Pravděpodobnost, statistika

Transkript

1 VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV MATEMATIKY Pravděpodobnost, statistika a operační výzkum (Elektrotechnika, elektronika, komunikační a řídicí technika) Jaromír Baštinec Břetislav Fajmon Jan Koláček

2 Ústav matematiky FEKT VUT v Brně, Tento text byl vytvořen v rámci realizace projektu CZ.1.07/..00/ , Inovace výuky matematických předmětů v rámci studijních programů FEKT a FIT VUT v Brně.

3 Součástí tohoto učebního textu jsou odkazy na tzv. maplety, tj. programy vytvořené v prostředí Maple. Tyto odkazy jsou v textu zvýrazněny barvou, příp. uvozeny slovem maplet. Maplety ke svému běhu nevyžadují software Maple je však nutné mít na klientském počítači nainstalováno prostředí Java a nastavenou vhodnou úroveň zabezpečení prohlížeče i prostředí Java. Po kliknutí na odkaz mapletu se v závislosti na softwarovém prostředí klientského počítače zobrazí různá hlášení o zabezpečení všechny dialogy je třeba povolit a spouštění požadovaných prvků neblokovat. Doplňující součástí tohoto učebního textu jsou příklady zpracované v elektronické bance příkladů.

4 1 Obsah Úvod 1 Pravděpodobnost Jevy a jejich vlastnosti Definice, základní vlastnosti, příklady Elementární jevy Axiomatická definice pravděpodobnosti Klasická pravděpodobnost Podmíněná pravděpodobnost Nezávislé jevy Úplná pravděpodobnost Bayesova věta Opakované pokusy Náhodná veličina Distribuční funkce Diskrétní a spojitá náhodná veličina Vlastnosti náhodné veličiny Vícerozměrná náhodná veličina Marginální rozložení Nezávislé náhodné veličiny Transformace náhodných veličin Charakteristiky náhodných veličin Číselné charakteristiky dvourozměrných náhodných veličin Regresní koeficient a regresní přímka

5 1. Nejužívanější rozložení diskrétních náhodných veličin Nejužívanější rozložení spojitých náhodných veličin Vlastnosti normálního rozložení Limitní věty Cvičení Výsledky Statistika 55.1 Úvod Zpracování statistického materiálu Výběrové charakteristiky a jejich vlastnosti Základní bodové odhady Bodové odhady Odhad parametrů, t-test, intervaly spolehlivosti Nestranný a konzistentní odhad parametru rozdělení t-test typu µ =konstanta Několik poznámek ke statistickému testu Interval spolehlivosti pro střední hodnotu µ t-test typu µ 1 = µ Předpoklady použitelnosti parametrických testů Cvičení Výsledky Analýza rozptylu Jednofaktorová analýza rozptylu Příklad a vzorce Dvoufaktorová analýza rozptylu Experiment opakovaného měření Cvičení Výsledky Korelační přístup, regresní přímka Predikce

6 3 4. Korelace Regresní přímka Korelační koeficient Test významnosti korelace Další typy regresních modelů Regrese směrem k průměru Cvičení Výsledky Po analýze rozptylu nebo místo ní Testování post-hoc Plánované srovnání v experimentu typu více vzorků jednou Metody vytváření vah Plánované srovnání v experimentech opakovaného měření Procentuální podíl celkového rozptylu Tři míry závažnosti experimentu Cvičení Výsledky Rozdělení chí kvadrát Vlastnosti rozdělení χ Využití rozdělení χ Testování hypotézy σ = konst Test druhu rozdělení Testování nezávislosti v kontingenční tabulce Několik poznámek o vztazích mezi různými rozděleními Cvičení Výsledky Neparametrické testy Mannův-Whitneyův test podle pořadí Kruskalův-Wallisův test Kolmogorovův Smirnovův test

7 4 7.4 Wilcoxonův test Friedmanův test Spearmanův koeficient korelace mezi pořadími Cvičení Výsledky Operační výzkum Lineární programování Grafické řešení úlohy lineárního programování Analýza citlivosti na základě grafického náhledu Algebraické řešení úlohy lineárního programování simplexová metoda Analýza citlivosti pomocí výstupní simplexové tabulky Obecný tvar simplexové metody s využitím umělých proměnných Úskalí simplexové metody Cvičení Výsledky Dualita v úlohách lineárního programování Formulace duální úlohy lineárního programování Vztah mezi řešením primární a duální úlohy Pojem inverzní matice Ekonomická interpretace duality Duální simplexová metoda Analýza citlivosti v celé své kráse Cvičení Výsledky Dopravní úloha Úvod Řešení dopravního problému Přiřazovací úloha Problém překladu materiálu Cvičení

8 5 Výsledky Dynamické programování 88 Cvičení Výsledky Modely skladových zásob Úvod Deterministické modely Statický model pro jednu položku Statický model pro jednu položku s diskontními cenami Statický model pro více druhů zboží s omezením skladového prostoru Dynamický model pro jednu položku a N období Dynamický model plánování výroby jedné položky na N období Pravděpodobnostní modely Model nepřetržité kontroly pro jednu položku Model pro jednu položku a jedno období s jednorázovou objednávkou na začátku období a jednorázovou poptávkou Model pro jednu položku a jedno období se stejnoměrnou poptávkou v průběhu celého období Model pro jednu položku a jedno období s jednorázovou poptávkou na začátku období, přičemž uvažujeme cenu K objednávky Cvičení Výsledky Pravděpodobnostní dynamické programování 340 Cvičení Výsledky Literatura 354

9 6 Úvod Úvod Motto: Učitel Vám může pootevřít dvéře, vstoupit už musíte sami. Čínské přísloví Předmluva Studijní materiál, který máte v rukou, je přepracovanou verzí elektronické studijní opory [13], jejíž poslední dva autoři už na naší fakultě nepůsobí. Text je určen studentkám a studentům předmětu Pravděpodobnost, statistika a operační výzkum, který je zařazen do prvního ročníku navazujícího magisterského studia na FEKT VUT v Brně. Na základě zkušeností z předchozích ročníků bylo do textu mj. nově zařazeno důkladné opakování potřebného matematického aparátu a především teorie pravděpodobností. Až po vybudování těchto základů bylo přistoupeno k výkladu jednotlivých částí předmětu. Celý text byl upraven a sjednocen. Rozsah studijního textu vyplývá z obsáhlosti osnovy předmětu. Při inovaci textu jsme byli vedeni snahou zahrnout do textu vše potřebné nejen pro studium daného předmětu, ale i pro případné pozdější aplikace a použití pro řešení konkrétních technických problémů. Uvítáme jakékoli vaše připomínky a návrhy. V Brně Autoři

10 7 Označení N množina přirozených čísel Z množina celých čísel R množina reálných čísel Q množina racionálních čísel I množina iracionálních čísel C množina komplexních čísel P n (x) polynom n-tého stupně proměnné x A m,n matice typu m, n (s m řádky a n sloupci) A = (a ij ) matice s prvky a ij I jednotková matice O nulová matice det A = A determinant matice A A 1 matice inverzní k matici A adj A matice adjungovaná k matici A A ks algebraický doplněk prvku a ks hod (A) hodnost matice A (R n, +,.) vektorový prostor všech uspořádaných n-tic dim P dimenze prostoru P konec důkazu, konec řešení A B kartézský součim množin A, B A míra množiny A {x n } n=1 posloupnost prvků x n A B průnik množin A, B A B sjednocení množin A, B prázdná množina, jev nemožný I jev jistý Ā jev opačný k jevu A µ průměr základního souboru σ rozptyl základního souboru x výběrový průměr s výběrový rozptyl s výběrová směrodatná odchylka m k obecný moment k-tého řádu M k centrální moment k-tého řádu C kovariace R koeficient korelace

