DWUWYMIAROWE ZMIENNE LOSOWE Rozkład łączny pary zmiennych losowych (X,Y)
określonych na tej samej przestrzeni zdarzeń elementarnych:
) ) ,
((X Y A
P , A - dowolny podzbiór zbioru par wartości zmiennych X, Y.
Definicja. Dystrybuantą zmiennej losowej (X,Y) nazywamy funkcję
) , (
) ,
(x y P X x Y y
F ,
gdzie x, y.
Twierdzenie. Łączny rozkład prawdopodobieństwa zmiennej losowej (X,Y) określony jest jednoznacznie przez jej dystrybuantę.
Zmienne dyskretne
Funkcja prawdopodobieństwa ( łącznego )
dwuwymiarowej zmiennej losowej dyskretnej:
) , ( ) ,
(x y P X x Y y
f .
Własności:
(i) f (x,y)0, dla dowolnej pary wartości (x, y), (ii) x y
y x
f( , ) 1,
(iii)
A y x
y x f A
Y X P
) , (
) , ( )
) ,
(( ,
(iv) F(x,y)sx t y
t s f ( , ).
Przykład. W każdym z dwóch etapów teleturnieju można otrzymać 0, 1, lub 2 punkty. Niech zmienne losowe X, Y oznaczają liczby punktów uzyskane w etapie I i II, odpowiednio, przez losowo wybranego uczestnika. Funkcję prawdopodobieństwa łącznego określa tabela:
Y X
0 1 2
0
0,5 0,05 0,01
1
0,2 0,1 0,06
2
0,02 0,03 A
Znaleźć:
(a) f(2,2)P(X 2,Y 2) (b) P(Y 2)
(c) F(1,1).
(a) x 20y20f(x, y) = 1. Stąd
) 2 , 2 (
f = A = 1 – ( 0,5 + 0,05 + 0,01 + 0,2 + 0,1 + + 0,06 + 0,02 + 0,03 ) = 1 – 0,97 = 0,03.
(b) P(Y 2) x20P(X x,Y 2) =
f(0,2) f(1,2) f(2,2) = 0,01 + 0,06 + 0,03 = 0,1.
(c) F(1,1) = P(X Y1, 1) =
= f(0,0) f(0,1) f(1,0) f(1,1) =
= 0,5 + 0,05 + 0,2 + 0,1 = 0,85.
Zmienne ciągłe
Zmienna losowa (X,Y) jest dwuwymiarową ciągłą zmienną losową, jeśli jej łączny rozkład prawdopodo- bieństwa określony jest przez funkcję gęstości łącznej ( łączną gęstość prawdopodobieństwa ), taką że
(i) f(x,y)0
(ii) f(x,y)dxdy 1
(iii) P((X,Y)A) A f(x,y)dxdy
W szczególności dla A(,x](,y]:
) , (x y
F = P(X x,Y y) xyf(s,t)dtds.
) , ( )
, (
2
y x y F y x
x
f
, x, y. Przykład. Zmienna losowa (X,Y) ma gęstość prawdopodobieństwa
) 0 ,
( x y
y x
f gdy 0przeciwniex1,0 y1.
Obliczyć
) 25 , 0 , 5 , 0 (X Y
P = 0 ,5
0 1
25 , 0
)
(x y dydx =
dx y
xy 10,25
5 , 0
0
2 /2)
( = 0,5
0
) 2 / 625 , 0 25 , 0 5 , 0
(x x dx = ?
Rozkłady brzegowe
Niech (X,Y) będzie dwuwymiarową zmienną losową o rozkładzie prawdopodobieństwa określonym przez funkcję f(x, y) ( funkcja prawdopodobieństwa lub gęstość ).
Rozkład brzegowy = rozkład prawdopodobieństwa zmiennej losowej X lub zmiennej losowej Y.
(a) dla dyskretnych zmiennych X, Y , brzegowe funkcje prawdopodobieństwa są postaci
X x P X x y f x y
f ( ) ( ) ( , )
Y y P Y y x f x y
f ( ) ( ) ( , )
(b) dla ciągłych zmiennych X, Y , brzegowe gęstości są postaci
f x y dy x
fX( ) ( , )
f x y dx y
fY( ) ( , ) .
D. (a) fX(x)
y
y Y x X P x X
P( ) ( , }) = y y
y x f y
Y x X
P( , ) ( , ).
