Spis treści Część 1. Elementy Rachunku Prawdopodobieństwa Część 2. Elementy statystyki matematycznej
|
|
- Iwona Orzechowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Jan Rusinek UWAGA! Ten tekst jest cały czas w trakcie przygotowania i sprawdzania. Może zawierać błędy. Jest sukcesywnie poprawiany i umieszczany pod aktualną datą! Obecna data
2 2
3 Spis treści Część 1. Elementy Rachunku Prawdopodobieństwa Elementy kombinatoryki Wzór Stirlinga Podstawowe pojęcia Prawdopodobieństwo warunkowe Elementy diagnostyki Zdarzenia niezależne Schemat Bernoulliego Zmienna losowa Rozkład i dystrybuanta zmiennej losowej Funkcje zmiennej losowej i ich rozkłady Wartość oczekiwana, wariancja i odchylenie standardowe Wartość oczekiwana i wariancja funkcji zmiennej losowej Inne parametry rozkładu Kowariancja i korelacja Rozkład normalny (Gaussa) Inne rozkłady Kwantyle rozkładu Niezależne zmienne losowe Wyznaczanie ekstremum metodą Monte Carlo Twierdzenia graniczne Metoda Monte Carlo obliczania całek Część 2. Elementy statystyki matematycznej Wprowadzenie Estymacja punktowa Weryfikacja hipotez Testy zgodności Estymacja przedziałowa Wyznaczanie przedziałów ufności Minimalna liczność próby Parametryczne testy istotności Hipotezy o równości cechy w dwóch populacjach Porównanie dwóch średnich w przypadku zależnych prób. 218
4 6 Spis treści Test χ 2 niezależności Tablice
5 Część 1. Elementy Rachunku Prawdopodobieństwa
6 8 1. Elementy Rachunku Prawdopodobieństwa 1.1. Elementy kombinatoryki Przypomnimy podstawowe wzory potrzebne w dalszych rozważaniach. Permutacja. Permutacją nazywamy dowolne odwzorowanie różnowartościowe zbioru n-elementowego w zbiór {1, 2,..., n}. Liczba n-elementowych permutacji wyraża się wzorem: P n = n! = n. (1.1) Z permutacją mamy do czynienia wtedy, gdy pytamy się na ile sposobów można ustawić jakiś zbiór różnych elementów w szereg.
7 1.1. Elementy kombinatoryki 9 PRZYKŁAD 1. W finale biegu na 100 metrów startują czterej biegacze. Ile jest wszystkich możliwych rezultatów biegu? R o z w i ą z a n i e. Wszystkich rezultatów będzie 4!, czyli 24. Kombinacja. Jest to k-elementowy podzbiór zbioru n-elementowego. Liczba takich podzbiorów wyraża się wzorem C k n = ( ) n = k n! k!(n k)!. (1.2)
8 10 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 2. Spośród 10 osób mamy wybrać trzyosobową delegację. Na ile sposobów możemy to zrobić? R o z w i ą z a n i e. Możemy to zrobić na C10 3 = ( ) 10 3 sposobów czyli = 120 sposobów.
9 1.1. Elementy kombinatoryki 11 PRZYKŁAD 3. Dietetycy sugerują, że każdy człowiek powinien w ciągu dnia zjeść co najmniej 4 potrawy z mleka, dwie potrawy mięsne, 3 potrawy z owoców i warzyw i 4 potrawy mączne. Przypuśćmy, że stołówka dysponuje 6 potrawami mlecznymi, 10 potrawami mięsnymi, 7 potrawami z owoców i warzyw i 5 potrawami mącznymi. Ile można utworzyć zestawów potraw zgodnych z zaleceniami dietetyków? R o z w i ą z a n i e. Aby rozwiązać to zadanie, trzeba obliczyć liczbę kombinacji w każdej grupie potraw, a potem otrzymane wyniki przemnożyć. I tak liczba możliwości w grupie mlecznej wynosi C6 4 = = 15. Liczba możliwości w grupie mięsnej wynosi C10 2 = = 45. Liczba możliwości w grupie owoco wo-wa rzywnej wynosi C7 3 = = 35. Liczba możliwości w grupie mącznej wynosi C5 4 = 5. Ostatecznie otrzymujemy wynik: wszystkich zestawów potraw jest = Wariacja bez powtórzeń. Jest to odwzorowanie różnowartościowe zbioru k-elementowego w zbiór n-elementowy (k n). Liczba takich odwzorowań wyraża się wzorem A k n = n! (n k)!. (1.3)
10 12 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 4. W wyścigach konnych typuje się kolejność trzech pierwszych koni. W wyścigu startuje 8 koni. Ile jest możliwych typów? R o z w i ą z a n i e. Typów jest A 3 8 = 8! 5! = = 336. Wariacja z powtórzeniami to dowolne (niekoniecznie różnowartościowe) odwzorowanie zbioru k-elementowego w zbiór n-elementowy. Liczba takich odwzorowań jest równa n k.
11 1.1. Elementy kombinatoryki 13 PRZYKŁAD 5. W grupie jest 5 studentów: s 1, s 2, s 3, s 4, s 5. Trzeba ich podzielić na dwie podgrupy angielską i francuską - każdy z nich może wybrać jeden język spośród dwóch. Ile jest wszystkich możliwych podziałów? R o z w i ą z a n i e. Oznaczmy przez X zbiór {s 1, s 2, s 3, s 4, s 5 }, a przez Y zbiór {A, F }. Każdemu studentowi (czyli elementowi zbioru X) przyporządkowujemy wybrany język (a więc element zbioru Y ). Zatem wszystkich podziałów jest tyle, ile funkcji ze zbioru X (k = 5) w zbiór Y (n = 2), a więc 2 5 = 32.
12 14 1. Elementy Rachunku Prawdopodobieństwa 1.2. Wzór Stirlinga Bezpośrednie obliczanie powyższych wyrażeń dla dużych n i k może być trudne i nieosiągalne nawet dla komputerów - liczby n! są olbrzymie. Dużą pomocą może być oczywiście logarytmowanie. Na przykład liczbę p = ( 50 )( 50 ) ( 100 ) 25 można policzyć następująco. Najpierw obliczamy ln p : ln p = [2(ln ln 50) (ln ln 10) (ln ln 40) (ln ln 15) (ln ln 35)] [(ln ln 100) (ln ln 25) (ln ln 75)]. Następnie obliczamy p = e ln p. Jeśli mamy do dyspozycji komputery nie jest to bardzo trudne, choć dla jeszcze większych n, np. równych wielu milionom, a takie sytuacje często się w praktyce zdarzają, byłoby już to skomplikowane nawet dla nowoczesnych maszyn. Istnieje szybsza metoda, pozwalająca wykonywać przybliżone obliczenia wyrażeń, w których występują silnie. Oparta jest ona na wzorze szkockiego matematyka J. Stirlinga. Wzór ten mówi, że ciąg n! a n = n n e n 2πn dąży do 1. Oznacza to, że dla dużych n mamy n! n n e n 2πn. (1.4) Zastosujmy ten wzór do poniższego przykładu będącego uogólnieniem przykładu poprzedniego ) p = ( M )( N M k n k ( N. n)
13 1.2. Wzór Stirlinga 15 Z wzoru Stirlinga dla każdego u v, u, v IN mamy ln ( u v) [u ln u u + ln( 2πu)] [v ln v v + ln( 2πv)] [(u v) ln(u v) (u v) + ln( 2π(u v))] = [u ln u + ln( 2πu) [v ln v + ln( 2πv)] [(u v) ln(u v) + ln( 2π(u v))]. Zatem ln p [M ln M+ln( 2πM) k ln k ln( 2πk) (M k) ln(m k) ln( 2π(M k))] + [(N M) ln(n M) + ln( 2π(N M)) (n k) ln(n k) ln( 2π(n k)) (N M (n k)) ln(n M (n k)) ln( 2π(N M (n k)))] [N ln N + ln( 2πN) n ln n ln( 2πn) (N n) ln(n n) ln( 2π(N n))]. Liczba składników w powyższym wzorze jest równa zawsze 18 w przeciwieństwie do poprzedniej metody, gdzie jest proporcjonalna do liczb występujących we wzorze.
14 16 1. Elementy Rachunku Prawdopodobieństwa 1.3. Podstawowe pojęcia Będziemy rozważać uporządkowaną trójkę (Ω, M, P ), gdzie: Ω - zbiór zwany zbiorem (lub przestrzenią) zdarzeń elementarnych, M - pewien zbiór podzbiorów zbioru Ω zwany zbiorem zdarzeń losowych, P - funkcja określona na zbiorze M o wartościach w przedziale [0; 1] zwana prawdopodobieństwem. Muszą być spełnione następujące warunki: 1) Ω M, M, 2) jeśli A, B M, to zbiory A B i A B i A \ B należą do M, 3) jeśli A n M dla n = 1, 2, 3,..., to M, n=1 4) P (Ω) = 1, P ( ) = 0, 5) jeśli A n M dla n = 1, 2,... oraz A i A j = dla i j, to ( ) P A n = P (A n ). n=1 n=1 W przypadku, gdy zbiór Ω jest skończony i prawdopodobieństwo wszystkich zdarzeń elementarnych jest takie samo, to P (A) = A/Ω, gdzie A oznacza liczbę elementów zbioru A.
15 1.3. Podstawowe pojęcia 17 PRZYKŁAD 6. Rozpatrujemy doświadczenie polegające na jednokrotnym rzucie monetą. Jako Ω bierzemy zbiór wszystkich wyników [orzeł (o) lub reszka (r)], czyli Ω = {o, r}. Zbiór M jest czteroelementowym zbiorem wszystkich podzbiorów Ω, czyli M składa się z podzbiorów, {o}, {r} i Ω. Natomiast P jest zdefiniowana następująco P ( ) = 0, P (Ω) = 1, P ({o}) = P ({r}) = 1 2.
