From dd4bf992b126d546c7ffa52e8499dc6e83e5fab6 Mon Sep 17 00:00:00 2001 From: xcjajx Date: Sat, 9 Nov 2024 18:03:08 +0100 Subject: [PATCH] Delete Przewdonik_studenta_cwiczenia/03_przewodnik_studenta_aksjomaty.ipynb --- .../03_przewodnik_studenta_aksjomaty.ipynb | 370 ------------------ 1 file changed, 370 deletions(-) delete mode 100644 Przewdonik_studenta_cwiczenia/03_przewodnik_studenta_aksjomaty.ipynb diff --git a/Przewdonik_studenta_cwiczenia/03_przewodnik_studenta_aksjomaty.ipynb b/Przewdonik_studenta_cwiczenia/03_przewodnik_studenta_aksjomaty.ipynb deleted file mode 100644 index 3be62a7..0000000 --- a/Przewdonik_studenta_cwiczenia/03_przewodnik_studenta_aksjomaty.ipynb +++ /dev/null @@ -1,370 +0,0 @@ -{ - "cells": [ - { - "cell_type": "markdown", - "id": "4c5e42", - "metadata": { - "collapsed": false - }, - "source": [ - "# Aksjomatyczna definicja prawdopodobieństwa. Przestrzenie produktowe i warunkowe" - ] - }, - { - "cell_type": "markdown", - "id": "97f826", - "metadata": { - "collapsed": false - }, - "source": [ - "**Treści kształcenia** : Eksperymenty losowe. Klasyczna definicja prawdopodobieństwa. Aksjomatyczna definicja przestrzeni probabilistycznej. Podstawowe własności prawdopodobieństwa. Prawdopodobieństwo na iloczynach kartezjańskich. Prawdopodobieństwo warunkowe. \n", - "\n", - "**Efekty kształcenia**: Student/ka potrafi konstruować przestrzenie probabilistyczne dla zadanych problemów rachunku prawdopodobieństwa; potrafi wyrazić podstawowe problemy w języku zdarzeń losowych; umie zastosować poznane twierdzenia i własności przestrzeni probabilistycznych do rozwiązywania prostych zagadnień rachunku prawdopodobieństwa." - ] - }, - { - "cell_type": "markdown", - "id": "95867b", - "metadata": { - "collapsed": false - }, - "source": [ - "## Wstęp\n", - "\n", - "Nasze rozważania dotyczące rachunku prawdopodobieństwa zaczęliśmy od modelu klasycznego, w którym zakładaliśmy, że w danym doświadczeniu losowym mamy skończoną liczbę możliwych wyników i wszystkie te wyniki są równo prawdopodobne. Nietrudno podać przykład eksperymentu losowego, którego nie da się opisać za pomocą modelu klasycznego. Weźmy chociażby eksperyment, w którym rzucamy monetą tak długo, aż wypadnie orzeł. W tej sytuacji możliwych wyników eksperymentu jest nieskończenie wiele, bo potencjalnie możemy nigdy nie wyrzucić orła (choć jest to bardzo mało prawdopodobne). Na tej lekcji dowiemy się, w jaki sposób konstruować modele dla eksperymentów losowych w ogólnym przypadku." - ] - }, - { - "cell_type": "markdown", - "id": "edc28c", - "metadata": { - "collapsed": false - }, - "source": [ - "## Aksjomatyczna definicja prawdopodobieństwa\n", - "\n", - "Zanim podamy sposób, w jaki konstruujemy modele dla eksperymentów losowych, musimy zbudować formalne podstawy dla naszego modelu matematycznego. Będziemy bazować na pojęciach z teorii miary i przytoczymy tylko te definicje, które są dla nas niezbędne. Pierwszą z nich jest definicja $\\sigma$-algebry.