]> Valószínűségi változók transzformációi
  1. Virtual Laboratories
  2. 2. Eloszlások
  3. 1
  4. 2
  5. 3
  6. 4
  7. 5
  8. 6
  9. 7
  10. 8

7. Valószínűségi változók transzformációi

Általános elmélet

Probléma felvetés

Kiindulási pontunk, mint általában, most is egy véletlen kísérlet a hozzá tartozó Ω valószínűségi mezővel és az azon értelmezett valószínűségi mértékkel. Tegyük fel, hogy adott egy, a kísérlettől függő, S értékű X valószínűségi változó és egy r S T függvény. Ekkor Y r X egy új, T értékű valószínűségi változó. Ha ismerjük X eloszlását, hogyan határozhatjuk meg Y eloszlását? Ez egy igen fontos és alapvető kérdés, és felszínesen szólva, a válasz sem bonyolult.

Igazoljuk, hogy Y B X r B amint B T .

Azonban nagyon gyakran X eloszlása az F eloszlásfüggvényével, vagy az f sűrűségfüggvényével adott, és ugyanígy, Y eloszlás-, vagy sűrűségfüggvényét szeretnénk meghatározni. Ez általában nehéz feladat, mert ahogy látni fogjuk, viszonylag egyszerű eloszlások egyszerű transzformáltjai is komplex eloszlásokhoz vezethetnek. Ezt a problémát különböző speciális esetekben fogjuk kezelni.

Diszkrét eloszlású transzformált változók

Tegyük fel, hogy X diszkrét eloszlású f súlyfüggvénnyel (ekkor persze S megszámlálható). Igazoljuk, hogy ekkor Y is diszkrét eloszlású, és súlyfüggvénye az alábbi g függvény:

g y x r y f x ,  y T .

Tegyük fel, hogy X folytonos eloszlású az S n halmazon f sűrűségfüggvénnyel, és T megszámlálható. Igazoljuk, hogy ekkor Y diszkrét eloszlású, és súlyfüggvénye az alábbi g függvény:

g y x r y f x ,  y T .

Folytonos eloszlású transzformált változók

Tegyük fel, hogy X folytonos eloszlású az S n halmazon, Y r X pedig folytonos eloszlású T m -en. Tegyük fel továbbá, hogy ismerjük az X változó f sűrűségfüggvényét. Nagyon gyakran Y sűrűségfüggvényét meghatározhatjuk úgy, hogy először az eloszlásfüggvényét határozzuk meg, majd azt deriváljuk. Ezt a módszert fogjuk eloszlásfüggvény módszernek nevezni.

Változócserére vonatkozó formula

Ha az r transzformáció kölcsönösen egyértelmű és sima, akkor Y sűrűségfüggvénye közvetlen módon megkapható az X sűrűségfüggvényéből az úgynevezett változócsere formulával.

Az egyszerűség kedvéért először csak ez egydimenziós esetet tárgyaljuk. Tegyük fel tehát hogy X egy, az S intervallumon folytonos eloszlású valószínűségi változó. Jelölje az eloszlásfüggvényét F , a sűrűségfüggvényét pedig f . Legyen továbbá Y r X , ahol r az S -ből egy T intervallumra képező differenciálható függvény. Mint általában, jelölje G az Y eloszlás-, g pedig a sűrűségfüggvényét.

Tegyük fel, hogy r szigorúan monoton növekedő S -en. Igazoljuk, hogy y T -re

  1. G y F r y ,
  2. g y f r y y r y .

Tegyük fel, hogy r szigorúan monoton csökkenő S -en. Igazoljuk, hogy y T -re

  1. G y 1 F r y ,
  2. g y f r y y r y .

A 4. és 5. feladatban szereplő formulákat kezelhetjük egységesen: ha r egy szigorúan monoton függvény S -en, akkor az Y változó g sűrűségfüggvényére

g y f r y y r y ,  y T .

Az x r y jelöléssel a változócserére vonatkozó formula elegánsabban írható:

g y f x y x ,  y T .

A fenti eredmény általánosítása egy többváltozós analízisbeli tétel. Tegyük fel, hogy X egy S n -beli folytonos valószínűségi változó, a sűrűségfüggvénye pedig f . Legyen Y r X , ahol r kölcsönösen egyértelmű, S -ből T n -re képező differenciálható függvény. Ekkor az x r y inverz függvény első deriváltja egy n n -es mátrix, melynek elemei a parciális deriváltak:

y x i j x i y j .

