W1_MPiS
Transkrypt
W1_MPiS
Metody probabilistyczne i statystyka Wykład Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki Szczecińskiej 1 Metody probabilistyczne i statystyka Wykład 1 Literatura i warunki zaliczenia Literatura Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski Warunki zaliczenia wykładu Zaliczone ćwiczenia (niekoniecznie laboratoria) Egzamin testowy (powyżej 25 osób) Pytania otwarte (co najwyżej 25 osób) Terminy podstawowe (do wyboru) 23 czerwca 2008r., godzina 10.00 25 czerwca 2008r., godzina 10.00 Termin poprawkowy 27 czerwca 2008r., godzina 10.00 lub wrzesień Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 Rachunek prawdopodobieństwa Rachunek prawdopodobieństwa bada prawa dotyczące zdarzeń losowych Pojęcia pierwotne aksjomatyki zdarzenie elementarne (każdy możliwy wynik doświadczenia losowego) przestrzeń zdarzeń elementarnych Ω Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 σ-ciało zdarzeń Ω 2 − zbiór wszystkich podzbiorów zbioru Ω Niepustą klasę Z ⊂ 2 Ω nazywamy σ-ciałem (σ-algebrą) zdarzeń, jeśli: (1.1) (1.2) A ∈ Z ⇒ A′ = Ω \ A ∈ Z A1 , A2 ,..., An ,... ∈ Z ∞ ⇒ ∪ n=1 An = A1 ∪ A2 ∪ ... ∪ An ∪ ... ∈ Z W szczególności A, B ∈ Z ⇒ A ∪ B ∈ Z Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 Własności σ-ciała zdarzeń (1.3) Własności a) b) ∅∈Z , Ω∈Z A1 , A2 ,..., An ,... ∈ Z ∞ ⇒ ∩ n=1 An = A1 ∩ A2 ∩ ... ∩ An ∩ ... ∈ Z W szczególności A, B ∈ Z ⇒ A ∩ B ∈ Z A, B ∈ Z ⇒ A \ B ∈ Z c) Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 Zdarzenia losowe Zdarzenie losowe – każdy element σ-ciała Określenia Ω – zdarzenie pewne ∅ – zdarzenie niemożliwe A ⊂ B – zdarzenie A pociąga zdarzenie B A, B ∈ Z ∧ A ∩ B = ∅ – zdarzenia A i B wykluczają się A1 , A2 ,..., An ,... ∈ Z ∧ ∀ i ≠ j Ai ∩ A j = ∅ – zdarzenia wykluczają się parami ω∈ A – ω jest zdarzeniem sprzyjającym zdarzeniu A Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 Przestrzeń mierzalna (1.4) Uwaga Ω – zbiór przeliczalny (skończony lub równoliczny ze zbiorem liczb naturalnych) Ω Z =2 (każdy podzbiór przestrzeni Ω jest zdarzeniem losowym) Para (Ω, Z ) – przestrzeń mierzalna Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 Przykłady (1.5) Przykłady a) b) c) d) Rzut monetą Ω ={ωO , ωR } Z = {∅, ωO , ωR , Ω} Rzut sześcienną kostką Ω ={ω1 , ω2 ,..., ω6 } card Z = 2 6 = 64 4 Dwukrotny rzut monetą Ω = {ωOO , ωOR , ωRO , ωRR } card Z = 2 = 16 Rzuty monetą do momentu wyrzucenia reszki Ω = {ω∞ , ω1 , ω2 ,..., ωn ,...