(b) FX(x)P(X x) = P(X x,Y ) = xf(s,t)dtds. Stąd
) (x
fX F (x)
dx d
X = f(x,t)dt.
Przykład. Dwuwymiarowa zmienna losowa (X,Y) ma gęstość
0
8 / ) ( ) 3 , (
y 2
y x x
f gdy 1przeciwniex1,1 y1 Znaleźć gęstość zmiennej losowej X.
Niech 1 x1.
f x y dy x
fX( ) ( , ) =
1
1
)2
8 (
3 x y dy
1
1
2
2 2 )
8 (
3 x xy y dy =
1 ] 1 3 / 8[
3 2 2 3
xy y y
x = 43x2 41.
0
4 / ) 1 3 ) ( (
x2
x
fX gdy przeciwnie1x1.
Gęstość zmiennej losowej Y ma identyczną postać.
Rozkłady warunkowe
(a) Niech (X,Y) będzie dyskretną zmienną losową mającą funkcję prawdopodobieństwa f(x,y). Niech y – ustalone oraz fY(y)0.
Rozkład warunkowy zmiennej losowej X pod warunkiem, że Y = y określa warunkowa funkcja prawdopodobieństwa:
) (x y
f = ff(x(,yy))
Y , x – dowolna wartość zmiennej X.
) (x y
f = P(XP(Yx,Yy) y) P(X xY y) =
funkcja prawdopodobieństwa zmiennej X pod warunkiem, że zmienna Y przyjęła wartość y.
Analogicznie:
) (yx
f = ff(x(,xy))
X = P(Y yX x), gdziefX(x)0. Notacja: f(xy) fXY(xy)
) ( )
(yx f yx
f Y X
(b) Niech (X,Y) będzie ciągłą zmienną losową o łącznej gęstości f(x,y).
Niech y – ustalone oraz fY(y)0.
Warunkową gęstością prawdopodobieństwa zmiennej losowej X pod warunkiem, że Y y nazywamy funkcję
) (x y
f = ff(Yx(,yy)), x.
Przykład. (kontynuacja)
0
8 / ) ( ) 3 , (
y 2
y x x
f gdy 1przeciwniex1,1 y1
) ( y fY
0 4 / ) 1 3
( y2 gdy
przeciwnie y 1 1
Niech 1 y1 - ustalone.
) (x y
f = 3(3(xy2y1))2//48 = 36(xy2y2)2 dla x[1,1]
) (x y
f = 0 dla x[1,1].
Uwaga. Analogicznie określamy rozkład warunkowy
zmiennej losowej Y pod warunkiem X = x. Zatem
) (yx
f = ff(Xx(,xy)), gdzie y – dowolna wartość Y, x - ustalone, takie że fX(x)0. Notacja: f(yx) fYX(yx), f(xy) fXY(xy)
Przykład. (kontynuacja)
(a) Znaleźć rozkład brzegowy zmiennej Y, liczby punktów uzyskanych w II etapie teleturnieju przez losowo wybranego uczestnika.
(b) Wyznaczyć rozkład warunkowy Y pod warunkiem, że w I etapie uzyskano 2 punkty, tzn. X = 2.
Y X
0 1 2
0
0,5 0,05 0,01
1
0,2 0,1 0,06
2
0,02 0,03 0,03 Y
X
0 1 2 0,5 0,05 0,01
0 1
0,2 0,1 0,06
2
0,02 0,03 0,03
(a) fY( y) = f(0,y) f(1,y) f(2,y). Stąd
Y 0 1 2 fY( y) 0,72 0,18 0,1 (b) f ( y2) = ff(X2(,2y)) = ?
) 2 0 (
f = fY X(02) =f(2,0)/ fX(2) =
= 0,02/(0,02 + 0,03 + 0,03) =1/4,
) 2 1 (
f = fY X(12) = f(2,1)/ fX(2) =
= 0,03/0,08 = 3/8,
) 2 2 (
f = fY X(22) = f(2,2)/ fX(2)=
= 0,03/0,08 = 3/8.
Niezależne zmienne losowe
Definicja. Niech (X,Y) będzie dwuwymiarową zmienna losową o dystrybuancie F(x,y) oraz dystrybuantach
brzegowych FX(x), FY( y), x,y(,). Zmienne losowe X, Y są niezależne, jeśli
) ( ) ( )
,
(x y F x F y
F X Y ,
dla wszystkich wartości x, y.