Ezt a mátrixot Jacobi mátrixnak is nevezik (Karl Gustav Jacobi tiszteletére). A mátrix

y x

determinánsa lesz a fontos számunkra, ugyanis a többváltozós változócserére vonatkozó formula állítása szerint a fenti feltételek mellett az Y változó g sűrűségfüggvényére

g y f x y x ,  y T .

Speciális transzformációk

Lineáris transzformációk

A lineáris transzformációk (vagy affin transzformációk) a legfontosabb és leggyakrabban előforduló transzformációk. Ilyenek esetén az előző változócserére vonatkozó képlet egy egyszerűbb, speciális alakja is igaz. Tegyük fel, hogy X egy S értékű folytonos valószínűségi változó f sűrűségfüggvénnyel. Legyen Y a b X , ahol a és b 0 . Ekkor persze Y értékeit a T a b x x S halmazon veszi fel.

Az előbb igazolt változócserére vonatkozó képlet alapján igazoljuk, hogy Y sűrűségfüggvénye:

g y 1 b f y a b ,  y T .

Vegyük észre, hogy ha b 0 , akkor Y sűrűségfüggvénye nagyon hasonlít X sűrűségfüggvényére, szemléletesen csak annyit csináltunk, hogy másképp skáláztuk a vízszintes tengelyt. Ekkor mondhatjuk azt, hogy Y az X átskálázott változata. Ilyen transzformációkkal találkozunk majd a Nevezetes eloszlások fejezetben.

Az előző formula többváltozós változata sem bonyolult, csak ott mátrixokat és vektorokat kell használnunk. Legyen tehát X egy S n értékű folytonos valószínűségi változó f sűrűségfüggvénnyel, és legyen Y a B X , ahol a n és B egy invertálható n n méretű mátrix. Ekkor persze Y a T a B x x S halmazban veszi fel az értékeit.

Igazoljuk, hogy

  1. az y a B x transzformáció kölcsönösen egyértelmű és ráképezés (azaz bijekció) n és n között.
  2. Az inverz transzformáció x B y a .
  3. Az inverz transzformáció Jacobi mátrixának determinánsa konstans, B 1 B .

A változócserére vonatkozó képlet alapján igazoljuk, hogy Y sűrűségfüggvénye

g y f B y a B ,  y T .

Összegek, konvolúció

Nagyon gyakori a valószínűségszámításban, hogy két valószínűségi változó összegének eloszlását szeretnénk meghatározni. Legyenek tehát X és Y egy közös kísérlettől függő valós értékű valószínűségi változók. Célunk Z X Y eloszlásának meghatározása.

Tegyük fel, hogy X Y diszkrét eloszlásúak valamilyen f súlyfüggvénnyel. Igazoljuk, hogy Z is diszkrét eloszlású az alábbi u súlyfüggvénnyel:

u z x f x z x .

Az előző formulában az összegzés igazából az x f x z x 0 megszámlálható halmazon történik.

Tegyük fel, hogy X Y folytonos eloszlásúak valamilyen f sűrűségfüggvénnyel. Igazoljuk, hogy Z is folytonos eloszlású az alábbi u sűrűségfüggvénnyel:

u z x f x z x .

Messze a legfontosabb az az eset, amikor X és Y függetlenek.

Tegyük fel, hogy X és Y független diszkrét eloszlású valószínűségi változók g és h súlyfüggvényekkel. Igazoljuk, hogy Z súlyfüggvénye:

g h z x g x h z x .

Az előző formulában az összegzés igazából az x g x 0 h z x 0 megszámlálható halmazon történik. Az előző feladatban definiált g h függvényt nevezik a g és h függvények (diszkrét) konvolúciójának.

Tegyük fel, hogy X és Y független folytonos eloszlású valószínűségi változók g és h sűrűségfüggvényekkel. Igazoljuk, hogy Z sűrűségfüggvénye:

g h z x g x h z x .

Az előző formulában az integrálást igazából az x g x 0 h z x 0 halmazon tekintjük. Az g h sűrűségfüggvényt nevezzük az f és g függvények folytonos konvolúciójának.

