½ ségszámítás ValószínU és matematikai statisztika gyakorlatok
feladatok és megoldások 2010. február 19.
ii
Tartalomjegyzék 1. Valószín½uségszámítási feladatok 1.1. Függetlenség, feltételes valószín½uség . . . . . . 1.2. Valószín½uségi változók . . . . . . . . . . . . . 1.3. Nevezetes eloszlású valószín½uségi változók . . . 1.4. Várható érték, szórás . . . . . . . . . . . . . . 1.5. Generátorfüggvény, karakterisztikus függvény . 1.6. Központi határeloszlás tétel . . . . . . . . . . 1.7. Vektor valószín½uségi változók . . . . . . . . . 1.8. 2 ; T és F eloszlás . . . . . . . . . . . . . . . 1.9. Regresszió analízis . . . . . . . . . . . . . . . 1.10. Sztochasztikus folyamatok . . . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
1 1 5 15 22 29 32 34 37 43 55
2. Matematikai statisztika feladatok 2.1. Paraméter becslések . . . . . . . 2.2. Paraméteres próbák . . . . . . . . 2.3. Nem paraméteres próbák . . . . . 2.4. Függ½oségi kapcsolatok . . . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
63 63 75 78 81
. . . .
iii
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
iv
TARTALOMJEGYZÉK
1. fejezet Valószín½uségszámítási feladatok 1.1. Függetlenség, feltételes valószín½uség 1.1. Feladat. Egy sakk versenyen 2N = 32 versenyz½o indul. A verseny egyenes kieséses rendszer szerint, N = 5 fordulóban zajlik úgy, hogy minden forduló után a gy½ozteseket véletlenszer½uen párosítják, és bármelyik versenyz½o 21 valószín½uséggel gy½ozi le ellenfelét (döntetlen kizárva). Mennyi annak valószín½usége, hogy két kijelölt versenyz½o megmérk½ozik egymással? Megoldás: Vizsgáljuk el½oször annak p valószín½uségét, hogy 2K számú versenyz½o párosítása során, mennyi annak valószín½usége, hogy két kijelölt játékos egymás ellen játszik? Az eseteket számoljuk meg úgy, hogy az egyik kiválasztott versenyz½ohöz sorsolunk egy másikat: összes eset: 2K kedvez½o eset: 1 p= Jelölje n = 1; 2;
1 1 2K 1
; N esetén
An a két versenyz½o megmérk½ozik az n-edik fordulóban Bn mindkét versenyz½o nyer az n-edik fordulóban Fn mindkét versenyz½o részt vesz az n-edik fordulóban akkor teljesülnek ;N 1 Fn+1 = Fn \ An \ Bn n = 1; 2; 1 P (An ) P (An jFn ) = N +1 n = =) P (Fn ) = P (An ) 2N +1 n 2 1 P (Fn ) F1 =
1
1
n = 1;
;N
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
2
P (An+1 ) = P (Fn \ An \ Bn \ An+1 ) = = P (Fn ) P An jFn = P (An ) 2N +1
n
P Bn jFn \ An 2N +1 2N +1
1
tehát P (An ) = P (A1 )
1 2n 1
n
P An+1 jFn \ An \ Bn =
1 2 1 N n 1 4 2
n
1
= P (An )
1 2
;N .
n = 1; 2;
A keresett esemény kizáró események úniójaként A = A1 [ A2 [
[ AN ,
és valószín½usége P (A) =
1 31
1 1 1 1 + 2+ 3+ 4 2 2 2 2
=
1 . 16
1.2. Feladat. Szinbád, a szultánnak tett szolgálataiért, választhat egyet az N = 100 háremhölgy közül úgy, hogy az egyenként el½otte elvonuló hölgyek valamelyikére rámutat. Tegyük fel, hogy a háremhölgyek szépségük szerint egyértelm½uen sorrendbe állíthatók, és Szinbád taktikája a következ½o: a véletlen sorrendben elvonuló hölgyek közül, az els½o n = 10 szemrevétele után azt választja, aki szebb minden korábban látottnál. Mennyi annak valószín½usége, hogy Szinbád a legszebb háremhölgyet választja? Megoldás: Vezessük be a következ½o eseményeket A B1 B2 .. .
.. .
a legszebb hölgy az N -edik helyen áll
BN ahol a Bk P (Bk ) =
Szinbád a legszebb háremhölgyet választja a legszebb hölgy az els½o helyen áll a legszebb hölgy a második helyen áll .. .
k = 1; 2; : : : ; N események teljes eseményrendszert alkotnak, és 1 N
k = 1; 2; : : : ; N
P (A j Bk ) =
0 n k 1
ha k = 1; 2; : : : ; n ha k = n + 1; n + 2; : : : ; N
amib½ol a keresett P (A) =
N X
k=n+1
n k
N 100 1 n X 1 10 X 1 = = = 0:2358409 1 N N k=n+1 k 1 100 k=11 k 1
valószín½uség a teljes valószín½uség tétellel számolható. Megjegyzés: Ha az N = 100 esetben megkeressük azt az n számot, amire P (A) maximális, kapjuk az 100 X n 1 100 k=n+1 k 1
kifejezés maximumát n = 37 esetén, és ekkor P (A) = 0:37474278. Megmutatható, hogy N ! 1 esetén, Nn = e = 2: 718 3 arány adja a maximális valószín½uséget, ami most 100 = 37 2: 702 7 .
½ 1.1. FÜGGETLENSÉG, FELTÉTELES VALÓSZÍNUSÉG
3
1.3. Feladat. Két testvér, A és B; p illetve q valószín½uséggel mond igazat. Ha B azt állítja, hogy A hazudik, mennyi annak valószín½usége, hogy A igazat mond? Megoldás: Vezessük be az alábbi eseményeket A1 A2 B1 B2
A A B B
mond egy igaz állítást mond egy hamis állítást azt állítja, hogy A igaz állítást mond azt állítja, hogy A hamis állítást mond
akkor feltehetjük: P (A1 ) = p P (A2 ) = 1 p P (B1 j A1 ) = P (B2 j A2 ) = q P (B1 j A2 ) = P (B2 j A1 ) = 1
q
amib½ol a keresett P (A1 j B2 ) =
P (B2 j A1 ) P (A1 ) = P (B2 j A1 ) P (A1 ) + P (B2 j A2 ) P (A2 ) (1
(1 q) p q) p + q (1
p)
valószín½uség a Bayes tétellel számolható. 1.4. Feladat. Egy l½otéren húszan gyakorolnak, köztük 4 kiváló, 7 jó és 9 gyenge felkészültség½u lövész van, akik 0:9; 0:8 illetve 0:6 valószín½uséggel találják el a célt. Egy találomra meg…gyelt lövés sikeres illetve sikertelen voltából következtessünk a lövész felkészültségére! Adjuk meg a hibás következtetés valószín½uségét! Megoldás: Vezessük be az alábbi eseményeket: A1 A2 B1 B2 B3
a meg…gyelt lövés nem talál a meg…gyelt lövés talál kiváló lövész adta le a lövést közepes lövész adta le a lövést gyenge lövész adta le a lövést
Foglaljuk össze a két teljes eseményrendszerrel kapcsolatos P (Ai \ Bj ) és P (Bj j Ai ) valószín½uségeket az alábbi táblázatban: A
B
A1 A2 P (B )
B1 0:1 = 0:02 0:0 2 = 0: 074 07 0:27 4 0:9 20 = 0: 18 0: 18 = 0: 246 58 0:73 4 = 0:20 20 4 20
B2 0:2 = 0:0 7 0:0 7 = 0: 259 26 0:27 7 0:8 20 = 0: 28 0: 28 = 0: 383 56 0:73 7 = 0:35 20 7 20
B3 0:4 = 0: 18 0: 18 = 0: 666 67 0:27 9 0:6 20 = 0: 27 0: 27 = 0: 369 86 0:73 9 = 0:45 20 9 20
P (A ) 0:27 0:73 1:00
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
4
Tehát a Bayes döntés, és a hiba valószín½usége: d P Ai \ Bd 1 7! 3 0: 18 2 7! 2 0: 28 0:46
(i)
P (Hd ) = 1
0:46 = 0: 54
1.5. Feladat (*). Egy kosárlabda játékos egymás után végez büntet½o dobásokat. Az els½ot bedobja, a másodikat nem, és minden további dobása akkora valószín½uséggel lesz sikeres, mint amennyi a megel½oz½o dobásokban a kosarak relatív gyakorisága. Mennyi annak valószín½usége, hogy 100 dobásból pontosan 50 kosarat fog dobni? Megoldás: Jelölje Ak
a k-adik dobás sikeres
akkor az az esemény, hogy 3 N számú dobásból n számú sikeres: [ Ac33 \ Ac44 \ \ AcNN 1 n N BN;n =
1
(1.1)
c3 ;c4 ;:::;cN
ahol a c3 ; c4 ; : : : ; cN sorozat n 1 számú ”t” szóköz karakter és N n 1 számú ”c” komplementer jel egy permutációja. A (1.1) diszjunkt únió egy tagjának valószín½usége a szorzási szabály segítségével, ha például minden szóköz elöl áll: P A3 \ A4 \
\ An+1 \ Acn+2 \ Acn+3 \ AcN = n 1 1 2 1 2 = 2 3 n n+1 n+2 =
Ezt az értéket kapjuk minden (n követ½o tényez½ok nevez½oi rendre 2;
(N 2)! 1)! (N n 1)!
3;
n;
N
n N
1 N
1 (n
1
1
= 1)! (N n (N 2)!
1)!
számú permutáció esetén, hiszen az egymást
n + 1;
N
1
és a számlálók két (egyesével) növekv½o 1;
2;
n
1 illetve
1;
2;
N
n
1
sorozat permutációja lesz. Tehát P (BN;n ) =
1 N
1
vagyis az N -edik dobás után minden lehetséges n = 1; 2; valószín½u.
;N
1 érték egyformán
½ 1.2. VALÓSZÍNUSÉGI VÁLTOZÓK
5
1.2. Valószín½uségi változók 1.6. Feladat. A következ½o szerencsejátékot játszuk 10Ft be…zetése ellenében: kockát dobunk, és ha az eredmény 1, 2 vagy 3, akkor még …zetünk további 5Ft-ot. Ha a dobás eredménye 4, 5 vagy 6, akkor hatszor ennyi Ft-ot kapunk. Jelölje a játékban elért eredményt (bevétel - kiadás), a) adjuk meg a véletlen kísérlet matematikai modelljét! b) adjuk meg
eloszlását!
c) mennyi a nyerés ( > 0) valószín½usége? d) mi a legvalószín½ubb érték? Megoldás: a) A véletlen kísérlet matematikai modellje a kombinatórikus v.m. (n – összes eset száma, k –kedvez½o esetek száma): = f1; 2; 3; 4; 5; 6g
(!) =
8 > > < > > :
15 14 20 26
ha ha ha ha
! ! ! !
Mivel most minden részhalmaza esemény, a események közül elég vizsgálni a f = 15g f = 14g f = 20g f = 26g
= = = =
n=6
= 1; 2; 3 =4 =5 =6
.
függvény v.v., mellyel kapcsolatos
f1; 2; 3g f4g f5g f6g
k k k k
=3 =1 =1 =1
eseményeket. b)
értékkészlete véges, ezért diszkrét eloszlása és eloszlásfüggvénye az értékek növekv½o sorrendjében megadva: x P ( = x) F (x) 3 15 0 6 1 3 14 6 6 . (1.2) 4 1 20 6 6 1 5 26 6 6 P 1 Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
6 c) Számítsuk ki a
P ( > 0) =
1 1 1 1 + + = 6 6 6 2
valószín½uséget. d) Mivel max fP ( = x)g = x
a keresett érték ( un. módusza)
1 = P( = 2
15) ,
15:
1.7. Feladat. Egy 2 egység hosszúságú szakaszon találomra választunk egy pontot. Az így kapott két részb½ol, mint oldalakkal, téglalapot készítünk. Jelölje a téglalap területét, a) adjuk meg a véletlen kísérlet matematikai modelljét! b) adjuk meg
eloszlását!
c) mennyi annak valószín½usége, hogy a terület
1 3
és
2 3
közé esik?
d) milyen értéknél lesz nagyobb illetve kisebb a terület azonos valószín½uséggel? Megoldás: a) A véletlen kísérlet matematikai modellje a geometriai v.m.(H –összes eset hossza, h –kedvez½o esetek hossza): = [0; 2] H = 2 (!) = ! (2
!) ! 2 [0; 2] .
Vizsgáljuk a -vel kapcsolatos f < xg ”nívóhalmazokat”, ami az !) < x ! 2 [0; 2]
! (2
(1.3)
egyenl½otlenség megoldáshalmaza. Az egyenl½otlenség ekvivalens alakításával kapjuk 0 < !2
2! + x ! 2 [0; 2]
aminek megoldása, ha i) 4 ii) 4
4x < 0 , x > 1 4x = 0 , x = 1
f < xg = [0; 2] h = 2 f < xg = [0; 2] n f1g h = 2
iii) 4 4x > 0 , x < 1 Ha 0 < x < 1 f < xg = 0; 1 ha pedig x
p
1
x [ 1+
p
1
x; 2
0 f < xg = ; h = 0 .
h=2 1
p
1
x ,
½ 1.2. VALÓSZÍNUSÉGI VÁLTOZÓK
Tehát b)
7
valóban valószín½uségi változó.
eloszlása nem lehet diszkrét, ezért adjuk meg eloszlásfüggvényét:
F (x) = P ( < x) =
8 < :
p0 1 1
1
ha x 0 x ha 0 < x ha 1 < x
ami szakaszonként folytonosan di¤erenciálható, tehát 1 f (x) = p 2 1 x
1
folytonos eloszlású (1.4)
0<x<1
s½ur½uségfüggvénnyel. c) Számítsuk ki a P
1 < 3
2 < 3
=
Z
2 3 1 3
1 p dx = F 2 1 x
2 3
1 3
F
=
p
p
6
3
3
valószín½uséget. d) Mivel
folytonos eloszlású, P ( = x) = 0 minden x 2 R esetén, ezért keressük az P ( < x) = P ( > x) = F (x) =
1 2
egyenlet megoldását, amib½ol 1
p
1
x=
1 3 )x= , 2 4
tehát a keresett érték ( u.n. mediánja) 43 . 1.8. Feladat. Két kockát dobunk, és dobás minimumát. a) Adjuk meg ( ; ), b) Függetlenek-e
és
jelölje az eredmények maximumát,
pedig a két
eloszlását!
és ?
c) Mennyi annak valószín½usége, hogy a maximum legalább kétszer akkora mint a minimum? Megoldás: Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
8
a) Mivel ( ; ) véges értékkészlet½u, a kombinatorikus v.m.-ben számolhatjuk eloszlását, amit az értékek szerint táblázatba foglalva kapjuk az együttes illetve perem eloszlásokat: y 1 2 3 4 5 6 P ( = x) x 1 1 1 0 0 0 0 0 36 36 2 1 3 2 0 0 0 0 36 36 36 2 2 1 5 3 0 0 0 36 36 36 36 (1.5) 2 2 2 1 7 4 0 0 36 36 36 36 36 2 2 2 2 1 9 5 0 36 36 36 36 36 36 2 2 2 2 2 1 11 6 36 36 36 36 36 36 36 9 7 5 3 1 P ( = y) 11 1 36 36 36 36 36 36 b) Mivel például P ( = 1; = 1) = ezért
és
1 1 11 6= = P ( = 1) P ( = 1) , 36 36 36
nem függetlenek.
c) A keresett valószín½uség: P(
2 )=
2 2 2 2 2 2 2 2 2 1 + + + + + + + + = . 36 36 36 36 36 36 36 36 36 2
1.9. Feladat. Válasszunk véletlen pontot az egység sugarú körben, jelölje a pont koordinátáit és , a polárkoordinátákat pedig és '. a) Adjuk meg a véletlen kísérlet matematikai modelljét! b) Keressünk -vel és -val kapcsolatos esemányeket, melyek nem fügetlenek! c) Függetlenek-e, a
és ' véletlen mennyiségekkel kapcsolatos események?
