4. Základní typy rozdělení pravděpodobnosti diskrétní náhodné veličiny
V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být pouze základní pasivní znalost a orientace v rozloženích,
ale měli byste se také naučit tato rozložení od sebe rozlišovat a bezpečně je rozpoznávat.
Pojmy z kombinatoriky, pravděpodobnosti.
Cílem této kapitoly je seznámení se základními typy rozložení diskrétní náhodné veličiny, odvození jejich základních číselných charakteristik.
4.1. Alternativní rozdělení A(p)
Některé náhodné pokusy mohou mít pouze dva různé výsledky:
- pokus je úspěšný
- pokus je neúspěšný
Příslušná náhodná veličina
X se pak nazývá
alternativní (dvoubodová, nulajedničková).
Tato náhodná veličina nabývá tedy pouze dvou hodnot: 1 - v případě příznivého výsledku pokusu (jev
A), 0 - v případě nepříznivého výsledku pokusu (jev
A).
Obor hodnot tedy obsahuje dva prvky
M = {0,1}.
Používáme označení: | P(A) = P(X = 1) = p
P(A) = P(X = 0) = 1 - p |
Definice 4.1.1.
Náhodná veličina X s pravděpodobnostní funkcí P(X = 0) = 1 - p, P(X = 1) = p (0 < p < 1) má alternativní rozdělení pravděpodobnosti A(p) s parametrem p.
Řešené úlohy
Příklad 4.1.1.
Hod mincí: W = {líc,rub}
Jedná se o alternativní rozdělení
.
Tedy:
M = {0,1};
X = {0
v 1}
4.2. Rovnoměrné rozdělení R(n)
Definice 4.2.1.
Náhodná veličina
X má
rovnoměrné rozdělení R(
n) právě tehdy, když je pravděpodobnostní funkce určena vztahem:
p(
x) =
, kde
n je počet možných výsledků.
Řešené úlohy
Příklad 4.2.1.
Hod kostkou: M = {1, 2, 3, 4, 5, 6} - každý výsledek je stejně pravděpodobný.
Jedná se tedy o rovnoměrné rozdělení
R(6),
4.3. Binomické rozdělení Bi(n, p)
-
popisuje četnost náhodného jevu v n nezávislých pokusech, v nichž má jev stále stejnou pravděpodobnost
Definice 4.3.1.
Náhodná veličina
X má
binomické rozdělení Bi(
n,
p) právě tehdy, když je pravděpodobnostní funkce určena vztahem:
, kde
x = 0, 1, ...,
n;
n je počet pokusů a
p je pravděpodobnost úspěšnosti v každém pokusu.
Binomické rozdělení je tedy příkladem diskrétního rozdělení pravděpodobnosti náhodné proměnné X, která může nabývat pouze n + 1 hodnot.
Při matematickém sestrojení binomického rozdělení vycházíme z Bernoulliova pokusu, který spočívá v tom, že v daném náhodném pokusu mohou nastat pouze dva stavy: A, A s
pravděpodobností p, 1 - p. To lze modelovat tzv. binární náhodnou proměnnou Y, pro kterou platí: P(Y = 1) = p a
P(Y = 0) = 1 - p. Platí:
E(Y) = 1.p + 0.(1 - p) = p
D(Y) = E(Y - p)2 = p.(1 - p)2 + (1 - p).p2 = (1 - p).p
Náhodná proměnná X vznikne jako součet n nezávislých binárních proměnných Yi s shodnotami 0 nebo 1, které mají všechny stejné rozdělení určené parametrem p:
Z toho plyne:
Vlastnosti binomického rozdělení:- E(X) = n.p
- D(X) = n.p.(1 - p)
Poznámka
Alternativní rozdělení A(p) je vlastně speciálním případem binomického rozdělení pro n = 1 (A(p) ~ Bi(1,p)).
Řešené úlohy
Příklad 4.3.1.
Student VŠB Pepe má potíže s ranním vstáváním. Proto někdy zaspí a nestihne přednášku, která začíná již v 9 hodin. Pravděpodobnost, že zaspí, je 0,3.
V semestru je 12 přednášek - tzn. 12 nezávislých pokusů dorazit na přednášku včas. Nalezněte pravděpodobnost, že Pepe nestihne přednášku v důsledku zaspání v polovině nebo více případů.
