Vjerojatno St
description
Transcript of Vjerojatno St
SLUČAJNI EKSPERIMENT
Slučajni eksperiment je postupak koji se može proizvoljan broj puta ponavljati, azavršava s dva ili više ishoda.
Rezultati slučajnog eksperimenta opisuju se riječima, brojevima ili riječima i brojevima.
Premda je ishod slučajnog eksperimentaneizvjestan, pretpostavlja se da se rezultatislučajnog eksperimenta barem misaono moguobuhvatiti.
.
Skup rezultata slučajnog eksperimenta zove se PROSTOR SLUČAJNIH DOGAĐAJA ili PROSTOR UZORKA (SAMPLE SPACE), a on može biti :
Konačan,Prebrojiv,Neprebrojiv skup
Primjerslučajni eksperiment = bacanje novčića
prostor slučajnih događaja S1={P,G}
slučajni eksperiment = broj «glava» u dvauzastopna bacanja novčića S2={0,1,2}
slučajni eksperiment= broj poziva natelefonskoj centrali u određenom vremenskomintervalu (0,T) S3={0,1,2,…}
slučajni eksperiment= količina vode u bociod 1 litre S4=[0,1]
Svaki podskup prostora slučajnihdogađaja S je slučajni događaj. Slučajnidogađaj ostvarit će se ako se ostvari baremjedan od rezultata slučajnog eksperimentakoji su elementi tog podskupa.
Rezultat slučajnog eksperimenta zovese elementarni događaj. Svaki je rezultatslučajnog eksperimenta slučajni događaj, alisvaki slučajni događaj nije elementarnislučajni događaj.
Slučajni se događaji označavaju velikim slovima abecede:A, B, C, …, a opisuju se riječima.Do novih se slučajnih događaja dolazi skupovnim operacijama (unija, presjek, komplement) nad postojećim skupom slučajnih događaja:
dogodio se događaj A «ili» događaj B
dogodio se događaj A «i» događaj B
nije se dogodio A. je suprotni događaj od A
BA
A A
BA
S i su također slučajni događaji. S je sigurni događaj (jer je sigurno da će se pri izvođenju eksperimenta događaj A ostvariti ili da se neće ostvariti.
je nemoguć događaj jer se događaji A i međusobno isključuju.
A
SAA
AAS obzirom da za svaka dva suprotna događaja vrijedi:
SS
S
A također vrijedi:
Nemoguć događaj i sigurni događaj su suprotni događaji
Primjer
Slučajni eksperiment bacanja kocke S={1,2,3,4,5,6}
A=pao je parni broj A={2,4,6}B=pao je broj manji od 3 B={1,2}C=pao je broj 4 C={4}
Vjerojatnost slučajnog događaja
Vjerojatnost slučajnog događaja izraz je mogućnosti
ostvarenja tog događaja, a može se definirati na više
načina.
Klasična definicija
U klasičnoj se teoriji pretpostavlja da je prostor elementarnih događaja konačan, da su svi ishodi jednako mogući, te da je vjerojatnost događaja omjer broja ishoda koji realiziraju događaj i broja svih jednako mogućih ishoda.
U slučajnom eksperimentu bacanja kocke
)(16
4)(
2
1
6
3)(
3
2
6
4)(
6
1)(
3
1
6
2)(
2
1
6
3)(
BPBPAP
BAPBAP
BPAP
Ovako definirana vjerojatnost zove se još i vjerojatnost a priori, jer se može izračunati prije nego što se izvede slučajni eksperiment.
Statistička definicija vjerojatnosti
Statistička definicija vjerojatnosti zasniva se na pretpostavci da je slučajni eksperiment moguće ponavljati proizvoljan broj puta u nepromijenjenim uvjetima, pri čemu su pojedini pokušaji međusobno neovisni.
Vjerojatnost promatranog događaja definira se kao granična vrijednost njegove relativne frekvencije kad broj
ponavljanja slučajnog eksperimenta neomeđeno raste.
