]> Valószínűségi mértékek
  1. Virtual Laboratories
  2. 1. Valószínűségi mezők
  3. 1
  4. 2
  5. 3
  6. 4
  7. 5
  8. 6
  9. 7

3. Valószínűségi mértékek

Definíciók, értelmezés

Tegyük fel, hogy adott egy véletlen kísérlet egy S eseménytérrel. Ekkor szemléletesen egy esemény valószínűsége azt méri, hogy mennyire várható, hogy a kísérlet során az adott esemény bekövetkezik.

Axiómák

A matematikailag precíz definíció a következő: a véletlen kísérletünkhöz tartozó valószínűségi mérték (vagy eloszlás) egy, az eseményeken értelmezett valós értékű függvény, amely eleget tesz az alábbi axiómáknak:

  1. A 0 minden A eseményre.
  2. S 1 .
  3. Ha A i i I események egy megszámlálható, páronként diszjunkt családja, akkor i I A i i I A i .

A 3. axiómát nevezik megszámlálható additivitásnak, ami azt jelenti, hogy véges, vagy megszámlálhatóan végtelen sok diszjunkt halmaz uniójának valószínűsége épp a külön-külön vett valószínűségek összege. A fenti axiómákat Kolmogorov axiómáknak nevezik Andrei Kolmogorov tiszteletére.

Az 1. és 2. axióma csak egy skálázást ad: minden esemény valószínűsége 0 és 1 közötti szám (lehetett volna másképp is definiálni, de így volt a legtermészetesebb). A 3. axióma viszont nagyon fontos. Érezhetjük, hogy a megszámlálható additivitási tulajdonságot nemcsak a valószínűségektől várhatjuk el, hanem más mértékektől is, azaz más olyan függvényektől is, amelyek bizonyos halmazok méretét adják meg. Ilyenek például a következők:

A fenti esetek mindegyikében megszámlálható sok diszjunkt halmaz uniójának mérete a halmazok méretének összegével egyenlő. Általános mértékelméletről bővebben a Mértékelmélet részben olvashatunk.

Union of disjoint events

Másfelől a nem megszámlálható additivitást (azaz a 3. axióma kiterjesztését tetszőleges, tehát nem feltétlenül megszámlálható I indexhalmazra) természetes, hogy nem tesszük fel a valószínűségi (és semmilyen más) mértékekre. Hiszen például egy pozitív hosszúságú valós intervallum felírható nem megszámlálható (pontosan kontinuum sok) pont uniójaként, amelyek hossza természetesen nulla.

Tehát már definiáltuk a véletlen kísérletek leírásához szükséges 3 alapvető objektumot:

  1. Az S valószínűségi mezőt,
  2. Az események S osztályát,
  3. A valószínűségi mértéket.

A fenti három objektumot együttesen S S valószínűségi mezőnek nevezzük.

A nagy számok törvénye

Szemléletesen egy esemény valószínűsége azt kell, hogy mérje, hogy ha nagyon sokszor végrehajtjuk a kísérletet, mi a relatív gyakorisága az esemény bekövetkezésének (Richard Von Mises ezt tekintette a valószínűség definíciójának). Pontosabban tegyük fel, hogy egy kísérletet meg tudunk ismételni korlátlan sokszor (ezáltal egy új, összetett kísérletet kapunk). Az eredeti kísérlet egy A eseményére jelölje N n A azon kísérletek számát az első n kísérlet között, amelyek során A bekövetkezett (ezt nevezzük az A esemény gyakoriságának). Vegyük észre, hogy ez egy, az összetett kísérlettől függő valószínűségi változó. Továbbá

P n A N n A n

az A esemény relatív gyakorisága az első n kísérlet során (ami szintén egy, az összetett kísérlettől függő valószínűségi változó). Ha a megfelelő valószínűségi mértéket választottuk, akkor természetes elvárás, hogy a relatív gyakoriságnak valamilyen értelemben a valószínűséghez kell konvergálnia:

P n A A  amint  n .

Ennek a pontos megfogalmazását nevezik a nagy számok törvényének, ami az egyik legfontosabb tétel a valószínűségszámításban. Hangsúlyozzuk, hogy az axiómákat kielégítő valószínűségi mérték rengeteg létezhet, azonban csak a valódi fogja teljesíteni a nagy számok törvényét.

Tehát ha ismerünk egy n kísérlet eredményét tartalmazó adathalmazt, akkor a megfigyelt P n A relatív gyakorisággal közelíthetjük a valódi A valószínűséget. Ezt a közelítést úgy nevezik, hogy az A esemény tapasztalati-, vagy empirikus valószínűsége.

Igazoljuk, hogy P n eleget tesz a valószínűségi mértékek axiómáinak (ahol természetesen adott egy n kísérleti eredményt tartalmazó adathalmaz)!

A valószínűségi változók eloszlása

Tegyük fel, hogy X egy T értékű valószínűségi változó.

Igazoljuk, hogy B X B egy valószínűségi mértéket definiál T -n!

