3. Náhodná veličina
V předchozích kapitolách jste se seznámili s kombinatorikou a pravděpodobností jevů. Tyto znalosti použijeme v této kapitole, zavedeme
pojem náhodná veličina, funkce, které náhodnou veličinu popisují, a číselné charakteristiky náhodné veličiny.
Pojmy z pravděpodobnosti, derivace, integrál.
Cílem této kapitoly je objasnit pojmy náhodná veličina, pravděpodobnostní funkce, hustota pravděpodobnosti,
distribuční funkce, střední hodnota, rozptyl, koeficient šikmosti, koeficient špičatosti, p-kvantil, medián, modus.
3.1. Náhodná veličina
Výsledky některých pokusů (elementární jevy) jsou přímo vyjádřeny číselně (padne 1), u jiných tomu tak není (padne líc).
Také u těchto pokusů je účelné přiřadit elementárním jevům čísla.
Čísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
Definice 3.1.1.
Náhodná veličina X je reálná funkce definovaná na množině všech elementárních jevů, která každému jevu přiřadí reálné číslo.
Např.:
Hod mincí
Podle oboru hodnot
M rozdělujeme náhodné veličiny na:
- diskrétní . . . obor hodnot M je konečná nebo nekonečná posloupnost
- spojité . . . obor hodnot M je otevřený nebo uzavřený interval
3.2. Diskrétní náhodná veličina
3.2.1. Pravděpodobnostní funkce
Nechť X je diskrétní náhodná veličina s oborem možných hodnot {x1, x2, ..., xn},
která tyto hodnoty nabývá s pravděpodobností {p1, p2, ..., pn}.
Údaje sestavíme do tabulky:
Každé hodnotě xi je přiřazena právě jedna hodnota pi a pravděpodobnostní tabulku lze tedy chápat jako tabulkové určení funkce,
kterou nazýváme pravděpodobnostní funkcí.
Definice 3.2.1.
Pravděpodobnostní funkcí náhodné veličiny X nazýváme funkci p(x) = P(X = x)
Poznámka
Funkční hodnota v xi představuje pravděpodobnost, že náhodná veličina X nabude hodnotu xi.
Vlastnosti pravděpodobnostní funkce:
a)
p(
xi) ≥ 0
b)
= 1
Poznámka
První vlastnost plyne přímo z definice pravděpodobnostní funkce. Druhé tvrzení plyne z toho, že náhodné veličině X je přiřazeno
číslo xi právě tehdy, když nastane jev s hodnotou xi (stručněji jev Xi).
Přitom jevy X1, X2, ..., Xn tvoří úplnou skupinu vzájemně disjunktních jevů, protože v jednom
pokusu nabývá náhodná veličina X právě jedné hodnoty z oboru M. Sečteme-li všechny možné výsledky pokusu, dostáváme jev jistý I
s pravděpodobností P(I) = 1.
3.2.2. Distribuční funkce diskrétní náhodné veličiny
Často nás nezajímá jen pravděpodobnost toho, že X nabude určitou hodnotu xi,
ale potřebujeme určit pravděpodobnost, se kterou X nabude hodnoty menší než jistá mez:
Definice 3.2.2.
Reálná funkce, která přiřazuje každé hodnotě
xi náhodné veličiny
X pravděpodobnost, že
X nabude hodnoty menší než toto
xi, se nazývá
distribuční funkce F(
x).
Je definována vztahem:
F(
x) =
P(
X <
x) =
Poznámka
Vlastnosti distribuční funkce budou souhrnně popsány u spojité náhodné veličiny.
Řešené úlohy
Příklad 3.2.1.
Hod kostkou.
Řešení:
Náhodná veličina
X je definována na množině elementárních jevů: padne 1, padne 2, ..., padne 6.
Obor hodnot
M jsou reálná čísla {1,2,...,6} přiřazená elementárním jevům
E1,
E2, ...,
E6 s pravděpodobností
{
p1,
p2, ...,
p6}, kde
pi =
.
Pravděpodobnostní funkce
p(
x) =
P(
X =
x) =
Příklad 3.2.2.
V osudí je 5 bílých a 7 červených míčků. Náhodná veličina X představuje počet bílých míčků mezi pěti vybranými.
Vytvořte pravděpodobnostní a distribuční funkci této náhodné veličiny.
Řešení:
Náhodná veličina
X nabývá hodnot {0,1,2,3,4,5}.
Z teorie pravděpodobnosti víme, že se jedná o opakované závislé pokusy. Můžeme tedy sestavit pravděpodobnostní funkci:
Dosazením do pravděpodobnostní funkce vytvoříme pravděpodobnostní tabulku:
Např.
