Ω = {(O, O, O), (O, R, O), (O, O, R), (R, O, O), (O, R, R), (R, O, R), (R, R, O), (R, R, R)} F = 2Ω X-liczba orłów X(ω) = {0, 1, 2, 3} 5 Rozkład Zmiennej losowej Niech (Ω, F, P ) będzie przestrzenią probabilistyczną, X - zmienną losową. Rozkładem zmiennej X nazywamy funkcję Px : B(R) → [0, 1] określony wzorem: ∀A∈B(R) Px (A) = P {ω ∈ Ω : X(ω) ∈ A} = P (X −1 (A)) 5.1 Przykład Px ({0}) = P (X −1 ({0}) = P ({(R, R, R)}) = 81 Px ({1}) = P (X −1 ({1}) = P ({(O, R, R), (R, O, R), (R, R, O)}) = Px ({2}) = P (X −1 ({2}) = P ({(O, O, R), (R, O, O), (O, R, O)}) = Px ({3}) = P (X −1 ({3}) = P ({(O, O, O)}) = 81 6 3 8 3 8 Dystrybuanta Niech µ będzie rozkładem. Dystrybuantą rozkładu µ nazywamy funkcję Fµ : R → [0, 1] określoną wzorem Fµ (t) = µ((−∞, t]). Jeśli µ = Px , czyli µ jest rozkładem zmiennej X, to dystrybuantę oznaczamy FX i nazywamy dystrybuantą rozkładu zmiennej X. Definiujemy ją wtedy równoważnym wzorem: FX (t) = Px ((−∞, t]) = P (X −1 (−∞, t]) = P (X ≤ t). 3 6.1 Przykład 4