11 8 Pravděpodobnost 1 Pravděpodobnost Průvodce studiem Se základy teorie pravděpodobností jste se seznámili v předmětu Matematika 3. Protože budeme potřebovat pravděpodobnost v průběhu celeho kurzu, zařadili jsme zde důkladné opakování. Nejdříve si řekneme co jsou to jevy, ketré budeme studovat, zavedeme si klasickou i axiomatickou pravděpodobnost, ukážeme si použití při výpočtech pravděpodobností. Potom si nadefinujeme náhodnou veličinu a budeme dále studovat její vlastnosti. Uvedeme si nejčastěji používaná rozdělění a to jak diskrétní, tak i spojitá. V závěru se seznámíme s limitními větami, které nám mohou dobře posloužit při nahrazení jednoho rozdělení jiným, se ketrým se bude lépe počítat. Cíle Po prostudování této kapitoly budete schopni: Řešit základní úlohy z pravděpodobnosti. Pracovat s náhodnou veličinou a jejími charakteristikami. Zvládát základní rozdělení a práci s nimi. Pracovat s tabulkami hodnot vybraných náhodných veličin. 1.1 Jevy a jejich vlastnosti Definice 1.1. Na neprázdné množině B definujme operace (průnik) a (sjednocení), které splňují podmínky: 1. a) a b = b a, a b = b a b) a a = a, a a = a c) (a b) c = a (b c), (a b) c = a (b c) d) a (a b) = a, a (a b) = a e) a (b c) = (a b) (a c), a (b c) = (a b) (a c)

12 1. Definice, základní vlastnosti, příklady 9. V množině B existuje největší prvek I a nejmenší prvek, pro které platí: a) a =, a = a b) a I = a, a I = I 3. Ke každému prvku a B existuje komplement ā, pro který platí: a ā =, a ā = I Potom B = (B,,,, I, ) nazveme Booleovou algebrou Definice 1.. Jevem nazveme výsledek provedeného pokusu. Jevy mohou být jisté, náhodné, nemožné. Je to dělení relativní, vždy vztažené na daný soubor podmínek. Příklad 1.3. Při hodu hrací kostkou bude: jev jistý - padne kladný počet bodů, jev náhodný - počet bodů, jev nemožný - padne záporný počet bodů. 1. Definice, základní vlastnosti, příklady Definice 1.4. Jev B je následkem jevu A (jev A je částí jevu B), jestliže při nastoupení jevu A nastupuje vždy i jev B. Označení: A B. Věta 1.5. Pro libovolné jevy A, B, C platí: 1. A A.. Jestliže A B, B C, potom A C. Příklad 1.6. A - při hodu kostkou padne čtyřka. B - při hodu kostkou padne sudé číslo, potom je jev A B. Definice 1.7. Jestliže současně platí A B a B A, pak jsou jevy A, B ekvivalentní a píšeme A = B. Věta 1.8. Pro libovolné jevy A, B, C platí: 1. A = A.. A = B tehdy a jen tehdy, když B = A. 3. Jestliže A = B, B = C, potom A = C.

13 10 Pravděpodobnost Definice 1.9. Průnik C jevů A, B se nazývá jev ekvivalentní se současným nastoupením jevů A, B. Značíme C = A B. Věta Pro libovolné jevy A, B, C platí: 1. A A = A.. A B = B A. 3. (A B) C = A (B C). 4. A B A B = A. 5. (A B) A. 6. (A B) B. 7. Jestliže C A, C B C (A B). Definice Sjednocením jevů A, B se nazývá jev C, ekvivalentní s nastoupením alespoň jednoho z jevů A, B. Označení C = A B. Věta 1.1. Pro libovolné jevy A, B, C platí: 1. A A = A.. A B = B A. 3. (A B) C = A (B C). 4. A B A B = B. 5. A A B. 6. B A B. 7. A C, B C (A B) C. Definice Jistým jevem nazveme jev, kterě za daného systému podmínek musí vždy nastat. Značíme jej I. Nemožným jevem nazveme jev, který za daného systému podmínek nastat nemůže. Značíme jej. Věta Pro libovolný jev A platí: 1. A, A I.. A =, I A = A. 3. A = A, I A = I. Definice Jevem opačným k jevu A rozumíme jev ekvivalentnˇ s tím, že jev A nenastoupí. Označujeme jej Ā. Věta Pro libovolný jev A platí:

14 1.3 Elementární jevy ( Ā ) = A.. A Ā = I, A Ā =. Věta Pro libovolné jevy A, B platí de Morganovy vzorce: 1. A B = Ā B.. A B = Ā B. 1.3 Elementární jevy Definice Elementární jevy jsou takové jevy, různé od jevu, které se nedají rozložit na další jevy různé od jevu. Jev E je elementární, když ze vztahu E = A B plyne E = A nebo E = B. Jestliže máme množinu elementárních jevů {E i, i J}, pro kterou platí E i = I, pak mluvíme o úplném systému elementárních jevů. Definice Jevy A, B se nazývají disjunktní (navzájem neslučitelné), nemohou-li nastat současně, tzn. A B =. Věta 1.0. Dva různé elementární jevy jsou navzájem disjunktní. Důkaz. Mějme dva různé elementární jevy E 1, E. Označme X = E 1 E, i J Potom Y = E 1 Ē, Z = Ē1 E. X Z = E, X Y = E 1 a podle definice 1.18 proto platí, že buď X = E 1 a nebo Y = E 1. a) Nechť Y = E 1, potom E 1 = E 1 Ē, dosazením dostaneme b) Nechť X = E 1, potom A současně X = E 1 E, X = (E 1 Ē) E = E 1 =. E 1 = E 1 E E 1 E. X Z = X =.

15 1 Pravděpodobnost 1.4 Axiomatická definice pravděpodobnosti Autorem axiomatické teorie pravděpodobnosti, přijaté dnes na cekém světě, byl sovětský matematik A. N. Kolmogorov. Jeho teorie byla poprvé publikována v roce 1933 a je budována na základě teorie množin a teorie míry. Věta 1.1. Nechť M je množina jevů, pro kterou platí: 1. A, B M A B M, A B M,. M, I M, 3. A M Ā M. Potom (M,,,, I, ) je Booleova algebra. Definice 1.. σ-algebrou nazýváme Booleovu algebru jevů v případě, že jevů může být nekonečně mnoho a platí, že ke kažgdé posloupnosti jevů {A 1, A,... } existuje jejich sjednocení A i a průnik A i. i i Definice 1.3. Označme M nějakou σ-algebru jevů. Pravděpodobnost, že za určité situace nastane jev A M vyjadřuje hodnota funkce p(a), která splňuje podmínky: 1. p(a) 0 A M,. p(i) = 1, 3. pro množinu {A i }, i J navzájem disjunktních jevů platí ( ) p A i = p(a i ). i J i J Dvojici (M, p) budeme nazývat pravděpodobnostním prostorem. Věta 1.4. Nechť (M, p) je pravděpodobnostní prostor. Potom platí: 1. Jestliže A, B M, A B = p(a B) = p(a) + p(b).. p( ) = p(a) p(a) = 1 p(ā). 5. p(a B) = p(a) + p(b) p(a B), 6. Jestliže je A B, potom p(a) p(b).