Igazoljuk, hogy a konvolúció (akár diszkrét,akár folytonos) teljesíti az alábbi tulajdonságokat (ahol f , g . és h valószínűségi súly-, vagy sűrűségfüggvények). Adjunk két bizonyítást: az egyiknél a konvolúciót definiáló formulát használjuk fel, a másiknál azt a tényt, hogy két független valószínűségi változó összegét tekintjük!

  1. Kommutatív, azaz f g g f .
  2. Asszociatív, azaz f g h f g h .

Tehát a (b) részben írhattunk volna f g h -t, hisz ez egyértelműen definiált. Ha X 1 X 2 X n független, azonos eloszlású valószínűségi változók sorozata, melyek közös súly-, vagy sűrűségfüggvénye f , akkor

Y n X 1 X 2 X n

súly-, vagy sűrűségfüggvénye f n , az f függvény n -szeres konvolúciója önmagával, vagy más szóval konvolúciós hatványa. Megfelelő skálázásokkal elég általános feltételek mellett igaz, hogy Y n eloszlása konvergál a standard normális eloszláshoz, amint n . Ennek az állításnak a pontos megfogalmazását nevezik centrális határeloszlás-tételnek, ami a valószínűségszámítás egyik legfontosabb tétele. A centrális határeloszlás-tétellel részletesen a Véletlen minták című fejezetben foglalkozunk.

Minimum és maximum

Tegyük fel, hogy X 1 X 2 X n független, azonos eloszlású valószínűségi változók sorozata. Sok alkalmazásban fontos ezek minimumának és maximumának eloszlása, ezért vezessük be az

U X 1 X 2 X n , V X 1 X 2 X n

jelöléseket. Például ahogy azt már régebben tárgyaltuk, a megbízhatóság elmélet alapmodelljében egy rendszer n egymástól függetlenül üzemelő komponensből áll. Jelölje X i az i -edik komponens élettartamát. Ekkor U a soros kapcsolású rendszer élettartama, amely rendszer pontosan akkor üzemel, ha minden komponense üzemel. Hasonlóan, V a párhuzamos kapcsolású rendszer élettartama, amely rendszer pontosan akkor üzemel, ha legalább egy komponense üzemel.

Különösen fontos az az eset, amikor a valószínűségi változók nemcsak függetlenek, de ráadásul azonos eloszlásúak. Ebben az esetben a valószínűségi változók sorozata egy n elemű véletlen minta valamilyen háttéreloszlásból. Ekkor a legnagyobb és a legkisebb változóértékek vizsgálata a rendezett minták statisztikai vizsgálatának tárgya, erről részletesen a Véletlen minták fejezet rendezett minták statisztikájával foglalkozó részében olvashatunk.

Jelölje F i az X i változó eloszlásfüggvényét, ahol i 1 2 n és legyen G az U , H pedig a V eloszlásfüggvénye.

Igazoljuk, hogy minden x esetén

  1. V x X 1 x X 2 x X n x ,
  2. H x F 1 x F 2 x F n x .

Igazoljuk, hogy minden x esetén

  1. U x X 1 x X 2 x X n x ,
  2. G x 1 1 F 1 x 1 F 2 x 1 F n x .

A 14. feladat következménye, hogy n eloszlásfüggvény szorzata is eloszlásfüggvény, a 15. feladat következménye pedig, hogy n túlélési függvény szorzata is túlélési függvény. A megbízhatósági elméletben a változók nem negatívak és n darab megbízhatósági függvény szorzata is megbízhatósági függvény. Ha X i folytonos eloszlású f i sűrűségfüggvénnyel minden i 1 2 n esetén, akkor U és V is folytonos eloszlásúak, és sűrűségfüggvényük megkapható a 14., illetve 15. feladatban meghatározott eloszlásfüggvények deriválásával.

A formulák tovább egyszerűsödnek, ha az X i valószínűségi változók nemcsak függetlenek, de ráadásul azonos eloszlásúak is. Tegyük fel, hogy ez most teljesül, és jelölje F a közös eloszlásfüggvényt.

