prawo Laplace'a
Transkrypt
prawo Laplace'a
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy ■ Częstość. Prawo wielkich liczb ■ Rozkład hipergeometryczny ■ Rozkład Poissona ■ Rozkład normalny i rozkład Gaussa ■ Centralne twierdzenie graniczne Model Laplace'a błędów pomiarowych ■ Funkcja charakterystyczna rozkładu ■ KADD – Podstawowe rozkłady 1 Rozkład dwumianowy ■ Rozważmy doświadczenie, w którym możemy uzyskać dwie wykluczające się wartości E= A A (np. rzut monetą). Ich prawdopodobieństwa to: P A =1 − p=q P A= p ■ Definiujemy zmienną losową X, która przyjmuje wartości 1 i 0 dla zdarzeń A i A. Powtarzamy zdarzenie n razy i badamy rozkład zmiennej n ■ X =∑i=1 X i Prawdopodobieństwo zajścia najpierw k zdarzeń A i reszty A to: p k q n−k KADD – Podstawowe rozkłady 2 Własności rozkładu dwumianowego ■ Ostatecznie, przy dowolnej kolejności zdarzeń: n! P k =W = p k q n−k k ! n−k ! n k Jest to rozkład dwumianowy ■ Możemy obliczyć wartość średnią i wariancję Xi: E { X i }=1 ⋅p0 ⋅q= p 2 X i =E { x i − p2 }=1− p2 p0− p2 q= pq ■ Podobnie dla ciągu n zdarzeń: n ■ E { X }=∑i=1 p=np ■ Dla przykładu mamy wariancję ciągu 2 zdarzeń: 2 2 2 2 2 p 2 −2 p2 pq 1 −2 p2 q 0 −2 p2 = 2 1 0 2 p 2 4 −8 p4 p 2 2 p−2 p 2 1−2 p p 2 4 p 2 =2 p 1− p=2 pq 2 X = ■ Ogólnie mamy: 2 X =npq KADD – Podstawowe rozkłady 3 R. dwumianowy – rysunki p=0.3 n=10 p=0.6 np=3.0 KADD – Podstawowe rozkłady 4 Rozkład wielomianowy ■ Rozszerzając definicję na wiele możliwych zdarzeń: E= A1 A2 A3 An które się wzajemnie wykluczają: l ∑ j=1 p j =1 P A j = p j , ■ Mamy prawd. zajścia zdarzenia Aj k razy: W n k 1, k 2, ... , k l = n! l ∏ j=1 k j ! l ∏ j=1 p kj j , l ∑ j=1 k j =n Jest to rozkład wielomianowy. ■ Definiujemy Xij=1, gdy wynikiem i-tego pomiaru n jest Aj i 0 w przeciwnym razie oraz X j =∑i=1 X ij ■ Wtedy wartość średnia i kowariancja to: E { X j }= x j =n p j c ij =np i ij − p j ■ KADD – Podstawowe rozkłady 5 Częstość. Prawo Wielkich Liczb ■ ■ Częstość występowania zdarzenie Aj to: 1 n 1 H j = ∑i=1 X ij = X n n Jest to zmienna losowa, dla której (przy n próbch): { } xj E { H j }= h j =E =pj n ■ j H j = 2 2 Xj 1 2 1 = 2 X j = p j 1− p j n n n Wartość oczekiwana częstości jest równa jego prawdopodobieństwu. Iloczyn pj(1-pj) jest zawsze mniejszy od 1/4, więc standardowe odchylenie częstości jest mniejsze niż 1/√n. Jest to prawo wielkich liczb. Przeprowadzenie n prób umożliwia pomiar prawdopodobieństwa zdarzenia Aj, kwadrat błędu jest wtedy odwrotnie proporcjonalny do √n. Jest to tzw. błąd statystyczny. 6 KADD – Podstawowe rozkłady Rozkład hipergeomeryczny ■ W urnie jest N kul – K białych i N-K czarnych. W n próbach wyciągamy (bez zwracania) k kul białych i n-k=l czarnych. Kolejne próby są skorelowane. Prawdopodobieństwo takiego zdarzenia wynosi: W k= K L k l N n Definiujemy zmienną losową X i =∑i=1 X i , gdzie Xi przyjmuje wartość 1 dla białych i 0 dla czarnych. ■ Można udowodnić, że ■ ■ n nK K −N N −n X = N 2 N −1 K E { X }=n N 2 Dla n«N przybliżamy rozkład dwumianowy: K p= , N N −K q= , N K =np , N KADD – Podstawowe rozkłady E { X }=n npq N −n X = N −1 2 7 Przykłady rozkł. hipergeometrycznego ■ Można uogólnić rozkład hipergeometryczny na kilka spsobów: Więcej własności niż dwie (podobne do przejścia od rozkładu dwu- do wielomianowego. Rozkład Polyi – po każdym wylosowaniu dorzucamy m kulek danego koloru KADD – Podstawowe rozkłady 8 Rozkład Poissona ■ Rozkład dwumianowy, dla n→∞ ale przy stałym np=λ dąży do ściśle określonego rozkładu: k lim W nk = f k = e− k! n ∞ ■ W nk = n k n−k p q k Jest to rozkład Poissona. Badamy normalizację: ∞ ∞ ∑k =0 f k =∑k =0 k − − 2 3 e =e 1 =e− e =1 k! 2 ! 