16 18 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 7. Winda z 6 pasażerami zatrzymuje się na 9 piętrach. Jakie jest prawdopodobieństwo, że na żadnym piętrze nie wysiądą dwie osoby? R o z w i ą z a n i e. Wszystkich sposobów wyjścia pasażerów z windy jest 9 6 (wariacje z powtórzeniami). Natomiast wszystkich sposobów wyjścia takich, że na każdym piętrze wychodzi co najwyżej jedna osoba jest tyle, ile wariacji bez powtórzeń, czyli 9! 3!. Zatem nasze prawdopodobieństwo jest równe 9! 96 6 =
17 1.3. Podstawowe pojęcia 19 PRZYKŁAD 8. Udowodnimy wzór: P (A B) = P (A) + P (B) P (A B). (1.5) R o z w i ą z a n i e. Zbiory A B, A \ B oraz B \ A są rozłączne przy czym: skąd skąd skąd A = (A \ B) (A B), P (A) = P (A \ B) + P (A B). B = (B \ A) (A B), P (B) = P (B \ A) + P (A B). A B = (A \ B) (B \ A) (A B), P (A B) = P (A \ B) + P (B \ A) + P (A B) = P (A \ B) + P (A B) + P (B \ A) + P (A B) P (A B) = P (A) + P (B) P (A B).
18 20 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 9. Generatory liczb losowych. Dzięki istnieniu w kompilatorach różnych języków, funkcji pozwalających generować liczby losowe możemy imitować doświadczenia uruchomieniem odpowiedniego programu. Na przykład w Turbo Pascalu jest funkcja random uruchamiana poleceniem randomize. I tak poniższy program imituje n rzutów monetą. var i,n,k:longint; var p:0..1; begin k:=0; writeln( Podaj liczbe prob );readln(n); randomize;for i:=1 to n do begin p:=random(2);if p=1 then begin write( O );k:=k+1;end; else write( R );end; writeln( W,n, rzutach wypadlo,k, orlow ); end.
19 1.3. Podstawowe pojęcia 21 PRZYKŁAD 10. Rzucamy kostką do gry. Jako Ω bierzemy zbiór wszystkich wyników czyli zbiór {1, 2, 3, 4, 5, 6}, a jako M zbiór wszystkich podzbiorów zbioru Ω. Zbiór M ma 2 6 elementów. Wtedy na przykład prawdopodobieństwo zdarzenia, że liczba wyrzuconych oczek będzie podzielna przez 3 wynosi P ({3, 6}) = 2 6 = 1 3.
20 22 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 11. Niewielka zmiana poprzedniego programu daje nam program imitujący rzut kostką. var jeden, dwa, trzy, cztery, piec, szesc, n, i:longint; var p:0..5; begin jeden:=0;dwa:=0;trzy:=0;cztery:=0;piec:=0;szesc:=0; writeln( Podaj liczbe prob );readln(n); randomize; for i:=1 to n do begin p:=random(6); if p=0 then jeden:=jeden+1 else if p=1 then dwa:=dwa+1 else if p=2 then trzy:=trzy+1 else if p=3 then cztery:=cztery+1 else if p=4 then piec:=piec+1 else szesc:=szesc+1;end; writeln( W,n, rzutach wypadlo ); writeln(jeden, jedynek ); writeln(dwa, dwojek ); writeln(trzy, trojek ); writeln(cztery, czworek ); writeln(piec, piatek ); writeln(szesc, szostek );end.
21 1.3. Podstawowe pojęcia 23 PRZYKŁAD 12. W pewnej szkole studiuje 500 studentów podzielonych na grupy językowe. Ich rozkład według płci i języków podaje poniższa tabelka. Język/płeć angielski francuski niemiecki rosyjski razem kobiety mężczyźni Razem Niech M, K, A, F, N, R oznaczają zdarzenia: M - losowo spotkany student jest mężczyzną, K - losowo spotkany student jest kobietą, A - losowo spotkany student uczy się angielskiego, F - losowo spotkany student uczy się francuskiego, N - losowo spotkany student uczy się niemieckiego, R - losowo spotkany student uczy się rosyjskiego. Obliczmy prawdopodobieństwo zdarzeń M, A, N, M A, K N, M R, K F. Ponieważ Ω = 500, to mamy P (M) = M 500 = , P (A) = , P (N ) = = , P (M A) = 500, P (K N) = Aby wyznaczyć liczbę elementów zbiorów M R, zauważmy, że do liczby wszystkich mężczyzn musimy dodać liczbę kobiet uczących się rosyjskiego, a zatem M R = = 235. Stąd P (M R) = Analogicznie K F = = 343. P (K F ) = 500.
22 24 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 13. Rzucamy ziarnkiem (np. piasku) do okrągłej długiej studni o kształcie walca o średnicy podstawy 1 m. Na środku dna studni znajduje się okrągła tarcza o średnicy 10 cm. Interesuje nas prawdopodobieństwo tego, że ziarnko spadnie na okrągłą tarczę. Jeśli założymy, że prawdopodobieństwo upadku ziarnka w dowolne miejsce jest takie samo, to intuicja podpowiada nam, że prawdopodobieństwo upadku ziarnka na środkową tarczę powinno być równe części jaką zajmuje ta tarcza w stosunku do powierzchni całego dna, czyli Za Ω musimy przyjąć zbiór wszystkich punktów na dnie studni (będzie to oczywiście zbiór nieskończony). Natomiast ze zbiorem M będziemy mieli już poważne kłopoty. Nie wnikając w szczegóły (którymi zajmuje się dział matematyki zwany teorią miary ) do M będziemy zaliczać te podzbiory koła (bo taki kształt ma dno studni), których powierzchnię potrafimy zmierzyć. Zostawiając na boku zagadnienie czy tak zdefiniowany zbiór M spełnia warunki (2) i (3) definiujemy P następująco: P (A) = pole powierzchni zbioru A pole powierzchni całego dna.
23 1.4. Prawdopodobieństwo warunkowe Prawdopodobieństwo warunkowe
24 26 1. Elementy Rachunku Prawdopodobieństwa DEFINICJA 1. Niech A i B będą zdarzeniami losowymi oraz niech P (B) 0. Prawdopodobieństwem warunkowym zdarzenia A pod warunkiem B nazywamy liczbę P (A B) = P (A B). (1.6) P (B)
25 1.4. Prawdopodobieństwo warunkowe 27 PRZYKŁAD 14. Rozpatrzmy sytuację z zadania 8. Jakie jest prawdopodobieństwo, że losowo spotkany pracownik ma wyższe wykształcenie jeśli wiemy, że jest kobietą? R o z w i ą z a n i e. Niech K oznacza zdarzenie pracownik jest kobietą, a W zdarzenie pracownik ma wyższe wykształcenie. Mamy policzyć P (W K). Z wzoru na prawdopodobieństwo warunkowe mamy P (W K) = P (K W ) P (K) = 5/110 43/110 = Widzimy, że ogólna liczba pracowników (110) skróciła się, a istotne było tylko jaki procent kobiet ma wyższe wykształcenie - można było więc ten problem rozwiązać bez używania pojęcia prawdopodobieństwa warunkowego.
26 28 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 15. Zakładamy, że prawdopodobieństwo urodzenia chłopca jest takie samo jak dziewczynki. a) Jakie jest prawdopodobieństwo tego, że rodzina mająca dwoje dzieci ma chłopca i dziewczynkę, jeśli wiemy, że w rodzinie jest chłopiec. b) Od przypadkowo spotkanego chłopca dowiadujemy się, że w domu zostało dokładnie jedno drugie dziecko z tej rodziny (czyli, że rodzina ma dokładnie dwoje dzieci). Jakie jest prawdopodobieństwo tego, że tych dwoje dzieci to chłopiec (czyli on) i dziewczynka? R o z w i ą z a n i e. Można ulec złudzeniu, że rozwiązanie obu problemów jest identyczne. Ale tak nie jest. Po głębszym zastanowieniu się zauważymy, że w pytaniu (a) wybieramy dwa sprzyjające zdarzenia z trzech, czyli prawdopodobieństwo jest 2 3, a w drugim prawdopodobieństwo tego, że drugie dziecko jest chłopcem jest takie samo jak to, że drugim dzieckiem jest dziewczynka, a więc musi być równe 1 2. Otóż problemy te prowadzą do dwóch różnych modeli. Aby to dokładnie prześledzić rozpatrzmy obrazową sytuację. Mamy cztery rodziny: rodzinę Jabłońskich mającą dwóch chłopców starszego Jacka i młodszego Wacka, rodzinę Malinowskich mającą starszego chłopca Placka i młodszą dziewczynkę Basię, rodzinę Śliwowskich mającą starszą dziewczynkę Jasię i młodszego chłopca Pankracka oraz rodzinę Wiśniewskich mającą dwie dziewczynki Kasię i Stasię. W pierwszym przypadku wybieramy rodzinę, zatem Ω = {Jabłońscy, Malinowscy, Śliwowscy, Wiśniewscy}. Jako zbiór A (czyli rodziny mające chłopca i dziewczynkę) musimy przyjąć zbiór {Malinowscy, Śliwowscy}, natomiast zbiór B (rodziny mające jakiegoś chłopca) to zbiór {Jabłońscy, Malinowscy, Śliwowscy}. Wtedy A B = A. Ostatecznie P (A B) = P (A B) P (B) = 2/4 3/4 = 2 3.
27 1.4. Prawdopodobieństwo warunkowe 29 W drugim przypadku spotykamy dziecko, zatem zbiór Ω - to zbiór wszystkich ośmiorga dzieci, czyli Ω = 8. Nasze pytanie możemy sformułować tak: jakie jest prawdopodobieństwo, że spotkane dziecko pochodzi z rodziny mającej chłopca i dziewczynkę pod warunkiem, że dziecko to jest chłopcem. Zatem A to zbiór dzieci pochodzących z rodziny mieszanej czyli A = {Placek, Basia, Jasia, Pankracek}. Natomiast zbiór B to zbiór chłopców, czyli B = {Jacek, Wacek, Placek, Pankracek}. Wtedy A B = {Placek, Pankracek}. Ostatecznie mamy P (A B) = P (A B) P (B) = 2/8 4/8 = 1 2.
