Professional Documents
Culture Documents
Jerzy Ombach - Rachunek Prawdopodobieństwa I
Jerzy Ombach - Rachunek Prawdopodobieństwa I
2015-2016
Jerzy Ombach
Instytut Matematyki, Uniwersytet Jagielloski
1 / 173
Przestrze probabilistyczna
Definicja
Niech bd dane: niepusty zbir , pewna rodzina podzbiorw zbioru i
funkcja P : R. Trjk (, , P) nazywamy przestrzeni probabilistyczn, gdy
zachodz nastpujce warunki:
1
2
3
,
S
jeeli zbiory A1 , A2 , A3 , , to i=1 Ai ,
jeeli A, B , to A \ B ,
2 / 173
Przestrze probabilistyczna
Definicja
Niech bd dane: niepusty zbir , pewna rodzina podzbiorw zbioru i
funkcja P : R. Trjk (, , P) nazywamy przestrzeni probabilistyczn, gdy
zachodz nastpujce warunki:
1
2
,
S
jeeli zbiory A1 , A2 , A3 , , to i=1 Ai ,
jeeli A, B , to A \ B ,
jeeli A , to P(A) 0,
i=1
Ai ) =
P(Ai ),
i=1
2 / 173
Przestrze probabilistyczna
Definicja
Niech bd dane: niepusty zbir , pewna rodzina podzbiorw zbioru i
funkcja P : R. Trjk (, , P) nazywamy przestrzeni probabilistyczn, gdy
zachodz nastpujce warunki:
1
2
,
S
jeeli zbiory A1 , A2 , A3 , , to i=1 Ai ,
jeeli A, B , to A \ B ,
jeeli A , to P(A) 0,
i=1
Ai ) =
P(Ai ),
i=1
P() = 1.
2 / 173
3 / 173
3 / 173
3 / 173
3 / 173
3 / 173
3 / 173
3 / 173
3 / 173
Podstawowe wasnoci:
1
.
bo = \ .
4 / 173
Podstawowe wasnoci:
1
.
bo = \ .
P() = 0.
bo P() = P(
(
[
i=1
) =
P().
i=1
4 / 173
Podstawowe wasnoci:
1
.
bo = \ .
P() = 0.
bo P() = P(
(
[
) =
i=1
3
P().
i=1
n
[
Ai ) = P(
i=1
n
[
i=1
Ai ) =
n
X
P(Ai ).
i=1
i=1
4 / 173
Dalsze wasnoci:
1
5 / 173
Dalsze wasnoci:
1
5 / 173
Dalsze wasnoci:
1
5 / 173
Dalsze wasnoci:
1
5 / 173
[
i=1
bo
[
i=1
Ai =
Ai )
P(Ai ),
i=1
i=1
B1 = A1 , B2 = A2 \ A1 , B3 = A3 \ (A1 A2 ), . . . .
6 / 173
[
i=1
bo
[
i=1
Ai =
Ai )
P(Ai ),
i=1
i=1
B1 = A1 , B2 = A2 \ A1 , B3 = A3 \ (A1 A2 ), . . . .
n
[
Jeeli P(Ai ) = 0, i = 1, . . . n, n , to P( Ai ) = 0.
i=1
6 / 173
[
i=1
bo
[
i=1
Ai =
Ai )
P(Ai ),
i=1
i=1
B1 = A1 , B2 = A2 \ A1 , B3 = A3 \ (A1 A2 ), . . . .
n
[
Jeeli P(Ai ) = 0, i = 1, . . . n, n , to P( Ai ) = 0.
Jeeli P(Ai ) = 1, i = 1, . . . n, n , to P(
i=1
n
\
Ai ) = 1.
i=1
bo Prawo de Morgana.
6 / 173
An ),
n=1
7 / 173
Dowd. P(
An ) = P(
n=1
lim
N
X
(An \ An1 )) =
n=1
An ),
n=1
P(An \ An1 ) =
n=1
n=1
7 / 173
Dowd. P(
An ) = P(
n=1
lim
N
X
(An \ An1 )) =
n=1
An ),
n=1
P(An \ An1 ) =
n=1
n=1
An ).
n=1
7 / 173
8 / 173
8 / 173
8 / 173
8 / 173
8 / 173
8 / 173
9 / 173
9 / 173
9 / 173
9 / 173
Niech: = {1 , . . . , n }.
Niech F1 , . . . , Fk bd podzbiorami speniajcymi warunki:
k
[
Fi = , oraz Fi Fj dla i 6= j. Okrelamy:
i=1
Fj : J
j J
#A
n .
10 / 173
Niech: = {1 , . . . , n }.
Niech F1 , . . . , Fk bd podzbiorami speniajcymi warunki:
k
[
Fi = , oraz Fi Fj dla i 6= j. Okrelamy:
i=1
Fj : J
j J
#A
n .
10 / 173
11 / 173
11 / 173
11 / 173
11 / 173
11 / 173
11 / 173
11 / 173
11 / 173
11 / 173
Przykad.
Powyszy schemat stosowany jest do opisu nastpujcej sytuacji: Gracz rzuca tak
dugo kostk, a uzyska 6. Interesuje nas, w ktrym rzucie to nastpi. Inaczej,
warto tak okreli przestrze probabilistyczn, eby zdarzeniami elementarnymi
byy liczby 1,2,3, . . . . Zakadajc, e mamy pen informacj o przebiegu
eksperymentu, okrelamy wic:
= P()..
= {1, 2, 3, },
12 / 173
Przykad.
Powyszy schemat stosowany jest do opisu nastpujcej sytuacji: Gracz rzuca tak
dugo kostk, a uzyska 6. Interesuje nas, w ktrym rzucie to nastpi. Inaczej,
warto tak okreli przestrze probabilistyczn, eby zdarzeniami elementarnymi
byy liczby 1,2,3, . . . . Zakadajc, e mamy pen informacj o przebiegu
eksperymentu, okrelamy wic:
= P()..
= {1, 2, 3, },
Pamitajc, e pi = P({i}) moemy kolejno okreli:
12 / 173
Przykad.
Powyszy schemat stosowany jest do opisu nastpujcej sytuacji: Gracz rzuca tak
dugo kostk, a uzyska 6. Interesuje nas, w ktrym rzucie to nastpi. Inaczej,
warto tak okreli przestrze probabilistyczn, eby zdarzeniami elementarnymi
byy liczby 1,2,3, . . . . Zakadajc, e mamy pen informacj o przebiegu
eksperymentu, okrelamy wic:
= P()..
= {1, 2, 3, },
Pamitajc, e pi = P({i}) moemy kolejno okreli: p1 prawdopodobiestwo
tego, e w pierwszym, rzucie pojawi si 6= 16 .
12 / 173
Przykad.
Powyszy schemat stosowany jest do opisu nastpujcej sytuacji: Gracz rzuca tak
dugo kostk, a uzyska 6. Interesuje nas, w ktrym rzucie to nastpi. Inaczej,
warto tak okreli przestrze probabilistyczn, eby zdarzeniami elementarnymi
byy liczby 1,2,3, . . . . Zakadajc, e mamy pen informacj o przebiegu
eksperymentu, okrelamy wic:
= P()..
= {1, 2, 3, },
Pamitajc, e pi = P({i}) moemy kolejno okreli: p1 prawdopodobiestwo
tego, e w pierwszym, rzucie pojawi si 6= 16 .
p2 prawdopodobiestwo tego, e w pierwszym, rzucie pojawi si co innego ni
25
6, a w drugim rzucie 6= 36
. Stosujemy tutaj schemat klasyczny.
12 / 173
Przykad.
Powyszy schemat stosowany jest do opisu nastpujcej sytuacji: Gracz rzuca tak
dugo kostk, a uzyska 6. Interesuje nas, w ktrym rzucie to nastpi. Inaczej,
warto tak okreli przestrze probabilistyczn, eby zdarzeniami elementarnymi
byy liczby 1,2,3, . . . . Zakadajc, e mamy pen informacj o przebiegu
eksperymentu, okrelamy wic:
= P()..
= {1, 2, 3, },
Pamitajc, e pi = P({i}) moemy kolejno okreli: p1 prawdopodobiestwo
tego, e w pierwszym, rzucie pojawi si 6= 16 .
p2 prawdopodobiestwo tego, e w pierwszym, rzucie pojawi si co innego ni
25
6, a w drugim rzucie 6= 36
. Stosujemy tutaj schemat klasyczny.
Podobnie, stosujc schemat klasyczny moemy przyj, e:
i1
pi = 5 6i , dla i = 3, 4, 4, . . . .
12 / 173
Przykad.
Powyszy schemat stosowany jest do opisu nastpujcej sytuacji: Gracz rzuca tak
dugo kostk, a uzyska 6. Interesuje nas, w ktrym rzucie to nastpi. Inaczej,
warto tak okreli przestrze probabilistyczn, eby zdarzeniami elementarnymi
byy liczby 1,2,3, . . . . Zakadajc, e mamy pen informacj o przebiegu
eksperymentu, okrelamy wic:
= P()..
= {1, 2, 3, },
Pamitajc, e pi = P({i}) moemy kolejno okreli: p1 prawdopodobiestwo
tego, e w pierwszym, rzucie pojawi si 6= 16 .
p2 prawdopodobiestwo tego, e w pierwszym, rzucie pojawi si co innego ni
25
6, a w drugim rzucie 6= 36
. Stosujemy tutaj schemat klasyczny.
Podobnie, stosujc schemat klasyczny moemy przyj, e:
i1
pi = 5 6i , dla i = 3, 4, 4, . . . .
P
Zauwamy, e i=1 pi = 61 11 5 = 1.
6
12 / 173
13 / 173
13 / 173
13 / 173
13 / 173
Okazuje si, e na zbiorze B(Rn ) mona okreli wiele rnych miar. Najwaniejsz
z nich jest miara Lebesguea, ktra w naturalny sposb uoglnia pojcie dugoci
w R, pola w R2 i objtoci w R3 . Bdziemy t miar oznacza przez Ln .
14 / 173
Okazuje si, e na zbiorze B(Rn ) mona okreli wiele rnych miar. Najwaniejsz
z nich jest miara Lebesguea, ktra w naturalny sposb uoglnia pojcie dugoci
w R, pola w R2 i objtoci w R3 . Bdziemy t miar oznacza przez Ln .
Mona pokaza, e miary Lebesguea nie mona rozszerzy na -algebr
wszystkich zbiorw, P(Rn ).
14 / 173
Okazuje si, e na zbiorze B(Rn ) mona okreli wiele rnych miar. Najwaniejsz
z nich jest miara Lebesguea, ktra w naturalny sposb uoglnia pojcie dugoci
w R, pola w R2 i objtoci w R3 . Bdziemy t miar oznacza przez Ln .
Mona pokaza, e miary Lebesguea nie mona rozszerzy na -algebr
wszystkich zbiorw, P(Rn ).
Za pomoc miary Lebesguea mona w rny sposb okrela miary
probabilistyczne. Najprostszy sposb to:
14 / 173
Okazuje si, e na zbiorze B(Rn ) mona okreli wiele rnych miar. Najwaniejsz
z nich jest miara Lebesguea, ktra w naturalny sposb uoglnia pojcie dugoci
w R, pola w R2 i objtoci w R3 . Bdziemy t miar oznacza przez Ln .
Mona pokaza, e miary Lebesguea nie mona rozszerzy na -algebr
wszystkich zbiorw, P(Rn ).
Za pomoc miary Lebesguea mona w rny sposb okrela miary
probabilistyczne. Najprostszy sposb to:
Prawdopodobiestwo geometryczne.
Niech B(Rn ) bdzie takim zbiorem, e 0 < Ln () < .
Niech = {A : A B(Rn )}.
L (A)
Niech P(A) = n
, dla A .
Ln ()
14 / 173
Okazuje si, e na zbiorze B(Rn ) mona okreli wiele rnych miar. Najwaniejsz
z nich jest miara Lebesguea, ktra w naturalny sposb uoglnia pojcie dugoci
w R, pola w R2 i objtoci w R3 . Bdziemy t miar oznacza przez Ln .
Mona pokaza, e miary Lebesguea nie mona rozszerzy na -algebr
wszystkich zbiorw, P(Rn ).
Za pomoc miary Lebesguea mona w rny sposb okrela miary
probabilistyczne. Najprostszy sposb to:
Prawdopodobiestwo geometryczne.
Niech B(Rn ) bdzie takim zbiorem, e 0 < Ln () < .
Niech = {A : A B(Rn )}.
L (A)
Niech P(A) = n
, dla A .
Ln ()
Mona atwo sprawdzi (w), e (, , P) jest przestrzeni probabilistyczn.
14 / 173
Przykad.
Dwoje internautw umwio si na spotkanie w sieci midzy godzin 17 a 18, przy
czym ze wzgldu na inne wane zajcia bd na siebie czeka co najwyej 10
minut i nie duej ni do godziny 18. Jakie jest prawdopodobiestwo tego, e si
spotkaj?
15 / 173
Przykad.
Dwoje internautw umwio si na spotkanie w sieci midzy godzin 17 a 18, przy
czym ze wzgldu na inne wane zajcia bd na siebie czeka co najwyej 10
minut i nie duej ni do godziny 18. Jakie jest prawdopodobiestwo tego, e si
spotkaj?
Przestrzeni zdarze elementarnych moe by kwadrat [0, 1] [0, 1] (jednostk
jest 1 godzina), a miar probabilistyczn miara Lebesguea L2 (kady moment
midzy 17 a 18 wczenia si do sieci jest jednakowo moliwy).
1
A = {(x, y ) : |x y | < }. Jak atwo si przekona, wynosi ono 0.31.
6
15 / 173
16 / 173
16 / 173
16 / 173
16 / 173
16 / 173
(1) Majc ustalony jeden z kocw ciciwy, wybieramy taki trjkt rwnoboczny
wpisany, e jego wierzchoek jest w tym punkcie. Losowanie ciciwy oznacza
ustalenie drugiego jej koca. Tak wic jest caym okrgiem, za naturalnie jest
przyj rodzin zbiorw mierzalnych na okrgu, a P jest miar Lebesguea
(dugoci) podzielon przez 2. Wida, e prawdopodobiestwo interesujcego
nas zdarzenia jest rwne 32 .
17 / 173
(1) Majc ustalony jeden z kocw ciciwy, wybieramy taki trjkt rwnoboczny
wpisany, e jego wierzchoek jest w tym punkcie. Losowanie ciciwy oznacza
ustalenie drugiego jej koca. Tak wic jest caym okrgiem, za naturalnie jest
przyj rodzin zbiorw mierzalnych na okrgu, a P jest miar Lebesguea
(dugoci) podzielon przez 2. Wida, e prawdopodobiestwo interesujcego
nas zdarzenia jest rwne 32 .
(2) Aby wylosowa ciciw, wystarczy poda jej rodek. Tutaj jest koem, jest
rodzin zbiorw borelowskich zawartych w kole, a P jest miar Lebesguea
podzielon przez pole koa 2 . atwo policzy, e teraz prawdopodobiestwo
naszego zdarzenia wynosi 43 .
17 / 173
(1) Majc ustalony jeden z kocw ciciwy, wybieramy taki trjkt rwnoboczny
wpisany, e jego wierzchoek jest w tym punkcie. Losowanie ciciwy oznacza
ustalenie drugiego jej koca. Tak wic jest caym okrgiem, za naturalnie jest
przyj rodzin zbiorw mierzalnych na okrgu, a P jest miar Lebesguea
(dugoci) podzielon przez 2. Wida, e prawdopodobiestwo interesujcego
nas zdarzenia jest rwne 32 .
(2) Aby wylosowa ciciw, wystarczy poda jej rodek. Tutaj jest koem, jest
rodzin zbiorw borelowskich zawartych w kole, a P jest miar Lebesguea
podzielon przez pole koa 2 . atwo policzy, e teraz prawdopodobiestwo
naszego zdarzenia wynosi 43 .
Istniej take inne inne sposoby rozwizania! POPRAWNE!!!
17 / 173
(1) Majc ustalony jeden z kocw ciciwy, wybieramy taki trjkt rwnoboczny
wpisany, e jego wierzchoek jest w tym punkcie. Losowanie ciciwy oznacza
ustalenie drugiego jej koca. Tak wic jest caym okrgiem, za naturalnie jest
przyj rodzin zbiorw mierzalnych na okrgu, a P jest miar Lebesguea
(dugoci) podzielon przez 2. Wida, e prawdopodobiestwo interesujcego
nas zdarzenia jest rwne 32 .
(2) Aby wylosowa ciciw, wystarczy poda jej rodek. Tutaj jest koem, jest
rodzin zbiorw borelowskich zawartych w kole, a P jest miar Lebesguea
podzielon przez pole koa 2 . atwo policzy, e teraz prawdopodobiestwo
naszego zdarzenia wynosi 43 .
Istniej take inne inne sposoby rozwizania! POPRAWNE!!!
17 / 173
(1) Majc ustalony jeden z kocw ciciwy, wybieramy taki trjkt rwnoboczny
wpisany, e jego wierzchoek jest w tym punkcie. Losowanie ciciwy oznacza
ustalenie drugiego jej koca. Tak wic jest caym okrgiem, za naturalnie jest
przyj rodzin zbiorw mierzalnych na okrgu, a P jest miar Lebesguea
(dugoci) podzielon przez 2. Wida, e prawdopodobiestwo interesujcego
nas zdarzenia jest rwne 32 .
(2) Aby wylosowa ciciw, wystarczy poda jej rodek. Tutaj jest koem, jest
rodzin zbiorw borelowskich zawartych w kole, a P jest miar Lebesguea
podzielon przez pole koa 2 . atwo policzy, e teraz prawdopodobiestwo
naszego zdarzenia wynosi 43 .
Istniej take inne inne sposoby rozwizania! POPRAWNE!!!
17 / 173
Losowania
Wiele problemw mona sprowadzi do kwestii losowania. Omwimy dwa
najprostsze schematy losowa.
Przykad.
Wyobramy sobie, e w urnie jest N = 10 ponumerowanych kul i e wycigamy z
tej urny po kolei n = 5 kul. Zauwamy, e mog by tu zastosowane dwie metody
losowania:
po wycigniciu kuli zapisujemy jej numer i wrzucamy j z powrotem do urny.
