Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Pravděpodobnost náhodných jevů

Podobné prezentace


Prezentace na téma: "Pravděpodobnost náhodných jevů"— Transkript prezentace:

1 Pravděpodobnost náhodných jevů
Pravděpodobnost náhodného jevu je číslo, které je mírou očekávatelnosti výskytu jevu. Náhodným jevem rozumíme opakovatelnou činnost prováděnou za stejných (nebo přibližně stejných) podmínek, jejíž výsledek je nejistý a závisí na náhodě. Příklady mohou být například házení kostkou, střelba do terče nebo losování loterie. Blaise Pascal Pierre de Fermat Rozvoj teorie pravděpodobnosti probíhal od 17. století, zpočátku inspirován hlavně hazardními hrami. Za její počátek se považuje slavná výměna dopisů mezi matematiky Blaisem Pascalem a Pierrem Fermatem zahájená roku Šlo jim tehdy o otázku, jak spravedlivě rozdělit bank mezi hráče, jestliže série hazardních her musela být předčasně přerušena. Dalším stimulem pak byl rozvoj pojišťovnictví. V rámci projektu „Cesta k vědě“ (veda.gymjs.net) vytvořil V. Pospíšil Modifikace a šíření dokumentu podléhá licenci GNU GPL (www.gnu.org).

2 Pravděpodobnost náhodných jevů
Klasická definice pravděpodobnosti : Buď M množina elementárních jevů (tedy takových, které nelze složit z jiných a které jsou zcela rovnocené) o n prvcích. Pravděpodobnost výskytu jevu A, který je složen z m elementárních jevů je Definice 77. Například při hodu šestistěnnou kostkou je elementární jev pád každého čísla od 1 do 6. Pravděpodobnost toho, že padne právě jedno určité číslo je Jev „padne sudé číslo“ je jev složený za tří : „padne sudé číslo“ = „padne 2“ nebo „padne 4“ nebo „padne 6“ a má tedy pravděpodobnost

3 Pravděpodobnost náhodných jevů
Věta 42. Nechť množina M obsahuje n elementárních jevů, nechť p je pravděpodobnost na této množině, A a B disjunktní jevy. Potom platí : 1 ) 2 ) Kde S je jev, který nastane při každém náhodném pokusu a 0 jev, který nenastane nikdy. 3 ) Kde pod sjednocením jevů rozumíme „nastane A“ nebo „nastane B“. Jevy musí být disjunktní, tedy A a B nemohou nastat současně. 4 ) Pravděpodobnost, že ve dvou nezávislých pokusech nastanou jevy A a B je 5 ) 6 ) Tj. pravděpodobnost, že nastane doplněk A do B je rovna rozdílu pravděpodobností B a A.

4 Pravděpodobnost náhodných jevů
Házejme dvěmi kostkami. Jaké je pravděpodobnost, že součet bude roven pěti? A sedmi? Příklad V osudí je a bílých koulí a b černých. Taháme postupně tři koule a už je nevracíme zpět (tedy se celkový počet koulí v osudí zmenšuje). Určeme pravděpodobnost, že všechny vytažené koule jsou bílé. Příklad V osudí je a bílých koulí a b černých. Taháme postupně tři koule a už je nevracíme zpět (tedy se celkový počet koulí v osudí zmenšuje). Určeme pravděpodobnost, že vytažené koule jsou dvě bílé a jedna černá, přičemž nám nezáleží na tom, v jakém pořadí jsme je vytáhli. Příklad

5 Základní vzorce kombinatoriky
Uspořádaný výběr s opakováním Buď A množina o n prvcích. Vyberme z množiny postupně k prvků tak, že můžeme vybírat vícekrát ten samý (vracíme prvky do množiny). Počet různých k-tic, které takto lze dostat, je variace s opakováním n různých čísel n různých čísel n různých čísel n různých čísel . . . . n n n n n = nk Pravděpodobnost, že náhodně vybereme jednu určitou k-tici tedy je

6 Základní vzorce kombinatoriky
Uspořádaný výběr bez opakování Buď A množina o n prvcích. Vyberme z množiny postupně k prvků, ale podruhé ho již vytáhnout nelze (nevracíme prvky do množiny). variace bez opakování n-1 různých prvků n-2 různých prvků n-3 různých prvků n různých prvků . . . . n (n-1) (n-2) (n-3) = (n-1)(n-2) … (n-k+1) Pravděpodobnost, že náhodně vybereme určitou k-tici tedy je