Twierdzenie. Zmienne losowe X, Y są niezależne wtedy i tylko wtedy gdy
) ( ) ( ) ,
(x y f x f y
f X Y ,
dla wszystkich wartości x, y.
Wniosek. Poniższe warunki są równoważne:
(i) Zmienne losowe X, Y są niezależne.
(ii) f(xy) fX(x), x, dla wszystkich y, takich że fY(y)0.
(iii)f(yx) fY(y), y, dla wszystkich x, takich że fX(x)0.
Przykład. ( kontynuacja )
Czy liczby punktów uzyskane w I i II etapie teleturnieju przez losowo wybranego uczestnika są niezależnymi zmiennymi losowymi ?
Y X
0 1 2
0
0,5 0,05 0,01
1
0,2 0,1 0,06
2
0,02 0,03 0,03
) 2 , 0 ( ) 1 , 0 ( ) 0 , 0 ( ) 0
( f f f
fX = 0,5 + 0,05 +
+ 0,01 = 0,56. fY(0) f(0,0) f(1,0) f(2,0) = 0,5 + 0,2
+ 0,02 = 0,72.
Stąd f(0,0)0,50,560,72 fX(0)fY(0), Zmienne losowe X ,Y są zależne.
Przykład. ( kontynuacja ). Czy X, Y są niezależnymi zmiennymi losowymi, jeśli ich łączna gęstość ma
postać:
0
8 / ) ( ) 3 , (
y 2
y x x
f gdy 1przeciwniex1,1 y1
Dla x, y[1,1] :
4 / ) 1 3 ( )
(x x2
fX oraz fY(y) y(3 2 1)/4.
) ( ) ( ) ,
(x y f x f y
f X Y .
Przykład. Czasy poprawnej pracy dwu podzespołów są niezależnymi zmiennymi losowymi X, Y o rozkładach wykładniczych z parametrami 1,2, odpowiednio.
Średnie czasy pracy podzespołów wynoszą 1000 (godzin ) i 1200 ( godzin ). Obliczyć
prawdopodobieństwo zdarzenia takiego, że każdy podzespół nie ulegnie awarii przed upływem 1500 godzin.
1000 /
1 )
(X 1
E (godz.),
1200 /
1 )
(Y 2
E (godz.)
Stąd 1 1/1000 (1/godz.) 2 1/1200 (1/godz.).
) 1500 ,
1500 (X Y
P = P(X 1500)P(Y 1500) =
1500 1500 2
1
e
e = e1500/1000 e1500/1200 =
= 0,22310,2865 = 0,0639.
Wartość oczekiwana. Kowariancja.
)]
, ( [g X Y
E = x y
y x f y x
g( , ) ( , ),
gdy X, Y są dyskretne,
)]
, ( [g X Y
E = g(x,y)f(x,y)dxdy,
gdy X, Y są ciągłe.
Uwaga. Dla g(X,Y) X lub g(X,Y)Y otrzymujemy
wartości oczekiwane brzegowych zmiennych losowych X lub Y.
Np.
] [ X
E = x y
y x
xf( , ) = x y
y x f
x ( , ) = = x xfX(x)X .
Stwierdzenie. Niech c będzie dowolną stałą, a g(X,Y),
) ,
1(X Y
g , g2(X,Y) zmiennymi losowymi jednowymiarowymi. Wówczas
)]
, ( [ ) , (
[cg X Y cE g X Y
E ,
)]
, ( [ )]
, ( [ )]
, ( ) , (
[g1 X Y g2 X Y E g1 X Y E g2 X Y
E .
D. Dowód jest bezpośrednią konsekwencją definicji wartości oczekiwanej oraz własności całki i sumowania.
Stwierdzenie. Jeśli zmienne losowe X, Y są niezależne, to
) ( ) ( )
(XY E X E Y
E .
D. Niezależność zmiennych jest równoważna
) ( ) ( ) ,
(x y f x f y
f X Y . Stąd i z definicji wartości oczekiwanej mamy
(a) (zmienne dyskretne )
)]
, ( [g X Y
E = x y
y x f y x
g( , ) ( , ).
) ( XY
E = x y xyf (x,y) = x y xyfX(x)fY(y)=
x xfX (x) y yfY(y) = y yfY(y)
x xfX(x) =
) ( ) ( ) ( )
(Y E X E X E Y
E .