Zdarzeniami s na przykad cigi:
(4, 2, 10, 5, 7); (3, 3, 6, 1, 2); (1, 2, 3, 4, 5) lub (7, 7, 7, 7, 5);
kolejne wycignite kule ustawiamy obok urny. Zdarzeniami s na przykad
zbiory:
{3, 5, 6, 7, 8}; {1, 2, 4, 8, 10} lub {2, 3, 4, 5, 6};
18 / 173
Losowania
Wiele problemw mona sprowadzi do kwestii losowania. Omwimy dwa
najprostsze schematy losowa.
Przykad.
Wyobramy sobie, e w urnie jest N = 10 ponumerowanych kul i e wycigamy z
tej urny po kolei n = 5 kul. Zauwamy, e mog by tu zastosowane dwie metody
losowania:
po wycigniciu kuli zapisujemy jej numer i wrzucamy j z powrotem do urny.
Zdarzeniami s na przykad cigi:
(4, 2, 10, 5, 7); (3, 3, 6, 1, 2); (1, 2, 3, 4, 5) lub (7, 7, 7, 7, 5);
kolejne wycignite kule ustawiamy obok urny. Zdarzeniami s na przykad
zbiory:
{3, 5, 6, 7, 8}; {1, 2, 4, 8, 10} lub {2, 3, 4, 5, 6};
Zauwamy, e:
Jerzy Ombach (IM UJ)
18 / 173
19 / 173
19 / 173
# = N n .
19 / 173
# = N n .
N
#Omega =
.
k
19 / 173
Przykad.
Daany jest N elementowy zbir X oraz N0 elementowy podzbir W X .
Losujemy n elementw ze zbioru X . Jakie jest prawdopodobiestwo, e wrd nich
dokadnie k elementw pochodzi ze zbioru W ?
20 / 173
Przykad.
Daany jest N elementowy zbir X oraz N0 elementowy podzbir W X .
Losujemy n elementw ze zbioru X . Jakie jest prawdopodobiestwo, e wrd nich
dokadnie k elementw pochodzi ze zbioru W ?
Rozwizanie (losowanie ze zwracaniem). Zdarzeniem sprzyjajcym A jest tutaj
zbir cigw n elementowych, z ktrych
dokadnie k elementw jest ze zbioru W .
n
Liczno takiego zbioru jest #A =
N0k (N N0 )nk . A wic:
k
n
nk
k
N0k (N N0 )nk
k
N0
N0
n
1
.
P(A) =
=
k
Nn
N
N
Rozwizanie (losowanie bez zwracania). Zdarzeniem sprzyjajcym A jest tutaj
zbir podzbiorw n elementowych, z ktrych
k elementw jest ze zbioru
dokadnie
N0
N N0
W . Liczno takiego zbioru jest #A =
. A wic:
k
nk
N0
N N0
k
nk
P(A) =
.
N
n
Jerzy Ombach (IM UJ)
20 / 173
Przykad.
Jakie jest prawdopodobiestwo tego, e na roku liczcym 100 studentw
znajdziemy dwie osoby obchodzce urodziny tego samego dnia?
21 / 173
Przykad.
Jakie jest prawdopodobiestwo tego, e na roku liczcym 100 studentw
znajdziemy dwie osoby obchodzce urodziny tego samego dnia?
Tutaj zdarzeniem elementarnym jest 100-elementowy cig o elementach bdcych
kolejnymi dniami roku. Przyjmujc upraszczajce zaoenia, e rok ma 365 dni i e
we wszystkich dniach roku rodzi si mniej wicej tyle samo ludzi mamy do
czynienia z zagadnieniem rwnowanym losowaniu ze zwracaniem 100 razy
losujemy dat. Mamy wic # = 365100 (jest to naprawd dua liczba).
21 / 173
Przykad.
Jakie jest prawdopodobiestwo tego, e na roku liczcym 100 studentw
znajdziemy dwie osoby obchodzce urodziny tego samego dnia?
Tutaj zdarzeniem elementarnym jest 100-elementowy cig o elementach bdcych
kolejnymi dniami roku. Przyjmujc upraszczajce zaoenia, e rok ma 365 dni i e
we wszystkich dniach roku rodzi si mniej wicej tyle samo ludzi mamy do
czynienia z zagadnieniem rwnowanym losowaniu ze zwracaniem 100 razy
losujemy dat. Mamy wic # = 365100 (jest to naprawd dua liczba). W tym
zadaniu wygodniej bdzie wyznaczy zdarzenie przeciwne do interesujcego nas
zdarzenia, oznaczmy je przez A. Zdarzenie A skada si ze zdarze elementarnych
odpowiadajcych cigom, ktrych wszystkie wyrazy s rne. Poniewa majc
wybrany 100-elementowy zbir, moemyz niego utworzy 100! rnych cigw, a
z 365 elementw moemy utworzy 365
100 rnych zbiorw, wic #A jest rwna
iloczynowi tych dwch liczb. W takim razie:
100! 365
100
P(A) =
.
365100
21 / 173
Przykad.
Jakie jest prawdopodobiestwo tego, e na roku liczcym 100 studentw
znajdziemy dwie osoby obchodzce urodziny tego samego dnia?
Tutaj zdarzeniem elementarnym jest 100-elementowy cig o elementach bdcych
kolejnymi dniami roku. Przyjmujc upraszczajce zaoenia, e rok ma 365 dni i e
we wszystkich dniach roku rodzi si mniej wicej tyle samo ludzi mamy do
czynienia z zagadnieniem rwnowanym losowaniu ze zwracaniem 100 razy
losujemy dat. Mamy wic # = 365100 (jest to naprawd dua liczba). W tym
zadaniu wygodniej bdzie wyznaczy zdarzenie przeciwne do interesujcego nas
zdarzenia, oznaczmy je przez A. Zdarzenie A skada si ze zdarze elementarnych
odpowiadajcych cigom, ktrych wszystkie wyrazy s rne. Poniewa majc
wybrany 100-elementowy zbir, moemyz niego utworzy 100! rnych cigw, a
z 365 elementw moemy utworzy 365
100 rnych zbiorw, wic #A jest rwna
iloczynowi tych dwch liczb. W takim razie:
100! 365
100
P(A) =
.
365100
Wyliczamy (np. Maple):
P(A) .3072489279 106 oraz 1 P(A) .9999996928.
Jerzy Ombach (IM UJ)
21 / 173
Prawdopodobiestwo warunkowe
Dana jest przestrze probabilistyczna (, , P) oraz zdarzenie A , przy czym
P(A) > 0.
Dla dowolnego zdarzenia B okrelamy jego prawdopodobiestwo warunkowe
P(B|A) wzorem:
P(B A)
.
P(B|A) =
P(A)
Funkcja P(|A) jest miar probabilistyczn na posiadajc t waciwo, e
dwa zbiory majce jednakowe przecicia ze zbiorem A, maj take tak sam
miar (w).
22 / 173
Prawdopodobiestwo warunkowe
Dana jest przestrze probabilistyczna (, , P) oraz zdarzenie A , przy czym
P(A) > 0.
Dla dowolnego zdarzenia B okrelamy jego prawdopodobiestwo warunkowe
P(B|A) wzorem:
P(B A)
.
P(B|A) =
P(A)
Funkcja P(|A) jest miar probabilistyczn na posiadajc t waciwo, e
dwa zbiory majce jednakowe przecicia ze zbiorem A, maj take tak sam
miar (w).
Czsto znamy prawdopodobiestwo warunkowe P(B|A) oraz prawdopodobiestwo
P(A) i na tej podstawie obliczamy prawdopodobiestw
P(A B) = P(B|A)P(A)
oraz inne prawdopodobiestwa.
22 / 173
n
X
P(B|Ai )P(Ai ).
i=1
Dowd. Poniewa B = B = B (
P(B) =
n
X
P(B Ai ) =
i=1
Jerzy Ombach (IM UJ)
n
X
n
[
Ai ) =
i=1
n
[
(B Ai ), mamy
i=1
P(B|Ai )P(Ai ).
i=1
Rachunek prawdopodobiestwa I 2015-2016
23 / 173
Przykad.
Przed konkursem ogoszono list 200 pyta z dziedziny D1 , 100 pyta z dziedziny
D2 oraz 100 pyta z dziedziny D3 . Umiemy odpowiedzie na 150 pyta z dziedziny
D1 , na wszystkie pytania z dziedziny D2 oraz na 80 pyta z dziedziny D3 . Jakie jest
prawdopodobiestwo, e podczas konkursu odpowiemy na losowo zadane pytanie?
24 / 173
Przykad.
Przed konkursem ogoszono list 200 pyta z dziedziny D1 , 100 pyta z dziedziny
D2 oraz 100 pyta z dziedziny D3 . Umiemy odpowiedzie na 150 pyta z dziedziny
D1 , na wszystkie pytania z dziedziny D2 oraz na 80 pyta z dziedziny D3 . Jakie jest
prawdopodobiestwo, e podczas konkursu odpowiemy na losowo zadane pytanie?
Mamy tutaj alternatyw trzech wykluczajcych si warunkw D1 , D2 i D3
polegajcych na tym, e zadane pytanie pochodzi bdzie z odpowiedniej
dziedziny. Jest to alternatywa pewna, to znaczy nie istniej inne moliwoci oprcz
tych trzech. Chcemy obliczy prawdopodobiestwo zdarzenia B, polegajcego na
udzieleniu poprawnej odpowiedzi na otrzymane pytanie. Z treci zadania wynika
jednak, e znamy prawdopodobiestwa warunkw oraz prawdopodobiestwa
warunkowe:
P(D1 ) =
1
200
= ,
400
2
P(B|D1 ) =
P(D2 ) =
100
1
= ,
400
4
P(D3 ) =
100
1
= ,
400
4
150
3
100
80
4
= , P(B|D2 ) =
= 1, P(B|D3 ) =
= .
200
4
100
100
5
24 / 173
3 1
1 4 1
33
+1 + =
= 0.825.
4 2
4 5 4
40
25 / 173
3 1
1 4 1
33
+1 + =
= 0.825.
4 2
4 5 4
40
25 / 173
3 1
1 4 1
33
+1 + =
= 0.825.
4 2
4 5 4
40
P(B D1 )
P(B|D1 )P(D1 )
=
=
P(B)
P(B)
3
4
33
40
1
2
5
0.45.
11
25 / 173
Wzr Bayesa
Twierdzenie Bayesa
Przy zaoeniach Twierdzenia o Prawdopodobiestwie Cakowitym zachodzi
nastpujca rwno:
P(B|Ak )P(Ak )
P(Ak |B) = Pn
i=1 P(B|Ai )P(Ai )
dla kadego k = 1, . . . , n.
26 / 173
Wzr Bayesa
Twierdzenie Bayesa
Przy zaoeniach Twierdzenia o Prawdopodobiestwie Cakowitym zachodzi
nastpujca rwno:
P(B|Ak )P(Ak )
P(Ak |B) = Pn
i=1 P(B|Ai )P(Ai )
dla kadego k = 1, . . . , n.
Dowd. P(Ak |B) =
P(B Ak )
P(B|Ak )P(Ak )
= Pn
.
P(B)
i=1 P(B|Ai )P(Ai )
26 / 173
Komentarz.
Twierdzenie Bayesa budzio z pocztku pewne kontrowersje. Mianowicie,
zdarzenia Ai s czsto w zastosowaniach traktowane jako przyczyny, za zdarzenie
B jako skutek. W tej terminologii wzr na prawdopodobiestwo warunkowe mona
rozumie w sposb nastpujcy: znajc prawdopodobiestwo przyczyny mona,
o ile ona zaistnieje, obliczy prawdopodobiestwo skutku jest to intuicyjnie jasne.
27 / 173
Komentarz.
Twierdzenie Bayesa budzio z pocztku pewne kontrowersje. Mianowicie,
zdarzenia Ai s czsto w zastosowaniach traktowane jako przyczyny, za zdarzenie
B jako skutek. W tej terminologii wzr na prawdopodobiestwo warunkowe mona
rozumie w sposb nastpujcy: znajc prawdopodobiestwo przyczyny mona,
o ile ona zaistnieje, obliczy prawdopodobiestwo skutku jest to intuicyjnie jasne.
Tymczasem Twierdzenie Bayesa pozwala wyliczy prawdopodobiestwo przyczyny,
o ile ju znamy jej skutek. To powodowao pewne wtpliwoci natury filozoficznej,
niemniej na gruncie naszej teorii twierdzenie Bayesa jest oczywicie jak najbardziej
poprawne.
27 / 173
Komentarz.
Twierdzenie Bayesa budzio z pocztku pewne kontrowersje. Mianowicie,
zdarzenia Ai s czsto w zastosowaniach traktowane jako przyczyny, za zdarzenie
B jako skutek. W tej terminologii wzr na prawdopodobiestwo warunkowe mona
rozumie w sposb nastpujcy: znajc prawdopodobiestwo przyczyny mona,
o ile ona zaistnieje, obliczy prawdopodobiestwo skutku jest to intuicyjnie jasne.
Tymczasem Twierdzenie Bayesa pozwala wyliczy prawdopodobiestwo przyczyny,
o ile ju znamy jej skutek. To powodowao pewne wtpliwoci natury filozoficznej,
niemniej na gruncie naszej teorii twierdzenie Bayesa jest oczywicie jak najbardziej
poprawne.
Terminologia:
P(Ai ) prawdopodobiestwa a priori,
P(Ai |B) prawdopodobiestwa a posteriori.
27 / 173
Zdarzenia niezalene
Niech (, , P) bdzie przestrzeni probabilistyczn. Niech A, B .
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
28 / 173
Zdarzenia niezalene
Niech (, , P) bdzie przestrzeni probabilistyczn. Niech A, B .
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
Zauwamy, e gdy P(A) > 0 mamy natychmiastow rwnowano:
A, B s niezalene P(B|A) = P(B).
28 / 173
Zdarzenia niezalene
Niech (, , P) bdzie przestrzeni probabilistyczn. Niech A, B .
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
Zauwamy, e gdy P(A) > 0 mamy natychmiastow rwnowano:
A, B s niezalene P(B|A) = P(B).
Przykad.
Rzucajc dwiema kostkami atwo sprawdzi, e:
Niezalenymi zdarzeniami s A, B okrelone nastpujco: A na pierwszej
kostce wypad 6, B na drugiej kostce wypada liczba pierwsza.
28 / 173
Zdarzenia niezalene
Niech (, , P) bdzie przestrzeni probabilistyczn. Niech A, B .
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
Zauwamy, e gdy P(A) > 0 mamy natychmiastow rwnowano:
A, B s niezalene P(B|A) = P(B).
Przykad.
Rzucajc dwiema kostkami atwo sprawdzi, e:
Niezalenymi zdarzeniami s A, B okrelone nastpujco: A na pierwszej
kostce wypad 6, B na drugiej kostce wypada liczba pierwsza.
Zalenymi zdarzeniami s A, B okrelone nastpujco: A suma oczek na
kostkach jest 10, B na drugiej kostce wypada 5.
28 / 173
Zdarzenia niezalene
Niech (, , P) bdzie przestrzeni probabilistyczn. Niech A, B .
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
Zauwamy, e gdy P(A) > 0 mamy natychmiastow rwnowano:
A, B s niezalene P(B|A) = P(B).
Przykad.
Rzucajc dwiema kostkami atwo sprawdzi, e:
Niezalenymi zdarzeniami s A, B okrelone nastpujco: A na pierwszej
kostce wypad 6, B na drugiej kostce wypada liczba pierwsza.
Zalenymi zdarzeniami s A, B okrelone nastpujco: A suma oczek na
kostkach jest 10, B na drugiej kostce wypada 5.
Zalenymi zdarzeniami s kade dwa zdarzenia rozczne A, B, o ile
P(A)P(B) > 0.
Jerzy Ombach (IM UJ)
28 / 173
Zdarzenia A1 , . . . , An s niezalene,
dla kadego podcigu Ak1 , . . . , Akr zachodzi:
P(Ak1 Akr ) = P(Ak1 ) P(Akr ).
29 / 173
Zdarzenia A1 , . . . , An s niezalene,
dla kadego podcigu Ak1 , . . . , Akr zachodzi:
P(Ak1 Akr ) = P(Ak1 ) P(Akr ).
Zdarzenia A1 , A2 , A3 , . . . s niezalene,
dla kadego n 2 zdarzenia A1 , . . . , An s niezalene.
29 / 173
Iloczyn kartezjaski
Niech bd dane dwie przestrzenie probabilistyczne (1 , 1 , P1 ) oraz (2 , 2 , P2 ).
Niech
= 1 2 = {(1 , 2 ) : 1 1 , 2 2 }.
Mona teraz zbudowa -algebr na zbiorze oraz miar probabilistyczn
P : R. Jako bierze si najmniejsz -algebr zawierajc wszystkie iloczyny
kartezjaskie A1 A2 , gdzie A1 1 i A2 2 , a nastpnie dowodzi si (w
mudny sposb), e istnieje dokadnie jedna miara P speniajca warunek:
dla kadych dwch zdarze A1 1 i A2 2
P(A1 A2 ) = P1 (A1 )P2 (A2 ).
Stosujemy czsto nastpujce oznaczenia:
= 1 2 P = P1 P2 .
30 / 173
Iloczyn kartezjaski
Niech bd dane dwie przestrzenie probabilistyczne (1 , 1 , P1 ) oraz (2 , 2 , P2 ).
Niech
= 1 2 = {(1 , 2 ) : 1 1 , 2 2 }.
Mona teraz zbudowa -algebr na zbiorze oraz miar probabilistyczn
P : R. Jako bierze si najmniejsz -algebr zawierajc wszystkie iloczyny
kartezjaskie A1 A2 , gdzie A1 1 i A2 2 , a nastpnie dowodzi si (w
mudny sposb), e istnieje dokadnie jedna miara P speniajca warunek:
dla kadych dwch zdarze A1 1 i A2 2
P(A1 A2 ) = P1 (A1 )P2 (A2 ).
Stosujemy czsto nastpujce oznaczenia:
= 1 2 P = P1 P2 .
