Pravděpodobnost a matematická statistika

Transkript

1 Pravděpodobnost a matematická statistika Mirko Navara Centrum strojového vnímání katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a navara/mvt navara/psi 7. února 2013

2 1 O čem to je? 1A. Jak vysoká by měla být pojistka auta proti krádeži (bez marže), je-li jeho cena Kč a riziko ukradení během pojistného období 0.001?

3 1 O čem to je? 1A. Jak vysoká by měla být pojistka auta proti krádeži (bez marže), je-li jeho cena Kč a riziko ukradení během pojistného období 0.001? = Kč

4 1 O čem to je? 1A. Jak vysoká by měla být pojistka auta proti krádeži (bez marže), je-li jeho cena Kč a riziko ukradení během pojistného období 0.001? = Kč 1B. Jak vysoká by měla být pojistka auta pro případ havárie, při níž může být škoda různě velká?

5 1 O čem to je? 1A. Jak vysoká by měla být pojistka auta proti krádeži (bez marže), je-li jeho cena Kč a riziko ukradení během pojistného období 0.001? = Kč 1B. Jak vysoká by měla být pojistka auta pro případ havárie, při níž může být škoda různě velká? TEORIE PRAVDĚPODOBNOSTI

6 1 O čem to je? 1A. Jak vysoká by měla být pojistka auta proti krádeži (bez marže), je-li jeho cena Kč a riziko ukradení během pojistného období 0.001? = Kč 1B. Jak vysoká by měla být pojistka auta pro případ havárie, při níž může být škoda různě velká? TEORIE PRAVDĚPODOBNOSTI 2. Jak odhadnout pravděpodobnost krádeže auta nebo střední škodu při havárii a jak přesný bude odhad?

7 1 O čem to je? 1A. Jak vysoká by měla být pojistka auta proti krádeži (bez marže), je-li jeho cena Kč a riziko ukradení během pojistného období 0.001? = Kč 1B. Jak vysoká by měla být pojistka auta pro případ havárie, při níž může být škoda různě velká? TEORIE PRAVDĚPODOBNOSTI 2. Jak odhadnout pravděpodobnost krádeže auta nebo střední škodu při havárii a jak přesný bude odhad? STATISTIKA

8 1 O čem to je? 1A. Jak vysoká by měla být pojistka auta proti krádeži (bez marže), je-li jeho cena Kč a riziko ukradení během pojistného období 0.001? = Kč 1B. Jak vysoká by měla být pojistka auta pro případ havárie, při níž může být škoda různě velká? TEORIE PRAVDĚPODOBNOSTI 2. Jak odhadnout pravděpodobnost krádeže auta nebo střední škodu při havárii a jak přesný bude odhad? STATISTIKA 3. Jak označovat auta a jejich díly, abychom je jednoznačně určili?

9 1 O čem to je? 1A. Jak vysoká by měla být pojistka auta proti krádeži (bez marže), je-li jeho cena Kč a riziko ukradení během pojistného období 0.001? = Kč 1B. Jak vysoká by měla být pojistka auta pro případ havárie, při níž může být škoda různě velká? TEORIE PRAVDĚPODOBNOSTI 2. Jak odhadnout pravděpodobnost krádeže auta nebo střední škodu při havárii a jak přesný bude odhad? STATISTIKA 3. Jak označovat auta a jejich díly, abychom je jednoznačně určili?

10 TEORIE INFORMACE A KÓDOVÁNÍ

11 TEORIE INFORMACE A KÓDOVÁNÍ Určitě ne jako v rozvrhu na FEL: Cvičení AD0B01PSI bude v učebně KN:E-24.

12 1.1 Teorie pravděpodobnosti je nástroj pro účelné rozhodování v systémech, kde budoucí pravdivost jevů závisí na okolnostech, které zcela neznáme.

13 1.1 Teorie pravděpodobnosti je nástroj pro účelné rozhodování v systémech, kde budoucí pravdivost jevů závisí na okolnostech, které zcela neznáme. Poskytuje model takových systémů a kvantifikaci výsledků.

14 1.1 Teorie pravděpodobnosti je nástroj pro účelné rozhodování v systémech, kde budoucí pravdivost jevů závisí na okolnostech, které zcela neznáme. Poskytuje model takových systémů a kvantifikaci výsledků. Pravděpodobnostní popis chování systému

15 1.1 Teorie pravděpodobnosti je nástroj pro účelné rozhodování v systémech, kde budoucí pravdivost jevů závisí na okolnostech, které zcela neznáme. Poskytuje model takových systémů a kvantifikaci výsledků. Pravděpodobnostní popis chování systému 1.2 Statistika je nástroj pro hledání a ověřování pravděpodobnostního popisu reálných systémů na základě jejich pozorování.

16 1.1 Teorie pravděpodobnosti je nástroj pro účelné rozhodování v systémech, kde budoucí pravdivost jevů závisí na okolnostech, které zcela neznáme. Poskytuje model takových systémů a kvantifikaci výsledků. Pravděpodobnostní popis chování systému 1.2 Statistika je nástroj pro hledání a ověřování pravděpodobnostního popisu reálných systémů na základě jejich pozorování. Chování systému pravděpodobnostní popis

17 1.1 Teorie pravděpodobnosti je nástroj pro účelné rozhodování v systémech, kde budoucí pravdivost jevů závisí na okolnostech, které zcela neznáme. Poskytuje model takových systémů a kvantifikaci výsledků. Pravděpodobnostní popis chování systému 1.2 Statistika je nástroj pro hledání a ověřování pravděpodobnostního popisu reálných systémů na základě jejich pozorování. Chování systému pravděpodobnostní popis

18 Poskytuje daleko víc: nástroj pro zkoumání světa, pro hledání a ověřování závislostí, které nejsou zjevné.

19 2 Základní pojmy teorie pravděpodobnosti 2.1 Laplaceova (klasická) definice pravděpodobnosti Předpoklad: Náhodný pokus s n N různými, vzájemně se vylučujícími výsledky, které jsou stejně možné. Pravděpodobnost jevu, který nastává právě při k z těchto výsledků, je k/n.

20 2 Základní pojmy teorie pravděpodobnosti 2.1 Laplaceova (klasická) definice pravděpodobnosti Předpoklad: Náhodný pokus s n N různými, vzájemně se vylučujícími výsledky, které jsou stejně možné. Pravděpodobnost jevu, který nastává právě při k z těchto výsledků, je k/n. 1. problém: stejně možné = stejně pravděpodobné, ale co to znamená? (definice kruhem!)

21 2 Základní pojmy teorie pravděpodobnosti 2.1 Laplaceova (klasická) definice pravděpodobnosti Předpoklad: Náhodný pokus s n N různými, vzájemně se vylučujícími výsledky, které jsou stejně možné. Pravděpodobnost jevu, který nastává právě při k z těchto výsledků, je k/n. 1. problém: stejně možné = stejně pravděpodobné, ale co to znamená? (definice kruhem!) Elementární jevy jsou všechny stejně možné výsledky.

22 2 Základní pojmy teorie pravděpodobnosti 2.1 Laplaceova (klasická) definice pravděpodobnosti Předpoklad: Náhodný pokus s n N různými, vzájemně se vylučujícími výsledky, které jsou stejně možné. Pravděpodobnost jevu, který nastává právě při k z těchto výsledků, je k/n. 1. problém: stejně možné = stejně pravděpodobné, ale co to znamená? (definice kruhem!) Elementární jevy jsou všechny stejně možné výsledky. Množina všech elementárních jevů: Ω

23 2 Základní pojmy teorie pravděpodobnosti 2.1 Laplaceova (klasická) definice pravděpodobnosti Předpoklad: Náhodný pokus s n N různými, vzájemně se vylučujícími výsledky, které jsou stejně možné. Pravděpodobnost jevu, který nastává právě při k z těchto výsledků, je k/n. 1. problém: stejně možné = stejně pravděpodobné, ale co to znamená? (definice kruhem!) Elementární jevy jsou všechny stejně možné výsledky. Množina všech elementárních jevů: Ω Jev: A Ω

24 2 Základní pojmy teorie pravděpodobnosti 2.1 Laplaceova (klasická) definice pravděpodobnosti Předpoklad: Náhodný pokus s n N různými, vzájemně se vylučujícími výsledky, které jsou stejně možné. Pravděpodobnost jevu, který nastává právě při k z těchto výsledků, je k/n. 1. problém: stejně možné = stejně pravděpodobné, ale co to znamená? (definice kruhem!) Elementární jevy jsou všechny stejně možné výsledky. Množina všech elementárních jevů: Ω Jev: A Ω

25 Úmluva. Jevy budeme ztotožňovat s příslušnými množinami elementárních jevů a používat pro ně množinové operace (místo výrokových).