(b) (zmienne ciągłe) Dowód analogiczny - Sumowanie należy zastąpić całkowaniem.
Definicja. Niech X i Y będą zmiennymi losowymi o łącznej funkcji prawdopodobieństwa ( gęstości ) f(x, y). Kowariancją zmiennych X i Y nazywamy liczbę:
)]
)(
[( X Y
XY E X Y
.
Uwaga.
Z definicji XY oraz E[g(X,Y)], przyjmując
) )(
( ) ,
(x y x X y Y
g , otrzymujemy wzory:
XY x y (xX)(yY)f(x,y),
gdy X, Y są dyskretne XY (xX)(yY)f(x,y)dxdy,
gdy X, Y są ciągłe.
Notacja: Zamiast XY często piszemy Cov (X,Y).
Interpretacja. Kowariancja określa pewną współzależność między zmiennymi losowymi:
(a) Jeśli „dużym” wartościom zmiennej X
przewyższającym X towarzyszą zwykle „duże”
wartości zmiennej Y przewyższające Y, a wartościom X mniejszym od X towarzyszą zwykle wartości Y mniejsze od Y, to XY > 0.
(b) Jeśli wartościom zmiennej X większym od X towarzyszą zwykle wartości Y mniejsze od Y
wartościom X mniejszym od X towarzyszą zwykle wartości Y większe od od Y, to XY < 0.
Stwierdzenie. Cov(X,Y) = E(XY)XY. D. Cov(X,Y) = E[(X X)(Y Y)] =
= E(XY XY YX XY) =
= E(XY)E(XY)E(YX)XY =
= E(XY)XY.
Twierdzenie. Jeśli zmienne losowe X i Y są niezależne, to
Cov(X,Y) = 0.
D. Dla niezależnych zmiennych losowych
) ( ) ( )
(XY E X E Y
E . Stąd oraz wzoru na kowariancję mamy:
Cov(X,Y) = E(XY)XY =
= E(X)E(Y)XY = 0.
Uwaga. Twierdzenie odwrotne nie jest na ogół prawdziwe.
Twierdzenie. Dla dowolnych stałych a, b Var(aX bY) =
a2Var(X) + b2Var(Y) + 2abCov(X,Y).
D. E{ (aX bY)(aX bY)2 } =
E{ a(X X)b(YY)2 } = E{ a(X X))2 } + E 2ab(X X)(Y Y) + E{ b(Y Y)2 } =
= a2Var(X) + 2abCov(X,Y) + b2Var(Y). c.k.d.
Wniosek. Jeśli zmienne losowe X i Y są niezależne, to
Var(aX bY) = a2Var(X) + b2Var(Y).
Definicja. Współczynnikiem korelacji między zmiennymi losowymi X i Y nazywamy liczbę:
) ( ) (
) , (
Y Var X Var
Y X
Cov
.
Przykład. ?
Y X
0 1 2
0
0,5 0,05 0,01
1
0,2 0,1 0,06
2
0,02 0,03 0,03
) ( X
E = x y
y x f
x ( , ) = 0(0,5 + 0,05 + 0,01) +
+ 1(0,2 + 0,1 + 0,06) + 2(0,02+0,03+0,03) = 0,52.
) (Y
E = x y
y x f
y ( , ) = 0 (0,5 + 0,2 + 0,02) +
+ 1(0,05 + 0,1 + 0,03) + 2(0,01+0,06+0,03) = 0,38.
Y X
0 1 2
0
0,5 0,05 0,01
1
0,2 0,1 0,06
2
0,02 0,03 0,03
) ( XY
E = x y
y x
xyf ( , ) = 0 + 0 + 0 + 0 + 110,1 +
+ 120,06 + 210,03 + 220,03 = 0,31.
Cov(X,Y) = 0,31 – 0,52 0,38 = 0,1124.
) (X2
E 12 (0,2 + 0,1 + 0,06) + + 22(0,020,030,03) = 0,68
) (Y2
E 12 (0,05 + 0,1 + 0,03) + + 22(0,010,060,03) = 0,58.
Var(X) =E(X2)[E(X)]2 0,680,522= 0,4096 Var(Y) = E(Y2)[E(Y)]2 0,580,382 = 0,4356
. 2661 , 4356 0 , 0 4096 , 0
1124 ,
0