Stanowi to formaln kolizj z podobnymi oznaczeniami stosowanymi w teorii
mnogoci.
Trjk (, , P) nazywamy iloczynem kartezjaskim przestrzeni
(1 , 1 , P1 ) oraz (2 , 2 , P2 ).
Jerzy Ombach (IM UJ)
30 / 173
Uwaga
Niech (, , P) bdzie iloczynem kartezjaskim przestrzeni
(1 , 1 , P1 ) oraz (2 , 2 , P2 ). Niech A1 1 , A2 2 . Zdefiniujmy:
Z1 = A1 1 , Z2 = 1 A2 .
Wtedy Z1 , Z2 s niezalene.
Dowd.
P(Z1 Z2 ) = P((A1 1 ) (1 A2 )) = P(A1 A2 ) = P1 (A1 )P2 (A2 ) =
P1 (A1 )P2 (2 )P1 (1 )P2 (A2 ) = P(A1 2 )P(1 A2 ) = P(Z1 )P(Z2 ).
.
31 / 173
Uwaga
Niech (, , P) bdzie iloczynem kartezjaskim przestrzeni
(1 , 1 , P1 ) oraz (2 , 2 , P2 ). Niech A1 1 , A2 2 . Zdefiniujmy:
Z1 = A1 1 , Z2 = 1 A2 .
Wtedy Z1 , Z2 s niezalene.
Dowd.
P(Z1 Z2 ) = P((A1 1 ) (1 A2 )) = P(A1 A2 ) = P1 (A1 )P2 (A2 ) =
P1 (A1 )P2 (2 )P1 (1 )P2 (A2 ) = P(A1 2 )P(1 A2 ) = P(Z1 )P(Z2 ).
.
Interpretacja.
Przypumy, e prowadzimy dwuetapowy eksperyment, przy czym etapy te s
niezalene od siebie (np. wykonujemy dwa kolejne rzuty kostk). Zamy, e
etapy te s opisywane dwiema przestrzeniami probabilistycznymi (1 , 1 , P1 ) oraz
(2 , 2 , P2 ). Wtedy ich iloczyn kartezjaski odpowiada cznemu opisowi obydwu
etapw, przy czym odpowiednikiem zdarzenia A1 jest w nowej przestrzeni
zdarzenie Z1 , a zdarzenia A2 zdarzenie Z2 .
31 / 173
32 / 173
32 / 173
32 / 173
Uwaga
Niech (, , P) bdzie iloczynem kartezjaskim przestrzeni
(1 , 1 , P1 ), . . . , (n , n , Pn ). Niech Ai i , i = 1, . . . , n. Zdefiniujmy zbiory:
Zi = {(1 , . . . , n ) : i Ai }, dla i = 1, . . . , n.
Wtedy Z1 , . . . Zn s niezalene.
Dowd. (w)
32 / 173
Uwaga
Niech (, , P) bdzie iloczynem kartezjaskim przestrzeni
(1 , 1 , P1 ), . . . , (n , n , Pn ). Niech Ai i , i = 1, . . . , n. Zdefiniujmy zbiory:
Zi = {(1 , . . . , n ) : i Ai }, dla i = 1, . . . , n.
Wtedy Z1 , . . . Zn s niezalene.
Dowd. (w)
Gdy (1 , 1 , P1 ) = = (n , n , Pn ) = (, , P) , czsto oznaczmy iloczyn
kartezjaski tych przestrzeni symbolem: (n , n , P n ).
32 / 173
Schemat Bernoulliego
33 / 173
Schemat Bernoulliego
33 / 173
Schemat Bernoulliego
33 / 173
Schemat Bernoulliego
33 / 173
34 / 173
i=1
(1 p)n
i=1
34 / 173
i=1
(1 p)n
i=1
34 / 173
i=1
n k
p (1 p)nk .
k
34 / 173
i=1
n k
p (1 p)nk .
k
34 / 173
Rozkad prawdopodobiestwa w Rn
Podstawow rol w rachunku prawdopodobiestwa odgrywaj przestrzenie
probabilistyczne, w ktrych zdarzeniami elementarnymi s liczby rzeczywiste oraz
cigi takich liczb, czyli elementy zbioru Rn . W takim przypadku najczciej
rozpatrywan -algebr jest -algebra zbirw borelowskich B(Rn ). Bya o tym
mowa poprzednio przy okazji prawdopodobiestwa geometrycznego.
35 / 173
Rozkad prawdopodobiestwa w Rn
Podstawow rol w rachunku prawdopodobiestwa odgrywaj przestrzenie
probabilistyczne, w ktrych zdarzeniami elementarnymi s liczby rzeczywiste oraz
cigi takich liczb, czyli elementy zbioru Rn . W takim przypadku najczciej
rozpatrywan -algebr jest -algebra zbirw borelowskich B(Rn ). Bya o tym
mowa poprzednio przy okazji prawdopodobiestwa geometrycznego.
Rozkad prawdopodobiestwa
n-wymiarowym rozkadem prawdopodobiestwa nazywamy miar probabilistyczn
Q okrelon na -algebrze zbirw borelowskich B(Rn ).
35 / 173
Rozkad prawdopodobiestwa w Rn
Podstawow rol w rachunku prawdopodobiestwa odgrywaj przestrzenie
probabilistyczne, w ktrych zdarzeniami elementarnymi s liczby rzeczywiste oraz
cigi takich liczb, czyli elementy zbioru Rn . W takim przypadku najczciej
rozpatrywan -algebr jest -algebra zbirw borelowskich B(Rn ). Bya o tym
mowa poprzednio przy okazji prawdopodobiestwa geometrycznego.
Rozkad prawdopodobiestwa
n-wymiarowym rozkadem prawdopodobiestwa nazywamy miar probabilistyczn
Q okrelon na -algebrze zbirw borelowskich B(Rn ).
Najprostszym rozkadem jest tak zwana -Diraca, c . Dla ustalonego c Rn
definiujemy: c (A) = 1, gdy c A, c (A) = 0, gdy c
/ A, dla A B(Rn ). Mona
atwo si przekona, e jeeli c1 , . . . , ck R s ustalone, to funkcja
Q : B(Rn ) R zdefiniowana jako suma barycentryczna c1 , . . . , ck , czyli
Pk
Pk
Q(A) = i=1 i ci (A), gdzie i=1 i = 1 oraz i > 0, jest miar probabilistyczn
na B(Rn ), czyli jest n-wymiarowym rozkadem.
35 / 173
Rozkad prawdopodobiestwa w Rn
Podstawow rol w rachunku prawdopodobiestwa odgrywaj przestrzenie
probabilistyczne, w ktrych zdarzeniami elementarnymi s liczby rzeczywiste oraz
cigi takich liczb, czyli elementy zbioru Rn . W takim przypadku najczciej
rozpatrywan -algebr jest -algebra zbirw borelowskich B(Rn ). Bya o tym
mowa poprzednio przy okazji prawdopodobiestwa geometrycznego.
Rozkad prawdopodobiestwa
n-wymiarowym rozkadem prawdopodobiestwa nazywamy miar probabilistyczn
Q okrelon na -algebrze zbirw borelowskich B(Rn ).
Najprostszym rozkadem jest tak zwana -Diraca, c . Dla ustalonego c Rn
definiujemy: c (A) = 1, gdy c A, c (A) = 0, gdy c
/ A, dla A B(Rn ). Mona
atwo si przekona, e jeeli c1 , . . . , ck R s ustalone, to funkcja
Q : B(Rn ) R zdefiniowana jako suma barycentryczna c1 , . . . , ck , czyli
Pk
Pk
Q(A) = i=1 i ci (A), gdzie i=1 i = 1 oraz i > 0, jest miar probabilistyczn
na B(Rn ), czyli jest n-wymiarowym rozkadem.
Mwic rozkad, najcziej mamy na myli rozkad jednowymiarowy.
Jerzy Ombach (IM UJ)
35 / 173
Dystrybuamta
Rozkady (jednowymiarowe) maj cisy zwizek z dystrybuantami.
36 / 173
Dystrybuamta
Rozkady (jednowymiarowe) maj cisy zwizek z dystrybuantami.
Definicja
Dystrybuant nazywamy funkcj F : RR, speniajc nastpujce cztery
warunki:
1
xa+
dla kadego a R,
4
limx F (x) = 1,
Jerzy Ombach (IM UJ)
limx F (x) = 0.
Rachunek prawdopodobiestwa I 2015-2016
36 / 173
Twierdzenie
Jeeli Q jest rozkadem prawdopodobiestwa, to funkcja F zdefiniowana wzorem:
F (x) = Q(, x] = Q((, x]),
(1)
37 / 173
Twierdzenie
Jeeli Q jest rozkadem prawdopodobiestwa, to funkcja F zdefiniowana wzorem:
F (x) = Q(, x] = Q((, x]),
(1)
37 / 173
Twierdzenie
Jeeli Q jest rozkadem prawdopodobiestwa, to funkcja F zdefiniowana wzorem:
F (x) = Q(, x] = Q((, x]),
(1)
\
(, a] =
(, xn ] oraz (, xn+1 ) (, xn ).
n=1
37 / 173
Twierdzenie
Jeeli Q jest rozkadem prawdopodobiestwa, to funkcja F zdefiniowana wzorem:
F (x) = Q(, x] = Q((, x]),
(1)
\
(, a] =
(, xn ] oraz (, xn+1 ) (, xn ).
n=1
37 / 173
Twierdzenie
Jeeli Q jest rozkadem prawdopodobiestwa, to funkcja F zdefiniowana wzorem:
F (x) = Q(, x] = Q((, x]),
(1)
\
(, a] =
(, xn ] oraz (, xn+1 ) (, xn ).
n=1
n=1 (, n] = .
Jerzy Ombach (IM UJ)
37 / 173
Twierdzenie
Jeeli F jest dystrybuant, to istnieje dokadnie jeden rozkad Q, dla ktrego
zachodzi wzr
F (x) = Q(, x] = Q((, x]),
(2)
38 / 173
Twierdzenie
Jeeli F jest dystrybuant, to istnieje dokadnie jeden rozkad Q, dla ktrego
zachodzi wzr
F (x) = Q(, x] = Q((, x]),
(2)
Pytanie: W jakich punktach dystrybuanta jest ciga?
38 / 173
Twierdzenie
Jeeli F jest dystrybuant, to istnieje dokadnie jeden rozkad Q, dla ktrego
zachodzi wzr
F (x) = Q(, x] = Q((, x]),
(2)
Pytanie: W jakich punktach dystrybuanta jest ciga?
Twierdzenie
Niech Q bdzie rozkadem prawdopodobiestwa, za F jego dystrybuant.
Wwczas dla dowolnego a R:
F jest ciga w punkcie a Q(a) = 0.
Bardziej oglnie:
Q(a) = F (a) F (a) ,
gdzie F (a) oznacza lewostronn granic funkcji F w punkcie a (poniewa F jest
niemalejca, wic granica ta istnieje).
Jerzy Ombach (IM UJ)
38 / 173
Std:
Q(a) = Q((, a] \ (, a)) = Q(, a] Q(, a) = F (a) F (a) .
39 / 173
Std:
Q(a) = Q((, a] \ (, a)) = Q(, a] Q(, a) = F (a) F (a) .
Dla n > 1 mona te zdefiniowa dystrybuant i poda jej zwizek z rozkadem,
jednak definicja nie jest automatycznym powtzeniem sytuacji jednowymiarowej,
gdy w Rn nie ma naturalnego porzdku.
39 / 173
Rozkad dyskretny
Rozkad n-wymiarowy Q nazywamy rozkadem dyskretnym, jeeli istnieje zbir
borelowski K Rn taki, e:
Q(K ) = 1 oraz x K Q(x) > 0.
40 / 173
Rozkad dyskretny
Rozkad n-wymiarowy Q nazywamy rozkadem dyskretnym, jeeli istnieje zbir
borelowski K Rn taki, e:
Q(K ) = 1 oraz x K Q(x) > 0.
Uwaga. Wystpujcy w powyszej definicji zbir K jest skoczony lub
przeliczalny. eby to stwierdzi, zauwamy, e K mona przedstawi jako
przeliczaln sumSzbiorw skoczonych.
40 / 173
i=1
41 / 173
i=1
41 / 173
Rozkad (0, 1, p)
Jest to rozkad skupiony w dwch punktach 0 oraz 1 majcy parametr 0 < p < 1.
Mianowicie:
Q(0) = 1 p,
Q(1) = p.
Jest czsto uywany, jako model dowiadczenia, ktre moe da dokadnie dwa
wyniki nazywane czsto sukcesem 1 i porak 0.
42 / 173
Rozkad (0, 1, p)
Jest to rozkad skupiony w dwch punktach 0 oraz 1 majcy parametr 0 < p < 1.
Mianowicie:
Q(0) = 1 p,
Q(1) = p.
Jest czsto uywany, jako model dowiadczenia, ktre moe da dokadnie dwa
wyniki nazywane czsto sukcesem 1 i porak 0.
42 / 173
Rozkad cigy
Rozkad n-wymiarowy Q nazywamy rozkadem cigym, jeeli istnieje funkcja
cakowalna f : Rn R taka, e dla kadego zbioru borelowskiego A Rn :
Z
Q(A) =
f (x) dx,
(4)
A
43 / 173
Rozkad cigy
Rozkad n-wymiarowy Q nazywamy rozkadem cigym, jeeli istnieje funkcja
cakowalna f : Rn R taka, e dla kadego zbioru borelowskiego A Rn :
Z
Q(A) =
f (x) dx,
(4)
A
A = (180, 185),
Q(A) zakreskowane pole
Jerzy Ombach (IM UJ)
43 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
44 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
Bierzemy A = Rn .
44 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
Bierzemy A = Rn .
oraz
f (x) 0 prawie wszdzie,
co rozumiemy nastpujco:
Ln ({x Rn : f (x) < 0}) = 0, gdzie Ln oznacza miar Lebesguea.
44 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
Bierzemy A = Rn .
oraz
f (x) 0 prawie wszdzie,
co rozumiemy nastpujco:
Ln ({x Rn : f (x) < 0}) = 0, gdzie Ln oznacza miar Lebesguea.
Gdyby Ln ({x Rn : f (x) <
R 0}) > 0, to
Q({x Rn : f (x) < 0}) = {xRn :f (x)<0} f (x) dx < 0.
44 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
Bierzemy A = Rn .
oraz
f (x) 0 prawie wszdzie,
co rozumiemy nastpujco:
Ln ({x Rn : f (x) < 0}) = 0, gdzie Ln oznacza miar Lebesguea.
Gdyby Ln ({x Rn : f (x) <
R 0}) > 0, to
Q({x Rn : f (x) < 0}) = {xRn :f (x)<0} f (x) dx < 0.
Uwaga
Jeeli funkcja f : Rn R spenia dwa powysze warunki, to jest ona gstoci
pewnego rozkadu Q.
R
Wystarczy wzi: Q(A) = A f (x) dx, dla A B(Rn ).
44 / 173
45 / 173
45 / 173
45 / 173
45 / 173
0, gdy x
/G
f (x) =
1
, gdy x A.
Ln (G )
46 / 173
0, gdy x
/G
f (x) =
1
, gdy x A.
Ln (G )
Jest oczywiste, e f spenia warunki wymagane od gstoci, jest wic gstoci
pewnego rozkadu prawdopodobiestwa. Rozkad ten nazywamy rozkadem
jednostajnym
Porwna z rozkadem geometrycznym (w).
46 / 173
Przykad.
Niech F bdzie dystrybuant rozkadu jednostajnego na odcinku (a, b), U(a, b).
Otrzymujemy:
0, x < a
x a
F (x) =
, ax <b
ba
1, b x.
47 / 173
Przykad.
Niech F bdzie dystrybuant rozkadu jednostajnego na odcinku (a, b), U(a, b).
Otrzymujemy:
0, x < a
x a
F (x) =
, ax <b
ba
1, b x.
Zauwamy, e F nie jest rniczkowalna w dwch punktach.
47 / 173
48 / 173
48 / 173
49 / 173
49 / 173
49 / 173
49 / 173
49 / 173
49 / 173
49 / 173
Definicja
Rozkad wektora losowego X : Rn jest to rozkad okrelony wzorem:
PX (B) = P(X 1 (B)), dla B B(Rn ).
Mierzalno X gwarantuje sensowno tej definicji poniewa P jest okrelone na
zdarzeniach z , musimy mie gwarancj, e X 1 (B) .
50 / 173
Definicja
Rozkad wektora losowego X : Rn jest to rozkad okrelony wzorem:
PX (B) = P(X 1 (B)), dla B B(Rn ).
Mierzalno X gwarantuje sensowno tej definicji poniewa P jest okrelone na
zdarzeniach z , musimy mie gwarancj, e X 1 (B) .
atwo sprawdzi, e powyszy wzr okrela rzeczywicie rozkad.
Dystrybuant rozkadu PX bdziemy nazywa dystrybuant zmiennej losowej X i
oznacza czsto przez FX .
50 / 173
Definicja
Rozkad wektora losowego X : Rn jest to rozkad okrelony wzorem:
PX (B) = P(X 1 (B)), dla B B(Rn ).
Mierzalno X gwarantuje sensowno tej definicji poniewa P jest okrelone na
zdarzeniach z , musimy mie gwarancj, e X 1 (B) .
atwo sprawdzi, e powyszy wzr okrela rzeczywicie rozkad.
Dystrybuant rozkadu PX bdziemy nazywa dystrybuant zmiennej losowej X i
oznacza czsto przez FX .
Przykad.
W urnie s dwie biae i trzy czarne kule. Losujemy pojedynczo kule do momentu
wycignicia biaej kuli. Niech X oznacza liczb losowa. Wyznaczymy rozkad X .
50 / 173
Definicja
Rozkad wektora losowego X : Rn jest to rozkad okrelony wzorem:
PX (B) = P(X 1 (B)), dla B B(Rn ).
Mierzalno X gwarantuje sensowno tej definicji poniewa P jest okrelone na
zdarzeniach z , musimy mie gwarancj, e X 1 (B) .
atwo sprawdzi, e powyszy wzr okrela rzeczywicie rozkad.
Dystrybuant rozkadu PX bdziemy nazywa dystrybuant zmiennej losowej X i
oznacza czsto przez FX .