26 2.1.1 Základní pojmy Jev jistý: Ω, 1

27 2.1.1 Základní pojmy Jev jistý: Ω, 1 Jev nemožný:, 0

28 2.1.1 Základní pojmy Jev jistý: Ω, 1 Jev nemožný:, 0 Konjunkce jevů ( and ): A B

29 2.1.1 Základní pojmy Jev jistý: Ω, 1 Jev nemožný:, 0 Konjunkce jevů ( and ): A B Disjunkce jevů ( or ): A B

30 2.1.1 Základní pojmy Jev jistý: Ω, 1 Jev nemožný:, 0 Konjunkce jevů ( and ): A B Disjunkce jevů ( or ): A B Jev opačný k A: A = Ω \ A

31 2.1.1 Základní pojmy Jev jistý: Ω, 1 Jev nemožný:, 0 Konjunkce jevů ( and ): A B Disjunkce jevů ( or ): A B Jev opačný k A: A = Ω \ A A B: A B

32 2.1.1 Základní pojmy Jev jistý: Ω, 1 Jev nemožný:, 0 Konjunkce jevů ( and ): A B Disjunkce jevů ( or ): A B Jev opačný k A: A = Ω \ A A B: A B Jevy neslučitelné (=vzájemně se vylučující): A 1,..., A n : i n A i =

33 2.1.1 Základní pojmy Jev jistý: Ω, 1 Jev nemožný:, 0 Konjunkce jevů ( and ): A B Disjunkce jevů ( or ): A B Jev opačný k A: A = Ω \ A A B: A B Jevy neslučitelné (=vzájemně se vylučující): A 1,..., A n : i n A i = Jevy po dvou neslučitelné: A 1,..., A n : i, j {1,..., n}, i j : A i A j =

34 2.1.1 Základní pojmy Jev jistý: Ω, 1 Jev nemožný:, 0 Konjunkce jevů ( and ): A B Disjunkce jevů ( or ): A B Jev opačný k A: A = Ω \ A A B: A B Jevy neslučitelné (=vzájemně se vylučující): A 1,..., A n : i n A i = Jevy po dvou neslučitelné: A 1,..., A n : i, j {1,..., n}, i j : A i A j =

35 Jevové pole: všechny jevy pozorovatelné v náhodném pokusu, zde exp Ω (=množina všech podmnožin množiny Ω)

36 2.1.2 Pravděpodobnost jevu A: kde. značí počet prvků množiny P (A) = A Ω,

37 2.1.3 Náhodná veličina je libovolná funkce X : Ω R

38 2.1.3 Náhodná veličina je libovolná funkce X : Ω R Střední hodnota: kde n = Ω. EX = 1 n ω Ω X (ω),

39 2.1.3 Náhodná veličina je libovolná funkce X : Ω R Střední hodnota: kde n = Ω. EX = 1 n ω Ω X (ω), Příklad: Elementární jevy jsou možné výsledky hry, náhodná veličina je výše výhry. Střední hodnota je spravedlivá cena za účast ve hře.

40 2.2 Vlastnosti pravděpodobnosti P (A) 0, 1

41 2.2 Vlastnosti pravděpodobnosti P (A) 0, 1 P (0) = 0, P (1) = 1

42 2.2 Vlastnosti pravděpodobnosti P (A) 0, 1 P (0) = 0, P (1) = 1 P (A) = 1 P (A)

43 2.2 Vlastnosti pravděpodobnosti P (A) 0, 1 P (0) = 0, P (1) = 1 P (A) = 1 P (A) A B P (A) P (B)

44 2.2 Vlastnosti pravděpodobnosti P (A) 0, 1 P (0) = 0, P (1) = 1 P (A) = 1 P (A) A B P (A) P (B) A B P (B \ A) = P (B) P (A)

45 2.2 Vlastnosti pravděpodobnosti P (A) 0, 1 P (0) = 0, P (1) = 1 P (A) = 1 P (A) A B P (A) P (B) A B P (B \ A) = P (B) P (A) A B = P (A B) = P (A) + P (B) (aditivita)

46 2.2 Vlastnosti pravděpodobnosti P (A) 0, 1 P (0) = 0, P (1) = 1 P (A) = 1 P (A) A B P (A) P (B) A B P (B \ A) = P (B) P (A) A B = P (A B) = P (A) + P (B) (aditivita) P (A B) = P (A) + P (B) P (A B)

47 2.2.1 Úplný systém jevů tvoří jevy B i, i I, jestliže jsou po dvou neslučitelné a i I B i = 1.

48 2.2.1 Úplný systém jevů tvoří jevy B i, i I, jestliže jsou po dvou neslučitelné a i I B i = 1. Speciální případ pro 2 jevy: {C, C}

49 2.2.1 Úplný systém jevů tvoří jevy B i, i I, jestliže jsou po dvou neslučitelné a i I B i = 1. Speciální případ pro 2 jevy: {C, C} Je-li {B 1,..., B n } úplný systém jevů, pak n i=1 P (B i ) = 1 a pro libovolný jev A Speciálně: P (A) = n i=1 P (A B i ). P (A) = P (A C) + P ( A C ).

50 2.3 Problémy Laplaceovy definice pravděpodobnosti

51 2.3 Problémy Laplaceovy definice pravděpodobnosti 2. problém: Nedovoluje nekonečné množiny jevů, geometrickou pravděpodobnost... Nelze mít nekonečně mnoho stejně pravděpodobných výsledků.

52 2.3 Problémy Laplaceovy definice pravděpodobnosti 2. problém: Nedovoluje nekonečné množiny jevů, geometrickou pravděpodobnost... Nelze mít nekonečně mnoho stejně pravděpodobných výsledků. Příklad: Podíl plochy pevniny k povrchu Země je pravděpodobnost, že náhodně vybraný bod na Zemi leží na pevnině (je-li výběr bodů prováděn rovnoměrně ).

53 2.3 Problémy Laplaceovy definice pravděpodobnosti 2. problém: Nedovoluje nekonečné množiny jevů, geometrickou pravděpodobnost... Nelze mít nekonečně mnoho stejně pravděpodobných výsledků. Příklad: Podíl plochy pevniny k povrchu Země je pravděpodobnost, že náhodně vybraný bod na Zemi leží na pevnině (je-li výběr bodů prováděn rovnoměrně ). Příklad (Buffonova úloha): Na linkovaný papír hodíme jehlu, jejíž délka je rovna vzdálenosti mezi linkami. Jaká je pravděpodobnost, že jehla protne nějakou linku?

54 2.3 Problémy Laplaceovy definice pravděpodobnosti 2. problém: Nedovoluje nekonečné množiny jevů, geometrickou pravděpodobnost... Nelze mít nekonečně mnoho stejně pravděpodobných výsledků. Příklad: Podíl plochy pevniny k povrchu Země je pravděpodobnost, že náhodně vybraný bod na Zemi leží na pevnině (je-li výběr bodů prováděn rovnoměrně ). Příklad (Buffonova úloha): Na linkovaný papír hodíme jehlu, jejíž délka je rovna vzdálenosti mezi linkami. Jaká je pravděpodobnost, že jehla protne nějakou linku? 3. problém: Nedovoluje iracionální hodnoty pravděpodobnosti.

55 2.3.1 Rozšíření Laplaceova modelu pravděpodobnosti Příklad: Místo hrací kostky házíme krabičkou od zápalek, jejíž strany jsou nestejně dlouhé. Jaká je pravděpodobnost možných výsledků?

56 2.3.1 Rozšíření Laplaceova modelu pravděpodobnosti Příklad: Místo hrací kostky házíme krabičkou od zápalek, jejíž strany jsou nestejně dlouhé. Jaká je pravděpodobnost možných výsledků? Připustíme, že elementární jevy nemusí být stejně pravděpodobné.