28 30 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 16. Policja otrzymała informację, że terroryści podłożyli bomby w dwóch spośród 8 odlatujących samolotów. Jakie jest prawdopodobieństwo, że zostaną one znalezione już po przeszukaniu dwóch pierwszych samolotów. R o z w i ą z a n i e. Niech A 1 oznacza zdarzenie w pierwszym samolocie jest bomba, zaś A 2 zdarzenie w drugim samolocie jest bomba. Interesuje nas liczba P (A 1 A 2 ). Przekształcając wzór na prawdopodobieństwo warunkowe otrzymujemy P (A 1 A 2 ) = P (A 1 ) P (A 2 A1 ) = = 1 28.
29 1.4. Prawdopodobieństwo warunkowe 31 TWIERDZENIE 1. (Wzór na prawdopodobieństwo całkowite). Załóżmy, że ciąg zdarzeń losowych B n (skończony lub nieskończony) spełnia warunki 1) B i B j = dla i j, 2) B n = Ω. n Wtedy dla dowolnego A M zachodzi równość P (A) = n P (A B n ) P (B n ). (1.7) Dowód jest oczywisty. Ponieważ zbiory A B n są parami rozłączne, oraz A = A B n, to n P (A) = n P (A B n ) = n P (A B n ) P (B n ).
30 32 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 17. W jednej urnie mamy 3 kule białe i 4 czarne, a w drugiej 5 kul białych i 4 czarne. Rzucamy kostką do gry. Gdy wypadnie liczba podzielna przez 3 losujemy z pierwszej urny, w przeciwnym wypadku z drugiej. Jakie jest prawdopodobieństwo wylosowania białej kuli? R o z w i ą z a n i e. Wprowadzimy oznaczenia B 1 - wypadła liczba podzielna przez 3, B 2 - wypadła liczba niepodzielna przez 3, A - wylosowaliśmy białą kulę. Mamy P (B 1 ) = 1 3, P (B 2) = 2 3. P (A B1 ) = 3 7, P (A B2 ) = 5 9. Zatem P (A) = P (A B1 ) P (B 1 ) + P (A B2 ) P (B 2 ) = =
31 1.4. Prawdopodobieństwo warunkowe 33 PRZYKŁAD 18. Rzucamy kostką do gry. Umawiamy się, że jeśli wypadnie jedynka lub dwójka, to przegrywamy, jeśli wypadnie szóstka, to wygrywamy. Jeśli wypadnie trójka, czwórka lub piątka, to rzucamy ponownie aż do momentu gdy wypadnie jedynka lub dwójka (wtedy przegramy) albo szóstka (wtedy wygramy). Obliczymy prawdopodobieństwo wygranej. R o z w i ą z a n i e. Niech B n będzie zdarzeniem gra się skończyła w n-tym rzucie (n = 1, 2, 3,...), natomiast A zdarzeniem wygraliśmy (czyli padła szóstka). Zdarzenie A B n jest zdarzeniem: wygraliśmy w n-tym rzucie. Tak się stało, jeśli w tym rzucie wypadła szóstka, zaś we wszystkich poprzednich rzutach wypadała trójka, czwórka lub piątka. Prawdopodobieństwo takiego zdarzenia jest równe n 1 6. Zatem prawdopodobieństwo całkowite jest równe P (A) = = 1 6 ( ) Korzystając ze wzoru na sumę nieskończonego szeregu geometrycznego otrzymujemy ostateczny wynik P (A) = = 1 3. Jeśli we wzorze na prawdopodobieństwo całkowite założymy dodatkowo, że P (A) 0, to otrzymamy następny ważny wzór..
32 34 1. Elementy Rachunku Prawdopodobieństwa TWIERDZENIE 2. (Wzór Bayesa). P (B k A) = P (B k A) P (A) = P (A B k ) P (B k ) n P (A B n ) P (B n ). (1.8)
33 1.4. Prawdopodobieństwo warunkowe 35 PRZYKŁAD 19. Egzamin z matematyki przeprowadzało dwóch egzaminatorów. Jeden z nich oblał tylko 10% zdających i u niego zdawało 70% studentów, a drugi oblał 80% zdających i u niego zdawało 30% studentów (prawdopodobnie ci, którym nie udało się dostać do egzaminatora pierwszego). Przypadkowo napotkany student stwierdza, że zdał egzamin. Jakie jest prawdopodobieństwo, że zdawał u drugiego egzaminatora? R o z w i ą z a n i e. Niech B 1 oznacza zdawanie u pierwszego, B 2 zdawanie u drugiego egzaminatora, A zdanie egzaminu. Z treści zadania wynika, że P (B 1 ) = 0.7, P (B 2 ) = 0.3, P (A B1 ) = 0.9, P (A B2 ) = 0.2. Szukamy P (B 2 A). Podstawiając do wzoru Bayesa otrzymujemy P (B 2 A) = P (A B 2 ) P (B 2 ) P (A B1 ) P (B 1 ) + P (A B2 ) P (B 2 ) = = 6 69.
34 36 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 20. Rozpatrzmy następujący teleturniej. W jednym z trzech pudełek jest nagroda, pozostałe są puste. Grający losowo wybiera jedno pudełko, po czym prowadzący turniej, który wie, gdzie jest nagroda otwiera jedno z pozostałych pudełek zawsze puste i proponuje grającemu zamianę wylosowanego wcześniej pudełka na pozostałe nieotwarte. Co powinien grający zrobić, zamienić czy nie? A może jest wszystko jedno czy zamieni? R o z w i ą z a n i e. Jedno z możliwych (jak się przekonamy błędnych) rozumowań jest następujące: W otwartym pudełku nie ma nagrody. Zostały dwa, moje i to drugie. W takim razie prawdopodobieństwo, że nagroda jest w jednym z nich wynosi 1 2, więc wszystko jedno, czy je zamienię czy nie. W celu precyzyjnego rozwiązania zadania oznaczmy pudełka przez P 1, P 2 i P 3. Przypuśćmy, że grający wylosował pudełko P 1, a prowadzący odkrył pudełko P 2. Zrozumienie tego zadania polega m.in. na uświadomieniu sobie, że dwa zdarzenia oraz A= prowadzący otworzył pudełko P 2 C = w pudełku P 2 nie ma nagrody to nie są te same zdarzenia. Niech B i dla i = 1, 2, 3 oznacza zdarzenie nagroda jest w pudełku P i. Mamy porównać P (B 1 A) oraz P (B3 A). Skorzystamy z wzoru Bayesa. Mamy P (B i A) = P (A B i )P (B i ) P (A B1 )P (B 1 ) + P (A B2 )P (B 2 ) + P (A B3 )P (B 3 ), dla i = 1, 3. Policzmy prawdopodobieństwa występujące po prawej stronie wzoru. Oczywiście P (B 1 ) = P (B 2 ) = P (B 3 ) = 1 3.
35 1.4. Prawdopodobieństwo warunkowe 37 Jeśli nagroda jest w pudełku P 1, to prowadzący (który o tym wie) z jednakowym prawdopodobieństwem otwiera pudełko P 2 lub P 3. Zatem P (A B1 ) = 1 2. Jeśli nagroda jest w pudełku P 2, to prowadzący na pewno otworzy pudełko P 3, a jeśli nagroda jest w pudełku P 3, to otworzy pudełko P 2. Zatem P (A B 2 ) = 0. W takim razie P (A B 3 ) = 1. 1 P (B 1 A) = = P (B 3 A) 1 1 = = 2 3. Odpowiedź powinna być w takim razie następująca: grający powinien skorzystać z propozycji prowadzącego. Jego szansa wygranej wzrośnie aż dwukrotnie! Opiszemy nasz przykład konstruując odpowiedni zbiór zdarzeń elementarnych. Każde zdarzenie można opisać dwoma elementami : pudelkiem, w którym jest nagroda (zdarzenie B i ) oraz pudełkiem otwartym przez prowadzącego. Zdarzenia B 2 i B 3 wymuszają otwarcie odpowiedniego pudełka P 3, P 2, są to zatem zdarzenia elementarne, każde z prawdopodobieństwem 1 3. Natomiast zdarzenie B 1 nie jest zdarzeniem elementarnym, bo można je podzielić na dwa podzdarzenia : B 12 = nagroda jest w pudełku P 1 i prowadzący otworzył P 2 oraz B 13 = nagroda jest w pudełku P 1 i prowadzący otworzył P 3, każde z prawdopodobieństwem 1 6. Wtedy A = B 3 B 12 natomiast C = B 1 B 3 = B 12 B 13 B 3.
36 38 1. Elementy Rachunku Prawdopodobieństwa 1.5. Elementy diagnostyki We wzorze Bayesa zdarzenia B i zwykle pełnią rolę przyczyn, a zbiór A pewnego zaobserwowanego zdarzenia np. usterki jakiegoś urządzenia. Ważne jest, aby ustalić prawdopodobieństwa tego, że przyczyną usterki są zdarzenia B i. W takich sytuacjach wzór Bayesa może być jednym z narzędzi. Tu zasygnalizujemy tylko problematykę opierając się na dwóch prostych przykładach. Przykłady bardziej skomplikowane są zwykle żmudne, dlatego z nich rezygnujemy.
