Professional Documents
Culture Documents
INFp
INFp
8. januára 2022
Obsah
1
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
7 Náhodné vektory 69
7.1 V²eobecné náhodné vektory . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.2 Diskrétne náhodné vektory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.3 Spojité náhodné vektory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.4 Rozdelenie funkcie dvoch náhodných premenných . . . . . . . . . . . . . . . . 77
7.5 Kovariancia a korelácia náhodných premenných . . . . . . . . . . . . . . . . . 80
7.6 Kovarian£ná matica náhodného vektora . . . . . . . . . . . . . . . . . . . . . . 82
7.7 Základné typy rozdelení náhodných vektorov . . . . . . . . . . . . . . . . . . . 83
7.7.1 Multinomické rozdelenie . . . . . . . . . . . . . . . . . . . . . . . . . . 83
7.7.2 Viacrozmerné normálne rozdelenie . . . . . . . . . . . . . . . . . . . . . 85
Úvod
Teória pravdepodobnosti a matematická ²tatistika poskytujú exaktné metódy umoº¬ujúce
zahrnú´ do procesu získavania a analýzy dát apriórne vedomosti, kvantikova´ neistotu a od-
vodi´ uzávery pre rozhodovanie. Pouºívajú sa vo v²etkých oblastiach ©udskej £innosti, ktorých
cie©om je získa´ z dát uºito£nú informáciu, napríklad vo v²etkých prírodných a v mnohých
spolo£enských vedách, v medicíne, vo nan£nej a poistnej matematike, v strojovom u£ení a
umelej inteligencii.
Predbeºná verzia (19. september 2021) obsahujúca len kapitoly o teórii pravdepodobnosti.
3
Kapitola 1
Axiomatická denícia pravdepodobnosti
Poznámka 1.2. 2Ω
ozna£ujeme mnoºinu v²etkých podmnoºín mnoºiny Ω,
a) Symbolom
takzvanú poten£nú mnoºinu. iºe v denícii 1.1 zodpovedá zápis S ⊆ 2 tomu, ºe S je systém
Ω
Poznámka 1.3. Druhá a tretia vlastnos´ z denície 1.1 sa niekedy nazývajú uzavretos´ vzh©a-
dom na doplnky (komplementy), resp. uzavretos´ vzh©adom na spo£ítate©né zjednotenia.
Príklad 1.4. Nech Ω je ©ubovo©ná neprázdna mnoºina a nech ∅ 6= A ( Ω. Potom {∅, Ω},
Ω
{∅, A, Ω/A, Ω} aj 2 sú σ -algebry na mnoºine Ω, pretoºe sp¨¬ajú v²etky vlastnosti denície
1.1, ako sa dá ©ahko presved£i´. Ak Ω = {1, 2, 3}, potom systém mnoºín {∅, {1}, {2}, {3}, Ω}
nie je σ -algebra na mnoºine Ω, pretoºe nesp¨¬a vlastnos´ 2 a dokonca ani vlastnos´ 3 z denície
1.1. Uvedený systém podmnoºín mnoºiny Ω totiº nie je uzavretý ani vzh©adom na doplnky,
ani vzh©adom na spo£ítate©né zjednotenia.
Dôkaz. Ai ∈ S pre v²etky i ∈ I , tak pod©a vlastnosti 2 z denície 1.1 platí Ω \ Ai ∈ S pre
Ak
v²etky i ∈ I ; pod©a vlastnosti 3 teda máme ∪i∈I (Ω \ Ai ) ∈ S a opä´ pod©a vlastnosti 2 dostá-
vame Ω \ (∪i∈I (Ω \ Ai )) ∈ S. Lenºe Ω \ (∪i∈I (Ω \ Ai )) = ∩i∈I Ai na základe De Morganovych
pravidiel.
4
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Poznámka 1.6. Axiómy denície 1.1 zaru£ujú, ºe systém S je uzavretý nielen vzh©adom na
spo£ítate©né prieniky a zjednotenia, ale aj vzh©adom na akéko©vek mnoºinové operácie, ktoré
sú vyjadrite©né pomocou spo£ítate©ných zjednotení, prienikov, alebo komplementov. Ukáºme
napríklad, ºe systém S je uzavretý vzh©adom na mnoºinový rozdiel.
Dôkaz. Ak A1 , A2 ∈ S, tak pod©a vlastnosti 2 denície 1.1 platí Ω\A1 ∈ S. Teda pod©a vety
1.5 obsahuje systém S aj mnoºinu A2 ∩ (Ω \ A1 ) = A2 \ A1 .
udalosti.
Príklad 1.10. Ak je výberový priestor Ω kone£ná mnoºina, tak v na²om modeli obvykle
Ω4
volíme S=2 . Napríklad, nech ná² experiment pozostáva z jedného hodu hracou kockou.
Ak nás na tomto experimente zaujíma jedine to, na ktorú stranu padne kocka (a ak z modelu
vylú£ime moºnos´, ºe kocka zostane stá´ na hrane a iné anomálne situácie), potom je zmys-
luplným výberovým priestorom Ω = {1, 2, . . . , 6}. Systém udalostí nech je S = 2 . Udalos´
Ω
A = {1, 2, 3} zodpovedá výroku padne £íslo men²ie neº 4, udalos´ B = {2, 4, 6} zodpovedá
výroku padne párne £íslo a podobne. Vi¤ obrázok 1.1.
Veta 1.13 (Prienik σ-algebier je σ-algebra ). Nech J je neprázdna indexová mnoºina (nemusí
by´ spo£ítate©ná) a nech Sj je σ -algebra na mnoºine Ω, pre kaºdé j ∈ J . Potom ∩j∈J Sj je tieº
σ -algebra na mnoºine Ω.
Dôkaz. Vetu je moºné dokáza´ priamo£iarym overením toho, ºe S = ∩j∈J Sj sp¨¬a vlastnosti
1,2,3 denície 1.1.
σ(F) = {∅, Ω, {1, 2}, {3, 4}, {1, 2, 3, 4}, {3, 4, 5}, {1, 2, 5}, {5}} .
Príklad 1.16. Hádºeme mincou (nekone£ne dlho), pri£om akáko©vek pre nás zaujímavá in-
formácia je obsiahnutá v zázname o tom, v ktorých hodoch padla na minci hlava a v kto-
rých hodoch padol znak. Túto situáciu je prirodzené formalizova´ tým spôsobom, ºe vý-
berový priestor Ω bude mnoºina v²etkých nula-jednotkových nekone£ných postupností, kde
nula reprezentuje padnutie hlavy a jednotka reprezentuje padnutie znaku. Denova´ na tejto
mnoºine vhodnú σ -algebru uº v²ak nie je celkom jednoduché. Ukazuje sa, ºe v tomto prí-
(b)
pade je vhodnou σ -algebrou udalostí S = σ(F), kde F = {Ak : k ∈ N ∧ b ∈ {0, 1}}
(b)
a pre kaºdé k ∈ N, b ∈ {0, 1} je Ak mnoºinou v²etkých tých postupností z mnoºiny
Ω, ktorých k -ty £len je rovný hodnote b. Tento systém udalostí je dostato£ne bohatý, ale
nie príli² 5 bohatý. Napríklad o v²etkých nasledovných udalostiach je moºné ©ahko ukáza´,
ºe patria do S: A1 = {(i1 , i2 , . . .) ∈ Ω : ∀k ∈ N (ik = 0)} (vo v²etkých hodoch padne
hlava), A2 = {(i1 , i2 , . . .) ∈ Ω : ∀k ∈ N (ik 6= ik+1 )} (budú sa strieda´ hlavy a znaky),
A3 = {(i1 , i2 , . . .) ∈ Ω : i1 = · · · = im−1 = 0 ∧ im = 1} (znak padne prvýkrát v m-tom hode).
zna£i´ symbolom B.
Veta 1.18 (Základné borelovské podmnoºiny mnoºiny R). Nech a, b ∈ R, pri£om a < b. Potom
v²etky nasledovné mnoºiny patria do B: (−∞, a), (a, ∞), (−∞, a], [a, ∞) (a, b], [a, b), [a, b],
{a}. Do systému B tieº patrí akáko©vek spo£ítate©ná podmnoºina mnoºiny R.
Dôkaz. To, ºe otvorené intervaly sú borelovské mnoºiny, plynie priamo z denície. Av²ak
interval akéhoko©vek typu (ako aj jednoprvková mnoºina) musí by´ borelovskou mnoºinou,
pretoºe ho je moºné zapísa´ ako prienik spo£ítate©nej postupnosti otvorených intervalov a
σ -algebra je uzavretá vzh©adom na spo£ítate©né prieniky. Spo£ítate©ná mnoºina je borelovská
preto, lebo je spo£ítate©ným zjednotením mnoºín typu {a}, a ∈ R, ktoré patria do systému
B pod©a prvej £asti vety a systém B je uzavretý vzh©adom na spo£ítate©né zjednotenia.
5 Je to prekvapivé, ale systém 2Ω nemôºeme v tomto prípade zobra´ ako S. Dá sa totiº ukáza´, ºe preΩ
rovné v²etkým nula-jednotkovým postupnostiam neexistuje ani jedno zobrazenie P : 2Ω → R, ktoré by sp¨¬alo
prirodzené vlastnosti pravdepodobnostnej miery, o ktorých pojednávame v nasledujúcej podkapitole.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Vo vete 1.18 sme ukázali, ºe mnohé beºne pouºívané podmnoºiny mnoºiny R patria do
B. V skuto£nosti akáko©vek rozumná podmnoºina mnoºiny R patrí do B. Neborelovské
mnoºiny existujú, dokonca ich je ve©mi ve©a, sú ale extrémne komplikované a v reálnych
aplikáciách sa nevyskytujú. Podobná poznámka platí pre R , resp. pre Bm , ak m ≥ 2. Nebo-
m
relovskými mnoºinami sa ¤alej nebudeme zaobera´, hoci kvôli úplnosti sme museli spomenú´
ich existenciu.
Príklad 1.19. Sledujeme o ko©ko sekúnd zaznamenáme novú poºiadavku na ur£itý systém
hromadnej obsluhy, napríklad na server. Ak predpokladáme, ºe £as vieme odmera´ úplne
presne, potom je moºným výberovým priestorom Ω=R a príslu²ným systémom udalostí je
6
S = B. (0, 60) zodpovedá výroku novú poºiadavku zaznamenáme skôr ako uplynie
Udalos´
minúta, udalos´ [3600, ∞) zodpovedá výroku uplynie aspo¬ hodina, kým zaznamenáme novú
poºiadavku a tak ¤alej.
Príklad 1.20. Na jednotkovej kruºnici v rovine náhodne zvolíme dva body K, L. Body K, L
je moºné jednozna£ne reprezentova´ ve©kos´ami uhlov ∠M OK a ∠M OL v intervale [0, 2π),
meranými proti smeru hodinových ru£i£iek, kde M = (1, 0)T a O = (0, 0)T . Takºe za for-
málny výberový priestor môºeme zvoli´ dvojice reálnych £ísel a zodpovedajúcu borelovskú
σ -algebru: Ω = R2 a S = B2 . Slovne vyjadrenej udalosti Uhol ∠KM L je men²í ako π/2
T
zodpovedá mnoºina A = {(ψ, φ) : 0 < ψ, φ < 2π, |ψ − φ| < π}, £o plynie z vety o vz´ahu
medzi obvodovým a stredovým uhlom. Udalosti Trojuholník KM L je ostrouhlý zodpovedá
T
mnoºina B = {(ψ, φ) : 0 < ψ, φ < 2π, |ψ − φ| < π, min(ψ, φ) < π, max(ψ, φ) > π}. Mnoºiny
A a B sú zobrazené na obrázku 1.2; v²imnime si tieº, ºe sú automaticky borelovské, pretoºe
sú otvorené.
Samotná σ -algebra udalostí je pre model náhodných dejov len, vo©ne vyjadrené, vymedzením
toho, £o sa môºe v princípe udia´. Na presnú ²pecikáciu modelu potrebujeme e²te doda´ jed-
notlivým potenciálnym udalostiam rôznu mieru o£akávania, resp. asymptotickú frekvenciu
8
výskytu, takzvanú pravdepodobnostnú mieru, skrátene pravdepodobnos´ .
6 Opä´ by nás mohlo zvádza´ poloºi´ S = 2Ω . Ukazuje sa v²ak, ºe, podobne ako v príklade 1.16, by sme
sa dostali do problémov pri denícii pravdepodobnostnej miery na v²etkých prvkoch takto bohatého systému
mnoºín.
7 túdiom takýchto náhodných objektov sa zaoberá teória náhodných procesov s aplikáciami napríklad vo
nan£nej matematike.
8 V tomto texte sa nebudeme zaobera´ ve©mi zaujímavou, ale skôr lozockou témou interpretácie pojmu
pravdepodobnosti. Vysta£íme si s intuitívnou predstavou a jednozna£ným matematickým aparátom na nará-
banie s pravdepodobnos´ou.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Obr. 1.2: Obrázok k príkladu 1.20. Panel (a): sivá oblas´ znázor¬uje mnoºinovú reprezentáciu
udalosti A. Panel (b): sivá oblas´ znázor¬uje mnoºinovú reprezentáciu udalosti B.
Poznámka 1.22. Vlastnosti z denície 1.21 nazývame axiómy pravdepodobnosti. Prvá axi-
óma je dohodou, ºe pravdepodobnos´ budeme mera´ £íslami v rozsahu od 0 do 1. Druhá axi-
óma poºaduje, aby udalos´ ∅ (niekedy nazývaná nemoºná udalos´) mala pravdepodobnos´ 0
a udalos´Ω (nazývaná istá udalos´) mala pravdepodobnos´ 1.9 Vlastnos´ 3 je uº netriviálna
a nazývame ju aditivita pravdepodobnosti, ak je I kone£ná mnoºina, alebo σ -aditivita pravde-
podobnosti, ak je I nekone£ná spo£ítate©ná mnoºina. Formalizuje na²e intuitívne o£akávanie,
ºe ak máme udalosti, z ktorých môºe nasta´ maximálne jedna, tak to, ºe nastane niektorá z
týchto udalostí (v zmysle akáko©vek), má pravdepodobnos´ rovnú sú£tu pravdepodobností
10
jednotlivých udalostí .
9 V mnohých pravdepodobnostných modeloch v²ak existujú aj neprázdne udalosti, ktoré majú nulovú
pravdepodobnos´ a udalosti, ktoré nie sú Ω, no ich pravdepodobnos´ je 1. Udalosti nulovej pravdepodobnosti
niekedy nazývame nulové udalosti a udalosti pravdepodobnosti 1 nazývame skoro isté udalosti.
10 V²imnite si, ºe nie£o podobné poºadujeme aj od pojmov úhrnná d¨ºka, celková plocha a celkový
objem. Ako sme uº nazna£ili, pojmy pravdepodobnosti, d¨ºky, plochy a objemu sa dajú zastre²i´ spolo£nou
matematickou teóriou, takzvanou teóriou miery.
11 Niekedy sa pravdepodobnostný priestor nazýva aj pravdepodobnostný model.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
povaºova´ za model hádzania hracou kockou, ak nás zaujíma výlu£ne £íselný výsledok hodu.
(Pozri príklad 1.10.)
Poznámka 1.25. Dôleºitou otázkou, ktorú nie je moºné vyrie²i´ mechanickým, vºdy pouºi-
te©ným návodom, je ako ur£íme pre ná² pravdepodobnostný model mieru P. V niektorých
situáciách nás k vhodnej vo©be pravdepodobnosti P dovedú úvahy vychádzajúce zo symetrií
modelovaného deja. Napríklad v príklade 1.24 je prirodzené predpoklada´, ºe kaºdý z výsled-
kov 1, . . . , 6 (£iºe kaºdá z udalostí {1}, . . . , {6}) má rovnakú pravdepodobnos´ p, z dôvodu
symetrie samotnej kocky, ktorú hádºeme. Aditivita pravdepodobnosti potom implikuje, ºe
p = |A| /6 pre kaºdé A ∈ S. Pochopite©ne, v prípade zle vyváºenej kocky, by tento pravde-
podobnostný model nebol vhodný. V takom prípade môºe by´ ur£enie dokonalého modelu, £iºe
presnej pravdepodobnosti P , nerealistickým. Jedna z moºností stanovenia pribliºného modelu
je hodi´ danou kockou mnohokrát a pravdepodobnosti udalostí {1}, . . . , {6} ur£i´ empiricky
ako podiely jednotlivých pozorovaných výsledkov.
Príklad 1.26. Jednoduchý náhodný výber bez návratu. Ako denujeme pravdepodobnostnú
mieru pre situáciu z príkladu 1.12? Ak predpokladáme dokonale náhodný výber objektov,
tak je intuitívne zrejmé, ºe kaºdá n-prvková podmnoºina by mala ma´ rovnakú pravdepo-
dobnos´, ºe bude výsledkom tohto výberu. Podobne ako v predchádzajúcom prípade je teda
prirodzené predpoklada´, ºe pre kaºdú udalos´ {ω}
M
∈ S, kde ω je n-prvková podmnoºina mno-
ºiny {1, 2, . . . , M }, platí P ({ω}) = 1/|Ω| = 1/ . Preto ak A je akáko©vek udalos´, £iºe aká-
n
M
ko©vek mnoºina n-prvkových podmnoºín mnoºiny {1, 2, . . . , M }, tak platí P (A) = |A|/ .
n
Najzloºitej²ie je v takýchto situáciách nie to, ako denova´ pravdepodobnos´, ale ako spo£íta´
po£et prvkov |A| (nejako, napríklad slovne) zadanej mnoºiny A. To je obvykle kombinato-
rický problém a úlohy výpo£tu pravdepodobností, ktoré sú ekvivalentné výpo£tu po£tu prvkov
nejakej mnoºiny, sa nazývajú problémy kombinatorickej pravdepodobnosti. Napríklad uva-
ºujme mnoºinu A
z príkladu 1.12. Jej po£et prvkov je rovný po£tu n-prvkových podmnoºín
(M − 1)-prvkovej mnoºiny, £iºe |A| = Mn−1 , a teda P (A) = Mn−1 / M n
n
= 1− M . Pre udalos´
B z príkladu platí, ºe jej po£et prvkov je po£et v²etkých k -prvkových podmnoºín mnoºiny
{1, 2, . . . , N } krát po£et v²etkých n−k prvkových podmnoºín mnoºiny {N +1, N+2, . . . , M }.
N M −N
Takºe pre netriviálny prípad n+N −M ≤ k ≤ min(n, N ) platí P (B) =
k n−k
/ M
n
. Rôzne
schémy náhodného výberu z ve©kej populácie objektov ²tuduje takzvaná teória náhodného
výberu.
Príklad 1.27. Bernoulliho pokusy. Nech Ω = {0, 1}∞ , t.j. Ω je mnoºina v²etkých (nekone£-
ných spo£ítate©ných) postupností £ísel 0 a 1. Nech p1 , p2 , . . . je postupnos´ £ísel v intervale
(0, 1). Uvaºujme σ -algebru S denovanú v príklade 1.16. Moºno ukáza´12 , ºe na S existuje prav-
depodobnos´ P , ktorá sp¨¬a nasledovnú podmienku: Nech b1 , . . . , bm ∈ {0, 1} sú pevné binárne
£ísla a nech 1 ≤ k1 < · · · < km sú pevné prirodzené £ísla. Nech A ∈ S je mnoºina v²etkých
tých postupností hodnôt {0, 1}, ktoré majú na pozícii ki hodnotu bi pre v²etky i = 1, . . . , k a
na ostatných pozíciách akúko©vek binárnu hodnotu. Pre takéto A platí P (A) = rk1 rk2 . . . rkm ,
kde ri = 1 − pi ak bi = 0 a ri = pi ak bi = 1, pre v²etky i = 1, 2, . . .. Pravdepodob-
nostný priestor (Ω, S, P ) môºeme povaºova´ za model (opakovaného, potenciálne nekone£ne
dlhého) hádzania mincou, pri£om hlava (formálne 0) padne v i-tom hode s pravdepodob-
nos´ou 1 − pi , znak (formálne 1) padne v i-tom hode s pravdepodobnos´ou pi a výsledky
12 Dôkaz spadá do oblasti teórie náhodných procesov a presahuje to £o je rozumné uvádza´ v tejto u£ebnici.
Záujemca si môºe vyh©ada´ pojem Kolmogorova veta o roz²írení.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
13 Dôkaz spadá do oblasti teórie miery a presahuje to £o je rozumné uvádza´ v tejto u£ebnici; záujemca si
môºe vyh©ada´ pojem Lebesguova miera.
14 Dôkaz je jednoduchý, pokia© uveríme tvrdeniu z predo²lého príkladu. Stru£ne: sta£í overi´, ºe P mô-
ºeme denova´ ako P (B) = P R (Φ−1 (B)), kde P R je rovnomerná pravdepodobnos´ na intervale (0, 1), ktorej
−1
existenciu predpokladáme a Φ je inverzná funkcia k takzvanej distribu£nej funkcii normálneho rozdelenia
N (µ, σ 2 ).
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Obr. 1.3: Ilustra£ný obrázok k príkladu 1.29. Na v²etkých borelovských podmnoºinách mno-
ºiny R vieme denova´ zobrazenie P tak, ºe sp¨¬a axiómy z denície 1.21 a na jeho hodnoty
na ²peciálnych borelovských mnoºinách - intervaloch - sú ur£ené rovnos´ou 1.1. Krivka na
−x2 /2
√
obrázku zodpovedá funkcii x → e / 2π , £o je podintegrálna funkcia v 1.1 pre µ = 0 a
σ = 1. Ve©kos´ plochy vyzna£enej sivou farbou je rovná hodnote P ([a, b]).
Príklad 1.30. Stanovme pravdepodobnostnú mieru naσ -algebre B2 pre príklad 1.20 a vypo-
£ítajme pravdepodobnosti udalostí A a B . Ke¤ºe body K, L volíme rovnomerne a nezávisle,
T
je prirodzené, ºe uhly φ a ψ by sa mali správa´ tak, ºe bod (ψ, φ) bude vygenerovaný rov-
nomerne náhodne v ²tvorci Q = (0, 2π) × (0, 2π). Na základe príkladu 1.28 je preto P (A)
pomer plochy λ(A ∩ Q) = λ(A) k ploche λ(Q). Z obrázku 1.2 teda vidíme, ºe P (A) = 3/4.
Podobne P (B) = λ(B ∩ Q)/λ(Q) = λ(B)/λ(Q) = 1/4. Úlohy takéhoto typu a prístup vý-
po£tu pravdepodobnosti pomocou geometrických úvah, rovnomerného rozdelenia a výpo£tu
ve©kostí plôch, nazývame geometrická pravdepodobnos´.
P (A) P (A)
o(A) = =
P (Ω \ A) 1 − P (A)
sa nazýva ²anca udalosti A. Napríklad ²anca, ºe na minci padne znak, je jedna k jed-
nej, £iºe 1. Podobne, ²anca, ºe na kocke padne ²estka, je jedna k piatim, £iºe 0.2. ahko
sa presved£íme, ºe nielen z P (A) vieme odvodi´ o(A), ale aj naopak, z o(A) priamo dosta-
neme P (A)P (A) = o(A)/(1 + o(A)). Moderná matematická literatúra vyuºíva pojem ²anca
udalosti len ojedinele.
n
X X
P (∪ni=1 Ai ) = (−1)k−1 P (Ai1 ∩ . . . ∩ Aik ).
k=1 1≤i1 <i2 <...<ik ≤n
Dôkaz. Pre n = 2 je tvrdenie tejto vety také isté ako vo vete 1.34. Pre v²eobecné n je
moºné pouºi´ matematickú indukciu. Odli²nou metódou dokáºeme princíp inklúzie-exklúzie
pre v²eobecné n v príklade 4.40.
Príklad 1.36. Za okrúhlym stolom je rozostavených n≥3 stoli£iek. Náhodne za tento stôl
rozsadíme troch ©udí. Aká je pravdepodobnos´ pn , ºe niektorí dvaja ©udia budú sedie´ ved©a
seba?
Rie²enie: Zrejme p3 = 1; v ¤al²om budeme predpoklada´, ºe n ≥ 4. Ozna£me ©udí ako
1,2,3 a denujme udalos´ A (B , C ) ako udalos´, ºe budú ve©a seba sedie´ £lovek 1 a 2 (2 a 3,
resp. 1 a 3). Zaujíma nás P (A ∪ B ∪ C). Pod©a princípu zapojenia-vypojenia máme:
Zrejme v²ak
2 2
P (A) = P (B) = P (C) = a P (A ∩ B) = P (B ∩ C) = P (A ∩ C) = .
n−1 (n − 1)(n − 2)
2 2 6(n − 3)
P (A ∪ B ∪ C) = 3 · −3· = .
n−1 (n − 1)(n − 2) (n − 1)(n − 2)
15 Symbol o pochádza z anglického slova odds.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
peciálne, p4 = p 5 = 1 a p6 = 9/10.
Príklad moºno rie²i´ aj tak, ºe si denujme m udalostí B1 , B2 , . . . , Bm , ºe budú obsadené
susedné stoli£ky 1, 2; 2, 3; . . . ; resp. m, 1. H©adaná pravdepodobnos´ je P (∪i Bi ), £o sa dá opä´
vypo£íta´ pomocou princípu zapojenia-vypojenia.
Príklad 1.37. Postupnos´ £ísiel(1, 2, . . . , n) dokonale náhodne premie²ame. (T.j. kaºdá spo-
medzi n! permutácií má rovnakú pravdepodobnos´.) Nájdite pravdepodobnos´ pn , ºe aspo¬
jedno z £ísiel 1, 2, . . . , n bude po premie²aní na svojom pôvodnom mieste. Ur£me limn→∞ pn .
Rie²enie: Nech n A
je udalos´, ºe aspo¬ jedno z £ísiel 1, 2, . . . , n bude po
je pevné. Nech
n
premie²aní na svojom pôvodnom mieste. Potom zrejme A = ∪i=1 Ai , kde Ai ozna£uje udalos´,
ºe £íslo i zostane na svojom pôvodnom mieste. Ke¤ºe moºností výberu rôznych indexov
1 ≤ i1 < i2 < . . . < ik ≤ n je nk a pre kaºdý takýto výber je P (Ai1 ∩ . . . ∩ Aik ) = (n−k)!
, tak
n!
pod©a vety 1.35 dostávame
n n
n (n − k)! X (−1)k−1
X
k−1
pn = P (A) = (−1) = .
k=1
k n! k=1
k!
Zrejme tieº
∞ ∞
X (−1)k−1 X (−1)k
lim pn = =1− = 1 − e−1 ,
n→∞
k=1
k! k=0
k!
xk
P∞
£o plynie zo známeho vzorca ex =
k=0 k! pre v²etky reálne £ísla x.
asto sa pri výpo£te príkladov dá vyuºi´ nasledovné, intuitívne jasné tvrdenie:
Príklad 1.40. 30 percent (nie nutne súvislých) d¨ºky jednotkovej kruºnice v rovine je
Presne
zafarbených na zeleno a zvy²ných 70 percent je zafarbených na modro. Formálne presnej²ie:
máme danú funkciu f : S → {Z, M }, pri£om
Úloha 1.42 (Spojitos´ pravdepodobnosti zhora ). Ukáºte nasledovné tvrdenie: Nech (Ai )∞
i=1 je
nekone£ná postupnos´ udalostí pravdepodobnostného priestoru (Ω, S, P ), ktorá je nerastúca
∞
v zmysle A1 ⊇ A2 ⊇ A3 ⊇ . . .. Potom, rovnako ako vo vete 1.41, P (∩i=1 Ai ) = limi→∞ P (Ai ).
Dôkaz. Vetu je moºné dokáza´ podobne ako predchádzajúcu vetu, alebo aplikáciou predchá-
dzajúcej vety na neklesajúcu postupnos´ udalostí Ci = Ω\Ai .
16 Najprominentnej²ia aplikácia uvedených polospojitostí je pri dôkaze limitných vlastnosti takzvanej dis-
tribu£nej funkcie náhodnej premennej.
Kapitola 2
Podmie¬ovanie a nezávislos´ udalostí
V tejto kapitole budeme rie²i´ otázku, ako modikova´ pravdepodobnos´ udalosti A, resp.
celý pravdepodobnostný priestor (reprezentujúci ná² pravdepodobnostný model), po získaní
informácie, ºe nastala udalos´ B.
Veta 2.3. Nech (Ω, S, P ) je pravdepodobnostný priestor a nech B ∈ S, P (B) > 0. Denujme
funkciu PB : S → R nasledovne: PB (A) = P (A|B). Potom PB je pravdepodobnostná miera
na S.
Príklad 2.6. Máme dve neprieh©adné vrecká, pri£om v jednom vrecku sú dve biele gu©ô£ky
a v druhom vrecku je jedna gu©ô£ka biela a druhá £ierna. Náhodne sme zvolili jedno vrecko
16
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Obr. 2.1: Hádºeme naraz dvomi hracími kockami, pri£om kocky povaºujeme za nezávislé a
vyváºené, takºe kaºdá prípustná dvojica výsledkov padá s pravdepodobnos´ou 1/36. Model
(Ω, S, P ) si môºeme formálne stanovi´ nasledovne: Ω = {(i, j) : i, j ∈ {1, . . . , 6}}, S = 2Ω a
P (A) = |A|/36 pre v²etky A ⊆ Ω. Ak ozna£íme B udalos´, ºe v䣲ie z padnutých £ísel je
5 a A udalos´, ºe men²ie z padnutých £ísel je 2, potom P (A|B) = P (A ∩ B)/P (B) = 2/9.
Podmienenú pravdepodobnostnú mieru PB dostaneme z pôvodnej pravdepodobnostnej miery
P tak, ºe mimo B skolabujeme P do nuly a na B zdvihneme P faktorom 1/P (B).
(kaºdé s pravdepodobnos´ou 1/2) a z tohoto vrecka sme náhodne vybrali jednu gu©ô£ku,
o ktorej sme sa presved£ili, ºe je biela. Aká je pravdepodobnos´, ºe aj druhá gu©ô£ka vo
vybratom vrecku je biela?
Takéto zadania chápeme nasledovne: Z h©adiska pred výberom vrecka a gu©ô£ky, aká je
pravdepodobnos´ udalosti A = vyberieme vrecko s dvomi bielymi gu©ô£kami za podmienky
udalosti B = vybratá gu©ô£ka bude biela? Alebo iná interpretácia zadania: Predpokladajme,
ºe priestor (Ω, S, P ) zodpovedá pravdepodobnostnému modelu danej situácie z h©adiska pred
za£iatkom celého experimentu. Dodato£ná informácia, ºe nastala udalos´ B , mení ná² pôvodný
model na pravdepodobnostný priestor (Ω, S, PB ) z vety 2.3, alebo na priestor (B, SB , PB ) z
poznámky 2.5. Aká je pravdepodobnos´ udalosti A v tomto novom priestore?
Takºe rie²enie (nezávisle na tom, ktorú interpretáciu úlohy prijmeme) je nasledovné: Máme
P (A|B) = P (A ∩ B)/P (B). Zrejme v²ak P (A ∩ B) = 1/2 a P (B) = 1/2.1/2 + 1/2 = 3/4.
Preto P (A|B) = 2/3.
Denícia 2.7 (Rozklad výberového priestoru ). Budeme hovori´, ºe udalosti A1 , . . . , An tvoria
rozklad výberového priestoru Ω, ak sú tieto udalosti disjunktné, kaºdá z nich má nenulovú
pravdepodobnos´ a sú£asne platí ∪ni=1 Ai = Ω.
Veta 2.8 (Veta o úplnej pravdepodobnosti ). Nech A1 , . . . , An tvoria rozklad výberového pries-
toru. Nech B je akáko©vek udalos´. Potom platí:
n
X
P (B) = P (B|Ai )P (Ai ).
i=1
Dôkaz.
Pn
P (B) = P (B ∩ (A1 ∪ . . . ∪ An )) = P ((B ∩ A1 ) ∪ . . . ∪ (B ∩ An )) = i=1 P (B ∩ Ai ) =
P n
i=1 P (B|A i )P (Ai ) . Vyuºili sme postupne fakt, ºe Ω = A 1 ∪ . . . ∪ An základné vlast-
,
nosti mnoºinových operácií, disjunktnos´ mnoºín A1 , . . . , An (a teda aj disjunktnos´ mnoºín
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Veta 2.9 (Bayesov vzorec ). Nech udalosti A1 , A2 , . . . , An tvoria rozklad výberového priestoru.
Nech B je akáko©vek udalos´ nenulovej pravdepodobnosti a nech k ∈ {1, . . . , n}. Potom platí:
P (B|Ak )P (Ak )
P (Ak |B) = Pn .
i=1 P (B|Ai )P (Ai )
Dôkaz. Pre kaºdé k ∈ {1, . . . , n} máme P (B ∩Ak ) = P (B|Ak )P (Ak ), preto P (Ak |B) = P (B ∩
Ak )/P (B) = P (B|Ak )P (Ak )/P (B). Pouºitím vzorca pre úplnú pravdepodobnos´ dostávame
dokazovanú rovnos´.
Av²ak P (A1 ) = P (A2 ) = P (A3 ) a P (B2 |A2 ) = 1/3, P (B2 |A1 ) = P (B2 |A3 ) = 1/2. Dosadením
dostávame rie²enie P (A2 |B2 ) = 1/4.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
P (H|N )P (N )
P (N |H) = .
P (H|N )P (N ) + P (H|N c )P (N c )
V tomto vzorci musíme dopo£íta´ uº len P (H|N c ), £o je podobné ako P (H|N ). Máme
P (H|N c ) = P (HA ∪ HB |N c ) = P (HA |N c ) + P (HB |N c ) − P (HA |N c )P (HB |N c ) = 0.006 +
0.02 − 0.006 · 0.02 = 0.02588.
Celkovo teda máme
(1 − 10−7 )0.001
P (N |H) = ≈ 0.037.
(1 − 10−7 )0.001 + 0.02588 · 0.999
Uvedomme si, ºe analogické výpo£ty aposteriórnej pravdepodobnosti je moºné vykona´
pre akéko©vek nesekven£né aj sekven£né testovanie, v ktorom je výsledok testu jedna z moº-
ností výsledok je negatívny a výsledok je pozitívny. Takto je moºné skon²truova´ celý
rozhodovací strom.
1 Tieto dva typy omylov sa nazývajú falo²ne negatívny výsledok, resp. falo²ne pozitívny výsledok.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Príklad 2.14. Majme priestor (Ω, S, P ), kde Ω = {1, 2, . . . , 8}, S = 2Ω , P (A) = |A| /8 pre
kaºdé A ⊆ Ω. (Tento model zodpovedá rovnomernému náhodnému výberu jedného z £ísiel
1, 2, . . . , 8, alebo modelu hádzania tromi mincami, ak kaºdú z ôsmich rôznych kombinácií
výsledkov na jednotlivých minciach ozna£íme jedným z £ísel 1, 2, . . . , 8.)
Denujme nasledovné udalosti: A = {1, 2, 3, 4}, B = {1, 2, 5, 6}, C = {1, 3, 5, 7}, D =
{1, 2, 7, 8} a E = {1, 3, 4, 8} (pozri obrázok 2.3). ahko sa presved£íme, ºe a) Udalosti A,
B , C sú zdruºene nezávislé. b) Udalosti A, B , D sú po dvojiciach nezávislé, ale zdruºene
nezávislé nie sú, pretoºe P (A ∩ B ∩ D) 6= P (A)P (B)P (D). c) Udalosti A, B , E nie sú v²etky
po dvojiciach nezávislé, napriek tomu, ºe P (A ∩ B ∩ E) = P (A)P (B)P (E).
Príklad 2.15 (Vo©ne prevzaté z Mitzenmacher Upfal 2005). Predpokladajme, ºe sme napísali
(klasický, deterministický) algoritmus na overovanie nasledovnej rovnosti dvoch polynómov:
d
Y
(ai x − bi ) = cd xd + . . . + c1 x + c0 . (2.1)
i=1
a1 a2 · · · ad−1 ad = cd ,
b1 a2 · · · ad−1 ad + · · · + a1 a2 · · · ad−1 bd = −cd−1 ,
···
b1 b2 · · · bd−1 bd = (−1)d c0 .
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Dôkaz. Urobme dôkaz pre dvojicu udalostí; pre v²eobecný po£et udalostí je dôkaz analogický.
2 Dá sa napísa´ aj (menej priamo£iary) deterministický algoritmus s men²ím po£tom násobení, ktorý overí
tieto rovnosti.
3 V²imnite si, ºe P − Q je polynóm, ktorého stupe¬ je maximálne d, a teda ak je nulový v d rôznych £íslach,
je nulový na celom R.
4X
1 , X2 , . . . , Xk sú takzvané nezávislé náhodné premenné, £o je pojem, s ktorými sa viac oboznámime v
¤al²ích kapitolách. V tomto príklade ale nepotrebujeme presne rozumie´ pojmu náhodná premenná; sta£í len
bra´ udalos´ [Xi ∈ Mi ] ako zápis udalosti i-te vygenerované £íslo bude patri´ do mnoºiny Mi .
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Predchádzajúcu vetu vieme zov²eobecni´ do nasledujúcej podoby; pri jej £ítaní si uve-
domte, ºe kaºdú mnoºinovú operáciu vieme vyjadri´ pomocou operácií komplementu, zjedno-
tenia a prieniku.
7 3
10 1 5
≈ 0.00025.
7 6 6
8 2 9 1 10 0
10 1 5 10 1 5 10 1 5
+ + ≈ 1.95 × 10−5 .
8 6 6 9 6 6 10 6 6
Príklad 2.20. Komunika£ný kanál sa skladá zo série uzlov, pri£om vºdy i-ty uzol predáva
jedno-bitovú informáciu na vstup i + 1-vému uzlu. Na kaºdom uzle v²ak s pravdepodobnos´ou
p dochádza k chybe, ktorá sa prejaví tým, ºe na výstupe tohoto uzla bude opa£ný bit ako na
jeho vstupe. Navy²e, chyby na jednotlivých uzloch sa vyskytujú navzájom nezávisle. Napí²me
vzorec udávajúci pravdepodobnos´, ºe bit na vstupe prvého uzla bude rovnaký ako bit na
výstupe n-tého uzla.
Rie²enie: Je zrejmé, ºe bit na vstupe prvého uzla bude rovnaký ako bit na výstupe n-tého
uzla práve vtedy, ak dôjde k chybe prenosu na párnom po£te uzlov. Pre jednoduchos´ zápisu
(k)
predpokladajme, ºe n je párne. Ak ozna£íme A udalos´, ºe dôjde k chybe práve na k uzloch
(k = 0, . . . , n), tak pod©a binomickej formuly je h©adaná pravdepodobnos´
Príklad 2.21. Vo vrecku máme dve na poh©ad nerozlí²ite©né mince; vieme v²ak, ºe sú obe
falo²né. Dokonca vieme, ºe na jednej z týchto mincí padá znak s pravdepodobnos´ou 1/3
a hlava s pravdepodobnos´ou 2/3 a na druhej minci presne naopak, t.j. znak na nej padá s
pravdepodobnos´ou 2/3 a hlava s pravdepodobnos´ou 1/3. Náhodne sme zvolili z tejto dvojice
jednu mincu a hodili sme ¬ou ²es´krát, z £oho nám ²tyrikrát padol znak a dvakrát hlava. S
akou pravdepodobnos´ou nám padne znak pri siedmom hode zvolenou mincou?
Rie²enie: Pozrieme sa na situáciu z h©adiska pred za£atím celého experimentu a vypo-
£ítajme pravdepodobnos´, ºe nám v siedmom hode náhodne zvolenou mincou padne znak
(udalos´ A) za podmienky, ºe z prvých ²iestich hodov touto mincou padne znak ²tyrikrát
(udalos´ B ). Pre oba indexy i = 1, 2 denujme e²te udalos´ Ci , ktorá znamená, ºe na hádza-
nie náhodne vyberieme mincu i. Ke¤ºe udalosti C1 , C2 tvoria rozklad výberového priestoru
a pravdepodobnos´ kaºdej z nich je 1/2, dostávame pod©a vety o úplnej pravdepodobnosti a
binomickej formuly nasledovné rovnosti:
2 4 2 4 2 !
X 1 6 1 2 6 2 1
P (B) = P (B|Ci )P (Ci ) = + ,
i=1
2 4 3 3 4 3 3
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
2 4 2 4 2 !
X 1 6 1 2 1 6 2 1 2
P (A ∩ B) = P (A ∩ B|Ci )P (Ci ) = + .
i=1
2 4 3 3 3 4 3 3 3
Po mechanických úpravách zis´ujeme, ºe
P (A ∩ B) 3
P (A|B) = = = 0.6.
P (B) 5
Niekedy sa zaoberáme sériou nezávislých pokusov rovnakého charakteru, pri£om kaºdý po-
kus môºe skon£i´ nie len binárnym výsledkom typu úspech/neúspech, ale viacerými rôznymi
výsledkami, napríklad tromi - biela/modrá/£ervená. Takejto situácie sa týka nasledovná
veta.
n!
P (Ak1 ,...,km ) = pk1 pk2 . . . pkmm .
k1 !k2 ! . . . km ! 1 2
Dôkaz. Dôkaz nie je ´aºký, ale je technicky zd¨havý, takºe ho nebudeme uvádza´.
7!
P (A3,2,2 ) = 0.53 0.32 0.22 = 0.0945.
3!2!2!
Kapitola 3
V²eobecné náhodné premenné
V mnohých situáciách nás na elementárnych výsledkoch ω náhodného pokusu (pozorovania,
simulácie a podobne) zaujíma jedna alebo viac £íselných charakteristík. Napríklad ak náhodne
generujeme graf, £iºe elementárnym výsledkom ω bude graf, môºe nás zaujíma´ po£et hrán
X(ω), po£et komponent súvislosti Y (ω) a po£et izolovaných vrcholov Z(ω). íselné charak-
teristiky elementárnych výsledkov, ktoré sp¨¬ajú istú technickú podmienku, voláme v teórii
pravdepodobnosti náhodné premenné. iºe náhodná premenná sa dá intuitívne stotoºni´ s
budúcim £íselným pozorovaním, ktorého konkrétnu hodnotu nie je moºné vopred vedie´.
merate©nosti
{ω ∈ Ω : X(ω) < x} ∈ S pre v²etky x ∈ R.
Zmysluplný je aj pojem náhodnej premennej s oborom hodnôt iným neº R.2 Napríklad by
takýmto oborom hodnôt mohla by´ akáko©vek kone£ná mnoºina, na ktorej nie je denované
3 4
ºiadne usporiadanie; vtedy by i²lo o takzvanú kategorickú náhodnú premennú . Analogicky
by sme vedeli denova´ napríklad náhodnú premennú, ktorej hodnoty sú matice, postupnosti,
funkcie a podobne. V tejto u£ebnici sa budeme primárne zaobera´ klasickými náhodnými pre-
mennými v zmysle denície 3.1 a takzvanými náhodnými vektormi, £o sú náhodné premenné,
m
ale s oborom hodnôt R pre v²eobecné m ∈ N. V²imnime si tieº, ºe podmienka merate©nosti
nezávisí od P a ºe v £asto sa vyskytujúcom prípade S = 2 je vºdy splnená.
Ω
{ω ∈ Ω : X(ω) ∈ B} ∈ S.
Dôkaz. Dôkaz implikácie ⇒: Nech X : Ω → R je náhodná premenná. Pre akúko©vek mnoºinu
A ⊆ R ozna£íme symbolom X −1 (A) vzor mnoºiny A v zobrazení X . Uvaºujme systém H tých
1 V sloven£ine sa ako synonymum pouºíva aj pojem náhodná veli£ina.
2 Pokia© by sme mali na tomto obore hodnôt denovanú σ -algebru.
3 Príslu²nou σ -algebrou by bola poten£ná mnoºina.
4 Niekedy ozna£ovanú aj ako kvalitatívna, alebo nominálna náhodná premenná.
25
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
2. Hodíme naraz dvomi mincami. Ako pravdepodobnostný priestor zvolíme (Ω, 2Ω , P ), kde
Ω = {HH, HZ, ZH, ZZ} a P (A) = |A|/4 pre kaºdé A ⊆ Ω. Po£et X mincí, na ktorých
padne znak, je náhodná premenná; vi¤ obrázok 3.1. (Ke¤ºe kaºdá podmnoºina mnoºiny
Ω je v na²om modeli udalos´ou, podmienka merate©nosti funkcie X je automaticky
splnená.)
3. Generujeme tri náhodné £ísla z mnoºiny {0, . . . , 9}. Sú£et X v²etkých troch vygene-
rovaných £ísel, najv䣲ie vygenerované £íslo Y , aj po£et Z vygenerovaných núl sú ná-
hodné premenné. Formálne, ak by sme uvaºovali pravdepodobnostný model (Ω, S, P ),
kde Ω = {(i1 , i2 , i3 ) : i1 , i2 , i3 ∈ {0, . . . , 9}} a S = 2 , tak spomenuté náhodné pre-
Ω
Nasledovné vety majú predov²etkým teoretický význam a ich dôkazy sú technicky pomerne
zd¨havé, preto ich neuvedieme. Je ale dobré vedie´, ºe takéto vety existujú, aby sa ani opatrný
²tudent nebál náhodné premenné transformova´ a kombinova´.
Obr. 3.2: Typické distribu£né funkcie náhodných premenných. Panel (a) zobrazuje distribu£nú
funkciu náhodnej premennej z príkladu 3.10, ktorá zodpovedá takzvanému binomickému roz-
deleniu s parametrami n=2 a p = 1/2; vi¤ £as´ 4.3.3. Ostatné panely taktieº zodpovedajú
náhodným premenným s rozdeleniami základných typov, ktoré si vysvetlíme v neskor²ích ka-
pitolách. Poznamenajme e²te, ºe distribu£né funkcie na paneloch (a), (b) síce nie sú spojité,
ale sú spojité z©ava, £o obrázok nezachytáva.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Pojem kvantilovej funkcie a kvantilov náhodnej premennej je dôleºitý napríklad pre testo-
vanie ²tatistických hypotéz, robustné ²tatistické metódy a po£íta£ové simulovanie realizácií
náhodných premenných.
Poznámka 3.14. V²imnime si, ºe kvantilová funkcia je dobre denovaná, pretoºe mnoºina na
pravej strane rovnosti (3.1) je vºdy neprázdna, ke¤ºe limx→−∞ F (x) = 0. ahko nahliadneme,
ºe kvantilová funkcia je neklesajúca. S trochou úsilia sa dá ukáza´, ºe kvantilová funkcia je
spojitá sprava.
Poznámka 3.15. Nech F je distribu£ná funkcia a nech I = {x ∈ R : 0 < F (x) < 1}.
Distribu£né funkcie pouºívané v aplikáciách majú £asto tú vlastnos´, ºe sú spojité na celom
R a striktne rastúce na I. (V²imnime si, ºe ak je F R, tak I je otvorený interval.)
spojitá na
Je jednoduché ukáza´, ºe v takom prípade je kvantilová funkcia G spojitá a rastúca na celom
intervale (0, 1) a je zárove¬ inverzná funkcia k funkcii, ktorá je zúºením F na interval I .
Poznámka 3.17. V typickom prípade spomenutom v poznámke 3.15 zjavne platí tvrdenie:
P [X < m(X)] = P [X > m(X)] = 1/2 (a navy²e P [X = m(X)] = 0). Medián je teda istá
miera stredu rozdelenia náhodnej premennej X.
Veta 3.18. Nech X je náhodná premenná. Potom pre akúko©vek monotónnu borelovskú
funkciu g:R→R platí: m(g(X)) = g(m(X)).
Ve©mi uºito£ným nástrojom je po£íta£ové simulovanie reálnych dejov. Pri simulovaní máme
typicky k dispozícii procedúru, ktorá dokáºe generova´ realizáciu náhodnej premennej U s
takzvaným rovnomerným rozdelením na intervale (0, 1), ktoré bliº²ie opisujeme v £asti 5.3.1.
Nasledovná veta sa vyuºíva na prevod medzi náhodnou premennou U a takou náhodnou
premennou, ktorá má iné rozdelenie ako rovnomerné na intervale (0, 1)6 .
Veta 3.19 (Veta o inverznej transformácii ). Nech F je distribu£ná funkcia akejko©vek ná-
hodnej premennej a nech G je kvantilová funkcia funkcie F. Nech náhodná premenná U má
rozdelenie R(0, 1). Potom náhodná premenná G(U ) má distribu£nú funkciu F.
Dôkaz. Vetu je moºné ve©mi jednoducho ukáza´ pre prípad, ºe F je funkcia, ktorá je rastúca
a spojitá na celom R, £o je in²truktívne cvi£enie pre £itate©a. Uvedieme v²ak dôkaz vety o
inverznej transformácii v jej plnej v²eobecnosti.
6 Po£íta£ové generovanie realizácií je zaujímavý, av²ak netriviálny proces, ktorému sa v tejto základnej
u£ebnici nebudeme podrobnej²ie venova´.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Najprv ukáºeme, ºe pre kaºdé z ∈ R a pre kaºdé u ∈ (0, 1) platí G(u) < z ⇔ u < F (z),
alebo ekvivalentne, ºe pre kaºdé z ∈ R a pre kaºdé u ∈ (0, 1) platí G(u) ≥ z ⇔ F (z) ≤ u.
Ozna£me Mu = {z ∈ R : F (z) ≤ u}. Ak F (z) ≤ u, potom z ∈ Mu a teda G(u) = sup Mu ≥
z . Tým sme ukázali implikáciu ⇒. Opa£ná implikácia plynie nasledovne: Nech G(u) =
sup Mu ≥ z . Z denície suprema dostávame, ºe pre kaºdé n ∈ N existuje zn ∈ Mu , t.j. zn
sp¨¬ajúce F (zn ) ≤ u, pre ktoré z−1/n ≤ zn . Z neklesajúcosti F máme F (z−1/n) ≤ F (zn ) ≤ u
a zo spojitosti z©ava dostávame F (z) ≤ u. Tým sme ukázali aj opa£nú implikáciu.
Teraz uº môºeme vyjadri´ distribu£nú funkciu náhodnej premennej G(U ), kde U ∼ R(0, 1)
v bode z ∈ R: FG(U ) (z) = P [G(U ) < z] = P [U < F (z)] = F (z).
Diskrétnu náhodnú premennú pouºívame ako model neur£itosti pre taký výsledok pozorova-
nia, merania, £i experimentu, o ktorom vopred vieme, ºe bude patri´ do nejakej spo£ítate©nej
1
podmnoºiny reálnych £ísel. Diskrétna náhodná premenná môºe reprezentova´ napríklad vý-
sledok hodu kockou, po£et priate©ov náhodne zvoleného £lena sociálnej siete, po£et iterácií
znáhodneného algoritmu a podobne.
32
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Poznámka 4.4.
P
Pod absolútnou konvergenciou radu
P x∈X r(x), kde X je spo£ítate©ná mno-
ºina, myslíme to, ºe i |r(xi )| < ∞, pri£om x1 , x2 , . . . je (akéko©vek) o£íslovanie prvkov
P
mnoºiny X. Absolútna konvergencia zaru£uje, ºe hodnota x∈X r(x) je kone£ná a rovnaká
nezávislé na tom, v akom poradí s£itujeme £leny tohoto radu.
Veta 4.6 (Linearita strednej hodnoty ). Nech X a Y sú diskrétne náhodné premenné, ktoré
majú kone£nú strednú hodnotu. Nech a, b sú reálne £ísla. Potom aj diskrétna náhodná pre-
menná aX + bY má kone£nú strednú hodnotu a platí
X
E(aX + bY ) = zP [aX + bY = z]
z∈aX(Ω)+bY (Ω)
X X
= (ax + by)P [X = x, Y = y]
x∈X(Ω) y∈Y (Ω)
X X X X
= a x P [X = x, Y = y] + b y P [X = x, Y = y]
x∈X(Ω) y∈X(Ω) y∈Y (Ω) x∈X(Ω)
X X
= a xP [X = x] + b yP [Y = y] = aE(X) + bE(Y ).
x∈X(Ω) y∈Y (Ω)
Veta 4.7 (Stredná hodnota funkcie diskrétnej náhodnej premennej ). Nech X je diskrétna
náhodná premenná a nech g : R → R je funkcia.
P Potom g(X) je diskrétna náhodná premenná
a jej stredná hodnota je kone£ná, ak rad x∈X(Ω) g(x)P [X = x] absolútne konverguje. V
takom prípade platí:
X
E(g(X)) = g(x)P [X = x].
x∈X(Ω)
Dôkaz.
P
Ozna£me Y = g(X). Potom P [Y = y] = g(x)=y P [X = x]. Stredná hodnota teda je
X X X
E(g(X)) = E(Y ) = yP [Y = y] = y P [X = x]
y∈Y (Ω) y∈Y (Ω) g(x)=y
X
= g(x)P [X = x].
y∈Y (Ω)
Popri strednej hodnote je druhou základnou £íselnou charakteristikou takzvaný rozptyl ná-
hodnej premennej, ktorý je mierou ²írky rozdelenia tejto náhodnej premennej. Pre diskrétne
náhodné premenné je denovaný nasledovne.
Denícia 4.8 (Rozptyl diskrétnej náhodnej premennej ). Nech X je diskrétna náhodná pre-
2
menná a nech náhodná premenná X má kone£nú strednú hodnotu. Potom hovoríme, ºe
náhodná premenná X má kone£ný rozptyl5 D(X) a kladieme:
D(X) = E (X − E(X))2 .
Poznámka 4.9. Predchádzajúca denícia implicitne vyuºíva nasledovné tvrdenie, ktoré ne-
budeme dokazova´: ak má X 2 kone£nú strednú hodnotu, tak samotná náhodná premenná X
2
má tieº kone£nú strednú hodnotu a náhodná premenná (X − E(X)) má taktieº kone£nú
strednú hodnotu.
Poznámka 4.10. Podobne ako stredná hodnota náhodnej premennej, aj rozptyl sa dá intu-
itívne pochopi´ pomocou fyzikálnej predstavy. Ak uvaºujeme systém hmotných bodov ako v
poznámke 4.5, tak rozptyl náhodnej premennej X je úmerný kinetickej energii takéhoto sys-
tému, ak by sa to£il okolo ´aºiska (ktoré má polohu ur£enú strednou hodnotou) kon²tantnou
kruhovou rýchlos´ou.
Veta 4.11 (Základné vlastnosti rozptylu diskrétnej náhodnej premennej ). Nech X je diskrétna
náhodná premenná, ktorá má kone£ný rozptyl a nech a, b sú reálne £ísla. Potom aj diskrétna
náhodná premenná aX + b má kone£ný rozptyl a platí:
− E(X))2 P [X = xi ],
P
1. D(X) = i∈I (xi
x2i P [X = xi ] − (E(X))2
P
2. D(X) = i∈I
n n
1X 1X 2
E(X) = xi , D(X) = xi − (E(X))2 .
n i=1 n i=1
n−1 n2 − 1 2
E(X) = a + δ, D(X) = δ .
2 12
Dôkaz. Dôkaz prvej £asti plynie priamo z denície strednej hodnoty a rozptylu. Dôkaz druhej
£asti je jednoduché cvi£enie, vyuºívajúce vzorec pre sú£et £lenov aritmetickej postupnosti a
vzorec pre sú£et £lenov druhých mocnín aritmetickej postupnosti, ktorý je moºné odvodi´
Pn−1 2
pomocou vz´ahu i=0 i = n(n − 1)(2n − 1)/6.
Veta 4.21. Nech X ∼ Bin(n, p). Potom E(X) = np a D(X) = np(1 − p).
n n
X n k n−k X n!
E(X) = k p q = k pk q n−k =
k=0
k k=1
(n − k)!k!
n n−1
X (n − 1)! X (n − 1)!
np pk−1 q n−k = np pi q (n−1)−i =
k=1
(n − k)!(k − 1)! i=0
((n − 1) − i)!i!
n−1
X n − 1 i (n−1)−i
np pq = np(p + q)n−1 = np.
i=0
i
n−1
Posledná rovnos´ plynie z binomického rozvoja sú£tu (p+q) . Podobne odvodíme E(X(X −
Pn n k n−k
1)) = k=2 k(k − 1) k p q = n(n − 1)p a preto D(X) = E((X)2 ) − (E(X))2 = E(X(X −
2
Príklad 4.23. Pre potreby genetického algoritmu modelujeme chromozóm d¨ºky n postup-
nos´ou n binárnych hodnôt 0 alebo 1. Nech x je chromozóm pozostávajúci z k jednotiek a
n−k núl. Chromozóm y vytvoríme z chromozómu x náhodnou mutáciou, t.j. tak, ºe kaºdý
bit preklopíme na opa£ný s pravdepodobnos´ou p. Nájdime strednú hodnotu po£tu jednotiek,
ktoré bude obsahova´ chromozóm y.
6 Alternatívne rozdelenie sa niekedy nazýva aj Bernoulliho, alebo nula-jednotkové rozdelenie.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Rie²enie: Ak za úspech budeme povaºova´ to, ºe dôjde k preklopeniu bitu, tak je zrejmé,
ºe po£et N0→1 nulových bitov chromozómu x, ktoré sa zmenia na jednotku, má rozdelenie
Bin(n − k, p) a po£et N1→1 jednotkových bitov chromozómu x, ktoré sa pri mutácii nezmenia,
má rozdelenie Bin(k, 1 − p). Vidíme, ºe pre po£et N jednotkových bitov chromozómu y platí
N = N0→1 + N1→1 , a teda na základe linearity strednej hodnoty a vety 4.21 dostávame:
E(N ) = E(N0→1 ) + E(N1→1 ) = (n − k)p + k(1 − p).
Príklad 4.24. Hráme hru, v ktorej sa ´ahajú 4 £ísla zo 40. Vyhráme, ak uhádneme v²etky
²tyri £ísla. Ur£me pravdepodobnos´, ºe ak sa hry zú£astníme 500 krát, vyhráme raz alebo
dvakrát.
Rie²enie: Ak pravdepodobnos´ výhry v jednej hre ozna£íme p, máme
4 36
p= 4
0
40 ≈ 1.1 × 10−5 .
4
Potom náhodná premenná X, ktorá ozna£uje po£et výhier v 500 hrách, má binomické rozde-
lenie s parametrami 500 a pa
500 499 500 2
P [X = 1 ∨ X = 2] = p(1 − p) + p (1 − p)498 ≈ 0.00546.
1 2
V takomto prípade, ke¤ je n ve©ké a p ve©mi malé, je výhodnej²ie aproximova´ bino-
mické rozdelenie nasledovným spôsobom.
Veta 4.25 (Poissonova limitná veta). Majme postupnos´ náhodných premenných Xn1 , Xn1 +1 , . . .
pri£om Xn ∼ Bin(n, λ/n), kde 0 < λ ≤ n1 . Potom pre kaºdé k ∈ {0, 1, 2, . . .} platí
λk
lim P [Xn = k] = e−λ . (4.1)
n→∞ k!
Dôkaz. k n−k
n λ λ
lim P [Xn = k] = lim 1− =
n→∞ n→∞ k n n
−k n
λk n n − 1 n − k + 1 λ λ
lim ... 1− 1− .
k! n→∞ n n n n n
Av²ak zrejme platí
n n − 1 −k
n−k+1 λ
lim ... 1− = 1,
n→∞ n n n n
n
λ
lim 1 − = e−λ .
n→∞ n
Z predchádzajúcich rovností dostávame poºadované tvrdenie.
Poznámka 4.26. Akej ve©kej chyby sa dopustíme, ak na základe vz´ahu (4.1) nahradíme
−λ k
hodnotu P [Xn = k] £íslom e λ /k!, pre kone£né n? Dá sa ukáza´, ºe
∞ k
X
P [Xn = k] − e−λ λ ≤ 2λ min(2, λ).
k=0
k! n
.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Príklad 4.27. Predpokladajme, ºe pri prenose binánych dát cez ur£itý komunika£ný kanál
dochádza k preklopeniu bitu na opa£ný s pravdepodobnos´ou p = 10−6 . Udalosti preklopenia
bitu na opa£ný sa vyskytujú navzájom nezávisle a k iným typom chyby prenosu dát nedochá-
6
dza. Odhadnime pravdepodobnos´, ºe pri prenose 10 bitov dôjde k viac ako dvom chybám
prenosu.
Rie²enie: Po£et X P2Bin(n,
preklopení bitov na opa£ný má rozdelenie
6
p), kde n = 10 a p =
−6 −λ k
10 . Pod©a Poissonovej limitnej vety platí P [X ∈ {0, 1, 2}] ≈ i=0 e λ /k!, kde λ = np = 1,
numericky P [X ∈ {0, 1, 2}] ≈ 0.9197. H©adaná pravdepodobnos´ je teda P [X > 2] ≈ 0.0803.
Pod©a poznámky 4.26 je chyba, ktorej sme sa dopustili Poissonovou aproximáciou, rádovo
−6
maximálne na úrovni 10 .
Dôkaz. ∞ ∞
k
X
−λ λ −λ
X λk−1
E(X) = ke =e λ = e−λ λeλ = λ.
k=0
k! k=1
(k − 1)!
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Podobne máme
∞ k ∞
X
−λ λ −λ 2
X λk−2
E(X(X − 1)) = k(k − 1)e =e λ = e−λ λ2 eλ = λ2 .
k=0
k! k=2
(k − 2)!
Príklad 4.30. Nech n ∈ N a nech Xn znamená po£et prvkov, ktoré zostanú na svojom pôvod-
nom mieste po dokonalej náhodnej permutácii postupnosti (1, . . . , n). Dokáºeme, ºe limitné
rozdelenie náhodných premenných Xn je P o(1), t.j. ºe limn→∞ P [Xn = k] = e−1 /k! pre kaºdé
nezáporné celé £íslo k.
Rie²enie: Najprv si uvedomme, ºe pn = P [Xn > 0] sme uº ur£ili v príklade 1.37. Poloºme
qn = P [Xn = 0] = 1 − pn , t.j. qn je pravdepodobnos´, ºe po náhodnej permutácii n £ísiel ne-
zostane ani jedno z nich na svojom pôvodnom mieste. Dodenujme tieº q0 = 1. Pre v²eobecné
k≥1 máme !
[
P [Xn = k] = P Bi1 ,...,ik ,
1≤i1 <...<ik ≤n
qn−k
P (Bi1 ,...,ik ) = .
n(n − 1) · · · (n − k + 1)
n qn−k qn−k
P [Xn = k] = = .
k n(n − 1) . . . (n − k + 1) k!
qn−k 1 − pn−k
lim P [Xn = k] = lim = lim = e−1 /k!.
n→∞ n→∞ k! n→∞ k!
Príklad 4.32. Hádºeme mincou, na ktorej padne znak s pravdepodobnos´ou p. Potom ná-
hodná premenná, ktorá reprezentuje po£et hodov, kým nepadne prvýkrát znak, má geomet-
rické rozdelenie s parametrom p.
Veta 4.33. Nech X ∼ Geo(p). Potom platí E(X) = (1 − p)/p a D(X) = (1 − p)/p2 .
Dôkaz.
P∞ k −1
Pre kaºdé q ∈ (0, 1) platí f (q) = k=0 q = (1 − q) . Derivovaním funkcie f dostá-
0
P ∞ k−1 0 −2
vame jednak f (q) = k=0 kq ako aj f (q) = (1 − q) . Preto
∞
X
kq k−1 = (1 − q)−2 .
k=0
Takºe
∞
X ∞
X
E(X) = kp(1 − p)k = p(1 − p) k(1 − p)k−1 = p(1 − p)p−2 = (1 − p)/p.
k=0 k=0
Dvojnásobným derivovaním funkcie f dostaneme vzorec pre sú£et nekone£ného radu, pomocou
ktorého odvodíme rozptyl ve©mi podobne, ako sme vypo£ítali strednú hodnotu.
4 3 1 4
p= (0.1) (0.9) + (0.1)4 (0.9)0 = 0.0037.
3 4
1−p 1
E(N ) = E(X) + 1 = + 1 = = 10000/37 ≈ 270.
p p
pre kaºdé k = max(0, n+N −M ), . . . , min(n, N ). Túto skuto£nos´ zna£íme X ∼ Hyp(M, N, n).
10 10 90
X k 20−k
100
≈ 0.637.
k=2 20
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
1 10 90
X k 20−k
100
≈ 0.363,
k=0 20
n
! n
!
Y Y
P (∪ni=1 Ai ) = 1 − P (∩ni=1 [Yi = 0]) = 1 − P (1 − Yi ) = 1 = 1 − E (1 − Yi ) ,
i=1 i=1
Qn
kde sme vyuºili to, ºe i=1 (1 − Yi ) má alternatívne rozdelenie a stredná hodnota takejto
náhodnej premennej je pravdepodobnos´, ºe nadobudne hodnotu 1. Ak roznásobíme výraz
Qn
i=1 (1 − Yi ), vyuºijeme linearitu strednej hodnoty a fakt, ºe pre akéko©vek 1 ≤ i1 < i2 <
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
n
! n
Y X X
1−E (1 − Yi ) = (−1)k−1 E(Yi1 · · · Yik ) =
i=1 k=1 1≤i1 <i2 <...<ik ≤n
n
X X
(−1)k−1 P (Ai1 ∩ . . . ∩ Aik ).
k=1 1≤i1 <i2 <...<ik ≤n
n n
! n X
n
X X X
E(Xn2 ) =E Ui Uj = E(Ui Uj ).
i=1 j=1 i=1 j=1
X XX 1 1 1
E(Xn2 ) = E(Ui Ui ) + E(Ui Uj ) = n + n(n − 1) = 2.
i
i6=j n nn−1
Príklad 4.43. Nech σ = (σ1 , . . . , σn ) je permutácia postupnosti (1, . . . , n). Index i ∈ {1, . . . , n}
nazveme rekordom v permutácii σ , ak bu¤ i = 1, alebo ak i > 1 a σi > σj pre v²etky
j ∈ {1, . . . , i − 1}. Nech Xn ozna£uje po£et rekordov v dokonalej náhodnej permutácii σ
postupnosti (1, . . . , n). (Pozn.: Kvôli jednoduchosti zna£íme v tomto príklade aj pevnú aj
náhodnú permutáciu symbolom σ .) Nájdime E(Xn ) a D(Xn ).
Rie²enie: Pre v²etky i = 1, . . . , n ozna£me ako Ui náhodnú premennú, ktorá nadobúda
hodnotu 1 práve vtedy, ke¤ v náhodnej permutácii £ísiel (1, . . . , n) bude i rekordom a hodnotu
0 inak. Zjavne Xn = U1 + · · · + Un . Tieº je zrejmé, ºe pre kaºdé i ∈ {1, . . . , n} je udalos´
[i je rekord] ekvivalentná udalosti [σi = max(σ1 , . . . , σi )], ktorej pravdepodobnos´ je 1/i, pre-
toºe z dôvodov symetrie má kaºdá z i hodnôt σ1 , . . . , σi rovnakú pravdepodobnos´, ºe bude
najv䣲ia v mnoºine {σ1 , . . . , σi }. Na základe linearity strednej hodnoty dostávame:
n n
X X 1
E(Xn ) = E(Ui ) = .
i=1 i=1
i
1
Pn
Poznamenajme, ºe sú£et prvých n i=1 i ≈ ln(n) + γ , kde γ ≈
£lenov harmonického radu je
7
0, 577 je Eulerova-Mascheroniho kon²tanta. Aby sme vypo£ítali rozptyl, overme si najskôr ,
ºe pre v²etky i, j ∈ {1, . . . , n}; i < j sú udalosti [i je rekord] a [j je rekord] nezávislé a teda
E(Ui Uj ) = P [Ui Uj = 1] = P [Ui = 1, Uj = 1] = P [Ui = 1]P [Uj = 1] = ij1 . Máme preto
n X
n n n
X X X X 1 X 1
E(Xn2 ) = E(Ui Uj ) = E(Ui ) + 2 E(Ui Uj ) = +2 ,
i=1 j=1 i=1 i<j i=1
i i<j
ij
z £oho dostávame
n n
!2 n n
X 1 X 1 X 1 X 1 X 1
D(Xn ) = E(Xn2 ) − (E(Xn )) = 2
+2 − = − .
i=1
i i<j
ij i=1
i i=1
i i=1
i2
π2 π2
Pn 1
Pre ve©ké n je i=1 i2 ≈ 6
, £iºe D(Xn ) ≈ ln(n) + γ − 6
.
RK = VK + VK+1 + · · · + VK+6 ,
kde indexy stále berieme modulo 17. V²imnime si, ºe E(VK+i ) = 5/17 pre v²etky i = 0, . . . , 6,
lebo E(VK+i ) = P [VK+i = 1], £o je pravdepodobnos´, ºe na stoli£ke K + i (modulo 17) je
ºena. Máme:
Aby mohlo plati´ E(RK ) > 2, P [RK > 2] > 0, t.j. náhodná premenná
musí by´ splnené
RK nadobúda s nenulovou pravdepodobnos´ou jednu z hodnôt 3, 4, . . .. Z toho ale plynie, ºe
nutne musí existova´ aspo¬ jedna sedmica susedných stoli£iek, na ktorých sedia aspo¬ 3 ºeny.
Denícia 5.1 (Spojitá náhodná premenná ). Nech X je náhodná premenná a nech existuje
integrovate©ná funkcia f : R → [0, ∞) taká, ºe pre kaºdé x∈R platí
Z x
F (x) = f (t)dt. (5.1)
−∞
1 Existujú v²ak aj také ²peciálne situácie, v ktorých pozorovaná charakteristika nadobúda nespo£ítate©ne
ve©a hodnôt, no nedajú sa modelova´ pomocou spojitých náhodných premenných (a samozrejme ani pomocou
diskrétnych náhodných premenných).
2 Pojem spojitej náhodnej premennej je zauºívaný, môºe v²ak by´ mätúci. Totiº ak je X spojitá náhodná
premenná v zmysle denície 5.1, tak X nemusí by´ spojité zobrazenie z Ω do R v zmysle denície spojitosti z
matematickej analýzy, aj ak by sme mali na Ω denovanú topológiu a malo by zmysel hovori´ o spojitosti X
v analytickom zmysle.
47
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Z b
P [a < X < b] = f (t)dt. (5.2)
a
Tvrdenia tejto a nasledujúcej £asti je moºné dokáza´ pomocou základných vlastností integ-
rálu, analogicky ako tvrdenia pre diskrétne náhodné premenné sa dokazujú pomocou vlastností
súm. Dôkazy pre spojité náhodné premenné v²ak závisia na detailoch toho, ako mali ²tudenti
vybudovaný integrálny po£et, £o nie je úplne jednotné, takºe ich v tejto u£ebnici nebudeme
uvádza´.
Rovnos´ (5.2) je dôleºitá pre interpretáciu pojmu hustoty spojitej náhodnej premennej:
Pravdepodobnos´, ºe náhodná premenná nadobudne hodnotu medzi £íslami a, b (a < b) je
3
rovná ploche pod grafom hustoty na intervale (a, b). Napríklad krivka na obrázku 1.3 je
hustotou takzvaného normálneho rozdelenia s parametrami µ=0 a σ = 1, £o znamená, ºe
pravdepodobnos´, ºe realizácia tejto náhodnej premennej bude v intervale (a, b) zodpovedá
ploche sivej £asti.
Veta 5.4 (Vz´ah medzi distribu£nou funkciou a hustotou ). Nech X je spojitá náhodná pre-
menná s hustotou f, pri£om funkcia f je spojitá s výnimkou maximálne kone£ného po£tu
4
bodov. Potom distribu£ná funkcia náhodnej premennej X je spojitá na celom R a spojite
diferencovate©ná s výnimkou maximálne kone£ného po£tu bodov (tých, v ktorých je funkcia f
nespojitá). Naopak, nech distribu£ná funkcia F náhodnej premennej X je spojitá na celom R
a spojite diferencovate©ná v²ade, maximálne s výnimkou kone£nej mnoºiny bodov H . Potom
X je spojitá náhodná premenná a akáko©vek nezáporná funkcia sp¨¬ajúca f (x) = dF (x)/dx
pre v²etky x ∈/ H je hustotou X .
3 V²imnime si tieº, ºe veta 5.3 implikuje, ºe to isté platí aj pre intervaly [a, b), (a, b] a [a, b], £iºe aj P [a ≤
Rb
X < b] = P [a < X ≤ b] = P [a ≤ X ≤ b] = a
f (t)dt.
4 Distribu£ná funkcia spojitej náhodnej premennej je nutne spojitá funkcia, av²ak existujú náhodné pre-
menné, ktoré majú spojitú distribu£nú funkciu a nie sú spojité v zmysle na²ej denície. Vi¤ takzvané Cantorovo
rozdelenie.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
1 y−b
fY (y) = fX pre kaºdé y ∈ R.
|a| a
Denícia
R 5.7. Nech X je spojitá náhodná premenná s hustotou f a nech existuje kone£ný
|x|f (x)dx. Potom hovoríme, ºe náhodná premenná X má kone£nú strednú hod-
∞
integrál
−∞
notu Z ∞
E(X) = xf (x)dx.
−∞
Veta 5.8 (Linearita strednej hodnoty ). Nech X a Y sú spojité náhodné premenné, ktoré majú
kone£nú strednú hodnotu. Nech a, b sú akéko©vek reálne £ísla také, ºe náhodná premenná
aX + bY je spojitá, alebo diskrétna. Potom aX + bY má kone£nú strednú hodnotu a platí
Pre spojitú náhodnú premennú X denujeme rozptyl rovnako ako pre diskrétnu náhodnú
premennú (denícia 4.8). Platia pre ¬u rovnaké vz´ahy ako vo vete 4.11.
Ak spojitá náh. premenná X má hustotu f a kone£nú strednú hodnotu, tak náhodná
2
premenná (X − E(X)) je spojitá a platí
R∞
1. D(X) = −∞
(x − E(X))2 f (x)dx,
R∞
2. D(X) = −∞
x2 f (x)dx − (E(X))2 ,
ak sú príslu²né integrály kone£né.
Veta 5.11. Nech X ∼ R(a, b). Potom pre distribu£nú funkciu F náhodnej premennej X platí
0 pre x ≤ a,
F (x) = (x − a)/(b − a) pre x ∈ (a, b),
1 pre x ≥ b.
X−a
Navy²e, ak c, d ∈ R, c > 0, tak cX + d ∼ R(ca + d, cb + d). peciálne,
b−a
∼ R(0, 1).
Dôkaz. Dôkaz je jednoduché cvi£enie.
Veta 5.13. Nech X ∼ R(a, b). Potom E(X) = (a + b)/2 a D(X) = (b − a)2 /12.
Dôkaz. Dôkaz je jednoduché cvi£enie.
Obr. 5.1: Hustota f (x) a distribu£ná funkcia F (x) náhodnej premennej s rozdelením R(0, 1)
(plná £iara) a R(0.5, 3) (preru²ovaná £iara).
Veta 5.15. Nech X ∼ Exp(λ). Potom pre distribu£nú funkciu F náhodnej premennej X
platí (
0 pre x ≤ 0,
F (x) =
1 − e−λx pre x > 0.
Navy²e, ak c > 0, tak cX ∼ Exp(λ/c).
Dôkaz. Najprv odvodíme strednú hodnotu a rozptyl pre X1 ∼ Exp(1). Pouºijúc metódu
per-partes dostávame
Z ∞ Z ∞ ∞
Z ∞
−x
−xe−x 0 e−x dx = 1.
E(X1 ) = xf (x)dx = xe dx = +
−∞ 0 0
5 Niekedy sa v literatúre pouºíva aj parametrizácia triedy hustôt exponenciálneho rozdelenia v tvare f (x) =
exp(−x/λ)/λ pre x ≥ 0. V tejto parameterizácii reprezentuje λ strednú hodnotu, v parametrizácii, ktorú
budeme pouºíva´ my, reprezentuje λ prevrátenú hodnotu k strednej hodnote, takzvanú intenzitu.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Obr. 5.2: Hustota f (x) a distribu£ná funkcia F (x) náhodnej premennej s rozdelením Exp(1)
(plná £iara) a Exp(1/2) (preru²ovaná £iara).
Z ∞ Z ∞ ∞
Z ∞
E(X12 ) 2
x e dx = −x2 e−x 0 +
2 −x
2xe−x dx = 2.
= x f (x)dx =
−∞ 0 0
2 2
Takºe D(X1 ) = E(X1 ) − (E(X1 )) = 2 − 1 = 1.
Ak Xλ ∼ Exp(λ) pre λ > 0, potom λXλ ∼ Exp(1), pod©a vety 5.15. Z vlastností rozptylu
a strednej hodnoty, s pouºitím vz´ahov E(X1 ) = 1 a D(X1 ) = 1 dostávame
Veta 5.17. Nech kladná náhodná premenná U má rozdelenie R(0, 1) a nech λ > 0. Potom
− ln(U )/λ ∼ Exp(λ).
Dôkaz. Dôkaz plynie z vety o inverznej transformácii a z tvaru kvantilovej funkcie náhodnej
premennej X ∼ Exp(λ).
Exponenciálne rozdelenie sa pouºíva v teórii spo©ahlivosti na modelovanie doby bezporu-
chovej £innosti zariadení, v teórii hromadnej obsluhy na modelovanie doby medzi príchodmi
zákazníkov do systému obsluhy, v neurofyziológii na modelovanie doby medzi príchodmi im-
pulzov na neurónovú bunku a podobne.
Veta 5.18 (Bezpamä´ovos´ exponenciálneho rozdelenia). Nech X ∼ Exp(λ), kde λ > 0. Nech
0 < a < b. Potom platí P [X > b|X > a] = P [X > b − a].
Obr. 5.3: Hustota f (x) a distribu£ná funkcia F (x) náhodnej premennej s rozdelením P ar(1, 1)
(plná £iara) a P ar(4, 2) (preru²ovaná £iara).
Veta 5.20. Nech X ∼ P ar(α, k). Potom pre distribu£nú funkciu F náhodnej premennej X
platí (
0 pre x ≤ k,
F (x) =
1 − (k/x)α pre x > k.
Veta 5.22. Nech náhodná premenná U má rozdelenie R(0, 1) a nech λ > 0. Potom kU −1/α ∼
P ar(α, k).
Dôkaz. Dôkaz plynie z vety o inverznej transformácii a z tvaru kvantilovej funkcie náhodnej
premennej X ∼ P ar(α, k).
Paretovo rozdelenie sa niekedy pouºíva na modelovanie doby, za ktorú vykoná CPU ur£itý
proces, na modelovanie ve©kosti súborov na internetových serveroch a podobne.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Obr. 5.4: Hustota f (x) a distribu£ná funkcia F (x) náhodnej premennej s rozdelením N (0, 1)
(plná £iara) a N (1, 2) (preru²ovaná £iara).
Pomocou tohoto výsledku a základných metód integrovania je moºné ukáza´, ºe pre akéko©vek
párne m≥2 platí Z ∞
2 /2 √
xm e−x dx = 2π(m − 1)!!.
−∞
2 /2
Pre nepárne m je funkcia xm e−x nepárna, preto
Z ∞
2 /2
xm e−x dx = 0.
−∞
Dôkaz. Najprv ur£íme E(X0,1 ) a D(X0,1 ) pre náhodnú premennú X0,1 ∼ N (0, 1). Pod©a
výsledkov uvedených v poznámke 5.24 máme
Z ∞
1 2 /2
E(X0,1 ) = √ xe−x dx = 0,
2π −∞
Z ∞
1 2 /2
2
E(X0,1 ) =√ x2 e−x dx = 1.
2π −∞
2
PretoD(X0,1 ) = E(X0,1 ) − (E(X0,1 ))2 = 1.
2
Ak X ∼ N (µ, σ ), tak (X − µ)/σ ∼ N (0, 1), pod©a vety 5.26. Preto
X −µ
∼ N (0, 1).
σ
Ak je F distribu£ná funkcia náhodnej premennej X, tak
x−µ
F (x) = Φ pre kaºdé x ∈ R.
σ
Príklad 5.27. Z dlhodobých ²tatistík sme zistili, ºe vý²ka v centimetroch muºov a ºien v istej
krajine má pribliºne rozdelenieN (180, 62 ), resp. N (168, 52 ). O £loveku z tejto krajiny vieme
len to, ºe má vý²ku men²iu ako 170 centimetrov. Odhadneme pravdepodobnos´, ºe ide o ºenu.
(Na²e apriórne o£akávanie, £iºe predtým ako sme sa dozvedeli vý²ku, je ºe na 50% pôjde o
ºenu a na 50% pôjde o muºa.) Predpokladáme, ºe máme k dispozícii numerickú procedúru
na výpo£et distribu£nej funkcie Φ rozdelenia N (0, 1).
Rie²enie: Vyuºijeme Bayesov vzorec a základné vlastnosti normálneho rozdelenia pravde-
podobnosti. Ozna£me si udalos´, ºe ide o ºenu ako Z a ºe ide o muºa ako M. Dopl¬ujúcu
informáciu, £iºe ºe vý²ka daného £loveka je men²ia ako 170 centimetrov, si ozna£me B. H©a-
dáme P (Z|B). Ke¤ºe P (Z) = P (M ) = 0.5, pod©a Bayesovho vzorca dostávame
P (B|Z) = P [X < 170] = P [(X − 168)/5 < (170 − 168)/5] = Φ((170 − 168)/5) ≈ 0.6554,
P (B|M ) = P [Y < 170] = P [(Y − 180)/6 < (170 − 180)/6] = Φ((170 − 180)/6) ≈ 0.0478.
Vyuºili sme to, ºe náhodné premenné (X − 168)/5 a (Y − 180)/6 majú rozdelenie N (0, 1);
vi¤ veta 5.26. Dostávame teda P (Z|B) ≈ 0.6554/(0.6554 + 0.0478) ≈ 0.932.
Dôkaz. Táto veta je dôsledkom takzvanej centrálnej limitnej vety 6.16 a skuto£nosti, ºe ná-
hodná premenná s rozdelením Bin(n, p) sa dá vyjadri´ ako sú£et n nezávislých náhodných
premenných s rozdelením Alt(p).
Príklad 5.30. (iasto£ne motivované príkladom 3.9 z Bertserkas and Tsitsiklis) Prená²ame
binárny signál S, ktorý môºe by´ bu¤ −1 alebo +1. Komunika£ný kanál tento signál za²umí
aditívnym normálnym ²umom X so strednou hodnotou µ = 0 a rozptylom σ 2 = 0.42 . Pred-
pokladáme, ºe ²um X je nezávislý od signálu S. Prijíma£ usúdi, ºe správna hodnota signálu
je +1 (resp. −1), ak po prenose zaznamená hodnotu aspo¬ 0 (resp. men²iu ako 0). Pomo-
cou distribu£nej funkcie Φ rozdelenia N (0, 1) pribliºne vyjadrime pravdepodobnos´, ºe pri n
nezávislých prenosoch binárneho signálu dôjde k chybe menej ako k krát.
Rie²enie: K chybe dochádza, ak S = −1 a ²um X je v䣲í rovný 1, alebo ak S = +1 a
²um je men²í ako −1. Pravdepodobnos´ chyby je pri jednotlivom prenose preto
X −µ 1−µ
P [X ≥ 1] = 1 − P [X < 1] = 1 − P < = p,
σ σ
X −µ −1 − µ −1
P [X < −1] = P < =1−Φ = p,
σ σ σ
kde sme symbolom p ozna£ili £íslo 1 − Φ(1/σ). Vyuºili sme pritom vetu 5.26 a vlastnos´
1 − Φ(x) = Φ(−x), ktorá platí pre v²etky x ∈ R. Dostávame teda
Okrem uvedených tried rozdelení spojitých náhodných premenných bolo opísaných a po-
menovaných mnoºstvo iných, napríklad takzvané rozdelenia beta, gama, Cauchyho, Laplace-
ovo, lognormálne a tak ¤alej. V tejto u£ebnici sa budeme e²te zaobera´ niektorými spojitými
rozdeleniami, ktoré sa vyuºívajú najmä na kon²trukciu intervalov spo©ahlivosti a testovanie
²tatistických hypotéz.
Kapitola 6
Nezávislos´ náhodných premenných
Poznámka 6.2. Zdruºene nezávislé (zdruºene závislé) náhodné premenné £asto skrátene
nazývame len nezávislé (závislé). Treba v²ak ma´ na pamäti, ºe náhodné premenné môºu
by´ napríklad nezávislé po dvojiciach (£iºe Xi a Xj sú nezávislé pre akéko©vek indexy i 6= j ),
ale pritom neby´ (zdruºene) nezávislé. Takúto situáciu demon²truje príklad 6.6.
Poznámka 6.4. Niektoré ekvivalencie a implikácie vo vete 6.3 je jednoduché dokáza´ (£itate©
sa môºe o to pokúsi´), av²ak iné sú náro£nej²ie a ich dôkazy presahujú ciele tejto základnej
u£ebnice. Dokáºme si ale in²truktívny ²peciálny prípad implikácie (d)⇒(c), v ktorom n=2a
F je systém v²etkých z©ava uzavretých a sprava otvorených intervalov. Nech pre X1 , X2 platí
(d) a nech B1 , B2 ∈ F, £iºe B1 = [a1 , b1 ), B2 = [a2 , b2 ) pre nejaké a1 < b1 a a2 < b2 . Zo
58
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
n
Y
P [X1 = x1 , . . . , Xn = xn ] = P [Xi = xi ]. (6.1)
i=1
!
[
P [X1 ∈ B1 , . . . , Xn ∈ Bn ] = P [X1 = x1 , . . . , Xn = xn ] =
x1 ∈C1 ,...,xn ∈Cn
X X
P [X1 = x1 , . . . , Xn = xn ] = P [X1 = x1 ] . . . P [Xn = xn ] =
x1 ∈C1 ,...,xn ∈Cn x1 ∈C1 ,...,xn ∈Cn
X X
P [X1 = x1 ] · · · P [Xn = xn ] =
x1 ∈C1 xn ∈Cn
! !
[ [
P [X1 = x1 ] · · · P [Xn = xn ] = P [X1 ∈ B1 ] . . . P [Xn ∈ Bn ].
x1 ∈C1 xn ∈Cn
Príklad 6.6. Uvaºujme náhodné premenné X1 aX2 , ktoré zodpovedajú výsledkom dvoch
nezávislých hodov mincou. Náhodná premenná X3 nech je
[X1 = X2 ]. indikátor udalosti
Napí²me aj formálny model tejto situácie. Uvaºujeme pravdepodobnostný priestor (Ω, S, P ),
pri£om Ω = {(0, 0), (0, 1), (1, 0), (1, 1)}, S = 2
Ω
a P (A) = #A/4, kde #A znamená po£et
prvkov mnoºiny A. Náhodné premenné X1 a X2 denujeme nasledovne: pre kaºdé ω ∈ Ω je
Xi (ω) je i-ta zloºka vektora ω . Náhodnú premennú X3 denujeme tak, ºe pre v²etky ω ∈ Ω
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Príklad 6.7. as výpo£tu T znáhodneného algoritmu má distribu£nú funkciu F (t) = tδ , kde
t ∈ (0, 1) a δ Y je doba výpo£tu tohoto algoritmu na dvoch nezá-
je kladná kon²tanta. Nech
2
vislých procesoroch sp¨¬ajúca Y = min{T1 , T2 } , kde T1 , T2 sú nezávislé náhodné premenné
s distribu£nou funkciou F . Pre náhodnú premennú Y ur£me distribu£nú funkciu, hustotu a
strednú hodnotu.
Rie²enie: Pre distribu£nú funkciu FY náhodnej premennej Y a pre akéko©vek kladné y∈
(0, 1) platí
K©ú£ovou je ²tvrtá rovnos´, kde sme vyuºili nezávislos´ náhodných premenných T1 a T2 . Po-
mocou distribu£nej funkcie uº jednoducho zodpovieme aj ostatné otázky. Hustotu dostaneme
derivovaním distribu£nej funkcie:
dFY (y)
fY (y) = = 2δ(1 − tδ )tδ−1 ,
dy
pre y ∈ (0, 1), fY (y) = 0. Strednú hodnotu dostaneme pomocou hustoty integrovaním:
inde
Z 1 Z 1
E(Y ) = tfY (t)dt = 2δ tδ − t2δ dt = 2δ((δ + 1)−1 − (2δ + 1)−1 ).
0 0
1 Poznamenajme, ºe pravdepodobnostných a ²tatistických modeloch obvykle nie je predpoklad nezávislosti
len z dôvodu zjednodu²enia výpo£tov, ale aj preto, ºe je fakticky akceptovate©ný, ºe je v súlade s tým, £o o
modelovanom deji vieme.
2 Výsledok máme k dispozícii akonáhle skon£í ktorýko©vek z dvojice výpo£tov.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Dôkaz. Dôkaz urobíme len pre diskrétne náhodné premenné X1 , X2 . Pre jednoduchos´ ozna-
£íme ako Ai obor hodnôt Xi ,
Ai = Xi (Ω) pre i = 1, 2. Náhodná premenná Z = X1 X2
t.j.
je zrejme diskrétna, lebo jej obor hodnôt Z(Ω) je spo£ítate©ná mnoºina sú£inov z = x1 x2 ,
kde x1 ∈ X1 (Ω) a x2 ∈ X2 (Ω). Uvedomíme si, ºe pre kaºdé z ∈ Z(Ω) máme P [Z = z] =
P
P [X1 = x1 , X2 = x2 ], kde sú£et berieme pre v²etky dvojice x1 ∈ X1 (Ω) a x2 ∈ X2 (Ω), pre
ktoré platí x1 x2 = z . Navy²e, z nezávislosti X1 a X2 vieme, ºe P [X1 = x1 , X2 = x2 ] = P [X1 =
x1 ]P [X2 = x2 ]; pozri vetu 6.5. Máme teda:
X X X
E(X1 X2 ) = E(Z) = P [Z = z] = x1 x2 P [X1 = x1 , X2 = x2 ] =
z∈Z(Ω) x1 ∈A1 x2 ∈A2
X X X X
x1 x2 P [X1 = x1 ]P [X2 = x2 ] = x1 P [X1 = x1 ] x2 P [X2 = x2 ] =
x1 ∈A1 x2 ∈A2 x1 ∈A1 x2 ∈A2
E(X1 )E(X2 ).
Príklad 6.9. Komunika£ný kanál sa skladá zo série uzlov, pri£om vºdy i-ty uzol predáva
jedno-bitovú informáciu na vstup i + 1-vému uzlu. Na i-tom uzle dochádza s pravdepodob-
nos´ou pi k chybe, ktorá sa prejaví tým, ºe na výstupe tohoto uzla bude opa£ný bit ako na
jeho vstupe. Navy²e, chyby na jednotlivých uzloch sa vyskytujú navzájom nezávisle. Napí²me
vzorec udávajúci pravdepodobnos´, ºe bit na vstupe prvého uzla bude rovnaký ako bit na
výstupe n-tého uzla. (Porovnajte s príkladom 2.20.)
Rie²enie: 3
Pre i = 1, . . . , n nech Xi je náhodná premenná, ktorá nadobudne hodnotu −1
ak na uzle i dôjde k chybe a hodnotu 1, ak na uzle i nedôjde k chybe, £iºe P [Xi = −1] = pi ,
3 Toto elegantné rie²enie navrhol ²tudent FMFI UK Stanislav Taká£.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Vieme, ºe stredná hodnota sú£tu náhodných premenných je rovná strednej hodnote týchto
náhodných premenných (ak dané stredné hodnoty existujú a sú kone£né). Pre rozptyl analo-
gické tvrdenie vo v²eobecnosti neplatí, platí v²ak pre nezávislé náhodné premenné.
Zákon ve©kých £ísel hovorí zhruba to, ºe ak sledujeme postupnos´ realizácií nezávislých náhod-
ných premenných s rovnakou strednou hodnotou µ, tak aritmetický priemer zaznamenaných
realizácií sa bude k µ pribliºova´. Trochu presnej²ie: k nule konverguje pravdepodobnos´, ºe
sa aritmetický priemer vypo£ítaný po n realizáciách odchýli od µ o viac ako akéko©vek pevné
ε > 0. To má pre pravdepodobnos´ a ²tatistiku zásadný význam, pretoºe aritmetický prie-
mer nezávislých náhodných pozorovaní sa bu¤ priamo, alebo nepriamo ve©mi £asto vyskytuje
pri ²tatistickej analýze dát. Najprv si dokáºeme niektoré pomocné tvrdenia, ktoré v²ak majú
vyuºitie aj samé osebe.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Veta 6.11 (Markovova nerovnos´ ). Nech Z je diskrétna alebo spojitá náhodná premenná s
kone£nou strednou hodnotou, ktorá nadobúda nezáporné hodnoty. Potom pre kaºdé c > 0
platí:
E(Z)
P [Z ≥ c] ≤ .
c
Dôkaz. Nech Z je diskrétna náhodná premenná nadobúdajúca hodnoty (zi )i∈I . alej nech
J = {i ∈ I : zi ≥ c}. Máme
X X X
E(Z) = zi P [Z = zi ] ≥ zi P [Z = zi ] ≥ c P [Z = zi ] = cP [Z ≥ c].
i∈I i∈J i∈J
Veta 6.12 (eby²evova nerovnos´ ). Nech X je diskrétna alebo spojitá náhodná premenná s
kone£ným rozptylom (t.j. aj s kone£nou strednou hodnotou). Potom pre kaºdé a>0 platí:
D(X)
P [|X − E(X)| ≥ a] ≤ .
a2
Dôkaz. Veta je dôsledkom Markovovej nerovnosti 6.11 ak v nej zvolíme Z = (X − E(X))2 a
c = a2 .
Príklad 6.13. Uvaºujme istý systém hromadnej obsluhy s náhodným, no stabilným tokom
poºiadaviek na spracovanie. Z dlhodobých záznamov vieme, ºe v rozmedzí jednej hodiny je
stredná hodnota po£tu takýchto poºiadaviek rovná 100. Pouºime Markovovu nerovnos´ na
ohrani£enie pravdepodobnosti, ºe najbliº²iu hodinu bude aspo¬ 250 poºiadaviek na spracova-
nie. Predpokladajme navy²e, ºe po£et poºiadaviek za hodinu má rozptyl 100. Pouºime eby-
²evovu nerovnos´ na odhad pravdepodobnosti, ºe najbliº²iu hodinu bude po£et poºiadaviek
aspo¬ 250. E²te zosilnime predpoklady tak, ºe po£et poºiadaviek v priebehu jednej hodiny má
4
Poissonovo rozdelenie so strednou hodnotu 100. Aká je v tomto prípade pravdepodobnos´,
ºe po£et poºiadaviek za najbliº²iu hodinu bude aspo¬ 250?
Rie²enie: Po£et poºiadaviek po£as najbliº²ej hodiny budeme modelova´ ako náhodnú
premennú X. Kedºe X je nezáporná náhodná premenná a predpokladáme E(X) = 100,
Markovova nerovnos´ poskytuje odhad: P [X ≥ 250] ≤ 100/250 = 0.4. Ak máme infor-
máciu o rozptyle (D(X) = 100), dostávame z eby²evovej nerovnosti ove©a lep²í odhad:
P [X ≥ 250] = P [|X − 100| ≥ 150] ≤ 100/1502 ≈ 0.00444. Ak by sme navy²e predpokla-
dali, ºe X má rozdelenie P o(100), výsledná pravdepodobnos´ je e²te ove©a niº²ia: P [X ≥
250] = 1 − 249 −100
100k /k!, £o je prakticky 0. Markovova a eby²evova nerovnos´ obvykle
P
k=0 e
poskytujú ve©mi konzervatívne odhady.
4 V podobných situáciách poºiadavky vznikajú ako realizácie ve©kého po£tu nezávislých udalostí malej
pravdepodobnosti. To má za následok, ºe Poissonov model na po£et poºiadaviek môºe ve©mi dobre vystihova´
skuto£nos´; porovnaj s vetou 4.25. Tieº si pripome¬me, ºe náhodná premenná s Poissonovým rozdelením so
strednou hodnotou 100 má aj rozptyl 100; vi¤ veta 4.29.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
5
V²eobecnej²ou formou eby²evovej nerovnosti je takzvaný slabý zákon ve©kých £ísel.
Veta 6.14 (Slabý zákon ve©kých £ísiel ). Nech X1 , X2 , . . . sú nezávislé (diskrétne alebo spojité)
2
náhodné premenné, pri£om D(Xn ) ≤ σ pre nejaké
Pn σ2 < ∞ a kaºdé n ∈ N. Nech X̄n =
1
n i=1 Xi . Potom pre akéko©vek ε > 0 platí:
Dôkaz. Z predpokladov tvrdenia, vety 4.11 (resp. ekvivalentu tejto vety pre spojité premenné)
a vety 6.10 dostávame
n
! n
! n
1X 1 X 1 X
D(X̄n ) = D Xi = 2D Xi = 2 D(Xi ) ≤ σ 2 /n.
n i=1 n i=1
n i=1
5 V teórii pravdepodobnosti existuje aj ve©mi príbuzné tvrdenie, ktoré sa nazýva silný zákon ve©kých £ísel,
ktorý v tomto úvodnom texte nebudeme formulova´.
6 Existujú v²ak aj verzie zákona ve©kých £ísel, v ktorých náhodné premenné nie sú nezávislé a ich prie-
mer napriek tomu konverguje k spolo£nej strednej hodnote, takºe ur£itá forma závislosti medzi meraniami
X1 , X2 , . . . nemusí zabráni´ tomu, ºe X̄n konverguje k µ.
7 Existuje viacero príbuzných tvrdení, ktoré sa nazývajú centrálna limitná veta; my sa v tejto u£ebnici
budeme venova´ len jednému z nich.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Obr. 6.1: Podiel výsledkov typu znak pri n nezávislých hodoch vyváºenou mincou. Kaºdá z
10 nezávislých simulácií je zobrazená bodkovanou £iarou. Simulácie nazna£ujú, ºe pravdepo-
dobnos´ odchýlky podielu znakov od hodnoty 0.5 o viac ako ε = 0.05 sa blíºi k nule. To je v
súlade so zákonom ve©kých £ísel 6.14; vi¤ tieº £as´ (a) príkladu 6.15. Konvergencia k hodnote
0.5 v²ak nie je ve©mi rýchla; na desa´násobne bliº²ie priblíºenie k tejto hodnote potrebujeme
pribliºne stonásobne v䣲í po£et hodov, pretoºe smerodajná odchýlka priemeru X̄n klesá s
odmocninou z n.
Veta 6.16 (Centrálna limitná veta ). Nech X1 , X2 , . . . sú nezávislé náhodné premenné s rov-
nakým rozdelením (t.j. s rovnakou distribu£nou funkciou), kone£nou strednou hodnotou a
Pn
nenulovým, kone£ným rozptylom. Nech Sn = i=1 Xi a nech
Sn − E(Sn )
Yn = p
D(Sn )
Dôkaz. Dôkaz centrálnej limitnej vety presahuje rámec tejto základnej u£ebnice.
V²imnime si, ºe ak si vo vete 6.16 ozna£íme symbolom µ spolo£nú strednú hodnotu náhod-
2
ných premenných X1 , X2 , . . .a symbolom σ spolo£ný rozptyl týchto náhodných premenných,
tak normalizovaný sú£et Sn sa dá vyjadri´ nasledovne:
Sn − nµ
Yn = √ .
σ n
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Pn
Vo©ne môºeme tvrdenie centrálnej limitnej vety vyjadri´ tak, ºe pre ve©ké n má Sn = i=1 Xi
2
pribliºne rozdelenie N (nµ, nσ ).
Príklad 6.18. Majme pozorovania ur£itého javu, ktoré je moºné reprezentova´ nezávislými
spojitými náhodnými premennými Y1 , . . . , Yn . Pozorované £ísla, zaokrúhlené na m desatin-
ných miest, ukladáme do premenných Z1 , . . . , Zn . Odhadnime rozdelenie odchýlky skuto£ného
priemeru hodnôt Y1 , . . . , Yn od priemeru zaokrúhlených hodnôt Z1 , . . . , Zn .
Rie²enie: H©adaná diferencia n1 ni=1 Yi − n1 ni=1 Zi sa dá vyjadri´ ako ni=1 Xi , kde Xi =
P P P
(Yi −Zi )/n, i = 1, . . . , n. Ak predpokladáme, ºe hodnoty Yk uktuujú v rozsahu o mnoho rádov
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
²ir²om neº 10−m , tak odchýlka Yi −Zi bude ma´ pribliºne rozdelenie R(−10−m /2, 10−m /2). To
−m
znamená, ºe Xi bude ma´ pribliºne rozdelenie R(−10 /(2n), 10−m /(2n)), ktoré má strednú
−2m 2
hodnotu 0 a rozptyl 10 /(12n
P)n; vi¤ veta 5.13. Pod©a2 centrálnej limitnej vety je teda
rozdelenie náhodnej premennej
2
= n · 10−2m /(12n2 ) =
i=1 Xi pribliºne N (0, σn ), kde σn √
−2m −m
10 /(12n). Smerodajná odchýlka tohto rozdelenia je σn = 10 / 12n, takºe vidíme, ºe
nepresnos´ klesá s odmocninou z n.
Pomocou tohto tvrdenia vieme odhadnú´ napríklad s akou pravdepodobnos´ou bude pre
ve©ké n
priemer hodnôt Y1 , . . . , Y n vzdialený od priemeru zaokrúhlených hodnôt Z1 , . . . , Z n o
−m
viac ako 10 :
" n n
# −m
10−m
1 X
1 X
−m 10 1
P Yi − Zi > 10 =Φ −Φ − = 2Φ √ − 1,
n n σ n σn 12n
i=1 i=1
" n # Pn
i=1 Xi − nµ M − nµ M − nµ
X
P Xi > M = P √ > √ ≈1−Φ √ .
i=1
σ n σ n σ n
2. Aké sú charakteristiky náhodnej premennej Dn = max{|Y0 |, |Y1 |, . . . , |Yn |}, £iºe toho,
ako naj¤alej od východzieho stavu sa £astica nachádzala do £asu n?
3. Aká je pravdepodobnos´ toho, ºe pre v²etky n∈N bude plati´ Yn ≥ 0, £iºe pravdepo-
dobnos´, ºe pozícia £astice nebude nikdy záporná?
Nasledujúca kapitola sa sústredí na pojem náhodného vektora, ktorý nám umoº¬uje mo-
delova´ deje pomocou kone£ného po£tu závislých náhodných premenných.
Kapitola 7
Náhodné vektory
Koncept náhodného vektora nám pomáha analyzova´ vz´ahy medzi náhodnými premennými.
Umoº¬uje mám tieº narába´ s viacerými náhodnými premennými sú£asne.
Poznámka 7.3. Pre zna£enie udalostí ur£ených náhodným vektorom X = (X1 , . . . , Xm )T po-
uºívame podobnú konvenciu ako v prípade náhodných premenných. Napríklad ak x1 , . . . , xm ∈
R sú xné £ísla a x = (x1 , . . . , xm )T , tak v²etky nasledovné výrazy ozna£ujú tú istú udalos´:
{ω ∈ Ω : X(ω) = x}, [X = x], ∩m i=1 [Xi = xi ], [X1 = x1 , . . . , Xm = xm ].
Príklad 7.4. Hádºeme dvomi kockami. Nech X1 je náhodná premenná reprezentujúca mini-
mum padnutých £ísel a X2 je náhodná premenná reprezentujúca maximum padnutých £ísel.
T T
Potom (X1 , X2 ) je náhodný vektor, ktorý nadobúda vektory z mnoºiny X(Ω) = {(i1 , i2 ) :
1 ≤ i1 ≤ i2 ≤ 6}. [X1 = x1 , X2 = x2 ], kde x1 , x2 ∈ {1, . . . , 6},
Pravdepodobnosti udalostí
zobrazuje tabu©ka 7.1. Samotná náhodná premenná X1 nadobúda hodnoty 1, . . . , 6 s pravde-
podobnos´ami 11/36, 9/36, 7/36, 5/36, 3/36 a 1/36, ktoré môºeme získa´ ako st¨pcové sú£ty
pravdepodobností v tabu©ke 7.1. Podobne, náhodná premenná X2 nadobúda hodnoty 1, . . . , 6
s pravdepodobnos´ami 1/36, 3/36, 5/36, 7/36, 9/36 a 11/36, ktoré môºeme získa´ ako riad-
kové sú£ty pravdepodobností v tabu©ke 7.1. V²imnime si, ºe náhodné premenné X1 a X2 nie
sú nezávislé, £o plynie napríklad z vety 6.1.
69
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Obr. 7.1: Distribu£ná funkcia F (x1 , x2 ) náhodného vektora z príkladu 7.4. Ako kaºdá distri-
bu£ná funkcia dvojrozmerného náhodného vektora, F je neklesajúca a spojitá z©ava v oboch
premenných (spojitos´ z©ava ilustrácia nezachycuje). Platí F (x1 , x2 ) → 1, ak x1 → ∞ a sú-
£asne x2 → ∞. Taktieº platí F (x1 , x2 ) → 0, ak x1 → −∞, alebo x2 → −∞. Pre xné x1
je limx2 →∞ F (x1 , x2 ) rovná hodnote distribu£nej funkcie náhodnej premennej X1 v bode x1 .
Podobne, pre xné x2 je limx1 →∞ F (x1 , x2 ) rovná hodnote distribu£nej funkcie náhodnej pre-
mennej X2 v bode x2 . Pre diskrétny náhodný vektor, akým je náhodný vektor z príkladu 7.4,
je distribu£ná funkcia schodovitá. Pre spojité náhodné vektory je v²ak distribu£ná funkcia
spojitá.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
x2 ↓ x1 → 1 2 3 4 5 6
6 2/36 2/36 2/36 2/36 2/36 1/36
5 2/36 2/36 2/36 2/36 1/36 0
4 2/36 2/36 2/36 1/36 0 0
3 2/36 2/36 1/36 0 0 0
2 2/36 1/36 0 0 0 0
1 1/36 0 0 0 0 0
vi¤ veta 1.31. Pomocou uvedeného zna£enia je moºné rovnos´ (7.1) prepísa´ nasledovne:
X
(ki )
P (∩m
i=1 Ai ) = (−1)m−k1 −...−km P ∩m B
i=1 i .
k1 ,...,km ∈{0,1}
(1) (0)
Pre r=1 P (A1 ∩ C1 ) = P (B1 ∩ C1 ) − P (B1 ∩ C1 ) je ²peciálny
táto rovnos´ platí, pretoºe
prípad rovnosti (7.2). Predpokladajme, ºe m ≥ 2. Ukáºme nasledovný výrok: ak (7.3) platí
pre akéko©vek r ∈ {1, . . . , m − 1} a pre akúko©vek udalos´ Cr , tak (7.3) platí aj pre r + 1 a
1 Symbol T znamená transpozíciu riadkového vektora (X1 , . . . , Xm ). V tomto texte, tak ako vo v䣲ine
u£ebníc a odborných £lánkov v oblasti teórie pravdepodobnosti a matematickej ²tatistiky, chápeme vektory
ako st¨pce.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
P (∩r+1 r
i=1 Ai ∩ Cr+1 ) = P (∩i=1 Ai ∩ Ar+1 ∩ Cr+1 ) =
X
(k )
(−1)r−k1 −...−kr P ∩ri=1 Bi i ∩ Ar+1 ∩ Cr+1 =
k1 ,...,kr ∈{0,1}
X
l−k1 −...−kr (1) r (ki )
(−1) P Br+1 ∩i=1 Bi ∩ Cr+1 −
k1 ,...,kr ∈{0,1}
X
l−k1 −...−kr (0) (k )
(−1) P Br+1 ∩ri=1 Bi i ∩ Cr+1 =
k1 ,...,kr ∈{0,1}
X
(ki )
(−1)(r+1)−k1 −...−kr+1 ∩r+1 B
i=1 i ∩ C r+1 .
k1 ,...,kr+1 ∈{0,1}
Prvá rovnos´ je triviálna, v druhej sme vyuºili induk£ný predpoklad s Cr = Ar+1 ∩ Cr+1 , v
r (ki )
tretej sme opa´ vyuºili (7.2) s i = r + 1 a C = ∩i=1 Bi ∩ Cr+1 a posledná rovnos´ vznikla
len prepisom do kompaktnej²ieho tvaru.
Veta 7.7 (Základné vlastnosti distribu£nej funkcie náhodného vektora ). Nech F je distribu£ná
funkcia m-rozmerného náhodného vektora X. Potom platí:
Dôkaz. Tieto vlastnosti sa dajú dokáza´ analogicky ako základné vlastnosti distribu£nej fun-
kcie jednorozmernej náhodnej premennej (veta 3.11).
Distribu£ná funkcia nám okrem iného umoº¬uje posúdi´ nezávislos´ náhodných premen-
ných.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Príklad 7.13. Náhodný vektor X = (X1 , X2 )T z príkladu 7.4 je diskrétny; nájdime jeho
strednú hodnotu. V príklade 7.4 sme uviedli s akými pravdepodobnos´ami nadobúdajú ná-
hodné premenné X1 a X2 1, . . . , 6. Tieto pravdepodobnosti a denícia 4.3 umoº¬ujú
hodnoty
priamo£iaro vypo£íta´, ºe E(X1 ) = 91/36 ≈ 2.528 a E(X2 ) = 161/36 ≈ 4.472. Takºe stredná
T T T
hodnota celého náhodného vektora (X1 , X2 ) je E(X) = (91, 161) /36 ≈ (2.528, 4.472) .
Dôkaz. Pomocou linearity strednej hodnoty náhodných premenných 4.6 a základných denícií
Pn
maticovej algebry je moºné priamo£iaro ukáza´, ºe j -ta zloºka vektora E( i=1 Ai Xi ) je presne
j -ta zloºka vektora ni=1 Ai E(Xi ), pre v²etky j ∈ {1, . . . , k}.
P
Veta 7.16 (Stredná hodnota funkcie diskrétneho náhodného vektora ). Nech m-rozmerný ná-
hodný vektor X nadobúda vektory (xi )i∈I s nenulovou pravdepodobnos´ou a nech g : Rm → R
je spojitá funkcia. Potom stredná hodnota diskrétnej náhodnej premennej
P g(X) existuje a je
kone£ná ak je rad i∈I g(xi )P [X = xi ] absolútne konvergentný. V takomto prípade platí:
X
E(g(X)) = g(xi )P [X = xi ].
i∈I
Príklad 7.17. Vypo£ítajme E(X1 X2 ) pre náhodný vektor z príkladu 7.4. Pod©a vety 7.16
P
platí E(X1 X2 ) = x1 x2 P [X1 = x1 , X2 = x2 ], kde sumujeme cez v²etky také dvojice x1 , x2 ,
pre ktoré P [X1 = x1 , X2 = x2 ] > 0. Túto sumu vieme vypo£íta´ priamo z tabu©ky 7.1 ako
1.1.(1/36) + 1.2.(2/36) + 2.2.(2/36) + . . . + 6.6.(1/36) = 441/36 = 12.25. Stredná hodnota
sú£inu dvoch náhodných premenných sa vyuºíva napríklad na výpo£et kovariancie a korelácie,
s ktorými sa zoznámime neskôr.
Nezávislos´ diskrétnych náhodných vektorov vieme overi´ podobným spôsobom, aký nám
poskytuje veta 6.5 pre náhodné premenné.
Podobne ako v kapitole 5, viaceré tvrdenia tejto £asti nebudeme dokazova´, pretoºe dôkazy
závisia od detailov toho, ako mali ²tudenti vybudovaný pojem integrálu.
Príklad 7.20. Model vyuºívajúci spojitý náhodný vektor zodpovedá sú£asnému pozorovaniu
£i generovaniu viacerých spojitých náhodných premenných, niekedy zloºito previazaných a
3
závislých.
Uvaºujme napríklad nasledovnú situáciu. Od výrobcu dostávame kaºdý týºde¬ zásielku
ve©kého mnoºstva kusov istého výrobku. Z kaºdej zásielky náhodne vyberáme dva výrobky,
pri£om na oboch uskuto£¬ujeme test doby ºivotnosti. Výsledky sú dvojice kladných reálnych
(1) (1) T (2) (2) T
£ísel, ktoré môºeme modelova´ ako realizácie (X1 , X2 ) , (X1 , X2 ) , . . . nezávislých spo-
4
jitých náhodných vektorov. Z dlhodobých pozorovaní sme zistili , ºe hustota kaºdého z týchto
náhodných vektorov je
pre v²etky kladné x1 , x2 a f (x1 , x2 ) = 0 pre ostatné x1 , x2 . íslo a>2 je známa kon²tanta.
Takýto model nám umoº¬uje vypo£íta´ pravdepodobnos´ rôznych udalostí týkajúcich sa dvo-
jice dôb ºivotnosti výrobkov, ktoré náhodne vyberieme na testovanie z nasledujúcej zásielky.
Napríklad pravdepodobnos´, ºe pre oba testované výrobky nameriame ºivotnos´ v䣲iu ako t
je Z ∞ Z ∞
P [X1 > t, X2 > t] = a(a + 1)(x1 + x2 + 1)−(a+2) dx2 dx1 = (2t + 1)−a .
t t
Obr. 7.2: Náhodný vektor z príkladu 7.20 s parametrom a = 2.1. (a) trojrozmerný poh©ad na
hustotu; (b) úrov¬ové mnoºiny (vrstevnice) hustoty.
pre kladné x1f1 (x1 ) = 0 pre x1 ≤ 0. Analogicky f2 (x2 ) = a(x2 + 1)−(a+1) pre x2 > 0 a
a
f2 (x2 ) = 0 pre x2 ≤ 0. V²imnite si, ºe rozdelenie týchto náhodných premenných je posunuté
Paretovo rozdelenie s parameterami k = 1, α = a.
Príklad 7.25. Náhodné premenné z príkladu 7.20 nie sú nezávislé, pretoºe sú£in hustôt z
príkladu 7.23 nie je hustotou celého náhodného vektora.
Z ∞
1 1
E(Xi ) = axi (xi + 1)−(a+1) dxi = [(axi + 1)(xi + 1)−a ]∞
0 = .
0 a(1 − a) a−1
Veta 7.29 (Stredná hodnota funkcie spojitého náhodného vektora ). m-rozmerný spojitý
Nech
m
náhodný vektor X má hustotu f . Nech g : R → R je spojitá funkcia taká, ºe g(X) je spojitá
náh. premenná. Potom stredná hodnota náhodnej premennej g(X) existuje a je kone£ná vtedy
R∞ R∞
a len vtedy, ke¤ existuje a je kone£ný integrál
−∞
. . . −∞ g(x1 , . . . , xm )f (x1 , . . . , xm )dx1 . . . dxm .
V takomto prípade platí:
Z ∞ Z ∞
E(g(X)) = ... g(x1 , . . . , xm )f (x1 , . . . , xm )dx1 . . . dxm .
−∞ −∞
Príklad 7.30. Vypo£ítajme E(X1 X2 ) pre náhodný vektor (X1 , X2 )T z príkladu 7.20. Pod©a
vety 7.29 platí
Z ∞ Z ∞
1
E(X1 X2 ) = x1 x2 a(a + 1)(x1 + x2 + 1)−(a+2) dx1 dx2 = .
0 0 (a − 1)(a − 2)
Príklad 7.31. Budeme hádza´ mincou. Nájdime rozdelenie náhodnej premennej H, ktorá
znamená ko©kokrát hodíme znak, pokým zaznamenáme dvakrát výsledok hlava. Tento prí-
klad je moºné vyrie²i´ aj kombinatoricky, pouºime v²ak postup vysvetlený vy²²ie. Nech X1
znamená po£et padnutí znaku, kým prvýkrát zaznamenáme výsledok hlava a X2 znamená
po£et padnutí znaku medzi zaznamenaním prvého a druhého výsledku hlava. Náhodné pre-
menné X1 a X2 sú nezávislé, obe s rozdelením Geo(1/2). Náhodná premenná H nadobúda
hodnoty h = 0, 1, 2, . . . a platí
X h
X
P [H = h] = P [X1 = x1 , X2 = x2 ] = P [X1 = x1 , X2 = h − x1 ] =
x1 ,x2 ≥0,x1 +x2 =h x1 =0
h h
X X 1 1 h+1
P [X1 = x1 ]P [X2 = h − x1 ] = = .
x1 =0 x1 =0
2x1 +1 2h−x1 +1 2h+2
Príklad 7.32. Spustíme dva výpo£ty znáhodneného algoritmu; prvý bude trva´ X1 minút a
druhý X2 minút. Z teoretickej analýzy a dlhodobých skúseností vieme, ºe X1 a X2 môºeme
povaºova´ za nezávislé náhodné premenné, obe s rozdelením Exp(λ), kde λ > 0 je známy pa-
rameter. Vypo£ítajme hustotu náhodnej premennej X1 + X2 . V prípade, ºe výpo£ty spú²´ame
za sebou, tak X 1 + X2 reprezentuje dobu od spustenia prvého výpo£tu po ukon£enie druhého
výpo£tu.
Rie²enie: Ke¤ºe X1 a X2 sú nezávislé, obe s rozdelením Exp(λ), tak hustota náhodného
vektora (X1 , X2 )T je sú£inom hustôt f1 a f2 , kde f1 (x1 ) = λe−λx1 pre x1 > 0 a f1 (x1 ) = 0 pre
x1 ≤ 0, resp. f2 (x2 ) = λe−λx2 pre x2 > 0 a f2 (x2 ) = 0 pre x2 ≤ 0. Ke¤ºe nás zaujíma sú£et,
T
tak oblas´ Bt je polrovina bodov (x1 , x2 ) , ktoré sp¨¬ajú x1 + x2 < t. Distribu£ná funkcia
T
náhodného vektora (X1 , X2 ) v bode t > 0 je preto
ZZ
λe−λx1 λe−λx2 dx2 dx1
FH (t) =
B
Z t t Z x1 −t
−λx1 −λx2
= λe λe dx2 dx1 = 1 − e−λt − λte−λt .
0 0
Obr. 7.3: Sivá oblas´ znázor¬uje mnoºiny Bt pre t = 1. (a) h(x1 , x2 ) = x1 + x2 , (b) h(x1 , x2 ) =
x 1 − x2 , (b) h(x1 , x2 ) = x1 x2 , (c) h(x1 , x2 ) = x1 /x2 pre x2 6= 0 a h(x1 , x2 ) = 0 inak.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Poznámka 7.33. Metódami uvedenými v tejto £asti, poprípade pomocou takzvanej vytvá-
6
rajúcej funkcie, alebo charakteristickej funkcie , je moºné dokáza´ mnoºstvo vz´ahov medzi
rôznymi rozdeleniami.
1. cov(X1 , X2 ) = cov(X2 , X1 ),
6. cov(X1 , X2 ) = 0 ak sú X1 , X2 nezávislé,
Dôkaz. Prvé ²tyri rovnosti plynú priamo z denícií a z linearity strednej hodnoty. Tvrdenie
6) plynie priamo z denície kovariancie a vety 6.8. Dokáza´ tvrdenie 7) je zloºitej²ie; urobme
6 Pojmy vytvárajúcej, momentovej vytvárajúce a charakteristickej funkcie sme sa rozhodli do tejto základnej
u£ebnice nezaradi´.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
dôkaz len pre prípad, ºe X1 a X2 sú obe diskrétne náhodné premenné. Pripome¬me si, ºe
pod©a Cauchyho nerovnosti platí pre akéko©vek ai , bi ∈ R, i = 1, . . . , n:
n
!2 n n
X X X
ai b i ≤ a2i b2i .
i=1 i=1 i=1
Nech diskrétny náhodný vektor X = (X1 , X2 )T má obor hodnôt(xi )i∈I , pri£om zloºky vektora
xi ozna£íme (xi )1 a (xi )2 . Pouºijúc £as´ 3) znenia tejto vety, vetu 7.16 a Cauchyho nerovnos´
s
p
ai = [(xi )1 − E(X1 )] P [X = xi ],
p
bi = [(xi )2 − E(X2 )] P [X = xi ]
dostávame
!2
X
(cov(X1 , X2 ))2 = [(xi )1 − E(X1 )] [(xi )2 − E(X2 )] P [X = xi ] ≤
i∈I
X X
2
((xi )1 − E(X1 )) P [X = xi ] ((xi )2 − E(X2 ))2 P [X = xi ] = D(X1 )D(X2 ).
i∈I i∈I
7
Rovnosti 1) aº 3) vo vete 7.36 znamenajú, ºe kovariancia je symetrická a lineárna. Vlast-
nosti 2) a 3) implikujú, ºe ak sú X1 , . . . , Xm akéko©vek náhodné premenné s kone£ným rozp-
tylom a a0 , a1 , . . . , am ∈ R, b0 , b1 , . . . , bm ∈ R, tak
m m
! m Xm
X X X
cov ai X i + a0 , bj X j + b0 = ai bj cov(Xi , Xj ). (7.6)
i=1 j=1 i=1 j=1
Upozornime e²te ²peciálne na to, ºe opa£ná implikácia v £asti 6) neplatí; existujú náhodné
premenné, ktoré sú závislé, no majú nulovú kovarianciu.
cov(X1 , X2 )
ρ(X1 , X2 ) = p p .
D(X1 ) D(X2 )
1. ρ(X1 , X2 ) = ρ(X2 , X1 ),
3. ρ(X1 , X2 ) = 0 ak sú X1 , X2 nezávislé,
Poznámka 7.39. Nech diskrétny náhodný vektor X = (X1 , X2 )T má obor hodnôt (xi )i∈I .
Veta 7.16 nám umoº¬uje vypo£íta´ cov(X1 , X2 ) a ρ(X1 , X2 ) pomocou vz´ahov
E(X1 ) = i∈I (xi )1 P [X = xi ], E(X12 ) = i∈I (xi )21 P [X = xi ],
P P
1.
(Cov(X))i,j = cov(Xi , Xj ).
Veta 7.44 (Kovarian£ná matica lineárnej transformácie náhodného vektora ). Nech X =
T
(X1 , . . . , Xm ) je náhodný vektor s kone£nou kovarian£nou maticou Cov(X), nech A je matica
k
typu k × m a nech b ∈ R . Potom Y = AX + b je náhodný vektor s kone£nou kovarian£nou
maticou a platí
Cov(Y) = ACov(X)AT .
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Yj = Aj,1 X1 + · · · + Aj,m Xm + bj ,
kde Aj,r je prvok matice A v j -tom riadku a r-tom st¨pci a bj je j -ta komponenta vektora
b. Z denície kovariancie, rovnosti (7.6) a denície kovarian£nej matice dostávame pre kaºdé
i, j ∈ {1, . . . , k}:P
(Cov(Y))i,j = cov(Yi , Yj ) = cov(Ai,1 X1 + · · · + Ai,m Xm + bi , Aj,1 X1 + · · · +
Aj,m Xm + bj ) = m T
r,s=1 Ai,r Aj,s cov(Xr , Xs ) = (ACov(X)A )i,j .
n!
P [X1 = k1 , . . . , Xm = km ] = pk1 pk2 . . . pkmm
k1 ! . . . km ! 1 2
Pm
pre v²etky tie k1 , . . . , km ∈ {0, 1, . . . , n}, ktoré sp¨¬ajú j=1 kj = n. Potom hovoríme, ºe ná-
hodný vektor X má multinomické rozdelenie s parametrami n, p1 , . . . , pm . Túto skuto£nos´
zna£íme X ∼ M ult(n, p1 , . . . , pm ).
X (n − k1 )!
(1 − p1 )n−k1 = (p2 + . . . + pm )n−k1 = pk22 . . . pkmm
k2 ! . . . km !
dostávame
n!pk11 X (n − k1 )!
n k1
P [X1 = k1 ] = pk2 . . . pkmm = p (1 − p1 )n−k1
k1 !(n − k1 )! k2 ! . . . km ! 2 k1 1
Príklad 7.52. Lotérie sa ú£astní n = 100 ©udí. Kaºdý £lovek získa práve jednu cenu; cenu
v prvom poradí získa £lovek s pravdepodobnos´ou 1/10, cenu v druhom poradí s pravdepo-
dobnos´ou 2/10 a v tre´om poradí s pravdepodobnos´ou 7/10. Nech Xi je náhodná premenná,
ktorá znamená po£et výhier v i-tom poradí, i = 1, 2, 3. Nájdeme v²etky vzájomné korelácie
náhodných premenných X1 , X2 , X3 .
Rie²enie: Náhodný vektor X = (X1 , X2 , X3 )T má rozdelenie M ult(100, 101 , 102 , 107 ). Pod©a
vety 7.51 teda máme D(X1 ) = 9, D(X2 ) = 16, D(X3 ) = 21 a Cov(X1 , X2 ) = 2, Cov(X1 , X3 ) =
7, Cov(X2 , X3 ) = 14. Odtia© dostaneme korela£né koecienty ρ(X1 , X2 ) = 61 , ρ(X1 , X3 ) =
√7 , ρ(X2 , X3 ) = √7 .
3 21 2 21
8
Viacrozmerné normálne rozdelenie má ústredné postavenie v pravdepodobnostnom modelo-
vaní a vo viacrozmerných ²tatistických metódach. Dôvodom sú jeho ve©mi výhodné analytické
vlastnosti a aj skuto£nos´, ºe vektorové pozorovania sa £asto správajú pribliºne tak, ako keby
pochádzali z viacrozmerného normálneho rozdelenia. V tejto £asti si uvedieme niektoré zá-
kladné vlastnosti toho rozdelenia; podrobnej²ia analýza presahuje ciele tejto u£ebnice.
Veta 7.54. Nech X ∼ Nm (µ, Σ), kde µ ∈ Rm a Σ je pozitívne denitná matica typu m × m.
k
Nech b ∈ R , nech A je matica typu k × m a hodnosti k . Potom náhodný vektor AX + b má k -
T
rozmerné regulárne normálne rozdelenie Nk (Aµ + b, AΣA ). peciálne, ak volíme k = 1, A =
(0, . . . , 0, 1, 0, . . . , 0) (jednotka je na i-tej pozícii) a b = 0 tak dostávame: Xi ∼ N (µi , (Σ)ii ).
Veta 7.55. NechX = (X1 , . . . , Xm )T ∼ Nm (µ, Σ), kde µ ∈ Rm a Σ je pozitívne denitná
matica typu m × m. Potom E(X) = µ a Cov(X) = Σ.
Dôkaz. Najprv predpokladajme, ºe Σ je jednotková matica a µ je nulový vektor. Z denície
normálneho náhodného vektora a vety 7.54 vidíme, ºe pre hustotu f vektora X a hustoty fi
komponent Xi náhodného vektora X platí:
m m
1 2 2
Y 1
2
Y
f (x1 , . . . , xm ) = exp(−(x 1 + . . . + x m )/2) = √ exp(−x i /2) = fi (xi ).
(2π)m/2 i=1
2π i=1
8 Niekedy sa môºeme stretnú´ s pojmom mnohorozmerné normálne rozdelenie, alebo zdruºené normálne
rozdelenie.
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
Obr. 7.4: Dvojrozmerné normálne rozdelenie so strednou hodnotou µ = (0, 0)T a kovarian£nou
maticou s jednotkami na diagonále a hodnotami 0.5 mimo diagonály. (a) trojrozmerný poh©ad
na hustotu; (b) úrov¬ové mnoºiny (vrstevnice) hustoty.
σ12 σ12
Σ= ,
σ21 σ22
kde σ12 = D(X1 ), σ22 = D(X2 ) σ12 = σ21 = cov(X1 , X2 ). Ozna£me ¤alej ρ = σσ112σ2 korela£ný
a
koecient náhodných premenných X1 a X2 . Hustota X ∼ N2 (µ, Σ) sa dá potom napísa´
Harman R, Filová L: Základy pravdepodobnosti a ²tatistiky, FMFI UK
nasledovne
2
(x1 −µ2 1 ) − 2ρ(x1 −µ1 )(x2 −µ2 ) (x2 −µ2 )2
1 σ1 σ1 σ2
+ σ22
f (x1 , x2 ) = p exp − .
2πσ1 σ2 1 − ρ 2 2(1 − ρ2 )
Príklad 7.58. Dve agentúry na prieskum verejnej mienky vykonávajú prieskum volebných
preferencií kandidáta, kaºdá na náhodnej vzorke n voli£ov. Predpokladajme, ºe podiel v²et-
kých voli£ov, ktorý preferujú tohto kandidáta, je p. Pomocou aproximácie binomického roz-
delenia normálnym odhadnite hornú hranicu pravdepodobnosti, ºe odhad preferencií u oboch
agentúr sa bude odli²ova´ o menej ako 5%.
Rie²enie: Nech X1 X2
je po£et hlasov za kandidáta, ktoré nameria prvá agentúra a nech
je po£et hlasov za kandidáta, ktoré nameria druhá agentúra. Zaujíma nás P [|X1 /n − X2 /n| >
0.05], £iºe P [−0.05n < X1 − X2 < 0.05n]. Nájdime preto pribliºné rozdelenie náhodnej
premennej X1 − X2 . Predpokladajme, ºe obe agentúry realizujú výber respondentov dokonale
náhodne na mnoºine v²etkých potenciálnych voli£ov a to navzájom nezávisle. Potom náhodné
premenné X1 a X2 majú rozdelenie Hyp(M, n, pM ), kde M je po£et v²etkých potenciálnych
voli£ov. Ak je po£et voli£ov M n, tak sú X1 a
mnohonásobne v䣲í ako po£et respondentov
X2 nezávislé náhodné premenné s pribliºne binomickým rozdelením Bin(n, p). Ak je navy²e
n dostato£ne ve©ké a p nie príli² extremálne (povedzme n = 1000 a 0.1 < p < 0.9), tak
môºeme pouºi´ De Moivrovu-Laplaceovu vetu, ktorá implikuje, ºe X1 a X2 budú nezávislé
náhodné premenné s rozdelením pribliºne N (np, np(1 − p)). Pod©a vety 7.56 platí, ºe náhodný
T
vektor X má zdruºene normálne rozdelenie so strednou hodnotou µ = (np, np) a diagonálnou
kovarian£nou maticou Σ s diagonálnymi prvkami rovnými hodnote np(1 − p). Následne, ke¤ºe
X1 −X2 = (1, −1)X, tak X1 −X2 má pod©a viet 7.54 a 7.55 jednorozmerné normálne rozdelenie
T
so strednou hodnotou (1, −1)µ = 0 a rozptylom (1, −1)Σ(1, −1) = 2np(1 − p). Pre h©adanú
pravdepodobnos´ teda dostávame
" #
−0.05n X1 − X2 0.05n
P [−0.05n < X1 − X2 < 0.05n] = P p <p <p =
2np(1 − p) 2np(1 − p) 2np(1 − p)
√ !
0.05 n
= 2Φ p − 1.
2p(1 − p)