Przykad.
W urnie s dwie biae i trzy czarne kule. Losujemy pojedynczo kule do momentu
wycignicia biaej kuli. Niech X oznacza liczb losowa. Wyznaczymy rozkad X .
(a) losowanie ze zwracaniem. Wida, e X przyjmuje wartoci 1, 2, 3, . . . . atwo
te sprawdzi, e pk = P(X = k) = ( 35 )k1 25 , k = 1, 2, 3, . . . . Tak wic PX ma
rozkad dyskretny zadany jest cigi {k}, {( 53 )k1 25 }, k = 1, 2, 3, . . . .
50 / 173
Definicja
Rozkad wektora losowego X : Rn jest to rozkad okrelony wzorem:
PX (B) = P(X 1 (B)), dla B B(Rn ).
Mierzalno X gwarantuje sensowno tej definicji poniewa P jest okrelone na
zdarzeniach z , musimy mie gwarancj, e X 1 (B) .
atwo sprawdzi, e powyszy wzr okrela rzeczywicie rozkad.
Dystrybuant rozkadu PX bdziemy nazywa dystrybuant zmiennej losowej X i
oznacza czsto przez FX .
Przykad.
W urnie s dwie biae i trzy czarne kule. Losujemy pojedynczo kule do momentu
wycignicia biaej kuli. Niech X oznacza liczb losowa. Wyznaczymy rozkad X .
(a) losowanie ze zwracaniem. Wida, e X przyjmuje wartoci 1, 2, 3, . . . . atwo
te sprawdzi, e pk = P(X = k) = ( 35 )k1 25 , k = 1, 2, 3, . . . . Tak wic PX ma
rozkad dyskretny zadany jest cigi {k}, {( 53 )k1 25 }, k = 1, 2, 3, . . . .
(b) losowanie bez zwracania. Wida, e X przyjmuje wartoci 1, 2, 3, 4. atwo te
3
2
sprawdzi, e P(X = 1) = 52 , P(X = 2) = 24 35 = 10
, P(X = 3) = 23 24 35 = 10
,
1
P(X = 4) = 1 (P(X = 1) + P(X = 2) + P(X = 3)) = 10 .
Jerzy Ombach (IM UJ)
50 / 173
Przykad.
Pan Adam jedzie do pracy rano i wieczorem wraca autobusami, ktry jed
dokadnie co 10 minut. Niech X oznacza sum czasw rano i wieczorem
spdzonych przez Pana Adama na przystankach.
51 / 173
Przykad.
Pan Adam jedzie do pracy rano i wieczorem wraca autobusami, ktry jed
dokadnie co 10 minut. Niech X oznacza sum czasw rano i wieczorem
spdzonych przez Pana Adama na przystankach.
Znajdziemy rozkad X .
Wyznaczamy dystrybuant F . Czyli dla kadego x R wyznaczmy
F (x) = P(X x). Oczywicie F (x) = 0 dla x 0 oraz F (x) = 1 dla x 20. Dla
pozostaych x korzystamy z modelu prawdopodobiestwa geometrycznego. Dla
2
2
/2
/2
. Dla 10 x 20 mamy F (x) = 100(20x)
.
0 x 10 mamy F (x) = x100
100
Zauwamy, e jest to funkcja ciga, ale nierniczkowalna w dwch punktach.
Rniczkujc j w pozostaych punktach otrzymujemy gsto f zmiennej losowej
X.
0
dla x 0
x
dla
0 x 10
100
f (x) = F 0 (x) =
x20
dla 10 x 20
100
0
dla 20 x
51 / 173
Przykad.
Rozwamy rzut dwiema kostkami symetrycznymi. Niech X oznacza numer kostki
na ktrej wypada wiksza liczba, lub 0, gdy na obydwu kostkach wypada ta sama
liczba, a Y oznacza maksimum uzyskanych oczek. Znajdziemy rozkad wektora
losowego (X , Y ).
Z dodatnimi prawdopodobiestwami (X , Y ) moe potencjalnie przyjmowa 18
wartoci. W tym przypadku mona zobrazowa to tabelk zawierajc licznoci
zdarze (X = i, Y = j), i = 1, 2, 3, j = 1, 2, 3, 4, 5, 6.
X\Y
0
1
2
1 2 3 4 5 6
1 1 1 1 1 1
0 1 2 3 4 5
0 1 2 3 4 5
52 / 173
Przykad.
Rozwamy rzut dwiema kostkami symetrycznymi. Niech X oznacza numer kostki
na ktrej wypada wiksza liczba, lub 0, gdy na obydwu kostkach wypada ta sama
liczba, a Y oznacza maksimum uzyskanych oczek. Znajdziemy rozkad wektora
losowego (X , Y ).
Z dodatnimi prawdopodobiestwami (X , Y ) moe potencjalnie przyjmowa 18
wartoci. W tym przypadku mona zobrazowa to tabelk zawierajc licznoci
zdarze (X = i, Y = j), i = 1, 2, 3, j = 1, 2, 3, 4, 5, 6.
X\Y
0
1
2
1 2 3 4 5 6
1 1 1 1 1 1
0 1 2 3 4 5
0 1 2 3 4 5
1
1/36
0
0
2
1/36
1/36
1/36
3
1/36
2/36
2/36
4
1/36
3/36
3/36
5
6
1/36 1/36
4/36 5/36
4/36 5/36
52 / 173
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
53 / 173
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
53 / 173
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
Rozkad brzegowy
Dla danego rozkadu n + m wymiarowego Q : B(Rn Rm ) R okrelamy
rozkady brzegowe Q1 : B(Rn ) R, Q2 : B(Rm ) R za pomoc formuy:
Q1 (A) = Q(A Rm ), Q2 (B) = Q(Rn B).
W dalszym cigu rozwaamy przypadek n = m = 1. Uoglnienie na dowolne n, m
jest oczywiste.
Jerzy Ombach (IM UJ)
53 / 173
54 / 173
54 / 173
54 / 173
54 / 173
Widzimy te, e i j pij > 0 oraz j i pij > 0. Gdyby tak nie byo, mona by
zmniejszy K1 oraz K2 .
Para ({(xi , yj )}, {pij }) w peni charakteryzuje rozkad Q.
Jerzy Ombach (IM UJ)
54 / 173
55 / 173
55 / 173
pij ,
P(Y = yj ) =
pij
55 / 173
56 / 173
56 / 173
N I E !!!
56 / 173
Przykad.
Niech X = Y oznaczaj liczb oczek ktra wypadnie w rzucie jedn kostk.
X\Y 1
2
3
4
5
6
X
1
1/6
0
0
0
0
0
1/6
2
0 1/6
0
0
0
0
1/6
3
0
0
1/6
0
0
0
1/6
4
0
0
0
1/6
0
0
1/6
5
0
0
0
0
1/6
0 1/6
6
0
0
0
0
0
1/6 1/6
Y
1/6 1/6 1/6 1/6 1/6 1/6
Niech X , Y oznaczaj liczb oczek
kostk.
X\Y
1
2
1
1/36 1/36
2
1/36 1/36
3
1/36 1/36
4
1/36 1/36
5
1/36 1/36
6
1/36 1/36
Y
1/6
1/6
Jerzy Ombach (IM UJ)
4
1/36
1/36
1/36
1/36
1/36
1/36
1/6
5
1/36
1/36
1/36
1/36
1/36
1/36
1/6
6
1/36
1/36
1/36
1/36
1/36
1/36
1/6
X
1/6
1/6
1/6
1/6
1/6
1/6
57 / 173
Rozkady warunkowe
Okrelimy pojcie rozkadu warunkowego tylko w kontekcie zmiennych losowych.
58 / 173
Rozkady warunkowe
Okrelimy pojcie rozkadu warunkowego tylko w kontekcie zmiennych losowych.
Niech (X , Y ) bdzie bdzie wektorem o dyskretnym rozkadzie 2-wymiarowym
danym przez ({(xi , yj )}, {pij }). Czyli P(X = xi , Y = yj ) = pij . Niech:
pi|j = P(X = xi |Y = yj ) =
pij
P(X = xi , Y = yj )
=
.
P(Y = yj )
P.j
pj|i = P(Y = yj |X = xj ) =
P(X = xi , Y = yj )
pij
=
.
P(X = xi )
Pi.
58 / 173
Rozkady warunkowe
Okrelimy pojcie rozkadu warunkowego tylko w kontekcie zmiennych losowych.
Niech (X , Y ) bdzie bdzie wektorem o dyskretnym rozkadzie 2-wymiarowym
danym przez ({(xi , yj )}, {pij }). Czyli P(X = xi , Y = yj ) = pij . Niech:
pi|j = P(X = xi |Y = yj ) =
pij
P(X = xi , Y = yj )
=
.
P(Y = yj )
P.j
pj|i = P(Y = yj |X = xj ) =
P(X = xi , Y = yj )
pij
=
.
P(X = xi )
Pi.
58 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
1
11 ,
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
59 / 173
60 / 173
R
R
0,
f (x,y )
f (x,y ) dy
f (x,y )
fX (x) ,
gdy
fX (x) > 0
gdy
fX (x) = 0
60 / 173
R
R
0,
f (x,y )
f (x,y ) dy
f (x,y )
fX (x) ,
gdy
fX (x) > 0
gdy
fX (x) = 0
S to gstoci (w).
60 / 173
R
R
0,
f (x,y )
f (x,y ) dy
f (x,y )
fX (x) ,
gdy
fX (x) > 0
gdy
fX (x) = 0
S to gstoci (w).
Rozkad o gstoci f (|y ) nazywamy rozkadem warunkowym X pod warunkiem
(Y = y ) i oznaczamy PX |Y =y .
Rozkad o gstoci f (x|) nazywamy rozkadem warunkowym Y pod warunkiem
(X = x) i oznaczamy PY |X =x .
60 / 173
61 / 173
61 / 173
61 / 173
61 / 173
62 / 173
Twierdzenie
Zmienne losowe X1 , X2 s niezalene P(X1 ,X2 ) = PX1 PX2 ,
Jerzy Ombach (IM UJ)
62 / 173
Twierdzenie
Niech (X , Y ) bdzie bdzie wektorem o dyskretnym rozkadzie 2-wymiarowym
danym przez ({(xi , yj )}, {pij }). Czyli P(X = xi , Y = yj ) = pij . Wtedy:
X , Y s niezlene i, j pij = pi. p.j .
Dowd. = pij = P(X = xi , Y = yj ) = P(X = xi )P(Y = yj ) = pi. p.j .
63 / 173
Twierdzenie
Niech (X , Y ) bdzie bdzie wektorem o dyskretnym rozkadzie 2-wymiarowym
danym przez ({(xi , yj )}, {pij }). Czyli P(X = xi , Y = yj ) = pij . Wtedy:
X , Y s niezlene i, j pij = pi. p.j .
Dowd. = pij = P(X = xi , Y = yj ) = P(X = xi )P(Y = yj ) = pi. p.j .
= Niech A oraz B bd zbiorami boelowskimi.
63 / 173
Twierdzenie
Niech (X , Y ) bdzie bdzie wektorem o dyskretnym rozkadzie 2-wymiarowym
danym przez ({(xi , yj )}, {pij }). Czyli P(X = xi , Y = yj ) = pij . Wtedy:
X , Y s niezlene i, j pij = pi. p.j .
Dowd. = pij = P(X = xi , Y = yj ) = P(X = xi )P(Y = yj ) = pi. p.j .
= Niech A oraz B bd
X
X
Xzbiorami boelowskimi.
X
p.j =
P(X A, Y B) =
pij =
pi. p.j =
pi.
(i,j):(xi ,yj )AB
i,j:xi A,yj B
i:xi A
j:yj B
63 / 173
Twierdzenie
Niech (X , Y ) bdzie bdzie wektorem o cigym rozkadzie 2-wymiarowym o
gstoci f Wtedy:
X , Y s niezlene x, y R f (x, y ) = fX (x)fY (y ).
Dowd.
Twierdzenie Fubiniego
64 / 173
Twierdzenie
Niech (X , Y ) bdzie bdzie wektorem o cigym rozkadzie 2-wymiarowym o
gstoci f Wtedy:
X , Y s niezlene x, y R f (x, y ) = fX (x)fY (y ).
Dowd.
Twierdzenie Fubiniego
Uwaga
Jeeli wektor losowy (X , Y ) ma rozkad dyskretny, lub rozkad cigy, a zmienne
lsowe X , Y s niezalene, to wszystkie rozkady warunkowe s rwne rozkadom
brzegowym.
64 / 173
65 / 173
65 / 173
65 / 173
65 / 173
Przykad.
Niech X bdzie dowolnie ustalon zmienn losow, F = FX jej dystrybuant,
a, b R ustalonymi liczbami, a 6= 0. Policzymy dystrybuant zmiennej losowej
Y = aX + b.
Dla a > 0 mamy
x b
x b
) = FX
.
FY (x) = P(Y x) = P(aX + b x) = P(X
a
a
Podobnie, dla a < 0
FY (x) = P(Y x) = P(aX + b x) = P(X
1 P(X <
x b
) = 1 FX
a
x b
a
x b
)=
a
.
66 / 173
Przykad.
Niech X bdzie wektorem losowym o n-wymiarowym rozkadzie cigym i niech
f : Rn R bdzie jego gstoci. Zakadamy ponadto, e : Rn Rn jest
dyfeomorfizmem. Wtedy wektor losowy (X ) ma rwnie rozkad cigy o gstoci
g danej wzorem
g (x) = |Jacx 1 | f (1 (x)).
Wynika to wprost z definicji rozkadu cigego, gdy korzystajc z twierdzenia o
zmianie zmiennych mamy dla kadego zbioru borelowskiego A
1 (A)
67 / 173
68 / 173
Twierdzenie
Niech (, , P) bdzie przestrzeni probabilistyczn, X : Rn , Y : Rm
wektorami losowymi. Niech g : Rn Rk , h : Rm Rl bd funkcjami
borelowskimi.
X , Y s niezalene = g (X ), h(Y ) s niezalene .
68 / 173
Twierdzenie
Niech (, , P) bdzie przestrzeni probabilistyczn, X : Rn , Y : Rm
wektorami losowymi. Niech g : Rn Rk , h : Rm Rl bd funkcjami
borelowskimi.
X , Y s niezalene = g (X ), h(Y ) s niezalene .
Dowd. Dla dowolnych zbiorw borelowskich C , D mamy:
P(g (X ) C , h(Y ) D) = P((g X )1 (C ) (h Y )1 (D)) =
P(X 1 (g 1 (C )) Y 1 (h1 (D))) = P(X 1 (g 1 (C ))) P(Y 1 (h1 (D)) =
P((g X )1 (C )) P((h Y )1 (D)) = P(g (X ) C ) P(h(Y ) D).
3
68 / 173
69 / 173
69 / 173
E (X ) =
n
X
xi p i .
i=1
69 / 173
E (X ) =
n
X
xi p i .
i=1
69 / 173
E (X ) =
n
X
xi p i .
i=1
E (X ) =
xi p i .
i=1
69 / 173
E (X ) =
n
X
xi p i .
i=1
E (X ) =
xi p i .
i=1
69 / 173
70 / 173
1+2+3+4+5+6
.
6
70 / 173
1+2+3+4+5+6
.
6
Inaczej:
E (X ) = 1
1
1
1
1
1
1
1
+2 +3 +4 +5 +6 =3
6
6
6
6
6
6
2
70 / 173
1+2+3+4+5+6
.
6
Inaczej:
E (X ) = 1
1
1
1
1
1
1
1
+2 +3 +4 +5 +6 =3
6
6
6
6
6
6
2
.
Y liczba oczek uzyskanych w rzucie faszyw kostk
Rozkad Y
[1, 1/12], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/12],
70 / 173
1+2+3+4+5+6
.
6
Inaczej:
E (X ) = 1
1
1
1
1
1
1
1
+2 +3 +4 +5 +6 =3
6
6
6
6
6
6
2
.
Y liczba oczek uzyskanych w rzucie faszyw kostk
Rozkad Y
[1, 1/12], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/12],
E (Y ) = 1
3
1
1
1
1
1
1
+2 +3 +4 +5 +6
=3 .
12
6
6
6
6
12
12
.
Jerzy Ombach (IM UJ)
70 / 173
71 / 173
71 / 173
71 / 173
71 / 173
Rozkad cigy
X ma rozkad zadany przez gsto f . Czyli P(X (a, b)) =
Rb
a
f (x) dx
72 / 173
Rozkad cigy
X ma rozkad zadany przez gsto f . Czyli P(X (a, b)) =
Z
Rb
a
f (x) dx
x f (x) dx.
E (X ) =
(xi xi1 )f (i ) =
f (x) dx.
xi1
72 / 173
128000000000
,
63
x 2 (20 x)6
, dla 0 x 20,
c
73 / 173
128000000000
,
63
Z
x f (x) dx =
E (X ) =
x 2 (20 x)6
, dla 0 x 20,
c
20
x
0
x 2 (20 x)6
dx = 6.
c
73 / 173
Uwagi:
74 / 173
Uwagi:
1
Nadzieja matematyczna moe nie istnie.
74 / 173
Uwagi:
1
Nadzieja matematyczna moe nie istnie.
2
74 / 173
Uwagi:
1
Nadzieja matematyczna moe nie istnie.
2
E (X ) R E (|X |) R. Bo X = X + X , |X | = X + + X .
74 / 173
Uwagi:
1
Nadzieja matematyczna moe nie istnie.
2
E (X ) R E (|X |) R. Bo X = X + X , |X | = X + + X .
74 / 173
Uwagi:
1
Nadzieja matematyczna moe nie istnie.
2
E (X ) R E (|X |) R. Bo X = X + X , |X | = X + + X .
74 / 173
Uwagi:
1
Nadzieja matematyczna moe nie istnie.
2
E (X ) R E (|X |) R. Bo X = X + X , |X | = X + + X .
74 / 173
75 / 173
n
X
xi IAi .
i=1
75 / 173
n
X
xi IAi .
i=1
E (X ) = E
n
X
i=1
!
xi IAi
n
X
xi E (IAi ) =
i=1
n
X
xi pi .
i=1
75 / 173
Twierdzenie.