37 1.5. Elementy diagnostyki 39 PRZYKŁAD 21. Wyobraźmy sobie, że mamy układ złożony z trzech elementów: źródło energii (a 1 ), wyłącznika (a 2 ) i elementu a 3 połączonych szeregowo tak jak na rysunku. a 2 a 3 a 1 Rys. 1. Zakładamy, że niezawodność elementu a 1 wynosi 0.9, elementów a 2 i a 3 wynosi 0.7 i że możliwości uszkodzenia są niezależne. Zaobserwowaliśmy, że nie działają jednocześnie a 1 i a 2 (zdarzenie A). Jakie uszkodzenia są najbardziej prawdopodobne? R o z w i ą z a n i e. Oznaczmy przez B 0 zdarzenie wszystkie elementy są sprawne B i zdarzenie tylko element a i jest uszkodzony, B ij zdarzenie tylko elementy a i i a j są uszkodzone oraz B 123 zdarzenie wszystkie trzy elementy są uszkodzone, i = 1, 2, 3. Mamy: P (B 0 ) = = 0.441; P (B 1 ) = = 0.049; P (B 2 ) = = 0.189; P (B 3 ) = = 0.189; P (B 12 ) = = 0.021; P (B 13 ) = = 0.021; P (B 23 ) = = 0.081; P (B 123 ) = = Dalej mamy P (A B 0 ) = P (A B 3 ) = 0 oraz P (A B 1 ) = P (A B 2 ) = P (A B 12 ) = P (A B 13 ) = P (A B 23 ) = P (A B 123 ) = 1. Stąd z wzoru na prawdopodobieństwo całkowite mamy Z wzoru Bayesa otrzymujemy P (A) = 1 P (B 0 ) P (B 3 ) = oraz P (B i A) = P (A B i)p (B i ), P (A) P (B ij A) = P (A B ij)p (B ij ), P (A)
38 40 1. Elementy Rachunku Prawdopodobieństwa (pomijamy P (B 123 A) w sposób oczywisty bardzo małe) skąd P (B 1 A) = 0.132, P (B 2 A) = 0.51, P (B 3 A) = 0, P (B 12 A) = P (B 13 A) = 0.057, P (B 23 A) = Zatem najbardziej prawdopodobne jest, że uszkodzony jest tylko element a 2.
39 1.5. Elementy diagnostyki 41 PRZYKŁAD 22. A teraz rozważymy ten sam problem przy założeniu, że elementy a 2 i a 3 połączone są równolegle. Patrz rysunek. a 1 a 3 a 2 Rys. 2. R o z w i ą z a n i e. Pozostawmy te same oznaczenia, co w poprzednim przykładzie. Zmieniają się niektóre prawdopodobieństwa warunkowe. Mamy teraz: P (A B 0 ) = P (A B 3 ) = P (A B 2 ) = 0 oraz P (A B 1 ) = P (A B 12 ) = P (A B 13 ) = P (A B 23 ) = P (A B 123 ) = 1. Stąd z wzoru na prawdopodobieństwo całkowite mamy P (A) = 1 P (B 0 ) P (B 3 ) P (B 2 ) = Ponadto z wzoru Bayesa oraz P (B i A) = P (A B i)p (B i ), P (A) P (B ij A) = P (A B ij)p (B ij ). P (A) Stąd P (B 1 A) = 0.27, P (B 2 A) = 0, P (B 3 A) = 0, P (B 12 A) = P (B 13 A) = 0.116, P (B 23 A) = Tym razem najbardziej prawdopodobne jest, że uszkodzone są oba elementy a 2 i a 3. W praktyce nie wystarczy rozważać tylko prawdopodobieństwa, Ważne są też koszty sprawdzania poszczególnych usterek.
40 42 1. Elementy Rachunku Prawdopodobieństwa 1.6. Zdarzenia niezależne
41 1.6. Zdarzenia niezależne 43 DEFINICJA 2. Mówimy, że zdarzenia A i B są niezależne, jeśli P (A B) = P (A) P (B). (1.9) Sens zdarzeń niezależnych widzimy lepiej, gdy założymy, że P (B) 0. Wówczas warunek w definicji mówi, że P (A B) = P (A B) P (B) = P (A) P (B) P (B) = P (A), (1.10) czyli, że prawdopodobieństwo zdarzenia A pod warunkiem B jest takie samo, jak prawdopodobieństwo A bez tego warunku.
42 44 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 23. Rzucamy dwa razy symetryczną monetą. Sprawdzimy czy zdarzenia A: co najmniej raz wypadł orzeł oraz B: raz wypadła reszka są niezależne. R o z w i ą z a n i e. Mamy Ω = {(o, o), (o, r), (r, o), (r, r)}, Stąd A = {(o, o), (o, r), (r, o)}, B = {(r, o), (o, r)}, A B = {(r, o), (o, r)} = B. P (A) = 3 4, P (B) = 1 = P (A B) P (A) P (B). 2 Zdarzenia są zależne.
43 1.6. Zdarzenia niezależne 45 PRZYKŁAD 24. Wiemy, że P (A) = P (B) = 1 2 te są niezależne. Oblicz P (A B). R o z w i ą z a n i e. Z niezależności zdarzeń A i B mamy oraz, że zdarzenia P (A B = = 14. Korzystając z wzoru (1.5) otrzymujemy P (A B) = P (A) + P (B) P (A B) = = 3 4. Możemy uogólnić pojęcie zdarzeń niezależnych na układ n zdarzeń.
44 46 1. Elementy Rachunku Prawdopodobieństwa DEFINICJA 3. Układ zdarzeń losowych A 1, A 2,..., A n nazywamy niezależnym jeśli dla dowolnego podukładu A k1,..., A kp P (A k1... A kp ) = P (A k1 )... P (A kp ).
45 1.6. Zdarzenia niezależne 47 PRZYKŁAD 25. Rzucamy dwa razy symetryczną monetą. Niech A będzie zdarzeniem za pierwszym razem był orzeł, B zdarzeniem za drugim razem był orzeł, a C zdarzeniem dokładnie raz wypadł orzeł. Wówczas mamy: Ω = {(o, o), (o, r), (r, o), (r, r)}, A = {(o, o), (o, r)}, B = {(o, o), (r, o)}, C = {(o, r), (r, o)}, A B = {(o, o)}, A C = {(o, r)}, B C = {(r, o)}, A B C =., P (A B) = P (A C) = Zatem P (A) = P (B) = P (C) = 1 2 P (B C) = 1 4. Widać stąd, że każde dwa zdarzenia spośród A, B, C są niezależne, natomiast wszystkie trzy razem nie są niezależne, bo P (A B C) = 0, P (A) P (B) P (C) = 1 8.
46 48 1. Elementy Rachunku Prawdopodobieństwa 1.7. Schemat Bernoulliego Przeprowadzamy n-krotnie to samo doświadczenie, w którym mogą paść dwa rezultaty: sukces z prawdopodobieństwem p i porażka z prawdopodobieństwem 1 p. Zakładamy, że próby są od siebie niezależne. Niech A i oznacza zdarzenie za i-tym razem był sukces. Obliczmy prawdopodobieństwo b(n, k, p) tego, że w n próbach sukces był dokładnie k razy. Zatem porażka była dokładnie n k razy. A więc zdarzenie jest sumą rozłącznych zdarzeń postaci A i1... A ik (Ω A ik+1 )... (Ω A in ). Prawdopodobieństwo każdego z tych zdarzeń z założenia o niezależności jest równe p k (1 p) n k. Natomiast możliwości wybierania k elementów spośród n elementów jest ( n k). Zatem nasze prawdopodobieństwo wynosi ( ) n b(n, k, p) = p k (1 p) n k. (1.11) k Oto kilka spośród niezliczonej liczby problemów prowadzących do schematu Bernolliego.
47 1.7. Schemat Bernoulliego 49 PRZYKŁAD 26. Z dużej partii pewnego wyrobu zawierającego 10% braków wybrano losowo 40 sztuk. Należy określić prawdopodobieństwo znalezienia wśród nich: a) 1 sztuki wybrakowanej, b) 10 sztuk wybrakowanych, c) co najwyżej 5 sztuk wybrakowanych. R o z w i ą z a n i e. We wszystkich przypadkach za jedno doświadczenie przyjmujemy wybór jednej sztuki towaru. Sukces - wybranie sztuki wadliwej, zatem p = 0.1 Stosując odpowiednie wzory z dokładnością do 4 miejsc po przecinku otrzymamy: a) b(40, 1, 0.1) = ( ) 40 1 (0.1)1 (0.9) 39 = , b) b(40, 10, 0.1) = ( 40 10) (0.1) 10 (0.9) 30= , c) 5 k=0 b(40, k, 0.1) =
48 50 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 27. Rzucamy wielokrotnie kostką do gry. Ile razy co najmniej powinniśmy rzucić, aby prawdopodobieństwo tego, że co najmniej raz wypadnie szóstka było większe niż 0.8? R o z w i ą z a n i e. Obliczmy prawdopodobieństwo zdarzenia przeciwnego. Jest ono równe b ( n, 0, 1 ) 6 = 1 1 ( ) n 5. 6 Prawdopodobieństwo tego zdarzenia musi być mniejsze od 0.2. Trzeba zatem rozwiązać nierówność: ( ) n 5 < Logarytmując otrzymujemy n ln 5 < ln Dzieląc przez ln 5 6 (jest to liczba ujemna, zatem znak nierówności się zmienia) mamy ln 0.2 n > ln Zatem otrzymujemy odpowiedź: Powinniśmy rzucić co najmniej 9 razy.
