Wykład 1. Organizacja i zakres tematyczny...
Transcript of Wykład 1. Organizacja i zakres tematyczny...
Wykład 1.Organizacja i zakres tematyczny wykładu
Wybrane pojecia rachunku prawdopodobienstwa – powtórzenie
Paweł Wachel
Katedra Automatyki, Mechatroniki i Systemów Sterowania
Wydział Elektroniki, Politechnika Wrocławska
1
Plan wykładu
• Wymagania wstepne.
• Prezentacja zakresu tematycznego wykładu.
• Warunki i terminy zaliczenia.
• Literatura podstawowa i uzupełniajaca.
• Rachunek prawdopodobienstwa – powtórzenie wybranych pojec:
• prawdopodobienstwo i przestrzen probabilistyczna,
• zmienna losowa ciagła i dyskretna,
• dystrybuanta,
• gestosc prawdopodobienstwa,
• wartosc oczekiwana,
• wariancja,
• niezaleznosc zmiennych losowych,
• kowariancja,
• korelacja.
• Dwa słowa o procesach stochastycznych...
2
Plan wykładu
• Wymagania wstepne.
• Prezentacja zakresu tematycznego wykładu.
• Warunki i terminy zaliczenia.
• Literatura podstawowa i uzupełniajaca.
• Rachunek prawdopodobienstwa – powtórzenie wybranych pojec:
• prawdopodobienstwo i przestrzen probabilistyczna,
• zmienna losowa ciagła i dyskretna,
• dystrybuanta,
• gestosc prawdopodobienstwa,
• wartosc oczekiwana,
• wariancja,
• niezaleznosc zmiennych losowych,
• kowariancja,
• korelacja.
• Dwa słowa o procesach stochastycznych...
2
Literatura (zasadniczo uzupełniajaca...)
1. Probabilistyka i statystyka matematyczna:[JS] JAKUBOWSKI, Jacek; SZTENCEL, Rafał. Wstep do teorii prawdopodobienstwa. Script,
2001.[PA] PAPOULIS, Athanasios. Prawdopodobienstwo, zmienne losowe i procesy
stochastyczne. Wydawnictwa Naukowo-Techniczne, 1972.[PP] PLUCINSKA, Agnieszka; PLUCINSKI, Edmund. Probabilistyka: rachunek
prawdopodobienstwa, statystyka matematyczna, procesy stochastyczne. WydawnictwaNaukowo-Techniczne, 2006.
[GK] GAJEK, Lesław; KAŁUSZKA, Marek. Wnioskowanie statystyczne: modele i metody.Wydawnictwa Naukowo-Techniczne, 2000.
[KR] KRZYSKO, Mirosław. Statystyka matematyczna. Wyd. Naukowe Uniwersytetu im.Adama Mickiewicza, 1997.
[KM] KORONACKI, Jacek; MIELNICZUK, Jan. Statystyka: dla studentów kierunkówtechnicznych i przyrodniczych. Wydawnictwa Naukowo-Techniczne, 2009.
2. Generacja liczb pseudolosowych:[WZ] WIECZORKOWSKI, Robert; ZIELINSKI, Ryszard. Komputerowe generatory liczb
losowych. Wydawnictwa Naukowo-Techniczne, 1997.
[KM] KORONACKI, Jacek; MIELNICZUK, Jan. Statystyka: dla studentów kierunkówtechnicznych i przyrodniczych. Wydawnictwa Naukowo-Techniczne, 2009.
3. Estymacja parametryczna i nieparametryczna:[GK] GAJEK, Lesław; KAŁUSZKA, Marek. Wnioskowanie statystyczne: modele i metody.
Wydawnictwa Naukowo-Techniczne, 2000.[WJ] WAND, Matt P.; JONES, M. Chris. Kernel smoothing. Chapman and Hall/CRC, 1994.
3
Literatura (zasadniczo uzupełniajaca...)
1. Probabilistyka i statystyka matematyczna:[JS] JAKUBOWSKI, Jacek; SZTENCEL, Rafał. Wstep do teorii prawdopodobienstwa. Script,
2001.[PA] PAPOULIS, Athanasios. Prawdopodobienstwo, zmienne losowe i procesy
stochastyczne. Wydawnictwa Naukowo-Techniczne, 1972.[PP] PLUCINSKA, Agnieszka; PLUCINSKI, Edmund. Probabilistyka: rachunek
prawdopodobienstwa, statystyka matematyczna, procesy stochastyczne. WydawnictwaNaukowo-Techniczne, 2006.
[GK] GAJEK, Lesław; KAŁUSZKA, Marek. Wnioskowanie statystyczne: modele i metody.Wydawnictwa Naukowo-Techniczne, 2000.
[KR] KRZYSKO, Mirosław. Statystyka matematyczna. Wyd. Naukowe Uniwersytetu im.Adama Mickiewicza, 1997.
[KM] KORONACKI, Jacek; MIELNICZUK, Jan. Statystyka: dla studentów kierunkówtechnicznych i przyrodniczych. Wydawnictwa Naukowo-Techniczne, 2009.
2. Generacja liczb pseudolosowych:[WZ] WIECZORKOWSKI, Robert; ZIELINSKI, Ryszard. Komputerowe generatory liczb
losowych. Wydawnictwa Naukowo-Techniczne, 1997.
[KM] KORONACKI, Jacek; MIELNICZUK, Jan. Statystyka: dla studentów kierunkówtechnicznych i przyrodniczych. Wydawnictwa Naukowo-Techniczne, 2009.
3. Estymacja parametryczna i nieparametryczna:[GK] GAJEK, Lesław; KAŁUSZKA, Marek. Wnioskowanie statystyczne: modele i metody.
Wydawnictwa Naukowo-Techniczne, 2000.[WJ] WAND, Matt P.; JONES, M. Chris. Kernel smoothing. Chapman and Hall/CRC, 1994.
3
Literatura (zasadniczo uzupełniajaca...)
1. Probabilistyka i statystyka matematyczna:[JS] JAKUBOWSKI, Jacek; SZTENCEL, Rafał. Wstep do teorii prawdopodobienstwa. Script,
2001.[PA] PAPOULIS, Athanasios. Prawdopodobienstwo, zmienne losowe i procesy
stochastyczne. Wydawnictwa Naukowo-Techniczne, 1972.[PP] PLUCINSKA, Agnieszka; PLUCINSKI, Edmund. Probabilistyka: rachunek
prawdopodobienstwa, statystyka matematyczna, procesy stochastyczne. WydawnictwaNaukowo-Techniczne, 2006.
[GK] GAJEK, Lesław; KAŁUSZKA, Marek. Wnioskowanie statystyczne: modele i metody.Wydawnictwa Naukowo-Techniczne, 2000.
[KR] KRZYSKO, Mirosław. Statystyka matematyczna. Wyd. Naukowe Uniwersytetu im.Adama Mickiewicza, 1997.
[KM] KORONACKI, Jacek; MIELNICZUK, Jan. Statystyka: dla studentów kierunkówtechnicznych i przyrodniczych. Wydawnictwa Naukowo-Techniczne, 2009.
2. Generacja liczb pseudolosowych:[WZ] WIECZORKOWSKI, Robert; ZIELINSKI, Ryszard. Komputerowe generatory liczb
losowych. Wydawnictwa Naukowo-Techniczne, 1997.
