Uslovne raspodjele vjerovatnosti (sa vie sluajnih varijabli)

Ve smo razmatrali uslovne raspodjele vjerovatnosti i nali smo izraz za

uslovnu funkciju raspodjele:

F (x|A) = P( x|A) =

P({ x} A)
.
P(A)

()

Kao i za obine raspodjele, gustoa vjerovatnosti se dobija deriviranjem iz

funkcije raspodjele,

p (x|A) =

d
F (x|A).
dx

A. Sada nas zanima raspodjela vjerovatnosti

uz uslov da druga sluajna varijabla ima
y . Ako je i sluajna varijablu neprekidna,

Ovo vrijedi za bilo kakav uslov

neprekidne sluajne varijable
neku speciciranu vrijednost
onda je vjerovatnost

P( = y) = 0,
().

pa ne moemo neposredno koristiti formulu

raspodjelu vjerovatnosti za

Potraimo zato najprije

uz uslov

y1 y2 .
Uslovna funkcija raspodjele je

F (x|y1 y2 ) = P( x|y1 y2 )
P({ x} {y1 y2 })
=
P(y y2 )
R x R y2 1
y1 p (u, v) du dv
R y2
=
.
y1 p (t) dt
Uslovna gustoa vjerovatnosti dobija se deriviranjem,

p (x|y1 y2 ) =

d
F (x|y1 y2 ).
dx

Kako je

y2

y1

p (u, v) du dv =

y2

p (u, v) dv du

y1

i izvod integrala po gornjoj granici je vrijednost podintegralne funkcije u toj

R y2

taki, to je

p (x|y1 y2 ) =
Sad je lako prei na uslov da

p (x, v) dv
R y2
.
y1 p (t) dt

y1

()

ima odreenu vrijednost. Naime, oito je

{ = y} = lim {y y + y},
y0

pa, da bismo nali traenu uslovnu gustou trebamo u

y2 = y + y

i prei na limes

()

staviti

y1 = y ,

y 0,
R y+y

p (x, v) dv
.
R y+y
p (t) dt
y

p (x| = y) = lim

y0

Prethodno je korisno transformisati izraz za gustou pomou teorema o srednjoj vrijednosti integrala. Izraz u nazivniku je

y+y

p (t) dt = p (y) y,

y
gdje je

neka taka izmeu

y i y + y

(pri tome pretpostavljamo da je

p (y)

neprekidna funkcija).
Na isti nain za brojnik dobijamo

y+y

p (x, v) dv = p (x, y) y,

y
pri emu je i

taka izmeu

y i y + y .

Prema tome je

p (x, y) y
y0 p (y) y
p (x, y)
=
,
p (y)

p (x| = y) =

lim

y 0 y y i y y . Naravno, pretpostavljamo da je u
taki p (y) 6= 0, inae je oito i p (x| = y) = 0, pa nikakav

jer pri

posmatra-

noj

raun nije

potreban.
Napiimo i komplementarnu formulu, za uslovnu gustou vjerovatnosti
sluajne varijable

:
p (y| = x) =

p (x, y)
.
p (x)

Na slian nain mogu se dobiti uslovne gustoe vjerovatnosti za vie slua-

uz uslov
= y i = z je

jnih varijabli. Na primjer, gustoa vjerovatnosti za

varijable

imaju odreene vrijednosti,

p (x| = y & = z) =

da sluajne

p (x, y, z)
.
p (y, z)

Sada je jasno kako e se dobiti uslovna gustoa vjerovatnosti za vie varijabli,

kad imamo vie uslova. Da bismo napisali odgovarajue izraze, pogodno je
uvesti skraene oznake. Na primjer, pisaemo

p| (x|y) = p (x| = y),

p| (x|y, z) = p (x| = y & = z).
2

Sa ovim oznakama je, na primjer,

p1 2 |1 2 (x1 , x2 |y1 , y2 ) =
= p1 2 (x1 , x2 |1 = y1 & 2 = y2 )
= lim p1 2 (x1 , x2 |y1 1 < y1 + y1 & y2 2 < y2 + y2 )
y1 0
y2 0

p1 2 1 2 (x1 , x2 , y1 , y2 )
.
p1 2 (y1 , y2 )

Ovo se dobija tako da najprije uslovnu funkciju raspodjele izrazimo preko

1 a onda deriviranjem iz nje dobijemo uslovnu gustou vjerovat-

vjerovatnosti,
nosti.