Segítség: Emlékezzünk vissza arra a tényre, hogy az őskép képzés felcserélhető a halmazműveletekkel!

Random variable

Az előző feladatban definiált valószínűségi mértéket az X változó valószínűségi eloszlásának nevezzük. Tehát minden, a kísérletünktől függő X valószínűségi változó segítségével definiálhatunk egy új valószínűségi mezőt:

  1. Az alaphalmaz T (egy olyan halmaz, amely tartalmazza X összes lehetséges kimenetelét),
  2. az események osztálya T ( T részhalmazainak egy megfelelő családja),
  3. a valószínűségi mérték pedig az X változó valószínűségi eloszlása.

Minden kísérlet kimenetele is tekinthető valószínűségi változónak. Azaz ha speciálisan X az identitás függvény S -en, akkor X egy valószínűségi változó, és

X A A .

Tehát minden valószínűségi mértékre gondolhatunk úgy, mint egy valószínűségi változó eloszlására.

Konstrukciók

Mértékek

Hogyan konstruálhatunk valószínűségi mértékeket? Ahogy az előbb már megjegyeztük, más mértékek is léteznek, melyek bizonyos halmazok méretét mérik valamilyen értelemben; sokszor ezekből könnyen előállíthatunk valószínűségi mértéket. Egy (nemnegatív) μ mérték egy S halmazon egy valós értékű függvény, melynek értelmezési tartománya események egy S családja, és amely eleget tesz a fenti 1. és 3. axiómának. Általában μ A lehet végtelen is valamilyen A halmazra. Ha viszont μ S pozitív és véges, akkor μ könnyen átskálázható egy valószínűségi mértékké.

Igazoljuk, hogy ha μ egy mérték S -en, és 0 μ S , akkor az alább definiált egy valószínűségi mérték S -en:

A μ A μ S ,  A S

A 3. feladatban látott esetekben μ S -et normáló konstansnak nevezik. A következő két pontban nagyon fontos speciális eseteket tekintünk.

Diszkrét eloszlások

Legyen S egy véges, nem üres halmaz. Nyilván a jellel jelölt számláló mérték egy véges mérték S -en:

A A  elemeinek száma  ,  A S .

Az ehhez tartozó valószínűségi mértéket S -en értelmezett diszkrét egyenletes eloszlásnak nevezik:

A A S ,  A S .

Megszámlálható halmazok esetén általánosabb konstrukcióval még több valószínűségi mértéket előállíthatunk:

Tegyük fel, hogy S egy nem üres, megszámlálható halmaz, és g egy S -en értelmezett nemnegatív valós értékű függvény. Igazoljuk, hogy az alábbi μ függvény mérték S -en:

μ A x A g x ,  A S .

Tehát, ha 0 μ S , akkor A μ A μ S a 3. feladat értelmében egy valószínűségi mérték. Az ilyen eloszlásokat nevezzük diszkrét eloszlásoknak. A Diszkrét eloszlásokkal részletesen az Eloszlások című fejezetben foglalkozunk.

Az előző feladat jelölései mellett igazoljuk, hogy ha S véges, és g konstans függvény, akkor a kapott valószínűségi mérték épp a diszkrét egyenletes eloszlás S -en!

Folytonos eloszlások

Legyen a standard n -dimenziós mérték a n mérték n -en, amelyre

n A x A 1 .

Ezt a mértéket Lebesgue mértéknek nevezik Henri Lebesgue tiszteletére. Igazából a fenti integrál egy kicsit általánosabb, mint az alap analízisből ismert Riemann integrál, de az esetek túlnyomó többségében ennek pontos ismeretére nem lesz szükségünk. Azaz feltehetjük, hogy az A halmaz elég szép, így az integrál létezik (erről a témáról kicsit bővebben lesz szó a Mérhetőségről szóló fejezetben). Természetesen ha n 1 , akkor a fenti integrál többváltozós, x x 1 x 2 x n , és x x 1 x 2 x n . A megszámlálható additivitási tulajdonság az integrálok megfelelő tulajdonságából következik. Közismert analízisbeli tény, hogy

  1. 1 A az A hossza, amint A .
  2. 2 A az A halmaz területe, amint A 2 .
  3. 3 A az A halmaz térfogata, amint A 3 .

Ha S n olyan halmaz, hogy 0 n S , akkor

A n A n S ,  A S

egy valószínűségi mérték S -en a 3. feladat értelmében. Ezt az eloszlást nevezik S -en értelmezett folytonos egyenletes eloszlásnak.

Az előző konstrukció általánosításával sok más eloszlást is definiálhatunk. Tegyük fel, hogy g egy S -en értelmezett nemnegatív valós értékű függvény, és legyen

μ A x A g x ,  A S .

Ekkor μ egy mérték S -en. Így ha 0 μ S , akkor A μ A μ S a 3. feladat értelmében egy valószínűségi mérték. Az ilyen eloszlásokat folytonos (vagy abszolút folytonos) eloszlásoknak nevezzük. Ezekkel részletesen az Eloszlások fejezet folytonos eloszlások című részében foglalkozunk.

