Professional Documents
Culture Documents
POISSONOVA RASPODJELA
Def:
Diskretna sluajna varijabla ima Poissonovu raspodjelu ako joj je raspodjela
vjerojatnosti dana s
e x
p( x; ) =
x!
x = 0,1,2,....
za neki > 0 .
Poissonovu sluajnu varijablu oznaavamo:
X ~ Po( )
Pokaimo da je p ( x; ) raspodjela vjerojatnosti (tj., da zadovoljava aksiome):
p( x; ) = e
x =0
x =0
x!
= e e = 1
=0,5
=1
=2
=3
=5
0.6
p(x;)
0.4
0.2
0.0
0
E( X ) =
E( X 2 ) =
x =0
x!
xe
x =0
x!
x 2 e
x =2
e e + ( x 2)
x =1
x!
xe
xe
x =1
x 2
x =1
( x 1)!
y =0
y!
x 1
x 1
= e
+ ( x 1)
=
( x 1)!
( x 1)!
x =1 ( x 1)! x =1
= e
( x 2)!
x 1
[e + e ] = +
V ( X ) = E ( X 2 ) ( E ( X ) )2 =
49
Rekurzivna formula
x +1
e
p( x + 1; )
( x + 1)!
=
=
x
p ( x; )
x +1
e
x!
p ( x + 1; ) =
x +1
p ( x; )
Najvjerojatnija vrijednost
p( x M 1) p( x M ) p( x M + 1)
1 xM
Funkcija izvodnica
g (t ) =
x =0
x!
e tx e
t
t
= e e e = e e 1
Pomoni momenti
t
g ' (t ) = e t e (e 1)
m1 =
g ' ' (t ) = e t (1 + e t )e (e 1)
t
m2 = 2 +
Funkcija raspodjele
x
F ( x; ) =
y
y!
y =0
tablice
n!
n!
p x (1 p) n x =
1
x!(n x)!
x!(n x)! n n
n(n 1) L (n x + 1)
1
n
nx
n x
x
x!
x
1 x 1
= 11 L1
1
1
n n x! n
n
lim b( x; n, p) = 1 1L1 e
50
x
x!
= p ( x; )
n x
Upotrijebili smo relaciju lim 1 = e
n
n
Praktino binomnu raspodjelu moemo aproksimirati Poissonovom kad je:
n 50 ; p 0,1
Slijede dva primjera, najprije loe, a onda dobre aproksimacije:
0.5
0.4
b(x;7,1/6)
p(x;7/6)
p(x)
0.3
0.2
0.1
0.0
0
b(x;50,0.05)
p(x;2.5)
p(x)
0,2
0,1
0,0
0
51
Primjer 1:
Odredi raspodjelu vjerojatnosti k raspada tijekom jedne milisekunde ako imamo N=4,81012
radioaktivnih atoma joda, a konstanta raspada je =7,310-10s-1.
t
;
Broj radioaktivnih atoma u vremenu: N = N 0 e
dN
= N = 3,4 10 3 s 1
dt
primjer 2:
Knjiga od 750 stranica ima 400 tiskarskih pogreaka. Uz pretpostavku da su pogreke
nezavisne nai vjerojatnost da neka stranica ima
0
400
p 0;
=
e
= 0,59
0!
750
1 p (0) p (1) = 0,10
p ( 4) = 0,002
a) nula pogreaka
b) vie od jedne pogreke
c) tono 4 pogreke
Vidimo:
Broj bombi po
sektoru
x
0
1
2
3
4
>5
broj sektora
fopaeno
229
211
93
35
7
1
x=
52
535
= 0,929 = E ( x) =
576
broj bombi
xf
0
211
186
105
28
5
576
fteorijski
227
211
99
31
7
1
535
576
240
broj sektora
fteor (=0,932)
220
200
180
160
f(x)
140
120
100
80
60
40
20
0
0
P( X = w) P(Y = z w) =
w=0
e (m + n) z z w z w
z!
w m n
w=0
em
w=0
mw n n z w
e
=
w!
( z w)!
e (m + n)
( m + n) z
z!