49 1.7. Schemat Bernoulliego 51 PRZYKŁAD 28. Testowanie skuteczności szczepionki. Przypuśćmy, że częstotliwość zachorowania na pewną chorobę u bydła wynosi 25%. Dla przetestowania nowej szczepionki wybieramy zdrowe osobniki, szczepimy je i sprawdzamy ile spośród nich zachorowało. Jak należy ocenić wyniki eksperymentu? R o z w i ą z a n i e. Mamy do czynienia ze schematem Bernoulliego; p = 0.75 = prawdopodobieństwo tego, że krowa nie zachoruje. Jeśli szczepionka jest zupełnie nieskuteczna, to prawdopodobieństwo tego, że dokładnie k spośród n zaszczepionych zwierząt będzie zdrowych wynosi b(n, k, 0.75). Na przykład jeśli n = k = 10, to prawdopodobieństwo to jest równe Dlatego brak wystąpienia choroby u dziesięciu zaszczepionych krów możemy uznać za świadectwo (choć nie stuprocentowy dowód) skuteczności szczepionki. Przypuśćmy, że zaszczepiliśmy 20 krów i stwierdziliśmy chorobę u jednej krowy. Prawdopodobieństwo, że przy całkowitej nieskuteczności szczepionki nie więcej niż jedna krowa zachoruje wynosi b(20, 19, 0.75) + b(20, 20, 0.75) = Widzimy zatem, że jedno zachorowanie w partii 20 zaszczepionych zwierząt bardziej świadczy na korzyść szczepionki niż brak zachorowań w partii 10 zaszczepionych zwierząt! Podobnymi zagadnieniami zajmiemy się dokładniej w drugiej części podręcznika poświęconej statystyce matematycznej. Najbardziej prawdopodobne zdarzenie w schemacie Bernoulliego Z wzoru na wielkosć b(n, k, p) mamy b(n, k, p) b(n, k 1, p) = n! k!(n k)! pk (1 p) n k (k 1)!(n (k 1))! n!p k 1 (1 p) n (k 1) = (n k + 1)p k(1 p) = 1 + (n + 1)p k. k(1 p)
50 52 1. Elementy Rachunku Prawdopodobieństwa Widzimy stąd, że iloraz po lewej stronie powyższej równości jest większy bądź równy 1, jeśli k < (n + 1)p i mniejszy od 1, gdy k > (n + 1)p. Istnieje dokładnie jedna liczba całkowita m taka, że (n + 1)p 1 < m (n + 1)p. Wynika stąd, że gdy k zmienia się od 1 do n to funkcja ϕ(k) = b(n, k, p) najpierw rośnie, a potem maleje - przy czym osiąga największą wartość gdy k = m. Jeśli zdarzy się, że m = (n+1)p, to ta największa wartość jest osiągana w dwóch punktach m 1 i m.
51 1.7. Schemat Bernoulliego 53 PRZYKŁAD 29. Rzucamy 14 razy kostką do gry. Jaka jest najbardziej prawdopodobna liczba wyrzuconych szóstek? R o z w i ą z a n i e. Prawdopodobieństwo wyrzucenia szóstki p = 1 6. Znajdujemy więc takie m, że (14+1) < m (14+1) 1 6. Czyli takie, że 1.5 < m 2.5. Stąd m = 2.
52 54 1. Elementy Rachunku Prawdopodobieństwa 1.8. Zmienna losowa
53 1.8. Zmienna losowa 55 DEFINICJA 4. Zmienną losową nazywamy funkcję X : Ω IR taką, że dla dowolnego a IR zbiór {ω Ω : X(ω) < a} należy do M. W naszych zastosowaniach zbiór Ω jest zwykle skończony i wtedy M jest zbiorem wszystkich podzbiorów Ω; wówczas warunek ostatni jest spełniony automatycznie. Zbiór opisany w tym warunku w skrócie oznacza się po prostu {X < a}. Analogicznie opisujemy zbiory {X a}, {X > a}, {X a} i {X = a}. Zamiast używać zapisu P ({X < a}) używa się zapisu P (X < a).
54 56 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 30. Przy rzucie kostką określmy zmienną losową przyporządkowującą każdemu rzutowi ilość wyrzuconych oczek, czyli X({wypadło i}) = i. Wówczas posługując się wprowadzonym powyżej zapisem mamy na przykład P (X < 3) = 1 3, P (X 2) = 5 6.
55 1.9. Rozkład i dystrybuanta zmiennej losowej Rozkład i dystrybuanta zmiennej losowej Przez rozkład zmiennej losowej X rozumiemy podanie prawdopodobieństwa wszystkich zdarzeń postaci {x : a < X(x) < b}. Rozkład zmiennej losowej można opisać przy pomocy tzw. dystrybuanty.
56 58 1. Elementy Rachunku Prawdopodobieństwa DEFINICJA 5. Dystrybuantą zmiennej losowej nazywamy funkcję F określoną następująco: F (x) = P (X x). (1.12) Dystrybuanta zmiennej losowej ma następujące własności: 1) Jest funkcją niemalejącą i ciągłą prawostronnie, 2) lim F (x) = 0 oraz lim F (x) = 1, x x 3) Dla każdego przedziału [a; b] P (a X < b) = F (b) F (a). UWAGA. W wielu podręcznikach dystrybuantę definiuje się następująco F (x) = P (X < x). Wtedy dystrybuanta jest ciągła lewostronnie. W praktyce spotykamy zmienne losowe następujących dwóch typów. I. Zmienna losowa przyjmuje tylko pewien ciąg (może być skończony) wartości (x k ). Mówimy wówczas, że zmienna losowa ma rozkład dyskretny lub punktowy.. Wtedy wystarczy podać ciąg prawdopodobieństw p k = P (X = x k ). Ciąg ten spełnia warunki: p k 0 oraz II. Istnieje funkcja g taka, że p k = 1. (1.13) k b P (a X < b) = g(x)dx. (1.14) a
57 1.9. Rozkład i dystrybuanta zmiennej losowej 59 Wówczas mówimy, że X ma rozkład ciągły, a funkcję g nazywamy gęstością rozkładu. Gęstość rozkładu spełnia warunki g 0 oraz g(x)dx = 1. (1.15) różniczkowalna i Mając dany rozkład, możemy obliczać prawdopodobieństwa dowolnych zdarzeń. Jeśli zmienna losowa jest określona na zbiorze skończonym Ω, to jej rozkład można podać przy pomocy zestawienia takiego jak w kolejnym przykładzie.
58 60 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 31. Zmienna losowa ma rozkład określony w poniższej tabelce. x k p k Należy obliczyć P (X < 3) i wyznaczyć dystrybuantę tego rozkładu. R o z w i ą z a n i e. Z tabelki wynika, że X przyjmuje wartość 0 z prawdopodobieństwem 0.25, wartość 1 z prawdopodobieństwem 0.20, wartość 2 z prawdopodobieństwem 0.15 i wartość 3 z prawdopodobieństwem Zatem P (X < 3) = P (X = 0) + P (X = 1) + P (X = 2) = = Dystrybuanta tej zmiennej jest następującą funkcją: F (x) = A oto jej wykres (rysunek 1): 0 dla x ( ; 0) 0.25 dla x [0; 1) 0.45 dla x [1; 2) 0.60 dla x [2; 3) 1 dla x [3; ). Rys. 3.
59 1.9. Rozkład i dystrybuanta zmiennej losowej 61 PRZYKŁAD 32. Rozkład jednostajny na przedziale [0; 1]. Jest to rozkład, dla którego funkcja gęstości g jest dana wzorem { 1 dla x (0; 1) g(x) = 0 dla x (0; 1). Jego dystrybuanta F jest dana wzorem 0 dla x ( ; 0) F (x) = x dla x [0; 1] 1 dla x (1; ).
60 62 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 33. Funkcja random o której była już mowa ma właśnie rozkład jednostajny na przedziale [0; 1]. Poniższy program to demonstruje. var i,k,n:longint; a,b,c:real; begin k:=0; randomize; writeln( podaj n );readln(n); writeln( podaj a<1 );readln(a); writeln( podaj b>a i b<=1 );readln(b); k:=0; for i:=1 to n do begin c:=random; if (c-a)*(c-b)<=0 then k:=k+1;end; writeln(k/n:4:10);end. Jeśli wybierzemy duże n i jakieś a, b z przedziału [0; 1], (a < b), to wynik da prawdopodobieństwo tego, że wylosowana liczba znajdzie się w przedziale [a; b] równe b a 1 dx = b a.
61 1.9. Rozkład i dystrybuanta zmiennej losowej 63 PRZYKŁAD 34. Rozważamy schemat Bernoulliego polegający na n próbach. Za zmienną losową X przyjmiemy funkcję, która każdemu doświadczeniu przyporządkowuje liczbę sukcesów. Zatem X może przyjmować wartości 0, 1, 2,..., n. Oczywiście X ma rozkład punktowy i jeśli b(n, k, p) oznacza prawdopodobieństwo zdarzenia {X = k}, to jak już wiemy ( ) n b(n, k, p) = p k (1 p) n k. k Ten rozkład nazywa się rozkładem dwumianowym (binomialnym). Będziemy go oznaczać Bin(n, p). Dystrybuanta rozkładu dwumianowego wyraża się wzorem F (a) = k a b(n, k, p).
62 64 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 35. W pewnym urzędzie przeprowadzono badania, jak długo 1000 losowo wybranych interesantów musiało czekać na załatwienie swojej sprawy. Otrzymano rezultaty, które przedstawia tabelka: czas oczekiwania w tygodniach liczba petentów Daje to rozkład prawdopodobieństwa: x k p k
63 1.10. Funkcje zmiennej losowej i ich rozkłady Funkcje zmiennej losowej i ich rozkłady Przypuśćmy, że h jest funkcją określoną na zbiorze liczb rzeczywistych o wartościach rzeczywistych, a X pewną zmienną losową. Wówczas funkcja h X jest pewną nową zmienną losową. Będziemy ją nazywać funkcją zmiennej losowej X i pisać h(x).
64 66 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 36. Rozpatrzmy rozkład zmiennej losowej dany tabelką: x k p k Wyznaczyć rozkład zmiennej Y = X 2. R o z w i ą z a n i e. Zmienna losowa Y przyjmuje wartości 0, 1 i 4. Mamy P (Y = 0) = P (X = 0) = 0.3, P (Y = 1) = P (X = 1) + P (X = 1) = = 0.3, P (Y = 4) = P (X = 2) = 0.4. Zatem rozkład Y jest dany tabelką: y k p k
65 1.10. Funkcje zmiennej losowej i ich rozkłady 67 PRZYKŁAD 37. Zmienna losowa X ma rozkład o gęstości g(x) = 1 2π e x2 2. Wyznaczmy gęstość ρ rozkładu zmiennej Y = X 2. R o z w i ą z a n i e. Zwykle robi się to w ten sposób, że wyznacza się dystrybuantę nowej zmiennej przy pomocy dystrybuanty zmiennej wyjściowej zamieniając odpowiednie zmienne w całce. Prześledzimy to na tym przykładzie. Niech F będzie dystrybuantą zmiennej X, a G dystrybuantą zmiennej Y. Zmienna Y przyjmuje tylko wartości dodatnie, zatem jeśli y 0, to G(y) = 0. Natomiast dla y > 0 mamy G(y) = P (Y < y) = P (X 2 < y) = P ( y < X < y) = F ( y) F ( y) = 1 2π y y e x2 2 dx = 2 2π y 0 e x2 2 dx. Podstawmy w całce zmienną t = x 2. Otrzymamy (dt = 2xdx, dx = dt 2 t ) Ostatecznie otrzymujemy { ρ(y) = G(y) = 1 2π y 0 1 t e t 2 dt. 0 dla y 0 1 2πy e y 2 dla y > 0.
