Rozdział 1

Wektory losowe

1.1 Wektor losowy i jego rozkład

Definicja 1 Wektor X = (X1 , . . . , Xn ), którego każda współrzędna jest zmienną losową,
nazywamy n-wymiarowym wektorem losowym (krótko – wektorem losowym).

Definicja 2 Wartość x = (x1 , . . . , xn ) wektora losowego X = (X1 , . . . , Xn ) dla ustalonego

ω, tzn. xi = Xi (ω), dla każdego i ∈ {1, . . . , n}, nazywamy realizacją wektora losowego X.

Przykład 1 Rozpatrzmy n-krotny rzut kostką. Niech Xi , i = 1, . . . , n, będzie zmienną lo-

sową przyjmującą wartość xi równą liczbie oczek w i-tym rzucie. Wówczas X = (X1 , . . . ,
Xn ) jest wektorem losowym oraz x = (x1 , . . . , xn ) taki, że xi = 6 dla każdego i ∈
{1, . . . , n}, jest jego przykładową realizacją.

Rozkład wektora losowego (in. rozkład łączny wektora losowego), podobnie jak roz-
kład zmiennej losowej, może być określony przez jego dystrybuantę.

Definicja 3 Funkcję F : Rn → [0, 1] określoną wzorem

F (x1 , . . . , xn ) = P ({ω : X1 (ω) ≤ x1 , . . . , Xn (ω) ≤ xn })

nazywamy dystrybuantą rozkładu łącznego wektora losowego X = (X1 , . . . , Xn ) lub krótko

dystrybuantą wektora losowego X.

Definicja 4 Jeżeli wektor losowy X = (X1 , . . . , Xn ) przyjmuje wartości x = (x1 , . . . , xn )

z przeliczalnego zbioru WX = {x1 , x2 , . . .}, to mówimy, że jest on typu dyskretnego oraz
funkcję p : Rn → [0, 1], określoną wzorem

p(x1 , . . . , xn ) = P ({ω : X1 (ω) = x1 , . . . , Xn (ω) = xn }), (1.1)

1
Tablica 1.1: Ilustracja funkcji prawdopodobieństwa dwuwymiarowego wektora losowego

x x21 ... x2l

x11 p11 ... p1l
··· ... ... ...
x1k pk1 ... pkl

Tablica 1.2: Funkcja prawdopodobieństwa dwuwymiarowego wektora losowego z przy-

kładu 2

(x, y) 1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36
2 1/36 1/36 1/36 1/36 1/36 1/36
3 1/36 1/36 1/36 1/36 1/36 1/36
4 1/36 1/36 1/36 1/36 1/36 1/36
5 1/36 1/36 1/36 1/36 1/36 1/36
6 1/36 1/36 1/36 1/36 1/36 1/36

dla każdego x = (x1 , . . . , xn ) ∈ WX , nazywamy funkcją prawdopodobieństwa wektora loso-

wego X = (X1 , . . . , Xn ).

Uwaga 1 W dalszej części wykładu P ({ω : X1 (ω) ≤ x1 , . . . , Xn (ω) ≤ xn }) i P ({ω :

X1 (ω) = x1 , . . . , Xn (ω) = xn }) będziemy w skrócie zapisywać odpowiednio P (X1 ≤ x1 , . . . ,
Xn ≤ xn ) i P (X1 = x1 , . . . , Xn = xn ).

W przypadku, gdy wektor losowy X = (X1 , X2 ) jest dwuwymiarowym wektorem lo-

sowym typu dyskretnego i zbiór WX = {x = (x1 , x2 ) : x1 ∈ WX1 = {x11 , . . . , x1k }, x2 ∈
WX2 = {x21 , . . . , x2l }} jest skończony, to funkcję prawdopodobieństwa rozkładu takiego
wektora najcześciej przedstawia się w postaci tabeli (zobacz tablica 1.1), gdzie

pij = P (X1 = x1i , X2 = x2j ),

x1i ∈ WX1 , x2j ∈ WX2 , i = 1, . . . , k, j = 1, . . . , l.

Przykład 2 Jeżeli w przykładzie 1 założymy, że wykonujemy dwa niezależne rzuty “słuszną”

kostką, to funkcja prawdopodobieństwa wektora losowego X = (X1 , X2 ) =: (X, Y ) okre-
ślona jest w tablicy 1.2.

