Wykład 2
Transkrypt
Wykład 2
PRAWDOPODOBIEŃSTWO Zdarzenie losowe (lub elementarne) jest pojęciem, którego się nie definiuje.Wszystkie zdarzenia elementarne tworzą zbiór E zdarzeń elementarnych nazywany przestrzenią zdarzeń elementarnych. Dowolny podzbiór przestrzeni zdarzeń elementarnych jest także zdarzeniem losowym A. AKSJOMATYCZNA DEFINICJA PRAWDOPODOBIEŃSTWA AKSJOMAT 1: Każdemu zdarzeniu A wchodzącemu w skład pewnej przestrzeni zdarzeń jest przyporządkowana liczba P(A) z przedziału 0 ≤ P(A) ≤ 1 którą nazywamy prawdopodobieństwem zdarzenia. AKSJOMAT 2: Prawdopodobieństwo zdarzenia pewnego P(E) = 1 AKSJOMAT 3: Prawdopodobieństwo sumy skończonej lub przeliczalnej liczby wykluczających się parami zdarzeń A1, A2, A3, ... jest równa sumie prawdopodobieństw poszczególnych zdarzeń: P(A1 ∪ A 2 ∪ A 3 ∪ ...) = P(A1 ) + P(A 2 ) + P(A 3 ) + ... Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 2 1 E Prawdopodobieństwo warunkowe: P(B/A) = A P(A ∩ B) P(A) A∩B B Jeżeli zdarzenia są niezależne tzn. P(B/A) = P(B) to: P(A ∩ B) = P(A)· P(B) Twierdzenie Bayesa: P(A ∩ B) P(B/A) = P(A) P(A ∩ B) = P(B/A)·P(A) P(A ∩ B) P(B) P(A ∩ B) = P(A/B)·P(B) P(A/B) = P(B/A)·P(A) = P(A/B)·P(B) P(B/A) = P(A/B)·P(B) P(A) Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 2 2 ZMIENNA LOSOWA ZMIENNA LOSOWA – parametr klasyfikujący zdarzenia – każdemu zdarzeniu przypisana jest inna wartość zmiennej. ZMIENNA LOSOWA to wielkość, która może przyjmować wartości liczbowe z pewnego obszaru zmienności, z określoną częstością (prawdopodobieństwem) ROZKŁAD PRAWDOPODOBIEŃSTWA ZMIENNEJ LOSOWEJ – zależność prawdopodobieństwa od wartości zmiennej losowej. Zmienna losowa dyskretna: xi, P(xi) Zmienna losowa ciągła: x, P(x0 < x < x0 +∆x) P( x i ) = n(x i ) , N dla N → ∞ n(xi) – liczba zdarzeń, którym przypisana jest zmienna xi , N – liczba wszystkich zdarzeń. n ( x 0 < x < x 0 + ∆x ) P( x 0 < x < x 0 + ∆x ) = , dla N → ∞ N Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 2 3 GĘSTOŚĆ PRAWDOPODOBIEŃSTWA Dla zmiennej losowej ciągłej wygodniej jest zdefiniować wielkość nazywaną GĘSTOŚCIĄ PRAWDOPODOBIEŃSTWA: P( x 0 < x < x 0 + ∆x ) ∆x → 0 ∆x Przy takiej definicji możemy napisać, że: x f ( x 0 ) = lim P( x a < x < x b ) = b ∫ f ( x )dx xa DYSTRYBUANTA: x F( x 0 ) = 0 ∫ f ( x )dx = P(−∞ < x < x 0 ) −∞ Z definicji prawdopodobieństwa: n ∑ P( x i ) = 1 i =1 +∞ ∫ f ( x )dx = 1 −∞ Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 2 4 PARAMETRY ROZKŁADU ZMIENNEJ LOSOWEJ WARTOŚĆ OCZEKIWANA (ŚREDNIA) n E ( x ) = ∑ x i ⋅ P( x i ) E(x) = i =1 +∞ ∫ x ⋅ f(x)dx -∞ Taka definicja jest zgodna ze znanym pojęciem średniej arytmetycznej: Przyjmijmy że mamy N wartości xj , przy czym wartości te powtarzają się, tak że dana wartość xi występuje ni razy. Możemy wówczas napisać: n n ni 1 N 1 n x śr = ∑ x j = ∑ n i ⋅ x i = ∑ ⋅ x i = ∑ P( x i ) ⋅x i N j=1 N i =1 i =1 i =1 N WARIANCJA I DYSPERSJA - stanowią miarę rozrzutu wartości zmiennej losowej wokół wartości oczekiwanej. n V ( x ) = ∑ [ x i − E ( x )] ⋅ P(x i ) i =1 2 +∞ V(x) = ∫ [ x − E ( x )]2 ⋅ f ( x )dx D( x ) = V ( x ) −∞ Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 2 5 MOMENTY ROZKŁADÓW ZMIENNEJ LOSOWEJ MOMENT RZĘDU n: mn(x) = E(xn) m n ( x ) = ∑ x in ⋅ P( x i ) k i =1 m n (x) = MOMENT CENTRALNY RZĘDU n: Mn(x) = E{ [x-E(x)]n } k +∞ n x ∫ ⋅ f(x)dx -∞ +∞ M n ( x ) = ∑ [ x i − E ( x )] ⋅ P(x i ) M n (x) = ∫ [ x − E ( x )]n ⋅ f ( x )dx i =1 −∞ M1(x) = 0 M2(x) = V(x) - opisuje rozrzut x M3(x) - opisuje asymetrię rozkładu, dla symetrycznego M3(x) = 0 M4(x) - opisuje spłaszczenie rozkładu skośność spłaszczenie M (x) M (x) γ1 = 3 3 γ2 = 4 4 − 3 [ D( x )] [D( x )] WARTOŚĆ MODALNA – wartość zmiennej losowej, dla której prawdopodobieństwo (gęstość prawdop.) ma największą wartość. MEDIANA – wartość xm zmiennej losowej, która dzieli obszar jej zmienności na dwa obszary o równym prawdopodobieństwie tzn. P(-∞ < x < xm) = P(xm < x <+ ∞) = 0.5 n Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 2 6