Metody probabilistyczne

Transkrypt

1 Metody probabilistyczne 5. Zmienne losowe: wprowadzenie Wojciech Kotłowski Instytut Informatyki PP / 42

2 Motywacja Często bardziej niż same zdarzenia losowe interesują nas pewne wartości liczbowe z nimi związane: Rzucamy n razy monetą, ale interesuje nas tylko liczba wyrzuconych orłów Rzucamy kostką aż do wyrzucenia szóstki; interesuje nas liczba wykonanych rzutów Strzelamy do tarczy na strzelnicy; interesuje nas nie tyle dokładna pozycja lotki na tarczy, co liczba zdobytych punktów Ania i Bartek umawiają się na spotkanie; interesuje nas czas oczekiwana na siebie Interesuje więc nas nie tyle przestrzeń Ω, co pewne wartości z R przypisane zdarzeniom elementarnym 2 / 42

3 Zmienne losowe Zmienne losowe to funkcje z Ω do R, przyporządkowujące zdarzeniom elementarnym liczby. W probabilistyce zmienne losowe oznacza się dużymi literami, np. X, Y, Z. X : Ω R Ω ω ω 2 ω 3 X (ω 2 ) X (ω ) X (ω 3 ) x 3 / 42

4 Zmienne losowe Zmienne losowe to funkcje z Ω do R, przyporządkowujące zdarzeniom elementarnym liczby. W probabilistyce zmienne losowe oznacza się dużymi literami, np. X, Y, Z. X : Ω R Ω ω ω 2 ω 3 X (ω 2 ) X (ω ) X (ω 3 ) x Interesują nas tylko wartości przyjmowane przez X oraz ich prawdopodobieństwa 3 / 42

5 Przykład Rzucamy 3 monetami, ale interesuje nas tylko liczba orłów: Ω = {OOO, OOR, ORO, ORR, ROO, ROR, RRO, RRR} 4 / 42

6 Przykład Rzucamy 3 monetami, ale interesuje nas tylko liczba orłów: Ω = {OOO, OOR, ORO, ORR, ROO, ROR, RRO, RRR} X : Ω {0,, 2, 3} X (OOO) = 3, X (OOR) = 2, X (ORO) = 2, X (ORR) =, X (ROO) = 2, X (ROR) =, X (RRO) =, X (RRR) = 0 4 / 42

7 Przykład Rzucamy 3 monetami, ale interesuje nas tylko liczba orłów: Ω = {OOO, OOR, ORO, ORR, ROO, ROR, RRO, RRR} X : Ω {0,, 2, 3} X (OOO) = 3, X (OOR) = 2, X (ORO) = 2, X (ORR) =, X (ROO) = 2, X (ROR) =, X (RRO) =, X (RRR) = 0 Każdy wynik X = 0,, 2, 3 jest związany z pewnym zdarzeniem w Ω: {X = 3} = {ω : X (ω) = 3} = {OOO} {X = 2} = {ω : X (ω) = 2} = {OOR, ORO, ROO} {X = } = {ω : X (ω) = } = {ORR, ROR, RRO} {X = } = {ω : X (ω) = 0} = {RRR} 4 / 42

8 Przykład Rzucamy 3 monetami, ale interesuje nas tylko liczba orłów: Ω = {OOO, OOR, ORO, ORR, ROO, ROR, RRO, RRR} X : Ω {0,, 2, 3} X (OOO) = 3, X (OOR) = 2, X (ORO) = 2, X (ORR) =, X (ROO) = 2, X (ROR) =, X (RRO) =, X (RRR) = 0 Każdy wynik X = 0,, 2, 3 jest związany z pewnym zdarzeniem w Ω: {X = 3} = {ω : X (ω) = 3} = {OOO} {X = 2} = {ω : X (ω) = 2} = {OOR, ORO, ROO} {X = } = {ω : X (ω) = } = {ORR, ROR, RRO} {X = } = {ω : X (ω) = 0} = {RRR} Możemy zatem zapytać o prawdopodobieństwo uzyskania danego wyniku. np. P({X = 2}) = / 42

9 Przykład Rzucamy 3 monetami, ale interesuje nas tylko liczba orłów: Ω = {OOO, OOR, ORO, ORR, ROO, ROR, RRO, RRR} X : Ω {0,, 2, 3} X (OOO) = 3, X (OOR) = 2, X (ORO) = 2, X (ORR) =, X (ROO) = 2, X (ROR) =, X (RRO) =, X (RRR) = 0 Każdy wynik X = 0,, 2, 3 jest związany z pewnym zdarzeniem w Ω: {X = 3} = {ω : X (ω) = 3} = {OOO} {X = 2} = {ω : X (ω) = 2} = {OOR, ORO, ROO} {X = } = {ω : X (ω) = } = {ORR, ROR, RRO} {X = } = {ω : X (ω) = 0} = {RRR} Możemy zatem zapytać o prawdopodobieństwo uzyskania danego wyniku. np. P({X = 2}) = 3 8 Podobnie możemy spytać o dowolny podzbiór wyników, np: P({X }) = P({RRR, ORR, ROR, RRO}) = / 42

10 Przykład Rzucamy 3 monetami, ale interesuje nas tylko liczba orłów: Ω = {OOO, OOR, ORO, ORR, ROO, ROR, RRO, RRR} X : Ω {0,, 2, 3} X (OOO) = 3, X (OOR) = 2, X (ORO) = 2, X (ORR) =, X (ROO) = 2, X (ROR) =, X (RRO) =, X (RRR) = 0 Każdy wynik X = 0,, 2, 3 jest związany z pewnym zdarzeniem w Ω: {X = 3} = {ω : X (ω) = 3} = {OOO} {X = 2} = {ω : X (ω) = 2} = {OOR, ORO, ROO} {X = } = {ω : X (ω) = } = {ORR, ROR, RRO} często {X opuszczamy = } = {ω : klamry, X (ω) = zapisując: 0} = {RRR} Możemy P(X zatem = 2), zapytać P(X o ), prawdopodobieństwo itp. uzyskania danego wyniku. np. P({X = 2}) = 3 8 Podobnie możemy spytać o dowolny podzbiór wyników, np: P({X }) = P({RRR, ORR, ROR, RRO}) = / 42

11 Przykład Rzucamy 2 kostkami, interesuje nas suma oczek Ω = { (i, j): i, j {, 2, 3, 4, 5, } } = {(, ), (, 2),..., (, 5), (, )} 5 / 42

12 Przykład Rzucamy 2 kostkami, interesuje nas suma oczek Ω = { (i, j): i, j {, 2, 3, 4, 5, } } = {(, ), (, 2),..., (, 5), (, )} X : Ω {2, 3,..., 2} X (i, j) = i + j 5 / 42