[KM] KORONACKI, Jacek; MIELNICZUK, Jan. Statystyka: dla studentów kierunkówtechnicznych i przyrodniczych. Wydawnictwa Naukowo-Techniczne, 2009.
3. Estymacja parametryczna i nieparametryczna:[GK] GAJEK, Lesław; KAŁUSZKA, Marek. Wnioskowanie statystyczne: modele i metody.
Wydawnictwa Naukowo-Techniczne, 2000.[WJ] WAND, Matt P.; JONES, M. Chris. Kernel smoothing. Chapman and Hall/CRC, 1994.
3
Literatura (zasadniczo uzupełniajaca...) c.d.
1. [W1] WASSERMAN, Larry. All of statistics: a concise course in statistical inference. SpringerScience & Business Media, 2013.
[W2] WASSERMAN, Larry. All of nonparametric statistics. Springer Science & BusinessMedia, 2006.
4. Identyfikacja systemów:[SS] SÖDERSTRÖM, Torsten D.; STOICA, Petre Gheorghe. Identyfikacja systemów.
Wydawnictwo Naukowe PWN, 1997.[MN] MANCZAK, Kazimierz; NAHORSKI, Zbigniew. Komputerowa identyfikacja obiektów
dynamicznych. Panstwowe Wydawnictwo Naukowe, 1983.[GP] GREBLICKI, Włodzimierz; PAWLAK, Mirosław. Nonparametric system identification.
Cambridge: Cambridge University Press, 2008.[PS] PINTELON, Rik; SCHOUKENS, Johan. System identification: a frequency domain
approach. John Wiley & Sons, 2012.[MA] MANCZAK, Kazimierz. Metody identyfikacji wielowymiarowych obiektów sterowania.
Warszawa: WNT, 1979.
5. Inne:[SZ] SZABATIN, Jerzy. Podstawy teorii sygnałów. Wydawnictwa Komunikacji i Łacznosci,
1982. (m.in. przestrzenie funkcyjne w zadaniach przetwarzania sygnałów)[BH] BROWN, Robert Grover, HWANG Patrick. Introduction to random signals and applied
Kalman filtering. New York: Wiley, 1992.[SE] SERFLING, Robert J. Twierdzenia graniczne statystyki matematycznej. Panstwowe
Wydawnictwo Naukowe, 1991. (pozycja dla „zaawansowanych”).
4
Literatura (zasadniczo uzupełniajaca...) c.d.
1. [W1] WASSERMAN, Larry. All of statistics: a concise course in statistical inference. SpringerScience & Business Media, 2013.
[W2] WASSERMAN, Larry. All of nonparametric statistics. Springer Science & BusinessMedia, 2006.
4. Identyfikacja systemów:[SS] SÖDERSTRÖM, Torsten D.; STOICA, Petre Gheorghe. Identyfikacja systemów.
Wydawnictwo Naukowe PWN, 1997.[MN] MANCZAK, Kazimierz; NAHORSKI, Zbigniew. Komputerowa identyfikacja obiektów
dynamicznych. Panstwowe Wydawnictwo Naukowe, 1983.[GP] GREBLICKI, Włodzimierz; PAWLAK, Mirosław. Nonparametric system identification.
Cambridge: Cambridge University Press, 2008.[PS] PINTELON, Rik; SCHOUKENS, Johan. System identification: a frequency domain
approach. John Wiley & Sons, 2012.[MA] MANCZAK, Kazimierz. Metody identyfikacji wielowymiarowych obiektów sterowania.
Warszawa: WNT, 1979.
5. Inne:[SZ] SZABATIN, Jerzy. Podstawy teorii sygnałów. Wydawnictwa Komunikacji i Łacznosci,
1982. (m.in. przestrzenie funkcyjne w zadaniach przetwarzania sygnałów)[BH] BROWN, Robert Grover, HWANG Patrick. Introduction to random signals and applied
Kalman filtering. New York: Wiley, 1992.[SE] SERFLING, Robert J. Twierdzenia graniczne statystyki matematycznej. Panstwowe
Wydawnictwo Naukowe, 1991. (pozycja dla „zaawansowanych”).
4
Literatura (zasadniczo uzupełniajaca...) c.d.
1. [W1] WASSERMAN, Larry. All of statistics: a concise course in statistical inference. SpringerScience & Business Media, 2013.
[W2] WASSERMAN, Larry. All of nonparametric statistics. Springer Science & BusinessMedia, 2006.
4. Identyfikacja systemów:[SS] SÖDERSTRÖM, Torsten D.; STOICA, Petre Gheorghe. Identyfikacja systemów.
Wydawnictwo Naukowe PWN, 1997.[MN] MANCZAK, Kazimierz; NAHORSKI, Zbigniew. Komputerowa identyfikacja obiektów
dynamicznych. Panstwowe Wydawnictwo Naukowe, 1983.[GP] GREBLICKI, Włodzimierz; PAWLAK, Mirosław. Nonparametric system identification.
Cambridge: Cambridge University Press, 2008.[PS] PINTELON, Rik; SCHOUKENS, Johan. System identification: a frequency domain
approach. John Wiley & Sons, 2012.[MA] MANCZAK, Kazimierz. Metody identyfikacji wielowymiarowych obiektów sterowania.
Warszawa: WNT, 1979.
5. Inne:[SZ] SZABATIN, Jerzy. Podstawy teorii sygnałów. Wydawnictwa Komunikacji i Łacznosci,
1982. (m.in. przestrzenie funkcyjne w zadaniach przetwarzania sygnałów)[BH] BROWN, Robert Grover, HWANG Patrick. Introduction to random signals and applied
Kalman filtering. New York: Wiley, 1992.[SE] SERFLING, Robert J. Twierdzenia graniczne statystyki matematycznej. Panstwowe
Wydawnictwo Naukowe, 1991. (pozycja dla „zaawansowanych”).
4
RACHUNEKPRAWDOPODOBIENSTWA
(powtórzenie wybranych pojec)
Przestrzen probabilistyczna i zmienna losowa
O czym mówic nie bedziemy... explicite
Aksjomatyka teorii prawdopodobienstwa, szczegóły konstrukcji i własnosci σ-ciał,mierzalnosc i funkcje borelowskie, całka Lebesgue’a, itd.
Przestrzen probabilistyczna – matematyczny model doswiadczenia losowegoPrzestrzen probabilistyczna (Ω,F ,P) to struktura złozona z trzech komponentów,z których pierwszy (tj. Ω) jest tzw. zbiorem zdarzen elementarnych, drugi (tj. F ) jestσ-ciałem okreslonym na Ω, natomiast trzeci (P) jest miara probabilistyczna okreslonana F .
Zmienna losowaZmienna losowa to funkcja (sic!) przypisujaca zdarzeniom elementarnym liczby.Formalnie powiemy, ze przekształcenie X : Ω→ R jest zmienna losowa, jezeli dlakazdego t ∈ R zbiór ω ∈ Ω : X (ω) 6 t jest zdarzeniem1 (tj. nalezy do F ).
Uwaga: Powyzsza definicja została wprowadzona w celu zapewnienia, zeprawdopodobienstwa wszystkich zdarzen zwiazanych ze zmienna losowa sa dobrzeokreslone.