\n", - "\n", - "**Definicja ($\\sigma$-algebra)**\n", - "\n", - "Niech $\\mathcal{P}(\\Omega)$ oznacza zbiór potęgowy zbioru $\\Omega$. Rodzinę $\\mathcal{F}\\subseteq \\mathcal{P}(\\Omega)$ podzbiorów zbioru $\\Omega$ nazywamy **$\\sigma$-algebrą** jeśli spełnia poniższe warunki:\n", - "\n", - " - $\\Omega\\in\\mathcal{F}$;\n", - " - Jeśli $A\\in\\mathcal{F}$, to $A'\\in\\mathcal{F}$ ($\\mathcal{F}$ jest zamknięta na dopełnienia);\n", - " - Jeśli $A_1, A_2, \\ldots \\in \\mathcal{F}$, to $\\bigcup_{i=1}^{\\infty} A_i \\in \\mathcal{F}$ ($\\mathcal{F}$ jest zamknięta na przeliczalne sumy).\n", - " \n", - "\n", - " **Ćwiczenie 1**\n", - "\n", - "Dwa najprostsze przykłady $\\sigma$-algebr zbioru $\\Omega$ to:\n", - "\n", - " - tzw. **trywialna** $\\sigma$-algebra $\\{\\emptyset, \\Omega\\}$,\n", - " - oraz $\\sigma$-algebra zawierająca wszystkie podzbiory należące do $\\mathcal{P}(\\Omega)$. \n", - " \n", - "\n", - " W ramach ćwiczenia proszę sprawdzić, że obie te rodziny są $\\sigma$-algebrami.\n", - "\n", - " **Definicja (przestrzeń probabilistyczna)**\n", - "\n", - " **Przestrzenią probabilistyczną** nazywamy trójkę $(\\Omega, \\mathcal{F}, \\mathbb{P})$, gdzie $\\Omega$ jest **zbiorem zdarzeń elementarnych**, $\\mathcal{F}$ jest pewną $\\sigma$-algebrą podzbiorów zbioru $\\Omega$, której elementy nazywamy **zdarzeniami**, natomiast $\\mathbb{P}:\\mathcal{F} \\rightarrow [0,1]$ jest **funkcją prawdopodobieństwa** spełniającą następujące aksjomaty:\n", - "\n", - " - $0\\leq \\mathbb{P}(A) \\leq 1$ dla każdego zdarzenia $A\\in\\mathcal{F}$;\n", - " - $\\mathbb{P}(\\Omega) = 1$;\n", - " - Dla dowolnego ciągu parami rozłącznych zdarzeń $A_1, A_2, \\ldots$ zachodzi $\\mathbb{P}(\\bigcup_{i=1}^{\\infty} A_i) = \\sum_{i=1}^{\\infty} \\mathbb{P}(A_i)$ (przeliczalna addytywność).\n", - " \n", - "\n", - "**Uwaga:** W przypadku eksperymentów losowych o skończonym lub przeliczalnym zbiorze zdarzeń elementarnych $\\Omega$ będziemy zawsze przyjmować, że $\\mathcal{F}=\\mathcal{P}(\\Omega)$, a zatem wszsytkie podzbiory zbioru $\\Omega$ są sensownymi zdarzeniami. Ponadto w takiej sytuacji wystarczy zdefiniować funkcję $\\mathbb{P}$ na zdarzeniach elementarnych tak, aby zachodziło\n", - "$$\\sum_{\\omega\\in\\Omega} \\mathbb{P}(\\omega) = 1.$$\n", - "Warunek ten jest konieczny aby spełnić aksjomat mówiący, że $\\mathbb{P}(\\Omega) = 1$. Następnie tę definicję możemy rozszerzyć na wszystkie zdarzenia $A\\in\\mathcal{F}$ przyjmując, że\n", - "$$\\mathbb{P}(A) = \\sum_{\\omega\\in A}\\mathbb{P}(\\omega).