7 Základní vzorce kombinatoriky
Uspořádaný výběr všech prvků bez opakování Buď A množina o n prvcích. Vyberme z množiny postupně všech n prvků a podruhé nevracíme prvky do množiny permutace n-1 různých prvků n-2 různých prvků n-3 různých prvků n různých prvků 1 zbylý prvek . . . . n (n-1) (n-2) (n-3) n = (n-1)(n-2) … 2.1 Pravděpodobnost, že náhodně vybereme určitou k-tici tedy je

8 Základní vzorce kombinatoriky
Neuspořádaný výběr prvků bez opakování Nezáleží-li nám na pořadí ve výběru k prvků z n-členné množiny, považujeme všechny k-tice se stejnými prvky v různém pořadí za rovnocenné. Takových k-tic je pro každý výběr prvků k!. Vydělíme tedy ještě počet variací bez opakování k! : kombinace bez opakování kombinační číslo Pravděpodobnost, že náhodně vybereme určitou k-tici tedy je

9 Základní vzorce kombinatoriky
Neuspořádaný výběr prvků s opakováním Máme vybrat k prvků z n, mohou se opakovat ale nezáleží nám na pořadí. k = 1 : počet možností je n. 1 1 1 2 1 3 1 4 2 1 2 2 2 3 2 4 3 1 3 2 3 3 3 4 4 1 4 2 4 3 4 4 k = 2 : počet možností je k : počet možností je kombinace s opakováním

10 Nadpis V osudí je a bílých koulí b a černých. Taháme postupně k koulí a už je nevracíme zpět (tedy se celkový počet koulí v osudí zmenšuje). Určeme pravděpodobnost, že poslední vytažená koule je bílá, ostatní černé. Jaká je pravděpodobnost, že poslední je bílá nehledě na předchozí? Příklad Počet koulí v osudí před k-tým tahem je (a + b – k + 1). Celkem bílých z toho je stále a (neboť černá dosud tažena nebyla) a černých (b – k + 1). Pravděpodobnost, že vytáhneme černou resp. bílou kouli je pravděpodobnost, že v předchozích k-1 tazích „padly“ jen samé černé je a že v k-tém losování padne bílá je

11 Základní vzorce kombinatoriky
V osudí je a bílých koulí b a černých. Taháme postupně k koulí a už je nevracíme zpět (tedy se celkový počet koulí v osudí zmenšuje). Určeme pravděpodobnost, že poslední vytažená koule je bílá, ostatní černé. Jaká je pravděpodobnost, že poslední je bílá nehledě na předchozí? Příklad Očíslujme si koule tak, abychom je odlišili, a to bílé indexy 1 až a a černá a+1 až a+b. Kolik k-tic jde z koulí sestavit? Jedná se o variace bez opakování (nevracíme, zatím záleží na pořadí), ale chceme poslední kouli bílou, tedy na posledním místě číslo 1 až a. To znamená, že vlastně vybíráme k-1 koulí z celkového počtu a+b-1, neboť jednu bílou z a možných jsme vybrali dopředu. Tedy máme Celkový počet možných variací je

12 Základní vzorce kombinatoriky
V osudí je a bílých koulí b a černých. Taháme postupně k koulí a už je nevracíme zpět (tedy se celkový počet koulí v osudí zmenšuje). Určeme pravděpodobnost, že poslední vytažená koule je bílá, ostatní černé. Jaká je pravděpodobnost, že poslední je bílá nehledě na předchozí? Příklad Pravděpodobnost je pak podíl tj. vůbec nezáleží na tom, kolikátý pokus děláme, vždycky bude

13 Kde je problém? Pravděpodobnost náhodných jevů
Předchozí definice nám ale nestačí. Kde je problém? No jasně – co když je možných jevů nekonečně mnoho?

14 Geometrická představa o pravděpodobnosti
Přistávací systém na letišti umožňuje přistávání letadel v obtížných podmínkách v minimálních intervalech 5 min. Dvě letadla mají přiletět v 8:00 a 8:10. U prvního letadla se přílet může lišit o 10 minut, u druhého pak o 5 minut. Stanovte pravděpodobnost toho, že jedno z letadel bude muset čekat. Příklad Na jedné ose vyneseme možný přílet jednoho letadla, na druhé druhého. Schopnost letiště stroj přijmout je vynesen na hlavní časové ose (osa kvadrantu). Zelený trojúhelník označuje oblast, kdy může přistávat jedno letadlo a do toho přiletět druhé. Modrá oblast pal vyznačuje dobu, kdy se letadla na letišti střetnou. Poměr těchto ploch pak udává pravděpodobnost, že přistávací systém nebude mít na druhé letadlo čas:

15 Georges-Louis Leclerc
Geometrická představa o pravděpodobnosti Georges-Louis Leclerc Hrabě z Buffonu Buffonova jehla 2 l 2 a Jaká je pravděpodobnost, že vržená jehla dopadne na linkovaný papír tak, že překříží jednu s čar?