1zob. np. [JS] str. 59, [GK] str. 29
5
Przestrzen probabilistyczna i zmienna losowa
O czym mówic nie bedziemy... explicite
Aksjomatyka teorii prawdopodobienstwa, szczegóły konstrukcji i własnosci σ-ciał,mierzalnosc i funkcje borelowskie, całka Lebesgue’a, itd.
Przestrzen probabilistyczna – matematyczny model doswiadczenia losowegoPrzestrzen probabilistyczna (Ω,F ,P) to struktura złozona z trzech komponentów,z których pierwszy (tj. Ω) jest tzw. zbiorem zdarzen elementarnych, drugi (tj. F ) jestσ-ciałem okreslonym na Ω, natomiast trzeci (P) jest miara probabilistyczna okreslonana F .
Zmienna losowaZmienna losowa to funkcja (sic!) przypisujaca zdarzeniom elementarnym liczby.Formalnie powiemy, ze przekształcenie X : Ω→ R jest zmienna losowa, jezeli dlakazdego t ∈ R zbiór ω ∈ Ω : X (ω) 6 t jest zdarzeniem1 (tj. nalezy do F ).
Uwaga: Powyzsza definicja została wprowadzona w celu zapewnienia, zeprawdopodobienstwa wszystkich zdarzen zwiazanych ze zmienna losowa sa dobrzeokreslone.
1zob. np. [JS] str. 59, [GK] str. 29
5
Przestrzen probabilistyczna i zmienna losowa
O czym mówic nie bedziemy... explicite
Aksjomatyka teorii prawdopodobienstwa, szczegóły konstrukcji i własnosci σ-ciał,mierzalnosc i funkcje borelowskie, całka Lebesgue’a, itd.
Przestrzen probabilistyczna – matematyczny model doswiadczenia losowegoPrzestrzen probabilistyczna (Ω,F ,P) to struktura złozona z trzech komponentów,z których pierwszy (tj. Ω) jest tzw. zbiorem zdarzen elementarnych, drugi (tj. F ) jestσ-ciałem okreslonym na Ω, natomiast trzeci (P) jest miara probabilistyczna okreslonana F .
Zmienna losowaZmienna losowa to funkcja (sic!) przypisujaca zdarzeniom elementarnym liczby.Formalnie powiemy, ze przekształcenie X : Ω→ R jest zmienna losowa, jezeli dlakazdego t ∈ R zbiór ω ∈ Ω : X (ω) 6 t jest zdarzeniem1 (tj. nalezy do F ).
Uwaga: Powyzsza definicja została wprowadzona w celu zapewnienia, zeprawdopodobienstwa wszystkich zdarzen zwiazanych ze zmienna losowa sa dobrzeokreslone.
1zob. np. [JS] str. 59, [GK] str. 29
5
Dystrybuanta zmiennej losowej
Dystrybuanta zmiennej losowej
Niech X bedzie dowolna zmienna losowa. Funkcje F : R→ [0, 1] okreslona wzorem2
F (t) = P X 6 t
nazywamy dystrybuanta zmiennej losowej X .
Własnosci dystrybuanty:
1. jest funkcja niemalejaca (tj. dla kazdego x1 < x2, F (x1) 6 F (x2).
2. limt→−∞
F (t) = 0 oraz limt→+∞
F (t) = 1.
3. jest funkcja prawostronnie* ciagła.
Dystrybuanta w sposób pełny okresla rozkład prawdopodobienstwa zmiennej losowej.Jezeli zmienna losowa X ma dystrybuante F , zmienna losowa Y ma dystrybuante Goraz F (x) = G (x) dla kazdego x , to dla dowolnego∗ zbioru A zachodzi
P X ∈ A = P (Y ∈ A) .
2Uwaga: w literaturze spotkac mozna równiez definicje z nierównoscia ostra.
6
Dystrybuanta zmiennej losowej
Dystrybuanta zmiennej losowej
Niech X bedzie dowolna zmienna losowa. Funkcje F : R→ [0, 1] okreslona wzorem2
F (t) = P X 6 t
nazywamy dystrybuanta zmiennej losowej X .
Własnosci dystrybuanty:
1. jest funkcja niemalejaca (tj. dla kazdego x1 < x2, F (x1) 6 F (x2).
2. limt→−∞
F (t) = 0 oraz limt→+∞
F (t) = 1.
3. jest funkcja prawostronnie* ciagła.
Dystrybuanta w sposób pełny okresla rozkład prawdopodobienstwa zmiennej losowej.Jezeli zmienna losowa X ma dystrybuante F , zmienna losowa Y ma dystrybuante Goraz F (x) = G (x) dla kazdego x , to dla dowolnego∗ zbioru A zachodzi
P X ∈ A = P (Y ∈ A) .
2Uwaga: w literaturze spotkac mozna równiez definicje z nierównoscia ostra.
6
Dystrybuanta zmiennej losowej
Dystrybuanta zmiennej losowej
Niech X bedzie dowolna zmienna losowa. Funkcje F : R→ [0, 1] okreslona wzorem2
F (t) = P X 6 t
nazywamy dystrybuanta zmiennej losowej X .
Własnosci dystrybuanty:
1. jest funkcja niemalejaca (tj. dla kazdego x1 < x2, F (x1) 6 F (x2).
2. limt→−∞
F (t) = 0 oraz limt→+∞
F (t) = 1.
3. jest funkcja prawostronnie* ciagła.
Dystrybuanta w sposób pełny okresla rozkład prawdopodobienstwa zmiennej losowej.Jezeli zmienna losowa X ma dystrybuante F , zmienna losowa Y ma dystrybuante Goraz F (x) = G (x) dla kazdego x , to dla dowolnego∗ zbioru A zachodzi
P X ∈ A = P (Y ∈ A) .
2Uwaga: w literaturze spotkac mozna równiez definicje z nierównoscia ostra.
6
Dystrybuanta zmiennej losowej
Dystrybuanta zmiennej losowej
Niech X bedzie dowolna zmienna losowa. Funkcje F : R→ [0, 1] okreslona wzorem2
F (t) = P X 6 t
nazywamy dystrybuanta zmiennej losowej X .
Własnosci dystrybuanty:
1. jest funkcja niemalejaca (tj. dla kazdego x1 < x2, F (x1) 6 F (x2).
2. limt→−∞
F (t) = 0 oraz limt→+∞
F (t) = 1.
3. jest funkcja prawostronnie* ciagła.
Dystrybuanta w sposób pełny okresla rozkład prawdopodobienstwa zmiennej losowej.Jezeli zmienna losowa X ma dystrybuante F , zmienna losowa Y ma dystrybuante Goraz F (x) = G (x) dla kazdego x , to dla dowolnego∗ zbioru A zachodzi
P X ∈ A = P (Y ∈ A) .
2Uwaga: w literaturze spotkac mozna równiez definicje z nierównoscia ostra.
6
Dystrybuanta zmiennej losowej
Dystrybuanta zmiennej losowej
Niech X bedzie dowolna zmienna losowa. Funkcje F : R→ [0, 1] okreslona wzorem2
F (t) = P X 6 t
nazywamy dystrybuanta zmiennej losowej X .
Własnosci dystrybuanty:
1. jest funkcja niemalejaca (tj. dla kazdego x1 < x2, F (x1) 6 F (x2).