$$\n", - "\n" - ] - }, - { - "cell_type": "markdown", - "id": "671105", - "metadata": { - "collapsed": false - }, - "source": [ - "**Przykład 1**\n", - "\n", - "W urnie znajdują się cztery kule czerwone i dwie kule niebieskie. Losujemy z urny po jednej kuli bez zwracania do momentu, aż wylosujemy kulę w kolorze niebieskim. Zbudujmy model przestrzeni probabilistycznej $(\\Omega,\\mathcal{F},\\mathbb{P})$ dla tego eksperymentu. Możemy przyjąć, że \n", - "$$\\Omega = \\{\\omega_1 = N, \\omega_2 = CN, \\omega_3 = CCN, \\omega_4 = CCCN, \\omega_5 = CCCCN\\}$$\n", - "oraz $\\mathcal{F} = \\mathcal{P}(\\Omega)$. Następnie definiujemy funkcję prawdopodobieństwa dla zdarzeń elementarnych przyjmując, że\n", - "$$\\mathbb{P}(\\omega_1) = \\frac{2}{6} = \\frac{1}{3},\\quad \\mathbb{P}(\\omega_2) = \\frac{4}{6}\\cdot\\frac{2}{5} = \\frac{4}{15},\\quad \\mathbb{P}(\\omega_3) = \\frac{4}{6}\\cdot\\frac{3}{5}\\cdot\\frac{2}{4} = \\frac{1}{5},\\quad \\mathbb{P}(\\omega_4) = \\frac{4}{6}\\cdot\\frac{3}{5}\\cdot\\frac{2}{4}\\cdot\\frac{2}{3} = \\frac{2}{15},\\quad \\mathbb{P}(\\omega_5) = \\frac{4}{6}\\cdot \\frac{3}{5}\\cdot \\frac{2}{4}\\cdot \\frac{1}{3}\\cdot \\frac{2}{2} = \\frac{1}{15}.$$\n", - "Proszę zwrócić uwagę, że\n", - "$$ \\frac{1}{3} + \\frac{4}{15} + \\frac{1}{5} + \\frac{2}{15} + \\frac{1}{15} = 1.$$\n", - "Rozważmy teraz zdarzenie $A$ polegające na tym, że wykonaliśmy nieparzystą liczbę losowań. Wówczas $A = \\{\\omega_1, \\omega_3,\\omega_5\\}$ i prawdopodobieństwo tego zdarzenia liczy się w następujący sposób\n", - "$$\\mathbb{P}(A) = \\mathbb{P}(\\omega_1) + \\mathbb{P}(\\omega_3) + \\mathbb{P}(\\omega_5) = \\frac{1}{3} + \\frac{1}{5} + \\frac{1}{15} = \\frac{3}{5}.$$\n", - "\n", - "**Przykład 2**\n", - "\n", - "Rozważmy eksperyment, w którym z urny zawierającej 3 kule białe, 2 kule czerwone i 1 kulę niebieską losujemy równocześnie dwie kule. Jeśli przyjmiemy jako zbiór zdarzeń elementarnych\n", - "$$\\Omega = \\{BB, BC, BN, CC, CN\\},$$\n", - "to na pewno nie będziemy mieli do czynienia z modelem klasycznym, bo np. zdarzenie $BB$ jest bardziej prawdopodobne niż zdarzenie $CC$ \\(w końcu w urnie mamy więcej kul białych niż czarnych\\). Musimy zatem zbudować inny model. Jak zwykle przyjmujemy $\\mathcal{F} = \\mathcal{P}(\\Omega)$ i definiujemy funkcję prawdopodobieństwa na zdarzeniach elementarnych\n", - "$$\\mathbb{P}(BB) = \\frac{{3\\choose 2}}{{6\\choose 2}}=\\frac{1}{5}, \\quad \\mathbb{P}(BC) = \\frac{3\\cdot 2}{{6\\choose 2}}=\\frac{2}{5}, \\quad \\mathbb{P}(BN) = \\frac{3\\cdot 1}{{6\\choose 2}}=\\frac{1}{5}, \\quad \\mathbb{P}(CC) = \\frac{{2\\choose 2}}{{6\\choose 2}}=\\frac{1}{15},\\quad \\mathbb{P}(CN) = \\frac{2\\cdot 1}{{6\\choose 2}}=\\frac{2}{15}.$$\n", - "Sprawdźmy jeszcze, czy powyższe prawdopodobieństwa sumują się do $1$. Mamy\n", - "$$ \\frac15 + \\frac 25 + \\frac15 + \\frac2{15} + \\frac1{15} = 1.$$\n", - "Niech $A$ będzie zdarzeniem polegającym na wylosowaniu kul w tym samym kolorze. Wówcza $A = \\{BB, CC\\}$ i dostajemy\n", - "$$\\mathbb{P}(A) = \\mathbb{P}(BB) + \\mathbb{P}(CC) = \\frac15 + \\frac1{15} = \\frac4{15}.