A matematika sok más ágával ellentéteben a valószínűségszámításban az alacsony ( n 1 2 3 ) dimenziós esetek semmilyen megkülönböztetett jelentőséggel nem bírnak. Például a kabóca kísérlet adathalmazában néhány megmért jellemző a testtömeg, a testhossz, a szárnyhossz, és a szárnyszélesség. Az ezen jellemzőket leíró valószínűségi modell 4 egy részhalmazán értelmezett eloszlás lenne.

A valószínűségek számolási szabályai

Alapszabályok

Tegyük fel, hogy adott egy véletlen kísérlet az S eseménytéren, a hozzá tartozó valószínűségi mértékkel. A következő feladatokban A és B eseményeket jelölnek. A feladatok megoldásánál a valószínűségi mértékek axiómáit használjuk!

Igazoljuk, hogy A 1 A . Ezt a szabályt nevezhetjük komplementer szabálynak.

Segítség: A és A diszjunktak, és az uniójuk S .

Event A and its complement

Igazoljuk, hogy 0 .

Segítség: Alkalmazzuk a komplementer szabályt A S -re!

Igazoljuk, hogy B A B A B . Ezt a szabályt nevezhetjük a különbségképzésre vonatkozó szabálynak

Segítség: A B és B A diszjunktak, és az uniójuk B .

Events A and B

Igazoljuk, hogy ha A B , akkor B A B A .

Segítség: Alkalmazzuk a különbségképzésre vonatkozó szabályt, és hogy A B A .

Igazoljuk, hogy ha A B , akkor A B .

Tehát egy növekvő függvény (ahol az események közti részben rendezés a tartalmazás szerinti, rendezése pedig a szokásos). Speciálisan, A 1 minden A eseményre.

Event A is a subset of event B

Tegyük fel, hogy A B . Igazoljuk, hogy

  1. Ha B 0 , akkor A 0 .
  2. Ha A 1 , akkor B 1 .

Boole egyenlőtlenség

Legyen A i i I események egy megszámlálható családja. Igazoljuk a Boole egyenlőtlenséget (amelyet George Boole-ról neveztek el):

i I A i i I A i .
  1. Indokoljuk meg, hogy miért tehető fel az általánosság megszorítása nélkül, hogy I 1 2 .
  2. Legyen B 1 A 1 és B n A n A 1 A n 1 , amint n 2 3 . Igazoljuk, hogy B 1 B 2 páronként diszjunkt halmazok, és az uniójuk megegyezik A 1 A 2 uniójával!
  3. Használjuk az additivitási axiómát!
  4. Végül használjuk a monoton növekedési tulajdonságot!

Szemléletesen a Boole egyenlőtlenség azért igaz, mert a bal oldalon szereplő unió némely részét a jobb oldalon "többször mértük".

Boole's inequality

Legyen A i i I események megszámlálható osztálya, hogy A i 0 , amint i I . A Boole egyenlőtlenség segítségével igazoljuk, hogy

i I A i 0 .

Az olyan A eseményt, melyre A 0 , lehetetlen, vagy nullmértékű eseménynek nevezzük. Az előző eredményünk szerint tehát nullmértékű események megszámlálható uniója is nullmértékű.

Bonferroni egyenlőtlenség

Legyen A i i I események egy megszámlálható családja. Igazoljuk a Bonferroni egyenlőtlenséget (amely Carlo Bonferroni-ról kapta a nevét):

i I A i 1 i I 1 A i .

Segítség: Alkalmazzuk a Boole egyenlőtlenséget a A i i I halmazrendszerre!

Legyen A i i I események megszámlálható osztálya, hogy A i 1 , amint i I . A Bonferroni egyenlőtlenség segítségével igazoljuk, hogy

i I A i 1 .

Az olyan A eseményt, amelyre A 1 , majdnem biztos eseménynek nevezzük. Az előző feladatunk szerint tehát majdnem biztos események megszámlálható metszete is majdnem biztos.

Legyenek A és B a kísérletünktől függő események. Igazoljuk az alábbiakat:

  1. Ha A 0 , akkor A B B .
  2. Ha A 1 , akkor A B B .

Valószínűségek számolása partíciók segítségével

Tegyük fel, hogy A i i I egy megszámlálható partíciója az S eseménytérnek (más szóval teljes esemény rendszer). Igazoljuk, hogy tetszőleges B eseményre

B i I A i B .
Image: Total.png

Természetesen ez az eredmény akkor hasznos, ha a benne szereplő metszetek valószínűségeit ismerjük. Partíciók gyakran valószínűségi változó kapcsán merülnek fel. Tegyük fel például, hogy X egy valószínűségi változó, mely a T megszámlálható halmazban veszi fel az értékeit, B pedig egy tetszőleges esemény. Ekkor

B x T X x B .

Természetesen ebben a formulában a vessző szerepe ugyanaz, mint az előző formulában a metszet jel szerepe.