Niech X : Rn bdzie wektorem losowym, g : Rn R funkcj borelowsk.
Wtedy:
Z
E (g (X )) =
g dPX ,
Rn
76 / 173
Twierdzenie.
Niech X : Rn bdzie wektorem losowym, g : Rn R funkcj borelowsk.
Wtedy:
Z
E (g (X )) =
g dPX ,
Rn
76 / 173
Twierdzenie.
Niech X : Rn bdzie wektorem losowym, g : Rn R funkcj borelowsk.
Wtedy:
Z
E (g (X )) =
g dPX ,
Rn
i=1
i=1
Rn
Rn
76 / 173
Twierdzenie.
Niech X : Rn bdzie wektorem losowym, g : Rn R funkcj borelowsk.
Wtedy:
Z
E (g (X )) =
g dPX ,
Rn
i=1
i=1
Rn
Rn
76 / 173
gt dP =
Rn
g dP.
Rn
77 / 173
gt dP =
Rn
g dP.
Rn
77 / 173
Twierdzenie
1. X ma rozkad dyskretny zadany przez cigi: x1 , x2 , . . . , Rn , p1 , p2 , . . . ,.
g : Rn R jest funkcj borelowsk. =
X
E (g (X )) =
g (xi )pi ,
przy czym obydwie strony istniej jednoczenie.
78 / 173
Twierdzenie
1. X ma rozkad dyskretny zadany przez cigi: x1 , x2 , . . . , Rn , p1 , p2 , . . . ,.
g : Rn R jest funkcj borelowsk. =
X
E (g (X )) =
g (xi )pi ,
przy czym obydwie strony istniej jednoczenie.
2. X ma rozkad cigy zadany przez gsto f : Rn R.
g : Rn R jest funkcj borelowsk. =
Z
E (g (X )) =
g (x)f (x) dx,
Rn
78 / 173
Twierdzenie
1. X ma rozkad dyskretny zadany przez cigi: x1 , x2 , . . . , Rn , p1 , p2 , . . . ,.
g : Rn R jest funkcj borelowsk. =
X
E (g (X )) =
g (xi )pi ,
przy czym obydwie strony istniej jednoczenie.
2. X ma rozkad cigy zadany przez gsto f : Rn R.
g : Rn R jest funkcj borelowsk. =
Z
E (g (X )) =
g (x)f (x) dx,
Rn
78 / 173
79 / 173
79 / 173
2
FX 2 (x) = P(X x) = P( x X x) = f (x) dx = x.
x
79 / 173
2
FX 2 (x) = P(X x) = P( x X x) = f (x) dx = x.
x
1
fX 2 (x) = (FX 2 ) (x) = .
2 x
0
79 / 173
2
FX 2 (x) = P(X x) = P( x X x) = f (x) dx = x.
x
1
fX 2 (x) = (FX 2 ) (x) = .
2 x
Z
Z 1
Z
2
E (X ) =
xfX 2 (x) dx =
xfX 2 (x) dx =
0
1
1 1
x2 = .
2
3
79 / 173
2
FX 2 (x) = P(X x) = P( x X x) = f (x) dx = x.
x
1
fX 2 (x) = (FX 2 ) (x) = .
2 x
Z
Z 1
Z
2
E (X ) =
xfX 2 (x) dx =
xfX 2 (x) dx =
0
1
1 1
x2 = .
2
3
79 / 173
2
FX 2 (x) = P(X x) = P( x X x) = f (x) dx = x.
x
1
fX 2 (x) = (FX 2 ) (x) = .
2 x
Z
Z 1
Z
2
E (X ) =
xfX 2 (x) dx =
xfX 2 (x) dx =
0
1
1 1
x2 = .
2
3
79 / 173
Przykad
W celu zbadania duej populacji osb, podzielono j na grupy, a nastpnie
pobrano od kadej osoby krew oraz przeprowadzano analiz czn dla
poszczeglnych grup, wykonujc odpowiedni test na prbkach powstaych przez
zmieszanie krwi osb nalecych do tej samej grupy. Gdy w pewnej grupie wykryto
wirus chorobowy, przeprowadzano odrbn analiz dla kadej osoby z tej grupy.
Zamy, e liczebno populacji wynosi N, liczno grup wynosi n, za k niech
bdzie liczb grup (oczywicie N = nk).
Zakadamy te, e prawdopodobiestwo tego, e dany czowiek jest zaraony
interesujcym nas wirusem wynosi p oraz e obecno wirusa u danej osoby jest
niezalena od jego obecnoci u innych osb.
80 / 173
Przykad
W celu zbadania duej populacji osb, podzielono j na grupy, a nastpnie
pobrano od kadej osoby krew oraz przeprowadzano analiz czn dla
poszczeglnych grup, wykonujc odpowiedni test na prbkach powstaych przez
zmieszanie krwi osb nalecych do tej samej grupy. Gdy w pewnej grupie wykryto
wirus chorobowy, przeprowadzano odrbn analiz dla kadej osoby z tej grupy.
Zamy, e liczebno populacji wynosi N, liczno grup wynosi n, za k niech
bdzie liczb grup (oczywicie N = nk).
Zakadamy te, e prawdopodobiestwo tego, e dany czowiek jest zaraony
interesujcym nas wirusem wynosi p oraz e obecno wirusa u danej osoby jest
niezalena od jego obecnoci u innych osb.
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
80 / 173
Przykad
W celu zbadania duej populacji osb, podzielono j na grupy, a nastpnie
pobrano od kadej osoby krew oraz przeprowadzano analiz czn dla
poszczeglnych grup, wykonujc odpowiedni test na prbkach powstaych przez
zmieszanie krwi osb nalecych do tej samej grupy. Gdy w pewnej grupie wykryto
wirus chorobowy, przeprowadzano odrbn analiz dla kadej osoby z tej grupy.
Zamy, e liczebno populacji wynosi N, liczno grup wynosi n, za k niech
bdzie liczb grup (oczywicie N = nk).
Zakadamy te, e prawdopodobiestwo tego, e dany czowiek jest zaraony
interesujcym nas wirusem wynosi p oraz e obecno wirusa u danej osoby jest
niezalena od jego obecnoci u innych osb.
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
1. Ile analiz bdzie trzeba przeprowadzi?
2. Dobra wielko grupy n, tak aby liczba wszystkich (bardzo kosztownych) analiz
bya, w pewnym sensie, minimalna.
80 / 173
Przykad
W celu zbadania duej populacji osb, podzielono j na grupy, a nastpnie
pobrano od kadej osoby krew oraz przeprowadzano analiz czn dla
poszczeglnych grup, wykonujc odpowiedni test na prbkach powstaych przez
zmieszanie krwi osb nalecych do tej samej grupy. Gdy w pewnej grupie wykryto
wirus chorobowy, przeprowadzano odrbn analiz dla kadej osoby z tej grupy.
Zamy, e liczebno populacji wynosi N, liczno grup wynosi n, za k niech
bdzie liczb grup (oczywicie N = nk).
Zakadamy te, e prawdopodobiestwo tego, e dany czowiek jest zaraony
interesujcym nas wirusem wynosi p oraz e obecno wirusa u danej osoby jest
niezalena od jego obecnoci u innych osb.
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
1. Ile analiz bdzie trzeba przeprowadzi?
2. Dobra wielko grupy n, tak aby liczba wszystkich (bardzo kosztownych) analiz
bya, w pewnym sensie, minimalna.
Okrelamy X :
X liczba wszystkich potrzebnych analiz.
80 / 173
Przykad
W celu zbadania duej populacji osb, podzielono j na grupy, a nastpnie
pobrano od kadej osoby krew oraz przeprowadzano analiz czn dla
poszczeglnych grup, wykonujc odpowiedni test na prbkach powstaych przez
zmieszanie krwi osb nalecych do tej samej grupy. Gdy w pewnej grupie wykryto
wirus chorobowy, przeprowadzano odrbn analiz dla kadej osoby z tej grupy.
Zamy, e liczebno populacji wynosi N, liczno grup wynosi n, za k niech
bdzie liczb grup (oczywicie N = nk).
Zakadamy te, e prawdopodobiestwo tego, e dany czowiek jest zaraony
interesujcym nas wirusem wynosi p oraz e obecno wirusa u danej osoby jest
niezalena od jego obecnoci u innych osb.
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
1. Ile analiz bdzie trzeba przeprowadzi?
2. Dobra wielko grupy n, tak aby liczba wszystkich (bardzo kosztownych) analiz
bya, w pewnym sensie, minimalna.
Okrelamy X :
X liczba wszystkich potrzebnych analiz.
Bezporednie wyznaczenie rozkadu X jest trudne.
Jerzy Ombach (IM UJ)
80 / 173
X = X1 + X2 + + Xk .
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
X1 przyjmuje dwie wartoci:
1
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
X1 przyjmuje dwie wartoci:
1
X1 = n + 1 w przeciwnym przypadku.
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
X1 przyjmuje dwie wartoci:
1
X1 = n + 1 w przeciwnym przypadku.
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
X1 przyjmuje dwie wartoci:
1
X1 = n + 1 w przeciwnym przypadku.
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
X1 przyjmuje dwie wartoci:
1
X1 = n + 1 w przeciwnym przypadku.
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
N
(n + 1 n(1 p)n ).
n
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
X1 przyjmuje dwie wartoci:
1
X1 = n + 1 w przeciwnym przypadku.
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
X1 przyjmuje dwie wartoci:
1
X1 = n + 1 w przeciwnym przypadku.
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
81 / 173
Optymalizacja
Nadzieja matematyczna E (X ) jako funkcja wielkoci grupy. n
82 / 173
Optymalizacja
Nadzieja matematyczna E (X ) jako funkcja wielkoci grupy. n
82 / 173
Optymalizacja
Nadzieja matematyczna E (X ) jako funkcja wielkoci grupy. n
82 / 173
Optymalizacja
Nadzieja matematyczna E (X ) jako funkcja wielkoci grupy. n
n = 10 warto optymalna.
82 / 173
Optymalizacja
Nadzieja matematyczna E (X ) jako funkcja wielkoci grupy. n
82 / 173
Optymalizacja
Nadzieja matematyczna E (X ) jako funkcja wielkoci grupy. n
82 / 173
83 / 173
83 / 173
83 / 173
Momenty
Niech X bdzie zmienn losow okrelon na przestrzeni probabilistycznej
(, , P) . Zakadamy, e m = E (X ) R. Niech k 1
E (X k ) moment rzdu k.
84 / 173
Momenty
Niech X bdzie zmienn losow okrelon na przestrzeni probabilistycznej
(, , P) . Zakadamy, e m = E (X ) R. Niech k 1
E (X k ) moment rzdu k.
E ((X m)k ) centralny moment rzdu k.
84 / 173
Momenty
Niech X bdzie zmienn losow okrelon na przestrzeni probabilistycznej
(, , P) . Zakadamy, e m = E (X ) R. Niech k 1
E (X k ) moment rzdu k.
E ((X m)k ) centralny moment rzdu k.
E (|X |k ) moment bezwzgldny rzdu k.
E (|X m|k ) centralny bezwzgldny moment rzdu k.
84 / 173
Momenty
Niech X bdzie zmienn losow okrelon na przestrzeni probabilistycznej
(, , P) . Zakadamy, e m = E (X ) R. Niech k 1
E (X k ) moment rzdu k.
E ((X m)k ) centralny moment rzdu k.
E (|X |k ) moment bezwzgldny rzdu k.
E (|X m|k ) centralny bezwzgldny moment rzdu k.
Twierdzenie
Niech l k. E (X l ) R = E (X k ) R.
84 / 173
Momenty
Niech X bdzie zmienn losow okrelon na przestrzeni probabilistycznej
(, , P) . Zakadamy, e m = E (X ) R. Niech k 1
E (X k ) moment rzdu k.
E ((X m)k ) centralny moment rzdu k.
E (|X |k ) moment bezwzgldny rzdu k.
E (|X m|k ) centralny bezwzgldny moment rzdu k.
Twierdzenie
Niech l k. E (X l ) R = E (X k ) R.
Z
Z
Z
Dowd. E (|X k |) =
|X k | dP =
|X k | dP +
|X k | dP
|X |1
Z
Z
Z|X |<1
l
l
1 dP +
|X | dP 1 +
|X | dP = 1 + E (|X l |).
|X |<1
|X |1
84 / 173
Wariancja
85 / 173
Wariancja
X m odchylenie od redniej.
85 / 173
Wariancja
85 / 173
Wariancja
Wariancja
2 (X ) = D 2 (X ) = E ((X m)2 ) wariancja.
85 / 173
Wariancja
Wariancja
2 (X ) = D 2 (X ) = E ((X m)2 ) wariancja.
p
(X ) = D 2 (X ) odchylenie standardowe.
85 / 173
Wariancja
Wariancja
2 (X ) = D 2 (X ) = E ((X m)2 ) wariancja.
p
(X ) = D 2 (X ) odchylenie standardowe.
Uwaga.
D 2 (X ) = 0 X = m.
85 / 173
Obliczanie momentw
86 / 173
Obliczanie momentw
R
E (X k ) = R x k dPX (x) =
X
xik pi w przypadku dyskretnym,
Zi
x k f (x) dx w przypadku cigym.
R
86 / 173
Obliczanie momentw
R
E (X k ) = R x k dPX (x) =
X
xik pi w przypadku dyskretnym,
Zi
x k f (x) dx w przypadku cigym.
R
R
E ((X m)k ) = R (x m)k dPX (x) =
X
(xi m)k pi w przypadku dyskretnym,
Zi
(x m)k f (x) dx w przypadku cigym.
R
86 / 173
Obliczanie momentw
R
E (X k ) = R x k dPX (x) =
X
xik pi w przypadku dyskretnym,
Zi
x k f (x) dx w przypadku cigym.
R
R
E ((X m)k ) = R (x m)k dPX (x) =
X
(xi m)k pi w przypadku dyskretnym,
Zi
(x m)k f (x) dx w przypadku cigym.
R
2
86 / 173
Obliczanie momentw
R
E (X k ) = R x k dPX (x) =
X
xik pi w przypadku dyskretnym,
Zi
x k f (x) dx w przypadku cigym.
R
R
E ((X m)k ) = R (x m)k dPX (x) =
X
(xi m)k pi w przypadku dyskretnym,
Zi
(x m)k f (x) dx w przypadku cigym.
R
2
86 / 173
Wariancja sumy
Dane s dwie zmienne losowe X , Y . Oznaczmy mX = E (X ), mY = E (Y ).
87 / 173
Wariancja sumy
Dane s dwie zmienne losowe X , Y . Oznaczmy mX = E (X ), mY = E (Y ).
Kowariancja
cov(X , Y ) = E ((X mx )(Y mY )) = E (XY ) mX mY .
87 / 173
Wariancja sumy
Dane s dwie zmienne losowe X , Y . Oznaczmy mX = E (X ), mY = E (Y ).
Kowariancja
cov(X , Y ) = E ((X mx )(Y mY )) = E (XY ) mX mY .
Uwaga
Jeeli X , Y s niezalene, to cov(X , Y ) = 0.
Oglnie:
D 2 (X + Y ) = E (X + Y (mX + mY ))2 = E ((X mX ) = (Y mY ))2 =
D 2 (X ) + D 2 (Y ) + 2cov(X , Y ).
87 / 173
Wariancja sumy
Dane s dwie zmienne losowe X , Y . Oznaczmy mX = E (X ), mY = E (Y ).
Kowariancja
cov(X , Y ) = E ((X mx )(Y mY )) = E (XY ) mX mY .
Uwaga
Jeeli X , Y s niezalene, to cov(X , Y ) = 0.
Oglnie:
D 2 (X + Y ) = E (X + Y (mX + mY ))2 = E ((X mX ) = (Y mY ))2 =
D 2 (X ) + D 2 (Y ) + 2cov(X , Y ).
Twierdzenie
Jeeli X , Y s niezalene, to
D 2 (X + Y ) = D 2 (X ) + D 2 (Y ).
Jerzy Ombach (IM UJ)
87 / 173
Twierdzenie
Jeeli X1 , X2 , . . . , Xn , s niezalene, to
D 2 (X1 + + Xn ) = D 2 (X1 ) + . . . D 2 (Xn ).
X1 + + Xn
Xn =
.
n
Wtedy:
88 / 173
Twierdzenie
Jeeli X1 , X2 , . . . , Xn , s niezalene, to
D 2 (X1 + + Xn ) = D 2 (X1 ) + . . . D 2 (Xn ).
X1 + + Xn
Xn =
.
n
Wtedy:
E (Sn ) = nm,
E (Xn ) = m,
D 2 (Sn ) = n 2 ,
D 2 (Xn ) =
2
,
n
(Sn ) =
n.
(Xn ) = .
n
88 / 173
Kowariancja i korelacja
89 / 173
Kowariancja i korelacja
Odwzorowanie (X , Y ) E (XY ) jest iloczynem skalarnym na przestrzeni
L1 () = {X : R : E (X ) R} (w.).
Zauwamy, e cov(X , X ) = D 2 (X ).
89 / 173
Kowariancja i korelacja
Odwzorowanie (X , Y ) E (XY ) jest iloczynem skalarnym na przestrzeni
L1 () = {X : R : E (X ) R} (w.).
Zauwamy, e cov(X , X ) = D 2 (X ).
89 / 173
Kowariancja i korelacja
Odwzorowanie (X , Y ) E (XY ) jest iloczynem skalarnym na przestrzeni
L1 () = {X : R : E (X ) R} (w.).
Zauwamy, e cov(X , X ) = D 2 (X ).
89 / 173
Kowariancja i korelacja
Odwzorowanie (X , Y ) E (XY ) jest iloczynem skalarnym na przestrzeni
L1 () = {X : R : E (X ) R} (w.).
Zauwamy, e cov(X , X ) = D 2 (X ).
89 / 173
Kowariancja i korelacja
Odwzorowanie (X , Y ) E (XY ) jest iloczynem skalarnym na przestrzeni
L1 () = {X : R : E (X ) R} (w.).
Zauwamy, e cov(X , X ) = D 2 (X ).