Možnosti grafického znázornění:
Bodový graf:
Úsečkový diagram:
Histogram:
Tabulka pro distribuční funkci:
Graf:
3.3. Spojitá náhodná veličina
Také u spojité náhodné veličiny se užívá k jejímu popisu distribuční funkce F(x) definované stejně jako u diskrétní náhodné veličiny vztahem:
F(xi) = P(X < xi)
Vlastnosti F(x) (společné pro spojitou i diskrétní náhodnou veličinu):
- 0 ≤ F(x) ≤ 1
- P(x1 ≤ X < x2) = F(x2) - F(x1) pro x1 < x2
- F(x) je neklesající funkce
- F(- ∞) = 0, F(∞) = 1
- F(x) je zleva spojitá v bodech x = xi, i = 1,2,..., diskrétní náhodné veličiny a spojitá v ostatních bodech.
Vztah 2. je možné zapsat také: P(x ≤ X < x + h) = F(x + h) - F(x).
Pro h → 0 levá strana → P(X = x) a pravá → 0 (tedy P(X = x) = 0).
Proto nemá smysl definovat pro spojitou náhodnou veličinu pravděpodobnostní funkci p(x) = P(X = x).
Zavádíme tedy jinou funkci, která se nazývá hustota pravděpodobnosti:
Definice 3.3.1.
Hustota pravděpodobnosti náhodné veličiny X definované na intervalu
je nezáporná, reálná funkce definovaná vztahem:
,
kde pro
x je
f(
x) = 0;
x,
x+
h
Řešené úlohy
Příklad 3.3.1.
Náhodná veličina X je dána distribuční funkcí:
Určete
f(
x), znázorněte graficky
F(
x),
f(
x), vypočtěte
P(0,4 ≤
X < 1,6)
Řešení:
Hustotu pravděpodobnosti získáme zderivováním distribuční funkce:
Graf distribuční funkce:
Graf hustoty pravděpodobnosti:
P(0,4 ≤
X < 1,6) =
F(1,6) -
F(0,4) = 0,64 - 0,04 = 0,6
Příklad 3.3.2.
Hustota pravděpodobnosti náhodné veličiny
X má tvar:
Určete koeficient
a, distribuční funkci
F(
x) a
Řešení: Nejdříve určíme koeficient
a:
F(
x) je primitivní funkcí
f(
x). Jestliže integrujeme
f(
x), obdržíme:
Hodnoty konstant
C1,
C3 zjistíme z okrajových podmínek distribuční funkce:
F(- ∞) = 0,
F(∞) = 1.
Takže
C1 = 0,
C3 = 1.
Pro vypočtení konstanty
C2 využijeme spojitosti distribuční funkce. Víme, že:
Distribuční funkce má tedy tvar:
Výpočet hledané pravděpodobnosti:
Příklad 3.3.3.
Určete konstanty A, B tak, aby funkce F(x) = A + B.arctanx, definovaná pro všechna reálná čísla, byla distribuční funkcí rozložení náhodné veličiny.
Řešení:
Poznámka
Rozdělení určené distribuční funkcí z předchozího příkladu se nazývá Cauchyho rozdělení náhodné veličiny.
3.4. Číselné charakteristiky náhodné veličiny
Náhodná veličina X je jednoznačně určena rozdělením pravděpodobnosti pomocí pravděpodobnostní funkce nebo distribuční funkce (popř. hustoty pravděpodobnosti).
Tyto funkce jsou však často poměrně složité a jejich určení pracné. Proto je výhodné shrnout informace o náhodné veličině do několika čísel, které ji dostatečně charakterizují.
Tato čísla nazýváme číselné charakteristiky a dělíme je:
-
podle způsobu konstrukce na charakteristiky:
- momentové
- kvantilové
- ostatní
podle toho, které vlastnosti rozdělení pravděpodobnosti charakterizují na charakteristiky:
- polohy
- variability
- šikmosti
- špičatosti
¨
3.4.1. Momentové charakteristiky náhodné veličiny
Jsou konstruovány na základě počátečního momentu μk nebo centrálního momentu νk:
Definice 3.4.1.
Počáteční (obecný) moment k-tého stupně μk náhodné veličiny
X je střední hodnota
k-té mocniny náhodné veličiny:
Centrální moment k-tého stupně νk náhodné veličiny
X je:
,
kde
μ =
μ1 je počáteční moment 1. stupně náhodné veličiny
X.
Poznámka
Praktický význam mají čtyři momentové charakteristiky: μ1, ν2, ν3, ν4
- První počáteční moment μ1
představuje střední hodnotu náhodné veličiny X
Bývá označován: μ1 = E(X) = μ
tedy:
Pro střední hodnotu platí:
- E(c) = c , kde c je konstanta
- E(c.X) = c.E(X)
- E(X Y) = E(X) E(Y)
- E(X.Y) = E(X).E(Y), jsou-li X a Y nezávislé
- Druhý centrální moment ν2
představuje rozptyl (disperzi, varianci)
Označujeme: ν2 = D(X) = σ2
Pro rozptyl platí:
- D(c) = 0, kde c je konstanta
- D(c.X) = c2.D(X)
- D(X + Y) = D(X) + D(Y), jsou-li X a Y nezávislé
- . . . se nazývá směrodatná odchylka
Rozptyl a směrodatná odchylka charakterizují rozptýlenost hodnot náhodné veličiny X kolem střední hodnoty μ
Další dvě číselné charakteristiky jsou vyjádřeny pomocí normovaných momentů.