Igazoljuk, hogy minden x esetén

  1. H x F n x ,
  2. G x 1 1 F x n .

Speciálisan azt kaptuk, hogy egy eloszlásfüggvény pozitív egész hatványa is eloszlásfüggvény. Általánosabban is könnyű látni, hogy egy eloszlásfüggvény minden pozitív hatványa eloszlásfüggvény. Vajon hogyan lehetne ezt igazolni pusztán valószínűségszámítási érveléssel? Most a független, azonos eloszlású feltételek mellett tegyük még fel azt is, hogy az X i változók közös eloszlása folytonos valamilyen f sűrűségfüggvénnyel. Jelölje g az U , h pedig a V változó sűrűségfüggvényét.

Igazoljuk, hogy minden x esetén

  1. h x n F n 1 x f x ,
  2. g x n 1 F x n 1 f x .

Előjelek és abszolút érték

Legyen X folytonos eloszlású valós értékű valószínűségi változó F eloszlás-, és f sűrűségfüggvénnyel. Igazoljuk, hogy

  1. X eloszlásfüggvénye G y F y F y ,  y 0 ,
  2. X sűrűségfüggvénye g y f y f y ,  y 0 .

Legyen J az X változó előjele (vagy más szóval szignuma), azaz

J 1 X 0 0 X 0 1 X 0 .

Tegyük fel, hogy az X változó f sűrűségfüggvénye szimmetrikus a nullára, azaz f x f x minden x esetén. Igazoljuk, hogy

  1. X eloszlásfüggvénye G y 2 F y 1 ,  y 0 ,
  2. X sűrűségfüggvénye g y 2 f y ,  y 0 ,
  3. J egyenletes eloszlású a 1 1 halmazon,
  4. X és J függetlenek.

Példák, alkalmazások

Ebben a részben számolásos feladatokat sorolunk fel, melyekben gyakran megjelenik eloszlások egy paraméteres családja. Mindig érdekesek az olyan esetek, amikor egy paraméteres eloszláscsalád egyik tagját transzformációval egy másik családba képezzük. Az is érdekes jelenség, ha egy paraméteres család zárt vagy invariáns változók bizonyos típusú transzformációira. Sokszor az ilyen jellegű tulajdonságok teszik számunkra igazán érdekessé az adott eloszláscsaládot. Az alábbi feladatok megoldása mellett törekedjünk arra is, hogy felismerjük, mely feladatokban találhatunk ilyen tulajdonságú eloszláscsaládokat!

Kockák

Ahogy azt már korábban tárgyaltuk, a hagyományos kocka kifejezés egy hatoldalú dobókockát jelent. Az igazságos kocka olyan, amelyet ha feldobunk, minden oldalára azonos valószínűséggel esik. Az egy-hat irányban lapos kocka pedig feldobás után az 1 és a 6 értékeket 14 , a többi értéket 18 valószínűséggel mutatja.

Feldobtunk két hagyományos kockát, a dobott értékeket az X 1 X 2 vektor jelöli. Határozzuk meg Y X 1 X 1 súlyfüggvényét az alábbi esetekben:

  1. igazságos kockák,
  2. egy-hat irányban lapos kockák.

A kockadobás kísérletben válasszunk két dobókockát és a dobott számok összegét. Szimuláljunk 1000 kísérletet (frissítsük az ábrát minden tizedik után), és figyeljük meg, hogyan konvergál az empirikus súlyfüggvény a valódi súlyfüggvényhez az alábbi esetekben:

  1. igazságos kockák,
  2. egy-hat irányban lapos kockák.

Feldobtunk egy igazságos és egy egy-hat irányban lapos kockát. Határozzuk meg a dobott számok összegének súlyfüggvényét!

Feldobtunk n hagyományos, igazságos kockát. Határozzuk meg az alábbi valószínűségi változók súlyfüggvényét:

  1. a legkisebb dobott szám,
  2. a legnagyobb dobott szám.

A kockadobás kísérletben válasszunk igazságos kockákat és az alábbi valószínűségi változókat. Változtassuk n értékét, és figyeljük meg, hogyan változik a súlyfüggvény alakja. Az n 4 speciális esetben szimuláljunk 1000 kísérletet (frissítsük az ábrát minden tizedik után), és figyeljük meg, hogyan konvergál az empirikus súlyfüggvény a valódi súlyfüggvényhez!

  1. a legkisebb dobott szám,
  2. a legnagyobb dobott szám.