66 68 1. Elementy Rachunku Prawdopodobieństwa Wartość oczekiwana, wariancja i odchylenie standardowe Niech X będzie zmienną losową.
67 1.11. Wartość oczekiwana, wariancja i odchylenie standardowe 69 DEFINICJA 6. Wartością oczekiwaną (średnią lub przeciętną) zmiennej losowej X o rozkładzie punktowym nazywamy liczbę E(X) = x i P (X = x i ). (1.16) i Obliczenie tej liczby może sprawiać kłopoty, gdy zbiór wartości x i nie jest skończony.
68 70 1. Elementy Rachunku Prawdopodobieństwa DEFINICJA 7. Jeśli zmienna X ma rozkład ciągły o gęstości g, to wartością oczekiwaną tej zmiennej nazywamy liczbę E(X) = xg(x)dx. (1.17) Nie będziemy zajmować się problemami związanymi z istnieniem powyższej całki i nieskończonej sumy. Wartość oczekiwana ma następujące własności: 1) E(X + Y ) = E(X) + E(Y ), 2) E(aX) = ae(x), a IR, 3) Jeśli X 0, to E(X) 0. Przeważnie znajomość rozkładu nie jest konieczna do badania zmiennej losowej. Wystarcza znajomość kilku liczb związanych z tym rozkładem. Jedną z nich jest właśnie wartość oczekiwana. Inną ważną liczbę podaje następna definicja.
69 1.11. Wartość oczekiwana, wariancja i odchylenie standardowe 71 DEFINICJA 8. Wariancją zmiennej losowej X nazywamy liczbę D 2 (X) zdefiniowaną następująco: D 2 (X) = E((X E(X)) 2 ) = E(X 2 ) (E(X)) 2. (1.18) Dla rozkładu punktowego wyraża się ona wzorem D 2 (X) = k (x k E(X)) 2 p k, (1.19) a dla rozkładu ciągłego o gęstości g wzorem D 2 (X) = (x E(X)) 2 g(x)dx. (1.20)
70 72 1. Elementy Rachunku Prawdopodobieństwa DEFINICJA 9. Liczbę σ(x) = nazywamy odchyleniem standardowym. D 2 (X) (1.21)
71 1.11. Wartość oczekiwana, wariancja i odchylenie standardowe 73 PRZYKŁAD 38. Niech X będzie zmienną losową opisaną w jednym z poprzednich przykładów: x k p k Obliczymy jej wartość oczekiwaną, wariancję i odchylenie standardowe. R o z w i ą z a n i e. Mamy E(X) = = D 2 (X) = 0.25(0 1.7) (1 1.7) (2 1.7) (3 1.7) 2 = σ(x) = D 2 (X) = 1.51 =
72 74 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 39. Policzymy wartość średnią, wariancję i odchylenie standardowe rozkładu jednostajnego na przedziale [0; 1]. R o z w i ą z a n i e. Stąd D 2 (X) = E(X) = x dx = x = 1 2. (x 0.5) 2 dx = x3 3 x2 2 + x 1 4 = σ = i przetestować go (i komputer
73 1.11. Wartość oczekiwana, wariancja i odchylenie standardowe 75 PRZYKŁAD 40. Obliczymy wartość oczekiwaną i wariancję liczby sukcesów w rozkładzie dwumianowym. R o z w i ą z a n i e. Niech X oznacza zmienną losową określającą liczbę sukcesów w n próbach. Wtedy n n ( ) n E(X) = kb(n, k, p) = k p k (1 p) n k. k k=0 k=0 k=0 Korzystamy z dwumianu Newtona: n ( ) n (x + b) n = x k b n k. k Po zróżniczkowaniu i pomnożeniu przez x otrzymujemy: n ( ) n xn(x + b) n 1 = k x k b n k. k k=0 Podstawiamy x = p, b = 1 p. Wtedy n ( ) n E(X) = k p k (1 p) n k = np(p + (1 p)) n 1 = np. k k=0 A teraz policzmy wariancję tego rozkładu. Mamy n ( ) n D 2 (X) = k 2 p k (1 p) n k (np) 2 k = np k=0 n ( ) n 1 k p k 1 (1 p) n k (np) 2 k 1 k=1 n 1 ( ) n 1 = np (m + 1) p m (1 p) n 1 m m m=0 = np[(n 1)p + 1] (np) 2 = np(1 p). Odchylenie standardowe w rozkładzie dwumianowym Bin(n, p) jest równe np(1 p).
74 76 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 41. Niech Ω = IN = {1, 2, 3,...} i niech p k = 1 2 k oraz X(n) = n. Jest to dobry rozkład, bowiem = 1. 3 Obliczmy wartość średnią i wariancję tego rozkładu. R o z w i ą z a n i e. Mamy E(X) = = n 2 n. Rozpatrzmy funkcje g(x) = n=1 xn oraz h(x) = n=1 nxn dla x (0; 1). Z wzoru na sumę szeregu geometrycznego mamy g(x) = x 1 x. Ponadto Widzimy zatem, że n=1 n=1 g (x) = nx n 1 = 1 nx n = 1 x x h(x).1 E(X) = Ale z drugiej strony Stąd E(X) = 1 ( 2 n=1 g (x) = ) 2 = 2. Obliczmy teraz wariancję. D 2 (X) = n=1 n=1 ( 1 ) n ( 1 n = h 2 2) = 1 2 g ( 1 ). 2 ( x ) 1 = 1 x (1 x) 2. (n 2) 2 2 n = n=1 4 2 n n=1 4n 2 n + n=1 n 2 2 n. Pierwszy szereg jest geometryczny zatem jego suma jest równa Druga suma jest równa 4h ( 1 2) = 8. 1 Pomijamy problem, dlaczego pochodna takiej nieskończonej sumy jest równa sumie pochodnych - jest to prawda, ale uzasadnienie wymaga pewnego dodatkowego aparatu matematycznego. =
75 1.11. Wartość oczekiwana, wariancja i odchylenie standardowe 77 Aby obliczyć trzecią sumę wprowadźmy funkcję k(x) = n 2 x n. n=1 Wówczas trzecia suma jest równa k ( 1 2). Mamy skąd h (x) = n 2 x n 1, n=1 k(x) = xh (x) = x(xg (x)) = x(g (x) + xg (x)) = xg (x) + x 2 g (x) = x (1 x) 2 + 2x2 (1 x) 3. Wstawiając za x liczbę 1 2 otrzymamy k( 1 2) = 6. Zatem ostatecznie D 2 (X) = = 2.
76 78 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 42. Rozpatrzmy zmienną o rozkładzie ciągłym, której gęstość jest dana wzorem { 0 dla x 0 g(x) = e x dla x > 0. Obliczymy wartość oczekiwaną i wariancję tego rozkładu. R o z w i ą z a n i e. E(X) = xg(x)dx = 0 xe x dx. Całkując przez części (kładąc u = x, v = e x, u = 1, v = e x ) otrzymamy E(X) = x( e x ) 0 Podobnie obliczymy wariancję D 2 (X) = 0 (x 1) 2 g(x)dx = = e x 0 2E(X) + e x dx = 0 e x = 1. (1 2x + x 2 )e x dx x 2 e x dx. Ostatnią całkę policzymy tez całkując przez części (kładąc u = x 2, v = e x, u = 2x, v = e x ). Mamy 0 x 2 e x dx = x 2 ( e x ) 0 0 2x( e x )dx = 0 + 2E(X) = 2. Ostatecznie D 2 (X) = = 1.
77 1.12. Wartość oczekiwana i wariancja funkcji zmiennej losowej Wartość oczekiwana i wariancja funkcji zmiennej losowej Niech X będzie zmienną losową przyjmującą wartości w zbiorze B IR, a h funkcją, h : B IR. Wtedy zmienna losowa i wariancja zmiennej losowej h(x) wyraża się wzorem E(h(X)) = k h(x k )p k, (1.22) oraz D 2 (h(x)) = k (h(x k ) E(h(X)) 2 p k, (1.23) dla rozkładu punktowego. oraz E(h(X)) = h(x)g(x) dx, (1.24) D 2 (h(x)) = (h(x) E(h(X))) 2 g(x)dx, (1.25) dla rozkładu ciągłego o gęstości g.
78 80 1. Elementy Rachunku Prawdopodobieństwa Inne parametry rozkładu
79 1.13. Inne parametry rozkładu 81 DEFINICJA 10. Momentem zwykłym rzędu k zmiennej losowej X nazywamy wartość oczekiwaną zmiennej X k czyli liczbę m k = E(X k ). Zauważmy, że poznana już wartość oczekiwana E(X) jest szczególnym przypadkiem momentu, mianowicie E(X) = m 1.
80 82 1. Elementy Rachunku Prawdopodobieństwa DEFINICJA 11. Momentem centralnym rzędu k nazywamy liczbę µ k = E((X m 1 ) k ). Wariancja jest szczególnym przypadkiem momentu centralnego; mianowicie D 2 (X) = µ 2.