U skladu s tom definicijom vjerojatnostdogađaja A je:
n
A mA Pn
) (lim ) (
n
AmAP n
)(lim)(
Iz navedenih definicija slijedi da je vjerojatnost sigurnog događaja jednaka 1, vjerojatnost nemogućeg događaja jednaka nuli, a vjerojatnost proizvoljnog događaja A je :
0 P(A) 1
Aksiomatska definicija vjerojatnosti
Aksiomatska definicija vjerojatnosti obuhvaća sve prije utemeljene definicije kao posebne slučajeve, a formulira se kao preslikavanje koje svakom događaju A S pridružuje realan broj P(A), koji se zove vjerojatnost od A, a zadovoljava slijedeće aksiome:
1.Za svaki događaj A S vrijedi : 0 P(A) 1
2. P(S)=1
3.Ako se događaji A i B međusobno isključuju, tjA B= , tada P(A B)=P(A)+P(B)
Ovaj se aksiom zove “aditivni zakon” i lako se može poopćiti na niz od konačno mnogo međusobno isključivih događaja :
ji )( ji AAP
Ako vrijedi:
Tada je
)()()()( 2121 nn APAPAPUAAAP
)()()()( 2121 nn APAPAPAAAP
Da bi se aditivni zakon proširio na prebrojivo mnogo međusobno isključivih događaja, aksiom 3 treba proširiti uvođenjem aksioma 3’:
Na navedenim se aksiomima temelji cijela teorija vjerojatnosti
Kolika je vjerojatnost nemogućeg
slučajnog događaja?
Aksiom 2: P(S)=1
Aksiom 3: P(A B)=P(A)+P(B) ←A B=
Specijalno:
)(1)(
)()()()(1
APAP
APAPAAPSP
P( )=1-P(S)=1-1=0
Uvjetna vjerojatnost
Često se želi izračunati vjerojatnost pojave nekog događaja B, uz uvjet da se ostvario događaj A. Ta se vjerojatnost zove uvjetna vjerojatnost događaja B. Simbolički se označava s P(B/A), a definirana je izrazom:
0)( )(
)()/( AP
AP
BAPABP
Multiplikativni zakon
0)( )(
)()/( AP
AP
BAPABP 0)(
)(
)()/( BP
BP
BAPBAP
)/()()( ABPAPBAP)/()()( BAPBPBAP
Slučajni događaji A i B su međusobno nezavisni akopojava događaja A nema utjecaja na vjerojatnostnastupa događaja B.
)()()(
)()/( )()/(
BPAPBAP
APBAPBPABP
Slučajna varijabla Moguće vrijednosti, tip varijable
Broj neispravnih proizvoda u pošiljci veličine 30
X:0,1,…,30(diskretna)
Vrijeme čekanja (u min) na šalteru banke
0 x<
(kontinuirana)
Broj kupaca koji čeka nablagajni samoposluživanja
X:0,1,…(diskretna)
Vremenski interval između dolazaka pacjenata u
bolnicu
0 x<
(kontinuirana)
Količina pića u plastičnoj boci od 1 l
0 x 1
(kontinuirana)
Diskretna slučajna varijabla
Varijabla X je diskretna slučajna varijabla, ako poprima konačno ili prebrojivo mnogo vrijednosti s vjerojatnostima
)()( ii xpxXP
pri čemu vrijedi:
1)( 0)(i
ii xpxp
Funkcija koja svakoj vrijednosti slučajnevarijable pridružuje određenu vjerojatnost zovese funkcija (zakon) vjerojatnosti diskretneslučajne varijable. Ona može biti zadanagrafički, tabelarno ili analitičkim izrazom.