3! wartość oczekiwaną: ∞ k − j − E { K }=∑k =0 k e = ∑ j=0 e = k! j! ∞ wariancję: E { K 2 }= 1 i skośność: 3 =E {k − k 3 }= 2 2 { } K =E K −[ E { K } ] =1−2 = 2 3 = 3 = 3 / 2 =−1/ 2 KADD – Podstawowe rozkłady 9 Rozkład Poissona - rysunek ■ Stosuje się go, gdy mamy dużą liczbę niezależnych zdarzeń, z których tylko nieliczne mają interesującą nas własność. KADD – Podstawowe rozkłady 10 Rozkład Poissona – przykład Mamy jądro promieniotwórcze o czasie życia τ. Obserwujemy je w czasie T«τ. Prawdopodobieństwo rozpadu jądra w tym czasie W«1. Dzielimy czas T na n przedziałów. p=W/n. ■ Obserwujemy na raz wiele jąder N. Zliczamy ilość przypadków nk, gdy w danym przedziale zaobserwowano k=0, 1, 2, 3 itd. rozpadów. Obliczamy częstość h(k) = nk/n. ■ Doświadczalnie zaobserwowano, że dla N→∞ i dużych n rozkład h(k) dąży do rozkładu Poissona, co stanowi bezpośredni dowód na niezależność i statystyczny charakter rozpadów promieniotwórczych. 11 ■ KADD – Podstawowe rozkłady Rozkład normalny standardowy ■ Rozkład normalny standardowy opisuje wzór: 1 f x= e−x 2 2 /2 Jego dystrybuanta nie ma postaci analitycznej ■ Jest on poprawnie unormowany: ∞ −x / 2 e dx= 2 ∫−∞ ■ Z symetrii i parzystości rozkładu mamy: ■ 2 ∞ 1 −x x = x e ∫ 2 −∞ KADD – Podstawowe rozkłady 2 /2 dx=0 12 Parametry rozkładu normalnego ■ Całkując przez części otrzymujemy wariancję: ∞ 1 2 −x = x e ∫ −∞ 2 2 2 /2 { ∞ 1 −x / 2 ∞ dx= [−xe ]−∞∫−∞ e−x 2 2 2 /2 } dx =1 Zauważmy, że rozkład normalny ma takie same własności, jak standaryzowana zmienna u. ■ Zastąpmy X w rozkładzie normalnym uogólnioną zmienną (X-a)/b. Otrzymamy rozkład Gausa: ■ { 2 x−a 1 f x= exp − 2 2 b 2 b } Jego wartość średnia wynosi x =a ■ Zaś jego wariancja 2 X =b 2 ■ Czynnik b powoduje rozszerzenie/zwężenie rozkładu, zaś a – przesunięcie wzdłuż osi x. ■ KADD – Podstawowe rozkłady 13 Własności rozkładu normalnego Rozkład normalny ma punkty przegięcia w x=±1, a r. Gaussa w x=a±b. ■ Mamy dystrybuantę F0(x). Szukamy: P ∣ X ∣ x=2 F 0 −∣x∣=2 {1 −F 0 ∣x∣ } ■ Możemy też odwrócić wzór, otrzymując: ■ P ∣ X ∣≤ x=2 F 0 ∣x∣−1 ■ Zależności można uogólnić na r. Gaussa: F x=F 0 KADD – Podstawowe rozkłady x−a b 14 Rozkład Gaussa – własności ■ Szczególnie interesujące jest obliczenie nb ∣ ∣ P X −a ≤n =2 F 0 −1 =2 F 0 n−1 b dla całkowitych wartości n, czyli dla wielokrotności odchylenia standardowego: P ∣ X −a∣≤ =68,3 % P ∣ X −a∣ =31,7 % P ∣ X −a∣≤2 =95,4 % P ∣ X −a∣2 =4,6 % P ∣ X −a∣≤3 =99,8 % P ∣ X −a∣3 =0,2 % ■ Dyspersja σ rozkładu Gaussa nosi nazwę odchylenia standardowego lub błędu standardowego. Utożsamiając σ z błędem pomiarowym widzimy, że wartość prawdziwa mieści się w przedziale ±σ z prawd. 