$$\n" - ] - }, - { - "cell_type": "markdown", - "id": "fd107c", - "metadata": { - "collapsed": false - }, - "source": [ - "## Własności funkcji prawdopodobieństwa\n", - "\n", - "Podamy teraz podstawowe własności funkcji prawdopodobieństwa, z których będziemy często korzystać na tym kursie. Proszę pamiętać, że zdarzenia są po prostu zbiorami, natomiast funkcja prawdopodobieństwa $\\mathbb{P}$ przypisuje tym zbiorom pewną miarę (zwaną **miarą probabilistyczną**), czyli wartość liczbową z przedziału $[0,1]$. Okazuje się, że wiele z własności funkcji prawdopodobieństwa w pewnym sensie dziedziczy się z odpowiednich własności zbiorów w teorii zbiorów.\n", - "\n", - "**Twierdzenie (własności funkcji prawdopodobieństwa)**\n", - "\n", - "Dla dowolnej przestrzeni probabilistycznej $(\\Omega, \\mathcal{F}, \\mathbb{P})$ oraz dowolnych zdarzeń $A, B, C\\in\\mathcal{F}$ zachodzi:\n", - " - **(W1)** $\\mathbb{P}(\\emptyset) = 0$;\n", - " - **(W2)** Jeśli zdarzenia $A_1, A_2, \\ldots, A_n\\in\\mathcal{F}$ są parami rozłączne, to $\\mathbb{P}(\\bigcup_{i=1}^n A_i) = \\sum_{i=1}^n \\mathbb{P}(A_i)$ (skończona addytywność);\n", - " - **(W3)** $\\mathbb{P}(A') = 1 - \\mathbb{P}(A)$ (prawdopodobieństwo zdarzenia przeciwnego);\n", - " - **(W4)** Jeśli $A\\subset B$, to $\\mathbb{P}(B\\setminus A) = \\mathbb{P}(B) - \\mathbb{P}(A)$;\n", - " - **(W5)** Jeśli $A\\subset B$, to $\\mathbb{P}(A) \\leq \\mathbb{P}(B)$ (monotoniczność prawdopodobieństwa);\n", - " - **(W6)** $\\mathbb{P}(A\\cup B) = \\mathbb{P}(A) + \\mathbb{P}(B) - \\mathbb{P}(A\\cap B)$ (odpowiednik zasady włączania i wyłączania dla dwóch zbiorów);\n", - " - **(W7)** $\\mathbb{P}(B\\setminus A) = \\mathbb{P}(B) - \\mathbb{P}(A\\cap B)$;\n", - " - **(W8)** $\\mathbb{P}(A\\cup B\\cup C) = \\mathbb{P}(A) + \\mathbb{P}(B) + \\mathbb{P}(C) - \\mathbb{P}(A\\cap B) - \\mathbb{P}(A\\cap C) - \\mathbb{P}(B\\cap C) + \\mathbb{P}(A\\cap B\\cap C)$ (odpowiednik zasady włączania i wyłączania dla trzech zbiorów).\n", - " \n", - "\n", - "**Przykład 3**\n", - " \n", - "Powtarzamy eksperyment polegający na rzucie czworościenną kostką, zatem możliwe wyniki pojedynczego rzutu to $1$, $2$, $3$ lub cztery $4$. \n", - " \n", - " - Ile wynosi prawdopodobieństwo wyrzucenia czwórki dokładnie jeden raz w pierwszych trzech rzutach?\n", - " \n", - "Skorzystamy z modelu klasycznego z $\\Omega = \\{1,2,3,4\\}^3$. Niech $A_i$ oznacza wyrzucenie czwórki tylko w $i$-tym rzucie, $i=1,2,3$. Wówczas chcemy policzyć prawdopodobieństwo zdarzenia $A_1\\cup A_2\\cup A_3$. Zauważmy, że zdarzenia $A_1$, $A_2$ i $A_3$ **są parami rozłączne** i z symetrii każde z nich ma takie samo prawdopodobieństwo. Zatem korzystając z własności (W2) mamy\n", - " $$\\mathbb(A_1\\cup A_2\\cup A_3) = \\mathbb{P}(A_1) + \\mathbb{P}(A_2) + \\mathbb{P}(A_3) = 3 \\cdot \\frac{1 \\cdot 3 \\cdot 3}{4 \\cdot 4 \\cdot 4} = \\frac{27}{64}.