U optem sluaju:

p1 2 k |k+1 n (x1 , x2 , . . . , xk |xk+1 , . . . , xn ) =

= p1 2 k (x1 , . . . , xk |k+1 = xk+1 & & n = xn )
=

lim

xk+1 0

xn 0

p1 n (x1 , . . . , xk |xi i < xi + xi , i = k + 1, . . . , n)

p1 k k+1 n (x1 , . . . , xk , xk+1 . . . , xn )

.
pk+1 n (xk+1 , . . . , xn )

Jasno se vidi analogija sa uslovnim vjerovatnostima: uslovna vjerovatnost se

dobija tako da se vjerovatnost zajednikog dogaaja podijeli sa vjerovatnosti
uslova, a ovdje imamo kolinike gustoa vjerovatnosti.
Napomenimo jo jednom da je u sluaju kad je gustoa u nazivniku jednaka nuli i uslovna gustoa na lijevoj strani takoe jednaka nuli.
Na osnovu dobijenih izraza za uslovne gustoe vjerovatnosti lako je provjeriti slijedeu vanu injenicu:

Zajednika gustoa vjerovatnosti za sluajne varijable 1 , 2 , . . . , n moe

se predstaviti kao produkt (uslovnih) gustoa vjerovatnosti za pojedine varijable. Na primjer,

p (x, y, z) = p| (x|y, z) p| (y|z) p (z)

(posljednja gustoa vjerovatnosti je obina, bezuslovna).
Naime, izraz na desnoj strani je

p (x, y, z) p (y, z)

p (z) = p (x, y, z),

p (y, z)
p (z)
jer se faktori u nazivnicima skrauju sa odgovarajuim faktorima u brojnicima. Pri tome, ako je bilo koji od njih jednak nuli (u nekoj taki), onda
je na tom mjestu i kompletan izraz jednak nuli.

A vjerovatnosti kao integrale od gustoa.

Nezavisnost sluajnih varijabli

Kaemo da su sluajne varijable

i meusobno nezavisne ako je njihova za-

jednika gustoa vjerovatnosti jednaka

produktu pojedinih gustoa vjerovat-

nosti,

x, y.

p (x, y) = p (x) p (y)

Naime, tada je uslovna gustoa vjerovatnosti

p (x, y)
p (x) p (y)
=
p (y)
p (y)
= p (x).

p (x| = y) =

Dakle,

p (x| = y)

uopte ne zavisi od toga koliku vrijednost ima

tako, uslovna gustoa vjerovatnosti za

Isto

p (x, y)
p (x) p (y)
=
p (x)
p (x)
= p (y),

p (y| = x) =

ne zavisi od

x.

Pogledajmo jo kolika je vjerovatnost zajednikog dogaaja

x2 } {y1 < < y2 }:

Z
P({x1 < < x2 } {y1 < < y2 }) =

{x1 < <

x2Z y2

p (x, y) dx dy
x
y
Z 1x2Z 1y2

p (x) p (y) dx dy
Z y2
p (x) dx
p (y) dy

x
y
Z 1x2 1

=
x1

y1

= P(x1 < < x2 ) P(y2 < < y2 ).

{x1 < < x2 } i {y1 < < y2 } meusobno nezavisni,
x1 , x2 , y1 , y2 .
uzmemo limes x1 , y1 , dobiemo

Vidimo da su dogaaji
kakvi god bili brojevi
Specijalno, ako

F (x, y) = F (x) F (y).

Zajednika funkcija raspodjele za nezavisne sluajne varijable je produkt
funkcija raspodjele pojedinih varijabli.
Dosad smo posmatrali dvije sluajne varijable. Lako je proiriti pojam
nezavisnosti na vie varijabli: kaemo da su sluajne varijable

1 , 2 , . . . , n

meusobno nezavisne, ako je

p1 2 n (x1 , x2 , . . . , xn ) = p1 (x1 ) p2 (x2 ) pn (xn ) (x1 , . . . , xn ).

