Sztochasztikus modellezés
Szerzı: Dr. Raisz Péter
Dr. Fegyverneki Sándor
Lektor: Dr. Kálovics Ferenc
Tartalomjegyzék
1. Valószínűség-számítási alapok 5
1.1. Eseménytér, műveletek eseményekkel . . . 5
1.2. A valószínűség fogalma . . . 6
1.3. Klasszikus valószínűségi mező . . . 7
1.4. Geometriai valószínűségi mező . . . 9
1.5. Feltételes valószínűség, függetlenség . . . 10
1.6. A relatív gyakoriság . . . 13
1.7. Valószínűségi változó . . . 14
1.8. Várható érték, transzformáció . . . 17
1.9. Medián, kvantilis . . . 20
1.10. Néhány diszkrét eloszlás és jellemzői . . . 21
1.11. Néhány folytonos eloszlás és jellemzői . . . 23
1.12. Generátor-, karakterisztikus függvény . . . 31
1.13. A kétdimenziós véletlen vektor . . . 34
1.14. Néhány többdimenziós folytonos eloszlás és jellemzői . . . 38
1.15. Az n-dimenziós véletlen vektor . . . 39
1.16. Valószínűségi változók összege . . . 40
1.17. Egyenlőtlenségek . . . 43
1.18. Nagy számok gyenge törvényei . . . 46
1.19. Polinomiális eloszlás . . . 46
1.20. Transzformáció n-dimenzióban . . . 47
1.21. Centrális határeloszlás-tétel . . . 49
1.22. Vegyes valószínűség-számítási feladatok . . . 49
2. Matematikai statisztikai alapok 55
2.1. Minta, mintavétel . . . 55
2.2. A statisztikai minta jellemzői . . . 57
2.3. Rendezett minták . . . 58
2.3.1. Minimumok és maximumok eloszlása . . . 59
2.3.2. Rendezett mintaelemek eloszlása . . . 60
2.4. Becsléselmélet . . . 64
2.4.1. Pontbecslés . . . 65
2.4.2. Maximum likelihood becslés . . . 67
2.4.3. A momentumok módszere . . . 70
2.4.4. Intervallumbecslések . . . 70
2.5. Hipotézisvizsgálat . . . 74
2.5.1. A likelihood hányados próba . . . 76
2.5.2. Néhány általánosított likelihood hányados próba . . . . 79
2.5.3. A Pearson-féleχ2 statisztika és alkalmazásai . . . 83
2.6. Rendezett mintás próbák . . . 86
2.6.1. Az előjelpróba . . . 88
2.6.2. A Wilcoxon próba . . . 90
2.6.3. A Kolmogorov-Szmirnov kétmintás próba . . . 91
2.6.4. A Kolmogorov-próba . . . 92
2.6.5. Azω2-próba . . . 93
2.7. Minta példák . . . 95
2.8. Vegyes matematikai statisztikai feladatok . . . 100
3. Többdimenziós normális eloszlás 103 3.1. Többváltozós normális eloszlás fogalma . . . 103
3.1.1. Többváltozós elemzések . . . 104
3.1.2. Elemi tulajdonságok . . . 105
3.1.3. Jellemzők . . . 106
3.2. A paraméterek becslése . . . 107
3.3. Hipotézis vizsgálat, konfidencia intervallum . . . 110
3.4. Normalitás vizsgálat . . . 112
3.4.1. Perem normalitás vizsgálat . . . 113
3.4.2. Egydimenziós vizsgálaton alapuló módszerek . . . 113
3.4.3. Együttes normalitás vizsgálat . . . 114
3.5. Példák . . . 115
3.5.1. Kétváltozós normális eloszlás . . . 115
3.5.2. T2 próba . . . 116
3.5.3. Konfidencia intervallum meghatározása . . . 117
4. Feltételes várható érték, folyamatok 119 4.1. Bevezetés . . . 119
4.2. Feltételes várható érték . . . 122
4.3. A feltételes várható érték tulajdonságai . . . 124
4.4. Martingál . . . 126
4.5. Sztochasztikus folyamatok . . . 131
4.6. Stacionárius folyamatok . . . 132
5. Markov-láncok, folyamatok 138 5.1. Markov-láncok . . . 138
5.2. Állapotok osztályozása . . . 146
6. Sorbanálláselmélet 155 6.1. Poisson folyamat . . . 155
6.2. Születési-halálozási folyamatok . . . 160
6.3. A sorbanállási elmélet elemei . . . 164
6.4. M/M/1 sorbanállási-kiszolgálási rendszer . . . 167
6.4.1. A várakozási idők paradoxona . . . 171
6.5. Az M/M/1/K rendszer . . . 172
7. Készletgazdálkodási modellek, véletlen ütemezés 175 7.1. Bevezetés . . . 175
7.2. Determinisztikus készletgazdálkodási modellek . . . 176
7.2.1. Az optimális tételnagyság modellje . . . 176
7.3. Sztochasztikus készletgazdálkodási modellek . . . 178
7.3.1. Megbízhatósági típusú sztochasztikus készletmodell . . 178
7.3.2. Véletlen ütemezésű rész-szállítmányok esete . . . 179
8. A szimuláció alapjai 182 8.1. Monte Carlo módszerek . . . 182
8.2. Pszeudovéletlen számok . . . 183
8.2.1. Inverzfüggvény módszer . . . 184
8.2.2. Az elfogadás-elvetés módszere . . . 184
8.2.3. Normális eloszlás generálása . . . 186
8.3. A Brown-mozgás . . . 187
8.4. A közelítő integrálás hibája . . . 188
9. Alkalmazások 193 9.1. Geometriai Brown-mozgás . . . 193
9.2. Cox-regresszió . . . 196
Irodalomjegyzék 208
1. fejezet
Valószínűség-számítási alapok
1.1. Eseménytér, műveletek eseményekkel
1.1. Definíció. Egy véletlen kísérlet lehetséges eredményeinek összességét eseménytérnek (mintatér) nevezzük. Jele: Ω. Az Ω elemeit elemi esemé- nyeknek nevezzük.
1.2. Definíció. AzΩrészhalmazainak egyFrendszerétσ-algebrának nevez- zük, ha
(1)Ω∈ F,
(2)A∈ F,akkor A∈ F,
(3)A, B ∈ F,akkor A∪B∈ F,
(4)A1, A2,· · · ∈ F,akkor A1∪A2∪ · · · ∈ F. Az F elemeit pedigeseményeknek nevezzük.
1.3. Megjegyzés. Ha csak (1), (2), (3) teljesül, akkor azF halmazrendszert algebrának nevezzük. Ha A, B ∈ F, akkor A∩B ∈ F.
1.4. Definíció. AzΩhalmazt szokásbiztos eseménynek, az∅halmazt pedig lehetetlen eseménynek nevezni. Továbbá, az A esemény bekövetkezik, ha a kísérlet eredménye eleme azA halmaznak.
1.5. Megjegyzés. Az A∪B esemény bekövetkezik, ha legalább az egyik közülük bekövetkezik, míg azA∩B esemény akkor következik be, ha mind a kettő bekövetkezik.
1.2. A valószínűség fogalma
1.6. Definíció. AP :F →Rnemnegatív leképezéstvalószínűségnek nevez- zük, ha
(1)P(Ω) = 1,
(2)A∩B =∅,akkor P(A∪B) =P(A) +P(B), (3)A1, A2, . . . egymást kölcsönösen kizáró események (azazAi∩Aj =∅, hai < j és i, j= 1,2, . . .), akkor
P
∞
[
i=1
Ai
!
=
∞
X
i=1
P(Ai). (1.1)
1.7. Megjegyzés. Az (1)-(3) tulajdonságokat szokás a valószínűség axió- máinak nevezni.
1.8. Következmény. (1) P(A) = 1−P(A).
(2)P(∅) = 0.