16 1.5 Klasická pravděpodobnost Klasická pravděpodobnost Věta 1.5. Nechť (M, p) je pravděpodobnostní prostor, M je konečná σ-algebra, která obsahuje n elementárních jevů, tvořících úplný systém elementárních jevů {E i, i = 1,..., n} takově, e p(e 1 ) = p(e ) = = p(e n ) = 1 n. Nechť jev A M lze rozložit na m navzájem různých elementárních jevů. Potom platí p(a) = m n. Věta 1.6. Věta o geometrické pravděpodobnosti. Nechť (M, p) je pravděpodobnostní prostor. Nechť σ-algebra jevů je systém podmnožin A množiny I, které mají míru A. Potom p(a) = A I. 1.6 Podmíněná pravděpodobnost Definice 1.7. Nechť (M, p) je pravděpodobnostní prostor. Nechť nastoupil jev B M, p(b) = 0. Podmíněnou pravděpodobností jevu A M za předpokladu, že jev B nastal nazveme výraz p B (A) = p(a B). p(b) Věta 1.8. Vlastnosti podmíněné pravděpodobnosti. 1. p B ( ) = 0.. p B (B) = A M, A B = p B (A) = A M, B A p B (A) = A M, B A p A (B) = p(b) p(a), kde p A(B) = p(a B) p(a). 6. p I (A) = p(a). Věta 1.9. Nechť (M, p) je pravděpodobnostní prostor, A, B M. Potom pro pravděpodobnost průniku jevů A, B platí p(a B) = p B (A) p(b). Věta Nechť (M, p) je pravděpodobnostní prostor, A, B M, p(a) 0, p(b) 0. Potom platí p B (A) p(b) = p A (B) p(a).

17 14 Pravděpodobnost Věta Nechť M, p) je pravděpodobnostní prostor, A i M, i = 1,..., n. Pro výpočet pravděpodobnosti současného nastoupení n jevů platí p(a 1 A... A n ) = p(a 1 ) p A1 (A ) p A1 A (A 3 )... p A1... A n 1 (A n ). 1.7 Nezávislé jevy Definice 1.3. Nechť (M, p) je pravděpodobnostní prostor. Jevy A, B M jsou nezávislé, jestliže platí aspoň jedna z podmínek: 1. p(b) = 0 nebo p B (A) = p(a),. p(a) = 0 nebo p A (B) = p(b), Podmínky 1. a. definice 1.3 jsou ekvivalentní. Při důkazech stačí proto prověřit platnost jen jedné z nich. Věta Jevy A, B M jsou nezávislé, právě tehdy, když platí p(a B) = p(a)p(b). (1.1) Důkaz. a) Nechť platí vztah (1.1). Potom je-li p(b) = 0, jsou podle definice 1.3 jevy A, B nezávislé. Je-li p(b) 0, potom p B (A) = p(a B) p(b) = p(a)p(b) p(b) = p(a). a podle definice 1.3 jsou jevy A, B nezávislé. b) Nechť jsou jevy A, B nezávislé, potom je-li p(b) = 0 vztah (1.1) platí. Je-li p(b) 0, potom p(a) = p B (A) = I v tomto případě vztah (1.1) platí. p(a B) p(b) p(a B) = p(a)p(b). Definice Nechť (M, p) je pravděpodobnostní prostor, M 1 M. Jevy množiny M 1 jsou navzájem nezávislé, jestliže pro každý jev A M 1 platí, že je nezávislý na libovolném jevu podmnožiny M {M 1 \ {A}} = M 1 Ā1. Věta Nechť (M, p) je pravděpodobnostní prostor, A i množiny {A 1,..., A n } jsou navzájem nezávislé, potom M, i = 1,..., n. Jestliže jevy p(a 1 A... A n ) = p(a 1 )p(a )... p(a n ). Příklad Házíme dvěma kostkami. Jev A 1 - padne liché číslo na první kostce, jev A - padne liché číslo na druhé kostce, jev A 3 - součet na obou kostkách je sudé. Určete pravděpodobnosti jevů A 1, A, A 3 a jejich nezávislost.

18 1.8 Úplná pravděpodobnost 15 Řešení. p(a 1 ) = 1, p(a ) = 1, p(a 3) = 1. Jevy A 1, A jsou nezávislé. p A A 1 = p(a 1 A ) p(a ) = = 1 = p(a 1). Jevy A 1, A 3 jsou nezávislé. Jevy A 1, A, A 3 jsou závislé. p A3 A 1 = p(a 1 A 3 ) p(a 3 ) = p A1 A A 3 = 1 p(a 3 ). = 1 = p(a 1). Věta Nechť (M, p) je pravděpodobnostní prostor. Pro každý jev A M platí 1., A jsou nezávislé jevy,. I, A jsou nezávislé jevy. Věta Jevy A, B M jsou nezávislé, jsou-li nezávislé jevy A, B źi Ā, B źi Ā, B. 1.8 Úplná pravděpodobnost Věta O úplné pravděpodobnosti. Nechť (M, p) je pravděpodobnostní prostor a {B 1,..., B n } je úplný systém navzájem disjunktních jevů ze σ-algebry M, pro které platí p(b j ) 0, j = 1,..., n. Potom pro libovolný jev A M platí n p(a) = p Bj (A) p(b j ). j=1 Příklad Máme n klobouků a v každém je a bílých a b černých kuliček. Z prvního klobouku náhodně vyjmeme jednu kuličku a přendáme ji do druhého, poté z druhého klobouku přendáme jednu kuličku do třetího, atd., z n 1 klobouku přendáme jednu kuličku do posledního klobouku. Z posledního klobouku vyjmeme jednu kuličku. Určete pravděpodobnost, že bude bílá. Řešení. Pravděpodobnost vytažení bílé kuličky z prvního klobouku je p(b1) = a a + b. Pravděpodobnost vytažení bílé kuličky z druhého klobouku je podle věty 1.39 o úplné pravděpodobnosti ( ) ( ) ( ) ( ) a + 1 a a b p(b) = + = a + b + 1 a + b a + b + 1 a + b

19 16 Pravděpodobnost ( ) ( ) a a + 1 a + b a + b b = a a + b + 1 a + b. Máme tedy p(b1) = p(b). Pokračujeme dále po indukci a dostaneme p(b1) = p(b) = = p(bn). 1.9 Bayesova věta Věta Bayesova věta. Nechť (M, p) je pravděpodobnostní prostor a {B 1,..., B n } je úplný systém navzájem disjunktních jevů ze σ-algebry M, pro které platí p(b j ) 0, j = 1,..., n. Potom pro libovolný jev A M, pro kterě platí p(a) 0, platí Bayesův vzorec pro k = 1,..., n p A (B k ) = p B k (A) p(b k ). n p Bj (A) p(b j ) j=1 Příklad 1.4. Ve skupině 10 studentů, kteří se dostavili ke zkoušce, jsou 3 připraveni výborně, 4 dobře, průměrně a 1 špatně. Materiál ke zkoušce obsahuje 0 otázek. Výborně připravený student odpoví na všechny otázky, dobře připravený na 16, průměrně připravený na 10 a špatně připravený na 5. Náhodně vybraný student odpověděl správně na všechny tři náhodn zadané otázky. Určete pravděpodobnost, že šlo o špatně připraveného studenta. Řešení. Použijeme Bayesův vzorec. Jev A student odpověděl na všechny tři zadané otázky. Úplný systém disjunktních jevů je H 1 výborně připravený student, H dobře připravený student, H 3 průměrně připravený student, H 4 špatně připravený student. p A (H 4 ) = p H1 (A) = 1, p H (A) = p H3 (A) = p H4 (A) = = 0.491,. = 0.105,. = p H4 (A)p(H 4 ) 4 j=1 p H j (A)p(H j ). = 0.00.

