Wprowadzenie do funkcji rozkładu prawdopodobieństwa
Funkcja rozkładu prawdopodobieństwa jest kluczowym pojęciem w teorii prawdopodobieństwa i statystyce, które służy do opisu rozkładów zmiennych losowych. W zależności od rodzaju rozkładu, termin ten może odnosić się do kilku różnych koncepcji, takich jak dystrybuanta, funkcja masy prawdopodobieństwa oraz funkcja gęstości prawdopodobieństwa. Zrozumienie tych trzech definicji jest istotne dla analizy danych i modelowania zjawisk losowych. W artykule tym przyjrzymy się bliżej każdemu z tych elementów oraz ich zastosowaniom.
Dystrybuanta — podstawowa koncepcja
Dystrybuanta, znana również jako funkcja rozkładu skumulowanego, to funkcja, która opisuje prawdopodobieństwo, że zmienna losowa przyjmie wartość mniejszą lub równą określonej wartości. Można ją zdefiniować dla dowolnego rodzaju rozkładu prawdopodobieństwa — zarówno dyskretnego, jak i ciągłego. Dystrybuanta jest szczególnie użyteczna w analizie, ponieważ pozwala na łatwe obliczanie prawdopodobieństw związanych z różnymi przedziałami wartości zmiennej losowej.
Formalnie, dystrybuanta zmiennej losowej X jest definiowana jako:
F(x) = P(X ≤ x)
gdzie F(x) to wartość dystrybuanty dla argumentu x, a P(X ≤ x) oznacza prawdopodobieństwo, że X przyjmie wartość mniejszą lub równą x. Wartości dystrybuanty mieszczą się w przedziale od 0 do 1 i są monotonnie rosnące w miarę wzrostu x.
Funkcja masy prawdopodobieństwa dla rozkładów dyskretnych
Dla rozkładów dyskretnych kluczową rolę odgrywa funkcja masy prawdopodobieństwa (PMF – Probability Mass Function). Funkcja ta przypisuje każdemu możliwemu wynikowi zmiennej losowej prawdopodobieństwo jego wystąpienia. PMF jest szczególnie przydatna w przypadkach, gdy zmienna losowa może przyjmować tylko skończoną lub policzalną liczbę wartości.
Przykładem takiej zmiennej może być liczba oczek na kostce do gry. Można ją opisać za pomocą PMF, w której każdy z wyników (1, 2, 3, 4, 5, 6) ma przypisane równe prawdopodobieństwo 1/6:
P(X = k) = 1/6 dla k ∈ {1, 2, 3, 4, 5, 6}
Funkcja ta pozwala na obliczenie prawdopodobieństw dla różnych zdarzeń związanych z tą zmienną losową. Na przykład można łatwo obliczyć prawdopodobieństwo wyrzucenia liczby parzystej, sumując odpowiednie wartości PMF.
Funkcja gęstości prawdopodobieństwa dla rozkładów ciągłych
Dla rozkładów ciągłych mamy do czynienia z funkcją gęstości prawdopodobieństwa (PDF – Probability Density Function). Funkcja ta różni się od PMF tym, że nie przypisuje konkretnych wartości prawdopodobieństw poszczególnym wynikom, ale raczej gęstość prawdopodobieństwa w danym punkcie. Gęstość ta nie ma jednostki miary i jej całkowita wartość na całym obszarze wynosi zawsze 1.
Aby obliczyć prawdopodobieństwo związane z rozkładem ciągłym, musimy obliczyć pole pod krzywą gęstości w danym przedziale. Przykładem może być rozkład normalny, który jest powszechnie stosowany w statystyce. Funkcja gęstości
Artykuł sporządzony na podstawie: Wikipedia (PL).