A szitaformula

A szitaformula események uniójának valószínűségét néhány esemény metszetének valószínűsége segítségével fejezi ki.

Igazoljuk, hogy A B A B A B tetszőleges A és B eseményekkel.

  1. Először vegyük észre, hogy A B A B A , és a két utóbbi halmaz diszjunkt.
  2. Ezután használjuk az additivitási axiómát, és a különbségképzésre vonatkozó szabályt!
Events A and B

Igazoljuk, hogy A B C A + B + C A B A C B C + A B C tetszőleges A , B és C eseményekkel.

Segítség: Használjuk háromszor a két eseményre vonatkozó szitaformulát!

Events A, B, and C

Az előzőkét feladat általánosítható tetszőleges n eseményre, ezt az általánosítást nevezzük szitaformulának.

Legyen A i egy esemény minden i I -re, ahol I n . Igazoljuk, hogy

i I A i k 1 n 1 k 1 J I J k j J A j .

Segítség: használjunk n -re vonatkozó indukciót!

Az általános Bonferroni egyenlőtlenség azt állítja, hogy ha a 20. feladatban szereplő összeg jobb oldalán csak m -ig összegzünk ( m n ), akkor ez az összeg egy felső becslés az unió valószínűségére, ha m páratlan (azaz az utolsó összeadandó pozitív előjelű), és alsó becslés, ha m páros (azaz az utolsó összeadandó negatív előjelű).

A 6-20. feladatok megoldásai triviálisan általánosíthatók tetszőeges véges μ mértékre. Az egyetlen különbség, hogy az 1 konstanst μ S -re kell cserélni. Speciálisan, a szitaformula a kombinatorikában legalább olyan fontos, mint a valószínűségszámításban.

Ekvivalencia

Szemléletesen az ekvivalens események vagy valószínűségi változók olyanok, amelyek valószínűségszámítási szempontból megkülönböztethetetlenek. Ebben a részben ezt a fogalmat definiáljuk matematikailag korrekt módon.

Az A és B eseményekre azt mondjuk, hogy ekvivalensek, ha a szimmetrikus differenciájuk valószínűsége 0:

A B B A A B B A 0 .

Igazoljuk, hogy az ekvivalencia valóban ekvivalencia reláció egy véletlen kísérlet eseményein! Azaz az eseményeket particionálhatjuk olyan módon, hogy az egy partícióba eső események kölcsönösen ekvivalensek.

  1. A ekvivalens A -val minden A eseményre (azaz a reláció reflexív).
  2. Ha A ekvivalens B -vel, akkor B ekvivalens A -val (azaz a reláció szimmetrikus).
  3. Ha A ekvivalens B -vel és B ekvivalens C -vel, akkor A is ekvivalens C -vel (azaz a reláció tranzitív).

Igazoljuk, hogy ekvivalens események valószínűsége megegyezik: ha A és B ekvivalensek, akkor A B .

Az előző állítás megfordítása természetesen nem igaz. Tekintsünk például egy érmedobás kísérletet, és igazoljuk, hogy az a két esemény, hogy az érme fejet, illetve hogy írást mutat, azonos valószínűségű, de nem ekvivalens!

A null- és a majdnem biztos események ekvivalencia osztályokat alkotnak.

  1. Tegyük fel, hogy A egy olyan esemény, melyre A 0 . Igazoljuk, hogy B ekvivalens A -val pontosan akkor, ha B 0 .
  2. Tegyük fel, hogy A egy olyan esemény, melyre A 1 . Igazoljuk, hogy B ekvivalens A -val pontosan akkor, ha B 1 .

Legyenek most X és Y egy kísérlettől függő valószínűségi változók, melyek helyettesítési értéküket a T halmazban veszik fel. Ekkor X és Y ekvivalensek, ha

X Y 1 .

Igazoljuk, hogy a fenti ekvivalencia valóban a T értékű valószínűségi változók ekvivalencia relációja! Azaz a valószínűségi változókat particionálhatjuk olyan módon, hogy az egy partícióba eső valószínűségi változók kölcsönösen ekvivalensek.

  1. X ekvivalens X -szel minden X valószínűségi változó esetén (azaz a reláció reflexív).
  2. Ha X ekvivalens Y -nal, akkor Y ekvivalens X -szel (azaz a reláció szimmetrikus).
  3. Ha X ekvivalens Y -nal és Y ekvivalens Z -vel, akkor X is ekvivalens Z -vel (azaz a reláció tranzitív).

Tegyük fel, hogy X és Y ekvivalens, T értékű valószínűségi változók! Igazoljuk, hogy minden B T részhalmazra az X B és az Y B események ekvivalensek! Lássuk be, hogy X és Y azonos eloszlású!

Legyenek A és B egy véletlen kísérlettől függő események. Igazoljuk, hogy A és B pontosan akkor ekvivalensek, ha az A és az B indikátor valószínűségi változók ekvivalensek!

Tegyük fel, hogy X és Y ekvivalens, T értékű valószínűségi változók, továbbá g egy T -ből U -ba képező függvény. Igazoljuk, hogy g X és g Y ekvivalensek!