13 Przykład Rzucamy 2 kostkami, interesuje nas suma oczek Ω = { (i, j): i, j {, 2, 3, 4, 5, } } = {(, ), (, 2),..., (, 5), (, )} X : Ω {2, 3,..., 2} X (i, j) = i + j P(X = 3) = P({ω : X (ω) = 3}) = P({(, 2), (2, )}) = / 42

14 Przykład Rzucamy 2 kostkami, interesuje nas suma oczek Ω = { (i, j): i, j {, 2, 3, 4, 5, } } = {(, ), (, 2),..., (, 5), (, )} X : Ω {2, 3,..., 2} X (i, j) = i + j P(X = 3) = P({ω : X (ω) = 3}) = P({(, 2), (2, )}) = 2 3 P(9 X ) = P(X = 9) + P(X = 0) + P(X = ) = }{{} 3 zdarzenia rozłączne 5 / 42

15 Przykład Rzucamy 2 kostkami, interesuje nas suma oczek Ω = { (i, j): i, j {, 2, 3, 4, 5, } } = {(, ), (, 2),..., (, 5), (, )} X : Ω {2, 3,..., 2} X (i, j) = i + j P(X = 3) = P({ω : X (ω) = 3}) = P({(, 2), (2, )}) = 2 3 P(9 X ) = P(X = 9) + P(X = 0) + P(X = ) = }{{} 3 zdarzenia rozłączne P(X < 5) = P(X = 2) + P(X = 3) + P(X = 4) = / 42

16 Przykład Rzucamy n nieuczciwymi monetami, w których orzeł wypada z prawd. p, a reszka z praw. p; interesuje nas tylko liczba orłów Dla uproszczenia kodujemy orły jako jedynki i reszki jako zera Ω = {ω = (b,..., b n ): b i {0, }} X : Ω {0,,..., n} / 42

17 Przykład Rzucamy n nieuczciwymi monetami, w których orzeł wypada z prawd. p, a reszka z praw. p; interesuje nas tylko liczba orłów Dla uproszczenia kodujemy orły jako jedynki i reszki jako zera Ω = {ω = (b,..., b n ): b i {0, }} X : Ω {0,,..., n} X ( (b,..., b n ) ) = / 42

18 Przykład Rzucamy n nieuczciwymi monetami, w których orzeł wypada z prawd. p, a reszka z praw. p; interesuje nas tylko liczba orłów Dla uproszczenia kodujemy orły jako jedynki i reszki jako zera Ω = {ω = (b,..., b n ): b i {0, }} X : Ω {0,,..., n} X ( (b,..., b n ) ) = b + b b n / 42

19 Przykład Rzucamy n nieuczciwymi monetami, w których orzeł wypada z prawd. p, a reszka z praw. p; interesuje nas tylko liczba orłów Dla uproszczenia kodujemy orły jako jedynki i reszki jako zera Ω = {ω = (b,..., b n ): b i {0, }} X : Ω {0,,..., n} X ( (b,..., b n ) ) = b + b b n P(X = k) = / 42

20 Przykład Rzucamy n nieuczciwymi monetami, w których orzeł wypada z prawd. p, a reszka z praw. p; interesuje nas tylko liczba orłów Dla uproszczenia kodujemy orły jako jedynki i reszki jako zera Ω = {ω = (b,..., b n ): b i {0, }} X : Ω {0,,..., n} X ( (b,..., b n ) ) = b + b b n P(X = k) = ( ) n p k ( p) n k k / 42

21 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... 7 / 42

22 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} 7 / 42

23 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} 7 / 42

24 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = 7 / 42

25 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = k 7 / 42

26 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = k P(X = ) = 7 / 42

27 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = k P(X = ) =, 7 / 42

28 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = k P(X = ) =, P(X = 2) = 7 / 42

29 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = k P(X = ) =, P(X = 2) = 5, 7 / 42

30 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = k P(X = ) =, P(X = 2) = 5, P(X = 3) = 7 / 42

31 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = k P(X = ) =, P(X = 2) = 5, P(X = 3) = / 42

32 Przykład Rzucamy kostką aż do wyrzucenia szóstki, interesuje nas tylko liczba rzutów Zdarzenia elementarne: ciągi liczb z {,..., 5} zakończone : (, ), (4, 2, ), (5, 5, 2, 4, 3, ),... Ω = {ω = (b,..., b k ): b i {,..., 5} dla i < k, b k =, k =, 2,...} X : Ω {, 2,...} X (b,..., b k ) = k P(X = ) =, P(X = 2) = 5, P(X = 3) = 5 5 ( ) 5 k P(X = k) = 7 / 42

33 Przykład Rzucamy lotką do tarczy, ale interesuje nas tylko liczba zdobytych punktów Zakładamy model prawdopodobieństwa geometrycznego Ω = K(0, 0) = {(x, y): x 2 + y 2 0} / 42

34 Przykład Rzucamy lotką do tarczy, ale interesuje nas tylko liczba zdobytych punktów Zakładamy model prawdopodobieństwa geometrycznego Ω = K(0, 0) = {(x, y): x 2 + y 2 0} X : Ω {, 2,..., 0} / 42

35 Przykład Rzucamy lotką do tarczy, ale interesuje nas tylko liczba zdobytych punktów Zakładamy model prawdopodobieństwa geometrycznego Ω = K(0, 0) = {(x, y): x 2 + y 2 0} X : Ω {, 2,..., 0} X (x, y) = jeśli 9 x 2 + y / 42

36 Przykład Rzucamy lotką do tarczy, ale interesuje nas tylko liczba zdobytych punktów Zakładamy model prawdopodobieństwa geometrycznego Ω = K(0, 0) = {(x, y): x 2 + y 2 0} X : Ω {, 2,..., 0} X (x, y) = jeśli 9 x 2 + y 2 0 X (x, y) = 2 jeśli 8 x 2 + y / 42

37 Przykład Rzucamy lotką do tarczy, ale interesuje nas tylko liczba zdobytych punktów Zakładamy model prawdopodobieństwa geometrycznego Ω = K(0, 0) = {(x, y): x 2 + y 2 0} X : Ω {, 2,..., 0} X (x, y) = jeśli 9 x 2 + y 2 0 X (x, y) = 2 jeśli 8 x 2 + y 2 9 X (x, y) = k jeśli 0 k x 2 + y 2 k / 42