57 2.3.1 Rozšíření Laplaceova modelu pravděpodobnosti Příklad: Místo hrací kostky házíme krabičkou od zápalek, jejíž strany jsou nestejně dlouhé. Jaká je pravděpodobnost možných výsledků? Připustíme, že elementární jevy nemusí být stejně pravděpodobné. Ztrácíme návod, jak pravděpodobnost stanovit. Je to funkce, která jevům přiřazuje čísla z intervalu 0, 1 a splňuje jisté podmínky. Nemáme návod, jak z nich vybrat tu pravou.

58 2.3.1 Rozšíření Laplaceova modelu pravděpodobnosti Příklad: Místo hrací kostky házíme krabičkou od zápalek, jejíž strany jsou nestejně dlouhé. Jaká je pravděpodobnost možných výsledků? Připustíme, že elementární jevy nemusí být stejně pravděpodobné. Ztrácíme návod, jak pravděpodobnost stanovit. Je to funkce, která jevům přiřazuje čísla z intervalu 0, 1 a splňuje jisté podmínky. Nemáme návod, jak z nich vybrat tu pravou. Tato nevýhoda je neodstranitelná a je důvodem pro vznik statistiky, která k danému opakovatelnému pokusu hledá pravděpodobnostní model.

59 2.4 Kombinatorické pojmy a vzorce (Dle [Zvára, Štěpán].) V urně je n rozlišitelných objektů, postupně vytáhneme k.

60 2.4 Kombinatorické pojmy a vzorce (Dle [Zvára, Štěpán].) V urně je n rozlišitelných objektů, postupně vytáhneme k. výběr s vracením bez vracení uspořádaný neuspořádaný variace s opakováním n k kombinace s opakováním ( n+k 1 k ) variace bez opakování n! (n k)! kombinace bez opakování n! k! (n k)! = ( ) n k Z této tabulky pouze kombinace s opakováním nejsou všechny stejně pravděpodobné (odpovídají různému počtu variací s opakováním) a nedovolují proto použití Laplaceova modelu pravděpodobnosti. Permutace (pořadí) bez opakování: Tvoříme posloupnost z n hodnot, přičemž každá se vyskytne právě jednou. Počet permutací je n! (je to speciální případ variací bez opakování pro n = k).

61 Permutace s opakováním: Tvoříme posloupnost délky k z n hodnot, přičemž j-tá hodnota se opakuje k j -krát, n j=1 k j = k. Počet různých posloupností je k! k 1!... k n!. Speciálně pro n = 2 dostáváme k! k 1! k 2! = k! k 1! (k k 1 )! = ( k ), k 1 což je počet kombinací bez opakování (ovšem k 1 -prvkových z k prvků).

62 n počet 4-prvkových variací z n prvků bez opakování, n! (n 4)! počet 4-prvkových variací z n prvků s opakováním, n 4 počet 4-prvkových kombinací z n prvků bez opakování, ( ) n 4 počet 4-prvkových kombinací z n prvků s opakováním, ( ) n+3 4 Věta. Pro dané k N a pro n se poměr počtů variací (resp. kombinací) bez opakování a s opakováním bĺıží jedné, tj. lim n n! (n k)! n k = 1, lim n ( n k) ( ) n+k 1 = 1. k

63 Důsledek. Pro n k je počet variací (resp. kombinací) s opakováním přibližně n! (n k)!. = n k, ( n k ).= n k k!. Jednodušší bývá neuspořádaný výběr bez vracení nebo uspořádaný výběr s vracením.

64 2.5 Kolmogorovova definice pravděpodobnosti

65 2.5 Kolmogorovova definice pravděpodobnosti Elementárních jevů (=prvků množiny Ω) může být nekonečně mnoho, nemusí být stejně pravděpodobné.

66 2.5 Kolmogorovova definice pravděpodobnosti Elementárních jevů (=prvků množiny Ω) může být nekonečně mnoho, nemusí být stejně pravděpodobné. Jevy jsou podmnožiny množiny Ω, ale ne nutně všechny; tvoří podmnožinu A exp Ω, která splňuje následující podmínky:

67 2.5 Kolmogorovova definice pravděpodobnosti Elementárních jevů (=prvků množiny Ω) může být nekonečně mnoho, nemusí být stejně pravděpodobné. Jevy jsou podmnožiny množiny Ω, ale ne nutně všechny; tvoří podmnožinu A exp Ω, která splňuje následující podmínky: (A1) A. (A2) A A A A. (A3) ( n N : A n A) n N A n A.

68 2.5 Kolmogorovova definice pravděpodobnosti Elementárních jevů (=prvků množiny Ω) může být nekonečně mnoho, nemusí být stejně pravděpodobné. Jevy jsou podmnožiny množiny Ω, ale ne nutně všechny; tvoří podmnožinu A exp Ω, která splňuje následující podmínky: (A1) A. (A2) A A A A. (A3) ( n N : A n A) n N A n A. Systém A podmnožin nějaké množiny Ω, který splňuje podmínky (A1-3), se nazývá σ-algebra.

69 Důsledky: Ω = A, ( n N : A n A) A n = A n A. n N n N

70 Důsledky: Ω = A, ( n N : A n A) A n = A n A. n N n N Přirozený nápad A = exp Ω vede k nežádoucím paradoxům.

71 Důsledky: Ω = A, ( n N : A n A) A n = A n A. n N n N Přirozený nápad A = exp Ω vede k nežádoucím paradoxům. (A3) je uzavřenost na spočetná sjednocení.

72 Důsledky: Ω = A, ( n N : A n A) A n = A n A. n N n N Přirozený nápad A = exp Ω vede k nežádoucím paradoxům. (A3) je uzavřenost na spočetná sjednocení. Uzavřenost na jakákoli sjednocení se ukazuje jako příliš silný požadavek.

73 Důsledky: Ω = A, ( n N : A n A) A n = A n A. n N n N Přirozený nápad A = exp Ω vede k nežádoucím paradoxům. (A3) je uzavřenost na spočetná sjednocení. Uzavřenost na jakákoli sjednocení se ukazuje jako příliš silný požadavek. Uzavřenost na konečná sjednocení se ukazuje jako příliš slabý požadavek; nedovoluje např. vyjádřit kruh jako sjednocení obdélníků.

74 Důsledky: Ω = A, ( n N : A n A) A n = A n A. n N n N Přirozený nápad A = exp Ω vede k nežádoucím paradoxům. (A3) je uzavřenost na spočetná sjednocení. Uzavřenost na jakákoli sjednocení se ukazuje jako příliš silný požadavek. Uzavřenost na konečná sjednocení se ukazuje jako příliš slabý požadavek; nedovoluje např. vyjádřit kruh jako sjednocení obdélníků. A nemusí ani obsahovat všechny jednobodové množiny, v tom případě elementární jevy nemusí být jevy!

75 2.5.1 Borelova σ-algebra je nejmenší σ-algebra podmnožin R, která obsahuje všechny intervaly.

76 2.5.1 Borelova σ-algebra je nejmenší σ-algebra podmnožin R, která obsahuje všechny intervaly. Obsahuje všechny intervaly otevřené, uzavřené i polouzavřené, i jejich spočetná sjednocení, a některé další množiny, ale je menší než exp R. Její prvky nazýváme borelovské množiny.

77 2.5.2 Pravděpodobnost (=pravděpodobnostní míra) je funkce P : A 0, 1, splňující podmínky (P1) P (1) = 1, (P2) P ( ) A n n N neslučitelné. = n N P (A n ), pokud jsou množiny (=jevy) A n, n N, po dvou (spočetná aditivita)

78 2.5.2 Pravděpodobnost (=pravděpodobnostní míra) je funkce P : A 0, 1, splňující podmínky (P1) P (1) = 1, (P2) P ( ) A n n N neslučitelné. = n N P (A n ), pokud jsou množiny (=jevy) A n, n N, po dvou (spočetná aditivita) Pravděpodobnostní prostor je trojice (Ω, A, P ), kde Ω je neprázdná množina, A je σ-algebra podmnožin množiny Ω a P : A 0, 1 je pravděpodobnost.