Megoldás: a) A véletlen kísérlet matematikai modellje a geometriai v.m.(T –összes eset területe, t –kedvez½o esetek területe): = (x; y) j x2 + y 2
p
(x; y) = x (x; y) 2 (x; y) = y (x; y) 2 x2 + y 2
(x; y) 2 8 0 > > > > > 2 > < arctan xy '(x; y) = arg(x; y) = > 2 > > y > arctan + > > x : arctan xy + 2 (x; y) =
1
ha ha ha ha ha ha
x=y y>0 y 0 y<0 x<0 y<0
=0 és x = 0 és x > 0 és x = 0 és x > 0
½ 1.2. VALÓSZÍNUSÉGI VÁLTOZÓK
9
b) Mivel a pozitív terület½u ( p ) ( p 2 2 > = (x; y) j <x 2 2
)
1
és
események kizárják egymást, ezért p p ! 2 2 P > ; > = 0 6= P 2 2 tehát a két esemény, és akkor
(
p ) ( p 2 2 > = (x; y) j
p ! 2 > P 2
)
1
p ! 2 > >0 2
és ; nem függetlenek
c) Adjuk meg a -val kapcsolatos eseményeket 8 ; ha b 0 t = 0 < 2 2 2 f(x; y) j x + y < b g ha 0 < b 1 t = b2 f < bg = : ha 1 < b t = és a '-vel kapcsolatos eseményeket 8 ; ha c 0 t = 0 < c ívmétrék½u körcikk ha 0 < c 2 t= f' < cg = : ha 2 < c t =
c 2
:
Továbbá
8 > > ; > > > > > > c ívmétrék½u, b sugarú > > > > körgy½ur½u-cikk > > < c ívmétrék½u f < bg \ f' < cg = körcikk > > > > b sugarú > > > > koncentrikus kör > > > > > > :
ha b 0 vagy c 0 ha 0 < c 2 és 0 < b 1 ha 0 < c 2 és 1 < b ha 0 < b 1 és 2 < c ha 1 < b és 2 < c
t=0 t=
c 2
t=
c 2
b2
t = b2 t=
tehát kapjuk
P ( < b; ' < c) = P ( < b) P (' < c) b; c 2 R , ami
és ' függetlenségét jelenti, mivel a megfelel½o eloszlásfüggvényekre kaptuk: F
;' (b; c)
= F (b) F' (c) b; c 2 R .
Megjegyzés: Vegyük észre, hogy a és ' véletlen mennyiségek ugyanazon ( ; ) pár által meghatározottak, annak függvényei, valószín½uségszámítási értelemben mégis függetlenek. Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
10
1.10. Feladat. Egy diszkrét eloszlású v.v. eloszlása x 2 1 0 1
P ( = x) p 0:3 0:1 q
és tudjuk, hogy a v.v. negatív értéket 0:5 valószín½uséggel vehet fel. a) Adjuk meg p és q értékét! b) Adjuk meg
2
=
c) Adjuk meg a f
2
eloszlását! 2g esemény valószín½uségét!
+
Megoldás: a) Mivel P ( < 0) = p + 0:3 = 0:5 ) p = 0:2 , továbbá 1 = 0:2 + 0:3 + 0:1 + q ) q = 0:4 . b) Mivel
értékkészlete f0; 1; 4g, y 0 1 4
c) Az
P ( = y) P 0:1 = Px2 =0 P ( = x) . 0:7 = Px2 =1 P ( = x) 0:2 = x2 =4 P ( = x) x2 + x
2
0 x2
egyenl½otlenség megoldáshalmaza f 1; 0; 1g; tehát X P ( 2 + < 2) = P ( = x) = 0:3 + 0:1 + 0:4 = 0:8 . x2 +x<2
1.11. Feladat. Legyen a
v.v. s½ur½uségfüggvénye ( c p ha 1<x 1 jxj f (x) = : 0 egyébként
a) Adjuk meg c értékét! b) Adjuk meg
és
=
2
eloszlásfüggvényét,
s½ur½uségfüggvényét!
(1.6)
½ 1.2. VALÓSZÍNUSÉGI VÁLTOZÓK 2
c) Adjuk meg a j
j<
3 4
11
esemény valószín½uségét!
Megoldás: a) Mivel 1=
Z
f =2
eloszlásfüggvénye:
8 > > <
F (x) = P ( < x) =
mivel
0 esetén
1<x
P ( < x) = és 0 < x
1
0
R
b)
Z
1 esetén
Z
> > : x
1
1 2
c 1 p dx = 4c ) c = . 4 x
1 2
0 p ( x) p + 12 x 1 1 2
Z
0
2
F (x) = P ( mivel 0 < x P( Ebb½ol
1 esetén 2
< x) = P (
p
1p ( x) , 2
1 1 p dt = 2 4 t
P ( < x) = P ( < 0) + eloszlásfüggvénye:
ha x 1 ha 1<x 0 ; ha 0 < x 1 ha 1 < x
x
1 1 1p p dt = + x. 2 2 4 t
8 < p0 ha x 0 4 x ha 0 < x < x) = : 1 ha 1 < x
x<
<
p
p x) = F ( x)
F(
1
p
x) =
p 4
x.
s½ur½uségfüggvénye: 1 f (x) = F 0 (x) = p 4 4 x3
0<x
1.
c) Az jx2
xj <
3 4
x2R
egyenl½otlenséget alakítva, oldjuk meg: 3 0 < x2 x + és x2 4 A megoldáshalmaz: ] 21 ; 32 [, így P
2
<
3 4
=P
1 < 2
=1
1 2
x
3 <0. 4
3 3 < =F F 2 2 r ! 1 1 = 0: 853 55. 2 2
1 2
=
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
12
1.12. Feladat. Válasszunk két véletlen pontot a [0; 1] intervallumban, jelölje az els½oként választott értéket ; és legyen a két érték maximuma. a) Adjuk meg ( ; ) eloszlását! Független-e
és ?
b) Adjuk meg a peremek eloszlását! c) Folytonos-e ( ; ) eloszlása? Megoldás: a) Adjuk meg ( ; ) eloszlásfüggvényét: 8 > > 0 > > < xy y2 F ; (x; y) = > > x > > : 1
ha ha ha ha ha
x 0 vagy y 0 0<x y 1 0 < y 1 és y < x 0 < x 1 és 1 < y 1 < x és 1 < y
Mivel például a
f > 0:5g és f < 0:5g pozitív valószín½uség½u események kizáróak, ezért nem lehetnek függetlenek, és így és sem független. b)
eloszlásfüggvénye: 8 < 0 ha x 0 x ha 0 < x F (x) = lim F ; (x; y) = y!1 : 1 ha 1 < x
1
s½ur½uségfüggvénye:
f (x) = F 0 (x) = 1 0
x
1.
eloszlásfüggvénye: 8 < 0 ha y 0 y 2 ha 0 < y F (y) = lim F ; (x; y) = x!1 : 1 ha 1 < y
1
s½ur½uségfüggvénye:
f (y) = F 0 (y) = 2y
0
y
1.
c) ( ; ) eloszlása nem lehet folytonos, mert P ( = ) = 0:5; de folytonos eloszlás esetén ZZ P( = ) = f (x; y)dxdy = 0 x=y
következne, mivel nulla mérték½u halmazon kell integrálni.
½ 1.2. VALÓSZÍNUSÉGI VÁLTOZÓK
13
Megjegyzés: Vegyük észre, hogy a peremek ugyan folytonos eloszlásúak, az F ; eloszlásfüggvény folytonos, és nulla mérték½u halmazon kívül folytonosan di¤erenciálható, mégsem folytonos az együttes eloszlás. 1.13. Feladat. Legyen a 1 ; 2 ; : : : ; n : ! R független, azonos eloszlású valószín½uségi változók közös s½ur½uségfüggvénye f : R ! R+ 0 ; és jelölje közülük a nagyság szerint k-adikat k k = 1; 2; : : : ; n. a) Adjuk meg
n
eloszlását!
b) Adjuk meg ( 1 ;
2 ; : : : ; n)
:
! Rn eloszlását!
c) Mutassuk meg, hogy az Akl = f k = l g l = 1; 2; : : : ; n események függetlenek ( 1 ; 2 ; : : : ; n )-t½ol minden k = 1; 2; : : : ; n esetén! Megoldás: a) Mivel P( kapjuk
n
n
< x) = P (
1
< x;
2
< x; : : : ;
n
< x) =
s½ur½uségfüggvényét:
Z
n
x
f (t)dt 1
f n (x) = n F n 1 (x) f (x) x 2 R ahol F (x) = a közös eloszlásfüggvényt jelöli.
Z
x 1
f (t)dt x 2 R
b) Mivel ( 1 ; 2 ; : : : ; n ) együttes eloszlása folytonos, 1 valószín½uséggel különböz½o értékeket vesznek fel, ezért elég megadni ( 1 ; 2 ; : : : ; n ) eloszlását a H = f(x1 ; x2 ; : : : ; xn ) j x1 < x2 < halmazon. Legyenek I1 ; I2 ;
R intervallumok olyanok, hogy
; In I1
< xn 2 Rg
I2
In
H ,
akkor, ha P(
1
jelöli az 1; 2; : : : ; n számok permutációinak halmazát, X 2 I1 ; 2 2 I2 ; P ( k1 2 I1 ; k2 2 I2 ; n 2 In ) = = n!
tehát ( 1 ;
2 ; : : : ; n)
Z
Z
I1 I2
(k1 ;k2 ;
kn
;kn )2
f (x1 ) f (x2 )
2 In )
f (xn )dx1 dx2
dxn ,
In
eloszlása folytonos
(x1 ; x2 ; : : : ; xn ) 7! n! f (x1 ) f (x2 )
f (xn )
(x1 ; x2 ; : : : ; xn ) 2 H
s½ur½uségfüggvénnyel. Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
14
c) Vizsgáljuk a k = 1 esetet, és jelölje Al = A1l l = 1; 2; : : : ; n. Mivel az (Al )nl=1 eseményrendszer 1 valószín½uséggel teljes eseményrendszert alkot, és minden tagja azonos valószín½uség½u, P (Al ) = n1 l = 1; 2; : : : ; n. Vizsgáljuk most a P (Al \ (
1
2 I1 ; Z =
2
2 I2 ; Z
n
2 In )) = (n
I1 I2
1)! f (x1 ) f (x2 )
f (xn )dx1 dx2
dxn
In
valószín½uséget, ami éppen n1 P ( 1 2 I1 ; 2 2 I2 ; H esetén Al és f( 1 ; 2 ; ; n ) 2 I1
n
2 In ), tehát I1 I2
In
In g
I2
függetlenek, amib½ol már következik az állítás. 1.14. Feladat (*). Ha és független skalár valószín½uségi változó, és vénye folytonos, mutassuk meg, hogy
eloszlásfügg-
P ( = ) = 0: Bizonyítás. Mivel P( = ) elég a
2 U(0; 1), és im( ) f = g=
P (F ( ) = F ( )) ,
[0; 1] esetben igazolni az állítést. Ekkor
1 [ n \
k n
n=1 k=0
<
k+1 n
k n
\
k+1 n
<
amib½ol n X 1 P ( = ) = lim F n!1 n k=0
1 F n!1 n
= lim
1.15. Feladat (*). Legyenek ;
k+1 n
F
k n
= 1 =0 n!1 n
n+1 n
F (0) = lim
független szentpétervári valószín½uségi változók, azaz
P ( = 2k ; = 2l ) =
1 1 2k 2l
k; l 2 N+ .
(1.7)
Mutassuk meg, hogy van olyan ( ; A; P ) v.m., melyben ( ; ) értelmezett, és eloszlása 1.7, továbbá megadható ( 0 ; 0 ) ugyanilyen eloszlással, és teljesül +
=2 0+
0
1f
0
0g
.
(1.8)
½ 1.3. NEVEZETES ELOSZLÁSÚ VALÓSZÍNUSÉGI VÁLTOZÓK
15
Bizonyítás. Legyen = (2k ; 2l ; ) j k; l 2 N+ ;
A=2 1 1 1 P f(2k ; 2l ; )g = k l 2 2 2 vezessük be továbbá a
2 f0; 1g
k; l 2 N+ ;
2 f0; 1g
! R (2k ; 2l ; ) 7! 2k
k; l 2 N+ ;
2 f0; 1g
0
:
0
:
! R (2k ; 2l ; ) 7! 2l k
l
! R (2 ; 2 ; ) 7!
:
k; l 2 N+ ; +
k; l 2 N ;
2 f0; 1g
2 f0; 1g
független valószín½uségi változókat. Ekkor ( 0 ; 0 ) eloszlása (1.7) szerinti, és ha bevezetjük a = =
0 0
1f 1f
+[ 0g + [
0< 0g 0<
2 0 + (1 0 + (1
)
0
] 1f 0 ) 2 ] 1f
0
0g
0
0g
valószín½uségi változókat, akkor teljesül (1.8). Adjuk meg ( ; ) eloszlását: P 1 1 1 1 P ( = = 2k ) = P ( 0 = 2k ; 0 < 0 ) = 1 l=k+1 2k 2l = 2k 2k k = 1; 2; : : : P ( = 2k ; = 2l ) = P ( = 0; 0 = 2l 1 ; 0 = 2k ) = 21 2l1 1 21k = 21k 21l k = 1; 2; : : : l = k + 1; k + 2; k l 0 k 1 0 P ( = 2 ; = 2 ) = P ( = 1; = 2 ; = 2l ) = 12 2k1 1 21l = 21k 21l l = 1; 2; : : : k = l + 1; l + 2; tehát ( ; ) eloszlása is (1.7) szerinti.
1.3. Nevezetes eloszlású valószín½uségi változók 1.16. Feladat. Egy 20 f½os tanulócsoportban 12 lány és 8 …ú van. 6 találomra válsztott felelés során, milyen határok között van a lányok száma legalább 0.8 valószín½uséggel, ha a) minden tanuló csak egyszer felelhet? b) minden tanuló tetsz½oleges számúszor felelhet? Megoldás: Jelölje a)
a lányok számát a 6 felel½o között, akkor feltehetjük, hogy
= 3: 6 értéket közrefogó legvalószín½ubb értékekkel 2 Hyp(20; 12; 6); és az n p = 6 12 20 kezdve, számoljuk: P k P ( = k) (124)(82) = 0: 357 59 0: 357 59 4 (206) 12 8 ( 3 )(3) 3 = 0: 317 85 0: 675 44 (206) (125)(81) 5 = 0: 163 47 0: 838 91 (206) Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
16 Tehát
5) = 0: 838 91 .
0:80 < P (3 b)
12 = 0:6); és az n p = 6 2 Bin(6; 20 értékekkel kezdve, számoljuk:
k 4 3 5 2
P ( = k) 6 0:64 4 6 0:63 3 6 0:65 5 6 0:62 2
0:42 0:43 0:41 0:44
12 20
= 3: 6 értéket közrefogó legvalószín½ubb
= 0: 311 04 = 0: 276 48 = 0: 186 62 = 0: 138 24
P
0: 311 04 0: 587 52 0: 774 14 0: 912 38
Tehát 5) = 0: 912 38 .
0:80 < P (2
Megjegyzés: A kérdésre más válasz is adható, például a b) esetben P ( = 6) =
6 6
0:66 0:40 = 4: 665 6
10
2
értékkel számolva kapjuk 0:80 < P (3
6) = 0: 774 14 + 4: 665 6
10
2
= 0: 820 8 .
1.17. Feladat. Egy háztartási bizosításra átlagosan 5 év alatt egyszer kell kártérítést …zetni. a) Mennyi annak valószín½usége, hogy egy biztosított egy adott évben nem jelentkezik kártérítésért? b) Mennyi annak valószín½usége, hogy egy biztosításra 5 év alatt egynél több év lesz, amikor kell kártérítést …zetni? Megoldás: a) Jelölje egy biztosított kártérítéseinek számát egy év alatt, akkor feltehetjük, hogy 2 Po( 51 ). A keresett valószín½uség: P ( = 0) = e
1 5
= 0: 818 73 .
b) Jelölje az n = 5 év alatt bekövetkez½o p = 1 0: 818 73 = 0: 181 27 valószín½uség½u események számát, akkor 2 Bin(5; 0: 181 27) . A keresett valószín½uség: P ( > 1) = 1
0: 818 735 + 5 0: 181 27 0: 818 734 = 0: 224 87 .
1.18. Feladat. Egy bizonyos forrásból származó adatállomány mérete exponenciális eloszlású véletlen mennyiség. Tudjuk, hogy az esetek felében az állomány mérete meghaladja a 120 kB-ot.