20 1.10 Opakované pokusy Opakované pokusy Věta Bernoulliova posloupnost nezávislých pokusů. Provedeme n po sobě jdoucích pokusů, přičemž při každém pokusu může nebo nemusí nastat jev A. Nechť jsou výsledky pokusů na sobě nazávislé a nechť dále v každém z pokusů platí, že p(a) = p, p(ā) = q = 1 p, neboli pravděpodobnost nastoupení jevu A je v kkaždém pokusu stále stejná. Potom pravděpodobnost, že jev A nastane během n pokusů právě k-krát, k n je rovna ( ) n b(n, p, k) = p k q n k. k Věta Věta o závislých pokusech Nechť je dán soubor N prvků, z nichž M vykazuje sledovaný znak a N M prvků tento znak nemá. Vybereme postupně náhodně n prvků, z nichž žádný nevracíme zpět. Pravděpodobnost toho, že vybereme právě k prvků majících sledovaný znak a n k prvků, které tento znak nemají (jev A) je rovna ( M )( N M ) k n k p(a) = ( N. n) 1.11 Náhodná veličina Věta Nechť U je σ-algebra číselných množin, generovan intervaly (, a), a R. Potom platí: 1. a, + ) U a R,. (a, + ) U, (, a) U, 3. a, b U, (a, b) U, 4. {x} U x R. Definice Náhodná veličina X je reálná funkce X(ω) definovaná na pravděpodobnostním prostoru (M, p), ω M, taková, že pro každé x R je množina {ω M X(ω) < x} náhodněm jevem. T.j. hodnota náhodné veličiny je jednoznačně určena pokusem a x R můžeme určit pravděpodobnost p = p(x < x). 1.1 Distribuční funkce Definice Nechť X je náhodná veličina definovaná na (U, p). Funkci F (x) definovanou vztahem F (x) = p(x (, x)) = p(x < x) nazveme distribuční funkcí náhodné veličiny X.

21 18 Pravděpodobnost Věta Vlastnosti distribuční funkce: Nechť F (x) je distribuční funkce. Potom pro všechna x R platí: 1. 0 F (x) 1.. F (x) je neklesající funkce. 3. F (x) je spojitá zleva ( lim F (x + h) = F (x). h 0 4. lim F (x) = 0. lim x x + F (x) = p(x = x) = lim F (x + h) F (x). h p(x 1 X < x ) = F (x ) F (x 1 ) Diskrétní a spojitá náhodná veličina Definice Nechť F (x) je stupňovitá funkce, tzn. že existuje posloupnost {x n }, n = 1,,... taková, že na intervalech (x i, x i+1 ] je F (x) konstantní. Potom se X nazývá diskrétní náhodnou veličinou. Nechť F (x) je spojitá a po částech hladká na množině R. Potom se X nazývá spojitou náhodnou veličinou. Důsledek V bodě x, kde je F (x) spojitá platí p(x = x) = 0. Věta Nechť je dána funkce F (x) definovaná na R. Splňuje-li F (x) podmínky 1 4 věty 1.48, pak existuje náhodná veličina X, definovaná na (U, p) s distribuční funkcí F (x) Vlastnosti náhodné veličiny Definice 1.5. Nechť X je diskrétní náhodná veličina nabývající hodnot z konečné a nebo spočetné číselné množiny S (množina S je množina bodů nespojitosti distribuční funkce F (x)). Na množině S definujeme funkci f(x i ) vztahem f(x i ) = p(x = x i ), x i S. Potom funkci f(x) nazveme frekvenční funkcí náhodné veličiny X. Věta Pro distribuční funkci F (x) diskrétní náhodné veličiny X nabývající hodnot z množiny S a frekvenční funkci f(x i ) platí F (x) = x i S, x i <x f(x i ).

22 1.14 Vlastnosti náhodné veličiny 19 Věta Pro frekvenční funkci f(x) diskrétní náhodné veličiny X nabývající hodnot z množiny S platí f(x i ) = 1. x i S Příklad Sestavte frekvenční funkci pro Bernoulliovu posloupnost nezávislých jevů pro n = 5 a p = 0.. Řešení. Podle věty 1.43 máme b(n, p, k) = ( ) n p k q n k. k Po dosazení dostaneme k f(k) Tím máme určenou hledanou frekvenční funkci. Definice Nechť X je spojitá náhodná veličina s distribuční funkcí F (x). Funkcí hustoty pravděpodobnosti náhodné veličiny X nazveme reálnou funkci f(x) pro kterou platí: 1. f(x) 0 x R, F (x) = f(x)dx = 1, x f(t)dt. Důsledek V bodě x, kde je F (x) spojitá, platí f(x) = F (x).. Funkce hustoty f(x) je buď spojitá a nebo po částech spojitá. 3. Platí lim f(x) = 0. x ± Příklad Máme zadanou funkci f(x) = { 1 b a, x < a, b >, 0, jinak. Ověřte, že se jedná o funkci hustoty některé náhodné veličiny a určete její distribuční funkci. Řešení. + f(x)dx = b a 1 b a dx = 1 b a x b a = 1 (b a) = 1. b a Protože funkce f(x) je nezáporná, jedná se o funkci hustoty. Pro distribuční funkci platí F (x) = x f(t)dt.

23 0 Pravděpodobnost Po integraci dostaneme F (x) = 0, x < a, x a b a, a x b, 1, x > b. Věta Pro spojitou náhodnou veličinu X s distribuční funkcí F (x) a pro libovolná reálná čísla x 1, x, x 1 < x platí p(x 1 < X < x ) = p(x 1 X x ) = p(x 1 < X x ) = p(x 1 X < x ) = F (x ) F (x 1 ). Věta Pro spojitou náhodnou veličinu X s funkcí hustoty f(x) a pro libovolná reálná čísla x 1, x, x 1 < x platí p(x 1 X x ) = x x 1 f(t)dt. Důsledek Funkce hustoty f(x) je buď spojitá a nebo po částech spojitá funkce. Dále platí f(x) = 0, lim f(x) = 0. lim x x Vícerozměrná náhodná veličina Definice 1.6. Nechť X 1, X,..., X n jsou náhodné veličiny definované na pravděpodobnostních prostorech (U 1, p 1 ), (U, p ),..., (U n, p n ). Nechť všechny veličiny jsou stejného typu (buď diskrétní a nebo spojité). Potom n-tici (X 1, X,..., X n ) nazveme n-rozměrnou náhodnou veličinou. V případě n = dostaneme dvourozměrnou náhodnou veličinu, kterou budeme oznaźovat jako dvojici (X, Y). Definice Nechť (X, Y) je dvourozměrná náhodná veličina. Simultání distribuční funkcí F (x, y) budeme nazývat funkci definovanou vztahem F (x, y) = p(x < x Y < y). Věta Simultání distribuční funkce F (x, y) dvourozměrné náhodné veličiny (X, Y) má následující vlastnosti: 1. 0 F (x, y) 1,. jestliže x 1 x, y 1 y, potom F (x 1, y 1 ) F (x, y ), 3. lim x x 0,y y 0 4. lim F (x, y) = lim x F (x, y) = F (x 0, y 0 ), F (x, y) = lim y 5. lim F (x, y) = 1. x +,y + F (x, y) = 0, x,y