16 Geometrická představa o pravděpodobnosti
Předpokládáme, že l < a. Prostor všech možných jevů je popsán dvěmi proměn-nými – x a φ, kde x je vzdálenost středu jehly od nejbližší linky a φ je úhel, který jehla s linkou svírá. Je-li x > a, je jehla v dosahu další linky a jehla přes dvě spadnout nemůže, tedy x l Úhel pak má smysl v intervalu Prostor všech možných jevů je tedy plocha : M a π

17 Geometrická představa o pravděpodobnosti
Aby jehla překřížila linku, musí platit x l což geometricky vyjádřeno je M a π A Potřebujeme znát plochu pod křivou – a tu získáme integrací: Pozn. : uděláme-li vysoký počet hodů a vyjádříme-li pravděpodobnost podílem dobré/všechny, získáme hodnotu π s rozumnou přesností! Z toho plyne

18 Joseph Louis François Bertrand
Geometrická představa o pravděpodobnosti Joseph Louis François Bertrand Bertrandova tětiva Jaká je pravděpodobnost, že náhodně zvolená tětiva bude delší, než strana vepsaného rovnostranného trojúhelníka?

19 Geometrická představa o pravděpodobnosti
Máme více možností výpočtu. První z nich je počítat vzdálenost na poloměru kružnice. V tomto případě je pravděpodobnost zjevně r/2 r/2 r/2 r/2

20 Geometrická představa o pravděpodobnosti
Jiné řešení : rozdělme kružnici na tři úhly. Podle této představy je pravděpodobnost

21 Geometrická představa o pravděpodobnosti
Další řešení : dívejme se, kde leží středy tětiv. Ty opisují kružnici, která protíná trojúhelník. Pravděpodobnost může být poměr obsahu vnitřní a vnější kružnice: Kde je problém? No jasně – je to špatně definovaný problém. V každém případě počítáme úplně jinou úlohu. Geometrická představa zjevně také není dokonalá.

22 Andrej Nikolajevč Kolmogorov
Axiomatická výstavba pravděpodobnosti Kolmgorovova definice pravděpodobnosti : Buď M neprázdná množina, buď μ systém podmnožin M následujících vlastností: Definice 78. 1 ) 2 ) 3 ) Množinu M nazveme množinou elementárních jevů, respektive jevový prostor. Množi- nu μ naz. jevové pole, které obsahuje i jevy složené. Buď definováno zobrazení p : μ -> R takové, že Andrej Nikolajevč Kolmogorov 1 ) 2 ) 3 ) Pro každou posloupnost disjunktních množin (An) z μ platí Toto zobrazení nazveme pravděpodobností na μ.

23 Axiomatická výstavba pravděpodobnosti
Z předchozí definice plynou důsledky, které jsme do dřívějších definic museli zahrnout. Například : a zvolíme-li A = M, získáme tvrzení. a z této rovnice získáme tvrzení. Pravděpodobnost p je ovšem jinak neurčená funkce. Můžeme ji vyrobit tak, aby fungovala pro hrací kostku normální i zfalšovanou nebo třeba pro míru možnosti toho, že nás při procházce v parku zasáhne meteorit. Pozn. : musíme dodefinovat nezávislé jevy. Jsou to takové, pro které platí Dále je třeba definovat úplnou soustavu jevů : je to taková množina jevů, která má dohromady pravděpodobnost 1 a jevy jsou přitom disjunktní. Pro hrací kostku je úplná soustava jevů množina „padlo 1“, „padlo 2“, … „padlo 6“. Pomocí této soustavy lze odvodit všechny další jevy v M. Jedná se tedy vlastně o jakousi „bázi“ množiny M.