2. limt→−∞
F (t) = 0 oraz limt→+∞
F (t) = 1.
3. jest funkcja prawostronnie* ciagła.
Dystrybuanta w sposób pełny okresla rozkład prawdopodobienstwa zmiennej losowej.Jezeli zmienna losowa X ma dystrybuante F , zmienna losowa Y ma dystrybuante Goraz F (x) = G (x) dla kazdego x , to dla dowolnego∗ zbioru A zachodzi
P X ∈ A = P (Y ∈ A) .
2Uwaga: w literaturze spotkac mozna równiez definicje z nierównoscia ostra.
6
Zmienne losowe dyskretne i ciagłe
Zmienna losowa typu dyskretnego
Zmienna losowa X jest typu dyskretnego, jezeli dla pewnego (niekoniecznieskonczonego) zbioru wartosci W = x1, x2, . . . zachodzi:
pidef .= P X = xi > 0 dla kazdego xi ∈ W
oraz∑
i pi = 1.
Zmienna losowa typu ciagłegoZmienna losowa X jest typu ciagłego, jezeli istnieje nieujemna funkcja f (x) okreslonana całej prostej i całkowalna do jedynki (tj.
∫∞−∞ f (x) dx = 1), taka, ze dla dowolnego
przedziału [a, b] zachodzi
P a 6 X 6 b =
∫ b
af (x) dx .
Funkcja f (x) nazywana jest gestoscia rozkładu prawdopodobienstwa zmiennejlosowej X .
Dystrybuanta F (x) zmiennej losowej typu ciagłego wyraza sie wzorem
F (x) =
∫ x
−∞f (t) dt .
W kazdym punkcie ciagłosci gestosci f (x) istnieje pochodna dystrybuanty F ′ (x) orazF ′ (x) = f (x).
7
Zmienne losowe dyskretne i ciagłe
Zmienna losowa typu dyskretnego
Zmienna losowa X jest typu dyskretnego, jezeli dla pewnego (niekoniecznieskonczonego) zbioru wartosci W = x1, x2, . . . zachodzi:
pidef .= P X = xi > 0 dla kazdego xi ∈ W
oraz∑
i pi = 1.
Zmienna losowa typu ciagłegoZmienna losowa X jest typu ciagłego, jezeli istnieje nieujemna funkcja f (x) okreslonana całej prostej i całkowalna do jedynki (tj.
∫∞−∞ f (x) dx = 1), taka, ze dla dowolnego
przedziału [a, b] zachodzi
P a 6 X 6 b =
∫ b
af (x) dx .
Funkcja f (x) nazywana jest gestoscia rozkładu prawdopodobienstwa zmiennejlosowej X .
Dystrybuanta F (x) zmiennej losowej typu ciagłego wyraza sie wzorem
F (x) =
∫ x
−∞f (t) dt .
W kazdym punkcie ciagłosci gestosci f (x) istnieje pochodna dystrybuanty F ′ (x) orazF ′ (x) = f (x).
7
Zmienne losowe dyskretne i ciagłe
Zmienna losowa typu dyskretnego
Zmienna losowa X jest typu dyskretnego, jezeli dla pewnego (niekoniecznieskonczonego) zbioru wartosci W = x1, x2, . . . zachodzi:
pidef .= P X = xi > 0 dla kazdego xi ∈ W
oraz∑
i pi = 1.
Zmienna losowa typu ciagłegoZmienna losowa X jest typu ciagłego, jezeli istnieje nieujemna funkcja f (x) okreslonana całej prostej i całkowalna do jedynki (tj.
∫∞−∞ f (x) dx = 1), taka, ze dla dowolnego
przedziału [a, b] zachodzi
P a 6 X 6 b =
∫ b
af (x) dx .
Funkcja f (x) nazywana jest gestoscia rozkładu prawdopodobienstwa zmiennejlosowej X .
Dystrybuanta F (x) zmiennej losowej typu ciagłego wyraza sie wzorem
F (x) =
∫ x
−∞f (t) dt .
W kazdym punkcie ciagłosci gestosci f (x) istnieje pochodna dystrybuanty F ′ (x) orazF ′ (x) = f (x).
7
Niezaleznosc zmiennych losowych
Definicja: Zmienne losowe X i Y nazywamy niezaleznymi, jezeli dla kazdego∗ A i B
P X ∈ A,Y ∈ B = P X ∈ AP Y ∈ B .
Twierdzenie: Zmienne losowe X , Y o rozkładach dyskretnych sa niezalezne wtedyi tylko wtedy, gdy zachodzi zwiazek
P X = x ,Y = y = P X = xP Y = y ,
dla wszystkich∗ wartosci x , y .
Twierdzenie3: Jezeli X i Y sa zmiennymi losowymi o rozkładach ciagłychz gestosciami prawdopodobienstwa odpowiednio fX () i fY (), to zmienne te saniezalezne wtedy i tylko wtedy, gdy
fXY (x , y) = fX (x) fY (y) .
Twierdzenie4: Rozkład sumy niezaleznych zmiennych losowych o rozkładach ciagłychjest zmienna losowa o rozkładzie ciagłym z gestoscia bedaca splotem gestosci.
3zob. np. [JS]4zob. np. [JS] str. 103
8
Niezaleznosc zmiennych losowych
Definicja: Zmienne losowe X i Y nazywamy niezaleznymi, jezeli dla kazdego∗ A i B
P X ∈ A,Y ∈ B = P X ∈ AP Y ∈ B .
Twierdzenie: Zmienne losowe X , Y o rozkładach dyskretnych sa niezalezne wtedyi tylko wtedy, gdy zachodzi zwiazek
P X = x ,Y = y = P X = xP Y = y ,
dla wszystkich∗ wartosci x , y .
Twierdzenie3: Jezeli X i Y sa zmiennymi losowymi o rozkładach ciagłychz gestosciami prawdopodobienstwa odpowiednio fX () i fY (), to zmienne te saniezalezne wtedy i tylko wtedy, gdy
fXY (x , y) = fX (x) fY (y) .
Twierdzenie4: Rozkład sumy niezaleznych zmiennych losowych o rozkładach ciagłychjest zmienna losowa o rozkładzie ciagłym z gestoscia bedaca splotem gestosci.
3zob. np. [JS]4zob. np. [JS] str. 103
8
Niezaleznosc zmiennych losowych
Definicja: Zmienne losowe X i Y nazywamy niezaleznymi, jezeli dla kazdego∗ A i B
P X ∈ A,Y ∈ B = P X ∈ AP Y ∈ B .
Twierdzenie: Zmienne losowe X , Y o rozkładach dyskretnych sa niezalezne wtedyi tylko wtedy, gdy zachodzi zwiazek
P X = x ,Y = y = P X = xP Y = y ,
dla wszystkich∗ wartosci x , y .
Twierdzenie3: Jezeli X i Y sa zmiennymi losowymi o rozkładach ciagłychz gestosciami prawdopodobienstwa odpowiednio fX () i fY (), to zmienne te saniezalezne wtedy i tylko wtedy, gdy
fXY (x , y) = fX (x) fY (y) .
Twierdzenie4: Rozkład sumy niezaleznych zmiennych losowych o rozkładach ciagłychjest zmienna losowa o rozkładzie ciagłym z gestoscia bedaca splotem gestosci.