Példák, alkalmazások

Tegyük fel, hogy A és B olyan események, hogy A 13 , B 14 , A B 110 . Fejezzük ki szavakkal, hogyan függnek a következő események a kísérlettől, és számítsuk ki a valószínűségüket:

  1. A B
  2. A B
  3. A B
  4. A B
  5. A B .

Tegyük fel, hogy A , B és C olyan események, amelyekre A 0.3 , B 0.2 , C 0.4 , A B 0.04 , A C 0.1 , B C 0.1 , A B C 0.01 . Fejezzük ki halmazműveletekkel a következő eseményeket, és határozzuk meg a valószínűségüket:

  1. A három esemény közül legalább az egyik bekövetkezik.
  2. A három esemény közül egyik sem következik be.
  3. A három esemény közül pontosan az egyik következik be.
  4. A három esemény közül pontosan kettő következik be.

Legyenek A és B olyan események, amelyekre A B 16 , B A 14 , és A B 112 . Határozzuk meg a következő események valószínűségeit:

  1. A
  2. B
  3. A B
  4. A B
  5. A B .

Legyenek A és B olyan események, amelyekre A 25 , A B 710 , és A B 15 . Határozzuk meg a következő események valószínűségeit:

  1. B
  2. A B
  3. B A
  4. A B
  5. A B .

Érmék és kockák

Az érmedobás kísérletben feldobunk n különböző érmét, és a dobott értékeket feljegyezzük az X 1 X 2 X n vektorba (1-et írunk, ha fejet dobtunk, 0-t, ha írást). Jelölje Y a fejek számát.

  1. Vegyük észre, hogy a kísérlet S eseménytere 0 1 n
  2. Igazoljuk, hogy ha az érmék szabályosak, akkor X egyenletes eloszlású S -en!
  3. Igazoljuk, hogy ha az érmék szabályosak, akkor Y k n k 12 n , amint k 0 1 n .
  4. Határozzuk meg a (c) feladatban lévő valószínűségek értékeit 5 érme esetén!

Az előző feladat kísérlete a Bernoulli kísérletek speciális esete (amelyeket Jacob Bernoulli-ról neveztek el). A fejek számát jelölő Y binomiális eloszlású.

Tekintsük az érmedobás kísérletet 3 igazságos érmével. Legyen A az az esemény, hogy az első érme fejet mutat, B pedig az az esemény, hogy pontosan 2 fejet dobtunk. Határozzuk meg a következő valószínűségeket:

  1. A .
  2. B .
  3. A B .
  4. A B .
  5. A B .
  6. A B .
  7. A B .

Az Érmedobás kísérletben válasszunk 3 érmét. Szimuláljunk 1000 kísérletet (frissítsük az ábrát minden kísérlet után), és számítsuk ki az előző feladatban szereplő események relatív gyakoriságát!

A kockadobás kísérletben feldobunk n különböző, k oldalú kockát (ezek oldalai 1-től k -ig be vannak számozva), és a dobott értékeket lejegyezzük az X 1 X 2 X n vektorba. Ez egy általános példa az n multinomiális kísérletre, és a véges populációból vett visszatevéses mintavételezésre. A k 6 speciális esetet nevezzük hagyományos kockadobásnak.

  1. Vegyük észre, hogy a kísérlet S eseménytere 1 2 k n , és S k n
  2. Lássuk be, hogy ha a kockák igazságosak, akkor X egyenletes eloszlású S -en!

Feljegyeztük két hagyományos, igazságos kockadobás eredményét az X X 1 X 2 vektorba. Jelölje A azt az eseményt, hogy az első kockadobás eredménye kisebb mint 3, B pedig azt az eseményt, hogy a dobott számok összege 6.

  1. Fejezzük ki A -t a kimeneteket jelölő változók függvényeként!
  2. Fejezzük ki B -t a kimeneteket jelölő változók függvényeként!
  3. Mennyi A ?
  4. Mennyi B ?
  5. Mennyi A B ?
  6. Mennyi A B ?
  7. Mennyi B A ?

A Kockadobás kísérletben legyen a kockák száma n 2 . Szimuláljunk 100 kísérletet, és határozzuk meg az előző feladatban szereplő események relatív gyakoriságát!

Feldobtunk 2 szabályos, hagyományos kockát, és a dobott számokat feljegyeztük az X X 1 X 2 vektorba. Legyen Y a dobott számok összege, U a kisebbik dobott szám, V pedig a nagyobbik dobott szám!

  1. Határozzuk meg Y y értékét, amint y 2 3 12 .
  2. Határozzuk meg U u értékét, amint u 1 2 6 .
  3. Határozzuk meg V v értékét, amint v 1 2 6 .
  4. Határozzuk meg U u V v értékét, amint u v 1 2 6 2 .
  5. Vegyük észre, hogy az U V pár is jelölhetné a kísérlet kimenetelét, ha nem akarnánk megkülönböztetni a két kockát. Viszont ez a véletlen vektor nem egyenletes eloszlású!