$$\n", - " \n", - " - Ile wynosi prawdopodobieństwo wyrzucenia czwórki co najmniej jeden raz w pierwszych dwóch rzutach?\n", - " \n", - "Teraz przyjmiemy, że $\\Omega = \\{1,2,3,4\\}^2$. Niech $B_i$ oznacza zdarzenie polegające na wyrzuceniu czwórki w $i$-tym rzucie, $i=1,2$. Interesuje nas prawdopodobieństwo zdarzenia $B_1\\cup B_2$, ale tym razem zdarzenia $B_1$ i $B_2$ **nie są rozłączne**, zatem musimy posłużyć się własnością (W6), z której otrzymujemy\n", - "$$ \\mathbb{P}(B_1\\cup B_2) = \\mathbb{P}(B_1) + \\mathbb{P}(B_2) - \\mathbb{P}(B_1\\cap B_2) = 2\\cdot \\frac{1\\cdot 4}{4\\cdot 4} - \\frac{1\\cdot 1}{4\\cdot 4} = \\frac{7}{16}.$$\n", - "Oczywiście moglibyśmy też policzyć to prawdopodobieństwo inaczej, korzystając ze zdarzenia przeciwnego. Niech zatem $B$ będzie zdarzeniem polegającym na wyrzuceniu czwórki co najmniej jeden raz w dwóch rzutach czworościenną kostką. Korzystając z własności (W3) dostajemy\n", - "$$\\mathbb{P}(B) = 1 - \\mathbb{P}(B') = 1 - \\frac{3\\cdot 3}{4\\cdot 4} = \\frac{7}{16}.$$" - ] - }, - { - "cell_type": "markdown", - "id": "c76859", - "metadata": { - "collapsed": false - }, - "source": [ - "## Przestrzenie produktowe\n", - "\n", - "W wielu przypadkach będziemy konstruować przestrzenie probabilistyczne dla rozbudowanych eksperymentów korzystając z przestrzeni probabilistycznych dla prostszych doświadczeń. Jako przykład rozważmy $100$-krotny rzut kostką. Liczba wyników tego eksperymentu wynosi $6^{100}$, czyli bardzo dużo. Zatem pracując w takiej przestrzeni będziemy operować na ogromnych liczbach, co wydaje się być problematyczne. A jednak nasz eksperyment można potraktować jako doświadczenie losowe składające się ze $100$ mniejszych eksperymentów (pojedyncze rzuty kostką), których naturę doskonale rozumiemy. W tym miejscu z pomocą przychodzi nam przestrzeń produktowa, która jest w pewnym sensie uogólnieniem pojęcia iloczynu kartezjańskiego zbiorów, rozszerzonego na nasze trójki postaci $(\\Omega, \\mathcal{F},\\mathbb{P})$.\n", - "\n", - "**Definicja (przestrzeń produktowa)**\n", - "\n", - "Niech $(\\Omega_1, \\mathcal{F}_1, \\mathbb{P}_1)$ oraz $(\\Omega_2, \\mathcal{F}_2, \\mathbb{P}_2)$ będą dwoma przestrzeniami probabilistycznymi. **Iloczynem (produktem)** tych przestrzeni nazywamy przestrzeń probabilistyczną $(\\Omega,\\mathcal{F},\\mathbb{P})$, gdzie $\\Omega = \\Omega_1\\times\\Omega_2$, $\\mathcal{F}$ zawiera wszystkie zbiory postaci $A_1\\times A_2\\in \\mathcal{F}_1\\times\\mathcal{F}_2$, oraz funkcja prawdopodobieństwa $\\mathbb{P}$ spełnia warunek\n", - "$$\\mathbb{P}(A_1\\times A_2) = \\mathbb{P}_1(A_1)\\cdot\\mathbb{P}_2(A_2).$$\n", - "Definicję tę można uogólnić na dowolną skończoną lub przeliczalną rodzinę przestrzeni probabilistycznych.