Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa
Transkrypt
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A | B) = P (A), to mówimy, że zdarzenia A i B są niezależne. • Przekształćmy równość P (A | B) = P (A) do postaci • P (A ∩ B) = P (A), P (B) skąd • P (A ∩ B) = P (A)P (B). Definicja niezależności Zdarzenia A i B są niezależne, gdy P (A ∩ B) = P (A) · P (B). Przykład • Dwukrotny rzut monetą: • Ω = {OO, OR, RO, RR} • A=w pierwszym rzucie orzeł • B=w drugim rzucie orzeł • P (B) = 12 , • P (B | A) = P (B ∩ A) 1/4 1 = = . P (A) 1/2 2 • Zdarzenia A i B są niezależne. Zadanie Założenie: prawdopodobieństwo urodzenia chłopca = prawdopodobieństwo urodzenia dziewczynki = 12 . • Spośród rodzin mających n dzieci, n 2, wybieramy losowo jedną rodzinę. • A=w tej rodzinie jest co najwyżej jedna dziewczynka • B=w tej rodzinie są i dziewczynki i chłopcy • Czy zdarzenia A i B są niezależne? • Spróbujmy odgadnąć odpowiedź! 1 Rozwiązanie • Ω = {x1 , x2 , ..., xn }, gdzie xi = d lub c • |Ω| = 2n , wszystkie zdarzenia elementarne są jednakowo prawdopodobne. • |A|=(sami chłopcy lub jedna dziewczynka)= n + 1. • |B| = 2n − 2, |A ∩ B|=(dokładnie jedna dziewczynka)=n. • niezależność A i B: n n + 1 2n − 2 = · , 2n 2n 2n P (A ∩ B) = P (A) · P (B) ⇔ • czyli tylko wtedy, gdy n = 3. Niezależnośc trzech zdarzeń Zdarzenia A, B oraz C są niezależne, gdy • P (A ∩ B) = P (A)P (B), • P (A ∩ C) = P (A)P (C), • P (B ∩ C) = P (B)P (C), • P (A ∩ B ∩ C) = P (A)P (B)P (C). Zadanie W urnie są cztery kule: • biała, • czerwona, • niebieska • i taka, na której są wszystkie trzy powyższe kolory. • Losujemy jedną kulę. Czy zdarzenia: na wylosowanej kuli jest kolor B, C, N są niezależne? Czy są parami niezależne? Rozwiązanie • P (B) = P (wylosujemy kulę, na której jest kolor biały)= 12 , • Podobnie P (C) = P (N ) = 21 . • Oczywiście P (B ∩ C) = P (wylosujemy kulę, na której są kolory biały i czerwony)= 41 . • P (B ∩ C) = P (B)P (C) = 1 4 ←− te zdarzenia są niezależne! • Tak samo pary B i N oraz C i N są niezależne. • Ale P (B ∩ C ∩ N ) = 14 , natomiast P (B)P (C)P (N ) = 2 1 8 i te zdarzenia NIE SĄ niezależne! Ogólna definicja zdarzeń niezależnych Zdarzenia A1 , A2 , ..., An są niezależne, gdy dla każdego ich podzbioru Ai1 , Ai2 , ... Aik zachodzi równość P (Ai1 ∩ Ai2 ∩ ... ∩ Aik ) = P (Ai1 )P (Ai2 ) · ... · P (Aik ). • To jest łącznie aż 2n − n − 1 równości do sprawdzenia! • Na szczęscie zwykle nie musimy ich sprawdzać. Schemat Bernoulliego Powtarzamy n razy doświadczenie, którego wynikami mogą być „sukces” lub „porażka”, przy czym: • kolejne doświadczenia są niezależne; • w każdym doświadczeniu prawdopodobieństwo sukcesu wynosi p, a porażki 1 − p. • Niech Sn oznacza liczbę sukcesów w n powtórzeniach. Wówczas • ! P (Sn = k) = n k p (1 − p)n−k , k k = 0, 1, 2, ..., n. Ilustracja: deska Galtona Kulka opada, napotykając na kilka rzędów przeszkód, przy czym na każdej przeszkodzie może skręcić w prawo z prawdopodobieństwem p lub w lewo z prawdopodobienstwem q = 1 − p. Gdy rzucimy tak kilkaset kulek, to ile ich zbierze się w kolejnych przegródkach na dole? Odpowiedź dla n = 10 i p = 1 2 • Ponieważ tutaj p = 12 , więc pk (1 − p)10−k = 10 1 2 , zatem • liczby kulek w poszczególnych przegródkach są niemal proporcjonalne do • współczynników newtonowskich ! 