Egyenletes eloszlás

Legyen Y X 2 . Határozzuk meg és rajzoljuk le Y sűrűségfüggvényét az alábbi esetekben:

  1. X egyenletes eloszlású a 2 2 intervallumon,
  2. X egyenletes eloszlású az 1 3 intervallumon,
  3. X egyenletes eloszlású a 2 4 intervallumon.

Hasonlítsuk össze az előző feladatban kapott eloszlásokat! Vegyük észre, hogy az olyan egyszerű eloszlásból is, mint az egyenletes eloszlás, viszonylag egyszerű transzformációval kaphatunk komplikált eloszlásokat. Másrészt viszont az egyenletes eloszláscsalád invariáns a lineáris transzformációkra.

Legyen X egyenletes eloszlású az S n halmazon, és legyen Y a B X , ahol a n és B egy invertálható, n n méretű mátrix. Igazoljuk, hogy Y egyenletes eloszlású a T a B x x S halmazon!

Tegyük fel, hogy X Y egyenletes eloszlású a 0 1 2 négyzeten, és legyen U V X Y X Y .

  1. Határozzuk meg X Y és U V értékkészletét!
  2. Határozzuk meg U V sűrűségfüggvényét!
  3. Határozzuk meg U sűrűségfüggvényét!
  4. Határozzuk meg V sűrűségfüggvényét!

Tegyük fel, hogy X Y Z egyenletes eloszlású a 0 1 3 kockán! Határozzuk meg U V W X Y Y Z X Z sűrűségfüggvényét!

Legyen X 1 X 2 X n független valószínűségi változók sorozata, melyek mindegyike egyenletes eloszlású a 0 1 intervallumon. Határozzuk meg a következő valószínűségi változók sűrűségfüggvényét (ezek mindegyike béta eloszlású lesz).

  1. U X 1 X 2 X n ,
  2. V X 1 X 2 X n .

A rendezett minták statisztikája kísérletben válasszuk az egyenletes eloszlást!

  1. Állítsuk be a k 1 paraméterértéket (ez jelenti a minimális, U -val jelölt mintaelemet). Változtassuk n értékékét, és figyeljük meg, hogyan változik a sűrűségfüggvény alakja! Az n 5 paraméterválasztással szimuláljunk 1000 kísérletet (frissítsük az ábrát minden tizedik után), és figyeljük meg, hogyan konvergál az empirikus sűrűségfüggvény a valódi sűrűségfüggvényhez!
  2. Változtassuk n -et, és mindig állítsuk be a k n értéket (így megkapjuk a legnagyobb, V -vel jelölt mintaelemet), és figyeljük meg, hogyan változik a sűrűségfüggvény alakja! Az n 5 paraméterválasztással szimuláljunk 1000 kísérletet (frissítsük az ábrát minden tizedik után), és figyeljük meg, hogyan konvergál az empirikus sűrűségfüggvény a valódi sűrűségfüggvényhez!

Jelölje f a 0 1 -en egyenletes eloszlás sűrűségfüggvényét! Határozzuk meg az f 2 és az f 3 függvényeket, majd rajzoljuk le a három függvényt egy közös koordinátarendszerbe! Vegyük észre, hogy a függvények egyre jobban hasonlítanak a centrális határeloszlás-tételben adott határfüggvényhez!

Szimulációk

Fontos tény, hogy a 0 1 intervallumon egyenletes eloszlásból transzformációval majdnem minden valós eloszlás megkapható. Ez különösen fontos a szimulációs feladatokban, hisz nagyon sok program képes véletlen szám generálásra, ami igazából 0 1 -en egyenletes eloszlású valószínűségi változó közelítése. Megfordítva, minden olyan folytonos eloszlás, amely értékkészlete egy részhalmaza, áttranszformálható a 0 1 intervallumon egyenletes eloszlásba.

Tegyük fel először, hogy F egy -en értelmezett eloszlás (amely lehet akár diszkrét, folytonos, vagy keverék) eloszlásfüggvénye, és legyen F a kvantilis függvénye.

Legyen U egyenletes eloszlású a 0 1 intervallumon. Igazoljuk, hogy X F U eloszlásfüggvénye F .