24 Podmíněná pravděpodobnost
Při nejrůznějších situacích je třeba zkoumat pravděpodobnost nějakého jevu za předpokladu, že současně nastal jev jiný. Pravděpodobnost jevu A za předpokladu, že nastal jev B definujeme jako tedy pravděpodobnost, že A i B nastanou současně pravděpodobnost, že nastane B Tato definice říká, že máme vzít jako fakt, že nastal jev B – a tedy celá jevové pole se nám vlastně smrskne na případ „nastalo B a k tomu cokoliv dalšího“. Protože ale v původním jevovém poli mohla být pravděpodobnost jevu B velmi malá, musíme pravděpodobnost „jev B a jev A“ vydělit pravděpodobností „jev B“. Tak zajistíme, že jistý jev „B a všechno ostatní dohromady“ bude mít pravděpodobnost 1. Tím, že „zafixujeme“ jev B, vlastně definujeme nové pravděpodobnostní pole s pravděpodobností

25 Podmíněná pravděpodobnost
Házejme dvěmi kostkami. Jev A : padl součet 8. Jev B : padl sudý součet. Zjistěme jednotlivé pravděpodobnosti A a B a podmíněnou pravděpodobnost Příklad Jednotlivé pravděpodobnosti jsou zjevné: 1 2 3 4 5 6 8 Nicméně pokud padl jev B (sudý součet), pak je celkový počet možností poloviční (18) a tedy To nám musí sedět i podle definičního vzorce. Jelikož součet osm je sudý, je jev B při jevu A splněn vždy a Podle vzorce pak

26 Podmíněná pravděpodobnost
O úplné pravděpodobnosti : Buď B nějaký jev z M, buď {A1, … An} úplná množina jevů. Buď P(Ai) pravděpodobnost každého základního jevu Ai, buď P(B/Ai) podmíněná pravděpodobnost jevu B vzhledem ke každému jevu Ai. Potom platí Věta 43. Tj. pravděpodobnost libovolného jevu B lze rozložit do jakési „jevové báze“ – pravděpodobností B vůči Ai a pravděpodobností samotných Ai. Například pro hrací kostku A1 = „padlo 1“, …, A6 = „padlo 6“. Je-li jev B „padlo sudé číslo“, pak

27 Podmíněná pravděpodobnost
Mějme šest cylindrů různých typů. V každém z nich je jiný počet koulí. Celkem máme : Příklad 1x typ 1. : 2 bíle, 1 černá 2x typ 2. : 1 bílá, 10 černých 3x typ 1. : 3 bíle, 1 černá Zvolme náhodně jeden cylindr a a z něj jednu kouli. S jakou pravděpodobností vytáhneme bílou? Máme elementární jevy „volíme cylindr typu 1.“, „volíme cylindr typu 2.“ a „volíme cylindr typu 3.“ . Tyto jevy jsou základní. Můžeme psát, že Pravděpodobnost jev B „vytáhnu bílou kouli“ obecně neznáme, ale známe jeho pravděpodobnosti podmíněné jevy A1, A2, A3 – kolik koulí je ve kterém cylindru přeci víme. Tedy

28 Podmíněná pravděpodobnost
Mějme šest cylindrů různých typů. V každém z nich je jiný počet koulí. Celkem máme : Příklad 1x typ 1. : 2 bíle, 1 černá 2x typ 2. : 1 bílá, 10 černých 3x typ 1. : 3 bíle, 1 černá Zvolme náhodně jeden cylindr a a z něj jednu kouli. S jakou pravděpodobností vytáhneme bílou? Nyní nám stačí dosadit do vzorce : Tj. v cca 21% pokusů vytáhneme bílou kouli.

29 Podmíněná pravděpodobnost
Bayesova : Buď B nějaký jev z M, buď {A1, … An} úplná množina jevů. Buď P(Ai) pravděpodobnost každého základního jevu Ai, buď P(B/Ai) podmíněná pravděpodobnost jevu B vzhledem ke každému jevu Ai. Potom platí Věta 43. Tato věta tedy hovoří o tom, jak získat podmíněné pravděpodobnosti p(Ak / B), známe-li p(B / Ak). Toto tvrzení je okamžitým důsledkem věty předchozí. Bayesova věta je mocný nástroj a v experimentální fyzice je často využívána.

30 Podmíněná pravděpodobnost
Digitální informace se přenáší ve formě signálů představující nuly a jedničky. Cestou ovšem může docházet ke zkreslení. Předpokládejme, že je naměřeno zkreslení v průměru 3 jedniček ze 100 (přijmou se jako nuly) a 7 nul z 1000 (přijmou se jako jedničky). Příklad Dále předpokládejme, že je znám poměr mezi nulami a jedničkami 9:7. Spočítejte pravděpodobnost, že nedošlo ke zkreslení, pokud byla přijata jednička, respektive pokud byla přijata nula. Shrňme si, co máme naměřeno (pozn. : čísla jsou ve skutečnosti samozřejmě jiná) : Pravděpodobnost zkreslení 1, resp. 0 : Poměr mezi počtem 1 a 0 : Mějme nyní událost „přišla 0“ a otestujme pravděpodobnost jevů „byla odeslána 0“ a „byla odeslána 1“.