Q.E.D.
53
Sluajna varijabla:
h ( x; n , M , N ) =
M N M
x n x
h ( x; n , M , N ) =
N
n
x = 0,1,2,..., min(n, M )
Oekivanje i varijanca
E( X ) = n
M
N
M
N n M
V(X ) =
n
1
N
N 1 N
M
;
N
E ( X ) = np
q =1 p
N n
V(X ) =
npq
N 1
N n
Faktor
nazivamo korekcijskim faktorom konane populacije.
N 1
Primjer iz prvog dijela predavanja: Imali smo N=100.000; n=20. Izvlaili smo 100
puta. Raspodjelu smo prilagoavali binomnoj. Korekcija do hipergeometrijske bila bi
vrlo mala.
54
x + r 1 r x
nb( x; r, p ) =
p q
r 1
x = 0,1,2,......
primjer:
Pedijatar eli nai 5 parova koji oekuju prvo dijete da ih ukljui u novi program prirodnog
poroda. Ako je vjerojatnost pristanka p=0,2, kolika je vjerojatnost da e morati upitati 15
parova?
55
r + x = 15
14
nb(10; 5, 0,2) = (0,2 )5 (0,8)10 = 0,034
4
Oekivanje i varijanca
Bez izvoda:
E( X ) =
56
rq
p
V(X ) =
rq
p2
POJAM INTEGRALA
f(x)
f(x)
k =1
n
k =1
n
s = m k ( x k x k 1 ) = mk x
S = M k ( x k x k 1 ) = M k x
k =1
f(x)
k =1
57
Piemo:
n
I = lim f ( x k )x =
n
k =1
f ( x)dx = f ( x)dx
[ a ,b ]
Def:
Primitivna funkcija od f je svaka funkcija F sa svojstvom
F ' ( x) = f ( x)
xn
F(x)
, n 1
x n +1
n +1
x 1
ln x
ex
ex
ax
ax
ln a
sin x
cos x
cos x
sin x
1
cos 2 x
tg x
1
sin 2 x
ctg x
58
0.25
0.25
0.20
0.20
0.15
0.15
f(x)
P(x); f(x)
Primjer: mjerimo dubinu nekog jezera na 8115 mjesta. Slike prikazuju: 1. raspodjelu
dubina zaokruenih na cijele metre; 2.zaokruenih na cijele decimetre. 3. raspodjelu
dubina zaokruenih na cijele centimetre; 4. kontinuiranu raspodjelu dubina.
Za svaki interval x definiramo funkciju f ( x ) s pomou vjerojatnosti
P ( x X x + x ) = f ( x) x . Na etvrtoj slici intervali su infinitezimalni ( x dx )
pa imamo P ( x X x + dx ) = f ( x )dx
Povrina ispod svih grafova jednaka je jedinici!
0.10
0.10
0.05
0.05
0.00
0.00
0
0.20
0.20
0.15
0.15
f(x)
0.25
f(x)
0.25
0.10
0.10
0.05
0.05
0.00
0.00
0
59
P (a X b) = f ( x)dx .
a
2.
f ( x )dx = 1
0.25
f(x)
0.20
0.15
0.10
0.05
0.00
0
60
f(t)
1
5
P( X 3) =
f ( x )dx =
3
5
f(x)
1
B-A
B
x
To znai:
61
Funkcija raspodjele
F ( x) = P ( X x) =
f ( y)dy
0.8
F(x)
0.6
0.4
0.2
0.0
0
B
A
,
1
x<A
A x B
x>B
F(X)
B
x
Openito:
P ( a X b) = F (b) F ( a )
62
x = E( X ) =
x f ( x )dx
A+ B
2
Primjer: pravokutna: E ( x ) =
Primjer: Neka je
0 x 1
3
2
inace
f(x)
3
1 x2
f ( x) = 2
0
0
Oekivanje je:
1
3
3 3 3
E ( X ) = xf ( x )dx = x x 3 dx = = .