½ 1.3. NEVEZETES ELOSZLÁSÚ VALÓSZÍNUSÉGI VÁLTOZÓK
17
a) Mennyi annak valószín½usége, hogy egy állomány mérete meghladja a 200 kB-ot? b) Ha egymás után kapunk ilyen állományokat, mennyi annak valószín½usége, hogy az els½o 200 kB-ot meghaladó méret½u a tizedik útán, de még a tizenötödik el½ott érkezik? Megoldás: a) Jelölje
egy állomány méretét, akkor
2 Exp( ), és tudjuk, hogy 120
P ( > 120) = e amib½ol
= 0: 5.
ln(0:5) = 5: 776 2 120
=
10
3
tehát a keresett valószín½uség P ( > 200) = e
5: 776 2 10
3
200
= 0: 314 98
b) Jelölje annak az állománynak a sorszámát, amely nagyobb mint 200 kB, akkor 2 Geom(0: 314 98), és a keresett valószín½uség P (11
14) =
14 X
0: 314 98)k
(1
1
0: 314 98 = 1: 774 3
10
2
.
k=11
1.19. Feladat. Tudjuk, hogy a feln½ott emberek magassága N (175; 10) eloszlású véletlen mennyiség. a) Milyen magas legyen egy ajtó, ha azt karjuk, hogy valaki 99%-os biztonsággal gond (lehajlás) nélkül tudja azt használni? b) Ha egy lakásban négy feln½ott lakik, mennyi annak valószín½usége, hogy legfeljebb egy f½o magasabb az el½obb megadott ajtó-méretnél? c) Milyen magas legyen az ajtaja egy 200 f½os el½oadó teremnek, ha azt akarjuk, hogy 90%os valószín½uséggel senkinek ne okozzon gondot az ajtó? Megoldás: a) Jelölje
2 N (175; 10) v.v. egy feln½ott magasságát, és q a keresett értéket, akkor P ( < q) = F (q) =
amib½ol a
q
175 10
= 0:99
(2: 326 3) = 0:99 táblázati értékkel kapjuk q
175 = 2: 326 3 10
tehát q = 198: 26 . Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
18
b) Jelölje azok számát, akiknek alacsony ez a méret, akkor keresett valószín½uség:
2 Bin(4; 0:01), tehát a
1) = 0:994 + 4 0:01 0:993 = 0: 999 41
P(
c) Jelölje azok számát, akiknek alacsony a keresend½o q méret, akkor Po(200p), tehát 200p
P ( = 0) = e
ln(0:9) = 5: 268 200
= 0:9 ) p =
2 Bin(200; p) u 4
10
és teljesülni kell q
P ( < q) = F (q) = amib½ol a
(3: 275 8) = 1
5: 268 q
4
10
175 10
=1
5: 268
10
4
táblázati értékkel kapjuk
175 = 3: 275 8 10
tehát q = 207: 76 . 1.20. Feladat. Egy öt …úból, és öt lányból álló társaságban a …úk magassága N (180; 8), a lányoké N (172; 10) eloszlású véletlen mennyiség. a) Ha választunk egy …út és egy lányt, mennyi annak valószín½usége, hogy a …ú legalább 5 cm-rel magasabb a lánynál? b) Ha öt táncoló párt alkot a társaság, mennyi annak valószín½usége, hogy van köztük legalább egy pár, ahol a …ú nem magasabb legalább 5 cm-rel a lánynál? Megoldás: a) Jelölje az egymástól független 2 N (180; 8) a …ú, akkor a keresett valószín½uség P( >
+ 5) = P (
= mivel b)
2 N (8;
p p
3 164
> 5) = 1
F
2 N (172; 10) a lány magasságát, (5) = 1
5 8 p 164
=
= 0: 592 61
164) .
jelölje azon párok számát, ahol a …ú nem magasabb 5 cm-rel a lánynál, akkor 2 Bin(5; 0:40739), és a keresett valószín½uség P ( > 0) = 1
0: 592 615 = 0: 926 91 .
½ 1.3. NEVEZETES ELOSZLÁSÚ VALÓSZÍNUSÉGI VÁLTOZÓK
19
1.21. Feladat. Legyenek ; 2 N (0; 1) függetlenek, adjuk meg a)
2
eloszlását!
b)
2
+
c)
2
eloszlását!
eloszlását!
Megoldás: a) Adjuk meg az eloszlásfüggvényt: F 2 (x) =
p0 2 ( x)
ha x 0 1 ha 0 < x
< x) = P (
p
p
mivel 0 < x esetén P(
2
x<
<
p x) = 2 ( x)
1.
A s½ur½uségfüggvény: 1 1 f 2 (x) = F 02 (x) = p '(x) = p exp x 2 x
x 2
0<x
(1.9)
b) Vezessük be a h(x; y) = x2 + y 2 ; arg (x; y) x; y 2 R r f(0; 0)g p p h 1 (R; ) = R cos( ); R sin( ) R > 0; 0 amivel (
2
2
+
<2
; ) = h( ; ), és és függetlenek, ezért együttes s½ur½uségfüggvényük f ; (u; v) =
1 2
u2 + v 2 2
exp
(u; v) 2 R2
(1.10)
és így f( mivel a h
1
2+ 2;
) (R;
)=
1 1 2 2
exp
R 2
R > 0; 0
<2
függvény derivált mátrixának determinánsa 02 31 p cos( ) R sin( ) 7C B6 2pR 6 7C = 1 , det B @4 sin( ) p 5A 2 p R cos( ) 2 R
amib½ol kapjuk f
2+ 2
(R) =
Z
0
2
1 1 2 2
exp
R 2
d =
1 exp 2
R 2
R>0.
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
20 c) Vezessük be a
1
= , és
2
v.v.-kat, akkor ( 1 ; 2 ) = h( ; ); ahol
=
u ;v v
h(u; v) =
u 2 R, 0 6= v 2 R
a ( ; ) értékkészletének 1-valószín½uség½u részén értelmezett, invertálható h 1 (x; y) = (x y; y) x 2 R, 0 6= y 2 R és di¤erenciálható, az inverz derivált mátrixa: y x 0 1
x 2 R, 0 6= y 2 R
és y x 0 1
det
x 2 R, 0 6= y 2 R .
=y
Tehát a (1.10)-b½ol kapjuk ( 1 ; 2 ) s½ur½uségfüggvényét f
1;
2 (x; y) = jyj
x2 y 2 + y 2 2
1 exp 2
x 2 R, 0 6= y 2 R ,
amib½ol a keresett s½ur½uségfüggvény: f 1 (x) =
Z1 1
=
x2 y 2 + y 2 2
1 exp jyj 2 1 x2
dy = 2
x +1 2 y 2
Megjegyzés: Vegyük észre, hogy 2 + eloszlása pedig az u.n. Cauchy eloszlás.
2
> 0;
x2 + 1 2 y dy = 2
1 exp 2 1 x2
1 +1
exponenciális eloszlású
=
= y=0
1.22. Feladat. Legyen " 2 N (0; 1), adjuk meg olyan melyre teljesül ( )2 = "2 2 ahol
y
0 y!1
2
1 exp +1
Z1
+
2 2
2
") +
=0
másodfokú egyenletet -re, melynek diszkriminánsa (2
+
2 2 2
")
4
2 2
=4
3 2
paraméterrel,
(1.11)
Megoldás: Az (1.11) egyenletet alakítva kapjuk a (2
1 2
valószín½uségi változó eloszlását,
> 0.
2
x2R.
" +
4 4
" >0,
½ 1.3. NEVEZETES ELOSZLÁSÚ VALÓSZÍNUSÉGI VÁLTOZÓK
ezért van két
1
<
2
21
különböz½o gyök, melyek összege és szorzata 1+
2
=
tehát mindkett½o pozitív, és
2
=
2 2
+ 2
p
1
"
2
0<
>0
1
2
2
=
>0
miatt 1
<
<
.
2
Tehát az (1.11) egyenletnek két megoldása van, és ezek eloszlása: a)
1
eloszlása. Mivel 1 = h("2 ), ahol h : R+ !]0; [
)2
(x
h 1 (x) =
10
h
2x
x2
(x) =
2
2
használjuk "2 (1.9) szerinti s½ur½uségfüggvényét, amivel kapjuk x2
f1 (x) =
2
x+
=
2
x2 r
q 2
)2
(x
)2 2x
exp
2
2x
(x )2 2 2x
exp
2 x3
1
(x
1
x 2]0; [,
x2
!
=
x 2]0; [
s½ur½uségfüggvényét. b)
2
eloszlása. Hasonlóan kapjuk
2
f2 (x) =
x+
r
2 x3
(x )2 2 2x
exp
x 2] ; +1[
s½ur½uségfüggvényét. Az (1.11) egyenlet további megoldásai nyerhet½ok tetsz½oleges A 2 A eseménnyel =
1
1A +
2
1A
alakban. Legyen például 2 U(0; 1) a 1 -t½ol (és akkor a n o A= < + 1 . Ekkor eloszlásfüggvénye F (z) = P =
Z
0
1 z
r
< z; <
2 x3
exp
+
+P
2
< z;
1
(x )2 2 2x
dx
2
=
2 1
-t½ol is) független, és
+
= 1
0
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
22 mivel P
1
< z; <
+
= 1
( R R z
=
0
R R
R0z R0
2
< z;
+
1
=P (
= = Tehát
2
f1 (x)dudx ha 0 < z <
+x
f1 (x)dudx
0
ha
=
ha 0 < z < f (x)dx ha < z +x 1
f (x)dx +x 1
0
P
+x
0
2
< z;
=
+
2
0 ha 0 < z < f2 (x)dudx ha < z
RzR1
x +x
=
0 ha 0 < z < f (x)dx ha < z +x 2
Rz
megoldása az (1.11) egyenletnek, és s½ur½uségfüggvénye: r (x )2 exp 0<x. f (x) = 2 x3 2 2x
1.4. Várható érték, szórás 1.23. Feladat. Az 1.6. feladatban adjuk meg az eredmény várható értékét szórását! Megoldás: Használjuk
(1.2) eloszlását
x P ( = x) x P ( = x) x2 P ( = x) 3 45 675 15 6 6 6 1 14 196 14 6 6 6 1 20 400 20 6 6 6 1 26 676 26 6 6 6 P 5 649 1 2 2
Tehát
5 E( ) = 2
D( ) =
s
649 2
2
5 2
= 17: 84
1.24. Feladat. Az 1.7. feladatban adjuk meg a terület várható értékét szórását! Megoldás: Használjuk
(1.4) s½ur½uségfüggvényét: 1 f (x) = p 2 1 x
Tehát E( ) =
Z
0
1
1 2 x p dx = 3 2 1 x
0<x<1.
2
E( ) =
Z
0
1
x2
1 8 p dx = 15 2 1 x
23
1.4. VÁRHATÓ ÉRTÉK, SZÓRÁS
így kapjuk D( ) =
s
8 15
2
2 3
=
2p 5. 15
1.25. Feladat. A következ½o szerencsejátékot játszuk: T -összeg be…zetése ellenében dobunk egy kockát, és ha az eredmény 1, 2 vagy 3, akkor nem nyerünk semmit, ha 4, 5 vagy 6 a dobás eredménye, akkor 18, 24 illetve 30 a nyereményünk a) Milyen T -összegig érdemes játszani? b) Mennyi a játékban elért eredmény szórása, amikor a várható eredmény 0? Megoldás: a) Jelölje
a játékban elért eredményt, akkor x
eloszlása P ( = x)
T T T T
1 2 1 6 1 6 1 6
1 + (24 6
T)
18 24 30 amib½ol E( ) =
T
1 + (18 2
T)
1 + (30 6
T)
1 = 12 6
T .
Tehát érdemes játszani, ha T < 12 : b) Mivel E( ) = 0 , T = 12, és ekkor 1 1 1 1 D2 ( ) = E( 2 ) = ( 12)2 + 62 + 122 + 182 = 156 2 6 6 6 p p D( ) = 156 = 2 39 = 12: 49 1.26. Feladat. Adjuk meg a 1.8. feladat
és
véletlen mennyiségeivel kapcsolatban az
a) E( ); E( ); E( ) várható értékeket és a D( ); D( ) szórásokat! b)
a + b közelítést!
Megoldás: Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
24 a) Használjuk az (1.5) x
y
1
1 2 3 4 5 6 P ( = y)
1 36 2 36 2 36 2 36 2 36 2 36 11 36
2 0
3 0 0
1 36 2 36 2 36 2 36 2 36 9 36
4 0 0 0
1 36 2 36 2 36 2 36 7 36
5 0 0 0 0
1 36 2 36 2 36 5 36
1 36 2 36 3 36
6 0 0 0 0 0
P ( = x) 1 36 3 36 5 36 7 36 9 36 11 36
1 36 1 36
1
eloszlást, amib½ol 3 5 7 9 11 161 1 +2 +3 +4 +5 +6 = 36 36 36 36 36 36 36 11 9 7 5 3 1 91 E( ) = 1 +2 +3 +4 +5 +6 = 36 36 36 36 36 36 36 E( ) = 1
1 2 1 2 1 +2 1 +2 2 + (3 1 + 3 2) +3 3 + 36 36 36 36 36 2 1 2 + (4 1 + 4 2 + 4 3) +4 4 + (5 1 + 5 2 + 5 3 + 5 4) + 36 36 36 1 2 1 49 +5 5 + (6 1 + 6 2 + 6 3 + 6 4 + 6 5) +6 6 = 36 36 36 4
E( ) = 1 1
továbbá E( 2 ) = 12 E( 2 ) = 12
1 3 5 7 9 11 791 + 22 + 32 + 42 + 52 + 62 = 36 36 36 36 36 36 36 11 9 7 5 3 1 301 + 22 + 32 + 42 + 52 + 62 = 36 36 36 36 36 36 36
tehát D( ) = D( ) =
s s
791 36
161 36
301 36
91 36
2
= 2
=
1p 2555 = 1: 404 1 36
1p 2555 = 1: 404 1 36
b) Mivel cov( ; ) = r=
49 4 p 1
36
161 91 1225 = 36 36 1296 1225 1296 p 1 2555 36 2555
=
35 73
25
1.4. VÁRHATÓ ÉRTÉK, SZÓRÁS
kapjuk a regressziós együtthatók értékét 1225 1296
a=
p 1
36
b=
91 36
2
35 = 0: 479 45 73
=
2555 35 161 28 = = 0: 383 56 73 36 73
és a maradék szórásnégyzetet 2 R
1p 2555 36
=
2
35 73
1
2
!
=
665 = 1: 518 3 . 438
1.27. Feladat. Adjuk meg az 1.11. feladatban szerepl½o és valószín½uségi változók várható értékét és szórását, valamint a két véletlen mennyiség korrelációs együthatóját! Megoldás: Mivel
s½ur½uségfüggvénye ( 1 p ha 1<x 1 4 jxj f (x) = : 0 egyébként
kapjuk Z
Z 1 1 1 E( ) = x p dx + x p dx = 0 4 x 4 x 1 0 Z 0 Z 1 1 1 1 2 2 p dx + E( ) = E( ) = x x2 p dx = 5 4 x 4 x 1 0 Z 0 Z 1 1 1 1 E( 2 ) = E( 4 ) = x4 p dx + x4 p dx = 9 4 x 4 x 1 0 Z 0 Z 1 1 1 E( ) = E( 3 ) = x3 p dx + x3 p dx = 0 4 x 4 x 1 0 kapjuk D( ) =
r
1 5
0
D( ) =
s
1 9
1 5
2
=
4 15
cov( ; ) = 0 r = 0 .
Megjegyzés: Vegyük észre, hogy és korrelálatlan, de nem független, mert például Z 1 4 1 1 1 p dx = P < = 4 4 x 1 4 Z 1 9 1 1 1 1 2 p dx = P > =P < +P > =2 81 9 9 3 x 1 4 és P
<
1 1 ; > 4 81
=P
<
1 4
=
1 1 2 6= . 4 4 3
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
26
1.28. Feladat. Egy ujságárusnál egy adott lapot átlagosan 100 vásárló keres egy napon. Ha naponta 120 lapot rendel, mennyi a várható haszna, ha az 50Ft-ért beszerzett lapot 60Ft-ért adja a vásárlónak, és a megmaradt példányokat 30Ft-ért veszi vissza a terjeszt½o? Megoldás: Felthetjük, hogy a napi kereslet 2 Po(100), és ha N = 120 jelöli a rendelt mennyiséget, akkor a haszon véletlen mennyisége: = 10 = 30
1f 1f
= 30 (
20 (N ) 1f N g + (10 N ) 1f 30 N 1f N g + 10 N =
Ng Ng
N ) 1f
+ 10N = 30
Ng
120 X
(k
120)
k=0
1.29. Feladat. Legyenek = 1 2 . Adjuk meg az
1
(k
N )1f
k=0
Adjuk meg ennek várható értékét: E( ) = 30
N X
100k e k!
100
=kg
>N g
=
+ 10N .
+ 10 120 = 596: 92 .
2 N (10; 2); 2 2 Exp(2) függetlenek, és jelölje a + b regressziós közelítést!
=
1
és
Megoldás: Számítsuk ki a szükséges várható értékeket: E( ) = 10 E( ) = E (
1
2)
2 1
2
1 =5 2
= 10
D2 ( ) = 4 E( ) = E cov( ; ) = 52 2
E( ) = E D2 ( ) = 52
= 22 + 102
1 = 52 2
10 5 = 2 2 1
2 2
2
2
= 2 + 10
1 2
2
+
1 2
2
!
= 52
52 = 27
amib½ol kapjuk a=
2 1 = 4 2
r=p
4
2 p
1.30. Feladat (*). Legyen akkor létezik, ha a
b=5
27
= 2
p
3 9
1 10 = 0 2 0
= 27 @1
! R v.v., mutassuk meg, hogy E( ) akkor és csak 1 X n=1
sor konvergens!