(3)P(B\A) =P(B)−P(A∩B).
(4)P(A∪B) =P(A) +P(B)−P(A∩B).
(5) Ha A⊂B, akkor P(A)≤P(B).
(6) Ha Bn+1 ⊂Bn és
∞
\
i=1
Bn =∅, akkor lim
n→∞P(Bn) = 0.
1.9. Megjegyzés. Az (5) következményt szokás a valószínűség monotoni- tásának is nevezni. Ennek fontos következménye, hogy ha A∈ F, akkor
0≤P(A)≤1,
mert∅ ⊂A⊂Ω.Hasonlóan a (6) következmény a valószínűség folytonossága.
1.10. Definíció. Az (Ω,F, P)hármastvalószínűségi mezőnek nevezzük.
1.11. TÉTEL. (Poincaré) Az A1, A2, . . . , An eseményekre P
n
[
i=1
Ai
!
=
n
X
k=1
(−1)k−1 X
i1<i2<···<ik
P
k
\
j=1
Aij
!
, (1.2)
ahol az összegzést az összes lehetséges{i1, i2, . . . , ik} ⊂ {1,2, . . . , n} esetre tekintjük.
1.12. Megjegyzés. A formula a (4) következmény általánosítása. Teljes indukcióval könnyen bizonyítható.
1.3. Klasszikus valószínűségi mező
1.13. Definíció. Ha az elemi események száma véges és valószínűségük meg- egyezik, akkor a valószínűségi mezőt klasszikusnak nevezzük.
1.14. Megjegyzés. A definíció nagyon rövidnek tűnik, ha arra gondolunk, hogy egy speciális helyzetben megadja a teljes matematikai modellt (a való- színűségi mezőt). Felmerül a kérdés, hogy a modell minden része szerepel-e benne. A válasz igen. Ha az elemi eseményeknek van valószínűsége, azt úgy kell értelmezni, hogy az alaphalmaz minden egy elemű részhalmaza esemény.
Ekkor viszont
F = 2Ω, azaz F a hatványhalmaz.
Legyen |Ω|=n és jelölje az elemi eseményeket ωi (i= 1,2, . . . , n).Ekkor 1 =P(Ω) =P
n
[
i=1
{ωi}
!
=
n
X
i=1
P({ωi}) =nP({ωi}).
TehátP({ωi}) = 1
n (i= 1,2, . . . , n).
Legyen A⊂Ω tetszőleges, ekkor felírható
A={ωi1, ωi2, . . . , ωik} alakban. Ekkor
P(A) =P
k
[
j=1
{ωij}
!
=
k
X
j=1
P({ωij}) =kP({ωi}) = |A|
|Ω|.
Ezzel minden részhalmaznak meghatároztuk a valószínűségét. Tehát az ún.
klasszikus képlet:
valószínűség= kedvező esetek száma
összes esetek száma .⊓⊔ (1.3) VISSZATEVÉSES MINTAVÉTEL: Adott N darab különböző objektum, amelyek közül s darab rendelkezik egy bizonyos tulajdonsággal, például se- lejt. Visszatevéssel kiveszünk n darabot. Legyen a kivett selejtek száma ξ.
Mennyi a valószínűsége, hogy ξ =k, ahol 0≤k ≤n.
pk =P(ξ =k) = n
k
sk(N −s)n−k
Nn . (1.4)
Legyen p= s
N, akkor
P(ξ = k) = n
k
pk(1−p)n−k. (1.5) Tehát csak a selejtaránytól függ a valószínűség.⊓⊔
VISSZATEVÉS NÉLKÜLI MINTAVÉTEL: Adott N darab különböző ob- jektum, amelyek közüls darab rendelkezik egy bizonyos tulajdonsággal, pél- dául selejt. Visszatevés nélkül kiveszünkn darabot. Legyen a kivett selejtek számaξ. Mennyi a valószínűsége, hogy ξ =k, ahol 0≤k ≤min{n, s}.
pk =P(ξ =k) = s
k
N−s n−k
N
n
. (1.6)
1.15. Megjegyzés. Az n elemű sokaságból nk számú visszatevéses és
n(n−1). . .(n−k+ 1) = n!
(n−k)!
visszatevés nélkülik elemű minta vehető.
Apk valószínűségek definíciójából következik, hogy p0+p1+· · ·+pn = 1, amelyből
n
X
k=1
n k
sk(N −s)n−k =Nn, illetve
s 0
N −s n
+
s 1
N −s n−1
+· · ·+ s
n
N−s 0
= N
n
.⊓⊔
1.4. Geometriai valószínűségi mező
A geometriai valószínűségi mező bevezetése, a valószínűség definíciója a klasz- szikus valószínűségi mező analógiájára történik. Bevezetése, alkalmazása so- rán kiderül, hogy a szükséges elméleti alapokat majd csak a valószínűségi változóknál illetve a véletlen vektoroknál definiáljuk.
A következő definíciót fogadjuk el a szemlélet alapján a klasszikus valószínű- ségi mező mintájára.
1.16. Definíció. Legyen Ω ⊂ Rn, amelynek létezik és véges a nagysága (jelölje m(Ω)). Továbbá legyen Ω minden eleme (pontja) azonos "esélyű" és A⊂Ω,amelynek szintén létezik az m(A) nagysága. A
P(A) = m(A)
m(Ω) (1.7)
mennyiséget azA valószínűségének nevezzük.
1.17. Megjegyzés.
P(A) = m(kedvező esetek)
m(összes eset) . (1.8)
1.18. Megjegyzés. Egy halmaz nagyságán a hosszát, területét, térfoga- tát(mértékét) értjük. LegyenΩ = [0,1]ésmpedig a hosszúság, ekkor minden Q∈ [0,1] pontra csak az m({Q}) = 0 lehetséges. Ebből rögtön következik, hogy minden legfeljebb megszámlálhatóan végtelen halmaz nagysága (hossza) 0.
1.19. Megjegyzés. Létezik halmaz, amelynek nincs Lebesgue-mértéke.
Nem mérhető halmaz konstrukciója: Legyen Ω = [0,1] és mpedig a hosszú- ság. Az a, b∈Ω relációban van, ha a−b ∈Q,azaz racionális. Ez a reláció reflexív, szimmetrikus, tranzitív. Tehát ekvivalenciareláció, amely osztályo- zást hoz létre. Definiáljuk azE halmazt oly módon, hogy minden osztályból kiveszünk egy elemet. Ez lehetséges a halmazelmélet kiválasztási axiómája szerint. Legyen
Ω∩Q={r1, r2, . . .}, En :={x+rn −[x+rn]|x∈E},
ekkor az En halmazok páronént diszjunktak és
∞
[
n=1
En = Ω. Ha E mérhető, akkor En is és nagyságuk megegyezik. Továbbá
∞
X
n=1
m(En) = 1,
ami lehetetlen, mert a sor tagjai mind egyenlőek. Ez azt jelenti, hogyE nem mérhető.
1.20. Megjegyzés. Létezik kontinuum számosságú halmaz, amelynek 0 a Lebesgue-mértéke.
A Cantor-féle triadikus halmaz: Legyen E1 a középső része a [0,1] interval- lumnak, azaz E1 =
1 3,2
3
. Tehát x ∈ [0,1]\E1 akkor és csak akkor, ha hármas számrendszerben az első jegy (a 0 után) a0 vagy a 2. Legyen E2 a középső részek uniója a [0,1]\E1 halmazból, azaz E1 =
1 9,2
9
∪ 7
9,8 9
. Tehát x∈[0,1]\(E1∪E2)akkor és csak akkor, ha hármas számrendszerben az első két jegy (a0után) a 0vagy a2.Folytassuk a konstrukciót: legyenEn a középső részek uniója a[0,1]\(E1∪E2∪ · · · ∪En−1)halmazból. Cantor-féle triadikus halmaznak nevezzük a
C = [0,1]\
∞
[
n=1
En
halmazt. Tehát x ∈ C akkor és csak akkor, ha hármas számrendszerben a számjegyei csupán a 0vagy a 2.