10 k dla k = 0, 1, 2, ..., 10 • czyli do liczb • 1, 10, 45, 120, 210, 252, 210, 120, 45, 10, 1 Zmienna losowa Załóżmy, że znamy wszystkie mozliwe wyniki (czyli zdarzenia elemantarne) Ω pewnego doświadczenia losowego. Funkcję X : Ω −→ R nazywamy zmienną losową. 3 Przykłady zmiennych losowych • Liczba oczek przy jednokrotnym rzucie kostki. • Suma oczek w dwóch rzutach kostką. • Liczba sukcesów Sn w schemacie Bernoulliego. • Numer próby, w której pojawi się pierwszy sukces w schemacie Bernoulliego. • Liczba wypadków drogowych, które zdarzą się w Polsce w przyszłym tygodniu. • Wzrost losowo wybranego studenta WPPT. • Błąd pomiaru pewnej wielkości. • Suma wypłacona przez firmę ubezpieczeniową. • Cena akcji spółki X jutro o 12:00 (za tydzień, za miesiac). • Pierwszy moment, w którym cena akcji spółki Y przekroczy 100 zł. Dwa typy zmiennych loswych • Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x1 , x2 , ...}, to mówimy, że jest to zmienna o rozkładzie dyskretnym. • Które wymienione uprzednio zmienne mają rozkłady dyskretne? • Jeśli wszystkich wartości zmiennej NIE MOŻNA wypisać w postaci ciągu, to mówimy, że jest to zmienna o rozkładzie ciągłym. • Tak jest zawsze, gdy zbiór wartości zawiera jakiś przedział (a, b). • Które z wymienionych zmiennych mają rozkłady ciągłe? Rozkład zmiennej losowej dyskretnej Rozkład takiej zmiennej to opis jej możliwych wartości i prawdopodobieństw, z jakimi te wartości zmienna przyjmuje. • X = wynik rzutu symetryczną kostką • Wartości, jakie może przyjąć X to 1, 2, 3, 4, 5 i 6. • Prawdopodobieństwo każdej z tych wartości jest równe 61 . • Y = suma oczek przy dwóch rzutach = 2, 3, ..., 10, 11, 12. • Jakie są prawdopodobieństwa tych wyników? Zmienne związane z próbami Bernoulliego • Liczba sukcesów Sn w n próbach. • P (Sn = k) = n k k p (1 − p)n−k , k = 0, 1, 2, ..., n. • Numer próby X, w której pojawi się pierwszy sukces. 4 • P (X = k) =?, k = 1, 2, 3, ... • X = k, gdy próby: pierwsza, druga,...,(k − 1)-sza dały porażki, a k-ta sukces. • Stąd P (X = k) = (1 − p)k−1 · p, k = 1, 2, 3, ... Rozkład Poissona • Zmienna X przyjmująca wartości 0, 1, 2, ... ma rozkład Poissona z parametrem λ > 0, gdy • P (X = k) = λk −λ e , k! k = 0, 1, 2, ... • Rozkład Poissona mają: • liczba wypadków w ustalonym dniu (tygodniu, roku, kraju); • liczba sygnałów (np. rozpadów atomów radioaktywnych w czasie 1 minuty); • liczba gwiazd w losowo wybranym fragmencie nieba, itp. Wartość średnia zmiennej losowej • Jeżeli P (X = xk ) = pk , k = 0, 1, 2, 3, ..., to • wartość średnia (wartość oczekwiana) zmiennej X E(X) = X xk · pk . k • Intuicja: na prostej rozmieszczamy masy pi w punktach xi , i = 0, 1, 2.... • Wartość średnia to środek ciężkości tego układu (może nie istnieć!) Wariancja zmiennej losowej • Jeżeli P (X = xk ) = pk , k = 0, 1, 2, 3, ..., to • wariancja zmiennej X V ar(X) = X (xk − E(X))2 · pk . k • Wariancję oznacza się też symbolem D2 (X). • Wariancja mierzy rozrzut wyników — średnie odchylenie od wartości średniej. • Wariancję można też obliczyć ze wzoru V ar(X) = X x2k · pk − (E(X))2 . k Rozkłady ciągłe (z gęstością) • Jeśli dana jest taka funkcja f : R → [0, ∞), że R∞ −∞ f (x) dx • f nazywamy gęstością rozkładu zmiennej X i obliczamy 5 = 1, to • prawdopodobieństwa Z b P (a < X < b) = f (x) dx. a Przykłady gęstości • Rozkład jednostajny na odcinku [a, b] • f (x) = 1 b−a , gdy x ∈ [a, b], 0, gdy x ∈ / [a, b]. Przykłady gęstości • Rozkład normalny z parametrami m ∈ R i σ > 0 • f (x) = √ (x−m)2 1 e− 2σ2 , 2π σ 6 x∈R