3zob. np. [JS]4zob. np. [JS] str. 103
8
Niezaleznosc zmiennych losowych
Definicja: Zmienne losowe X i Y nazywamy niezaleznymi, jezeli dla kazdego∗ A i B
P X ∈ A,Y ∈ B = P X ∈ AP Y ∈ B .
Twierdzenie: Zmienne losowe X , Y o rozkładach dyskretnych sa niezalezne wtedyi tylko wtedy, gdy zachodzi zwiazek
P X = x ,Y = y = P X = xP Y = y ,
dla wszystkich∗ wartosci x , y .
Twierdzenie3: Jezeli X i Y sa zmiennymi losowymi o rozkładach ciagłychz gestosciami prawdopodobienstwa odpowiednio fX () i fY (), to zmienne te saniezalezne wtedy i tylko wtedy, gdy
fXY (x , y) = fX (x) fY (y) .
Twierdzenie4: Rozkład sumy niezaleznych zmiennych losowych o rozkładach ciagłychjest zmienna losowa o rozkładzie ciagłym z gestoscia bedaca splotem gestosci.
3zob. np. [JS]4zob. np. [JS] str. 103
8
Niezaleznosc zmiennych losowych
Przykład (niezalezne zm. los.): Załózmy, ze X i Y sa niezalezne i obie posiadajate sama gestosc prawdopodobienstwa
f (v) =
2v dla v ∈ [0, 1]
0 dla v /∈ [0, 1].
Wyznaczymy prawdopodobienstwo zdarzenia (X + Y 6 1).
Na mocy niezaleznosci zmiennych X i Y łaczna gestosc prawdopodobienstwa danajest wzorem
fXY (x , y) = f (x)f (y) =
4xy dla x ∈ [0, 1] , y ∈ [0, 1]
0 w przeciwnym przyp..
Mamy zatem
P X + Y 6 1 =
∫∫x+y61
fXY (x , y) dxdy
= 4∫ 1
0x
[∫ 1−x
0ydy
]dx
= 4∫ 1
0x
(1− x)2
2dx =
16.
9
Niezaleznosc zmiennych losowych
Przykład (niezalezne zm. los.): Załózmy, ze X i Y sa niezalezne i obie posiadajate sama gestosc prawdopodobienstwa
f (v) =
2v dla v ∈ [0, 1]
0 dla v /∈ [0, 1].
Wyznaczymy prawdopodobienstwo zdarzenia (X + Y 6 1).
Na mocy niezaleznosci zmiennych X i Y łaczna gestosc prawdopodobienstwa danajest wzorem
fXY (x , y) = f (x)f (y) =
4xy dla x ∈ [0, 1] , y ∈ [0, 1]
0 w przeciwnym przyp..
Mamy zatem
P X + Y 6 1 =
∫∫x+y61
fXY (x , y) dxdy
= 4∫ 1
0x
[∫ 1−x
0ydy
]dx
= 4∫ 1
0x
(1− x)2
2dx =
16.
9
Niezaleznosc zmiennych losowych
Przykład (niezalezne zm. los.): Załózmy, ze X i Y sa niezalezne i obie posiadajate sama gestosc prawdopodobienstwa
f (v) =
2v dla v ∈ [0, 1]
0 dla v /∈ [0, 1].
Wyznaczymy prawdopodobienstwo zdarzenia (X + Y 6 1).
Na mocy niezaleznosci zmiennych X i Y łaczna gestosc prawdopodobienstwa danajest wzorem
fXY (x , y) = f (x)f (y) =
4xy dla x ∈ [0, 1] , y ∈ [0, 1]
0 w przeciwnym przyp..
Mamy zatem
P X + Y 6 1 =
∫∫x+y61
fXY (x , y) dxdy
= 4∫ 1
0x
[∫ 1−x
0ydy
]dx
= 4∫ 1
0x
(1− x)2
2dx =
16.
9
Niezaleznosc zmiennych losowych
Przykład (niezalezne zm. los.): Załózmy, ze X i Y sa niezalezne i obie posiadajate sama gestosc prawdopodobienstwa
f (v) =
2v dla v ∈ [0, 1]
0 dla v /∈ [0, 1].
Wyznaczymy prawdopodobienstwo zdarzenia (X + Y 6 1).
Na mocy niezaleznosci zmiennych X i Y łaczna gestosc prawdopodobienstwa danajest wzorem
fXY (x , y) = f (x)f (y) =
4xy dla x ∈ [0, 1] , y ∈ [0, 1]
0 w przeciwnym przyp..
Mamy zatem
P X + Y 6 1 =
∫∫x+y61
fXY (x , y) dxdy
= 4∫ 1
0x
[∫ 1−x
0ydy
]dx
= 4∫ 1
0x
(1− x)2
2dx =
16.
9
Niezaleznosc zmiennych losowych
Przykład (niezalezne zm. los.): Załózmy, ze X i Y sa niezalezne i obie posiadajate sama gestosc prawdopodobienstwa
f (v) =
2v dla v ∈ [0, 1]
0 dla v /∈ [0, 1].
Wyznaczymy prawdopodobienstwo zdarzenia (X + Y 6 1).
Na mocy niezaleznosci zmiennych X i Y łaczna gestosc prawdopodobienstwa danajest wzorem
fXY (x , y) = f (x)f (y) =
4xy dla x ∈ [0, 1] , y ∈ [0, 1]
0 w przeciwnym przyp..
Mamy zatem
P X + Y 6 1 =
∫∫x+y61
fXY (x , y) dxdy
= 4∫ 1
0x
[∫ 1−x
0ydy
]dx
= 4∫ 1
0x
(1− x)2
2dx =
16.
9
Wartosc oczekiwana
Wartosc oczekiwana5
Zmienna losowa dyskretna: Zmienna losowa ciagła:
E X =∑
ipi xi E X =
∫ ∞−∞
xf (x) dx
Własnosci operatora wartosci oczekiwanej:
1. Niech X i Y beda zmiennymi losowymi (zaleznymi lub niezaleznymi).Wtedy E X + Y = E X+ E Y.
2. Niech X bedzie zmienna losowa oraz a ∈ R bedzie pewna stała.Wtedy E aX = aE X.
3. Jezeli zmienne losowe X i Y sa niezalezne, to E XY = E XE Y.
4. Jezeli X jest zmienna losowa typu ciagłego z gestoscia prawd. f (x) oraz g () jestpewna∗ funkcja, to E g (X) =
∫∞−∞ g (x) f (x) dx .
5. Jezeli P X = c = 1, to E X = c.
6. Jezeli P X 6 Y = 1, to E X 6 E Y.
5Nie dyskutujemy tu warunków istnienia wartosci oczekiwanej zm. los.
10
Wartosc oczekiwana
Wartosc oczekiwana5
Zmienna losowa dyskretna: Zmienna losowa ciagła:
E X =∑
ipi xi E X =
∫ ∞−∞
xf (x) dx
Własnosci operatora wartosci oczekiwanej:
1. Niech X i Y beda zmiennymi losowymi (zaleznymi lub niezaleznymi).Wtedy E X + Y = E X+ E Y.
2. Niech X bedzie zmienna losowa oraz a ∈ R bedzie pewna stała.Wtedy E aX = aE X.
3. Jezeli zmienne losowe X i Y sa niezalezne, to E XY = E XE Y.
4. Jezeli X jest zmienna losowa typu ciagłego z gestoscia prawd. f (x) oraz g () jestpewna∗ funkcja, to E g (X) =
∫∞−∞ g (x) f (x) dx .
