VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ. N(0, 1) má tzv. standardizované normální rozdělení.

Podobné dokumenty
Výběrové charakteristiky a jejich rozdělení

Statistika II. Jiří Neubauer

správně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

Charakterizace rozdělení

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

Normální rozložení a odvozená rozložení

Pravděpodobnost a statistika

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace

Radka Picková Transformace náhodných veličin

AVDAT Náhodný vektor, mnohorozměrné rozdělení

n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)

LIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení

Náhodné vektory a matice

Intervalové Odhady Parametrů

PRAVDĚPODOBNOST A STATISTIKA

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

8. Normální rozdělení

Definice spojité náhodné veličiny zjednodušená verze

7. Analýza rozptylu.

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.

populace soubor jednotek, o jejichž vlastnostech bychom chtěli vypovídat letní semestr Definice subjektech.

Zápočtová písemka z Matematiky III (BA04) skupina A

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin

Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.

Přednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení

Pravděpodobnost a statistika

MATEMATICKÁ STATISTIKA

15. T e s t o v á n í h y p o t é z

Pravděpodobnost a statistika

ZÁklady teorie pravděpodobnosti

PRAVDĚPODOBNOST A STATISTIKA

Základy teorie odhadu parametrů bodový odhad

Limitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Testování statistických hypotéz

Téma 22. Ondřej Nývlt

BAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.

I. D i s k r é t n í r o z d ě l e n í

Pravděpodobnost a statistika (BI-PST) Cvičení č. 7

Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a

p(x) = P (X = x), x R,

prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií

Řešení. Označme po řadě F (z) Odtud plyne, že

1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.

Minikurz aplikované statistiky. Minikurz aplikované statistiky p.1

5. T e s t o v á n í h y p o t é z

Odhad parametrů N(µ, σ 2 )

Odhad parametrů N(µ, σ 2 )

TOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 3. PREDNÁŠKA - KOMPAKTNÍ PROSTORY.

Úvod do teorie odhadu. Ing. Michael Rost, Ph.D.

Intervalová data a výpočet některých statistik

Statistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .

2. LIMITA A SPOJITOST FUNKCE

Matematicko-fyzikální fakulta Univerzity Karlovy

Základy počtu pravděpodobnosti a metod matematické statistiky

LWS při heteroskedasticitě

Vlastnosti odhadů ukazatelů způsobilosti

Přijímací zkouška na navazující magisterské studium 2014

Stochastické diferenciální rovnice

10. N á h o d n ý v e k t o r

KGG/STG Statistika pro geografy

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

12. prosince n pro n = n = 30 = S X

y = 0, ,19716x.

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.

Kapitola 8: Dvojný integrál 1/26

15. T e s t o v á n í h y p o t é z

Syntetická geometrie I

ÚVOD DO TEORIE ODHADU. Martina Litschmannová

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Příklady na testy hypotéz o parametrech normálního rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I

NMAI059 Pravděpodobnost a statistika

Deskriptivní statistické metody II. Míry polohy Míry variability

BAKALÁŘSKÁ PRÁCE. Podmíněné hustoty

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ

Syntetická geometrie I

20. Eukleidovský prostor

tatistické rozdelenia

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

Pravdepodobnosť. Rozdelenia pravdepodobnosti

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

AVDAT Mnohorozměrné metody, metody klasifikace

pravděpodobnosti, popisné statistiky

Poznámky k předmětu Aplikovaná statistika, 5.téma

Lineární algebra : Metrická geometrie

Statistika, Biostatistika pro kombinované studium. Jan Kracík

9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1

(2) [B] Nechť G je konečná grupa tvořena celočíselnými maticemi roměru 2 2 s operací násobení. Nalezněte všechny takové grupy až na izomorfizmus.