24 1.16 Marginální rozložení 1 Definice Jsou-li u dvourozměrné náhodné veličiny (X, Y) obě veličiny X i Y diskrétní, pak hovoříme o diskrétní dvourozměrné náhodné veličině, která nabývá nejvýše spočetně mnoha hodnot tvořících množinu T. Na T definujeme simultání frekvenční funkci f(x i, y j ) = p(x = x i, Y = y j ). Věta Pro dvourozměrnou diskrétní náhodnou veličinu platí F (x, y) = f(x i, y j ), (x i,y j ) T x i <x,y j <y f(x i, y j ) = 1. Definice Jsou-li u dvourozměrné náhodné veličiny (X, Y) obě veličiny X i Y spojité, pak hovoříme o spojité dvourozměrné náhodné veličině. Simultání funkce hustoty f(x, y) je funkce pro kterou platí 1. f(x, y) 0 x, y R, F (x, y) = f(x, y)dxdy = 1, y ( x f(u, v)du ) dv. Věta Pro dvourozměrnou spojitou náhodnou veličinu platí 1. p(x = x, Y = y) = 0 x, y R,. V bodech spojitosti funkce hustoty je f(x, y) = x y F (x, y) Marginální rozložení Věta Mějme dvourozměrnou náhodnou veličinu (X, Y). Každá z veličin X, Y má svoje rozdělení. Nechť X má distribuční funkci F 1 (x), Y má distribuční funkci F (y) a (X, Y) má simultání distribuční funkci F (x, y).pak platí 1. p(x < x) = p(x < x, Y (, + )),. p(y < y) = p(x (, + ), Y < y), 3. F 1 (x) = lim F (x, y), y + 4. F (y) = lim F (x, y). x +

25 Pravděpodobnost Definice Distribuční funkce F 1 (x), F (y) se nazývají marginální (okrajové) distribuční funkce. Definice Pro diskrétní dvourozměrnou náhodnou veličinu (X, Y) se simultání frekvenční funkcí f(x i, y j ) definujeme marginální (okrajové) frekvenční funkce f 1 (x i ), f (y j ) následovně: Nechť X nabývá hodnot z množiny T 1, Y nabývá hodnot z množiny T, potom f 1 (x i ) = f(x i, y j ), f (y j ) = f(x i, y j ). y j T x i T 1 Pro spojitou dvourozměrnou náhodnou veličinu (X, Y) se simultání funkcí hustoty f(x, y) definujeme marginální (okrajové) funkce hustoty f 1 (x), f (y) následovně: f 1 (x) = f (y) = + + f(x, y)dy, f(x, y)dx Nezávislé náhodné veličiny Definice 1.7. Nechť X je náhodná veličina definovaná na pravděpodobnostním prostoru (U, p 1 ), Y je náhodná veličina definovaná na pravděpodobnostním prostoru (U, p ). Jestliže pro všechny množiny A, B U jsou jevy X A, Y B navzájem nezávislé (t.j. platí p(x A, Y B) = p 1 (X A) p (Y B)), pak nazýváme X, Y nezávislými náhodnými veličinami. Věta Nechť (X, Y) je dvourozměrná náhodná veličina se simultání distribuční funkcč F (x, y). Nechť F 1 (x), F (y) jsou marginální distribuční funkce. Potom X, Y jsou nezávislé náhodné veličiny právě tehdy, když F (x, y) = F 1 (x) F (y). Věta Nechť (X, Y) je diskrétní dvourozměrná náhodná veličina se simultání frekvenční funkcí f(x i, y j ). Nechť f 1 (x i ), f (y j ) jsou marginální frekvenční funkce. Potom X, Y jsou nezávislé náhodné veličiny právě tehdy, když f(x i, y j ) = f 1 (x i ) f (y j ). Věta Nechť (X, Y) je spojitá dvourozměrná náhodná veličina se simultání funkcí hustoty f(x, y). Nechť f 1 (x), f (y) jsou marginální funkce hustoty. Potom X, Y jsou nezávislé náhodné veličiny právě tehdy, když f(x, y) = f 1 (x) f (y). Důkaz. a) Nechť X, Y jsou nezávislé náhodné veličiny, potom platí F (x, y) = F 1 (x)f (y). f(x, y) = F (x, y) x y = (F 1 (x)f (y)) x y = F 1(x) F (y) = f 1 (x)f (y). x y

26 1.18 Transformace náhodných veličin 3 b) Platí-li f(x, y) = f 1 (x)f (y), potom F (x, y) = Veličiny X, Y jsou nezávislé. x x y f 1 (x)dx f(x, y)dxdy = y x y f (y)dy = F 1 (x)f (y). f 1 (x)f (y)dxdy = Příklad Nechť (X, Y) je spojitá náhodná veličina se simultání funkcí hustoty { 1 f(x, y) = 4, x < 1, 1 >, y < 1, 1 >, 0, jinak. Rozhodněte, zda jsou (X, Y) nezávislé. Řešení. Pro marginální funkce hustoty platí Po integraci dostaneme f 1 (x) = + f(x, y)dy, f (y) = + 0, x < 1, 1 f 1 (x) =, x < 1, 1 >, 0, x > 1. Analogicky pro druhou proměnnou dostaneme 0, y < 1, 1 f (y) =, y < 1, 1 >, 0, y > 1. f(x, y)dx. Takže platí f(x, y) = f 1 (x)f (y) a podle věty 1.75 jsou X, Y nezávislé Transformace náhodných veličin Definice Mějme pravděpodobnostní prostor (U, p). Nechť y = y(x) je funkce definovan na (, + ) přiřazující každé množině A U množinu B = {x y(x) A}, pro kterou platí B U. Nechť X je náhodná veličina. Funkcí náhodné veličiny X rozumíme náhodnou veličinu Y = y(x), která nabývá hodnoty y právě když náhodná veličina X nabude takové hodnoty x, že platí y = y(x). Pro libovolnou množinu A U a B = {x y(x) A} platí p(y A) = p(x B). Věta Nechť Y = y(x) je fukce náhodné veličiny X. Nechť náhodná veličina Y má distribuční funkci G(y). Potom platí G(y 0 ) = p(y < y 0 ) = p(x {x y(x) < y 0 }).

27 4 Pravděpodobnost Příklad Nechť náhodná veličina X má distribuční funkci F (x). Určete distribuční funkci náhodné veličiny Y = X. Řešení. Postupujeme přesně podle předchozí věty. 1) Nechť y 0 0. Potom {x x < y 0 } =, a proto G(y 0 ) = p(y < y 0 ) = p(x {x x < y 0 0}) = 0. ) Nechť y 0 > 0. Potom {x x < y 0 } = ( y 0, y 0 ) a tedy G(y 0 ) = p(y < y 0 ) = p( y 0 < X < y 0 ) = F ( y 0 ) F ( y 0 ). Proto { G(y) = 0, y 0, F ( y) F ( y), y > 0. Věta Nechť g(x) je monotonně rostoucí funkce. Jestliže X je náhodná veličina s distribuční funkcí F (x). Potom Y = g(x) je náhodná veličina s distribuční funkcí G(y) = F (g 1 (y)). Věta Nechť g(x) je monotonně klesající funkce. Jestliže X je náhodná veličina s distribuční funkcí F (x). Potom Y = g(x) je náhodná veličina s distribuční funkcí G(y) = 1 F (g 1 (y)). Věta 1.8. Nechť g(x) je ryze monotonní funkce. Jestliže X je náhodná veličina s distribuční funkcí F (x) a funkcí hustoty f(x). Potom Y = g(x) je náhodná veličina s funkcí hustoty h(y) = f ( g 1 (y) ) d dy (g 1 (y)). Důsledek y = ax + b, a 0 g(y) = 1 a f ( y b a ) Charakteristiky náhodných veličin Definice Nechť X je diskrétní náhodná veličina s frekvenční funkcí f(x i ) definovaná na množině S. Obecným momentem k-tého řádu m k (X) náhodné veličiny X nazveme m k (X) = x i S x k i f(x i ), k = 1,,.... Definice Nechť X je spojitá náhodná veličina s funkcí hustoty f(x). Obecným momentem k-tého řádu m k (X) náhodné veličiny X nazveme m k (X) = pokud integrál vpravo existuje. + x k f(x)dx, k = 1,,...,

