Pravděpodobnost
Transkript
Pravděpodobnost a statistika Pravděpodobnost Vilém Vychodil KMI/PRAS, Přednáška 3 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 1 / 58 Přednáška 3: Přehled 1 Struktury náhodných jevů: náhodný jev a jeho výskyt, vzájemné vztahy náhodných jevů a operace s náhodnými jevy, pole, σ-algebry, Borelovské množiny, Borelovské jevové pole. 2 Míry a pravděpodobnostní míry: míra, vlastnosti míry, příklady měr, pravděpodobnostní míra a pravděpodobnostní prostor, Lebesgueova a Diracova míra, klasické pravděpodobnostní prostory. 3 Vlastnosti pravděpodobnostní míry: Kolmogorovovy axiomy, zákony pro počátíní s pravděpodobností, princip inkluze a exkluze, příklady počítání pravděpodobností. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 2 / 58 Opakování: Náhodný pokus Definice (Náhodný pokus a jeho výsledek) Náhodný pokus je činnost probíhající pod vlivem náhody a jehož výsledek není plně určen podmínkami, za kterých je prováděn. Každý náhodný pokus (angl.: random experiment) končí výsledkem, který je nazýván elementární jev (angl.: outcome). Dále předpokládáme, že náhodný pokus může být libovolně opakován, výsledek náhodného pokusu je nejistý dokud není pokus dokončen, předpokládáme, že všechny možné výsledky náhodného pokusu jde vymezit: Definice (Prostor elementárních jevů Ω) Množina všech elementární jevů náhodného pokusu, o který se zajímáme, se označuje Ω a nazývá prostor (elementárních jevů), angl.: outcome space. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 3 / 58 Náhodný jev a jeho výskyt Definice (Náhodný jev, výskyt náhodného jevu) Uvažujme náhodný pokus s prostorem elementárních jevů Ω. Každou podmnožinu A ⊆ Ω nazveme náhodný jev (angl.: event). Speciálně, ∅ nazveme jev nemožný (angl.: empty event, impossible event), Ω nazveme jev jistý (angl.: universal event, certain event). Předpokládejme, že je proveden náhodný pokus a jeho výsledkem je x ∈ Ω. Pokud x ∈ A, pak mluvíme o výskytu náhodného jevu A (angl.: event A occurred). Množinový pohled na náhodné jevy: náhodný jev = libovolná podmnožina Ω Poznámka: Elementární jev x ∈ Ω (Přednáška 1) lze chápat jako náhodný jev {x} ⊆ Ω. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 4 / 58 Příklady (Příklady náhodných jevů) Jsou vrženy dvě kostky; zajímáme se o součet teček na obou kostkách. Ω = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} . A = {2, 4, 6, 8, 10, 12}, B = {2, 3, 4, 5, 6}, . . . Pro Ω = {A, B} máme A1 = ∅, A2 = {M }, A3 = {D}, A4 = {M, D}. Házíme mincí tak dlouho, dokud neuvidíme orla; zajímáme se o počet hodů. Ω = {1, 2, 3, 4, . . . } = N . A = {1, . . . , 100}, B = {n | n ≥ 1000}, . . . Pro spojitý prostor Ω = (50, 400) máme A = (0, 1), B = (0, 1] ∪ [6, 7), . . . V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 5 / 58 Vztahy náhodných jevů Definice (Vzájemně neslučitelné jevy, úplný systém jevů) Uvažujme prostor Ω a spočetně mnoho náhodných jevů A1 , A2 , . . . v tomto prostoru. Náhodné jevy A1 , A2 , . . . nazveme vzájemně neslučitelné (angl.: mutually exclusive events) pokud pro každé i, j, kde i 6= j, platí Ai ∩ Aj = ∅; úplným systémem jevů (angl.: exhaustive events) pokud Ω = A1 ∪ A2 ∪ · · · ; úplným systémem neslučitelných jevů (angl.: mutually exclusive and exhaustive events) pokud jsou vzájemně neslučitelné a tvoří úplný systém jevů. Poznámky: vzájemně neslučitelné jevy: nemohou nastat současně; úplným systémem jevů: alespoň jeden z jevů vždy nastane; úplný systém neslučitelných jevů = nastává právě jeden z jevů V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 6 / 58 Příklady (Příklady vztahů náhodných jevů) Jsou vrženy dvě kostky a zajímáme se o součet teček na horních stranách. Prostor elementárních jevů: Ω = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} A1 A2 A3 A4 A5 = {2, 4, 6, 8, 10, 12} . . . sudý počet teček; = {3, 5, 7, 9, 11} . . . lichý počet teček; = {2, 3, 4, 5, 6, 7} . . . počet teček menší než 8; = {10, 11, 12} . . . počet teček větší než 9; = {3, 4, 5, 6, 7, 8, 9, 10, 11, 12} . . . vše kromě „hadích očíÿ. A1 , A2 A3 , A4 A1 , A5 A3 , A5 ... ... ... ... úplný systém neslučitelných jevů (rovněž třeba A1 , A2 , ∅) vzájemně neslučitelné jevy (rovněž třeba A3 , A4 , ∅) úplný systém jevů (rovněž třeba A1 , A5 , ∅) úplný systém jevů (rovněž třeba A3 , A5 , ∅) Poznámka: úplný systém neslučitelných jevů 6= rozklad na Ω (může obsahovat ∅) V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 7 / 58 Operace s náhodnými jevy Množinové operace: A ∩ B = {x ∈ Ω | x ∈ A a x ∈ B} (průnik) A ∪ B = {x ∈ Ω | x ∈ A nebo x ∈ B} (sjednocení) A − B = {x ∈ Ω | x ∈ A a x 6∈ B} (rozdíl) A0 = {x ∈ Ω | x 6∈ A} = Ω − A (doplněk, neboli komplement) A ÷ B = (A − B) ∪ (B − A) = (A ∪ B) − (A ∩ B) (symetrický rozdíl) Význam: A ∩ B nastane