Pravděpodobnost a aplikovaná statistika

1 Determinanty a inverzní matice

Normální (Gaussovo) rozdělení

Náhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek

Transkript:

VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ RNDR. MARIE FORBELSKÁ, PHD. Věta.Mějmenáhodnouveličinusnormálnímrozdělením X N(µ, σ.dálenechť a, b R,b jsoureálnékonstanty.potomnáhodnáveličina,kterájelineárnítransformacípůvodní,máopětnormálnírozdělení,ato Y a+bx N(a+bµ, b σ.speciálně náhodnáveličina U X µ σ N(, má tzv. standardizované normální rozdělení. Důkaz.Hustotanáhodnéveličiny X f X (x πσ e ( x µ σ.inverznítransformaceje tvaru h(y y a aabsolutníhodnotajejíderivacejerovna h (y.pakhustota b b transformované náhodné veličiny Y a+bx f Y (y f ( y a } b X b π b σ exp [y (a+bµ] b σ a odtud plyne tvrzení věty. Věta.Nechťnáhodnývektor X(X, X N (µ,σ mádvourozměrnénormální ( ( µ σ rozdělení s parametry µ aσ ρσ σ µ ρσ σ σ, tj. má hustotu tvaru [ ( ( ]} f (X,X (x, x πσ σ ρ exp x µ ( ρ σ ρ x µ x µ x σ σ + µ σ. Pak náhodná veličina Y X + X má také normální rozdělení a platí Y X + X N(µ + µ, σ+ρσ σ + σ. Důkaz.MějmenáhodnývektorY(Y, Y,kterýjedefinovántakto Vypočtěme inverzní zobrazení Y X + X g (X, X Y X g (X, X. x y y h (y, y x y h (y, y ajakobián J.SdruženáhustotanáhodnéhovektoruY(Y, Y je pak tvaru f (Y,Y (y, y f (X,X (y y, y a odtud pak marginální hustota f Y (y f (X,X (y y, y dy πσ σ ρ [ ( ( exp y y µ ( ρ σ ρ y y µ y µ y σ σ + µ σ ]}dy

VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ a Mějme substituce f Y (y πσ σ ρ v y µ u y µ µ.pak u v y µ µ y +µ y y µ [ exp σ σ ( ρ σ (u v ρσ σ (u vv+ σ v]} dv. Položme σ σ ρ a.pak f Y (y πa πa exp a (σ σ uv+ σ v ρσ σ uv+ρσ σ v + σ v } dv exp a [(σ +ρσ σ + σ v +σ (σ + ρσ uv+ σ v ] } dv Dálepoložme σ +ρσ σ + σ b a σ (σ + ρσ uc.potom f Y (y πa [ (bv exp a c ( b c ]} + b σ u dv ( } exp σ πa a u c b exp ( } bv c/b dv. a Uvažujmesubstituci w bv c/b a,pak dv a b dwa f Y (y a b ( } πa exp σ a u c b ( } πb exp σ a u c. b π exp w} dw } } Protože σ u c b σ u [σ (σ + ρσ u] σ +ρσ σ + σ σ u (σ +ρσ σ + σ ρσ σ ρ σ σ +ρσ σ + σ a b u, paknáhodnáveličina Y Y máhustotu t.j. ( } f Y (y πb exp u b Tím je věta dokázána. σ u σ u (σ +ρσ σ + ρ σ σ +ρσ σ + σ exp π σ +ρσ σ +σ Y N ( µ + µ, σ +ρσ σ + σ σ σ ( ρ u σ +ρσ σ + σ } (y µ µ σ+ρσ σ + σ

VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 3 Věta3.Nechť X,..., X n jsounezávislénáhodnéveličinytakové,že X i N(µ i, σi, n i,...,n. Nechť a, a,..., a n R, a i >. Potom náhodná veličina i ( Y a + n a i X i N a + n a i µ i, n a iσi. i Důkaz. Provedeme matematickou indukcí. (Nechť n.pakzpředpokladůvětyje a azvětyplyne,že i i Y a + a X N(a + a µ, a σ. (Nechťtvrzenívětyplatíprolibovolnépřirozené n ax,...,x n+ jsounezávislé náhodné veličiny takové, že Je-li a n+,pakzřejmě Je-li a n+,pak X i N(µ i, σ i, i,..., n+. n+ n+ n+ Y a + a i X i N(a + a i µ i, a i σ i. i Y a + n a i X i i } } Y i i + a n+ X n+ }} Y Y + Y je součtem dvou nezávislých náhodných veličin. Prvnínáhodnáveličina Y mápodleindukčníhopředpokladunormálnírozdělení n n Y N(a + a i µ i, a i σ i i je-lialespoňjednozčísel a,..., a n různéodnuly,vopačnémpřípadějetvrzení zřejmé. Druhánáhodnáveličina Y mápodlevětynormálnírozdělení i Y N(a n+ µ n+, a n+ σ n+. Náhodnývektor(Y, Y vytvořenýzedvounezávislýchnormálníchnáhodnýchveličin má normální rozdělení (Y, Y N (µ,σ, kde tedy µ ( a + n a i µ i, a n+ µ n+ a Σ i ρ. n a iσi i a n+σ n+ Podle věty dostaneme ( n+ n+ Y Y + Y N a + a i µ i, a iσi. i i,

VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 4 Věta 4.Nechť náhodná veličina U N(,. Potom náhodná veličina K U χ ( má χ rozděleníostupnivolnosti. Důkaz. Označme distribuční funkci náhodné veličiny U jako a hustotu pravděpodobnosti F U (up(u u f U (u π exp u}. Vypočtěme nejprve distribuční funkci náhodné veličiny K y < F K (yp(k yp(u y P( U yf U ( y F U ( y y aodtudpakhustotupravděpodobnosti f K (yf K (y y < f K (y [ fu ( y+f y U ( y ] π y e y Γ( y e y y χ ( Věta5.Nechť K a K jsounezávislénáhodnéveličinya K i χ ( i, i,.pak náhodnáveličina K K + K χ ( + má χ rozdělenío + stupníchvolnosti. Důkaz.Hustotapravděpodobnostináhodnéveličiny K i jerovna x i < f Ki (x i Γ( i i x i i e x i x i MějmenáhodnývektorY(Y, Y,kterýjedefinovántakto Vypočtěme inverzní zobrazení x y y h (y, y x y h (y, y Y K + K g (K, K Y K g (K, K. a jakobián J. SdruženáhustotanáhodnéhovektoruY(Y, Y jepaktvaru f (Y,Y (y, y f (K,K (y y, y f K (y y f K (y aodtudpakmarginálníhustota f Y (y pro y <apro y jerovna f Y (y y f K (y y }} f K ( y }} Γ ( (y y dy + Γ ( ( Γ exp y exp (y y } Γ ( } y (y y y dy y exp y } dy

VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 5 Zaveďmesubstituci t y y,pak dy y dta f Y (y + Γ ( ( Γ exp y } + y Γ ( exp y } + + y + Položíme-li K Y,pak ( t t dt }} β(, Γ ( Γ( Γ( + f K (y y < + Γ( + e y y + y χ ( +. Věta 6.Nechť U,...,U n jsou nezávislé náhodné veličiny se standardizovaných normálním rozdělením, t.j. U i N(, pro i,...,n. Pak náhodná veličina K n Ui χ (n má χ rozděleníonstupníchvolnosti. i Důkaz.Náhodné veličiny U,...,U n jsou nezávislé a z věty 4 plyne, že U i χ ( pro i,...,n.odtudindukcípomocívěty5ihneddostávámetvrzenívěty. Věta7.Nechťnáhodnéveličiny U N(, a K χ ( jsounezávislé.paknáhodnáveličina T U t( mástudentovorozděleníostupníchvolnosti. K/ Důkaz.Hustotapravděpodobnostináhodnéveličiny Ujerovna f U (u π e u pro u R y < anáhodnéveličiny Kjetvaru f K (x Γ( x e x y. MějmenáhodnývektorY(K, K,kterýjedefinovántakto Y U g (U, K K/ Y K g (U, K. Vypočtěme inverzní zobrazení u y y / h (y, y x y h (y, y, u R x. Jakobián tohoto inverzního zobrazení je roven J y / y y y /. SdruženáhustotanáhodnéhovektoruY(Y, Y jepaktvaru f (Y,Y (y, y f (U,K (y y /, y y / f U (y y /f K (y y /

VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 6 a odtud dostaneme marginální hustotu f Y (y f Y (y y /f Y (y y /dy π exp } y y + Γ ( ( Γ Γ ( y exp y } y / dy ( } exp y + y y dy ( ( Zaveďmesubstituci t y y + y,pak dy + dta f Y (y + Γ( Γ( + Položíme-li T Y,pak f T (t Γ ( + Γ ( ( Γ ( y + + e t t + dt } } Γ( + (t + + + Γ( ( y + Γ( Γ( + Věta8.Nechť K a K jsounezávislénáhodnéveličinya K i χ ( i, i,.pak náhodnáveličina F K/ K/ F(, máfisher-snedecorovo F rozdělenío a stupních volnosti. Důkaz.Hustotapravděpodobnostináhodnéveličiny K i jerovna x i < f Ki (x i Γ( i i x i i e x i x i MějmenáhodnývektorY(Y, Y,kterýjedefinovántakto Vypočtěme inverzní zobrazení x y y h (y, y x y h (y, y Y K/ K/ g (K, K Y K g (K, K. t(. a jakobián J y SdruženáhustotanáhodnéhovektoruY(Y, Y jepaktvaru y y f (Y,Y (y, y f (K,K (y y, y y y f K (y y f K (y aodtudpakmarginálníhustota f Y (y pro y <apro y jerovna f Y (y Γ( + Γ( Γ( ( ( } y y exp y y ( y exp Γ( y ( } y + y exp y + dy y. } y dy.

Zaveďmesubstituci t f Y (y VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 7 + Γ( Γ( Γ( + Γ( Γ( Položíme-li F Y,pak f F (y ( y + y,pak dy ( y + ( y ( + y +. ( y + dta ( + y + y < ( Γ( + ( Γ( Γ( y + y+ y e t t + dt } } Γ( + F(,. Věta9.Nechťnáhodnývektor X(X,...,X n N n (µ,σ má n rozměrnénormální rozděleníabjeregulárnímaticereálnýchčíseltypu n naa R n.potomnáhodnývektor Ya+BX N n (a+bµ,b ΣB. Důkaz. Hustota pravděpodobnosti náhodného vektoru X je tvaru f X (x(π n Σ exp (X µ Σ (X µ }. InverznítransformacektransformaciYa+BXjerovnaXB (Y a,přičemžjakobiántétoinverznítransformacejeroven J B B.Pakhustotutransformované náhodnéhovektoruya+bxlzevyjádřittakto f Y (yf X (B (Y a B (π n Σ B exp [B (y a µ] Σ [B (y a µ] } (π n B ΣB exp (y a Bµ B ΣB (y a Bµ }. Věta.Nechť X,...,X n jsounezávislénáhodnéveličinytakové,že X i N(µ i, σ, i,...,n.abjeortonormálnímaticetypu n n.položmex(x,...,x n a Y(Y,...,Y n B (X µ,kde µ(µ,...,µ n.potom Y j jsounezávislénáhodné veličinya Y j N(, σ. Důkaz.Protože X,...,X n jsounezávislénáhodnéveličinysrozdělením X i N(µ i, σ,má náhodný vektor X hustotu n [ ( f X (x exp xi µ i } ] } n (π ( n πσ σ exp xi µ i N σ n (µ,σ, i kdeσσ I n.je-libortonormálnímatice(tj.b B,pakzvěty9plyne,ženáhodný vektor i YB (X µ N n (O,B ΣB, přičemž B ΣBσ B Bσ I n s hustotou tvaru n [ ( f Y (Y exp yj } ] n f πσ σ Yj (y j. Odtud plyne tvrzení věty. j j

VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 8.9.8 Hustoty N(µ,σ µ; σ.5 Distribucni funkce N(µ,σ.7.6.8 µ; σ.5.5.4.3.. µ; σ µ; σ µ3; σ.5 µ5; σ.6.4. µ; σ µ3; σ.5 µ; σ µ5; σ 4 3 3 4 5 6 7 8 9 4 3 3 4 5 6 7 8 9.3 Hustoty χ ( Distribucni funkce χ (.5..8.5. 3 5.6.4 3 5 3 4 5.5 3 4 5. 3 4 5 6 7 8 3 4 5 6 7 8.4.35 Hustoty 4 t( Distribucni funkce t( 3.3.5. 3.8.6.5.4..5 4 3 3 4. 4 4 3 3 4 Hustoty F(, Distribucni funkce F(,.5 4; 5 4; 5 5;.8.5 5; 3; 3.6.4 5; 3 5; 3. 3; 3.5.5.5.5 3.5.5.5.5 3 Obrázek. Ukázky normálních a odvozených rozdělení.