Tada su sluajni dogaaji

{x0i < i < x00i },

i = 1, 2, . . . , n

meusobno nezavisni. Specijalno, zajednika funkcija raspodjele je

F1 2 n (x1 , . . . , xn ) = F1 (x1 ) Fn (xn ).

Isto tako, lako je ustanoviti da se uslovne gustoe vjerovatnosti

pi (xi |k = xk , k 6= i) = pi (xi )
svode na obine, i ne zavise od toga kolike vrijednosti imaju ostale varijable

sa

k 6= i.

Napomena.

Vidjeli smo da se uvijek zajednika gustoa vjerovatnosti

moe predstaviti preko gustoa za pojedine varijable, s tim to su to u optem

sluaju

uslovne gustoe:

p1 2 n (x1 , x2 , . . . , xn ) =
p1 |2 n (x1 |x2 , . . . , xn ) p2 |3 n (x2 |x3 , . . . , xn )
pn1 |n (xn1 |xn ) pn (xn )
Ako su sluajne varijable

1 , 2 , . . . , n

meusobno nezavisne, onda imamo

produkt obinih gustoa.

Primjer 1

Zajedniku gustou vjerovatnosti

p (x, y) = Ke(|x|+|y|)
oito moemo predstaviti kao produkt

p (x, y) =
dakle sluajne varijable

Primjer 2

Ke|x|

Ke|y| ,

su meusobno nezavisne.

Zajednika gustoa vjerovatnosti za sluajne varijable

p (x, y) =

[(b a)(d c)]1

0

kad je

a < x < b i c < y < d;

inae.

(dakle imamo ravnomjernu raspodjelu vjerovatnosti u pravougaoniku

(c, d)).

Marginalne gustoe vjerovatnosti su

p (x) =

p (y) =

(b a)1
0
(d
0

c)1

za

a < x < b,

inae;
za

c < y < d,

inae.

i lako je vidjeti da vai

p (x, y) = p (x) p (y),

Ovo znai da su

meusobno nezavisne.

je

(a, b)

Funkcije sluajnih varijabli

Pogledajmo ta je uslovna gustoa vjerovatnosti

poznata funkcija od , = f (). Uzmimo

p (y| = x) kao funkciju od y . Ta funkcija mora

je

p (y| = x) 0,

p (y| = x) u sluaju da
x i posmatrajmo

ksirano

biti nenegativna,

y.

Dalje, kao i za svaku gustou vjerovatnosti (pa i uslovnu), mora vrijediti

uslov normiranja

p (y| = x)

Najvanije je to da

y f (x) = 0

p (y| = x) dy = 1.
moe biti razliita od nule samo ako je

(to je znaenje fraze  je funkcija sluajne varijable

).

Jedina funkcija koja ima navedene osobine je Diracova delta funkcija,

p (y| = x) = (y f (x)).
ima
= y = f (x).

Ovim je osigurano da ako

punosti odreena,

vrijednost

x,

onda je vrijednost

Ukoliko je poznata gustoa vjerovatnosti sluajne varijable

nai zajedniku gustou vjerovatnosti za

u pot-

, onda moemo

i :

p (x, y) = p (y| = x) p (x)

= (y f (x)) p (x).
Marginalne gustoe vjerovatnosti su

(y f (x))p (x) dy
Z
= p (x)
(y f (x)) dy = p (x),

|
{z
}

p (x, y) dy =

=1
kako i treba da bude;

Z
p (y) =

p (x, y) dx =

(y f (x))p (x) dx,

a ovo je ve poznati izraz za gustou vjerovatnosti funkcije

varijable

Razmotrimo sad funkciju dviju sluajnih varijabli,

= f (, ).

= f () sluajne

Uslovna gustoa vjerovatnosti sluajne varijable

oito je

uz zadane vrijednosti

p| (z|x, y) = (z f (x, y)),

pa se za zajedniku gustou vjerovatnosti dobija

p (x, y, z) = (z f (x, y)) p (x, y).

Gustoa vjerovatnosti za

odavde je

Z Z
(z f (x, y)) p (x, y) dx dy.

p (z) =

Analogno se razmatraju i drugi slini sluajevi. Na primjer, ako su

funkcije sluajnih varijabli

1 , 2 , 3 ,

1 = f1 (1 , 2 , 3 ),
zajednika gustoa vjerovatnosti za

2 = f2 (1 , 2 , 3 ),

1 i 2

je

Z Z Z
{(y1 f1 (x1 , x2 , x3 ))(y2 f2 (x1 , x2 , x3 ))

p1 2 (y1 , y2 ) =

p1 2 3 (x1 , x2 , x3 )} dx1 dx2 dx3 .