p.k. A nastane a současně nastane B, . . . Vybrané zákony: A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C), A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C), A ∪ (A ∩ B) = A, A ∩ (A ∪ B) = A, (A ∪ B)0 = A0 ∩ B 0 , (A ∩ B)0 = A0 ∪ B 0 , . . . V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 8 / 58 Prevděpodobnost jako míra výskytu náhodného jevu Motivace Chceme náhodnému jevu A ⊆ Ω přiřadit číslo P (A), zvané pravděpodobnost výskytu jevu A, které přiřazuje náhodnému jevu A míru jistoty jeho výskytu. Jaké vlastnosti by měla mít funkce P ? P (∅) = 0 (míra jistoty výskytu nemožného jevu je 0), P (Ω) = 1 (míra jistoty výskytu jistého jevu je 1), pokud A ⊆ B, pak P (A) ≤ P (B) (monotonie), aditivita: pokud A ∩ B = ∅, pak P (A ∪ B) = P (A) + P (B). Rozdělíme náhodný jev C na dvě disjunktní části A a B, stanovíme pravděpodobnosti P (A) a P (B) výskytu A a B, vypočteme pravděpodobnost P (C) výskytu C jako P (C) = P (A) + P (B). σ-aditivita (zesílení aditivity pro sekvence náhodných jevů, viz dále), . . . V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 9 / 58 Příklad (Pravděpodobnost jako délka) Uvažujme prostor elementárních jevů Ω = [0, 1] ⊆ R. Náhodný pokus: „Je vybráno jedno číslo z Ω, přitom všechna čísla mají stejnou šanci být vybrána.ÿ Pokud je náhodný jev (otevřený) interval (a, b) ⊆ Ω, pak má smysl chápat pravděpodobnost výskytu tohoto jevu jako délku intervalu (a, b), například: pokud A = (0.3, 0.7), pak P (A) = 0.7 − 0.3 = 0.4; pokud B = (0.1, 0.25), pak P (B) = 0.25 − 0.1 = 0.15, . . . Použitím aditivity (součet délek disjunktních intervalů): pokud C = (0.3, 0.7) ∪ (0.1, 0.25), pak P (C) = 0.4 + 0.15 = 0.55, . . . Pozorování: P se na intervalech chová jako délka. Fundamentání otázka: Lze rozšířit definici takové P pro každý A ∈ 2Ω ? Nelze! Důsledek: Je potřeba se omezit pouze na některé podmnožiny Ω. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 10 / 58 Pole a sigma algebry (σ-algebry) Definice (Pole a σ-algebry) Podmnožina F ⊆ 2Ω se nazývá pole (angl.: field) v Ω, pokud platí následující: Ω ∈ F, pokud A ∈ F, pak Ω − A ∈ F (to jest A0 ∈ F) a pokud A, B ∈ F, pak A ∪ B ∈ F. Pole F ⊆ 2Ω se nazývá σ-algebra v Ω, pokud platí následující: S pokud Ai ∈ F pro každé i = 1, 2, . . . , pak ∞ i=1 Ai ∈ F. Poznámky: pole = podmnožina 2Ω obsahující Ω uzavřená na doplňky a sjednocení, σ-algebra = pole, které je navíc uzavřené na spočetná sjednocení, zřejmé: každá σ-algebra je pole (opačně obecně neplatí, viz dále). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 11 / 58 Příklady (Pole a σ-algebry) 1 2 3 Pro každou Ω jsou F∅ = {∅, Ω} (nejměnší), FΩ = 2Ω (největší) σ-algebry. Pro každou je A ⊆ Ω je F = {∅, A, Ω − A, Ω} σ-algebra. Mějme Ω = {1, 2, 3, 4}, pak F1 = {∅, {1}, {2}, {1, 2}, {3, 4}, {2, 3, 4}, {1, 3, 4}, Ω} je σ-algebra, F2 = {{1, 2}, {3, 4}, Ω} není pole, protože Ω − Ω 6∈ F2 , F3 = {∅, {1}, {1, 2}, {3, 4}, {2, 3, 4}, Ω} není pole, protože {1} ∪ {3, 4} 6∈ F3 . 4 Mějme Ω = (0, 1) ⊆ R, pak F4 = {∅, (0, 0.4), (0.4, 1), (0, 1)} není pole, protože (0, 0.4) ∪ (0.4, 1) 6∈ F4 , F5 = {∅, (0, 0.4), [0.4, 1), (0, 0.6), [0.6, 1), (0, 1)} není pole: (0, 0.4) ∪ [0.6, 1) 6∈ F5 , F6 = {∅, (0, 0.5), [0.5, 1), (0, 1)} je σ-algebra. 5 Uvažujme Ω a F = {A ⊆ Ω | A je konečná}. Pokud je Ω konečná, pak je F σ-algebra. Pokud je Ω nekonečná, pak F není pole, protože komplement Ω − A konečné množiny A ∈ F je nekonečný a tím pádem Ω − A 6∈ F. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 12 / 58 Vlastnosti polí a σ-algeber Věta 1 2 3 Každé konečné pole je σ-algebra. Každé pole je uzavřené na průniky každých dvou prvků. Každá σ-algebra je uzavřená na průniky každých spočetně mnoha prvků. Důkaz. První tvrzení: Pokud je F konečné pole, pak S pro libovolné Ai ∈ F (i = 1, 2, . . . ) existuje konečná I = {i1 , . . . , ik } tak, že ∞ i=1 Ai = Ai1 ∪ · · · ∪ Aik ∈ F. Druhé tvrzení: Důsledek De Morganových zákonů A ∩ B = (A0 ∪ B 0 )0 . To jest, pokud A, B ∈ F, pak i A0 , B 0 ∈ F, tím pádem i A0 ∪ B 0 ∈ F a také (A0 ∪ B 0 )0 ∈ F. Třetí tvrzení: Důsledek De Morganových zákonů mnoho množin z F: T∞ S∞ pro0 spočetně 0 Pro Ai ∈ F (i = 1, 2, . . . ) platí: i=1 Ai = ∈ F. i=1 Ai V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 13 / 58 Příklad (Příklad nekonečného pole) Uvažujme libovolnou nekonečnou množinu Ω. Označme F tu podmnožinu 2Ω obsahující právě všechny konečné podmnožiny Ω a všechny podmnožiny Ω, které mají konečný doplněk. Tvrzení: F je pole. 1 Zřejmě Ω ∈ F, protože Ω0 = ∅ je konečná. 2 Pokud A ∈ F, pak mohou nastat dvě situace: (i) A je konečná a tím pádem A0 ∈ F, protože A0 ∈ F má konečný doplněk. (ii) A má konečný doplněk, tím pádem A0 ∈ F, protože A0 je konečná. 