Tekintsük a következő kísérletet: egy pár hagyományos kockát addig dobunk fel, amíg először azt nem látjuk, hogy a dobott számok összege 5 vagy 7. Jelölje A azt az eseményt, hogy az utolsó dobásnál a dobott számok összege 5 (és nem 7). Ilyen típusú kísérletek fordulnak elő a craps nevű játékban.

  1. Tegyük fel, hogy minden kockadobás-pár eredményét feljegyeztük. Adjuk meg a kísérlet eseményterét!
  2. Fejezzük ki A -t, mint az (a) részben adott eseménytér részhalmazát!
  3. Határozzuk meg A valószínűségét, ha az eseménytér az (a) pontban definiált!
  4. Tegyük fel, hogy a két kocka utolsó feldobásának eredményét jegyeztük csak fel. Adjuk meg a kísérlet eseményterét!
  5. Indokoljuk meg, hogy a kísérlet kimenetele miért egyenletes eloszlású a (d) feladatbeli eseménytéren!
  6. Határozzuk meg A valószínűségét, ha az eseménytér a (d) pontban definiált!

Kártyák

Egy hagyományos francia kártyapakli az alábbi szorzathalmazzal modellezhető:

D 2 3 4 5 6 7 8 9 10 ,

ahol az első koordináta a szám vagy figura (ász, 2-10, bubi, dáma, király), a második koordináta pedig a szín (treff, káró, kőr, pikk). Néha egy kártyát két egymás mellé írt szimbólum reprezentál, például .

A kártyakísérletben visszatevés nélkül kiválasztunk n kártyát egy hagyományos, jól megkevert kártyapakliból, és a kártyákat feljegyezzük az X X 1 X 2 X n vektorba, ahol X i D az i -edik kiválasztott kártya. Jelölje W X 1 X 2 X n a kiválasztott kártyák halmazát (rendezés nélkül).

  1. Vegyük észre, hogy a kísérlet S eseménytere a D halmaz összes n méretű permutációiból áll, és S 52 n .
  2. Lássuk be, hogy ha a paklit jól megkevertük, akkor X egyenletes eloszlású S -en!
  3. Vegyük észre, hogy az összes lehetséges W -t tartalmazó T halmaz épp D összes n elemű részhalmaza, és így T 52 n .
  4. Igazoljuk, hogy W egyenletes eloszlású T -n!

Az n 5 speciális eset a póker kísérlet, az n 13 speciális eset pedig a bridzs kísérlet. A póker kísérletről részletesebben a Szerencsejátékok fejezetben olvashatunk.

Tekintsünk egy kártya kísérletet n 2 kártyával. i 1 2 -re jelölje H i azt az eseményt, hogy az i -edik kártya kőr.

  1. Mennyi H 1 ?
  2. Mennyi H 1 H 2 ?
  3. Mennyi H 2 H 1 ?
  4. Mennyi H 2 ?
  5. Mennyi H 1 H 2 ?

A kártya kísérletben legyen n 2 . Szimuláljunk 100 kísérletet, és határozzuk meg az előző feladatban szereplő események relatív gyakoriságát!

Határozzuk meg a póker kísérletben az alábbi események valószínűségét:

  1. A kiválasztott lapok full-t alkotnak (azaz 3 kártya azonos értékű - tehát vagy mindhárom kettes, vagy hármas, ..., vagy ász -, és a maradék kettő is - nyilván az előző 3-tól különböző - de azonos értékű).
  2. A kiválasztott lapok pókert-t alkotnak (azaz az ötből 4 kártya azonos értékű).
  3. A kiválasztott lapok színflös-t alkotnak (azaz mind az öt kártya azonos színű).

Szimuláljunk 1000 póker kísérlet (frissítsük az ábrát minden tizedik után), és határozzuk meg az előző feladatokban szereplő események relatív gyakoriságát!

Határozzuk meg annak a valószínűségét, hogy a bridzs kísérletben nem húztunk sem tízest, sem bubit, sem dámát, sem királyt, sem ászt! Az ilyen leosztást szokás Yarborough-nak nevezni Yarborough őrgróf tiszteletére.

Határozzuk meg annak a valószínűségét, hogy a bridzs kísérletben kiválasztott lapok között

  1. Pontosan 4 kőr van.
  2. Pontosan 4 kőr és 3 pikk van.
  3. Pontosan 4 kőr, 3 pikk, és 2 treff van.

A szitaformula segítségével határozzuk meg az alábbi események valószínűségeit:

  1. Van olyan szín, amely nem szerepel egy pókerkísérletben kiválasztott lapok között.
  2. Van olyan szín, amely nem szerepel egy bridzskísérletben kiválasztott lapok között.

