Valószínűségszámítás előadás

informatika BSC/A szakosoknak és Binomiális eloszlás alkalmazása

matematika BSC-seknek  Visszatevéses mintavétel más realizációja:
független kísérletek azonos körülmények
között. P(A)=p esemény, végezzünk n
(rögzített számú) független kísérletet.
 X: az A bekövetkezésének gyakorisága
2019/2020 1. félév (pontosan hányszor jött ki az A). X eloszlása
Zempléni András binomiális (n,p).
 X= X1 + X2 … + Xn ahol Xi az i-edik kísérletnél
zempleni@caesar.elte.hu az A esemény indikátora. Ezek az indikátorok
http://zempleni.elte.hu függetlenek is!

Geometriai (Pascal) eloszlás Poisson eloszlás

 Független kísérletek azonos körülmények k e  
között. P (A)=p esemény, addig végzünk P( X  k ) 
k! (k=0,1,2,…; λ>0
kísérletet, míg A be nem következik. paraméter). Valóban eloszlás. Grafikusan
 X: az első sikeres kísérlet sorszáma.
Állítás. Ha a binomiális eloszlás paramétereire
pk=P(X=k)=p(1-p)k-1 (k=1,2,…) n  úgy, hogy np λ,
Valóban valószínűségeloszlás (p1+p2+…=1) akkor a határérték éppen a λ paraméterű
geometriai eloszlás Poisson eloszlás.
nk
n  k    k e  
Bizonyítás.  k
n
  p 1  p 
nk
   k 1   
k k n  n  k!

Alkalmazások
 Első példa: lórugás áldozatainak száma a
porosz hadseregben.
 Poisson folyamat: időben lejátszódó
folyamatnál adott [a,b) intervallumba eső
események száma (Xa,b) éppen λ(b-a)
Bizonyítás-vázlat
 Legyen pt :=P (X0,t =0). A homogenitás és a
függetlenség miatt p1  p1/ n illetve
n
pt  p1t  et
 Annak a valószínűsége, hogy egy t hosszúságú
intervallumon pontosan k esemény következik be,
közelíthető a n (1  e t / n ) k e t ( nk ) / n
0.4

paraméterű Poisson eloszlású, ha a folyamat k 

0.2

 
0.0

homogén: Xa,a+t eloszlása csak t-től függ; kifejezéssel, ami az előzőek és

x


-0.2

utóhatás nélküli: Xa,b és Xb,c függetlenek ha a<b<c; n(1  e t / n )  t

-0.4


-0.6

 nemelfajuló: 0<P (Xa,b =0)<1. -0.4 -0.2 0.0 0.2 0.4

miatt éppen a λ(b-a) paraméterű Poisson eloszlásnál a

u

P(X=k) valószínűség.

1
 Gyakorlati alkalmazások Összefoglalás (diszkrét eloszlások)
 Balesetek száma  Binomiális eloszlás
 Rögzített számú kísérletnél adott esemény gyakorisága
 Viharok száma (pl. 10 kockadobásból a hatosok száma)
 Nagy mintaelemszámra, kicsi valószínűségnél a
 Rendszer meghibásodásainak száma
Poisson eloszlással közelíthető
Tulajdonság: ha kétféle esemény  Pascal eloszlás
 Addig kísérletezünk, míg egy adott esemény be nem
következhet be a folyamat során, akkor
következik, az első sikeres sorszáma (pl. az első hatost
külön-külön az egyes események száma hányadik kockadobásnál kapjuk meg)
is Poisson folyamatot alkot.  Hipergeometriai eloszlás
 Visszatevés nélküli mintavételnél adott típusú

mintaelemek száma (pl. lottóhúzásnál az 5 találat

valószínűsége)

Diszkrét valószínűségi változók

várható értéke Példák
 Szerencsejátékban a pontos nyeremény nem látható  Az elfajult eloszlás várható értéke:
előre. De: az átlagos nyereményről szeretnénk tudni. E(X)=cP(X=c)=c.
(Kedvező-e a játék? Fair játék: az ár éppen a várható  A p valószínűségű A esemény indikátorának várható
érték.) értéke: E(X)=1P(X=1)= p
 Példa: Dobókocka: annyi a nyereményünk, amennyit  Az x1, x2,…xn számokon egyenletes eloszlás

dobunk. Ennek átlagos értéke (mindegyik valószínűsége 1/n) várható értéke a

1/6(1+2+…+6)=21/6=3.5 számok számtani közepe.
 Az (n,p) paraméterű binomiális eloszlás várható
 De ha nem szabályos a kocka, például az egyes értéke: n
helyett is 6 van, akkor az átlagos nyeremény n n
 n  1 k 1
E ( X )   k   p k 1  p    np  p 1  p nk  np
nk
1/6(2+…+5)+6/3=13/3.
k 1  k  k 1  k  1
 Definíció. A pi =P (X=xi) eloszlással megadott  Amerikai rulett. Ha k számra teszünk, a
valószínűségi változó várható értéke E(X):= p1x1+ nyereményünk 36/k. A várható nettó nyeremény
p2x2 +…, ha a sor abszolút konvergens. (36/k) (k/38)-1= - 2/38.

