29.02.2004 – wykład 1
Ø dr Artur Barosiewicz
Klasyczna teoria prawdopodobieństwa
Ω={ ω 1, ω 2,....., ω n}
n – pewna liczba naturalna
- ilość elementów, moc zbioru Ω
Ω - przestrzeń prawdopodobieństwa (przestrzeń probalistyczna)
ω 1, ω n, .... – rezultaty (zdarzenia) elementarne
A,B,C,... - zdarzenia
Ø – zdarzenie puste (niemożliwe)
Ω – zdarzenie pewne
2Ω – rodzinę wszystkich podobieństw zbioru Ω
1) prawdopodobieństwo jest funkcją odwzorowującą zbiór 2Ω w [0,1]
2) P(Ø) = 0; P(Ω)=1
3) Jeśli AB= Ø to P(AB)=P(A)+P(B)
Addytywność
Dowód
Jeśli ABto
Stąd
Dla dowolnych zdarzeń, A,B
P(AB)=P(A)+P(B)-P(AB)
Zadaniem przeciwnym do zdarzenia A nazywamy Ω \ A=A’
Własności zdarzenia przeciwnego A’:
1) A’A = Ø
2) AA’= Ω
3) P(A’) = 1-P(A)
4) (A’)’= A
Przykład
(Organicznie teorii klasycznej)
Rzucamy monetą do chwili wypadnięcia orła. Jakie jest prawdopodobieństwo że będziemy rzucać n-razy.
Model Kołmogorowa (aksjomatyczna definicja prawdopdobieństwa).
Ω – pewien zbiór
ω Ω
ω – zdarzenia elementarne
B – pewna rodzina podzbiorów Ω
AB
A – zdarzenie
Własności:
1) Ø, Ω B
2) Jeśli AB to A’= Ω\AB
3) Jeśli A1,A2,A3,....B to
1-2-3-B jest δ-algebry zbiorów
(sigma)
Prawdopodobieństwo
D:B -> [0,1]
1) P(Ø)=0, P(Ω)=1
2) Jeśli AiAj= Ø dla ij to
W szczególności:
Jeśli = Ø to P(A1A2) = P(A1) + P(A2)+....+P(An)
(Ω, B, P) – przestrzeń (trójka) probalistyczna
14.03.2004 – wykład 2
Prawdopodobieństwo warunkowe
I sytuacja klasyczna
B A
II Przejście do sytuacji ogólnej
III Sytuacja ogólna
Def.
Zdarzenie A nie zależy od zdarzenia B jeśli P(A)=P(A\B)
Założenie P(B)≠0
Zdarzenia A i B są niezależne, jeśli
(brak założeń P(A)≠0, P(B)≠0!!)
Model Ω dla zdarzeń „fizycznie” niezależnych
Ω= ΩxΩ2={(w1,w2):w1Ω1, w2Ω2}
A={(w1,w2):φ(w1)}
B={(w1,w2): ψ (w2)}
A
B
ψ(w2)
φ(w1)
Wzór na „prawdopodobieństwo całkowite”
Ω=B1B2...... Bn
lub
BiBj = Ø dla i≠j
Dla pewnego zdarzenia A dane są P(A\B1), P(A\B2) oraz P(B1), P(B2), ........ . Problem P(A)?
P(A)=P(AB1)+P(AB2)+..........
skończona suma lub suma szeregu zbieżnego
= P(A\B1)* P(B1)+ P(A\B2)* P(B2)+.....
P(ABi)=P(A\Bi)*P(Bi); i=1,2,...
Przykład (z żarówkami)
Sytuacja
Dane jak poprzednio
Zaszło zdarzenie A.
Pytanie: jakie jest prawdopodobieństwo, że zaszło ono przy warunku Bio (konkretnym)
P(Bio\A)=?
Wzór Bayesa:
P(Bi) – prawdopodobieństwo a priori
P(Bi\A) – prawdopodobieństwo a postriori
ZMIENNA LOSOWA I JEJ ROZKŁAD
Przykład:
Zmienną losową na przestrzeni zd. el. Ω nazywamy każdą funkcję X taką, że X:ΩàR (zbiór liczb rzeczywistych) oraz dla każdych liczb a, b
X-1((a,b)) jest zdarzeniem
X-1((a,b)) = {w:X(w)(a,)}
28.03.2004 – wykład 3
X:ΩàR
Ten warunek pozwala mówić o prawdopodobieństwie takie że X przyjmuje wartości leżące w prawym przedziale.
Będziemy pisać:
P{w:X(w)(a,)}=P(X-1(a,b))=P(x(a,b))=P(a<X<b)
Rozkład zmiennej losowej
X „buduje” nową przestrzeń prawdopodobieństwa
ΩàR
B à pewna rodzina podzbiorów zbioru R zawierająca wszystkie przedziały!!
P à Px(a,b) = P(a<X<b)
P-d na prostej R „przetransportowane” z p-i probalistycznej
Ω wg wzoru:
Px(a,b) = P(a<X<b)
Nazywmy rozkładem zmiennej losowej
I. Zmienne losowe dyskretne (skokowe)
– zmienne losowe przyjmujące skończoną lub „przeliczalną” ilość wartości
x1, x2, .......... , xn
x1, x2, .......... , xn, .....
W tym drugim przypadku wartości te nie należą gęsto w żadnym przedziale
Jeśli X ma rozkład dyskretny to istnieje ciąg (skończony lub NIE) liczb p1, p2, ...., pn .... taki, że pi>0
...
pio1281trek