79 2.5.2 Pravděpodobnost (=pravděpodobnostní míra) je funkce P : A 0, 1, splňující podmínky (P1) P (1) = 1, (P2) P ( ) A n n N neslučitelné. = n N P (A n ), pokud jsou množiny (=jevy) A n, n N, po dvou (spočetná aditivita) Pravděpodobnostní prostor je trojice (Ω, A, P ), kde Ω je neprázdná množina, A je σ-algebra podmnožin množiny Ω a P : A 0, 1 je pravděpodobnost. Dříve uvedené vlastnosti pravděpodobnosti jsou důsledkem (P1), (P2).

80 (Konečná) aditivita by byla příliš slabá, nedovoluje např. přechod od obsahu obdélníka k obsahu kruhu.

81 (Konečná) aditivita by byla příliš slabá, nedovoluje např. přechod od obsahu obdélníka k obsahu kruhu. Příklad ( nekonečná ruleta ): Výsledkem může být libovolné přirozené číslo, každé má pravděpodobnost 0.

82 (Konečná) aditivita by byla příliš slabá, nedovoluje např. přechod od obsahu obdélníka k obsahu kruhu. Příklad ( nekonečná ruleta ): Výsledkem může být libovolné přirozené číslo, každé má pravděpodobnost 0. Úplná aditivita (pro jakékoli soubory po dvou neslučitelných jevů) by byla příliš silným požadavkem. Pak bychom nepřipouštěli ani rovnoměrné rozdělení na intervalu nebo na ploše.

83 (Konečná) aditivita by byla příliš slabá, nedovoluje např. přechod od obsahu obdélníka k obsahu kruhu. Příklad ( nekonečná ruleta ): Výsledkem může být libovolné přirozené číslo, každé má pravděpodobnost 0. Úplná aditivita (pro jakékoli soubory po dvou neslučitelných jevů) by byla příliš silným požadavkem. Pak bychom nepřipouštěli ani rovnoměrné rozdělení na intervalu nebo na ploše. Pravděpodobnost zachovává limity monotónních posloupností jevů (množin): Necht (A n ) n N je posloupnost jevů. A 1 A 2... P A 1 A 2... P ( n N ( n N A n ) = lim n P (A n), A n ) = lim n P (A n).

84 Laplaceův model konečně mnoho jevů p-sti jen racionální P (A) = 0 A = 0 p-sti určeny strukturou jevů Kolmogorovův model i nekonečně mnoho jevů p-sti i iracionální možné jevy s nulovou p-stí p-sti neurčeny strukturou jevů

85 3 Nezávislost a podmíněná pravděpodobnost 3.1 Nezávislé jevy Motivace: Dva jevy spolu nesouvisí

86 3 Nezávislost a podmíněná pravděpodobnost 3.1 Nezávislé jevy Motivace: Dva jevy spolu nesouvisí Definice: P (A B) = P (A) P (B).

87 3 Nezávislost a podmíněná pravděpodobnost 3.1 Nezávislé jevy Motivace: Dva jevy spolu nesouvisí Definice: P (A B) = P (A) P (B). To je ovšem jen náhražka, která říká mnohem méně, než jsme chtěli! (Podobně jako P (A B) = 0 neznamená, že jevy A, B jsou neslučitelné.)

88 3 Nezávislost a podmíněná pravděpodobnost 3.1 Nezávislé jevy Motivace: Dva jevy spolu nesouvisí Definice: P (A B) = P (A) P (B). To je ovšem jen náhražka, která říká mnohem méně, než jsme chtěli! (Podobně jako P (A B) = 0 neznamená, že jevy A, B jsou neslučitelné.) Pro nezávislé jevy A, B P (A B) = P (A) + P (B) P (A) P (B).

89 Jsou-li jevy A, B nezávislé, pak jsou nezávislé také jevy A, B (a též dvojice jevů A, B a A, B).

90 Jsou-li jevy A, B nezávislé, pak jsou nezávislé také jevy A, B (a též dvojice jevů A, B a A, B). Jevy A 1,..., A n se nazývají po dvou nezávislé, jestliže každé dva z nich jsou nezávislé.

91 Jsou-li jevy A, B nezávislé, pak jsou nezávislé také jevy A, B (a též dvojice jevů A, B a A, B). Jevy A 1,..., A n se nazývají po dvou nezávislé, jestliže každé dva z nich jsou nezávislé. To je málo.

92 Jsou-li jevy A, B nezávislé, pak jsou nezávislé také jevy A, B (a též dvojice jevů A, B a A, B). Jevy A 1,..., A n se nazývají po dvou nezávislé, jestliže každé dva z nich jsou nezávislé. To je málo. Množina jevů M se nazývá nezávislá, jestliže P ( A ) = A K A K pro všechny konečné podmnožiny K M. P (A)

93 3.2 Podmíněná pravděpodobnost Příklad: Fotbalová družstva mohla mít před zápasem rovné šance na vítězství. Je-li však stav zápasu 5 minut před koncem 3 : 0, pravděpodobnosti výhry jsou jiné.

94 3.2 Podmíněná pravděpodobnost Příklad: Fotbalová družstva mohla mít před zápasem rovné šance na vítězství. Je-li však stav zápasu 5 minut před koncem 3 : 0, pravděpodobnosti výhry jsou jiné. Máme pravděpodobnostní popis systému. Dostaneme-li dodatečnou informaci, že nastal jev B, aktualizujeme naši znalost o pravděpodobnosti jevu A na P (A B) = P (A B) P (B) což je podmíněná pravděpodobnost jevu A za podmínky B. Je definována pouze pro P (B) 0. (To předpokládáme i nadále.),

95 3.2 Podmíněná pravděpodobnost Příklad: Fotbalová družstva mohla mít před zápasem rovné šance na vítězství. Je-li však stav zápasu 5 minut před koncem 3 : 0, pravděpodobnosti výhry jsou jiné. Máme pravděpodobnostní popis systému. Dostaneme-li dodatečnou informaci, že nastal jev B, aktualizujeme naši znalost o pravděpodobnosti jevu A na P (A B) = P (A B) P (B) což je podmíněná pravděpodobnost jevu A za podmínky B. Je definována pouze pro P (B) 0. (To předpokládáme i nadále.), V novém modelu je P (B B) = 0, což odráží naši znalost, že jev B nenastal.

96 3.2 Podmíněná pravděpodobnost Příklad: Fotbalová družstva mohla mít před zápasem rovné šance na vítězství. Je-li však stav zápasu 5 minut před koncem 3 : 0, pravděpodobnosti výhry jsou jiné. Máme pravděpodobnostní popis systému. Dostaneme-li dodatečnou informaci, že nastal jev B, aktualizujeme naši znalost o pravděpodobnosti jevu A na P (A B) = P (A B) P (B) což je podmíněná pravděpodobnost jevu A za podmínky B. Je definována pouze pro P (B) 0. (To předpokládáme i nadále.), V novém modelu je P (B B) = 0, což odráží naši znalost, že jev B nenastal. Podmíněná pravděpodobnost je chápána též jako funkce P (. B): A 0, 1, A a je to pravděpodobnost v původním smyslu. P (A B) P (B)

97 Vlastnosti podmíněné pravděpodobnosti: P (1 B) = 1, P (0 B) = 0. Jsou-li jevy A 1, A 2,... jsou po dvou neslučitelné, pak P ( n N A n B ) = n N P (A n B). Je-li P (A B) definována, jsou jevy A, B nezávislé, právě když P (A B) = P (A). B A P (A B) = 1, P (A B) = 0 P (A B) = 0.

98 Věta o úplné pravděpodobnosti: Necht B i, i I, je (spočetný) úplný systém jevů a i I : P (B i ) 0. Pak pro každý jev A platí P (A) = i I P (B i ) P (A B i ).

99 Věta o úplné pravděpodobnosti: Necht B i, i I, je (spočetný) úplný systém jevů a i I : P (B i ) 0. Pak pro každý jev A platí P (A) = i I P (B i ) P (A B i ). Důkaz: P (A) = P = i I (( j I ) ) B j A = P ( j I ( Bj A )) = P (B i A) = i I P (B i ) P (A B i ).

100 Věta o úplné pravděpodobnosti: Necht B i, i I, je (spočetný) úplný systém jevů a i I : P (B i ) 0. Pak pro každý jev A platí P (A) = i I P (B i ) P (A B i ). Důkaz: P (A) = P = i I (( j I ) ) B j A = P ( j I ( Bj A )) = P (B i A) = i I P (B i ) P (A B i ). Příklad: Test nemoci je u 1% zdravých falešně pozitivní a u 10% nemocných falešně negativní. Nemocných je v populaci Jaká je pravděpodobnost, že pacient s pozitivním testem je nemocný?