31 Podmíněná pravděpodobnost
„odešla 0, přišla 0“ je Předně : pravděpodobnosti jevů známe. „odešla 0, přišla 1“ je „přišla 0, odešla 0“ Neznáme ale pravděpodobnosti jevů „v druhém směru“, tedy „přišla 0, odešla 1“ Ty ale získáme z Bayesovy věty. Tedy máme události „přišla 1“ (označme P1) a „přišla 0“ (označme P0) a hypotézy „odešla 0“ (O0) a „odešla 1“ (O1). Hypotézy O0 a O1 tvoří úplnou množinu jevů. Z Bayesovy věty pak plyne pro událost P0 („přišla 0“)

32 Podmíněná pravděpodobnost
Dosadíme, co známe. Jelikož , jsou pravděpodobnosti Dále víme, že událost „odešla 1, přišla 0“ má pravděpodobnost a událost „odešla 0, přišla 0“ Tedy známe vše a po dosazení tj. relativně malá pravděpodobnost (při reálných číslech by ovšem byla ještě o několik řádů nižší.

33 Podmíněná pravděpodobnost
Dopočítáme druhý případ. Známe opět a dále víme, že tedy což je dobře, pravděpodobnost přenos signálu v pořádku je velká a navíc 97.7% + 2.3% = 100% a jiné možnosti než „signál O.K“ a „signál zkomolen“ nejsou.

34 Podmíněná pravděpodobnost
Zkusme druhou možnost. Tedy přišla nám jednička a chceme vědět pravděpodobnost zkreslení: Známe : tj. pravděpodobnost, že se zkreslí nula, je výrazně nižší. Pravděpodobnost, že nula dojde v pořádku, je pak 100% - 0.6% = 99.4% .

35 Podmíněná pravděpodobnost
Bayesova věta v částicové fyzice : Odezva detektoru PID je známá, např. protony jsou identifikovány z 95 %, elektrony z 80% a tak dále. Do detektoru vlétne částice. Co je zač? Odezva detektoru Bayesova věta nám pak řekne, že je to např. z 97% elektron, 3% pion a 0.5% proton.

36 Hustota pravděpodobnosti
Pro spojité náhodné jevy je třeba zavést míru, která by nám vyjádřila, s jakou pravděpodobností se jev „trefí“ do určitého intervalu. Například průmyslové a lékařské rentgeny jsou konstruovány na principu brzdného záření. Elektrický náboj, na který působí zrychlení, vyzařuje fotony. Podle toho, o kolik se zabrzdil, má foton vlnovou délku. Běžné rentgenky nejprve nechají elektrony urychlit v poli o síle cca kV a pak je nechají narazit do masivní kovové anody. Část pohybové energie elektronu se pak promění elektromagnetické záření – RTG. Maximální možná energie fotonu je stejná, jako kinetická energie elektronu, může ale být i cokoliv nižšího. Tento jev je zcela náhodný a musí být popsán pravděpo-dobností – která ale musí mít nějakou spojitou formu.

37 Hustota pravděpodobnosti
Hustota pravděpodobnosti : Buď X veličina nabývající náhodné reálné hodnoty. Existuje-li reálná nezáporná funkce tak, že Definice 78. říkáme, že veličina X má rozdělení f. Funkci f nazýváme hustotou pravděpodobnosti. Plocha, uzavřená pod funkcí f na intervalu <x1, x2> je tedy rovna pravděpodobnosti, že náhodný výběr veličiny X padne do tohoto intervalu. Z toho vyplývají dvě věci. Jednak x1 x2 Veličina někam padnout musí – normovací podmínka. A dále tj. pravděpodobnost, že X nabude jednoho konkrétního vybraného čísla je nulová.

38 Hustota pravděpodobnosti
Funkce na grafu vlevo má tvar rozdělení pro energii fotonů vznikající při brždění elektronů urychlených na Ekmax. Rozdělí-me-li si celý interval <0, Ekmax> na třetiny, vidíme, že největší pravděpodobnost emise mají fotony v první a druhé třetině energetického rozsahu, maximálních energií dosahují jen velice zřídka. Ekmax ⅓Ekmax ⅔Ekmax Dle předchozí poznámky je pravděpodob-nost získání fotonu přesně dané energie nulová. Občas nás ale může zajímat pravděpodobnost, s jakou energie resp. vl-nová délka fotonu padne do nesmírně malého okolí dané hodnoty (infinitezimální interval): derivace?

