Definicja
Funkcję X : Ω → Rn nazywamy wektorem losowym, bądź n-wymiarową zmienną losową, jeśli dla dowolnego zbioru borelowskiego B ⊂ Rn zachodzi warunek:
{ω : (X1(ω), . . . , Xn(ω)) ∈ B} ∈ F. X
X
X = (X1, . . . , Xn) jest wektorem losowym wtedy i tylko wtedy, gdy każda z funkcji Xi jest zmienną losową.
Definicja
Rozkładem prawdopodobieństwa (łącznym) wektora losowego X
X
X = (X1, . . . , Xn) nazywamy miarę probabilistyczną P na przestrzeni (Rn, B(Rn)) zdefiniowaną wzorem
Definicja
Dla zadanej miary P : B(R2) → [0, 1] definiujemy funkcję F : R2→ [0, 1] następująco
F(x, y ) = P(X < x, Y < y ).
Funkcję F (x, y ) nazywamy dwuwymiarową dystrybuantą (funkcją rozkładu) wektora losowego (X , Y ).
Definicja
Jeżeli wszystkie składowe wektora losowego XXX są zmiennymi losowymi dyskretnymi, to XXX jest wektorem losowym dyskretnym.
Definicja
Wektor losowy XXX nazywamy wektorem absolutnie ciągłym, jeżeli istnieje taka nieujemna funkcja f , zwana gęstością, że dla każdego xxx ∈ Rn F(xxx) = Z x1 ∞ . . . Z xn ∞ f(x1, . . . , xn)dx1. . . dxn.
Przykład (wielowymiarowy rozkład normalny – N(µµµ, ΣΣΣ)) W przypadku danych wielowymiarowych bardzo często
wykorzystywany jest wielowymiarowy rozkład normalny. Funkcja gęstości n-wymiarowego rozkładu normalnego wektora losowego XXX o wektorze wartości oczekiwanych µµµ i macierzy kowariancji ΣΣΣ dana jest wzorem: f(xxx) = 1 (2π)n/2|ΣΣΣ|1/2exp −12(xxx − µµµ)′ Σ−1 (xxx − µµµ) .
Przykład (wielowymiarowy rozkład normalny – N(µµµ, ΣΣΣ))
Funkcja gęstości dwuwymiarowego rozkładu normalnego z wektorem wartości oczekiwanych 000′
Definicja
Jeśli znany jest rozkład łaczny zmiennych X i Y to rozkłady zmiennych X i Y nazywamy rozkładami brzegowymi.
Theorem
1 Jeżeli dwuwymiarowa zmienna losowa (X , Y ) jest dyskretna,
to zmienne X i Y sa również dyskretne.
2 Jeżeli dwuwymiarowa zmienna losowa (X , Y ) jest absolutnie
Definicja
Rozkład zmiennej losowej (X |Y = y) nazywamy rozkładem warunkowym zmiennej losowej X przy ustalonej wartości zmiennej losowej Y .
Theorem
Niech (X , Y ) będzie dyskretnym wektorem losowym. Warunkowa funkcja
prawdopodobieństwa zmiennej losowej X pod warunkiem, że Y = y dana
jest wzorem pX|Y =y = pXY(x, y ) pY(y ) , o ile pY(y ) > 0. Theorem
Niech (X , Y ) będzie absolutnie ciągłym wektorem losowym. Warunkowa
gęstość zmiennej losowej X pod warunkiem, że Y = y dana jest wzorem fX|Y =y(x) =
fXY(x, y )
fY(y ) , o ile fY(y ) > 0.
Definicja
Zmienne losowe X1, X2, . . . , Xn nazywamy niezależnymi jeśli dla wszystkich x1, x2, . . . , xn∈ R
Theorem
Zmienne losowe X1, X2, . . . , Xn o rozkładach dyskretnych są
niezależne wtedy i tylko wtedy, gdy dla każdego ciagu
(x1j, x2j, . . . , xnj) ∈ Rn, j ∈ N
P(X1 = x1j, . . . , Xn= xnj) = P1(X1 = x1j) · . . . · Pn(Xn= xnj),
gdzie Pi, i = 1, 2, . . . , n są funkcjami prawdopodobieństwa
rozkładów brzegowych jednowymiarowych zmiennych losowych
Theorem
Zmienne losowe X1, X2, . . . , Xn o rozkładach absolutnie ciągłych są
niezależne wtedy i tylko wtedy, gdy dla każdego ciagu
(x1, x2, . . . , xn) ∈ Rn,
f(x1, . . . , xn) = f1(x1) · . . . · fn(xn),
gdzie fi, i = 1, 2, . . . , n są gęstościami rozkładów brzegowych
Przykład (zmienna absolutnie ciągła (2))
Dana jest funkcja f(x, y ) =
(
ce−(x+y )
dla x, y > 0,
0 dla pozostałych (x, y ).
Dla jakiej wartości stałej c ta funkcja jest funkcją gęstości pewnej dwuwymiarowej zmiennej losowej (X , Y )? Ile wynoszą
prawdopodobieństwa P(X < 1, Y > 5), P(X + Y > 3)?
Przykład (rozkład chi-kwadrat – χ2(n))
Suma kwadratów n niezależnych zmiennych losowych, z których każda podlega standardowemu rozkładowi normalnemu, ma
rozkład χ2 o n stopniach swobody. Można to zapisać symbolicznie: Y = X12+ X22+ . . . + Xn2,
gdzie zmienne losowe Xi ∼ N(0, 1) oraz są niezależne. Wtedy Y ∼ χ2(n).
Przykład (rozkład t-Studenta – t(n))
Rozkładem t-Studenta inaczej Gosseta z n stopniami swobody nazywamy rozkład zmiennej losowej Z określonej następująco:
Z = √X
Y
√
n,
gdzie X ∼ N(0, 1) oraz Y ∼ χ2(n) sa niezależnymi zmiennymi losowymi.
Przykład (rozkład F -Snedecora – F (m, n))
Wielkość będąca ilorazem dwóch niezależnych zmiennych o rozkładzie chi-kwadrat (z odpowiednimi liczbami stopni swobody) podlega rozkładowi F (Fishera-Snedecora. Zatem rozkładem F-Snedecora z (m, n) stopniami swobody nazywamy rozkład prawdopodobieństwa ilorazu: Z = X/m Y/n = X Y · n m,
gdzie X ∼ χ2(m) oraz Y ∼ χ2(n) są niezależnymi zmiennymi losowymi.