NMSA202 Pravděpodobnost a matematická statistika

Náhodné vektory II.

6. cvičenı́

Literatura:
− poznámky k přednášce: kapitola 3.

Cı́le tohoto cvičenı́:

− Výpočet hustoty transformace náhodného vektoru.
− Rozdělenı́ součtu náhodných veličin.

Opakovánı́ z přednášky
Rozdělenı́ transformace náhodného vektoru. Necht’ má náhodný vektor (X, Y )> sdružené
rozdělenı́, které je absolutně spojité vůči Lebesgueově mı́ře a jehož hustota je fX,Y .
(i) Zajı́má-li nás rozdělenı́ náhodného vektoru (U, V )> = g(X, Y ) = (g1 (X, Y ), g2 (X, Y ))> ,
použijeme větu o transformaci (lze-li).
(ii) Zajı́má-li nás rozdělenı́ náhodné veličiny W = t(X, Y ), kde t : R2 → R, použijeme nejprve
větu o transformaci na doplněný“ náhodný vektor (W, V )> , kde V je např. X nebo Y nebo
”
jiná vhodná funkce X a Y (lze-li). Tı́m zı́skáme sdružené rozdělenı́ (W, V )> , z něhož pak
obvyklým způsobem zı́skáme marginálnı́ rozdělenı́ W .
(iii) Pro speciálnı́ přı́pad t(X, Y ) = X + Y nenı́ nutné použı́t postup v (ii) a je možné rovnou
využı́t vztah pro rozdělenı́ součtu dvou náhodných veličin.
Poznámka: Spočı́tat výše uvedená rozdělenı́ většinou znamená provést dlouhý a komplikovaný
výpočet. Zajı́má-li nás pouze střednı́ hodnota Et(X, Y ) nebo Eg(X, Y ), pak rozdělenı́ počı́tat ne-
musı́me a střednı́ hodnoty spočteme přı́mo z rozdělenı́ vektoru (X, Y )> .
Pro g : R2 → R2 je Jakobián definován jako
!
∂g1 ∂g1
∂x ∂y
Jg (x, y) = det ∂g2 ∂g2 .
∂x ∂y

Věta o transformaci. Necht’ (X, Y )> má sdružené spojité rozdělenı́ s hustotou fX,Y a necht’
S ⊂ R2 je otevřená množina taková, že P((X, Y )> ∈ S) = 1. Necht’ (U, V )> = g(X, Y ), kde
g : S → R2 je prosté zobrazenı́ se spojitými parciálnı́mi derivacemi a Jg (x, y) 6= 0 pro (x, y)> ∈ S
(tj. g je difeomorfismus). Pak má náhodný vektor (U, V )> spojité rozdělenı́ s hustotou fU,V , která
je rovna (
fX,Y (g −1 (u, v)) · |Jg−1 (u, v)|, pro (u, v)> ∈ g(S),
fU,V (u, v) =
0, jinak,
kde Jg−1 je Jakobián funkce g −1 .

1
NMSA202 Pravděpodobnost a matematická statistika

Rozdělenı́ součtu náhodných veličin. Necht’ má náhodný vektor (X, Y )> sdružené spojité
rozdělenı́ s hustotou fX,Y . Potom má veličina Z = X + Y rozdělenı́ s hustotou
Z ∞ Z ∞
fZ (z) = fX,Y (x, z − x)dx = fX,Y (z − y, y)dy.
−∞ −∞

Speciálně, jsou-li X, Y nezávislé náhodné veličiny se spojitým rozdělenı́m s hustotami fX , fY ,

pak má veličina Z = X + Y rozdělenı́ s hustotou
Z ∞ Z ∞
fZ (z) = fX (x)fY (z − x)dx = fX (z − y)fY (y)dy.
−∞ −∞

Vlastnosti momentů. Jestliže X1 , X2 , . . . , Xn jsou náhodné veličiny a a1 , a2 , . . . , an ∈ R, pak

platı́ (za předpokladu existence daných momentů)
• E( ni=1 ai Xi ) = ni=1 ai EXi ,
P P

• var ( ni=1 ai Xi ) = ni=1 a2i var X +

P P PP
i6=j ai aj cov (Xi , Xj ),

• cov (a1 X1 + a2 X2 , a3 X3 ) = a1 a3 cov (X1 , X3 ) + a2 a3 cov (X2 , X3 ).

Zadánı́ přı́kladů
1. Necht’ X a Y jsou nezávislé stejně rozdělené náhodné veličiny. Určete rozdělenı́, střednı́
hodnotu a rozptyl veličiny Z = X + Y , jestliže
(a) X, Y majı́ exponenciálnı́ rozdělenı́ Exp(λ),
(b) X, Y majı́ rovnoměrné rozdělenı́ na intervalu (0, 1).
Návod: Určit střednı́ hodnotu a rozptyl je jednoduché, využijeme jen znalost EX, EY, var X, var Y .
Pro odvozenı́ rozdělenı́ využijeme větu o rozdělenı́ součtu uvedenou výše.
2. Náhodný vektor (X, Y )> v přı́kladě 2 z minulého cvičenı́ měl sdružené rozdělenı́ s hustotou
f (x, y) = x + y pro 0 < x < 1, 0 < y < 1 a f (x, y) = 0 jinak.
(a) Uvažujme náhodnou veličinu U = X + Y . Spočtěte EU a var U .
(b) Určete rozdělenı́ náhodné veličiny U .
(c) Určete rozdělenı́ náhodného vektoru (U, V )> , kde V = X − Y .
(d) Určete rozdělenı́ veličiny V = X − Y a EV a var V .
(e) Určete střednı́ hodnotu náhodného vektoru (U, V )> .
(f) Spočtěte korelačnı́ koeficient U a V .
1
(g) Určete střednı́ hodnotu veličiny W = .
X +Y
Návod: V (c) využijte větu o transformaci. Nezapomeňte ověřit jejı́ předpoklady. Z (c)
následně spočteme (d), jelikož se jedná o marginálnı́ rozdělenı́. V (g) rozdělenı́ počı́tat ne-
musı́me!

2
NMSA202 Pravděpodobnost a matematická statistika

3. Necht’ X1 , X2 , . . . , Xn jsou nezávislé stejně rozdělené náhodné veličiny se spojitým rozdělenı́m

s distribučnı́ funkcı́ F a hustotou f . Označme U = max1≤i≤n Xi a V = min1≤i≤n Xi .
(a) Spočtěte distribučnı́ funkci a hustotu veličiny U .
(b) Spočtěte distribučnı́ funkci a hustotu veličiny V .
Návod: Umět odvodit rozdělenı́ maxima a minima nezávislých náhodných veličin je velmi
důležité v teorii odhadu, která bude ve statistické části předmětu. Pro maximum postupujeme
tak, že si napı́šeme distribučnı́ funkci U a využijeme vlastnost maxima max{X1 , . . . , Xn } ≤ a
právě tehdy, když Xi ≤ a pro všechna i. Dále pak použijeme nezávislost veličin X1 , . . . , Xn
a fakt, že majı́ stejná rozdělenı́. V části (b) postupujeme obdobně.

4. V daný den přijde do školy X dı́vek a Y chlapců, kde X a Y jsou nezávislé náhodné veličiny
s Poissonovým rozdělenı́m s parametry λ > 0 a µ > 0. Určete rozdělenı́ a očekávanou
hodnotu celkového počtu chlapců a dı́vek ve škole v daný den.
Návod: Rozdělenı́ Z = X +Y bude diskrétnı́,
P takže chceme zjistit P(Z = n) = P(X +Y = n).
Tuto pravděpodobnost lze přepsat jako k P(X = k, Y = n − k). Využijeme nezávislost X
a Y a musı́me si rozmyslet, pro která k dostáváme nenulové členy v sumě. Nakonec zbývá
sumu jen sečı́st.

Samostatná práce
Následujı́cı́ přı́klady by se na klasické hodině pravděpodobně nestihly, a proto jsou všechny doplňujı́cı́
a jsou vhodné pro přı́pravu na zápočtovou pı́semkou. Pokud nestihnete projı́t všechny, pak do-
poručujeme podı́vat se zejména na přı́klad D3.

D1. V přı́kladě 3. uvažujte speciálně situaci, kdy F odpovı́dá rovnoměrnému rozdělenı́ na [0, 1].
Spočtěte rozdělenı́ a střednı́ hodnoty U a V .

D2. V přı́kladě 4. určete, jaké je rozdělenı́ počtu dı́vek, jestliže vı́me, že chlapců a dı́vek dohro-
mady je v daný den ve škole právě n.

D3. Necht’ jsou X, Y nezávislé náhodné veličiny s rovnoměrným rozdělenı́m na intervalu [1, 2].
X
(a) Určete rozdělenı́ veličiny Z = .
Y
(b) Určete rozdělenı́ veličiny W = XY .

D4. Na základě přı́kladů 4. a 1. si rozmyslete následujı́cı́:

(a) Jaké je rozdělenı́ Z = ni=1 Xi , kde Xi ∼ Po(λ) jsou nezávislé?
P

(b?) Jaká je hustota Z = ni=1 Xi , kde Xi ∼ Exp(λ) jsou nezávislé?

P