Primjer 1
varijable,

Pogledajmo ta je gustoa vjerovatnosti sume dvije sluajne

= + .

Prema optoj formuli je

Z Z
(z x y) p (x, y) dx dy.

p (z) =

Prvo integrirajmo po

y:

(z x y) p (x, y) dy = p (x, z x),

Z

pa je

p (z) =

p (x, z x) dx.

x, dobiemo
Z
p (z) =
p (z y, y) dy.

Ako pak prvo integriramo po

Integral te gustoe po

je

1,

a ona je razliita od nule samo ako je

da opet imamo delta funkciju.

z = f (x, y),

tako

Posebno nam je interesantan sluaj kad su sluajne varijable

i meusobno

nezavisne,

p (x, y) = p (x) p (y).

Tada je

Z
p (z) =

Z
p (x) p (z x) dx =

konvolucija funkcija

Ovo je

p .

p (z y) p (y) dy.

Dobili smo vaan rezultat:

gustoa

vjerovatnosti sume dviju nezavisnih sluajnih varijabli je konvolucija gustoa

vjerovatnosti tih varijabli,

p = p+ = p p = p p .

Primjer 2

Razmotrimo sad produkt sluajnih varijabli,

= .

Sada je

Z Z
(z xy) p (x, y) dx dy.

p (z) =

Uzmimo prvo integraciju po

y.

Smatrajui

privremeno konstantama,

transformiimo delta funkciju:

(z xy) = (x (y z/x)) =
Integral po

je onda lako nai:

1
(y z/x).
| x|

1
(y z/x)p (x, y) dy
|x|

1
1
p (x, y)|y=z/x =
p (x, z/x).
|x|
|x|

(z xy) p (x, y) dy =
=

z dx
x,
.
x |x|

Dakle, gustoa vjerovatnosti sluajne varijable

p (z) =

Vjeba

Sluajne varijable

je

su meusobno nezavisne i njihove gustoe

vjerovatnosti su

p (x) = a eax u(x),

p (y) = b eby u(y),
gdje je

Heavisideova step funkcija.

Pokazati da je gustoa vjerovatnosti njihovog kolinika

p (z) =

ab
u(z).
(az + b)2
8

= /

jednaka

Transformacija sluajnih varijabli

Umjesto sluajnih varijabli

1 , . . . , n

uvedimo

i = fi (1 , . . . , n ),

novih sluajnih varijabli

i = 1, . . . , n.

Ovo moemo koncizno napisati pomou vektorskih oznaka:

~
~ = f~().
Zajednika gustoa vjerovatnosti za transformisane varijable je

Z
(~y f~(~x))p~(~x) dn x.

p~ (~y ) =
Ovdje imamo

n-terostruki

integral, po cijelom prostoru

()
Rn .

Delta funkcija

od vektora je produkt delta funkcija od svih njegovih komponenti,

(~x) = (x1 )(x2 ) (xn ).

Kod razmatranja transformacije jednokomponentne sluajne varijable zasebno smo razmatrali monotonu i nemonotonu transformaciju. I ovdje prvo
razmotrimo sluaj kad jednadba

f~(~x) ~y = 0
ima jedinstveno rjeenje,

~x = ~g (~y ).
Tada je

(~y f~(~x)) =
gdje je

1
(~x ~g (~y )),
|J|

Jacobijeva determinanta (kratko  jakobijan) transformacije,

yi
J = det
.
xk
Ova formula je potpuno analogna sa odgovarajuom formulom u jednodimenzionalnom sluaju,

(y f (x)) =

1
(x g(y))
|f 0 (x)|

i na slian nain se moe izvesti.