28 1.19 Charakteristiky náhodných veličin 5 Definice Střední hodnotou náhodné veličiny X nazveme číslo E(X) = m 1 (X). Důsledek Aritmetický průměr je speciálním případem střední hodnoty v případě, že f(x i ) = c > 0, i. Důkaz. Mějme diskrétní náhodnou veličinu X s frekvenční funkcí f(x i ) = 1 n, i = 1,,..., n Potom střední hodnota E(X) je E(X) = n i=1 x i 1 n = 1 n (x 1 + x + + x n ) = x. Definice Nechť X je diskrétní náhodná veličina s frekvenční funkcí f(x i ) definovaná na množině S. Centrálním momentem k-tého řádu M k (X) náhodné veličiny X nazveme M k (X) = x i S (x i E(X)) k f(x i ), k = 1,,.... Definice Nechť X je spojitá náhodná veličina s funkcí hustoty f(x). Centrálním momentem k-tého řádu M k (X) náhodné veličiny X nazveme M k (X) = pokud integrál vpravo existuje. + (x E(X)) k f(x)dx, k = 1,,..., Důsledek Pro libovolnou náhodnou veličinu X platí M 1 (X) = 0 Důkaz. M 1 (X) = + + (x E(X)) f(x)dx = xf(x)dx E(X) + + (xf(x) E(X)f(x)) dx = f(x)dx = E(X) E(X) = 0. Definice Rozptylem (disperzí) náhodné veličiny X nazveme číslo D(X) = M (X). Věta 1.9. Nechť X je náhodná veličina. Potom pro náhodnou veličinu Y = ax + b, a 0 platí Důkaz. Podle důsledku 1.83 věty 1.8 platí E(Y) = ae(x) + b, D(Y) = a D(X). y = ax + b, a 0 g(y) = 1 a f ( y b a ).

29 6 Pravděpodobnost Dále Zavedeme si substituci E(Y) = + yg(y)dy = + y = ax + b, dy = adx. y 1 a f ( y b a ) dy = ( ). Pro a > 0 zůstavají hranice beze změny, pro a < 0 se změní na opačné. ( ) = + Pro rozptyl máme analogicky D(Y) = + ax + b f(x) a dx = a (Y E(Y)) g(y)dy = (axf(x) + bf(x)) dx = ae(x) + b. (ax + b ae(x) b) 1 a f(x) a dx = a (x E(X)) f(x)dx = a D(X). Věta Nechť X je náhodná veličina. Potom pro náhodnou veličinu Y = (X E(X)) platí D(X) = E(Y). Věta Nechť X je náhodná veličina. Potom platí D(X) = E(X ) (E(X)). Důkaz. D(X) = + + (x E(X)) f(x)dx = x f(x)dx E(X) + + ( x E(X)x + (E(X)) ) f(x)dx = + xf(x)dx + (E(X)) f(x)dx = E(X ) E(X)E(X) + (E(X)) = E(X ) (E(X)). Definice Nechť X je náhodná veličina. Číslo σ(x) = D(X) nazveme směrodatnou odchylkou náhodné veličiny X. Definice Normovaná náhodná veličina k náhodné veličině X je U = X E(X). σ(x) Věta Pro normovanou náhodnou veličinu U platí E(U) = 0, D(U) = 1.

30 1.19 Charakteristiky náhodných veličin 7 Důkaz. Podle věty 1.9 Dále podle téže věty U = X E(X) σ(x) D(U) = = 1 σ(x) X E(X) σ(x). E(U) = 1 E(X) E(X) σ(x) σ(x) = 0. 1 (σ(x)) D(X) = 1 D(X) = 1. D(X) Definice Nechť X je náhodná veličina. Číslo k 1 = M 3(X) (σ(x)) 3 nazveme koeficientem šikmosti náhodné veličiny X. Definice Číslo k = M 4(X) (σ(x)) 4 3 nazveme koeficientem špičatosti náhodné veličiny X. Věta Nechť X je náhodná veličina. Koeficient šikmosti i koeficient špičatosti se nemění při lineární transformaci. T.j. a, b R, a 0: Věta Platí: k 1 (ax + b) = k 1 (X), k (ax + b) = k (X), 1. Pro symetrickou náhodnou veličinu X je k 1 (X) = 0.. Pro náhodnou veličinu s rozdělením protáhlejším vpravo je k 1 > 0 a pro náhodnou veličinu s rozdělením protáhlejším vlevo je k 1 < Pro normální rozdělení je k = Má-li náhodná veličina symetrické rozdělení a je-li k > 0, potom je funkce hustoty pro x ± větší než funkce hustoty normálního rozdělení se stejnou střední hodnotou. 5. Má-li náhodná veličina symetrické rozdělení a je-li k < 0, potom je funkce hustoty pro x ± menší než funkce hustoty normálního rozdělení se stejnou střední hodnotou. Definice Nechť 0 < p < 1. p-kvantil náhodné veličiny X je číslo x p takové, že F (x p ) p, F (x p + 0) > p. Poznámka F (x p ) = p. p-kvantil není určen jednoznačně. Je-li X spojitá náhodná veličina je

31 8 Pravděpodobnost Definice kvantil ve nazývá medián. Definice Modus x spojité náhodné veličiny X je bod pro který platí f( x) f(x) x R. Příklad Náhodná veličina má funkci hustoty 0, pro x < 0, f(x) = a(3x x ), pro 0 x 3, 0, pro x > 3. Určete parametr a, střední hodnotu a rozptyl. Řešení. Musí platit + f(x)dx = [ 3 f(x)dx = a(3x x )dx = a 0 x 1 3 x3 + 3 ( E(x) = xf(x)dx = 3 x ) 9 x3 dx = D(x) = + 0 ] 3 (x E(x)) f(x)dx = E(x ) (E(x)) = 0 [ ] 7 = a 9 = 1 a = 9. [ 9 x x4 3 [ 1 6 x4 ] 3 45 x5 1.5 =.7.5 = ] 3 0 = 6 9 = 1.5. ( 3 x3 ) 9 x4 dx 1.5 = Příklad Graf funkce hustoty náhodné veličiny X tvoří na intervalu [0, a] přímka spojující body (0, /a) a (a, 0). Mimo interval [0, a] je funkce hustoty nulová. Urźete: hodnotu parametru a, střední hodnotu a rozptyl. Řešení. Musí platit + f(x)dx = 1 a Každá hodnota a > 0 vyhovuje. 0 E(x) = 0 x < 0, f(x) = x + a a x [0, a], 0, x > a. ( a x + ) dx = a x a + a x a 0 ( a x + a x ) dx = 3 a + a = a 3. D(x) = a 18. a 0 = a a + a a = 1.

32 1.0 Číselné charakteristiky dvourozměrných náhodných veličin Číselné charakteristiky dvourozměrných náhodných veličin Definice (E(X), E(Y)). Centrálním bodem dvourozměrné náhodné veličiny (X, Y) nazveme bod Definice Nechť X, Y jsou náhodné veličiny. Hodnotu nazýváme kovariací náhodných veličin X, Y. K(X, Y) = E(XY) E(X)E(Y) Věta Platí: 1. K(X, Y) = K(Y, X).. K(X, Y) = 0 pro nezávislé náhodné veličiny X, Y. 3. K(X, X) = D(X). 4. K(X, X) = E(X ) [E(X)]. Definice Nechť (X, Y) jsou náhodné veličiny. Hodnotu R(X, Y) = K(X, Y) σ(x)σ(y) nazýváme korelačním koeficientem náhodných veličin X, Y. Věta Platí: 1. 1 R(X, Y) 1.. R(X, Y) = R(Y, X). 3. R(X, Y) = 0 pro nezávislé X, Y. 4. Je-li Y = ax + b, a 0, potom R(X, Y) = sign a. Příklad Dvourozměrná náhodná veličina (X, Y) má funkci hustoty { a(x f(x, y) = + y ), pro x + y r, 0, pro x + y > r. Určete koeficient a.