2
Definicja 5 Jeżeli istnieje funkcja f : Rn → [0, 1], taka, że dla każdego x = (x1 , . . . , xn ),
dystrybuantę F wektora losowego X możemy wyrazić następująco
∫ x1 ∫ xn
F (x) = ... f (t1 , . . . , tn )dt1 . . . dtn , (1.2)
−∞ −∞

to mówimy, że wektor losowy X jest typu ciągłego oraz funkcję f nazywamy gęstością
rozkładu tego wektora.

Fakt 1 Funkcja f jest gęstością rozkładu pewnego wektora losowego X = (X1 , . . . , Xn )

wtedy i tylko wtedy, gdy

(i) f (x) ≥ 0, dla każdego x ∈ Rn ,

(ii)
∫ ∞ ∫ ∞
... f (x1 , . . . , xn )dx1 . . . xn = 1.
−∞ −∞

Przykład 3 Niech f będzie funkcją postaci

{
exp(−x − y), gdy x > 0 i y > 0,
f (x, y) =
0, w przeciwnym wypadku.

Mamy, że f (x, y) ≥ 0, dla każdego x ∈ R i y ∈ R oraz

∫ ∞∫ ∞ ∫ ∞∫ ∞
f (x, y)dxdy = exp(−x − y)dxdy = 1.
−∞ −∞ 0 0

Zatem funkcja f spełnia warunek (i) oraz warunek (ii) faktu 1, czyli jest gęstością rozkładu
pewnego dwuwymiarowego wektora losowego (X, Y ).

1.2 Rozkłady brzegowe wektora losowego

Z rozkładem wektora losowego związane jest pojęcie rozkładu brzegowego. Pojęcie to
zdefiniujemy w szczególnym przypadku – dwuwymiarowego wektora losowego. Dwuwy-
miarowy wektor losowy będziemy oznaczać, dla wygody, (X, Y ) zamiast jak poprzednio
(X1 , X2 ).

Definicja 6 Rozkładami brzegowymi wektora losowego (X, Y ) nazywamy rozkłady jego

współrzędnych, tzn. zmiennych losowych X i Y.

3
Fakt 2 Niech F będzie dystrybuantą wektora losowego (X, Y ). Oznaczmy

FX (x) = P (X ≤ x) = P (X ≤ x, Y < ∞) = lim F (x, y) =: F (x, ∞) (1.3)

y→∞

oraz

FY (y) = P (Y ≤ y) = P (X < ∞, Y ≤ y) = lim F (x, y) =: F (∞, y). (1.4)

x→∞

Funkcje FX i FY określone wzorami odpowiednio (1.3) i (1.4) są dystrybuantami zmien-

nych losowych odpowiednio X i Y oraz nazywamy je dystrybuantami rozkładów brzegowych
wektora losowego (X, Y ).

Fakt 3 Jeżeli wektor losowy (X, Y ) przyjmuje wartości (x, y) z przeliczalnego zbioru
W(X,Y ) = {(x, y) : x ∈ WX = {x1 , x2 , . . .}; y ∈ WY = {y1 , y2 , . . .}}, z prawdopodobień-
stwem p(x, y), czyli jest typu dyskretnego, to rozkłady współrzędnych X, Y tego wektora
są dyskretne i są określone przez funkcje prawdopodobieństwa pX , pY odpowiednio postaci
∑ ∑
∞
pX (xi ) = p(xi , yj ) = pij =: pi+ , (1.5)
yj ∈WY j=1

∑ ∑
∞
pY (yj ) = p(xi , yj ) = pij =: p+j . (1.6)
xi ∈WX i=1

Zatem funkcje prawdopodobieństwa pX i pY określają rozkłady brzegowe wektora losowego

(X, Y ).

Przykład 4 Jeżeli rozkład łączny wektora losowego (X, Y ) określony jest przez funkcję
prawdopodobieństwa daną w tablicy 1.2, to rozkłady brzegowe tego wektora możemy podać
w dodatkowym (ostatnim) wierszu i dodatkowej (ostatniej) kolumnie jak w tablicy 1.3.