AC halmaz nemmegszámlálható. A konstrukció alapján m(En) =
1 3
2 3
n−1
, m(C) = 1−
∞
X
n=1
1 3
2 3
n−1
= 0.⊓⊔
1.5. Feltételes valószínűség, függetlenség
1.21. Definíció. AzAeseményBfeltétel mellettifeltételes valószínűségének nevezzük a
P(A|B) = P(A∩B)
P(B) (1.9)
mennyiséget, haP(B)>0.
1.22. Megjegyzés. AP(·|B) :F →Rleképezés tényleg valószínűség, azaz teljesíti a valószínűség axiómáit, ha rögzítjük aB eseményt
1.23. TÉTEL. (szorzási szabály) Ha P(A)>0, P(B)> 0, akkor
P(A∩B) =P(A)P(B|A) =P(B)P(A|B). (1.10) 1.24. TÉTEL. (szorzási szabály általánosítása) Ha az A1, A2, . . . , An eseményrendszerre P(
n−1
\
i=1
Ai)>0, akkor
P(
n
\
i=1
Ai) =P(A1)P(A2|A1)· · ·P(An|A1∩A2∩ · · · ∩An−1). (1.11) 1.25. Definíció. Az A1, A2, . . . eseményrendszert teljes eseményrendszer- nek nevezzük, haAi∩Aj =∅, hai < j és i, j= 1,2, . . . , és
∞
[
i=1
Ai = Ω.
1.26. TÉTEL. (teljes valószínűség)HaA1, A2, . . . teljes eseményrendszer és P(Ai)>0, ha i= 1,2, . . . , akkor tetszőleges B esemény esetén
P(B) =
∞
X
i=1
P(B|Ai)P(Ai). (1.12) Bizonyítás.
P(B) =P(B∩Ω) =P(B∩
∞
[
i=1
Ai) =P(
∞
[
i=1
(B∩Ai)) = (1.13)
=
∞
X
i=1
P(B∩Ai) =
∞
X
i=1
P(Ai)P(B|Ai). (1.14) Felhasználva a teljes eseményrendszer tulajdonságait, a valószínűség 3. axi-
ómáját és a szorzási szabályt.
1.27. Megjegyzés. A és A teljes eseményrendszert alkot. A∩B, A∩B, A∩B,és A∩B teljes eseményrendszert alkot.
1.28. TÉTEL. (Bayes)HaA1, A2, . . . teljes eseményrendszer ésP(Ai)>0, ha i= 1,2, . . . , akkor tetszőleges pozitív valószínűségű B esemény esetén
P(Ak|B) = P(B|Ak)P(Ak)
∞
X
i=1
P(B|Ai)P(Ai)
. (1.15)
Bizonyítás.
P(Ak|B) = P(Ak∩B)
P(B) = P(B|Ak)P(Ak)
∞
X
i=1
P(B|Ai)P(Ai)
(1.16)
Felhasználva a teljes valószínűség tételét és a szorzási szabályt.
1.29. Megjegyzés. A Bayes-tételhez kapcsolódóan bevezethetjük a követ- kező elnevezéseket: P(Ai) az ún. a-priori valószínűség és P(Ai|A) az ún.
a-posteriori valószínűség.
1.30. Definíció. Az A és B eseményt sztochasztikusan függetlennek nevez- zük, ha
P(A∩B) =P(A)P(B). (1.17)
1.31. Megjegyzés. Ha az A és B események függetlenek, akkor A és B, A és B és A és B is függetlenek. Ha 0 < P(A) < 1, akkor A és A nem függetlenek.
1.32. TÉTEL. HaA∩B =∅,ésP(A)P(B)>0,akkor azAés aB esemény nem lehetnek függetlenek.
Bizonyítás.
P(A∩B) = 0, P(A)P(B)>0.
Tehát nem lehetnek egyenlőek.
1.33. Definíció. AzA1, A2, . . . , An eseményeketpáronként sztochasztikusan függetlennek nevezzük, ha
P(Ai∩Aj) =P(Ai)P(Aj) (1≤i < j ≤n). (1.18)
1.34. Definíció. Az A1, A2, . . . , An eseményeket teljesen sztochasztikusan függetlennek nevezzük, ha
P(Ai1 ∩ · · · ∩Aik) =P(Ai1)· · ·P(Aik), (1.19) ahol 1≤i1 <· · ·< ik ≤n, 2≤k≤n.
1.35. Megjegyzés. Ha megvizsgáljuk a feltételrendszert, akkor látható, hogy a teljes függetlenség feltételeinek a száma
n 2
+
n 3
+· · ·+ n
n
= 2n− n
0
− n
1
= 2n−1−n,
amely nagyon gyorsan nő. Már n = 3 esetén megadható példa, amely azt mutatja, hog egyik feltétel sem elhagyható.
1.36. Definíció. Az{A1, A2, . . . , An, . . .}és{B1, B2, . . . , Bm, . . .}esemény- rendszereketsztochasztikusan függetlennek nevezzük, ha∀i, j esetén
P(Ai∩Bj) =P(Ai)P(Bj) (1≤i≤n, 1≤j ≤m). (1.20) 1.37. Megjegyzés. Ha az A és B események függetlenek, akkor A és B, A és B és A és B is függetlenek, azaz az {A, A} és {B, B} eseményrend- szerek is függetlenek. Kétσ−algebra független, ha mint eseményrendszerek függetlenek.
1.38. TÉTEL. Ha A1, A1, . . . , An független események és
P(Ai)<1, (i= 1,2, . . . , n), (1.21) akkor
P(
n
[
i=1
Ai)<1. (1.22)
1.6. A relatív gyakoriság
1.39. Definíció. Bernoulli kísérletsorozatnak nevezzük azt, ha adottA∈ F és egymástól függetlenül, azonos körülmények között elvégezzük ugyanazt a kísérletet, s "csak" azt figyeljük, hogy az A esemény bekövetkezett-e vagy sem.
1.40. Megjegyzés. A visszatevéses mintavétel egy ilyen kísérletsorozatot valósít meg.
1.41. Definíció. Adott egy valószínűségi mező. Vizsgáljuk az A esemény bekövetkezését. Végezzünk el egy Bernoulli-kísérletsorozatot, amelynek a hossza n. Jelölje az A esemény bekövetkezéseinek a számát kA. Ezt az A eseménygyakoriságának nevezzük. Míg az
rA = kA
n (1.23)
mennyiséget pedigrelatív gyakoriságnak nevezzük.
1.42. Megjegyzés. Mivel 0≤kA ≤n,ezért 0≤rA ≤1.
kΩ=n, tehátrΩ= 1.
Ha A∩B =∅, akkor kA∪B =kA+kB,ezért rA∪B =rA+rB.
Jól látható, hogy a relatív gyakoriság tulajdonságai megegyeznek a valószí- nűségével és mégsem igazán jó mérőszám, hiszen minden újabb kísérlettel változhat.
1.7. Valószínűségi változó
1.43. Definíció. A X : Ω → R leképezést valószínűségi változónak nevez- zük, ha
{X < x}={ω|ω ∈Ω, X(ω)< x} ∈ F ∀x∈R. (1.24) 1.44. Definíció. Legyen
σ(X) ={A∈ F|A=X−1(B),∀B ∈ B(R)}. (1.25) Ezt a halmazt a valószínűségi változó által generáltσ−algebrának nevezzük.
1.45. Definíció. Az
F(x) =P(X < x) (1.26)
formulával meghatározott valós függvényt az X valószínűségi változó elosz- lásfüggvényének nevezzük.