Ha meg tudjuk határozni F -et, akkor az előző feladat segítségével tudunk szimulálni egy olyan eloszlású valószínűségi változót, melynek eloszlásfüggvénye F . Más szóval F eloszlásfüggvényű valószínűségi változót szimulálhatunk úgy, hogy meghatározunk egy véletlen kvantilis értéket. Az általunk használt appletek többsége így szimulál valószínűségi változókat.

CDFMIxed.png

Tegyük fel, hogy X folytonos eloszlású az S intervallumon, és az F eloszlásfüggvénye szigorúan monoton növekedő S -en. Igazoljuk, hogy U F X egyenletes eloszlású a 0 1 intervallumon!

Hogyan tudnánk szimulálni egy tetszőleges a b intervallumon vett egyenletes eloszlást? Zsebszámológéppel szimuláljunk öt független, 2 10 -en egyenletes eloszlású valószínűségi változót!

Bernoulli kísérletek

A Bernoulli kísérletsorozat egy független, azonos eloszlású indikátor valószínűségi változókból álló X 1 X 2 sorozat. Megbízhatóság elméleti jelölésekkel X i 0 jelenti az i -edik kísérlet kudarcát, míg X i 1 jelenti, hogy az i -edik kísérlet sikeres. A kísérletsorozat (vagy folyamat) egyetlen paramétere a siker valószínűsége, p X i 1 . Ezt a véletlen folyamatot Jacob Bernoulli-ról nevezték el; részletesebben a Bernoulli kísérletekről szóló fejezetben olvashatunk róla.

Igazoljuk, hogy a Bernoulli sorozatban lévő X i valószínűségi változók közös súlyfüggvénye f k p k 1 p 1 k ,  k 0 1 .

Legyen Y n a sikeres kísérletek száma az első n kísérlet között. Valószínűségszámítási érveléssel (a függetlenséget is kihasználva) igazoljuk, hogy Y n f n súlyfüggvényére igaz az alábbi képlet (ezzel definiálják az n és p paraméterű binomiális eloszlást):

f n k n k p k 1 p n k ,  k 0 1 n .

Mint az előbb, legyen Y n az első n kísérlet között a sikeresek száma.

  1. Igazoljuk, hogy Y n X 1 X 2 X n .
  2. Az (a) rész segítségével lássuk be, hogy f n f n .
  3. A (b) rész segítségével lássuk be, hogy f m f n f m n .
  4. Bizonyítsuk a (c) rész állítását közvetlenül a konvolúció definícióját használva!

Speciálisan azt kaptuk, hogy ha Y és Z függetlenek, továbbá Y binomiális eloszlású n és p paraméterekkel, Z pedig m és p paraméterű binomiális eloszlású, akkor Y Z szintén binomiális eloszlású n m és p paraméterekkel.

Határozzuk meg az n elemből álló Bernoulli kísérlet sorozatban a sikeres kísérletek és sikertelen kísérletek száma különbségének valószínűségi súlyfüggvényét!

Poisson eloszlás

A t 0 paraméterű Poisson eloszlás súlyfüggvénye

f t n t t n n ,  n .

Ezt az eloszlást Simeon Poisson-ról nevezték el, és nagyon gyakran használják időbeli, vagy térbeli véletlen pontok modellezésére. A Poisson eloszlást részletesen a A Poisson folyamatról szóló fejezetben tárgyaljuk.

Legyenek X és Y független Poisson eloszlású valószínűségi változók, ahol X paramétere a 0 , Y paramétere pedig b 0 . Igazoljuk, hogy X Y egy a b paraméterű Poisson eloszlású változó, azaz f a f b f a b . Segítség: Használjuk a binomiális tételt.

Exponenciális eloszlás

Az r 0 (ráta-)paraméterű exponenciális eloszlás sűrűségfüggvénye f t r r t ,  t 0 . Az exponenciális eloszlásokról részletesen a Poisson folyamatokról szóló fejezetben olvashatunk.

Hogyan szimulálhatunk egy egyenletes eloszlású véletlen szám segítségével r paraméterű exponenciális eloszlású valószínűségi változót? Zsebszámológéppel szimuláljunk öt független r 3 paraméterű exponenciális eloszlású valószínűségi változót!