3 Vezměme A, B ∈ F. Pokud jsou obě A, B konečné, je i jejich sjednocení A ∪ B konečné a tím pádem A ∪ B ∈ F. Pokud má A konečný doplněk, pak je A0 ∩ B 0 konečná množina a patří tedy do F. To jest, z De Morganových zákonů plyne, že A ∪ B má konečný doplněk A0 ∩ B 0 , to jest A ∪ B ∈ F. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 14 / 58 Příklad (Pole, které není σ-algebra) Vezměme Ω a F z předchozího příkladu: Uvažujme libovolnou nekonečnou množinu Ω. Označme F tu podmnožinu 2Ω obsahující právě všechny konečné podmnožiny Ω a všechny podmnožiny Ω, které mají konečný doplněk. Příklad: Pro Ω = N máme {1, 2, 3} ∈ F, {n ∈ N | n ≥ 1000} ∈ F, ale {n ∈ N | n je sudé} 6∈ F, {n ∈ N | n je prvočíslo} 6∈ F a podobně. Pozorování: Pole F není σ-algebra. Konkrétní protipříklad: Vezměme Ai = {2i} (i = 1, 2, . . . ). To jest A1 =S{2}, A2 = {4}, A3 = {6}, . . . Sjednocení: ∞ i=1 Ai = {n ∈ N | n je sudé} 6∈ F. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 15 / 58 Uzávěrový systém všech σ-algeber v Ω Věta (O uzávěrovéch vlastnostech) T Mějme indexový systém polí {Fi ⊆ 2Ω | T i ∈ I}. Pak i∈I Fi ⊆ 2Ω je pole. Pokud jsou navíc všechny Fi σ-algebry, pak je i∈I Fi rovněž σ-algebra. Důkaz. T Označme F = i∈I Fi . Platí: T Ω ∈ Fi pro každé i ∈ I, Odtud Ω ∈ i∈I Fi = F. Pokud A ∈ F, pak platí, že A ∈ Fi pro každé i ∈ I. Z toho dostáváme, že A0 ∈ Fi pro každé i ∈ I, to jest A0 ∈ F. Pokud A, B ∈ F, pak platí, že A, B ∈ Fi pro každé i ∈ I. To jest, A ∪ B ∈ Fi pro každé i ∈ I, tedy A ∪ B ∈ F. Pokud Aj ∈ F, S pro každé j = 1, 2, . . . , pak Aj ∈ Fi pro S∞každé j = 1, 2, . . . a i ∈ I, to znamená, že ∞ A ∈ F pro každé i ∈ I, to jest i j=1 j j=1 Aj ∈ F. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 16 / 58 Příklad (Sjednocení polí obecně není pole) Dvě pole definované na témže Ω: Ω = {1, 2, 3} F1 = {∅, {1}, {2, 3}, Ω} je pole (σ-algebra). F2 = {∅, {2}, {1, 3}, Ω} je pole (σ-algebra). Operace s poli: F1 ∩ F2 = {∅, Ω} je pole (σ-algebra); důsledek předchozí Věty. F1 ∪ F2 = {∅, {1}, {2}, {1, 3}, {2, 3}, Ω} není pole, protože {1} ∪ {2} 6∈ F1 ∪ F2 . F = {∅, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, Ω} je nejmenší pole obsahující F1 ∪ F2 . V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 17 / 58 Generování σ-algeber Důsledek: Předchozí věta říká, že všechny σ-algebry v Ω tvoří uzávěrový systém. Má tedy smysl bavit se o σ-algebře generované libovolnou podmnožinou Ω. Definice (σ-algebra generovaná podmnožinou Ω) Mějme Ω a libovolnou množinu A ⊆ 2Ω . Pak T FA = {F | F je σ-algebra v Ω, pro kterou A ⊆ F} se nazývá σ-algebra v Ω generovaná A. Z vlastností uzávěrových systémů dostáváme: A ⊆ FA ; pokud A ⊆ B, pak FA ⊆ FB ; FA = FFA . A je σ-algebra, právě když FA = A. FA je nejmenší σ-algebra v Ω obsahující A. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 18 / 58 Příklady (σ-algebry generované podmnožinami Ω) Ω = [0, 1] ⊆ R 1 1 , 2n | n = 0, 1, 2, . . . , to jest: A1 = [0, 1] ∪ 2n+1 1 1 1 1 A1 = [0, 1], 21 , 1 , 14 , 21 , 18 , 14 , 16 , 8 , 32 , 16 , . . . . 1 1 , 2n | n = 0, 1, 2, . . . , to jest: A2 = {0, 1} ∪ 2n+1 1 1 1 1 A2 = {0, 1}, 21 , 1 , 41 , 12 , 18 , 41 , 16 , 8 , 32 , 16 , . . . . 0 1 1 8 4 1 2 1 Tvrzení: FA1 = FA2 . Stačí ověřit A1 ⊆ FA2 a A2 ⊆ FA1 , potom FA1 ⊆ FFA2 = FA2 a FA2 ⊆ FFA1 = FA1 : S 1 1 S 1 1 [0, 1] = {0, 1} ∪ ∞ {0, 1} = [0, 1] − ∞ n=0 2n+1 , 2n . n=0 2n+1 , 2n , To jest, {0, 1} ∈ A1 a [0, 1] ∈ A2 , odtud FA1 = FA2 . 1 1 , 1 ∈ F , 0, ∈ FA1 , . . . A 1 4 2 Příklady: {0} 6∈ FA1 , {1} 6∈ FA1 , 12 6∈ FA1 , 41 , 1 6∈ FA1 , 0, 21 6∈ FA1 , . . . V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 19 / 58 Borelovské jevové pole Speciální σ-algebra generovaná otevřenými intervaly: Definice (Borelovské jevové pole, Borelovská množina) Mějme Ω = R a nechť A je množina všech otevřených intervalů v Ω. Pak σ-algebru B = FA nazveme Borelovské (jevové) pole (angl.: Borel σ-algebra) a každou A ∈ B nazveme Borelovská množina (angl.: Borel set). Terminologie: Borelovské jevové pole / Borelovská σ-algebra. Poznámky: B obsahuje všechny otevřené intervaly, jejich doplňky, sjednocení spočetně mnoha intervalů nebo jejich doplňků, . . . (transfinitní proces); lze ukázat, že B ∩ 2(a,b) je σ-algebra na intervalu (a, b) (σ-algebra všech Borelovských množin, které jsou podmnožinami (a, b)). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 20 / 58 Příklad (Příklady Borelovských množin) Nechť A je množina všech otevřených intervalů v Ω. Potom pro B = FA platí: (a, b) ∈ B, protože (a, b) ∈ A. S (a, ∞) ∈ B, protože (a, ∞) = ∞ i=1 (a, a + i) ∈ B. S (−∞, a) ∈ B, protože (−∞, a) = ∞ i=1 (a − i, a) ∈ B. [a, b] ∈ B, protože R − (−∞, a) ∪ (b, ∞) ∈ B. {a} ∈ B, protože [a, a] = R − (−∞, a) ∪ (a, ∞) ∈ B. (−∞, a] ∈ B, protože (−∞, a] = (−∞, a) ∪ {a} ∈ B. [a, ∞) ∈ B, protože [a, ∞) = {a} ∪ (a, ∞) ∈ B. S Pro každou A = {a1 , . . . , an } ⊆ R máme A ∈ B, protože A = ni=1 {ai } ∈ B. S Pro každou A = {a1 , a2 , . . . } ⊆ R máme A ∈ B, protože A = ∞ i=1 {ai } ∈ B. Speciálně: N ∈ B, Z ∈ B a Q ∈ B, protože jsou všechny spočetné. Důsledek: I = R − Q ∈ B, protože I je doplněk Q ∈ B. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 21 / 58 Příklad (Cantorova množina je Borelovská) Konstrukce Cantorovy množiny: odstraníme otevřený interval 31 , 23 z intervalu [0, 1], každý ze zbývajících intervalů rozdělíme na třetiny, odstraníme prostřední části, to jest 19 , 29 a 97 , 89 . stejnný postup aplikujeme na nově vzniklé intervaly. Cantorova množina je množina zbylých bodů. vlastnost: Cantorova množina je nespočetná Tvrzení: Cantorova množina je Borelovská. Zdůvodnění: C0 = [0, 1], C1 = 0, 13 ∪ 23 , 1 , C2 = 0, 19 ∪ 29 , 13 ∪ 32 , 79 ∪ 98 , 1 , .. .. . . V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost 0 C= 1 3 T∞ i=0 2 3 1 Ci Pravděpodobnost a statistika 22 / 58 Věta (Ekvivalentní zavedení Borelovského jevového pole) Platí, že B = FA , kde A je množina všech uzavřených intervalů v R. Důkaz. Víme, že FA ⊆ B, protože každý uzavřený interval patří do B. Zbývá ověřit, že B ⊆ FA . K tomu stačí prokázat, že každý otevřeý interval náleží do FA . Vezměme otevřený interval (a, b). Nejprve prokážeme, že (−∞, a] ∈ FA a [b, ∞) ∈ FA . To jsou ale důsledky: S S (−∞, a] = ∞ [b, ∞) = ∞ i=1 [a − i, a] ∈ FA , i=1 [b, b + i] ∈ FA . To znamená, že (a, b) = R − (−∞, a] ∪ [b, ∞) ∈ FA . Poznámka: Existují množiny, které nejsou Borelovské (pro nás nezajimavé). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 23 / 58 Míra, pravděpodobnostní míra, pravděpodobnostní prostor Definice (Míra a pravděpodobnostní míra) Mějme σ-algebru F ⊆ 2Ω . Každé zobrazení m : F → R ∪ {∞} splňující m(A) ≥ 0 pro každou A ∈ F, m(∅) = 0, P S m i∈I Ai = i∈I m(Ai ) pro libovolnou spočetnou {Ai ∈ F | i ∈ I}, kde Ai ∩ Aj = ∅ pro každé i, j ∈ I takové, že i 6= j (σ-aditivita). nazýváme míra na F (angl.: measure). Míra m na F splňující m(Ω) = 1 se nazývá pravděpodobnostní míra na F (angl.: probability measure). Pravděpodobnostní míru na F obvykle označujeme P : F → R . Definice (Pravděpodobnostní prostor) Je-li P : F → R pravděpodobnostní míra na σ-algebře F ⊆ 2Ω , pak trojici hΩ, F, P i nazýváme pravděpodobnostní prostor, (angl.: probability space). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 24 / 58 Příklady (Pravděpodobnostní prostory na konečné Ω) Pro Ω = {a, b, c}, F = 2Ω uvažujme P1 : F → R a P2 : F → R: P1 (∅) = 0, P1 ({b}) = 0.2, P1 ({a, b}) = 0.5, P1 ({b, c}) = 0.7, P1 ({a}) = 0.3, P1 ({c}) = 0.5, P1 ({a, c}) = 0.8, P1 ({a, b, c}) = 1. P2 (∅) = 0, P2 ({b}) = 0.6, P2 ({a, b}) = 0.8, P2 ({b, c}) = 0.8, P2 ({a}) = 0.2, P2 ({c}) = 0.2, P2 ({a, c}) = 0.4, P2 ({a, b, c}) = 1. Poznámka: hΩ, F, P1 i a hΩ, F, P2 i jsou (různé) pravděpodobnostní prostory. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 25 / 58 Frekventistická interpretace pravděpodobnosti Otázka: Jaký význam má pravděpodobnost P (A) výskytu náhodného jevu A? Několik interpretací toho, „co znamená hodnota P (A)ÿ; nejznámější: frekventistická a Bayesovská. Definice (Relativní četnost výskytu náhodného jevu) Uvažujme náhodný pokus s prostorem Ω. Pokud je náhodný pokus opakován n-krát a f je počet výskytů náhodného jevu A ⊆ Ω, pak se nf nazývá relativní četnost výskytu náhodného jevu A a označuje se N (A). Frekventistická interpretace pravděpodobnosti Relativní četnost výskytu jevu A je (obvykle) nestabilní pro malé hodnoty n. Se vzrůstající hodnotou n se relativní četnost výskytu A stabilizuje kolem nějaké hodnoty. Pokud n → ∞, relativní četnost výskytu A přejde v P (A). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 26 / 58 Čítač relativních četností pro simulované náhodné pokusy (defparameter *repetitions* 10000) (defun %relative-frequency (fn &optional (n *repetitions*)) "Return relative frequency of FN returning true in N trials." (iter (for i :from 1 :to n) (when (funcall fn) (counting i :into success)) (finally (return (float (/ success n)))))) (defmacro relative-frequency (&rest forms) "Return relative frequency of FORMS evaluating to true." ‘(%relative-frequency #’(lambda () ,@forms))) V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 27 / 58 Příklad (Házení nefalšovanou mincí) Je hozena mince a zajímáme se o stranu, která padne. Ω = {panna, orel}, A = {panna}, B = {orel}, P (A) = 0.5, P (B) = 0.5, P (∅) = 0, P (A ∪ B) = 1. 1.0 0.9 0.8 0.7 0.6 (relative-frequency (= (random 2) 0)) 0.5 0.4 0.3 0.2 0.1 10 30 50 60 90 V. Vychodil (KMI/PRAS, Přednáška 3) 110 130 150 170 190 Pravděpodobnost Pravděpodobnost a statistika 28 / 58 Příklad (Série hodů šestistrannou kostkou) Šestistraná kostka je šestkrát vržena. Pokud na i-tý pokus hodíme i, pak nazveme výsledek shodou. Náhodný pokus považujeme za úspěch, pokud padne během šesti hodů alespoň jedna shoda. Ω = {úspěch, neúspěch}, A = {úspěch}, B = {neúspěch}, P (A) ≈ 0.665102, P (B) ≈ 0.334898, P (∅) = 0, P (A ∪ B) = 1. 