38 Przykład Rzucamy lotką do tarczy, ale interesuje nas tylko liczba zdobytych punktów Zakładamy model prawdopodobieństwa geometrycznego Ω = K(0, 0) = {(x, y): x 2 + y 2 0} X : Ω {, 2,..., 0} X (x, y) = jeśli 9 x 2 + y 2 0 X (x, y) = 2 jeśli 8 x 2 + y 2 9 X (x, y) = k jeśli 0 k x 2 + y 2 k P(X = k) = K(0, k) K(0, 0 k) K(0, 0) 8 / 42

39 Przykład Rzucamy lotką do tarczy, ale interesuje nas tylko liczba zdobytych punktów Zakładamy model prawdopodobieństwa geometrycznego Ω = K(0, 0) = {(x, y): x 2 + y 2 0} X : Ω {, 2,..., 0} X (x, y) = jeśli 9 x 2 + y 2 0 X (x, y) = 2 jeśli 8 x 2 + y 2 9 X (x, y) = k jeśli 0 k x 2 + y 2 k P(X = k) = K(0, k) K(0, 0 k) K(0, 0) = π( k)2 π(0 k) 2 00π = 2 2k 00 8 / 42

40 Przykład Ania i Bartek przychodzą na spotkanie w losowym czasie między 0:00 a :00. Interesuje nas tylko czas oczekiwania na siebie. Zdarzenia elementarne: pary (a, b) określające czas przybycia Ani i Bartka licząc od 0:00; Ω = [0, 0] [0, 0] 9 / 42

41 Przykład Ania i Bartek przychodzą na spotkanie w losowym czasie między 0:00 a :00. Interesuje nas tylko czas oczekiwania na siebie. Zdarzenia elementarne: pary (a, b) określające czas przybycia Ani i Bartka licząc od 0:00; Ω = [0, 0] [0, 0] X (a, b) = a b 9 / 42

42 Przykład Ania i Bartek przychodzą na spotkanie w losowym czasie między 0:00 a :00. Interesuje nas tylko czas oczekiwania na siebie. Zdarzenia elementarne: pary (a, b) określające czas przybycia Ani i Bartka licząc od 0:00; Ω = [0, 0] [0, 0] X (a, b) = a b Wyznaczmy P(X < c) dla dowolnego c [0, 0] 0 Zdarzenie {X < c} = {(a, b) Ω: a b < c} oznaczone kolorem czerwonym Bartek c 0 0 c Ania 0 P(X < c) = P(X c) (0 c) (0 c) = 0 0 = c 30 ( c 0 ) 2 9 / 42

43 Prawdopodobieństwo a przeciwobraz P(X A) = P ( {ω : X (ω) A} ) 0 / 42

44 Prawdopodobieństwo a przeciwobraz Prawdopodobieństwo zajścia zdarzenia w Ω, składającego się ze zdarzeń elementarnych ω Ω, dla których X (ω) A, A R P(X A) = P ( {ω : X (ω) A} ) 0 / 42

45 Prawdopodobieństwo a przeciwobraz Prawdopodobieństwo zajścia zdarzenia w Ω, składającego się ze zdarzeń elementarnych ω Ω, dla których X (ω) A, A R przeciwobraz P(X A) = P ( {ω : X (ω) A} ) = P ( X (A) ) 0 / 42

46 Prawdopodobieństwo a przeciwobraz Prawdopodobieństwo zajścia zdarzenia w Ω, składającego się ze zdarzeń elementarnych ω Ω, dla których X (ω) A, A R przeciwobraz P(X A) = P ( {ω : X (ω) A} ) = P ( X (A) ) X X (A) A 0 / 42

47 Mierzalność zmiennej losowej P(X A) = P ( X (A) ) Aby uniknąć zbiorów niemierzalnych, wyznaczamy P(X A) tylko dla podzbiorów A B, gdzie B jest σ-ciałem zbiorów borelowskich na R / 42

48 Mierzalność zmiennej losowej P(X A) = P ( X (A) ) Aby uniknąć zbiorów niemierzalnych, wyznaczamy P(X A) tylko dla podzbiorów A B, gdzie B jest σ-ciałem zbiorów borelowskich na R Nadal może się jednak zdarzyć, że przeciwobraz X (A) Ω nie jest zdarzeniem, tzn. X (A) / F, gdzie F to σ-ciało zdarzeń w Ω / 42

49 Mierzalność zmiennej losowej P(X A) = P ( X (A) ) Aby uniknąć zbiorów niemierzalnych, wyznaczamy P(X A) tylko dla podzbiorów A B, gdzie B jest σ-ciałem zbiorów borelowskich na R Nadal może się jednak zdarzyć, że przeciwobraz X (A) Ω nie jest zdarzeniem, tzn. X (A) / F, gdzie F to σ-ciało zdarzeń w Ω Aby temu zapobiec, zakładamy, że jeśli A B (A jest zbiorem borelowskim), to X (A) F. / 42

50 Mierzalność zmiennej losowej P(X A) = P ( X (A) ) Aby uniknąć zbiorów niemierzalnych, wyznaczamy P(X A) tylko dla podzbiorów A B, gdzie B jest σ-ciałem zbiorów borelowskich na R Nadal może się jednak zdarzyć, że przeciwobraz X (A) Ω nie jest zdarzeniem, tzn. X (A) / F, gdzie F to σ-ciało zdarzeń w Ω Aby temu zapobiec, zakładamy, że jeśli A B (A jest zbiorem borelowskim), to X (A) F. Funkcje spełniające ten warunek nazywamy mierzalnymi. / 42

51 Mierzalność zmiennej losowej P(X A) = P ( X (A) ) Aby uniknąć zbiorów niemierzalnych, wyznaczamy P(X A) tylko dla podzbiorów A B, gdzie B jest σ-ciałem zbiorów borelowskich na R Nadal może się jednak zdarzyć, że przeciwobraz X (A) Ω nie jest zdarzeniem, tzn. X (A) / F, gdzie F to σ-ciało zdarzeń w Ω Aby temu zapobiec, zakładamy, że jeśli A B (A jest zbiorem borelowskim), to X (A) F. Funkcje spełniające ten warunek nazywamy mierzalnymi. Z własności σ-ciała wynika, że wystarczającym warunkiem mierzalności jest, aby dla dowolnego przedziału (, a] zachodziło X ((, a]) F. / 42

52 Definicja zmiennej losowej Definicja Zmienną losową nazywamy dowolną mierzalną funkcję X : Ω R Rozkładem prawdopodobieństwa zmiennej losowej X nazywamy miarę prawdopodobieństwa P X zdefiniowaną jako: P X (A) = P(X A) = P ( X (A) ) dla dowolnego zbioru borelowskiego A B Uwaga: będziemy używali zapisu X P X aby oznaczyć, że zmienna X ma rozkład P X 2 / 42