Wspczynnik korelacji
cov(X , Y )
p
%(X , Y ) = p
;
D 2 (X ) D 2 (Y )
89 / 173
Kowariancja i korelacja
Odwzorowanie (X , Y ) E (XY ) jest iloczynem skalarnym na przestrzeni
L1 () = {X : R : E (X ) R} (w.).
Zauwamy, e cov(X , X ) = D 2 (X ).
Wspczynnik korelacji
cov(X , Y )
p
%(X , Y ) = p
;
D 2 (X ) D 2 (Y )
1 %(X , Y ) 1.
Jerzy Ombach (IM UJ)
89 / 173
90 / 173
E (X k )
.
k
90 / 173
E (X k )
.
k
D 2 (X )
.
2
90 / 173
E (X k )
.
k
Niech m = E (X ) R, =
D 2 (X )
.
2
p
1
D 2 (X ) > 0, c > 0. Wtedy P(|X m| c) 2 .
c
90 / 173
Dowd.
91 / 173
Dowd.
91 / 173
Dowd.
91 / 173
Dowd.
91 / 173
Dowd.
Regua 3
P(|X m| 3)
1
.
9
91 / 173
Przykad
Wiadomo, e zmienna p
losowa o rozkadzie cigym ma parametry
m = E (X ) = 10, = D 2 (X ) = 2. Szacujemy prawdopodobiestwo tego, e:
92 / 173
Przykad
Wiadomo, e zmienna p
losowa o rozkadzie cigym ma parametry
m = E (X ) = 10, = D 2 (X ) = 2. Szacujemy prawdopodobiestwo tego, e:
(a) X 20.
92 / 173
Przykad
Wiadomo, e zmienna p
losowa o rozkadzie cigym ma parametry
m = E (X ) = 10, = D 2 (X ) = 2. Szacujemy prawdopodobiestwo tego, e:
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
2
102
= 0.04.
92 / 173
Przykad
Wiadomo, e zmienna p
losowa o rozkadzie cigym ma parametry
m = E (X ) = 10, = D 2 (X ) = 2. Szacujemy prawdopodobiestwo tego, e:
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
2
102
= 0.04.
(b) X 15.
92 / 173
Przykad
Wiadomo, e zmienna p
losowa o rozkadzie cigym ma parametry
m = E (X ) = 10, = D 2 (X ) = 2. Szacujemy prawdopodobiestwo tego, e:
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
(b) X 15.
P(X 15) = 1 P(X 15) 1
2
52
2
102
= 0.04.
= 1 4/25 = 0.84.
92 / 173
Przykad
Wiadomo, e zmienna p
losowa o rozkadzie cigym ma parametry
m = E (X ) = 10, = D 2 (X ) = 2. Szacujemy prawdopodobiestwo tego, e:
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
(b) X 15.
P(X 15) = 1 P(X 15) 1
2
52
2
102
= 0.04.
= 1 4/25 = 0.84.
92 / 173
Przykad
Wiadomo, e zmienna p
losowa o rozkadzie cigym ma parametry
m = E (X ) = 10, = D 2 (X ) = 2. Szacujemy prawdopodobiestwo tego, e:
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
(b) X 15.
P(X 15) = 1 P(X 15) 1
2
52
2
102
= 0.04.
= 1 4/25 = 0.84.
2
(Mm)2
0.99. Czyli, e
2
(Mm)2
0.01. Std M m +
0.01
= 30.
92 / 173
93 / 173
93 / 173
94 / 173
94 / 173
94 / 173
94 / 173
95 / 173
Zaoenia
Zakadamy, e: zmienne losowe X1 , X2 , X3 , . . . s okrelone na tej samej
przestrzenie probabilistycznej (, , P) ,
95 / 173
Zaoenia
Zakadamy, e: zmienne losowe X1 , X2 , X3 , . . . s okrelone na tej samej
przestrzenie probabilistycznej (, , P) ,
s niezalene,
95 / 173
Zaoenia
Zakadamy, e: zmienne losowe X1 , X2 , X3 , . . . s okrelone na tej samej
przestrzenie probabilistycznej (, , P) ,
s niezalene,
maj skoczone nadzieje matematyczne oraz skoczone i niezerowe wariancje.
95 / 173
Zaoenia
Zakadamy, e: zmienne losowe X1 , X2 , X3 , . . . s okrelone na tej samej
przestrzenie probabilistycznej (, , P) ,
s niezalene,
maj skoczone nadzieje matematyczne oraz skoczone i niezerowe wariancje.
Oznaczmy:
X1 + + Xn
.
Sn = X1 + + Xn , Xn =
n
95 / 173
96 / 173
96 / 173
96 / 173
Dowd.
Ad 1. Z niezalenoci zmiennych losowych mamy
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
Stosujc Nierwno Czebyszewa do dla zmiennej losowej Sn , dostajemy
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n
97 / 173
Dowd.
Ad 1. Z niezalenoci zmiennych losowych mamy
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
Stosujc Nierwno Czebyszewa do dla zmiennej losowej Sn , dostajemy
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n
97 / 173
Dowd.
Ad 1. Z niezalenoci zmiennych losowych mamy
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
Stosujc Nierwno Czebyszewa do dla zmiennej losowej Sn , dostajemy
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n
97 / 173
Dowd.
Ad 1. Z niezalenoci zmiennych losowych mamy
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
Stosujc Nierwno Czebyszewa do dla zmiennej losowej Sn , dostajemy
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n
Interpretacja
97 / 173
Dowd.
Ad 1. Z niezalenoci zmiennych losowych mamy
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
Stosujc Nierwno Czebyszewa do dla zmiennej losowej Sn , dostajemy
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n
Interpretacja
Twierdzenie 2. rednia po przestrzeni = redniej po czasie.
97 / 173
Dowd.
Ad 1. Z niezalenoci zmiennych losowych mamy
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
Stosujc Nierwno Czebyszewa do dla zmiennej losowej Sn , dostajemy
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n
Interpretacja
Twierdzenie 2. rednia po przestrzeni = redniej po czasie.
Twierdzenie 3. Aksjomatyczna definicja prawdopodobiestwa jest zgodna z
dawniej uywan definicj czstociow.
Jerzy Ombach (IM UJ)
97 / 173
Waniejsze rozkady
1
Rozkad Poissona, P .
Rozkad geometryczny Gp .
Rozkad hipergeometryczny.
Rozkad Pascala.
9
10
Rozkad wykadniczy, E .
11
Rozkad Erlanga.
12
98 / 173
Rozkad jednopunktowy, c
Jest to rozkad taki, e P(c) = 1, c R.
Zmienna losowa o rozkadzie a staa = c.
Formalnie: jeeli X : R jest zamienn losow, to
PX = c P(X = c) = 1.
E (X ) = c,
D 2 (X ) = 0.
99 / 173
100 / 173
100 / 173
E (X ) = xn =
n
1X
xi ,
n
i=1
D 2 (X ) =
n
1X
2
(xi xn ) .
n
i=1
100 / 173
1
ba I[a,b] .
101 / 173
1
ba I[a,b] .
101 / 173
1
ba I[a,b] .
101 / 173
1
ba I[a,b] .
E (X ) =
a+b
2
D 2 (X ) =
(b a)2
.
12
101 / 173
102 / 173
102 / 173
D 2 (X ) = (1 p)p.
102 / 173
103 / 173
Twierdzenie
Niech X1 , . . . , Xn bd niezalenymi zmiennymi losowymi o takim samym
rozkadzie dwupunktowym (0, 1, p). Wtedy suma:
Sn = X1 + + Xn
ma rozkad dwumianowy B(n, p)/
Dowd. Zdarzenie {Sn = k} jest sum rozcznych zdarze polegajcych na tym,
e dokadnie k spord zmiennych losowych X1 , . . . , Xn przyjmuje warto 1, a
wic pozostae n k zmiennych przyjmuje warto 0. Niech Ai1 ,...,ik bdzie jednym
z takich zdarze, gdzie i1 , . . . , ik oznaczaj numery tych zmiennych, ktre
przyjmuj warto 1. Z kolei kade zdarzenie Ai1 ,...,ik jest iloczynem n zdarze
postaci {Xj = j }, gdzie j = 1 lub j = 0, a prawdopodobiestwa tych zdarze s
rwne odpowiednio p i q. Z niezalenoci zmiennych X1 , . . . , Xn wynika, e:
P(Ai1 ,...,ik ) = p k q nk .
104 / 173
P(A) = P
Ai1 ,...,ik =
i1 ,...,ik
n
sposobw, wic:
k
X
i1 ,...,ik
k nk
p q
P(Ai1 ,...,ik )
i1 ,...,ik
n k nk
=
p q
.
k
105 / 173
P(A) = P
Ai1 ,...,ik =
i1 ,...,ik
n
sposobw, wic:
k
k nk
p q
i1 ,...,ik
P(Ai1 ,...,ik )
i1 ,...,ik
n k nk
=
p q
.
k
E (X ) = np,
D 2 (X ) = npq.
105 / 173
Losowanie ze zwracaniem
Przypumy, e pewna populacja skada si z N elementw. Niech p bdzie
prawdopodobiestwem tego, e dany element z tej populacji ma pewn wasno,
powiedzmy wasno W . Losujemy ze zwracaniem n elementw i oznaczamy przez
X liczb tych spord nich, ktre maj wasno W . Wida, e zmienna losowa X
ma rozkad dwumianowy.
106 / 173
Rozkad Poissona P
Rozkad P jest rozkadem Poissona, jeeli istnieje taka liczba > 0, e:
P(k) = e
k
k!
dla k = 0, 1, 2, . . .
107 / 173
108 / 173
108 / 173
108 / 173
108 / 173
108 / 173
108 / 173
Twierdzenie
Niech liczby pn > 0 tworz taki cig, e:
lim npn = > 0
.
k
k!
nk
n
n
Poniewa k jest ustalone, to ostatni czynnik zmierza do 1. Drugi czynnik jest
rwny 1 (1 n1 ) (1 k1
n ), wic te zmierza do 1. Istotne s czynniki
k
pierwszy oraz trzeci i zmierzaj one odpowiednio do k! oraz e .
Jerzy Ombach (IM UJ)
109 / 173
k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
n = 100,
rozkad
dwum.
0,3660
0,3697
0,1849
0,0610
0,0149
0,0029
0,0005
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
p = 0, 01
rozkad
Poissona
0,3679
0,3679
0,1839
0,0613
0,0153
0,0031
0,0005
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
n = 50,
rozkad
dwum.
0,0052
0,0286
0,0779
0,1386
0,1809
0,1849
0,1541
0,1076
0,0643
0,0333
0,0152
0,0061
0,0022
0,0007
0,0002
0,0001
p = 0, 1
rozkad
Poissona
0,0067
0,0337
0,0842
0,1404
0,1755
0,1755
0,1462
0,1044
0,0653
0,0363
0,0181
0,0082
0,0034
0,0013
0,0005
0,0002
n = 100,
rozkad
dwum.
0,0000
0,0003
0,0016
0,0059
0,0159
0,0339
0,0596
0,0889
0,1148
0,1304
0,1319
0,1199
0,0988
0,0743
0,0513
0,0327
p = 0, 1
rozkad
Poissona
0,0000
0,0005
0,0023
0,0076
0,0189
0,0378
0,0631
0,0901
0,1126
0,1251
0,1251
0,1137
0,0948
0,0729
0,0521
0,0347
110 / 173
n = 200, p = 0.03,
= 6.
111 / 173
n = 200, p = 0.03,
D 2 (X ) = .
E (X ) = ,
Dowd.
E (X ) =
X
k=0
= 6.
ke
k!
= e
X
X
k1
k
= e
= e e = .
(k 1)!
k!
k=1
k=0
111 / 173
n = 200, p = 0.03,
D 2 (X ) = .
E (X ) = ,
Dowd.
E (X ) =
= 6.
ke
k=0
2
k!
= e
X
X
k1
k
= e
= e e = .
(k 1)!
k!
k=1
k=0
Podobnie D (X ) w.
Jerzy Ombach (IM UJ)
111 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
112 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
Dowd. Niech X ma rozkad P , a Y rozkad P . Niech k 0 bdzie ustalone.
112 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
Dowd. Niech X ma[
rozkad P , a Y rozkad P . Niech k 0 bdzie ustalone.
P(X + Y = k) = P(
(X = i, Y = j)) =
i+j=k
112 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
Dowd. Niech X ma[
rozkad P , a Y rozkad
XP . Niech k 0 bdzie ustalone.
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
i+j=k
112 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
Dowd. Niech X ma[
rozkad P , a Y rozkad
XP . Niech k 0 bdzie ustalone.
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
k
X
i+j=k
P(X = i)P(Y = k j) =
i=0
112 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
Dowd. Niech X ma[
rozkad P , a Y rozkad
XP . Niech k 0 bdzie ustalone.
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
k
X
i+j=k
P(X = i)P(Y = k j) =
i=0
k
X
i=0
i
ki
e e
i!
(k i)!
112 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
Dowd. Niech X ma[
rozkad P , a Y rozkad
XP . Niech k 0 bdzie ustalone.
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
k
X
i+j=k
P(X = i)P(Y = k j) =
i=0
k
X
i=0
i
ki
e e
=
i!
(k i)!
k
X
i ki
e (+)
=
i!(k i)!
i=0
112 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
Dowd. Niech X ma[
rozkad P , a Y rozkad
XP . Niech k 0 bdzie ustalone.
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
k
X
i+j=k
P(X = i)P(Y = k j) =
i=0
k
X
i=0
i
ki
e e
=
i!
(k i)!
k
X
( + )k
i ki
.
e (+)
= e (+)
k!
i!(k i)!
i=0
112 / 173
113 / 173
113 / 173
113 / 173
113 / 173
113 / 173
113 / 173
Rozkad hipergeometryczny
Rozkad P nazywamy hipergeometrycznym, jeeli istniej liczby naturalne N,
N0 N, n N takie, e dla kadego k = 0, 1, 2, . . . n zachodzi:
N0
N N0
k
nk
P(k) =
,
N
n
114 / 173
Rozkad hipergeometryczny
Rozkad P nazywamy hipergeometrycznym, jeeli istniej liczby naturalne N,
N0 N, n N takie, e dla kadego k = 0, 1, 2, . . . n zachodzi:
N0
N N0
k
nk
P(k) =
,
N
n
Oznaczajc p =
N0
N
oraz q = 1 p otrzymujemy:
Np
Nq
k
nk
P(k) =
,
N
n
114 / 173
N = 50, n = 5, p = 0.4.
115 / 173
N = 50, n = 5, p = 0.4.
115 / 173
E (X ) = np,
Dowd.
D 2 (X ) = npq
N n
.
N 1
Opuszczam.
116 / 173
E (X ) = np,
Dowd.
D 2 (X ) = npq
N n
.
N 1
Opuszczam.
116 / 173
Rozkad geometryczny, Gp .
Rozkad P jest rozkadem geometrycznym, jeeli istniej liczby p, q, 0 < p, q < 1,
p + q = 1 takie, e
P(k) = q k1 p, dla k = 1, 2, 3, . . .
117 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bd niezalenymi zmiennymi losowymi o takim samym
rozkadzie dwupunktowym (0, 1, p). Wtedy funkcja
T = min{n 1 : Xn = 1},
nazywana czasem oczekiwania na pierwszy sukces w nieskoczonym cigu prb
Bernoulliego jest zmienn losow o rozkadzie geometrycznym Gp .
118 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bd niezalenymi zmiennymi losowymi o takim samym
rozkadzie dwupunktowym (0, 1, p). Wtedy funkcja
T = min{n 1 : Xn = 1},
nazywana czasem oczekiwania na pierwszy sukces w nieskoczonym cigu prb
Bernoulliego jest zmienn losow o rozkadzie geometrycznym Gp .
Dowd. Zauwamy, e zdarzenie {T = n} jest takie samo jak zdarzenie
{X1 = 0, . . . , Xn1 = 0, Xn = 1}. Z niezalenoci zmiennych losowych Xi
otrzymujemy
P(T = n) = P(X1 = 0, . . . , Xn1 = 0, Xn = 1) =
P(X1 = 0) P(Xn1 = 0) P(Xn = 1) = q n1 p.
118 / 173
E (X ) =
1
,
p
D 2 (X ) =
1p
p2
119 / 173
E (X ) =
1
,
p
1p
p2
D 2 (X ) =
Dowd. Wiadomo, e
xi =
i=0
1
, dla |x| < 1.
1x
Po zrniczkowaniu otrzymujemy:
ix i1 =
i=1
1
, dla |x| < 1.
(1 x)2
i(1 p)i1 p = p
i=1
1
1
= .
2
p
p
119 / 173
120 / 173
121 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych prb Bernoulliego o takim
samym prawdopodobiestwie sukcesu p w kadej prbie. Okrelamy:
Tr
:= min
121 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych prb Bernoulliego o takim
samym prawdopodobiestwie sukcesu p w kadej prbie. Okrelamy:
Tr
:= min
121 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych prb Bernoulliego o takim
samym prawdopodobiestwie sukcesu p w kadej prbie. Okrelamy:
Tr
:= min
121 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych prb Bernoulliego o takim
samym prawdopodobiestwie sukcesu p w kadej prbie. Okrelamy:
Tr
:= min
121 / 173
Twierdzenie
Niech T1 , . . . , Tr bdzie cigiem niezalenych zmiennych losowych o takim samym
rozkadzie geometrycznym kada.
Wtedy suma T1 + + Tr ma ujemny rozkad dwumianowy.
122 / 173
Twierdzenie
Niech T1 , . . . , Tr bdzie cigiem niezalenych zmiennych losowych o takim samym
rozkadzie geometrycznym kada.
Wtedy suma T1 + + Tr ma ujemny rozkad dwumianowy.
Dowd.
Indukcja ze wzgldu na r , w.
122 / 173
Twierdzenie
Niech T1 , . . . , Tr bdzie cigiem niezalenych zmiennych losowych o takim samym
rozkadzie geometrycznym kada.
Wtedy suma T1 + + Tr ma ujemny rozkad dwumianowy.
Dowd.
Indukcja ze wzgldu na r , w.
E (X ) = pr ,
Dowd.
D 2 (X ) =
r (1p)
p2 .
