Statystyka w analizie i planowaniu eksperymentu

Transkrypt

1 21 marca 2011

2 Zmienna losowa wst ep Przeprowadzane w praktyce badania i eksperymenty maja bardzo różnorodny charakter, niemniej jednak wiaż a sie z rejestracja jakiś sygna lów (danych). Moga to być na przyk lad: odczyty na skali; końcowe parametry jakiegoś procesu technologicznego; liczba osób w kolejce. Takie liczbowe charakterystyki, które przy powtórzeniach eksperymentu daja różne wartości, określa sie mianem zmiennych losowych.

3 Zmienna losowa i jej dystrybuanta Niech (Ω, F, P) bedzie dowolna przestrzenia probabilistyczna. Zmienna losowa nazywamy dowolna funkcje X określona na przestrzeni zdarzeń elementarnych Ω, o wartościach ze zbioru liczb rzeczywistych. X : Ω R. Uwaga Zmienne losowe oznaczamy dużymi literami X, Y, Z a ich konkretne wartości ma lymi literami x, y, z.

4 Przyk lad Rozważmy losowanie produktów z partii w celu zbadania ich jakości. Określmy zmienna losowa { 1, gdy wyrób jest wadliwy; X (ω) = 0, gdy wyrób jest dobry. Ta zmienna przyjmuje tylko dwie wartości i jest nazywana zerojedynkowa.

5 Przyk lad Niech Ω = {ω 1,..., ω 6 }, gdzie ω i, i = 1, 2,..., 6 oznacza zdarzenie elementarne polegajace na wyrzuceniu i-oczek. Określmy zmienna losowa X (ω i ) = i, i = 1, 2,..., 6.

6 Prawdopodobieństwo przyjecia przez zmienna losowa wartości z danego zbioru Zdarzeniami losowymi sa również zbiory definiowane w sposób nastepuj acy {ω : X (ω) A} gdzie A jest dowolnym podzbiorem R.

7 Prawdopodobieństwo P(X A) przyjecia przez zmienna losowa X wartości ze zbioru A gdzie A R, określamy nastepuj ac a równościa: P(X A) = P({ω : X (ω) A}).

8 Dystrybuanta zmiennej losowej i jej w lasności Definicja Funkcje F X określona na zbiorze R = (, + ) liczb rzeczywistych wzorem: F X (x) = P(X < x), x R nazywamy dystrybuanta zmiennej losowej X. Jeżeli nie ma watpliwości z jaka zmienna losowa mamy doczynienia wtedy dystrybuante oznaczamy przez F.

9 Przyk lad cd. Za lóżmy, że prawdopodobieństwo wylosowania wadliwego towaru wynosi 0 < p < 1. Wówczas dystrybuanta zmiennej losowej X przyjmuje postać 0, dla x < 0 F (x) = 1 p dla 0 x < 1 1 dla x 1

10 W lasności dystrybuanty 1 0 F (x) 1 dla każdego x R; 2 lim x F (x) = 0 oraz lim x + F (x) = 1; 3 jest funkcja niemalejac a; 4 jest funkcja (conajmniej) prawostronnie ciag la F (x 0 + 0) = F (x 0 ), x R 5 P(a X < b) = F (b) F (a)

11 Dwa ważne typy zmiennych losowych Zmienna losowa typu dyskretnego Mówimy, że zmienna losowa X jest typu skokowego (dyskretnego) jeżeli istnieje skończony albo przeliczalny zbiór W x = {x 1, x 2,...,...} jej wartości taki, że P(X = x i ) = p i, i N, p i = 1, i=1 gdzie górna granica sumowania wynosi n albo. Funkcje p przyjmujac a wartości p(x i ) = P(X = x i ) oznaczana czesto przez p i nazywamy funkcja prawdopodobieństwa zmiennej losowej X.

12 Dystrybuanta zmiennej losowej typu skokowego Gdy dane jest funkcja prawdopodobieństwa zmiennej losowej X, to prawdopodobieństwo przyjecia przez te zmienna wartości ze zbioru A jest określone równościa: P(X A) = x i A p i W szczególności dla dowolnego przedzia lu (a, b) zachodzi P( < X < b) = p i <x i <b

13 Zadanie Dana jest funkcja prawdopodobieństwa zmiennej losowej X wyznacz: x i p i 0, 2 0, 4 0, 3 0, 1 1 funkcj e dystrybuanty i jej wykres; 2 prawdopodobieństwo P(X < 3, 5) korzystajac z wykresu dystrybuanty; 3 prawdopodobieństwo P(3 X < 4, 5).