53 Zmienne losowe a odwzorowanie przestrzeni probabilistycznej X : Ω R Ω ω ω 2 ω 3 X (ω 2 ) X (ω ) X (ω 3 ) x (Ω, F, P) X (R, B, P X ) 3 / 42

54 Zmienne losowe a odwzorowanie przestrzeni probabilistycznej X : Ω R Ω ω ω 2 ω 3 X (ω 2 ) X (ω ) X (ω 3 ) x (Ω, F, P) X (R, B, P X ) Mierzalność X gwarantuje, że każde zdarzenie w przestrzeni probabilistycznej (R, B, P X ) jest przeciwobrazem pewnego zdarzenia w przestrzeni (Ω, F, P). 3 / 42

55 Dwie równoważne notacje P X (A) P(X A) P X ({a}) P(X = a) P X ( (, a] ) P(X a) P X ( [a, b) ) P(a X < b)... Notacja niebieska dotyczy przestrzeni probabilistycznej (R, B, P X ) indukowanej przez zmienną losową X Skrótowa notacja czerwona odwołuje się do bazowej przestrzeni probabilistycznej (Ω, F, P); jest dużo wygodniejsza, stąd prawie zawsze będziemy jej używać 4 / 42

56 P X spełnia aksjomaty Kołmogorowa Zadanie Niech P będzie miarą prawdopodobieństwa na Ω, a X : Ω R zmienną losową. Pokaż, że miara P X przyporządkowującą każdemu podzbiorowi A R liczbę: P X (A) = P(X (A)) spełnia aksjomaty Kołmogorowa na przestrzeni R. Wskazówka: trzeba wykorzystać fakt, że P spełnia aksjomaty Kołmogorowa 5 / 42

57 Dystrybuanta zmiennej losowej Definicja Dystrybuantą zmiennej losowej X nazywamy funkcję F : R R zdefiniowaną jako: F (x) = P X ( (, x] ) = P(X x) / 42

58 Dystrybuanta zmiennej losowej Definicja Dystrybuantą zmiennej losowej X nazywamy funkcję F : R R zdefiniowaną jako: F (x) = P X ( (, x] ) = P(X x) Dystrybuanta jest funkcją niemalejącą Mamy P(X (a, b]) = F (b) F (a) F ( ) = lim x F (x) = 0 F ( ) = lim x F (x) = F (x) jest prawostronnie ciągła / 42

59 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) 7 / 42

60 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) F (x) F (x) = P(X x) x 7 / 42

61 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) F (x) F (x) = P(X x) x 7 / 42

62 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) F (x) F (x) = P(X x) x 7 / 42

63 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) F (x) F (x) = P(X x) x 7 / 42

64 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) F (x) F (x) = P(X x) x 7 / 42

65 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) F (x) F (x) = P(X x) x 7 / 42

66 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) F (x) F (x) = P(X x) x 7 / 42

67 Przykład: rzut kostką ω ω 2 ω 3 ω 4 ω 5 ω X (ω) P(X = x) F (x) F (x) = P(X x) x 7 / 42

68 Przykład: losowanie punktu z odcinka Zmienna losowa X [0, ] jest zadana rozkładem prawdopodobieństwa: P(X A) = A, dla A [0, ] gdzie A jest długością A (np. P(X [a, b]) = b a) 8 / 42

69 Przykład: losowanie punktu z odcinka Zmienna losowa X [0, ] jest zadana rozkładem prawdopodobieństwa: P(X A) = A, dla A [0, ] gdzie A jest długością A (np. P(X [a, b]) = b a) Jeśli x < 0 to F (x) = P(X x) = 0 8 / 42

70 Przykład: losowanie punktu z odcinka Zmienna losowa X [0, ] jest zadana rozkładem prawdopodobieństwa: P(X A) = A, dla A [0, ] gdzie A jest długością A (np. P(X [a, b]) = b a) Jeśli x < 0 to F (x) = P(X x) = 0 Jeśli x [0, ] to F (x) = P(X < 0) + P(X [0, x]) = x }{{}}{{} =0 =x 8 / 42

71 Przykład: losowanie punktu z odcinka Zmienna losowa X [0, ] jest zadana rozkładem prawdopodobieństwa: P(X A) = A, dla A [0, ] gdzie A jest długością A (np. P(X [a, b]) = b a) Jeśli x < 0 to F (x) = P(X x) = 0 Jeśli x [0, ] to F (x) = P(X < 0) }{{} =0 Jeśli x > to F (x) = P(X ) }{{} = + P(X [0, x]) = x }{{} =x = + P(X (, x]) }{{} =0 8 / 42

72 Przykład: losowanie punktu z odcinka Zmienna losowa X [0, ] jest zadana rozkładem prawdopodobieństwa: P(X A) = A, dla A [0, ] gdzie A jest długością A (np. P(X [a, b]) = b a) Jeśli x < 0 to F (x) = P(X x) = 0 Jeśli x [0, ] to F (x) = P(X < 0) }{{} =0 Jeśli x > to F (x) = P(X ) }{{} F (x) = + P(X [0, x]) = x }{{} =x = + P(X (, x]) }{{} =0 0 0 x 8 / 42

73 Zmienna losowa dyskretna (typu skokowego) Zmienną losową X przyjmującą co najwyżej przeliczalną liczbę możliwych wartości X = {x, x 2,...} nazywamy zmienną dyskretną (typu skokowego) Dla dowolnego A B zachodzi: P(X A) = lub w zdarzeniowej notacji: P X (A) = P(X = x i ), i : x i A P X ({x i }) i : x i A Rozkład prawdopodobieństwa zmiennej dyskretnej jest więc w pełni zdefiniowany poprzez określenie prawdopodobieństw P(X = x i ) = P X ({x i }) dla wszystkich x i X 9 / 42

74 Zmienna losowa dyskretna (typu skokowego) Troszkę ogólniejsza definicja: Mówimy, że zmienna losowa X jest dyskretna (typu skokowego) jeśli istnieje zbiór przeliczalny X R taki, że P(X X ) = Czyli prawdopodobieństwo przyjęcia wartości spoza X wynosi zero. 20 / 42

75 Zmienna losowa dyskretna (typu skokowego) Troszkę ogólniejsza definicja: Mówimy, że zmienna losowa X jest dyskretna (typu skokowego) jeśli istnieje zbiór przeliczalny X R taki, że P(X X ) = Czyli prawdopodobieństwo przyjęcia wartości spoza X wynosi zero. Przykład: Zmienna X przyjmująca dowolne wartości z R taka, że: P(X A) = { jeśli 0 A 0 w przeciwnym przypadku Czyli P(X = 0) = 20 / 42

