Vícerozměrná rozdělení

Transkript

1 Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice. Sdružená, marginální a podmíněná hustota pravděpodobnosti Sdružená hustota f(x, y) Jedná se o funkci více proměnných, která: ) Je na celém definičním intervalu nezáporná. ) Integrál (součet) přes celý definiční obor z této funkce je. Marginální hustota f(x) Jedná se o hustotu pravděpodobnosti jedné proměnné odvozenou ze sdružené, s tím, že mne zajímá pravděpodobnostní rozdělení pouze této jedné proměnné. Spočte se integrováním přes všechny ostatní proměnné a přes celý definiční obor: ˆ f(x) f(x, y) dy Ω Podmíněná hustota f(x y) Jedná se o hustotu pravděpodobnosti jedné proměnné (x) odvozenou za předpokladu, že znám hodnoty ostatních proměnných (y). Spočte se: f(x y) f(x, y) f(y) Pokud v podmíněné hustotě f(x y) proměnná y nevystupuje, jsou veličiny x a y nezávislé. To znamená, že znalost o jedné z nich mi nepřináší jakoukoliv informaci o druhé z nich.

2 Kovariance a korelace Chci umět říci, jak moc jsou dvě veličiny na sobě lineárně závislé. První obrázek ukazuje velkou závislost, druhý nulovou. Na prvním obrázku vidíme, že pokud je x větší než průměr, i y bývá větší než průměr. Důležité jsou tedy odchylky od průměru. Základem tedy nebudou vektory hodnot, ale vektory hodnot, od nichž je odečtena střední hodnota. Např. X x µ x. Z těchto vektorů udělám skalární součin X Y (x µ x ) (y µ y ). Protože skalární součin bude tím větší, čím víc položek budou mít vektory, podělím skalární součin počtem položek a dostanu kovarianci. Pokud pracuji s výběrovým souborem, nedělím n, ale n. Je to úplně stejné jako u rozptylů. Pozor na to! Mimochodem - kovariance vektoru se sebou samým dává právě rozptyl. Základní soubor: Výběrový soubor: (x µx ) (y µ y ) cov(x, y) n (x x) (y ȳ) cov(x, y) n Užitečnější než kovariance je korelační koeficient. Možná si vzpomenete na vzoreček ze střední školy pro skalární součin: cos α u v u v. Když je kosinus blízký jedničce, ukazují oba vektory téměř stejným směrem. Když je blízký -, ukazují téměř opačně. Když je kolem nuly, ukazují zcela jinam. A to je vlastně korelační koeficient. Když si za vektory vezmu ty s odečtenou střední hodnotou (X x µ x, Y y µ y ), můžeme korelační koeficient definovat jako: r xy X Y X Y (x µx ) (y µ y ) (x µx ) (y µ y ) Jinak můžeme použít i definici: r xy cov(x, y) σ x σ y

3 Tento vzorec platí pro základní i výběrový soubor, protože faktor n resp. n se vykrátí. Hodnota korelačního koeficientu je vždy mezi - a. Pokud je blízko krajním hodnotám, veličiny na sobě silně lineárně závisí. Pokud je blízko nuly, lineární závislost je slabá nebo žádná. Kovarianční a korelační matice Když mám vektorů více, mohu sestrojit kovarianční nebo korelační matici, kam napíšu kovarianci resp. korelaci každého vektoru s každým. Na diagonále kovarianční matice tak dostanu rozptyly. Na diagonále korelační matice jedničky. Následuje několik ilustračních grafů s hodnotami korelačního koeficientu.

4 V předposledním obrázku získáváme nulový korelační koeficient, protože y není závislé na x. Pro jakékoliv x je stále nula. V posledním obrázku vidíme, že korelační koeficient měří jen lineární závislost. Složitější závislost není schopen zachytit. Příklady Práce s vícerozměrnými rozděleními, sdružené, marginální a podmíněné rozdělení pravděpodobnosti Zjistěte, zda funkce dvou proměnných f(x, y) x + y definovaná pro x 0, a y 0, může být hustotou pravděpodobnosti. Proč? ) Záporná není nikde - OK ) Integrál přes celý definiční obor? ˆ ˆ x0 y0 (x + y) dy dx ˆ x0 ˆ x0 [ x ] [xy + y y0dx [ x + ] dx + x ] + x0 Obě podmínky jsou splněny, funkce může být hustotou pravděpodobnosti. Zjistěte, zda funkce dvou proměnných f(x, y) x y být hustotou pravděpodobnosti. Proč? ) Záporná není nikde - OK ) Integrál přes celý definiční obor? definovaná pro x, a y, může 4