1.46. TÉTEL. Az F valós függvény akkor és csak akkor lehet eloszlásfügg- vény, ha
1. lim
x→−∞F(x) = 0, 2. lim
x→∞F(x) = 1,
3. F(a)≤F(b), ha (a < b), azaz monoton növekvő, 4. lim
x→x0−0F(x) =F(x0), ∀x0 ∈R, azaz balról folytonos.
1.47. Megjegyzés. Az F teljesíti az előző tételben szereplő tulajdonsá- gokat. Ha ezenkívül szigorúan nő és folytonos, akkor létezik F−1. Legyen Ω = [0,1], F = a nyílt intervallumok által generált σ−algebra és P pedig egy halmaz hossza. Legyen mindenω∈Ω esetén
X(ω) =F−1(ω), (1.27)
ami folytonos és szigorúan monoton növekvő.
P(X < x) =m({ω|F−1(ω)< x}) =m({ω|ω < F(x)}) =F(x).
1.48. TÉTEL. Legyen F az X valószínűségi változó eloszlásfüggvénye és a, b∈R, ekkor
1. P(a≤X < b) =F(b)−F(a), 2. P(X =a) =F(a+ 0)−F(a).
1.49. Definíció. Az X valószínűségi változót diszkrétnek nevezzük, ha a lehetséges értékek X(Ω) halmazának számossága legfeljebb megszámlálha- tóan végtelen.
1.50. Megjegyzés. Diszkrét valószínűségi változó esetén a lehetséges érté- kek felírhatók egy sorozatként.
1.51. Definíció. Legyen az X valószínűségi változó lehetséges értékeinek sorozatax1, x2, . . . . A
pi =P(X =xi), (i= 1,2, . . .) (1.28) valószínűségek sorozatáteloszlásnak nevezzük.
1.52. TÉTEL. Ha p1, p2, . . . eloszlás, akkor pi ≥0 (i= 1,2, . . .) és
∞
X
i=1
pi = 1. (1.29)
1.53. Definíció. Ha létezikf nemnegatív valós függvény, melyre F(x) =
x
Z
−∞
f(t)dt, ∀x∈R, (1.30)
akkor f azF eloszlásfüggvényhez tartozó sűrűségfüggvény.
1.54. Megjegyzés. A sűrűségfüggvény nem egyértelmű. A sűrűségfüggvény létezése azt jelenti, hogy az F eloszlásfüggvény abszolút folytonos.
1.55. TÉTEL. Az f valós függvény akkor és csak akkor lehet sűrűségfügg- vény, ha nemnegatív és
+∞
Z
−∞
f(t)dt= 1. (1.31)
1.56. Definíció. A valószínűségi változótfolytonosnak nevezzük, ha létezik a sűrűségfüggvénye.
1.57. TÉTEL. Legyen az X folytonos valószínűségi változó f sűrűségfügg- vénnyel és a, b∈R, ekkor
P(X =a) = 0 (1.32)
és
P(a≤X < b) = Zb
a
f(x)dx. (1.33)
1.58. Megjegyzés. Tetszőleges eloszlásfüggvény előállítható
p1F1+p2F2+p3F3 (1.34) alakban, aholp1+p2+p3 = 1, p1 ≥0, p2 ≥0, p3 ≥0, F1diszkrét,F2 abszolút folytonos ésF3 folytonos és szinguláris eloszlásfüggvény a Lebesgue-mértékre nézve.
A P és a P∗ valószínűségek szingulárisak egymásra, ha ∃A ∈ F úgy, hogy P(A) = 0 és P∗(A) = 0. Általában egy diszkrét és egy abszolút folytonos szinguláris egymásra nézve.
Folytonos és szinguláris eloszlásfüggvény a Lebesgue-mértékre nézve az ún.
Cantor-függvény: A Cantor-féle triadikus halmaz elkészítésekor (l. 1.20 meg- jegyzés) az n-edik lépésben éppen 2n −1 intervallumot vettünk ki a [0,1]
intervallumból. Jelölje ezeket sorbanA1, A2, . . . , A2n−1. Ekkor legyen
Fn(x) =
0, ha x= 0, k
2n, ha x∈Ak, k= 1,2, . . . ,2n−1, 1, ha x= 1.
Az
F(x) = lim
n→∞Fn(x), x∈R
függvényt Cantor-függvénynek nevezzük. F monoton növekvő,F′ = 0majd- nem mindenütt és nem abszolút folytonos.
1.8. Várható érték, transzformáció
1.59. Definíció. 1. Ha az X diszkrét valószínűségi változó lehetséges érté- keinek a száma véges, azaz a lehetséges értékek
x1, x2, . . . , xn és pi= P(X =xi) (i= 1,2, . . . , n), akkor a
n
X
i=1
xipi (1.35)
mennyiségetvárható értéknek nevezzük.
2. Ha az X diszkrét valószínűségi változó lehetséges értékeinek számossága megszámlálhatóan végtelen, azaz a lehetséges értékek
x1, x2, . . . , és pi=P(X =xi) (i= 1,2, . . .), akkor a
∞
X
i=1
xipi (1.36)
mennyiségetvárható értéknek nevezzük, ha
∞
X
i=1
|xi|pi <+∞.
3. Ha X folytonos valószínűségi változó f sűrűségfüggvénnyel, akkor a Z+∞
−∞
xf(x)dx (1.37)
mennyiségetvárható értéknek nevezzük, ha Z+∞
−∞
|x|f(x)dx <+∞. (1.38)
Az X valószínűségi változó várható értékének a jelölése: E(X).
1.60. TÉTEL. 1. E(aX+b) =aE(X) +b, ∀a, b∈R.
2. Ha m≤X ≤M, akkor m≤E(X)≤M.
1.61. Definíció. Legyen X valószínűségi változó és g valós függvény. Ha az Y =g(X) függvény valószínűségi változó, akkor azX transzformáltjának nevezzük.
1.62. Megjegyzés. A transzformált eloszlásfüggvénye FY(y) =P({ω|g(X(ω))< y}).
1.63. TÉTEL. Hag differenciálható ésg′(x)6= 0,akkorX folytonos valószí- nűségi változó esetén Y =g(X) folytonos valószínűségi változó, melynek sű- rűségfüggvénye
fY(y) =
fX(g−1(y))
d
dyg−1(y)
, ha a < y < b,
0, egyébként,
(1.39)
ahol
a= min( lim
x→−∞g(x), lim
x→+∞g(x)), b = max( lim
x→−∞g(x), lim
x→+∞g(x)). (1.40)
1.64. TÉTEL. Ha Y = g(X) az X valószínűségi változó transzformáltja és létezik E(Y), akkor
E(Y) =
∞
X
i=1
g(xi)P(X =xi), ha X diszkrét,
+∞R
−∞
g(x)fX(x)dx, ha X és Y folytonos.
(1.41)
1.65. Definíció. Az
E((X−E(X))2) (1.42)
mennyiséget azX valószínűségi változó szórásnégyzetének nevezzük.
Jele: D2(X).
1.66. Definíció. Ap
E((X−E(X))2)mennyiséget azX valószínűségi vál- tozó szórásának nevezzük.
Jele: D(X).
1.67. Definíció. Az E(Xk)mennyiséget az X valószínűségi változó k-adik momentumának nevezzük.
1.68. Definíció. Az E((X −E(X))k) mennyiséget az X valószínűségi vál- tozó k-adik centrális momentumának nevezzük.
1.69. Definíció. Az
X −E(X) D(X)
transzformáltat azX valószínűségi változó standardizáltjának nevezzük.
1.70. Definíció. Az
E
X −E(X) D(X)
3!
mennyiséget azX valószínűségi változó ferdeségének nevezzük.
1.71. Definíció. Az E
X −E(X) D(X)
4!
−3
mennyiséget azX valószínűségi változó lapultságának nevezzük.