Ovo

je

naravno

vektorska

jednadba

x1 , x2 , . . . , xn .

odnosno

sistem

obinih

jednadbi

za

Integraciju u

()

je sada lako provesti:

1
(~x ~g (~y ))p~(~x) dn x
|J|

p~(~x)
.
|J|
~
x=~g (~
y)

p~ (~y ) =
=
Napiimo ovo i detaljnije:

1
p1 2 n (y1 , y2 , . . . , yn ) =
p1 2 n (x1 , x2 , . . . , xn )
|J|
~x i ~y nije obostrano
~xk = ~gk (~y ), onda je

Ukoliko veza izmeu

vie rjeenja

(~y f~(~x)) =

jednoznana, nego

X (~x ~xk )
k

pa se integracijom iz

()

.
x1 =g1 (y1 ,...,yn )

xn =gn (y1 ,...,yn )

|J|

f~(~x) = ~y

ima

dobija

p~ (~y ) =

X 1

p~(~xk )
.
|J|
~
xk =~gk (~
y)
k

Srednje vrijednosti i momenti za viekomponentne sluajne

varijable

Denicija i osobine srednje vrijednosti

Uzeemo prvo dvokomponentnu sluajnu varijablu, i to diskretnu, tako da
prima vrijednosti

xi ,

yk .

Odgovarajue zajednike vjerovatnosti neka

su

pik = P( = xi & = yk ).
Zanima nas srednja vrijednost neke kombinacije
koju moemo openito prikazati kao

f (, )

,
funkcijom f .

, , na primjer +

sa odgovarajuom

ili

Do izraza za srednju vrijednost moemo doi polazei od aritmetike

sredine vrijednosti dobijenih u seriji eksperimenata. Tako se dobija

f (, ) =

pik f (xi , yk ).

i,k
No, moemo postupiti i na drugi nain. Uoimo da je
varijabla koja ima

p (z),

= f (, )

sluajna

svoju raspodjelu vjerovatnosti, opisanu, recimo, gustoom

i njena srednja vrijednost je

Z
=

z p (z) dz.

10

()

Kako je

, ,

funkcija sluajnih varijabli

= f (, ),

njena gustoa

vjerovatnosti je

+Z
+
Z
p (z) =
(z f (x, y)) p (x, y) dx dy

(p (x, y)  zajednika gustoa vjerovatnosti

Uvrtavanjem u

()

i ).

dobijamo

++
+
Z

Z Z
=
z
(z f (x, y)) p (x, y) dx dy dz.

Zamjenom redosljeda integriranja odavde izlazi

+Z
+
Z
Z

=
p (x, y)
z (z f (x, y)) dz dx dy.

Vrijednost integrala po

je

z |z=f (x,y) = f (x, y),

tako da je konano

+Z
+
Z
= f (, ) =
f (x, y) p (x, y) dx dy.

Openito, ako je

funkcija

n-komponentne

sluajne varijable

~ = f (1 , 2 , . . . , n ),
= f ()
na isti nain dobijamo

Z
~ =
= f ()

f (~x)p~(~x) dn x.

{z

n
Pogledajmo sad neke posebno interesantne sluajeve:

(a)

Ako

zavisi samo od

f () =

a ne i od

onda je

+
+Z
Z
f (x) p (x, y) dx dy

11

~,


+
+
Z
Z

p (x, y) dy dx
f (x)

+
Z

f (x)p (x) dx,

to se podudara sa ve poznatim rezultatom. Svejedno je da li

kao funkciju od
Isto vrijedi i za

(, ) ili samo
= f ():

od

posmatramo

+Z
+
+
Z
Z
f () =
f (y) p (x, y) dx dy =
f (y)p (y) dy.

(b)

Za sumu

f () + g()

vai

+Z
+
Z
[f (y) + g(y)] p (x, y) dx dy

f () + g() =

= f () + g(),
specijalno

+ = + .
Oito je da se za proizvoljan broj sluajnih varijabli

i =

(c)

na isti nain dobija

i .

Kako je oito

c f (, ) = c f (, )

(c = const),

prethodno pravilo moemo proiriti na proizvoljnu linearnu kombinaciju sluajnih varijabli

ci i =

(d)

Ako su sluajne varijable

f () g() =

ci i .

meusobno

nezavisne, onda je

+Z
+
Z
f (x)g(y) p (x, y) dx dy

+
Z

+
Z
f (x)p (x) dx
g(y)p (y) dy

= f () g().
Srednja vrijednost produkta jednaka je produktu srednjih vrijednosti.

12