2
4 8 8
Oekivanje funkcije
Def: Ako je X kontinuirana sluajna varijabla i f ( x ) njezina funkcija gustoe
vjerojatnosti, a h ( X ) bilo koja funkcija od X, onda je
E (h( X )) = h ( X ) =
h( x) f ( x )dx
63
V ( X ) = x2 =
(x )
Standardna devijacija je x = V (X ) .
Vrijedi:
( )
V ( X ) = E X 2 (E ( X ) )2
Varijanca funkcije:
V ( h( X )) = E h 2 ( X ) (E (h ( X )))2
primjer: linearna funkcija h ( X ) = aX + b
V (aX + b) = a 2V ( X )
Momenti
mr =
Mr =
f ( x)dx
(x )
f ( x)dx
Funkcija izvodnica
g (t ) =
64
tx
f ( x)dx
f ( x)dx = E ( X ) 2 .
65
0
ym=2m
-n
2 1
vrijedi: p m =
+ m 2 2
Da bismo preli na kontinuiranu raspodjelu najprije emo odrediti diferencije, a zatim
u limesu prei na diferencijale pa integrirati.
y m = y m +1 y m = 2
ym
2m
2 m
= pm
1 p m
p m = p m + 1 p m = p m
+ m +1
pa konano dobivamo:
p m
p y
= m m
y m
2 2
66
lim
y 0
n 2 = const
1
p
=
py
y
2
1
2 2
y2 +C
y2
2
p = Ke 2
f(y)
veci
-1.0
-0.5
0.0
0.5
1.0
Da bi ova funkcija mogla biti funkcija gustoe vjerojatnosti, mora biti normirana.
f ( y)dy = 1
Ke
y2
2 2
dy = 2 K e
y2
2 2
dy = 2 2K e u du = 2 2K I = 1
u
du
Izraun integrala I = e
I 2 = e x dx e y dy =
2
x2 + y 2
e
dxdy =
00
67
dx
y
dy
0
0
x = r cos
y = r sin
x2 + y2 = r 2
Diferencijalni element povrine postaje rdrd :
rd
dr
0
0
/2
2
r 2
r 2
2
e z dz =
I =
e rdrd =
e rdr = (supstitucija z = r ) =
4
4
2
r =0 =0
r =0
0
pa je I =
I2 =
f ( y) =
68
K=
y2
2
e 2
0
-1.0
-0.5
0.0
0.5
1.0
f ( x) =
(x x p )2
2 2
f ( x) =
( x )2
2 2
69
0.20
1.0
N(4,0.25)
0.8
N(50,4)
0.15
f(x)
f(x)
0.6
0.10
0.4
0.05
0.2
0.00
0.0
0
10
20
30
40
50
60
70
80
4
1.0
0.2
0.9
N(100,6.25)
0.8
0.7
N(0,1)
0.6
f(x)
0.5
0.4
0.3
0.2
0.1
0.0
0.0
0
10
20
30
40
50
60
70
80
90
100
110
120
-3
-2
-1
( z) =
1 z2 / 2
e
2
( z ) =
1 y2 / 2
e
dy
2
tablice
Upotreba tablica
Primjer 1: vjerojatnost P ( Z > 1,38) = 1 P ( Z < 1,38) = 0,0838
Primjer 2: Imamo normalnu raspodjelu s = 50 i = 2 . Zanima nas vjerojatnost da X
bude izmeu 46 i 53.
Rjeenje:
,
X ~ N( 50,4)
70
P ( 46 X 53) = ?
standardiziramo: Z =
X 50
2
Vano svojstvo:
P ( X + ) = 0,6826 68%
P ( 2 X + 2 ) = 0,9544 95%
P ( 3 X + 3 ) = 0,9974 99,7%
71
0.10
0.08
p(x), f(x)
0.06
0.04
0.02
0.00
10
12
14
16
18
20
22
24
26
28
30
32
34
36
38
40
2523
= 0,0763
23!