Fakt 4 Jeżeli wektor losowy (X, Y ) jest typu ciągłego i f oznacza gęstość rozkładu wek-
tora (X, Y ), to zmienne losowe X i Y też są typu ciągłego i gęstość fX rozkładu zmiennej
losowej X jest postaci
∫ ∞
fX (x) = f (x, y)dy (1.7)
−∞

oraz gęstość rozkładu zmiennej losowej Y jest postaci

∫ ∞
fY (y) = f (x, y)dx. (1.8)
−∞

4
Tablica 1.3: Funkcja prawdopodobieństwa dwuwymiarowego wektora losowego z przy-
kładu 4 wraz z rozkładami brzegowymi

(x, y) 1 2 3 4 5 6 pX
1 1/36 1/36 1/36 1/36 1/36 1/36 1/6
2 1/36 1/36 1/36 1/36 1/36 1/36 1/6
3 1/36 1/36 1/36 1/36 1/36 1/36 1/6
4 1/36 1/36 1/36 1/36 1/36 1/36 1/6
5 1/36 1/36 1/36 1/36 1/36 1/36 1/6
6 1/36 1/36 1/36 1/36 1/36 1/36 1/6
pY 1/6 1/6 1/6 1/6 1/6 1/6 1

Uwaga 2 Jeżeli zmienne losowe X i Y są typu ciągłego, to nie pociąga za sobą, że wektor
losowy (X, Y ) jest typu ciągłego.

Fakt 5 Jeżeli wektor losowy (X, Y ) jest typu ciągłego i f oznacza gęstość rozkładu wek-
tora (X, Y ), to dystrybuanta FX zmiennej losowej X jest postaci
∫ x ∫ ∞ ∫ x
FX (x) = F (x, ∞) = f (u, y)dydu = fX (u)du
−∞ −∞ −∞

oraz dystrybuanta FY zmiennej losowej Y jest postaci

∫ y ∫ ∞ ∫ y
FY (y) = F (∞, y) = f (x, v)dxdv = fY (v)dv.
−∞ −∞ −∞

Przykład 5 W przykładzie 3 pokazaliśmy, że funkcja

{
exp(−x − y), gdy x > 0 i y > 0,
f (x, y) =
0, w przeciwnym wypadku,
jest gęstością rozkładu pewnego dwuwymiarowego wektora losowego (X, Y ). Korzystając
ze wzoru (1.7), gęstość fX rozkładu zmiennej losowej X jest postaci
{ ∫∞
0
exp(−x − y)dy = exp(−x), gdy x > 0,
fX (x) =
0, gdy x ≤ 0.
Korzystając ze wzoru (1.8), gęstość fY rozkładu zmiennej losowej Y jest postaci
{ ∫∞
0
exp(−x − y)dx = exp(−y), gdy y > 0,
fY (y) =
0, gdy y ≤ 0.
Z postaci gęstości rozkładów zmiennych losowych X i Y, wnioskujemy, że rozkłady brze-
gowe wektora losowego (X, Y ) są wykładnicze E(1).

5
1.3 Rozkłady warunkowe
Pojęcie rozkładu warunkowego, podobnie jak pojęcie rozkładu brzegowego, wprowadzimy
na przykładzie dwuwymiarowego wektora losowego. Niech (X, Y ) będzie dwuwymiaro-
wym wektorem losowym. Np. niech X = 1, jeżeli losowo wybrana osoba posiada sa-
mochód i X = 0, jeżeli nie posiada samochodu oraz Y = 1, jeżeli jest kobietą i Y = 0,
jeżeli jest mężczyzną. Może interesować nas prawdopodobieństwo, że osoba posiada samo-
chód, jeżeli wiemy, że jest kobietą. Symbolicznie możemy to prawdopodobieństwo zapisać
w postaci

P (X = 1|Y = 1).

Zauważmy, że jeżeli wiemy, że losowo wybrana osoba jest kobietą, to może ona posiadać
samochód lub nie, zatem

P (X = 1|Y = 1) + P (X = 0|Y = 1) = 1.

Powyższe dwa prawdopodobieństwa warunkowe P (X = 1|Y = 1), P (X = 0|Y = 1)

określają nam tzw. rozkład warunkowy zmiennej losowej X, pod warunkiem, że zmienna
losowa Y przyjęła wartość 1.
Ogólnie rozkład warunkowy w przypadku, gdy wektor losowy (X, Y ) jest typu dys-
kretnego, definiujemy następująco.

Definicja 7 Niech dwuwymiarowy wektor losowy (X, Y ) będzie typu dyskretnego o rozkła-
dzie określonym przez funkcję prawdopodobieństwa p. Wówczas rozkład warunkowy zmien-
nej losowej X pod warunkiem, że zmienna losowa Y przyjęła wartość y, określony jest
przez następującą funkcję prawdopodobieństwa warunkowego

p(x, y)
pX|Y =y (x) = , (1.9)
pY (y)

gdzie pY oznacza funkcję prawdopodobieństwa zmiennej losowej Y. Analogicznie, rozkład

warunkowy zmiennej losowej Y pod warunkiem, że zmienna losowa X przyjęła wartość x,
określony jest przez następującą funkcję prawdopodobieństwa warunkowego

p(x, y)
pY |X=x (y) = , (1.10)
pX (x)

gdzie pX oznacza funkcję prawdopodobieństwa zmiennej losowej X.