1.72. TÉTEL. 1. D(aX+b) =|a|D(X), ∀a, b∈R.
2. D2(X) =E(X2)−E2(X).
3. D2(X) =E((X−a)2) + (a−E(X))2. 4. min
a∈RE((X−a)2) =D2(X), és ekkor a=E(X).
1.73. Megjegyzés. Az utóbbi két állítás hasonló (sőt formailag azonos) a tehetetlenségi nyomatékra vonatkozó közismert Steiner-tétellel, amely azt mondja ki, hogy egy egyenesen lévő tömegeloszlás tehetetlenségi nyomaté- ka valamely az egyenesre merőleges forgástengelyre vonatkozólag egyenlő a súlyponton áthaladó tengelyre vonatkozó tehetetlenségi nyomatéknak és a tengely súlyponttól mért távolsága négyzetösszegével, ha az össztömeg egy- ségnyi; következésképpen a tehetetlenségi nyomaték akkor minimális, ha a forgástengely a súlyponton megy át.
1.9. Medián, kvantilis
1.74. Definíció. Azmvalós számot azXvalószínűségi változómediánjának nevezzük, ha
P(X < m) =P(X ≥m) = 1
2, (1.43)
azaz
FX(m) = 1
2. (1.44)
1.75. Megjegyzés. A medián általában nem egyértelmű. Viszont ha létezik a sűrűségfüggvény, illetve létezik az eloszlásfüggvény deriváltja, akkor
mina∈RE(|X−a|) (1.45) pontosan aza= mesetén adódik. Ez a tulajdonság hasonlít a várható érték és szórásnégyzet kapcsolatához. Az E(|X−m|) értéket a mediántól való várható eltérésnek nevezzük.
Bizonyítás.
I =
+∞
Z
−∞
|x−m|f(x)dx= (1.46)
=−
m
Z
−∞
(x−m)f(x)dx+
+∞
Z
m
(x−m)f(x)dx. (1.47)
Alkalmazzuk a következő Leibniz formulát:
d dy
q(y)
Z
p(y)
f(x, y)dx=
q(y)
Z
p(y)
∂
∂yf(x, y)dx+f(q(y), y)q′(y)−f(p(y), y)p′(y), (1.48) akkor azt kapjuk, hogy
dI dm =
Zm
−∞
f(x)dx− Z∞
m
f(x)dx. (1.49)
Tehát akkor kapunk minimumot, ha ez nulla, azaz F(m) =
Zm
−∞
f(x)dx= 1
2. (1.50)
Ez pedig éppen az eloszlás mediánjával egyezik meg.
1.76. Definíció. Azxp valós számot azX valószínűségi változóp-kvantilisé- nek nevezzük, ha
FX(xp) =p. (1.51)
1.77. Megjegyzés. Tehát például a medián az 1
2-kvantilis.
1.10. Néhány diszkrét eloszlás és jellemzői
1. BINOMIÁLIS ELOSZLÁS
Legyen n ∈N, A∈ F, és végezzünk el egy n hosszúságú Bernoulli-kísérlet- sorozatot. Továbbá, legyen X az A esemény bekövetkezéseinek a száma.
Ekkor X eloszlása
P(X =k) = n
k
pkqn−k, (k= 0,1, . . . , n), (1.52) ahol P(A) = p és q = 1 − p, és az X valószínűségi változót binomiális eloszlásúnak nevezzük. Jelölés: X ∼B(n, p).
1.78. TÉTEL. E(X) =np, D2(X) =npq.
1.79. Megjegyzés. A visszatevéses mintavétel binomiális eloszláshoz vezet.
Továbbá a gyakoriság is binomiális eloszlású.
2. POISSON-ELOSZLÁS
Legyen λ >0rögzített konstans ésλ=npn, ekkor
n→∞,λ=nplim n
n k
pkn(1−pn)n−k =e−λλk
k!, ahol k = 0,1, . . . . (1.53) AX valószínűségi változót Poisson-eloszlásúnak nevezzükλ >0 paraméter- rel, ha eloszlása
P(X =k) =e−λλk
k!, ahol k= 0,1, . . . . (1.54) Jelölés: X ∼P oisson(λ).
1.80. TÉTEL. E(X) =λ, D2(X) =λ.
3. GEOMETRIAI ELOSZLÁS
A binomiális eloszlás bevezetésekor használt jelölések mellett azX valószínű- ségi változó jelentse azAesemény első bekövetkezéséhez szükséges kísérletek számát. azX eloszlása
P(X =k) =pqk−1, ahol k= 1,2, . . . . (1.55) 1.81. TÉTEL. E(X) = 1
p, D2(X) = q p2.
1.82. Megjegyzés. Az Y = X−1valószínűségi változót is szokás geomet- riai eloszlásúnak nevezni. Az Y eloszlása
P(Y =k) =pqk, ahol k= 0,1,2, . . . . 1.83. TÉTEL. E(Y) = q
p, D2(Y) = q p2. 1.84. Megjegyzés.
P(Y =k+m|Y ≥m) = P({Y =k+m} ∩ {Y ≥m})
P(Y ≥m) .
Viszont
{Y =k+m} ∩ {Y ≥m}={Y =k+m} és
P(Y ≥m) =pqm"
1 +q+q2+. . .
= pqm
1−q =qm. Tehát
P(Y =k+m|Y ≥m) = pqm+k
qm =pqk = P(Y =k). (1.56) Ezzel beláttuk a geometriai eloszlás emlékezet nélküli tulajdonságát.
1.11. Néhány folytonos eloszlás és jellemzői
1. EGYENLETES ELOSZLÁS
Legyen a, b∈Rés a < b. Az X egyenletes eloszlású az(a, b)intervallumon, ha a sűrűségfüggvénye
f(x) =
1
b−a, ha a < x < b,
0, egyébként. (1.57)
Jelölés: X ∼U(a, b).Az eloszlásfüggvény
F(x) =
0, ha x≤a, x−a
b−a, ha a < x≤b, 1, ha x > b.
(1.58)
1.85. TÉTEL. E(X) = a+b
2 , D2(X) = (b−a)2 12 .
1.86. Megjegyzés. Az egyenletes eloszlás adja a geometriai valószínűségi mező elméleti alapját.
1.87. TÉTEL. Ha F szigorúan monoton növő eloszlásfüggvény és X F el- oszlású, akkorY =F(X) egyenletes eloszlású a [0,1] intervallumon. Fordít- va, ha X ∼U(0,1), akkor Y =F−1(X) éppen F eloszlású.
2. EXPONENCIÁLIS ELOSZLÁS
Az X exponenciális eloszlású λ >0paraméterrel, ha a sűrűségfüggvénye f(x) =
(λe−λx, ha x≥0,
0, egyébként. (1.59)
Jelölés: X ∼Exp(λ).Az eloszlásfüggvény F(x) =
(0, ha x≤0,
1−e−λx, ha x >0. (1.60) 1.88. TÉTEL. E(X) = 1
λ, D2(X) = 1 λ2. 1.89. Megjegyzés. Örökifjú tulajdonság:
P(X ≥a+b|X ≥a) =P(X ≥b), (1.61) ahol a >0, b >0.
3. NORMÁLIS ELOSZLÁS
Legyen m∈R, σ >0.Az Y normális eloszlású, ha a sűrűségfüggvénye f(x) = 1
σ√ 2πexp
−(x−m)2 2σ2
, x∈R. (1.62)
Jelölés: Y ∼N(m, σ2).
Ha m = 0 és σ = 1, akkor a valószínűségi változót standard normális elosz- lásúnak nevezzük. Jelölje a sűrűségfüggvényétϕ és az eloszlásfüggvényét Φ.