Kumulativna funkcija distribucije slučajne varijable X
definirana je izrazom:
Kumulativna funkcija distribucije diskretne slučajne varijable
izračunava se kako slijedi:
xXPxF )(
itd
xpxpxpxXPxF
xpxpxXPxF
xpxXPxF
)()()()(
)()()(
)()(
32133
2122
111
Očekivana vrijednost i varijanca diskretne
slučajne varijable
Očekivana vrijednost (sredina) diskretne slučajne
varijable definirana je izrazom:
E(X) )()(i
ii xpxXE
Kontinuirana slučajna varijabla poprima neprebrojivomnogo (kontinuum mnogo) vrijednosti na skupu realnihbrojeva. Njezina vjerojatnosna svojstva opisana su prekofunkcije gustoće vjerojatnosti koja ima slijedećasvojstva:
Kontinuirana slučajna varijabla
Funkcija gustoće vjerojatnosti f(x) ima slijedećasvojstva:
1. f(x) 0 za svaki x
2. Ukupna površina ispod krivulje gustoćevjerojatnosti jednaka je 1.
3. P a x b = dio površine ispod krivulje f(x)omeđen intervalom a,b
4. F(a) = P X a P - <X a = dio površine ispodkrivulje f(x) omeđen intervalom (- ,a
Funkcija f(x) nema značenje vjerojatnosti.Kao vjerojatnost može se interpretiratiumnožak f(x)dx koji označuje vjerojatnostda slučajna varijabla poprimi vrijednost uokolini točke x.
S pomoću f(x) vjerojatnosti se pridružuju intervalima vrijednosti, dok je vjerojatnost da kontinuirana slučajna varijabla poprimi vrijednost u jednoj točki jednaka nuli
Funkcija distribucije može se izračunati s pomoću
funkcije gustoće izrazom:x
dttfxXPxXPxF )()()()(
2
)()2()2()2( dttfXPXPF
Iz izloženog se može zaključiti da je slučajnavarijabla potpuno definirana ako je poznatanjena funkcija gustoće vjerojatnosti ili funkcijadistribucije. S obzirom na to da analitički izrazitih funkcija mogu biti složeni, slučajne varijableopisuju se pomoću parametara, kao što suočekivana vrijednost, varijanca i općenitomomenti višeg reda.
Očekivana vrijednost
Definicija:
)( )()( )()( XEdxxxfXExpxXE i
i
i
Može se pokazati da ako je X slučajna varijabla i akosu a i b konstante, tada je :
. (5.12)
.
(5.13)
)(XE
dxxfxg
xpxg
XgEi
ii
)()(
)()(
)(
Očekivana vrijednost je broj ili konstanta i označava prvimoment oko nule slučajne varijable X. Najčešće seoznačava s:
Ako je X slučajna varijabla, a g(X) jednoznačna funkcija tevarijable, tada je:
Svojstva očekivane vrijednosti
Za proizvoljne konstante a i b vrijedi:
bXaEbaXE )()(Dokaz:Neka je X diskretna slučajna varijabla i neka je
baXXg )(
bXaExpbxpxaxpbaxbaXEXgEi i
i
XE
iiiii )()()()()()()(
1)(
Varijanca
.var )()(
.var )()(
))(()(nakontinuiradxxfx
diskretnaxpx
XEXEXVari
ii
2
2
2
Alternativno se varijanca može odrediti:
2222)()()( XEXEXVar
Može se pokazati da ako je X slučajna varijabla iako su a i b konstante, tada je :
)()( XVarabaXVar2
S obzirom da je varijanca izražena u kvadratima mjernihjedinica slučajne varijable, računa se njoj pridruženalinearizirana mjera, standardna devijacija:
)(XVar
Analitički izrazi distribucija vjerojatnostidiskretnih slučajnih varijabli najčešćekorištenih u primjenama zovu se modelidiskretnih distribucija vjerojatnosti.
Najvažnije diskretne distribucije vjerojatnostisu :
Odabrani modeli diskretnih distribucija vjerojatnosti
Binomna distribucijaPoissonova distribucijaHipergeometrijska distribucijaGeometrijska distribucijaDiskretna uniformna distribucija
Binomna distribucija vezana je uzBernoullijev pokus kojeg karakterizirajuslijedeća svojstva:
pri izvođenju slučajnog eksperimenta nekislučajni dogđaj A će se ostvariti svjerojatnosti P(A)=p, odnosno neće seostvariti sa suprotnom vjerojatnosti:
1-P(A)= 1-p =q.