6
Tablica 1.4: Funkcja prawdopodobieństwa dwuwymiarowego wektora losowego z przy-
kładu 6

(x, y) 1 2 3
1 0, 1 0 0, 1
2 0 0, 6 0
3 0, 1 0 0, 1

Przykład 6 Niech rozkład wektora losowego (X, Y ) będzie dany w tablicy 1.4. Wów-
czas, korzystając ze wzoru (1.9), rozkład warunkowy zmiennej losowej X, pod warunkiem,
że Y = 1, określony jest przez następującą funkcję prawdopodobieństwa warunkowego:
pX|Y =1 (1) = 0.5, pX|Y =1 (2) = 0, pX|Y =1 (3) = 0.5.

W przypadku, gdy wektor losowy (X, Y ) jest typu ciągłego, pojęcie rozkładu warun-
kowego nie jest już takie intuicyjne jak w powyższym przypadku wektora losowego typu
dyskretnego. Rozkłady warunkowe są wówczas określone przez tzw. gęstości warunkowe,
które definiujemy następująco.

Definicja 8 Niech dwuwymiarowy wektor losowy (X, Y ) będzie typu ciągłego o gęstości f.
Wówczas warunkowa gęstość zmiennej losowej X, pod warunkiem, że Y = y jest postaci
f (x, y)
fX|Y =y (x) = , (1.11)
fY (y)
gdzie fY oznacza gęstość zmiennej losowej Y. Analogicznie, warunkowa gęstość zmiennej
losowej Y, pod warunkiem, że X = x jest postaci
f (x, y)
fY |X=x (y) = , (1.12)
fX (x)
gdzie fX oznacza gęstość zmiennej losowej X.

Przykład 7 Niech rozkład wektora losowego (X, Y ) będzie określony przez następującą
gęstość
1
f (x, y) = exp[−(x2 − 2xy + 2y 2 )]
π
dla każdego x, y ∈ R. Korzystając ze wzoru (1.8), gęstość fY zmiennej losowej Y jest
postaci
exp(−y 2 )
fY (y) = √ ,
π

7
a następnie, korzystając ze wzoru (1.11), rozkład warunkowy zmiennej losowej X, pod
warunkiem, że Y = y, określony jest przez następującą gęstość warunkową
exp[−(x − y)2 ]
fX|Y =y = √ ,
π
z czego wynika, że rozkład warunkowy zmiennej X, pod warunkiem, że Y = y jest rozkła-
dem normalnym N (y, 1/2). Na przykład, gdy y = 0 mamy
exp(−x2 )
fX|Y =0 = √ ,
π
i rozkład warunkowy zmiennej X, pod warunkiem, że Y = 0 jest rozkładem normalnym
N (0, 1/2).

Definicja 9 Niech dwuwymiarowy wektor losowy (X, Y ) będzie typu dyskretnego o rozkła-
dzie określonym przez funkcję prawdopodobieństwa p. Warunkową wartością oczekiwaną
zmiennej losowej X, pod warunkiem, że Y = y nazywamy wartość
∑
E(X|Y = y) = xi pX|Y =y (xi ), (1.13)

gdzie sumowanie przebiega po wszystkich xi ze zbioru wartości WX zmiennej losowej X.

Analogicznie, warunkową wartością oczekiwaną zmiennej losowej Y, pod warunkiem, że
X = x nazywamy wartość
∑
E(Y |X = x) = yj pY |X=x (yj ), (1.14)

gdzie sumowanie przebiega po wszystkich yj ze zbioru wartości WY zmiennej losowej Y.

Przykład 8 W przypadku wektora losowego (X, Y ) z przykładu 6, warunkowa wartość

oczekiwana E(X|Y = 1) zmiennej losowej X, pod warunkiem, że Y = 1 wynosi

E(X|Y = 1) = 1 ∗ 0.5 + 2 ∗ 0 + 3 ∗ 0.5 = 2.

Definicja 10 Niech dwuwymiarowy wektor losowy (X, Y ) będzie typu ciągłego o gęsto-
ści f. Warunkową wartością oczekiwaną zmiennej losowej X, pod warunkiem, że Y = y
nazywamy wartość
∫ ∞
E(X|Y = y) = xfX|Y =y (x)dx. (1.15)
−∞

Analogicznie, warunkową wartością oczekiwaną zmiennej losowej Y, pod warunkiem, że

X = x nazywamy wartość
∫ ∞
E(Y |X = x) = yfY |X=x (y)dy. (1.16)
−∞

8
Przykład 9 W przypadku wektora losowego (X, Y ) z przykładu 7, warunkowa wartość
oczekiwana E(X|Y = 0) zmiennej losowej X, pod warunkiem, że Y = 0 wynosi
∫ ∞
exp(−x2 )
E(X|Y = 1) = x √ dx = 0.
−∞ π

1.4 Niezależność zmiennych losowych

Definicja 11 Współrzędne X1 , . . . , Xn wektora losowego X = (X1 , . . . , Xn ) są nieza-
leżnymi zmiennymi losowymi, jeżeli dla każdego wektora (x1 , . . . , xn ) ∈ Rn , zdarzenia
{ω : X1 (ω) ≤ x1 }, . . . , {ω : Xn (ω) ≤ xn } są wzajemnie niezależne.

Fakt 6 Jeżeli F jest dystrybuantą wektora losowego X = (X1 , . . . , Xn ), którego współ-

rzędne X1 , . . . , Xn są niezależne, to

F (x1 , . . . , xn ) = F1 (x1 ) . . . Fn (xn ),

gdzie Fi jest dystrybuantą zmiennej losowej Xi , i = 1, . . . , n.

Fakt 7 Niech pX będzie funkcją prawdopodobieństwa wektora losowego X = (X1 , . . . , Xn )

oraz pXi oznacza funkcję prawdopodobieństwa zmiennej losowej Xi , i = 1, . . . , n. Wówczas
zmienne losowe X1 , . . . , Xn są niezależne wtedy i tylko wtedy, gdy
∏
n
pX (x) = pXi (xi ),
i=1

dla każdego x = (x1 . . . , xn ) ∈ Rn .

Wniosek 1 W przypadku dwywymiarowego wektora losowego (X, Y ) typu dyskretnego

o funkcji prawdopodobieństwa określonej przez pij , i = 1, 2 . . . , j = 1, 2, . . . , zmienne lo-
sowe X i Y są niezależne wtedy i tylko wtedy, gdy dla każdego i = 1, 2 . . . oraz j = 1, 2, . . . ,

pij = pi+ p+j , (1.17)

gdzie pi+ i p+j określone są odpowiednio wzorami (1.5) i (1.6).

Przykład 10 Niech funkcja prawdopodobieństwa dwuwymiarowego wektora losowego (X, Y )

będzie dana w tablicy 1.5. Dla i = 1, j = 1 mamy, że p11 = 0, 1, p1+ = 0, 3, p+1 = 0, 2,
p11 = 0, 1 ̸= p1+ p+1 = 0, 06. Zatem istnieje takie i oraz j, dla których nie jest spełniony
warunek (1.17), czyli zmienne losowe X i Y nie są niezależne.

9
Tablica 1.5: Funkcja prawdopodobieństwa dwuwymiarowego wektora losowego z przy-
kładu 10

(x, y) 1 2 3
1 0, 1 0, 1 0, 1
2 0 0, 4 0
3 0, 1 0, 1 0, 1

Przykład 11 Łatwo można pokazać, że zmienne losowe X i Y z przykładu 2 są nieza-

leżne.

Fakt 8 Niech fX będzie gęstością rozkładu wektora losowego X = (X1 , . . . , Xn ) oraz fXi
oznacza gęstość rozkładu zmiennej losowej Xi , i = 1, . . . , n. Wówczas zmienne losowe
X1 , . . . , Xn są niezależne wtedy i tylko wtedy, gdy

∏
n
fX (x) = fXi (xi ),
i=1

dla każdego x = (x1 . . . , xn ) ∈ Rn .

Wniosek 2 W przypadku dwywymiarowego wektora losowego (X, Y ) typu ciągłego o funk-

cji gęstości rozkładu f, zmienne losowe X i Y są niezależne wtedy i tylko wtedy, gdy dla
każdego x ∈ R oraz y ∈ R,

f (x, y) = fX (x)fY (y), (1.18)

gdzie fX i fY określone są odpowiednio wzorami (1.7) i (1.8).

Przykład 12 W przykładzie 3 mamy, że dla każdego x ∈ R oraz y ∈ R, f (x, y) =

fX (x)fY (y). Zatem spełniony jest warunek (1.18) i zmienne losowe X i Y z tego przykładu
są niezależne.

Definicja 12 Próbą losową lub krótko próbą, nazywamy wektor losowy X = (X1 , . . . , Xn ),
którego współrzędne są niezależnymi zmiennymi losowymi o tym samym rozkładzie. Je-
żeli p jest funkcją prawdopodobieństwa lub f jest gęstością rozkładu zmiennych losowych
X1 , . . . , Xn , to mówimy, że X jest próbą z rozkładu odpowiednio p lub f.

10
Przykład 13 Niech X = (X1 , . . . , Xn ) będzie próbą z rozkładu wykładniczego E(λ), λ > 0,
czyli zmienne losowe X1 , . . . , Xn są niezależne i rozkład zmiennej Xi , i = 1, . . . , n, ma
gęstość postaci
{ ( )
1
λ
exp − λx , gdy x > 0,
f (x) =
0, gdy x ≤ 0.

Wówczas, korzystając z faktu 8, mamy, że rozkład wektora losowego X ma gęstość

postaci
 ( ) ( ∑n )
 ∏n 1
exp − xλi = 1
exp − i=1
xi
, gdy xi > 0, i ∈ {1, . . . , n},
i=1 λ λn λ
fX (x1 , . . . , xn ) =
 0, w przeciwnym przypadku.

1.5 Charakterystyki liczbowe dwuwymiarowego wektora

losowego
Niech (X, Y ) będzie dwuwymiarowym wektorem losowym o funkcji prawdopodobieństwa
p lub gęstości rozkładu f. Wówczas wartość oczekiwaną zmiennej losowej Z = g(X, Y ),
gdzie g : R2 → R jest dowolną (mierzalną) funkcją, możemy obliczyć z następującego
wzoru
∑
E(Z) = g(xi , yj )p(xi , yj ), (1.19)
(xi ,yj )

w przypadku, gdy wektor losowy (X, Y ) jest typu dyskretnego lub

∫ ∞∫ ∞
E(Z) = g(x, y)f (x, y)dxdy, (1.20)
−∞ −∞

w przypadku, gdy wektor losowy (X, Y ) jest typu ciągłego.

1.5.1 Kowariancja zmiennych losowych

Definicja 13 Kowariancją zmiennych losowych X i Y nazywamy

Cov(X, Y ) = E[(X − E(X))(Y − E(Y ))] = E(XY ) − E(X)E(Y ).

Definicja 14 Jeżeli Cov(X, Y ) = 0, to zmienne losowe X i Y nazywamy nieskorelowa-

nymi.

Fakt 9 Jeżeli zmienne losowe X i Y są niezależne, to są nieskorelowane.

11
Uwaga 3 Implikacja odwrotna w fakcie 9 nie jest prawdziwa, tzn. z faktu, że Cov(X, Y ) =
0 nie wynika, że zmienne losowe X i Y są niezależne.

Przykład 14 Niech funkcja prawdopodobieństwa wektora losowego (X, Y ) będzie dana

w talicy 1.4. Wówczas E(X) = 2, E(Y ) = 2, E(XY ) = 4, czyli Cov(X, Y ) = 0, ale
zmienne losowe X i Y nie są niezależne, bo np.

P (X = 1, Y = 1) = 0, 1 ̸= P (X = 1)P (Y = 1) = 0.04.

Fakt 10 Dla dowolnych zmiennych losowych X i Y zachodzi następująca nierówność

[Cov(X, Y )]2 ≤ Var(X)Var(Y ). (1.21)

1.5.2 Współczynnik korelacji zmiennych losowych

Definicja 15 Współczynniikem korelacji zmiennych losowych X i Y, takich, że Var(X) >
0 i Var(Y ) > 0, nazywamy

Cov(X, Y )
ρ(X, Y ) = √ . (1.22)
Var(X)Var(Y )

Z nierówności (1.21) wynika, że dla dowolnych zmiennych losowych X i Y, takich, że

Var(X) > 0 i Var(Y ) > 0, [ρ(X, Y )]2 ≤ 1, a więc |ρ(X, Y )| ≤ 1. Można pokazać, że
współczynnik korelacji |ρ(X, Y )| = 1 wtedy i tylko wtedy, gdy z prawdopodobieństwem 1,
zmienne losowe X i Y związane są zależnością liniową, tzn. P (Y = aX + b) = 1. Współ-
czynnik korelacji można zatem traktować jako miarę liniowej współzależności zmiennych
losowych.

12