101 Bayesova věta: Necht B i, i I, je (spočetný) úplný systém jevů a i I : P (B i ) 0. Pak pro každý jev A splňující P (A) 0 platí P (B i A) = P (B i) P (A B i ) P (B j ) P (A B j ). j I

102 Bayesova věta: Necht B i, i I, je (spočetný) úplný systém jevů a i I : P (B i ) 0. Pak pro každý jev A splňující P (A) 0 platí P (B i A) = P (B i) P (A B i ) P (B j ) P (A B j ). j I Důkaz (s využitím věty o úplné pravděpodobnosti): P (B i A) = P (B i A) P (A) = P (B i) P (A B i ) P (B j ) P (A B j ). j I

103 Bayesova věta: Necht B i, i I, je (spočetný) úplný systém jevů a i I : P (B i ) 0. Pak pro každý jev A splňující P (A) 0 platí P (B i A) = P (B i) P (A B i ) P (B j ) P (A B j ). j I Důkaz (s využitím věty o úplné pravděpodobnosti): P (B i A) = P (B i A) P (A) = P (B i) P (A B i ) P (B j ) P (A B j ). j I Význam: Pravděpodobnosti P (A B i ) odhadneme z pokusů nebo z modelu, pomocí nich určíme pravděpodobnosti P (B i A), které slouží k optimálnímu odhadu, který z jevů B i nastal.

104 Bayesova věta: Necht B i, i I, je (spočetný) úplný systém jevů a i I : P (B i ) 0. Pak pro každý jev A splňující P (A) 0 platí P (B i A) = P (B i) P (A B i ) P (B j ) P (A B j ). j I Důkaz (s využitím věty o úplné pravděpodobnosti): P (B i A) = P (B i A) P (A) = P (B i) P (A B i ) P (B j ) P (A B j ). j I Význam: Pravděpodobnosti P (A B i ) odhadneme z pokusů nebo z modelu, pomocí nich určíme pravděpodobnosti P (B i A), které slouží k optimálnímu odhadu, který z jevů B i nastal. Problém: Ke stanovení aposteriorní pravděpodobnosti P (B i A) potřebujeme znát i apriorní pravděpodobnost P (B i ).

105 Příklad: Na vstupu informačního kanálu mohou být znaky 1,..., m, výskyt znaku j označujeme jako jev B j. Na výstupu mohou být znaky 1,..., k, výskyt znaku i označujeme jako jev A i. (Obykle k = m, ale není to nutné.) Obvykle lze odhadnout podmíněné pravděpoděpodobnosti P ( A i B j ), že znak j bude přijat jako i. Pokud známe apriorní pravděpodobnosti (vyslání znaku j) P ( B j ), můžeme pravděpodobnosti příjmu znaků vypočítat maticovým násobením: [ P (A1 ) P (A 2 ) P (A k ) ] = = [ P (B 1 ) P (B 2 ) P (B m ) ] P (A 1 B 1 ) P (A 2 B 1 ) P (A k B 1 ) P (A 1 B 2 ) P (A 2 B 2 ) P (A k B 2 ) P (A 1 B m ) P (A 2 B m ) P (A k B m ) Všechny matice v tomto vzorci mají jednotkové součty řádků (takové matice nazýváme stochastické). Podmíněné rozdělení pravděpodobnosti, pokud byl přijat znak i, je P ( ) P ( A i B j B j A i = P (A i ) ) P ( Bj )..

106 Rozdělení pravděpodobností vyslaných znaků je [ P (B1 ) P (B 2 ) P (B m ) ] = = [ P (A 1 ) P (A 2 ) P (A k ) ] pokud k = m a příslušná inverzní matice existuje. P (A 1 B 1 ) P (A 2 B 1 ) P (A k B 1 ) P (A 1 B 2 ) P (A 2 B 2 ) P (A k B 2 ) P (A 1 B m ) P (A 2 B m ) P (A k B m ) 1,

107 Rozdělení pravděpodobností vyslaných znaků je [ P (B1 ) P (B 2 ) P (B m ) ] = = [ P (A 1 ) P (A 2 ) P (A k ) ] pokud k = m a příslušná inverzní matice existuje. P (A 1 B 1 ) P (A 2 B 1 ) P (A k B 1 ) P (A 1 B 2 ) P (A 2 B 2 ) P (A k B 2 ) P (A 1 B m ) P (A 2 B m ) P (A k B m ) 1, Podmíněná nezávislost Náhodné jevy A, B jsou podmíněně nezávislé za podmínky C, jestliže P (A B C) = P (A C) P (B C). Podobně definujeme podmíněnou nezávislost více jevů.

108 4 Náhodné veličiny a vektory Příklad: Auto v ceně EUR bude do roka ukradeno s pravděpodobností 1 : Adekvátní cena ročního pojistného (bez zisku pojišt ovny) je /1 000 = 10 EUR.

109 4 Náhodné veličiny a vektory Příklad: Auto v ceně EUR bude do roka ukradeno s pravděpodobností 1 : Adekvátní cena ročního pojistného (bez zisku pojišt ovny) je /1 000 = 10 EUR. Někdy tento jednoduchý postup selhává: Příklad: Pro stanovení havarijního pojištění potřebujeme znát nejen pravděpodobnost havárie (resp. počtu haváríı za pojistné období), ale i průměrnou škodu při jedné havárii, lépe pravděpodobnostní rozdělení výše škody.

110 4 Náhodné veličiny a vektory Příklad: Auto v ceně EUR bude do roka ukradeno s pravděpodobností 1 : Adekvátní cena ročního pojistného (bez zisku pojišt ovny) je /1 000 = 10 EUR. Někdy tento jednoduchý postup selhává: Příklad: Pro stanovení havarijního pojištění potřebujeme znát nejen pravděpodobnost havárie (resp. počtu haváríı za pojistné období), ale i průměrnou škodu při jedné havárii, lépe pravděpodobnostní rozdělení výše škody. Musíme studovat i náhodné pokusy, jejichž výsledky nejsou jen dva (jev nastal/nenastal), ale více hodnot, vyjádřených reálnými čísly.

111 4.1 Náhodná veličina na pravděpodobnostním prostoru (Ω, A, P ) je měřitelná funkce X : Ω R, tj. taková, že pro každý interval I platí X 1 (I) = {ω Ω X(ω) I} A

112 4.1 Náhodná veličina na pravděpodobnostním prostoru (Ω, A, P ) je měřitelná funkce X : Ω R, tj. taková, že pro každý interval I platí X 1 (I) = {ω Ω X(ω) I} A Je popsaná pravděpodobnostmi P X (I) = P [X I] = P ({ω Ω X (ω) I}), definovanými pro libovolný interval I (a tedy i pro libovolné sjednocení spočetně mnoha intervalů a pro libovolnou borelovskou množinu). P X je pravděpodobnostní míra na Borelově σ-algebře určující rozdělení náhodné veličiny X. K tomu, aby stačila znalost P X na intervalech, se potřebujeme omezit na tzv. perfektní míry; s jinými se v praxi nesetkáme.

113 Pravděpodobnostní míra P X splňuje podmínky: P X (R) = 1, ( ) P X I n n N = P X (I n ), pokud jsou množiny I n, n N, navzájem disjunktní. n N

114 Pravděpodobnostní míra P X splňuje podmínky: P X (R) = 1, ( ) P X I n n N = P X (I n ), pokud jsou množiny I n, n N, navzájem disjunktní. n N Z toho vyplývá: P X ( ) = 0, P X (R \ I) = 1 P X (I), jestliže I J, pak P X (I) P X (J) a P X (J \ I) = P X (J) P X (I).

115 Úspornější reprezentace: omezíme se na intervaly tvaru I = (, t, t R, P [X (, t ] = P [X t] = P X ((, t ) = F X (t). F X : R 0, 1 je distribuční funkce náhodné veličiny X. Ta stačí, nebot (a, b = (, b \ (, a, P X ((a, b ) = P [a < X b] = F X (b) F X (a), (a, ) = R \ (, a, P X ((a, )) = 1 F X (a), (, a) = (, b, P X ((, a)) = P [X < a] = lim F X(b) = F X (a ) b: b<a b a {a} = (, a \ (, a), P X ({a}) = P [X = a] = F X (a) F X (a ),......