81 1.14. Kowariancja i korelacja Kowariancja i korelacja Załóżmy, że mamy do czynienia z dwoma zjawiskami opisanymi przez dwie zmienne losowe X i Y określone na tym samym zbiorze zdarzeń elementarnych Ω z wartościami oczekiwanymi E(X) i E(Y ). Interesuje nas w jaki sposób zmiany jednej zmiennej powiązane są ze zmianami drugiej. Na przykład jeśli pierwsza zmienna odskoczy w górę od średniej, to druga też, albo jeśli pierwsza odskoczy w górę to druga w dół, albo wreszcie zmiany jednej nie są powiązane ze zmianami drugiej. W pierwszym przypadku oznacza to, że liczba (X E(X))(Y E(Y )) jest dodatnia, w drugim, ujemna, a w trzecim przypadku równa 0. Oczywiście w różnych punktach zbioru Ω mogą być sytuacje różne. W takim razie aby otrzymać średni obraz, należy rozważać odpowiednią wartość oczekiwaną.
82 84 1. Elementy Rachunku Prawdopodobieństwa DEFINICJA 12. Kowariancją zmiennych Y i Y określonych na tym samym zbiorze Ω mających wartości oczekiwane nazywamy liczbę Cov(X, Y ) = E ( (X E(X) )( Y E(Y )) ) 2 (1.26) Łatwo można zauważyć, że Cov(X, Y ) = E(XY ) E(X)E(Y ). (1.27) 2 Pomijamy problem, że nie zawsze kowariancja musi być określona w wypadku wartości oczekiwanej określonej nieskończoną sumą lub całką.
83 1.14. Kowariancja i korelacja 85 DEFINICJA 13. Liczbę corr(x, Y ) = Cov(X, Y ) D(X)D(Y ) (1.28) nazywamy współczynnikiem korelacji zmiennych X i Y. Dla skończonego zbioru Ω = {ω 1,... ω n } z prawdopodobieństwem P ({ω i }) = p i wzór na kowariancję zmiennych X(ω i ) = x i i Y (ω i ) = y i jest następujący: ( n n ) ( n ) Cov(X, Y ) = p i x i y i p i x i p i y i. (1.29) i=1 i=1 i=1
84 86 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 43. Rzucamy dwa razy monetą. Za orła przyznajemy 0, za reszkę 1. Niech S będzie zmienną losową opisującą sumę rezultatów, I zmienną losową opisującą ich iloczyn, a R różnicę. Znajdziemy wszystkie możliwe kowariancje i korelacje. Wartości rozważanych zmiennych przedstawimy w tabelce. Stąd wynikają rozkłady: (o,o) (o,r) (r,o) (r,r) S I R SI SR IR s k p k i k 0 1 p k r k p k (si) k 0 2 p k (sr) k p k (ir) k 0 p k 1 W takim razie E(S) = = 1. D 2 (S) = 0.25 ( 1) = 0.5. E(I) = = D 2 (I) = = E(R) = 0.25 ( 1) = 0. D 2 (R) = 0.25 ( 1) = 0.5.
85 1.14. Kowariancja i korelacja 87 skąd Zatem E(SI) = = 0.5. E(SR) = E(R) = 0. E(IR) = E(0) = 0. Cov(S, I) = = 0.25, corr(s, I) = = 2 6. Cov(S, R) = 0 0 = 0 = corr(s, R). Cov(I, R) = 0 0 = 0 = corr(i, R).
86 88 1. Elementy Rachunku Prawdopodobieństwa PRZYKŁAD 44. Rozważmy tabelkę z jednego z poprzednich przykładów: wykształcenie płeć wyższe średnie podstawowe razem kobiety mężczyźni Razem Niech X 1 oznacza zmienną dotyczącą płci. Przyjmijmy wartość 1 gdy osoba jest kobietą i 1, gdy jest mężczyzną. Niech X 2 oznacza zmienną dotyczącą wykształcenia. Przyjmujemy wartości 1 dla wykształcenia podstawowego, 2 dla średniego i 3 dla wyższego. Ponumerujmy pracowników od 1 do 36. Przedstawmy rozkłady zmiennych X 1 i X 2 w tabelce. Mamy Zatem pracownicy ω 1 ω 2 ω 3 ω 4 ω 5 ω 6 p(ω i) 5/36 3/36 4/36 13/36 3/36 8/36 X X Cov(X 1, X 2 ) = Dalej mamy E(X 1 ) = 1 3 ( 1) = 1 3. E(X 2 ) = = ( ( 1 1 ) ( 1 11 ) ) ( 3 11 ) ( 1 1 ) ( 2 11 ) + 8 ( D 2 (X 1 ) = ( 1 1 ) ( 2 11 ) 3 6 ( 1 1 ) ( 1 11 ) 3 6 ) ( 3 11 ) = ( 1 1 ) ( = )
87 1.14. Kowariancja i korelacja 89 D 2 (X 2 ) = 18 ( 1 11 ) ( 2 11 ) ( 3 11 ) 2 = Stąd Zatem D(X 1 ) = 0.94, D(X 2 ) = corr(x 1, X 2 ) = = 2.21.
88 90 1. Elementy Rachunku Prawdopodobieństwa Rozkład normalny (Gaussa) Jest to rozkład ciągły dany gęstością ϕ µ,σ (x) = 1 σ (x µ) 2 2π e 2σ 2. (1.30) Liczby µ i σ w rozkładzie normalnym są odpowiednio wartością oczekiwaną i odchyleniem standardowym. Rozkład taki będziemy oznaczać N(µ, σ). Rozkład N(0, 1) nazywa się standardowym rozkładem normalnym. Rysunki 4-7 prezentują wykresy funkcji gęstości i dystrybuanty dla normalnego rozkładu standardowego i rozkładu N(µ, σ), przy µ = 0.8 i σ = 0.2. Rys. 4. ϕ(x) = 1 2π e x2 2 Rys. 5. Φ(x) = x 1 2π e t2 2 dt.
Jan Rusinek. Elementy rachunku prawdopodobiestwa i statystyki matematycznej
Jan Rusinek Elementy rachunku prawdopodobiestwa i statystyki matematycznej UWAGA! Ten tekst jest cały czas w trakcie przygotowania i sprawdzania. Może zawierać błędy. Jest sukcesywnie poprawiany i umieszczany
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowoRachunek prawdopodobieństwa
Rachunek prawdopodobieństwa Sebastian Rymarczyk srymarczyk@afm.edu.pl Tematyka zajęć 1. Elementy kombinatoryki. 2. Definicje prawdopodobieństwa. 3. Własności prawdopodobieństwa. 4. Zmienne losowe, parametry
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
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
Bardziej szczegółowoJednowymiarowa zmienna losowa
1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),
Bardziej szczegółowoRozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoPodstawy nauk przyrodniczych Matematyka
Podstawy nauk przyrodniczych Matematyka Elementy rachunku prawdopodobieństwa dr inż. Małgorzata Szeląg Zakład Genetyki Molekularnej Człowieka tel. 61 829 59 04 malgorzata.szelag@amu.edu.pl Pokój 1.118
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowo12DRAP - parametry rozkładów wielowymiarowych
DRAP - parametry rozkładów wielowymiarowych Definicja.. Jeśli h : R R, a X, Y ) jest wektorem losowym o gęstości fx, y) to EhX, Y ) = hx, y)fx, y)dxdy. Jeśli natomiast X, Y ) ma rozkład dyskretny skupiony
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoWYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy
Bardziej szczegółowo6. Zmienne losowe typu ciagłego ( ) Pole trapezu krzywoliniowego
6. Zmienne losowe typu ciagłego (2.04.2007) Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją ciągłą; proste x = a, x = b, a < b, oś OX
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowob) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
Bardziej szczegółowoZmienna losowa. Rozkład skokowy
Temat: Zmienna losowa. Rozkład skokowy Kody kolorów: żółty nowe pojęcie pomarańczowy uwaga * - materiał nadobowiązkowy Anna Rajfura, Matematyka i statystyka matematyczna na kierunku Rolnictwo SGGW 1 Zagadnienia
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoLista 1a 1. Statystyka. Lista 1. Prawdopodobieństwo klasyczne i geometryczne
Lista 1a 1 Statystyka Lista 1. Prawdopodobieństwo klasyczne i geometryczne 1. Jakie jest prawdopodobieństwo, że (a) z talii zawierającej 52 karty wybierzemy losowo asa? (b) z talii zawierającej 52 karty
Bardziej szczegółowoLista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadania na zastosowanie nierównosci Markowa i Czebyszewa. Zadanie 1. Niech zmienna losowa X ma rozkład jednostajny na odcinku [0, 1]. Korzystając z nierówności Markowa oszacować od góry prawdopodobieństwo,
Bardziej szczegółowoZmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoZestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =
Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x
Bardziej szczegółowo4,5. Dyskretne zmienne losowe (17.03; 31.03)
4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Zmienna losowa i jej rozkład Mając daną przestrzeń probabilistyczną, czyli parę (&, P) stanowiącą model pewnego doświadczenia losowego (gdzie
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoDyskretne zmienne losowe
Dyskretne zmienne losowe dr Mariusz Grządziel 16 marca 2009 Definicja 1. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która
Bardziej szczegółowoPrawdopodobieństwo
Prawdopodobieństwo http://www.matemaks.pl/ Wstęp do rachunku prawdopodobieństwa http://www.matemaks.pl/wstep-do-rachunku-prawdopodobienstwa.html Rachunek prawdopodobieństwa pomaga obliczyć szansę zaistnienia
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoPrawdopodobieństwo. Prawdopodobieństwo. Jacek Kłopotowski. Katedra Matematyki i Ekonomii Matematycznej SGH. 16 października 2018
Katedra Matematyki i Ekonomii Matematycznej SGH 16 października 2018 Definicja σ-algebry Definicja Niech Ω oznacza zbiór niepusty. Rodzinę M podzbiorów zbioru Ω nazywamy σ-algebrą (lub σ-ciałem) wtedy
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.1. Zmienne losowe dyskretne. Katarzyna Rybarczyk-Krzywdzińska Definicja/Rozkład Zmienne losowe dyskretne Definicja Zmienną losową, która skupiona
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowoRachunek prawdopodobieństwa- wykład 2
Rachunek prawdopodobieństwa- wykład 2 Pojęcie dyskretnej przestrzeni probabilistycznej i określenie prawdopodobieństwa w tej przestrzeni dr Marcin Ziółkowski Instytut Matematyki i Informatyki Uniwersytet
Bardziej szczegółowoElementy Rachunek prawdopodobieństwa
Elementy rachunku prawdopodobieństwa Rachunek prawdopodobieństwa zajmuje się analizą praw rządzących zdarzeniami losowymi Pojęciami pierwotnymi są: zdarzenie elementarne ω oraz zbiór zdarzeń elementarnych
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoTemat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka
Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład
Bardziej szczegółowoLista 1. Prawdopodobieństwo klasyczne i geometryczne
Metody statystyczne. Lista 1. 1 Lista 1. Prawdopodobieństwo klasyczne i geometryczne 1. Jakie jest prawdopodobieństwo, że (a) z talii zawierającej 52 karty wybierzemy losowo asa? (b) z talii zawierającej
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:
Bardziej szczegółowoi=7 X i. Zachodzi EX i = P(X i = 1) = 1 2, i {1, 2,..., 11} oraz EX ix j = P(X i = 1, X j = 1) = 1 7 VarS 2 2 = 14 3 ( 5 2 =
Kombinatoryka W tej serii zadań można znaleźć pojawiające się na egzaminach zadania dotyczące problemu wyznaczania prostych parametrów rozkładu w przypadku zgadnień kombinatorycznych. Zadania te wymagają
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Wybrane litery alfabetu greckiego α alfa β beta Γ γ gamma δ delta ɛ, ε epsilon η eta Θ θ theta
Bardziej szczegółowoJan Rusinek 60 ZADAŃ. Z RACHUNKU PRAWDOPODOBIEŃSTWA Z ROZWIĄZANIAMI dla studentów informatyki UWAGA!