Ha X standard normális eloszlású, akkor az
Y =σX +m (1.63)
valószínűségi változó F eloszlásfüggvényére jellemző, hogy F(x) = Φ
x−m σ
. (1.64)
1.90. TÉTEL. E(X) =m, D2(X) =σ2.
1.91. Megjegyzés. Aϕ függvény írja le a Gauss-görbét (haranggörbét).
1.92. Megjegyzés. Φ(0) = 0.5ésΦ(−x) = 1−Φ(x).Ezzel meghatározható táblázatból az eloszlásfüggvény értéke, hiszen általában aΦfüggvény értékeit csak a[0,4) intervallumon szokás megadni.
Néhány standard normális eloszlás érték
xp Φ(xp) =p P(m−xpσ < Y < m+xpσ) 1 0.8413447460 0.682689492
1.96 0.9750021049 0.950004210 2 0.9772498680 0.954499736 3 0.9986501020 0.997300204 4 0.9999683288 0.999936658
6 0.9999999990 0.999999998 .
1.93. Megjegyzés. A normális eloszláshoz kapcsolódik a hibafüggvény erf(x) = 2
√π Zx
0
e−u2du
erfc(x) =1−erf(x), (1.65)
azaz
Φ(x) = 1 2
1 +erf
x
√2
. (1.66)
erf(x) = 2
√π
∞
X
n=0
(−1)nx2n+1 (2n+ 1)n!
= 2
√π
x− x3 3 + x5
10− x7 42+ x9
216− · · ·
. (1.67)
erfc(x) = e−x2 x√
π
# 1 +
∞
X
n=1
(−1)n 2n!
n!(2x)2n
%
= e−x2 x√
π
1− 1 2x2 + 3
4x4 − 15
8x6 + 105 16x8 − · · ·
. (1.68)
1.1. ábra.
Az eloszlásfüggvény közelítésére egy 10−7 pontosságú polinomiális közelítést alkalmazhatunk. A közelítő polinom:
p(x) =c0+c1x+c2x2+· · ·+c8x8. (1.69)
A közelítő polinom együtthatói
intervallum [0,1.5] (1.5,3] (3,6]
c0 0.4999999853197 0.5300774546729 -0.1621966195471 c1 0.3989437251038 0.2799241265723 1.8137844596010 c2 -0.0000232473822 0.2005701987176 -1.2430841874817 c3 -0.0663495262607 -0.2504062323459 0.4883401215203 c4 -0.0004071645564 0.0949343858651 -0.1201986229749 c5 0.0105643510048 -0.0131657278224 0.0189705569006 c6 -0.0003504976933 -0.0009270280158 -0.0018738388405 c7 -0.0012947802876 0.0004671302299 0.0001058586660 c8 0.0002619054865 -0.0000383458376 -0.0000026175074 Az eloszlásfüggvény inverzének a közelítésére egy10−14 pontosságú racionális törtfüggvény közelítést alkalmazhatunk.
Standard normális eloszlás inverze (Pascal részlet)
function Invphi(var x:extended):extended;
var szi,ni,ui:extended;
begin ui:=x; if (ui<0) or (ui>1) then Halt; if ui>=0.5 then ui:=1-ui; if ui<(2*1e-15) then ui:=2*1e-15;
ui:=sqrt(-2*ln(ui))-sqrt(ln(4)); if 0.01<ui then begin szi:=0.2385099062881218351e-3;
szi:=szi*ui+0.7748014532123519149e-2;
szi:=szi*ui+0.9433047102597236601e-1;
szi:=szi*ui+0.5906175347671242813e0;
szi:=szi*ui+0.2052429201482605360e1;
szi:=szi*ui+0.3926527220876257871e1;
szi:=szi*ui+0.3827787912267809326e1;
szi:=szi*ui+0.1475664626635605795e1;szi:=szi*ui+0.0;
ni:=0.2384667219100680462e-3;
ni:=ni*ui+0.7472090148248391360e-2;
ni:=ni*ui+0.8675117268832776800e-1;
ni:=ni*ui+0.5155497927835685221e0;
ni:=ni*ui+0.1685386828574926342e1 ; ni:=ni*ui+0.3019304632408607270e1 ; ni:=ni*ui+0.2757985744718406918e1 ; ni:=ni*ui+1;end
else begin
szi:=0.1389671822546715525e-4;
szi:=szi*ui+0.9933095513250211212e-3;
szi:=szi*ui+0.2132223881469308687e-1;
szi:=szi*ui+0.1971184884114817024e0;
szi:=szi*ui+0.9208235553699620741e0;
szi:=szi*ui+0.2302486886454418763e1;
szi:=szi*ui+0.2934913383940946604e1;
szi:=szi*ui+0.1475663066897793476e1;
szi:=szi*ui+0.2236640681757362082e-6;
ni:=0.1389640654034188922e-4;
ni:=ni*ui+0.9770522217813339426e-3;
ni:=ni*ui+0.2025571989491669521e-1;
ni:=ni*ui+0.1775558927085441912e0;
ni:=ni*ui+0.7785719242838022205e0;
ni:=ni*ui+0.1819506588454068626e1;
ni:=ni*ui+0.2152916059924272000e1;
ni:=ni*ui+1.0;end;
if x<0.5 then szi:=-szi; Invphi:=szi/ni; end;
1.94. TÉTEL. (Moivre-Laplace) Legyen azX valószínűségi változó bino- miális eloszlásún és pparaméterrel és 0≤a < b≤n egész, akkor
P(a≤X ≤b) =
b
X
k=a
n k
pkqn−k ≈ (1.70)
≈Φ
b−np+1
√npq 2
−Φ
a−np−1
√npq 2
. (1.71) Szemléltetésül tekintsük az 1.1 és az 1.2 ábrát.
4. CAUCHY ELOSZLÁS
Legyen c∈R, s >0.Az Y Cauchy eloszlású, ha a sűrűségfüggvénye
f(x) = 1
πs
"
1 +
x−c s
2#, x∈R. (1.72)
1.2. ábra.
1.95. Megjegyzés. Nem létezik a várható érték és ebből adódóan nem lé- tezik az E(Xα) momentum, ha α≥1.
Az eloszlásfüggvény
F(x) = 1 2+ 1
πarctan
x−c s
. (1.73)
1.96. Megjegyzés. Szokás ac= 0, s= 1esetet (standard) Cauchy-eloszlásnak nevezni.
5. WEIBULL ELOSZLÁS
A Weibull-eloszlás paramétereire többféle elterjedt jelölésrendszer van. Az el- térő jelölések használatát egyértelműen magyarázza, hogy a Weibull-eloszlás
1.3. ábra.
igen széles körben, a legkülönfélébb tudományterületeken alkalmazták, vala- mint a paramétereknek sokféle meghatározási módja is ismeretes és az egyes megoldásoknál a változók átírása jelentős egyszerűsítéseket eredményez. Mi a következőkben az
Fc(x) =
(1−exp(−xc), ha x≥0,
0, ha x <0, (1.74)
jelölést alkalmazzuk a standard Weibull-eloszlás jelölésére. Ebből a lineáris transzformáltak eloszlása
Fc(x−a
b ). (1.75)
Tehát ez az eloszláscsalád háromparaméteres, amelyből ac az ún. alakpara- méter (típusparaméter). Viszont lényeges, hogy aszimmetrikus eloszlás.
1.4. ábra.
1.97. Megjegyzés. Az eloszlásc= 1esetén az exponenciális eloszlást,c = 2 a Rayleigh eloszlás adja, míg c = 3.57 közelében az eloszlás közel szimmet- rikussá válik és jól közelíti a normális eloszlást. Megfelelő paraméter válasz- tással az is elérhető, hogy a Weibull-eloszlás jól közelítse a lognormális és Γ-eloszlásokat. Tekintsük az 1.3, 1.4, 1.5, 1.6 ábrákat.
1.12. Generátor-, karakterisztikus függvény
1.98. Definíció. Legyen X egy nemnegatív egész értékű valószínűségi vál- tozó és legyen pj =P(X =j),(j = 0,1,2, . . .). A
GX(z) =
∞
X
j=0
pjzj =E(zX) (1.76)
1.5. ábra.
függvényt az X generátorfüggvényének nevezzük.