\n", - "\n", - "**Uwaga:** W powyższej definicji $\\mathcal{F}$ jest $\\sigma$-algebrą generowaną przez zbiory postaci $A_1\\times A_2$, czyli najmniejszą $\\sigma$-algebrą, która zawiera wszystkie takie zbiory." - ] - }, - { - "cell_type": "markdown", - "id": "a6627f", - "metadata": { - "collapsed": false - }, - "source": [ - "\n", - "## Schemat Bernoulliego\n", - "\n", - "Klasycznym przykładem zastosowania przestrzeni produktowych, który będzie się przewijał przez cały kurs, jest **schemat Bernoulliego**. Niech $p\\in(0,1)$ oraz $n\\in\\mathbb{N}_+$. Przypuśćmy, że powtarzamy $n$ razy eksperyment losowy, w którym prawdopodobieństwo sukcesu wynosi $p$ (a porażki $1-p$) oraz wyniki poszczególnych prób nie mają na siebie nawzajem wpływu. Jeśli $\\tau_k$ oznacza prawdopodobieństwo uzyskania dokładnie $k$ sukcesów w $n$ próbach, to\n", - "$$\\tau_k = {n\\choose k}p^k(1-p)^{n-k} \\ \\text{ dla } \\ k=0,1,\\ldots,n.$$\n", - "Zatem w schemacie Bernoulliego powtarzamy ten sam eksperyment, tzw. **próbę Bernoulliego**, ustaloną liczbę razy $n$ przy założeniu, że poszczególne próby są niezależne. W tym wypadku korzystamy z przestrzeni probabilistycznej, która jest produktem $n$ przestrzeni odpowiadających pojedynczym próbom Bernoulliego.\n", - "\n", - "**Przykład 4**\n", - "\n", - "Losujemy z potasowanej talii jedną kartę, po czym wkładamy ją na miejsce i tasujemy talię jeszcze raz. Powtarzamy ten eksperyment $20$ razy. \n", - "\n", - " - Ile wynosi szansa wylosowania karty w kolorze pik dokładnie $5$ razy? \n", - " \n", - "Posłużymy się tutaj schematem Bernoulliego o liczbie prób $n=20$ oraz prawdopodobieństwie sukcesu $p=\\frac{13}{52}=\\frac14$. Interesuje nas prawdopodobieństwo uzyskania dokładnie pięciu sukcesów, które wynosi\n", - " $$ \\tau_5 = {20\\choose 5}\\left(\\frac14\\right)^5\\left(\\frac34\\right)^{15} \\approx 0{,}2023312.$$\n", - "\n", - " - Ile wynosi szansa wylosowania asa co najwyżej 2 razy?\n", - " \n", - "Tym razem zastosujemy schemat Bernoulliego o liczbie prób $n=20$ i prawdopodobieństwie sukcesu $p=\\frac{4}{52} = \\frac{1}{13}$. Szukane prawdopodobieństwo to\n", - "$$ \\tau_0 + \\tau_1 + \\tau_2 = {20\\choose 0}\\left(\\frac1{13}\\right)^0\\left(\\frac{12}{13}\\right)^{20} + {20\\choose 1}\\left(\\frac1{13}\\right)^1\\left(\\frac{12}{13}\\right)^{19} + {20\\choose 2}\\left(\\frac1{13}\\right)^2\\left(\\frac{12}{13}\\right)^{18} \\approx 0{,}8040948.$$ \n", - "\n", - "Oczywiście aby podać przybliżoną wartość powyższego prawdopodobieństwa w obu przypadkach musimy posłużyć się komputerem (np. możemy do tego wykorzystać R). Poniżej znajduje się kod, który pozwoli nam to zrobić." - ] - }, - { - "cell_type": "code", - "execution_count": 4, - "id": "4cdb71", - "metadata": { - "collapsed": false - }, - "outputs": [ - { - "name": "stdout", - "output_type": "stream", - "text": [ - "[1] 0.2023312\n" - ] - }, - { - "name": "stdout", - "output_type": "stream", - "text": [ - "[1] 0.8040948\n" - ] - } - ], - "source": [ - "# Liczymy prawdopodobieństwo uzyskania dokładnie 