5. Jezeli P X = c = 1, to E X = c.
6. Jezeli P X 6 Y = 1, to E X 6 E Y.
5Nie dyskutujemy tu warunków istnienia wartosci oczekiwanej zm. los.
10
Wartosc oczekiwana
Wartosc oczekiwana5
Zmienna losowa dyskretna: Zmienna losowa ciagła:
E X =∑
ipi xi E X =
∫ ∞−∞
xf (x) dx
Własnosci operatora wartosci oczekiwanej:
1. Niech X i Y beda zmiennymi losowymi (zaleznymi lub niezaleznymi).Wtedy E X + Y = E X+ E Y.
2. Niech X bedzie zmienna losowa oraz a ∈ R bedzie pewna stała.Wtedy E aX = aE X.
3. Jezeli zmienne losowe X i Y sa niezalezne, to E XY = E XE Y.
4. Jezeli X jest zmienna losowa typu ciagłego z gestoscia prawd. f (x) oraz g () jestpewna∗ funkcja, to E g (X) =
∫∞−∞ g (x) f (x) dx .
5. Jezeli P X = c = 1, to E X = c.
6. Jezeli P X 6 Y = 1, to E X 6 E Y.
5Nie dyskutujemy tu warunków istnienia wartosci oczekiwanej zm. los.
10
Wartosc oczekiwana
Wartosc oczekiwana5
Zmienna losowa dyskretna: Zmienna losowa ciagła:
E X =∑
ipi xi E X =
∫ ∞−∞
xf (x) dx
Własnosci operatora wartosci oczekiwanej:
1. Niech X i Y beda zmiennymi losowymi (zaleznymi lub niezaleznymi).Wtedy E X + Y = E X+ E Y.
2. Niech X bedzie zmienna losowa oraz a ∈ R bedzie pewna stała.Wtedy E aX = aE X.
3. Jezeli zmienne losowe X i Y sa niezalezne, to E XY = E XE Y.
4. Jezeli X jest zmienna losowa typu ciagłego z gestoscia prawd. f (x) oraz g () jestpewna∗ funkcja, to E g (X) =
∫∞−∞ g (x) f (x) dx .
5. Jezeli P X = c = 1, to E X = c.
6. Jezeli P X 6 Y = 1, to E X 6 E Y.
5Nie dyskutujemy tu warunków istnienia wartosci oczekiwanej zm. los.
10
Wartosc oczekiwana
Wartosc oczekiwana5
Zmienna losowa dyskretna: Zmienna losowa ciagła:
E X =∑
ipi xi E X =
∫ ∞−∞
xf (x) dx
Własnosci operatora wartosci oczekiwanej:
1. Niech X i Y beda zmiennymi losowymi (zaleznymi lub niezaleznymi).Wtedy E X + Y = E X+ E Y.
2. Niech X bedzie zmienna losowa oraz a ∈ R bedzie pewna stała.Wtedy E aX = aE X.
3. Jezeli zmienne losowe X i Y sa niezalezne, to E XY = E XE Y.
4. Jezeli X jest zmienna losowa typu ciagłego z gestoscia prawd. f (x) oraz g () jestpewna∗ funkcja, to E g (X) =
∫∞−∞ g (x) f (x) dx .
5. Jezeli P X = c = 1, to E X = c.
6. Jezeli P X 6 Y = 1, to E X 6 E Y.
5Nie dyskutujemy tu warunków istnienia wartosci oczekiwanej zm. los.
10
Wartosc oczekiwana
Wartosc oczekiwana5
Zmienna losowa dyskretna: Zmienna losowa ciagła:
E X =∑
ipi xi E X =
∫ ∞−∞
xf (x) dx
Własnosci operatora wartosci oczekiwanej:
1. Niech X i Y beda zmiennymi losowymi (zaleznymi lub niezaleznymi).Wtedy E X + Y = E X+ E Y.
2. Niech X bedzie zmienna losowa oraz a ∈ R bedzie pewna stała.Wtedy E aX = aE X.
3. Jezeli zmienne losowe X i Y sa niezalezne, to E XY = E XE Y.
4. Jezeli X jest zmienna losowa typu ciagłego z gestoscia prawd. f (x) oraz g () jestpewna∗ funkcja, to E g (X) =
∫∞−∞ g (x) f (x) dx .
5. Jezeli P X = c = 1, to E X = c.
6. Jezeli P X 6 Y = 1, to E X 6 E Y.
5Nie dyskutujemy tu warunków istnienia wartosci oczekiwanej zm. los.
10
Wartosc oczekiwana
Wartosc oczekiwana5
Zmienna losowa dyskretna: Zmienna losowa ciagła:
E X =∑
ipi xi E X =
∫ ∞−∞
xf (x) dx
Własnosci operatora wartosci oczekiwanej:
1. Niech X i Y beda zmiennymi losowymi (zaleznymi lub niezaleznymi).Wtedy E X + Y = E X+ E Y.
2. Niech X bedzie zmienna losowa oraz a ∈ R bedzie pewna stała.Wtedy E aX = aE X.
3. Jezeli zmienne losowe X i Y sa niezalezne, to E XY = E XE Y.
4. Jezeli X jest zmienna losowa typu ciagłego z gestoscia prawd. f (x) oraz g () jestpewna∗ funkcja, to E g (X) =
∫∞−∞ g (x) f (x) dx .
5. Jezeli P X = c = 1, to E X = c.
6. Jezeli P X 6 Y = 1, to E X 6 E Y.
5Nie dyskutujemy tu warunków istnienia wartosci oczekiwanej zm. los.
10
Wariancja i kowariancja
Wariancja
Wariancja zmiennej losowej X o wartosci oczekiwanej E X nazywamy liczbe
Var X = E X − E X2 .
Własnosci wariancji (przy zał. istnienia):
1. Var X > 0.
2. Var X = E
X 2− (E X)2.
3. Niech a bedzie pewna stała. Wtedy Var X + a = Var X oraz Var a = 0.
4. Niech a bedzie pewna stała. Wtedy Var aX = a2Var X.5. Jezeli zmienne loswe X i Y sa niezalezne, to Var X + Y = Var X+ Var Y.
Kowariancja
Kowariancja zmiennych losowych X i Y (spełniajacych warunek E |XY | <∞)nazywamy wielkosc
cov X ,Y = E(X − EX) (Y − EY). (1)
11
Wariancja i kowariancja
Wariancja
Wariancja zmiennej losowej X o wartosci oczekiwanej E X nazywamy liczbe
Var X = E X − E X2 .
Własnosci wariancji (przy zał. istnienia):
1. Var X > 0.
2. Var X = E
X 2− (E X)2.
3. Niech a bedzie pewna stała. Wtedy Var X + a = Var X oraz Var a = 0.
4. Niech a bedzie pewna stała. Wtedy Var aX = a2Var X.5. Jezeli zmienne loswe X i Y sa niezalezne, to Var X + Y = Var X+ Var Y.
Kowariancja
Kowariancja zmiennych losowych X i Y (spełniajacych warunek E |XY | <∞)nazywamy wielkosc
cov X ,Y = E(X − EX) (Y − EY). (1)
11
Wariancja i kowariancja
Wariancja
Wariancja zmiennej losowej X o wartosci oczekiwanej E X nazywamy liczbe
Var X = E X − E X2 .
Własnosci wariancji (przy zał. istnienia):
1. Var X > 0.
2. Var X = E
X 2− (E X)2.
3. Niech a bedzie pewna stała. Wtedy Var X + a = Var X oraz Var a = 0.
4. Niech a bedzie pewna stała. Wtedy Var aX = a2Var X.5. Jezeli zmienne loswe X i Y sa niezalezne, to Var X + Y = Var X+ Var Y.
Kowariancja
Kowariancja zmiennych losowych X i Y (spełniajacych warunek E |XY | <∞)nazywamy wielkosc
cov X ,Y = E(X − EX) (Y − EY). (1)
11
Wariancja i kowariancja
Wariancja
Wariancja zmiennej losowej X o wartosci oczekiwanej E X nazywamy liczbe
Var X = E X − E X2 .
Własnosci wariancji (przy zał. istnienia):
1. Var X > 0.
2. Var X = E
X 2− (E X)2.
3. Niech a bedzie pewna stała. Wtedy Var X + a = Var X oraz Var a = 0.
4. Niech a bedzie pewna stała. Wtedy Var aX = a2Var X.5. Jezeli zmienne loswe X i Y sa niezalezne, to Var X + Y = Var X+ Var Y.
Kowariancja
Kowariancja zmiennych losowych X i Y (spełniajacych warunek E |XY | <∞)nazywamy wielkosc
cov X ,Y = E(X − EX) (Y − EY). (1)
11
Wariancja i kowariancja
Wariancja
Wariancja zmiennej losowej X o wartosci oczekiwanej E X nazywamy liczbe
Var X = E X − E X2 .
Własnosci wariancji (przy zał. istnienia):
1. Var X > 0.
2. Var X = E
X 2− (E X)2.
3. Niech a bedzie pewna stała. Wtedy Var X + a = Var X oraz Var a = 0.
4. Niech a bedzie pewna stała. Wtedy Var aX = a2Var X.
5. Jezeli zmienne loswe X i Y sa niezalezne, to Var X + Y = Var X+ Var Y.
Kowariancja
Kowariancja zmiennych losowych X i Y (spełniajacych warunek E |XY | <∞)nazywamy wielkosc
cov X ,Y = E(X − EX) (Y − EY). (1)
11
Wariancja i kowariancja
Wariancja
Wariancja zmiennej losowej X o wartosci oczekiwanej E X nazywamy liczbe
Var X = E X − E X2 .
Własnosci wariancji (przy zał. istnienia):
1. Var X > 0.
2. Var X = E
X 2− (E X)2.
3. Niech a bedzie pewna stała. Wtedy Var X + a = Var X oraz Var a = 0.
4. Niech a bedzie pewna stała. Wtedy Var aX = a2Var X.5. Jezeli zmienne loswe X i Y sa niezalezne, to Var X + Y = Var X+ Var Y.
Kowariancja
Kowariancja zmiennych losowych X i Y (spełniajacych warunek E |XY | <∞)nazywamy wielkosc
cov X ,Y = E(X − EX) (Y − EY). (1)
11
Wariancja i kowariancja
Wariancja
Wariancja zmiennej losowej X o wartosci oczekiwanej E X nazywamy liczbe
Var X = E X − E X2 .
Własnosci wariancji (przy zał. istnienia):
1. Var X > 0.
2. Var X = E
X 2− (E X)2.
3. Niech a bedzie pewna stała. Wtedy Var X + a = Var X oraz Var a = 0.
4. Niech a bedzie pewna stała. Wtedy Var aX = a2Var X.5. Jezeli zmienne loswe X i Y sa niezalezne, to Var X + Y = Var X+ Var Y.
Kowariancja
Kowariancja zmiennych losowych X i Y (spełniajacych warunek E |XY | <∞)nazywamy wielkosc
cov X ,Y = E(X − EX) (Y − EY). (1)
11
Kowariancja i korelacja
Korelacja
Korelacja zmiennych losowych X i Y nazywamy wielkosc
corr X ,Y =cov X ,Y√
Var XVar Y
(2)
(o ile Var X > 0 i Var Y > 0).
Własnosci kowariancji i korelacji:
1. Jezeli cov X ,Y = 0, to zmienne losowe X ,Y nazywamy nieskorelowanymi.2. Kowariancja dwóch zmiennych losowych niezaleznych jest równa 0.
Uwaga: twierdzenie odwrotne jest nieprawdziwe!3. Zachodza nierównosci
−1 6 corr X ,Y 6 1. (3)
4. Warunkiem koniecznym i wystarczajacym na to, aby zachodził zwiazek
P Y = aX + b = 1 (4)
jest równosc (corr X ,Y)2 = 1.5. Wartosc bezwzgledna wsp. korelacji corr X ,Y jest niezmiennikiem
przekształcen liniowych (afinicznych), tzn.
|corr aX + b, cY + d| = |corr X ,Y| , (5)
dla kazdego a 6= 0, c 6= 0 i kazdego b, d ∈ R.
12
Kowariancja i korelacja
Korelacja
Korelacja zmiennych losowych X i Y nazywamy wielkosc
corr X ,Y =cov X ,Y√
Var XVar Y(2)
(o ile Var X > 0 i Var Y > 0).
Własnosci kowariancji i korelacji:
1. Jezeli cov X ,Y = 0, to zmienne losowe X ,Y nazywamy nieskorelowanymi.2. Kowariancja dwóch zmiennych losowych niezaleznych jest równa 0.
Uwaga: twierdzenie odwrotne jest nieprawdziwe!3. Zachodza nierównosci
−1 6 corr X ,Y 6 1. (3)
4. Warunkiem koniecznym i wystarczajacym na to, aby zachodził zwiazek
P Y = aX + b = 1 (4)
jest równosc (corr X ,Y)2 = 1.5. Wartosc bezwzgledna wsp. korelacji corr X ,Y jest niezmiennikiem
przekształcen liniowych (afinicznych), tzn.
|corr aX + b, cY + d| = |corr X ,Y| , (5)
dla kazdego a 6= 0, c 6= 0 i kazdego b, d ∈ R.
12
Kowariancja i korelacja
Korelacja
Korelacja zmiennych losowych X i Y nazywamy wielkosc
corr X ,Y =cov X ,Y√
Var XVar Y(2)
(o ile Var X > 0 i Var Y > 0).
Własnosci kowariancji i korelacji:
1. Jezeli cov X ,Y = 0, to zmienne losowe X ,Y nazywamy nieskorelowanymi.
2. Kowariancja dwóch zmiennych losowych niezaleznych jest równa 0.Uwaga: twierdzenie odwrotne jest nieprawdziwe!
3. Zachodza nierównosci−1 6 corr X ,Y 6 1. (3)
4. Warunkiem koniecznym i wystarczajacym na to, aby zachodził zwiazek
P Y = aX + b = 1 (4)
jest równosc (corr X ,Y)2 = 1.5. Wartosc bezwzgledna wsp. korelacji corr X ,Y jest niezmiennikiem
przekształcen liniowych (afinicznych), tzn.
|corr aX + b, cY + d| = |corr X ,Y| , (5)
dla kazdego a 6= 0, c 6= 0 i kazdego b, d ∈ R.