116 Vlastnosti distribuční funkce: neklesající, zprava spojitá, lim t F X(t) = 0, lim t F X(t) = 1. Věta: Tyto podmínky jsou nejen nutné, ale i postačující.

117

118 Příklad: Reálnému číslu r odpovídá náhodná veličina (značená též r) s Diracovým rozdělením v r: P r (I) = { 0 pro r / I, 1 pro r I, F r (t) = { 0 pro t < r, 1 pro t r. (F r je posunutá Heavisideova funkce.)

119 Příklad: Reálnému číslu r odpovídá náhodná veličina (značená též r) s Diracovým rozdělením v r: P r (I) = { 0 pro r / I, 1 pro r I, F r (t) = { 0 pro t < r, 1 pro t r. (F r je posunutá Heavisideova funkce.) Tvrzení: X Y F X F Y.

120 4.2 n-rozměrný náhodný vektor (n-rozměrná náhodná veličina) na pravděpodobnostním prostoru (Ω, A, P ) je měřitelná funkce X : Ω R n, tj. taková, že pro každý n-rozměrný interval I platí Lze psát X 1 (I) = {ω Ω X(ω) I} A. X (ω) = (X 1 (ω),..., X n (ω)), kde zobrazení X k : Ω R, k = 1,..., n, jsou náhodné veličiny. Náhodný vektor lze považovat za vektor náhodných veličin X = (X 1,..., X n ).

121 Je popsaný pravděpodobnostmi P X (I 1... I n ) = P [X 1 I 1,..., X n I n ] = = P ({ω Ω X 1 (ω) I 1,..., X n (ω) I n }), kde I 1,..., I n jsou intervaly v R. Z těch vyplývají pravděpodobnosti P X (I) = P [X I] = P ({ω Ω X (ω) I}), definované pro libovolnou borelovskou množinu I v R n (speciálně pro libovolné sjednocení spočetně mnoha n-rozměrných intervalů) a určující rozdělení náhodného vektoru X.

122 Úspornější reprezentace: Stačí intervaly tvaru I k = (, t k, t k R, P [X 1 (, t 1,..., X n (, t n ] = P [X 1 t 1,..., X n t n ] = = P X ((, t 1... (, t n ) = = F X (t 1,..., t n ). F X : R n 0, 1 je distribuční funkce náhodného vektoru X. Je neklesající (ve všech proměnných), zprava spojitá (ve všech proměnných), lim t 1,...,t n F X (t 1,..., t n ) = 1, k {1,..., n} t 1,..., t k 1, t k+1,..., t n : lim t k F X (t 1,..., t n ) = 0.

123 Věta: Tyto podmínky jsou nutné, nikoli postačující.

124 Věta: Tyto podmínky jsou nutné, nikoli postačující. Nestačí znát marginální rozdělení náhodných veličin X 1,..., X n, nebot ta neobsahují informace o závislosti. 4.3 Nezávislost náhodných veličin Náhodné veličiny X 1, X 2 jsou nezávislé, pokud pro všechny intervaly I 1, I 2 jsou jevy X 1 I 1, X 2 I 2 nezávislé, tj. P [X 1 I 1, X 2 I 2 ] = P [X 1 I 1 ] P [X 2 I 2 ]. Stačí se omezit na intervaly tvaru (, t, tj. neboli P [X 1 t 1, X 2 t 2 ] = P [X 1 t 1 ] P [X 2 t 2 ], F X1,X 2 (t 1, t 2 ) = F X1 (t 1 ) F X2 (t 2 )

125 pro všechna t 1, t 2 R. Náhodné veličiny X 1,..., X n jsou nezávislé, pokud pro libovolné intevaly I 1,..., I n platí P [X 1 I 1,..., X n I n ] = n i=1 P [X i I i ]. Na rozdíl od definice nezávislosti více než 2 jevů, zde není třeba požadovat nezávislost pro libovolnou podmnožinu náhodných veličin X 1,..., X n. Ta vyplývá z toho, že libovolnou náhodnou veličinu X i lze vynechat tak, že zvoĺıme příslušný interval I i = R. Pak P [X i I i ] = 1 a v součinu se tento činitel neprojeví. Ekvivalentně stačí požadovat P [X 1 t 1,..., X n t n ] = n i=1 P [X i t i ] pro všechna t 1,..., t n R, což pro sdruženou distribuční funkci nezávislých náhodných veličin znamená F X (t 1,..., t n ) = n k=1 F Xk (t k ).

126 Náhodné veličiny X 1,..., X n jsou po dvou nezávislé, pokud každé dvě (různé) z nich jsou nezávislé. To je slabší podmínka než nezávislost veličin X 1,..., X n. 4.4 Obecnější náhodné veličiny Komplexní náhodná veličina je náhodný vektor se dvěma složkami interpretovanými jako reálná a imaginární část. Někdy připouštíme i náhodné veličiny, jejichž hodnoty jsou jiné než numerické. Mohou to být např. náhodné množiny. Jindy nabývají konečně mnoha hodnot, kterým ponecháme jejich přirozené označení, např. rub, ĺıc, kámen, nůžky, papír apod. Na těchto hodnotách nemusí být definovaná žádná aritmetika ani uspořádání. Mohli bychom všechny hodnoty očíslovat, ale není žádný důvod, proč bychom to měli udělat právě určitým způsobem (který by ovlivnil následné numerické výpočty). (Příklad: Číslování politických stran ve volbách.)

127 4.5 Směs náhodných veličin Příklad: Náhodné veličiny U, V jsou výsledky studenta při odpovědích na dvě zkouškové otázky. Učitel náhodně vybere s pravděpodobností c první otázku, s pravděpodobností 1 c druhou; podle odpovědi na vybranou otázku uděĺı známku. Jaké rozdělení má výsledná známka X?

128 4.5 Směs náhodných veličin Příklad: Náhodné veličiny U, V jsou výsledky studenta při odpovědích na dvě zkouškové otázky. Učitel náhodně vybere s pravděpodobností c první otázku, s pravděpodobností 1 c druhou; podle odpovědi na vybranou otázku uděĺı známku. Jaké rozdělení má výsledná známka X? Matematický model vyžaduje vytvoření odpovídajícího pravděpodobnostního prostoru pro tento pokus. X nazýváme směs náhodných veličin U, V s koeficientem c (angl. mixture), značíme Mix c (U, V ). Má pravděpodobnostní míru a distribuční funkci P X = c P U + (1 c) P V F X = c F U + (1 c) F V.

129 Podobně definujeme obecněji směs náhodných veličin U 1,..., U n s koeficienty c 1,..., c n 0, 1, n i=1 c i = 1, značíme Mix (c1,..., c n ) (U 1,..., U n ) = Mix c (U 1,..., U n ), kde c = (c 1,..., c n ). Má pravděpodobnostní míru n i=1 n i=1 c i F Ui. (Lze zobecnit i na spočetně mnoho náhodných veličin.) c i P Ui a distribuční funkci Podíl jednotlivých složek je určen vektorem koeficientů c = (c 1,..., c n ). Jejich počet je stejný jako počet náhodných veličin ve směsi. Jelikož c n = 1 n 1 c i, poslední koeficient někdy vynecháváme. i=1 Speciálně pro dvě náhodné veličiny Mix (c,1 c) (U, V ) = Mix c (U, V ) (kde c je číslo, nikoli vektor).

130 Příklad: Směsí reálných čísel r 1,..., r n s koeficienty c 1,..., c n je náhodná veličina X = Mix (c1,..., c n ) (r 1,..., r n ), P X (I) = P [X I] = i:r i I c i, F X (t) = i:r i t Lze ji popsat též pravděpodobnostní funkcí p X : R 0, 1, { ci pro t = r i, p X (t) = P X ({t}) = P [X = t] = 0 jinak (pokud jsou r 1,..., r n navzájem různá). Možno zobecnit i na spočetně mnoho reálných čísel. c i.

131 4.6 Druhy náhodných veličin 1. Diskrétní: (z předchozího příkladu) Existuje spočetná množina O X, pro kterou P X (R \ O X ) = P [X / O X ] = 0. Nejmenší taková množina (pokud existuje) je Ω X = {t R : P X ({t}) 0} = {t R : P [X = t] 0}. Diskrétní náhodnou veličinu popisuje pravděpodobnostní funkce p X (t) = P X ({t}) P [X = t]. Splňuje t R p X (t) = 1.