2 R
1 p !2 3 A = 26 . 9
P (j j > n)
(1.12)
27
1.4. VÁRHATÓ ÉRTÉK, SZÓRÁS
Bizonyítás. Elég
0 esetet vizsgálni, amikor teljesül N X n=1
1f
1+
>ng
N X n=1
1f
,
>ng
és ebb½ol már következik az állítás. 1.31. Feladat (*). Bizonyítsuk az un. ”parciális integrálás” szabályát: Legyen 0 v.v. eloszlásfüggvénye F , akkor Z x Z x tdP = (1 F (t)) dt x (1 F (x + 0)) x > 0. (1.13) 0
0
Bizonyítás. Mivel n 1 X k x 1fx k n n k=0
<x k+1 n g
+ x 1f
=xg
%
1f
xg
,
kapjuk Z
n 1 X k x F n!1 n k=0
x
tdP = E
0
1f
xg
= x P ( = x) + lim
x
k+1 n
F
x
k n
=
2 1 1 1 2 2 x F x x F x + x F x n n n n n n 3 1 3 2 1 3 x F x x F x + x F x n n n n n n .. . n n n 1 n 1 1 n x F x x F x x F x = n n n n n n Z x n 1 X 1 k x F x = xF (x + 0) lim = xF (x + 0) F (t)dt = n!1 n n 0 k=0 Z x (1 F (t)) dt x (1 F (x + 0)) . =
x (F (x + 0)
F (x)) + lim
n!1
0
Következmények: 1. Vegyük észre, hogy (1.13) jobb oldalán szerepl½o integrál F monotonitása miatt mindig létezik, és véges. 2. Mivel az eloszlásfüggvény x 2 R folytonossági helyein (tehát egy legfeljebb megszámlálható halmaz kivételével) 1f
xg
x 1f
>xg
+
1f
xg
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
28 kapjuk Z x tdP
x (1
F (x)) +
0
Z
Z
x
tdP =
0
x
(1
F (t)) dt
E( ) = lim
x!1
0
Tehát E( ) pontosan akkor létezik, ha az érték½u, és ekkor Z 1
E( ) =
R1 0
(1
(1
Z
x
tdP .
0
F (t)) dt improprius integrál véges
F (t)) dt .
0
3. Ha im( ) N, akkor a (1.12) sort kiegészítve, a akkor véges, ha létezik a várható érték, és ekkor E( ) =
Z
1
(1
F (t)) dt =
0
Z
1
(1
F (t)) dt +
0
P1
n=0
Z
P ( > n) összege pontosan
2
(1
F (t)) dt +
=
1
=
1 X
P ( > n) .
n=0
1.32. Feladat (*). Ha P j
v.v.-nak van várható értéke és szórása, akkor E( )j > 2D( ) + P j
1 4
E( )j > 3D( ) <
és nincs 14 -nél kisebb fels½o korlát. Bizonyítás. Elég az E( ) = 0, D( ) = 1 eset vizsgálata, és jelölje > 2 1f
+ 1f
>2g
>3g
)
2
> 4 1f
>2g
+ 5 1f
>3g
= j j. Mivel
,
ezért 1 > 4 (P (j Legyen továbbá P
n
=
n
E( )j > 2D( )) + P (j
E( )j > 3D( ))) :
v.v., melyre
1 2+ n
1 1 n12 = 2 4 + n4
P
n
=
1 n
1 3 + n4 + = 2 4 + n4
1 n2
n = 2; 3; : : :
amib½ol következik E( n ) = 0, D( n ) = 1; és P (j n j > 2) =
1 n12 1 4 ! 4 4+ n
P (j n j > 3) = 0 tehát
1 4
a legkisebb fels½o korlát.
1.33. Feladat (*). Legyen 0 teljesül m2n+1
v.v., és mn = E( n ) n = 0; 1; 2; : : : ; N + 2, akkor mn mn+2
n = 0; 1; 2; : : : ; N .
29
1.5. GENERÁTORFÜGGVÉNY, KARAKTERISZTIKUS FÜGGVÉNY
Bizonyítás. Tegyük fel el½oször, hogy van olyan 0 < ", melyre " hogy a (x) = ln (E( x )) x 2 [0; N ] függvény konvex. x+h
nyilván értelmezett, és mivel elég kis h esetén
x
h
h
0
x
=
x
( + 1 + jln "j)
h
x+h
N +1
+ + jln "j
x N +2
jln j
. Megmutatjuk,
h
+
2
jln "j +
+
N +1
+ + jln "j +
N +1
+
jln "j +
jln "j + jln "j2 ;
ezért a várható érték és a deriválás sorrendje felcserélhet½o, így 0
amib½ol 00
(x) =
x E(ln ) x E( )
(x) =
E(ln2
x
x 2 [0; N ]
) E( x ) E 2 (ln E 2( x)
x
)
x 2 [0; N ]
ahol a számláló nem lehet negatív, ugyanis E2 Tehát
p
ln
konvex, és így
x
ln mn+1
p
x
E(ln2
x
) E( x ):
1 (ln mn + ln mn+2 ) 2
vagyis amit meg kellett mutatni. Legyen most 0 és " = " + ; és jelölje m"n = E( "n ), akkor a fentiekb½ol, és lim m"n = mn
"!0+
miatt következik az állítás.
1.5. Generátorfüggvény, karakterisztikus függvény 1.34. Feladat. Legyen a
és
független v.v.-k generátorfüggvénye: 1 1 1 + z + z2 2 4 4 1 1 2 1 3 G (z) = z + z + z 6 3 2 G (z) =
adjuk meg
+
generátorfüggvényét, várható értékét és szórását! Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
30 Megoldás: Mivel G
+
1 1 1 1 1 1 + z + z2 z + z2 + z3 = 2 4 4 6 3 2 1 5 3 5 1 = z5 + z4 + z3 + z2 + z z 2 C 8 24 8 24 12
(z) =
kapjuk 5 9 5 1 5 G0 + (z) = z 4 + z 3 + z 2 + z + 8 6 8 12 12 5 5 9 5 1 37 0 G + (1) = + + + + = = E( + ) 8 6 8 12 12 12 5 5 9 5 G00+ (z) = z 3 + z 2 + z + 2 2 4 12 5 5 9 5 23 G00+ (1) = + + + = = E ( + )2 2 2 4 12 3
E( + )
tehát E( + ) = D( + ) = 1.35. Feladat. Legyen a
37 12 s
23 37 + 3 12
2
=
1p 179 12
v.v. s½ur½uségfüggvénye 1 f (x) = e 2
a; b 2 R adjuk meg
37 12
jxj
x2R
= a + b karakterisztikus függvényét!
Megoldás: Adjuk meg el½oször Z 1 1 it (t) = E(e ) = eitx e jxj dx = 2 1 Z 0 Z 1 1 1 = eitx ex dx + eitx e x dx = 2 2 1 0 1 1 t 1 1 t 1 = i + + i = 2 2 2 2 2 (1 + t ) 2 1 + t 2 (1 + t ) 2 1 + t 1 + t2 karakterisztikus függvényét, amib½ol (t) = eitb ' (at) =
eitb 1 + a2 t2
t2R.
t2R
31
1.5. GENERÁTORFÜGGVÉNY, KARAKTERISZTIKUS FÜGGVÉNY
Megjegyzés: Vegyük észre, hogy az inverziós formula következménye szerint, a folytonos eloszlás s½ur½uségfüggvényét megkaphatjuk Z 1 1 jxj 1 1 e = e itx dt 2 2 1 + t2 1 amib½ol a t =
u helyettesítéssel, és rendezve Z 1 1 1 jxj e = eiux du x 2 R , 1 + u2 1
kapjuk a Cauchy eloszlás karakterisztikus függvényét. 1.36. Feladat. Legyen a
adjuk meg
v.v. s½ur½uségfüggvénye ( 3 2 x ha 0 < x < 2 8 f (x) = ; 0 egyébként
karakterisztikus függvényét!
Megoldás: Adjuk meg a karakterisztikus függvényt: Z 2 Z 2 itx 2 eitx 3 2 3 e it itx 3 2 x dx = x xdx = (t) = E(e ) = e 8 it 8 it 4 0 0 0 Z 2 itx 2 e eitx 3 3 3i 2it e x + dx = = 2 2 2 2 2t it 4 0 4 0 i t =
3i 2it 3 e + 2 e2it 2t 2t
3 eitx 4 it3
2
3 3i 3i + 2+ 3 2t 2t 4t
= 0
e2it
3i 4t3
t 2 R n f0g .
Megjegyzés: Vegyük észre, hogy a fenti eredmény csak t 6= 0 esetben értelmezett, de minden karakterisztikus függvény folytonos a t = 1 helyen, és értéke 1; amit esetünkben ellen½orizhetünk: 3i 3 3i 3i lim + 2 + 3 e2it =1 t!0 2t 2t 4t 4t3 1.37. Feladat. Legyen a zlása:
v.v. exponenciális eloszlású, és E( ) = 10, és a k 1 2 3
adjuk meg
v.v. elos-
P ( = k) 1 2 1 4 1 4
generátorfüggvényét! Adjuk meg továbbá az =
X
k
k=1
v.v. karakterisztikus függvényét és várható értékét, ha eloszásuk azonos a valószín½uségi változóéval!
k
k = 1; 2; : : : függetlenek, és közös
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
32 Megoldás: Adjuk meg
1 1 1 G(z) = z + z 2 + z 3 2 4 4 generátorfüggvényét, és
k
1 1 it10 karaktrisztikus függvényét, amivel kapjuk
t2R
(t) =
(t) =
z2C
1 1 1 + 2 1 it10 4
1 1 it10
2
+
1 4
1 1 it10
3
t2R,
továbbá 1 i10 (1 2 35 0 (0) = i ) 2 0
1 2i10 (1 4 35 E( ) = 2
(t) =
it10)
2
+
it10)
3
+
1 3i10 (1 4
it10)
4
1.6. Központi határeloszlás tétel 1.38. Feladat. Milyen határok között lehet az a véletlen mennyiség, amit 12 darab, 0 és 1 közötti véletlen szám összegéb½ol 6-ot levonva kapunk, 90%-os valószín½uséggel? Megoldás: Jelölje az
k
2 U(0; 1) k = 1; 2;
=
12 X k=1
v.v. közelít½oen
k
a független véletlen számokat, akkor r 1 =1 6 E( ) = 0 D( ) = 12 12 ; 12
2 N (0; 1), tehát P( x
x) = 0:9 , 2 (x)
aminek x = 1:645 a megoldása, mivel
1 = 0:9 ,
(x) = 0:95
(1:645) = 0:95 .
1.39. Feladat. Egy üzletben egy nap átlagosan 120 vev½o vásárol. Mennyi annak valószín½usége, hogy 90-nél kevesebben vásárolnak egy napon? Megoldás: p Jelölje a vásárlók számát, akkor N 120; 120 eloszlással, tehát P ( < 70) =
90 120 p 120
=1
2 P (120), ami már közelíthet½o az
(2:74) = 1
0: 996 93 = 0:00 307
1.40. Feladat. Hányszor kell egy szabályos érmét feldobnunk ahhoz, hogy a fejek számának relatív gyakorisága legalább 0.9 valószín½uséggel 0.01-nél kevesebbel térjen el a valószín½uségt½ol
33
1.6. KÖZPONTI HATÁRELOSZLÁS TÉTEL
Megoldás: Jelölje v.v. a fejek számát n dobásból, akkor szabályos érme esetén Bin(n; 21 ), és keressük azt az n számot, melyre teljesül P 2 N n 12 ;
Mivel közelít½oen 2
p 2 n 0:01
1
1 < 0:01 2
n
q n 41 , ezért
n
p 2 n 0:01
0:9 ,
1 2
2
0:9 .
2 N 0; 2p1 n ; amivel kapjuk
p 0:95 , 2 n 0:01
1:645 ,
p
164:5 2
n
mivel (1:645) = 0:95 , tehát n 6765 esetén teljesül a feltétel. Megjegyzés: Ha az érme nem szabályos, akkor P
p < 0:01
n
0:9
kell, hogy teljesüljön az ismeretlen p 2]0; 1[ értékkel, és ekkor
p2N
n
0;
p
p(1 p) p n
;
amib½ol p ! 0:01 n p p(1 p)
2
p ! 0:01 n p p(1 p)
0:9 ,
1
0:95 ,
p
n
p 164:5 p(1
p)
ahol a kívánt egyenl½otlenség következik az p egyenl½otlenségb½ol, mivel megoldása a feladatnak.
p
p(1
p)
n
164:5 1 2
1 2
. Tehát az el½oz½o eredmény minden p esetén
1.41. Feladat. Egy 1000 darabos tételben 200 hibás darab van. Ha 100 darabot kiválasztunk, legalább hány hibás darab lesz a kivettek között 90%-os valószín½uséggel? Megoldás: Jelölje a hibásak számát a mintában, akkor közelíthetünk N (20; 3: 796 6) eloszlással, mivel s 200 E( ) = 100 = 20 D( ) = 20 0:8 1 1000
2 Hyp(1000; 200; 100), amit 99 = 3: 796 6 . 999
Keressük tehát k 2 R, melyre P(
k) = 1
k 20 3: 796 6
= 0:9 )
k 20 = 1:282 ) k = 15: 133 3: 796 6
15 .
1.42. Feladat. Az 1.28 feladatban keressük meg azt az N rendelés számot, mellyel a várható haszon maximális! Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
34
p Megoldás: Jelölje a hasznot, 2 Po( ) = N ( ; ) a vásárlók számát, ahol = 100, b = 10 a haszon egy eladott újságon és c = 20 a veszteség minden megmaradt példányon, akkor ! N X mN = E( ) = E (b + c) (k N )1f =kg + bN = k=0
= (b + c)
N X
k P( = k)
(b + c)N
k=0
Vizsgáljuk az mN
N X
P( = k) + bN .
k=0
N = 1; 2; : : : sorozat monotonitását: mN +1
mN =
(b + c)
N X
P( = k) + b
0,
k=0
ami pontosan akkor teljesül, ha b b+c mN maximális, ha
N X
P( = k) = P (
N p
N)
k=0
N p
b = b+c
.
,
adatainkat behelyettesítve: 1 = 3 Tehát N
N 100 p 100
)
N 100 p = 100
0: 430 73 ) N = 95: 693:
96 darabot kell rendelni a maximális várható haszonhoz, és ekkor E( ) = 30
96 X
(k
96)
k=0
100k e k!
100
+ 10 96 = 891: 71 .
1.7. Vektor valószín½uségi változók 1.43. Feladat. A
= ( 1 ; 2 ) v.v.v. kovariancia mátrixa és várható értéke: p 3 1 7 E( ) = cov( ; ) = p 2 3 5
a) Adjuk meg az els½o (a nagyobbik sajátértékhez tartozó) f½okomponenssel és f½ofaktorral való közelítést, és a közelítés hibáját, és a közelítés egyenesének egyenletét! b) Legyenek 1 2
ajuk meg az
= ( 1;
2)
= =
+1 5 1+2 2 1
2
v.v.v. kovariancia mátrixát és várható érték vektorát!
½ 1.7. VEKTOR VALÓSZÍNUSÉGI VÁLTOZÓK
35
c) Ha ( 1 ; 2 ) egy meg…gyelt értéke (2; 1), adjuk meg a f½okomponensek és f½ofaktorok megfelel½o értékeit! Megoldás: a) cov( ; ) sajátértékei és normált sajátvektorai: p 1
tehát
p
3 2 1 2
1
3 2 1 2
= 8 v1 =
1 2
+
=
2
p p6 2
1
1 p2 3 2
= 4 v2 =
1 2
+
2 R
=
2
=4
és az els½o f½okomponens illetve f½ofaktor egyenesének egyenlete p p x + 3y = 1 + 2 3 b) cov( ; ) =
1 1
1 2
p
3 5
p7 3
E( ) =
1 1
1 1
1 2
1 2
p p 3 + p3 12 2p 3 3 + 3 27 + 4 3
T
1 2
= 1 5
+
=
0 0
c) 1
2
2
1
1
1
2
1
1 2
p
1
2 1 2
3
1 2
1 2
p
3
1 2
p 3 p 8
1 2
1
= 0: 129
1 2
1 2
2
p
2 3
=
0: 683
mivel
h
h
p
3 2
1 2
1 2 p
3 2
i
i
1 1 1 1
1.44. Feladat. Legyenek egy téglalap oldalai a
1 1p 3 2 2 1 1p = 3 2 2
=
és
független valószín½uségi változók, és
E( ) = 100 D( ) = 1 E( ) = 150 D( ) = 2 jelölje továbbá a terület logaritmusát , a kerület logaritmusát pedig . Adjuk meg a ( ; ) v.v.v. várható értékének és kovariancia mátrixának közelítését! Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
36 Megoldás: Mivel
ln( ) + ln( ) ln(2) + ln( + )
= k
használjuk az els½ofokú Taylor formulát a várható érték középponttal: ln(15000) ln(500)
k
1 100 1 250
+
1 150 1 250
100 150
amib½ol ln(15000) ln(500)
E k
cov
; k
k
1 150 1 250
1 100 1 250
9: 615 8 6: 214 6
= 1 100 1 250
1 0 0 4
1 150 1 250
T
1 3600 11 75 000
=
1.45. Feladat. Legyen a ( ; ) v.v.v. s½ur½uségfüggvénye: p f (x; y) = c exp x2 + 2xy y 2 x + y + 3
11 75 000 1 12 500
(x; y) 2 R2 .
