NI VSM Lec 03 Slides

Náhodné vektory
Přednášející:
doc. Ing. Pavel Hrabák, Ph.D.
Katedra aplikované matematiky

Fakulta informačních technologií
České vysoké učení technické v Praze
© 2011–2024 Rudolf B. Blažek, Jitka Hrabáková, Pavel Hrabák, Roman Kotecký, Petr Novák, Daniel Vašata
Vybrané statistické metody

NI-VSM, LS 2023/24, Přednáška 3
Hrabák, Novák, Vašata (FIT ČVUT) Vybrané statistické metody NI-VSM, LS 2023/24, Přednáška 3 1 / 24
Obsah přednášek
• Opakování základních pojmů pravděpodobnosti

• Náhodné vektory a jejich sdružené charakteristiky, vícerozměrné normální rozdělení
• Entropie, využití v teorii kódování
• Opakování základních pojmů statistiky, testování hypotéz, p-hodnota, t-testy
• Testy dobré shody, testy nezávislosti, kontingenční tabulky
• Odhady rozdělení, jádrové odhady, Gaussovské směsi
• Základní pojmy teorie náhodných procesů
• Markovské řetězce s diskrétním časem, klasifikace stavů, stacionarita
• Poissonův process
• Markovské řetězce se spojitým časem, skokové intenzity, stacionarita
• Systémy hromadné obsluhy, Littleho věta, M/M/1, M/M/n, M/G/∞
Náhodné vektory Definice
Soubory náhodných veličin – náhodné vektory

Někdy měříme na jednom výsledku experimentu několik náhodných veličin najednou.
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).
Obdobně, jsou-li m, n ∈ N a Zi,j pro i = 1, . . . , m; j = 1, . . . , n náhodné veličiny na

stejném pravděpodobnostním prostoru(Ω, F, P), pak matici Z = (Zi,j ) nazýváme
náhodnou maticí 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 .
Náhodné vektory Sdružené rozdělení
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
FX (x) ≡ FX (x1 , . . . , xn ) = P(X1 ≤ x1 , . . . , Xn ≤ xn )
pro každé x ∈ Rn , kde x = (x1 , . . . , xn )T .
Poznámky:
• Obdobně můžeme definovat sdruženou distribuční funkci náhodné matice.
• Používáme notaci P(X1 ≤ x1 , . . . , Xn ≤ xn ) ≡ P(X1 ≤ x1 ∩ . . . ∩ Xn ≤ xn ).
Sdružené diskrétní rozdělení

Diskrétní rozdělení v případě náhodných vektorů definujeme analogicky jako v případě
náhodných veličin.
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
kde xi označuje i-tou složku vektoru x. Tj. x = (x1 , . . . , xn )T .
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 .
Sdružené diskrétní rozdělení

Distribuční funkce náhodného vektoru X se sdruženým diskrétním rozdělením má tvar
X
FX (x) = P(X = u)
{u∈X |(∀i)(ui ≤xi )}
X
≡ P(X1 = u1 , . . . , Xn = un ).
{u∈X |(∀i)(ui ≤xi )}
V případě dvojice veličin X, Y dostáváme

X
FX,Y (x, y) = P(X ≤ x, Y ≤ y) = P(X = u, Y = v).
{u∈X ,v∈Y
|u≤x a v≤y}
Ekvivalentní definice sdruženého diskrétního rozdělení

• Náhodný vektor X = (X1 , . . . , Xn )T má sdružené diskrétní rozdělení, právě když
jsou náhodné veličiny X1 , . . . , Xn diskrétní.
• Označíme-li Xi množinu hodnot veličiny Xi , pak jako množinu X do předchozí
definice můžeme brát kartézský součin X = X1 × . . . ×Xn .
Vizualizace sdruženého diskrétního rozdělení

x
P(X = x, Y = y)
0.5 1 2
2 0.3 0.06 0.04
y
1 0.4 0.15 0.05
Sdružená pravděpodobnostnı́ funkce Sdružená distribučnı́ funkce

P(X = x, Y = y) FX,Y
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
Sdružené spojité rozdělení

Definice
Náhodný vektor X = (X1 , . . . , Xn )T má sdružené spojité rozdělení, jestliže existuje
nezáporná funkce fX : Rn → R taková, že pro každé x ∈ Rn můžeme hodnotu
sdružené distribuční funkce v bodě x vyjádřit jako
Z x1 Z xn
FX (x) = ··· fX (u) du1 . . . dun .
−∞ −∞
Funkci fX v takovém případě nazýváme sdruženou hustotou pravděpodobnosti

náhodného vektoru X .
Sdružená distribuční funkce je jako v jednorozměrném případě spojitá.
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
−∞ −∞
pro všechna x, y ∈ R, kde fX,Y je nezáporná funkce na R2 .