33 30 Pravděpodobnost Řešení. Koeficient a určíme z rovnice a (x + y )dxdy = 1, kde integrujeme přes kružnici x + y = r. Přejdeme k polárním souřadnicím a dostaneme π r a ϱ 3 dϱdϕ = 1, 0 0 r 4 πa = 1, 4 a = πr 4. Příklad Dvourozměrná náhodná veličina (X, Y) má funkci hustoty f(x, y) = { a sin(x + y), v oblasti D, 0, mimo oblast D, kde oblast D je urźena nerovnostmi 0 x π/, 0 y π/. Určete 1. Koeficient a,. Střední hodnoty E(x), E(y), 3. Směrodatné odchylky σ(x), σ(y), 4. Koeficient korelace. Řešení. Odtud 1. Musí platit a π/ π/ 0 = a 0 π/ 0 a π/ π/ 0 0 sin(x + y)dydx = 1. π/ sin(x + y)dydx = a cos(x + y) π/ 0 dx = 0 (sin x + cos x)dx = a (sin x cos x) π/ 0 = a. a = 1.. E(x) = 1 = 1 π/ π/ 0 π/ 0 0 x sin(x + y)dydx = 1 cos(x + y) π/ 0 xdx = 1 π/ 0 π/ 0 xdx π/ 0 sin(x + y)dy = [cos(x + π ) cos x ] xdx =

34 1.1 Regresní koeficient a regresní přímka 31 = 1 π/ 0 x [sin x + cos x] dx = 1 x [sin x cos x] π/ 0 1 π/ 0 [sin x cos x] dx = Stejným způsobem dostaneme = π (cos x + sin x) π/ 0 = π 4. E(y) = π D(x) = E(x ) (E(x)) = 1 π/ 0 x cos(x + y) π/ 0 dx π 1 x (sin x cos x) π/ 0 π 8 + x(sin x + cos x) π/ 0 π/ π/ 0 16 = 1 π/ 0 π/ 0 0 π/ 0 x sin(x + y)dydx π 16 = x (sin x + cos x)dx π 16 = x(sin x cos x)dx π 16 = (sin x + cos x)dx π 16 = = π 8 + π + (sin x cos x) π/ 0 π 16 = π 16 + π. Stejným způsobem dostaneme D(y) = D(x). σ(x) = σ(y) = π 16 + π. 4. π/ π/ K(x, y) = E(xy) E(x)E(y) = 1 xy sin(x + y)dydx π ( 1 π/ ) π/ x y sin(x + y)dy dx π 16 = 0 0 π 4 = R(x, y) = = 8π 16 π. 16 K(x, y) 8π 16 π = σ(x)σ(y) π + 8π Regresní koeficient a regresní přímka Nechť X, Y jsou náhodné veličiny. Nechť náhodná veličina Z je lineární funkcí náhodných veličin Y, X, tj. Z = Y kx. Hledáme takové k, aby D(Z) bylo minimální. D(Z) = D(Y kx) = E((Y kx) ) (E(Y kx)) =

35 3 Pravděpodobnost = E(Y ) ke(yx) + k E(X ) (E(Y)) + ke(x)e(y) k (E(X)) = = D(Y) + k D(X) kk(x, Y) d D(Z) = kd(x) K(X, Y) = 0 dk k = K(X, Y) D(X) = R(X, Y) σ(y) σ(x). Definice Koeficientem regrese náhodné veličiny nazýváme číslo k = K(X, Y) D(X) = R(X, Y) σ(y) σ(x). Důsledek Hodnota k nám dává minimum D(Z). Důkaz. Protože d dk D(Z) = 0 a d D(Z) = D(X) > 0 dk dává nám hodnota k minimum D(Z). Definice Přímku y E(Y) = k(x E(X)) nazýváme regresní přímkou náhodné veličiny Y vzhledem k náhodné veličině X. Příklad Nechť (X, Y) je diskrétní náhodná veličina se simultání frekvenční funkcí x i \y i 0 1 f(x i ) f(y j ) Určete regresní přímku. Řešení. Určíme postupně E(X), E(Y), D(X), D(Y). E(X) = = 1. Dále Kovariace E(Y) = = 1. D(X) = (0 1) (1 1) ( 1) 0.35 = 0.7. D(Y) = (0 1) 0. + (1 1) ( 1) 0. = 0.4. E(X Y) = 0 ( ) = 1.3. K(X, Y) = = 0.3.

36 1. Nejužívanější rozložení diskrétních náhodných veličin 33 Koeficient korelace Regresní koeficient Regresní přímka má potom tvar R(X, Y) = = k = = y 1 = 0.49(x 1), y = 0.49x Nejužívanější rozložení diskrétních náhodných veličin 1. Klasické rozložení. Náhodná veličina X má klasické rozložení s parametrem n N, jestliže 1 n pro x = 1,,..., n, f(x) = p(x = x) = 0 pro zbývající případy. Věta Má-li náhodná veličina X klasické rozložení s parametrem n N, potom platí: E(X) = n + 1, D(X) = n Binomické rozložení Bi(n, p). Náhodná veličina X má binomické rozložení s parametry n N a p (0, 1), jestliže ( n ) i p i (1 p) n i pro i = 0, 1,,..., n, f(i) = p(x = i) = 0 pro zbývající případy. Věta Má-li náhodná veličina X binomické rozložení Bi(n, p), potom platí: E(X) = np, D(X) = np(1 p), k 1 = k = 1 p np(1 p), 1 6p(1 p). np(1 p) Modus x je určen nerovnicí (n + 1)p 1 x (n + 1)p.

37 34 Pravděpodobnost Důsledek V případě, že (n+1)p je celé číslo, budeme mít pro modus dvě hodnoty. Důsledek 1.1. Bi(n, 1 ) má symetrickou frekvenční funkci. 3. Alternativní rozložení A(p). Náhodná veličina X má alternativní rozložení s parametrem p (0, 1), jestliže f(1) = p, f(0) = 1 p. Věta Má-li náhodná veličina X alternativní rozložení A(p), potom platí: E(X) = p, D(X) = p(1 p), k 1 = 1 p, p(1 p) k = 1 6p(1 p), p(1 p) A(p) Bi(1, p). 4. Poissonovo rozložení P o(λ). Náhodná veličina X má Poissonovo rozložení s parametrem λ R +, jestliže λ i i! e λ pro i = 0, 1,,..., f(i) = p(x = i) = 0 pro zbývající prřípady. Věta Má-li náhodná veličina X Poissonovo rozložení P o(λ), potom platí: E(X) = λ, D(X) = λ, k 1 = λ 1, k = λ 1. Důsledek E(X) = D(X) = λ je charakteristickou vlastností Poissonova rozložení. Příklad Určete střední hodnotu diskrétní náhodné veličinz s frekvenční funkci m=0 p(x = m) = λm e λ, m = 0, 1,,.... m! Řešení. Jde o náhodnou veličinu s Poissonověm rozložením. E(X) = m λm e λ = m λm e λ = λe λ λ m 1 m! m! (m 1)!. Protože po dosazení dostaneme m=1 m=1 λ m 1 (m 1)! = eλ, E(X) = λ. m=1