Adjuk meg c értékét, ( ; ) kovariancia mátrixát és várható érték vektorát! Megoldás: Mivel a normális eloszlás s½ur½uségfüggvénye az exponensben egy kvadratikus formát tartalmaz, vizsgáljuk meg a normális eloszlás lehet½oségét, amikor is a s½ur½uségfüggvény az alábbi alakban írható: ) ( T 1 1 x m1 x m 1 p f (x; y) = exp V 1 2 y m y m 2 2 2 2 1 r 1 2 Tehát a ”tiszta”másodfokú tagokból 1 2x2 2 kell hogy teljesüljön, amib½ol p 2 2 1 V = p 2 2
p 2 2xy + 2y 2 =
) cov
1 2
x y
;
V
=V =
1
x y
"
1p
2 2
p
2 2
1
#
ami valóban egy pozitív de…nit (szimmetrikus) mátrix. Az els½ofokú tagokra teljesül 1 (2x + 2y) = 2
1 ( 2) 2
m1 m2
T
V
1
x y
p p = 2m1 + m2 2 x + m1 2 + 2m2 y ,
ezért az p 1 = 2m1 + m2 2 p 1 = m1 2 + 2m2
1.8.
2
37
; T ÉS F ELOSZLÁS
egyenlet megoldásával kapjuk: p
2 1+ )E 2
m1 = m2 =
=
"
p
2 p2 2 2
1+ 1+
#
.
A konstans tag az exponensben így 1 2
"
1+ 1+
#T
p
2 p2 2 2
és a s½ur½uségfüggvény 8 " < 1 x+1 f (x; y) = c exp : 2 y+1
#T
p
2 p2 2 2
"
p
2 2
p2 2
V
1
"
1+ 1+
x+1 y+1
#
p
2 p2 2 2
p
2 p2 2 2
! 2 +1 = 2 2
c exp 3 egyenletnek, ahol
1
=
2
1
c= exp 4
p
2 2
2
Tehát összefoglalva, c = 8: 360 8
1.8.
2
p
2 , 2
=1 r=
10
q
3
2N
1
p
2
! 2 +1 , 2
p
exp 3
;
1
1
r2
amib½ol =
1
1
2 2
#9 =
tehát teljesülni kell az
p
=
p
p
1 2
"
2e 2
1+ 1+
4+
p
2 p2 2 2
p 2 2
= 8: 360 8
# " ;
1p
2 2
10
p
2 2
1
3
.
#!
.
; T és F eloszlás
1.46. Feladat. Legyen
= ( 1 ; 2 ) 2 N (m; V ) m=
és keressünk olyan H
10 20
2-dimenziós normális eloszlású, ahol p 2 3 V = p 3 4
R2 tartományt, hogy P ( 2 H) = 0:95
teljesüljön! Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
38 Megoldás: Ha
2 N (m; V ) n = rang (V )-dimenziós normális eloszlású v.v.v., és az ; vn ] 2 R n
U = [v1 ; v2 ;
n
mátrix oszlopvektorai V sajátvektorainak ortonormált rendszere, akkor U U T = In az n n típusú egységmátrix, és
V
1
U=
1
v1 ;
1
1
v2 ;
;
1 n
2
vn 2 R
n n
2
3
1
6 2 7 6 7 m) = 6 .. 7 4 . 5
T
U (
n
ezért T
(
m) V
1
(
T
m) = U (
m)
T
T
1
U V
T
UU (
m) =
n X 1
i
i=1
2 i
2
2 n
:
Keressük tehát a H tartományt az m)T V
(x
1
(x
m)
k
x 2 R2
másodfokú egyenl½otlenség megoldáshalmazaként egy alkalmas k > 0 számmal. Ekkor ha 2 2n P ( 2 H) = P (
A
2 2
eloszlás táblázatból válasszuk a k = 1
P
2
T
10 20
p2 3
p
3 4
2 0:05
k) :
= 5:99 értéket, amivel teljesül
1 1 2
!
10 20
5:99
= 0:95 ,
16
5:99
vagy kifejtve a kvadratikus formát: P
4 5
2 1
16
1
+ 240
2p 3 5
2 1
p +4 3
2
p +8 3
1
p 2 80 3 + 5
2 2
2
= 0:95
vagyis a keresett H tartomány az 4 2 x 5
16x + 240
p p 2p 3xy + 4 3y + 8 3x 5
p 2 80 3 + y 2 5
16y = 5:99
egyelet½u ellipszis belseje. A következ½o ábrán ez, és a sz½ukebb, 90%-os kon…dencia ellipszis látható.
2
39
; T ÉS F ELOSZLÁS
25
30
1.8.
20
0.95
10
15
0.90
6
8
10
12
14
Kon…dencia ellipszisek Megjegyzés: Vegyük észre, hogy az ilyen módon keresett H tartományba esés valószín½usége csak k értékét½ol (és a dimenziótól) függ, ami a skalár esetben jól ismert ”k szabály” megfelel½oje. A H tartománynak szemléletes jelentése is van, ugyanis a f½okomponensekkel írva f 2 Hg =
2 1
1
+
2 2
k
,
2
tehát H egy olyan ellipszissel határolt tartomány, melynek középpontja a várható érték, a tengelyek irányvektorai a sajátvektorok, a fél-tengelyhosszak pedig p p a= k b = 1 2k
a sajátértékek gyökével arányos értékek.
1.47. Feladat. Egy berendezés m½uködtetéséhez szükséges alkatrész élettartama exponenciális eloszlású véletlen mennyiség, és az átlagos élettartam 100 óra a) Milyen határok között van egy alkatrész élettartama 90%-os valószín½uséggel? b) Legalább hány óra m½uködési id½ore számíthatunk 90%-os biztonsággal, ha 3 ilyen alkatrészünk van? Megoldás: Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
40 a) Jelölje
2 Exp
1 100
egy ilyen alkatrész élettartamát, akkor 2 100
1 2
2 Exp
2 2
,
és táblázatból (szabadsági fok: 2) 2 0:95
amivel P
2 0:05
= 0:10 2 100
0:10
= 5:99 ,
5:99
= 0:90 ,
tehát 300) = 0:90 .
P (5 b) Jelölje a három független élettartamot 3 összegükre teljesül
i
1 100
2 Exp
2 100
2
2 6
i = 1; 2; 3, akkor
=
1+ 2+
,
és táblázatból (szabadsági fok: 6) 2 0:90
amivel P
= 2:20 ,
2 100
2:20
= 0:90 ,
tehát ) = 0:90 .
P (110
1.48. Feladat. Egy 100 óra várható élettartamú alkatrész élettartamánál hányszor több négy egyenként 200 órás várható élettartamú alkatrész össz-élettartama 0.95 valószín½uséggel? Tegyük fel, hogy az alkatrészek élettartama független exponenciális eloszlású! 1 és Megoldás: Jelölje 2 Exp 100 keressük azt a k > 0 számot, melyre
P (k <
i
1
1 200
2 Exp
+
2
+
3
+
i = 1; 2; 3; 4 a két‡e élettartamot,
4)
= 0:95
vagy rendezve P
50 2 k < 100 8
2 ( + 2+ 3+ 4) 200 1
8 2 100
2
ahol
2 ( + 2+ 3+ 4) 200 1
8 2 100
2
2 F8;2 ,
!
= 0:95
1.8.
2
41
; T ÉS F ELOSZLÁS
ezért táblázatból (szabadsági fok: (2; 8)) kapjuk f0:05 = 4:46; és a (8; 2) szabadsági fokhoz f0:95 =
1 50 2 =k , 4:46 100 8
amib½ol k = 1: 793 7, tehát P (1: 793 7 1.49. Feladat (*). Legyen Rn n egység mátrix.
<
1
+
2
+
3
+
4)
= 0:95 .
2 N (m; In ) n-dimenziós v.v., ahol 0n 6= m 2 Rn és In 2
a) Mutassuk meg, hogy a T skalár v.v. eloszlása csak az m = mT m értékt½ol függ. Ezt az eloszlást nem-centrált 2 -eloszlásnak nevezzük n szabadsági fokkal, jelölése T 2 2n (m). b) Ajuk meg az
2
2 n (m)
v.v. karakterisztikus függvényét! 2 n+2k
c) Mutassuk meg, hogy a 2n (m) eloszlás megadható, mint a oszlások keveréke a Po m2 eloszlással, azaz 2 n (m)
=e
m 2
1 X k=0
m k 2
k!
2 n+2k
k = 0; 1; 2; : : : el-
.
Bizonyítás. m0 mT0 szimmetrikus
a) Ha n = 1; az állítás nyilvánvaló, ha n > 1 legyen Q = In mátrix, ahol m0 = p1m m 2 Rn , akkor In = Q + m0 mT0 és teljesül Q m0 mT0 = 0n
n,
ezért QQ = Q és rang(Q) = n T
=
T
Q + mT0
1; továbbá
2
T ahol az összeadandók függetlenek, Qm0 = 0n , ezért T Q 2 2n 1 . Tehát p eloszlása olyan, mint egy 2n 1 eloszlású v.v. és egy t½ole független mT0 2 N ( m; 1) eloszlású v.v. négyzete öszzegének az eloszlása.
b) Legyen
2
2 1 (m),
akkor karakterisztikus függvénye Z 1 Z 1 p (x m)2 1 1 itx2 2 (t) = p e dx = p e(it 2 2 1 1 p k Z 1X 1 1 m (x m) 1 2 p e(it 2 )x dx . =e 2 k! 2 1 k=0
1 2
)x2 +x
p
m
m 2
dx = (1.14)
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
42 Mivel p k l X (x m) k=0
k!
1 p e(it 2
1 2
p k l X jx mj
)x2
1 p e 2
k!
k=0
ejx
1 2 x 2
p
mj
1 2 x 2
l = 1; 2; : : :
és a majoráló függvény integrálható, (1.14)-ben az integrálás és összegzés felcserélésével kapjuk: (t) = e
m 2
1 Z X k=0
1 1
p k 1 (x m) p e(it k! 2
1 2
)x2 dx
Számoljuk ki a sor tagjait: k=0
Z
k=1
Z
1
p
1 1
1 x m p e(it 2 1
1 p e(it 2
1 2
)x2 dx =
1 2
)x2 dx = p
2it
m
1 (t)
1 p e(it 1 2
1 2
)x2
1
=0
1
k=2 Z
1 1
p 2 1 (x m) 1 2 p e(it 2 )x dx = 2! 2 p p 1 1 m x m 1 2 p e(it 2 )x + = 2! 2it 1 2 1 m Z 1 1 1 2 1 2it p e(it 2 )x dx = + 2 2 1
m 1 2it
2
1 (t)
.. . k = 2l
1 Z
1 1
p 2l 1 1 (x m) 1 2 p e(it 2 )x dx = (2l 1)! 2 #1 " p 2l 2 p 1 m (x m) 1 2 p e(it 2 )x = + (2l 1)! 2it 1 2 1 Z 1 p 2l 3 m (x m) 1 1 2it p e(it + 2l 1 1 (2l 3)! 2
1 2
)x2 dx = 0
43
1.9. REGRESSZIÓ ANALÍZIS
k = 2l Z
1 1
p 2l 1 (x m) 1 2 p e(it 2 )x dx = (2l)! 2 #1 " p 2l 1 p 1 m 1 (x m) 2 p e(it 2 )x + = (2l)! 2it 1 2 1 p 2l 2 m Z 1 1 (x m) 1 2 1 2it p e(it 2 )x dx = + 2l 2)! 2 1 (2l =
2l (2l
l
m 2
l m 1 2it
1 (t)
2) : : : 2
1 2it
=
1 (t)
l!
t2R
.. . Tehát (t) = e
m 2
1 X n=0
=
l
m 2
1 2it
1 (t)
l!
1 X
m l 2
1 2
e
2it
m m + 1 22it 2
1
1
2it 1 2
1
=
2l+1 2
1
l!
l=0
1 1
=e
m 2
exp
2it
= itm 1 2it
t2R
1
ahol 2
= 1 12it 2 t 2 R a 21 eloszlás karakterisztikus függvénye, ezért az 2 n (m) v.v. karakterisztikus függvénye: 1 (t)
(t) = e
m 2
1 X k=0
m k 2
k!
2k+n 2
1 1
2it
=
n 2
1 1
2it
exp
itm 1 2it
t2R. (1.15)
c) Az állítás következik a karakterisztikus függvény (1.15) szerinti alakjából. Következmény: Ha 1 2 2n1 (m) és 2 2 2n2 függetlenek, akkor az f = 12 nn21 v.v. eloszlását nemcentrált F -eloszlásnak nevezzük (n1 ; n2 ) szabadsági fokkal, jelölése f 2 F(n1 ;n2 ) (m), és 1 m k X m 2 2 F(n1 +2k;n2 ) . F(n1 ;n2 ) (m) = e k! k=0
1.9. Regresszió analízis 1.50. Feladat. A ( 1 ; 2 ; 3 ) v.v.v. kovariancia mátrixa és várható érték vektora: 2 3 2 3 4 2 1 10 cov( ; ) = 4 2 7 3 5 E( ) = 4 20 5 1 3 3 30 Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
44
a) Ajuk meg a 1 a 2 + b 3 + c regressziós közelítést, a együtthatót és a maradék szórást! b) Ajuk meg a
1 3
tet, és a
1 3j 2
1j 2; 3
többszörös korrelációs
a1 b1 regressziós közelítést, a maradék szórásnégyze3+ a2 b2 parciális korrelációs együtthatót
Megoldás: a) Jelölje 2
m1 = E( 1 ) = 10 m2 = E
3
V11 = D2 ( 1 ) = 4 V12 = cov 2
V22 = cov
2
;
3
= 2
1;
20 30 =
2 1
3
7 3 3 3
=
3
amivel a regressziós együtthatók ”normál”-egyenlete 7a + 3b = 2 3a + 3b = 1 és megoldása: a b
1 4
=
1 12
1 4
c = 10
20 30
1 12
=
5 2
A maradék szórásnégyzet 2 R
1 12
1 4
=4
2 1
T
=
41 12
és a meghatározottság mértéke: 41 12
R2 = 1
4
=
7 48
Tehát a regressziós közelítés 1
1 4
1
+
1 12
2
+
5 , 2
a többszörös korrelációs együttható és a maradék szórás r r 7 41 = 0: 381 88 = 1: 848 4 . R = 1j 2 3 = 48 12
45
1.9. REGRESSZIÓ ANALÍZIS
b) Jelölje 1
m1 = E
10 30
=
3 1
V11 = cov
;
3
m2 = E ( 2 ) = 20
1
4 1 1 3
=
3
1
V12 = cov
;
3
2
=
2 3
2
V22 = D ( 2 ) = 7 amivel a regressziós együtthatókat komponensenként számolva: 2 7 3 a2 = 7 a1 =
2 30 20 = 7 7 3 150 20 = 7 7
b1 = 10 b2 = 30
a maradék kovariancia mátrix VR =
4 1 1 3
1 7
2 3
2 3
T
=
24 7 1 7
1 7 12 7
.