39 infinitezimální interval
Poissonovo rozdělení Předpokládejme, že máme detektor, který zaznamenává radioaktivní rozpady. Rozpady jsou na sobě naprosto nezávislé a mají pravděpodobnostní charakter. Sledujme pravděpodobnost, že rozpad nastane v časovém intervalu <0, t+dt>, který lze rozdělit na <0,t> a infinitezimální interval <t, t+dt>. Předpokládejme dále, že rozpady jsou natolik řídké, že v infinitezimálním intervalu nedojde více než k jedné události. Jevy jsou nezávislé a tedy musí platit celý interval dlouhý interval infinitezimální interval Za daných předpokladů je rozpadu v infinitezimálním intervalu přímo úměrná jeho délce (čím déle budeme čekat, tím spíše něco přiletí): f μ t Hustota pravděpodobnosti radioaktivního rozpadu Zkoumejme celkový počet rozpadajících se částic: a) Nerozpadla se vůbec žádná. Pravděpodobnost, že se nic nestalo v intervalu <0,t> označme p0(t). Potom platí :

40 Poissonovo rozdělení ? Tato diferenciální rovnice má řešení
ale protože víme, že v intervalu <0,0> se stoprocentně nic nerozpadne, je p0(0) = 1 => C = 1. Tedy pravděpodobnost, že se vůbec nic nerozpadne za čas t klesá s exponenciálou. Konstanta μ je popisuje vlastnost radioaktivního materiálu. b) Dopadla právě jedna částice. Tj. buď se rozpadla v prvním (dlouhém) intervalu, nebo v druhém (infinitezimálním). Tedy pravděpodobnost, že se NErozpadla právě jedna v prvním intervalu pravděpodobnost, že se rozpadla právě jedna pravděpodobnost, že se rozpadla v druhém intervalu pravděpodobnost, že se rozpadla právě jedna v prvním intervalu pravděpodobnost, že se NErozpadla žádná v druhém intervalu Jevy „jedna se rozpadla v prvním“ a „právě jedna se rozpadla v druhém“ se navzájem vylučují, chceme-li tedy pravděpodobnost, že se přihodil alespoň jeden z nich, musíme sečíst pravděpodobnosti každého zvlášť (padlo sudé číslo = padla 2 + padla 4 + padla 6).

41 Poissonovo rozdělení Znovu pak dojdeme k diferenciální rovnici :
Tuto rovnici řeší funkce jak lze snadno ověřit. Takto bychom postupovali dále a dále : rozpadly se celkem dvě částice, rozpadly se celkem tři částice, … rozpadlo se celkem n částic. Výsledné řešení je

42 Poissonovo rozdělení Siméon-Denis Poisson Toto je výraz pro Poissonovo rozdělení – hustota pravdě-podobnosti, že se v časovém intervalu o délce t rozpadne právě n částic. počet částic (n) p μt Pro pevně daný počet částic a proměnný čas je rozdělení spojité, zafixujeme-li ale čas a měníme počet částic, problém se stane diskrétním (obdobně jako pravděpodobnosti hodů na kostce).

43 Gaussovo rozdělení Karl Friedrich Gauss Gaussovo normální rozdělení je jedno z nejdůležitějších statistických rozdělení vůbec. Popisuje například chyby při měření – opakovaně měřená veličina o té samé hodnotě vykáže na přístrojích toto rozdělení. Rozdělení je popsáno konstantami μ (poloha maxima na ose x) a σ (pološířka křivky v přibližně polovině výšky).

44 Podmíněná pravděpodobnost
Příklad Ukažte, že parametr σ má význam vzdálenosti inflexních bodů na křivce od polohy střední hodnoty (μ). Spočítejte, jak vysoko jsou tyto body vůči ose x. Dále ukažte, že integrál gaussova rozdělení přes celý definiční obor je skutečně 1.