76 Zmienna losowa dyskretna (typu skokowego) Troszkę ogólniejsza definicja: Mówimy, że zmienna losowa X jest dyskretna (typu skokowego) jeśli istnieje zbiór przeliczalny X R taki, że P(X X ) = Czyli prawdopodobieństwo przyjęcia wartości spoza X wynosi zero. Przykład: Zmienna X przyjmująca dowolne wartości z R taka, że: P(X A) = { jeśli 0 A 0 w przeciwnym przypadku Czyli P(X = 0) = Konwencja: dla zmiennej losowej dyskretnej będziemy odtąd pomijać wartości przyjmowane z prawdopodobieństwem zero! (tzn. tak, jakby zmienna losowa ich po prostu nie przyjmowała) 20 / 42

77 Zadanie Zadanie 2 Z talii 52 kart ciągniemy i zliczamy liczbę pików. Znaleźć rozkład określonej w ten sposób zmiennej losowej. Zadanie 3 Mamy dwie monety: jedną uczciwą (szansa orła i reszki po 50%) i jedną nieuczciwą (szansa orła 80%, reszki 20%). Wybieramy losową jedną z nich i rzucamy nią 3 razy. Niech X będzie zmienną losową oznaczającą liczbę orłów. Wyznacz rozkład X. Zadanie 4 Wybieramy losową permutację liczb {, 2,..., 0}. Niech X oznacza pozycję (licząc od ), na której pojawi się pierwsza liczba parzysta. Podaj rozkład X. (np. dla permutacji {, 3, 0, 2, 5, 8, 9, 7, 4, } mamy X = 3) 2 / 42

78 Rozkład jednopunktowy Zmienna X ma rozkład jednopunktowy, jeśli istnieje taki x R, że P(X = x) = Cały rozkład zmiennej X jest skoncentrowany w jednym punkcie Taka zmienna losowa to efektywnie stała 22 / 42

79 Rozkład jednostajny Zmienna X ma rozkład jednostajny, jeśli X {x, x 2,..., x n } oraz: P(X = x i ) = n, i =,..., n 23 / 42

80 Rozkład jednostajny Zmienna X ma rozkład jednostajny, jeśli X {x, x 2,..., x n } oraz: P(X = x i ) = n, i =,..., n Przykład: wynik rzutu kostką, X {, 2, 3, 4, 5, }, P(X = i) =, i =,..., 23 / 42

81 Rozkład dwupunktowy Zmienna X ma rozkład dwupunktowy jeśli X {x 0, x } Oznaczamy: p = P(X = x ), a więc P(X = x 0 ) = p Zwykle przyjmuje się x 0 = 0 i x =, wtedy p = P(X = ) jest prawdopodobieństwem sukcesu Rozkład dwupunktowy oznaczamy przez B(p) 24 / 42

82 Rozkład dwupunktowy Zmienna X ma rozkład dwupunktowy jeśli X {x 0, x } Oznaczamy: p = P(X = x ), a więc P(X = x 0 ) = p Zwykle przyjmuje się x 0 = 0 i x =, wtedy p = P(X = ) jest prawdopodobieństwem sukcesu Rozkład dwupunktowy oznaczamy przez B(p) Przykład: wynik rzutu nieuczciwą monetą dla której orzeł (X = ) wypada z prawdopodobieństwem p, a reszka (X = 0) z prawd. p. Uwaga: jeśli p = 0 lub p =, to X ma rozkład jednopunktowy 24 / 42

83 Rozkład dwumianowy Zmienna X {0,, 2,..., n} ma rozkład dwumianowy z parametrem p jeśli: ( ) n P(X = k) = p k ( p) n k, k = 0,,..., n k 25 / 42

84 Rozkład dwumianowy Zmienna X {0,, 2,..., n} ma rozkład dwumianowy z parametrem p jeśli: ( ) n P(X = k) = p k ( p) n k, k = 0,,..., n k Zmienna X określa więc liczbę sukcesów w n próbach, jeśli prawdopodobieństwo sukcesu wynosi p (schemat Bernoulliego). Rozkład dwumianowy oznaczamy przez B(n, p) Uwaga: jeśli n =, to X ma rozkład dwupunktowy 25 / 42

85 Rozkład dwumianowy B(n =, p = 0.5) B(0, 0.4) P(X = k) P(X = k) k = B(20, 0.3) k = B(30, 0.7) P(X = k) P(X = k) k = k = / 42

86 Rozkład dwumianowy przykład Zadanie 5 Mamy urnę z 0 białymi i 20 czarnymi kulami. Wybieramy losowo ze zwracaniem 9 kul. Niech X określa liczbę wylosowanych białych kul. Jaki rozkład ma X? 27 / 42

87 Rozkład geometryczny Zmienna X {, 2,...} ma rozkład geometryczny z parametrem p jeśli: P(X = k) = ( p) k p, k =, 2, / 42

88 Rozkład geometryczny Zmienna X {, 2,...} ma rozkład geometryczny z parametrem p jeśli: P(X = k) = ( p) k p, k =, 2,... Zmienna X określa więc liczbę prób do uzyskania pierwszego sukcesu w nieskończonym ciągu Bernoulliego, jeśli prawdopodobieństwo pojedynczego sukcesu wynosi p. 28 / 42

89 Rozkład geometryczny Zmienna X {, 2,...} ma rozkład geometryczny z parametrem p jeśli: P(X = k) = ( p) k p, k =, 2,... Zmienna X określa więc liczbę prób do uzyskania pierwszego sukcesu w nieskończonym ciągu Bernoulliego, jeśli prawdopodobieństwo pojedynczego sukcesu wynosi p. Rozkład geometryczny oznaczamy przez G (p) 28 / 42

90 Rozkład geometryczny Zmienna X {, 2,...} ma rozkład geometryczny z parametrem p jeśli: P(X = k) = ( p) k p, k =, 2,... Zmienna X określa więc liczbę prób do uzyskania pierwszego sukcesu w nieskończonym ciągu Bernoulliego, jeśli prawdopodobieństwo pojedynczego sukcesu wynosi p. Rozkład geometryczny oznaczamy przez G (p) Przykład: rzucamy kostką aż do uzyskania szóstki. Liczba rzutów X ma rozkład G (p = ) 28 / 42