Tehát a regressziós közelítés 2 7 3 7
1 3
3
+
30 7 150 7
a maradék szórásnégyzet 2 R
24 12 36 + = 7 7 7
=
a parciális korrelációs együttható 1 3j 2
Megjegyzés: A
1
és
3
=q
1 7 24 7
q
= 0:005893 . 12 7
kapcsolatának szorosságát ”mér½o” 1 3
=p
1 4
p = 0: 288 68 3
korrelációs együttható lényegesen nagyobb az el½oz½o értéknél, aminek oka 2 ; ugyanis ezen komponens hatására …gyelhetünk meg azonos ”irányú”változást 1 és 3 értékében. Ha pedig 2 értéke nem változik, a cél-változó komponensei közti korreláció mértéke elhanyagolható. 1.51. Feladat. Keressük meg az ( 1; 2) (0; 1)
(1; 2)
(2; 4) 2 R2
pontokra ”legjobban” illeszked½o másodfokú polinomot! Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
46
Megoldás: Használjuk a legkisebb négyzetek módszerének regressziós feladatként történ½o megfogalmazását, amihez számoljuk (n = 4): y x2 x3 x4 xy x2 y 2 1 1 1 2 2 1 0 0 0 0 0 2 1 1 1 2 2 4 4 8 16 8 16 9 6 8 18 8 20
x 1 0 1 2 2 Amib½ol m1 = V12 = V22 =
9 4 "
6 4 2 4
m2 = 20 4 18 4 8 4
9 4
3 2 3 2 2 3 1 2 2
3 2 1 2 1 2
= 8 4
9 4
8 4 6 4
3 2
1 2 1 2 2
= #
=
13 8
7 8
9 4 5 4
5 4 5 4
amib½ol a regressziós együthatók normál egyenlete: 9 a+ 4 5 a+ 4 megoldása a = 34 ; b = közelítés eredménye az
1 ; 20
és c =
9 4
5 b= 4 5 b= 4 3 4
3 y = x2 4
13 8 7 8
3 2
1 20
1 2
=
23 . 20
Tehát a regressziós
1 23 x+ 20 20
másodfokú függvény. 1.52. Feladat. Egy fér… magasságát három szemtanú 177cm-, 181cm- és 179cm-nek becsülte. Ha tudjuk, hogy a fér…ak magassága N (178; 10) eloszlású véletlen mennyiség, és a szemtanúk becslése ett½ol, és egymástól is független N (0; 2) eloszlású véletlen hibát tartalmaz, adjunk közelítést a látott fér… magasságára! Megoldás: Jelölje a független valószín½uségi változókat 2 N (178; 10) "k 2 N (0; 2) k = 1; 2; 3 akkor a három becsült érték véletlen mennyisége 1 2 3
= = =
+ "1 + "2 + "3
47
1.9. REGRESSZIÓ ANALÍZIS
és keressük a legjobb E( j ) közelítést. Mivel
2 6 6 4
1 2 3
3
1 7 6 1 7=6 5 4 1 1
ezért ( ; 1 ; 2 ; 3 ) normális eloszlású vektora 2 1 0 6 1 1 m=6 4 1 0 1 0 és kovariancia 2 1 0 6 1 1 V =6 4 1 0 1 0
mátrixa 32 0 0 6 0 0 7 76 1 0 54 0 1
100 0 0 0
0 4 0 0
2
0 0 4 0
0 1 0 0
0 0 1 0
32 0 6 0 7 7 6 "1 0 5 4 "2 1 "3
3 7 7 5
vektor valószín½uségi változó, melynek várható érték 32 3 2 3 0 0 178 178 6 7 6 7 0 0 7 7 6 0 7 = 6 178 7 1 0 5 4 0 5 4 178 5 0 1 0 178
32 0 1 0 6 1 1 0 7 76 0 54 1 0 4 1 0
Együttes normális eloszlás esetén a legjobb feladat a1 1 + a2
0 0 1 0
3T 2 0 100 100 6 100 104 0 7 7 =6 4 100 100 0 5 1 100 100
100 100 104 100
3 100 100 7 7 . 100 5 104
E( j ) közelítés a lineáris regressziós 2
+ a3
3
+b
megoldása. A regressziós együtthatók 2 3 2 32 3 104 100 100 a1 100 4 100 104 100 5 4 a2 5 = 4 100 5 a3 100 100 104 100 normál egyenletéb½ol kapjuk 25 , 76 25 89 3 178 = . 76 38
a1 = a2 = a3 = b = 178 Tehát a legjobb közelítés
25 89 ( 1 + 2 + 3) + . 76 38 Ezt felhasználva, a becsült értékekb½ol számolhatjuk a látott fér…magasságának közelítését: 89 25 (177 + 181 + 179) + = 178: 99cm . 76 38 Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
48
1.53. Feladat. Legyen a ( ; ) v.v.v. diszkrét eloszlása: 1 2 3 0:01 0:25 0:04 0:12 0:08 0:50
10 20
Adjuk meg az E( j ) feltételes várható értéket! Mennyi a maradék szórásnégyzet? Megoldás: Adjuk meg -nak -re vonatkozó (P ( = y j 10 20
= x))y feltételes eloszlását
1
2
3
0:01 0:01+0:25+0:04 0:12 0:12+0:08+0:50
0:25 0:01+0:25+0:04 0:08 0:12+0:08+0:50
0:04 0:01+0:25+0:04 0:50 0:12+0:08+0:50
amib½ol kapjuk: E( j
= x) =
0:01 0:30 0:12 0:70
1 1
0:25 0:30 0:08 0:70
+2 +2
+3 +3
0:04 0:30 0:50 0:70
= 2:1 x = 10 = 2: 542 9 x = 20
A maradék szórásnégyzethez számoljuk ki: E( 2 ) = 12 0:13 + 22 0:33 + 32 0:54 = 6: 31 E E 2 ( j ) = 2:12 0:30 + 2: 542 92 0:70 = 5: 849 4 amib½ol 2 R
= E( 2 )
E E 2 ( j ) = 6: 31
5: 849 4 = 0: 460 6 .
1.54. Feladat. Legyen a ( ; ) v.v.v. s½ur½uségfüggvénye: f (x; y) = x y x
1
ha 0 < x < 1 és 0 < y < 1 .
Adjuk meg az E( j ) feltételes várható értéket, és a közelítés maradék szórásnégyzetét. Megoldás: Adjuk meg Z f (x) =
s½ur½uségfüggvényét 1
x y x 1 dy = 1 ha 0 < x < 1 ()
0
2 U(0; 1)) ,
amivel a feltételes s½uségfüggvény f j (yjx) =
f (x; y) = x yx f (x)
Tehát E( j
= x) =
Z
0
1
ha 0 < x < 1 és 0 < y < 1 .
1
y x y x 1 dy =
x 1+x
ha 0 < x < 1
49
1.9. REGRESSZIÓ ANALÍZIS
vagyis E( j ) =
.
1+
A maradék szórásnégyzethez számoljuk ki : Z 1Z 1 2 y 2 x y x 1 dxdy = 1 + 2 ln 2 E( ) = 0 0 Z 1 2 x 3 2 E E ( j ) = dx = 2 ln 2 1+x 2 0
2 ln 3
amivel kapjuk: 2 R
= 1 + 2 ln 2
3 2
2 ln 3
2 ln 2
= 7: 536 4
10
2
.
1.55. Feladat. Tudjuk, hogy a fér…ak magassága N (180; 10), a n½ok magassága pedig N (172; 10) eloszlású véletlen mennyiség. Ha egy 60 fér…ból és 40 n½ob½ol álló társaságból találomra választott személy 175cm magas, mennyi annak valószín½usége, hogy n½ot, illetve fér…t választottunk? Adjunk döntési szabályt a magasság alapján egy találomra választott személy nemére! Megoldás: Jelölje
a választott személy magasságát, továbbá F a választott személy fér… N a válsztott személy n½o
akkor feltehetjük P (F ) = 0:6 P (N ) = 0:4 , és a magasság feltételes s½ur½uségfüggvényei fF (x) = p
1 2
10
exp
(x
180)2 200
fN (x) = p
1 2
10
exp
(x
172)2 200
x2R,
amivel P (F j
= 175) =
p 0:6 2 10 p 0:6 2 10
exp
1 (175 200 180)2 + p20:410
exp
1 (175 200
180)2 exp
1 (175 200
172)2 = 0: 580 66
P (N j
= 175) = 1
0: 580 66 = 0: 419 34
A Bayes döntéshez d (x) = 1 , p
0:6 exp 2 10
1 (x 200
180)2
>p
0:4 exp 2 10
1 (x 172)2 200 , 170: 93 < x .
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
50 Tehát
1 170: 93 < x 2 170: 93 x
d (x) = és a hibás döntés valószín½usége: P (Hd ) = 1
(P ( > 170: 93jF ) P (F ) + P ( 170: 93jN ) P (N )) = 170: 93 172 170: 93 180 0:6 = 1 10 10 0: 817 8 0:6 0: 457 39 0:4 = 0: 326 36
=1 =1
1.56. Feladat. Legyenek
2 N (0; ); "k 2 N (0; =
k
adjuk meg az E( j
k = 1; 2; : : : ; n ,
+ "k
feltételes várható értéket!
1; 2; : : : ; n)
Megoldás: Mivel ( ; 1 ; 2 ; : : : ; 2
k = 1; 2; : : : ; n független v.v.-k, és
0)
n)
2
2 N (0n+1 ; V ), ahol 2
6 2 6 6 2 V =6 6 .. 4 .
2 0
+
2 2
2
2
2 0
.. .
2
7 7 7 7 , 7 5
2 2
+ .. .
2
3
2
2
.. . 2 0 +
...
2
2
a feltételes várható érték a lineáris regressziós függvény, melynek paraméterei a = a1 = a2 = an azonosak a független változók szimmetrikus eloszlása miatt. Tehát 2 2 0
+
2
a+
2
a+
2
+
2
a=
=) a =
n
2
+
2 0
és így kapjuk 2
E( j
1; 2; : : : ; n)
=
n
2
+
1+
1.57. Feladat. Legyenek a jelölje a legnagyobbat
=
2
(n n
1) 2+
1; 2; : : : ; n
n
2 0 i=1
1
és a maradék szórásnégyzet, vagyis az
2 R
n X
4 2 0
2
1+
n
2 0 2
n
2 2 0 + 2+ 2 0
.
2 U(0; d) valószín½uségi változók függetlenek, és
= max ( 1 ; 2 ; : : : ;
Adjuk meg az E( k j n ) k = 1; 2; : : : ; n
1
=
közelítés hibája
2 0 n 2
=
i
n)
.
feltételes várható értéket!
51
1.9. REGRESSZIÓ ANALÍZIS
Megoldás: Mivel ( k ; n ) eloszlása nem lehet folytonos, ugyanis P ( k = n ) = n1 , a feladatot átfogalmazzuk egy folytonos eloszlással kezelhet½o esetre. ( k ; n ) eloszlása azonos minden k = 1; 2; : : : ; n esetben, ezért a keresett feltételes várható érték ! ! ! ! n n n 1 X 1X 1X 1 =E E j = + n E( k j n ) = E ij n ij n n i=1 n i=1 i n n i=1 ahol = min f 1 ; 2 ; : : : ; n g 2 = min f 1 ; 2 ; : : : ; k 1 ; .. . n = max ( 1 ; 2 ; : : : ; n ) 1
Az 1.13. feladat szerint kaphatjuk ( 1 ; esetén f (x1 ; : : : ; xn 1 jy) =
n! d1n n 1 n y dn
= (n
1)!
k+1 ; : : : n g
2 ; : : : ; n 1)
1
ahol
k
=
1
feltételes s½ur½uségfüggvényét
0 < x 1 < x 2 < : : : < xn
yn 1
n
=y
0
1
ezért 1 ; 2 ; : : : ; n 1 feltételes eloszlása olyan, mint egy U(0; y) eloszlású n számú független v.v. rendezéséb½ol származó vektoré, tehát ! ! n 1 n 1 X X n 1 E y 0
n
1 n
2n
+
1 n
n
=
n+1 2n
n
.
1.58. Feladat. Használjuk az el½oz½o feladat jelöléseit, és mutassuk meg, hogy E( i ) =
i d és E ( n+1
i
j
n)
=
i n
n
i = 1; 2; : : : ; n .
Bizonyítás. Az állítás nyilván teljesül az n = 1 esetben. Tegyük most fel, hogy n 2 N esetén teljesül az állítás minden d > 0 esetben. Mivel n+1 s½ur½uségfüggvénye (lásd: 1.13. feladat) yn f n+1 (y) = (n + 1) n+1 0 < y < d , d a ( 1 ; 2 ; : : : ; n ) v.v.v. n+1 = y feltétel melletti s½ur½uségfüggvénye 1 (n + 1)! dn+1 1 f (x1 ; : : : ; xn jy) = y n = n! n y (n + 1) dn+1
0 < x 1 < x 2 < : : : < xn
0
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
52
ezért ( 1 ; 2 ; : : : ; n ) feltételes eloszlása olyan, mint egy U(0; y) eloszlású n számú független v.v. rendezéséb½ol származó vektoré. Feltételezésünk szerint tehát teljesül E( i j
= y) =
n+1
i y n+1
0 < y < d , i = 1; 2; : : : ; n + 1
továbbá E(
n+1 ) =
Z
d
yn (n + 1) dy = dn+1 dn+1
y (n + 1)
0
és
i n+1
E( i ) = E
=
n+1
d
xn+2 n+2
= 0
n+1 d (n + 1) + 1
i n+1 i d= d n + 1 (n + 1) + 1 (n + 1) + 1
amit bizonyítani kellett. 1.59. Feladat (*). Két pózna között kifeszített drótra n 2 számú madár száll le véletlenszer½uen válsztott helyekre. Minden madártól, a hozzá legközelebbi madárig tartó drótszakaszt fessük be. Ha n ! 1, hova tart a befestett részek várható össz hosszának és a drót teljes hosszának aránya? Megoldás: Feltehetjük, hogy a drót teljes hossza egységnyi, és a madarak helye az egyik végpottól mérve, a ; n 2 U(0; 1) 1; 2; független valószín½uségi változókkal adott. Rendezzük ezeket nagyság szerint, akkor kapjuk a = ( 1; 2; ; n) v.v.v.-t, melynek s½ur½uségfüggvénye: f (x1 ; x2 ;
; xn ) = n!
0 < x1 < x2 <
< xn < 1 .
Vezessük be a 1
=
2
1
valószín½uségi változókat, akkor a f (x1 ; x2 ;
=
2
n
1
= ( 1; 2;
; xn ) = n!
;
0 < xi
n)
=
n
n 1
v.v.v. s½ur½uségfüggvénye:
i = 1; 2; : : : ; n
n X
xi < 1
(1.16)
i=1
ami a változók szimmetrikus függvénye az n-dimenziós egység él½u szimplexen, ezért például minden perem azonos eloszlású. A vizsgálandó arány, vagyis a befestett részek hossza = +
2
+
n 1
3
1f
1f
2> 3_ 4> 3g
+
n 2> n 1_ n> n 1g
4
+
1f n
3> 4_ 5> 4g
+
53
1.9. REGRESSZIÓ ANALÍZIS
aminek várható értéke E( ) = 2 E ( 2 ) + (n Mivel
3) E
n X
i
=
3
1f
2> 3_ 4> 3g
.
n
i=1
kapjuk
nE ( 2 ) = E( n ) =
n 1 ) E ( 2) = . n+1 n+1
Vizsgáljuk most az E
1f
3
2> 3_ 4> 3g
=
1 E n n
1fn
3
2 >n 3 _n 4 >n 3 g
várható értéket, ami az (n 2 ; n 3 ; n 4 ) v.v.v. eloszlásától függ. A peremének s½ur½uségfüggvénye a (1.16) s½ur½uségfüggvényb½ol: f(
2; 3; 3)
(x; y; z) = n(n
1)(n
2) (1
x
z)n
y
vektor ( 1 ; 2 ; 3 )
3
0 < x; y; z
x+y+z <1
amib½ol a (n 2 ; n 3 ; n 4 ) vektor s½ur½uségfüggvénye f(n
2 ;n 3 ;n 3 )
(x; y; z) =
n(n
1)(n n3
2)
x+y+z n
1
n 3
0 < x; y; z
x+y+z
Mivel a lim f(n
n!1
2 ;n 3 ;n 3 )
(x; y; z) = e
x
e
y
z
e
0 < x; y; z
határérték három független Exp(1) eloszlású v.v. együttes s½ur½uségfüggvénye, megmutatjuk, hogy E
3
1f
= lim E n 3 1fn 2 >n 3 _n 4 >n 3 g = Z Z n!1 Z = lim 1fn>x>0^n x>y>0^n x y>z>0g 1fx>y_z>yg y
1> 2_ 3> 2g
n!1
R3
n(n
1)(n n3
2)
1
x+y+z n
n 3
dxdydz
ahol 1 ; 2 3 2 Exp(1) független v.v.-k. Ehhez elég ez utóbbi integrandus sorozathoz integrálható majoránst keresni, mint pl.: 0
1fn>x>0^n
x>y>0^n x y>z>0g
1fx>y_z>yg y
n(n
y exp
1)(n 2) 1 n3 1 (x + y + z) 2
x+y+z n
n 3
x; y; z 2 R+
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
54
Vizsgáljuk most a következ½o feltételes várható értéket:
E
3
1f
1> 2_ 3> 2g
j
3
>y_
= y = yP (
1
=
Z
3
> y) = y
2e
y
e
2y
0
amib½ol E
3
1f
1> 2_ 3> 2g
1
y
2e
y
e
2y
e y dy =
0
7 . 18
Továbbá
lim E( ) = lim 2 E ( 2 ) + (n
n!1
3) E
n!1
2 n 3 + E n n+1 n
= lim
n!1
3
1fn
1f
3
=
2> 3_ 4> 3g
2 >n 3 _n 4 >n 3 g
=E
3
1f
1> 2_ 3> 2g
=
7 . 18
Megjegyzések:
1. Ha n = 2; akkor E( ) = 2 41 = 21 :
=
2
és E( ) =
1 , 3
ha pedig n = 3, akkor
=
2
+
3
2. Hasonlóan számolhatjuk a limn!1 D( ) határértéket is, ugyanis 2
=
2 2
+
2 n
+2
+ +2
2 3 1f 2 > 3 _ 4 > 3 g n 1 X 2 n
X
+2
i6=j=3;4;:::;n 1
i=3
i j 1f
+
2 4 1f 3 > 4 _ 5 > 4 g
2 i 1f
i 1 > i _ i+1 > i g
i 1 > i _ i+1 > i g
1f
j
+ +2
+ n 1 X i=3
n!1
n i 1f
1 > j _ j+1 > j g
amib½ol lim E( 2 ) =
2 n 1 1f
7 18
2
n 2> n 1_ n> n 1g
i 1 > i _ i+1 > i g
+
+
és
55
1.10. SZTOCHASZTIKUS FOLYAMATOK
felhasználva lim E( 22 ) = lim E( n2 ) = lim E (2 2 n ) = 0 n!1 n!1 ! n 1 X 2(n 3) p E 2 E((n 2 )2 )E((n 3 )2 ) ! 0 1 2 i f i 1 > i _ i+1 > i g 2 n i=3 ! n 1 X 2(n 3) p E 2 1 E((n n )2 )E((n 3 )2 ) ! 0 n i f i 1 > i _ i+1 > i g 2 n i=3 ! n 2 X 0 E 2 i+1 i 1f i 1 > i _ i+1 > i g 1f i > i+1 _ i+2 > i+1 g n!1
0 0
i=3
n
n2 0
E
2
n 3 X
n n2
lim E
X
2
E((n 4 )2 )E((n 3 )2 ) ! 0
1f
i+2 i
i=3
n!1
4p
(n
E
3
6 1f
2> 3_ 4>
3 g 1f
i+1 > i+2 _ i+3 > i+2 g
E((n 5 )2 )E((n 3 )2 ) ! 0
i j 1f
i 1 > i _ i+1 > i g
3)(n
4)
n!1
E (n 3 )(n 6 )1fn
1f
5p
i6=j=3;4;:::;n 1
= lim
i 1 > i _ i+1 > i g
!