14 Zmienna losowa typu ciag lego Mówimy, że zmienna losowa X jest typu ciag lego, jeżeli istnieje nieujemna funkcja f, określona i ca lkowalna do jedynki na ca lej osi taka, że dla każdego przedzia lu (x 1, x 2 ) P({ω : x 1 X x 2 }) = x2 x 1 f (x)dx. Wystepuj aca tu funkcja f jest nazywana gestości a rozk ladu prawdopodobieństwa zmiennej losowej X, a jej wykres - krzywa gestości

15 W lasności funkcji g estości 1 f (x) 0 dla każdego x; 2 + f (x)dx = 1.

16 Dystrybuanta zmiennej losowej typu ciag lego Dystrybuanta F zmiennej losowej typu ciag lego wyraża sie wzorem F (t) = t f (x)dx

17 Interpretacja graficzna dystrybuanty typu ciag lego y x

18 Zadanie Niech gestość f ciag lej zmiennej losowej X wynosi: { 2 f (x) = 3 + x2 0 x 1 0 w przeciwnym przypadku. Znaleźć dystrybuant e F zmiennej losowej X oraz prawdopodobieństwo P(X > 0.5).

19 Charakterystyki liczbowe zmiennych losowych Dystrybuanta zmmiennej losowej daje pe lny probabilistyczny opis, jednak z powodu zbytniej szczegó lowości może on być ma lo czytelny. W praktyce wygodniej jest pos lugiwać sie kilkoma charakterystykami liczbowymi. Do najważniejszych charakterystyk należa miary po lożenia i miary rozrzutu.

20 przyk lad miary po lożenia Wartość oczekiwana Wartościa oczekiwana zmiennej losowej X typu dyskretnego o zbiorze punktów skoku W = {x 1, x 2,..., x n } i skokach p i = P(X = x i ), nazywamy liczbe EX określona wzorem EX = x i p i x i W Przyk lad - trudny Średnia arytmetyczna. Za lóżmy, że zmienna losowa X ma skończony zbiór punktów skoku W = {x 1, x 2,..., x n } oraz, że wszystkie skoki jej funkcji prawdopodobieństwa wynosza 1 n. Wówczas EX = 1 n x i n i=1

21 Przyk lad - latwy Rzut kostka symetryczna EX =

22 Wartość oczekiwana Wartościa oczekiwana zmiennej losowej X typu ciag lego o gestości f nazywamy liczbe EX określona wzorem EX = + xf (x)dx

23 Przyk lad Niech f bedzie funkcja gestości zmiennej losowej określona nastepuj acym wzorem: { 1 0 x 1 f (x) = 0 w przeciwnym przypadku. Wtedy EX = 1 0 xdx = 1 2 x2 / 1 0 = 1 2

24 Uwagi 1 Jeżeli zmienna losowa Y = g(x ), to EY = x i W g(x i)p i (EY = + g(x)f (x)dx); 2 Istnieja zmienne losowe dla których wartość oczekiwana nie istnieje;

25 W lasności wartości oczekiwanej 1 E(C) = C, gdzie C oznacza pewna sta l a 2 E(aX ) = ae(x ); 3 E(aX + b) = ae(x ) + b; 4 E(X + Y ) = E(X ) + E(Y ); 5 E(X Y ) = E(X )E(Y ), gdy X i Y sa niezależne

26 Zadanie W urnie sa trzy czarne kule i jedna bia la. Losujemy kolejno kule bez zwracania, aż do momentu wylosowania kuli bia lej. Niech X oznacza liczbe wyciagni etych kul. Oblicz EX.

27 Wariancja, odchylenie standardowe Wariancja zmiennej losowej X o wartości oczekiwanej EX nazywamy liczbe VarX (inne oznaczenia: D 2 X,σ 2, σx 2,µ 2), określona wzorem VarX = E(X EX ) 2. Odchyleniem standardowym zmiennej losowej X nazywamy liczbe DX (inne oznaczenia σ, σ X ), określona wzorem DX = VarX.

28 W lasności wariancji 1 D 2 (C) = 0; 2 D 2 (ax ) = a 2 D 2 (X ); 3 D 2 (X + b) = D 2 (X ); 4 D 2 (X ) = E(X 2 ) + (E(X )) 2.

29 Zadanie Zmienna losowa ma wartość oczekiwana µ i wariancje σ 2 Obliczyć dla jakich wartości a i b zmienna losowa ax + b ma wartość oczekiwana równa zero i wariancje równa jeden?

30 Uwaga Zmienna losowa Z = (X µ)/σ, gdzie EX = µ i VarX = σ nazywamy zmienna losowa standaryzowana.

31 Kwantyle Kwantylem rzedu p (0 < p < 1) zmiennej losowej X typu ciag lego o dystrybuancie F i gestości f nazywamy każda liczbe x p, spe lniaj ac a którykolwiek z nastepuj acych równoważnych warunków 1 F (x p ) = p 2 P(X < x p ) = p xp 3 f (x)dx = p

32 Przyk lady rozk ladów dyskretnych Rozk lad równomierny Mówimy, że zmienna losowa X ma rozk lad równomierny, jeżeli jej funkcja prawdopodobieństwa jest postaci x i x 1 x 2... x n p i n n... n E(X ) = 1 n x i n i=1 D 2 (X ) = 1 n (x i E(X )) 2 n i=1

33 Rozk lad jednopunktowy Zmienna losowa X ma rozk lad jednopunktowy, jeżeli jej funkcja prawdopodobieństwa jest postaci x i x 1 p i 1 E(X ) = x 1 D 2 (X ) = 0