Normovaný moment r-tého stupně nr náhodné veličiny X je určen vztahem
,
v němž nr značí centrální moment r-tého stupně a sr je r-tá mocnina směrodatné odchylky náhodné veličiny X.
- Třetí centrální moment ν3
slouží k určení koeficientu asymetrie, který označujeme ν3 = A
, kde
Vyjadřuje, do jaké míry a na kterou stranu je rozložení zešikmeno, nebo jestli je symetrické:
A = 0:
zešikmení vlevo: A < 0
zešikmení vpravo: A > 0
- Čtvrtý centrální moment ν4
slouží k výpočtu koeficientu špičatosti (excesu), který značíme e
, kde
Informuje o koncentrovanosti hodnot dané veličiny kolem její střední hodnoty.
Výpočet centrálních momentů lze provádět podle výše uvedeného a nebo s využitím vztahů mezi
μk a
νk:
- ν2 = μ2 - μ12
- ν3 = μ3 - 3μ2μ1 + 2μ13
- ν4 = μ4 - 4μ3μ1 + 6μ2μ12 - 3μ14
Řešené úlohy
Příklad 3.4.1.
Náhodná veličina X je dána tabulkou:
Určete její číselné charakteristiky
Řešení:
p4 = 1 - (
p1 +
p2 +
p3) = 0,2
Další charakteristiky vypočteme pomocí následující tabulky:
xi | 1 | 2 | 3 | 4 | Σ |
pi | 0,3 | 0,1 | 0,4 | 0,2 | - |
xi.p(xi) | 0,3 | 0,2 | 1,2 | 0,8 | 2,5 |
xi2.p(xi) | 0,3 | 0,4 | 3,6 | 3,2 | 7,5 |
xi3.p(xi) | 0,3 | 0,8 | 10,8 | 12,8 | 24,7 |
xi4.p(xi) | 0,3 | 1,6 | 32,4 | 51,2 | 85,5 |
Tedy:
Příklad 3.4.2.
Náhodná veličina
X má hustotu pravděpodobnosti:
Určete její číselné charakteristiky
3.4.2. Kvantilové charakteristiky náhodné veličiny
- jsou obvykle odvozeny pomocí distribuční funkce F(x)
- jsou určovány pro spojitou náhodnou veličinu, pro diskrétní náhodnou veličinu nebývá jejich určení jednoznačné
Definice 3.4.2.
Nechť
F(
x) je distribuční funkce spojité náhodné veličiny
X. Pak hodnota
xp,
pro kterou platí
F(
xp) =
p, kde
, se nazývá
p-kvantil
p-kvantil dělí plochu pod grafem hustoty pravděpodobnosti v poměru
p:(1-
p)
Nejužívanější kvantily:
- kvartily: x0,25, x0,50, x0,75
- rozdělí obor možných hodnot na čtyři části, v nichž se náhodná veličina nachází s pravděpodobností 0,25
- decily: x0,1, x0,2, ..., x0,9
- rozdělí obor možných hodnot na deset částí se stejnou pravděpodobností výskytu
- percentily: x0,01, x0,02, ..., x0,99
- rozdělí obor možných hodnot na sto částí se stejnou pravděpodobností výskytu
x0,5 =
Me . . .
medián: dělí plochu pod křivkou hustoty pravděpodobnosti na dvě stejné části
Řešené úlohy
Příklad 3.4.3.
Určete první decil
x0,1 a třetí kvartil
x0,75 pro
Modus: Mo - je hodnota, v níž nabývá frekvenční funkce maxima:
- u diskrétní náhodné veličiny je to hodnota, v níž pravděpodobnostní funkce p(xi) dosahuje maxima
- u spojité náhodné veličiny je to hodnota, v níž hustota pravděpodobnosti f(x) nabývá lokálního maxima
Řešené úlohy
Příklad 3.4.4.
Náhodná veličina
X má hustotu pravděpodobnosti:
.
Určete modus.
Řešení:
Modus je hodnota, v níž frekvenční funkce (v našem případě hustota pravděpodobnosti) nabývá maxima. Maximum funkce vypočteme pomocí první derivace:
První derivace položíme rovnu nule:
Tato rovnice má dvě řešení:
x = 0 ... toto řešení není přípustné, nula neleží v definičním oboru
x = 2 ... lehce ověříme, že se skutečně jedná o maximum
Mo = 2
3.4.3. Shrnutí
- Charakteristiky polohy
E(X), Me, Mo, kvantily. Určují jakýsi "střed", kolem něhož kolísají hodnoty náhodné veličiny X.
- Charakteristiky variability
D(X), σ, ... . Ukazují rozptýlenost hodnot náhodné veličiny kolem střední hodnoty
- Charakteristiky šikmosti a špičatosti
Charakterizují průběh rozdělení náhodné veličiny X