Professional Documents
Culture Documents
NI VSM Lec 03 Slides
NI VSM Lec 03 Slides
Přednášející:
doc. Ing. Pavel Hrabák, Ph.D.
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 1 / 24
Obsah přednášek
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 2 / 24
Náhodné vektory Definice
Definice
Pro n ∈ N uvažujme náhodné veličiny X1 , . . . , Xn na stejném pravděpodobnostním
prostoru (Ω, F, P). Vektor X = (X1 , . . . , Xn )T potom nazýváme náhodným vektorem
na (Ω, F, P).
Poznámky:
• Náhodný vektor je tak vlastně náhodnou maticí o rozměrech n × 1.
• Typickým příkladem náhodného vektoru je vektor (X, Y )T vyrobený z dvojice
náhodných veličin X a Y .
• Náhodný vektor X na (Ω, F, P) je tedy (měřitelné) zobrazení X : Ω → Rn .
• Analogicky náhodná matice Z je (měřitelné) zobrazení Z : Ω → Rm,n .
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 3 / 24
Náhodné vektory Sdružené rozdělení
Jednotlivé veličiny z náhodného vektoru mohou mít různá rozdělení a hodnoty veličin na
sobě mohou silně záviset. Je tedy vhodné zkoumat jejich rozdělení společně jako tzv.
sdružené rozdělení.
Definice
Pravděpodobnostní rozdělení vektoru X popisujeme pomocí sdružené distribuční funkce
FX : Rn → R definované vztahem
Poznámky:
• Obdobně můžeme definovat sdruženou distribuční funkci náhodné matice.
• Používáme notaci P(X1 ≤ x1 , . . . , Xn ≤ xn ) ≡ P(X1 ≤ x1 ∩ . . . ∩ Xn ≤ xn ).
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 4 / 24
Náhodné vektory Sdružené rozdělení
Definice
Náhodný vektor X = (X1 , . . . , Xn )T má sdružené diskrétní rozdělení, jestliže existuje
nejvýše spočetná množina X = {x1 , x2 , . . . } ⊂ Rn taková, že platí
X X
P(X = x) ≡ P(X1 = x1 , . . . , Xn = xn ) = 1,
x∈X x∈X
Poznámky:
• Výše uvedená podmínka je opět nazývána normalizační.
• Náhodný vektor s nenulovými pravděpodobnostmi nabývá pouze hodnot z X .
• Pravděpodobnost P(X = x) můžeme chápat jako funkci x ∈ Rn a nazývat ji
sdružená pravděpodobnostní funkce nebo sdružená diskrétní hustota X .
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 5 / 24
Náhodné vektory Sdružené rozdělení
0.4
0.7
0.2 0.4
0 0
3.5
2 2
y y 3.5
1 2 1 2 x
1 x 1
0.5 0 0 0.5
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 7 / 24
Náhodné vektory Sdružené rozdělení
Pro dvojici náhodných veličin X a Y platí, že mají sdružené spojité rozdělení, právě když
Z x Z y
FX,Y (x, y) = fX,Y (u, v) du dv
−∞ −∞
∂ n FX
fX (x) = (x).
∂x1 . . . ∂xn
• Normalizační podmínka
Z +∞ Z +∞
··· fX (x) dx1 . . . dxn = 1.
−∞ −∞
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 9 / 24
Náhodné vektory Sdružené rozdělení
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 10 / 24
Náhodné vektory Sdružené rozdělení
0.1 1
0.08
0.06
0.5
0.04
0.02
0 0
4 4
2 2
y 0 y 0
−2 0 2 x 4 −2 0 2 x 4
−4 −4 −2 −4 −4 −2
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 11 / 24
Náhodné vektory Marginální rozdělení
Marginální rozdělení
Definice
Bud’ X = (X1 , . . . , Xn )T náhodný vektor.
• Pro každé k < n přirozené a 1 ≤ i1 < . . . < ik ≤ n uspořádanou k -tici přirozených
čísel nazýváme rozdělení náhodného vektoru (Xi1 , . . . , Xik )T marginální
vzhledem k rozdělení náhodného vektoru X .
• Pro každé přirozené 1 ≤ i ≤ n dále nazýváme rozdělení náhodné veličiny Xi
marginální vzhledem k náhodnému vektoru X .
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 12 / 24
Náhodné vektory Marginální rozdělení
Marginální rozdělení
Věta
Bud’ X = (X1 , . . . , Xn )T náhodný vektor se sdruženým diskrétním rozdělením.
i) Marginální rozdělení náhodného vektoru (Xi1 , . . . , Xik )T je diskrétní, určené
sdruženými pravděpodobnostmi
X
P(Xi1 = x1 , . . . , Xik = xk ) = P(X = u).
{u∈X |(∀j)(uij =xj )}
Pro dvojici diskrétních náhodných veličin X a Y , kde Y značí množinu všech hodnot
náhodné veličiny Y , speciálně platí známé vztahy
X X
P(X = x) = P(X = x, Y = y) a P(Y = y) = P(X = x, Y = y).
y∈Y x∈X
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 13 / 24
Náhodné vektory Marginální rozdělení
Marginální rozdělení
Věta
Bud’ X = (X1 , . . . , Xn )T náhodný vektor se sdruženým spojitým rozdělením.
′
i) Marginální rozdělení náhodného vektoru X = (Xi1 , . . . , Xik )T je spojité určené
sdruženou hustotou pravděpodobnosti
Z +∞ Z +∞
fX ′ (xi1 , . . . , xik ) = ··· fX (x1 , . . . , xn ) dxj1 . . . dxjn−k ,
−∞ −∞
kde 1 ≤ j1 < . . . < jn−k ≤ n jsou přirozená čísla různá od i1 , . . . , ik .
ii) Marginální rozdělení náhodné veličiny Xi je spojité určené hustotou
pravděpodobnosti
Z +∞ Z +∞
fXi (xi ) = ··· fX (x1 , . . . , xn ) dxj1 . . . dxjn−1 ,
−∞ −∞
kde 1 ≤ j1 < . . . < jn−1 ≤ n jsou přirozená čísla různá od i.
Definice
Náhodné veličiny X1 , . . . , Xn nazýváme nezávislé, jestliže pro každé x ∈ Rn platí
n
Y
P(X1 ≤ x1 , . . . , Xn ≤ xn ) = P(Xi ≤ xi ),
i=1
kde x = (x1 , . . . xn )T .
Náhodné veličiny X a Y jsou tedy nezávislé, právě když pro všechna x, y ∈ R platí
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 15 / 24
Náhodné vektory Nezávislost náhodných veličin
Věta
Diskrétní náhodné veličiny X1 , . . . , Xn jsou nezávislé, právě když pro každé x ∈ Rn platí
n
Y
P(X = x) = P(Xi = xi ).
i=1
Diskrétní náhodné veličiny X a Y jsou nezávislé, právě když pro všechna x, y ∈ R platí
Věta
Náhodné veličiny X1 , . . . , Xn se sdruženým spojitým rozdělením jsou nezávislé, právě
když pro každé x ∈ Rn platí n
Y
fX (x) = fXi (xi ).
i=1
Spojité náhodné veličiny X a Y jsou nezávislé, právě když pro všechna x, y ∈ R platí
Pro funkci náhodného vektoru funguje obdobný přístup jako pro funkci jedné náhodné
veličiny.
Obecně je tedy vždy rozumné určit distribuční funkci s tím, že v diskrétním případě je
možné rovnou počítat sdružené pravděpodobnosti.
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 17 / 24
Náhodné vektory Nezávislost náhodných veličin
Věta
Předpokládejme, že h : Rn → R je měřitelná funkce a že X je náhodný vektor.
i) Má-li X sdružené diskrétní rozdělení, pak
X
E h(X) = h(x) P(X = x),
x∈X
Suma resp. integrál musí absolutně konvergovat, jinak E h(X) neexistuje (nebo je ±∞).
E(aX + bY ) = a E X + b E Y.
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 18 / 24
Náhodné vektory Kovariance a korelace
Definice
Necht’ X a Y jsou náhodné veličiny s konečnými druhými momenty.
• Kovarianci X a Y definujeme vztahem
cov(X, Y )
ρ(X, Y ) = √ √ .
var X var Y
Definice
Náhodné veličiny X a Y nazýváme nekorelované, pokud cov(X, Y ) = 0.
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 19 / 24
Náhodné vektory Kovariance a korelace
Věta
Jestliže jsou X a Y nezávislé, pak jsou i nekorelované.
• Dále platí
var(X ± Y ) = var X + var Y ± 2 cov(X, Y ).
• Pro nekorelované X, Y pak také
var(X ± Y ) = var X + var Y.
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 20 / 24
Náhodné vektory Podmíněné rozdělení a podmíněná střední hodnota
Definice
Necht’ P(Y = y) > 0. Potom je podmíněná distribuční funkce FX|Y (·|y) veličiny X
dáno (za podmínky) Y = y určena vztahem
P(X ≤ x, Y = y)
FX|Y (x|y) = P(X ≤ x|Y = y) = .
P(Y = y)
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 21 / 24
Náhodné vektory Podmíněné rozdělení a podmíněná střední hodnota
Definice
Bud’ y ∈ R takové, že P(Y = y) > 0. Podmíněnou střední hodnotu diskrétní náhodné
veličiny X dáno Y = y definujeme jako
X
E(X|Y = y) = x P(X = x|Y = y).
x∈X
Podmíněnou střední hodnotu tedy definujeme jako střední hodnotu náhodné veličiny X s
rozdělením určeným podmíněnými pravděpodobnostmi P(X = x|Y = y).
Definice
Necht’ náhodné veličiny X a Y mají sdružené spojité rozdělení a bud’ dále y ∈ R takové,
že fY (y) > 0. Podmíněnou hustotu X dáno Y = y definujeme pro každé x ∈ R jako
fX,Y (x, y)
fX|Y (x|y) = .
fY (y)
Jako náhodnou veličinu X dáno Y = y pak bereme spojitou náhodnou veličinu s hustotou
fX|Y (x|y).
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 23 / 24
Náhodné vektory Podmíněné rozdělení a podmíněná střední hodnota
Definice
Necht’ náhodné veličiny X a Y mají sdružené spojité rozdělení a bud’ dále y ∈ R takové,
že fY (y) > 0. Podmíněnou střední hodnotu náhodné veličiny X dáno Y = y
definujeme jako Z ∞
E(X|Y = y) = x fX|Y (x|y) dx.
−∞
Podmíněnou střední hodnotu tedy definujeme jako střední hodnotu spojité náhodné veličiny
s hustotou fX|Y (x|y)