Példák 2. Tulajdonságok
A hipergeometriai eloszlás várható értéke  Nem minden valószínűségi változónak van véges
várható értéke:
 M  N  M   M  1 N  1  ( M  1) 
      P(X=2k)=(1/2)k k=1,2,…
k n  k  n M  k  1  n  1  (k  1)   n M
E ( X )   k  
n
 n esetén E(X)=1+1+1+…=.
N N  N  1 N
k 1
  k 1
   Azaz annak a játéknak az „ára”, ahol 2k Ft-ot kapunk,
n   n 1  ha szabályos érmével k-adikra dobunk először fejet:
végtelen. Ez a Szt.Pétervári paradoxon; gyakorlatban
A Poisson eloszlás várható értéke persze nem reális így ez a játék, hiszen nincs az a

bank, amely korlátlan pénzt tudna fizetni.


e 
e 
e Ha E(X) véges, akkor az abszolút konvergencia miatt
E ( X )   kk   k    k 1  

k 1 k! k 1 (k  1)! k 1 ( k  1)! egyértelmű is.

2
 Alkalmazás: a Pascal eloszlás
Tulajdonságok 2. várható értéke
 Ha X0 és E(X) véges, akkor E(X)0.  P(Xk)=(1-p)k-1, így
 Ha E(X ) véges, akkor E(aX +b)=aE(X )+b
 E(X)=1+(1-p)+(1-p)2+…=1/p.
(a várható érték
 Természetes eredmény: átlagosan a
lineáris).
hatodik dobásra kapjuk az első hatost.
 Ha X nemnegatív

egész értékű, akkor

 Tulajdonság: a Pascal eloszlás örökifjú
P( X  k  l | X  l )  P( X  k )
E (X) =P (X 1)+
P (X 2)+… (k,l tetszőleges természetes számok).

Függvény várható értéke Példák

 Legyen g: R  R függvény, X diszkrét valószínűségi  Ha g(X)=c, akkor E(g (X)) =p1 g(x1)+
változó, pi =P (X=xi) . Ekkor g(X) is valószínűségi
változó, a várható értéke E(g(X)) az eredeti X változó +p2 g(x2)+…=c(p1+ p2 +…)=c.
eloszlásából is kiszámolható:  A kockadobás négyzetének várható értéke:
E(g (X)) =p1 g(x1)+ p2 g(x2)+… (1+4+9+...+36)/6=91/6.
Bizonyítás. A definíció szerint
E(g (X))= q1 y1+ q2 y2+… ahol  Legyen X binomiális eloszlású. E(1/(X+1))=
qi =P (g (X)= yi). yi =g(xj) n
1  n k 1 n
 n  1 k 1
   p (1  p) nk     p (1  p) n1( k 1)
valamely j-re, így az X változó- k 0 k  1 k  (n  1) p k 0  k  1
hoz tartozó teljes eseményrend-
1
szer elemei szerint összegez-  (1  (1  p ) n 1 )
hetünk és így éppen a bizonyítandó állítást kapjuk. (n  1) p

Valószínűségi vektorváltozók Vektorváltozók eloszlása

 Gyakran nem csak egy mennyiséget
vizsgálunk a kísérletünk/megfigyelésünk
során.
 Példa: hőmérséklet, csapadék, szélerő stb.
 X : ΩR n függvény valószínűségi
vektorváltozó, ha {ω: X(ω)B}A minden
B n-dimenziós Borel halmazra.
 X =(X1,…,Xn) pontosan akkor valószínűségi
vektorváltozó, ha a koordinátái valószínűségi
változók.
 Legyen B tetszőleges n-dimenziós Borel
halmaz.
QX(B):=P {ω: X(ω)B} valószínűséget ad
meg R n Borel halmazain. Ez az X eloszlása.
 Speciális eset: ha diszkrét, akkor a
pi :=P (X=xi) valószínűségek meg is
határozzák X eloszlását.
 A kétdimenziós esetben a diszkrét
valószínűségi változó eloszlása
legegyszerűbben táblázattal adható meg:

3
 Példa: kétszer húzunk visszatevéssel
egy francia kártyacsomagból A peremeloszlások
kőr\ ász 0 1 2  (X,Y) eloszlásából (elnevezés: együttes eloszlás)
következtethetünk az egyes változók eloszlására:
0 (36/52)2 2·3·36/(52)2 (3/52)2 P(X=1)=P(X=1,Y=0)+P(X=1,Y=1)+P(X=1,Y=2)
1 2·12·36/(52)2 2·(12·3+1·36) /(52)2 2·3/(52)2  Az egyes koordináták

2 (12/52)2 2·12/(52)2 (1/52)2 (alacsonyabb dimenziós

vektorok) eloszlása:
peremeloszlás.
 Az együttes eloszlás
tehát meghatározza
a peremeloszlást (a
megfordítás természe-
tesen nem igaz) .

Kapcsolat az együttes- és a
peremeloszlás között
 A peremelosz-
lások viszont
2

nem határozzák o 1/ 4+a o 1/ 4-a

1

meg az együttest:
(tetsz. |a|<1/4-re
0
y

P(X=1)=P(X=-1)=1/2
P(Y=1)=P(Y=-1)=1/2)
Kivétel: ha a
-1

o 1/ 4-a o 1/ 4+a


komponensek
függetlenek
-2

-2 -1 0 1 2