91 Rozkład geometryczny Zmienna X {, 2,...} ma rozkład geometryczny z parametrem p jeśli: P(X = k) = ( p) k p, k =, 2,... Zmienna X określa więc liczbę prób do uzyskania pierwszego sukcesu w nieskończonym ciągu Bernoulliego, jeśli prawdopodobieństwo pojedynczego sukcesu wynosi p. Rozkład geometryczny oznaczamy przez G (p) Przykład: rzucamy kostką aż do uzyskania szóstki. Liczba rzutów X ma rozkład G (p = ) Uwaga: Istnieje wersja rozkładu geometrycznego G 0 (p) określająca liczbę porażek do uzyskania pierwszego sukcesu: P(X = k) = ( p) k p, k = 0,, 2, / 42

92 Rozkład geometryczny 0.5 G (p = 2 ) P(X = k) k = G (p = 5 ) P(X = k) 0. 0 k = / 42

93 Rozkład geometryczny przykłady Kupujemy losy na loterii, dopóki nie wygramy. Szansa wygrania wynosi p = /000. Niech X określa liczbę kupionych losów na loterii: X ma rozkład G (p). 30 / 42

94 Rozkład geometryczny przykłady Kupujemy losy na loterii, dopóki nie wygramy. Szansa wygrania wynosi p = /000. Niech X określa liczbę kupionych losów na loterii: X ma rozkład G (p). Na lotnisku próbujemy złapać wolną taksówkę, ale 9 na 0 taksówek przyjeżdża już zarezerwowana/zajęta. Niech X określa liczbę zajętych taksówek, które zaobserwujemy; X ma rozkład G 0 (/0). 30 / 42

95 Przykład Jaka jest szansa, że potrzeba co najmniej k prób do uzyskania pierwszego sukcesu, jeśli w pojedynczej próbie sukces uzyskujemy z prawdopodobieństwem p? 3 / 42

96 Przykład Jaka jest szansa, że potrzeba co najmniej k prób do uzyskania pierwszego sukcesu, jeśli w pojedynczej próbie sukces uzyskujemy z prawdopodobieństwem p? X ma rozkład G (p) P(X k) = P(X = k) + P(X = k + ) / 42

97 Przykład Jaka jest szansa, że potrzeba co najmniej k prób do uzyskania pierwszego sukcesu, jeśli w pojedynczej próbie sukces uzyskujemy z prawdopodobieństwem p? X ma rozkład G (p) P(X k) = P(X = k) + P(X = k + ) +... = ( p) i p i=k 3 / 42

98 Przykład Jaka jest szansa, że potrzeba co najmniej k prób do uzyskania pierwszego sukcesu, jeśli w pojedynczej próbie sukces uzyskujemy z prawdopodobieństwem p? X ma rozkład G (p) P(X k) = P(X = k) + P(X = k + ) +... = ( p) i p i=k = ( p) k p ( p) i i=0 3 / 42

99 Przykład Jaka jest szansa, że potrzeba co najmniej k prób do uzyskania pierwszego sukcesu, jeśli w pojedynczej próbie sukces uzyskujemy z prawdopodobieństwem p? X ma rozkład G (p) P(X k) = P(X = k) + P(X = k + ) +... = ( p) i p i=k = ( p) k p ( p) i i=0 = ( p) k p p = ( p)k 3 / 42

100 Własność braku pamięci Niech X ma rozkład G (p). Oblicz P(X k + l X k + ) dla l ( pierwszy sukces pojawił się po co najmniej niż k + l próbach, jeśli nie pojawił się w pierwszych k próbach ) 32 / 42

101 Własność braku pamięci Niech X ma rozkład G (p). Oblicz P(X k + l X k + ) dla l ( pierwszy sukces pojawił się po co najmniej niż k + l próbach, jeśli nie pojawił się w pierwszych k próbach ) P(X k + l X k + ) = P( {X k + l} {X k + } ) P({X k + }) 32 / 42

102 Własność braku pamięci Niech X ma rozkład G (p). Oblicz P(X k + l X k + ) dla l ( pierwszy sukces pojawił się po co najmniej niż k + l próbach, jeśli nie pojawił się w pierwszych k próbach ) P(X k + l X k + ) = P( {X k + l} {X k + } ) P({X k + }) = P( {X k + l} ) P({X k + }) 32 / 42

103 Własność braku pamięci Niech X ma rozkład G (p). Oblicz P(X k + l X k + ) dla l ( pierwszy sukces pojawił się po co najmniej niż k + l próbach, jeśli nie pojawił się w pierwszych k próbach ) P(X k + l X k + ) = P( {X k + l} {X k + } ) P({X k + }) = P( {X k + l} ) P({X k + }) = ( p)k+l ( p) k = ( p) l = P(X l) 32 / 42

104 Własność braku pamięci Niech X ma rozkład G (p). Oblicz P(X k + l X k + ) dla l ( pierwszy sukces pojawił się po co najmniej niż k + l próbach, jeśli nie pojawił się w pierwszych k próbach ) P(X k + l X k + ) = P( {X k + l} {X k + } ) P({X k + }) = P( {X k + l} ) P({X k + }) = ( p)k+l ( p) k = ( p) l = P(X l) Brak pamięci: jeśli sukces nie pojawił się w pierwszych k próbach, możemy zapomnieć o przeszłości i wyznaczyć prawdopodobieństwa jakbyśmy dopiero zaczynali losować 32 / 42

105 Rozkład ujemny dwumianowy (Pascala) Rozważmy nieskończony ciąg prób Bernoulliego z prawd. sukcesu p. Losujemy, dopóki nie uzyskamy r porażek. Jakie jest szansa zaobserwowania do tego momentu k sukcesów? 33 / 42

106 Rozkład ujemny dwumianowy (Pascala) Rozważmy nieskończony ciąg prób Bernoulliego z prawd. sukcesu p. Losujemy, dopóki nie uzyskamy r porażek. Jakie jest szansa zaobserwowania do tego momentu k sukcesów? Zdarzenia elementarne: ciągi binarne (b, b 2,..., b n ), n =, 2,..., zawierające r zer, przy czym b n = 0. Liczba sukcesów to k = n r. 33 / 42

107 Rozkład ujemny dwumianowy (Pascala) Rozważmy nieskończony ciąg prób Bernoulliego z prawd. sukcesu p. Losujemy, dopóki nie uzyskamy r porażek. Jakie jest szansa zaobserwowania do tego momentu k sukcesów? Zdarzenia elementarne: ciągi binarne (b, b 2,..., b n ), n =, 2,..., zawierające r zer, przy czym b n = 0. Liczba sukcesów to k = n r. P(b, b 2,..., b n ) = ( p) r p n r 33 / 42