Sdružené spojité rozdělení – vlastnosti
Analogicky jako v jednorozměrném případě platí následující vlastnosti:
• V bodech x ∈ Rd , kde existují smíšené parciální derivace,
∂ n FX
fX (x) = (x).
∂x1 . . . ∂xn
• Normalizační podmínka
Z +∞ Z +∞
··· fX (x) dx1 . . . dxn = 1.
−∞ −∞
• Pro všechna a, b ∈ Rn , kde ai ≤ bi pro každé i = 1, . . . n, platí

Z b1 Z bn
P(a1 < X1 ≤ b1 , . . . , an < Xn ≤ bn ) = ··· fX (x) dx1 . . . dxn .
a1 an
Vlastnosti sdruženého spojitého rozdělení

Navíc, díky specifickým vlastnostem integrálu na Rn , je možné dokázat:
• Pro každou B Borelovskou podmnožinu Rn (tj. každou „ běžnou“ podmnožinu)
Z
P(X ∈ B) = fX (x) dx1 . . . dxn .
B
• Je-li B Borelovská podmnožina Rn , položme
(
1, pro x ∈ B,
Z
νn (B) = 1B (x) dx1 . . . dxn , kde 1B (x) =
Rn 0, pro x ∈
/ B.
• Pro každou B Borelovskou podmnožinu Rn takovou, že νn (B) = 0, platí
P(X ∈ B) = 0.
• Mezi takové množiny patří např. všechny „méně-dimenzionální“ množiny jako např.
jednoprvkové množiny, úsečky, atd.
• Pro spojitý náhodný vektor X = (X, Y )T , libovolnou Borelovskou B v R a libovolné
body x, y ∈ R tak speciálně platí
P(X = x, Y ∈ B) = P(X ∈ B, Y = y) = P(X = x, Y = y) = 0.
Vizualizace sdruženého spojitého rozdělení

Uvažujme náhodné veličiny X, Y s rozdělením určeným sdruženou hustotou
pravděpodobnosti
1 1 2 2
fX,Y (x, y) = √ e− 2 (x −2xy+1.5y ) .
2π 2
Sdružená hustota pravděpodobnosti Sdružená distribučnı́ funkce

fX,Y FX,Y
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
Náhodné vektory Marginální rozdělení
Marginální rozdělení
Někdy známe sdružené rozdělení náhodného vektoru X = (X1 , . . . , Xn )T , ale zajímá

nás rozdělení pouze části veličin z X .
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 .
Nejčastěji určujeme marginální rozdělení náhodné veličiny X nebo Y vzhledem ke

sdruženému rozdělení dvojice X a Y .
Připomeňme si tvrzení, jak lze marginální rozdělení spočítat.
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 )}
ii) Marginální rozdělení náhodné veličiny Xi je diskrétní, určené pravděpodobnostmi

X
P(Xi = x) = P(X = u).
{u∈X |ui =x}
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
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.
Pro dvojici náhodných veličin X a Y se sdruženým spojitým rozdělením speciálně platí:

Z ∞ Z ∞
fX (x) = fX,Y (x, y) dy, fY (y) = fX,Y (x, y) dx.
−∞ −∞
Náhodné vektory Nezávislost náhodných veličin
Nezávislost náhodných veličin

Stejně jako u náhodných jevů, často se nám hodí prozkoumat, zda znalost hodnoty jedné
náhodné veličiny může ovlivnit rozdělení veličiny druhé.
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 X1 , X2 , . . . tvořící spočetnou kolekci nazýváme nezávislé, pokud je

každá konečná n-tice Xi1 , . . . , Xin nezávislá.
Náhodné veličiny X a Y jsou tedy nezávislé, právě když pro všechna x, y ∈ R platí
P(X ≤ x, Y ≤ y) = P(X ≤ x) P(Y ≤ y).
Nezávislost náhodných veličin

Pro diskrétní a spojité náhodné veličiny je možno ověření nezávislosti zjednodušit.
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
P(X = x, Y = y) = P(X = x) P(Y = y).
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
fX,Y (x, y) = fX (x)fY (y).

Funkce náhodného vektoru, součet náhodných veličin
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.
Uvažujme nyní speciální případ součtu dvou nezávislých náhodných veličin.

• Když jsou náhodné veličiny X a Y diskrétní a nezávislé, pak pro Z = X + Y platí
X
P(Z = z) = P(X = x) P(Y = z − x) (diskrétní konvoluce).
x∈X
• Když jsou náhodné veličiny X a Y spojité a nezávislé, pak pro Z = X + Y platí

Z ∞
fZ (z) = fX (x)fY (z − x) dx (konvoluce fX a fY ).
−∞
Střední hodnota funkce náhodného vektoru

Střední hodnotu E h(X) funkce h náhodného vektoru X můžeme podobně jako u funkce
jedné náhodné veličiny spočíst bez určování rozdělení veličiny h(X).
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
ii) Má-li X sdružené spojité rozdělení, pak

Z ∞ Z ∞
E h(X) = ··· h(x)fX (x) dx1 . . . dxn .
−∞ −∞
Suma resp. integrál musí absolutně konvergovat, jinak E h(X) neexistuje (nebo je ±∞).
Pro dvojici náhodných veličin X, Y a pro všechny a, b ∈ R tedy v důsledku platí
E(aX + bY ) = a E X + b E Y.
Náhodné vektory Kovariance a korelace
Kovariance & korelační koeficient

Míru vzájemné lineární závislosti náhodných veličin X a Y můžeme popsat pomocí
korelačního koeficientu.
Definice
Necht’ X a Y jsou náhodné veličiny s konečnými druhými momenty.
• Kovarianci X a Y definujeme vztahem
cov(X, Y ) = E(X − E X)(Y − E Y ).
• Pokud mají X a Y kladné rozptyly, definujeme korelační koeficient jako
cov(X, Y )
ρ(X, Y ) = √ √ .
var X var Y
Definice
Náhodné veličiny X a Y nazýváme nekorelované, pokud cov(X, Y ) = 0.
Náhodné vektory Kovariance a korelace
Kovariance & korelační koeficient – vlastnosti

Věta
Necht’ X a Y jsou náhodné veličiny s konečnými druhými momenty. Potom platí:
i) cov(X, Y ) = E XY − E X E Y .
ii) X a Y jsou nekorelované, právě když E XY = E X E Y .
iii) cov(X, X) = var X .
iv) −1 ≤ ρ(X, Y ) ≤ 1.
v) ρ(aX + b, cY + d) = ρ(X, Y ) pro všechny a, c > 0 a b, d ∈ R.
vi) ρ(X, Y ) = ±1, právě když existují a, b ∈ R, a > 0 tak, že Y = ±aX + b.
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.
Náhodné vektory Podmíněné rozdělení a podmíněná střední hodnota
Podmíněné rozdělení diskrétních veličin

Zabývejme se nyní rozdělením náhodné veličiny X za předpokladu, že známe hodnotu
náhodné veličiny Y = y . Zajímáme se, jak částečná informace o výsledku experimentu
změní naše úvahy.
Pro diskrétní veličiny zavedeme podmíněné rozdělení pomocí podmíněné

pravděpodobnosti za podmínky, že nastal jev {Y = y}.
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)
Pokud je X diskrétní tak podmíněná pravděpodobnost hodnot X dáno Y = y je

analogicky
P(X = x, Y = y)
P(X = x|Y = y) = .
P(Y = y)
Podmíněná střední hodnota diskrétní náhodné veličiny

Podmíněné pravděpodobnosti:
P(X = x, Y = y)
P(X = x|Y = y) = .
P(Y = y)
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).
Po dosazení definice podmíněné pravděpodobnosti dostáváme

X P(X = x, Y = y)
E(X|Y = y) = x .
P(Y = y)
x∈X
Podmíněná střední hodnota je tedy parametrizována hodnotou y .

Podmíněné rozdělení spojitých náhodných veličin
V případě spojitých náhodných veličin X a Y není možné podmiňovat jevem {Y = y},

protože P(Y = y) = 0.
Analogicky s diskrétním případem definujeme bez hlubší diskuse přímo podmíněnou

hustotu.
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).
Podmíněná střední hodnota spojité náhodné veličiny

Analogicky jako u diskrétních náhodných veličin definujeme podmíněnou střední hodnotu
pro spojité náhodné veličiny.
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)
Po dosazení definice podmíněné hustoty dostaneme

∞
fX,Y (x, y)
Z
E(X|Y = y) = x dx.
−∞ fY (y)
Podmíněná střední hodnota je parametrizována hodnotou y .


NI VSM Lec 03 Slides

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

NI VSM Lec 03 Slides

Uploaded by

Copyright:

Available Formats

Náhodné vektory

Katedra aplikované matematiky

Vybrané statistické metody

• Opakování základních pojmů pravděpodobnosti

Soubory náhodných veličin – náhodné vektory

Obdobně, jsou-li m, n ∈ N a Zi,j pro i = 1, . . . , m; j = 1, . . . , n náhodné veličiny na

Náhodné vektory – sdružené rozdělení

FX (x) ≡ FX (x1 , . . . , xn ) = P(X1 ≤ x1 , . . . , Xn ≤ xn )

pro každé x ∈ Rn , kde x = (x1 , . . . , xn )T .

Sdružené diskrétní rozdělení

kde xi označuje i-tou složku vektoru x. Tj. x = (x1 , . . . , xn )T .

Sdružené diskrétní rozdělení

V případě dvojice veličin X, Y dostáváme

Ekvivalentní definice sdruženého diskrétního rozdělení

Vizualizace sdruženého diskrétního rozdělení

Sdružená pravděpodobnostnı́ funkce Sdružená distribučnı́ funkce

Sdružené spojité rozdělení

Funkci fX v takovém případě nazýváme sdruženou hustotou pravděpodobnosti

Sdružená distribuční funkce je jako v jednorozměrném případě spojitá.

pro všechna x, y ∈ R, kde fX,Y je nezáporná funkce na R2 .

Sdružené spojité rozdělení – vlastnosti

Analogicky jako v jednorozměrném případě platí následující vlastnosti:

• V bodech x ∈ Rd , kde existují smíšené parciální derivace,

• Pro všechna a, b ∈ Rn , kde ai ≤ bi pro každé i = 1, . . . n, platí

Vlastnosti sdruženého spojitého rozdělení

P(X = x, Y ∈ B) = P(X ∈ B, Y = y) = P(X = x, Y = y) = 0.

Vizualizace sdruženého spojitého rozdělení

Sdružená hustota pravděpodobnosti Sdružená distribučnı́ funkce

Někdy známe sdružené rozdělení náhodného vektoru X = (X1 , . . . , Xn )T , ale zajímá

Nejčastěji určujeme marginální rozdělení náhodné veličiny X nebo Y vzhledem ke

Připomeňme si tvrzení, jak lze marginální rozdělení spočítat.

ii) Marginální rozdělení náhodné veličiny Xi je diskrétní, určené pravděpodobnostmi

Pro dvojici náhodných veličin X a Y se sdruženým spojitým rozdělením speciálně platí:

Nezávislost náhodných veličin

Náhodné veličiny X1 , X2 , . . . tvořící spočetnou kolekci nazýváme nezávislé, pokud je

P(X ≤ x, Y ≤ y) = P(X ≤ x) P(Y ≤ y).

Nezávislost náhodných veličin

P(X = x, Y = y) = P(X = x) P(Y = y).

fX,Y (x, y) = fX (x)fY (y).

Funkce náhodného vektoru, součet náhodných veličin

Uvažujme nyní speciální případ součtu dvou nezávislých náhodných veličin.

• Když jsou náhodné veličiny X a Y spojité a nezávislé, pak pro Z = X + Y platí

Střední hodnota funkce náhodného vektoru

ii) Má-li X sdružené spojité rozdělení, pak

Pro dvojici náhodných veličin X, Y a pro všechny a, b ∈ R tedy v důsledku platí

Kovariance & korelační koeficient

cov(X, Y ) = E(X − E X)(Y − E Y ).

• Pokud mají X a Y kladné rozptyly, definujeme korelační koeficient jako

Kovariance & korelační koeficient – vlastnosti

Podmíněné rozdělení diskrétních veličin

Pro diskrétní veličiny zavedeme podmíněné rozdělení pomocí podmíněné

Pokud je X diskrétní tak podmíněná pravděpodobnost hodnot X dáno Y = y je

Podmíněná střední hodnota diskrétní náhodné veličiny

Po dosazení definice podmíněné pravděpodobnosti dostáváme

Podmíněná střední hodnota je tedy parametrizována hodnotou y .

Podmíněné rozdělení spojitých náhodných veličin

V případě spojitých náhodných veličin X a Y není možné podmiňovat jevem {Y = y},

Analogicky s diskrétním případem definujeme bez hlubší diskuse přímo podmíněnou

Podmíněná střední hodnota spojité náhodné veličiny

Po dosazení definice podmíněné hustoty dostaneme

Podmíněná střední hodnota je parametrizována hodnotou y .

You might also like