Valószínűségszámítás előadás

informatika BSC/A szakosoknak és Példák

matematika BSC-seknek  Az elfajult eloszlás szórásnégyzete:
D2(X)= E(X2)-E2(X)=c 2-c 2=0.
2
 Megfordítás: ha D (X)= 0, akkor X 1 valószínűséggel
konstans.
Biz.: (X-E(X))2 0, várható értéke 0, tehát ő maga is 1
valószínűséggel 0, azaz X=E(X) 1 valószínűséggel.
2019/2020 1. félév  A p valószínűségű A esemény indikátorának
szórásnégyzete:
Zempléni András
D2(X)= E(X2)-E2(X)= p - p 2= p (1-p). Azaz p=0.5
zempleni@caesar.elte.hu esetén a legnagyobb a szórásnégyzet.
 A kockadobás szórásnégyzete:
http://zempleni.elte.hu D2(X)= E(X2)-E2(X)=(1+4+...+36)/6 - 49/4=91/6 - 49/4
=(182-147)/12=35/12.

Az (n,p) paraméterű binomiális

eloszlás szórásnégyzete Példák 2.
n
 n n
 n  1 k 1 A Poisson eloszlás szórásnégyzete:
E ( X 2 )   k 2   p k 1  p    npk  p 1  p  
n k nk
 

 
k  k  1

e 
e 
e
k 1 k  1
E ( X 2 )   k 2k   kk    (k  1  1)k 1 
n
 n  1 k 1 (k  1)! (k  1)!
 p 1  p nk 
  np(k  1  1) k 1 k! k 1 k 1

 k  1
e
k 1 
n
 n  2  k 2 n
 n  1 k 1  2  k 2   2  .
  n(n  1) p 2   p 1  p nk   np  p 1  p nk  k 2 (k  2)!
k 2  k  2  k  1  k  1
Ebből
 n(n  1) p 2  np
D 2 ( X )  2    2  .
D 2 ( X )  E ( X 2 )  E 2 ( X )  n(n  1) p 2  np  n 2 p 2  np  np2  np(1  p)
Azaz a Poisson eloszlás várható értéke és
szórásnégyzete megegyezik.

A szórás Összeg szórásnégyzete

 Szórásnégyzet mértékegysége az  D2(X+Y)=E[(X+Y-E(X+Y))2]=
eredeti X mértékegységének a négyzete E[(X-E(X)+Y-E(Y))2]=E[(X-E(X))2]+E[(Y-E(Y))2]+
+2E[(X-E(X))(Y-E(Y))]=D2(X)+D2(Y)+
(azaz pl. a buszok követési időközénél +2E[(X-E(X))(Y-E(Y))]
négyzetperc). Ez nem teszi egyszerűvé  Példák:
interpretációját.  X=Y esetén D2(X+Y)= D2(2X)=4 D2(X)
X=-Y esetén D2(X+Y)= D2(0)=0
Szórás: D(X) a szórásnégyzet pozitív


azaz nem csak X és Y egydimenziós eloszlásától, hanem
négyzetgyöke. Ez már a megfelelő az együttes viselkedésüktől, azaz az együttes
mértékegységű, D(aX)=|a|D(X). eloszlásuktól is függ az összegük szórásnégyzete.

1
 A független val. változók esete Kovariancia
 Állítás. ha X,Y függetlenek és véges  Definíció. Az X és Y kovarianciája:
cov(X,Y):=E[(X-E(X))(Y-E(Y))]
várható értékűek, akkor  Kiszámítása: cov(X,Y)= E[XY-XE(Y)-
E(XY)=E(X)E(Y). YE(X)+E(X)E(Y)]=E(XY)-E(X)E(Y)
 Az előzőek értelmében cov(X,Y)=0, ha X és Y
 Bizonyítás. függetlenek.
E ( XY )   xk ym P( X  xk , Y  ym )  Megj.: Abból, hogy cov(X,Y)=0 nem következik, hogy
k ,m
függetlenek: legyen X szimmetrikus a 0=ra (pl.
ami a függetlenség miatt így írható: P(X=1)=P(X=-1)=P(X=0)=1/3) és Y=X2. Ekkor
cov(X,Y)=E(X3)-E(X)E(X2)=0-0, hiszen E(X3)=E(X)=0.
  xk P( X  xk ) ym P(Y  ym )  E ( X ) E (Y ).  A kovariancia szimmetrikus: cov(X,Y)= cov(Y,X)
2
 cov(X,X)= D (X)
k m

Összeg szórásnégyzete 2 Korrelációs együttható

 D2(X+Y)=D2(X)+D2(Y)+2cov(X,Y)  A kovariancia skálafüggő: cov(aX,bY)=abcov(X,Y)
 Speciálisan: D2(X+Y)=D2(X)+D2(Y), ha X és Y  A változók közötti lineáris kapcsolat erősségét mérő
mennyiség a korrelációs együttható:
függetlenek (elég, hogy cov(X,Y)=0).
cov( X , Y )
 n tagú összegre: R( X , Y ) 
n D( X ) D(Y )
D 2 ( X 1  ...  X n )   D 2 ( X i )  2  cov( X , X
i j )  Tulajdonságai:
i 1 1i  j  n
 R(X,Y)=0, ha X és Y függetlenek (ez sem

 Spec.: D2(X1+ X2+… +Xn)= D2(X1)+ fordítható meg)

 Ez alapján definíció szerint legyen R(X,Y)=0, ha X
D2(X2)+… + D2(Xn), ha a tagok páronként
vagy Y elfajult eloszlású.
függetlenek.
 R(X,aX+b)=1, ha a>0, mert cov(X,aX+b)=a D (X).
2

A korreláció tulajdonságai Példák

 |R(X,Y)|1 és |R|=1 akkor és csak akkor, ha X=aY+b 1  A polinomiális eloszlás koordinátái közötti
valószínűséggel (a0, bR).
Ehhez: korreláció: n=1-re. (Állítás: ez ugyanaz

 X  E ( X )  Y  E (Y ) minden n-re.)
X  ,Y 
D( X ) D(Y )
 E(X1)=p1, E(X2)=p2, E(X1 X2)=0,
a standardizált változók. E(X*)=E(Y*)=0, D(X*)=D(Y*)=1.
R(X,Y)=E(X*Y*).  D2(X1)= p1(1-p1), D2(X2)= p2(1-p2). Ebből
0E (X*Y*)2=E(X*2) 2E(X*Y*)+E(Y*2) =2 2E(X*Y*), tehát
|R(X,Y)|1. E( X1 X 2 )  E( X1 )E( X 2 )  p1 p2
Ebből: R=1 akkor és csak akkor, ha 0=E (X*-Y*)2 , azaz R( X 1 , X 2 )  
X*=Y* 1 valószínűséggel. Ekkor X=aY+b , a>0. D( X 1 ) D( X 2 ) p1 (1  p1 ) p2 (1  p2 )
R=-1 akkor és csak akkor, ha 0=E (X*+Y*) 2 , azaz
X*=-Y* 1 valószínűséggel. Ekkor X=aY+b , a<0.  Spec.: p:=p1=p2, esetén R=- p/(1-p).

2
 A várható érték
Y közelítése X függvényével optimumtulajdonsága
 Gyakori eset, hogy nem ismerjük a számunkra érdekes 
mennyiség (Y) pontos értékét (pl. holnapi részvény-
árfolyam, vízállás, időjárás). Van viszont információnk
hozzá kapcsolódó mennyiségről (X, mai értékek).
 Feladat: olyan f0 megtalálása, amelyre f0(X) a lehető
legjobb közelítése Y-nak.
 Matematikailag: f0 a megoldása a min E (Y  f ( X ))2
f

szélsőérték-problémának (legkisebb négyzetes becslés).

 Ha az együttes eloszlás ismert (nem teljesen reális, de a
megfigyelések alapján közelíthető), akkor megoldható a
feladat.

Optimum a lineáris
Példa függvények körében
 Annyi érmével dobtunk újra, amennyi fejet kaptunk 2 min E[Y  (aX  b)]2
érmével dobva. Csak azt tudjuk, hogy hány fejet a ,b
kaptunk a második dobásnál. Közelítsük ennek  Egyszerűbben megoldható
segítségével az első dobás eredményét.
 Például F=0 esetre:  Nem kell az együttes eloszlás
2 2

 iP( X  i, F  0)  iP( F  0 | X  i) P( X  i)  A megoldás deriválással:

E ( X | F  0)  i 0
 i 0
E[Y  (aX  b)]2  E (Y 2 )  a 2 E ( X 2 )  2abE( X ) 
P( F  0) 2

 P( F  0 | X  i ) P( X  i )
i 0
 b 2  2aE( XY )  2bE(Y )
 Az eredmények: E(X|F=2)=2, E(X|F=1)=4/3,
E(X|F=0)=2/3.


E[Y  (aX  b)]2  2aE( X 2 )  2bE( X )  2 E ( XY )  0
a Az aX+b egyenes tulajdonságai
 Ez a legkisebb négyzetes eltérést adó a lineáris
E[Y  (aX  b)]2  2b  2aE( X )  2 E (Y )  0 
függvények között (a fenti megoldás valóban
b
minimum)
 Elnevezés: regressziós egyenes
aE( X 2 )  E ( XY )  bE( X ) b  E (Y )  aE ( X )  Átmegy az (E(X),E(Y)) ponton
 Példa: Kockával dobunk, majd ha k az eredmény, az
1,…,k cédulák közül húzunk egyet. Nem tudjuk a
aE( X 2 )  E ( XY )  ( E (Y )  aE( X ))E ( X ) húzás eredményét, csak a kockadobásét. Hogyan
tippeljünk a húzott számra (a legkisebb négyzetes
eltérést adó becslést keressük)? E(h|K=k)=(k+1)/2
E ( XY )  E ( X ) E (Y ) E ( XY )  E ( X ) E (Y ) az univerzálisan legjobb közelítés, tehát a legjobb
a b  E (Y )  E( X )
E( X 2 )  E 2 ( X ) E( X 2 )  E 2 ( X ) lineáris közelítés is.