2 >n 3 _n 4 >n 3 g
5> 6_ 7> 6g
Tehát kaptuk limn!1 D( ) = 0, vagyis
(n n2 1fn
1f
4)
ji 1 > j _ j+1 > j g
(n
4 >n 6 _n 7 >n 6 g
= E
3
1f
!
=
5) =
7 18 2
1> 2_ 3> 2g
=
sztochasztikusan konvergál a
2
7 18 7 18
2
arányhoz.
1.10. Sztochasztikus folyamatok 1.60. Feladat. Egy urnában 2 piros és 1 fehér golyó van. Egymás után véletlenszer½uen kiveszünk egy golyót és minden húzás után egy fehéret beteszünk a kivett golyó helyett. Jelölje n az n-edik húzás után az urnában lév½o piros golyók számát, n = 1; 2; : : :. Markov láncot alkot-e a ( n )n2N id½osor? Ha igen, adjuk meg az átmenetvalószín½uségek mátrixát, van-e stacionárius eloszlás, mennyi a P ( 2 1) valószín½uség? Megoldás: A kezd½o
0
állapot eloszlása P(
0
= 2) = 1 , Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
56 és teljesül P(
n+1
= lj
n
= k;
n 1
= k1 ;
)=
8 < :
3 k 3 k 3
ha l = k ha l = k 1 egyébként
0
k = 0; 1; 2
tehát ( n )n2N homogén Markov lánc f0; 1; 2g állapotérrel és 3 2 1 0 0 = 4 31 32 0 5 0 23 13
az átmenetvalószín½uségek mátrixa. Keressük a stacionárius elsoszlást, mint az x y z = x y z x + y + z = 1 x; y; z
0
egyenlet megoldását, azaz x +
x +
1 y 3 2 y 3
+
2 z 3 1 z 3
y
+
z
= = = =
x y z 1
amib½ol kapjuk az egyetlen stacionárius eloszlást:
A
2
T
1 0 0
p=
.
állapot eloszlása k 0 1 2
mivel
P(
2 = 2 9 2 3 1 9
k) ) P(
2
1) =
2
32 1 0 0 0 0 1 4 13 23 0 5 = 0 32 13
2 9
7 2 1 + = 3 9 9
2 3
1 9
.
1.61. Feladat. Egy mozgó pont helyzetét a ( t )t2R+ Wiener folyamt adja meg, és D ( 2 ) = 0 2. Mennyi annak valószín½usége, hogy a pont egy adott id½opillantbeli tartózkodási helyét½ol p 4 id½oegység alatt 2 2 távolság-egységnél jobban távolodik el. Megoldás: Mivel D ( 2) = 2 = a keresett valószín½uség: p P j j>2 2 =1
p
2)
=
p
2)
p ! 2 2 p + 2 2
=
t+4
t
2 N (0;
p ! 2 2 p =2 2 2
p
2 2) ,
2 (1) = 0: 317 31 .
57
1.10. SZTOCHASZTIKUS FOLYAMATOK
1.62. Feladat. Legyen t
ahol
=t
t 2 R+ 0
egyenletes eloszlású valószín½uségi változó a [0; 4] intervallumon.
a. Adjuk meg a várható érték és kovariancia függvényeket! b. Stacionárius a ( t )t2R folyamat? c. Stacionárius illetve független növekmény½u a folyamat? d. Markov tulajdonságú a folyamat? e. Martingál a folyamat? Megoldás: a. m(t) = E(t
)=t 2
(t; s) = cov(t
;s
) = t s D2 ( ) = t s
t3
t2
4 3
t; s 2 R+ 0
b. Nem, mert pl. m(:) nem állandó. c. A növekmények stacionáriusak, mert t2
=
t1
t2 +h
= (t2
t1 +h
t1 )
=
t3 +h
t2 +h
= (t3
t2 )
:::
tehát a növekmények nem csak azonos eloszlásúak, hanem most még azonosak is. A folyamat nem független növekmény½u, mert a (t2
t1 )
(t3
t2 )
:::
növekmények nem függetlenek. d. Igen, mert 0 < t1 < t2 < P(
t
<xj
< tn < t esetén
tn ; : : : t1 )
1 ha t ttnn < x = P( 0 egyébként
=
e. Nem, mert ha 0 < t1 < t2 < E(
<xj
t
tn )
x2R.
< tn < t t
j
tn ; : : : t1 )
=t
tn
tn
6=
tn
.
1.63. Feladat. Legyen 0
=0 p
2 n = 1; 2; 3 : : : n + "n+1 2 ahol "n 2 N (0; 1) n = 1; 2; 3 : : : függetlenek. n+1
=
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
58
a. Adjuk meg a ( n )n2N id½osor véges dimenziós peremeloszlásait! b. Mennyi annak valószín½usége, hogy P (
1000
> 2) ?
Megoldás: a. Mivel egy véges dimenziós perem a diszkrét fehér zaj id½osor megfelell½o peremének lineáris transzformáltja, pl. 2
3
2
1
0 1
p
1 6 6 2 7 6 6 7 6 6 3 7 6 6 7=6 6 .. 7 6 4 . 5 6 4
2 2 p 2 2 2
p
2 2
.. . p
n
1 .. .
.. . n 1
2 2
p
2 2
3 3 0 2 " 1 0 7 7 6 "2 7 76 7 6 7 0 7 76 3 7 , 6 .. 7 . . .. 7 4 . 5 . . 7 5 "n 1
0 0
p
n 2
n 3
2 2
ezért az id½osor peremei normális eloszlásúak, amit meghatároz a várható érték és kovariancia függvény. Tehát n = 1; 2; 3; : : : esetén p !n 1 2 E("1 ) + + E("n ) = 0 mn = E( n ) = 2 p !2(n 1) 2 2 (n; n) = D ( n ) = D2 ("1 ) + + D2 ("n ) = 2 továbbá s < t 2 N+ esetén (s; t) = E(
=
s
t)
p !t 2 2
= s
1 2s 1 2
és tetsz½oleges s; t 2 N+ esetén (s; t) = 2
p !s+t 2 2 1 =2 1
p !jt 2 2
p !t 2 2
2
E("21 ) p !t 2 2
+
1
+
s
1 2n 1
s
E("2s ) =
2s 1
1 2
1 =2 1
1
1
sj
1 2n 1 2
2minfs;tg
.
Ez egyben azt is jelenti, hogy a ( n )n=N;N +1;::: id½osor stacionárius Gauss id½osornak tekinthet½o elég nagy N esetén. b. Mivel közelít½oen
1000
2 N (0; 2), a keresett valószín½uség P(
1000
> 2) = 1
(1) = 0: 158 66 .
59
1.10. SZTOCHASZTIKUS FOLYAMATOK
1.64. Feladat. Adjuk meg az el½oz½o feladat ( n )n=N;N +1;::: id½osorának (elég nagy N esetén) spektrális eloszlását! Megoldás: Írjuk a kovariancia függvényt az id½opontok különbségének függvényeként p !jnj 2 R(n) = (n1 ; n1 + n) = 2 n2Z, 2 és keressük azt az f : [
; ] ! R páros függvényt mellyel Z f (!) cos(n!)d! n = 0; 1; 2; : : : R(n) =
teljesül. Tehát R(n) az f Fourier sorának megfelel½o együtthatója, vagyis p !n 1 1 1 1X 1 2X 2 R(0) + R(n) cos(n!) = + f (!) = cos(n!) = 2 2 n=1 # " 1n=1 p !n # " p 2 X (cos(!) + i sin(!)) 2 2 1 2 1 2 p = exp(i!) = + Re = + Re 2 2 1 (cos(!) + i sin(!)) 2 # " n=1 p p p 1 1 2 2 cos ! 1 + i 2 sin ! 2 1 2 cos(!) p p = + Re = = 3 + 2 2 cos ! 3 2 2 cos(!) 1 p = !2[ ; ] 3 2 2 cos (!) 1.65. Feladat (*). Egy pont a számegyenes ”1” pontjából indulva, az alábbi véletlen módon változtatja helyzetét: ha az n 2 N helyen van, akkor n > 0 esetben a következ½o hely a 0; 1; : : : ; n; n + 1 helyek valamelyike lesz azonos valószín½uséggel, és marad 0, ha n = 0. Adjuk meg a 0-állapot elérésének várható lépésszámát, és annak valószín½uségét, hogy a 0-ra az 1-helyr½ol lép a mozgó pont! Megoldás: Jelölje n n = 0; 1; 2; : : :, v.v. a pont helyzetét, 0 = 1. Legyen továbbá v.v. a 0-ba érés lépészáma. Ekkor 8 ha k = l = 0 < 1 1 ha k = 0; 1; : : : ; l + 1; l = 1; 2; : : : ; n n = 1; 2; : : : P ( n = k j n 1 = l) = : l+2 0 egyébként P ( > n) =
n+1 X
P(
n
n = 0; 1; 2; : : : ,
= k)
k=1
P ( = n) = P ( n = 0 ^ n 1 > 0) = P ( n = 1) = P ( n X 1 P ( n 1 = k) n = 1; 2; : : : , = k+2 k=1 P(
n
= l) =
n X
k=l
1 P( k + 2 1
n 1
= k) > P (
n
= l + 1)
n
= 2) =
n = 1; 2; : : :
l = 3; 4; : : :
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
60 amivel kapjuk: P ( > n) =
n X k+1
k+2
k=1
P(
n 1
n+1 P( > n n+2
= k)
n+1 n P( > n n+2n+1
2)
1 n+2
:::
1)
n = 1; 2; : : :
tehát limn!1 P ( > n) = 0, továbbá P ( > 0) = 1 P ( > 1) = P ( > 0) P ( > 2) = P ( > 1) .. . P ( > n) = P ( > n
P ( = 1) = P ( > 0) P ( = 2) = P ( > 1) 1)
P( P(
= 1) = 2)
1 2
P ( = n) = P ( > n
1)
P(
n
= n)
amit összegezve kapjuk 1 X
0 = lim P ( > n) = 1 n!1
Mivel P (
n
= l)
P(
P(
k
k=1
n
= 1) )
1 X
P(
k
= 1) = 2:
k=0
= l + 1); az alábbi sorok konvergensek, és összegüket jelölje: ql =
1 X
P(
k
l = 1; 2; 3; 4; : : : ,
= l)
k=l 1
amivel kapjuk: ql = =
k 1 X X
k=l 1 s=k 1 X s=l
1 P( s+2 1
1 qs s+2 1
k 1
= s) =
1 X
s=l
1 X P( s + 2 k=s 1 1
l = 2; 3; 4; : : : .
Tehát q1 = 2 q2 = 1 ql =
1 ql l+1
ql+1 =
1
1 1 ql + ql+1 : : : l+2 l+3 1 1 + ql + ql+1 : : : l+2 l+3 +
amib½ol kapjuk a ql
ql+1 =
1 ql l+1
1
l = 2; 3; 4; : : :
k 1
= s) =
61
1.10. SZTOCHASZTIKUS FOLYAMATOK
rekurzív egyenletet, melynek megoldása, …gyelembe véve, hogy az els½o két sorozattag egyértelm½uen meghatározza a sorozatot: ql =
2 l!
l = 1; 2; 3; 4; : : : .
várható értékét megkapjuk az alábbi sor összegeként: 1 X
E( ) =
n=0 1 X
=
P ( > n) =
1 X n+1 X
P(
1 X
P(
n
= k) = 2
k=1 n=k 1
Számítsuk ki most az A = [1 n=1 f = n ^ P (A) =
1 X n=1
=
1 X
P( = n ^ P(
n
n=1
n
= k) =
n=0 k=1
=0j
n 1
= 1) =
1 X 1 l! k=0
n 1
1 X
= 1) P (
P(
n 1
1) .
= 1g esemény valószín½uségét! n
n=1
n 1
2 = 2(e
=0^
= 1) =
n 1
1 X 1 n=1
3
= 1) =
P(
n 1
2 = 1) = : 3
1.66. Feladat (*). Legyenek k k = 1; 2; : : : ; r d d-típusú sztochasztikus mátrixok, az Ank k = 1; 2; : : : ; r teljes eseményrendszerek n = 1; 2; : : : teljesen függetlenek, pozitív valószín½uségeik: 0 < pk = P (Ank ) k = 1; 2; : : : ; r Ha tetsz½oleges v0 2 R+ 0
n = 1; 2; : : : .
d
valószín½uségeloszlás esetén a ! r X n = 1; 2; : : : vnT = vnT 1 1Ank k k=1
d-dimenziós id½osor majdnem biztosan konvergál egy m 2 Rd (valószín½uségeloszlás-) vektorhoz, akkor ! r X mT = mT pk (1.17) k k=1
és teljesül
mT = mT
k
k = 1; 2; : : : ; r .
Bizonyítás. A feltételes várható érték tulajdonságait, továbbá vn 1; 2; : : : ; r eseményrendszer függetlenségét kihasználva kapjuk ! r X T T E(vn j vn 1 ) = E 1Ank vn 1 = vn 1 ; k
(1.18) 1
és az Ank
k=
k=1
Kézirat, módosítva: 2010. február 19.
½ 1. FEJEZET. VALÓSZÍNUSÉGSZÁMÍTÁSI FELADATOK
62 ahol
=
r X
pk
k
,
k=1
és ebb½ol E(vn ) =
T
E(vn 1 ) n = 1; 2; : : : .
Mivel vn minden komponense nemnegatív, és 1-nél kisebb, a várható érték és a határétérték felcserélésével kapjuk (1.17)-et. Hasonlóan számoljuk továbbá E(vn vnT j vn 1 ) = E
r X
1Ank
T k
k=1
=E
r X
1Ank
!
vn 1 vnT
1
r X
1Anl
l=1
T k
vn 1 vnT
k
1
k=1
amib½ol E(vn vnT ) =
X
pk
!
= T k
E(vn 1 vnT 1 )
k
l
j vn
X
k
1
j vn
1
!
pk
T k
!
=
vn 1 vnT
1
k
,
n = 1; 2; : : : .
Ismét határértéket véve, átrendezés után kapjuk X T T pk m mT = 0r k k m m
Jelölje qkT = mT
!
r
k = 1; 2; : : : ; r, akkor felhasználva, hogy m = X pk qk qkT m mT = 0r r ,
Pr
k=1
pk qk , kapjuk
ami azt jelent, hogy a (qk ; pk )k=1;2;:::;r diszkrét valószín½uségeloszlás várható érték vektora m, kovariancia mátrixa a zérusmátrix, tehát az ilyen eloszlású vektor valószín½uségi változó 1-valószín½uséggel állandó, azaz ha pk > 0 akkor m = qk teljesül, ami (1.18) teljesülését jelenti.
2. fejezet Matematikai statisztika feladatok 2.1. Paraméter becslések 2.1. Feladat. Egy N = 100 elem½u termék halmazban M > 0 ismeretlen számú hibás termék van. Visszatevés nélkül, egyesével válsztva amíg hibásat nem találtunk, k = 20 terméket kellett megvizsgálni. Becsüljük M értékét! Megoldás: Jelölje a minta statisztikát (meg…gyelt értéke k = 20), M az ismeretlen (meghatározó) paramétert, melynek függvényében a likelihood függvény: ( M k=1 N L(k; M ) = (N M )(N M 1) (N M k+2)M k = 2; : : : N M + 1 N (N 1) (N k+1) vagy L(k; M ) =
N k N k
M 1 1 1
M N
k = 1; 2; : : : N
M +1 .
Keressük ennek maximumát az L(k; M + 1) = L(k; M )
1 =
(N
(N M 1)(N M 2) (N M k+1)(M +1) N (N 1) (N k+1) (N M )(N M 1) (N M k+2)M N (N 1) (N k+1)
M k + 1)(M + 1) (N M )M
M = 1; 2; : : : ; N
egyenl½otlenség vizsgálatával, ami ekvivalens a kM
N
k+1,M
N
k+1 k
egyenl½otlenséggel, tehát a maximum hely ^ (k) = M
N Int
N +1 k
63
ha k = 1 ha k > 1
=
k+1
64
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
ahol Int(x) jelöli az x szám egész részét. Tehát kaptuk az ^ = M
M
N Int
N +1
ha ha
=1 >1
maximum likelihood becslést, amivel az ismeretlen paraméter becsült értéke: ^ (20) = Int 101 M 20
M
=5.