1.99. TÉTEL. LegyenX ésY nemnegatív egész értékű valószínűségi változó, ekkor
(a)GX(z) konvergens, ha |z| ≤1.
(b) X és Y eloszlása akkor és csak akkor egyezik meg, haGX(z) =GY(z).
(c) pn = 1 n!
dnGX(z) dzn
z=0
, n= 0,1,2. . . .
(d)E(X) =G′X(1) és D2(X) =G′′X(1) +G′X(1)−(G′X(1))2. 1.100. Definíció. Legyen X valószínűségi változó a
ϕX(t) =E(eitX), t∈R (1.77) függvényt az X karakterisztikus függvényének nevezzük.
1.6. ábra.
1.101. TÉTEL. Legyen X és Y valószínűségi változó, ekkor (a)FX =FY akkor és csak akkor, ha ϕX =ϕY.
(b) |ϕX(t)| ≤ϕX(0) = 1, ∀t∈R.
(c) ϕ(k)X =ikE(Xk), ha E(Xk)létezik.
1.102. TÉTEL. Ha a ϕ karakterisztikus függvény abszolút integrálható, ak- kor azX valószínűségi változónak létezik a sűrűségfüggvénye, és
fX(x) = 1 2π
Z∞
−∞
e−iuxϕX(u)du. (1.78)
1.13. A kétdimenziós véletlen vektor
1.103. Definíció. A (X, Y) : Ω → R2 leképezést (kétdimenziós) véletlen vektornak nevezzük, ha
{X < x, Y < y}={ω|ω∈Ω, X(ω)< x, Y(ω)< y} ∈ F ∀x, y∈R.
(1.79) 1.104. Definíció. Az F(x, y) = P(X < x, Y < y) formulával meghatáro- zott valós értékű függvényt a (X, Y) véletlen vektor együttes eloszlásfüggvé- nyének nevezzük. Az
FX(x) = lim
y→+∞F(x, y), FY(y) = lim
x→+∞F(x, y) (1.80) függvényeketperemeloszlásfüggvénynek nevezzük.
1.105. TÉTEL. Az F függvény akkor és csak akkor lehet együttes eloszlás- függvény, ha
1. lim
x→−∞F(x, y) = 0, lim
y→−∞F(x, y) = 0, 2. lim
x→∞
y→∞
F(x, y) = 1,
3. F mindkét változójában balról folytonos,
4. F(b, d)−F(b, c)−F(a, d) +F(a, c)≥0, ∀a < b, c < d esetén, azaz teljesül az ún. "téglalap" tulajdonság.
1.106. Megjegyzés. A téglalap tulajdonságból következik, hogy mindkét változójában monoton növekvő.
1.107. Definíció. A (X, Y) véletlen vektort diszkrétnek nevezzük, ha a le- hetséges értékek számossága legfeljebb megszámlálhatóan végtelen.
1.108. Definíció. Legyen az X, illetve Y valószínűségi változó lehetséges értekeinek sorozata x1, x2, . . . , illetve y1, y2, . . . . A P(X = xi, Y = yj) =pij (i, j = 1,2, . . .)valószínűségek sorozatát együttes eloszlásnak nevezzük. A
qi =
∞
X
j=1
pij, (i= 1,2, . . .), (1.81)
rj =
∞
X
i=1
pij, (j = 1,2, . . .) (1.82) valószínűség sorozatokat peremeloszlásnak nevezzük. Minden rj > 0 esetén azX feltételes eloszlása adott Y =yj mellett
P(X =xi|Y =yj) = pij
rj. (1.83)
Az
E(X|Y =yj) =
∞
X
i=1
xipij
rj (1.84)
mennyiségetfeltételes várható értéknek nevezzük. Az
E(X|Y = yj) =m2(yj) (1.85) függvényt az X-nek azY-ra vonatkozó regressziós függvényének nevezzük.
1.109. TÉTEL. Ha pij (i, j = 1,2, . . .) együttes eloszlás, akkor pij ≥0 (i, j = 1,2, . . .) és
∞
X
i=1
∞
X
j=1
pij = 1. (1.86) 1.110. Definíció. Ha létezik f nemnegatív valós értékű függvény, melyre
F(x, y) = Zx
−∞
y
Z
−∞
f(u, v)dvdu, ∀x, y∈R, (1.87) akkor f azF eloszlásfüggvényhez tartozó együttes sűrűségfüggvény. Az
fX(x) = Z+∞
−∞
f(x, y)dy, fY(y) = Z+∞
−∞
f(x, y)dx (1.88) függvényeketperemsűrűségfüggvénynek nevezzük.
1.111. TÉTEL. Az f függvény akkor és csak akkor lehet együttes sűrűség- függvény, ha nemnegatív és
Z+∞
−∞
Z+∞
−∞
f(x, y)dydx = 1. (1.89)
1.112. Definíció. Az (X, Y)véletlen vektort folytonosnak nevezzük, ha lé- tezik az együttes sűrűségfüggvénye.
1.113. Definíció. Az X ésY)valószínűségi változótfüggetlennek nevezzük, ha
F(x, y) =FX(x)FY(y), ∀x, y∈R. (1.90) 1.114. Megjegyzés. A függetlenség megfelelői diszkrét illetve folytonos esetben:
pij =qirj, (i, j = 1,2, . . .), (1.91) f(x, y) =fX(x)fY(y) ∀x, y ∈R. (1.92) 1.115. Definíció. Legyen (X, Y) véletlen vektor. Az F(x|y) az feltételes eloszlásfüggvénye az X-nekY =y esetén, ha
F(x|y) =P(X < x|Y = y) = lim
h→0+0P(X < x|y≤Y < y+h). (1.93) 1.116. Megjegyzés. Ha léteznek a feltételes valószínűségek.
1.117. Definíció. Ha létezikfX|Y nemnegatív valós értékű függvény, melyre F(x|y) =
Zx
−∞
fX|Y(u|y)du, ∀x, y∈R, (1.94) akkor fX|Y az X-nek azY-ra vonatkozó feltételes sűrűségfüggvénye.
1.118. Megjegyzés.
fX|Y(x|y) = f(x, y)
fY(y) . (1.95)
1.119. Definíció. A feltételes sűrűségfüggvény segítségével meghatározott feltételes várható értéketregressziós függvénynek nevezzük, azaz az
+∞
Z
−∞
xfX|Y(x|y)dx=m2(y) (1.96) függvényt az X-nek az Y-ra vonatkozó regressziós függvényének nevezzük, illetve az
+∞
Z
−∞
yfY|X(y|x)dy =m1(x) (1.97) függvényt az Y-nak az X-re vonatkozó regressziós függvényének nevezzük.
1.120. Megjegyzés. A mingE((X −g(Y))2) értékét, akkor kapjuk, ha g megegyezik a regressziós függvénnyel.
1.121. TÉTEL. Ha (X, Y) véletlen vektor és g : R2 → R olyan függvény, hogyg(X, Y) valószínűségi változó, akkor
E(g(X, Y)) =
X
i,j
g(xi, yj)pij, ha (X,Y) diszkrét, Z+∞
−∞
Z+∞
−∞
g(x, y)f(x, y)dydx, ha (X,Y) folytonos.
(1.98)
1.122. Definíció. A
cov(X, Y) =E((X−E(X))(Y −E(Y))) (1.99) mennyiségetkovarianciának nevezzük. Az
r(X, Y) = cov(X, Y)
D(X)D(Y) (1.100)
mennyiséget pedigkorrelációs együtthatónak nevezzük.
1.123. Megjegyzés. A korrelációs együttható az összefüggést próbálja meg mérni. Ha X és Y független, akkor r(X, Y) = 0, fordítva nem igaz. Pl. ha X ∼N(0,1), Y =X2, akkor r(X, Y) = 0.