45 pravděpodob-nost součtu
Střední hodnota Některá rozdělení mají takový tvar, že určité hodnoty jsou preferované více, než jiné. Například házíme-li dvěmi kostkami, málokdy padne součet 2, často ale padá součet 7: 1 2 3 4 5 6 7 8 9 10 11 12 pravděpodob-nost součtu Pokud se podíváme na rozdělení pravděpodobnosti vrhu dvou kostek, vidíme, že maximální hodnotu má v bodě 7 (viz Osadníci z Katanu a zloděj  ). Tuto hodnotu můžeme získat výrazem :

46 Střední hodnota Vzorec pro výpočet střední hodnoty je vlastně vážený průměr. Dle definice je vážený průměr kde x1 … xn jsou hodnoty veličiny X a w1 … wn jejich váhy. Takto například spočítáme průměr prospěchu, kdy hodnoty xi jsou známky (1 až 5) a váhy počet známek, které student dostal. V případě rozdělení pravděpodobnosti je hodnota jevu vážena jeho pravděpodobností – tedy častěji se vyskytující jevy mají větší váhu, než zřídka se vyskytující jevy. Tedy Pravděpodobnost jevu „veličina X padla jako xi“. Velké X může například znamenat „hod kostkou“. kde n musí jít přes všechny možné jevy. Je-li jev spojitý, přejde suma na integrál :

47 Střední hodnota Střední hodnota rozdělení pravděpodobnosti Střední hodnota rozdělení nemusí být nutně jedním z jevů. Například střední hodnota pro jednoduché vrhy obyčejnou hrací kostkou je Číslo 3.5 na kostce nikdy nepadne, pokud ale učiníme velké množství hodů a uděláme z nich aritmetický průměr, bude se tomuto číslu blížit. Spočítejte střední hodnotu diskrétního rozdělení pn(i) a Gaussova normálního rozdělení. Příklad

48 Střední hodnota Střední hodnota rozdělení má následující vlastnosti :
Střední hodnota rozdělení pravděpodobnosti Střední hodnota rozdělení má následující vlastnosti : 1 ) tj. je lineární. Podívejme se nejprve na diskrétní případ. Je třeba si uvědomit, že výraz aX+b znamená „každou náhodnou realizaci veličiny X vynásobme číslem a a přičtěme b“. Tedy z hodu kostkou {1,2,3,4,5,6} udělá 2X+3 čísla {5,7,9,11,13,15}. Pravděpodobnost jednotlivých hodů je ale stejná, p( X = xi ) je tedy rovna pravděpodobnosti p( aX + b = axi + b). Potom je obdobně

49 Střední hodnota Střední hodnota rozdělení má následující vlastnosti :
Střední hodnota rozdělení pravděpodobnosti Střední hodnota rozdělení má následující vlastnosti : 2 ) 3 ) tj. realizujeme současně dvě náhodné veličiny (hody kostkami) a sečteme, pak střední hodnota je součtem středních hodnot jednotlivých veličin (každé kostky zvlášť). 4 ) pokud jsou veličiny X a Y na sobě zcela nezávislé. Veličiny jsou závislé, pokud jsou nějakým způsobem provázané – například položíme-li na kostky podmínku, že nesmí padnout dvě šestky současně (pokud se tak stane, házíme jednou z nich znovu). Důkaz souvisí s faktem, že pro pravděpodobnosti nezávislých jevů platí p(x.y) = p(x) . p(y) .

50 Střední hodnota Střední hodnota rozdělení má následující vlastnosti :
Střední hodnota rozdělení pravděpodobnosti Střední hodnota rozdělení má následující vlastnosti : 2 ) 3 ) tj. realizujeme současně dvě náhodné veličiny (hody kostkami) a sečteme, pak střední hodnota je součtem středních hodnot jednotlivých veličin (každé kostky zvlášť). 4 ) pokud jsou veličiny X a Y na sobě zcela nezávislé. Veličiny jsou závislé, pokud jsou nějakým způsobem provázané – například položíme-li na kostky podmínku, že nesmí padnout dvě šestky současně (pokud se tak stane, házíme jednou z nich znovu). Důkaz souvisí s faktem, že pro pravděpodobnosti nezávislých jevů platí p(x.y) = p(x) . p(y) .