} gdzie e) ω1 − wyrzucenie R ω2 − wyrzucenie OR ω3 − wyrzucenie OOR … ω∞ − wyrzucenie OO… Losowy wybór punktu z odcinka 〈0,1〉 Ω − nieprzeliczalny Ω − przeliczalny Z = 2Ω Z ≠ 2Ω Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 Przykłady (1.5) Przykłady cd. f) g) h) Ω = R, ε – rodzina wszystkich ograniczonych przedziałów otwartych B (R) – σ-ciało zbiorów borelowskich na R (najmniejsze σ-ciało zdarzeń zawierające klasę ε) B ( 2 ) – σ-ciało zdarzeń generowane przez ograniczone i otwarte koła B ( 3 ) – σ-ciało zdarzeń generowane przez ograniczone i otwarte kule (1.6) Uwaga Zbiory borelowskie na prostej ( a, ∞ ) (−∞, a ) (−∞, a〉 {a} 〈 a, b〉 〈 a, b ) (można je wyznaczyć z klasy ε przez warunki (1.1)–(1.3)) Opracowała Joanna Banaś 2. Aksjomatyczna definicja prawdopodobieństwa (Kołmogorow, 1931) (Ω, Z ) – przestrzeń mierzalna Prawdopodobieństwo – dowolna miara probabilistyczna P określona na przestrzeni mierzalnej, tj. funkcja P : Z → taka, że: (2.1) P ( A) ≥ 0 dla każdego A∈ Z (2.2) P (Ω) = 1 ∞ ∞ (2.3) P ∪ n=1 An = ∑ n=1 P( An ) ( ) dla każdego ciągu zdarzeń A1 , A2 ,..., An ,... parami wykluczających się (Ω, Z , P) – przestrzeń probabilistyczna Opracowała Joanna Banaś Uwagi do aksjomatów (2.4) Uwagi a) Warunki (2.1) i (2.3) definiują dowolną miarę b) Ω - skończony, to warunek (2.3) można zastąpić przez P ( A1 ∪ A2 ∪ ... ∪ An ) = P( A1 ) + P( A2 ) + ... + P ( An ) dla każdego ciągu zdarzeń A1 , A2 ,..., An parami wykluczających się W szczególności A ∩ B = ∅ ⇒ P ( A ∪ B ) = P( A) + P ( B ) Opracowała Joanna Banaś Własności prawdopodobieństwa (2.5) Własności (Ω, Z , P) – przestrzeń probabilistyczna a) P ( A) = 1 − P ( A′) dla każdego A∈ Z b) dla dowolnych A, B ∈ Z P ( A ∪ B) = P( A) + P ( B ) − P ( A ∩ B ) c) dla dowolnych A1 , A2 ,..., An ∈ Z P( A1 ∪ ... ∪ An ) = ∑ i =1 P( Ai ) − ∑1≤i <i ≤n P( Ai1 ∩ Ai2 ) n 1 2 + ∑1≤i <i <i ≤n P( Ai1 ∩ Ai2 ∩ Ai3 ) + ... + (−1) n+1 P( A1 ∩ ... ∩ An ) 1 2 3 Opracowała Joanna Banaś Obliczanie prawdopodobieństwa Ω – skończony Obliczanie prawdopodobieństwa dowolnego zdarzenia losowego zależy od mocy zbioru Ω Przypadek (A): Ω – skończony (2.6) Twierdzenie Jeżeli w przestrzeni Ω = {ω1 ,..., ωn } zostały określone prawdopodobieństwa zdarzeń elementarnych P({ω1}) = p1 ,..., P({ωn }) = pn w taki sposób, że pi ≥ 0 dla i = 1,..., n i p1 + ... + pn = 1 , to prawdopodobieństwo dowolnego zdarzenia A = {ωi1 , ωi2 ,..., ωik } jest równe P ( A) = pi1 + pi2 + ... + pik Opracowała Joanna Banaś Obliczanie prawdopodobieństwa definicja Laplace’a (2.7) Wniosek (klasyczna definicja prawdopodobieństwa Laplace’a, 1812) Jeżeli Ω = {ω1 ,..., ωn } oraz prawdopodobieństwa wszystkich zdarzeń elementarnych są jednakowe, tzn. P({ω1}) = ... = P({ωn }) = 1 n , to prawdopodobieństwo dowolnego zdarzenia A złożonego z k zdarzeń elementarnych jest równe P ( A) = k n Opracowała Joanna Banaś Obliczanie prawdopodobieństwa Ω – nieskończony, przeliczalny Przypadek (B): Ω – nieskończony, ale przeliczalny (2.8) Twierdzenie Jeżeli w przestrzeni Ω = {ω1 , ω2 ,...