108 Rozkład ujemny dwumianowy (Pascala) Rozważmy nieskończony ciąg prób Bernoulliego z prawd. sukcesu p. Losujemy, dopóki nie uzyskamy r porażek. Jakie jest szansa zaobserwowania do tego momentu k sukcesów? Zdarzenia elementarne: ciągi binarne (b, b 2,..., b n ), n =, 2,..., zawierające r zer, przy czym b n = 0. Liczba sukcesów to k = n r. Ile jest takich ciągów o długości n? P(b, b 2,..., b n ) = ( p) r p n r 33 / 42

109 Rozkład ujemny dwumianowy (Pascala) Rozważmy nieskończony ciąg prób Bernoulliego z prawd. sukcesu p. Losujemy, dopóki nie uzyskamy r porażek. Jakie jest szansa zaobserwowania do tego momentu k sukcesów? Zdarzenia elementarne: ciągi binarne (b, b 2,..., b n ), n =, 2,..., zawierające r zer, przy czym b n = 0. Liczba sukcesów to k = n r. P(b, b 2,..., b n ) = ( p) r p n r Ile jest takich ciągów o długości n? ( n ) r 33 / 42

110 Rozkład ujemny dwumianowy (Pascala) Rozważmy nieskończony ciąg prób Bernoulliego z prawd. sukcesu p. Losujemy, dopóki nie uzyskamy r porażek. Jakie jest szansa zaobserwowania do tego momentu k sukcesów? Zdarzenia elementarne: ciągi binarne (b, b 2,..., b n ), n =, 2,..., zawierające r zer, przy czym b n = 0. Liczba sukcesów to k = n r. P(b, b 2,..., b n ) = ( p) r p n r Ile jest takich ciągów o długości n? ( n ) r Stąd prawdopodobieństwo uzyskania k sukcesów do momentu uzyskania r porażek: ( ) ( ) n r + k ( p) r p n r = ( p) r p k r r 33 / 42

111 Rozkład ujemny dwumianowy (Pascala) Zmienna X {0,,...} ma rozkład ujemny dwumianowy z parametrami r i p jeśli: ( ) r + k P(X = k) = ( p) r p k r 34 / 42

112 Rozkład ujemny dwumianowy (Pascala) Zmienna X {0,,...} ma rozkład ujemny dwumianowy z parametrami r i p jeśli: ( ) r + k P(X = k) = ( p) r p k r Rozkład ujemny dwumianowy oznaczamy przez NB(r, p) 34 / 42

113 Rozkład ujemny dwumianowy (Pascala) Zmienna X {0,,...} ma rozkład ujemny dwumianowy z parametrami r i p jeśli: ( ) r + k P(X = k) = ( p) r p k r Rozkład ujemny dwumianowy oznaczamy przez NB(r, p) Przykład: Bezzałogowy samolot wraca z misji rozpoznawczej z prawdopodobieństwem p. Ile misji uda się nam wykonać mając do dyspozycji r samolotów? 34 / 42

114 Podsumowanie Rozkład dwupunktowy modeluje prawdopodobieństwo sukcesu w pojedynczej próbie Rozkład dwumianowy modeluje prawdopodobieństwo k sukcesów w n próbach Rozkład geometryczny modeluje prawdopodobieństwo k prób do uzyskania pierwszego sukcesu Rozkład ujemny dwumianowy modeluje prawdopodobieństwo k sukcesów przed uzyskaniem r porażek 35 / 42

115 Rozkład Poissona Life is good for only two things, discovering mathematics and teaching mathematics Siméon Denis Poisson (78-840) 3 / 42

116 Rozkład Poissona Rozważmy ciąg n prób Bernoulliego z prawd. sukcesu p, gdzie: n jest bardzo duże, p jest bardzo małe (bliskie zeru) ale n p jest umiarkowane (ani małe, ani duże) 37 / 42

117 Rozkład Poissona Rozważmy ciąg n prób Bernoulliego z prawd. sukcesu p, gdzie: n jest bardzo duże, p jest bardzo małe (bliskie zeru) ale n p jest umiarkowane (ani małe, ani duże) Przykłady Szansa rozpadu atomu promieniotwórczego w ciągu sekundy wynosi p = 0 4. Mając n = 0 5 atomów wyznacz rozkład prawdopodobieństwa liczby rozpadów w danej sekundzie. 37 / 42

118 Rozkład Poissona Rozważmy ciąg n prób Bernoulliego z prawd. sukcesu p, gdzie: n jest bardzo duże, p jest bardzo małe (bliskie zeru) ale n p jest umiarkowane (ani małe, ani duże) Przykłady Szansa rozpadu atomu promieniotwórczego w ciągu sekundy wynosi p = 0 4. Mając n = 0 5 atomów wyznacz rozkład prawdopodobieństwa liczby rozpadów w danej sekundzie. Mamy artykuł z n = słów. Szansa literówki w danym słowie to p = /000. Znaleźć rozkład liczby literówek. 37 / 42

119 Rozkład Poissona Rozważmy ciąg n prób Bernoulliego z prawd. sukcesu p, gdzie: n jest bardzo duże, p jest bardzo małe (bliskie zeru) ale n p jest umiarkowane (ani małe, ani duże) Przykłady Szansa rozpadu atomu promieniotwórczego w ciągu sekundy wynosi p = 0 4. Mając n = 0 5 atomów wyznacz rozkład prawdopodobieństwa liczby rozpadów w danej sekundzie. Mamy artykuł z n = słów. Szansa literówki w danym słowie to p = /000. Znaleźć rozkład liczby literówek. DNA człowieka składa się z n = par zasad (w pojedynczej komórce). Szansa mutacji na parę zasad na rok wynosi p = Wyznacz rozkład liczby mutacji w ciągu roku. 37 / 42

120 Rozkład Poissona Rozważmy ciąg n prób Bernoulliego z prawd. sukcesu p, gdzie: n jest bardzo duże, p jest bardzo małe (bliskie zeru) ale n p jest umiarkowane (ani małe, ani duże) Przykłady Szansa rozpadu atomu promieniotwórczego w ciągu sekundy wynosi p = 0 4. Mając n = 0 5 atomów wyznacz rozkład prawdopodobieństwa liczby rozpadów w danej sekundzie. Mamy artykuł z n = słów. Szansa literówki w danym słowie to p = /000. Znaleźć rozkład liczby literówek. DNA człowieka składa się z n = par zasad (w pojedynczej komórce). Szansa mutacji na parę zasad na rok wynosi p = Wyznacz rozkład liczby mutacji w ciągu roku. Szansa katastrofy lotniczej wynosi na mln lotów (rocznie). Wyznacz rozkład liczby katastrof na rok, jeśli w ciągu roku odbywa się n = mln lotów. 37 / 42

121 Rozkład Poissona jako granica rozkładu dwumianowego P(X = k) = ( ) n p k ( p) n k = k n! k!(n k)! pk ( p) n k 38 / 42