5 x y x dy dx y x x x x x x x y y ( [ x y x dx x dx [ x ] x [0 ( )] y dy dx y dy dx ] y ) dx Obě podmínky jsou splněny, funkce může být hustotou pravděpodobnosti. Máme dvourozměrnou hustotu pravděpodobnosti f(x, y) 4 sin x sin y definovanou pro x 0, π a y 0, π. Spočtěte marginální hustotu f(y) a podmíněnou hustotu f(x y). Zjistěte, zda jsou veličiny x a y závislé či nezávislé. Marginální hustota: f(y) ˆπ x0 sin x sin y dx 4 ˆπ 4 sin y sin x dx x0 4 sin y [ cos x]π x0 sin y [ ( ) ( )] 4 sin y Podmíněná hustota: f(x y) f(x, y) f(y) 4 sin x sin y sin y sin x 5

6 Závislost / nezávislost: Vidíme, že f(x y) nezávisí na y. Veličiny x a y jsou tedy nezávislé. Máme dvourozměrnou hustotu pravděpodobnosti f(x, y) π e x y x definovanou pro kladná x a y. Spočtěte marginální hustotu f(y) a podmíněnou hustotu f(x y). Zjistěte, zda jsou veličiny x a y závislé či nezávislé. Tento příklad si rozebereme podrobněji. V první řadě je otázkou, jestli je zadaná funkce opravdu hustotou pravděpodobnosti. To by jednak nesměla být nikde záporná, jednak by integrál z ní přes celý definiční obor musel vyjít jedna. První podmínka je splněna, neboť e na cokoli je kladné. A když věnujeme několik minut integrování, zjistíme, že konstanta na začátku funkce je zvolena dobře a že opravdu platí: y0 x0 π e x y x dx dy. To byla poznámka k hustotě pravděpodobnosti, my máme spočíst jen marginální a podmíněnou hustotu. Chceme marginální hustotu podle y, zintegrujeme tedy pravděpodobnostní funkci podle druhé proměnné, tedy podle x: f(y) x0 π e x y x dx π Provedeme substituci za celý exponent: x0 e (y +) x dx Tedy máme: z ( y + ) x ( y + ) dz dx dx y + dz x 0 z 0 x z ˆ π π π z0 e z y + ( ) y dz + ˆ0 z e z dz y + [ez ] 0 z 6

7 π y [ 0] + π y + Hurá! Marginální hustotu podle y máte hotovu! Podmíněnou pravděpodobnost f(x y) už spočteme snadno podle standardního vzorce: f(x y) f(x, y) f(y) π e x y x π y + ( y + ) e (y +) x Vidíme, že jsme dostali exponenciální rozdělení, ovšem s proměnlivým parametrem závislým na y: D y +. Jak je to se závislostí? Vidíme, že pravděpodobnostní rozdělení f(x y) opravdu závisí na tom, jaké zvolíme y. Tedy veličiny x a y jsou závislé. Nakonec ještě několik obrázků: Nejprve celá sdružená hustota ze dvou pohledů. V prvním jsou dobře vidět půlkopečky typu y +, v druhém exponenciály, které mají tím větší spád, čím jsou blíže k nám. 7

8 y Následuje marginální hustota podle y: A ještě podmíněné pravděpodobnosti pro několik zvolených y. Opravdu vidíme několik různě strmých exponenciál: Máme dvourozměrnou hustotu pravděpodobnosti f(x, y) (x + y ) definovanou pro x 0, a y 0,. Spočtěte marginální hustotu f(x) a podmíněnou hustotu f(y x). Zjistěte, zda jsou veličiny x a y závislé či nezávislé. 8

9 Marginální hustota: f(x) ˆ y0 (x + y ) dy [ x y + y ] y0 [ x + ] 0 0 x + Podmíněná hustota: Závislost / nezávislost: f(x, y) f(y x) f(x) (x + y ) (x ) + x + y x + Vidíme, že f(y x) opravdu závisí na x. Veličiny x a y jsou tedy závislé. Máme hustotu pravděpodobnosti dvou proměnných f(x, y) x + y definovanou pro x 0, a y 0,. Jaká je střední hodnota vektorové veličiny (x, y)? µ x ˆ ˆ x0 y0 x (x + y) dy dx ˆ x0 ˆ x0 [ x ] [x y + xy y0dx [ x + x ] dx + x 4 ] x0 Nyní naprosto stejným způsobem spočteme střední hodnotu y: ˆ ˆ µ y y (x + y) dy dx x0 y0 ˆ x0 [ xy + y ] y0dx 9