51 Rozptyl Rozptyl Rozptyl hovoří o tom, jak moc blízko se veličina „motá“ kolem střední hodnoty. Vysoký rozptyl znamená, že se daleko od E(X) vyskytuje často, zatímco nízký rozptyl znamená, že veličina obvykle padá do těsné blízkosti E(X). Definice je také možno přepsat na a dále jako Platí pro nezávislé veličiny

52 Rozptyl Příklad Spočítejte rozptyl při hodu jednou a dvěmi kostkami.
Spočítejte rozptyl diskrétního rozdělení pn(i) Příklad Příklad Spočítejte rozptyl Gaussova normálního rozdělení Protože rozptyl je vzhledem k původní veličině druhá mocnina, zavádí se tzv. směrodatná odchylka, která je v původních jednotkách :

53 Teorie pravděpodobnosti a chyby měření
Při měření fyzikální veličiny se můžeme dopustit mnoha chyb – a vždy se nějakých dopustíme. Každé měření je zatíženo chybou. I když odhlédneme od chyb hrubých či systematických (viz speciální přednáška), nikdy se nelze zbavit tzv. fluktuací. Fluktuace naměřené vznikají součtem mnoha vlivů okolního prostředí na experiment. Jejich základní vlastnosti jsou : Jsou velmi malé Je jich velmi mnoho různých druhů Každá sama o sobě je zcela náhodná a nezávislá na ostatních Jsou se stejnou pravděpodobností kladné či záporné Příklad vidíte na obrázku vpravo – na přístroji odečítáme hodnotu cca 3 A, ačkoliv ve skutečnosti ručička ukazuje -3 A (viz stín přímého osvětlení). Tato chyba závisí na úhlu, pod jakým se na přístroj díváme – a ten může být pokaždé jiný. Této chybě se lze vyvarovat pečlivostí měření, ale fluktuace mají kořen až v kvantové povaze mikrosvěta, kde děje probíhají náhodně.

54 Rozdělení chyby měření
Teorie pravděpodobnosti a chyby měření Jako nejjednodušší příklad předpokládejme, že při měření působí jen tři různé vlivy, a každý z nich měření náhodně upraví o +0.5 nebo o Sepišme si tabulku možných oprav výsledku, víme-li, že naměřený výsledek je x0 – reálný výsledek, Δa – oprava za první vliv, Δb – oprava za druhý, Δc – oprava za třetí. Δa Δb Δc Δa + Δb + Δc -0.5 +0.5 -1.5 +1.5 Rozdělení chyby měření Vidíme, že celková změna výsledku o +0.5 je stejně pravděpodobná jako o -0.5 a třikrát pravděpodobnější než změna o ±1.5 .

55 Rozdělení chyby měření
Teorie pravděpodobnosti a chyby měření Jakodalší příklad předpokládejme, že při měření působí opět jen tři různé vlivy, a.e každý z nich měření náhodně upraví o +0.5, -0.5, nebo jej neupraví vůbec. Sepišme si tabulku možných oprav výsledku, víme-li, že naměřený výsledek je x0 – reálný výsledek, Δa – oprava za první vliv, Δb – oprava za druhý, Δc – oprava za třetí. Δa Δb Δc Δ Δa Δb Δc Δ Δa Δb Δc Δ Rozdělení chyby měření

56 Teorie pravděpodobnosti a chyby měření
Budeme-li přidávat další fluktuace a rozšíříme-li jejich možnosti, budou se rozdělení dále komplikovat: Co nám toto připomíná?

57 Teorie pravděpodobnosti a chyby měření
Při reálných měřeních se rozdělení fluktuací projeví i v rozdělení naměřených hodnot: Histogram s naměřenými hodnotami silně připomíná tvar Gaussova normálního rozdělení.

58 Co je histogram Histogram Počet událostí Hodnota události

59 Co je histogram Počet událostí Hodnota události

60 Teorie pravděpodobnosti a chyby měření
Při reálných měřeních se rozdělení fluktuací projeví i v rozdělení naměřených hodnot: Histogram s naměřenými hodnotami silně připomíná tvar Gaussova normálního rozdělení.

61 Teorie pravděpodobnosti a chyby měření
Gaussovo rozdělení tedy popisuje rozdělení naměřených hodnot s tím, že hledaná hodnota je v místě vrcholu, tedy x0 = μ. Dá se ukázat, že uděláme-li n měření xi, pak výběrový průměr střední chyba jednoho měření (parametr rozdělení chyb) Tj. lze nalézt jedno rozdělení, podle kterého se měření veličiny řídí.

62 Shrnutí Klasická definice pravděpodobnosti
Zbytek ve fyzice . Klasická definice pravděpodobnosti Základní vzorce kombinatoriky Geometrická představa pravděpodobnosti Kolmogorovova definice pravděpodobnosti Podmíněná pravděpodobnost Bayesova věta Hustota pravděpodobnosti Poissonovo rozdělení Gaussovo normální rozdělení Střední hodnota, rozptyl Pravděpodobnost a chyby měření


Stáhnout ppt "Pravděpodobnost náhodných jevů"

Podobné prezentace


Reklamy Google