Buffon féle érmedobás kísérlet

A Buffon féle érmedobás kísérletben egy r 12 sugarú érmét véletlenszerűen feldobunk egy olyan padló felett, melyet 1 egység oldalhosszúságú négyzet alakú csempékkel raktunk ki. Miután az érme földet ér, a középpontjának koordinátáit X Y -vel jelöljük, ahol az origó annak a csempének a középpontja, amelyikre az érmeközéppont esik, a koordinátatengelyek pedig párhuzamosak a csemperács éleivel. Legyen A az az esemény, hogy az érme csak egy csempéhez ér hozzá, és jelölje Z az érme középpont origótól való távolságát.

  1. Adjuk meg az S eseményteret!
  2. Lássuk be, hogy X Y egyenletes eloszlású S -en!
  3. Fejezzük ki A -t az X Y valószínűségi változó pár segítségével!
  4. Mennyi A ?
  5. Mennyi A ?
  6. Mennyi Z 12 ?

A Buffon féle érmedobás kísérlet szimulációjában állítsuk be az r 0.2 paraméterértéket! Szimuláljunk 100 kísérletet, és határozzuk meg az előző feladatban szereplő események relatív gyakoriságát!

Urna Modellek

Tegyük fel, hogy van egy urnánk, benne m különböző golyó, melyek meg vannak számozva 1-től m -ig. A kísérletünk pedig az, hogy kiválasztunk n golyót az urnából visszatevés nélkül, és feljegyezzük a golyók sorszámait az X X 1 X 2 X n vektorba. Legyen W X 1 X 2 X n a kiválasztott golyók (rendezetlen) halmaza. Ez a modell lényegében egy véges populációból való visszatevés nélküli mintavételezés.

  1. Vegyük észre, hogy az S eseménytér a golyók halmazának összes n méretű permutációiból áll, és így S m n .
  2. Lássuk be, hogy X egyenletes eloszlású S -en!
  3. Vegyük észre, hogy a lehetséges W -ket tartalmazó T halmaz nem más, mint a golyók halmazának összes n méretű részhalmaza, és így T m n .
  4. Lássuk be, hogy W egyenletes eloszlású T -n!

Tekintsük az előző feladat urnamodelljét, most azonban legyen az urnában lévő golyók közül r darab piros, a maradék m r darab pedig zöld. Ismét egy n elemű mintát veszünk a golyókból. Jelölje Y a kiválasztott piros golyók számát! Ez a kísérlet lényegében egy kétpólusú populációból való visszatevés nélküli mintavételezés. Ekkor az Y valószínűségi változó hipergeometriai eloszlású. Határozzuk meg Y lehetséges értékeit, és igazoljuk, hogy

Y k r k m r n k m n  amint   k 0 1 n .

Legyen az urnánkban 30 golyó, melyek közül 10 piros és 20 zöld. Tegyük fel, hogy 5 golyót választottunk ki véletlenszerűen. Számítsuk ki az előző feladatban szereplő valószínűségek értékeit ebben a konkrét esetben!

Az urna és golyók kísérlet szimulációjában állítsuk be az előző feladat paramétereit (30 golyó, ebből 10 piros, 20 zöld, és ötöt választunk ki). Szimuláljunk 1000 kísérletet, és hasonlítsuk össze az relatív gyakoriságokat az előző feladatban meghatározott pontos értékekkel!

Egy urnában 12 golyó van: 5 piros, 4 zöld és 3 kék. Kiválasztunk 3 golyót véletlenszerűen, visszatevés nélkül.

  1. Definiáljuk a kísérlet eseményterét!
  2. Mennyi annak a valószínűsége, hogy minden kiválasztott golyó azonos színű?
  3. Mennyi annak a valószínűsége, hogy minden kiválasztott golyó különböző színű?

Oldjuk meg az előző feladatot azzal a módosítással, hogy most visszatevéssel választjuk ki a golyókat!

Genetika

Tekintsünk egy rendkívül egyszerű modellt: egy öröklött tulajdonság csak kétféle lehet, például egy borsó hüvelye vagy sárga, vagy zöld. Egy ilyen növénynek két génje van, ami ezt a tulajdonságot kódolja (mindkét szülőtől egy), így a lehetséges géntípusok a következők:

A z z és a s s típusú egyedeket homozygótának, a z s típusú egyedeket heterozygótának hívják. Általában az egyik típusú gén domináns, míg a másik recesszív. Ha például a zöld állapot a domináns a hüvely színére nézve, akkor a z z és a z s génállományú borsók zöld hüvelytermést hoznak, míg a s s génállományú borsók sárgát. A szülőktől az utódok mindig véletlenszerűen kapják a géneket, így minden új növény egy véletlen kísérlet, ahol a kimenetek a lehetséges termésszínek. A borsók hüvelyszínének ilyen vizsgálata Gregor Mendel, a modern genetika úttörője nevéhez fűződik.

Legyen A az az esemény, hogy az utód genotipusa z z , B az az esemény, hogy a genotipus z s , C pedig az az esemény, hogy a genotipus s s . Határozzuk meg a A , B és C valószínűségeket az alábbi esetek mindegyikében:

  1. Mindkét szülő genotipusa z z .
  2. Mindkét szülő genotipusa s s .
  3. Mindkét szülő genotipusa s z .
  4. Az egyik szülő genotipusa z z , a másiké s s .
  5. Az egyik szülő genotipusa z z , a másiké z s .
  6. Az egyik szülő genotipusa s s , a másiké z s .