Jan Rusinek 60 ZADAŃ Z RACHUNKU PRAWDOPODOBIEŃSTWA Z ROZWIĄZANIAMI dla studentów informatyki UWAGA! Ten tekst jest w trakcie przygotowania i sprawdzania. Może zawierać błędy. Jest sukcesywnie poprawiany
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowo), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0
Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy
Bardziej szczegółowoDrugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A
Drugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A Zad. 1. Korzystając z podanych poniżej mini-tablic, oblicz pierwszy, drugi i trzeci kwartyl rozkładu N(10, 2 ). Rozwiązanie. Najpierw ogólny komentarz
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoLaboratorium nr 7. Zmienne losowe typu skokowego.
Laboratorium nr 7. Zmienne losowe typu skokowego.. Zmienna losowa X ma rozkład dany tabelką: - 0 3 0, 0,3 0, 0,3 0, Naszkicować dystrybuantę zmiennej X. Obliczyć EX oraz VarX.. Zmienna losowa ma rozkład
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoKURS PRAWDOPODOBIEŃSTWO
KURS PRAWDOPODOBIEŃSTWO Lekcja 3 Definicja prawdopodobieństwa Kołmogorowa. Prawdopodobieństwa warunkowe i niezależne. ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowiedź (tylko
Bardziej szczegółowoL.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 1 ZADANIA - ZESTAW 1. (odp. a) B A C, b) A, c) A B, d) Ω)
ZADANIA - ZESTAW 1 Zadanie 1.1 Rzucamy trzy razy monetą. A i - zdarzenie polegające na tym, że otrzymamy orła w i - tym rzucie. Określić zbiór zdarzeń elementarnych. Wypisać zdarzenia elementarne sprzyjające
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
Bardziej szczegółowoMatematyczne Podstawy Kognitywistyki
Matematyczne Podstawy Kognitywistyki Dorota Leszczyńska-Jasion Kombinatoryka, ci agi liczbowe, skończone przestrzenie probabilistyczne Przykłady zagadnień kombinatorycznych Rozważmy układ n miast o bardzo
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoPrzykłady do zadania 3.1 :
Rachunek prawdopodobieństwa MAP5 Wydział Elektroniki, rok akad. /, sem. letni Wykładowca: dr hab. A. Jurlewicz Przykłady do listy 3: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala,
Bardziej szczegółowoElementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska)
Elementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska) Twierdzenie (o mnożeniu) Podstawowe pojęcia i wzory kombinatoryczne. Niech,, będą zbiorami mającymi odpowiednio,,
Bardziej szczegółowo1 Elementy kombinatoryki i teorii prawdopodobieństwa
1 Elementy kombinatoryki i teorii prawdopodobieństwa 1.1 Elementy kombinatoryki W rozwiązywaniu pewnych problemów związanych z obliczaniem prawdopodobieństwa o skończonej liczbie zdażeń elementarnych bardzo
Bardziej szczegółowoMoneta 1 Moneta 2 Kostka O, R O,R 1,2,3,4,5, Moneta 1 Moneta 2 Kostka O O ( )
Nowa matura kombinatoryka i rachunek prawdopodobieństwa Zadania zamknięte (0 1 pkt) 1. Doświadczenie losowe polega na rzucie dwiema symetrycznymi monetami i sześcienną kostką do gry. Prawdopodobieństwo
Bardziej szczegółowoWykład 13. Podstawowe pojęcia rachunku prawdopodobieństwa
Wykład 13. Podstawowe pojęcia rachunku prawdopodobieństwa dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu semestr zimowy, rok akademicki 2015 2016 Doświadczenie losowe Doświadczenie
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 6. Momenty zmiennych losowych Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 8.11.2018 1 / 47 Funkcje zmiennych losowych Mierzalna funkcja Y
Bardziej szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowoPrawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym
Edward Stachowski Prawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym W podstawie programowej obowiązującej na egzaminie maturalnym od 05r pojawiły się nowe treści programowe Wśród
Bardziej szczegółowo= A. A - liczba elementów zbioru A. Lucjan Kowalski
Lucjan Kowalski ZADANIA, PROBLEMY I PARADOKSY W PROBABILISTYCE Przypomnienie. Ω - zbiór zdarzeń elementarnych. A zdarzenie (podzbiór Ω). A - liczba elementów zbioru A Jeśli zdarzeń elementarnych jest skończenie
Bardziej szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli
Bardziej szczegółowoZdarzenia losowe i prawdopodobieństwo
Rozdział 1 Zdarzenia losowe i prawdopodobieństwo 1.1 Klasyfikacja zdarzeń Zdarzenie elementarne pojęcie aprioryczne, które nie może być zdefiniowane. Odpowiednik pojęcia punkt w geometrii. Zdarzenie elementarne
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoĆwiczenia z metodyki nauczania rachunku prawdopodobieństwa
Ćwiczenia z metodyki nauczania rachunku prawdopodobieństwa 25 marca 209 Zadanie. W urnie jest b kul białych i c kul czarnych. Losujemy n kul bez zwracania. Jakie jest prawdopodobieństwo, że pierwsza kula
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoMETODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład 3-4. Parametry i wybrane rozkłady zmiennych losowych
METODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład - Parametry i wybrane rozkłady zmiennych losowych Parametry zmiennej losowej EX wartość oczekiwana D X wariancja DX odchylenie standardowe inne, np. kwantyle,
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoZmienne losowe i ich rozkłady
Zmienne losowe i ich rozkłady 29 kwietnia 2019 Definicja: Zmienną losową nazywamy mierzalną funkcję X : (Ω, F, P) (R n, B(R n )). Definicja: Niech A będzie zbiorem borelowskim. Rozkładem zmiennej losowej
Bardziej szczegółowoRachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Zmienna losowa i jej
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. L. Kowalski, Statystyka, 2005
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. Literatura: Marek Cieciura, Janusz Zacharski, Metody probabilistyczne w ujęciu praktycznym, L. Kowalski, Statystyka, 2005 R.Leitner, J.Zacharski, "Zarys matematyki
Bardziej szczegółowop k (1 p) n k. k c. dokładnie 10 razy została wylosowana kula amarantowa, ale nie za pierwszym ani drugim razem;
05DRAP - Niezależność zdarzeń, schemat Bernoulliego Definicja.. Zdarzenia A i B nazywamy niezależnymi, jeżeli zachodzi równość P(A B) = P(A) P(B). Definicja. 2. Zdarzenia A,..., A n nazywamy niezależnymi
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA ZADANIA Z ROZWIĄZANIAMI. Uwaga! Dla określenia liczebności zbioru (mocy zbioru) użyto zamiennie symboli: Ω lub
RACHUNEK PRAWDOPODOBIEŃSTWA ZADANIA Z ROZWIĄZANIAMI Uwaga! Dla określenia liczebności zbioru (mocy zbioru) użyto zamiennie symboli: Ω lub 1. W grupie jest 15 kobiet i 18 mężczyzn. Losujemy jedną osobę
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoZ poprzedniego wykładu
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne
Bardziej szczegółowoPrzykłady 6.1 : charakterystyki liczbowe rozkładów dyskretnych
Rachunek Prawdopodobieństwa MAP8 Wydział Matematyki, Matematyka Stosowana Przykłady 6. Wartość oczekiwana, wariancja, mediana, kwartyle rozkładu prawdopodobieństwa. Transformacje zmiennej losowej. Opracowanie:
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Bardziej szczegółowoR_PRACA KLASOWA 1 Statystyka i prawdopodobieństwo.
R_PRACA KLASOWA 1 Statystyka i prawdopodobieństwo. Zadanie 1. Wyznacz średnią arytmetyczną, dominantę i medianę zestawu danych: 1, 5, 3, 2, 2, 4, 4, 6, 7, 1, 1, 4, 5, 5, 3. Zadanie 2. W zestawie danych
Bardziej szczegółowoPrawdopodobieństwo zadania na sprawdzian
Prawdopodobieństwo zadania na sprawdzian Zad. 1. Zdarzenia A, B, C oznaczają, że wzięto co najmniej po jednej książce odpowiednio z pierwszych, drugich i trzecich dzieł zebranych. Każde z dzieł zebranych
Bardziej szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowo