INFp

Základy teórie pravdepodobnosti a matematickej
²tatistiky pre ²tudentov informatiky a dátovej vedy
Radoslav Harman a Lenka Filová
8. januára 2022
Obsah
1 Axiomatická denícia pravdepodobnosti 4

1.1 Priestor udalostí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Pravdepodobnostná miera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Základné vlastnosti pravdepodobnosti . . . . . . . . . . . . . . . . . . . . . . . 12
2 Podmie¬ovanie a nezávislos´ udalostí 16

2.1 Podmienená pravdepodobnos´ . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Nezávislos´ udalostí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 V²eobecné náhodné premenné 25

3.1 Základné vlastnosti náhodných premenných . . . . . . . . . . . . . . . . . . . 25
3.2 Distribu£ná funkcia náhodnej premennej . . . . . . . . . . . . . . . . . . . . . 28
3.3 Kvantilová funkcia náhodnej premennej . . . . . . . . . . . . . . . . . . . . . . 30
4 Diskrétne náhodné premenné 32

4.1 Základné vlastnosti diskrétnych náhodných premenných . . . . . . . . . . . . . 32
4.2 íselné charakteristiky diskrétnych náhodných premenných . . . . . . . . . . . 32
4.3 Základné typy diskrétnych náhodných premenných . . . . . . . . . . . . . . . 35
4.3.1 Diskrétne rovnomerné rozdelenie . . . . . . . . . . . . . . . . . . . . . 35
4.3.2 Alternatívne rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.3 Binomické rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.4 Poissonovo rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3.5 Geometrické rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.6 Hypergeometrické rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 Vyuºitie linearity strednej hodnoty na rie²enie úloh . . . . . . . . . . . . . . . 43
5 Spojité náhodné premenné 47

5.1 Základné vlastnosti spojitých náhodných premenných . . . . . . . . . . . . . . 47
5.2 íselné charakteristiky spojitých náhodných premenných . . . . . . . . . . . . 49
5.3 Základné typy spojitých náhodných premenných . . . . . . . . . . . . . . . . . 50
5.3.1 Rovnomerné rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.3.2 Exponenciálne rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3.3 Paretovo rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.3.4 Normálne rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
6 Nezávislos´ náhodných premenných 58

6.1 Pojem nezávislosti náhodných premenných . . . . . . . . . . . . . . . . . . . . 58
6.2 Zákon ve©kých £ísel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3 Centrálna limitná veta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.4 Náhodná prechádzka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
7 Náhodné vektory 69
7.1 V²eobecné náhodné vektory . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.2 Diskrétne náhodné vektory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.3 Spojité náhodné vektory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.4 Rozdelenie funkcie dvoch náhodných premenných . . . . . . . . . . . . . . . . 77
7.5 Kovariancia a korelácia náhodných premenných . . . . . . . . . . . . . . . . . 80
7.6 Kovarian£ná matica náhodného vektora . . . . . . . . . . . . . . . . . . . . . . 82
7.7 Základné typy rozdelení náhodných vektorov . . . . . . . . . . . . . . . . . . . 83
7.7.1 Multinomické rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.7.2 Viacrozmerné normálne rozdelenie . . . . . . . . . . . . . . . . . . . . . 85
Úvod
Teória pravdepodobnosti a matematická ²tatistika poskytujú exaktné metódy umoº¬ujúce
zahrnú´ do procesu získavania a analýzy dát apriórne vedomosti, kvantikova´ neistotu a od-
vodi´ uzávery pre rozhodovanie. Pouºívajú sa vo v²etkých oblastiach ©udskej £innosti, ktorých
cie©om je získa´ z dát uºito£nú informáciu, napríklad vo v²etkých prírodných a v mnohých
spolo£enských vedách, v medicíne, vo nan£nej a poistnej matematike, v strojovom u£ení a
umelej inteligencii.
Cie©om tejto vysoko²kolskej u£ebnice je vysvetli´ základné princípy teórie pravdepodob-

nosti a matematickej ²tatistiky, ktoré budú predstavova´ stabilný odrazový mostík pre ²túdium
²pecializovaných oblastí týkajúcich sa spracovania dát. U£ebnica predpokladá, ºe £itate© je
oboznámený s matematikou v rozsahu, ktorý sa typicky pokrýva v prvom ro£níku univerzit-
ných ²tudijných programov so zameraním na matematiku a informatiku. peciálne, úvodné
kapitoly si vyºadujú znalos´ základov teórie mnoºín, ¤al²ie kapitoly teóriu nekone£ných ra-
dov, diferenciálny a integrálny po£et.
doc. Mgr. Radoslav Harman, PhD. a Mgr. Lenka Filová, PhD.

Katedra aplikovanej matematiky a ²tatistiky
FMFI UK Bratislava
Predbeºná verzia (19. september 2021) obsahujúca len kapitoly o teórii pravdepodobnosti.
3
Kapitola 1
Axiomatická denícia pravdepodobnosti
1.1 Priestor udalostí
Základom pre vybudovanie modernej teórie pravdepodobnosti sú matematické objekty, ktoré

nazývame σ -algebry. Pravdepodobnostné modely rôznych reálnych dejov môºu by´ vybudo-
vané na rôznych σ -algebrách.
Denícia 1.1 (σ-algebra). Nech Ω je neprázdna mnoºina a nech S ⊆ 2Ω . Systém S podmnoºín

mnoºiny Ω nazývame σ -algebra na mnoºine Ω, ak platí 1) Ω ∈ S; 2) Ak A ∈ S, tak aj
Ω \ A ∈ S; 3) Ak (Ai )i∈I je postupnos´ mnoºín patriacich do S, tak aj ∪i∈I Ai ∈ S.
Poznámka 1.2. 2Ω
ozna£ujeme mnoºinu v²etkých podmnoºín mnoºiny Ω,
a) Symbolom
takzvanú poten£nú mnoºinu. iºe v denícii 1.1 zodpovedá zápis S ⊆ 2 tomu, ºe S je systém
Ω
(nie nutne v²etkých) podmnoºín mnoºiny Ω. b) Ak pouºijeme v texte pojem postupnos´,

myslíme tým kone£nú, alebo aj nekone£nú spo£ítate©nú postupnos´. To znamená, ºe v denícii
1.1 je I kone£ná, alebo nekone£ná spo£ítate©ná mnoºina. c) Niekedy sa pod pojmom σ -algebra
myslí usporiadaná dvojica (Ω, S) z denície 1.1. V tejto u£ebnici budeme pojmom σ -algebra
rozumie´ len systém S.
Poznámka 1.3. Druhá a tretia vlastnos´ z denície 1.1 sa niekedy nazývajú uzavretos´ vzh©a-
dom na doplnky (komplementy), resp. uzavretos´ vzh©adom na spo£ítate©né zjednotenia.
Príklad 1.4. Nech Ω je ©ubovo©ná neprázdna mnoºina a nech ∅ 6= A ( Ω. Potom {∅, Ω},
Ω
{∅, A, Ω/A, Ω} aj 2 sú σ -algebry na mnoºine Ω, pretoºe sp¨¬ajú v²etky vlastnosti denície
1.1, ako sa dá ©ahko presved£i´. Ak Ω = {1, 2, 3}, potom systém mnoºín {∅, {1}, {2}, {3}, Ω}
nie je σ -algebra na mnoºine Ω, pretoºe nesp¨¬a vlastnos´ 2 a dokonca ani vlastnos´ 3 z denície
1.1. Uvedený systém podmnoºín mnoºiny Ω totiº nie je uzavretý ani vzh©adom na doplnky,
ani vzh©adom na spo£ítate©né zjednotenia.
Veta 1.5 (Uzavretos´ σ-algebry vzh©adom na spo£ítate©né prieniky ). Ak S je σ -algebra pod-

mnoºín mnoºiny Ω a (Ai )i∈I je postupnos´ prvkov systému S, tak ∩i∈I Ai ∈ S.
Dôkaz. Ai ∈ S pre v²etky i ∈ I , tak pod©a vlastnosti 2 z denície 1.1 platí Ω \ Ai ∈ S pre
Ak
v²etky i ∈ I ; pod©a vlastnosti 3 teda máme ∪i∈I (Ω \ Ai ) ∈ S a opä´ pod©a vlastnosti 2 dostá-
vame Ω \ (∪i∈I (Ω \ Ai )) ∈ S. Lenºe Ω \ (∪i∈I (Ω \ Ai )) = ∩i∈I Ai na základe De Morganovych
pravidiel.
4
Poznámka 1.6. Axiómy denície 1.1 zaru£ujú, ºe systém S je uzavretý nielen vzh©adom na
spo£ítate©né prieniky a zjednotenia, ale aj vzh©adom na akéko©vek mnoºinové operácie, ktoré
sú vyjadrite©né pomocou spo£ítate©ných zjednotení, prienikov, alebo komplementov. Ukáºme
napríklad, ºe systém S je uzavretý vzh©adom na mnoºinový rozdiel.
Veta 1.7 (Uzavretos´ σ-algebry vzh©adom na rozdiel mnoºín ). Ak S je σ -algebra podmnoºín

mnoºiny Ω a A1 , A2 ∈ S, tak aj A2 \ A1 ∈ S.
Dôkaz. Ak A1 , A2 ∈ S, tak pod©a vlastnosti 2 denície 1.1 platí Ω\A1 ∈ S. Teda pod©a vety
1.5 obsahuje systém S aj mnoºinu A2 ∩ (Ω \ A1 ) = A2 \ A1 .
Poznámka 1.8. Pojem σ -algebry je moºné denova´ viacerými ekvivalentnými spôsobmi.

1
V literatúre sa naj£astej²ie vyskytuje denícia 1.1. Takáto denícia je vhodná na následnú
matematickú analýzu, av²ak menej vhodná na pochopenie významu σ -algebry. Tým je totiº
vymedzi´ systém v²etkých tých podmnoºín mnoºiny Ω, ktorým je moºné konzistentne pri-
radi´ mieru, £iºe nie£o ako d¨ºku, plochu, alebo objem a v prípade pravdepodobnostných
2
modelov pravdepodobnos´ . Intuitívne, miera by mala ma´ tú vlastnos´, ºe ak mnoºinám
A1 , A2 , . . . vieme priradi´ mieru a tieto mnoºiny sú navzájom disjunktné, tak vieme priradi´
mieru aj mnoºine A1 ∪ A2 ∪ . . . a táto miera musí by´ sú£tom mier mnoºín A1 , A2 , . . .. Ak by
sme vlastnos´ 3 v denícii 1.1 nahradili interpreta£ne prirodzenej²ou, hoci technicky o nie£o
zloºitej²ou poºiadavkou uzavretosti vzh©adom na disjunktné spo£ítate©né zjednotenia, dostali
by sme matematicky ekvivalentnú deníciu pojmu σ -algebry.
V pravdepodobnostných modeloch predstavujú prvky mnoºiny Ω atomické, ¤alej nerozlo-

ºite©né potenciálne výsledky modelovaného deja, £iºe realizácie pokusu, experimentu, pozo-
rovania, merania a podobne. Tie mnoºiny elementárnych výsledkov, ktoré patria do systému
S, reprezentujú udalosti, ktorým je moºné pripísa´ pravdepodobnos´ realizácie.
Denícia 1.9 (Elementárne výsledky a udalosti ). Nech S je σ-algebra udalostí na mnoºine Ω.

V pravdepodobnostných aplikáciách nazývame mnoºinu Ω výberový priestor, prvky mno-
ºiny Ω nazveme elementárne výsledky a podmnoºiny Ω patriace do systému S nazývame
3
udalosti.
Príklad 1.10. Ak je výberový priestor Ω kone£ná mnoºina, tak v na²om modeli obvykle
Ω4
volíme S=2 . Napríklad, nech ná² experiment pozostáva z jedného hodu hracou kockou.
Ak nás na tomto experimente zaujíma jedine to, na ktorú stranu padne kocka (a ak z modelu
vylú£ime moºnos´, ºe kocka zostane stá´ na hrane a iné anomálne situácie), potom je zmys-
luplným výberovým priestorom Ω = {1, 2, . . . , 6}. Systém udalostí nech je S = 2 . Udalos´
Ω
A = {1, 2, 3} zodpovedá výroku padne £íslo men²ie neº 4, udalos´ B = {2, 4, 6} zodpovedá
výroku padne párne £íslo a podobne. Vi¤ obrázok 1.1.
1 Niekedy sa môºeme stretnú´ s analogickou deníciou, v ktorej sa namiesto spo£ítate©ných zjednotení

pouºívajú spo£ítate©né prieniky.
2 Pojmom pravdepodobnos´ sa budeme detailne zaobera´ v ¤al²ej £asti.
3 V literatúre sa niekedy pouºíva namiesto pojmu elementárny výsledok pojem elementárna udalos´. To je
ale formálne mätúce, lebo pri takejto terminológii elementárne udalosti (£oby prvky Ω) nie sú udalosti.
4 Ak by sme vºdy pracovali len s kone£nými výberovými priestormi, tak by sme pojem σ -algebry vôbec
nepotrebovali. Ak v²ak chceme vybudova´ formálne matematicky korektnú deníciu pravdepodobnosti v si-
tuáciách ne kone£nej mnoºiny v²etkých potenciálnych výsledkov, pojem σ -algebry uº vyuºijeme netriviálnym
spôsobom.
Obr. 1.1: Ilustra£ný obrázok k príkladu 1.10
Poznámka 1.11. Uvedomme si, ºe v modeli danom nejakým pravdepodobnostným priesto-

rom existuje prirodzená kore²pondencia medzi udalosámi a výrokmi týkajúcimi sa elementár-
nych výsledkov, ako je nazna£ené v predchádzajúcom príklade. Vo v²eobecnosti udalosti A∈S
zodpovedá výrok nastane niektorý elementárny výsledok z A. V tejto kore²pondencii zodpo-
vedajú mnoºinové operácie medzi udalosámi logickým operáciám medzi príslu²nými výrokmi.
Mnoºinový komplement takto zodpovedá negácii výroku, zjednotenie logickému alebo, prie-
nik logickému a, alebo napríklad symetrická diferencia mnoºín (A∆B = (A\B) ∪ (B\A))
zodpovedá logickému výlu£né alebo (známemu aj pod ozna£ením xor).
Príklad 1.12. Uvaºujme nasledovný experiment. Zo základného súboru M > n objektov
indexovaných 1, 2, . . . , M náhodne vyberieme n-ticu (rôznych) objektov. V tomto prípade
je moºné formalizova´ výberový priestor Ω ako mnoºinu v²etkých n-prvkových podmnoºín
mnoºiny {1, 2, . . . , M }. Ke¤ºe ide o kone£nú mnoºinu, je prirodzené zvoli´ σ -algebru udalostí
S = 2Ω . Slovne vyjadrenú udalos´ Nevyberieme objekt s indexom 1 reprezentuje mnoºina A
v²etkých n-prvkových podmnoºín mnoºiny {2, 3, . . . , M }. Alebo ak sú k a N < M prirodzené
£ísla, tak slovne vyjadrenú udalos´ Práve k z vybratých objektov bude ma´ index men²í ako
N reprezentuje mnoºina B tých podmnoºín výberového priestoru, ktoré majú k -prvkový
prienik s mnoºinou {1, 2, . . . , N }.
Ukazuje sa, ºe ak je mnoºina Ω nekone£ná a zvolili by sme S = 2Ω , potom by mohlo

by´ obtiaºne priradi´ prvkom takto bohatého systému pravdepodobnos´ sp¨¬ajúcu prirodzené
vlastnosti, ktoré od pravdepodobnosti o£akávame. Stru£ne vysvetlíme, aké mnoºiny udalostí je
moºné pouºíva´ v takýchto situáciách. Potrebujeme na to ale e²te pojem σ -algebry generovanej
systémom mnoºín.
Veta 1.13 (Prienik σ-algebier je σ-algebra ). Nech J je neprázdna indexová mnoºina (nemusí
by´ spo£ítate©ná) a nech Sj je σ -algebra na mnoºine Ω, pre kaºdé j ∈ J . Potom ∩j∈J Sj je tieº
σ -algebra na mnoºine Ω.
Dôkaz. Vetu je moºné dokáza´ priamo£iarym overením toho, ºe S = ∩j∈J Sj sp¨¬a vlastnosti
1,2,3 denície 1.1.
Denícia 1.14 (σ-algebra generovaná systémom mnoºín ). Nech Ω 6= ∅ a nech F je nejaký

systém podmnoºín mnoºiny Ω. Nech σ(F) je prienik v²etkých takých systémov S podmnoºín
mnoºiny Ω, pre ktoré platí: 1) F ⊆ S a 2) S je σ -algebra na Ω. Potom σ -algebru σ(F) nazývame

σ -algebra podmnoºín mnoºiny Ω generovaná systémom mnoºín F, alebo tieº minimálna σ -
algebra podmnoºín mnoºiny Ω obsahujúca systém F.
Príklad 1.15. V prípade, ºe je systém F kone£ný, je jednoduché nájs´ σ(F) postupným
pridávaním prienikov, zjednotení a komplementov. Nech napríklad Ω = {1, 2, 3, 4, 5} a F =
{{1, 2}, {3, 4}}. Potom
σ(F) = {∅, Ω, {1, 2}, {3, 4}, {1, 2, 3, 4}, {3, 4, 5}, {1, 2, 5}, {5}} .
Príklad 1.16. Hádºeme mincou (nekone£ne dlho), pri£om akáko©vek pre nás zaujímavá in-
formácia je obsiahnutá v zázname o tom, v ktorých hodoch padla na minci hlava a v kto-
rých hodoch padol znak. Túto situáciu je prirodzené formalizova´ tým spôsobom, ºe vý-
berový priestor Ω bude mnoºina v²etkých nula-jednotkových nekone£ných postupností, kde
nula reprezentuje padnutie hlavy a jednotka reprezentuje padnutie znaku. Denova´ na tejto
mnoºine vhodnú σ -algebru uº v²ak nie je celkom jednoduché. Ukazuje sa, ºe v tomto prí-
(b)
pade je vhodnou σ -algebrou udalostí S = σ(F), kde F = {Ak : k ∈ N ∧ b ∈ {0, 1}}
(b)
a pre kaºdé k ∈ N, b ∈ {0, 1} je Ak mnoºinou v²etkých tých postupností z mnoºiny
Ω, ktorých k -ty £len je rovný hodnote b. Tento systém udalostí je dostato£ne bohatý, ale
nie príli² 5 bohatý. Napríklad o v²etkých nasledovných udalostiach je moºné ©ahko ukáza´,
ºe patria do S: A1 = {(i1 , i2 , . . .) ∈ Ω : ∀k ∈ N (ik = 0)} (vo v²etkých hodoch padne
hlava), A2 = {(i1 , i2 , . . .) ∈ Ω : ∀k ∈ N (ik 6= ik+1 )} (budú sa strieda´ hlavy a znaky),
A3 = {(i1 , i2 , . . .) ∈ Ω : i1 = · · · = im−1 = 0 ∧ im = 1} (znak padne prvýkrát v m-tom hode).
Na formálne exaktné pravdepodobnostné modelovanie je e²te komplikovanej²ia taká (£astá)

situácia, v ktorej je vhodným výberovým priestorom Ω = Rm , £iºe ak je prirodzené uvaºo-
va´ ako elementárne výsledky reálne £ísla, prípadne vektory reálnych £ísel. Pripome¬me, ºe
O ⊆ Rm nazývame otvorenou
mnoºinou, ak pre v²etky x ∈ O existuje také > 0, ºe kaºdé y ,
ktorého Euklidovská vzdialenos´ od x je men²ia ako , tieº patrí do O.
Denícia 1.17 (σ-algebra borelovských podmnoºín Rm ). Nech O

je systém v²etkých otvore-
. Potom σ -algebru Bm podmnoºín R
m m
ných podmnoºín mnoºiny R generovanú systémom
O nazývame σ -algebra borelovských podmnoºín R . Systém B1 budeme zjednodu²ene
m
zna£i´ symbolom B.
Veta 1.18 (Základné borelovské podmnoºiny mnoºiny R). Nech a, b ∈ R, pri£om a < b. Potom
v²etky nasledovné mnoºiny patria do B: (−∞, a), (a, ∞), (−∞, a], [a, ∞) (a, b], [a, b), [a, b],
{a}. Do systému B tieº patrí akáko©vek spo£ítate©ná podmnoºina mnoºiny R.
Dôkaz. To, ºe otvorené intervaly sú borelovské mnoºiny, plynie priamo z denície. Av²ak
interval akéhoko©vek typu (ako aj jednoprvková mnoºina) musí by´ borelovskou mnoºinou,
pretoºe ho je moºné zapísa´ ako prienik spo£ítate©nej postupnosti otvorených intervalov a
σ -algebra je uzavretá vzh©adom na spo£ítate©né prieniky. Spo£ítate©ná mnoºina je borelovská
preto, lebo je spo£ítate©ným zjednotením mnoºín typu {a}, a ∈ R, ktoré patria do systému
B pod©a prvej £asti vety a systém B je uzavretý vzh©adom na spo£ítate©né zjednotenia.
5 Je to prekvapivé, ale systém 2Ω nemôºeme v tomto prípade zobra´ ako S. Dá sa totiº ukáza´, ºe preΩ
rovné v²etkým nula-jednotkovým postupnostiam neexistuje ani jedno zobrazenie P : 2Ω → R, ktoré by sp¨¬alo
prirodzené vlastnosti pravdepodobnostnej miery, o ktorých pojednávame v nasledujúcej podkapitole.
Vo vete 1.18 sme ukázali, ºe mnohé beºne pouºívané podmnoºiny mnoºiny R patria do
B. V skuto£nosti akáko©vek rozumná podmnoºina mnoºiny R patrí do B. Neborelovské
mnoºiny existujú, dokonca ich je ve©mi ve©a, sú ale extrémne komplikované a v reálnych
aplikáciách sa nevyskytujú. Podobná poznámka platí pre R , resp. pre Bm , ak m ≥ 2. Nebo-
m
relovskými mnoºinami sa ¤alej nebudeme zaobera´, hoci kvôli úplnosti sme museli spomenú´
ich existenciu.
Príklad 1.19. Sledujeme o ko©ko sekúnd zaznamenáme novú poºiadavku na ur£itý systém
hromadnej obsluhy, napríklad na server. Ak predpokladáme, ºe £as vieme odmera´ úplne
presne, potom je moºným výberovým priestorom Ω=R a príslu²ným systémom udalostí je
6
S = B. (0, 60) zodpovedá výroku novú poºiadavku zaznamenáme skôr ako uplynie
Udalos´
minúta, udalos´ [3600, ∞) zodpovedá výroku uplynie aspo¬ hodina, kým zaznamenáme novú
poºiadavku a tak ¤alej.
Príklad 1.20. Na jednotkovej kruºnici v rovine náhodne zvolíme dva body K, L. Body K, L
je moºné jednozna£ne reprezentova´ ve©kosámi uhlov ∠M OK a ∠M OL v intervale [0, 2π),
meranými proti smeru hodinových ru£i£iek, kde M = (1, 0)T a O = (0, 0)T . Takºe za for-
málny výberový priestor môºeme zvoli´ dvojice reálnych £ísel a zodpovedajúcu borelovskú
σ -algebru: Ω = R2 a S = B2 . Slovne vyjadrenej udalosti Uhol ∠KM L je men²í ako π/2
T
zodpovedá mnoºina A = {(ψ, φ) : 0 < ψ, φ < 2π, |ψ − φ| < π}, £o plynie z vety o vzáhu
medzi obvodovým a stredovým uhlom. Udalosti Trojuholník KM L je ostrouhlý zodpovedá
T
mnoºina B = {(ψ, φ) : 0 < ψ, φ < 2π, |ψ − φ| < π, min(ψ, φ) < π, max(ψ, φ) > π}. Mnoºiny
A a B sú zobrazené na obrázku 1.2; v²imnime si tieº, ºe sú automaticky borelovské, pretoºe
sú otvorené.
Niekedy potrebujeme modelova´ výskyt, generovanie, £i pozorovanie aj iných náhodných

objektov neº prvkov kone£nej mnoºiny (ako v príklade 1.10), postupností prvkov kone£nej
mnoºiny (analogicky príkladu 1.16), reálnych £ísel (m =1 z poh©adu denície 1.17, príklad
1.19) a náhodných kone£no-rozmerných vektorov reálnych £ísel (m ≥1 z poh©adu denície
1.17, príklad 1.20). Napríklad by sme mohli pozorova´ vývoj nejakej náhodnej kvantity v
spojitom £ase a v takej situácii by na²imi elementárnymi výsledkami mohli by´ funkcie
denované na intervale [0, ∞)7 . Pre potreby základnej ²tatistiky a analýzy dát si v²ak obvykle
vysta£íme s modelmi podobnými tým, ktoré sú spomenuté vo vy²²ie uvedených príkladoch.
1.2 Pravdepodobnostná miera
Samotná σ -algebra udalostí je pre model náhodných dejov len, vo©ne vyjadrené, vymedzením
toho, £o sa môºe v princípe udia´. Na presnú ²pecikáciu modelu potrebujeme e²te doda´ jed-
notlivým potenciálnym udalostiam rôznu mieru o£akávania, resp. asymptotickú frekvenciu
8
výskytu, takzvanú pravdepodobnostnú mieru, skrátene pravdepodobnos´ .
6 Opä´ by nás mohlo zvádza´ poloºi´ S = 2Ω . Ukazuje sa v²ak, ºe, podobne ako v príklade 1.16, by sme
sa dostali do problémov pri denícii pravdepodobnostnej miery na v²etkých prvkoch takto bohatého systému
mnoºín.
7 túdiom takýchto náhodných objektov sa zaoberá teória náhodných procesov s aplikáciami napríklad vo
nan£nej matematike.
8 V tomto texte sa nebudeme zaobera´ ve©mi zaujímavou, ale skôr lozockou témou interpretácie pojmu
pravdepodobnosti. Vysta£íme si s intuitívnou predstavou a jednozna£ným matematickým aparátom na nará-
banie s pravdepodobnosóu.
Obr. 1.2: Obrázok k príkladu 1.20. Panel (a): sivá oblas´ znázor¬uje mnoºinovú reprezentáciu
udalosti A. Panel (b): sivá oblas´ znázor¬uje mnoºinovú reprezentáciu udalosti B.
Denícia 1.21 (Pravdepodobnostná miera ). Pravdepodobnostná miera na σ -algebre S

podmnoºín mnoºiny Ω je zobrazenie P : S → R sp¨¬ajúce nasledovné podmienky: 1) Pre
v²etky A ∈ S platí 0 ≤ P (A) ≤ 1; 2) P (Ω) = 1, P (∅) = 0; 3) Ak (Ai )i∈I je postupnos´
P
disjunktných udalostí, tak P (∪i∈I Ai ) = i∈I P (Ai ).
Poznámka 1.22. Vlastnosti z denície 1.21 nazývame axiómy pravdepodobnosti. Prvá axi-
óma je dohodou, ºe pravdepodobnos´ budeme mera´ £íslami v rozsahu od 0 do 1. Druhá axi-
óma poºaduje, aby udalos´ ∅ (niekedy nazývaná nemoºná udalos´) mala pravdepodobnos´ 0
a udalos´Ω (nazývaná istá udalos´) mala pravdepodobnos´ 1.9 Vlastnos´ 3 je uº netriviálna
a nazývame ju aditivita pravdepodobnosti, ak je I kone£ná mnoºina, alebo σ -aditivita pravde-
podobnosti, ak je I nekone£ná spo£ítate©ná mnoºina. Formalizuje na²e intuitívne o£akávanie,
ºe ak máme udalosti, z ktorých môºe nasta´ maximálne jedna, tak to, ºe nastane niektorá z
týchto udalostí (v zmysle akáko©vek), má pravdepodobnos´ rovnú sú£tu pravdepodobností
10
jednotlivých udalostí .
Denícia 1.23 (Pravdepodobnostný priestor ). Nech S je σ -algebra udalostí na výberovom

priestore Ω a nech P je pravdepodobnostná miera na S. Potom trojicu (Ω, S, P ) nazveme
pravdepodobnostný priestor.11
Príklad 1.24. Nech Ω = {1, . . . , 6} a S = 2Ω . Nech P : S → [0, 1] je zobrazenie denované
nasledovne: Pre kaºdé A ∈ S platí P (A) = |A| /6, kde |A| znamená po£et prvkov mnoºiny A.
Potom (Ω, S, P ) je pravdepodobnostný priestor. Tento pravdepodobnostný priestor môºeme
9 V mnohých pravdepodobnostných modeloch v²ak existujú aj neprázdne udalosti, ktoré majú nulovú
pravdepodobnos´ a udalosti, ktoré nie sú Ω, no ich pravdepodobnos´ je 1. Udalosti nulovej pravdepodobnosti
niekedy nazývame nulové udalosti a udalosti pravdepodobnosti 1 nazývame skoro isté udalosti.
10 V²imnite si, ºe nie£o podobné poºadujeme aj od pojmov úhrnná d¨ºka, celková plocha a celkový
objem. Ako sme uº nazna£ili, pojmy pravdepodobnosti, d¨ºky, plochy a objemu sa dajú zastre²i´ spolo£nou
matematickou teóriou, takzvanou teóriou miery.
11 Niekedy sa pravdepodobnostný priestor nazýva aj pravdepodobnostný model.
povaºova´ za model hádzania hracou kockou, ak nás zaujíma výlu£ne £íselný výsledok hodu.
(Pozri príklad 1.10.)
Poznámka 1.25. Dôleºitou otázkou, ktorú nie je moºné vyrie²i´ mechanickým, vºdy pouºi-
te©ným návodom, je ako ur£íme pre ná² pravdepodobnostný model mieru P. V niektorých
situáciách nás k vhodnej vo©be pravdepodobnosti P dovedú úvahy vychádzajúce zo symetrií
modelovaného deja. Napríklad v príklade 1.24 je prirodzené predpoklada´, ºe kaºdý z výsled-
kov 1, . . . , 6 (£iºe kaºdá z udalostí {1}, . . . , {6}) má rovnakú pravdepodobnos´ p, z dôvodu
symetrie samotnej kocky, ktorú hádºeme. Aditivita pravdepodobnosti potom implikuje, ºe
p = |A| /6 pre kaºdé A ∈ S. Pochopite©ne, v prípade zle vyváºenej kocky, by tento pravde-
podobnostný model nebol vhodný. V takom prípade môºe by´ ur£enie dokonalého modelu, £iºe
presnej pravdepodobnosti P , nerealistickým. Jedna z moºností stanovenia pribliºného modelu
je hodi´ danou kockou mnohokrát a pravdepodobnosti udalostí {1}, . . . , {6} ur£i´ empiricky
ako podiely jednotlivých pozorovaných výsledkov.
Príklad 1.26. Jednoduchý náhodný výber bez návratu. Ako denujeme pravdepodobnostnú
mieru pre situáciu z príkladu 1.12? Ak predpokladáme dokonale náhodný výber objektov,
tak je intuitívne zrejmé, ºe kaºdá n-prvková podmnoºina by mala ma´ rovnakú pravdepo-
dobnos´, ºe bude výsledkom tohto výberu. Podobne ako v predchádzajúcom prípade je teda
prirodzené predpoklada´, ºe pre kaºdú udalos´ {ω}
M
∈ S, kde ω je n-prvková podmnoºina mno-
ºiny {1, 2, . . . , M }, platí P ({ω}) = 1/|Ω| = 1/ . Preto ak A je akáko©vek udalos´, £iºe aká-
n
M

ko©vek mnoºina n-prvkových podmnoºín mnoºiny {1, 2, . . . , M }, tak platí P (A) = |A|/ .
n
Najzloºitej²ie je v takýchto situáciách nie to, ako denova´ pravdepodobnos´, ale ako spo£íta´
po£et prvkov |A| (nejako, napríklad slovne) zadanej mnoºiny A. To je obvykle kombinato-
rický problém a úlohy výpo£tu pravdepodobností, ktoré sú ekvivalentné výpo£tu po£tu prvkov
nejakej mnoºiny, sa nazývajú problémy kombinatorickej pravdepodobnosti. Napríklad uva-
ºujme mnoºinu A
z príkladu 1.12. Jej po£et prvkov je rovný po£tu n-prvkových podmnoºín
(M − 1)-prvkovej mnoºiny, £iºe |A| = Mn−1 , a teda P (A) = Mn−1 / M n

n
= 1− M . Pre udalos´
B z príkladu platí, ºe jej po£et prvkov je po£et v²etkých k -prvkových podmnoºín mnoºiny
{1, 2, . . . , N } krát po£et v²etkých n−k prvkových podmnoºín mnoºiny {N +1, N+2, . . . , M }.
N M −N
Takºe pre netriviálny prípad n+N −M ≤ k ≤ min(n, N ) platí P (B) =
k n−k
/ M
n
. Rôzne
schémy náhodného výberu z ve©kej populácie objektov ²tuduje takzvaná teória náhodného
výberu.
Príklad 1.27. Bernoulliho pokusy. Nech Ω = {0, 1}∞ , t.j. Ω je mnoºina v²etkých (nekone£-
ných spo£ítate©ných) postupností £ísel 0 a 1. Nech p1 , p2 , . . . je postupnos´ £ísel v intervale
(0, 1). Uvaºujme σ -algebru S denovanú v príklade 1.16. Moºno ukáza´12 , ºe na S existuje prav-
depodobnos´ P , ktorá sp¨¬a nasledovnú podmienku: Nech b1 , . . . , bm ∈ {0, 1} sú pevné binárne
£ísla a nech 1 ≤ k1 < · · · < km sú pevné prirodzené £ísla. Nech A ∈ S je mnoºina v²etkých
tých postupností hodnôt {0, 1}, ktoré majú na pozícii ki hodnotu bi pre v²etky i = 1, . . . , k a
na ostatných pozíciách akúko©vek binárnu hodnotu. Pre takéto A platí P (A) = rk1 rk2 . . . rkm ,
kde ri = 1 − pi ak bi = 0 a ri = pi ak bi = 1, pre v²etky i = 1, 2, . . .. Pravdepodob-
nostný priestor (Ω, S, P ) môºeme povaºova´ za model (opakovaného, potenciálne nekone£ne
dlhého) hádzania mincou, pri£om hlava (formálne 0) padne v i-tom hode s pravdepodob-
nosóu 1 − pi , znak (formálne 1) padne v i-tom hode s pravdepodobnosóu pi a výsledky
12 Dôkaz spadá do oblasti teórie náhodných procesov a presahuje to £o je rozumné uvádza´ v tejto u£ebnici.
Záujemca si môºe vyh©ada´ pojem Kolmogorova veta o roz²írení.
hodov sú navzájom nezávislé. Mnoºiny A opísané vy²²ie zodpovedajú udalosti, ºe v hodoch

s poradovými £íslami k1 , . . . , km dostaneme výsledky b1 , . . . , bm (a na tom, £o dostaneme v
hodoch s inými poradovými £íslami, nezáleºí). peciálne, ak pi = p pre v²etky i, ide o model
nekone£ného hádzania rovnakou mincou, takzvané homogénne Bernoulliho pokusy. V tomto
s m−s
prípade P (A) = p (1 − p) , kde s je po£et jednotiek v postupnosti b1 , . . . , bm .
Príklad 1.28. Existencia rovnomernej pravdepodobnosti. Uvaºujme kváder Q = [l1 , u1 ] ×

· · · × [lm , um ], li < ui , i = 1, . . . , m. Moºno ukáza´13 , ºe na Bm (vi¤ denícia 1.17) existuje
pravdepodobnos´ Pm , ktorá sp¨¬a nasledovnú podmienku: Pre kaºdý kváder A = [a1 , b1 ] ×
· · · × [am , bm ] ⊆ Q, ai < bi , i = 1, 2, . . . , m, platí
Qm
(bi − ai )
Pm (A) = Qi=1m .
i=1 (ui − li )
Pravdepodobnostný priestor (R, B, P1 ) je model rovnomerného náhodného výberu bodu (alebo

m-rozmerného vektora) v kvádri Q. peciálne, pre m = 1 ide o model rovnomerného náhod-
ného výberu reálneho £ísla na úse£ke [l1 , u1 ] a pre m = 2 o model rovnomerného náhodného
výberu bodu (alebo dvojrozmerného vektora) na obd¨ºniku [l1 , u1 ] × [l2 , u2 ]. Dokonca ak by Q
bola akáko©vek m-rozmerná borelovská mnoºina, existuje na Bm pravdepodobnos´ P , ºe pre
kaºdé A ∈ Bm platí
λ(A ∩ Q)
P (A) = ,
λ(Q)
kde λ(B) ozna£uje m-rozmerný objem (celkovú d¨ºku pre m=1 alebo plochu pre m = 2)
mnoºiny B. Pre jednoduché mnoºiny B zodpovedá λ(B) na²ím intuitívnym predstavám a
znalostiam zo základných kurzov matematiky. Pre v²etky borelovské mnoºiny B je v²ak presná
denícia hodnoty λ(B) ve©mi zloºitá.
Príklad 1.29. Existencia gaussovskej miery na R. Nech S = B, µ ∈ R a σ > 0. Moºno uká-

14
za´ , ºe na σ -algebre (R, S) existuje pravdepodobnos´ P , ktorá sp¨¬a nasledovnú podmienku:
(x−µ)2
b
e− 2σ2
Z
P ([a, b]) = √ dx. (1.1)
a σ 2π
pre kaºdé −∞ < a < b < ∞. Vi¤ obrázok 1.3. Pravdepodobnos´ P je takzvaná gaussovská
pravdepodobnos´. Viac sa s ¬ou zoznámime v £asti 5.3.4 o gaussovskom (resp. normálnom)
rozdelení pravdepodobnosti. Okrem mnohých iných modelov, gaussovské rozdelenie pravde-
podobnosti (pre µ = 100 a σ = 15) pribliºne zodpovedá výsledku IQ testu náhodne vybratého
£loveka. Ako vidíme na tomto príklade, pravdepodobnostné modely sú niekedy len výsledkom
zjednodu²ujúcich úvah, empirických pozorovaní a ²tandardizácií; ich platnos´ nie je dokonalá.
Aj nedokonalé pravdepodobnostné modely v²ak môºu poskytova´ uºito£né podklady pre roz-
hodovanie.
13 Dôkaz spadá do oblasti teórie miery a presahuje to £o je rozumné uvádza´ v tejto u£ebnici; záujemca si
môºe vyh©ada´ pojem Lebesguova miera.
14 Dôkaz je jednoduchý, pokia© uveríme tvrdeniu z predo²lého príkladu. Stru£ne: sta£í overi´, ºe P mô-
ºeme denova´ ako P (B) = P R (Φ−1 (B)), kde P R je rovnomerná pravdepodobnos´ na intervale (0, 1), ktorej
−1
existenciu predpokladáme a Φ je inverzná funkcia k takzvanej distribu£nej funkcii normálneho rozdelenia
N (µ, σ 2 ).
Obr. 1.3: Ilustra£ný obrázok k príkladu 1.29. Na v²etkých borelovských podmnoºinách mno-
ºiny R vieme denova´ zobrazenie P tak, ºe sp¨¬a axiómy z denície 1.21 a na jeho hodnoty
na ²peciálnych borelovských mnoºinách - intervaloch - sú ur£ené rovnosóu 1.1. Krivka na
−x2 /2
√
obrázku zodpovedá funkcii x → e / 2π , £o je podintegrálna funkcia v 1.1 pre µ = 0 a
σ = 1. Ve©kos´ plochy vyzna£enej sivou farbou je rovná hodnote P ([a, b]).
Príklad 1.30. Stanovme pravdepodobnostnú mieru naσ -algebre B2 pre príklad 1.20 a vypo-
£ítajme pravdepodobnosti udalostí A a B . Ke¤ºe body K, L volíme rovnomerne a nezávisle,
T
je prirodzené, ºe uhly φ a ψ by sa mali správa´ tak, ºe bod (ψ, φ) bude vygenerovaný rov-
nomerne náhodne v ²tvorci Q = (0, 2π) × (0, 2π). Na základe príkladu 1.28 je preto P (A)
pomer plochy λ(A ∩ Q) = λ(A) k ploche λ(Q). Z obrázku 1.2 teda vidíme, ºe P (A) = 3/4.
Podobne P (B) = λ(B ∩ Q)/λ(Q) = λ(B)/λ(Q) = 1/4. Úlohy takéhoto typu a prístup vý-
po£tu pravdepodobnosti pomocou geometrických úvah, rovnomerného rozdelenia a výpo£tu
ve©kostí plôch, nazývame geometrická pravdepodobnos´.
1.3 Základné vlastnosti pravdepodobnosti
Veta 1.31 (Rozdielovos´ a monotónnos´ ). Nech A,B sú udalosti pravdepodobnostného pries-

toru (Ω, S, P ), pri£om A ⊆ B. Potom P (B \ A) = P (B) − P (A) a P (A) ≤ P (B).
Dôkaz. A a B \ A sú disjunktné, máme P (A) + P (B \ A) = P (A ∪ (B \ A)) =

Ke¤ºe udalosti
P (B) (pouºili sme aditivitu pravdepodobnosti), £iºe P (B \ A) = P (B) − P (A). Nerovnos´
P (A) ≤ P (B) plynie z predchádzajúcej rovnosti a vlastnosti P (B \ A) ≥ 0.
Veta 1.32 (Pravdepodobnos´ komplementu ). Nech (Ω, S, P ) je pravdepodobnostný priestor a

nech A je udalos´. Potom
P (Ω \ A) = 1 − P (A).
Dôkaz. Veta je ²peciálny prípad predchádzajúcej vety pre B = Ω.

Poznámka 1.33. Nech A je udalos´, P (A) 6= 1. Potom £íslo

15
P (A) P (A)
o(A) = =
P (Ω \ A) 1 − P (A)
sa nazýva ²anca udalosti A. Napríklad ²anca, ºe na minci padne znak, je jedna k jed-
nej, £iºe 1. Podobne, ²anca, ºe na kocke padne ²estka, je jedna k piatim, £iºe 0.2. ahko
sa presved£íme, ºe nielen z P (A) vieme odvodi´ o(A), ale aj naopak, z o(A) priamo dosta-
neme P (A)P (A) = o(A)/(1 + o(A)). Moderná matematická literatúra vyuºíva pojem ²anca
udalosti len ojedinele.
Veta 1.34 (Pravdepodobnos´ zjednotenia dvoch udalostí ). Nech A, B sú udalosti pravdepo-

dobnostného priestoru (Ω, S, P ). Potom platí
P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Dôkaz. Zrejme udalosti A a B\A sú disjunktné a ich zjednotenie je A ∪ B , takºe P (A ∪ B) =

P (A) + P (B\A). Sú£asne sú A ∩ B a B\A disjunktné, pri£om ich zjednotenie je udalos´ B ,
takºe máme P (B\A) = P (B) − P (A ∩ B). Spojením týchto dvoch rovností dostávame rovnos´
zo znenia vety.
Veta 1.35 (Princíp inklúzie-exklúzie (zapojenia-vypojenia) ). Nech A1 , A2 , . . . , An sú udalosti

na pravdepodobnostnom priestore (Ω, S, P ). Potom platí
n
X X
P (∪ni=1 Ai ) = (−1)k−1 P (Ai1 ∩ . . . ∩ Aik ).
k=1 1≤i1 <i2 <...<ik ≤n
Dôkaz. Pre n = 2 je tvrdenie tejto vety také isté ako vo vete 1.34. Pre v²eobecné n je
moºné pouºi´ matematickú indukciu. Odli²nou metódou dokáºeme princíp inklúzie-exklúzie
pre v²eobecné n v príklade 4.40.
Príklad 1.36. Za okrúhlym stolom je rozostavených n≥3 stoli£iek. Náhodne za tento stôl
rozsadíme troch ©udí. Aká je pravdepodobnos´ pn , ºe niektorí dvaja ©udia budú sedie´ ved©a
seba?
Rie²enie: Zrejme p3 = 1; v ¤al²om budeme predpoklada´, ºe n ≥ 4. Ozna£me ©udí ako
1,2,3 a denujme udalos´ A (B , C ) ako udalos´, ºe budú ve©a seba sedie´ £lovek 1 a 2 (2 a 3,
resp. 1 a 3). Zaujíma nás P (A ∪ B ∪ C). Pod©a princípu zapojenia-vypojenia máme:
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (B ∩ C) − P (A ∩ C) + P (A ∩ B ∩ C).
Zrejme v²ak
2 2
P (A) = P (B) = P (C) = a P (A ∩ B) = P (B ∩ C) = P (A ∩ C) = .
n−1 (n − 1)(n − 2)
Pre n≥4 udalos´ A∩B∩C nemôºe nasta´, preto P (A ∩ B ∩ C) = 0. Takºe
2 2 6(n − 3)
P (A ∪ B ∪ C) = 3 · −3· = .
n−1 (n − 1)(n − 2) (n − 1)(n − 2)
15 Symbol o pochádza z anglického slova odds.
peciálne, p4 = p 5 = 1 a p6 = 9/10.
Príklad moºno rie²i´ aj tak, ºe si denujme m udalostí B1 , B2 , . . . , Bm , ºe budú obsadené
susedné stoli£ky 1, 2; 2, 3; . . . ; resp. m, 1. H©adaná pravdepodobnos´ je P (∪i Bi ), £o sa dá opä´
vypo£íta´ pomocou princípu zapojenia-vypojenia.
V predchádzajúcom príklade sme formálne nedenovali model na úrovni komponentov Ω,

S a P, hoci by to bolo moºné. (Vedeli by ste to?) To v²ak ani nebolo potrebné, pretoºe sme
pouºívali úvahy platné pri akejko©vek zmysluplnej formalizácii. Takto budeme rie²i´ príklady
£asto.
Príklad 1.37. Postupnos´ £ísiel(1, 2, . . . , n) dokonale náhodne premie²ame. (T.j. kaºdá spo-
medzi n! permutácií má rovnakú pravdepodobnos´.) Nájdite pravdepodobnos´ pn , ºe aspo¬
jedno z £ísiel 1, 2, . . . , n bude po premie²aní na svojom pôvodnom mieste. Ur£me limn→∞ pn .
Rie²enie: Nech n A
je udalos´, ºe aspo¬ jedno z £ísiel 1, 2, . . . , n bude po
je pevné. Nech
n
premie²aní na svojom pôvodnom mieste. Potom zrejme A = ∪i=1 Ai , kde Ai ozna£uje udalos´,
ºe £íslo i zostane na svojom pôvodnom mieste. Ke¤ºe moºností výberu rôznych indexov
1 ≤ i1 < i2 < . . . < ik ≤ n je nk a pre kaºdý takýto výber je P (Ai1 ∩ . . . ∩ Aik ) = (n−k)!

, tak
n!
pod©a vety 1.35 dostávame
n n
n (n − k)! X (−1)k−1
X
k−1
pn = P (A) = (−1) = .
k=1
k n! k=1
k!
Zrejme tieº
∞ ∞
X (−1)k−1 X (−1)k
lim pn = =1− = 1 − e−1 ,
n→∞
k=1
k! k=0
k!
xk
P∞
£o plynie zo známeho vzorca ex =
k=0 k! pre v²etky reálne £ísla x.
asto sa pri výpo£te príkladov dá vyuºi´ nasledovné, intuitívne jasné tvrdenie:
Veta 1.38 (Booleova nerovnos´) . Ak (Ai )i∈I je postupnos´ udalostí pravdepodobnostného

priestoru (Ω, S, P ), tak
X
P (∪i∈I Ai ) ≤ P (Ai ).
i∈I
Dôkaz. Dokáºme vetu pre prípad I = {1, . . . , n}. n−1

B1 = A1 a Bn = An \ ∪i=1
Poloºme Ai pre
n n
n ≥ 2. Udalosti Bn sú o£ividne disjunktné. Sú£asne pre kaºdé n platí ∪i=1 Bi P = ∪i=1 Ai , ale
n n n
aj P (Bn ) ≤ P (An ), pretoºe Bn ⊆ An . Dostávame: P (∪i=1 Ai ) = P (∪i=1 Bi ) = i=1 P (Bi ) ≤
P n
i=1 P (Ai ) . Pre prípad nekone£nej (spo£ítate©nej) mnoºiny I je moºné vetu dokáza´ pomocou
verzie tejto vety pre kone£né I , s vyuºitím vety 1.41.
Poznámka 1.39. Vlastnos´ pravdepodobnosti z predchádzajúcej úlohy nazývame subaditi-

vita ak je I kone£ná mnoºina, alebo σ -subaditivita ak je I nekone£ná spo£ítate©ná mnoºina.
Príklad 1.40. 30 percent (nie nutne súvislých) d¨ºky jednotkovej kruºnice v rovine je
Presne
zafarbených na zeleno a zvy²ných 70 percent je zafarbených na modro. Formálne presnej²ie:
máme danú funkciu f : S → {Z, M }, pri£om
P {x ∈ [0, 1) : f (cos(2πx), sin(2πx)) = Z} = 0.3,

P {x ∈ [0, 1) : f (cos(2πx), sin(2πx)) = M } = 0.7,
kde P je rovnomerná pravdepodobnos´ na intervale [0, 1] z príkladu 1.28. Dokáºeme, ºe do

tejto kruºnice je moºné vpísa´ rovnostranný trojuholník tak, aby v²etky jeho vrcholy leºali
na modrej farbe.
Rie²enie: Rovnomerne náhodne zvolíme bod X na jednotkovej kruºnici S. Symbolom A
ozna£íme udalos´, ºe X padne do zelenej £asti kruºnice, symbolom B ozna£me udalos´, ºe X
po oto£ení o uhol 2π/3 v smere hodinových ru£i£iek padne do zelenej farby a symbolom C
ozna£me udalos´, ºe X po oto£ení o uhol 4π/3 v smere hodinových ru£i£iek padne do zelenej
farby. Zrejme P (A) = P (B) = P (C) = 0.3, teda z Booleovej nerovnosti máme P (A∪B ∪C) ≤
P (A) +P (B) +P (C) = 0.9. Takºe pravdepodobnos´, ºe ani jeden z trojice vytvorených bodov
nepadne do zelenej farby je aspo¬ 0.1. To znamená, ºe nutne musí existova´ aspo¬ jedna taká
trojica bodov, £iºe rovnostranný trojuholník, ktorého v²etky tri vrcholy leºia na modrej £asti
kruºnice.
Nasledovné vety sa pouºívajú pri dokazovaní niektorých limitných pravdepodobnostných

16
tvrdení.
Veta 1.41 (Spojitos´ pravdepodobnosti zdola ). Nech (Ai )∞

i=1 je nekone£ná postupnos´ udalostí
pravdepodobnostného priestoru (Ω, S, P ), ktorá je neklesajúca v zmysle A1 ⊆ A2 ⊆ A3 ⊆ . . ..
Potom
P (∪∞
i=1 Ai ) = lim P (Ai ).
i→∞
Dôkaz. Poloºme A0 = ∅ a Bi = Ai \Ai−1 pre kaºdé i ∈ N. V²imneme si, ºe ∪∞ i=1 Bi =

∪∞ A ,
i=1 i P ¤alej ºe udalosti B i sú disjunktné a P (B i ) = P (A i ) − P (A i−1 ). Taktieº ©ahko ove-
n ∞ ∞
ríme, ºe i=1 (P (Ai ) −PPn(Ai−1 )) = P (An ). Postupne dostávame P (∪i=1 Ai ) = P (∪i=1 Bi ) =
P ∞ Pn
i=1 P (Bi ) = lim n→∞ i=1 P (Bi ) = lim n→∞ i=1 (P (A i ) − P (Ai−1 )) = limn→∞ P (An ).
Úloha 1.42 (Spojitos´ pravdepodobnosti zhora ). Ukáºte nasledovné tvrdenie: Nech (Ai )∞
i=1 je
nekone£ná postupnos´ udalostí pravdepodobnostného priestoru (Ω, S, P ), ktorá je nerastúca
∞
v zmysle A1 ⊇ A2 ⊇ A3 ⊇ . . .. Potom, rovnako ako vo vete 1.41, P (∩i=1 Ai ) = limi→∞ P (Ai ).
Dôkaz. Vetu je moºné dokáza´ podobne ako predchádzajúcu vetu, alebo aplikáciou predchá-
dzajúcej vety na neklesajúcu postupnos´ udalostí Ci = Ω\Ai .
Poznámka 1.43. Ako zaujímavos´ uve¤me, ºe v denícii pravdepodobnostnej miery by sme

mohli nahradi´ σ -aditivitu poºiadavkou polospojitosti zdola a dostali by sme matematicky
ekvivalentnú deníciu. To isté platí aj o pravdepodobnosti zhora.
16 Najprominentnej²ia aplikácia uvedených polospojitostí je pri dôkaze limitných vlastnosti takzvanej dis-
tribu£nej funkcie náhodnej premennej.
Kapitola 2
Podmie¬ovanie a nezávislos´ udalostí
2.1 Podmienená pravdepodobnos´
V tejto kapitole budeme rie²i´ otázku, ako modikova´ pravdepodobnos´ udalosti A, resp.
celý pravdepodobnostný priestor (reprezentujúci ná² pravdepodobnostný model), po získaní
informácie, ºe nastala udalos´ B.
Denícia 2.1 (Podmienená pravdepodobnos´ udalosti ). Nech A a B sú udalosti, pri£om

P (B) > 0. Potom hodnotu P (A|B) = P (A ∩ B)/P (B) budeme nazýva´ pravdepodobnos´
udalosti A za podmienky B .
Poznámka 2.2. V súvislosti so zmenou P (A) na P (A|B) pri získaní informácie, ºe nastala
udalos´ B , nazývame niekedy P (A) apriórnou pravdepodobnosóu udalosti A a P (A|B) apos-
teriórnou pravdepodobnosóu udalosti A.
Veta 2.3. Nech (Ω, S, P ) je pravdepodobnostný priestor a nech B ∈ S, P (B) > 0. Denujme
funkciu PB : S → R nasledovne: PB (A) = P (A|B). Potom PB je pravdepodobnostná miera
na S.
Dôkaz. Tvrdenie plynie priamo z denície podmienenej pravdepodobnosti a zo základných

vlastností pravdepodobnostnej miery.
Denícia 2.4 (Podmienená pravdepodobnostná miera ). Pravdepodobnos´ PB z vety 2.3 nazý-

vame podmienená pravdepodobnostná miera, alebo aj aposteriórna pravdepodobnostná
miera.
Poznámka 2.5. Nahradenie (Ω, S, P ) priestorom (Ω, S, PB ) predstavuje prirodzenú zmenu

modelu po získaní (len) informácie obsiahnutej v tvrdení nastane/nastala udalos´ B . Ta-
kýmto spôsobom si v²ak ponechávame aj také elementárne výsledky, ktoré uº ur£ite nena-
stanú/nenastali. Model by sme ale mohli zmeni´ aj cenzurovaním, £iºe tak, ºe elementárne
výsledky mimo B z modelu vylú£ime. Formálne by sme ako nový pravdepodobnostný priestor
pouºili (B, SB , PB ), kde SB = {B ∩ C : C ∈ S} a PB (A) = P (A|B) pre v²etky A ∈ SB .
Vy²²ie uvedené denície ilustrujeme na obrázku 2.1.
Príklad 2.6. Máme dve neprieh©adné vrecká, pri£om v jednom vrecku sú dve biele gu©ô£ky
a v druhom vrecku je jedna gu©ô£ka biela a druhá £ierna. Náhodne sme zvolili jedno vrecko
16
Obr. 2.1: Hádºeme naraz dvomi hracími kockami, pri£om kocky povaºujeme za nezávislé a
vyváºené, takºe kaºdá prípustná dvojica výsledkov padá s pravdepodobnosóu 1/36. Model
(Ω, S, P ) si môºeme formálne stanovi´ nasledovne: Ω = {(i, j) : i, j ∈ {1, . . . , 6}}, S = 2Ω a
P (A) = |A|/36 pre v²etky A ⊆ Ω. Ak ozna£íme B udalos´, ºe vä£²ie z padnutých £ísel je
5 a A udalos´, ºe men²ie z padnutých £ísel je 2, potom P (A|B) = P (A ∩ B)/P (B) = 2/9.
Podmienenú pravdepodobnostnú mieru PB dostaneme z pôvodnej pravdepodobnostnej miery
P tak, ºe mimo B skolabujeme P do nuly a na B zdvihneme P faktorom 1/P (B).
(kaºdé s pravdepodobnosóu 1/2) a z tohoto vrecka sme náhodne vybrali jednu gu©ô£ku,
o ktorej sme sa presved£ili, ºe je biela. Aká je pravdepodobnos´, ºe aj druhá gu©ô£ka vo
vybratom vrecku je biela?
Takéto zadania chápeme nasledovne: Z h©adiska pred výberom vrecka a gu©ô£ky, aká je
pravdepodobnos´ udalosti A = vyberieme vrecko s dvomi bielymi gu©ô£kami za podmienky
udalosti B = vybratá gu©ô£ka bude biela? Alebo iná interpretácia zadania: Predpokladajme,
ºe priestor (Ω, S, P ) zodpovedá pravdepodobnostnému modelu danej situácie z h©adiska pred
za£iatkom celého experimentu. Dodato£ná informácia, ºe nastala udalos´ B , mení ná² pôvodný
model na pravdepodobnostný priestor (Ω, S, PB ) z vety 2.3, alebo na priestor (B, SB , PB ) z
poznámky 2.5. Aká je pravdepodobnos´ udalosti A v tomto novom priestore?
Takºe rie²enie (nezávisle na tom, ktorú interpretáciu úlohy prijmeme) je nasledovné: Máme
P (A|B) = P (A ∩ B)/P (B). Zrejme v²ak P (A ∩ B) = 1/2 a P (B) = 1/2.1/2 + 1/2 = 3/4.
Preto P (A|B) = 2/3.
Denícia 2.7 (Rozklad výberového priestoru ). Budeme hovori´, ºe udalosti A1 , . . . , An tvoria
rozklad výberového priestoru Ω, ak sú tieto udalosti disjunktné, kaºdá z nich má nenulovú
pravdepodobnos´ a sú£asne platí ∪ni=1 Ai = Ω.
Veta 2.8 (Veta o úplnej pravdepodobnosti ). Nech A1 , . . . , An tvoria rozklad výberového pries-
toru. Nech B je akáko©vek udalos´. Potom platí:
n
X
P (B) = P (B|Ai )P (Ai ).
i=1
Dôkaz.
Pn
P (B) = P (B ∩ (A1 ∪ . . . ∪ An )) = P ((B ∩ A1 ) ∪ . . . ∪ (B ∩ An )) = i=1 P (B ∩ Ai ) =
P n
i=1 P (B|A i )P (Ai ) . Vyuºili sme postupne fakt, ºe Ω = A 1 ∪ . . . ∪ An základné vlast-
,
nosti mnoºinových operácií, disjunktnos´ mnoºín A1 , . . . , An (a teda aj disjunktnos´ mnoºín
Obr. 2.2: Ilustra£ný obrázok k príkladu 2.10.
B ∩ A1 , . . . , B ∩ An ) spolu s aditivitou pravdepodobnosti a deníciu podmienenej pravdepo-

dobnosti.
Veta 2.9 (Bayesov vzorec ). Nech udalosti A1 , A2 , . . . , An tvoria rozklad výberového priestoru.
Nech B je akáko©vek udalos´ nenulovej pravdepodobnosti a nech k ∈ {1, . . . , n}. Potom platí:
P (B|Ak )P (Ak )
P (Ak |B) = Pn .
i=1 P (B|Ai )P (Ai )
Dôkaz. Pre kaºdé k ∈ {1, . . . , n} máme P (B ∩Ak ) = P (B|Ak )P (Ak ), preto P (Ak |B) = P (B ∩
Ak )/P (B) = P (B|Ak )P (Ak )/P (B). Pouºitím vzorca pre úplnú pravdepodobnos´ dostávame
dokazovanú rovnos´.
Príklad 2.10. S, A1, A2, A3, B1, B2, B3,

Majme systém, ktorý sa môºe nachádza´ v stavoch
pri£om sú moºné nasledovné prechody medzi stavmi: S → A1, S → A2, S → A3, A1 → B1,
A1 → B2, A2 → B1, A2 → B2, A2 → B3, A3 → B2, A3 → B3 (vi¤ obrázok 2.2). Ak
má systém viacero moºností prechodu, tak prejde do kaºdého nového prípustného stavu s
rovnakou pravdepodobnosóu. Vieme len to, ºe na za£iatku sa systém nachádzal v stave S a
na konci sa nachádzal v stave B2. Ur£me pravdepodobnos´ (v zmysle ná²ho subjektívneho
hodnotenia), ºe systém pre²iel stavom A2.
Rie²enie: Pozrieme sa na situáciu z h©adiska pred experimentom (t.j. z poh©adu pozoro-
vate©a, ktorý vidí, ºe systém je v po£iato£nom stave S ). Ozna£me ako A1 (A2 , A3 ,. . . ,B3 )
udalos´, ºe sa systém vyskytne v stave A1 (A2,A3, . . . , B3). Zaujíma nás podmienená prav-
depodobnos´ P (A2 |B2 ). Pod©a Bayesovej vety je
P (B2 |A2 )P (A2 )

P (A2 |B2 ) = P3 .
i=1 P (B2 |Ai )P (Ai )
Av²ak P (A1 ) = P (A2 ) = P (A3 ) a P (B2 |A2 ) = 1/3, P (B2 |A1 ) = P (B2 |A3 ) = 1/2. Dosadením
dostávame rie²enie P (A2 |B2 ) = 1/4.
Príklad 2.11. Na vstupe do laboratória sú 2 nezávisle pracujúce biometrické autoriza£né

zariadenia (typ A: snímanie prstu a typ B: snímanie o£nej dúhovky.) Typ A vykazuje 0.6%
1
mylných odmietnutí a 0.1% mylných prijatí . Typ B vykazuje 2% mylných odmietnutí a
0.01% mylných prijatí. Systém nám ohlási pokus o neautorizovaný vstup, ak aspo¬ jeden typ
autorizácie ohlási odmietnutie. (Systém ale neoznámi, ktorý typ testu zlyhal). Ur£te prav-
depodobnos´, ºe systém ohlási pokus o neautorizovaný vstup pre neautorizovanú osobu. Z
dlhodobých skúseností vieme, ºe v 99.9 percentách prípadov sa o vstup pokú²a osoba, ktorá
má autorizáciu na vstup a len v 0.1 percentách prípadov ide o pokus o neautorizovaný vstup.
Aká je pravdepodobnos´, ºe sa naozaj jedná o pokus o neautorizovaný vstup za podmienky,
ºe systém ohlásil pokus o neautorizovaný vstup?
Rie²enie: Ozna£me ako N udalos´, ºe dôjde k neautorizovanému pokusu o vstup a ako
H udalos´, ºe systém ohlási neautorizovaný vstup. Ozna£me si tieº ako HA a HB udalosti,
ºe zariadenie A, resp. zariadenie B ohlási pokus o neautorizovaný vstup. Tieº si uvedomíme,
c
ºe pravdepodobnosti 0.6%, 0.1%, 2%, 0.01%, 99.9% a 0.1% v zadaní sú postupne P (HA |N ),
P (HAc |N ), P (HB |N c ), P (HBc |N ), P (N c ) a P (N ).
V prvej otázke nás zaujímaP (H|N ). Ke¤ºe H = HA ∪ HB a zariadenia sa správajú navzá-
c c c c
jom nezávisle, máme P (H|N ) = P (HA ∪HB |N ) = 1−P (HA ∩HB |N ) = 1−P (HA |N )P (HB |N ) =
−3 −4 −7
1 − 10 · 10 = 1 − 10 .
V druhej otázke potrebujeme vypo£íta´ P (N |H). Pod©a Bayesovho vzorca máme
P (H|N )P (N )
P (N |H) = .
P (H|N )P (N ) + P (H|N c )P (N c )
V tomto vzorci musíme dopo£íta´ uº len P (H|N c ), £o je podobné ako P (H|N ). Máme
P (H|N c ) = P (HA ∪ HB |N c ) = P (HA |N c ) + P (HB |N c ) − P (HA |N c )P (HB |N c ) = 0.006 +
0.02 − 0.006 · 0.02 = 0.02588.
Celkovo teda máme
(1 − 10−7 )0.001
P (N |H) = ≈ 0.037.
(1 − 10−7 )0.001 + 0.02588 · 0.999
Uvedomme si, ºe analogické výpo£ty aposteriórnej pravdepodobnosti je moºné vykona´
pre akéko©vek nesekven£né aj sekven£né testovanie, v ktorom je výsledok testu jedna z moº-
ností výsledok je negatívny a výsledok je pozitívny. Takto je moºné skon²truova´ celý
rozhodovací strom.
2.2 Nezávislos´ udalostí
Denícia 2.12 (Nezávislos´ dvoch udalostí ). Nech pre udalosti A a B platí P (A ∩ B) =

P (A)P (B). Potom hovoríme, ºe udalosti A a B sú nezávislé. Ak P (A ∩ B) 6= P (A)P (B),
tak hovoríme, ºe udalosti A a B sú závislé.
V²imnime si, ºe pre nezávislé udalosti A

B (P (B) > 0) platí P (A|B) = P (A), £iºe,
a
vo©ne povedané, znalos´ toho, ºe nastala udalos´ B , neovplyvní na²u mieru o£akávania, ºe
nastane (alebo subjektívnu mieru o£akávania, ºe nastala ) aj udalos´ A. Naopak, ak platí
P (A|B) = P (A) (a P (B) > 0), tak sú udalosti A a B nezávislé. Inými slovami: ak vieme, ºe
znalos´ výsledku udalosti B nijak nemení na²e pravdepodobnostné o£akávanie, ºe nastane A,
potom sú udalosti A a B nezávislé.
1 Tieto dva typy omylov sa nazývajú falo²ne negatívny výsledok, resp. falo²ne pozitívny výsledok.
Obr. 2.3: Ilustra£ný obrázok k príkladu 2.14.
Denícia 2.13 (Zdruºená nezávislos´ n-tice udalostí ). A1 , . . . , An nech sú udalosti, pri£om

pre kaºdú mnoºinu indexov {i1 , . . . , ik } ⊆ {1, . . . , n} platí
P (Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) = P (Ai1 )P (Ai2 ) . . . P (Aik ).
Potom hovoríme, ºe udalosti A1 , . . . , An sú zdruºene nezávislé. V opa£nom prípade ho-

voríme, ºe sú tieto udalosti zdruºene závislé.
Príklad 2.14. Majme priestor (Ω, S, P ), kde Ω = {1, 2, . . . , 8}, S = 2Ω , P (A) = |A| /8 pre
kaºdé A ⊆ Ω. (Tento model zodpovedá rovnomernému náhodnému výberu jedného z £ísiel
1, 2, . . . , 8, alebo modelu hádzania tromi mincami, ak kaºdú z ôsmich rôznych kombinácií
výsledkov na jednotlivých minciach ozna£íme jedným z £ísel 1, 2, . . . , 8.)
Denujme nasledovné udalosti: A = {1, 2, 3, 4}, B = {1, 2, 5, 6}, C = {1, 3, 5, 7}, D =
{1, 2, 7, 8} a E = {1, 3, 4, 8} (pozri obrázok 2.3). ahko sa presved£íme, ºe a) Udalosti A,
B , C sú zdruºene nezávislé. b) Udalosti A, B , D sú po dvojiciach nezávislé, ale zdruºene
nezávislé nie sú, pretoºe P (A ∩ B ∩ D) 6= P (A)P (B)P (D). c) Udalosti A, B , E nie sú v²etky
po dvojiciach nezávislé, napriek tomu, ºe P (A ∩ B ∩ E) = P (A)P (B)P (E).
Príklad 2.15 (Vo©ne prevzaté z Mitzenmacher Upfal 2005). Predpokladajme, ºe sme napísali
(klasický, deterministický) algoritmus na overovanie nasledovnej rovnosti dvoch polynómov:
d
Y
(ai x − bi ) = cd xd + . . . + c1 x + c0 . (2.1)
i=1
Vstupom algoritmu sú celé £ísla a1 , . . . , ad , b1 , . . . , bd , c0 , . . . , cd a výstupom je logická hodnota

true, alebo false, pod©a toho, £i (2.1) platí alebo nie. Tento algoritmus overí, £i platí
a1 a2 · · · ad−1 ad = cd ,
b1 a2 · · · ad−1 ad + · · · + a1 a2 · · · ad−1 bd = −cd−1 ,
···
b1 b2 · · · bd−1 bd = (−1)d c0 .
(Predpokladáme, ºe s celými £íslami vieme po£íta´ presne.) V²imnime si, ºe priamo£iare

d 2
overenie týchto rovností tak ako sú vyjadrené vy²²ie si vyºaduje aº (d − 1)2 násobení. Pre
vä£²ie d, povedzme d = 1000, by bol tento po£et násobení v rozumnom £ase nevykonate©ný.
Efektívnej²í postup by bol ten, ºe by sme vy£íslili hodnotu polynómu P −Q v d rôznych
celých £íslach, kde Q je polynóm na ©avej strane rovnosti (2.1) a R je polynóm na pravej
strane rovnosti (2.1). Ak by boli niektoré výsledky tohto vy£íslenia nenulové, tak s istotou
6 Q.
P = Sú£asne platí, ºe ak by v²etky tieto výsledky boli nulové tak P − Q = 0,3 a teda
P = Q. Prakticky si ale vieme vysta£i´ s menej ako d vy£ísleniami polynómu P − Q, ako
ukáºeme.
Uvaºujme nasledovný znáhodnený algoritmus: rovnomerne náhodne nezávisle vygeneru-
jeme prirodzené £ísla X1 , . . . , Xk z mnoºiny {1, 2, . . . , N }. Formálne, v²etky k -tice udalostí
[X1 ∈ M1 ], [X2 ∈ M2 ], . . . , [Xk ∈ Mk ], kde M1 , M2 , . . . , Mk ⊆ {1, . . . , N }, sú zdruºene nezá-
4
vislé a P ([Xi ∈ Mi ]) = mi /N , kde mi je po£et prvkov mnoºiny Mi , i = 1, . . . , k . Pokia© bude
plati´ Q(Xi ) = R(Xi ) pre kaºdú hodnotu X1 , . . . , Xk , znáhodnený algoritmus vráti hodnotu
true, v opa£nom prípade (t.j. ak Q(Xi ) 6= R(Xi ) pre £o i len jednu hodnotu X1 , . . . , Xk ),
znáhodnený algoritmus vráti hodnotu false. Aká je pravdepodobnos´, ºe sa znáhodnený
algoritmus pomýli v prípade, ºe rovnos´ (2.1) neplatí?
Rie²enie: Ak (2.1) platí, tak znáhodnený algoritmus sa s istotou nepomýli. V prípade,
ºe rovnos´ (2.1) neplatí, tak uº nie je úplne vylú£ené, ºe sa znáhodnený algoritmus pomýli,
£iºe ºe vráti hodnotu true. Q 6= P .
Ohrani£me túto pravdepodobnos´ omylu zhora. Nech
Znáhodnený algoritmus sa pomýli, ak bude plati´ Q(Xi ) − P (Xi ) = 0 pre v²etky i = 1, . . . , k .
Mnoºina M reálnych kore¬ov polynómu P − Q má maximálne d-prvkov. Algoritmus sa teda
pomýli len ak sú£asne nastanú udalosti [X1 ∈ M ], [X2 ∈ M ], . . . , [Xk ∈ M ]. Ke¤ºe tieto uda-
losti sú zdruºene nezávislé a kaºdá z mich má pravdepodobnos´ men²iu alebo rovnú hodnote
d/N , dostávame
k k
Y d
P (∩ki=1 [Xi ∈ M ]) = P ([Xi ∈ M ]) ≤ .
i=1
N
Ak zvolíme povedzme N = 10d a k = 10 evaluácií polynómu P − Q, tak pravdepodobnos´
mylného výsledku znáhodneného algoritmu je nulová, alebo prakticky zanedbate©ná.
Podobná situácia sa vyskytuje pomerne £asto. Problém vieme vyrie²i´ pouºitím znáhodne-
ných algoritmov nie síce úplne dokonale z teoretického h©adiska, z praktického h©adiska v²ak
úplne dostato£ne a omnoho rýchlej²ie £i jednoduch²ie.
Veta 2.16 (Nezávislos´ komplementov ). Ak sú udalosti A a B nezávislé, tak sú nezávislé aj

udalosti A a Ω \ B, Ω \ A a Ω \ B . V²eobecne, nech A1 , . . . , An sú zdruºene
ako aj udalosti
0
nezávislé udalosti. Pre kaºdé i = 1, . . . , n zvo©me za Ai bu¤ Ai , alebo Ω\Ai . Potom aj udalosti
0 0
A1 , . . . , An sú zdruºene nezávislé.
Dôkaz. Urobme dôkaz pre dvojicu udalostí; pre v²eobecný po£et udalostí je dôkaz analogický.
2 Dá sa napísa´ aj (menej priamo£iary) deterministický algoritmus s men²ím po£tom násobení, ktorý overí
tieto rovnosti.
3 V²imnite si, ºe P − Q je polynóm, ktorého stupe¬ je maximálne d, a teda ak je nulový v d rôznych £íslach,
je nulový na celom R.
4X
1 , X2 , . . . , Xk sú takzvané nezávislé náhodné premenné, £o je pojem, s ktorými sa viac oboznámime v
¤al²ích kapitolách. V tomto príklade ale nepotrebujeme presne rozumie´ pojmu náhodná premenná; sta£í len
bra´ udalos´ [Xi ∈ Mi ] ako zápis udalosti i-te vygenerované £íslo bude patri´ do mnoºiny Mi .
Ak sú udalostiA a B nezávislé, tak s vyuºitím základných vlastností pravdepodobnosti

dostávame P (A ∩ (Ω \ B)) = P (A \ (A ∩ B)) = P (A) − P (A ∩ B) = P (A) − P (A)P (B) =
P (A)(1 − P (B)) = P (A)P (Ω \ B). Tým sme ukázali, ºe A a Ω \ B sú nezávislé. Nezávislos´
udalostí Ω \ A a Ω \ B plynie opakovaným pouºitím uº dokázanej £asti vety.
Predchádzajúcu vetu vieme zov²eobecni´ do nasledujúcej podoby; pri jej £ítaní si uve-
domte, ºe kaºdú mnoºinovú operáciu vieme vyjadri´ pomocou operácií komplementu, zjedno-
tenia a prieniku.
Veta 2.17 (Nezávislos´ po skupinách ). Majme zdruºene nezávislé udalosti A1 , . . . , An . Nech

n0 = 0 < n1 < n2 < . . . < nk−1 < nk = n. Pre kaºdé j = 1, . . . , k vytvorme Bj z
Anj−1 +1 , . . . , Anj akoko©vek, pomocou operácií komplementu, zjednotenia, alebo prieniku. Po-
tom sú aj udalosti B1 , . . . , Bk zdruºene nezávislé.
Dôkaz. A1 , A2 , . . . , An zdruºene nezávislé, n ≥ 3. Potom a) A1 ∩A2 , A3 , . . . , An

Nech sú udalosti
sú zdruºene nezávislé a tieº b) A1 ∪ A2 , A3 , . . . , An sú zdruºene nezávislé. Tvrdenie a) plynie
priamo z denície zdruºenej nezávislosti a tvrdenie b) ukáºeme nasledovne: Ak sú A1 , A2 , . . . , An
zdruºene nezávislé, tak sú pod©a vety 2.16 aj Ω \ A1 , Ω \ A2 , A3 , . . . , An zdruºene nezávislé,
takºe pod©a tvrdenia a) sú aj (Ω \ A1 ) ∩ (Ω \ A2 ), A3 , . . . , An zdruºene nezávislé, a teda opä´
pod©a vety 2.16 sú aj Ω \ ((Ω \ A1 ) ∩ (Ω \ A2 )) , A3 , . . . , An zdruºene nezávislé. Av²ak prvá
z týchto udalostí je práve A1 ∪ A2 . Celé tvrdenie vety o nezávislosti po skupinách plynie
opakovaným pouºitím vety 2.16 a tvrdení a), b).
Niekedy sa stretávame s takým prípadom zdruºene nezávislých udalostí A1 , A2 , . . . , An ,

ktoré reprezentujú sériu nezávislých pokusov rovnakého charakteru, £iºe v²etky tieto udalosti
majú rovnakú pravdepodobnos´ nastatia. Vtedy nás £asto zaujíma s akou pravdepodobnosóu
sa realizuje práve (akýchko©vek) k udalostí spomedzi A1 , A2 , . . . , An . Typickým príkladom je
n-násobné hádzanie hracou kockou, pri£om udalos´ Ai znamená padnutie ²estky v i-tom hode,
i = 1, . . . , n. V takom prípade by nás mohlo zaujíma´ s akou pravdepodobnosóu padne ²estka
v práve k hodoch, 0 ≤ k ≤ n.
Veta 2.18 (Binomická formula ). Nech A1 , A2 , . . . , An sú zdruºene nezávislé udalosti, pri-

£om kaºdá má pravdepodobnos´ p. Nech A je udalos´, ºe nastane práve k spomedzi udalostí
A1 , A2 , . . . , An , kde k ∈ {0, . . . , n}, t.j.
A = {ω ∈ Ω; |{i ∈ {1, . . . , n} ; ω ∈ Ai }| = k} .
Potom platí
n k
P (A) = p (1 − p)n−k . (2.2)
k
Dôkaz. Pre kaºdú k -prvkovú mnoºinu indexov {i1 , . . . , ik } ⊆ {1, . . . , n} ozna£me ako Bi1 ,...,ik
udalos´, ºe nastanú v²etky Ai pre i ∈ {i1 , . . . , ik } a sú£asne nenastane ºiadna udalos´ Aj pre
j∈/ {i1 , . . . , ik }, t.j. \ \
Bi1 ,...,ik = Ai (Ω \ Aj ).
i∈{i1 ,...,ik } j ∈{i
/ 1 ,...,ik }
n

V²imnime si, ºe zjednotením udalostí Bi1 ,...,ik je udalos´ A, tieto udalosti sú navzájom
k
k n−k
disjunktné a kaºdá z nich má pravdepodobnos´ p (1 − p) . Preto

X n k
p (1 − p)n−k .

P (A) = P ∪{i1 ,...,ik } Bi1 ,...,ik = P (Bi1 ,...,ik ) =
k
{i1 ,...,ik }
Príklad 2.19. Vykonáme 10 nezávislých hodov kockou. S akou pravdepodobnosóu padne

²estka 7 krát? S akou pravdepodobnosóu padne ²estka viac ako 7 krát?
Rie²enie: Ozna£me symbolmi A1 , . . . , A10 udalosti, ºe v prvom hode padne ²estka, ..., v
desiatom hode padne ²estka. Tieto udalosti sú zdruºene nezávislé a kaºdá z nich má prav-
depodobnos´ 1/6. Pýtame sa na pravdepodobnos´ udalosti, ºe nastane práve 7 z udalostí
A1 , ..., A10 . Pod©a binomickej formuly (2.2) je táto pravdepodobnos´
7 3
10 1 5
≈ 0.00025.
7 6 6
Analogicky dostaneme odpove¤ na druhú otázku:
8 2 9 1 10 0
10 1 5 10 1 5 10 1 5
+ + ≈ 1.95 × 10−5 .
8 6 6 9 6 6 10 6 6
Príklad 2.20. Komunika£ný kanál sa skladá zo série uzlov, pri£om vºdy i-ty uzol predáva
jedno-bitovú informáciu na vstup i + 1-vému uzlu. Na kaºdom uzle v²ak s pravdepodobnosóu
p dochádza k chybe, ktorá sa prejaví tým, ºe na výstupe tohoto uzla bude opa£ný bit ako na
jeho vstupe. Navy²e, chyby na jednotlivých uzloch sa vyskytujú navzájom nezávisle. Napí²me
vzorec udávajúci pravdepodobnos´, ºe bit na vstupe prvého uzla bude rovnaký ako bit na
výstupe n-tého uzla.
Rie²enie: Je zrejmé, ºe bit na vstupe prvého uzla bude rovnaký ako bit na výstupe n-tého
uzla práve vtedy, ak dôjde k chybe prenosu na párnom po£te uzlov. Pre jednoduchos´ zápisu
(k)
predpokladajme, ºe n je párne. Ak ozna£íme A udalos´, ºe dôjde k chybe práve na k uzloch
(k = 0, . . . , n), tak pod©a binomickej formuly je h©adaná pravdepodobnos´
(0) (2) (n)

X n (1 − 2p)n 1
P (A ∪A ∪ ... ∪ A )= p2j (1 − p)n−2j = + .
2j 2 2
0≤j≤n/2
Príklad 2.21. Vo vrecku máme dve na poh©ad nerozlí²ite©né mince; vieme v²ak, ºe sú obe
falo²né. Dokonca vieme, ºe na jednej z týchto mincí padá znak s pravdepodobnosóu 1/3
a hlava s pravdepodobnosóu 2/3 a na druhej minci presne naopak, t.j. znak na nej padá s
pravdepodobnosóu 2/3 a hlava s pravdepodobnosóu 1/3. Náhodne sme zvolili z tejto dvojice
jednu mincu a hodili sme ¬ou ²es´krát, z £oho nám ²tyrikrát padol znak a dvakrát hlava. S
akou pravdepodobnosóu nám padne znak pri siedmom hode zvolenou mincou?
Rie²enie: Pozrieme sa na situáciu z h©adiska pred za£atím celého experimentu a vypo-
£ítajme pravdepodobnos´, ºe nám v siedmom hode náhodne zvolenou mincou padne znak
(udalos´ A) za podmienky, ºe z prvých ²iestich hodov touto mincou padne znak ²tyrikrát
(udalos´ B ). Pre oba indexy i = 1, 2 denujme e²te udalos´ Ci , ktorá znamená, ºe na hádza-
nie náhodne vyberieme mincu i. Ke¤ºe udalosti C1 , C2 tvoria rozklad výberového priestoru
a pravdepodobnos´ kaºdej z nich je 1/2, dostávame pod©a vety o úplnej pravdepodobnosti a
binomickej formuly nasledovné rovnosti:
2 4 2 4 2 !
X 1 6 1 2 6 2 1
P (B) = P (B|Ci )P (Ci ) = + ,
i=1
2 4 3 3 4 3 3
2 4 2 4 2 !
X 1 6 1 2 1 6 2 1 2
P (A ∩ B) = P (A ∩ B|Ci )P (Ci ) = + .
i=1
2 4 3 3 3 4 3 3 3
Po mechanických úpravách zisújeme, ºe
P (A ∩ B) 3
P (A|B) = = = 0.6.
P (B) 5
Niekedy sa zaoberáme sériou nezávislých pokusov rovnakého charakteru, pri£om kaºdý po-
kus môºe skon£i´ nie len binárnym výsledkom typu úspech/neúspech, ale viacerými rôznymi
výsledkami, napríklad tromi - biela/modrá/£ervená. Takejto situácie sa týka nasledovná
veta.
Veta 2.22 (Multinomická formula ). Uvaºujme udalosti A(j)

i , i = 1, . . . , n a j = 1, . . . , m. Nech
(1) (m) (1)
pre kaºdé i tvoria udalosti Ai , . . . , Ai rozklad výberového priestoru, pri£om P (Ai ) =
(m)
p1 , . . . , P (Ai ) = pm . (Pravdepodobnosti p1 , . . . , pm nezávisia na i.) alej nech pre kaºdý
(j1 ) (jn )
výber indexov j1 , j2 , . . . , jn ∈ {1, . . . , m} sú udalosti A1 , . . . , An zdruºene nezávislé. Nech
k1 , . . . , km sú £ísla z mnoºiny {0, . . . , n}, ktorých sú£et je n. Nech Ak1 ,...,km je udalos´, ºe
(j) (j)
spomedzi udalostí A1 , . . . , An nastane práve kj a to pre kaºdé j . Potom platí
n!
P (Ak1 ,...,km ) = pk1 pk2 . . . pkmm .
k1 !k2 ! . . . km ! 1 2
Dôkaz. Dôkaz nie je áºký, ale je technicky zd¨havý, takºe ho nebudeme uvádza´.
Príklad 2.23. V urne máme 10 guli£iek, z ktorých je 5 bielych, 3 sú modré a 2 sú £ervené.

Z urny 7-krát vyberieme guli£ku, pri£om kaºdú vybranú guli£ku vrátime naspä´ do urny e²te
pred výberom ¤al²ej guli£ky. Vypo£ítajme pravdepodobnos´, ºe takto vyberieme spolu 3 biele
guli£ky, 2 modré guli£ky a 2 £ervené guli£ky (nezávisle na tom, v ktorom áhu).
Rie²enie: Ak udalos´
(j)
Ai , i = 1, . . . , 7, j = 1, 2, 3 zodpovedá tomu, ºe v i-tom áhu
vyberieme guli£ku j -tej farby (farba 1 je biela, farba 2 modrá a farba 3 £ervená), tak máme
situáciu z predchádzajúcej vety. Dostávame
7!
P (A3,2,2 ) = 0.53 0.32 0.22 = 0.0945.
3!2!2!
Kapitola 3
V²eobecné náhodné premenné
V mnohých situáciách nás na elementárnych výsledkoch ω náhodného pokusu (pozorovania,
simulácie a podobne) zaujíma jedna alebo viac £íselných charakteristík. Napríklad ak náhodne
generujeme graf, £iºe elementárnym výsledkom ω bude graf, môºe nás zaujíma´ po£et hrán
X(ω), po£et komponent súvislosti Y (ω) a po£et izolovaných vrcholov Z(ω). íselné charak-
teristiky elementárnych výsledkov, ktoré sp¨¬ajú istú technickú podmienku, voláme v teórii
pravdepodobnosti náhodné premenné. iºe náhodná premenná sa dá intuitívne stotoºni´ s
budúcim £íselným pozorovaním, ktorého konkrétnu hodnotu nie je moºné vopred vedie´.
3.1 Základné vlastnosti náhodných premenných
Denícia 3.1 (Náhodná premenná ). Nech (Ω, S, P ) je pravdepodobnostný priestor. Budeme

hovori´, ºe funkcia X : Ω → R je náhodná premenná , ak sp¨¬a takzvanú podmienku
1
merate©nosti
{ω ∈ Ω : X(ω) < x} ∈ S pre v²etky x ∈ R.
Zmysluplný je aj pojem náhodnej premennej s oborom hodnôt iným neº R.2 Napríklad by
takýmto oborom hodnôt mohla by´ akáko©vek kone£ná mnoºina, na ktorej nie je denované
3 4
ºiadne usporiadanie; vtedy by i²lo o takzvanú kategorickú náhodnú premennú . Analogicky
by sme vedeli denova´ napríklad náhodnú premennú, ktorej hodnoty sú matice, postupnosti,
funkcie a podobne. V tejto u£ebnici sa budeme primárne zaobera´ klasickými náhodnými pre-
mennými v zmysle denície 3.1 a takzvanými náhodnými vektormi, £o sú náhodné premenné,
m
ale s oborom hodnôt R pre v²eobecné m ∈ N. V²imnime si tieº, ºe podmienka merate©nosti
nezávisí od P a ºe v £asto sa vyskytujúcom prípade S = 2 je vºdy splnená.
Ω
Veta 3.2. Nech (Ω, S, P ) je pravdepodobnostný priestor. Potom funkcia X : Ω → R je

náhodná premenná vtedy a len vtedy, ak pre kaºdé B∈B platí
{ω ∈ Ω : X(ω) ∈ B} ∈ S.
Dôkaz. Dôkaz implikácie ⇒: Nech X : Ω → R je náhodná premenná. Pre akúko©vek mnoºinu
A ⊆ R ozna£íme symbolom X −1 (A) vzor mnoºiny A v zobrazení X . Uvaºujme systém H tých
1 V sloven£ine sa ako synonymum pouºíva aj pojem náhodná veli£ina.
2 Pokia© by sme mali na tomto obore hodnôt denovanú σ -algebru.
3 Príslu²nou σ -algebrou by bola poten£ná mnoºina.
4 Niekedy ozna£ovanú aj ako kvalitatívna, alebo nominálna náhodná premenná.
25
podmnoºín H ⊆ R, pre ktoré platí X −1 (H) ∈ S. ahko overíme, ºe H je σ -algebra na R, ktorá

−1
obsahuje v²etky otvorené intervaly. (Uvedomíme si, ºe pre kaºdú mnoºinu A ⊆ R platí X (R\
−1 −1
A) = Ω \ X (A) a tieº pre akýko©vek systém mnoºín Ai ⊆ R, i ∈ I platí X (∪i∈I Ai ) =
∪i∈I X −1 (Ai ).) Ke¤ºe B je najmen²ia σ -algebra na R obsahujúca v²etky otvorené intervaly,
tak musí plati´ B ⊆ H, £ím je dôkaz priamej implikácie ukon£ený. Implikácia ⇐ je zrejmá,
pretoºe kaºdý interval typu (−∞, a) patrí do systému B.
Poznámka 3.3. Pre B ∈ B budeme udalos´ {ω ∈ Ω : X(ω) ∈ B} zapisova´ skrátene [X ∈ B].

Teda {ω ∈ Ω : X(ω) ∈ (a, b)} = [X ∈ (a, b)] = [a < X < b], alebo {ω ∈ Ω : X(ω) = a} =
[X = a] a podobne.
Intuitívne zdôvodnenie podmienky merate©nosti v denícii 3.1 je nasledovné. Pre akéko©-

vekx ∈ R vyºadujeme, aby sme vedeli priradi´ pravdepodobnos´5 výroku Výsledkom pokusu
bude nejaké také ω , ktorého £íselná charakteristika X je men²ia ako x. V²imnime si, ºe pod©a
vety 3.2 táto jednoduchá podmienka automaticky znamená, ºe vieme priradi´ pravdepodob-
nos´ aj v²etkým, potenciálne ve©mi komplikovaným výrokom typu Výsledkom pokusu bude
nejaké také ω, ktorého £íselná charakteristika X patrí do borelovskej mnoºiny B .
Poznámka 3.4. Náhodná premenná X (Ω, S, P ) denuje

na pravdepodobnostnom priestore
takzvanú indukovanú pravdepodobnostnú mieru σ -algebre B borelovských mnoºín,
PX na
a to nasledovne: PX (B) = P [X ∈ B]. Pravdepodobnos´ PX sa niekedy formálne stotoº¬uje
s pravdepodobnostným rozdelením náhodnej premennej X . V prípade diskrétnych a spoji-
tých náhodných premenných (ktoré uvedieme neskôr) sa pod pojmom pravdepodobnostné
rozdelenie niekedy myslí takzvaná pravdepodobnostná funkcia, resp. hustota.
Príklad 3.5. Príklady náhodných premenných:
1. Nech S je σ -algebra na mnoºine Ω 6= ∅ a nech A ⊆ Ω. Denujme zobrazenie IA : Ω → R

nasledovne: IA (ω) = 1 pre v²etky ω ∈ A a IA (ω) = 0 pre v²etky ω ∈ Ω/A. (Zobrazenie
IA nazývame identikátorom mnoºiny A.) Potom IA je náhodná premenná na tomto
priestore vtedy a len vtedy, ke¤ A ∈ S.
2. Hodíme naraz dvomi mincami. Ako pravdepodobnostný priestor zvolíme (Ω, 2Ω , P ), kde
Ω = {HH, HZ, ZH, ZZ} a P (A) = |A|/4 pre kaºdé A ⊆ Ω. Po£et X mincí, na ktorých
padne znak, je náhodná premenná; vi¤ obrázok 3.1. (Ke¤ºe kaºdá podmnoºina mnoºiny
Ω je v na²om modeli udalosóu, podmienka merate©nosti funkcie X je automaticky
splnená.)
3. Generujeme tri náhodné £ísla z mnoºiny {0, . . . , 9}. Sú£et X v²etkých troch vygene-
rovaných £ísel, najvä£²ie vygenerované £íslo Y , aj po£et Z vygenerovaných núl sú ná-
hodné premenné. Formálne, ak by sme uvaºovali pravdepodobnostný model (Ω, S, P ),
kde Ω = {(i1 , i2 , i3 ) : i1 , i2 , i3 ∈ {0, . . . , 9}} a S = 2 , tak spomenuté náhodné pre-
Ω
menné by boli denované X(i1 , i2 , i3 ) = i1 + i2 + i3 , Y (i1 , i2 , i3 ) = max(i1 , i2 , i3 ) a

Z(i1 , i2 , i3 ) = |{k ∈ {1, 2, 3} : ik = 0}|. (Podobne ako v predo²lom príklade, ke¤ºe kaºdá
podmnoºina mnoºiny Ω je v na²om modeli udalosóu, podmienka merate©nosti funkcií
X , Y , Z je automaticky splnená.)
5 Ak uvaºujeme pravdepodobnostný model (Ω, S, P ), tak to, ºe vieme priradi´ pravdepodobnos´ nejakej
mnoºine A ⊆ Ω, je ekvivalentné tomu, ºe A je udalos´, £iºe ºe A ∈ S.
Obr. 3.1: Ilustra£ný obrázok k príkladu 3.5
4. Pozorujeme nekone£nú postupnos´ náhodne generovaných núl a jednotiek. Pouºime for-

málny model reprezentovaný σ -algebrou udalostí z príkladu 1.16, resp. pravdepodob-
nostným priestorom (Ω, S, P ) z príkladu 1.27. Náhodnou premennou na tomto priestore
môºe by´ napríklad prvá hodnota vo vygenerovanej postupnosti, sú£et Y hodnôt prvých
10-tich prvkov postupnosti, po£et Z pozorovaných hodnôt kým prvýkrát zaznamenáme
jednotku a tak ¤alej. Formálne, pre elementárny výsledok - binárnu postupnos´, ktorú si
∞
ozna£íme ω = (bi )i=1 , denujeme spomenuté náhodné premenné nasledovne: X(ω) = b1 ,
P10
Y (ω) = i=1 bi a Z(ω) = min{i ∈ N : bi = 1}. Pre v²etky tri spomenuté funkcie je
moºné dokáza´, ºe sp¨¬ajú podmienku merate©nosti. Dôkaz merate©nosti X je jedno-
duchý, dôkaz merate©nosti zvy²ných dvoch náhodných premenných je uº zloºitej²í a v
tejto základnej u£ebnici je lep²ie ho vynecha´.
Denícia 3.6. Funkcia g : Rn → R sa nazýva borelovská, ak pre kaºdé B ∈ B platí

g (B) ∈ Bn ,
−1
£iºe ak vzor kaºdej (jednorozmernej) borelovskej mnoºiny je (n-rozmerná)
borelovská mnoºina.
Nasledovné vety majú predov²etkým teoretický význam a ich dôkazy sú technicky pomerne
zd¨havé, preto ich neuvedieme. Je ale dobré vedie´, ºe takéto vety existujú, aby sa ani opatrný
²tudent nebál náhodné premenné transformova´ a kombinova´.
Veta 3.7. Nech B1 , B2 , . . . ∈ Bn sú navzájom disjunktné a také, ºe ∪∞ n

i=1 Bi = R . Nech
g1 , g2 , . . . sú spojité funkcie na Rn . Potom funkcia g : Rn → R sp¨¬ajúca g(x) = gi (x) pre
v²etky x ∈ Bi , je borelovská (funkcia g je po £astiach spojitá).
Veta 3.8. Nech X1 , . . . , Xn sú náhodné premenné a nech g je borelovská funkcia. Potom

aj zobrazenie g(X1 , . . . , Xn ) : Ω → R denované g(X1 , . . . , Xn )(ω) = g(X1 (ω), . . . , Xn (ω)),
ω ∈ Ω, je náhodnou premennou.
Dôleºité je uvedomi´ si to, ºe prakticky kaºdá slu²ná funkcia z Rn do R sa dá napísa´

v tvare po £astiach spojitej funkcie g, a preto prakticky akáko©vek funkcia jednej, alebo
viacerých náhodných premenných je tieº náhodnou premennou. Povedzme, ak je X náhodná
2 2
premenná, tak aj X je náhodná premenná (lebo transforma£ná funkcia g(x) = x je spojitá),
ak X1 , X2 sú náhodné premenné, tak aj X1 + X2 je náhodná premenná (lebo transforma£ná
2 d|X2 |e
funkcia g(x1 , x2 ) = x1 + x2 je spojitá na R ), ale aj napríklad X1 , kde d·e ozna£uje hornú
d|x2 |e
celú £as´, je náhodná premenná (pretoºe príslu²ná transforma£ná funkcia g(x1 , x2 ) = x1 sa
dá napísa´ v tvare zo znenia vety ako funkcia po £astiach spojitá na spo£ítate©nom systéme
dvojrozmerných borelovských mnoºín).
3.2 Distribu£ná funkcia náhodnej premennej
Denícia 3.9 (Distribu£ná funkcia ). Distribu£nou funkciou náhodnej premennej X

nazývame funkciu F : R → R, ktorá je v bode x∈R denovaná
F (x) = P [X < x].

Príklad 3.10. Hádºeme dvakrát mincou. Nech náhodná premenná X po£et znakov v týchto
dvoch hodoch. Potom distribu£ná funkcia náhodnej premennej X je (pozri panel (a) na ob-
rázku 3.2)


 0 ak x≤0

1/4 ak 0<x≤1
F (x) =


 3/4 ak 1<x≤2

1 ak x > 2.
Veta 3.11 (Základné vlastnosti distribu£nej funkcie ). Nech F je distribu£ná funkcia akejko©-
vek náhodnej premennej X. Potom platí:
1. 0 ≤ F (x) ≤ 1 pre v²etky x ∈ R,

2. F je neklesajúca a spojitá z©ava,
3. limx→∞ F (x) = 1 a limx→−∞ F (x) = 0.

Dôkaz. Vlastnos´ 0 ≤ F (x) ≤ 1 pre kaºdé x ∈ R je zrejmá. Neklesajúcos´ F je tieº jedno-
duchá: ak x ≤ y sú dve reálne £ísla, tak F (x) = P [X < x] ≤ P [X < y] = F (y), pretoºe
[X < x] ⊆ [X < y].
Dokáºeme spojitos´ z©ava. Nech a ∈ R. Pre kaºdé prirodzené £íslo n platí [X < a − 1/n] ⊆
[X < a − 1/(n + 1)], takºe z neklesajúcosti distribu£nej funkcie a vety 1.41 o spojitosti
pravdepodobnosti zdola: limx→a− F (x) = limn→∞ F (a − 1/n) = limn→∞ P [X < a − 1/n] =
P (∪∞
n=1 [X < a − 1/n]) = P [X < a] = F (a).
Podobne odvodíme: limx→∞ F (x) = limn→∞ F (n) = limn→∞ P [X < n] = P (∪∞
n=1 [X <
n]) = P (Ω) = 1. Rovnos´ limx→−∞ F (x) = 0 môºeme dokáza´ analogicky.
Veta 3.12 (Pravdepodobnosti intervalov vyjadrené pomocou F ). Nech F je distribu£ná funkcia

náhodnej premennej X. Nech a, b ∈ R, pri£om a < b. Potom platí
1. P [a ≤ X < b] = F (b) − F (a), P [a ≤ X] = 1 − F (a),

2. P [a ≤ X ≤ b] = lim+ F (x) − F (a), P [X = a] = lim+ F (x) − F (a),
x→b x→a
3. P [a < X < b] = F (b) − lim+ F (x), P [a < X] = 1 − lim+ F (x),

x→a x→a
4. P [a < X ≤ b] = lim+ F (x) − lim+ F (x), P [X ≤ b] = lim+ F (x).

x→b x→a x→b
Dôkaz. Priamo z denície máme P [a ≤ X < b] = P [X < b] − P [X < a] = F (b) − F (a).

Ukáºeme e²te napríklad P [X = a] = limx→a+ F (x) − F (a); ostatné rovnosti je moºné dokáza´
∞
bu¤ z tejto rovnosti, alebo analogicky. P [X = a] = P (∩n=1 [a − 1/n ≤ X < a + 1/n]) =
limn→∞ P [a−1/n ≤ X < a+1/n] = limn→∞ (F (a+1/n)−F (a−1/n)) = limx→a+ F (x)−F (a).
Druhá rovnos´ plynie zo spojitosti pravdepodobnosti, posledná rovnos´ plynie z toho, ºe F je
spojitá z©ava.
Obr. 3.2: Typické distribu£né funkcie náhodných premenných. Panel (a) zobrazuje distribu£nú
funkciu náhodnej premennej z príkladu 3.10, ktorá zodpovedá takzvanému binomickému roz-
deleniu s parametrami n=2 a p = 1/2; vi¤ £as´ 4.3.3. Ostatné panely taktieº zodpovedajú
náhodným premenným s rozdeleniami základných typov, ktoré si vysvetlíme v neskor²ích ka-
pitolách. Poznamenajme e²te, ºe distribu£né funkcie na paneloch (a), (b) síce nie sú spojité,
ale sú spojité z©ava, £o obrázok nezachytáva.
3.3 Kvantilová funkcia náhodnej premennej
Pojem kvantilovej funkcie a kvantilov náhodnej premennej je dôleºitý napríklad pre testo-
vanie ²tatistických hypotéz, robustné ²tatistické metódy a po£íta£ové simulovanie realizácií
náhodných premenných.
Denícia 3.13 (Kvantilová funkcia ). Nech F : R → [0, 1] je distribu£ná funkcia náhodnej

premennejX . Kvantilovou funkciou náhodnej premennej X , alebo tieº kvantilovou funkciou
distribu£nej funkcie F, nazývame funkciu G : (0, 1) → R denovanú
G(u) = sup {x ∈ R : F (x) ≤ u} pre v²etky u ∈ (0, 1). (3.1)
Poznámka 3.14. V²imnime si, ºe kvantilová funkcia je dobre denovaná, pretoºe mnoºina na
pravej strane rovnosti (3.1) je vºdy neprázdna, ke¤ºe limx→−∞ F (x) = 0. ahko nahliadneme,
ºe kvantilová funkcia je neklesajúca. S trochou úsilia sa dá ukáza´, ºe kvantilová funkcia je
spojitá sprava.
Poznámka 3.15. Nech F je distribu£ná funkcia a nech I = {x ∈ R : 0 < F (x) < 1}.
Distribu£né funkcie pouºívané v aplikáciách majú £asto tú vlastnos´, ºe sú spojité na celom
R a striktne rastúce na I. (V²imnime si, ºe ak je F R, tak I je otvorený interval.)
spojitá na
Je jednoduché ukáza´, ºe v takom prípade je kvantilová funkcia G spojitá a rastúca na celom
intervale (0, 1) a je zárove¬ inverzná funkcia k funkcii, ktorá je zúºením F na interval I .
Denícia 3.16 (Kvantily náhodnej premennej ). G : (0, 1) → R je kvantilová funkcia

Nech
náhodnej premennej X . Hodnotu G(u) pre u ∈ (0, 1) nazývame 100u-percentným kvanti-
lom rozdelenia náhodnej premennej X . Hodnotu G(1/2), £iºe 50-percentný kvantil, nazývame
medián náhodnej premennej X , ktorý budeme ju zna£i´ m(X).
Poznámka 3.17. V typickom prípade spomenutom v poznámke 3.15 zjavne platí tvrdenie:
P [X < m(X)] = P [X > m(X)] = 1/2 (a navy²e P [X = m(X)] = 0). Medián je teda istá
miera stredu rozdelenia náhodnej premennej X.
Veta 3.18. Nech X je náhodná premenná. Potom pre akúko©vek monotónnu borelovskú
funkciu g:R→R platí: m(g(X)) = g(m(X)).
Ve©mi uºito£ným nástrojom je po£íta£ové simulovanie reálnych dejov. Pri simulovaní máme
typicky k dispozícii procedúru, ktorá dokáºe generova´ realizáciu náhodnej premennej U s
takzvaným rovnomerným rozdelením na intervale (0, 1), ktoré bliº²ie opisujeme v £asti 5.3.1.
Nasledovná veta sa vyuºíva na prevod medzi náhodnou premennou U a takou náhodnou
premennou, ktorá má iné rozdelenie ako rovnomerné na intervale (0, 1)6 .
Veta 3.19 (Veta o inverznej transformácii ). Nech F je distribu£ná funkcia akejko©vek ná-
hodnej premennej a nech G je kvantilová funkcia funkcie F. Nech náhodná premenná U má
rozdelenie R(0, 1). Potom náhodná premenná G(U ) má distribu£nú funkciu F.
Dôkaz. Vetu je moºné ve©mi jednoducho ukáza´ pre prípad, ºe F je funkcia, ktorá je rastúca
a spojitá na celom R, £o je in²truktívne cvi£enie pre £itate©a. Uvedieme v²ak dôkaz vety o
inverznej transformácii v jej plnej v²eobecnosti.
6 Po£íta£ové generovanie realizácií je zaujímavý, av²ak netriviálny proces, ktorému sa v tejto základnej
u£ebnici nebudeme podrobnej²ie venova´.
Najprv ukáºeme, ºe pre kaºdé z ∈ R a pre kaºdé u ∈ (0, 1) platí G(u) < z ⇔ u < F (z),
alebo ekvivalentne, ºe pre kaºdé z ∈ R a pre kaºdé u ∈ (0, 1) platí G(u) ≥ z ⇔ F (z) ≤ u.
Ozna£me Mu = {z ∈ R : F (z) ≤ u}. Ak F (z) ≤ u, potom z ∈ Mu a teda G(u) = sup Mu ≥
z . Tým sme ukázali implikáciu ⇒. Opa£ná implikácia plynie nasledovne: Nech G(u) =
sup Mu ≥ z . Z denície suprema dostávame, ºe pre kaºdé n ∈ N existuje zn ∈ Mu , t.j. zn
sp¨¬ajúce F (zn ) ≤ u, pre ktoré z−1/n ≤ zn . Z neklesajúcosti F máme F (z−1/n) ≤ F (zn ) ≤ u
a zo spojitosti z©ava dostávame F (z) ≤ u. Tým sme ukázali aj opa£nú implikáciu.
Teraz uº môºeme vyjadri´ distribu£nú funkciu náhodnej premennej G(U ), kde U ∼ R(0, 1)
v bode z ∈ R: FG(U ) (z) = P [G(U ) < z] = P [U < F (z)] = F (z).
Ak chceme pouºi´ vetu 3.19 na generovanie realizácií náhodnej premennej s distribu£nou

funkciou F, potrebujeme po£íta´ hodnoty príslu²nej kvantilovej funkcie G. Tento výpo£et
môºe, ale nemusí by´ numericky obtiaºny. Typické situácie, ke¤ je tento výpo£et relatívne
jednoduchý sú ke¤ F zodpovedá takzvanému diskrétnemu rozdeleniu pravdepodobnosti (vi¤
nasledujúci príklad; podrobnej²ie o diskrétnych náhodných premenných v ¤al²ej kapitole),
exponenciálnemu rozdeleniu (veta 5.17), alebo Paretovmu rozdeleniu (veta 5.22).
Príklad 3.20 (GenerovanieP

diskrétneho rozdelenia s kone£ným nosi£om ). Nech p1 , p2 , . . . , pn
n
sú nezáporné £ísla také, ºe pi = P
i=1 1 a nech x1 < x2 < . . . < xn . Uvaºujme distribu£nú
funkciuF (x) =0 pre x ≤ x1 aF (x) = i:xi <x pi pre x > x1 . (F je distribu£ná funkcia takz-
vanej diskrétnej náhodnej premennej, ktorá nadobúda hodnoty x1 , . . . , xn s pravdepodobnos-
ámi p1 , . . . , pn .) Kvantilová funkcia takejto distribu£nej funkcie je G(y) = x1 ak 0 < y < p1
Pk−1 Pk
a G(y) = xk ak i=1 pi ≤ y < i=1 pi pre k = 2, . . . , n. Realizácie príslu²nej diskrétnej
náhodnej premennej preto môºeme generova´ ako G(U ), kde U ∼ R(0, 1).
Konkrétnej²ie, interval (0, 1) rozbijeme na intervaly I1 = (0, p1 ), I2 = [p1 , p1 + p2 ), I3 =
[p1 + p2 , p1 + p2 + p3 ),. . . , In = [1 − pn , 1). Ak realizácia u ∈ (0, 1) náhodnej premennej
U ∼ R(0, 1) padne do intervalu Ik , tak xk môºeme povaºova´ za realizáciu diskrétnej náhodnej
premennej s distribu£nou funkciou F . Efektivita generovania pomocou tohto princípu ve©mi
závisí na tom, ako rýchlo dokáºeme identikova´ interval, do ktorého padlo £íslo u.
Kapitola 4
Diskrétne náhodné premenné
4.1 Základné vlastnosti diskrétnych náhodných premen-

ných
Diskrétnu náhodnú premennú pouºívame ako model neur£itosti pre taký výsledok pozorova-
nia, merania, £i experimentu, o ktorom vopred vieme, ºe bude patri´ do nejakej spo£ítate©nej
1
podmnoºiny reálnych £ísel. Diskrétna náhodná premenná môºe reprezentova´ napríklad vý-
sledok hodu kockou, po£et priate©ov náhodne zvoleného £lena sociálnej siete, po£et iterácií
znáhodneného algoritmu a podobne.
Denícia 4.1 (Diskrétna náhodná premenná ). Náhodnú premennú X na pravdepodobnost-

nom priestore (Ω, S, P ) nazývame diskrétna, ak jej obor hodnôt X(Ω) ⊂ R je spo£ítate©ná
mnoºina.
Hovoríme, ºe diskrétna náhodná premenná X nadobúda spo£ítate©ne ve©a hodnôt a ºe

diskrétna náhodná premenná X x s pravdepodobnosóu P [X = x]. Funkcia,
nadobúda £íslo
ktorá prira¤uje pravdepodobnos´ P [X = x] £íslam x ∈ X(Ω) budeme nazýva´ pravdepodob-
nostná funkcia diskrétnej náhodnej premennej X .
Poznámka 4.2. V²imnite si, ºe ak X1 , . . . , Xn sú diskrétne náhodné premenné a g : Rn →

R je akáko©vek borelovská funkcia, tak g(X1 , . . . , Xn ) je tieº diskrétna náhodná premenná,
pretoºe jej obor hodnôt musí by´ spo£ítate©ný.
4.2 íselné charakteristiky diskrétnych náhodných pre-

menných
2
Náhodným premenným môºeme priradi´ rôzne £íselné charakteristiky. Najzákladnej²ou z
£íselných charakteristík náhodnej premennej je takzvaná stredná hodnota, ktorá zodpovedá
centru rozdelenia pravdepodobnosti. Jej denícia pre diskrétne náhodné premenné je nasle-
3
dovná.
1 Naj£astej²ie je touto mnoºinou nejaká podmnoºina celých £ísel.
2 S £íselnými charakteristikami, ktoré nazývame kvantily, sme sa uº stretli v £asti 3.3.
3 Strednú hodnotu je moºné denova´ aj pre v²eobecnú náhodnú premennú, vyºaduje si to ale hlb²ie tech-
nické základy. V tejto u£ebnici denujeme strednú hodnotu osobitne diskrétne náhodné premenné, pre takz-
32
Denícia 4.3 (Stredná hodnota

P diskrétnej náhodnej premennej ). Nech X je diskrétna ná-
hodná premenná a nech rad x∈X(Ω) xP [X = x] absolútne konverguje. Potom hovoríme, ºe
náhodná premenná X má kone£nú strednú hodnotu E(X) a kladieme:
X
E(X) = xP [X = x].
x∈X(Ω)
Ak rad na pravej strane absolútne nekonverguje, hovoríme, ºe náhodná premenná X nemá

4
kone£nú strednú hodnotu.
Poznámka 4.4.
P
Pod absolútnou konvergenciou radu
P x∈X r(x), kde X je spo£ítate©ná mno-
ºina, myslíme to, ºe i |r(xi )| < ∞, pri£om x1 , x2 , . . . je (akéko©vek) o£íslovanie prvkov
P
mnoºiny X. Absolútna konvergencia zaru£uje, ºe hodnota x∈X r(x) je kone£ná a rovnaká
nezávislé na tom, v akom poradí s£itujeme £leny tohoto radu.
Poznámka 4.5. Fyzikálne sa dá na strednú hodnotu pozera´ ako na áºisko rozdelenia

diskrétnej náhodnej premennej: Majme náhodnú premennú X s kone£nou strednou hodno-
tou a nech X(Ω) = {x1 , x2 , . . .}. Uvaºujme systém hmotných bodov s hmotnosámi P [X =
x1 ], P [X = x2 ], . . . leºiacich na orientovanej priamke p vo vzdialenostiach x1 , x2 , . . . od pevne
zvoleného bodu O v smere orientácie tejto priamky. Potom áºisko tohto systému bodov bude
leºa´ na p, presne vo vzdialenosti E(X) od bodu O v smere orientácie priamky p.
Veta 4.6 (Linearita strednej hodnoty ). Nech X a Y sú diskrétne náhodné premenné, ktoré
majú kone£nú strednú hodnotu. Nech a, b sú reálne £ísla. Potom aj diskrétna náhodná pre-
menná aX + bY má kone£nú strednú hodnotu a platí
E(aX + bY ) = aE(X) + bE(Y ).
peciálne, E(aX) = aE(X) a E(X + Y ) = E(X) + E(Y ).

Dôkaz. Obor hodnôt náhodnej premennej aX + bY je ur£ite podmnoºinou mnoºiny aX(Ω) +
bY (Ω), kde X(Ω) a Y (Ω) sú obory hodnôt náhodných premenných X a Y . Z denície strednej
hodnoty a aditivity (prípade σ -aditivity) pravdepodobnosti dostávame:
X
E(aX + bY ) = zP [aX + bY = z]
z∈aX(Ω)+bY (Ω)
X X
= (ax + by)P [X = x, Y = y]
x∈X(Ω) y∈Y (Ω)
X X X X
= a x P [X = x, Y = y] + b y P [X = x, Y = y]
x∈X(Ω) y∈X(Ω) y∈Y (Ω) x∈X(Ω)
X X
= a xP [X = x] + b yP [Y = y] = aE(X) + bE(Y ).
x∈X(Ω) y∈Y (Ω)
(V prípade, ºe by predchádzajúce rovnosti súm boli nejasné, je in²truktívne si ich platnos´

premyslie´ pre ²peciálny prípad, napríklad taký, ºe X(Ω) = Y (Ω) = {0, 1}, a = b = 1.)
vané spojité náhodné premenné a nedenujeme vôbec pre náhodné premenné, ktoré nie sú ani diskrétne, ani
spojité. Analogicky postupujeme v prípade rozptylu náhodných premenných.
4 Ak jeX nezáporná náhodná premenná a
P
xP [X = x] = ∞, tak sa niekedy hovorí, ºe náhodná
x∈X(Ω)
premenná X má nekone£nú strednú hodnotu.
Veta 4.7 (Stredná hodnota funkcie diskrétnej náhodnej premennej ). Nech X je diskrétna
náhodná premenná a nech g : R → R je funkcia.
P Potom g(X) je diskrétna náhodná premenná
a jej stredná hodnota je kone£ná, ak rad x∈X(Ω) g(x)P [X = x] absolútne konverguje. V
takom prípade platí:
X
E(g(X)) = g(x)P [X = x].
x∈X(Ω)
Dôkaz.
P
Ozna£me Y = g(X). Potom P [Y = y] = g(x)=y P [X = x]. Stredná hodnota teda je
X X X
E(g(X)) = E(Y ) = yP [Y = y] = y P [X = x]
y∈Y (Ω) y∈Y (Ω) g(x)=y
X
= g(x)P [X = x].
y∈Y (Ω)
Popri strednej hodnote je druhou základnou £íselnou charakteristikou takzvaný rozptyl ná-
hodnej premennej, ktorý je mierou ²írky rozdelenia tejto náhodnej premennej. Pre diskrétne
náhodné premenné je denovaný nasledovne.
Denícia 4.8 (Rozptyl diskrétnej náhodnej premennej ). Nech X je diskrétna náhodná pre-
2
menná a nech náhodná premenná X má kone£nú strednú hodnotu. Potom hovoríme, ºe
náhodná premenná X má kone£ný rozptyl5 D(X) a kladieme:
D(X) = E (X − E(X))2 .

Ak náhodná premenná X2 nemá kone£nú strednú hodnotu, tak hovoríme, ºe X má nekone£ný

rozptyl.
Poznámka 4.9. Predchádzajúca denícia implicitne vyuºíva nasledovné tvrdenie, ktoré ne-
budeme dokazova´: ak má X 2 kone£nú strednú hodnotu, tak samotná náhodná premenná X
2
má tieº kone£nú strednú hodnotu a náhodná premenná (X − E(X)) má taktieº kone£nú
strednú hodnotu.
Poznámka 4.10. Podobne ako stredná hodnota náhodnej premennej, aj rozptyl sa dá intu-
itívne pochopi´ pomocou fyzikálnej predstavy. Ak uvaºujeme systém hmotných bodov ako v
poznámke 4.5, tak rozptyl náhodnej premennej X je úmerný kinetickej energii takéhoto sys-
tému, ak by sa to£il okolo áºiska (ktoré má polohu ur£enú strednou hodnotou) kon²tantnou
kruhovou rýchlosóu.
Veta 4.11 (Základné vlastnosti rozptylu diskrétnej náhodnej premennej ). Nech X je diskrétna
náhodná premenná, ktorá má kone£ný rozptyl a nech a, b sú reálne £ísla. Potom aj diskrétna
náhodná premenná aX + b má kone£ný rozptyl a platí:
D(X) = E(X 2 ) − E(X)2 ,

D(aX + b) = a2 D(X).
5 asto sa v slovenskom jazyku pouºíva aj synonymum disperzia, niekedy aj variancia.
Dôkaz. D(X) = E((X − E(X))2 ) =

Z denície rozptylu a linearity strednej hodnoty máme:
E(X 2 − 2(E(X))X + (E(X)) ) = E(X ) − 2(E(X))(E(X)) + (E(X))2 = E(X 2 ) − (E(X))2 .
2 2
Dôkaz druhej £asti vety je podobne jednoduché cvi£enie.
Ak diskrétna náhodná premenná X nadobúda hodnoty (xi )i∈I s nenulovou pravdepodob-

nosóu a ak má kone£nú strednú hodnotu, tak z vety 4.7 a predchádzajúcej vety plynie, ºe
rozptyl X môºeme vypo£íta´ pod©a ktoréhoko©vek z nasledujúcich dvoch vzorcov
− E(X))2 P [X = xi ],
P
1. D(X) = i∈I (xi
x2i P [X = xi ] − (E(X))2
P
2. D(X) = i∈I
Poznámka 4.12. Stredná hodnota a rozptyl náhodných premenných sú ²peciálne prípady

£íselných charakteristík nazývaných momenty. Presnej²ie, ak je k prirodzené £íslo, tak takz-
vaný po£iato£ný moment k -teho rádu sa denuje ako E(X k ) a, v prípade ºe existuje
k
µ = E(X), tak takzvaný centrálny moment k -teho rádu sa denuje ako E((X − µ) ).
Stredná hodnota náhodnej premennej je teda jej po£iato£ný moment prvého rádu a rozptyl
je jej centrálny moment druhého rádu. Dá sa ukáza´, ºe existencia a kone£nos´ momentu k-
teho rádu implikuje existenciu a kone£nos´ momentov niº²ích rádov. Momenty vy²²ích rádov
ako druhého sa v pravdepodobnosti a ²tatistike pouºívajú napríklad na deníciu ²ikmosti a
²picatosti náhodnej premennej, alebo tým spôsobom, ºe ich existencia a kone£nos´ zaru£uje
platnos´ niektorých pokro£ilej²ích teoretických tvrdení. V tomto texte sa nebudeme zaobera´
momentami rádov vy²²ích ako 2.
4.3 Základné typy diskrétnych náhodných premenných
4.3.1 Diskrétne rovnomerné rozdelenie
Denícia 4.13. Hovoríme, ºe diskrétna náhodná premenná X má diskrétne rovnomerné

rozdelenie na mnoºine {x1 , . . . , xn }, ak nadobúda hodnoty x1 , . . . , xn , kaºdú s rovnakou
1
pravdepodobnosóu, teda P [X = xi ] = n
pre v²etky i = 1, . . . , n.
Veta 4.14. Nech X má diskrétne rovnomerné rozdelenie na mnoºine {x1 , . . . , xn }. Potom
n n
1X 1X 2
E(X) = xi , D(X) = xi − (E(X))2 .
n i=1 n i=1
peciálne, pre náhodnú premennú X s rovnomerným rozdelením na mnoºine {a, a + δ, . . . , a +

(n − 1)δ}, kde δ 6= 0, platí
n−1 n2 − 1 2
E(X) = a + δ, D(X) = δ .
2 12
Dôkaz. Dôkaz prvej £asti plynie priamo z denície strednej hodnoty a rozptylu. Dôkaz druhej
£asti je jednoduché cvi£enie, vyuºívajúce vzorec pre sú£et £lenov aritmetickej postupnosti a
vzorec pre sú£et £lenov druhých mocnín aritmetickej postupnosti, ktorý je moºné odvodi´
Pn−1 2
pomocou vzáhu i=0 i = n(n − 1)(2n − 1)/6.
Poznámka 4.15. Diskrétne rovnomerné rozdelenie na mnoºine {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} zod-

povedá rovnomernému náhodnému výberu dekadickej cifry (vi¤ obrázok 4.1).
Obr. 4.1: Pravdepodobnosti P [X = x] a distribu£ná funkcia náhodnej premennej s rovnomer-

ným rozdelením na mnoºine {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}.
4.3.2 Alternatívne rozdelenie
Denícia 4.16 (Alternatívne rozdelenie ). Hovoríme, ºe diskrétna náhodná premenná X má

alternatívne rozdelenie s parametrom p ∈ (0, 1), ak P [X = 0] = 1 − p a P [X = 1] = p.
Túto skuto£nos´ zna£íme X ∼ Alt(p).6
Príklad 4.17. Hádºeme mincou, na ktorej padne znak s pravdepodobnosóu p. Potom ná-
hodná premenná (
1 ak padne znak,
X=
0 ak padne hlava
má alternatívne rozdelenie X ∼ Alt(p).

Veta 4.18. Nech X ∼ Alt(p). Potom E(X) = p a D(X) = p(1 − p).
Dôkaz. Dôkaz je jednoduché cvi£enie.
4.3.3 Binomické rozdelenie
Denícia 4.19 (Binomické rozdelenie ). Hovoríme, ºe diskrétna náhodná premenná X má

binomické rozdelenie s parametrami p ∈ (0, 1) a n ∈ N, ak pre kaºdé k = 0, 1, . . . , n platí

n k
P [X = k] = p (1 − p)n−k .
k
Túto skuto£nos´ zna£íme X ∼ Bin(n, p).

Príklad 4.20. Hádºeme mincou z predchádzajúceho príkladu n krát. Denujme náhodnú
premennú X ako po£et znakov, ktorý padne v týchto n hodoch. Potom X má binomické
rozdelenie X ∼ Bin(n, p).
Obr. 4.2: Pravdepodobnosti P [X = x] a distribu£ná funkcia náhodnej premennej s rozdelením

Bin(7, 0.4).
Veta 4.21. Nech X ∼ Bin(n, p). Potom E(X) = np a D(X) = np(1 − p).
Dôkaz. Nech X ∼ Bin(n, p), q = 1 − p. Platí:
n n
X n k n−k X n!
E(X) = k p q = k pk q n−k =
k=0
k k=1
(n − k)!k!
n n−1
X (n − 1)! X (n − 1)!
np pk−1 q n−k = np pi q (n−1)−i =
k=1
(n − k)!(k − 1)! i=0
((n − 1) − i)!i!
n−1
X n − 1 i (n−1)−i
np pq = np(p + q)n−1 = np.
i=0
i
n−1
Posledná rovnos´ plynie z binomického rozvoja sú£tu (p+q) . Podobne odvodíme E(X(X −
Pn n k n−k

1)) = k=2 k(k − 1) k p q = n(n − 1)p a preto D(X) = E((X)2 ) − (E(X))2 = E(X(X −
2
1)) + E(X) − (E(X))2 = n(n − 1)p2 + np − n2 p2 = np(1 − p).
Poznámka 4.22. Náhodná premenná X s rozdelením Bin(n, p) zodpovedá po£tu úspechov,

ak robíme n nezávislých pokusov a pravdepodobnos´ úspechu v kaºdom pokuse je p. V²imnite
si tieº, ºe X ∼ Alt(p) vtedy a len vtedy, ke¤ X ∼ Bin(1, p).
Príklad 4.23. Pre potreby genetického algoritmu modelujeme chromozóm d¨ºky n postup-
nosóu n binárnych hodnôt 0 alebo 1. Nech x je chromozóm pozostávajúci z k jednotiek a
n−k núl. Chromozóm y vytvoríme z chromozómu x náhodnou mutáciou, t.j. tak, ºe kaºdý
bit preklopíme na opa£ný s pravdepodobnosóu p. Nájdime strednú hodnotu po£tu jednotiek,
ktoré bude obsahova´ chromozóm y.
6 Alternatívne rozdelenie sa niekedy nazýva aj Bernoulliho, alebo nula-jednotkové rozdelenie.
Rie²enie: Ak za úspech budeme povaºova´ to, ºe dôjde k preklopeniu bitu, tak je zrejmé,
ºe po£et N0→1 nulových bitov chromozómu x, ktoré sa zmenia na jednotku, má rozdelenie
Bin(n − k, p) a po£et N1→1 jednotkových bitov chromozómu x, ktoré sa pri mutácii nezmenia,
má rozdelenie Bin(k, 1 − p). Vidíme, ºe pre po£et N jednotkových bitov chromozómu y platí
N = N0→1 + N1→1 , a teda na základe linearity strednej hodnoty a vety 4.21 dostávame:
E(N ) = E(N0→1 ) + E(N1→1 ) = (n − k)p + k(1 − p).
Príklad 4.24. Hráme hru, v ktorej sa áhajú 4 £ísla zo 40. Vyhráme, ak uhádneme v²etky
²tyri £ísla. Ur£me pravdepodobnos´, ºe ak sa hry zú£astníme 500 krát, vyhráme raz alebo
dvakrát.
Rie²enie: Ak pravdepodobnos´ výhry v jednej hre ozna£íme p, máme
4 36

p= 4
0
40 ≈ 1.1 × 10−5 .
4
Potom náhodná premenná X, ktorá ozna£uje po£et výhier v 500 hrách, má binomické rozde-
lenie s parametrami 500 a pa

500 499 500 2
P [X = 1 ∨ X = 2] = p(1 − p) + p (1 − p)498 ≈ 0.00546.
1 2
V takomto prípade, ke¤ je n ve©ké a p ve©mi malé, je výhodnej²ie aproximova´ bino-
mické rozdelenie nasledovným spôsobom.
Veta 4.25 (Poissonova limitná veta). Majme postupnos´ náhodných premenných Xn1 , Xn1 +1 , . . .
pri£om Xn ∼ Bin(n, λ/n), kde 0 < λ ≤ n1 . Potom pre kaºdé k ∈ {0, 1, 2, . . .} platí
λk
lim P [Xn = k] = e−λ . (4.1)
n→∞ k!
Dôkaz. k n−k
n λ λ
lim P [Xn = k] = lim 1− =
n→∞ n→∞ k n n
−k n
λk n n − 1 n − k + 1 λ λ
lim ... 1− 1− .
k! n→∞ n n n n n
Av²ak zrejme platí
n n − 1 −k
n−k+1 λ
lim ... 1− = 1,
n→∞ n n n n
n
λ
lim 1 − = e−λ .
n→∞ n
Z predchádzajúcich rovností dostávame poºadované tvrdenie.
Poznámka 4.26. Akej ve©kej chyby sa dopustíme, ak na základe vzáhu (4.1) nahradíme
−λ k
hodnotu P [Xn = k] £íslom e λ /k!, pre kone£né n? Dá sa ukáza´, ºe
∞ k

X
P [Xn = k] − e−λ λ ≤ 2λ min(2, λ).
k=0
k! n
.

P o(2.8).
Príklad 4.27. Predpokladajme, ºe pri prenose binánych dát cez ur£itý komunika£ný kanál
dochádza k preklopeniu bitu na opa£ný s pravdepodobnosóu p = 10−6 . Udalosti preklopenia
bitu na opa£ný sa vyskytujú navzájom nezávisle a k iným typom chyby prenosu dát nedochá-
6
dza. Odhadnime pravdepodobnos´, ºe pri prenose 10 bitov dôjde k viac ako dvom chybám
prenosu.
Rie²enie: Po£et X P2Bin(n,
preklopení bitov na opa£ný má rozdelenie
6
p), kde n = 10 a p =
−6 −λ k
10 . Pod©a Poissonovej limitnej vety platí P [X ∈ {0, 1, 2}] ≈ i=0 e λ /k!, kde λ = np = 1,
numericky P [X ∈ {0, 1, 2}] ≈ 0.9197. H©adaná pravdepodobnos´ je teda P [X > 2] ≈ 0.0803.
Pod©a poznámky 4.26 je chyba, ktorej sme sa dopustili Poissonovou aproximáciou, rádovo
−6
maximálne na úrovni 10 .
4.3.4 Poissonovo rozdelenie
Denícia 4.28 (Poissonovo rozdelenie ). Hovoríme, ºe diskrétna náhodná premenná X má

Poissonovo rozdelenie s parametrom λ > 0, ak pre kaºdé k = 0, 1, 2, . . . platí
k
−λ λ
P [X = k] = e .
k!
Túto skuto£nos´ zna£íme X ∼ P o(λ).
Veta 4.29. Nech X ∼ P o(λ). Potom E(X) = λ a D(X) = λ.
Dôkaz. ∞ ∞
k
X
−λ λ −λ
X λk−1
E(X) = ke =e λ = e−λ λeλ = λ.
k=0
k! k=1
(k − 1)!
Podobne máme
∞ k ∞
X
−λ λ −λ 2
X λk−2
E(X(X − 1)) = k(k − 1)e =e λ = e−λ λ2 eλ = λ2 .
k=0
k! k=2
(k − 2)!
Preto D(X) = E((X)2 ) − (E(X))2 = E(X(X − 1)) + E(X) − (E(X))2 = λ2 + λ − λ2 = λ.

Poissonovo rozdelenie sa pouºíva napríklad na modelovanie po£tu rozpadov atómov rá-
dioaktívnej látky za ur£itý £as, volaní na telefónnu ústred¬u, impulzov prichádzajúcich na
neurónovú bunku po£as ur£itého £asového úseku a podobne. Poissonovo rozdelenie je tieº li-
mitným rozdelením niektorých postupností náhodných premenných; iný príklad aproximácie
neº predstavuje veta 4.25 je uvedený v nasledujúcom príklade.
Príklad 4.30. Nech n ∈ N a nech Xn znamená po£et prvkov, ktoré zostanú na svojom pôvod-
nom mieste po dokonalej náhodnej permutácii postupnosti (1, . . . , n). Dokáºeme, ºe limitné
rozdelenie náhodných premenných Xn je P o(1), t.j. ºe limn→∞ P [Xn = k] = e−1 /k! pre kaºdé
nezáporné celé £íslo k.
Rie²enie: Najprv si uvedomme, ºe pn = P [Xn > 0] sme uº ur£ili v príklade 1.37. Poloºme
qn = P [Xn = 0] = 1 − pn , t.j. qn je pravdepodobnos´, ºe po náhodnej permutácii n £ísiel ne-
zostane ani jedno z nich na svojom pôvodnom mieste. Dodenujme tieº q0 = 1. Pre v²eobecné
k≥1 máme !
[
P [Xn = k] = P Bi1 ,...,ik ,
1≤i1 <...<ik ≤n
kde Bi1 ,...,ik

znamená udalos´, ºe £ísla i1 , . . . , ik zostanú na svojom pôvodnom mieste a ºiadne
n

iné £íslo nezostane na svojom pôvodnom mieste. Je zrejmé, ºe takýchto udalostí je , ºe sú
k
navzájom disjunktné a pravdepodobnos´ kaºdej takejto udalosti je
qn−k
P (Bi1 ,...,ik ) = .
n(n − 1) · · · (n − k + 1)
Spojením týchto výsledkov dostávame

n qn−k qn−k
P [Xn = k] = = .
k n(n − 1) . . . (n − k + 1) k!
Pouºitím rie²enia príkladu 1.37 máme
qn−k 1 − pn−k
lim P [Xn = k] = lim = lim = e−1 /k!.
n→∞ n→∞ k! n→∞ k!
4.3.5 Geometrické rozdelenie
Denícia 4.31 (Geometrické rozdelenie ). Hovoríme, ºe diskrétna náhodná premenná X má

geometrické rozdelenie s parametrom p ∈ [0, 1], ak pre kaºdé k = 0, 1, 2, . . . platí
P [X = k] = p(1 − p)k .
Túto skuto£nos´ zna£íme X ∼ Geo(p).


Geo(0.5).
Príklad 4.32. Hádºeme mincou, na ktorej padne znak s pravdepodobnosóu p. Potom ná-
hodná premenná, ktorá reprezentuje po£et hodov, kým nepadne prvýkrát znak, má geomet-
rické rozdelenie s parametrom p.
Veta 4.33. Nech X ∼ Geo(p). Potom platí E(X) = (1 − p)/p a D(X) = (1 − p)/p2 .
Dôkaz.
P∞ k −1
Pre kaºdé q ∈ (0, 1) platí f (q) = k=0 q = (1 − q) . Derivovaním funkcie f dostá-
0
P ∞ k−1 0 −2
vame jednak f (q) = k=0 kq ako aj f (q) = (1 − q) . Preto
∞
X
kq k−1 = (1 − q)−2 .
k=0
Takºe
∞
X ∞
X
E(X) = kp(1 − p)k = p(1 − p) k(1 − p)k−1 = p(1 − p)p−2 = (1 − p)/p.
k=0 k=0
Dvojnásobným derivovaním funkcie f dostaneme vzorec pre sú£et nekone£ného radu, pomocou
ktorého odvodíme rozptyl ve©mi podobne, ako sme vypo£ítali strednú hodnotu.
Náhodná premenná X s rozdelením Geo(p) zodpovedá po£tu neúspe²ných experimentov

predchádzajúcich prvý úspe²ný experiment, ak pravdepodobnos´ úspechu v jednotlivom expe-
rimente je p.
Príklad 4.34. Kódom PIN môºe by´ akáko©vek postupnos´ ²tyroch cier od 0000 po 9999.
Predpokladajme, ºe systém akceptuje kód PIN, ak správne zadáme aspo¬ 3 zo ²tyroch cier
(na zodpovedajúcich miestach). Budeme náhodne voli´ kódy PIN, aº kým ná² kód nebude
akceptovaný. (Vo©bu vykonávame tak, ºe kaºdú cifru volíme s pravdepodobnosóu 1/10 bez
oh©adu na to, £o sme volili predtým.) Aká je stredná hodnota po£tu pokusov?
Rie²enie: Pravdepodobnos´, ºe zo ²tyroch náhodne zadaných cier uhádneme aspo¬ tri je

pod©a binomickej formuly

4 3 1 4
p= (0.1) (0.9) + (0.1)4 (0.9)0 = 0.0037.
3 4
Po£et neúspe²ných experimentov X , t.j. odmietnutých kódov PIN, má rozdelenie Geo(p).

Preto stredná hodnota po£tu N = X +1 zadaní kódu PIN, so zapo£ítaním aj posledného,
úspe²ného, je pod©a vety 4.33:
1−p 1
E(N ) = E(X) + 1 = + 1 = = 10000/37 ≈ 270.
p p
Príklad 4.35. Predpokladajme, ºe ve©kos´ N

vstupu algoritmu má rozdelenie Geo(p) + 1 a
2
£as T výpo£tu algoritmu závisí od ve©kosti vstupu pod©a vzáhu T = αN + βN + γ , kde
p ∈ (0, 1), α, β, γ > 0 sú známe kon²tanty. Ur£me strednú hodnotu £asu výpo£tu T .
Rie²enie: Z linearity strednej hodnoty, vety 4.33 a vety 4.11 dostávame E(T ) = αE(N 2 ) +
βE(N ) + γ , kde E(N ) = 1/p a E(N 2 ) = D(N ) + (E(N ))2 = (1 − p)/p2 + (1/p)2 = (2 − p)/p2 .
4.3.6 Hypergeometrické rozdelenie
Denícia 4.36 (Hypergeometrické rozdelenie ). Hovoríme, ºe diskrétna náhodná premenná

X má hypergeometrické rozdelenie s parametrami M, N, n ∈ N, sp¨¬ajúcimi N < M a
n < M, ak
N M −N

k n−k
P [X = k] = M

n
pre kaºdé k = max(0, n+N −M ), . . . , min(n, N ). Túto skuto£nos´ zna£íme X ∼ Hyp(M, N, n).
Poznámka 4.37. S hypergeometrickým rozdelením sme sa uº stretli v príkladoch 1.12, 1.26 a

4.24, hoci sme e²te nepouºívali tento pojem. Predpokladajme, ºe máme urnu s M guli£kami, z
ktorých je N £iernych. Z urny (sú£asne alebo, ekvivalentne, bez vrátenia) vyberieme n guli£iek.
Ak X znamená po£et £iernych guli£iek v tomto výbere, tak X má rozdelenie Hyp(M, N, n).
Hypergeometrické rozdelenie sa pouºíva napríklad pri pravdepodobnostnej analýze lotérií, v
²tatistickej kontrole kvality ale napríklad aj pri subselekcii dátového súboru, ako ukáºeme v
nasledujúcom príklade.
Príklad 4.38. 90 objektov typu A a 10 objektov typu B. Z tohto

Dátový súbor obsahuje
súboru vyberieme rovnomerne náhodne 20 objektov ako malú reprezentatívnu vzorku. Vypo-
£ítajme pravdepodobnos´, ºe tento súbor bude obsahova´ aspo¬ 2 objekty typu B.
Rie²enie: Po£et objektov typu B, ktoré sa budú nachádza´ v selektovanej podmnoºine dát,
má hypergeometrické rozdelenie Hyp(100, 10, 20). Pravdepodobnos´, ºe vo vzorke sa bude
nachádza´ aspo¬ 2 objekty typu B je teda
10 10 90

X k 20−k
100
≈ 0.637.
k=2 20

Hyp(100, 80, 5).
Numericky jednoduch²ie je najprv vypo£íta´ hodnotu komplementárnej udalosti, £iºe udalosti,

ºe vzorka bude obsahova´ maximálne jeden objekt typu B:
1 10 90

X k 20−k
100
≈ 0.363,
k=0 20
z £oho tieº dostaneme poºadovaný výsledok.
Veta 4.39. Nech X ∼ Hyp(M, N, n). Potom

N
E(X) = n M .
Dôkaz. Pozri príklad 4.41.
Okrem uvedených parametrických tried diskrétnych rozdelení pravdepodobnosti existuje

napríklad negatívne binomické, negatívne hypergeometrické, Zipfovo a mnohé ¤al²ie, ktorými
sa v²ak v tejto u£ebnici nebudeme zaobera´.
4.4 Vyuºitie linearity strednej hodnoty na rie²enie úloh
Príklad 4.40. Dokáºme princíp zapojenia-vypojenia 1.35. Nech A1 , A2 , . . . , An sú udalosti na

pravdepodobnostnom priestore (Ω, S, P ). Pre kaºdé i = 1, . . . , n nech je Yi indikátor udalosti
Ai . Potom platí
n
! n
!
Y Y
P (∪ni=1 Ai ) = 1 − P (∩ni=1 [Yi = 0]) = 1 − P (1 − Yi ) = 1 = 1 − E (1 − Yi ) ,
i=1 i=1
Qn
kde sme vyuºili to, ºe i=1 (1 − Yi ) má alternatívne rozdelenie a stredná hodnota takejto
náhodnej premennej je pravdepodobnos´, ºe nadobudne hodnotu 1. Ak roznásobíme výraz
Qn
i=1 (1 − Yi ), vyuºijeme linearitu strednej hodnoty a fakt, ºe pre akéko©vek 1 ≤ i1 < i2 <
. . . < ik ≤ n má Yi1 · · · Yik alternatívne rozdelenie so strednou hodnotou P (Ai1 ∩ . . . ∩ Aik ),

máme
n
! n
Y X X
1−E (1 − Yi ) = (−1)k−1 E(Yi1 · · · Yik ) =
i=1 k=1 1≤i1 <i2 <...<ik ≤n
n
X X
(−1)k−1 P (Ai1 ∩ . . . ∩ Aik ).
k=1 1≤i1 <i2 <...<ik ≤n
Príklad 4.41. Nech X ∼ Hyp(M, N, n). Ur£me E(X).

Rie²enie: Ak sa chceme vyhnú´ výpo£tu komplikovaných súm, môºeme urobi´ dôkaz s
vyuºitím linearity strednej hodnoty a to nasledovne: Uvaºujme urnovú schému z poznámky
4.37. Ozna£me pre i = 1, . . . , n ako Ui náhodnú premennú, ktorá nadobúda hodnotu 1 v
prípade, ºei-ta vybratá gu©ô£ka je £ierna a hodnotuPn 0 ak je biela. Zo symetrie plynie, ºe
Ui ∼ Alt(N/M ), preto E(Ui ) = N/M . Ke¤ºe X = i=1 Ui tak máme:
n
! n
X X
E(X) = E Ui = E(Ui ) = n(N/M ).
i=1 i=1
Takto by bolo moºné odvodi´ aj rozptyl; výpo£et je v²ak zd¨havej²í.
Príklad 4.42. Nech n ∈ N, n ≥ 2 a nech Xn znamená po£et prvkov, ktoré zostanú na

svojom pôvodnom mieste po dokonalej náhodnej permutácii postupnosti (1, . . . , n), rovnako
ako v príklade 4.30. Ur£me E(Xn ) a D(Xn ).
Rie²enie: Nech Ui je indikátor udalosti, ºe £íslo
U1 , . . . , Un sú náhodné premenné, pri£om
i zostane na svojom pôvodnom mieste. To znamená, ºe Ui
1 ak £íslo i zostane na svojom
je
mieste a Ui je 0 ak £íslo i nezostane na svojom pôvodnom mieste. Zrejme Ui ∼ Alt(1/n),
t.j. E(Ui ) = 1/n pod©a vety 4.18. Ke¤ºe X = U1 + · · · + Un , dostávame z tvrdenia 4.6
E(X) = ni=1 E(Ui ) = 1.
P
Podobne, pouºitím linearity strednej hodnoty máme
n n
! n X
n
X X X
E(Xn2 ) =E Ui Uj = E(Ui Uj ).
i=1 j=1 i=1 j=1
Zrejme Ui Uj ∼ Alt(p), kde p je pravdepodobnos´, ºe zárove¬ £íslo i aj £íslo j zostane na

1 1 1
svojom mieste. Ak i = j , tak p = a ak i 6= j , tak p = . Preto
n n n−1
X XX 1 1 1
E(Xn2 ) = E(Ui Ui ) + E(Ui Uj ) = n + n(n − 1) = 2.
i
i6=j n nn−1
Z odvodených rovností a vety 4.11 dostávame
D(Xn ) = E(Xn2 ) − (E(Xn ))2 = 2 − 1 = 1.
Z príkladu 4.30 (a vety 4.29) vieme, ºe limitné rozdelenie náhodných premenných Xn má

strednú hodnotu aj rozptyl 1. Práve sme sa v²ak presved£ili, ºe E(Xn ) = D(Xn ) = 1 pre
kaºdé n.
Príklad 4.43. Nech σ = (σ1 , . . . , σn ) je permutácia postupnosti (1, . . . , n). Index i ∈ {1, . . . , n}
nazveme rekordom v permutácii σ , ak bu¤ i = 1, alebo ak i > 1 a σi > σj pre v²etky
j ∈ {1, . . . , i − 1}. Nech Xn ozna£uje po£et rekordov v dokonalej náhodnej permutácii σ
postupnosti (1, . . . , n). (Pozn.: Kvôli jednoduchosti zna£íme v tomto príklade aj pevnú aj
náhodnú permutáciu symbolom σ .) Nájdime E(Xn ) a D(Xn ).
Rie²enie: Pre v²etky i = 1, . . . , n ozna£me ako Ui náhodnú premennú, ktorá nadobúda
hodnotu 1 práve vtedy, ke¤ v náhodnej permutácii £ísiel (1, . . . , n) bude i rekordom a hodnotu
0 inak. Zjavne Xn = U1 + · · · + Un . Tieº je zrejmé, ºe pre kaºdé i ∈ {1, . . . , n} je udalos´
[i je rekord] ekvivalentná udalosti [σi = max(σ1 , . . . , σi )], ktorej pravdepodobnos´ je 1/i, pre-
toºe z dôvodov symetrie má kaºdá z i hodnôt σ1 , . . . , σi rovnakú pravdepodobnos´, ºe bude
najvä£²ia v mnoºine {σ1 , . . . , σi }. Na základe linearity strednej hodnoty dostávame:
n n
X X 1
E(Xn ) = E(Ui ) = .
i=1 i=1
i
1
Pn
Poznamenajme, ºe sú£et prvých n i=1 i ≈ ln(n) + γ , kde γ ≈
£lenov harmonického radu je
7
0, 577 je Eulerova-Mascheroniho kon²tanta. Aby sme vypo£ítali rozptyl, overme si najskôr ,
ºe pre v²etky i, j ∈ {1, . . . , n}; i < j sú udalosti [i je rekord] a [j je rekord] nezávislé a teda
E(Ui Uj ) = P [Ui Uj = 1] = P [Ui = 1, Uj = 1] = P [Ui = 1]P [Uj = 1] = ij1 . Máme preto
n X
n n n
X X X X 1 X 1
E(Xn2 ) = E(Ui Uj ) = E(Ui ) + 2 E(Ui Uj ) = +2 ,
i=1 j=1 i=1 i<j i=1
i i<j
ij
z £oho dostávame
n n
!2 n n
X 1 X 1 X 1 X 1 X 1
D(Xn ) = E(Xn2 ) − (E(Xn )) = 2
+2 − = − .
i=1
i i<j
ij i=1
i i=1
i i=1
i2
π2 π2
Pn 1
Pre ve©ké n je i=1 i2 ≈ 6
, £iºe D(Xn ) ≈ ln(n) + γ − 6
.
Príklad 4.44. Za okrúhlym stolom je rozostavených 17 stoli£iek o£íslovaných 0, . . . , 16, na

ktoré sa posadilo 12 muºov a 5 ºien. Ukáºeme, ºe existuje sedmica susedných stoli£iek, na
ktorých sedia aspo¬ tri ºeny.
Rie²enie: Najprv si denujeme (nenáhodné) kon²tanty Rk
k = 0, . . . , 16 a to
a Vk pre
nasledovne: Rk ozna£uje po£et ºien, ktoré sedia na stoli£kách s £íslami k, k + 1, . . . , k + 6
modulo 17. Vk je 1 ak na stoli£ke s £íslom k sedí ºena a v opa£nom prípade Vk denujeme ako
0.
alej náhodne zvo©me jednu stoli£ku (kaºdú s pravdepodobnosóu 1/17). Nech K je £íslo
tejto stoli£ky, t.j. K je náhodná premennú s rovnomerným rozdelením na mnoºine {0, . . . , 16}.
Pre náhodnú premennú RK platí
RK = VK + VK+1 + · · · + VK+6 ,
kde indexy stále berieme modulo 17. V²imnime si, ºe E(VK+i ) = 5/17 pre v²etky i = 0, . . . , 6,
lebo E(VK+i ) = P [VK+i = 1], £o je pravdepodobnos´, ºe na stoli£ke K + i (modulo 17) je
ºena. Máme:
E(RK ) = E(VK ) + E(VK+1 ) + · · · + E(VK+6 ) = 7 × (5/17) = 35/17 > 2.

7 ako cvi£enie
Aby mohlo plati´ E(RK ) > 2, P [RK > 2] > 0, t.j. náhodná premenná
musí by´ splnené
RK nadobúda s nenulovou pravdepodobnosóu jednu z hodnôt 3, 4, . . .. Z toho ale plynie, ºe
nutne musí existova´ aspo¬ jedna sedmica susedných stoli£iek, na ktorých sedia aspo¬ 3 ºeny.
Poznámka 4.45. Predchádzajúci príklad ukazuje, ºe pravdepodobnostné metódy môºeme

pouºi´ aj na rie²enie niektorých deterministických úloh (napríklad kombinatorických, alebo
grafových). Súhrnne sa takéto techniky nazývajú probabilistic method.
Kapitola 5
Spojité náhodné premenné
Pomocou spojitej náhodnej premennej vieme modelova´ situáciu, v ktorej pozorujeme ná-
1
hodnú £íselnú charakteristiku nadobúdajúcu nespo£ítate©ne ve©a hodnôt. Ide povedzme o
matematický model rovnomerného náhodného výberu £ísla v intervale (0, 1). V aplikáciách
sa spojité náhodné premenné £asto pouºívajú aj ako aproximácia pre náhodné premenné,
ktoré sú vo svojej podstate diskrétne, av²ak nadobúdajú ve©mi ve©ký po£et hodnôt. S takouto
spojitou aproximáciou sa £asto narába jednoduch²ie. Príkladom by mohla by´ realizácia rov-
nomerného náhodného £ísla medzi hodnotami 0 a 1, reprezentovaného vysokým, ale kone£ným
po£tom bitov.
5.1 Základné vlastnosti spojitých náhodných premenných
Denícia 5.1 (Spojitá náhodná premenná ). Nech X je náhodná premenná a nech existuje
integrovate©ná funkcia f : R → [0, ∞) taká, ºe pre kaºdé x∈R platí
Z x
F (x) = f (t)dt. (5.1)
−∞
Potom hovoríme, ºe X je spojitá náhodná premenná2 s hustotou f .

Poznámka 5.2. Hustota spojitej náhodnej premennej nie je ur£ená jednozna£ne. Skuto£ne,
◦
ak f je hustota spojitej náhodnej premennej X a funkcia f sa rovná funkcii f v²ade s
◦
výnimkou kone£ného po£tu bodov, tak aj f je hustota náhodnej premennej X , pretoºe ak
◦ ◦
platia rovnosti (5.1) pre f , tak platia aj pre f . Na druhej strane, ak sú f a f dve hustoty
◦
náhodnej premennej X , ktoré sú obe spojité na nejakom intervale (a, b), tak f (x) = f (x) pre
v²etky x ∈ (a, b).
1 Existujú v²ak aj také ²peciálne situácie, v ktorých pozorovaná charakteristika nadobúda nespo£ítate©ne
ve©a hodnôt, no nedajú sa modelova´ pomocou spojitých náhodných premenných (a samozrejme ani pomocou
diskrétnych náhodných premenných).
2 Pojem spojitej náhodnej premennej je zauºívaný, môºe v²ak by´ mätúci. Totiº ak je X spojitá náhodná
premenná v zmysle denície 5.1, tak X nemusí by´ spojité zobrazenie z Ω do R v zmysle denície spojitosti z
matematickej analýzy, aj ak by sme mali na Ω denovanú topológiu a malo by zmysel hovori´ o spojitosti X
v analytickom zmysle.
47
Veta 5.3. Nech X je spojitá náhodná premenná s hustotou f . Potom

R∞
−∞
f (t)dt = 1. Navy²e,
pre akéko©vek a, b ∈ R, a < b, platí P [X = a] = 0 a
Z b
P [a < X < b] = f (t)dt. (5.2)
a
Tvrdenia tejto a nasledujúcej £asti je moºné dokáza´ pomocou základných vlastností integ-
rálu, analogicky ako tvrdenia pre diskrétne náhodné premenné sa dokazujú pomocou vlastností
súm. Dôkazy pre spojité náhodné premenné v²ak závisia na detailoch toho, ako mali ²tudenti
vybudovaný integrálny po£et, £o nie je úplne jednotné, takºe ich v tejto u£ebnici nebudeme
uvádza´.
Rovnos´ (5.2) je dôleºitá pre interpretáciu pojmu hustoty spojitej náhodnej premennej:
Pravdepodobnos´, ºe náhodná premenná nadobudne hodnotu medzi £íslami a, b (a < b) je
3
rovná ploche pod grafom hustoty na intervale (a, b). Napríklad krivka na obrázku 1.3 je
hustotou takzvaného normálneho rozdelenia s parametrami µ=0 a σ = 1, £o znamená, ºe
pravdepodobnos´, ºe realizácia tejto náhodnej premennej bude v intervale (a, b) zodpovedá
ploche sivej £asti.
Nech je hustota f X spojitá na krátkom intervale B = [a, a + δ),

náhodnej premennej
a ∈ R, δ > 0. Nech x ∈ B . Potom P [X ∈ B] ≈ f (x)δ . Takºe f (x) vyjadruje relatívnu
koncentráciu (resp. hustotu) pravdepodobnosti v okolí bodu x.
Veta 5.4 (Vzáh medzi distribu£nou funkciou a hustotou ). Nech X je spojitá náhodná pre-
menná s hustotou f, pri£om funkcia f je spojitá s výnimkou maximálne kone£ného po£tu
4
bodov. Potom distribu£ná funkcia náhodnej premennej X je spojitá na celom R a spojite
diferencovate©ná s výnimkou maximálne kone£ného po£tu bodov (tých, v ktorých je funkcia f
nespojitá). Naopak, nech distribu£ná funkcia F náhodnej premennej X je spojitá na celom R
a spojite diferencovate©ná v²ade, maximálne s výnimkou kone£nej mnoºiny bodov H . Potom
X je spojitá náhodná premenná a akáko©vek nezáporná funkcia sp¨¬ajúca f (x) = dF (x)/dx
pre v²etky x ∈/ H je hustotou X .
Vieme, ºe funkcia diskrétnej náhodnej premennej je opä´ diskrétna náhodná premenná

(Poznámka 4.2). Av²ak ak je X spojitá náhodná premenná, tak náhodná premenná Y = g(X)
môºe by´ ako spojitá, tak aj diskrétna (napr. ak g(x) = bxc, t.j. dolná celá £as´ x), ale aj taká
náhodná premenná, ktorá nie je ani spojitá, ani diskrétna. asto v²ak transformácia spojitej
náhodnej premennej je opä´ spojitá náhodná premenná a dokonca vieme jednoducho odvodi´
hustotu tejto transformovanej náhodnej premennej, ako ukazujú nasledujúce príklady.
Príklad 5.5 (Lineárna transformácia spojitej náhodnej premennej ). Pomocou základných

viet o spojitých náhodných premenných dokáºeme nasledovné tvrdenie. Nech X je spojitá
náhodná premenná s distribu£nou funkciou FX a, b ∈ R, a 6= 0. Potom
a hustotou fX . Nech
náhodná premenná Y = aX + b je tieº spojitá s distribu£nou funkciou FY (y) = FX ((y − b)/a)
3 V²imnime si tieº, ºe veta 5.3 implikuje, ºe to isté platí aj pre intervaly [a, b), (a, b] a [a, b], £iºe aj P [a ≤
Rb
X < b] = P [a < X ≤ b] = P [a ≤ X ≤ b] = a
f (t)dt.
4 Distribu£ná funkcia spojitej náhodnej premennej je nutne spojitá funkcia, av²ak existujú náhodné pre-
menné, ktoré majú spojitú distribu£nú funkciu a nie sú spojité v zmysle na²ej denície. Vi¤ takzvané Cantorovo
rozdelenie.
pre v²etky y∈R a > 0 a FY (y) = 1 − FX ((y − b)/a) pre v²etky y ∈ R

ak ak a < 0. Hustota
náhodnej premennej Y je daná predpisom

1 y−b
fY (y) = fX pre kaºdé y ∈ R.
|a| a
Rie²enie: Nech a > 0 a y ∈ R.FY (y) = P [aX + b < y] = P [X < (y − b)/a] =

Platí
FX ((y − b)/a). Hustotu fY dostaneme derivovaním FY (v²ade tam, kde derivácia existuje).
Podobne odvodíme vzáh pre FY a následne aj pre fY pre prípad a < 0.
peciálne si v²imnime nasledovný ²peciálny prípad predchádzajúceho príkladu: Y = aX ,

£o vedie len k roztiahnutiu a splo²teniu (ak a > 1) alebo stiahnutiu a zvý²eniu (ak a < 1)
hustoty. V prípade Y =X +b sa hustota len posunie o hodnotu b.
Príklad 5.6 (Kvadratická transformácia spojitej náhodnej premennej ). Nech X je spojitá

náhodná premenná so spojitou hustotou fX . Ukáºeme, ºe náhodná premenná Y = X 2 je tieº
spojitá a nájdime jej hustotu fY .
Rie²enie: Najprv pomocou distribu£nej funkcie FX náhodnej premennej X ur£ime dis-
tribu£nú funkciu FY náhodnej premennej Y . Pre kaºdé y ≥ 0 platí: FY (y) = P [Y < y] =
2 √ √ √ √ √ √
P [X < y] = P [− y < X < y] = P [− y ≤ X < y] = FX ( y) − FX (− y). Pre y < 0
2
zrejme platí: FY (y) = P [Y < y] = P [X < y] = 0.
Ke¤ºe fX je spojitá, je FX spojite diferencovate©ná a teda z odvodeného vzáhu medzi
FX a FY vidíme, ºe aj FY je spojite diferencovate©ná v²ade, s prípadnou výnimkou bodu 0.
To znamená, ºe Y je spojitá náhodná premenná s hustotou fY , ktorú získame derivovaním
FY v²ade tam, kde derivácia existuje a inde (t.j. v bode 0) zvolíme hustotu ©ubovo©ne. Teda
fY (y) = 0 pre y ≤ 0 a, ke¤ºe fX je deriváciou funkcie FX , pre y > 0 dostávame
1 √ √
fY (y) = √ (fX ( y) + fX (− y)) .
2 y
Iné, £asto sa vyskytujúce transformácie sú napríklad exponenciálna Y = eX , alebo, ak X

nadobúda len kladné hodnoty, logaritmická transformácia Y = ln(X). Hustotu takto transfor-
movanej náhodnej premennej vieme odvodi´ analogicky ako v príkladoch uvedených vy²²ie.
5.2 íselné charakteristiky spojitých náhodných premen-

ných
Denícia
R 5.7. Nech X je spojitá náhodná premenná s hustotou f a nech existuje kone£ný
|x|f (x)dx. Potom hovoríme, ºe náhodná premenná X má kone£nú strednú hod-
∞
integrál
−∞
notu Z ∞
E(X) = xf (x)dx.
−∞
Veta 5.8 (Linearita strednej hodnoty ). Nech X a Y sú spojité náhodné premenné, ktoré majú
kone£nú strednú hodnotu. Nech a, b sú akéko©vek reálne £ísla také, ºe náhodná premenná
aX + bY je spojitá, alebo diskrétna. Potom aX + bY má kone£nú strednú hodnotu a platí
E(aX + bY ) = aE(X) + bE(Y ).

Veta 5.9 (Veta o transformácii ). X je spojitá náhodná premenná s hustotou f . Nech

Nech
g je po £astiach spojitá funkcia taká, ºe
R∞g(X) je spojitá, alebo diskrétna náhodná premenná.
Nech navy²e existuje kone£ný integrál
−∞
|g(x)|f (x)dx. Potom náhodná premenná g(X) má
kone£nú strednú hodnotu a platí:
Z ∞
E(g(X)) = g(x)f (x)dx.
−∞
Pre spojitú náhodnú premennú X denujeme rozptyl rovnako ako pre diskrétnu náhodnú
premennú (denícia 4.8). Platia pre ¬u rovnaké vzáhy ako vo vete 4.11.
Ak spojitá náh. premenná X má hustotu f a kone£nú strednú hodnotu, tak náhodná
2
premenná (X − E(X)) je spojitá a platí
R∞
1. D(X) = −∞
(x − E(X))2 f (x)dx,
R∞
2. D(X) = −∞
x2 f (x)dx − (E(X))2 ,
ak sú príslu²né integrály kone£né.
5.3 Základné typy spojitých náhodných premenných
5.3.1 Rovnomerné rozdelenie
Denícia 5.10 (Rovnomerné rozdelenie ). Hovoríme, ºe náhodná premenná X má rovno-

merné rozdelenie na intervale (a, b), ak je X spojitá náhodná premenná s hustotou
1
f (x) = pre x ∈ (a, b)
b−a
a f (x) = 0 pre x ∈
/ (a, b). Túto skuto£nos´ zna£íme X ∼ R(a, b). Ak X ∼ R(0, 1), tak
hovoríme, ºe X má ²tandardizované rovnomerné rozdelenie.
Veta 5.11. Nech X ∼ R(a, b). Potom pre distribu£nú funkciu F náhodnej premennej X platí

0 pre x ≤ a,

F (x) = (x − a)/(b − a) pre x ∈ (a, b),

1 pre x ≥ b.

X−a
Navy²e, ak c, d ∈ R, c > 0, tak cX + d ∼ R(ca + d, cb + d). peciálne,
b−a
∼ R(0, 1).
Poznámka 5.12. V²imnime si nasledovný ²peciálny prípad predchádzajúcej vety: Ak U ∼

R(0, 1) a a < b sú reálne £ísla, tak (b − a)U + a ∼ R(a, b). Takºe z rovnomerného rozdelenia na
intervale (0, 1) vieme len pomocou jednoduchej lineárnej transformácie generova´ realizácie
rovnomerného rozdelenia na akomko©vek intervale.
Veta 5.13. Nech X ∼ R(a, b). Potom E(X) = (a + b)/2 a D(X) = (b − a)2 /12.
Rovnomerné rozdelenie sa pouºíva napríklad na generovanie realizácií náhodných premen-

ných z iných typov rozdelení pomocou vhodných transformácií.
Obr. 5.1: Hustota f (x) a distribu£ná funkcia F (x) náhodnej premennej s rozdelením R(0, 1)
(plná £iara) a R(0.5, 3) (preru²ovaná £iara).
5.3.2 Exponenciálne rozdelenie
Denícia 5.14 (Exponenciálne rozdelenie ). Hovoríme, ºe náhodná premenná X má expo-

nenciálne rozdelenie s parametrom λ > 0, ak je X spojitá náhodná premenná s hustotou
f (x) = λe−λx pre x≥0
a f (x) = 0 pre x < 0. Túto skuto£nos´ zna£íme X ∼ Exp(λ).5
Veta 5.15. Nech X ∼ Exp(λ). Potom pre distribu£nú funkciu F náhodnej premennej X
platí (
0 pre x ≤ 0,
F (x) =
1 − e−λx pre x > 0.
Navy²e, ak c > 0, tak cX ∼ Exp(λ/c).
Veta 5.16. Nech X ∼ Exp(λ). Potom E(X) = 1/λ a D(X) = 1/λ2 .
Dôkaz. Najprv odvodíme strednú hodnotu a rozptyl pre X1 ∼ Exp(1). Pouºijúc metódu
per-partes dostávame
Z ∞ Z ∞ ∞
Z ∞
−x
−xe−x 0 e−x dx = 1.

E(X1 ) = xf (x)dx = xe dx = +
−∞ 0 0
5 Niekedy sa v literatúre pouºíva aj parametrizácia triedy hustôt exponenciálneho rozdelenia v tvare f (x) =
exp(−x/λ)/λ pre x ≥ 0. V tejto parameterizácii reprezentuje λ strednú hodnotu, v parametrizácii, ktorú
budeme pouºíva´ my, reprezentuje λ prevrátenú hodnotu k strednej hodnote, takzvanú intenzitu.
Obr. 5.2: Hustota f (x) a distribu£ná funkcia F (x) náhodnej premennej s rozdelením Exp(1)
(plná £iara) a Exp(1/2) (preru²ovaná £iara).
Z ∞ Z ∞ ∞
Z ∞
E(X12 ) 2
x e dx = −x2 e−x 0 +
2 −x
2xe−x dx = 2.

= x f (x)dx =
−∞ 0 0
2 2
Takºe D(X1 ) = E(X1 ) − (E(X1 )) = 2 − 1 = 1.
Ak Xλ ∼ Exp(λ) pre λ > 0, potom λXλ ∼ Exp(1), pod©a vety 5.15. Z vlastností rozptylu
a strednej hodnoty, s pouºitím vzáhov E(X1 ) = 1 a D(X1 ) = 1 dostávame
E(Xλ ) = E(λXλ )/λ = 1/λ a D(Xλ ) = D(λXλ )/λ2 = 1/λ2 .
Veta 5.17. Nech kladná náhodná premenná U má rozdelenie R(0, 1) a nech λ > 0. Potom
− ln(U )/λ ∼ Exp(λ).
Dôkaz. Dôkaz plynie z vety o inverznej transformácii a z tvaru kvantilovej funkcie náhodnej
premennej X ∼ Exp(λ).
Exponenciálne rozdelenie sa pouºíva v teórii spo©ahlivosti na modelovanie doby bezporu-
chovej £innosti zariadení, v teórii hromadnej obsluhy na modelovanie doby medzi príchodmi
zákazníkov do systému obsluhy, v neurofyziológii na modelovanie doby medzi príchodmi im-
pulzov na neurónovú bunku a podobne.
Veta 5.18 (Bezpamäóvos´ exponenciálneho rozdelenia). Nech X ∼ Exp(λ), kde λ > 0. Nech
0 < a < b. Potom platí P [X > b|X > a] = P [X > b − a].

Obr. 5.3: Hustota f (x) a distribu£ná funkcia F (x) náhodnej premennej s rozdelením P ar(1, 1)
(plná £iara) a P ar(4, 2) (preru²ovaná £iara).
5.3.3 Paretovo rozdelenie
Denícia 5.19 (Paretovo rozdelenie ). Hovoríme, ºe náhodná premenná X má Paretovo

rozdelenie s parametrami α, k > 0, ak je X spojitá náhodná premenná s hustotou
α+1
α k
f (x) = pre x≥k
k x
a f (x) = 0 pre x < k. Túto skuto£nos´ zna£íme X ∼ P ar(α, k).
Veta 5.20. Nech X ∼ P ar(α, k). Potom pre distribu£nú funkciu F náhodnej premennej X
platí (
0 pre x ≤ k,
F (x) =
1 − (k/x)α pre x > k.
Veta 5.21. X ∼ P ar(α, k), pri£om α > 1. Potom E(X) = α−1

Nech
α·k
. (Pre α ∈ (0, 1] má
náhodná premenná s rozdelením P ar(α, k) nekone£nú strednú hodnotu.)
Veta 5.22. Nech náhodná premenná U má rozdelenie R(0, 1) a nech λ > 0. Potom kU −1/α ∼
P ar(α, k).
Dôkaz. Dôkaz plynie z vety o inverznej transformácii a z tvaru kvantilovej funkcie náhodnej
premennej X ∼ P ar(α, k).
Paretovo rozdelenie sa niekedy pouºíva na modelovanie doby, za ktorú vykoná CPU ur£itý
proces, na modelovanie ve©kosti súborov na internetových serveroch a podobne.
Obr. 5.4: Hustota f (x) a distribu£ná funkcia F (x) náhodnej premennej s rozdelením N (0, 1)
(plná £iara) a N (1, 2) (preru²ovaná £iara).
5.3.4 Normálne rozdelenie
Denícia 5.23 (Normálne rozdelenie ). Nech µ ∈ R a σ > 0. Hovoríme, ºe náhodná premenná

X má normálne rozdelenie s parametrami µ a σ 2 , ak je X spojitá náhodná premenná s
hustotou
1 (x−µ)2
e− 2σ2
f (x) = √
2πσ
2
pre v²etky x ∈ R. Túto skuto£nos´ zna£íme X ∼ N (µ, σ ). Ak X ∼ N (0, 1), tak hovoríme, ºe
X má ²tandardizované (alebo tieº normalizované) normálne rozdelenie. Distribu£nú funkciu
náhodnej premennej X s rozdelením N (0, 1) budeme ozna£ova´ symbolom Φ.
Poznámka 5.24. Pre hustotu f normálneho rozdelenia je moºné ukáza´ platnos´

R∞
−∞
f (x)dx =
1 pomocou takzvaného Poissonovho integrálu
Z ∞ √
2
e−x dx = π.
−∞
Pomocou tohoto výsledku a základných metód integrovania je moºné ukáza´, ºe pre akéko©vek
párne m≥2 platí Z ∞
2 /2 √
xm e−x dx = 2π(m − 1)!!.
−∞
2 /2
Pre nepárne m je funkcia xm e−x nepárna, preto
Z ∞
2 /2
xm e−x dx = 0.
−∞
Pomocou predchádzajúcich vzáhov ur£íme strednú hodnotu a rozptyl normálneho rozdelenia.
Veta 5.25. Nech X ∼ N (µ, σ 2 ). Potom E(X) = µ a D(X) = σ 2 .

Dôkaz. Najprv ur£íme E(X0,1 ) a D(X0,1 ) pre náhodnú premennú X0,1 ∼ N (0, 1). Pod©a
výsledkov uvedených v poznámke 5.24 máme
Z ∞
1 2 /2
E(X0,1 ) = √ xe−x dx = 0,
2π −∞
Z ∞
1 2 /2
2
E(X0,1 ) =√ x2 e−x dx = 1.
2π −∞
2
PretoD(X0,1 ) = E(X0,1 ) − (E(X0,1 ))2 = 1.
2
Ak X ∼ N (µ, σ ), tak (X − µ)/σ ∼ N (0, 1), pod©a vety 5.26. Preto
0 = E((X − µ)/σ) = (E(X) − µ)/σ,
1 = D((X − µ)/σ) = D(X)/σ 2 .

Z týchto rovností dostávame poºadované vzáhy pre E(X) a D(X).
Normálne rozdelenie má ústredné postavenie v teoretickej aj aplikovanej teórii pravdepo-
dobnosti a matematickej ²tatistike. Mnoºstvo náhodných premenných pouºívaných na mo-
delovanie prirodzených dejov má pribliºne normálne rozdelenie. Okrem toho má normálne
rozdelenie niektoré výnimo£né teoretické vlastnosti, napríklad je £asto limitným rozdelením
prirodzene denovaných postupností náhodných premenných.
Distribu£nú funkciu normálneho rozdelenia s akýmiko©vek parametrami vieme jednoducho

vyjadri´ pomocou Φ - distribu£nej funkcie rozdelenia N (0, 1), ako ukazuje nasledovná veta.
Samotná Φ je ²peciálna funkcia, ktorá je príjemná analyticky (je hladká, rastúca, symetrická
v zmysle Φ(−x) = 1 − Φ(x)). Hodnoty Φ(x) je v²ak moºné vypo£íta´ s prakticky dostato£nou
presnosóu rýchlymi numerickými algoritmami .
Veta 5.26 (Lineárna transformácia a ²tandardizácia normálneho rozdelenia ). Nech X ∼

2 2 2
N (µ, σ ) a nech a, b ∈ R, a 6= 0. Potom aX + b ∼ N (aµ + b, a σ ). peciálne
X −µ
∼ N (0, 1).
σ
Ak je F distribu£ná funkcia náhodnej premennej X, tak

x−µ
F (x) = Φ pre kaºdé x ∈ R.
σ
Dôkaz. Priamo z vety 5.5 dostávame, ºe hustota fY náhodnej premennej Y = aX + b je v

kaºdom y ∈ R:
(y − b − aµ)2

1
fY (y) = √ exp − .
2π|a|σ 2a2 σ 2
Z denície normálneho rozdelenia teda máme Y ∼ N (aµ + b, a2 σ 2 ). Druhú £as´ tvrdenia
dostaneme vo©bou a = 1/σ a b = −µ/σ a ke¤ºe (X − µ)/σ ∼ N (0, 1), tak
F (x) = P [X < x] = P [(X − µ)/σ < (x − µ)/σ] = Φ((x − µ)/σ).
Tým sme ukázali aj poslednú £as´ tvrdenia.

Príklad 5.27. Z dlhodobých ²tatistík sme zistili, ºe vý²ka v centimetroch muºov a ºien v istej
krajine má pribliºne rozdelenieN (180, 62 ), resp. N (168, 52 ). O £loveku z tejto krajiny vieme
len to, ºe má vý²ku men²iu ako 170 centimetrov. Odhadneme pravdepodobnos´, ºe ide o ºenu.
(Na²e apriórne o£akávanie, £iºe predtým ako sme sa dozvedeli vý²ku, je ºe na 50% pôjde o
ºenu a na 50% pôjde o muºa.) Predpokladáme, ºe máme k dispozícii numerickú procedúru
na výpo£et distribu£nej funkcie Φ rozdelenia N (0, 1).
Rie²enie: Vyuºijeme Bayesov vzorec a základné vlastnosti normálneho rozdelenia pravde-
podobnosti. Ozna£me si udalos´, ºe ide o ºenu ako Z a ºe ide o muºa ako M. Dopl¬ujúcu
informáciu, £iºe ºe vý²ka daného £loveka je men²ia ako 170 centimetrov, si ozna£me B. H©a-
dáme P (Z|B). Ke¤ºe P (Z) = P (M ) = 0.5, pod©a Bayesovho vzorca dostávame
P (B|Z)P (Z) P (B|Z)

P (Z|B) = = .
P (B|Z)P (Z) + P (B|M )P (M ) P (B|Z) + P (B|M )
Ak X ∼ N (168, 52 ) je náhodná premenná vyjadrujúca vý²ku ºeny a Y ∼ N (180, 62 ) náhodná

premenná vyjadrujúca vý²ku muºa, tak
P (B|Z) = P [X < 170] = P [(X − 168)/5 < (170 − 168)/5] = Φ((170 − 168)/5) ≈ 0.6554,
P (B|M ) = P [Y < 170] = P [(Y − 180)/6 < (170 − 180)/6] = Φ((170 − 180)/6) ≈ 0.0478.
Vyuºili sme to, ºe náhodné premenné (X − 168)/5 a (Y − 180)/6 majú rozdelenie N (0, 1);
vi¤ veta 5.26. Dostávame teda P (Z|B) ≈ 0.6554/(0.6554 + 0.0478) ≈ 0.932.
Veta 5.28 (Integrálna De Moivrova-Laplaceova veta ). Nech p ∈ (0, 1) a nech X1 , X2 , . . . sú

náhodné premenné, Xn ∼ Bin(n, p) pre kaºdé n ∈ N. Nech x ∈ R. Potom
" #
Xn − np
lim P p < x = Φ(x). (5.3)
n→∞ np(1 − p)
Dôkaz. Táto veta je dôsledkom takzvanej centrálnej limitnej vety 6.16 a skuto£nosti, ºe ná-
hodná premenná s rozdelením Bin(n, p) sa dá vyjadri´ ako sú£et n nezávislých náhodných
premenných s rozdelením Alt(p).
Poznámka 5.29. Predchádzajúca veta sa pouºíva na aproximáciu pravdepodobností týkajú-

cich sa binomického rozdelenia, v tom zmysle, ºe rozdelenie Bin(n, p) je moºné aproximova´
rozdelením N (np, np(1 − p)). Podobne ako pre prípade Poissonovej aproximácie, vi¤ po-
známku 4.26, aj tu sa núka otázka, ako ve©mi sa pomýlime, ak pouºijeme limitné tvrdenie
(5.3) na aproximáciu pravdepodobností týkajúcich sa binomického rozdelenia pre kone£né n.
Zloºitými technikami sa dá ukáza´ nasledovné jednoduché tvrdenie:
" #
X − np p2 + (1 − p)2
n
sup P p < x − Φ(x) ≤ p .

x∈R np(1 − p) np(1 − p)
Táto nerovnos´ ukazuje, ºe Gaussova aproximácia náhodnej premennej s rozdelením Bin(n, p)

je vhodná v prípade, ºe n je dostato£ne ve©ké a vzh©adom na ve©kos´ n nie je p blízko nuly
ani jednotky.
Príklad 5.30. (iasto£ne motivované príkladom 3.9 z Bertserkas and Tsitsiklis) Prená²ame
binárny signál S, ktorý môºe by´ bu¤ −1 alebo +1. Komunika£ný kanál tento signál za²umí
aditívnym normálnym ²umom X so strednou hodnotou µ = 0 a rozptylom σ 2 = 0.42 . Pred-
pokladáme, ºe ²um X je nezávislý od signálu S. Prijíma£ usúdi, ºe správna hodnota signálu
je +1 (resp. −1), ak po prenose zaznamená hodnotu aspo¬ 0 (resp. men²iu ako 0). Pomo-
cou distribu£nej funkcie Φ rozdelenia N (0, 1) pribliºne vyjadrime pravdepodobnos´, ºe pri n
nezávislých prenosoch binárneho signálu dôjde k chybe menej ako k krát.
Rie²enie: K chybe dochádza, ak S = −1 a ²um X je vä£²í rovný 1, alebo ak S = +1 a
²um je men²í ako −1. Pravdepodobnos´ chyby je pri jednotlivom prenose preto
P [Chyba] = P [X ≥ 1|S = −1]P [S = −1] + P [X < −1|S = +1]P [S = +1].
Zvrat, ºe pôvodný signál nezávisí od pridaného ²umu znamená, ºe udalosti [X ≥ 1] a [S =

−1] sú nezávislé a taktieº udalosti [X < −1] a [S = +1] sú nezávislé (viac vi¤ kapitola o
nezávislosti náhodných premenných). Preto P [X ≥ 1|S = −1] = P [X ≥ 1] a P [X < −1|S =
+1] = P [X < −1]. Av²ak

X −µ 1−µ
P [X ≥ 1] = 1 − P [X < 1] = 1 − P < = p,
σ σ

X −µ −1 − µ −1
P [X < −1] = P < =1−Φ = p,
σ σ σ
kde sme symbolom p ozna£ili £íslo 1 − Φ(1/σ). Vyuºili sme pritom vetu 5.26 a vlastnos´
1 − Φ(x) = Φ(−x), ktorá platí pre v²etky x ∈ R. Dostávame teda
P [Chyba] = pP [S = −1] + pP [S = +1] = p,
pretoºe P [S = −1] + P [S = +1] = 1. Pri n nezávislých pokusoch o prenos binárneho signálu

má po£et chýb E rozdelenie Bin(n, p), kde p = 1 − Φ(1/σ), preto pod©a vety 5.28 dostávame
" # !
E − np k − np k − np
P [E < k] = P p <p =Φ p .
np(1 − p) np(1 − p) np(1 − p)
Okrem uvedených tried rozdelení spojitých náhodných premenných bolo opísaných a po-
menovaných mnoºstvo iných, napríklad takzvané rozdelenia beta, gama, Cauchyho, Laplace-
ovo, lognormálne a tak ¤alej. V tejto u£ebnici sa budeme e²te zaobera´ niektorými spojitými
rozdeleniami, ktoré sa vyuºívajú najmä na kon²trukciu intervalov spo©ahlivosti a testovanie
²tatistických hypotéz.
Kapitola 6
Nezávislos´ náhodných premenných
6.1 Pojem nezávislosti náhodných premenných
Jednou z najdôleºitej²ích charakteristík vzáhu viacerých náhodných premenných je ich zá-

vislos´, resp. nezávislos´. Intuitívne, náhodné premenné sú nezávislé, ak znalos´ o výsledku
realizácie niektorých z týchto náhodných premenných neovplyvní na²e o£akávanie pre výsle-
dok ostatných náhodných premenných. Tento výrok formálne spres¬uje nasledovná denícia.
Denícia 6.1 (Nezávislé a závislé náhodné premenné). Náhodné premenné X1 , . . . , Xn sa na-

zývajú zdruºene nezávislé, ak pre akýko©vek výber mnoºín B1 , . . . , Bn ∈ B platí, ºe udalosti
[X1 ∈ B1 ], [X2 ∈ B2 ], . . . , [Xn ∈ Bn ] sú zdruºene nezávislé. Náhodné premenné X1 , X2 , . . .
nekone£nej postupnosti sa nazývajú zdruºene nezávislé, ak sú zdruºene nezávislé náhodné
premenné X1 , . . . , X n pre kaºdé n. Ak náhodné premenné X1 , . . . , X n , resp. X1 , X2 , . . . nie sú
zdruºene nezávislé, hovoríme, ºe sú zdruºene závislé.
Poznámka 6.2. Zdruºene nezávislé (zdruºene závislé) náhodné premenné £asto skrátene
nazývame len nezávislé (závislé). Treba v²ak ma´ na pamäti, ºe náhodné premenné môºu
by´ napríklad nezávislé po dvojiciach (£iºe Xi a Xj sú nezávislé pre akéko©vek indexy i 6= j ),
ale pritom neby´ (zdruºene) nezávislé. Takúto situáciu demon²truje príklad 6.6.
Veta 6.3 (Charakterizácie nezávislosti náhodných premenných ). Nech X1 , . . . , Xn sú náhodné

premenné. Potom sú v²etky ²tyri nasledovné výroky ekvivalentné. (a) X1 , . . . , Xn sú nezávislé;
(b) Náhodné premenné g1 (X1 , . . . , Xk1 ), . . . , gr (Xkr−1 +1 , . . . , Xn ) sú nezávislé pre akéko©vek
1 ≤ k1 < · · · < kr−1 < n a akéko©vek borelovské funkcie g1 , . . . , gr ; (c) Nech F ⊂ R a
B = σ(F). Potom P [X1 ∈ B1 , . . . , Xn ∈ Bn ] = P [X1 ∈ B1 ] . . . P [Xn ∈ Bn ] pre akýko©vek
výber mnoºín B1 , . . . , Bn ∈ F ; (d) P [X1 < x1 , . . . , Xn < xn ] = P [X1 < x1 ] . . . P [Xn < xn ] pre
v²etky x1 , . . . , xn ∈ R.
Poznámka 6.4. Niektoré ekvivalencie a implikácie vo vete 6.3 je jednoduché dokáza´ (£itate©
sa môºe o to pokúsi´), av²ak iné sú náro£nej²ie a ich dôkazy presahujú ciele tejto základnej
u£ebnice. Dokáºme si ale in²truktívny ²peciálny prípad implikácie (d)⇒(c), v ktorom n=2a
F je systém v²etkých z©ava uzavretých a sprava otvorených intervalov. Nech pre X1 , X2 platí
(d) a nech B1 , B2 ∈ F, £iºe B1 = [a1 , b1 ), B2 = [a2 , b2 ) pre nejaké a1 < b1 a a2 < b2 . Zo
58
základných vlastností pravdepodobnosti a z podmienky (d) postupne dostávame
P [X1 ∈ B1 , X2 ∈ B2 ] = P [X1 < b1 , X2 < b2 ] − P [X1 < a1 , X2 < b2 ] −

P [X1 < b1 , X2 < a2 ] + P [X1 < a1 , X2 < a2 ]
= P [X1 < b1 ]P [X2 < b2 ] − P [X1 < a1 ]P [X2 < b2 ] −
P [X1 < b1 ]P [X2 < a2 ] + P [X1 < a1 ]P [X2 < a2 ]
= (P [X1 < b1 ] − P [X1 < a1 ])(P [X2 < b2 ] − P [X2 < a2 ])
= P [X1 ∈ B1 ]P [X2 ∈ B2 ].
Ak sú náhodné premenné X1 , . . . , X n v²etky diskrétne, vieme formulova´ e²te jednu ekvi-

valentnú podmienku nezávislosti náhodných premenných.
Veta 6.5 (Nezávislos´ diskrétnych náhodných premenných ). Diskrétne náhodné premenné

X1 , . . . , X n sú nezávislé vtedy a len vtedy, ke¤ pre akéko©vek reálne £ísla x1 , . . . , x n platí
n
Y
P [X1 = x1 , . . . , Xn = xn ] = P [Xi = xi ]. (6.1)
i=1
Dôkaz. Implikácia ⇒ je zrejmá z denície 6.1, pretoºe jednoprvkové podmnoºiny mnoºiny R

sú borelovské. Dokáºme opa£nú implikáciu. Pre kaºdé i = 1, . . . , n ozna£íme Ci = Xi (Ω) ∩ Bi
mnoºinu tých £ísel z oboru hodnôt náhodnej premennej Xi , ktoré patria do Bi . Ke¤ºe ná-
hodné premenné X1 , . . . , Xn sú pod©a predpokladu diskrétne, tak mnoºiny Ci sú spo£ítate©né.
V²imnime si, ºe [X1 ∈ B1 , . . . , Xn ∈ Bn ] = ∪x1 ∈C1 ,...,xn ∈Cn [X1 = x1 , . . . , Xn = xn ] je rozklad
na disjunktné udalosti a [Xi ∈ Bi ] = ∪xi ∈Ci [Xi = xi ] je tieº rozklad na disjunktné udalosti pre
v²etky i = 1, . . . , n. Ak okrem týchto rozkladov pouºijeme aditivitu (alebo σ -aditivitu) prav-
depodobnosti, predpoklad (6.1) a základné vlastnosti kone£ných alebo nekone£ných absolútne
konvergentných súm, dostávame:
!
[
P [X1 ∈ B1 , . . . , Xn ∈ Bn ] = P [X1 = x1 , . . . , Xn = xn ] =
x1 ∈C1 ,...,xn ∈Cn
X X
P [X1 = x1 , . . . , Xn = xn ] = P [X1 = x1 ] . . . P [Xn = xn ] =
x1 ∈C1 ,...,xn ∈Cn x1 ∈C1 ,...,xn ∈Cn
X X
P [X1 = x1 ] · · · P [Xn = xn ] =
x1 ∈C1 xn ∈Cn
! !
[ [
P [X1 = x1 ] · · · P [Xn = xn ] = P [X1 ∈ B1 ] . . . P [Xn ∈ Bn ].
x1 ∈C1 xn ∈Cn
Pod©a ekvivalencie (a)⇔(c) z vety 6.3 sú teda náhodné premenné X1 , . . . , X n nezávislé.
Príklad 6.6. Uvaºujme náhodné premenné X1 aX2 , ktoré zodpovedajú výsledkom dvoch
nezávislých hodov mincou. Náhodná premenná X3 nech je
[X1 = X2 ]. indikátor udalosti
Napí²me aj formálny model tejto situácie. Uvaºujeme pravdepodobnostný priestor (Ω, S, P ),
pri£om Ω = {(0, 0), (0, 1), (1, 0), (1, 1)}, S = 2
Ω
a P (A) = #A/4, kde #A znamená po£et
prvkov mnoºiny A. Náhodné premenné X1 a X2 denujeme nasledovne: pre kaºdé ω ∈ Ω je
Xi (ω) je i-ta zloºka vektora ω . Náhodnú premennú X3 denujeme tak, ºe pre v²etky ω ∈ Ω
platí X3 (ω) = 1 ⇔ X1 (ω) = X2 (ω) a X3 (ω) = 0 ⇔ X1 (ω) 6= X2 (ω). Presved£íme sa intuitívne

aj formálne, ºe X1 , X2 , aj X1 , X3 , aj X2 , X3 sú dvojice nezávislých náhodných premenných,
ale náhodné premenné X1 , X2 , X3 uº ako trojica nie sú zdruºene nezávislé.
Rie²enie: Intuitívne, ak by sme získali informáciu o výsledku prvého hodu mincou (£iºe
o realizácii náhodnej premennej X1 ), tak to neovplyvní na²e o£akávanie oh©adom výsledku
druhého hodu mincou (o realizácii náhodnej premennej X2 ), ale ani o£akávanie toho, ºe budú,
alebo nebudú výsledky oboch hodov rovnaké (£o ur£uje realizáciu náhodnej premennej X3 ).
Totiº, nech by sme mali, alebo aj nemali informáciu o výsledku prvého hodu, stále je prav-
depodobnos´ presne 1/2, ºe výsledky hodov budú rovnaké. Analogické pozorovania platia aj
ak by sme mali informáciu o výsledku X2 , resp. X3 . Lenºe ak by boli náhodné premenné
X1 , X2 , X3 (zdruºene) nezávislé, tak by ani informácia o výsledku akejko©vek podskupiny
týchto náhodných premenných nemohla prinies´ zmenu o£akávania o zvy²ných premenných.
To v tomto prípade o£ividne neplatí, pretoºe napríklad ak nás niekto informuje o výsledku
oboch náhodných premenných X1 , X2 , tak sa na²a pôvodná neur£itos´ o výsledku X3 zmení,
dokonca na dokonalú istotu.
Formálny dôkaz nezávislosti po dvoch a (zdruºenej) závislosti nechávame na £itate©a.
Vo vä£²ine pravdepodobnostných a ²tatistických modelov je základným predpokladom

nezávislos´ aspo¬ niektorých náhodných premenných, £i uº latentných, alebo priamo pozoro-
vaných. To umoº¬uje odvodi´ vlastnosti, ktoré by bez predpokladu nezávislosti bolo náro£né,
1
alebo úplne nemoºné získa´ .
Príklad 6.7. as výpo£tu T znáhodneného algoritmu má distribu£nú funkciu F (t) = tδ , kde
t ∈ (0, 1) a δ Y je doba výpo£tu tohoto algoritmu na dvoch nezá-
je kladná kon²tanta. Nech
2
vislých procesoroch sp¨¬ajúca Y = min{T1 , T2 } , kde T1 , T2 sú nezávislé náhodné premenné
s distribu£nou funkciou F . Pre náhodnú premennú Y ur£me distribu£nú funkciu, hustotu a
strednú hodnotu.
Rie²enie: Pre distribu£nú funkciu FY náhodnej premennej Y a pre akéko©vek kladné y∈
(0, 1) platí
FY (y) = P [min{T1 , T2 } < y] = P ([T1 < y] ∪ [T2 < y]) = 1 − P [T1 ≥ y, T2 ≥ y] =

1 − P [T1 ≥ y]P [T2 ≥ y] = 1 − (1 − F (y))2 = 1 − (1 − tδ )2 .
K©ú£ovou je ²tvrtá rovnos´, kde sme vyuºili nezávislos´ náhodných premenných T1 a T2 . Po-
mocou distribu£nej funkcie uº jednoducho zodpovieme aj ostatné otázky. Hustotu dostaneme
derivovaním distribu£nej funkcie:
dFY (y)
fY (y) = = 2δ(1 − tδ )tδ−1 ,
dy
pre y ∈ (0, 1), fY (y) = 0. Strednú hodnotu dostaneme pomocou hustoty integrovaním:
inde
Z 1 Z 1
E(Y ) = tfY (t)dt = 2δ tδ − t2δ dt = 2δ((δ + 1)−1 − (2δ + 1)−1 ).
0 0
1 Poznamenajme, ºe pravdepodobnostných a ²tatistických modeloch obvykle nie je predpoklad nezávislosti
len z dôvodu zjednodu²enia výpo£tov, ale aj preto, ºe je fakticky akceptovate©ný, ºe je v súlade s tým, £o o
modelovanom deji vieme.
2 Výsledok máme k dispozícii akonáhle skon£í ktorýko©vek z dvojice výpo£tov.
Jeden z moºných zápisov je

2δ 2
E(Y ) = .
(2δ + 1)(δ + 1)
Napríklad ak je δ = 1, £iºe doba do ukon£enia jednotlivého výpo£tu má pre oba prípady
rozdelenie R(0, 1), tak hustota náhodnej premennej Y má na intervale (0, 1) tvar klesajúcej
lineárnej funkcie a jej stredná hodnota je 1/3.
Nezávislos´ náhodných premenných má dôleºité dôsledky aj pre narábanie so strednou

hodnotou a rozptylom, ako ukazujú nasledujúce dve vety.
Veta 6.8 (Stredná hodnota sú£inu nezávislých náhodných premenných ). Nech X1 a X2 sú

nezávislé, obe diskrétne alebo obe spojité náhodné premenné s kone£nou strednou hodnotou.
Potom X 1 X2 je diskrétna, resp. spojitá náhodná premenná s kone£nou strednou hodnotou a
platí
E(X1 X2 ) = E(X1 )E(X2 ).
Dôkaz. Dôkaz urobíme len pre diskrétne náhodné premenné X1 , X2 . Pre jednoduchos´ ozna-
£íme ako Ai obor hodnôt Xi ,
Ai = Xi (Ω) pre i = 1, 2. Náhodná premenná Z = X1 X2
t.j.
je zrejme diskrétna, lebo jej obor hodnôt Z(Ω) je spo£ítate©ná mnoºina sú£inov z = x1 x2 ,
kde x1 ∈ X1 (Ω) a x2 ∈ X2 (Ω). Uvedomíme si, ºe pre kaºdé z ∈ Z(Ω) máme P [Z = z] =
P
P [X1 = x1 , X2 = x2 ], kde sú£et berieme pre v²etky dvojice x1 ∈ X1 (Ω) a x2 ∈ X2 (Ω), pre
ktoré platí x1 x2 = z . Navy²e, z nezávislosti X1 a X2 vieme, ºe P [X1 = x1 , X2 = x2 ] = P [X1 =
x1 ]P [X2 = x2 ]; pozri vetu 6.5. Máme teda:
X X X
E(X1 X2 ) = E(Z) = P [Z = z] = x1 x2 P [X1 = x1 , X2 = x2 ] =
z∈Z(Ω) x1 ∈A1 x2 ∈A2
X X X X
x1 x2 P [X1 = x1 ]P [X2 = x2 ] = x1 P [X1 = x1 ] x2 P [X2 = x2 ] =
x1 ∈A1 x2 ∈A2 x1 ∈A1 x2 ∈A2
E(X1 )E(X2 ).
Z predchádzajúcej vety plynie, ºe pre n-ticu X1 , . . .Q

, Xn nezávislých
Qn náhodných premen-
n
ných, ktoré majú kone£nú strednú hodnotu, platí E( i=1 Xi ) = i=1 E(Xi ). (Skuto£ne;
napríklad pre n=3 máme E(X1 X2 X3 ) = E(X1 X2 )E(X3 ) = E(X1 )E(X2 )E(X3 ), £o plynie
kombináciou viet 6.3 a 6.8.) Táto vlastnos´ nezávislých náhodných premenných má zna£ný
teoretický význam, av²ak je ju moºné vyuºi´ aj na priame rie²enie úloh.
Príklad 6.9. Komunika£ný kanál sa skladá zo série uzlov, pri£om vºdy i-ty uzol predáva
jedno-bitovú informáciu na vstup i + 1-vému uzlu. Na i-tom uzle dochádza s pravdepodob-
nosóu pi k chybe, ktorá sa prejaví tým, ºe na výstupe tohoto uzla bude opa£ný bit ako na
jeho vstupe. Navy²e, chyby na jednotlivých uzloch sa vyskytujú navzájom nezávisle. Napí²me
vzorec udávajúci pravdepodobnos´, ºe bit na vstupe prvého uzla bude rovnaký ako bit na
výstupe n-tého uzla. (Porovnajte s príkladom 2.20.)
Rie²enie: 3
Pre i = 1, . . . , n nech Xi je náhodná premenná, ktorá nadobudne hodnotu −1
ak na uzle i dôjde k chybe a hodnotu 1, ak na uzle i nedôjde k chybe, £iºe P [Xi = −1] = pi ,
3 Toto elegantné rie²enie navrhol ²tudent FMFI UK Stanislav Taká£.
P [Xi = 1] = 1 − pi aE(Xi ) = P [Xi = 1] − P [Xi = −1]

Qn = 1 − 2pi . V²imnime si tieº, ºe
na²a h©adaná pravdepodobnos´ je P [X = 1], kde X = i=1 Xi , pri£om X je tieº náhodná
premenná nadobúdajúca len hodnoty −1 a 1, takºe E(X) = P [X = 1] − P [X = −1], z
£oho dostávame P [X = 1] = E(X)/2 + 1/2. S vyuºitím nezávislosti náhodných premenných
X1 , . . . , Xn a vety 6.8 teda dostávame
" n #
E ( ni=1 Xi ) 1
Q Qn Qn
Y
i=1 E (Xi ) 1 (1 − 2pi ) 1
P Xi = 1 = + = + = i=1 + .
i=1
2 2 2 2 2 2
Premyslite si, ako sa výsledná hodnota správa v prípade, ºe sú v²etky pravdepodobnosti pi

nulové, rovné 1/2, resp. jednotkové.
Vieme, ºe stredná hodnota sú£tu náhodných premenných je rovná strednej hodnote týchto
náhodných premenných (ak dané stredné hodnoty existujú a sú kone£né). Pre rozptyl analo-
gické tvrdenie vo v²eobecnosti neplatí, platí v²ak pre nezávislé náhodné premenné.
Veta 6.10 (Rozptyl sú£tu nezávislých náhodných premenných ). Nech X1 a X2 sú nezávislé,

obe diskrétne alebo obe spojité náhodné premenné s kone£ným rozptylom. Potom X 1 + X2 je
diskrétna, resp. spojitá náhodná premenná s kone£ným rozptylom a platí
D(X1 + X2 ) = D(X1 ) + D(X2 ).
Dôkaz. Z denície rozptylu, linearity strednej hodnoty a vety 6.8 dostávame:
D(X1 + X2 ) = E((X1 + X2 )2 ) − E 2 (X1 + X2 ) =

E(X12 ) + 2E(X1 X2 ) + E(X22 ) − E 2 (X1 ) − 2E(X1 )E(X2 ) − E 2 (X2 ) =
[E(X12 ) − E 2 (X1 )] + [E(X22 ) − E 2 (X2 )] + 2[E(X1 X2 ) − E(X1 )E(X2 )] =
D(X1 ) + D(X2 ).
Veta 6.10 implikuje, ºe pre nP

-ticu X1 , . . . , Xn nezávislých náhodných premenných, ktoré
D( ni=1 Xi ) = ni=1 D(Xi ). (Zdôvodnenie je podobné ako pre
P
majú kone£ný rozptyl, platí
sú£in stredných hodnôt v²eobecného po£tu nezávislých náhodných premenných.) Jedno z
najdôleºitej²ích pouºití vety 6.10 je v dôkaze zákona ve©kých £ísel, ktorý predstavíme v ¤al²ej
£asti.
6.2 Zákon ve©kých £ísel
Zákon ve©kých £ísel hovorí zhruba to, ºe ak sledujeme postupnos´ realizácií nezávislých náhod-
ných premenných s rovnakou strednou hodnotou µ, tak aritmetický priemer zaznamenaných
realizácií sa bude k µ pribliºova´. Trochu presnej²ie: k nule konverguje pravdepodobnos´, ºe
sa aritmetický priemer vypo£ítaný po n realizáciách odchýli od µ o viac ako akéko©vek pevné
ε > 0. To má pre pravdepodobnos´ a ²tatistiku zásadný význam, pretoºe aritmetický prie-
mer nezávislých náhodných pozorovaní sa bu¤ priamo, alebo nepriamo ve©mi £asto vyskytuje
pri ²tatistickej analýze dát. Najprv si dokáºeme niektoré pomocné tvrdenia, ktoré v²ak majú
vyuºitie aj samé osebe.
Veta 6.11 (Markovova nerovnos´ ). Nech Z je diskrétna alebo spojitá náhodná premenná s
kone£nou strednou hodnotou, ktorá nadobúda nezáporné hodnoty. Potom pre kaºdé c > 0
platí:
E(Z)
P [Z ≥ c] ≤ .
c
Dôkaz. Nech Z je diskrétna náhodná premenná nadobúdajúca hodnoty (zi )i∈I . alej nech
J = {i ∈ I : zi ≥ c}. Máme
X X X
E(Z) = zi P [Z = zi ] ≥ zi P [Z = zi ] ≥ c P [Z = zi ] = cP [Z ≥ c].
i∈I i∈J i∈J
Analogicky, ak je Z je spojitá náhodná premenná s hustotou f, máme

Z ∞ Z ∞ Z ∞
E(Z) = zf (z)dz ≥ zf (z)dz ≥ cf (z)dz = cP [Z ≥ c].
0 c c
Z nerovnosti E(Z) ≥ cP [Z ≥ c] dostávame priamo tvrdenie vety.
Veta 6.12 (eby²evova nerovnos´ ). Nech X je diskrétna alebo spojitá náhodná premenná s
kone£ným rozptylom (t.j. aj s kone£nou strednou hodnotou). Potom pre kaºdé a>0 platí:
D(X)
P [|X − E(X)| ≥ a] ≤ .
a2
Dôkaz. Veta je dôsledkom Markovovej nerovnosti 6.11 ak v nej zvolíme Z = (X − E(X))2 a
c = a2 .
Príklad 6.13. Uvaºujme istý systém hromadnej obsluhy s náhodným, no stabilným tokom
poºiadaviek na spracovanie. Z dlhodobých záznamov vieme, ºe v rozmedzí jednej hodiny je
stredná hodnota po£tu takýchto poºiadaviek rovná 100. Pouºime Markovovu nerovnos´ na
ohrani£enie pravdepodobnosti, ºe najbliº²iu hodinu bude aspo¬ 250 poºiadaviek na spracova-
nie. Predpokladajme navy²e, ºe po£et poºiadaviek za hodinu má rozptyl 100. Pouºime eby-
²evovu nerovnos´ na odhad pravdepodobnosti, ºe najbliº²iu hodinu bude po£et poºiadaviek
aspo¬ 250. E²te zosilnime predpoklady tak, ºe po£et poºiadaviek v priebehu jednej hodiny má
4
Poissonovo rozdelenie so strednou hodnotu 100. Aká je v tomto prípade pravdepodobnos´,
ºe po£et poºiadaviek za najbliº²iu hodinu bude aspo¬ 250?
Rie²enie: Po£et poºiadaviek po£as najbliº²ej hodiny budeme modelova´ ako náhodnú
premennú X. Kedºe X je nezáporná náhodná premenná a predpokladáme E(X) = 100,
Markovova nerovnos´ poskytuje odhad: P [X ≥ 250] ≤ 100/250 = 0.4. Ak máme infor-
máciu o rozptyle (D(X) = 100), dostávame z eby²evovej nerovnosti ove©a lep²í odhad:
P [X ≥ 250] = P [|X − 100| ≥ 150] ≤ 100/1502 ≈ 0.00444. Ak by sme navy²e predpokla-
dali, ºe X má rozdelenie P o(100), výsledná pravdepodobnos´ je e²te ove©a niº²ia: P [X ≥
250] = 1 − 249 −100
100k /k!, £o je prakticky 0. Markovova a eby²evova nerovnos´ obvykle
P
k=0 e
poskytujú ve©mi konzervatívne odhady.
4 V podobných situáciách poºiadavky vznikajú ako realizácie ve©kého po£tu nezávislých udalostí malej
pravdepodobnosti. To má za následok, ºe Poissonov model na po£et poºiadaviek môºe ve©mi dobre vystihova´
skuto£nos´; porovnaj s vetou 4.25. Tieº si pripome¬me, ºe náhodná premenná s Poissonovým rozdelením so
strednou hodnotou 100 má aj rozptyl 100; vi¤ veta 4.29.
5
V²eobecnej²ou formou eby²evovej nerovnosti je takzvaný slabý zákon ve©kých £ísel.
Veta 6.14 (Slabý zákon ve©kých £ísiel ). Nech X1 , X2 , . . . sú nezávislé (diskrétne alebo spojité)
2
náhodné premenné, pri£om D(Xn ) ≤ σ pre nejaké
Pn σ2 < ∞ a kaºdé n ∈ N. Nech X̄n =
1
n i=1 Xi . Potom pre akéko©vek ε > 0 platí:
lim P [|X̄n − E(X̄n )| ≥ ε] = 0.

n→∞
Dôkaz. Z predpokladov tvrdenia, vety 4.11 (resp. ekvivalentu tejto vety pre spojité premenné)
a vety 6.10 dostávame
n
! n
! n
1X 1 X 1 X
D(X̄n ) = D Xi = 2D Xi = 2 D(Xi ) ≤ σ 2 /n.
n i=1 n i=1
n i=1
Dôkaz môºeme ukon£i´ pouºitím eby²evovej nerovnosti (veta 6.12).
Príklad 6.15. Formalizujme a kriticky zhodno´me nasledovné vo©né tvrdenia: a) Ak bu-

deme do nekone£na hádza´ mincou, tak podiel výsledkov typu znak sa bude blíºi´ k 50-tim
percentám; b) Ak máme váhu, ktorej merania sa náhodne menia, tak pomocou priemeru
z dostato£ného po£tu váºení vieme s ©ubovo©nou presnosóu odhadnú´ hmotnos´ váºeného
objektu.
Rie²enie: X1 , X2 , . . ., sú nezávislé ná-
Výrok a) je moºné formalizova´ nasledovne: Nech
hodné premenné s rozdelením Alt(0.5), pri£om Xi = 0 znamená, ºe v i-tom hode padla hlava
a Xi = 1 znamená, ºe v i-tom hode padol znak. Potom pre akúko©vek odchýlku ε > 0 platí
limn→∞ P [| n1 ni=1 Xi − 0.5| ≥ ε] = 0. Predpokladali sme, ºe výsledky hodov sa navzájom
P
neovplyv¬ujú (formálne: Xi sú nezávislé) a ºe minca, ktorou hádºeme, nie je vychýlená v
prospech niektorého z dvojice moºných výsledkov (formálne: E(Xi ) = 0.5 pre kaºdé i). Pri
reálnom hádzaní mincou by tieto predpoklady mohli by´ splnené s vysokou presnosóu. Pozri
tieº obrázok 6.1.
Výrok b) sa dá formalizova´ nasledovne: Nech X1 , X2 , . . . sú nezávislé náhodné premenné so
strednou hodnotou µ, pri£om Xi je výsledok i-teho váºenia. Rozptyl náhodných premenných
2
Xi je ohrani£ený nejakou kone£nou hodnotou σ . Potom pre akúko©vek odchýlku ε > 0 platí
n
limn→∞ P [| n1 i=1 Xi −µ| ≥ ε] = 0. Opä´ si v²imnime, ºe tento výrok predpokladá, ºe výsledok
P
jedného merania neovplyvní výsledok druhého merania, £o pri niektorých váhach nemusí by´
6
splnené a ºe stredná hodnota kaºdého merania je presne µ, £o je splnené len vtedy, ak váha
nevykazuje systematickú chybu. Pri reálnom mnohonásobnom váºení by priemer výsledkov
nemusel konvergova´ ku skuto£nej hmotnosti, ak by pouºitá váha mala spomínané nedostatky.
6.3 Centrálna limitná veta

7
Centrálna limitná veta tvrdí, vo©ne vyjadrené, ºe ak je n ve©ké £íslo a X1 , . . . , Xn sú nezávislé,
rovnako rozdelené náhodné premenné s kone£ným no nenulovým rozptylom, tak Sn = X1 +
5 V teórii pravdepodobnosti existuje aj ve©mi príbuzné tvrdenie, ktoré sa nazýva silný zákon ve©kých £ísel,
ktorý v tomto úvodnom texte nebudeme formulova´.
6 Existujú v²ak aj verzie zákona ve©kých £ísel, v ktorých náhodné premenné nie sú nezávislé a ich prie-
mer napriek tomu konverguje k spolo£nej strednej hodnote, takºe ur£itá forma závislosti medzi meraniami
X1 , X2 , . . . nemusí zabráni´ tomu, ºe X̄n konverguje k µ.
7 Existuje viacero príbuzných tvrdení, ktoré sa nazývajú centrálna limitná veta; my sa v tejto u£ebnici
budeme venova´ len jednému z nich.
Obr. 6.1: Podiel výsledkov typu znak pri n nezávislých hodoch vyváºenou mincou. Kaºdá z
10 nezávislých simulácií je zobrazená bodkovanou £iarou. Simulácie nazna£ujú, ºe pravdepo-
dobnos´ odchýlky podielu znakov od hodnoty 0.5 o viac ako ε = 0.05 sa blíºi k nule. To je v
súlade so zákonom ve©kých £ísel 6.14; vi¤ tieº £as´ (a) príkladu 6.15. Konvergencia k hodnote
0.5 v²ak nie je ve©mi rýchla; na desańásobne bliº²ie priblíºenie k tejto hodnote potrebujeme
pribliºne stonásobne vä£²í po£et hodov, pretoºe smerodajná odchýlka priemeru X̄n klesá s
odmocninou z n.
· · · + Xn má pribliºne normálne rozdelenie. Presnej²ie vyjadrené, ak budeme Sn normalizova´

lineárnou transformáciou na nulovú strednú hodnotu a jednotkový rozptyl, tak distribu£ná
funkcia Sn sa bude blíºi´ k distribu£nej funkcii rozdelenia N (0, 1).
Veta 6.16 (Centrálna limitná veta ). Nech X1 , X2 , . . . sú nezávislé náhodné premenné s rov-
nakým rozdelením (t.j. s rovnakou distribu£nou funkciou), kone£nou strednou hodnotou a
Pn
nenulovým, kone£ným rozptylom. Nech Sn = i=1 Xi a nech
Sn − E(Sn )
Yn = p
D(Sn )
pre kaºdé n ∈ N. NechFYn je distribu£ná funkcia náhodnej premennej Yn a Φ nech je distri-

bu£ná funkcia rozdelenia N (0, 1). Potom platí
lim FYn (x) = Φ(x) pre v²etky x ∈ R.

n→∞
Dôkaz. Dôkaz centrálnej limitnej vety presahuje rámec tejto základnej u£ebnice.
V²imnime si, ºe ak si vo vete 6.16 ozna£íme symbolom µ spolo£nú strednú hodnotu náhod-
2
ných premenných X1 , X2 , . . .a symbolom σ spolo£ný rozptyl týchto náhodných premenných,
tak normalizovaný sú£et Sn sa dá vyjadri´ nasledovne:
Sn − nµ
Yn = √ .
σ n
Obr. 6.2: Histogram ²tandardizovaného sú£tu n nezávislých náhodných premenných s rozde-

lením R(0, 1), pre n = 1, 2, 4. iara ozna£uje hustotu rozdelenia N (0, 1).
Pn
Vo©ne môºeme tvrdenie centrálnej limitnej vety vyjadri´ tak, ºe pre ve©ké n má Sn = i=1 Xi
2
pribliºne rozdelenie N (nµ, nσ ).
Poznámka 6.17. Uvedené skuto£nosti je moºné pouºi´ na po£íta£ové generovanie z rozdele-

nia N (µ, σ 2 ) so zadanými parametrami
Pn µ a σ 2 . Ak U1 , . . . , Un sú nezávislé náhodné premenné
s rozdelením R(0, 1) a Sn = i=1 Ui , potom náhodná premenná
!
Sn − n/2
Yn = σ p +µ
n/12
má pribliºne poºadované rozdelenie N (µ, σ 2 ). Na ilustráciu si zobrazme histogram ve©kého

2
po£tu realizácií náhodných premenných Yn pre µ = 0, σ = 1 a n = 1, 2, 4; pozri obrázok
6.2. Vidíme, ºe uº sú£et ²tyroch nezávislých náhodných premenných s rovnomerným rozde-
lením, má rozdelenie ve©mi podobné normálnemu. Na simulácie z normálneho rozdelenia v
praxi obvykle plne posta£uje n = 12. Realizácie z normálneho rozdelenia a iných rozdelení
je moºné efektívne generova´ mnohými spôsobmi, ktorými sa zaoberá oblas´ stochastických
simula£ných metód.
Centrálnu limitnú vetu vieme pouºi´ na pribliºný výpo£et pravdepodobnosti v mnoºstve

situácií. Vyrie²me si pomocou tejto vety dve komplexnej²ie úlohy.
Príklad 6.18. Majme pozorovania ur£itého javu, ktoré je moºné reprezentova´ nezávislými
spojitými náhodnými premennými Y1 , . . . , Yn . Pozorované £ísla, zaokrúhlené na m desatin-
ných miest, ukladáme do premenných Z1 , . . . , Zn . Odhadnime rozdelenie odchýlky skuto£ného
priemeru hodnôt Y1 , . . . , Yn od priemeru zaokrúhlených hodnôt Z1 , . . . , Zn .
Rie²enie: H©adaná diferencia n1 ni=1 Yi − n1 ni=1 Zi sa dá vyjadri´ ako ni=1 Xi , kde Xi =
P P P
(Yi −Zi )/n, i = 1, . . . , n. Ak predpokladáme, ºe hodnoty Yk uktuujú v rozsahu o mnoho rádov
²ir²om neº 10−m , tak odchýlka Yi −Zi bude ma´ pribliºne rozdelenie R(−10−m /2, 10−m /2). To
−m
znamená, ºe Xi bude ma´ pribliºne rozdelenie R(−10 /(2n), 10−m /(2n)), ktoré má strednú
−2m 2
hodnotu 0 a rozptyl 10 /(12n
P)n; vi¤ veta 5.13. Pod©a2 centrálnej limitnej vety je teda
rozdelenie náhodnej premennej
2
= n · 10−2m /(12n2 ) =
i=1 Xi pribliºne N (0, σn ), kde σn √
−2m −m
10 /(12n). Smerodajná odchýlka tohto rozdelenia je σn = 10 / 12n, takºe vidíme, ºe
nepresnos´ klesá s odmocninou z n.
Pomocou tohto tvrdenia vieme odhadnú´ napríklad s akou pravdepodobnosóu bude pre
ve©ké n
priemer hodnôt Y1 , . . . , Y n vzdialený od priemeru zaokrúhlených hodnôt Z1 , . . . , Z n o
−m
viac ako 10 :
" n n
# −m
10−m
1 X
1 X
−m 10 1
P Yi − Zi > 10 =Φ −Φ − = 2Φ √ − 1,

n n σ n σn 12n
i=1 i=1
£o pre zadané n uº jednoducho vy£íslime pomocou softvéru.
Príklad 6.19. Z prieskumov vieme, ºe hmotnos´ náhodne zvoleného pasaºiera prepravova-

ného istou leteckou spolo£nosóu má rozdelenie so strednou hodnotou µ0 = 78 kilogramov a
2
rozptylom σ0 = 225 kilogramov na druhú. Letenku si kúpilo n = 200 ©udí, ale z dlhodobých
záznamov vieme, ºe majite© letenky sa s pravdepodobnosóu p = 0.05 percent na let nedo-
staví. Odhadnime pravdepodobnos´, ºe hmotnos´ v²etkých pasaºierov spolu, ktorí sa na let
dostavia, bude viac neº M = 15000 kilogramov.
Rie²enie: k , ktorého telesná hmotnos´ je Vk , prispeje k celkovej hmotnosti
Majite© letenky
prepravovaných pasaºierov hodnotou Xk . Pritom Xk = 0 s pravdepodobnosóu p a Xk =
Vk s pravdepodobnosóu
Pn 1 − p, teda Xk = Ik Vk , kde Ik ∼ Alt(1 − p). H©adané rozdelenie
sú£tu i=1 Xi je pod©a centrálnej limitnej vety pribliºne normálne, no na to, aby sme ur£ili
jeho parametre, potrebujeme vypo£íta´ strednú hodnotu a rozptyl samotných náhodných
premenných Xk (ktorá bude rovnaká pre v²etkyk = 1, . . . , n).
Z vety 6.8 máme µ := E(Xk ) = E(Ik )E(Vk ) = (1 − p)µ0 . Z denície rozptylu dostávame
σ = D(Xk ) = E(Xk2 ) − µ2 = E(Ik2 Vk2 ) − µ2 . Vyuºitím rovnosti Ik2 = Ik a opä´ vety 6.8
2
2 2 2 2 2 2 2
máme E(Ik Vk ) = E(Ik )E(Vk ) = E(Ik )(D(Vk ) + E (Vk )) = (1 − p)(σ0 + µ0 ), takºe σ =
(1 − p)(σ02 + µ20 ) − (1 − p)2 µ20 . Celková hmotnos´ prepravovaných pasaºierov bude teda ma´
2
pribliºne normálne rozdelenie so strednou hodnotou nµ a rozptylom nσ . Pravdepodobnos´,
ºe toto £íslo presiahne M je
" n # Pn
i=1 Xi − nµ M − nµ M − nµ
X
P Xi > M = P √ > √ ≈1−Φ √ .
i=1
σ n σ n σ n
Dosadením hodnôt zo zadania dostávame odhad tejto pravdepodobnosti £íselne 0.285.

Zamyslime sa ale e²te kriticky nad spo©ahlivosóu tohto výsledku. Po prvé, vyuºili sme
vetu, ktorá má len limitný charakter a nevieme s istotou tvrdi´, ºe n je uº dostato£ne ve©ké.
Urobili sme ale aj iné zjednodu²enia: Predpokladali sme nezávislos´ v²etkých náhodných pre-
menných V1 , . . . , Vn , I1 . . . , In , kde Vk , ktoré zodpovedajú hmotnostiam pasaºierov a Ik sú
indikátormi udalostí, ºe sa majitelia leteniek dostavia na odlet. To ale v realite ur£ite nie je
celkom splnené. (Napríklad si lístky môºe naraz zakúpi´ celá reprezentácia zápasníkov sumo.)
Pri matematickom a ²peciálne ²tatistickom modelovaní je dôleºité by´ si vedomý potenciál-
nych nepresností.
6.4 Náhodná prechádzka
Mnoºstvo náhodných dejov nie je moºné modelova´ postupnosóu nezávislých náhodných

premenných.
Príklad 6.20. Uvaºujme nasledovnú situáciu. Nech X1 , X2 , . . . je postupnos´ nezávislých

diskrétnych náhodných premenných s rozdelením ur£eným rovnosámi P [Xn = 1] = P [Xn =
−1] = 1/2 pre v²etky n ∈ N. Denujme postupnos´ náhodných premenných Y0 , Y1 , Y2 , . . .
nasledovne: Y0 nadobúda hodnotu 0 s pravdepodobnosóu 1 a pre ostatné náhodné premenné
platí
Yn = Yn−1 + Xn , n ≥ 1.
Modelovaným dejom môºe by´ napríklad pozícia £astice, ktorú sledujeme v diskrétnych £a-
soch 0, 1, 2, . . .. V £ase 0 je £astica v bode 0; v kaºdom ¤al²om £ase sa premiestni s pravdepo-
dobnosóu 1/2 do pozície o jednotku vy²²ej a s pravdepodobnosóu 1/2 do pozície o jednotku
niº²ej v porovnaní s pozíciou v predchádzajúcom £ase. Náhodné premenné Y0 , Y1 , Y2 , . . . uº
nie sú (z poh©adu ná²ho modelu pred za£iatkom pozorovania realizácií týchto náhodných pre-
menných) nezávislé; pokúste sa intuitívne aj formálne zdôvodni´ pre£o. Oh©adom postupnosti
Y1 , Y2 , . . . sa môºeme snaºi´ zodpoveda´ ve©a otázok, napríklad:
1. Aké sú charakteristiky náhodnej premennej Yn , ktorá reprezentuje pozíciu £astice v £ase

n, pre kaºdé n ≥ 1?
2. Aké sú charakteristiky náhodnej premennej Dn = max{|Y0 |, |Y1 |, . . . , |Yn |}, £iºe toho,
ako naj¤alej od východzieho stavu sa £astica nachádzala do £asu n?
3. Aká je pravdepodobnos´ toho, ºe pre v²etky n∈N bude plati´ Yn ≥ 0, £iºe pravdepo-
dobnos´, ºe pozícia £astice nebude nikdy záporná?
Postupnos´ náhodých premenných z predchádzajúceho príkladu sa nazýva náhodná pre-

chádzka a je elementárnym príkladom takvaného £asového radu, ako aj príkladom Markovov-
ského reázca. túdium £asových radov a Markovovských reázcov je dôleºitá oblas´ teórie
pravdepodobnosti, ktorej výsledky sa vyuºívajú naprie£ mnoºstvom vedných disciplín, od
fyziky aº po umelú inteligenciu. Zloºitej²ie modely musíme pouºi´ v prípadoch, v ktorých
pozorujeme £íselné hodnoty indexované nie prirodzenými £íslami, ale povedzme v²etkými ne-
zápornými reálnymi £íslami (zodpovedajúcimi napríklad akémuko©vek reálnemu nezápornému
£asu), prípadne dokonca indexované v²etkými d-rozmernými vektormi s reálnymi zloºkami,
d ≥ 2. Takýmito súbormi náhodných premenných sa zaoberá v²eobecná teória náhodných
procesov s aplikáciami vo nan£nej matematike a iných oblastiach, resp. teória náhodných
polí, ktorú je moºné aplikova´ napríklad v meteorológii. Spomenuté dôleºité sú£asti pokro£ilej
teórie pravdepodobnosti v²ak presahujú rámec tejto základnej u£ebnice; ²tudenti sa s nimi
môºu oboznámi´ v ²pecializovaných predná²kach magisterského ²túdia vysokých ²kôl.
Nasledujúca kapitola sa sústredí na pojem náhodného vektora, ktorý nám umoº¬uje mo-
delova´ deje pomocou kone£ného po£tu závislých náhodných premenných.
Kapitola 7
Náhodné vektory
Koncept náhodného vektora nám pomáha analyzova´ vzáhy medzi náhodnými premennými.
Umoº¬uje mám tieº narába´ s viacerými náhodnými premennými sú£asne.
7.1 V²eobecné náhodné vektory
Denícia 7.1 (Náhodný vektor ). Nech X1 , . . . , X m sú náhodné premenné. Potom X =

T
(X1 , . . . , Xm ) nazývame m-rozmerný náhodný vektor. 1
Poznámka 7.2. Náhodný vektor X = (X1 , . . . , Xm )

T
sa dá chápa´ aj ako zobrazenie z
m
výberového priestoru Ω do R , také, ktorého kaºdá zloºka je náhodná premenná. Z tohto
poh©adu jeX(Ω) = {X(ω) : ω ∈ Ω} oborom hodnôt náhodného vektora X, £iºe mnoºinou
m-rozmerných vektorov, ktoré X nadobúda.
Poznámka 7.3. Pre zna£enie udalostí ur£ených náhodným vektorom X = (X1 , . . . , Xm )T po-
uºívame podobnú konvenciu ako v prípade náhodných premenných. Napríklad ak x1 , . . . , xm ∈
R sú xné £ísla a x = (x1 , . . . , xm )T , tak v²etky nasledovné výrazy ozna£ujú tú istú udalos´:
{ω ∈ Ω : X(ω) = x}, [X = x], ∩m i=1 [Xi = xi ], [X1 = x1 , . . . , Xm = xm ].
Príklad 7.4. Hádºeme dvomi kockami. Nech X1 je náhodná premenná reprezentujúca mini-
mum padnutých £ísel a X2 je náhodná premenná reprezentujúca maximum padnutých £ísel.
T T
Potom (X1 , X2 ) je náhodný vektor, ktorý nadobúda vektory z mnoºiny X(Ω) = {(i1 , i2 ) :
1 ≤ i1 ≤ i2 ≤ 6}. [X1 = x1 , X2 = x2 ], kde x1 , x2 ∈ {1, . . . , 6},
Pravdepodobnosti udalostí
zobrazuje tabu©ka 7.1. Samotná náhodná premenná X1 nadobúda hodnoty 1, . . . , 6 s pravde-
podobnosámi 11/36, 9/36, 7/36, 5/36, 3/36 a 1/36, ktoré môºeme získa´ ako st¨pcové sú£ty
pravdepodobností v tabu©ke 7.1. Podobne, náhodná premenná X2 nadobúda hodnoty 1, . . . , 6
s pravdepodobnosámi 1/36, 3/36, 5/36, 7/36, 9/36 a 11/36, ktoré môºeme získa´ ako riad-
kové sú£ty pravdepodobností v tabu©ke 7.1. V²imnime si, ºe náhodné premenné X1 a X2 nie
sú nezávislé, £o plynie napríklad z vety 6.1.
Denícia 7.5 (Distribu£ná funkcia náhodného vektora ). Distribu£nou funkciou náhod-

ného vektora X = (X1 , . . . , Xm )T nazývame funkciu F : Rm → R, ktorá je denovaná
F (x) = P [X1 < x1 , . . . , Xm < xm ] pre v²etky x = (x1 , . . . , xm )T ∈ Rm .
69
Obr. 7.1: Distribu£ná funkcia F (x1 , x2 ) náhodného vektora z príkladu 7.4. Ako kaºdá distri-
bu£ná funkcia dvojrozmerného náhodného vektora, F je neklesajúca a spojitá z©ava v oboch
premenných (spojitos´ z©ava ilustrácia nezachycuje). Platí F (x1 , x2 ) → 1, ak x1 → ∞ a sú-
£asne x2 → ∞. Taktieº platí F (x1 , x2 ) → 0, ak x1 → −∞, alebo x2 → −∞. Pre xné x1
je limx2 →∞ F (x1 , x2 ) rovná hodnote distribu£nej funkcie náhodnej premennej X1 v bode x1 .
Podobne, pre xné x2 je limx1 →∞ F (x1 , x2 ) rovná hodnote distribu£nej funkcie náhodnej pre-
mennej X2 v bode x2 . Pre diskrétny náhodný vektor, akým je náhodný vektor z príkladu 7.4,
je distribu£ná funkcia schodovitá. Pre spojité náhodné vektory je v²ak distribu£ná funkcia
spojitá.
x2 ↓ x1 → 1 2 3 4 5 6
6 2/36 2/36 2/36 2/36 2/36 1/36
5 2/36 2/36 2/36 2/36 1/36 0
4 2/36 2/36 2/36 1/36 0 0
3 2/36 2/36 1/36 0 0 0
2 2/36 1/36 0 0 0 0
1 1/36 0 0 0 0 0
Tabu©ka 7.1: Pravdepodobnosti P [X1 = x1 , X2 = x2 ] z príkladu 7.4.
Je moºné ukáza´, ºe distribu£ná funkcia m-rozmerného náhodného vektora X jednozna£ne

ur£uje pravdepodobnos´ P [X ∈ B] pre akúko©vek m-rozmernú borelovskú mnoºinu B . V
nasledujúcej vete uvedieme dôleºitý ²peciálny prípad, v ktorom je B mnohorozmerný kváder.
Veta 7.6 (Vyjadrenie pravdepodobnosti kvádrov pomocou distribu£nej funkcie náhodného

vektora). Nech F je distribu£ná funkcia náhodného vektora X = (X1 , . . . , Xm ) a nech ai
T (0)
∈
(1) (0) (1)
R, ai ∈ R ∪ {∞}, pri£om ai < ai pre kaºdé i = 1, . . . , m. Potom
(0) (1) (0) (1)

P [a1 ≤ X1 < a1 , a2 ≤ X2 < a1 , . . . , a(0)
m ≤ Xm < am ] =
(1)
X (k )
(−1)m−k1 −...−km F (a1 1 , . . . , a(k m)
m ). (7.1)
k1 ,...,km ∈{0,1}
Dôkaz. Pre jednoduchos´ ozna£me Ai := [ai

(0) (1) (k )
≤ Xi < ai ] a Bi i := [Xi < ai i ] pre v²etky
(k )
i = 1, . . . , m. V²imnime si, ºe pre akúko©vek udalos´ C (²peciálne pre C = ∅) a akéko©vek i

platí
(1) (0)
P (Ai ∩ C) = P (Bi ∩ C) − P (Bi ∩ C); (7.2)
vi¤ veta 1.31. Pomocou uvedeného zna£enia je moºné rovnos´ (7.1) prepísa´ nasledovne:
X
(ki )
P (∩m
i=1 Ai ) = (−1)m−k1 −...−km P ∩m B
i=1 i .
k1 ,...,km ∈{0,1}
Indukciou dokáºeme silnej²ie tvrdenie, a to ºe pre kaºdé r ∈ {1, . . . , m} a kaºdú udalos´ Cr :

X
r−k1 −...−kr (ki )
P (∩ri=1 Ai ∩ Cr ) = (−1) r
P ∩i=1 Bi ∩ Cr . (7.3)
k1 ,...,kr ∈{0,1}
(1) (0)
Pre r=1 P (A1 ∩ C1 ) = P (B1 ∩ C1 ) − P (B1 ∩ C1 ) je ²peciálny
táto rovnos´ platí, pretoºe
prípad rovnosti (7.2). Predpokladajme, ºe m ≥ 2. Ukáºme nasledovný výrok: ak (7.3) platí
pre akéko©vek r ∈ {1, . . . , m − 1} a pre akúko©vek udalos´ Cr , tak (7.3) platí aj pre r + 1 a
1 Symbol T znamená transpozíciu riadkového vektora (X1 , . . . , Xm ). V tomto texte, tak ako vo vä£²ine
u£ebníc a odborných £lánkov v oblasti teórie pravdepodobnosti a matematickej ²tatistiky, chápeme vektory
ako st¨pce.
akúko©vek udalos´ Cr+1 .
P (∩r+1 r
i=1 Ai ∩ Cr+1 ) = P (∩i=1 Ai ∩ Ar+1 ∩ Cr+1 ) =
X
(k )
(−1)r−k1 −...−kr P ∩ri=1 Bi i ∩ Ar+1 ∩ Cr+1 =
k1 ,...,kr ∈{0,1}
X
l−k1 −...−kr (1) r (ki )
(−1) P Br+1 ∩i=1 Bi ∩ Cr+1 −
k1 ,...,kr ∈{0,1}
X
l−k1 −...−kr (0) (k )
(−1) P Br+1 ∩ri=1 Bi i ∩ Cr+1 =
k1 ,...,kr ∈{0,1}
X
(ki )
(−1)(r+1)−k1 −...−kr+1 ∩r+1 B
i=1 i ∩ C r+1 .
k1 ,...,kr+1 ∈{0,1}
Prvá rovnos´ je triviálna, v druhej sme vyuºili induk£ný predpoklad s Cr = Ar+1 ∩ Cr+1 , v
r (ki )
tretej sme opa´ vyuºili (7.2) s i = r + 1 a C = ∩i=1 Bi ∩ Cr+1 a posledná rovnos´ vznikla
len prepisom do kompaktnej²ieho tvaru.
Veta 7.7 (Základné vlastnosti distribu£nej funkcie náhodného vektora ). Nech F je distribu£ná
funkcia m-rozmerného náhodného vektora X. Potom platí:
1. 0 ≤ F (x) ≤ 1 pre v²etky x ∈ Rm ,
2. F je neklesajúca a spojitá z©ava v kaºdej premennej,
3. limx1 ,...,xm →∞ F (x1 , . . . , xm ) = 1,
4. limxi →−∞ F (x1 , . . . , xm ) = 0 pre kaºdé i = 1, . . . , m a x1 , . . . , xi−1 , xi+1 , . . . , xm ∈ R.
Dôkaz. Tieto vlastnosti sa dajú dokáza´ analogicky ako základné vlastnosti distribu£nej fun-
kcie jednorozmernej náhodnej premennej (veta 3.11).
Distribu£ná funkcia náhodného vektora (X1 , . . . , Xm )T jednozna£ne ur£uje distribu£né

funkcie náhodných premenných X1 , . . . , X m , niekedy tieº nazývané marginálne distribu£né
funkcie. Distribu£né funkcie náhodných premenných X1 , . . . , X m v²ak nemusia jednozna£ne
ur£ova´ distribu£nú funkciu náhodného vektora (X1 , . . . , Xm )T .
Veta 7.8 (Marginálna distribu£ná funkcia ). FX je distribu£ná funkcia náhodného vek-

Nech
T
tora X = (X1 , . . . , Xm ) a nech 1 ≤ i1 < · · · < ik ≤ m. Potom pre distribu£nú funkciu FY
T
náhodného vektora Y = (Xi1 , . . . , Xik ) platí
FY (xi1 , . . . , xik ) = lim FX (x1 , . . . , xm ),
kde limitu berieme pre xi → ∞ pre v²etky i∈

/ {i1 , . . . , ik }.
Distribu£ná funkcia nám okrem iného umoº¬uje posúdi´ nezávislos´ náhodných premen-
ných.
Veta 7.9. Nech X1 je náhodná premenná s distribu£nou funkciou F1 a nech X2 je náhodná

premenná s distribu£nou funkciou F2 . Nech F je distribu£ná funkcia náhodného vektora
(X1 , X2 )T . Potom platí: Náhodné premenné X1 a X2 sú nezávislé vtedy a len vtedy, ke¤
F (x1 , x2 ) = F1 (x1 )F2 (x2 ) pre v²etky x1 , x2 ∈ R.
Dôkaz. Veta vyplýva z £asti d) vety 6.3 a z denície 7.5.
Na modelovanie niektorých situácií, najmä v mnohorozmernej ²tatistike, je vhodné po-

uºíva´ celú postupnos´ náhodných vektorov. Podobne ako náhodné premenné, aj náhodné
2
vektory môºu by´ nezávislé, alebo závislé. Nezávislos´ náhodných vektorov denujeme ana-
logicky ako bola denovaná nezávislos´ náhodných premenných v denícii 6.1:
Denícia 7.10 (Nezávislé a závislé náhodné vektory) . X1 , . . . , Xn roz-

Náhodné vektory
merov m1 , . . . , mn sa nazývajú zdruºene nezávislé, ak pre akýko©vek výber mnoºín B1 ∈
Bm1 , . . . , Bn ∈ Bmn platí, ºe udalosti [X1 ∈ B1 ], [X2 ∈ B2 ], . . . , [Xn ∈ Bn ] sú zdruºene
nezávislé. Náhodné vektory X1 , X2 , . . . nekone£nej postupnosti sa nazývajú zdruºene nezá-
vislé, ak sú zdruºene nezávislé náhodné vektory X1 , . . . , Xn pre kaºdé n. Ak náhodné vektory
X1 , . . . , Xn , resp. X1 , X2 , . . . nie sú zdruºene nezávislé, hovoríme, ºe sú zdruºene závislé.
Nezávislos´ náhodných vektorov sa dá vyjadri´ viacerými ekvivalentnými spôsobmi. Nechá-
vame na £itate©a, aby sa pokúsil pre náhodné vektory denova´ tvrdenie analogické tvrdeniu
6.2.
7.2 Diskrétne náhodné vektory
Denícia 7.11 (Diskrétny náhodný vektor ). Náhodný vektor X = (X1 , . . . , Xm )T nazývame

diskrétny, ak je spo£ítate©ný jeho obor hodnôt X(Ω), £o platí vtedy a len vtedy, ak sú v²etky
náhodné premenné X1 , . . . , X m diskrétne.
Denícia 7.12 (Stredná hodnota diskrétneho náhodného vektora ). Nech X = (X1 , . . . , Xm )T

je diskrétny náhodný vektor a nech existuje stredná hodnota (diskrétnej) náhodnej premennej
Xi pre kaºdé i = 1, . . . , m. Potom hovoríme, ºe náhodný vektor X má strednú hodnotu
E(X) = (E(X1 ), . . . , E(Xm ))T .
Príklad 7.13. Náhodný vektor X = (X1 , X2 )T z príkladu 7.4 je diskrétny; nájdime jeho
strednú hodnotu. V príklade 7.4 sme uviedli s akými pravdepodobnosámi nadobúdajú ná-
hodné premenné X1 a X2 1, . . . , 6. Tieto pravdepodobnosti a denícia 4.3 umoº¬ujú
hodnoty
priamo£iaro vypo£íta´, ºe E(X1 ) = 91/36 ≈ 2.528 a E(X2 ) = 161/36 ≈ 4.472. Takºe stredná
T T T
hodnota celého náhodného vektora (X1 , X2 ) je E(X) = (91, 161) /36 ≈ (2.528, 4.472) .
Veta 7.14 (Linearita strednej hodnoty náhodného vektora ). Nech X1 , . . . , Xn sú m-rozmerné

náhodné vektory, z ktorých kaºdý má strednú hodnotu a nech
Pn A1 , . . . , An sú matice typu
k × m. Potom náhodný vektor i=1 Ai Xi má strednú hodnotu a táto stredná hodnota sa dá
vyjadri´ v tvare !
Xn Xn
E Ai Xi = Ai E(Xi ).
i=1 i=1
2 Upozornime, ºe náhodné vektory môºu by´ nezávislé, aj ak náhodné premenné, ktoré tvoria zloºky týchto
náhodných vektorov, sú závislé.
Dôkaz. Pomocou linearity strednej hodnoty náhodných premenných 4.6 a základných denícií
Pn
maticovej algebry je moºné priamo£iaro ukáza´, ºe j -ta zloºka vektora E( i=1 Ai Xi ) je presne
j -ta zloºka vektora ni=1 Ai E(Xi ), pre v²etky j ∈ {1, . . . , k}.
P
Obzvlá²´ si v²imneme ²peciálny prípad vety 7.14: ak m-rozmerný náhodný vektor X má

strednú hodnotu a ak A je matica typu k × m, tak AX má strednú hodnotu AE(X).
Príklad 7.15. Hodíme dvomi hracími kockami. Nájdite strednú hodnotu náhodného vektora
T
Y = (Y1 , Y2 ) , kde Y1 je absolútna hodnota rozdielu výsledkov hodov a Y2 je sú£et výsledkov
hodov. Tento príklad by sme mohli rie²i´ detailným spôsobom, analogicky ako sme rie²ili prí-
klady 7.4 a 7.13. Výsledok príkladu 7.13 a veta 7.14 nám v²ak poskytujú nasledovnú skratku.
T
Nech X = (X1 , X2 ) je náhodný vektor z príkladov 7.4 a 7.13. Základným pozorovaním je,
ºe Y = AX, kde
−1 1
A= .
1 1
Takºe na základe vety 7.14 a výsledku príkladu 7.13 platí E(Y) = AE(X) = (70/36, 252/36)T ≈
(1.944, 7)T .
Nech X je diskrétny náhodný vektor a nech g m-rozmerného
je akáko©vek reálna funkcia
m
reálneho argumentu. ahko sa presved£íme, ºe funkcia g(X), £iºe zloºenie funkcií X : Ω → R
m
a g : R → R, je diskrétna náhodná premenná. Pre strednú hodnotu tejto náhodnej premennej
platí nasledovné uºito£né zov²eobecnenie vety 4.7.
Veta 7.16 (Stredná hodnota funkcie diskrétneho náhodného vektora ). Nech m-rozmerný ná-
hodný vektor X nadobúda vektory (xi )i∈I s nenulovou pravdepodobnosóu a nech g : Rm → R
je spojitá funkcia. Potom stredná hodnota diskrétnej náhodnej premennej
P g(X) existuje a je
kone£ná ak je rad i∈I g(xi )P [X = xi ] absolútne konvergentný. V takomto prípade platí:
X
E(g(X)) = g(xi )P [X = xi ].
i∈I
Príklad 7.17. Vypo£ítajme E(X1 X2 ) pre náhodný vektor z príkladu 7.4. Pod©a vety 7.16
P
platí E(X1 X2 ) = x1 x2 P [X1 = x1 , X2 = x2 ], kde sumujeme cez v²etky také dvojice x1 , x2 ,
pre ktoré P [X1 = x1 , X2 = x2 ] > 0. Túto sumu vieme vypo£íta´ priamo z tabu©ky 7.1 ako
1.1.(1/36) + 1.2.(2/36) + 2.2.(2/36) + . . . + 6.6.(1/36) = 441/36 = 12.25. Stredná hodnota
sú£inu dvoch náhodných premenných sa vyuºíva napríklad na výpo£et kovariancie a korelácie,
s ktorými sa zoznámime neskôr.
Nezávislos´ diskrétnych náhodných vektorov vieme overi´ podobným spôsobom, aký nám
poskytuje veta 6.5 pre náhodné premenné.
7.3 Spojité náhodné vektory
Denícia 7.18. Nech X = (X1 , . . . , Xm )T je náhodný vektor s distribu£nou funkciou F . Nech

m
existuje integrovate©ná funkcia f : R → [0, ∞) taká, ºe
Z x1 Z xm
F (x1 , . . . , xm ) = ... f (t1 , . . . , tm )dt1 . . . dtm pre v²etky x1 , . . . , xm ∈ R.
−∞ −∞
Potom hovoríme, ºe X je spojitý náhodný vektor a f je hustota X.

V porovnaní so ²tandardnou deníciou spojitého náhodného vektora uvedenou vy²²ie,

môºe by´ intuitívne jasnej²ia ekvivalentná denícia formulovaná v nasledujúcej vete.
Veta 7.19. Nech X je m-rozmerný spojitý náhodný vektor s hustotou f. Nech B ⊆ Rm je

borelovská mnoºina. Potom
Z Z
P [X ∈ B] = ... f (t1 , . . . , tm )dt1 · · · dtm .
B
Podobne ako v kapitole 5, viaceré tvrdenia tejto £asti nebudeme dokazova´, pretoºe dôkazy
závisia od detailov toho, ako mali ²tudenti vybudovaný pojem integrálu.
Príklad 7.20. Model vyuºívajúci spojitý náhodný vektor zodpovedá sú£asnému pozorovaniu
£i generovaniu viacerých spojitých náhodných premenných, niekedy zloºito previazaných a
3
závislých.
Uvaºujme napríklad nasledovnú situáciu. Od výrobcu dostávame kaºdý týºde¬ zásielku
ve©kého mnoºstva kusov istého výrobku. Z kaºdej zásielky náhodne vyberáme dva výrobky,
pri£om na oboch uskuto£¬ujeme test doby ºivotnosti. Výsledky sú dvojice kladných reálnych
(1) (1) T (2) (2) T
£ísel, ktoré môºeme modelova´ ako realizácie (X1 , X2 ) , (X1 , X2 ) , . . . nezávislých spo-
4
jitých náhodných vektorov. Z dlhodobých pozorovaní sme zistili , ºe hustota kaºdého z týchto
náhodných vektorov je
f (x1 , x2 ) = a(a + 1)(x1 + x2 + 1)−(a+2) ,
pre v²etky kladné x1 , x2 a f (x1 , x2 ) = 0 pre ostatné x1 , x2 . íslo a>2 je známa kon²tanta.
Takýto model nám umoº¬uje vypo£íta´ pravdepodobnos´ rôznych udalostí týkajúcich sa dvo-
jice dôb ºivotnosti výrobkov, ktoré náhodne vyberieme na testovanie z nasledujúcej zásielky.
Napríklad pravdepodobnos´, ºe pre oba testované výrobky nameriame ºivotnos´ vä£²iu ako t
je Z ∞ Z ∞
P [X1 > t, X2 > t] = a(a + 1)(x1 + x2 + 1)−(a+2) dx2 dx1 = (2t + 1)−a .
t t
Poznámka 7.21. Ak je X spojitý m-rozmerný náhodný vektor s distribu£nou funkciou F,

tak za ur£itých podmienok vieme z F jednoducho vy£íta´, ºe X je spojitý náhodný vektor s
hustotou, ktorú dostaneme pomocou parciálnych derivácií funkcie F . Napríklad ak je distri-
m
bu£ná funkcia F spojite diferencovate©ná na celom R , tak X je spojitý náhodný vektor a
pre jeho hustotu platí
∂ m F (x1 , . . . , xm )
f (x1 , . . . , xm ) =
∂x1 · · · ∂xm
pre v²etky x1 , . . . , xm ∈ R.
3 Platí, ºe ak je X = (X1 , . . . , Xm )T spojitý náhodný vektor, tak kaºdá z náhodných premenných je
spojitá, av²ak opa£ne toto tvrdenie neplatí: ak je kaºdá z náhodných premenných X1 , . . . , Xm spojitá, tak
celý náhodný vektor X = (X1 , . . . , Xm )T e²te nemusí by´ spojitý. Napríklad ak X1 ∼ N (0, 1), tak pre náhodný
T
vektor X = (X1 , X1 ) neexistuje hustota v zmysle denície 7.18, takºe X nie je spojitý. Pochopite©ne, takýto
náhodný vektor X nie je ani diskrétny.
4 pecikovanie vhodného modelu a vyjadrenie na²ej neistoty o rôznych aspektoch modelu je uº záleºitos´
matematickej ²tatistiky.
Obr. 7.2: Náhodný vektor z príkladu 7.20 s parametrom a = 2.1. (a) trojrozmerný poh©ad na
hustotu; (b) úrov¬ové mnoºiny (vrstevnice) hustoty.
Veta 7.22. Nech X = (X1 , . . . , Xm )T je m-rozmerný spojitý náhodný vektor s hustotou f .

Potom je pre kaºdé i = 1, . . . , m náhodná premenná Xi spojitá s hustotou danou v bode
xi ∈ R predpisom
Z ∞ Z ∞
fi (xi ) = ... f (x1 , . . . , xm )dx1 . . . dxi−1 dxi+1 . . . dxm .
−∞ −∞
Príklad 7.23. Hustota jednotlivých náhodných premenných z príkladu 7.20 je

Z ∞
f1 (x1 ) = a(a + 1)(x1 + x2 + 1)−(a+2) dx2 = a(x1 + 1)−(a+1)
0
pre kladné x1f1 (x1 ) = 0 pre x1 ≤ 0. Analogicky f2 (x2 ) = a(x2 + 1)−(a+1) pre x2 > 0 a
a
f2 (x2 ) = 0 pre x2 ≤ 0. V²imnite si, ºe rozdelenie týchto náhodných premenných je posunuté
Paretovo rozdelenie s parameterami k = 1, α = a.
Veta 7.24 (Nezávislos´ spojitých náhodných premenných ). Nech náhodné premenné X1 , . . . , Xn

sú spojité s hustotami f1 , . . . , f n . Ak sú X1 , . . . , X n nezávislé, tak funkcia f : Rn → [0, ∞)
denovaná
f (x1 , . . . , xn ) = f1 (x1 ) · · · fn (xn ) (7.4)
T
je hustotou náhodného vektora X = (X1 , . . . , Xn ) . Naopak, ak pre nejakú hustotu f náhod-
ného vektora X a hustoty f1 , . . . , fn náhodných premenných X1 , . . . , Xn platí (7.4), potom sú
náhodné premenné X1 , . . . , Xn nezávislé.
Príklad 7.25. Náhodné premenné z príkladu 7.20 nie sú nezávislé, pretoºe sú£in hustôt z
príkladu 7.23 nie je hustotou celého náhodného vektora.
Denícia 7.26 (Stredná hodnota spojitého náhodného vektora ). Nech X = (X1 , . . . , Xm )T je

spojitý náhodný vektor a nech existuje stredná hodnota kaºdej (spojitej) náhodnej premennej
Xi pre i = 1, . . . , m. Potom povieme, ºe náhodný vektor X má strednú hodnotu
E(X) = (E(X1 ), . . . , E(Xm ))T .
Príklad 7.27. Odvo¤me strednú hodnotu náhodného vektora X = (X1 , X2 )T z príkladu

T
7.20. Platí E(X) = (E(X1 ), E(X2 )) , kde pre i = 1, 2
Z ∞
1 1
E(Xi ) = axi (xi + 1)−(a+1) dxi = [(axi + 1)(xi + 1)−a ]∞
0 = .
0 a(1 − a) a−1
Veta 7.28 (Linearita strednej hodnoty spojitého náhodného vektora ). Nech X 1 , X2 sú m-

rozmerné spojité náhodné vektory a nech existuje kone£ná stredná hodnota (kaºdej kompo-
nenty) náhodných vektorov X1 , X2 . Nech A, B sú matice typu k ×m, pri£om Y = AX1 +BX2
je spojitý alebo diskrétny náhodný vektor. Potom Y má kone£nú strednú hodnotu danú vzá-
hom
E(Y) = AE(X1 ) + BE(X2 ).
Veta 7.29 (Stredná hodnota funkcie spojitého náhodného vektora ). m-rozmerný spojitý
Nech
m
náhodný vektor X má hustotu f . Nech g : R → R je spojitá funkcia taká, ºe g(X) je spojitá
náh. premenná. Potom stredná hodnota náhodnej premennej g(X) existuje a je kone£ná vtedy
R∞ R∞
a len vtedy, ke¤ existuje a je kone£ný integrál
−∞
. . . −∞ g(x1 , . . . , xm )f (x1 , . . . , xm )dx1 . . . dxm .
V takomto prípade platí:
Z ∞ Z ∞
E(g(X)) = ... g(x1 , . . . , xm )f (x1 , . . . , xm )dx1 . . . dxm .
−∞ −∞
Príklad 7.30. Vypo£ítajme E(X1 X2 ) pre náhodný vektor (X1 , X2 )T z príkladu 7.20. Pod©a
vety 7.29 platí
Z ∞ Z ∞
1
E(X1 X2 ) = x1 x2 a(a + 1)(x1 + x2 + 1)−(a+2) dx1 dx2 = .
0 0 (a − 1)(a − 2)
7.4 Rozdelenie funkcie dvoch náhodných premenných
V teoretických odvodeniach, ako aj v aplikáciách, sa £asto vyskytuje úloha vypo£íta´ funkciu

pravdepodobnosti alebo hustotu borelovskej funkcie h(X1 , X2 ) dvoch náhodných premenných
X1 X2 . Typicky sú X1 a X2 nezávislé náhodné premenné, obe
a diskrétne alebo obe spojité a
2
funkcia h : R → R je sú£et, rozdiel, sú£in, prípadne podiel.
Uvaºujme najprv uvedenú úlohu v prípade, ºe náhodné premenné X1 , X2 sú diskrétne.

Potom je H = h(X1 , X2 ) diskrétna náhodná premenná, ktorá nadobúda hodnoty h ∈ I,
kde I je kone£ná, alebo nekone£ná spo£ítate©ná mnoºina. O£ividne pre kaºdé h ∈ I platí
P
P [H = h] = P [X1 = x1 , X2 = x2 ], kde suma prebieha cez v²etky také h z mnoºiny I , pre
5
ktoré h(x1 , x2 ) = h. Tento sú£et ur£ite existuje a patrí do intervalu [0, 1], av²ak vyjadri´ ho
ako jednoduchú funkciu premennej h nemusí by´ jednoduché.
Príklad 7.31. Budeme hádza´ mincou. Nájdime rozdelenie náhodnej premennej H, ktorá
znamená ko©kokrát hodíme znak, pokým zaznamenáme dvakrát výsledok hlava. Tento prí-
klad je moºné vyrie²i´ aj kombinatoricky, pouºime v²ak postup vysvetlený vy²²ie. Nech X1
znamená po£et padnutí znaku, kým prvýkrát zaznamenáme výsledok hlava a X2 znamená
5 Tento sú£et navy²e nezávisí na poradí s£ítavania, ani ak je nekone£ný.

po£et padnutí znaku medzi zaznamenaním prvého a druhého výsledku hlava. Náhodné pre-
menné X1 a X2 sú nezávislé, obe s rozdelením Geo(1/2). Náhodná premenná H nadobúda
hodnoty h = 0, 1, 2, . . . a platí
X h
X
P [H = h] = P [X1 = x1 , X2 = x2 ] = P [X1 = x1 , X2 = h − x1 ] =
x1 ,x2 ≥0,x1 +x2 =h x1 =0
h h
X X 1 1 h+1
P [X1 = x1 ]P [X2 = h − x1 ] = = .
x1 =0 x1 =0
2x1 +1 2h−x1 +1 2h+2
Náhodná premenná H má takzvané negatívne binomické rozdelenie s parametrami 2 a 1/2.
Ukáºme si teraz základnú stratégiu kon²trukcie rozdelenia náhodnej premennej H =

T
h(X1 , X2 )
v prípade, ºe (X1 , X2 ) je spojitý náhodný vektor so známou hustotou f . Najprv
vypo£ítame distribu£nú funkciu FH náhodnej premennej H a to nasledovne:
ZZ
T
FH (t) = P [h(X1 , X2 ) < t] = P [(X1 , X2 ) ∈ Bt ] = f (x1 , x2 )dx1 dx2 , (7.5)
Bt
kde Bt = {(x1 , x2 )T : h(x1 , x2 ) < t} je mnoºina jednozna£ne ur£ená funkciou h. Mnoºiny

Bt pre t = 1 a pre naj£astej²ie sa vyskytujúce funkcie h sú znázornené na obrázku 7.3.
Pochopite©ne, vypo£íta´ integrál na pravej strane v (7.5) pre v²eobecnú mnoºinu Bt môºe by´
áºké, dokonca aj v prípade nezávislosti X1 a X2 , £iºe ak má hustota f ²peciálne jednoduchý
tvar f (x1 , x2 ) = f1 (x1 )f2 (x2 ). kde f1 a f2 sú známe hustoty náhodných premenných X1 , resp.
X2 . Ak sa nám podarí odvodi´ vzáh pre FH (t) v kaºdom t, tak môºeme výpo£et hustoty
náhodnej premennej h(X1 , X2 ) dokon£i´ derivovaním; presnej²ie vi¤ veta 5.4.
Príklad 7.32. Spustíme dva výpo£ty znáhodneného algoritmu; prvý bude trva´ X1 minút a
druhý X2 minút. Z teoretickej analýzy a dlhodobých skúseností vieme, ºe X1 a X2 môºeme
povaºova´ za nezávislé náhodné premenné, obe s rozdelením Exp(λ), kde λ > 0 je známy pa-
rameter. Vypo£ítajme hustotu náhodnej premennej X1 + X2 . V prípade, ºe výpo£ty spú²áme
za sebou, tak X 1 + X2 reprezentuje dobu od spustenia prvého výpo£tu po ukon£enie druhého
výpo£tu.
Rie²enie: Ke¤ºe X1 a X2 sú nezávislé, obe s rozdelením Exp(λ), tak hustota náhodného
vektora (X1 , X2 )T je sú£inom hustôt f1 a f2 , kde f1 (x1 ) = λe−λx1 pre x1 > 0 a f1 (x1 ) = 0 pre
x1 ≤ 0, resp. f2 (x2 ) = λe−λx2 pre x2 > 0 a f2 (x2 ) = 0 pre x2 ≤ 0. Ke¤ºe nás zaujíma sú£et,
T
tak oblas´ Bt je polrovina bodov (x1 , x2 ) , ktoré sp¨¬ajú x1 + x2 < t. Distribu£ná funkcia
T
náhodného vektora (X1 , X2 ) v bode t > 0 je preto
ZZ
λe−λx1 λe−λx2 dx2 dx1

FH (t) =
B
Z t t Z x1 −t
−λx1 −λx2
= λe λe dx2 dx1 = 1 − e−λt − λte−λt .
0 0
Derivovaním FH dostávame hustotu náhodnej premennej X1 + X2 v tvare fH (t) = λ2 te−λt

pre t > 0 a fH (t) = 0 pre t ≤ 0. Hustota, ktorú sme získali, zodpovedá takzvanému Erlan-
govmu rozdeleniu s parametrami 2 a λ, ktoré sa vyuºíva napríklad pri modelovaní systémov
hromadnej obsluhy.
Obr. 7.3: Sivá oblas´ znázor¬uje mnoºiny Bt pre t = 1. (a) h(x1 , x2 ) = x1 + x2 , (b) h(x1 , x2 ) =
x 1 − x2 , (b) h(x1 , x2 ) = x1 x2 , (c) h(x1 , x2 ) = x1 /x2 pre x2 6= 0 a h(x1 , x2 ) = 0 inak.
Podobne by sme vedeli vypo£íta´ napríklad hustotu náhodnej premennej |X1 − X2 |; ak

by sme oba výpo£ty spustili sú£asne, tak táto náhodná premenná reprezentuje ko©ko budeme
musie´ £aka´ od ukon£enia krat²ieho výpo£tu po ukon£enie dlh²ieho výpo£tu. Tieº je moºné
√
vypo£íta´ napríklad hustotu náhodnej premennej X1 X2 , £iºe geometrického priemeru £asov
výpo£tov, alebo aj hustotu náhodnej premennej X1 /X2 , ktorá reprezentuje ko©kokrát dlh²ie
bude trva´ výpo£et prvého algoritmu v porovnaní s výpo£tom druhého algoritmu.
Poznámka 7.33. Metódami uvedenými v tejto £asti, poprípade pomocou takzvanej vytvá-
6
rajúcej funkcie, alebo charakteristickej funkcie , je moºné dokáza´ mnoºstvo vzáhov medzi
rôznymi rozdeleniami.
7.5 Kovariancia a korelácia náhodných premenných
Kovariancia a korelácia sú jednoduché £íselné miery závislosti dvoch náhodných premenných.

V pravdepodobnosti a ²tatistike sa ve©mi £asto vyuºívajú, a to napriek tomu, ºe vo v²eobec-
nosti nevedia plne charakterizova´ závislos´ náhodných premenných ako takú.
Denícia 7.34 (Kovariancia náhodných premenných ). Nech X1 , X2 sú náhodné premenné s

kone£ným rozptylom, obe diskrétne alebo obe spojité. Kovarianciou náhodných premenných
X1 , X2 nazývame hodnotu
cov(X1 , X2 ) = E(X1 X2 ) − E(X1 )E(X2 ).
Poznámka 7.35. Ak X1 , X2 sú premenné s kone£ným rozptylom, tak je moºné dokáza´, ºe

aj náhodná premenná X1 X2 má kone£nú strednú hodnotu.
Veta 7.36 (Základné vlastnosti kovariancie ). Nech X1 , X2 sú náhodné premenné s kone£ným

rozptylom. Potom platí
1. cov(X1 , X2 ) = cov(X2 , X1 ),
2. cov(aX1 + b, cX2 + d) = ac · cov(X1 , X2 ) pre kaºdé a, b, c, d ∈ R,
3. cov(X1 + X3 , X2 ) = cov(X1 , X2 ) + cov(X3 , X2 ),
4. cov(Xi , Xi ) = D(Xi ) pre i = 1, 2,
5. cov(X1 , X2 ) = E((X1 − E(X1 ))(X2 − E(X2 ))),
6. cov(X1 , X2 ) = 0 ak sú X1 , X2 nezávislé,
7. (cov(X1 , X2 ))2 ≤ D(X1 )D(X2 ).
Dôkaz. Prvé ²tyri rovnosti plynú priamo z denícií a z linearity strednej hodnoty. Tvrdenie
6) plynie priamo z denície kovariancie a vety 6.8. Dokáza´ tvrdenie 7) je zloºitej²ie; urobme
6 Pojmy vytvárajúcej, momentovej vytvárajúce a charakteristickej funkcie sme sa rozhodli do tejto základnej
u£ebnice nezaradi´.
dôkaz len pre prípad, ºe X1 a X2 sú obe diskrétne náhodné premenné. Pripome¬me si, ºe
pod©a Cauchyho nerovnosti platí pre akéko©vek ai , bi ∈ R, i = 1, . . . , n:
n
!2 n n
X X X
ai b i ≤ a2i b2i .
i=1 i=1 i=1
Nech diskrétny náhodný vektor X = (X1 , X2 )T má obor hodnôt(xi )i∈I , pri£om zloºky vektora
xi ozna£íme (xi )1 a (xi )2 . Pouºijúc £as´ 3) znenia tejto vety, vetu 7.16 a Cauchyho nerovnos´
s
p
ai = [(xi )1 − E(X1 )] P [X = xi ],
p
bi = [(xi )2 − E(X2 )] P [X = xi ]
dostávame
!2
X
(cov(X1 , X2 ))2 = [(xi )1 − E(X1 )] [(xi )2 − E(X2 )] P [X = xi ] ≤
i∈I
X X
2
((xi )1 − E(X1 )) P [X = xi ] ((xi )2 − E(X2 ))2 P [X = xi ] = D(X1 )D(X2 ).
i∈I i∈I
7
Rovnosti 1) aº 3) vo vete 7.36 znamenajú, ºe kovariancia je symetrická a lineárna. Vlast-
nosti 2) a 3) implikujú, ºe ak sú X1 , . . . , Xm akéko©vek náhodné premenné s kone£ným rozp-
tylom a a0 , a1 , . . . , am ∈ R, b0 , b1 , . . . , bm ∈ R, tak
m m
! m Xm
X X X
cov ai X i + a0 , bj X j + b0 = ai bj cov(Xi , Xj ). (7.6)
i=1 j=1 i=1 j=1
Upozornime e²te ²peciálne na to, ºe opa£ná implikácia v £asti 6) neplatí; existujú náhodné
premenné, ktoré sú závislé, no majú nulovú kovarianciu.
Denícia 7.37 (Korela£ný koecient ). Nech X1 a X2 sú náhodné premenné s kone£ným

a nenulovým rozptylom. Korela£ným koecientom (alebo stru£ne koreláciou) náhodných
premenných X1 , X2 nazývame hodnotu
cov(X1 , X2 )
ρ(X1 , X2 ) = p p .
D(X1 ) D(X2 )
Ak ρ(X1 , X2 ) = 0, potom hovoríme, ºe X1 , X2 sú nekorelované.
Veta 7.38 (Základné vlastnosti korela£ného koecientu ). Nech X1 a X2 sú náhodné premenné

s kone£ným a nenulovým rozptylom. Potom platí:
1. ρ(X1 , X2 ) = ρ(X2 , X1 ),
2. ρ(aX1 + b, cX2 + d) = ρ(X1 , X2 ) pre kaºdé a > 0, c > 0, b, d ∈ R,

7 Podobnos´ so skalárnym sú£inom dvoch vektorov nie je náhodná.
3. ρ(X1 , X2 ) = 0 ak sú X1 , X2 nezávislé,
4. ρ(X1 , X2 ) ∈ [−1, 1].

Dôkaz. Dôkaz v²etkých £astí tvrdenia plynie priamo z denície korelácie a základných vlast-
ností kovariancie.
Poznámka 7.39. Nech diskrétny náhodný vektor X = (X1 , X2 )T má obor hodnôt (xi )i∈I .
Veta 7.16 nám umoº¬uje vypo£íta´ cov(X1 , X2 ) a ρ(X1 , X2 ) pomocou vzáhov
E(X1 ) = i∈I (xi )1 P [X = xi ], E(X12 ) = i∈I (xi )21 P [X = xi ],
P P
1.
E(X2 ) = i∈I (xi )2 P [X = xi ], E(X22 ) = i∈I (xi )22 P [X = xi ],

P P
2.
P
3. E(X1 X2 ) = i∈I (xi )1 (xi )2 P [X = xi ],
kde (xi )1 a (xi )2 sú komponenty vektora xi .
Príklad 7.40. Vypo£ítajme kovarianciu a koreláciu náhodných premenných X1 , X2 z príkladu
91 161 441
7.4. V príkladoch 7.13 a 7.17 sme vypo£ítali, ºe E(X1 ) = 36 , E(X2 ) =
36
a E(X1 X2 ) =
36
.
441 91 161 352
Kovariancia X1 a X2 je potom cov(X1 , X2 ) =
36
− 36 36 = 362 . alej dopo£ítame rozptyly
352
P6 2 2 2555
X1 , X2 : D(Xi ) = ( j=1 P [Xi = j]j ) − E (Xi ) = 362 pre i = 1, 2, a teda ρ(X1 , X2 ) = 2555 ≈
0.48.
Poznámka 7.41. X = (X1 , X2 )T má hustotu f . Potom
Nech spojitý náhodný vektor pod©a
vety 7.29 môºeme vypo£íta´ cov(X1 , X2 ) aj ρ(X1 , X2 ) vypo£íta´ pomocou vzáhov
R∞ R∞ R∞ R∞
1. E(X1 ) = x f (x1 , x2 )dx1 dx2 , E(X12 ) = −∞ −∞ x21 f (x1 , x2 )dx1 dx2 ,
−∞ −∞ 1
R∞ R∞ 2
R∞ R∞ 2
2. E(X2 ) = x 2 f (x 1 , x2 )dx 1 dx 2 , E(X2 ) = x f (x1 , x2 )dx1 dx2 ,
−∞ −∞ −∞ −∞ 2
R∞ R∞
3. E(X1 X2 ) = x x f (x1 , x2 )dx1 dx2 .
−∞ −∞ 1 2
Príklad 7.42. Vypo£ítajme kovarianciu a koreláciu náhodných premenných X1 , X2 z prí-

1 1
kladu 7.20. Vieme uº, ºe E(Xi ) = a E(X1 X2 ) = . Potom teda cov(X1 , X2 ) =
a−1 (a−1)(a−2)
1
E(X1 X2 ) − E(X1 )E(X2 ) = (a−1)2 (a−2) . Na to, aby sme vypo£ítali korela£ný koecient, potre-
a 1
bujeme e²te rozptyly marginálnych rozdelení D(Xi ) = , a odtia© ρ(X1 , X2 ) = .
(a−1)2 (a−2) a
7.6 Kovarian£ná matica náhodného vektora
Denícia 7.43 (Kovarian£ná matica náhodného vektora ). Nech X = (X1 , . . . , Xm )T je ná-

hodný vektor a nech kaºdá náhodná premenná Xi , i = 1, . . . , m, má kone£ný rozptyl. Potom
povieme, ºe náhodný vektor X má kone£nú kovarian£nú maticu Cov(X), pri£om i, j -ty
prvok tejto matice denujeme
(Cov(X))i,j = cov(Xi , Xj ).
Veta 7.44 (Kovarian£ná matica lineárnej transformácie náhodného vektora ). Nech X =
T
(X1 , . . . , Xm ) je náhodný vektor s kone£nou kovarian£nou maticou Cov(X), nech A je matica
k
typu k × m a nech b ∈ R . Potom Y = AX + b je náhodný vektor s kone£nou kovarian£nou
maticou a platí
Cov(Y) = ACov(X)AT .
Dôkaz. Ak Y = (Y1 , . . . , Yk )T = AX + b, potom pre kaºdé j = 1, . . . , k platí
Yj = Aj,1 X1 + · · · + Aj,m Xm + bj ,
kde Aj,r je prvok matice A v j -tom riadku a r-tom st¨pci a bj je j -ta komponenta vektora
b. Z denície kovariancie, rovnosti (7.6) a denície kovarian£nej matice dostávame pre kaºdé
i, j ∈ {1, . . . , k}:P
(Cov(Y))i,j = cov(Yi , Yj ) = cov(Ai,1 X1 + · · · + Ai,m Xm + bi , Aj,1 X1 + · · · +
Aj,m Xm + bj ) = m T
r,s=1 Ai,r Aj,s cov(Xr , Xs ) = (ACov(X)A )i,j .
Veta 7.45 (Základné vlastnosti kovarian£nej matice ). X = (X1 , . . . , Xm )T nech je náhodný

vektor s kone£nou kovarian£nou maticou Cov(X). Potom matica Cov(X) je symetrická, po-
zitívne semidenitná, s rozptylmi náhodných premenných X1 , . . . , Xm na diagonále.
Dôkaz. Symetrickos´ Cov(X) a vzáh (Cov(X))i,i = D(Xi ) plynú z denície kovar. matice
a prvých dvoch vzáhov vo vete 7.36. Pozitívnu semidenitnos´ matice Cov(X) dokáºeme
m T
takto: Nech a ∈ R je ©ubovo©ný vektor. Z nezápornosti rozptylu náhodnej premennej a X a
T
z vety o kovarian£nej matici lineárnej transformácie náhodného vektora máme 0 ≤ D(a X) =
T T
Cov(a X) = a Cov(X)a. Tým je pozitívna semidenitnos´ Cov(X) dokázaná.
Príklad 7.46. Náhodný vektor z príkladu 7.40 má kovarian£nú maticu

1 2555 1225
.
362 1225 2555
Náhodný vektor z príkladu 7.42 má kovarian£nú maticu

1 a 1
.
(a − 1)2 (a − 2) 1 a
7.7 Základné typy rozdelení náhodných vektorov
7.7.1 Multinomické rozdelenie
Denícia 7.47 (Multinomické rozdelenie ). Nech . , Xm )T je náhodný vektor.

X = (X1 , . . P
m
Nech n∈N a nech p1 , . . . , p m sú nezáporné reálne £ísla také, ºe j=1 pj = 1. Nech platí
n!
P [X1 = k1 , . . . , Xm = km ] = pk1 pk2 . . . pkmm
k1 ! . . . km ! 1 2
Pm
pre v²etky tie k1 , . . . , km ∈ {0, 1, . . . , n}, ktoré sp¨¬ajú j=1 kj = n. Potom hovoríme, ºe ná-
hodný vektor X má multinomické rozdelenie s parametrami n, p1 , . . . , pm . Túto skuto£nos´
zna£íme X ∼ M ult(n, p1 , . . . , pm ).
Poznámka 7.48. Predpokladajme, ºe budeme realizova´ n nezávislých pokusov, pri£om vý-

sledkom kaºdého z nich bude práve jeden z m typov výsledku. V kaºdom pokuse sa realizuje
j -ty typ výsledku s pravdepodobnosóu pj . Nech Xj znamená po£et tých pokusov, ktoré skon-
£ia j -tym typom výsledku. Potom X = (X1 , . . . , Xm )T ∼ M ult(n, p1 , . . . , pm ).
Napríklad nech Y1 , . . . , Yn sú nezávislé náhodné premenné s distribu£nou funkciou F . Nech
m > 2 a a1 < . . . < am−1 nech sú reálne £ísla. Nech X1 , . . . , Xm znamenajú to, ko©ko z hodnôt
Y1 , . . . , Yn padne do intervalov (−∞, a1 ], (a1 , a2 ], . . . , (am−1 , ∞). Potom X = (X1 , . . . , Xm )T ∼
M ult(n, p1 , . . . , pm ), kde p1 = F (a1 ), p2 = F (a2 ) − F (a1 ), . . . , pm = 1 − F (am−1 ).
Veta 7.49 (Vzáh multinomického a binomického rozdelenia ). Nech X = (X1 , . . . , Xm )T ∼

M ult(n, p1 , . . . , pm ). Potom Xj ∼ Bin(n, pj ) pre kaºdé j = 1, . . . , m.
Dôkaz. X = (X1 , . . . , Xm )T ∼ M ult(n, p1 , . . . , pm ).

Nech Dokáºeme, ºe X1 ∼ Bin(n, p1 ). Pre
kaºdé k1 ∈ {0, 1, . . . , n} platí
X X n!
P [X1 = k1 ] = P [X1 = k1 , . . . , Xm = km ] = pk1 pk2 . . . pkmm ,
k1 ! . . . km ! 1 2
pri£om v²ade v tomto dôkaze sumujeme cez tie

Pm k2 , . . . , km ∈ {0, 1, . . . , n}, ktoré sp¨¬ajú
j=2 kj = n − k1 . Z multinomického rozvoja
X (n − k1 )!
(1 − p1 )n−k1 = (p2 + . . . + pm )n−k1 = pk22 . . . pkmm
k2 ! . . . km !
dostávame
n!pk11 X (n − k1 )!
n k1
P [X1 = k1 ] = pk2 . . . pkmm = p (1 − p1 )n−k1
k1 !(n − k1 )! k2 ! . . . km ! 2 k1 1
Tvrdenie Xj ∼ Bin(n, pj ) môºeme dokáza´ analogicky pre kaºdé j = 1, . . . , m.
Poznámka 7.50. Uvaºujme interpretáciu z poznámky 7.48. V²imnite si, ºe ak ozna£íme

ako Vij náhodnú premennú, ktorá nadobúda 1, ak skon£il i-ty pokus výsledkom j a 0 inak,
potom pre kaºdý výber indexov j1 , j2 , . . . , jn ∈ {1, . . . , m} sú náhodné premenné V1j1 , . . . , Vnjn
nezávislé. Navy²e, pre kaºdé j = 1, . . . , m platí Xj = V1j + · · · + Vnj . Toto pozorovanie nám
umoºní jednoducho ukáza´ nasledovnú vetu.
Veta 7.51 (Stredná hodnota a kovarian£ná matica multinomického rozdelenia ). X∼

Nech
M ult(n, p1 , . . . , pm ). Potom pre strednú hodnotu vektora X platí E(X) = (np1 , . . . , npm )T a
pre kovarian£nú maticu Cov(X) platí
(Cov(X))j,j = npj (1 − pj ) pre j = 1, . . . , m,
(Cov(X))j,k = −npj pk pre j, k ∈ {1, . . . , m} , j 6= k.
Dôkaz. Vlastnos´ E(Xj ) = npj (Cov(X))j,j = D(Xj ) = −npj (1 − pj ) pre j = 1, . . . , m

a
plynie z viet 7.49 a 4.21. Dokáºeme, ºe (Cov(X))j,k = −npj pk pre pevné j 6= k . Nech Xj =
V1j + · · · + Vnj pre kaºdé j = 1, . . . , m ako v predchádzajúcej poznámke. Potom
(Cov(X))j,k = cov(Xj , Xk ) = cov(V1j + · · · + Vnj , V1k + · · · + Vnk ) =

n
X X n
X n
X
cov(Vij , Vlk ) = cov(Vij , Vlk ) + cov(Vij , Vik ) = cov(Vij , Vik ),
i,l=1 i6=l i=1 i=1
P
kde posledná rovnos´ plynie z toho, ºe Vij , Vlk sú nezávislé ak i 6= l, teda i6=l cov(Vij , Vlk ) = 0.
Av²ak j 6= k , preto Vij Vik = 0 pre kaºdé i, takºe
cov(Vij , Vik ) = E(Vij Vik ) − E(Vij )E(Vik ) = −pj pk .
Tým je dôkaz ukon£ený.

Príklad 7.52. Lotérie sa ú£astní n = 100 ©udí. Kaºdý £lovek získa práve jednu cenu; cenu
v prvom poradí získa £lovek s pravdepodobnosóu 1/10, cenu v druhom poradí s pravdepo-
dobnosóu 2/10 a v treóm poradí s pravdepodobnosóu 7/10. Nech Xi je náhodná premenná,
ktorá znamená po£et výhier v i-tom poradí, i = 1, 2, 3. Nájdeme v²etky vzájomné korelácie
náhodných premenných X1 , X2 , X3 .
Rie²enie: Náhodný vektor X = (X1 , X2 , X3 )T má rozdelenie M ult(100, 101 , 102 , 107 ). Pod©a
vety 7.51 teda máme D(X1 ) = 9, D(X2 ) = 16, D(X3 ) = 21 a Cov(X1 , X2 ) = 2, Cov(X1 , X3 ) =
7, Cov(X2 , X3 ) = 14. Odtia© dostaneme korela£né koecienty ρ(X1 , X2 ) = 61 , ρ(X1 , X3 ) =
√7 , ρ(X2 , X3 ) = √7 .
3 21 2 21
7.7.2 Viacrozmerné normálne rozdelenie
8
Viacrozmerné normálne rozdelenie má ústredné postavenie v pravdepodobnostnom modelo-
vaní a vo viacrozmerných ²tatistických metódach. Dôvodom sú jeho ve©mi výhodné analytické
vlastnosti a aj skuto£nos´, ºe vektorové pozorovania sa £asto správajú pribliºne tak, ako keby
pochádzali z viacrozmerného normálneho rozdelenia. V tejto £asti si uvedieme niektoré zá-
kladné vlastnosti toho rozdelenia; podrobnej²ia analýza presahuje ciele tejto u£ebnice.
Denícia 7.53 (Regulárne viacrozmerné normálne rozdelenie ). Nech µ ∈ Rm a nech Σ je

T
pozitívne denitná matica typu m × m. X = (X1 , . . . , Xm ) je spojitý
Nech náhodný vektor
s hustotou
−m/2 −1/2 1 T −1
f (x) = (2π) (det Σ) exp − (x − µ) Σ (x − µ) .
2
Potom hovoríme, ºe X má regulárne m-rozmerné normálne rozdelenie s parametrami
µ a Σ. Túto skuto£nos´ zna£íme X ∼ Nm (µ, Σ).
Veta 7.54. Nech X ∼ Nm (µ, Σ), kde µ ∈ Rm a Σ je pozitívne denitná matica typu m × m.
k
Nech b ∈ R , nech A je matica typu k × m a hodnosti k . Potom náhodný vektor AX + b má k -
T
rozmerné regulárne normálne rozdelenie Nk (Aµ + b, AΣA ). peciálne, ak volíme k = 1, A =
(0, . . . , 0, 1, 0, . . . , 0) (jednotka je na i-tej pozícii) a b = 0 tak dostávame: Xi ∼ N (µi , (Σ)ii ).
Veta 7.55. NechX = (X1 , . . . , Xm )T ∼ Nm (µ, Σ), kde µ ∈ Rm a Σ je pozitívne denitná
matica typu m × m. Potom E(X) = µ a Cov(X) = Σ.
Dôkaz. Najprv predpokladajme, ºe Σ je jednotková matica a µ je nulový vektor. Z denície
normálneho náhodného vektora a vety 7.54 vidíme, ºe pre hustotu f vektora X a hustoty fi
komponent Xi náhodného vektora X platí:
m m
1 2 2
Y 1
2
Y
f (x1 , . . . , xm ) = exp(−(x 1 + . . . + x m )/2) = √ exp(−x i /2) = fi (xi ).
(2π)m/2 i=1
2π i=1
Na základe vety 7.24 usudzujeme, ºe X1 , . . . , Xm sú nezávislé a preto cov(Xi , Xj ) = 0 ak

i 6= j . Ke¤ºe Xi ∼ N (0, 1), tak E(Xi ) = 0 a cov(Xi , Xi ) = D(Xi ) = 1. Preto E(X) = 0 a
Cov(X) = I .
m
Teraz predpokladajme, ºe µ ∈ R a Σ je akáko©vek pozitívne denitná matica typu
−1/2 −1
m × m. Nech Σ je odmocnina z matice Σ , t.j. taká pozitívne denitná matica, ºe
8 Niekedy sa môºeme stretnú´ s pojmom mnohorozmerné normálne rozdelenie, alebo zdruºené normálne
rozdelenie.
Obr. 7.4: Dvojrozmerné normálne rozdelenie so strednou hodnotou µ = (0, 0)T a kovarian£nou
maticou s jednotkami na diagonále a hodnotami 0.5 mimo diagonály. (a) trojrozmerný poh©ad
na hustotu; (b) úrov¬ové mnoºiny (vrstevnice) hustoty.
Σ−1/2 Σ−1/2 = Σ−1 .

(Existencia takej matice sa ²tandardne ukazuje v teórii matíc.) Pod©a
−1/2
vety 7.54 má náhodný vektor Σ (X − µ) rozdelenie Nm (0, I) a pod©a prvej £asti dôkazu,
pod©a vety o linearite strednej hodnoty a vety o kovarian£nej matici lineárnej transformácie
máme rovnosti:
0 = E(Σ−1/2 (X − µ)) = Σ−1/2 (E(X) − µ),
I = Cov(Σ−1/2 (X − µ)) = Σ−1/2 Cov(X)Σ−1/2 ,
z ktorých dostávame tvrdenie vety.
Veta 7.56. Platí ekvivalencia nasledovných dvoch výrokov:
1. X1 , . . . , X m sú nezávislé náhodné premenné, pri£om Xi ∼ N (µi , σi2 );
2. Náhodný vektor X = (X1 , . . . , Xm )T má rozdelenie Nm (µ, Σ), kde µ = (µ1 , . . . , µm )T a

2 2
Σ je diagonálna matica s prvkami σ1 , . . . , σm na diagonále.
Dôkaz. Veta sa dá jednoducho ukáza´ pomocou viet 7.54 a 7.24.
Príklad 7.57. Dvojrozmerné normálne rozdelenie Vezmime v denícii 7.53 m = 2, uvaºu-

jeme teda dvojrozmerné normálne rozdelenie náhodného vektora X = (X1 , X2 )T so strednou
T
hodnotou µ = (µ1 , µ2 ) a kovarian£nou maticou

σ12 σ12
Σ= ,
σ21 σ22
kde σ12 = D(X1 ), σ22 = D(X2 ) σ12 = σ21 = cov(X1 , X2 ). Ozna£me ¤alej ρ = σσ112σ2 korela£ný
a
koecient náhodných premenných X1 a X2 . Hustota X ∼ N2 (µ, Σ) sa dá potom napísa´
nasledovne
 2

 (x1 −µ2 1 ) − 2ρ(x1 −µ1 )(x2 −µ2 ) (x2 −µ2 )2
1 σ1 σ1 σ2
+ σ22

f (x1 , x2 ) = p exp − .
2πσ1 σ2 1 − ρ 2  2(1 − ρ2 ) 
Dá sa jednoducho ukáza´, ºe úrov¬ové mnoºiny tejto hustoty, £iºe mnoºiny {(x1 , x2 )T :

9
f (x1 , x2 ) ≤ r}, sú elipsy. Tvar hustoty f a jej úrov¬ové mnoºiny sú ilustrované na obrázku
7.4. Ak Σ = I2 , potom sú úrov¬ové mnoºiny hustoty f kruºnice. Táto situácia zodpovedá
²tandardizovanému dvojrozmernému rozdeleniu, v ktorom majú obe zloºky ²tandardizované
jednorozmerné rozdelenie a sú nezávislé (a teda aj nekorelované a ρ = 0).
Príklad 7.58. Dve agentúry na prieskum verejnej mienky vykonávajú prieskum volebných
preferencií kandidáta, kaºdá na náhodnej vzorke n voli£ov. Predpokladajme, ºe podiel v²et-
kých voli£ov, ktorý preferujú tohto kandidáta, je p. Pomocou aproximácie binomického roz-
delenia normálnym odhadnite hornú hranicu pravdepodobnosti, ºe odhad preferencií u oboch
agentúr sa bude odli²ova´ o menej ako 5%.
Rie²enie: Nech X1 X2
je po£et hlasov za kandidáta, ktoré nameria prvá agentúra a nech
je po£et hlasov za kandidáta, ktoré nameria druhá agentúra. Zaujíma nás P [|X1 /n − X2 /n| >
0.05], £iºe P [−0.05n < X1 − X2 < 0.05n]. Nájdime preto pribliºné rozdelenie náhodnej
premennej X1 − X2 . Predpokladajme, ºe obe agentúry realizujú výber respondentov dokonale
náhodne na mnoºine v²etkých potenciálnych voli£ov a to navzájom nezávisle. Potom náhodné
premenné X1 a X2 majú rozdelenie Hyp(M, n, pM ), kde M je po£et v²etkých potenciálnych
voli£ov. Ak je po£et voli£ov M n, tak sú X1 a
mnohonásobne vä£²í ako po£et respondentov
X2 nezávislé náhodné premenné s pribliºne binomickým rozdelením Bin(n, p). Ak je navy²e
n dostato£ne ve©ké a p nie príli² extremálne (povedzme n = 1000 a 0.1 < p < 0.9), tak
môºeme pouºi´ De Moivrovu-Laplaceovu vetu, ktorá implikuje, ºe X1 a X2 budú nezávislé
náhodné premenné s rozdelením pribliºne N (np, np(1 − p)). Pod©a vety 7.56 platí, ºe náhodný
T
vektor X má zdruºene normálne rozdelenie so strednou hodnotou µ = (np, np) a diagonálnou
kovarian£nou maticou Σ s diagonálnymi prvkami rovnými hodnote np(1 − p). Následne, ke¤ºe
X1 −X2 = (1, −1)X, tak X1 −X2 má pod©a viet 7.54 a 7.55 jednorozmerné normálne rozdelenie
T
so strednou hodnotou (1, −1)µ = 0 a rozptylom (1, −1)Σ(1, −1) = 2np(1 − p). Pre h©adanú
pravdepodobnos´ teda dostávame
" #
−0.05n X1 − X2 0.05n
P [−0.05n < X1 − X2 < 0.05n] = P p <p <p =
2np(1 − p) 2np(1 − p) 2np(1 − p)
√ !
0.05 n
= 2Φ p − 1.
2p(1 − p)
Napríklad pre n = 1000 a p = 0.5 je táto pravdepodobnos´ pribliºne 0.975. Stochastické

simulácie, v ktorých nie je potrebné robi´ vy²²ie uvedené zjednodu²enia, sú v dobrej zhode
s týmto £íselný odhadom. Pre p men²ie alebo vä£²ie ako 1/2, taktieº pre n > 1000, vyjde
odhadovaná pravdepodobnos´ e²te vy²²ia.
9 Pre r ∈ (0, y), kde y = f (µ1 , µ2 ).

INFp

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

INFp

Uploaded by

Copyright:

Available Formats

Základy teórie pravdepodobnosti a matematickej

²tatistiky pre ²tudentov informatiky a dátovej vedy

Radoslav Harman a Lenka Filová

1 Axiomatická denícia pravdepodobnosti 4

2 Podmie¬ovanie a nezávislos´ udalostí 16

3 V²eobecné náhodné premenné 25

4 Diskrétne náhodné premenné 32

5 Spojité náhodné premenné 47

6 Nezávislos´ náhodných premenných 58

Cie©om tejto vysoko²kolskej u£ebnice je vysvetli´ základné princípy teórie pravdepodob-

doc. Mgr. Radoslav Harman, PhD. a Mgr. Lenka Filová, PhD.

1.1 Priestor udalostí

Základom pre vybudovanie modernej teórie pravdepodobnosti sú matematické objekty, ktoré

Denícia 1.1 (σ-algebra). Nech Ω je neprázdna mnoºina a nech S ⊆ 2Ω . Systém S podmnoºín

(nie nutne v²etkých) podmnoºín mnoºiny Ω. b) Ak pouºijeme v texte pojem postupnos´,

Veta 1.5 (Uzavretos´ σ-algebry vzh©adom na spo£ítate©né prieniky ). Ak S je σ -algebra pod-

Veta 1.7 (Uzavretos´ σ-algebry vzh©adom na rozdiel mnoºín ). Ak S je σ -algebra podmnoºín

Poznámka 1.8. Pojem σ -algebry je moºné denova´ viacerými ekvivalentnými spôsobmi.

V pravdepodobnostných modeloch predstavujú prvky mnoºiny Ω atomické, ¤alej nerozlo-

Denícia 1.9 (Elementárne výsledky a udalosti ). Nech S je σ-algebra udalostí na mnoºine Ω.

1 Niekedy sa môºeme stretnú´ s analogickou deníciou, v ktorej sa namiesto spo£ítate©ných zjednotení

Obr. 1.1: Ilustra£ný obrázok k príkladu 1.10

Poznámka 1.11. Uvedomme si, ºe v modeli danom nejakým pravdepodobnostným priesto-

Ukazuje sa, ºe ak je mnoºina Ω nekone£ná a zvolili by sme S = 2Ω , potom by mohlo

Denícia 1.14 (σ-algebra generovaná systémom mnoºín ). Nech Ω 6= ∅ a nech F je nejaký

mnoºiny Ω, pre ktoré platí: 1) F ⊆ S a 2) S je σ -algebra na Ω. Potom σ -algebru σ(F) nazývame

Na formálne exaktné pravdepodobnostné modelovanie je e²te komplikovanej²ia taká (£astá)

Denícia 1.17 (σ-algebra borelovských podmnoºín Rm ). Nech O

Niekedy potrebujeme modelova´ výskyt, generovanie, £i pozorovanie aj iných náhodných

1.2 Pravdepodobnostná miera

Denícia 1.21 (Pravdepodobnostná miera ). Pravdepodobnostná miera na σ -algebre S

Denícia 1.23 (Pravdepodobnostný priestor ). Nech S je σ -algebra udalostí na výberovom

hodov sú navzájom nezávislé. Mnoºiny A opísané vy²²ie zodpovedajú udalosti, ºe v hodoch

Príklad 1.28. Existencia rovnomernej pravdepodobnosti. Uvaºujme kváder Q = [l1 , u1 ] ×

Pravdepodobnostný priestor (R, B, P1 ) je model rovnomerného náhodného výberu bodu (alebo

Príklad 1.29. Existencia gaussovskej miery na R. Nech S = B, µ ∈ R a σ > 0. Moºno uká-

1.3 Základné vlastnosti pravdepodobnosti

Veta 1.31 (Rozdielovos´ a monotónnos´ ). Nech A,B sú udalosti pravdepodobnostného pries-

Dôkaz. A a B \ A sú disjunktné, máme P (A) + P (B \ A) = P (A ∪ (B \ A)) =

Veta 1.32 (Pravdepodobnos´ komplementu ). Nech (Ω, S, P ) je pravdepodobnostný priestor a

Dôkaz. Veta je ²peciálny prípad predchádzajúcej vety pre B = Ω.

Poznámka 1.33. Nech A je udalos´, P (A) 6= 1. Potom £íslo

Veta 1.34 (Pravdepodobnos´ zjednotenia dvoch udalostí ). Nech A, B sú udalosti pravdepo-

P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

Dôkaz. Zrejme udalosti A a B\A sú disjunktné a ich zjednotenie je A ∪ B , takºe P (A ∪ B) =

Veta 1.35 (Princíp inklúzie-exklúzie (zapojenia-vypojenia) ). Nech A1 , A2 , . . . , An sú udalosti

P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (B ∩ C) − P (A ∩ C) + P (A ∩ B ∩ C).

Pre n≥4 udalos´ A∩B∩C nemôºe nasta´, preto P (A ∩ B ∩ C) = 0. Takºe

V predchádzajúcom príklade sme formálne nedenovali model na úrovni komponentov Ω,

Veta 1.38 (Booleova nerovnos´) . Ak (Ai )i∈I je postupnos´ udalostí pravdepodobnostného

Dôkaz. Dokáºme vetu pre prípad I = {1, . . . , n}. n−1

Poznámka 1.39. Vlastnos´ pravdepodobnosti z predchádzajúcej úlohy nazývame subaditi-

P {x ∈ [0, 1) : f (cos(2πx), sin(2πx)) = Z} = 0.3,

kde P je rovnomerná pravdepodobnos´ na intervale [0, 1] z príkladu 1.28. Dokáºeme, ºe do

Nasledovné vety sa pouºívajú pri dokazovaní niektorých limitných pravdepodobnostných

Veta 1.41 (Spojitos´ pravdepodobnosti zdola ). Nech (Ai )∞

Dôkaz. Poloºme A0 = ∅ a Bi = Ai \Ai−1 pre kaºdé i ∈ N. V²imneme si, ºe ∪∞ i=1 Bi =

Poznámka 1.43. Ako zaujímavos´ uve¤me, ºe v denícii pravdepodobnostnej miery by sme

2.1 Podmienená pravdepodobnos´

Denícia 2.1 (Podmienená pravdepodobnos´ udalosti ). Nech A a B sú udalosti, pri£om

Dôkaz. Tvrdenie plynie priamo z denície podmienenej pravdepodobnosti a zo základných

Denícia 2.4 (Podmienená pravdepodobnostná miera ). Pravdepodobnos´ PB z vety 2.3 nazý-

Poznámka 2.5. Nahradenie (Ω, S, P ) priestorom (Ω, S, PB ) predstavuje prirodzenú zmenu

Vy²²ie uvedené denície ilustrujeme na obrázku 2.1.

1 Axiomatická denícia pravdepodobnosti 4

Denícia 1.1 (σ-algebra). Nech Ω je neprázdna mnoºina a nech S ⊆ 2Ω . Systém S podmnoºín

(nie nutne v²etkých) podmnoºín mnoºiny Ω. b) Ak pouºijeme v texte pojem postupnos´,

Poznámka 1.8. Pojem σ -algebry je moºné denova´ viacerými ekvivalentnými spôsobmi.

Denícia 1.9 (Elementárne výsledky a udalosti ). Nech S je σ-algebra udalostí na mnoºine Ω.

1 Niekedy sa môºeme stretnú´ s analogickou deníciou, v ktorej sa namiesto spo£ítate©ných zjednotení

Denícia 1.14 (σ-algebra generovaná systémom mnoºín ). Nech Ω 6= ∅ a nech F je nejaký

Denícia 1.17 (σ-algebra borelovských podmnoºín Rm ). Nech O

Denícia 1.21 (Pravdepodobnostná miera ). Pravdepodobnostná miera na σ -algebre S

Denícia 1.23 (Pravdepodobnostný priestor ). Nech S je σ -algebra udalostí na výberovom

hodov sú navzájom nezávislé. Mnoºiny A opísané vy²²ie zodpovedajú udalosti, ºe v hodoch

V predchádzajúcom príklade sme formálne nedenovali model na úrovni komponentov Ω,

Poznámka 1.43. Ako zaujímavos´ uve¤me, ºe v denícii pravdepodobnostnej miery by sme

Denícia 2.1 (Podmienená pravdepodobnos´ udalosti ). Nech A a B sú udalosti, pri£om

Dôkaz. Tvrdenie plynie priamo z denície podmienenej pravdepodobnosti a zo základných

Denícia 2.4 (Podmienená pravdepodobnostná miera ). Pravdepodobnos´ PB z vety 2.3 nazý-

Vy²²ie uvedené denície ilustrujeme na obrázku 2.1.

B ∩ A1 , . . . , B ∩ An ) spolu s aditivitou pravdepodobnosti a deníciu podmienenej pravdepo-

Denícia 2.12 (Nezávislos´ dvoch udalostí ). Nech pre udalosti A a B platí P (A ∩ B) =

Denícia 2.13 (Zdruºená nezávislos´ n-tice udalostí ). A1 , . . . , An nech sú udalosti, pri£om

Denícia 3.1 (Náhodná premenná ). Nech (Ω, S, P ) je pravdepodobnostný priestor. Budeme

podmnoºín H ⊆ R, pre ktoré platí X −1 (H) ∈ S. ahko overíme, ºe H je σ -algebra na R, ktorá

Intuitívne zdôvodnenie podmienky merate©nosti v denícii 3.1 je nasledovné. Pre akéko©-

Poznámka 3.4. Náhodná premenná X (Ω, S, P ) denuje

1. Nech S je σ -algebra na mnoºine Ω 6= ∅ a nech A ⊆ Ω. Denujme zobrazenie IA : Ω → R

menné by boli denované X(i1 , i2 , i3 ) = i1 + i2 + i3 , Y (i1 , i2 , i3 ) = max(i1 , i2 , i3 ) a

Denícia 3.6. Funkcia g : Rn → R sa nazýva borelovská, ak pre kaºdé B ∈ B platí

Dôleºité je uvedomi´ si to, ºe prakticky kaºdá slu²ná funkcia z Rn do R sa dá napísa´

Denícia 3.9 (Distribu£ná funkcia ). Distribu£nou funkciou náhodnej premennej X

Dôkaz. Priamo z denície máme P [a ≤ X < b] = P [X < b] − P [X < a] = F (b) − F (a).

Denícia 3.13 (Kvantilová funkcia ). Nech F : R → [0, 1] je distribu£ná funkcia náhodnej

Denícia 3.16 (Kvantily náhodnej premennej ). G : (0, 1) → R je kvantilová funkcia

Denícia 4.1 (Diskrétna náhodná premenná ). Náhodnú premennú X na pravdepodobnost-

Hovoríme, ºe diskrétna náhodná premenná X nadobúda spo£ítate©ne ve©a hodnôt a ºe

4.2 íselné charakteristiky diskrétnych náhodných pre-

Denícia 4.3 (Stredná hodnota

Poznámka 4.5. Fyzikálne sa dá na strednú hodnotu pozera´ ako na ´aºisko rozdelenia

peciálne, E(aX) = aE(X) a E(X + Y ) = E(X) + E(Y ).