Funkcja gęstości prawdopodobieństwa

Wstęp

Funkcja gęstości prawdopodobieństwa jest kluczowym pojęciem w teorii prawdopodobieństwa oraz statystyce. Służy do opisu rozkładu prawdopodobieństwa zmiennych losowych, które mogą przyjmować wartości w sposób ciągły. W przeciwieństwie do rozkładów dyskretnych, gdzie prawdopodobieństwo przypisane jest konkretnym wartościom, w przypadku rozkładów ciągłych mówimy o gęstości, która definiuje prawdopodobieństwo wystąpienia wartości w określonym przedziale. Artykuł ten ma na celu zaprezentowanie definicji, właściwości oraz zastosowań funkcji gęstości prawdopodobieństwa.

Definicja formalna

Funkcję gęstości prawdopodobieństwa definiuje się dla rozkładów w przestrzeni wielowymiarowej, a także jednowymiarowej. Niech P będzie rozkładem prawdopodobieństwa w przestrzeni R^N, gdzie N oznacza wymiar przestrzeni. Gęstością tego rozkładu nazywamy nieujemną funkcję borelowską f: R^N → R₊ ∪ {0}, taką że dla każdego zbioru borelowskiego B ⊆ R^N zachodzi równość:

P(B) = ∫_B f(x) dx.

Oznacza to, że całka z funkcji gęstości obliczona na zbiorze B jest równa prawdopodobieństwu P(B) przypisanemu temu zbiorowi. W praktyce ważne jest, aby funkcja f była unormowana, co oznacza, że całkowite prawdopodobieństwo musi wynosić 1.

Unormowanie gęstości

Jednym z fundamentalnych twierdzeń dotyczących funkcji gęstości jest twierdzenie o unormowaniu. Jeżeli funkcja f jest gęstością rozkładu P, to zachodzi równość:

∫_!R^N f(x) dx = 1.

Tym samym całka z funkcji gęstości obliczona na całej przestrzeni R^N musi być równa 1. To warunek konieczny, aby f mogła być uznana za gęstość jakiegoś rozkładu prawdopodobieństwa. Ponadto każde nieujemne funkcje borelowskie spełniające to założenie są gęstościami jakiegoś rozkładu.

Gęstość a dystrybuanta

Dla funkcji gęstości możemy również wyznaczyć dystrybuantę, która opisuje skumulowane prawdopodobieństwo wystąpienia zmiennej losowej do danej wartości x. Dla gęstości f dystrybuanta F_P(x) może być obliczona jako:

F_P(x) = P((−∞, x]) = ∫_−∞^x f(t) dt.

Dzięki istnieniu gęstości możemy łatwo obliczyć dystrybuanty dla bardziej skomplikowanych rozkładów, co jest szczególnie przydatne w sytuacjach, gdy dystrybuanta nie może być wyrażona za pomocą prostych funkcji elementarnych.

Związek między gęstością a wartością oczekiwaną

Kolejnym ważnym aspektem związanym z funkcją gęstości jest jej rola w obliczaniu wartości oczekiwanej zmiennych losowych. Jeśli X jest jednowymiarową zmienną losową o rozkładzie ciągłym z gęstością f(x), to wartość oczekiwana E(X) może być obliczona jako:

E(X) = ∫_−∞^∞ x f(x) dx.

Taka definicja pozwala na oszacowanie średniej wartości zmiennej losowej i stanowi podstawowe narzędzie analizy statystycznej.

Suma zmiennych losowych a ich gęstość

Kiedy mamy do czynienia z sumą dwóch niezależnych zmiennych losowych X i Y, przynajmniej jedna z nich musi mieć rozkład ciągły, aby ich suma również miała taki rozkład. W sytuacji, gdy obie zmienne losowe mają rozkłady ciągłe, ich wspólna gęstość jest splotem ich indywidualnych gęstości.

Własności gęstości w przypadkach wielowymiarowych

Kiedy analizujemy funkcje gęstości w kontekście dwóch lub więcej zmiennych losowych, zachowanie tych funkcji staje się bardziej złożone. Na przykład objętość bryły ograniczonej funkcją gęstości dwóch zmiennych X i Y oraz płaszczyzną z=0 zawsze wynosi 1:

∫_−∞^∞∫_−∞^∞ f(x,y) dy dx = 1.

Dzięki temu możemy skonstruować różne modele statystyczne i analizować zależności między różnymi zmiennymi losowymi. Aby obliczyć prawdopodobieństwo wyniku z pewnego obszaru płaszczyzny D, musimy dokonać całkowania z funkcji gęstości po tym obszarze:

P(D) = ∬_D f(x,y) dy dx.

Zastosowania funkcji gęstości w mechanice kwantowej

Funkcje gęstości mają również znaczenie w dziedzinie mechaniki kwantowej, gdzie stan układu fizycznego opisywany jest przez funkcję falową ψ(r). Gęstość prawdopodobieństwa znalezienia cząstki w punkcie r określa się jako kwadrat modułu tej funkcji:

ρ(r) = ψ(r)^*⋅ψ(r) = |ψ(r)|².

Taki opis pozwala na analizowanie wyników pomiarów różnych wielkości fizycznych oraz ich zachowań w systemach kwantowych. W odróżnieniu od mechaniki klasycznej, gdzie można dokładnie zmierzyć położenie i pęd cząstek, mechanika kwantowa operuje na probabilistycznych modelach opartych na funkcjach falowych.