} zostały określone prawdopodobieństwa zdarzeń elementarnych P({ω1}) = p1 , P({ω2 }) = p 2 ,... w taki sposób, że pi ≥ 0 dla i = 1,2,... i p1 + p 2 + ... = 1 , to prawdopodobieństwo dowolnego zdarzenia A = {ωi1 , ωi2 ,...} jest równe P( A) = pi1 + pi2 + ... (2.9) Przykład Rozważmy doświadczenie polegające na rzucaniu monetą do momentu wypadnięcia reszki. Wiadomo, że Ω = {ω∞ , ω1 , ω2 ,...} , gdzie: ω1 − wyrzucenie R, ω2 − wyrzucenie OR, ω3 − wyrzucenie OOR,…, ω∞ − wyrzucenie OO…. a) b) Ile wynosi P({ω∞ }) = ? Czy zdarzenia: „rzucamy nieparzystą liczbę razy” i „rzucamy parzystą liczbę razy” są jednakowo prawdopodobne? Opracowała Joanna Banaś Obliczanie prawdopodobieństwa Ω – nieprzeliczalny Przypadek (C): Ω –nieprzeliczalny (2.10) Uwagi Ω ⊂ n − niepusty i ograniczony zbiór borelowski a) σ-ciało zdarzeń: Z = B (Ω) = { A ∈ B ( n ) : A ⊂ Ω} b) Przykład miary borelowskiej − miara Lebesgue’a m na prostej − długość przedziału na płaszczyźnie − pole obszaru w przestrzeni − objętość Opracowała Joanna Banaś Prawdopodobieństwo geometryczne Przypadek (C): Ω –nieprzeliczalny cd. (2.11) Twierdzenie (prawdopodobieństwo geometryczne) Jeśli m jest miarą Lebesgue’a w n , to wzór m( A) P( A) = dla A ∈ Z = B (Ω) m(Ω ) definiuje prawdopodobieństwo (geometryczne) w przestrzeni mierzalnej (Ω, Z ) (2.12) Uwaga Dla każdego ω∈ n zachodzi P ({ω}) = 0, gdyż m({ω}) = 0 (prawdopodobieństwo geometryczne jest miarą bezatomową) (2.13) Przykład Odcinek o długości a dzielimy losowo na 3 części. Obliczyć prawdopodobieństwo, że z tych części można zbudować trójkąt. Opracowała Joanna Banaś 3. Zmienne losowe (Ω, Z , P) – przestrzeń probabilistyczna Zmienna losowa – dowolna funkcja mierzalna na przestrzeni (Ω, Z ), tj. funkcja X : Ω → taka, że: (3.1) {ω∈ Ω : X (ω) ∈ B} ∈ Z dla każdego B ∈ B ( ) (3.2) Własność Warunek (3.1) równoważny jest warunkowi {ω∈ Ω : X (ω) < x} ∈ Z dla każdego x ∈ (3.3) Uwaga Ω – zbiór przeliczalny ⇒ każda funkcja X jest zmienną losową (warunek (3.1) jest zawsze spełniony) Opracowała Joanna Banaś Oznaczenia P ({ω∈ Ω : X (ω) ∈ B}) ≡ P ( X ∈ B ) dla B ∈ B ( ) P ({ω∈ Ω : X (ω) < x}) ≡ P ( X < x ) dla x ∈ P ({ω∈ Ω : X (ω) = x}) ≡ P ( X = x) dla x ∈ P ({ω∈ Ω : a ≤ X (ω) < b}) ≡ P (a ≤ X < b) dla a, b ∈ , a < b Opracowała Joanna Banaś Dystrybuanta i jej własności (Ω, Z , P) – przestrzeń probabilistyczna Dystrybuanta zmiennej losowej X – funkcja FX : → określona wzorem: FX ( x) = P( X < x) dla każdego x ∈ (3.4) (3.5) Własności F – dystrybuanta zmiennej losowej X a) monotoniczność F – funkcja