1.124. Definíció. Legyen g valós függvény. Az I(X, Y) =
s
1−D2(Y −g(X))
D2(Y) (1.101)
mennyiségetkorrelációs indexnek nevezzük.
1.125. TÉTEL. 1. E(X+Y)) =E(X) +E(Y).
2. D2(X+Y)) =D2(X) +D2(Y) + 2cov(X, Y).
3. E(E(X|Y =y)) =E(X).
4. |cov(X, Y)| ≤D(X)D(Y), azaz |r(X, Y)| ≤1.
5. 0≤I(X, Y)≤1.
1.14. Néhány többdimenziós folytonos eloszlás és jellemzői
1. EGYENLETES ELOSZLÁS
Az (X, Y) véletlen vektor egyenletes eloszlású az A⊂R2 tartományon, ha f(x, y) =
1
|A|, ha (x, y)∈A, 0, egyébként.
(1.102)
2. NORMÁLIS ELOSZLÁS
Az (X, Y) véletlen vektor normális eloszlású, ha f(x, y) = 1
2πσ1σ2p
1−ρ2exp[−Q], (1.103)
Q= 1
2(1−ρ2)
(x−m1
σ1 )2−2ρ(x−m1
σ1 )(y−m2
σ2 ) + (y−m2 σ2 )2
, (1.104) ahol σ1 >0, σ2 >0,−1< ρ <1.
Q= 1
2σ12(1−ρ2)
x−m1−ρσ1
σ2(y−m2) 2
+ (y−m2)2
2σ22 . (1.105)
fY(y) =
+∞
Z
−∞
f(x, y)dx= 1
√2πσ2 exp
−(y−m2)2 2σ22
× Z+∞
−∞
√ 1
2πσ1p
1−ρ2exp
"
− 1
2σ12(1−ρ2)
x−m1−ρσ1
σ2(y−m2) 2#
dx=
= 1
√2πσ2exp
−(y−m2)2 2σ22
, (1.106)
mert az integrál értéke1,hiszen egy olyan valószínűségi változó sűrűségfügg- vénye, amely eloszlása
N
m1+ρσ1
σ2(y−m2), σ12(1−ρ2)
. (1.107)
1.126. Megjegyzés. Rögtön látható, hogy a két perem eloszlásaN(m1, σ12) és N(m2, σ22), valamint
m1(x) =m2+ρσ2
σ1(x−m1), m2(y) =m1+ρσ1
σ2(y−m2).
(1.108) Tehát a regressziós függvények egyenesek.
1.127. Megjegyzés. Hasonló integrálással adódik, hogy éppenρa korrelá- ciós együttható.
1.15. Az n-dimenziós véletlen vektor
A véletlen vektor és a hozzákapcsolódó fogalmak definícióját csak kétdimen- ziós esetben adtuk meg, de nagyon egyszerűen kiterjeszthetőek véges sok valószínűségi változó esetére. Például, az X1, X2, . . . , Xn valószínűségi vál- tozókat függetlennek nevezzük, ha
F(x1, x2, . . . , xn) =FX1(x1)FX2(x2)· · ·FXn(xn) ∀x1, x2, . . . , xn ∈R.
(1.109) 1.128. TÉTEL. AzF(x1, x2, . . . , xn)függvény akkor és csak akkor együttes eloszlásfüggvény, ha minden változójában balról folytonos, és
xilim→−∞F(x1, x2, . . . , xn) = 0, (i= 1,2, . . . , n), (1.110)
xi→+∞(i=1,2,...,n)lim F(x1, x2, . . . , xn) = 1, (1.111) X
K=e1+e2+···+en
(−1)KF(e1a1+ (1−e1)b1, . . . , enan+ (1−en)bn)≥0 (1.112)
∀ai ≤ bi (i = 1,2, . . . , n) és az összegzést ∀K esetében vesszük, ahol az e1, e2, . . . , en értéke 0és 1 lehet.
1.129. TÉTEL. Legyenek X1, X2, . . . , Xn független valószínűségi változók, melyeknek rendre FX1, FX2, . . . , FXn az eloszlásfüggvénye. Ekkor
(a) azY(ω) = max{X1(ω), . . . , Xn(ω)} (∀ω∈Ω) valószínűségi változó elosz- lásfüggvénye
FY(y) =FX1(y)FX2(y)· · ·FXn(y). (1.113) (b) azY(ω) = min{X1(ω), . . . , Xn(ω)}(∀ω∈Ω) valószínűségi változó elosz- lásfüggvénye
FY(z) = 1−(1−FX1(z))(1−FX2(z))· · ·(1−FXn(z)). (1.114)
1.16. Valószínűségi változók összege
1.130. TÉTEL. (konvolúció)Legyen (X, Y)véletlen vektor ésZ =X+Y, ekkor teljesülnek a következő állítások:
(a) HaX ésY független diszkrét valószínűségi változók, amelyek mindegyiké- nek lehetséges értékei0,1,2, . . . ,akkorZértékeik=i+j (i, j = 0,1,2,3, . . .) és
P(Z =k) = X
i+j=k
P(X = i)P(Y =j) =
k
X
i=0
P(X =i)P(Y =k−i). (1.115) (b) Ha X és Y független valószínűségi változók, akkor
P(Z < z) = Z+∞
−∞
fX(x)FY(z−x)dx= Zz
−∞
fZ(x)dx, (1.116) aholZ sűrűségfüggvénye
fZ(z) = Z+∞
−∞
fX(x)fY(z−x)dx= Z+∞
−∞
fX(z−y)fY(y)dy. (1.117)
1.131. TÉTEL. Ha X és Y független nemnegatív egész értékű valószínűségi változó, akkor
GX+Y(z) =GX(z)GY(z), (1.118) aholG a generátorfüggvényt jelöli.
1.7. ábra.
1.132. TÉTEL. Ha X és Y független valószínűségi változó, ekkor
ϕX+Y(t) =ϕX(t)ϕY(t), ∀t∈R, (1.119) aholϕ a karakterisztikus függvényt jelöli.
1. χ2n–ELOSZLÁS
1.133. Definíció. Legyen X1, X2, . . . , Xn ∼ N(0,1), amelyek teljesen füg- getlenek, akkor
X =X12+X22+· · ·+Xn2 (1.120) valószínűségi változót n szabadságfokú χ2n-eloszlásúnak nevezzük. Jelölés:
X ∼χ2n.
1.134. TÉTEL. E(X) =n, D2(X) = 2n.
1.135. Megjegyzés. Ha n= 2,akkor X exponenciális eloszlású, azaz X ∼ Exp(0.5).
1.8. ábra.
2. Γ-ELOSZLÁS
Legyen α >0, λ > 0. Az X Γ-eloszlású, ha a sűrűségfüggvénye f(x) =
1
Γ(α)λαxα−1e−λx, hax >0,
0, hax≤0.
(1.121) Jelölés: X ∼Γ(λ, α).
1.136. TÉTEL. E(X) = α
λ, D2(X) = α λ2.
1.137. Megjegyzés. Haα= 1,akkor éppen az exponenciális eloszlást kap- juk.
1.138. Megjegyzés. Független exponenciális eloszlású valószínűségi válto- zók összegeΓ-eloszlás.
1.9. ábra.
1.139. Megjegyzés. Ha azX χ2n-eloszlású valószínűségi változó akkorα= n
2, λ = 1
2 paraméterű Γ-eloszlású, azaz X ∼Γ(1
2,n
2). (1.122)
1.17. Egyenlőtlenségek
1.140. TÉTEL. (Markov-egyenlőtlenség) Legyen azY nemnegatív valószí- nűségi változó, melynek létezik a várható értéke, ekkor ∀c >0 esetén
P(Y ≥c)≤ E(Y)
c . (1.123)