34 Rozk lad zerojedynkowy Zmienna losowa X ma rozk lad zerojedynkowy, jeżeli jej funkcja prawdopodobieństwa jest postaci x i 0 1 p i q p E(X ) = p D 2 (X ) = pq

35 Rozk lad dwumianowy Zmienna losowa X ma rozk lad dwumianowy z parametrami (n, p), n N, 0 < p < 1, jeżeli jej funkcja prawdopodobieństwa jest postaci ( ) n P(k, n, p) = p k (1 p) n k k E(X ) = np D 2 (X ) = npq

36 Zadanie 10 Pewien matematyk nosi w kieszeniach (lewej i prawej) po jednym pude lku zapa lek. Ilekroć chce zapalić papierosa siega do wybranej losowo kieszeni. Jaka jest szansa, że gdy po raz pierwszy wyciagnie puste pude lko w drugim bedzie k zapa lek? (k = 1, 2,..., m) gdzie m jest liczba zapa lek w pe lnym pude lku. Zak ladamy, że w chwili poczatkowej matematyk ma dwa pe lne pude lka.

37 Rozk lad hipergeometryczny Zmienna losowa X ma rozk lad hipergeometryczny z parametrami (N, M, n), gdzie N, M, n to liczby naturalne oraz M, n N, jeżeli jej funkcja prawdopodobieństwa jest postaci ( M )( N M ) k n k P(k; N, M, n) = ( N n)

38 Zadanie W stawie jest N = 100 ryb od lawiamy M = 40 z nich znakujemy je i z powrotem wrzucamy do stawu. Nast epnie lowimy n = 20 sztuk. Jakie jest prawdopodobieństwo, że wsród nich b edzie dok ladnie k oznakowanych?

39 Rozk lad ujemny dwumianowy Zmienna losowa X ma rozk lad ujemny dwumianowy z parametrami (k, p), gdzie k N, 0 < p < 1, jeżeli jej funkcja prawdopodobieństwa jest postaci ( ) n 1 P(n, k, p) = p k q n k k 1 E(X ) = k p D 2 (X ) = kp p 2

40 Paradoks Petersburski Piotr i Pawe l graja w nastepuj ac a gre: Pawe l rzuca moneta do momentu gdy pojawi sie pierwszy orze l a Piotr wyp laca mu X = 1, gdy orze l pojawia sie w pierwszym rzucie, X = 2 gdy orze l pojawia sie w drugim rzucie i ogólnie X = 2 i 1 z l, gdy orze l pojawi sie dopiero w i- tym rzucie. Oblicz wartość średnia EX.

41 Rozk lad Poissona Zmienna losowa X ma rozk lad Poissona z parametrem λ, gdzie λ > 0, jeżeli jej funkcja prawdopodobieństwa jest postaci P(k) = λk k! e λ E(X ) = λ D 2 (X ) = λ

42 Rozk lad ten jest zwiazany z sytuacja zliczania zdarzeń losowych określonego typu w pewnym odcinku czasu. Może to być na przyk lad zliczenie ilości kolejnych klientów pojawiajacych sie w kasie, w banku, ilość samochodów przejeżdżajacych punkt kontrolny.

43 Zadanie Z miesiecznej obserwacji ma lego skrzyżowania w Kaliszu wynika, że miedzy godzina 11 : 00 a 12 : 00 pojawiaja sie tam średnio 4 cieżarówki o ladowności powyżej 3.5 tony. Zak ladajac, że momenty ich pojawiania sie w ustalonym dniu moga być modelowane za pomoca procesu Poissona obliczmy prawdopodobieństwo, że miedzy 11 : 00 a 11 : 30 nie pojawi sie żadna cieżarówka.

44 Twierdzenie Poissona Jeżeli liczba doświadczeń n w rozk ladzie dwumianowym jest duża, wtedy obliczenie prawdopodobieństwa danej liczby sukcesów staje sie k lopotliwa. Klasyczne twierdzenie Poissona dostarcza prostego przybliżenia, które ma rozsadn a dok ladność, gdy prawdopodobieństwo sukcesu p jest ma le a iloczyn np umiarkowany.

45 Twierdzenie Poissona Jeżeli n, p n 0, np n λ, to ( ) n p k k n(1 p n ) n k λk k! e λ Zadanie Udowodnij twierdzenie Poissona

46 Twierdzenie Poissona zastosowania 1 Prawdopodobieństwo trafienia szóstki w Toto-Lotku jest równe 1/ ( 49) 6 = 1/ Ilu szóstek należy si e spodziewać w każdym tygodniu, jeśli grajacy wype lniaj a kupony niezależnie od siebie i ca lkowicie losowo, kuponów jest n = 10 7? 2 W Warszawie na Ursynowie ginie średnio 7 samochodów tygodniowo. Jaka jest szansa, że jutro b edzie dzień bez kradzieży, przy za lożeniu sta lej intensywności dzia lania z lodziei.