25
P( X = x + 1) =
P( X = x )
x +1
25
P( X = 24) =
P ( X = 23) = 0,0795
24
P( X = 25) = P( X = 24) = 0,0795
P( X = 23) = e 25
25
P( X = 25) = 0,0765
26
25
P( X = 27) =
P ( X = 26) = 0,0708
27
P( 23 X 27) = 0,3826
P( X = 26) =
b) normalnom:
X ~ N( 25,25)
72
P ( 22,5 X 27,5) = P (
22,5 25
27,5 25
Z
) = (0,5) ( 0,5) = 0,6915 0,3085 = 0,3830
5
5
0.25
0.20
p(x), f(x)
0.15
0.10
0.05
0.00
0
10
12
14
Raspodjela
Ogranienja
Aproksimacija
X ~ Bin( n, p )
n velik (>50)
p malen (<0,1)
X ~ Po( np )
X ~ Bin( n, p )
n>10, p
ili
n>30, p
X ~ N( np, npq )
X ~ Po( )
>20
X ~ N( , )
73
P1 = P x x p x + x =
( x x1 ) 2
2 2
x1
P = P1 P2 = P x x p x + x =
x2
( x x1 ) 2 + ( x x 2 ) 2
2 2
(x )2
x1
P = P1 P2 L Pn =
1
2
e 2
( x xi ) 2
2
i =1
(x )n
74
( xi x) 2 = min .
i =1
d n
( xi x ) 2 = 0
dx i =1
2 ( xi x ) = 0
i =1
Za najvjerojatniji x *p vrijedi
(xi x*p ) = xi nx *p = 0
n
i =1
i =1
x p* =
1 n
xi = x
n i =1
1. Najvjerojatnija vrijednost na osnovi n mjerenja jest ona pri kojoj je zbroj kvadrata
odstupanja mjerenih veliina najmanji.
2. Ako je prava vrijednost xp neke veliine nepoznata, onda se kao najvjerojatnija
vrijednost koju xp poprima uzima xp= x .
75
-funkcija
Def:
( ) = x 1e x dx
>0
30
25
20
15
10
0
0
( ) = x
0
76
1 x
dx = x
1 x
+ ( 1) x 2 e x dx = 0 + ( 1)( 1) .
0
(1) = x 0 e x dx = e x
0
= 1 = 0!
(2) = 1 (1) = 1 0! = 1!
(3) = 2 (2) = 2 1! = 2!
(4) = 3 (3) = 3 2! = 3!
3. Uz supstituciju t = x
, dt =
1 1 / 2
x
dx imamo
2
2
1
= x 1 / 2 e x dx = 2 e t dt = .
2 0
0
n! = (n + 1) = x n e x dx
0
uvedemo supstituciju:
x=z n+n
dx = n dz
raunamo:
n! =
n
n + n e (z n + n ) n dz =
(z
= ne n
= ne n
n ln z n + n z n
n ln n 1+ z / n z n
[(
dz =
)]
dz =
=n
ne
n ln 1+ z / n z n
dz =
+L z n
n
n 2n
ne n e
dz =2n n
2
ne n e z / 2 dz =
nn
napravimo supstituciju u = z / 2
= 2n
2n e
u
n
n
e du =2n 2n e
= 2n n n e n
77
raspodjele
Standardna raspodjela
Def:
Kontinuirana sluajna varijabla X ima standardnu gama raspodjelu ako je njezina
funkcija gustoe vjerojatnosti dana s
x 1e x
, x0
( )
f ( x ; ) =
0
, x<0
2.
1
( )
f ( x; )dx =
x 1e x dx =
=1
( )
( )
Oekivanje i varijanca:
E( X ) =
V (X ) =
3
2,5
=1/2
=1
1,5
=2
=3
1
0,5
0
0
Primjena:
Vrijeme reakcije na neki podraaj....
78
Openita raspodjela
Def:
Kontinuirana sluajna varijabla X ima gama raspodjelu ako je njezina funkcija
gustoe vjerojatnosti dana s
x 1e x /
, x0
( )
f ( x; , ) =
0
, x<0
gdje su i > 0 .
Oekivanje i varijanca:
E ( X ) =
V ( X ) = 2
poseban sluaj je
Eksponencijalna raspodjela
=1 , =
e x
f ( x; ) =
0
x0
x<0
Funkcija raspodjele:
1 e x
F ( x; ) =
0
x0
x<0
Primjena:
Kad promatramo vrijeme izmeu dva dogaaja u Poissonovim procesima.