Legyen T r paraméterű exponenciális eloszlású. Határozzuk meg a következő valószínűségi változók súlyfüggvényét:

  1. T , azaz a legnagyobb, T -nél nem nagyobb egész.
  2. T , azaz a legkisebb, T -nél nem kisebb egész.

Vegyük észre, hogy az előző feladatban kapott eloszlások geometriai eloszlások -en, illetve -on. Sok szempontból a geometriai eloszlás olyan, mint az exponenciális eloszlás diszkrét változata.

Legyenek X és Y független, 1 paraméterű exponenciális eloszlású valószínűségi változók, és legyen Z Y X .

  1. Határozzuk meg Z eloszlásfüggvényét!
  2. Határozzuk meg Z sűrűségfüggvényét!

Legyenek X és Y független, a 0 , illetve b 0 paraméterű exponenciális eloszlású valószínűségi változók. Határozzuk meg és rajzoljuk le Z X Y sűrűségfüggvényét!

Legyenek T 1 T 2 T n független valószínűségi változók, ahol T i exponenciális eloszlású r i 0 paraméterrel minden i 1 2 n esetén.

  1. Határozzuk meg U T 1 T 2 T n eloszlásfüggvényét!
  2. Határozzuk meg V T 1 T 2 T n eloszlásfüggvényét!
  3. Határozzuk meg U és V sűrűségfüggvényét és túlélési függvényét a következő speciális esetben: r i r minden i 1 2 n esetén! (A túlélési függvény nem más, mint a konstans egy és az eloszlásfüggvény különbsége.)

Vegyük észre, hogy az (a) részben tekintett U minimum exponenciális eloszlású r 1 r 2 r n paraméterrel. Ez azt jelenti, hogy ha egy soros kapcsolású rendszer minden alkatrésze független, exponenciális élettartamú, akkor maga a rendszer is exponenciális élettartamú, melynek paramétere az egyes komponensek paramétereinek összege.

A rendezett minták statisztikája kísérletben válasszuk az exponenciális eloszlást!

  1. Állítsuk be a k 1 paraméterértéket (ez jelenti a minimális, U -val jelölt mintaelemet). Változtassuk n értékét, és figyeljük meg, hogyan változik a sűrűségfüggvény alakja! Az n 5 paraméterválasztással szimuláljunk 1000 kísérletet (frissítsük az ábrát minden tizedik után), és figyeljük meg, hogyan konvergál az empirikus sűrűségfüggvény a valódi sűrűségfüggvényhez!
  2. Változtassuk n -et, és mindig állítsuk be a k n értéket (így megkapjuk a legnagyobb, V -vel jelölt mintaelemet), és figyeljük meg, hogyan változik a sűrűségfüggvény alakja! Az n 5 paraméterválasztással szimuláljunk 1000 kísérletet (frissítsük az ábrát minden tizedik után), és figyeljük meg, hogyan konvergál az empirikus sűrűségfüggvény a valódi sűrűségfüggvényhez!

A 44. feladat jelöléseit használva igazoljuk, hogy minden i 1 2 n esetén

T i T j minden különböző i és j esetén r i j 1 n r j .
  1. Először lássuk be, hogy ha X és Y független exponenciális eloszlásúak a illetve b paraméterrel, akkor X Y a a b .
  2. Ezután vegyük észre, hogy T i T j minden j i -re pontosan akkor, ha T i T j j i .
  3. Vegyük észre, hogy a jobb oldali valószínűségi változó független T i -től, és a 44. feladat értelmében exponenciális eloszlású j i r j paraméterrel.

Az előző feladat eredménye alapvető fontosságú a folytonos idejű Markov láncok elméletében.

Gamma eloszlás

Az n paraméterű gamma eloszlás (ahol n 1 2 ) sűrűségfüggvénye:

g n t t t n 1 n 1 ,  t 0 .

Ilyen eloszlásokat használnak az érkezési (felújítási) idők modellezésére bizonyos feltevések esetén. A gamma eloszlásról részletesen a Poisson folyamatokról szóló fejezetben olvashatunk.

Igazoljuk, hogy X m paraméterű, Y pedig n paraméterű gamma eloszlású, továbbá X és Y függetlenek, akkor X Y szintén gamma eloszlású, m n paraméterrel. Azaz lássuk be, hogy g m g n g m n .

Legyen T gamma eloszlású n paraméterrel. Határozzuk meg X T eloszlását!