5 sukcesów w 20 próbach Bernoulliego o prawdopodobieństwie sukcesu równym 0.25\n", - "binom_prob <- dbinom(5, size = 20, prob = 0.25)\n", - "print(binom_prob)\n", - "\n", - "# Liczymy prawdopodobieństwo uzyskania co najwyżej 2 sukcesów w 20 próbach Bernoulliego o prawdopodobieństwie sukcesu równym 1/13\n", - "binom_prob <- dbinom(0, size = 20, prob = 1/13) + dbinom(1, size = 20, prob = 1/13) + dbinom(2, size = 20, prob = 1/13)\n", - "print(binom_prob)" - ] - }, - { - "cell_type": "markdown", - "id": "bc4ddb", - "metadata": { - "collapsed": false - }, - "source": [ - "## Rozkład geometryczny\n", - "\n", - "Kolejnym klasycznym przykładem wykorzystania przestrzeni produktowych jest eksperyment, w którym powtarzamy niezależne próby Bernoulliego do momentu uzyskania pierwszego sukcesu. Tym razem mamy do czynienia z przestrzenią, która powstaje w wyniki wzięcia iloczynu kartezjańskiego nieskończonej liczby przestrzeni odpowiadających poszczególnym próbom. Zatem powtarzamy eksperyment losowy, w którym prawdopodobieństwo sukcesu wynosi $p\\in(0,1)$, do momentu osiągnięcia pierwszego sukcesu. Jeśli przez $\\sigma_k$ oznaczymy prawdopodobieństwo, że potrzebujemy na to $k$ prób, to\n", - "$$\\sigma_k=p(1-p)^{k-1} \\ \\text{ dla } \\ k=1,2,\\ldots$$\n", - "Powyższy model nazywamy **rozkładem geometrycznym**.\n", - "\n", - "**Przykład 5**\n", - "\n", - "Rzucamy czworościenną kostką tak długo, aż wyrzucimy jedynkę. Zatem mamy do czynienia z prawdopodobieństwem geometrycznym o prawdopodobieństwe sukcesu $p=\\frac14$.\n", - " - Ile wynosi prawdopodobieństwo, że do wyrzucenia jedynki po raz pierwszy wykonamy łącznie 5 rzutów?\n", - " $$ \\sigma_5 = \\frac14\\cdot \\left(\\frac34\\right)^4 \\approx 0{,}07910156.$$\n", - " - Ile wynosi prawdopodobieństwo, że do wyrzucenia jedynki po raz pierwszy wykonamy łącznie co najwyżej 4 rzuty?\n", - " $$ \\sigma_1 + \\sigma_2 + \\sigma_3 + \\sigma_4 = \\frac14\\cdot \\left(\\frac34\\right)^0 + \\frac14\\cdot \\left(\\frac34\\right)^1 + \\frac14\\cdot \\left(\\frac34\\right)^2 + \\frac14\\cdot \\left(\\frac34\\right)^3 \\approx 0{,}6835938$$" - ] - }, - { - "cell_type": "code", - "execution_count": 8, - "id": "470e68", - "metadata": { - "collapsed": false - }, - "outputs": [ - { - "name": "stdout", - "output_type": "stream", - "text": [ - "[1] 0.07910156\n" - ] - }, - { - "name": "stdout", - "output_type": "stream", - "text": [ - "[1] 0.6835938\n" - ] - } - ], - "source": [ - "# Liczymy prawdopodobieństwo, że w rozkładzie geometrycznym z prawdop. sukcesu p=0.25 będziemy porzebować dokładnie 5 prób do uzyskania pierwszego sukcesu\n", - "# Proszę zwrócić uwagę, na przesunięcie o 1 czyli dgeom(x, prob=p) zwraca p(1-p)^x\n", - "geom_prob <- dgeom(4, prob=0.25)\n", - "print(geom_prob)\n", - "\n", - "# Liczymy prawdopodobieństwo, że w rozkładzie geometrycznym z prawdop. sukcesu p=0.25 będziemy porzebować