132 4.6 Druhy náhodných veličin 1. Diskrétní: (z předchozího příkladu) Existuje spočetná množina O X, pro kterou P X (R \ O X ) = P [X / O X ] = 0. Nejmenší taková množina (pokud existuje) je Ω X = {t R : P X ({t}) 0} = {t R : P [X = t] 0}. Diskrétní náhodnou veličinu popisuje pravděpodobnostní funkce p X (t) = P X ({t}) P [X = t]. Splňuje t R p X (t) = Spojitá: Má spojitou distribuční funkci.

133 4.6 Druhy náhodných veličin 1. Diskrétní: (z předchozího příkladu) Existuje spočetná množina O X, pro kterou P X (R \ O X ) = P [X / O X ] = 0. Nejmenší taková množina (pokud existuje) je Ω X = {t R : P X ({t}) 0} = {t R : P [X = t] 0}. Diskrétní náhodnou veličinu popisuje pravděpodobnostní funkce p X (t) = P X ({t}) P [X = t]. Splňuje t R p X (t) = Spojitá: Má spojitou distribuční funkci. 3. Smíšená: Směs předchozích dvou případů; Ω X, P X (R \ Ω X ) = P [X / Ω X ] 0.

134 4.7 Popis spojité náhodné veličiny Náhodná veličina X je absolutně spojitá, jestliže existuje nezáporná funkce f X : R 0, ) (hustota náhodné veličiny X) taková, že F X (t) = t f X(u) du. Hustota splňuje f X (u) du = 1. Není určena jednoznačně, ale dvě hustoty f X, g X téže náhodné veličiny splňují I (f X(x) g X (x)) dx = 0 pro všechny intervaly I. Lze volit f X (t) = df X(t) dt, pokud derivace existuje. P X ({t}) = 0 pro všechna t.

135 4.7 Popis spojité náhodné veličiny Náhodná veličina X je absolutně spojitá, jestliže existuje nezáporná funkce f X : R 0, ) (hustota náhodné veličiny X) taková, že F X (t) = t f X(u) du. Hustota splňuje f X (u) du = 1. Není určena jednoznačně, ale dvě hustoty f X, g X téže náhodné veličiny splňují I (f X(x) g X (x)) dx = 0 pro všechny intervaly I. Lze volit f X (t) = df X(t) dt, pokud derivace existuje. P X ({t}) = 0 pro všechna t. Některé spojité náhodné veličiny nejsou absolutně spojité; mají spojitou distribuční

136 funkci, kterou nelze vyjádřit jako integrál. Tyto případy dále neuvažujeme.

137 4.8 Popis smíšené náhodné veličiny Náhodnou veličinu X se smíšeným rozdělením nelze popsat ani pravděpodobnostní funkcí (existuje, ale neurčuje celé rozdělení) ani hustotou (neexistuje, nevychází konečná), ale lze ji jednoznačně vyjádřit ve tvaru X = Mix c (U, V ), kde U je diskrétní, V je spojitá a c (0, 1): p X (t) = P [X = t] = c = t R p X (t), c p U (t) = p X (t), p U (t) = p X(t), c c F U (t) + (1 c) F V (t) = F X (t), F V (t) = F X(t) c F U (t) 1 c lim u t+ F X(t). lim u t F X(t), (Lze ještě pokračovat rozkladem diskrétní části na směs Diracových rozdělení.)

138 4.9 Kvantilová funkce náhodné veličiny Příklad. Pokud absolvent školy říká, že patří mezi 5 % nejlepších, pak tvrdí, že distribuční funkce prospěchu (náhodně vybraného absolventa) má u jeho prospěchu hodnotu nejvýše (Předpokládáme, že lepšímu prospěchu odpovídá nižší průměr známek.) Neostrá nerovnost v definici znamená, že hodnota distribuční funkce udává podíl těch absolventů, kteří měli lepší nebo stejný prospěch.

139 4.9 Kvantilová funkce náhodné veličiny Příklad. Pokud absolvent školy říká, že patří mezi 5 % nejlepších, pak tvrdí, že distribuční funkce prospěchu (náhodně vybraného absolventa) má u jeho prospěchu hodnotu nejvýše (Předpokládáme, že lepšímu prospěchu odpovídá nižší průměr známek.) Neostrá nerovnost v definici znamená, že hodnota distribuční funkce udává podíl těch absolventů, kteří měli lepší nebo stejný prospěch. Obráceně se lze ptát, jaký prospěch je potřeba k tomu, aby se absolvent dostal mezi 5 % nejlepších.

140 4.9 Kvantilová funkce náhodné veličiny Příklad. Pokud absolvent školy říká, že patří mezi 5 % nejlepších, pak tvrdí, že distribuční funkce prospěchu (náhodně vybraného absolventa) má u jeho prospěchu hodnotu nejvýše (Předpokládáme, že lepšímu prospěchu odpovídá nižší průměr známek.) Neostrá nerovnost v definici znamená, že hodnota distribuční funkce udává podíl těch absolventů, kteří měli lepší nebo stejný prospěch. Obráceně se lze ptát, jaký prospěch je potřeba k tomu, aby se absolvent dostal mezi 5 % nejlepších. Pro α (0, 1) hledáme t R takové, že F X (t) = α. Máme však zaručeno pouze, že t R : P [X < t] α P [X t] = F X (t).

141 Všechna taková t tvoří omezený interval a vezmeme z něj (obvykle) střed, přesněji tedy q X (α) = 1 (sup {t R P [X < t] α} + inf {t R P [X t] α}). 2

142 2 q(a) a 1 2

143 Číslo q X (α) se nazývá α-kvantil náhodné veličiny X a funkce q X : (0, 1) R je kvantilová funkce náhodné veličiny X. Speciálně q X ( 1 2 ) je medián, další kvantily mají také svá jména tercil, kvartil (dolní q X ( 1 4 ), horní q X( 3 4 ))... decil... centil neboli percentil... Vlastnosti kvantilové funkce: neklesající, q X (α) = 1 2 (q X(α ) + q X (α+)). Věta: Tyto podmínky jsou nutné i postačující. Obrácený převod: F X (t) = inf{α (0, 1) q X (α) > t} = sup{α (0, 1) q X (α) t}. Funkce F X, q X jsou navzájem inverzní tam, kde jsou spojité a rostoucí (tyto podmínky stačí ověřit pro jednu z nich).

144 4.10 Jak reprezentovat náhodnou veličinu v počítači 1. Diskrétní: Nabývá-li pouze konečného počtu hodnot t k, k = 1,..., n, stačí k reprezentaci tyto hodnoty a jejich pravděpodobnosti p X (t k ) = P X ({t k }) = P [X = t k ], čímž je plně popsána pravděpodobnostní funkce 2n čísly (až na nepřesnost zobrazení reálných čísel v počítači).

145 Pokud diskrétní náhodná veličina nabývá (spočetně) nekonečně mnoha hodnot, musíme některé vynechat, zejména ty, které jsou málo pravděpodobné. Pro každé ε > 0 lze vybrat konečně mnoho hodnot t k, k = 1,..., n, tak, že P X (R {t 1,..., t n }) = P [X / {t 1,..., t n }] ε. Zbývá však problém, jakou hodnotu přiřadit zbývajícím (byt málo pravděpodobným) případům. 2. (Absolutně) spojitá: Hustotu můžeme přibližně popsat hodnotami f(t k ) v dostatečně mnoha bodech t k, k = 1,..., n, ale jen za předpokladu, že je dostatečně hladká. Zajímají nás z ní spíše integrály typu F X (t k+1 ) F X (t k ) = tk+1 t k f X (u) du, z nichž lze přibližně zkonstruovat distribuční funkci. Můžeme pro reprezentaci použít přímo hodnoty distribuční funkce F X (t k ). Tam, kde je hustota velká, potřebujeme volit body hustě. Můžeme volit body t k, k = 1,..., n, tak, aby přírůstky F X (t k+1 ) F X (t k ) měly zvolenou velikost. Zvoĺıme tedy α k (0, 1), k = 1,..., n, a k nim najdeme čísla t k = q X (α k ).