10 ˆ x0 [ x [ x + ] dx 4 + x ] x Střední hodnotou vektorové veličiny je bod [ 7, 7 ]. Máme hustotu pravděpodobnosti dvou proměnných f(x, y) x y y,. Jaká je střední hodnota vektorové veličiny (x, y)? definovanou pro x, a Spočteme nejprve střední hodnotu x. Integrujeme přes celý definiční obor: µ x x y x x dy dx y x x x x x x y y ( [ x y x dx [ln x] x [ 0] y dy dx y dy dx ] y ) dx Setkali jsme se se zvláštním jevem, totiž s tím, že střední hodnota může být i nekonečná. Nyní naprosto stejným způsobem spočteme střední hodnotu y: µ y x y y x y dy dx Střední hodnotou vektorové veličiny je nevlastní bod [, ]. Kovariance a korelace Naměřili jsme tyto dvojice hodnot: x 5 7 y Spočtěte pro tyto vektory kovarianci, korelační koeficient, kovarianční a korelační matici. 0

11 Jde o několik měření, budeme tedy soubor chápat jako soubor výběrový, což nám ovlivní kovarianci a kovarianční matici. Pro korelaci to je jedno. Začněme s výpočtem: x 4 ȳ 6 x y x x y ȳ (x x) (y ȳ) (x x) (y ȳ) Kovariance: cov(x, y) Rozptyly: s x s y (x x)(y ȳ) n (x x) n 0 (y ȳ) n 0 Směrodatné odchylky: s x s x, 58 s y s y, 58 6, 67 6, 67 Korelační koeficient: r xy cov(x,y) s x s y 6,67,58,58 Kovarianční matice: x y x 6,67-6,67 y -6,67 6,67 Korelační matice: x y x , 67 y - Vidíme, že veličiny x a y jsou velmi silně negativně korelovány. V základním souboru máme tyto čtveřice hodnot: x 5 7 y Spočtěte pro tyto vektory kovarianci, korelační koeficient, kovarianční a korelační matici. Máme soubor základní, což nám ovlivní kovarianci a kovarianční matici. Pro korelaci to je jedno. Začněme s výpočtem: µ x 4 µ y 6

12 x y x µ x y µ y (x µ x) (y µ y) (x µ x) (y µ y) Kovariance: cov(x, y) Rozptyly: σ x (x µx)(y µ y) n (x µx) n σy (y µy) n Směrodatné odchylky: σ x s x, 4 σ y s y, 4 Korelační koeficient: r xy cov(x,y) σ x σ y 5,4,4 Kovarianční matice: x y x 5-5 y -5 5 Korelační matice: x y x y - Vidíme, že veličiny x a y jsou velmi silně negativně korelovány. Korelační matice vyšla stejně jako v případě výběrového souboru. Naměřili jsme tyto trojice hodnot: x 5 7 y z Spočtěte pro tyto vektory kovarianci, korelační koeficient, kovarianční a korelační matici. Jde o několik měření, budeme tedy soubor chápat jako soubor výběrový, což nám ovlivní kovarianci a kovarianční matici. Pro korelaci to je jedno. Začněme s výpočtem: x 4 ȳ 6 z 5 x y z x x y ȳ z z (x x) (y ȳ) (x x) (z z) (y ȳ) (z z) (x x) (y ȳ) (z z)

13 Kovariance: cov(x, y) cov(x, z) cov(y, z) Rozptyly: s x s y s z (x x)(y ȳ) n (x x)(z z) n 4 (y ȳ)(z z) n 4 (x x) n 0 (y ȳ) n 6 (z z) n 6 Směrodatné odchylky: s x s x, 58 s y s y, 94 s z s z, 94 6, 67 8, 67 8, 67 Korelační koeficient: r xy cov(x,y) s x s y 7,,58,94 0, 96 r xz cov(x,z) s x s z,,58,94 0, 8 r yz cov(y,z) s y s z,,94,94 Kovarianční matice: x y z x 6,67 7,, y 7, 8,67,66 z,,66 8,67 Korelační matice: x y z x 0,96 0,8 y 0,96 0,9 0, 9 7,,, 66 z 0,8 0,9 Vidíme, že silně pozitivně jsou korelovány veličiny x a y. Ostatní dvojice mají korelaci velmi slabou.