Slučajna varijabla (koja rezultateslučajnog eksperimenta preslikava u skuprealnih brojeva) poprima vrijednosti 0(ako događaj A nije nastupio) i 1 ako jenastupio događaj A. Ta se varijabla zoveBernoullijeva varijabla.
Pretpostavi li se da se pokus ponavlja n puta, te da supri tom uzastopni pokušaji nezavisni tada se možedefinirati varijabla X koja broji koliko se putaostvario događaj A u n ponavljanja eksperimenta.Varijabla X zove se binomna slučajna varijabla i možese prikazati kao zbroj n nezavisnih Bernoullijevihvarijabli:
npqXVarXVarXVar
XXXVarXVar
npXEXEXE
XXXEXE
qpx
nxp
nX
pXXXX
n
n
n
n
xnx
n
)()()(
)()(
)()()(
)()(
)(
,2,1,0:
n,1,2,i i, pq)Var(X, )E(X
21
21
21
21
ii21
Automatski stroj izrađuje proizvod A s
konstantnim postotkom škarta od 3%.
Rad stroja se kontrolira pomoću slučajnog uzorka.
a) Ako se u uzorak izabere 5 proizvoda, kolika jevjerojatnost da su dva škartna?
b) Izabere li se u slučajni uzorak 3 proizvoda, kolika jevjerojatnost da su svi neispravni?
b) Koliki je očekivani broj neispravnih proizvoda uuzorku od 100 proizvoda? Koliko je prosječno odstupanjeod očekivanog broja neispravnih proizvoda?
Rješenje:
7059.197.003.0100npq
30.03100npE(X)
0.03p 100n )
000027.003.097.003.03
3p(3)
3 0.03p 3n )
008214.097.003.02
5)2(
2x 5n 0.970.03-1q 03.0 )
303
32
c
xb
p
pa
Dnevna prodaja strojeva za pranje rublja je slučajna
varijabla distribuirana po Poissonovoj distribuciji. Dnevno
se u prosjeku proda 6 strojeva za pranje rublja.
Napišite analitički izraz za konketnu distribuciju.
Kolika je vjerojatnost da u jednom danu ne
bude prodan nijedan stroj za pranje rublja?
0025.000248.0!0
6)0(
0
60e
p
x
Ako je na skladištu 16 strojeva za pranje rublja kolika je vjerojatnost da dnevna potražnja ne bude zadovoljena?
Modeli distribucija vjerojatnosti
kontinuiranih slučajnih varijabli
·
Normalna distribucijaStudentova distribucijaGamma distribucijaEksponencijalna distribucijaHi –kvadrat distribucijaBeta distribucijaF-distribucijaUniformna distribucijaWeibullova distribucijaParetova distribucijaUniformna distribucija
Normalna distribucija
Slučajna varijabla X ima normalnu distribuciju ako jenjena funkcija gustoće vjerojatnosti:
30
2
1 2
2
1
43
2
)(
Var(X) E(X)
0 - )(
x
exf
Normalna distribucija ovisi o dva parametra i. (X N( , 2))
Zvonolika je oblika, simetrična oko sredine stočkama infleksije .
Standardizirana normalna
distribucijaLinearnom transformacijom oblika preslikava senormalno distribuirana slučajna varijabla X sasredinom i standardnom devijacijom ustandardiziranu normalnu varijablu Z koja je neovisna omjernim jedinicama. Očekivanje i varijanca od Z su
111
011
22)()()()(
))(()()()(
XVarXVarX
VarZVar
XEXEX
EZE
tj Z N(0 1)
z- )(2
2
1
2
1 z
ezf
STUDENTOVA DISTRIBUCIJA
(t-distribucija)
t-distribucija je distribucija vjerojatnostikontinuirane slučajne varijable t ,(- <t < ) Ona je usko povezana s normalnomstandardiziranom distribucijom. Očekivanavrijednost distribucije E(t)=0, a varijancaVar(t)== /( -2) (za 3)