niemalejąca, tzn. ∀ x , y∈ x < y ⇒ F ( x) ≤ F ( y ) b) ciągłość F – funkcja lewostronnie ciągła, tzn. ∀ x0 ∈ lim− F ( x) = F ( x0 ) x → x0 c) lim F ( x ) = 0, lim F ( x) = 1 x →−∞ x →∞ d) P ( a ≤ X < b) = F (b) − F ( a ) dla a, b ∈ , a < b Opracowała Joanna Banaś Dystrybuanta i jej własności (3.5) Własności cd. e) P( X = x0 ) = lim+ F ( x) − F ( x0 ) x → x0 (3.6) Wnioski Dystrybuanta F zmiennej losowej X jest ciągła w punkcie x0 ∈ ⇔ P( X = x0 ) = 0 F ma skok w punkcie x0 ⇔ P( X = x0 ) > 0 Opracowała Joanna Banaś 4. Typy zmiennych losowych X – zmienna losowa określona na przestrzeni probabilistycznej (Ω, Z , P) Zmienna losowa X jest typu skokowego (dyskretnego), jeśli rozkład tej zmiennej jest miarą atomową, tzn. istnieje przeliczalny zbiór S = {x1 , x2 ,...} ⊂ taki, że (4.1) P ( X = xi ) = pi > 0 dla i = 1, 2,... i ∑ i pi = 1 Opracowała Joanna Banaś Zmienna typu skokowego (4.2) Własność P ( X ∈ B ) = ∑ {i:x ∈B} pi dla dowolnego B ∈ B ( ) i W szczególności F ( x) = P ( X < x ) = ∑ {i:x < x} p i dla x ∈ I (4.3) Przykład W przestrzeni zdarzeń elementarnych Ω = {ω1 , ω2 } określone jest prawdopodobieństwo P ({ω1}) = 14 i P ({ω 2 }) = 43 oraz zmienna losowa X: X (ω1 ) = 0 i X (ω2 ) = 1 Wyznaczyć: rozkład zmiennej losowej X i jego wykres wykres histogramu dystrybuantę zmiennej losowej X i jej wykres Opracowała Joanna Banaś Zmienna typu ciągłego X – zmienna losowa określona na przestrzeni probabilistycznej (Ω, Z , P) Zmienna losowa X jest typu ciągłego jeśli dystrybuanta F tej zmiennej losowej jest postaci (4.4) x F ( x) = ∫ f (u )du −∞ gdzie f jest nieujemną funkcją całkowalną taką, że (4.5) ∫ ∞ −∞ f ( x)dx = 1 f – gęstość rozkładu zmiennej losowej X Opracowała Joanna Banaś Własności zmiennej typu ciągłego (4.6) Własności f – gęstość rozkładu zmiennej losowej X, F – jej dystrybuanta a) b) F – (absolutnie) ciągła w R f jest ciągła w punkcie x∈R ⇒ F jest różniczkowalna w punkcie x i F ′( x ) = f ( x ) c) d) x0 ∈ ⇒ P( X = x 0 ) = 0 P( X ∈ B) = ∫ f ( x)dx dla dowolnego B ∈ B () B W szczególności b P(a ≤ X < b) = P(a < X ≤ b) = P( a ≤ X ≤ b) = P(a < X < b) = ∫ f ( x)dx a dla a, b ∈ , a < b (por. rys.4.1) Opracowała Joanna Banaś Własności zmiennej typu ciągłego f ( x) P ( a ≤ X < b) F ( x) 0 x a b Rys.4.1. Pewne własności gęstości zmiennej losowej X (4.7) Uwaga Nie każdą funkcję ciągłą F można przedstawić w postaci (4.4) (4.8) Przykład Funkcja gęstości zmiennej losowej X określona jest wzorem x − 1 dla x ∈ 〈1, 2) f ( x ) = 3 − x dla x ∈ (2,3〉 0 dla x ∉ 〈1,3〉 Wyznaczyć dystrybuantę zmiennej losowej X i jej wykres Opracowała Joanna Banaś Metody probabilistyczne i statystyka Wykład 1 Dziękuję za uwagę Opracowała Joanna Banaś