122 / 173
Rozkad wykadniczy, E
Rozkad P nazywamy rozkadem wykadniczym, jeeli istnieje taka liczba > 0,
e funkcja f okrelona wzorem
0,
dla x < 0
f (x) =
e x , dla x 0.
jest gstoci tego rozkadu.
= 0.2
=2
123 / 173
Dystrybuanta
Z
F (x) =
f (t) dt =
0,
1 e x ,
dla x < 0
dla x 0.
124 / 173
Dystrybuanta
Z
F (x) =
f (t) dt =
E (X ) =
1
,
0,
1 e x ,
dla x < 0
dla x 0.
D 2 (X ) =
1
.
2
(5)
124 / 173
Dystrybuanta
Z
F (x) =
f (t) dt =
E (X ) =
Dowd.
1
,
0,
1 e x ,
dla x < 0
dla x 0.
D 2 (X ) =
1
.
2
(5)
Proste przeliczenie, w.
124 / 173
Dystrybuanta
Z
F (x) =
f (t) dt =
E (X ) =
Dowd.
1
,
0,
1 e x ,
dla x < 0
dla x 0.
D 2 (X ) =
1
.
2
(5)
Proste przeliczenie, w.
124 / 173
125 / 173
125 / 173
125 / 173
125 / 173
125 / 173
Twierdzenie
Dla kadego t R
FT (t) F (t) gdy 0.
125 / 173
Dowd.
Dla t 0 trywialne.
126 / 173
Dowd.
Dla t 0 trywialne.
Niech t > 0.
126 / 173
Dowd.
Dla t 0 trywialne.
126 / 173
Dowd.
Dla t 0 trywialne.
X
t
T
> )=1
(1 p)k1 p =
k=n+1
126 / 173
Dowd.
Dla t 0 trywialne.
X
t
T
> )=1
(1 p)k1 p =
k=n+1
1 tr
1 (1 p)n = 1 1 1
1 e t = F (t),
r
t
dla 0, gdy 0 r = n < 1, wic 1 1
zmierza do 1.
126 / 173
Rozkad Erlanga
Twierdzenie
Niech T1 , . . . , Tr bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze . Niech Sr = T1 + + Tr .
Wtedy Sr ma rozkad o gstoci fr :
fr (x) =
(x)r 1 x
e
dla x > 0
(r 1)!
127 / 173
Rozkad Erlanga
Twierdzenie
Niech T1 , . . . , Tr bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze . Niech Sr = T1 + + Tr .
Wtedy Sr ma rozkad o gstoci fr :
fr (x) =
(x)r 1 x
e
dla x > 0
(r 1)!
127 / 173
Rozkad Erlanga
Twierdzenie
Niech T1 , . . . , Tr bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze . Niech Sr = T1 + + Tr .
Wtedy Sr ma rozkad o gstoci fr :
fr (x) =
(x)r 1 x
e
dla x > 0
(r 1)!
127 / 173
128 / 173
128 / 173
128 / 173
128 / 173
Proces Poissona
Twierdzenie
Niech T1 , T2 , T3 , . . . bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze .
129 / 173
Proces Poissona
Twierdzenie
Niech T1 , T2 , T3 , . . . bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze .
Niech Sn = T1 + + Tn . Kadziemy dodatkowo S0 = 0.
129 / 173
Proces Poissona
Twierdzenie
Niech T1 , T2 , T3 , . . . bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze .
Niech Sn = T1 + + Tn . Kadziemy dodatkowo S0 = 0.
Definiujemy:
Nt := max {n : Sn t},
gdzie t > 0 jest ustalon liczb.
129 / 173
Proces Poissona
Twierdzenie
Niech T1 , T2 , T3 , . . . bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze .
Niech Sn = T1 + + Tn . Kadziemy dodatkowo S0 = 0.
Definiujemy:
Nt := max {n : Sn t},
gdzie t > 0 jest ustalon liczb.
Wtedy zmienna losowa Nt ma rozkad Poissona o parametrze t.
129 / 173
Proces Poissona
Twierdzenie
Niech T1 , T2 , T3 , . . . bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze .
Niech Sn = T1 + + Tn . Kadziemy dodatkowo S0 = 0.
Definiujemy:
Nt := max {n : Sn t},
gdzie t > 0 jest ustalon liczb.
Wtedy zmienna losowa Nt ma rozkad Poissona o parametrze t.
Komentarz. Zmienna Nt oznacza liczb sukcesw, ktre maj miejsce na
odcinku czasu (0, t) w cigu niezalenych prb Bernoulliego, o ile prby te mog
by powtarzane nieskoczenie czsto, a prawdopodobiestwo pojawienia si
sukcesu w bardzo maym odcinku czasu t wynosi w przyblieniu t.
129 / 173
Dowd.
130 / 173
Dowd.
130 / 173
Dowd.
Proces stochastyczny
Rodzina zmiennych losowych okrelonych na tej samej przestrzeni
probabilistycznej indeksowana przez czas nazywa si procesem stochastycznym.
{Nt }t0 jest szczeglnym przypadkiem i nazywa si procesem Poissona.
130 / 173
1 xm 2
1
e 2 ( ) dla x R,
2
131 / 173
1 2
e 2 t dt = 2.
xm
Stosujc
podstawienie
Z
Z t = otrzymujemy:
Z
1 2
1
1
)2
12 ( xm
f (x) dx =
dx =
e
e 2 t dt = 1,
2
2
132 / 173
1 2
e 2 t dt = 2.
xm
Stosujc
podstawienie
Z
Z t = otrzymujemy:
Z
1 2
1
1
)2
12 ( xm
f (x) dx =
dx =
e
e 2 t dt = 1,
2
2
Interpretacja parametrw
m punkt maksimum globalnego gstoci, w.
m , m + punkty przegicia gstoci, w.
E (X ) = m,
Dowd.
D 2 (X ) = 2 .
132 / 173
1 2
e 2 t dt = 2.
xm
Stosujc
podstawienie
Z
Z t = otrzymujemy:
Z
1 2
1
1
)2
12 ( xm
f (x) dx =
dx =
e
e 2 t dt = 1,
2
2
Interpretacja parametrw
m punkt maksimum globalnego gstoci, w.
m , m + punkty przegicia gstoci, w.
E (X ) = m,
Dowd.
D 2 (X ) = 2 .
Oznaczenie.
132 / 173
E (X ) = 0,
Oznaczenie.
czyli
(1) = 0.8413447461,
1 2
e 2 t dt.
(2) = 0.9772498681
133 / 173
x
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9987
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9987
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9988
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9988
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9989
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9989
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9989
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9990
0,09
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,9990
134 / 173
135 / 173
135 / 173
135 / 173
Zmienn losow:
Sn E (Sn )
Sn nm
Zn := p
=
2
n
D (Sn )
nazywamy standaryzacj sumy Sn .
135 / 173
Zmienn losow:
Sn E (Sn )
Sn nm
Zn := p
=
2
n
D (Sn )
nazywamy standaryzacj sumy Sn .
Jak atwo zauway:
E (Zn ) = 0 oraz D 2 (Zn ) = 1.
Jerzy Ombach (IM UJ)
135 / 173
136 / 173
dla x R.
136 / 173
dla x R.
Sn
n
dla x R.
Jerzy Ombach (IM UJ)
136 / 173
137 / 173
137 / 173
137 / 173
Twierdzenie de Moivrea-Laplacea
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych prb Bernoulliego, z takim
samym prawdopodobiestwem sukcesu p i poraki q = 1 p w kadej prbie
(0 < p < 1). Wtedy:
Sn np
P
x (x),
npq
dla kadego x R.
137 / 173
105
m = 3.5 oraz =
1.7078251.
6
138 / 173
105
m = 3.5 oraz =
1.7078251.
6
Przypumy, e wykonano 1000 rzutw (n = 1000). Wwczas na podstawie CTG
suma S1000 ma w przyblieniu rozkad N(3500, 54, 00617).
138 / 173
105
m = 3.5 oraz =
1.7078251.
6
Przypumy, e wykonano 1000 rzutw (n = 1000). Wwczas na podstawie CTG
suma S1000 ma w przyblieniu rozkad N(3500, 54, 00617).
Zweryfikujmy dowiadczalnie uzyskany wynik. W tym celu mona przeprowadzi
symulacj tysica rzutw kostk za pomoc komputera, uzyskujc odpowiedni
warto sumy wszystkich uzyskanych oczek.
138 / 173
105
m = 3.5 oraz =
1.7078251.
6
Przypumy, e wykonano 1000 rzutw (n = 1000). Wwczas na podstawie CTG
suma S1000 ma w przyblieniu rozkad N(3500, 54, 00617).
Zweryfikujmy dowiadczalnie uzyskany wynik. W tym celu mona przeprowadzi
symulacj tysica rzutw kostk za pomoc komputera, uzyskujc odpowiedni
warto sumy wszystkich uzyskanych oczek.
Dowiadczenie to powtrzymy 400 razy, uzyskujc 400 wartoci sumy oczek.
Jerzy Ombach (IM UJ)
138 / 173
Wyniki:
3567, 3423, 3424, . . . , 3671, 3558, 3582.
s przedstawione graficznie w postaci histogramu. W tym celu przedzia
[3300, 3700] zosta podzielony na 20 rwnych przedziaw i zostaa policzona
liczba danych znajdujcych si w kadym z tych przedziaw, ni , i = 1, . . . , 20, a
ni
nad kolejnymi
na rysunku zostay zaznaczone prostokty o wysokociach 20N
P20
przedziaami. Tutaj N = i=1 ni . Wida, e suma pl = 1. Histogram porwnano
na wsplnym rysunku z gstoci rozkadu N(3500, 54, 00617).
139 / 173
Wyniki:
3567, 3423, 3424, . . . , 3671, 3558, 3582.
s przedstawione graficznie w postaci histogramu. W tym celu przedzia
[3300, 3700] zosta podzielony na 20 rwnych przedziaw i zostaa policzona
liczba danych znajdujcych si w kadym z tych przedziaw, ni , i = 1, . . . , 20, a
ni
nad kolejnymi
na rysunku zostay zaznaczone prostokty o wysokociach 20N
P20
przedziaami. Tutaj N = i=1 ni . Wida, e suma pl = 1. Histogram porwnano
na wsplnym rysunku z gstoci rozkadu N(3500, 54, 00617).
139 / 173
Wyniki:
3567, 3423, 3424, . . . , 3671, 3558, 3582.
s przedstawione graficznie w postaci histogramu. W tym celu przedzia
[3300, 3700] zosta podzielony na 20 rwnych przedziaw i zostaa policzona
liczba danych znajdujcych si w kadym z tych przedziaw, ni , i = 1, . . . , 20, a
ni
nad kolejnymi
na rysunku zostay zaznaczone prostokty o wysokociach 20N
P20
przedziaami. Tutaj N = i=1 ni . Wida, e suma pl = 1. Histogram porwnano
na wsplnym rysunku z gstoci rozkadu N(3500, 54, 00617).
139 / 173
140 / 173
140 / 173
150 1000
6
1 q
= 1 (1, 41) = (1, 41)
= 0, 9207, gdzie ostatnia liczba
51
1000 6 6
pochodzi z tablic rozkadu normalnego.
140 / 173
Przykad.
Jakie jest prawdopodobiestwo, e przy 1000 rzutach monet symetryczn rnica
midzy iloci reszek i orw bdzie wynosi co najmniej 100?
141 / 173
Przykad.
Jakie jest prawdopodobiestwo, e przy 1000 rzutach monet symetryczn rnica
midzy iloci reszek i orw bdzie wynosi co najmniej 100?
Podobnie jak poprzednio, ilo uzyskanych orw jest sum Sn , n = 1000,
niezalenych prb Bernoulliego o prawdopodobiestwie sukcesu p = 21 w
pojedynczej prbie.
141 / 173
Przykad.
Jakie jest prawdopodobiestwo, e przy 1000 rzutach monet symetryczn rnica
midzy iloci reszek i orw bdzie wynosi co najmniej 100?
Podobnie jak poprzednio, ilo uzyskanych orw jest sum Sn , n = 1000,
niezalenych prb Bernoulliego o prawdopodobiestwie sukcesu p = 21 w
pojedynczej prbie.
Chcemy obliczy P(|Sn (n Sn )| 100), czyli P(|Sn 500| 50).
Prawdopodobiestwo zdarzenia przeciwnego jest w bardzo duym przyblieniu
rwne:
FSn (550) FSn (450)
= 500, 510 (550) 500, 510 (450) =
2(3, 1622) 1
( 10) ( 10) = 2( 10) 1 =
= 0, 9984.
Interesujce wic nas prawdopodobiestwo wynosi w przyblieniu 0, 0016.
141 / 173
142 / 173
142 / 173
1 0.999607712 = 0, 000392288.
Jerzy Ombach (IM UJ)
142 / 173
143 / 173
143 / 173
143 / 173
143 / 173
143 / 173
143 / 173
143 / 173
144 / 173
144 / 173
P(|Sn | ) = FS () FS ()
= 2() 1, gdzie = 2 3106 .
n
144 / 173
144 / 173
144 / 173
144 / 173
Przykad.
Aby stwierdzi, jak wielu wyborcw popiera obecnie parti ABC, losujemy spord
nich reprezentatywn prbk i na niej przeprowadzamy badanie. Jak dua powinna
by ta prbka, aby uzyskany wynik rni si od rzeczywistego poparcia dla partii
ABC nie wicej ni o b = 3% z prawdopodobiestwem co najmniej 1 = 0, 95?
145 / 173
Przykad.
Aby stwierdzi, jak wielu wyborcw popiera obecnie parti ABC, losujemy spord
nich reprezentatywn prbk i na niej przeprowadzamy badanie. Jak dua powinna
by ta prbka, aby uzyskany wynik rni si od rzeczywistego poparcia dla partii
ABC nie wicej ni o b = 3% z prawdopodobiestwem co najmniej 1 = 0, 95?
Niech p (0, 1) oznacza faktyczne (lecz nieznane) poparcie dla partii ABC . Jeeli
prbka skada si z n osb, z ktrych Sn wyrazio poparcie dla ABC , to liczba Snn
jest poparciem wyznaczonym na podstawie prbki. Moemy zaoy, e Sn jest
sum niezalenych zmiennych losowych i o rozkadzie: P(i = 0) = 1 p,
P(i = 1) = p.
145 / 173
Przykad.
Aby stwierdzi, jak wielu wyborcw popiera obecnie parti ABC, losujemy spord
nich reprezentatywn prbk i na niej przeprowadzamy badanie. Jak dua powinna
by ta prbka, aby uzyskany wynik rni si od rzeczywistego poparcia dla partii
ABC nie wicej ni o b = 3% z prawdopodobiestwem co najmniej 1 = 0, 95?
Niech p (0, 1) oznacza faktyczne (lecz nieznane) poparcie dla partii ABC . Jeeli
prbka skada si z n osb, z ktrych Sn wyrazio poparcie dla ABC , to liczba Snn
jest poparciem wyznaczonym na podstawie prbki. Moemy zaoy, e Sn jest
sum niezalenych zmiennych losowych i o rozkadzie: P(i = 0) = 1 p,
P(i = 1) = p. Chcemy znale takie n, eby:
Sn
P p b 1 .
n
145 / 173
Przykad.
Aby stwierdzi, jak wielu wyborcw popiera obecnie parti ABC, losujemy spord
nich reprezentatywn prbk i na niej przeprowadzamy badanie. Jak dua powinna
by ta prbka, aby uzyskany wynik rni si od rzeczywistego poparcia dla partii
ABC nie wicej ni o b = 3% z prawdopodobiestwem co najmniej 1 = 0, 95?
Niech p (0, 1) oznacza faktyczne (lecz nieznane) poparcie dla partii ABC . Jeeli
prbka skada si z n osb, z ktrych Sn wyrazio poparcie dla ABC , to liczba Snn
jest poparciem wyznaczonym na podstawie prbki. Moemy zaoy, e Sn jest
sum niezalenych zmiennych losowych i o rozkadzie: P(i = 0) = 1 p,
P(i = 1) = p. Chcemy znale takie n, eby:
Sn
P p b 1 .
n
Poniewa rednia arytmetyczna Snn ma w przyblieniu rozkad normalny, wic
powysza nierwno jest (w przyblieniu) rwnowana nastpujcej nierwnoci:
!
b n
2 p
1 1 ,
p(1 p)
145 / 173
Przykad.
Aby stwierdzi, jak wielu wyborcw popiera obecnie parti ABC, losujemy spord
nich reprezentatywn prbk i na niej przeprowadzamy badanie. Jak dua powinna
by ta prbka, aby uzyskany wynik rni si od rzeczywistego poparcia dla partii
ABC nie wicej ni o b = 3% z prawdopodobiestwem co najmniej 1 = 0, 95?
Niech p (0, 1) oznacza faktyczne (lecz nieznane) poparcie dla partii ABC . Jeeli
prbka skada si z n osb, z ktrych Sn wyrazio poparcie dla ABC , to liczba Snn
jest poparciem wyznaczonym na podstawie prbki. Moemy zaoy, e Sn jest
sum niezalenych zmiennych losowych i o rozkadzie: P(i = 0) = 1 p,
P(i = 1) = p. Chcemy znale takie n, eby:
Sn
P p b 1 .
n
Poniewa rednia arytmetyczna Snn ma w przyblieniu rozkad normalny, wic
powysza nierwno jest (w przyblieniu) rwnowana nastpujcej nierwnoci:
!
b n
2 p
1 1 ,
p(1 p)
ktra jest z kolei rwnowana:
Jerzy Ombach (IM UJ)
145 / 173
1 1
b
!2
(1 p)p.
146 / 173
1 1
b
!2
(1 p)p.
1 1
b
!2
0, 25
146 / 173
1 1
b
!2
(1 p)p.
1 1
b
!2
0, 25
146 / 173
1 1
b
!2
(1 p)p.
1 1
b
!2
0, 25
146 / 173
Zbieno z prawdopodobiestwem 1.
Zbieno stochastyczna.
Zbieno wedug rozkadw.
147 / 173
Zbieno z prawdopodobiestwem 1.
Zbieno stochastyczna.
Zbieno wedug rozkadw.