68,3 %. ■ Rozkład kwantyli to odwrotna dystrybuanta 15 KADD – Podstawowe rozkłady Centralne twierdzenie graniczne ■ Jeżeli zmienne losowe Xi są zmiennymi niezależnymi o wartościach średnich a i wariancjach b2, to zmienna: n lim X= Xi ∑ i=1 n ∞ ma rozkład normalny z E{X}=na oraz σ2(X)=nb2 ■ Ponadto zmienna 1 lim 1 n = X = Xi ∑ i=1 n n ∞ n też ma rozkład normalny z: E { }=a 2 =b 2 / n KADD – Podstawowe rozkłady 16 Centralne tw. graniczne – przykład ■ Załóżmy, że Xi to proste zmienne przybierające wartość 1 z prawd. p i 0 z prawd. 1-p. Jak wiemy E{Xi}=p oraz σ2(Xi)=p(1-p). Zmienna n lim X= Xi ∑ i=1 n ∞ ma więc rozkład dwumianowy. P(X(n)=k) = Wkn. ■ Wprowadzimy zmienną unormowaną: n u =∑i=1 n ■ X i− p 1 = p 1− p p 1− p ∑ n i=1 X i −np Prawdopodobieństwo wynosi: P X =k =P un=k −np/ np 1− p=W nk ■ Badamy rozkład zmiennej skokowej: P(u(n))/Δu(n) dla n→∞ gdize Δu(n) to odległość między kolejnymi wartościami 17 KADD – Podstawowe rozkłady Przykład – ilustracja n=5 n=50 p=0.1 n=10 n=151 KADD – Podstawowe rozkłady 18 Model Laplace'a błędów pom. Załóżmy, iż istnieje wilekość prawdziwa m0. Jej pomiar zakłóca wiele (n) niezależnych czynników, z których każdy powoduje zakłócenie ε, z równym prawd. dodatnie jak i ujemne. Błąd pomiarowy jest wtedy sumą pojedynczych zakłóceń. ■ W oczywisty sposób dostajemy w wyniku rozkład dwumianowy z p=1/2. (który w tym szczególnym przypadku ma bezpośredni związek z trójkątem Pascala). Stosując wzór z CTG i przechodząc z n do nieskończoności mamy wielkość ■ n u =2 ∑ n i=1 X i −n / 2 / n która ma rozkład normalny z wartością oczekiwaną równą 0 i odchyleniem stand. n / 2 KADD – Podstawowe rozkłady 19 Model Laplace'a – ilustracja n=5 n=50 p=0.5 n=10 n=151 KADD – Podstawowe rozkłady 20 Funkcja charakterystyczna rozkładu ■ Mamy zmienną losową X o dystrybuancie F(x) i funkcji gęstości prawdopodobieństwa f(x). Jej funkcję charakterystyczną definiujemy jako: t =E { exp itx } ■ Czyli jest ona transformatą Fouriera gęstości f(x): ∞ t =∫−∞ exp itx f x dx ■ Obliczmy momenty względem początku układu: ■ ∞ n=E { X }=∫−∞ x n f x dx n Można je otrzymać przez n-krotne różniczkowanie funkcji charakterystycznej w punkcie t=0: n d t n ∞ n n t = =i ∫−∞ x exp itx f x dx n dt ■ Czyli n 0=i n n KADD – Podstawowe rozkłady 21 Funkcja charakterystyczna c.d. ■ Wprowadzamy przesuniętą zmienną y=x-E{x} i jej funkcję charakterystyczną: ∞ ■ y t =∫−∞ exp { it x− x } f x dx=t exp −it x Wtedy n-ta pochodna jest równa n-temu momentowi względem wartości średniej: ny 0=i n n=i n E { X − x n } a w szczególności: 2 x=− y ' ' 0 ■ Odwracając transformatę Fouriera można z funkcji charakterystycznej uzyskać gęstość prawd.: 1 ∞ f x= exp −itx t dt ∫ −∞ 2 KADD – Podstawowe rozkłady 22 Funkcja charakterystyczna – wyniki Istnieje jednoznaczny związek pomiędzy dystrybuantą i jej funkcją charakterystyczną. Stąd można ich używać zamiennie i przechodzić od jednej do drugiej w miarę potrzeb i konieczności. ■ Przykłady własności otrzymanych przez rachunki z funkcją charakterystyczną: it t =exp e −1 } { Rozkład Poissona: it t =exp e −1 } jest { 1 2 Suma rozkładów: sum również r. Poissona o λ równej sumie λ1 i λ2. F. charakterystyczna rozkładu normalnego: t =exp itaexp −b 2 t 2 / 2 ma postać rozkładu normalnego. Iloczyn ich wariancji wynosi 1. ■ KADD – Podstawowe rozkłady 23