122 Rozkład Poissona jako granica rozkładu dwumianowego P(X = k) = ( ) n p k ( p) n k = k n! k!(n k)! pk ( p) n k Bierzemy granicę n równocześnie zakładając np = λ dla pewnej stałej λ R (co oznacza p = λ/n 0) 38 / 42

123 Rozkład Poissona jako granica rozkładu dwumianowego P(X = k) = ( ) n p k ( p) n k = k n! k!(n k)! pk ( p) n k Bierzemy granicę n równocześnie zakładając np = λ dla pewnej stałej λ R (co oznacza p = λ/n 0) lim P(X = k) = lim n n n (n )... (n k + ) k! } {{ } ( k) n λ k n k }{{} p k ( λ/n) n ( λ/n) k } {{ } ( p) n k 38 / 42

124 Rozkład Poissona jako granica rozkładu dwumianowego P(X = k) = ( ) n p k ( p) n k = k n! k!(n k)! pk ( p) n k Bierzemy granicę n równocześnie zakładając np = λ dla pewnej stałej λ R (co oznacza p = λ/n 0) lim P(X = k) = lim n n = λk k! n (n )... (n k + ) k! } {{ } ( k) n lim n λ k n k }{{} p k n (n )... (n k + ) n k ( λ/n) n ( λ/n) k } {{ } ( p) n k ( λ/n) n ( λ/n) k 38 / 42

125 Rozkład Poissona jako granica rozkładu dwumianowego P(X = k) = ( ) n p k ( p) n k = k n! k!(n k)! pk ( p) n k Bierzemy granicę n równocześnie zakładając np = λ dla pewnej stałej λ R (co oznacza p = λ/n 0) lim P(X = k) = lim n n = λk k! = λk k! n (n )... (n k + ) k! } {{ } ( k) n lim n ( ) lim n n... λ k n k }{{} p k ( λ/n) n ( λ/n) k } {{ } ( p) n k n (n )... (n k + ) ( λ/n) n n k ( λ/n) k ( ) ( λ/n) k n n ( λ/n) k 38 / 42

126 Rozkład Poissona jako granica rozkładu dwumianowego P(X = k) = ( ) n p k ( p) n k = k n! k!(n k)! pk ( p) n k Bierzemy granicę n równocześnie zakładając np = λ dla pewnej stałej λ R (co oznacza p = λ/n 0) lim P(X = k) = lim n n = λk k! = λk k! n (n )... (n k + ) k! } {{ } ( k) n lim n ( ) lim n n... λ k n k }{{} p k ( λ/n) n ( λ/n) k } {{ } ( p) n k n (n )... (n k + ) ( λ/n) n n k ( λ/n) k ( ) ( λ/n) k n n 0 0 ( λ/n) k 0 38 / 42

127 Rozkład Poissona jako granica rozkładu dwumianowego P(X = k) = ( ) n p k ( p) n k = k n! k!(n k)! pk ( p) n k Bierzemy granicę n równocześnie zakładając np = λ dla pewnej stałej λ R (co oznacza p = λ/n 0) lim P(X = k) = lim n n = λk k! = λk k! n (n )... (n k + ) k! } {{ } ( k) n lim n ( ) lim n n... λ k n k }{{} p k ( λ/n) n ( λ/n) k } {{ } ( p) n k n (n )... (n k + ) ( λ/n) n n k ( λ/n) k ( ) ( λ/n) k n n 0 0 ( = λk lim λ ) n k! n n ( λ/n) k 0 38 / 42

128 Rozkład Poissona jako granica rozkładu dwumianowego P(X = k) = ( ) n p k ( p) n k = k n! k!(n k)! pk ( p) n k Bierzemy granicę n równocześnie zakładając np = λ dla pewnej stałej λ R (co oznacza p = λ/n 0) lim P(X = k) = lim n n = λk k! = λk k! = λk k! n (n )... (n k + ) k! } {{ } ( k) n lim n ( ) lim n n... λ k n k }{{} p k ( λ/n) n ( λ/n) k } {{ } ( p) n k n (n )... (n k + ) ( λ/n) n n k ( λ/n) k ( ) ( λ/n) k n n ( lim λ n n 0 0 ) n = λk k! e λ ( λ/n) k 0 38 / 42

129 Rozkład Poissona Zmienna X {0,,...} ma rozkład Poissona z parametrem λ jeśli: P(X = k) = λk k! e λ 39 / 42

130 Rozkład Poissona Zmienna X {0,,...} ma rozkład Poissona z parametrem λ jeśli: P(X = k) = λk k! e λ Rozkład Poissona oznaczamy przez Pois(λ) 39 / 42

131 Rozkład Poissona Zmienna X {0,,...} ma rozkład Poissona z parametrem λ jeśli: P(X = k) = λk k! e λ Rozkład Poissona oznaczamy przez Pois(λ) Sprawdzamy, czy rozkład poprawnie się normalizuje: P(X = k) = e λ λ k = e λ e λ = k! k=0 k=0 39 / 42

132 Rozkład Poissona Zmienna X {0,,...} ma rozkład Poissona z parametrem λ jeśli: P(X = k) = λk k! e λ Rozkład Poissona oznaczamy przez Pois(λ) Sprawdzamy, czy rozkład poprawnie się normalizuje: P(X = k) = e λ λ k = e λ e λ = k! k=0 k=0 Zadanie Odszukaj dlaczego e x = n=0 x n n! Zadanie 7 Wyznacz rozkład prawdopodobieństwa dla wszystkich wymienionych poprzednio przykładów. Oblicz kilka pierwszych prawdopodobieństw. 39 / 42

133 Rozkład Poissona λ = 0.5 λ = 2 P(X = k) P(X = k) k = k = λ = 5 λ = 0 P(X = k) P(X = k) k = k = / 42

134 Rozkład Poissona a dwumianowy p = 0.2, n = 0, λ = 2 p = 0.04, n = 50, λ = 2 P(X = k) Poisson dwumian P(X = k) Poisson dwumian k = k = p = 0.0, n = 200, λ = 2 p = 0.002, n = 000, λ = 2 P(X = k) Poisson dwumian P(X = k) Poisson dwumian k = k = / 42

135 Rozkład Poissona a dwumianowy p = 0.05, n = 20, λ = 0 p = 0., n = 00, λ = 0 P(X = k) Poisson dwumian P(X = k) Poisson dwumian k = p = 0.02, n = 500, λ = 0 k = p = 0.005, n = 2000, λ = 0 P(X = k) Poisson dwumian P(X = k) Poisson dwumian k = k = / 42