12
Kowariancja i korelacja
Korelacja
Korelacja zmiennych losowych X i Y nazywamy wielkosc
corr X ,Y =cov X ,Y√
Var XVar Y(2)
(o ile Var X > 0 i Var Y > 0).
Własnosci kowariancji i korelacji:
1. Jezeli cov X ,Y = 0, to zmienne losowe X ,Y nazywamy nieskorelowanymi.2. Kowariancja dwóch zmiennych losowych niezaleznych jest równa 0.
Uwaga: twierdzenie odwrotne jest nieprawdziwe!
3. Zachodza nierównosci−1 6 corr X ,Y 6 1. (3)
4. Warunkiem koniecznym i wystarczajacym na to, aby zachodził zwiazek
P Y = aX + b = 1 (4)
jest równosc (corr X ,Y)2 = 1.5. Wartosc bezwzgledna wsp. korelacji corr X ,Y jest niezmiennikiem
przekształcen liniowych (afinicznych), tzn.
|corr aX + b, cY + d| = |corr X ,Y| , (5)
dla kazdego a 6= 0, c 6= 0 i kazdego b, d ∈ R.
12
Kowariancja i korelacja
Korelacja
Korelacja zmiennych losowych X i Y nazywamy wielkosc
corr X ,Y =cov X ,Y√
Var XVar Y(2)
(o ile Var X > 0 i Var Y > 0).
Własnosci kowariancji i korelacji:
1. Jezeli cov X ,Y = 0, to zmienne losowe X ,Y nazywamy nieskorelowanymi.2. Kowariancja dwóch zmiennych losowych niezaleznych jest równa 0.
Uwaga: twierdzenie odwrotne jest nieprawdziwe!3. Zachodza nierównosci
−1 6 corr X ,Y 6 1.
(3)
4. Warunkiem koniecznym i wystarczajacym na to, aby zachodził zwiazek
P Y = aX + b = 1 (4)
jest równosc (corr X ,Y)2 = 1.5. Wartosc bezwzgledna wsp. korelacji corr X ,Y jest niezmiennikiem
przekształcen liniowych (afinicznych), tzn.
|corr aX + b, cY + d| = |corr X ,Y| , (5)
dla kazdego a 6= 0, c 6= 0 i kazdego b, d ∈ R.
12
Kowariancja i korelacja
Korelacja
Korelacja zmiennych losowych X i Y nazywamy wielkosc
corr X ,Y =cov X ,Y√
Var XVar Y(2)
(o ile Var X > 0 i Var Y > 0).
Własnosci kowariancji i korelacji:
1. Jezeli cov X ,Y = 0, to zmienne losowe X ,Y nazywamy nieskorelowanymi.2. Kowariancja dwóch zmiennych losowych niezaleznych jest równa 0.
Uwaga: twierdzenie odwrotne jest nieprawdziwe!3. Zachodza nierównosci
−1 6 corr X ,Y 6 1. (3)
4. Warunkiem koniecznym i wystarczajacym na to, aby zachodził zwiazek
P Y = aX + b = 1 (4)
jest równosc (corr X ,Y)2 = 1.
5. Wartosc bezwzgledna wsp. korelacji corr X ,Y jest niezmiennikiemprzekształcen liniowych (afinicznych), tzn.
|corr aX + b, cY + d| = |corr X ,Y| , (5)
dla kazdego a 6= 0, c 6= 0 i kazdego b, d ∈ R.
12
Kowariancja i korelacja
Korelacja
Korelacja zmiennych losowych X i Y nazywamy wielkosc
corr X ,Y =cov X ,Y√
Var XVar Y(2)
(o ile Var X > 0 i Var Y > 0).
Własnosci kowariancji i korelacji:
1. Jezeli cov X ,Y = 0, to zmienne losowe X ,Y nazywamy nieskorelowanymi.2. Kowariancja dwóch zmiennych losowych niezaleznych jest równa 0.
Uwaga: twierdzenie odwrotne jest nieprawdziwe!3. Zachodza nierównosci
−1 6 corr X ,Y 6 1. (3)
4. Warunkiem koniecznym i wystarczajacym na to, aby zachodził zwiazek
P Y = aX + b = 1 (4)
jest równosc (corr X ,Y)2 = 1.5. Wartosc bezwzgledna wsp. korelacji corr X ,Y jest niezmiennikiem
przekształcen liniowych (afinicznych), tzn.
|corr aX + b, cY + d| = |corr X ,Y| , (5)
dla kazdego a 6= 0, c 6= 0 i kazdego b, d ∈ R. 12
Mediana
Mediana
Mediana zmiennej losowej X nazywamy liczbe me, taka ze
P X 6 me >12
oraz P X > me >12
(6)
Zgodnie z definicja, dla zmiennej losowej typu ciagłego o gestosci f (), medianemozemy wyznaczyc ze wzoru ∫ me
−∞f (x) dx =
12.
Przykład (mediana rozkładu wykładniczego): Dla zmiennej losowej o gestoscif (x) = λe−λx , x > 0 mamy∫ me
0λe−λx dx =
[−e−λx
]me
x=0= 1− e−λme .
Zatem z równania1− e−λme =
12
wynika, ze
me =1λ
ln 2.
13
Mediana
Mediana
Mediana zmiennej losowej X nazywamy liczbe me, taka ze
P X 6 me >12
oraz P X > me >12
(6)
Zgodnie z definicja, dla zmiennej losowej typu ciagłego o gestosci f (), medianemozemy wyznaczyc ze wzoru ∫ me
−∞f (x) dx =
12.
Przykład (mediana rozkładu wykładniczego): Dla zmiennej losowej o gestoscif (x) = λe−λx , x > 0 mamy∫ me
0λe−λx dx =
[−e−λx
]me
x=0= 1− e−λme .
Zatem z równania1− e−λme =
12
wynika, ze
me =1λ
ln 2.
13
Mediana
Mediana
Mediana zmiennej losowej X nazywamy liczbe me, taka ze
P X 6 me >12
oraz P X > me >12
(6)
Zgodnie z definicja, dla zmiennej losowej typu ciagłego o gestosci f (), medianemozemy wyznaczyc ze wzoru ∫ me
−∞f (x) dx =
12.
Przykład (mediana rozkładu wykładniczego): Dla zmiennej losowej o gestoscif (x) = λe−λx , x > 0 mamy∫ me
0λe−λx dx =
[−e−λx
]me
x=0= 1− e−λme .
Zatem z równania1− e−λme =
12
wynika, ze
me =1λ
ln 2.
13
Mediana
Mediana
Mediana zmiennej losowej X nazywamy liczbe me, taka ze
P X 6 me >12
oraz P X > me >12
(6)
Zgodnie z definicja, dla zmiennej losowej typu ciagłego o gestosci f (), medianemozemy wyznaczyc ze wzoru ∫ me
−∞f (x) dx =
12.
Przykład (mediana rozkładu wykładniczego): Dla zmiennej losowej o gestoscif (x) = λe−λx , x > 0 mamy∫ me
0λe−λx dx =
[−e−λx
]me
x=0= 1− e−λme .
Zatem z równania1− e−λme =
12
wynika, ze
me =1λ
ln 2.13