1.0 0.9 0.8 0.7 (relative-frequency (iter (for i :from 0 :to 5) (when (= i (random 6)) (return t)))) 0.6 0.5 0.4 0.3 0.2 0.1 10 30 50 60 90 V. Vychodil (KMI/PRAS, Přednáška 3) 110 130 150 170 190 Pravděpodobnost Pravděpodobnost a statistika 29 / 58 Příklad (Házení disku na podlahu) Kruhový disk o průměru 2 dm je vržen na podlahu se čtvercovými kachličkami o straně 4 dm. Jaká je pravděpodobnost, že disk přistaně uvnitř některé kachličky? Ω = [0, 4] × [0, 4], A = [1, 3] × [1, 3], P (A) = 0.25. 1.0 0.9 0.8 0.7 (relative-frequency (let ((x (random 4.0)) (y (random 4.0))) (and (<= 1 x 3) (<= 1 y 3)))) 0.6 0.5 0.4 0.3 0.2 0.1 10 30 50 60 90 V. Vychodil (KMI/PRAS, Přednáška 3) 110 130 150 170 190 Pravděpodobnost Pravděpodobnost a statistika 30 / 58 Bayesovská interpretace pravděpodobnosti Bayesovská (subjektivní) interpretace pravděpodobnosti Mějme náhodný jev A ⊆ Ω. Pokud věříme, že P (A) = p a pokud jsme ochotni si vsadit peníze na to, že náhodný jev A nastane, pak bychom měli akceptovat libovolnou z následujících dvou sázek: 1 Získáme 1$, pokud A nastane; odevzdáme p$, pokud A nenastane. 2 Získáme 1$, pokud A nenastane; odevzdáme 1$ − p$, pokud A nastane. Příklad (Sázka na „české hokejistyÿ) Pokud věřím, že pravděpodobnost výhry je P (A) = 0.2, pak přijmu sázky: 1 Získám 80$ (plus 20$), pokud A nastane; odevzdám 20$, pokud A nenastane. 2 Získám 20$ (plus 80$), pokud A nenastane; odevzdám 80$, pokud A nastane. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 31 / 58 Klasické pravděpodobnostní prostory Definice (Klasická pravděpodobnostní míra) Mějme konečnou Ω a σ-algebru F = 2Ω . Pravděpodobnostní míru P : F → R nazveme klasická pravděpodobnostní míra na F pokud 1 P ({a}) = , platí pro každý a ∈ Ω. |Ω| Navíc hΩ, F, P i se nazývá klasický pravděpodobnostní prostor. Důsledek (Pravděpodobnosti se odvozují z velikostí náhodných jevů) Pokud je hΩ, F, P i klasický pravděpodobnostní prostor, pak lze každou A ∈ F vyjádřit jako A = {a1 , . . . , ak } a z aditivity P dostáváme: k k X X 1 k |A| P (A) = P ({ak }) = = = . |Ω| |Ω| |Ω| i=1 i=1 V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 32 / 58 Příklad (Tahání karet z balíku) Náhodně táhneme karty ze standarního balíčku 52 hracích karet. Můžeme předpokládat, že |Ω| = 52, F = 2Ω a P ({x}) = 1 . 52 Příklad pravděpodobností výskytů vybraných náhodných jevů A . . . množina karet skládající se ze všech králů 4 P (A) = 52 = 0.0769. B . . . množina všech karet, které jsou buď kluk, dáma, nebo král = 12 = 0.231. P (B) = 3·4 52 52 C . . . množina karet, které jsou ♥, ♣, nebo ♠ P (C) = 13·3 = 39 = 0.75. 52 52 Analogické problémy: házení mincí, vrhání kostek, . . . V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 33 / 58 Příklad (Jednoduchá analýza hazardní hry) Hrajeme následující hazardní hru: Zvolíme si tři různá čísla od 1 do 20. Protihráč (kasino) losujeme tři míčky z urny obsahující míčky s čísly od 1 do 20. Dva možné výsledky hry: vyhráváme $1000 pokud jsou naše čísla stejná jako čísla na vylosovaných míčcích; v opačném případě ztrácíme $1. Otázka: Je rozumné (dlouhodobě) hrát tuto hru? 20 · 19 · 18 6840 Míčky mohou být taženy 1140 způsoby: = = 1140 = 6 6 1 ≈ 0.000877. Pravděpodobnost, že zvolíme správná čísla je 1140 20 3 . Lze očekávat, že vyhrajeme (zhruba) 1 hru za 1140 kol (cena > $1000). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 34 / 58 Lebesgueova míra Borelovských množin Definice (Lebesgueova míra Borelovských množin) Zobrazení m : B → R ∪ {∞}, které zobrazuje každý interval na jeho délku, to jest m (a, b) = m [a, b) = m (a, b] = m [a, b] = b − a, a které je navíc σ-aditivní, se nazývá Lebesgueova míra. Poznámky: zavedli jsme pro naše účely zjednodušeně (bude dostačovat), existují podmnožiny R, které mají Lebesgueovu míru a nejsou Borelovské, existují podmnožiny R, které nemají Lebesgueovu míru (Vitaliho množina), Důsledek: Při úvahách o pravděpodobnosti se omezujeme na Borelovské množiny na [0, 1], to jest B ∩ 2[0,1] místo celé 2[0,1] . V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 35 / 58 Příklad (Lebesgueova míra Borelovských množin) Platí: Pro (a, b) ∈ B máme m (a, b) = b − a. Pro (a, b) ∈ B a (c, d) ∈ B, kde (a, b) ∩ (c, d) = ∅ platí m (a, b) ∪ (c, d) = b − a + d − c. Pro (a, ∞) ∈ B máme m (a, ∞) = ∞, protože S m (a, ∞) = m ∞ i=1 (a + i − 1, a + i] P P∞ = i=1 m (a + i − 1, a + i) = ∞ i=1 a + i − (a + i − 1) = ∞. Pro {a} ∈ B máme m({a}) = 0. Pro každou A = {a1 , . . . , an } ∈ B máme m(A) = 0. Pro každou A = {a1 , a2 , . . . } ∈ B máme m(A) = 0. Speciálně: m(N) = m(Z) = m(Q) = 0. Platí: m na B ∩ 2[0,1] je pravděpodobnostní míra. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 36 / 58 Diracova pravděpodobnostní míra Definice (Diracova míra) Mějme libovolnou Ω, F = 2Ω a nechť x ∈ Ω. Pak se δx : F → R definované 1 pokud x ∈ A, δx (A) = 0 jinak, nazývá Diracova míra na Ω koncentrovaná v bodě x. Zřejmě δx je pravděpodobnostní míra: Triviálně platí δx (∅) = 0, δx (Ω) = 1 a δx (A) ≥ 0. Pokud je A sjednocením spočetně mnoha vzájemně disjunktních množin Ai , pak pokud x ∈ A, pak platí, že xPnáleží do právě jedné z Ai , tedy δx (A) = 1 = δx (Ai ) = i∈I δx (AiP ). pokud x 6∈ A, pak zřejmě δx (A) = 0 = i∈I δx (Ai ). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 37 / 58 Diskrétní pravděpodobnostní míra Definice (Diskrétní pravděpodobnostní míra) Mějme libovolnou Ω, F = 2Ω a prvky xi ∈ Ω a ai ∈ [0, 1] pro každé i = 1, 2, . . . P∞ tak, že i=1 ai = 1. Pak se P : F → R definované ∞ X P (A) = ai · δxi (A), i=1 nazývá diskrétní pravděpodobnostní míra na Ω. Poznámky: diskrétní pravděpodobnostní míra je zobecnění Diracovy míry a klasické pravděpodobnostní míry; lze definovat na libovolné Ω, tedy i Ω = R; míra je koncentrovaná ve spočetně mnoha bodech. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 38 / 58 Věta Diskrétní pravděpodobnostní míra je pravděpodobnostní míra. Důkaz. Zřejmě P (∅) = 0, protože δxi (∅) = 0 pro každé i = 1, 2, . . . . P Dále platí P (Ω) = 1, protože ai · δxi (Ω) = ai · 1 = ai a ∞ i=1 ai = 1. Zřejmě P (A) ≥ 0 pro každou A ∈ F. Zbývá oveřit σ-aditivitu: [∞ X∞ [ ∞ X∞ X ∞ P Ai = aj · δx j Ai = aj · δxj (Ai ) i=1 j=1 i=1 j=1 i=1 X∞ X∞ X∞ P (Ai ). = aj · δxj (Ai ) = i=1 V. Vychodil (KMI/PRAS, Přednáška 3) i=1 j=1 Pravděpodobnost Pravděpodobnost a statistika 39 / 58 Kolmogorovovy axiomy Pravděpodobnostní míra se často zavádí následovně: Definice (Andre Nikolaeviq Kolmogorov) Mějme σ-algebru F ⊆ 2Ω . Každé zobrazení P : F → R ∪ {∞} splňující (P1) P (A) ≥ 0 pro každou A ∈ F, (P2) P (Ω) = 1, P S (P3) P i∈I Ai = i∈I P (Ai ) pro libovolnou spočetnou {Ai ∈ F | i ∈ I}, kde Ai ∩ Aj = ∅ pro každé i, j ∈ I takové, že i 6= j (σ-aditivita), se nazývá pravděpodobnostní míra na F , (angl.: probability measure). Číslu P (A) ∈ R říkáme pravděpodobnost výskytu jevu A. Je třeba prokázat, že předchozí dvě definice jsou ekvivalentní (viz dále). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 40 / 58 Věta (Pravděpodobnost komplementárních jevů) Pro každý náhodný jev A ∈ F platí: P (A) + P (A0 ) = 1, P (A) = 1 − P (A0 ). (1) (2) Důkaz. Jelikož je F σ-algebra, pokud A ∈ F, pak A0 ∈ F. Jevy A a A0 se vzájemně vylučují, protože A ∩ A0 = ∅. Použitím (P3) dostáváme P (A ∪ A0 ) = P (A) + P (A0 ). Dále platí, že A ∪ A0 = Ω a P (Ω) = 1 plyne užitím (P2). Odtud P (A) + P (A0 ) = P (A ∪ A0 ) = P (Ω) = 1, což dokazuje (1). Vztah (2) plyne přímo ze vztahu (1). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 41 / 58 Příklad (Postupné házení mincí) Házíme mincí tak dlouho, dokud neuvidíme stejné strany dvakrát po sobě. Zajímáme se o počet hodů, které je potřeba vykonat. Uvažujme A = {3, 4, 5, . . . }, to jest A má význam „ je potřeba tři hody nebo vícÿ. Úkol: Stanovte hodnotu P (A). Zřejmě A0 = Ω − A = {2}. Během dvou hodů máme následující možné výsledky: {HH, HT, T H, T T }. Za předpokladu, že mince je nefalšovaná, máme: 1 2 P (A0 ) = = . 4 2 1 1 To jest, P (A) = 1 − P (A0 ) = 1 − = . 2 2 V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 42 / 58 Věta (Pravděpodobnost nemožného jevu) P (∅) = 0. (3) Důkaz. Z předchozí Věty dostáváme, že pro každou A ∈ F platí P (A) = 1 − P (A0 ). Speciálně pro A = ∅ máme P (∅) = 1 − P (∅0 ) = 1 − P (Ω). To jest, použitím faktu P (Ω) = 1 (P2) dostáváme P (∅) = 1 − P (Ω) = 1 − 1 = 0. Důsledek: P : F → R splňující (P1)–(P3) je míra. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 43 / 58 Příklad (Jev s pravděpodobností 0 může nastat) Vezměme Lebesgueovu míru m na B ∩ 2[0,1] . Zřejmě m je míra na B ∩ 2[0,1] , pro kterou m([0, 1]) = 1 − 0 = 1, to jest m je pravděpodobnostní míra (dále ji označujeme P ). Z P P P definice Lebesgueovy míry: (0.5, 1) = 0.5, (0.25, 0.3) = 0.05, [0.5, 0.5] = P ({0.5}) = 0, . . . Obecně: P {a} = P [a, a]) = 0 (všechny elementární jevy mají pravděpodobnost 0). Analogicky: Jev s pravděpodobností 1 nemusí nastat, například P [0, 1] − {a} = 1 − P {a} = 1 − 0 = 1. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 44 / 58 Věta (Monotonie pravděpodobnosti) Pro jakékoliv náhodné jevy A, B ∈ F platí: pokud A ⊆ B pak P (A) ≤ P (B). (4) Důkaz. Předpokládejme, že A ⊆ B. Platí, že B lze vyjádřit jako B = A ∪ (B − A). Dále platí, že A a B − A jsou vzájemně neslučitelné jevy, to jest A ∩ (B − A) = ∅. Můžeme proto aplikovat (P3) následovně: P (B) = P A ∪ (B − A) = P (A) + P (B − A). Dále z (P1) plyne, že P (B − A) ≥ 0, to jest P (A) ≤ P (A) + P (B − A) = P (B), což je hledaná nerovnost. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 45 / 58 Věta (Důsledky monotonie) Pro libovolný náhodný jev A ∈ F platí: 0 ≤ P (A) ≤ 1. (5) Důkaz. Užitím (P1) dostáváme 0 ≤ P (A). Zbývá tedy dokázat, že P (A) ≤ 1. Užitím předchozí Věty, pro každé A, B ∈ F platí: pokud A ⊆ B pak P (A) ≤ P (B). Položme B = Ω. Zřejmě platí A ⊆ Ω. Použitím (P2) dostáváme P (Ω) = 1, to jest P (A) ≤ P (Ω) = 1, což dokazuje (5). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 46 / 58 Věta (Vztah pravděpodobnosti A, A − B a A ∩ B) Pro libovolné náhodné jevy A, B ∈ F platí: P (A) = P (A − B) + P (A ∩ B). (6) Důkaz. Jelikož A, B ∈ F, pak i A − B = A ∩ (Ω − B) ∈ F a také A ∩ B ∈ F. Dále platí, že A − B a A ∩ B se vzájemně vylučují a platí, že A = (A − B) ∪ (A ∩ B). Užitím (P3) proto dostáváme: A, A − B a A ∩ B P (A) = P (A − B) ∪ (A ∩ B) = P (A − B) + P (A ∩ B). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 47 / 58 Věta (Pravděpodobnost sjednocení a průniku náhodných jevů) Pro libovolné náhodné jevy A, B ∈ F platí: P (A ∪ B) = P (A) + P (B) − P (A ∩ B), P (A ∩ B) = P (A) + P (B) − P (A ∪ B). (7) (8) Důkaz (začátek). Platí, že A − B ∈ F, A ∩ B ∈ F a B − A ∈ F. Navíc jsou A − B, A ∩ B a B − A vzájemně neslučitelné náhodné jevy, pro které A ∪ B = (A − B) ∪ (A ∩ B) ∪ (B − A). Použitím (P3) dostáváme, že P (A ∪ B) = P (A − B) + P (A ∩ B) + P (B − A). Použitím předchozí Věty, P (A) = P (A − B) + P (A ∩ B), to jest P (A ∪ B) = P (A) + P (B − A). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 48 / 58 Důkaz (dokončení). Nyní zbývá dokázat, že P (B − A) = P (B) − P (A ∩ B). Toto tvrzení je však opět důsledkem předchozí Věty. Platí totiž P (B) = P (B − A) + P (A ∩ B), z čehož dostáváme P (B − A) = P (B) − P (A ∩ B). Shrneme-li předchozí zjištění dohromady, dostaneme P (A ∪ B) = P (A − B) + P (A ∩ B) + P (B − A) = P (A) + P (B − A) = P (A) + P (B) − P (A ∩ B), což prokazuje rovnost (7). Rovnost (8) plyne z právě dokázané rovnosti (7). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 49 / 58 Příklad (Problém semaforů na cestě ze Senice na Hané) Motorista jede ze Senice na Hané automobilem směrem budova PřF a na cestě jej mohou zdržet dva semafory. Pravděpodobnost, že musí zastavit na prvním semaforu je 0.4 (označíme P (A) = 0.4); pravděpodobnost, že musí zastavit na druhém semaforu je 0.5 (označíme P (B) = 0.5); a pravděpodobnost, že musí zastavit aspoň na jednom z nich je 0.6 (to jest, P (A ∪ B) = 0.6). Otázka: Jaká je pravděpodobnost, že: 1 Motorista musí zastavit na obou semaforech? 2 Motorista musí zastavit na prvním semaforu, ale ne na druhém? 3 Motorista musí zastavit právě na jednom semaforu? Řešení: 1 P (A ∩ B) = P (A) + P (B) − P (A ∪ B) = 0.4 + 0.5 − 0.6 = 0.3. 2 P (A − B) = P (A) − P (A ∩ B) = 0.4 − 0.3 = 0.1. 3 P ((A − B) ∪ (B − A)) = P (A − B) + P (B − A) = 0.1 + P (B) − P (A ∩ B) = 0.3. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 50 / 58 Příklad (Dva různé pravděpodobnostní prostory) P1 (∅) = 0, P1 ({a}) = 0.2, P1 ({b}) = 0.4, P1 ({c}) = 0.1, P1 ({d}) = 0.3, P1 ({a, b}) = 0.6, P1 ({a, c}) = 0.3, P1 ({a, d}) = 0.5, P1 ({b, c}) = 0.5, P1 ({b, d}) = 0.7, P1 ({c, d}) = 0.4, P1 ({a, b, c}) = 0.7, P1 ({a, b, d}) = 0.9, P1 ({a, c, d}) = 0.6, P1 ({b, c, d}) = 0.8, P1 ({a, b, c, d}) = 1. P2 (∅) = 0, P2 ({a}) = 0.3, P2 ({b}) = 0.3, P2 ({c}) = 0.2, P2 ({d}) = 0.2, P2 ({a, b}) = 0.6, P2 ({a, c}) = 0.5, P2 ({a, d}) = 0.5, P2 ({b, c}) = 0.5, P2 ({b, d}) = 0.5, P2 ({c, d}) = 0.4, P2 ({a, b, c}) = 0.8, P2 ({a, b, d}) = 0.8, P2 ({a, c, d}) = 0.7, P2 ({b, c, d}) = 0.7, P2 ({a, b, c, d}) = 1. Pro P1 a P2 platí: 1 P1 ({a, b}) = 0.6, P1 ({b, c}) = 0.5, ale P1 ({b}) = 0.4 a P1 ({a, b, c}) = 0.7. 2 P2 ({a, b}) = 0.6, P2 ({b, c}) = 0.5, ale P2 ({b}) = 0.3 a P2 ({a, b, c}) = 0.8. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 51 / 58 Věta (Zobecnění předchozí vlastnosti pro tři náhodné jevy) Pro libovolné náhodné jevy A, B, C ∈ F platí: P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C). Důkaz. P ((A ∪ B) ∪ C) = P (A ∪ B) + P (C) − P ((A ∪ B) ∩ C) = P (A) + P (B) − P (A ∩ B) + P (C) − P ((A ∪ B) ∩ C) = P (A) + P (B) − P (A ∩ B) + P (C) − P ((A ∩ C) ∪ (B ∩ C)) = P (A) + P (B) − P (A ∩ B) + P (C) − P (A ∩ C) + P (B ∩ C) − P ((A ∩ C) ∩ (B ∩ C)) = P (A) + P (B) − P (A ∩ B) + P (C) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C). V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 52 / 58 Věta (Princip inkluze a exkluze pro pravděpodobnostní prostory) Pro libovolné náhodné jevy A1 , A2 , . . . , An ∈ F platí: [ \ X P Ai = (−1)|I|+1 · P i∈In ∅6=I⊆In i∈I Ai , kde In = {1, . . . , n}. Důkaz (začátek). Tvrzení prokážeme indukcí přes n. Pro n = 1 je zřejmé, protože P (A) = P (A). Předpokládejme, že tvrzení platí pro n a ukážeme, že tvrzení platí pro n + 1. Platí: [ [ Ai ∪ An+1 P Ai = P i∈I i∈In+1 [ n [ =P Ai + P (An+1 ) − P Ai ∩ An+1 [i∈In [ i∈In Ai + P (An+1 ) − P (Ai ∩ An+1 ) =P i∈In V. Vychodil (KMI/PRAS, Přednáška 3) i∈In Pravděpodobnost Pravděpodobnost a statistika 53 / 58 Důkaz (dokončení). Dvojnásobým použitím indukčního předpokladu dostáváme: [ [ [ P Ai = P Ai + P (An+1 ) − P i∈In+1 = X i∈In (−1)|I|+1 · P \ i∈I ∅6=I⊆In = X |I|+1 (−1) ·P \ ∅6=I⊆In Ai + P (An+1 ) − P X (−1)|I|+1 · P ∅6=I⊆In+1 V. Vychodil (KMI/PRAS, Přednáška 3) i∈In [ (Ai ∩ An+1 ) i∈In Ai + P (An+1 ) − \ X (−1)|I|+1 · P i∈I ∅6=I⊆In = (Ai ∩ An+1 ) \ i∈I i∈I Ai ∩ An+1 Ai . Pravděpodobnost Pravděpodobnost a statistika 54 / 58 Příklady (Použití předchozí Věty) Ze vztahu P [ i∈In Ai = X |I|+1 (−1) ∅6=I⊆In ·P \ i∈I Ai , dostaneme pro A1 , A2 , A3 , A4 následující předpis: P (A1 ∪ A2 ∪ A3 ∪ A4 ) = P (A1 ) + P (A2 ) + P (A3 ) + P (A4 ) − P (A1 ∩ A2 ) − P (A1 ∩ A3 ) − P (A1 ∩ A4 ) − P (A2 ∩ A3 ) − P (A2 ∩ A4 ) − P (A3 ∩ A4 ) + P (A1 ∩ A2 ∩ A3 ) + P (A1 ∩ A2 ∩ A4 ) + P (A1 ∩ A3 ∩ A4 ) + P (A2 ∩ A3 ∩ A4 ) − P (A1 ∩ A2 ∩ A3 ∩ A4 ). Poznámka: Počet sčítanců roste exponenciálně! V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 55 / 58 Příklad (Postupné házení mincí – modifikované zadání) Házíme mincí tak dlouho, dokud neuvidíme stejné strany dvakrát po sobě. Zajímáme se o počet hodů, které je potřeba vykonat. Uvažujme A = {4, 5, . . . }, to jest A má význam „ je potřeba čtyři hody nebo vícÿ. Úkol: Stanovte hodnotu P (A). Zřejmě A0 = Ω − A = {2, 3}. Výsledky během prvních dvou nebo tří hodů: {HH, T T, HT H, HT T, T HH, T HT }. Po druhém hodu má každý HH, HT, T H, T T pravděpodobnost výskytu 14 . V případě {HT, T H}, pokračujeme třetím hodem: {HT H, HT T, T HH, T HT }. Po třetím hodu má každý HT H, HT T, T HH, T HT pravděpodobnost výskytu 81 . P (A0 ) = P ({HH, T T, HT T, T HH}) = P ({HH}) + P ({T T }) + P ({HT T }) + P ({T HH}) 1 1 1 1 3 1 = + + + = . To jest P (A) = 1 − P (A0 ) = . 4 4 8 8 4 4 V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 56 / 58 Poznámka: Neaditivní míry, teorie evidence, možnosti, . . . Pravděpodobnost formalizuje pouze specifický typ neurčitosti. Dempster-Shaferova teorie (DST) teorie evidence založená na dvou „neaditivníchÿ mírách: superaditivní míra domnění (angl.: belief measure), subaditivní míra plauzibility (angl.: plausibility measure). formalizuje některé fenomény (například „ignoranciÿ), které v teorii pravděpodobnosti nelze formalizovat speciální případ: míry domnění a plauzibility jsou shodné, míry přejdou v pravděpodobnostní míru. Teorie možnosti míry možnosti (angl.: possibility) a nutnosti (angl.: necessity) V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 57 / 58 Přednáška 3: Závěr Pojmy: náhodný jev, pole, σ-algebra, Borelovská množina, Borelovské jevové pole σ-aditivita, míra, pravděpodobnostní míra, pravděpodobnostní prostor interpretace pravděpodobnosti: frekventistická a Bayesovská Lebesgueova a Diracova míra, klasické pravděpodobnostní prostory Použité zdroje: Capinski M., Zastawniak T. J.: Probability Through Problems Springer 2001, ISBN 978–0–387–95063–1. Riečan B., Neubrunn T.: Teória miery Veda 1992, ISBN 978–80–224–0368–9. Hogg R. V., Tanis E. A.: Probability and Statistical Inference Prentice Hall; 7. vydání 2005, ISBN 978–0–13–146413–1. V. Vychodil (KMI/PRAS, Přednáška 3) Pravděpodobnost Pravděpodobnost a statistika 58 / 58
Podobné dokumenty
Software k sondám pro obráběcí stroje – seznam pro výběr programu
POZNÁMKA: Před použitím cyklů „EasySet“ musí být na systému řízení nainstalovaný software „Inspection Plus“.
VícePodmíněná pravděpodobnost a nezávislost jevů
A1 : dva modré a čtyři bílé lístky; P (A1 ) = 13 , A2 : jeden modrý a dva bílé lístky; P (A2 ) = 16 , A3 : pět modrých a čtyři bílé lístky; P (A3 ) = 21 . Otázka: Předpokládejme, že výsledkem výběr...
VíceStáhnout prezentaci
A je nezávislé na Bc Ac je nezávislé na Bc Příklad: Uvažujme opět hod kostkou a jevy A = {1, 3, 5} a B = {4, 5, 6}.
VíceVážení maturanti, chtěli bychom Vás informovat o
funkci inverzní k funkci tangens, můžeme psát π4 = arctg 1. Uvažujme nyní geometrickou řadu s prvním členem a1 = 1 a kvocientem q = −x2 . Je-li 0 < x < 1, pak pro součet této řady platí s=
VícePravděpodobnost a statistika
Sporem, kdyby A = {x ∈ R | p ≤ FX (x)} neměla nejmenší prvek, pak by existovala klesající posloupnost x1 , x2 , . . . taková, že p ≤ FX (xi ) pro každé i = 1, 2, . . . a limi→∞ xi 6∈ A. Potom ale p...
VíceStochastické diferenciální rovnice
Eulerovu a Milsteinovu. Eulerova metoda pro stochastické diferenciální rovnice je odvozená ze stejnojmenné metody pro obyčejné diferenciální rovnice. Milsteinova metoda byla vytvořená přímo pro sto...
Více