Pareto eloszlás

Az a 0 paraméterű Pareto eloszlás sűrűségfüggvénye:

f x a x a 1 ,  x 1 .

Ezt az eloszlást (amely Vilfredo Pareto-ról kapta a nevét) gyakran alkalmazzák a bevétel, vagy más pénzügyi mennyiségek modellezésére. Részletes tárgyalása a Nevezetes eloszlások című fejezet Pareto eloszlással foglalkozó részében található.

Legyen X a paraméterű Pareto eloszlású. Határozzuk meg az Y X eloszlását! Vegyük észre, hogy ez épp az a paraméterű exponenciális eloszlás!

Legyen X a paraméterű Pareto eloszlású. Határozzuk meg Y 1 X sűrűségfüggvényét! Ekkor Y eloszlása béta eloszlás, a és b 1 paraméterekkel.

Hogyan tudnánk egyetlen egyenletes eloszlású véletlen szám segítségével tetszőleges a paraméterű Pareto eloszlást szimulálni? Zsebszámológéppel szimuláljunk öt független, a 2 paraméterű Pareto eloszlású valószínűségi változót!

Normális eloszlás

A standard normális eloszlás sűrűségfüggvénye

φ z 1 2 12 z 2 ,  z .

Tegyük fel, hogy Z standard normális eloszlású, és legyenek μ , és σ 0 . Határozzuk meg és rajzoljuk le az X μ σ Z változó sűrűségfüggvényét!

Az X valószínűségi változó eloszlását nevezik μ hely-paraméterű, és σ skála-paraméterű normális eloszlásnak. (Mint azt később látni fogjuk, a hely-paraméter igazából a várható érték, a skála-paraméter pedig a szórás.) A normális eloszlás talán a legfontosabb eloszlás a valószínűségszámítás és a matematikai statisztika területén. Nagyon széles körben alkalmazzák, például hibával terhelt mérési eredmények modellezésére. A normális eloszlással részletesen a Nevezetes eloszlások című fejezetben foglalkozunk.

Legyen Z standard normális eloszlású. Határozzuk meg és rajzoljuk le a V Z 2 valószínűségi változó sűrűségfüggvényét!

A V valószínűségi változó eloszlását nevezik 1 szabadsági fokú chi-négyzet eloszlásnak. A chi-négyzet eloszlásról részletesen a Nevezetes eloszlások című fejezetben olvashatunk.

Legyen X normális eloszlású μ és σ paraméterekkel, Y pedig X -től független, normális eloszlású ν és τ paraméterekkel. Igazoljuk, hogy X Y szintén normális eloszlású, μ ν hely- és σ 2 τ 2 skála-paraméterekkel!

Cauchy eloszlás

Legyenek X és Y független standard normális eloszlású valószínűségi változók. Lássuk be, hogy T X Y sűrűségfüggvénye az alábbi f függvény, majd rajzoljuk le ezt a függvényt:

f t 1 1 t 2 ,  t .

A T valószínűségi változó eloszlását Augustin Cauchy tiszteletére Cauchy eloszlásnak nevezik. A Cauchy eloszlás a Student féle t eloszláscsalád tagja. A Student féle t eloszlásokról részletesen a Nevezetes eloszlások fejezetben olvashatunk.

Lássuk be, hogy c 0 esetén a c T valószínűségi változó sűrűségfüggvénye

f c t c c 2 t 2 ,  t .

Természetesen ezt is Cauchy eloszlásnak nevezik, a c paramétert pedig skála-paraméternek.

Igazoljuk, hogy ha U Cauchy eloszlású c skála-paraméterrel, V pedig egy U -tól független Cauchy eloszlás változó d skála-paraméterrel, akkor U V szintén Cauchy eloszlású, méghozzá c d skála-paraméterrel. Ezzel ekvivalens állítás, hogy f c f d f c d .

Béta eloszlás

Legyen az X változó sűrűségfüggvénye f x 3 x 2 ,  0 x 1 . Határozzuk meg és rajzoljuk le az Y 3 X változó sűrűségfüggvényét!

Az előző feladatban tekintett X és Y változók béta eloszlásúak. A Béta eloszlásokkal részletesen a Nevezetes eloszlások című fejezetben foglalkozunk.