Egy tipikus nemtől függő öröklődő emberi rendellenesség az X kromoszóma zavara (ez egy a két olyan kromoszóma közül, amely meghatározza az emberek nemét). Jelölje n a normál, d pedig a rendellenességet okozó hibás gént. A nőknek két darab X kromoszómájuk van, a d típusú pedig tipikusan recesszív. Tehát egy nn génállományú nő teljesen egészséges, míg egy nd génállományú nő egészséges ugyan, de hordozza a betegséget, hisz átadhatja a gyerekeinek a hibás gént, végül a dd génállományú nő beteg. A férfiaknak egy X kromoszómájuk van (a másik nemi kromoszóma, az úgynevezett Y kromoszóma ebben a rendelleneségben nem játszik szerepet). Így egy n génállományú férfi egészséges, egy d génállományú férfi beteg. Az előzőekben leírt betegségre példa a dikromácia, vagy színtévesztés, illetve a hemofília, vagy vérzékenység. A következő feladatban kiszámolhatjuk, hogy mikor milyen valószínűséggel öröklődik az ilyen genetikai rendellenesség.

Legyen B az az esemény, hogy egy fiúgyermek beteg, C az az esemény, hogy egy lánygyermek hordozza a betegséget, D pedig az az esemény, hogy egy lánygyermek beteg. Határozzuk meg a B , C és a D valószínűségeket az alábbi esetek mindegyikében:

  1. Az apa és az anya is egészséges.
  2. Az anya hordozó, az apa egészséges.
  3. Az anya egészséges, az apa beteg.
  4. Az anya hordozó, az apa beteg.
  5. Az anya beteg, az apa egészséges.
  6. Az apa és az anya is beteg.

Az előző feladatból levonhatjuk azt a következtetést, hogy egy lánygyermek csak akkor lehet beteg, ha az anya legalább hordozó, és az apa beteg. Egy nagy populációban ez igen ritka esemény, ezért a nemtől függő öröklődő rendellenességek sokkal kevésbé gyakoriak a nőknél, mint a férfiaknál. Röviden úgy is mondhatjuk, hogy a nőket védi az a tény, hogy két X kromoszómájuk van.

Radioaktív sugárzások

Jelölje T annak az időintervallumnak a hosszát (milliszekundumokban mérve), amely egy adott radioaktív anyag által történő két kibocsátás között eltelik, és tegyük fel, hogy T exponenciális eloszlású, azaz:

T A t A t ,  A 0 .
  1. Igazoljuk, hogy ez valóban egy valószínűségi eloszlás!
  2. Mennyi T 3 ?
  3. Mennyi 2 T 4 ?

Jelölje N a radioaktív anyag által egy milliszekundum alatt kibocsátott részecskék számát, és tegyük fel, hogy N Poisson eloszlású, azaz:

N A n A 1 n ,  A .
  1. Igazoljuk, hogy ez valóban egy valószínűségi eloszlás.
  2. Mennyi N 3 ?
  3. Mennyi 2 N 4 ?

Párosítások

Egy titkárnő n darab levelet ír, és meg is címez n darab borítékot a megfelelő címzetteknek (ez n darab különböző ember), de a leveleket a borítékokba véletlenszerűen rakja bele. Jelölje M azt az eseményt, hogy legalább egy levelet a megfelelő borítékba rakott.

Az alábbi lépések és a szitaformula segítségével igazoljuk, hogy

M k 1 n 1 k 1 k .
  1. Legyen M i az az esemény, hogy az i -edik levél az i -edik borítéka kerül. Igazoljuk, hogy M i 1 n n M i .
  2. Legyen J 1 2 n , olyan, hogy J k . Igazoljuk, hogy j J M i n k n .

Az előző feladat eredményének segítségével igazoljuk, hogy

M 1 1  amint   n .

Határozzuk meg M pontos értékét az n 5 és az n 10 esetekben! Hasonlítsuk össze az eredményeket a limeszben kapott valószínűséggel!

A párosítás kísérlet részletes tárgyalása a véges mintavételezési eljárásokról szóló fejezetben található.

Adathalmaz elemzések

Az M&M adathalmazban legyen R az az esemény, hogy a zacskóban van legalább 10 piros cukorka, T az az esemény, hogy a zacskóban van legalább 57 cukorka, és W az az esemény, hogy a zacskó van legalább 50 gramm tömegű. Határozzuk meg a következő események relatív gyakoriságát:

  1. R
  2. T
  3. W
  4. R T
  5. T W .

A kabóca adathalmazban legyen W az az esemény, hogy a kabóca tömege legalább 0,2 gramm, F az az esemény, hogy a kabóca nőstény, és T az az esemény, hogy a kabóca alfaja tredecula. Határozzuk meg a következő események relatív gyakoriságát:

  1. W
  2. F
  3. T
  4. W F
  5. F T W .