Ako imamo Poissonovu raspodjelu s parametrom t , onda su vremena izmeu
dogaaja raspodijeljena eksponencijalno s parametrom .
79
2 raspodjela
Def:
Neka je n N . Kontinuirana sluajna varijabla X ima 2 raspodjelu s parametrom n
ako je njezina funkcija gustoe vjerojatnosti dana s
x n / 2 1e x / 2
, x0
n/2
2
(
n
/
2
)
f ( x; n ) =
0
, x<0
0,6
0,5
0,4
=2
=5
=10
=20
0,3
0,2
0,1
0
0
80
10
12
14
16
18
20
1
e
2
( x )2
2 2
dx
2 u
du pa je vjerojatnost da se X nae
dP =
( X )2
2
81
1,5
1,0
0,5
0,0
0
Neka imamo n nezavisnih normalnih sluajnih varijabli koje sve imaju isti i
razliite i , tj. Xi~N(,i2). Definirajmo veliinu
n
( X i )2
i =1
i2
=
2
82
M
0,151
0,125
0,069
0,062
0,124
0,105
0,079
0,074
0,153
0,058
xDX
primjer:
U gornjem primjeru je, npr., rubna vjerojatnost za matematiku pX(mat)=0,256 , a rubna
vjerojatnost za muki spol pY(M)=0,531.
P(( X , Y ) A) = f ( x, y )dxdy
A
f ( x, y ) 0 ;
f ( x, y)dxdy = 1
83
primjer:
Neka je zdruena funkcija gustoe vjerojatnosti za kontinuirane varijable X i Y dana s
6
( x + y 2 ) x [0,1] , y [0,1]
f ( x, y ) = 5
0
inace
Provjerite je li to ispravna funkcija gustoe vjerojatnosti! Izraunajte vjerojatnost da je
1
1
iY !
4
4
f X ( x) =
f ( x, y )dy
fY ( y) =
f ( x, y)dx
1
bez obzira na X !
4
Uvjetne raspodjele
84
X =
x p
x p ( x, y )
( x) =
xD X
X =
Def:
Y =
x f X ( x )dx =
y p
( y) =
yDY
Y =
ili
xD X yDY
x f ( x, y )dxdy
y p( x, y )
ili
xD X yDY
y fY ( y )dy =
y f ( x, y )dxdy
Momenti
Pomoni momenti dvodimenzionalne raspodjele:
mrs =
y s p ( x, y )
ili
xDX yDY
mrs =
y s f ( x, y )dxdy
M rs =
(x ) ( y )
r
xD X yDY
p( x, y )
ili
M rs =
(x ) ( y )
r
f ( x, y )dxdy
Vidimo da je
M 20 = V ( X ) = X2
M 02 = V (Y ) = Y2
85
Kovarijanca
Cov( X , Y ) = XY = M 11
Primjer:
Korelacija
Kovarijanca je veliina koja nam govori o povezanosti (zavisnosti) varijabli X i Y.
Meutim, iznos kovarijance ovisi o jedinicama u kojima mjerimo. Da bismo mogli
neto rei stupnju zavisnosti, moramo tu povezanost izraziti bezdimenzionalnim
veliinama. Stoga uvodimo pojam korelacije.
Def:
Koeficijent korelacije varijabli X i Y definiran je kao
Corr ( X , Y ) = X ,Y = =
XY
X Y
Svojstva:
1. Corr ( aX + b, cY + d ) = Corr ( X , Y )
2. 1 1
3. Ako su X i Y nezavisne varijable, onda je =0. (Obrat ne vrijedi)
4. Ako je Y=aX+b onda i samo onda je =1 ili =-1.
Korelacija koja iezava ne iskljuuje povezanost veliina, nego samo linearnu
povezanost.
Korelacija blizu 1 ne znai nuno da su porast veliine X uzrokuje porast veliine Y,
nego samo da postoji veza meu njima (primjer: karijes i rjenik djece).
86