146 Pamět ová náročnost je velká, závisí na jemnosti škály hodnot náhodné veličiny, resp. její distribuční funkce. Často je rozdělení známého typu a stačí doplnit několik parametrů, aby bylo plně určeno. Mnohé obecnější případy se snažíme vyjádřit alespoň jako směsi náhodných veličin s rozděleními známého typu, abychom vystačili s konečně mnoha parametry. 3. Smíšená: Jako u spojité náhodné veličiny. Tento popis je však pro diskrétní část zbytečně nepřesný. Můžeme použít rozklad na diskrétní a spojitou část.

147 4.11 Operace s náhodnými veličinami Zde I, J R jsou intervaly nebo spočetná sjednocení intervalů. Přičtení konstanty r odpovídá posunutí ve směru vodorovné osy: P X+r (I + r) = P X (I), P X+r (J) = P X (J r), F X+r (t + r) = F X (t), F X+r (u) = F X (u r), q X+r (α) = q X (α) + r.

148 Vynásobení nenulovou konstantou r odpovídá podobnost ve směru vodorovné osy: P rx (ri) = P X (I), P rx (J) = P X ( Jr ). Pro distribuční funkci musíme rozlišit případy: r > 0: F rx (rt) = F X (t), F rx (u) = F X ( ur ), qrx (α) = r q X (α),

149 r = 1: F X ( t) = P X ((, t ) = P X ( t, )) = 1 P X ((, t)), v bodech spojitosti distribuční funkce F X ( t) = 1 P X ((, t)) = 1 P [X < t] = 1 P [X t] = 1 P X ((, t ) = 1 F X (t), F X (u) = 1 F X ( u), v bodech nespojitosti limita zprava (středová symetrie grafu podle bodu ( 0, 1 2) s opravou na spojitost zprava), q X (α) = q X (1 α),

150 r < 0: kombinace předchozích případů. Zobrazení spojitou rostoucí funkcí h: P h(x) (h(i)) = P X (I), F h(x) (h(t)) = F X (t), F h(x) (u) = F X (h 1 (u)), q h(x) (α) = h(q X (α)) v bodech spojitosti kvantilové funkce.

151 Zobrazení neklesající, zleva spojitou funkcí h: F h(x) (u) = sup{f X (t) h(t) u}. Zobrazení po částech monotonní, zleva spojitou funkcí h: Můžeme vyjádřit h = h + h, kde h +, h jsou neklesající. X vyjádříme jako směs X = Mix c (U, V ), kde U nabývá pouze hodnot, v nichž je h neklesající, V pouze hodnot, v nichž je h nerostoucí. Výsledek dostaneme jako směs dvou náhodných veličin, vzniklých zobrazením funkcemi h +, h. Funkci h lze aplikovat na směs po složkách, tj. h(mix c (U, V )) = Mix c (h(u), h(v )). Součet náhodných veličin není jednoznačně určen, jedině za předpokladu nezávislosti. Ani pak není vztah jednoduchý. Směs náhodných veličin viz výše. Na rozdíl od součtu je plně určena (marginálními) rozděleními vstupních náhodných veličin a koeficienty směsi.

152 4.12 Jak realizovat náhodnou veličinu na počítači 1. Vytvoříme náhodný (nebo pseudonáhodný) generátor náhodné veličiny X s rovnoměrným rozdělením na 0, Náhodná veličina q Y (X) má stejné rozdělení jako Y. (Stačí tedy na každou realizaci náhodné veličiny X aplikovat funkci q Y.) Všechna rozdělení spojitých náhodných veličin jsou stejná až na (nelineární) změnu měřítka Střední hodnota Značení: E. nebo µ. Je definována zvlášt pro

153 diskrétní náhodnou veličinu U: EU = µ U = t p U (t) = t p U (t), t R t Ω U spojitou náhodnou veličinu V : EV = µ V = t f V (t) dt, směs náhodných veličin X = Mix c (U, V ), kde U je diskrétní, V je spojitá: (To není linearita střední hodnoty!) EX = c EU + (1 c) EV. Lze vyjít z definice pro diskrétní náhodnou veličinu a ostatní případy dostat jako limitu pro aproximaci jiných rozdělení diskrétním.

154 Všechny tři případy pokrývá univerzální vzorec s použitím kvantilové funkce EX = 1 q X (α) dα. 0 Ten lze navíc jednoduše zobecnit na střední hodnotu jakékoli funkce náhodné veličiny: E (h(x)) = 1 h (q X (α)) dα. Speciálně pro diskrétní náhodnou veličinu 0 E (h(u)) = t Ω U h (t) p U (t), pro spojitou náhodnou veličinu by obdobný vzorec platil jen za omezujících předpokladů, protože spojitost náhodné veličiny se nemusí zachovávat. Střední hodnota je vodorovnou souřadnicí těžiště grafu distribuční funkce, jsou-li jeho elementy váženy přírůstkem distribuční funkce:

155 Pokud pracujeme se střední hodnotou, automaticky předpokládáme, že existuje (což není vždy splněno).

156 Vlastnosti střední hodnoty Er = r, spec. E(EX) = EX, E (X + Y ) = EX + EY, spec. E (X + r) = EX + r, E (X Y ) = EX EY, E (r X) = r EX, obecněji E (r X + s Y ) = r EX + s EY. (To je linearita střední hodnoty.) E (Mix c (U, V )) = c EU + (1 c) EV. (To není linearita střední hodnoty.) Pouze pro nezávislé náhodné veličiny E (X Y ) = EX EY.

157 4.14 Rozptyl (disperze) Značení: σ 2., D., var. DX = E ( (X EX) 2) = E ( X 2) (EX) 2, E ( X 2) = (EX) 2 + DX. (1) Vlastnosti: DX = 1 0 (q X (α) EX) 2 dα. DX 0, Dr = 0, D (X + r) = DX, D (r X) = r 2 DX.

158 D (Mix c (U, V )) = E ( Mix c (U, V ) 2) (E (Mix c (U, V ))) 2 = c E ( U 2) + (1 c) E ( V 2) (c EU + (1 c) EV ) 2 = c ( DU + (EU) 2) + (1 c) ( DV + (EV ) 2) ( c 2 (EU) c (1 c) EU EV + (1 c) 2 (EV ) 2) = c DU + (1 c) DV + c (1 c) (EU) 2 2 c (1 c) EU EV + c (1 c) (EV ) 2 = c DU + (1 c) DV + c (1 c) (EU EV ) 2. Pouze pro nezávislé náhodné veličiny D (X + Y ) = DX + DY, D (X Y ) = DX + DY Směrodatná odchylka Značení: σ.

159 σ X = DX = E ( (X EX) 2) Na rozdíl od rozptylu má stejný fyzikální rozměr jako původní náhodná veličina. Vlastnosti: σ X = 1 0 (q X (α) EX) 2 dα. σ X 0, σ r = 0, σ X+r = σ X, σ r X = r σ X. Pouze pro nezávislé náhodné veličiny σ X+Y = DX + DY = σ 2 X + σ2 Y.

160 4.16 Obecné a centrální momenty k N k-tý obecný moment (značení nezavádíme): E ( X k), speciálně: pro k = 1: EX, pro k = 2: E ( X 2) = (EX) 2 + DX. Alternativní značení: m k, µ k. k-tý centrální moment (značení nezavádíme): E ( (X EX) k), speciálně: pro k = 1: 0, pro k = 2: DX.

161 Alternativní značení: µ k. Pomocí kvantilové funkce: E ( X k) = E ( (X EX) k) = (q X (α)) k dα. (q X (α) EX) k dα.

162 4.17 Normovaná náhodná veličina je taková, která má nulovou střední hodnotu a jednotkový rozptyl: norm X = X EX σ X (pokud má vzorec smysl). Zpětná transformace je X = EX + σ X norm X. (2)

163 4.18 Základní typy diskrétních rozdělení Diracovo Je jediný možný výsledek r R. p X (r) = 1, EX = r, DX = 0. Všechna diskrétní rozdělení jsou směsi Diracových rozdělení.

164 Rovnoměrné Je m možných výsledků stejně pravděpodobných. Speciálně pro obor hodnot {1, 2,..., m} dostáváme p X (k) = 1, m k {1, 2,..., m}, EX = m + 1, 2 DX = 1 (m + 1) (m 1). 12