co najwyżej 4 próby do uzyskania pierwszego sukcesu\n", - "geom_prob <- dgeom(0, prob=0.25) + dgeom(1, prob=0.25) + dgeom(2, prob=0.25) + dgeom(3, prob=0.25)\n", - "print(geom_prob)" - ] - }, - { - "cell_type": "markdown", - "id": "1e4749", - "metadata": { - "collapsed": false - }, - "source": [ - "## Przestrzenie warunkowe\n", - "\n", - "**Definicja (przestrzenie warunkowe)**\n", - "\n", - "Jeśli $(\\Omega, \\mathcal{F}, \\mathbb{P})$ jest przestrzenią probabilistyczną, a $B\\in \\mathcal{F}$ jest zdarzeniem, **dla którego $\\mathbb{P}(B)>0$**, wtedy możemy skonstruować **przestrzeń warunkową** $(B, \\mathcal{F}_B, \\mathbb{P}_B)$ przyjmując\n", - "$$\\mathcal{F}_B=\\{A\\cap B: A\\in \\mathcal{F}\\},$$\n", - "a dla każdego $A\\in \\mathcal{F}$\n", - "$$\\mathbb{P}_B(A\\cap B)=\\frac{\\mathbb{P}(A\\cap B)}{\\mathbb{P}(B)}.$$\n", - "Prawdopodobieństwo $\\mathbb{P}_B(A)$ zwykle zapisujemy jako $\\mathbb{P}(A|B)$ i czytamy jako **prawdopodobieństwo (warunkowe) zdarzenia $A$ pod warunkiem (zajścia) zdarzenia $B$**. \n", - "\n", - "**Uwaga:** Jeśli zdarzenia $A$ i $B$ są niezależne, to \n", - "$$\\mathbb{P}(A|B)=\\mathbb{P}(A)\\quad\\textrm{i}\\quad \\mathbb{P}(B|A)=\\mathbb{P}(B)\\,, $$\n", - "zakładając, że $\\mathbb{P}(A), \\mathbb{P}(B)>0$ (bez tego założenia prawdopodobieństwa warunkowe nie są dobrze zdefiniowane).\n", - "\n", - "**Przykład 6**\n", - "\n", - "W grze w pokera gracz dostaje $5$ kart z talii $24$ kart. Jaka jest szansa na uzyskanie pokera (pięć kolejnych kart w tym samym kolorze), jeśli wiemy, że gracz nie dostał żadnego asa?\n", - "\n", - "Niech $B$ będzie zdarzeniem mówiącym, że gracz ma pokera, natomiast $A$ zdarzeniem polegającym na tym, że gracz nie dostał żadnego asa. Wówczas interesuje nas prawdopodobieństwo warunkowe zajścia zdarzenia $B$ pod warunkiem, że zaszło zdarzenie $A$, czyli\n", - "$$\\mathbb{P}(B|A)= \\frac{\\mathbb{P}(A\\cap B)}{\\mathbb{P}(A)} = \\frac{\\frac{4}{{24\\choose 5}}}{\\frac{{20\\choose 5}}{{24\\choose 5}}} = \\frac{4}{{20\\choose 5}} = \\frac{1}{3876}.$$" - ] - }, - { - "cell_type": "code", - "execution_count": 0, - "id": "585f5e", - "metadata": { - "collapsed": false - }, - "outputs": [ - ], - "source": [ - ] - } - ], - "metadata": { - "kernelspec": { - "argv": [ - "/usr/bin/R", - "-e", - "IRkernel::main()", - "--args", - "{connection_file}" - ], - "display_name": "R (system-wide)", - "env": { - }, - "language": "r", - "metadata": { - "cocalc": { - "description": "R statistical programming language", - "priority": 10, - "url": "https://www.r-project.org/" - } - }, - "name": "ir", - "resource_dir": "/ext/jupyter/kernels/ir" - }, - "language_info": { - "codemirror_mode": "r", - "file_extension": ".r", - "mimetype": "text/x-r-source", - "name": "R", - "pygments_lexer": "r", - "version": "4.4.1" - } - }, - "nbformat": 4, - "nbformat_minor": 4 -} \ No newline at end of file