38 1. Nejužívanější rozložení diskrétních náhodných veličin Negativní binomické rozložení N bi(n, p). Kolik pokusů při Bernoulliovské posloupnosti nezávislých pokusů je třeba udělat, aby nastal jev A po n-té? Jestliže náhodná veličina X nabývá hodnoty počtu pokusů, při nichž jev A nenastal předtím než nastal po n-té a X = x i, pak jev A nastal po n-té v (x i + n)-tém pokusu. Náhodná veličina X má negativní binomické rozložení s parametry n N a p (0, 1), jestliže ( xi ) +n 1 n 1 p n (1 p) x i pro x i = 0, 1,,..., n = 1,,..., f(x i ) = p(x = x i ) = 0 pro zbývající případy. Věta Má-li náhodná veličina X negativní binomické rozložení N bi(n, p), potom platí: E(X) = n 1 p p, D(X) = n 1 p p. 6. Geometrické rozložení Ge(p). Jde o rozložení N bi(1, p). Počet nezávislých pokusů, které končí při prvním úspěšném pokusu. Náhodná veličina X má geometrické rozložení s parametrem p (0, 1), jestliže p(1 p) x i pro x i = 0, 1,,..., f(x i ) = p(x = x i ) = 0 pro zbývající případy. Věta Má-li náhodná veličina X geometrické rozložení Ge(p), potom platí: E(X) = 1 p p, D(X) = 1 p p. 7. Hypergeometrické rozložení H(N, M, n). Počet prvků vykazujících sledovanou vlastnost v souboru n prvků, vybraných bez vracení ze souboru N prvků, z nichž celkem M má dannou vlatnost. Náhodná veličina X má hypergeometrické rozložení s parametry N, M, n N, N > M, jestliže ( M )( N M ) x n x f(x) = ( N, n) Věta Má-li náhodná veličina X hypergeometrické rozložení H(N, M, n), potom platí: E(X) = n M N, D(X) = n M ( 1 M ) N n N n N 1.

39 36 Pravděpodobnost 1.3 Nejužívanější rozložení spojitých náhodných veličin 1. Rovnoměrné rozložemní. Náhodná veličina X má rovnoměrné rozložení, jestliže má konstantní hustotu pravděpodobnosti na celém intervalu hodnot, kterých může nabýt. Funkce hustoty je { 1 f(x) = b a pro x [a, b], 0 pro x [a, b]. Distribuční funkce je 0 x < a, x a F (x) = b a pro x [a, b], 1 pro x > b. Věta Má-li náhodná veličina X rovnoměrné rozložení, potom platí: E(X) = 1 (a + b), D(X) = 1 1 (b a), k = k 1 = 0, (b a)4 80. Normální rozložení N o(µ, σ). Náhodná veličina X má normální rozložení s parametry µ R, σ > 0, jestliže má funkci hustoty a distribuční funkci 3. f(x) = 1 σ (x µ) π e σ F (x) = 1 x σ π e (t µ) σ dt. Věta Má-li náhodná veličina X normální rozložení N o(µ, σ), potom platí: Důkaz: Zavedeme si substituci Po dosazení máme E(x) = 1 σ π x µ σ E(X) = µ, D(X) = σ. + xe (x µ) σ dx. = t x = σt + µ dx = σdt. E(x) = 1 + (σt + µ)e t σ + dt = te t µ + dt + e t dt = µ. π π π Protože první integrál je integrálem z liché funkce, který je roven nule, a druhý integrál je roven π.

40 1.3 Nejužívanější rozložení spojitých náhodných veličin 37 Normální rozložení N(, ) Příklady: 1. N(0,1/ ). N (0,1) 3. N (0,3) N(, ) x x Funkce hustoty Distribuční funkci f 1 x) e ( x ) ( F x ( t ) 1 ( x) e dt Obr. 1.1: Normální rozložení 1

41 38 Pravděpodobnost Normální rozložení N(, ) Příklady: 1. N( 1,1 ). N (0,1) 3. N (1,1) x x Funkce hustoty Distribuční funkci ( x ) 1 ( ) f x e F x ( t ) 1 ( x) e dt Obr. 1.: Normální rozložení 3. Exponenciální rozložení E(A, d). Náhodná veličina X má exponenciální rozložení s parametry A R, d > 0, jestliže má funkci hustoty 0 x A, f(x) = x A 1 de d x > A, a distribuční funkci 0 x A, F (x) = 1 e x A d x > A. Věta Má-li náhodná veličina X exponenciální rozložení E(A, d), potom platí: E(X) = A + d, D(X) = d.

42 1.3 Nejužívanější rozložení spojitých náhodných veličin 39 Normální rozložení N(, ) Příklady: 1. N( 1,6). N (0,) 3. N (1,3) x x Funkce hustoty Distribuční funkci ( x ) 1 ( ) f x e F x ( t ) 1 ( x) e dt Obr. 1.3: Normální rozložení 3

43 40 Pravděpodobnost 4. Gama rozložení Γ(m, d). Náhodná veličina X má gama rozložení s parametry m > 0, d > > 0, jestliže má funkci hustoty f(x) = 0 x 0, 1 Γ(m)d m e x d x m 1 x > 0, kde Γ(m) = m 0 e t t m 1 dt. Věta Má-li náhodná veličina X gama rozložení Γ(m, d), potom platí: E(X) = md, D(X) = md. Důsledek Pro m = 1 je Γ(1, d) E(0, d). 5. Beta rozložení Be(p, q). Náhodná veličina X má beta rozložení s parametry p > 0, q > 0, jestliže má funkci hustoty f(x) = 0 x (0, 1), 1 B(p,q) xp 1 (1 x) q 1 x (0, 1), kde B(p, q) = 1 0 x p 1 (1 x) q 1 dx. Věta Má-li náhodná veličina X beta rozložení Be(p, q), potom platí: D(X) = E(X) = p p + q, pq (p + q) (p + q + 1), B(p, q) = Γ(p)Γ(q) Γ(p + q). 6. Pearsonovo rozložení χ.(čti chí-kvadrát) Náhodná veličina X má rozložení χ s k stupni volnosti, jestliže má funkci hustoty 0 x 0, f(x) = ( ) ( 1 e x k/ Γ( k ) x k 1) x > 0. Věta Má-li náhodná veličina X rozložení χ s k-stupni volnosti, potom platí: E(X) = k,

44 1.3 Nejužívanější rozložení spojitých náhodných veličin 41 Chí-kvadrat rozložení ( n) Příklady: (3) (4) (5) x x Funkce hustoty Distribuční funkci f ( x) n 0 1 ( e n Г( ) x )( x n 1 ), x 0, x 0 Obr. 1.4: Pearsonovo rozložení D(X) = k, k 1 = 4 k, k = 1 k, Γ( k, ) χ (k). 7. Studentovo rozložení t. Mějme dvě nezávislé náhodné veličiny U, Y. Nechť má U rozložení No(0, 1) a Y má rozložení χ. Utvořme náhodnou veličinu T = U Náhodná veličina T má rozložení t o k stupních volnosti s funkcí hustoty pro k N, x R f(x) = 1 kb( 1, k ) Y k. ) k+1 (1 + x k =

45 4 Pravděpodobnost Studentovo rozložení t(k) 0.3 Příklady: 1. t(1). t() 3. t(7) x x Funkce hustoty Distribuční funkci f ( x) k 1 Г( ) x (1 ) k k k Г( ) k 1 F( x) k 1 Г( ) k k Г( ) x (1 ) k k 1 d Obr. 1.5: Studentovo rozložení = Γ( k+1 ) πkγ( k ) ) k+1 (1 + x. k Pro k + konverguje t-rozložení k rozložení No(0, 1). Věta k 1 = 0, k = 6 k Fisherovo - Snedecorovo rozložení F. Mějme dvě nezávislé náhodné veličiny X, Y. Nechť má X rozložení χ (n 1 ) a Y má rozložení χ (n ). Utvořme náhodnou veličinu F = X n 1. Y n