Řešení:
Hledaná pravděpodobnost má hodnotu:
Ruční výpočet by v tomto případě byl poměrně zdlouhavý. Máme-li ale k dispozici např. tabulkový procesor Excel, můžeme příklad snadno vypočíst pomocí distribuční funkce binomického rozdělení - v Excelu ji najdeme pod názvem
BINOMDIST:
P(
X ≥6) = 1 -
P(
X < 6) = 1 -
F(6) = 1 -
BINOMDIST(5;12;0,3;1) = 0,118
Rozdělení pravděpodobnosti pro tento příklad je znázorněno graficky na následujícím obrázku:
4.4. Poissonovo rozdělení Po(l)
Toto rozdělení pravděpodobnosti, pojmenované podle francouzského matematika S. D. Poissona, mají náhodné proměnné, které popisují četnosti jevů s těmito vlastnostmi:
- to, že jev v daném intervalu (časovém, prostorovém) nastane (nenastane), nezávisí na tom co se stalo jindy nebo jinde,
- pro každý časový okamžik je pravděpodobnost jevu v malém časovém intervalu stejná (totéž platí v prostoru),
- neexistuje případ, že by nastaly dva jevy přesně v jednom časovém okamžiku nebo místě v prostoru.
Průměrný počet výskytů zkoumaného jevu v daném úseku jednotkové délky označujeme
l.
Definice 4.4.1.
Náhodná veličina
X má
Poissonovo rozdělení Po(
l) právě tehdy, když má pravděpodobnostní funkce tvar:
v daném jednotkovém úseku, kde
x = 0,1,2,... ;
l > 0 je parametr.
Případně
v úseku délky
l (v
l-násobku délky jednotkového úseku)
Pro charakteristiky Poissonova rozdělení platí:
- E(X) = l
- D(X) = l
Poznámka
S rostoucí hodnotou l se toto rozdělení blíží k normálnímu rozdělení (viz. další kapitola).
Jestliže náhodná veličina má binomické rozdělení, pak tvar jejího rozložení se blíží k Poissonovu s parametrem l = n.p,
jestliže n je velké a p se blíží k nule. Aproximativně můžeme tedy binomické rozdělení s velkým n a malou hodnotou p nahradit Poissonovým rozdělením.
Součet nezávislých proměnných s Poissonovým rozdělením je opět rozdělen podle tohoto rozdělení. Jestliže máme n pozorování Poissonova rozdělení s parametrem l,
pak součet pozorování je možné považovat za pozorování s Poissonovým rozdělením a parametrem nl.
Řešené úlohy
Příklad 4.4.1.
Předpokládejme, že realitní makléř jedná v průměru s pěti zákazníky za den.
Zjistěte jaká je pravděpodobnost, že počet zákazníků makléře za jeden den bude větší než 4.
Řešení:
Náhodná veličina
X - počet zákazníků přesně splňuje kritéria pro Poissonovo rozdělení. Pravděpodobnostní funkce počtu zákazníků má tedy tvar:
Úlohu nejlépe vyřešíme pomocí opačného jevu:
V Excelu bychom výše uvedenou pravděpodobnost vypočetli pomocí funkce
POISSON:
P(
X > 4) = 1 -
POISSON(4;5;1) = 0,56
Poissonovo rozdělení pravděpodobnosti počtu zákazníků:
4.5. Hypergeometrické rozdělení H(N, M, n)
Předpokládejme, že náhodný pokus, jehož výsledkům je přiřazena alternativní náhodná veličina A(p), opakujeme n-krát,
přičemž jednotlivé pokusy jsou vzájemně závislé (výsledek v libovolném pokusu závisí na předcházejících pokusech) - jedná se tedy o výběry bez vracení (opakované pokusy závislé).
Pro takto vzniklou náhodnou veličinu X platí:
Definice 4.5.1.
Náhodná veličina
X má
hypergeometrické rozdělení H(
N,
M,
n) právě tehdy, když má pravděpodobnostní funkce tvar:
,
kde
N je počet prvků základního souboru;
M je počet prvků v základním souboru, které mají požadovanou vlastnost;
n je počet pokusů a
x = 0, 1, 2, ..,
n je počet vybraných výrobků, které mají zkoumanou vlastnost.
Poznámka
Pravděpodobnostní funkci hypergeometrického rozložení pravděpodobnosti lze snadno odvodit z klasické definice pravděpodobnosti - viz. kapitola 2.
Vlastnosti:- E(X) =
- D(X) =
Řešené úlohy
Příklad 4.5.1.
Mezi stovkou výrobků je 20 zmetků. Vybereme deset výrobků a sledujeme počet zmetků mezi vybranými.
Řešení:
V tomto případě má náhodná veličina
X hypergeometrické rozdělení:
X ~
H(100,20,10).
Pravděpodobnostní funkce má tvar:
Takže například pravděpodobnost, že mezi deseti vybranými budou 3 , se vypočte:
Pravděpodobnostní funkci znázorníme opět graficky: