MPiS30 W05: ZMIENNE LOSOWE II 1.

Zmienna losowa typu ciągłego

1. Zmienna losowa typu ciągłego
2. Definicja i własności gęstości prawdopodobieństwa
Przykład 1
3. Gęstość a dystrybuanta i zastosowanie gęstości
4. Charakterystyki funkcyjne i parametry
Zm. l. X o wartościach w R nazywamy zm. l. typu ciągłego
(continuous random variable), jeśli jej CDF F jest funkcją ab-
solutnie ciągłą, tj. istnieje taka funkcja f ≥ 0, Ŝe dla kaŜdego
x∈R
x

5. Przykłady rozkładów F ( x) = ∫ f (u)du .

6. Funkcja kwantylowa i jej zastosowania
7. Funkcja borelowska
8. Twierdzenie o dystrybuancie przekształconej zm. l.
Przykład 2, Przykład 3
9. Definicja i własności splotu dystrybuant
Przykład 4
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II
−∞
Zm. l. typu ciągłego przyjmuje nieprzeliczalnie wiele war-
tości, a prawd. zdarzenia, Ŝe przyjmie szczególną wartość x
(dla dowolnego x∈R) wynosi zero, tj. P(X = x) = 0.
Zm. l. typu ciągłego jest często modelem pomiaru wielkości
fizycznej.
1 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 2

2. Definicja i własności gęstości prawdop. Własności. Funkcja f(x) jest gęstością pewnej ciągłej zm. l.
Gęstością prawdop. (krótko gęstością, ang. probability wtedy i tylko wtedy, gdy ma dwie własności:
density function − PDF) zm. l. X ciągłej, nazywamy funkcję 1. f (x) ≥ 0 dla x ∈ R − jest nieujemna,
f(x) całkowalną w sensie Lebesque’a, która występuje pod +∞

znakiem całki określającej jej dystrybuantę. 2. ∫ f ( x)dx = 1

−∞
− jest unormowana.
Krzywą gęstości nazywamy wykres gęstości prawd. f(x).
Przykład 1. Sprawdzić, czy funkcja
JeŜeli gęstość jest róŜna od zera na zbiorze W, to mówimy, Ŝe
rozkład jest skoncentrowany na tym zbiorze. cx(1 − x) dla x ∈ [0, 1]
f ( x) = 
 0 dla x ∉ [0, 1] , gdzie c jest pewną stałą.
jest gęstością pewnej zm. l. JeŜeli jest gęstością, to wyznaczyć
CDF. Sporządzić wykresy funkcji PDF i CDF.

K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 3 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 4
Rozwiązanie. Aby podana funkcja była gęstością pewnej zm. II. Dla x ∈ [0, 1],
l. potrzeba i wystarcza, by miała dwie podane własności.
Własność nieujemności posiada dla stałej c > 0. Stałą c wy-
x x
 u 2 u3  x
F ( x) = ∫ f (u)du = 6∫ u(1 − u )du = 6 −  = 3x 2 − 2 x3
znaczamy z własności unormowania 0 0  2 3 0 .
+∞ 1 1
 x 2 x3  1 c
1 = ∫ f ( x)dx = c ∫ x(1 − x)dx = c ∫ ( x − x )dx = c  −  =
2
III. Dla x > 1, F(x) = 1.
−∞ 0 0  2 3 0 6 .
Stąd
Tylko dla c = 6 podana funkcja jest PDF pewnej zm. l.
CDF wyznaczymy z definicji zm. l. typu ciągłego.  0 dla x ≤ 0,

F ( x) = 3x 2 − 2 x3 dla x ∈ (0, 1] ,
RozwaŜamy trzy przedziały: 
I. Dla x ≤ 0, oczywiście F(x) = 0,  1 dla x > 1.

K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 5 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 6

3. Gęstość a dystrybuanta i zastosowanie gęstości 4. Charakterystyki funkcyjne i parametry

JeŜeli istnieje gęstość f dla ciągłej zm. l. X o dystrybuancie Charakterystyką funkcyjną zm. l. X nazywamy kaŜdą
F, to w punktach róŜniczkowalności F funkcję w pełni charakteryzującą jej rozkład. NaleŜą do nich
dF ( x) CDF i PMF dla zm. l. typu dyskretnego oraz CDF i PDF dla
f ( x) = zm. l. typu ciągłego.
dx .
Zastosowanie gęstości. JeŜeli zm. l. X ma PDF f, to dla kaŜ- Parametrem rozkładu zm. l. X nazywamy wielkość stałą
od której zaleŜy jej rozkład. Najczęściej stosowane rozkłady
dego przedziału (a, b) ⊆ R moŜna obliczyć prawdop. zdarzeń
zaleŜą od jednego lub dwóch parametrów rzeczywistych.
a < X < b, a ≤ X < b, a < X ≤ b, a ≤ X ≤ b, jako całkę
b Zapis α∈J, gdzie J ⊆ R oznacza, Ŝe parametr α jest do-
∫ f ( x)dx .
a
wolną stałą ze zbioru J.

Graficzną interpretacją tej całki jest pole obszaru ograniczo-

nego wykresem funkcji f(x), osią odciętych i prostymi x= a, b.
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 7 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 8
 Jeśli CDF F(x) i PDF (lub PMF) f (x) zm. l. X zaleŜą od
parametrów α i β, to piszemy
F(xα, β) i f (xα, β),
z podaniem zakresów wartości parametrów.
Zapis ten podkreśla, Ŝe funkcje CDF, PDF i PMF są rodzina-
mi funkcji zaleŜnymi od parametrów.
Ustalenie wartości parametrów jest zadaniem statystyki ma-
tematycznej.
5. Przykłady rozkładów
a) PMF rozkładu dwumianowego ma postać
n
f ( x n, p ) =   p x (1 − p ) n − x ,
 x
 
dla x = 0, 1,..., n oraz n∈N, 0 < p < 1.
JeŜeli zm. l. X ma rozkład dwumianowy (binomial distribu-
tion), to stosujemy oznaczenie X~B(n; p). Rozkład ten jest
dwuparametrowym rozkładem typu dyskretnego.

K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 9 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 10

b) PMF rozkładu hipergeometrycznego: d) PDF rozkładu normalnego ma postać

 M  N − M  1  ( x − m) 2 
   f ( x m, σ) = exp − 
 x  n − x  σ 2π  2σ 2  , dla x∈R oraz m∈R, σ>0;
f ( x N , M , n) =   
N Zapis X~N(m, σ) oznacza, ze zm. l. X ma rozkład normalny z
 
n
  parametrami m i σ.
dla x = max{0, n − (N − M)},…, min{M, n} e) CDF rozkładu wykładniczego ma postać
oraz N∈N; M = 0, 1,…, N; n = 1, 2,…, N. 1 − e − λx , dla x ≥ 0
c) PMF rozkładu Poissona: F ( x λ) = 
 0, dla x < 0 (gdzie λ > 0)
λx e − λ
f ( x λ) = Zapis X~Exp(λ) oznacza, Ŝe zm. l. X ma rozkład wykładniczy
x! dla x = 0, 1, 2,... oraz λ > 0 z parametrem λ.
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 11 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 12
6. Funkcja kwantylowa i jej zastosowania
Niech F będzie CDF zm. l. X. Funkcją kwantylową (ICDF)
nazywamy funkcję F−1 określoną dla p∈(0, 1) wzorem
F−1(p) = inf {x∈R: F(x) ≥ p}.
−1
JeŜeli F jest funkcją ciągłą i rosnącą, to F jest funkcją od-
wrotną w zwykłym sensie (inverse cumulative distribution
function) i dla danego p funkcja kwantylowa podaje wartość x
spełniającą warunek:
P(X ≤ x) = p.
−1
Wartość x = F (p) oznaczamy xp i nazywamy kwantylem
rzędu p zm. l. X.
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II
JeŜeli F(y) jest silnie rosnącą dystrybuantą dla 0 < F(y) < 1,
ponadto jeŜeli zm. l. U ma rozkład jednostajny na [0; 1], to
Y = F −1(U)
ma rozkład o dystrybuancie F(y). Stąd do symulacji zm. l. z
daną dystrybuantą F wystarczy wyznaczyć wartości
Y = F −1(RND), gdzie
RND jest generatorem liczb losowych z przedziału (0, 1).
7. Funkcja borelowska
Czy znając rozkład zm. l. X moŜna znaleźć rozkład zm. l.
Y będącej funkcją zm. l. X ?
Tak, jeśli Y jest funkcją borelowską zm. l. X.
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II
Kwantyle rzędów 0,25; 0,50 i 0,75 nazywamy kwartylami,
przy czym kwantyl x0,5 nazywamy kwartylem środkowym lub
medianą (ang. median), natomiast kwantyle x0,25 i x0,75 odpo-
wiednio kwartylem dolnym i górnym.
Zastosowania:
1. Kwantyle rozkładów zm. l. mają zastosowanie w statystyce
m. in. do konstrukcji przedziałów ufności dla nieznanych pa-
rametrów oraz do wyznaczania obszarów krytycznych przy
testowaniu hipotez statystycznych.
2. JeŜeli F jest ciągłą dystrybuantą, to zm. l. U = F(X) ma
rozkład jednostajny U(0, 1).
13 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 14
Definicja. Funkcję h: R → R nazywamy funkcją borelow-
ską, jeśli przeciwobraz dowolnego zbioru borelowskiego
B∈B(R) jest zbiorem borelowskim.
Rodzina B(R) zbiorów borelowskich na prostej jest gene-
rowana przez wszystkie przedziały otwarte (równowaŜnie:
domknięte) o końcach wymiernych.
Twierdzenie (o funkcji borelowskiej)
Niech dana będzie przestrzeń probabilistyczna (Ω, B, P).
JeŜeli funkcja X: Ω → R jest zm. l., a funkcja h: R→R jest
funkcją borelowską, to zm. l. jest równieŜ złoŜenie funkcji
Y = h(X): Ω → R, określone wzorem:
∀ω∈Ω Y(ω) = h(X(ω)).
15 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 16
Dowód. Wystarczy zauwaŜyć, Ŝe przeciwobraz zbioru bore-
lowskiego jest zdarzeniem. Niech A∈B(R), wówczas
(h o X)−1(A) = {ω∈Ω: h(X(ω))∈A} = {ω∈Ω: X(ω) ∈ h−1(A)}
Ale przeciwobraz h−1(A) jest zbiorem borelowskim w Rn,
więc przeciwobraz X−1(h−1(A))∈B, czyli jest zdarzeniem.
Spotykane w praktyce funkcje są na ogół funkcjami bore-
lowskimi. W szczególności borelowskimi są wszystkie funk-
cje ciągłe. Nazwa zbiorów borelowskich pochodzi od Borela1.
1
Émile Borel ( 1871 − 1956) − francuski matematyk.
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II
Dowód. PoniewaŜ h jest funkcją silnie rosnącą na wartościach
X, więc zdarzenia (X ≤ h−1(y)) i (h(X) ≤ y) są równe.
Stąd otrzymujemy:
FY(y) = P(Y ≤ y) = P(h(X) ≤ y) = P(X ≤ h−1(y)) = FX(h−1(y)).
JeŜeli h(x) jest funkcją silnie malejącą na wartościach X, to
FY(y) = P(Y ≤ y) = P(h(X) ≤ y) = 1 − P(X ≤ h−1(y))
= 1 − FX(h−1(y)).
This completes the proof.
Wniosek 2. Jeśli zm. l. X ma PDF/PMF, to Y = h(X) ma ją
równieŜ.
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II
8. Tw. o dystrybuancie przekształconej zm. l.
JeŜeli FX jest dystrybuantą zm. l. X oraz Y = h(X), gdzie h jest
funkcją borelowską, to
FY(y) = P(Y ≤ y) = P(h(X) ≤ y) = P(X ∈ h−1(−∞, y]).
Wniosek 1. Niech X będzie ciągłą zm. l., a h(x) silnie rosnącą
(lub silnie malejącą) funkcją określoną na zbiorze wartości
zm. l. X. Ponadto niech Y = h(X) oraz FX i FY niech będą dys-
trybuantami zm. l. X i Y.
Wówczas zachodzi związek między nimi
FY(y) = FX(h−1(y)), (lub FY(y) = 1 − FX(h−1(y))).
17 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 18
Wniosek 3. JeŜeli X jest zm. l. absolutnie ciągłą o gęstości fX
oraz funkcja h: R → R jest funkcją ściśle monotoniczną i
róŜniczkowalną, to gęstość zmiennej losowej Y = h(X) jest
określona wzorem
fY(y) = fX(h−1(y))⋅dh−1/dy .
Wniosek 4. Twierdzenie i wnioski 1, 2, 3 informują jak wy-
znaczać analitycznie lub jak symulować komputerowo zm. l.
Y za pomocą zm. l. X o danej dystrybuancie, gęstości lub
funkcji prawdop.
Na przykład, jeŜeli FX jest dystrybuantą zm. l. X oraz
Y = aX + b (a ≠ 0), to
19 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 20
 Dowód. JeŜeli a > 0, to
  y −b FY(y) = P(Y ≤ y) = P(aX + b ≤ y)
 F X   dla a > 0,
FY ( y ) =   a   y −b  y −b
= P X ≤  = FX  
1 − FX  y − b −  dla a < 0.  a   a .
  a  Natomiast jeśli a < 0, to
JeŜeli zm. l. X jest absolutnie ciągła, to poprzez zróŜniczko- FY(y) = P(Y ≤ y) = P(aX + b ≤ y)
wanie dystrybuanty FY(y) otrzymamy gęstość fY zm. l. Y  y −b  y −b  y −b 
= P X ≥  = 1 − P X <  = 1 − FX  −
1  y −b  a   a   a .
fY ( y ) = fX  , y ∈ R.
a  a 

K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 21 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 22

Przykład 2. Wyznaczyć rozkład zm. l . Y = 2X − 1, jeŜeli: c) CDF zm. l. X o rozkładzie jednostajnym na (0, 1):
a) Rozkład zm. l. X dany jest poprzez PMF 0, dla x < 0,
0 1  
fX =   FX ( x) =  x, dla 0 ≤ x < 1,
q p . 
  1, dla x ≥ 1,
b) Zm. l. X ma rozkład jednostajny na przedziale (0, 1).
więc
c) Zm. l. X ma rozkład normalny, tj. X~N(m, σ).
 0, dla y < −1,
Rozwiązanie. a) Zm. l. Y przyjmuje tylko dwie wartości −1 i 
 y +1 
1, stąd PMF dla Y FY ( y ) = FX   = ( y + 1) / 2, dla − 1 ≤ y < 1,
 −1 1   2  
fY =    1, dla y ≥ 1.
 q p
  Czyli Y ma rozkład jednostajny na przedziale (−1, 1).
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 23 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 24
c) PoniewaŜ X~N(m, σ), więc PDF fX dla x∈R ma postać   y +1 2

  
− m 
 ( x − m) 2    
exp − 
1 1 1 2
f X ( x; m, σ) = exp − , m ∈ R, σ > 0 fY ( y ) = 
σ 2π  2σ 2  . 2 σ 2π

2σ 2

 
Z zaleŜności  
1  y +1 1  ( y − ( 2m − 1) )2 
fY ( y ) = fX  , y ∈ R , = exp − 
.
2  2  2σ 2 π  2 ( 2 σ ) 2

otrzymujemy Stąd przyjmując podstawienia m1 = 2m −1, σ1 = 2σ,
1  ( y − m1 ) 2 
fY ( y; m1 , σ1 ) = exp − , m1 ∈ R, σ1 > 0
σ1 2π  2σ1
2
 ,

czyli Y~N(2m−1, 2σ).

K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 25 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 26

Przykład 3. Niech FX będzie dystrybuantą rzeczywistej zm. l. Szczególnym przypadkiem uogólnienia funkcji wielu zm. l.
X typu ciągłego. Wyznaczyć dystrybuantę zm. l. Y = X 2. jest ich suma. Poświęcamy jej ostatni punkt tego wykładu.
Rozwiązanie. FY (y) = P(X 2 ≤ y). 9. Definicja i własności splotu dystrybuant
JeŜeli y < 0, to P(X 2 ≤ y) = 0, więc FY (y) = 0, jeśli y < 0.
Niech FX i FY będą CDF niezaleŜnych zm. l. X i Y. Funkcję
JeŜeli y ≥ 0, to P(X 2 ≤ y) = P(X≤√y) = P(−√y ≤ X ≤ √y), ∞
więc FY (y) = FX (√y) − FX (−√y), jeśli y ≥ 0. H ( z) = ∫F X ( z − y ) dFY ( y )
−∞

Wniosek. Jeśli chcemy znaleźć rozkład zm. l. związanej funk-
cyjnie ze zm. l. o danej dystrybuancie, powinniśmy wyzna-
czyć jej dystrybuantę.
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II
nazywamy splotem dystrybuant FX i FY i oznaczamy FX∗FY.
Dystrybuanta FZ sumy dwóch niezaleŜnych zm. l. X i Y
jest splotem dystrybuant FX i FY tj. jeśli Z = X + Y, to
FZ = FX ∗FY.
27 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 28
Własności splotu:
1. Splot dystrybuant jest przemienny, tj. FX ∗FY = FY ∗FY.
2. JeŜeli zm. l. X i Y mają rozkłady ciągłe i dane PDF fX i fY,
to Z = X + Y teŜ ma rozkład ciągły o PDF
∞ ∞
f Z ( z) = ∫f
−∞
X ( z − y ) fY ( y )dy =
Dowód własności 2. wynika z twierdzenia Fubiniego dla splo-
tu dystrybuant.
Przykład 4. (Całkowity czas oczekiwania). Pewni uŜytkow-
nicy publicznej komunikacji miejskiej w celu dotarcia do
miejsca przeznaczenia muszą podróŜować dwoma środkami
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II
lokomocji, dajmy na to autobusem i tramwajem. UŜytkowni-
cy ci część tej podróŜy są zmuszeni spędzić na przystankach
w oczekiwaniu na przybycie tych pojazdów. Niech poszcze-
gólne czasy oczekiwania X i Y mają rozkłady wykładnicze z
dodatnimi parametrami λ1 i λ2. Zakładając niezaleŜność cza-
sów oczekiwania X i Y, wyznaczyć rozkład całkowitego czasu
∫f
−∞
Y ( z − x) f X ( x)dx oczekiwania na przystankach dla danej grupy uŜytkowników.
Rozwiązanie. PoniewaŜ zm. l. X i Y są niezaleŜne, więc gę-
stość zm. l. Z = X + Y moŜemy wyznaczyć z równości
∞
f Z ( z) = ∫ f X ( x) fY ( z − x)dx ,
−∞
−λ x −λ y
dla f X ( x) = λ1e 1 , x ≥ 0 oraz fY ( y ) = λ 2e 2 , y ≥ 0 .
29 K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 30

PoniewaŜ fX(x) przyjmuje wartość zero dla ujemnych x, więc

∞
f Z ( z ) = ∫ λ1e −λ1x fY ( z − x)dx.
0

PoniewaŜ fY(y) jest równe zeru dla ujemnych y, więc fY(z−x)

ma wartość zero dla ujemnych z−x, czyli dla x większych od
z. Zatem dla λ1= λ2 = λ, i z ≥ 0, fZ(zλ) = λ2ze−λz, a dla λ1≠λ2
z z
−λ1x −λ 2 ( z − x ) −λ 2 z ( λ 2 −λ1 ) x
f Z ( z λ1 , λ 2 ) = ∫ λ1e λ 2e dx = λ1λ 2e ∫e dx
0 0

λ1λ 2
= (e −λ1z − e −λ 2 z ), z ≥ 0.
λ 2 − λ1
K. J. Andrzejczak, MPiS30 W05: Zmienne losowe II 31