147 / 173
Zbieno z prawdopodobiestwem 1
1
Xn X
P({ : lim Xn () = X ()}) = 1.
n
Zbieno stochastyczna
s
Xn X
> 0 lim P(|Xn X | ) = 1.
n
Xn X
a R, punktu cigoci FX , lim FXn (a) = FX (a).
n
148 / 173
Oglniej.
Niech Fn , n = 1, 2, 3, . . . , oraz F bd dystrybuantami.
Zbieno rozkadw.
d
Fn F
a R, punktu cigoci F , lim Fn (a) = F (a).
n
149 / 173
Oglniej.
Niech Fn , n = 1, 2, 3, . . . , oraz F bd dystrybuantami.
Zbieno rozkadw.
d
Fn F
a R, punktu cigoci F , lim Fn (a) = F (a).
n
Wtedy:
d
Xn X FXn FX .
149 / 173
Uwagi.
FZn ,
gdzie jest dystrybuant rozkadu N(0, 1).
150 / 173
. Wtedy:
d
FB(n,pn ) FP .
Dowd. Miech a bdzie punktem cigoci dystrybuanty rozkadu Poissona P .
Wtedy:
k
X
X
n k
=
lim
pn (1 pn )nk =
FP (a) =
e
n k
k!
ka
ka
X n
k
lim
pn (1 pn )nk = lim FB(n,pn ) (a).
k
n
n
ka
151 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
152 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
1
Xn X = Xn X .
152 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
1
Xn X = Xn X .
Xn X = Xn X .
152 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
1
Xn X = Xn X .
Xn X = Xn X .
Xn X , X c R = Xn X .
152 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
1
Xn X = Xn X .
Xn X = Xn X .
Xn X , X c R = Xn X .
Dowd.
Ad 1. Niech A = { : Xn () X (), n }. Z zaoenia wiemy, e
P(A) = 1. Ustalmy > 0.
152 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
1
Xn X = Xn X .
Xn X = Xn X .
Xn X , X c R = Xn X .
Dowd.
Ad 1. Niech A = { : Xn () X (), n }. Z zaoenia wiemy, e
[
AN , gdzie
P(A) = 1. Ustalmy > 0. Wiemy, e A A , gdzie A =
N+1
152 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
1
Xn X = Xn X .
Xn X = Xn X .
Xn X , X c R = Xn X .
Dowd.
Ad 1. Niech A = { : Xn () X (), n }. Z zaoenia wiemy, e
[
AN , gdzie
P(A) = 1. Ustalmy > 0. Wiemy, e A A , gdzie A =
N+1
152 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
1
Xn X = Xn X .
Xn X = Xn X .
Xn X , X c R = Xn X .
Dowd.
Ad 1. Niech A = { : Xn () X (), n }. Z zaoenia wiemy, e
[
AN , gdzie
P(A) = 1. Ustalmy > 0. Wiemy, e A A , gdzie A =
N+1
152 / 173
153 / 173
l
1, dla l1
k < k
Xkl () =
0, dla pozostaych ,
gdzie k = 1, 2, 3, . . . , l = 1, . . . k.
153 / 173
l
1, dla l1
k < k
Xkl () =
0, dla pozostaych ,
gdzie k = 1, 2, 3, . . . , l = 1, . . . k.
Dla dowolnego 0 < < 1 widzimy, e P(|Xkl | ) = k1 . Tak wic nasz cig jest
zbieny stochastycznie do 0.
153 / 173
l
1, dla l1
k < k
Xkl () =
0, dla pozostaych ,
gdzie k = 1, 2, 3, . . . , l = 1, . . . k.
Dla dowolnego 0 < < 1 widzimy, e P(|Xkl | ) = k1 . Tak wic nasz cig jest
zbieny stochastycznie do 0.
Dla kadego ustalonego cig Xkl () zawiera nieskoczenie wiele zer i
nieskoczenie wiele jedynek, wic nie jest cigiem zbienym. Tym bardziej cig Xkl
nie jest zbieny prawie wszdzie do adnej granicy.
153 / 173
154 / 173
154 / 173
154 / 173
154 / 173
154 / 173
155 / 173
155 / 173
155 / 173
155 / 173
155 / 173
Nierwno Komogorowa
Niech X1 , X2 , X3 , . . . bd niezalenymi zmiennymi losowymi, E (Xi ) R, dla
i = 1, 2, 3, . . . . Ustalmy > 0. Wtedy
D 2 (Sn )
.
n 1 P max |Sk E (Sk )|
1kn
2
Uwaga.
D 2 (Sn )
.
2
156 / 173
157 / 173
157 / 173
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak
157 / 173
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak
Ale Sn = Sk + Yk .
157 / 173
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak
157 / 173
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak
157 / 173
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak
Ostatecznie: D 2 (Sn )
n
X
P(Ak )2 = P(A)2 .
k=1
Jerzy Ombach (IM UJ)
157 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych zmiennych losowych, takich, e:
D ( Xi ) < .
i=1
Wtedy
X
(Xi E (Xi ))
i=1
158 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych zmiennych losowych, takich, e:
D ( Xi ) < .
i=1
Wtedy
X
(Xi E (Xi ))
i=1
\[ \
P
{ : |Sk () Sl ()| < } = 1.
>0 N k,lN
158 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
159 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
Oznaczmy:
\
AN, =
k,lN
{|SN+k SN | < }.
k1
159 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
Oznaczmy:
\
AN, =
k,lN
{|SN+k SN | < }.
k1
159 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
Oznaczmy:
\
AN, =
k,lN
{|SN+k SN | < }.
k1
lim P(BN, ) = 1.
159 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
Oznaczmy:
\
AN, =
k,lN
{|SN+k SN | < }.
k1
lim P(BN, ) = 1.
159 / 173
Inaczej:
!
M
M
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
160 / 173
Inaczej:
!
M
M
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
[
1 X
P
|SN+k SN | , a prawa strona ma granic 2
D 2 (Xk ). Zachodzi
k=1
k=N+1
wic te nierwno:
!
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
160 / 173
Inaczej:
!
M
M
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
[
1 X
P
|SN+k SN | , a prawa strona ma granic 2
D 2 (Xk ). Zachodzi
k=1
k=N+1
wic te nierwno:
!
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
Niech N . Wtedy prawa strona, a wic i lewa strona d do zera.
160 / 173
Inaczej:
!
M
M
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
[
1 X
P
|SN+k SN | , a prawa strona ma granic 2
D 2 (Xk ). Zachodzi
k=1
k=N+1
wic te nierwno:
!
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
Niech N . Wtedy prawa strona, a wic i lewa strona d do zera.
[
Poniewa \ BN, =
{|SN+k SN | }, otrzymujemy dan tez:
k=1
> 0
lim P(BN, ) = 1.
160 / 173
Przykad.
Zbadamy zbieno szeregu
X
an
n=1
161 / 173
Przykad.
Zbadamy zbieno szeregu
X
an
n=1
a
X
1
2
n
Poniewa D 2 ann = D n(a2 n ) = n42 , to szereg
D2
jest zbieny. Z
n
n=1
X
an
jest zbieny z prawdopodobiestwem 1.
powyszego twierdzenia wynika, e
n
n=1
161 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
162 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
Dowd.
Niech > 0. Istnieje takie n1 , e dla n n1 |xn x| < 2 .
162 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
Dowd.
Niech > 0. Istnieje takie n1 , e dla n n1 |xn x| < 2 .
Pn1
|xi x| < 2 .
Istnieje takie n0 > n1 , e dla n n0 n1 i=1
162 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
Dowd.
Niech > 0. Istnieje takie n1 , e dla n n1 |xn x| < 2 .
Pn1
|xi x| < 2 .
Istnieje takie n0 > n1 , e dla n n0 n1 i=1
Niech n n0 .
162 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
Dowd.
Niech > 0. Istnieje takie n1 , e dla n n1 |xn x| < 2 .
Pn1
|xi x| < 2 .
Istnieje takie n0 > n1 , e dla n n0 n1 i=1
Niech n n0 .
n1
n
n
1 X
1X
1 X
n n1
|xi x| +
xi x
|xi x| +
n
n
n
2
n 2
i=1
i=1
i=n1 +1
162 / 173
Lemat Kroneckera
{xn }
n=1 R,
n
1X
ixi = 0.
n n
xi zbieny. = lim
i=1
i=1
163 / 173
Lemat Kroneckera
{xn }
n=1 R,
n
1X
ixi = 0.
n n
xi zbieny. = lim
i=1
i=1
Dowd.
Oznaczmy: s0 = 0, sn = x1 + + xn . Wtedy.
n
X
ixi = s1 s0 + 2(s2 s1 ) + + n(sn sn1 ) =
i=1
s0 s1 s2 sn1 + sn =
n
X
si1 + nsn .
i=1
163 / 173
Lemat Kroneckera
{xn }
n=1 R,
n
1X
ixi = 0.
n n
xi zbieny. = lim
i=1
i=1
Dowd.
Oznaczmy: s0 = 0, sn = x1 + + xn . Wtedy.
n
X
ixi = s1 s0 + 2(s2 s1 ) + + n(sn sn1 ) =
i=1
s0 s1 s2 sn1 + sn =
n
X
si1 + nsn .
i=1
Niech s =
xi . Z Lematu Toeplitza:
i=1
n
n
1X
1X
ixi =
si1 + sn s s = 0.
n
n
i=1
.
i=1
163 / 173
X
D 2 (Xn )
Niech szereg
bdzie zbieny.
n2
n=1
Wtedy:
Sn E (Sn ) 1
0.
n
164 / 173
X
D 2 (Xn )
Niech szereg
bdzie zbieny.
n2
n=1
Wtedy:
Sn E (Sn ) 1
0.
n
Dowd.
Korzystamy z twierdzenia o zbienoci szeregu oraz z Lematu Kroneckera.
X
X
Xi
Xi E (Xi )
2
2
=
D
jest zbieny, wic szereg
Poniewa szereg
D
i
i
i=1
i=1
X
Xi E (Xi )
jest zbieny z prawdopodobiestwem 1.
i
i=1
164 / 173
X
D 2 (Xn )
Niech szereg
bdzie zbieny.
n2
n=1
Wtedy:
Sn E (Sn ) 1
0.
n
Dowd.
Korzystamy z twierdzenia o zbienoci szeregu oraz z Lematu Kroneckera.
X
X
Xi
Xi E (Xi )
2
2
=
D
jest zbieny, wic szereg
Poniewa szereg
D
i
i
i=1
i=1
X
Xi E (Xi )
jest zbieny z prawdopodobiestwem 1.
i
i=1
n
Sn E (Sn )
1 X Xi E (Xi ) 1
=
i
0
n
n
i
i=1
164 / 173
165 / 173
165 / 173
165 / 173
165 / 173
\
A=
Ai .
n=0 i=n
Zauwamy, e:
A naley do nieskoczenie wielu spord zdarze Ai .
Lemat Borela-Cantellego
(1) Jeeli
i=1
166 / 173
\
A=
Ai .
n=0 i=n
Zauwamy, e:
A naley do nieskoczenie wielu spord zdarze Ai .
Lemat Borela-Cantellego
(1) Jeeli
i=1
(2) Jeeli
i=1
166 / 173
Dowd.
Ad 1. Dla kadego n P(A) P
[
i=n
!
Ai
P(Ai ).
i=n
167 / 173
Dowd.
Ad 1. Dla kadego n P(A) P
Poniewa jednak szereg
[
i=n
!
Ai
P(Ai ).
i=n
i=1
X
kocwka
P(Ai ) 0, gdy n . Std P(A) = 0.
i=n
167 / 173
Dowd.
Ad 1. Dla kadego n P(A) P
Poniewa jednak szereg
!
Ai
i=n
P(Ai ).
i=n
i=1
X
kocwka
P(Ai ) 0, gdy n . Std P(A) = 0.
i=n
i=n
i=n
i=n
167 / 173
Dowd.
Ad 1. Dla kadego n P(A) P
Poniewa jednak szereg
!
Ai
i=n
P(Ai ).
i=n
i=1
X
kocwka
P(Ai ) 0, gdy n . Std P(A) = 0.
i=n
Poniewa szereg
i=n
i=n
i=n
i=1
167 / 173
!
( \ Ai )
i=n
= lim P
m
m
\
i=n
!
( \ Ai )
lim e
m
Pm
i=n
P(Ai )
= 0.
168 / 173
!
( \ Ai )
= lim P
m
i=n
m
\
!
( \ Ai )
i=n
lim e
Pm
i=n
P(Ai )
= 0.
i std kolejno:
P
[
i=n
!
Ai
=1
oraz P
!
Ai
= 1.
n=1 i=n
168 / 173
!
( \ Ai )
= lim P
m
i=n
m
\
!
( \ Ai )
lim e
Pm
i=n
i=n
P(Ai )
= 0.
i std kolejno:
P
[
i=n
!
Ai
=1
oraz P
!
Ai
= 1.
n=1 i=n
Lemat o szacowaniu
Niech Y bdzie zmienn losow nieujemn, czyli P(Y 0) = 1. Wtedy
X
n=1
P(Y n) E (Y ) 1 +
P(Y n).
n=1
168 / 173
Dowd.
Udowodnimy pierwsz nierwno. Dowd drugiej (w). Mamy kolejno:
P(Y n) =
n=1
169 / 173
Dowd.
Udowodnimy pierwsz nierwno. Dowd drugiej (w). Mamy kolejno:
X
n=1
P(Y n) =
P(k Y < k + 1) =
n=1 k=n
169 / 173
Dowd.
Udowodnimy pierwsz nierwno. Dowd drugiej (w). Mamy kolejno:
X
n=1
X
k
X
P(Y n) =
P(k Y < k + 1) =
n=1 k=n
P(k Y < k + 1)
k=1 n=1
169 / 173
Dowd.
Udowodnimy pierwsz nierwno. Dowd drugiej (w). Mamy kolejno:
X
n=1
X
k
X
k=1 n=1
P(Y n) =
P(k Y < k + 1) =
n=1 k=n
P(k Y < k + 1) =
kP(k Y < k + 1) =
k=1
169 / 173
Dowd.
Udowodnimy pierwsz nierwno. Dowd drugiej (w). Mamy kolejno:
P(Y n) =
P(k Y < k + 1) =
k=1 n=1
Z
X
k=0
P(k Y < k + 1) =
n=1 k=n
n=1
X
k
X
kP(k Y < k + 1) =
k=1
k dP
{kY <k+1}
169 / 173
Dowd.
Udowodnimy pierwsz nierwno. Dowd drugiej (w). Mamy kolejno:
P(Y n) =
n=1
X
k
X
P(k Y < k + 1) =
n=1 k=n
P(k Y < k + 1) =
k=1 n=1
Z
X
k=0
{kY <k+1}
kP(k Y < k + 1) =
k=1
k dP
Z
X
k=0
Y dP = E (Y ).
{kY <k+1}
169 / 173
Przypomnienie:
170 / 173
Przypomnienie:
0,
gdy |Xn | n
Wykaemy najpierw, e cig {Yn } spenia zaoenia Mocnego Prawa Wielkich
Liczb. Zauwamy najpierw, e: Yn = I{|Xn |<n} Xn gdzie IA oznacza funkcj
charakterystyczn (indykator) zbioru A. W zwizku z tym zmienne losowe Yn s
niezalene jako funkcje zmiennych losowych niezalenych.
Jerzy Ombach (IM UJ)
170 / 173
Wykaemy, e
X
D 2 (Yn )
n=1
n2
< .
171 / 173
Wykaemy, e
X
D 2 (Yn )
n=1
n2
< .
Mamy kolejno:
X
D 2 (Yn )
n=1
n2
X
E 2 (Yn )
n=1
n2
X
1
E (I{|Xn |<n} Xn2 ) =
2
n
n=1
n
X
X
1
1 X
2
E
(I
X
)
=
E (I{k1|X1 |<k} X12 ) =
{|X1 |<n}
1
2
2
n
n
n=1
n=1
k=1
E (I{k1|X1 |<k}
X12 )
k=1
X
k=1
X
1
n2
n=k
1
1
E (I{k1|X1 |<k} |X1 |) k ( + 2 )
k k
k=1
X
1
1
1
1
1
1
2+
+
+ = 2 + .
n2
k
k(k + 1) (k + 1)(k + 2)
k
k
n=k
171 / 173
172 / 173
P(An )
n=1
X
n=1
P(|Xn | n) =
n=1
172 / 173
P(An )
n=1
P(|Xn | n) =
n=1
n=1
Z Lematu Borela-Cantellego P
!
Ai
= 0.
n=0 i=n
172 / 173
P(An )
n=1
P(|Xn | n) =
n=1
n=1
Z Lematu Borela-Cantellego P
!
Ai
= 0. Czyli
n=0 i=n
!
{Xi = Yi }
n=0 i=n
W szczeglnoci:
Pn
Pn
Yi 1
i=1 Xi
(B-C)
0.
i=1
n
n
172 / 173
Zauwamy te, e:
n
1X
(L+T)
E (Yi ) m.
n
i=1
Rzeczywicie, korzystajc z Twierdzenia Lebesguea wiemy, e
E (I{|X1 |<i} X1 ) m, gdy i . Mamy wic
n
n
n
1X
1X
1X
E (Yi ) =
E (I{|Xi |<i} Xi ) =
E (I{|X1 |<i} X1 ) m,
n
n
n
i=1
i=1
i=1
co wynika z Lematu Toeplitza.
173 / 173
Zauwamy te, e:
n
1X
(L+T)
E (Yi ) m.
n
i=1
Rzeczywicie, korzystajc z Twierdzenia Lebesguea wiemy, e
E (I{|X1 |<i} X1 ) m, gdy i . Mamy wic
n
n
n
1X
1X
1X
E (Yi ) =
E (I{|Xi |<i} Xi ) =
E (I{|X1 |<i} X1 ) m,
n
n
n
i=1
i=1
i=1
co wynika z Lematu Toeplitza.
Wykorzystujc kolejno (B-C), (MPL) oraz (L+T), mamy:
Pn
i=1
Xi
Pn
=
i=1
Xi
Pn
i=1
Yi
Pn
+
i=1
Yi
Pn
i=1
E (Yi )
n
1X
E (Yi )
n
i=1
0 + 0 + m = m.
173 / 173