Megjegyzés: Könnyen ellen½orízhet½o, hogy ez a becslés torzított, mert pl. M = 5 esetén ^ = 100 M
EjM =5
X 5 101 + Int 100 k=2 k 94
100 5 0 99 0
100 5 k 1 99 k 1
5 = 16: 167 6= 5 . 100
A torzítás relatív mértéke M nagyobb értékeire csökken, pl. ^ = 69: 429 EjM =50 M
^ = 89: 295 EjM =80 M
^ = 100. és M = 100 esetben nincs torzítás, mert EjM =100 M 2.2. Feladat. Egy autóbusz járat egy megállóba ismeretlen, de állandó id½oközönként érkezik. Véletlen id½opontokban érkezve ebbe a megállóba, az alábbi várakozási id½otartamokat …gyeltük meg. 1:1 0:6 3:5 2:2 4:1 0:2 4:8 1:8 perc Becsüljük a járats½ur½uséget! Készítsünk maximum likelihood becslést! Megoldás: Jelölje
= ( 1; : : : ; x=
n)
a minta statisztikát, n = 8, és
1:1 0:6 3:5 2:2 4:1 0:2 4:8 1:8
a meg…gyelt mintát. Feltételezhetjük, hogy k 2 U (0; d) k = 1; 2; : : : ; n, ahol d az ismeretlen járats½ur½uség paraméter. Mivel E( k ) = d2 , használjuk el½oször a várható érték szokásos becslését d 2
d x = 2: 287 5 D( ) = p 2 3n
2: 287 5 p = 0: 466 93 3 8
amib½ol a becsült érték és standard hibája d
d 2x = 2 2: 287 5 = 4: 575 D(2 ) = p 3n
4: 575 p = 0: 933 87 . 3 8
Írjuk a likelihood függvényt a d paraméter függvényeként L(x; d) =
1 dn
0
ha 0 < xk < d k = 1; 2; : : : ; n egyébként
,
65
2.1. PARAMÉTER BECSLÉSEK
aminek maximum helye ^ = max fx1 ; x2 ; : : : ; xn g = x . d(x) n Tehát kaptuk a d n maximum likelihood becslést. Vizsgáljuk a becslés torzítatlanságát, amihez szükséges n eloszlásának megadása. F n (x) = P (
1
< x;
2
< x;
f n (x) = Így E( n ) =
Z
;
n
n n x dn
d
x
0
< x) = 1
xn dn
ha 0 < x < d egyébként
0
0<x
n n 1 n d x dx = n d 1+n
vagyis a maximum likelihood becslés torzított, de korrigálva kapjuk a d lan becslést. Ennek standard hibája D
n+1 n
=
n
n+1 n+1 D ( n) = d n n
s
E(
2 n )
=
0
d
s
n n d2 x2 n xn 1 dx = d 2+n
torzítat-
n2 d =p 2 (1 + n) n (2 + n)
n 2+n
mivel Z
n+1 n n
D ( n) = d
n 2+n
n2 . (1 + n)2
Tehát az így korrigált becsléssel kapott becsült érték és standard hiba: d
9 4:8 = 5: 4 D 8
n+1 n
5: 4 p = 0: 603 74 . 8 10
d
=p
n
n (2 + n)
Megjegyzés: Vegyük észre, hogy a maximum likelihood becslésb½ol nyert utóbbi eredp mény standard hibája lényegesen kisebb ( n nagyságrenddel jobb). A Fisher féle információs mennyiséggel most nem adható alsó korlát torzítatlan becslés standard hibájára, mert a likelihood függvény a d paramétert½ol függ½o [0; d] intervallumon pozitív. 2.3. Feladat. Legyen a s.m. egy f (x) =
x
1
0<x<1
s½ur½uségfüggvény½u v.v. n-ismételt meg…gyelésével kapcsolatos, ahol > 0 ismeretlen paraméter. Keressünk elégséges statisztikát, adjunk maximum likelihood becslést a # = 1 paraméterre, vizsgáljuk meg a becslés tulajdonságait! Kézirat, módosítva: 2010. február 19.
66
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
Megoldás: Jelölje = ( 1 ; 2 ; : : : ; n ) a minta statisztikát, az eloszlást meghatározó paramétert. Írjuk a likelihodd függvényt az paraméter függvényeként: n
L(x; ) =
n Y
1
xk
x = (x1 ; x2 ; : : : ; xn ) 2]0; 1[n
k=1
Ekkor a x 7!
n Y
x = (x1 ; x2 ; : : : ; xn ) 2]0; 1[n
xk
k=1
statisztika elégséges, és kölcsönösen egyértelm½u függvénye T (x) =
n X k=1
ln(xk ) x = (x1 ; x2 ; : : : ; xn ) 2]0; 1[n
is elégséges statisztika. Keressük el½oször
maximum likelihood becslését, mint
ln L(x; ) = n ln( ) + (
1)T (x)
maximum helyét egy x = (x1 ; x2 ; : : : ; xn ) 2]0; 1[n meg…gyelt minta esetén, ami az S(x; ) =
n @ ln L(x; ) = + T (x) @
zérushelyéb½ol
n , T (x)
^ (x) = tehát kaptuk az
^=
n T
becslést, és így a T n
# maximum likelihood becslést. Mivel Z 1 E ( ln( k )) = ln(x)
1
x
1
dx =
=#
0
2
E ln ( k ) =
Z
1 2
ln (x)
1
x
2
dx =
D ( ln( k )) =
2
0
kapjuk E
T n
=
1
=#,
tehát a becslés torzítatlan, és standard hibája D
T n
=
1 p !0 n
s
2 2
1
2
=
1
67
2.1. PARAMÉTER BECSLÉSEK
ezért a becslés konzisztens. Adjuk meg a # paraméter torzítatlan becslése hatékonyságának alsó határát az I( ) = D2 (S( ; )) =
@ S( ; ) @
E
Fisher féle információs mennyiséggel. Ha # = 2
1 2
2
D (t)
2
2
=
n 2
t torzítatlan becslés, akkor T n
1 = D2 2n
=
n
1
n
=E
,
tehát a kapott maximum likelihood becslés a leghatékonyabb. Ez egyébként a T = S( ; ) n
n
összefüggésb½ol is következik. 2.4. Feladat. Egy folytonos eloszlású v.v. s½ur½uségfüggvénye: f (x) = 2 x e
x2
ha 0 < x ,
ahol > 0 ismeretlen paraméter. n-ismételt meg…gyelés esetén adjuk meg a likelihood függvényt, keressünk elégséges statisztikát, adjunk maximum likelihood becslést az paraméterre és a várható értékre! Mit mondhatunk a becslésekr½ol? Ha egy meg…gyelt minta x = (16:24; 4:19; 4:77; 6:38; 4:14; 0:54; 12:87; 7:35; 9:28; 8:11); adjuk meg a becsült értékeket, és becsüljük a standard hibákat! Megoldás: Jelölje = ( 1 ; 2 ; : : : ; n ) a minta statisztikát, az eloszlást meghatározó paramétert. Írjuk a likelihood függvényt az paraméter függvényeként: L(x; ) = 2n
n
n Y
xk e
k=1
Pn
k=1
x2k
x = (x1 ; x2 ; : : : ; xn ) 2 R+n ,
tehát T : Rn ! R x 7! elégséges statisztika. Keressük
n X
ln L(x; ) = n ln(2) + n ln( ) +
x2k
k=1
n X
ln(xk )
T (x)
k=1
maximum helyét, ami az S(x; ) =
n @ ln L(x; ) = @
T (x) = 0 Kézirat, módosítva: 2010. február 19.
68
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
egyenlet ^=
n T (x)
megoldása. Tehát kaptuk az
n T maximum likelihood becslést. A várható értéket adjuk meg el½oször az paraméter függvényeként: Z 1 h i1 Z 1 2 x2 x2 e x dx = x 2 x e dx = x e + m= 0 0 0 0 1 r Z 1 r 1 x2 1 B C p = exp @ 2 A dx = 2 2 p12 0 2 p12
Tehát a várható érték maximum likelihood becslése r 1 T . m 2 n
A standard hibák közelítéséhez vizsgáljuk a T elégséges statisztika várható értékét és szórását. Mivel P(
2 k
< t) = P(
k
<
p
t) =
Z
p
t
x2
2 x e
dx = 1
e
t
0
0
a minta elem statisztikák négyzetei független exponenciális eloszlásúak tehát p 1 1 D(T ) = n . E(T ) = n
paraméterrel,
Használjuk ezt a n T 1 2
r
n
T
n n 1 = T n 1 2 n n1 r r 1 1 1 1 q n + T 2 n 2 n 2 n1
2
n n
1
T
n
1
=m+
p 4n
T
n
1
els½ofokú Taylor formulákban, és így a becsléseink közelít½oen torzítatlanok r r p 2p p 1 n 1 1 1 m D n =p D T n = = p T n 2 n 4n 4 n n 2 n standard hibákkal, melyek n ! 1 esetben nullához tartanak, tehát a becslések konzisztensek.
69
2.1. PARAMÉTER BECSLÉSEK
Adjuk meg a paraméterek torzítatlan becslései hatékonyságának alsó határát az I( ) = D2 (S( ; )) =
E
@ S( ; ) @
Fisher féle információs mennyiséggel. Ha akkor 2
D (t1 )
1 n
2
=
2
D
n
2
n T
2
t1
D (t2 )
m= p 1p 4 n
n
=E 1 2
2
p
=
n 2
t2 torzítatlan becslések,
2
1 = 16 n
3
2
D
2
1 2
r
n
T
p p mivel @@ 12 = 14 p 3 . Tehát a kapott becslések közelít½oen (elég nagy n esetén) a leghatékonyabbak. Az n = 10 elem½u mintából
T (x) = 16:242 + 4:192 + 4:772 + 6:382 + 4:142 + 0:542 + 12:872 + + 7:352 + 9:282 + 8:112 = 733: 73 amivel kapjuk:
m
n 10 0:013629 p = = 0:013629 s.h.: p = 4: 309 9 10 3 T (x) 733: 73 n 10 r r 1 1 m 7: 591 2 p T (x) = 733: 73 = 7: 591 2 s.h.: p = 1: 200 3 2 n 2 10 2 n 2 10
2.5. Feladat. Egy 500 darabos termékhalmazban ismeretlen számú hibás termék van. Becsüljük a hibásak számát, ha 100 elem½u mintát véve, 25 hibásat találtunk! Adjunk 90% biztonsággal fels½o korlátot a hibásak számára! Megoldás: Jelölje a minta statisztikát, akkor 2 Hyp(500; M ; 100), ahol M az ismeretlen paraméter. A valószín½uség becsült értéke, és a becslés standard hibája: s 25 1 99 M p = 0:25 D 0:25 0:75 1 = 3: 876 9 10 2 , 500 100 100 499 100 tehát M becsült értéke, és a becslés standard hibája M
125 D 500
100
500 3: 876 9
10
2
= 19: 385 .
Táblázatból u0:2 = 1:282; amivel a valószín½uség 80%-os szint½u kétoldali határai M 500
25 100
1:282 3: 876 9
10
2
tehát 90%-os szint mellett M
125 + 1:282 19: 385 = 149: 852
150 .
Kézirat, módosítva: 2010. február 19.
70
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
2.6. Feladat. Hány embert kell egy közvélemény kutató cégnek megkérdeznie, hogy egy ismeretlen arányt 0.01 pontossággal tudjanak megadni 95%-os szint mellett? Megoldás: Jelölje a minta statisztikát, akkor (a feltehet½oen nagy létszámú alapsokaság miatt) 2 Bin(n; p), ahol p az ismeretlen arány (valószín½uség) paraméter. A 95%-os kétoldali intervallum becslés pontossága r 1 1 u0:05 p 1 u0:05 p . n n n 2 n Mivel u0:05 = 1:96, kapjuk 1:96
1 p 2 n
n.
0:01 =) 9604
2.7. Feladat. Egy mérési eljárás legnagyobb véletlen hibája eredményéb½ol x = 12:13.
=
0:03, n = 3 mérés
a) Becsüljük 90%-os biztonsággal a mért mennyiség értékét! b) Legfeljebb mennyi lehet (ugyanezen mennyiség esetén) egy mérés eredménye 95%-os biztonsággal? c) Hány méresre van szükség, hogy a 95%-os szint½u intervallum becslés pontossága 0:005 legyen? Megoldás: Feltehetjük, hogy a mérések eredménye N (m; 0 ) eloszlású, ahol m az ismeretlen várható érték paraméter, 0 = j 3 j = 0:01 az ismert szórás, tehát m
0:01 0 x = 12:13 D( ) = p = p = 5: 773 5 n 3
10
3
.
a) Táblázatból u0:1 = 1:645, amivel kapjuk a 90%-os határokat: m
12:13
1:645 5: 773 5
10
3
=
12: 139 12: 121
.
b) Jelölje 1 egy további mérés eredményét, akkor u0:1 = 1:645 táblázati értékkel kapjuk a 90%-os r 1 1 12:13 1:645 0:01 + 3 1 kétoldali határokat, amib½ol r 1 1 12:13 + 1:645 0:01 + = 12: 149 1 3 1 a keresett 95%-os fels½o határ.
71
2.1. PARAMÉTER BECSLÉSEK
c) u0:05 = 1:96 amivel a kétoldali intervallum becslés pontosságára 0:01 1:96 p n
0:005 ) 15: 366
n,
tehát n = 16 mérés szükséges. 2.8. Feladat. n = 40 feln½ott fér… súlyát megmérve, kaptuk x = 78:25 kg s (x) = 12:01 kg. a) Adjuk meg az átlagos (várható) súly 90%-os határait! b) Legalább hány kg lesz egy gépkocsi terhelése, ha 5 fér… foglal benne helyet, 90%-os szint mellett? c) Milyen határok között van a súly szórása 90%-os szint mellett? Megoldás: Feltehetjük a súly adatok N (m; ) eloszlását (már a minta mérete miatt is), ahol m a várható érték, a szórás paraméter. a) Az átlagsúly, azaz várható érték határai a t0:1 = 1: 684 9 táblázati értékkel (szabadsági fok: 39) 12:01 81: 45 m 78:25 1: 684 9 p . 75: 05 40 b) Jelölje 1 ; 2 ; 3 ; 4 a további (gépkocsiba szálló) fér…ak súlyát, akkor t0:2 = 1: 303 6 táblázati értékkel (szabadsági fok: 39) a 80%-os kétoldali határok r 1 1 + 78:25 1: 303 6 12:01 40 4 amib½ol kapjuk a 90%-os alsó határt az összegre:
1
c) A
+
2
+
3
+
4
=4
4
78:25
r
1: 303 6 12:01
1 1 + 40 4
!
= 280: 16 kg.
2 39
2 eloszlás táblázatából 20:95 = 25: 695 0:05 = 54: 572 amivel kapjuk a szórás 90%-os kon…dencia határait: ! r r 39 39 = (10: 153; 14: 796) . 12:01 ; 12:01 54: 572 25: 695
2.9. Feladat (*). Egy exponenciális eloszlású véletlen mennyiség ismeretlen n-számú meg…gyeléséb½ol csak egy adott T id½otartamnál kisebb értékekb½ol becsüljük az exponenciális eloszlás paraméterét, és az ismeretlen n értékét! Kézirat, módosítva: 2010. február 19.
72
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
Megoldás: Legyenek 1 ; 2 ; : : : ; rendezett minta elemeit
független, azonos folytonos eloszlású v.v.-k! Jelölje a
n
1
<
2
< ::: <
n
.
Ha a meg…gyelés [0; T ] id½ointervallumába = r számú meg…gyelt érték esik, a likelihood függvény az ismeretlen f s½ur½uségfüggvénnyel: n!
L(r; x1 ; x2 ; : : : ; n; f ) =
f (x1 ) f (x2 ) : : : f (xr ) (1 (n r)! ha x1 < x2 < : : : < xr 2 R; r = 0; 1; : : : ; n
F (T ))n
r
(*)
ahol F az eloszlásfüggvényt jelöli. Legyen a továbbiakban 0 e
f (x) =
x
x<0 ; 0<x
keressük (*) maximumát, azaz L(r; x1 ; x2 ; : : : ; n; ) =
n! (n
r
1
^ = Pr
(n
r)T
k=1
r)T
m ^ =x+( ahol
xk
!
illetve n szerint! Mivel minden n-re (*) pontosan
r k=1 xk + (n
illetve
exp
r)!
az ismeretlen ; vagy még inkább m = akkor maximális, ha
r X
n r
r r x + (n
=
r)T
1)T
1X x= xk : r k=1 r
Ekkor a maximum értéke ^n = ^ L
n!
r
(n
r)!
e
r
n = r; r + 1; : : :
:
Ennek a pozitív sorozatnak n szerinti maximumát a ^ n+1 L q(n) = = ^n L
r x + (n r)T r x + (n + 1 r)T
hányados vizsgálatával keressük. A c = Q(N ) = ln(q(n)) = r ln 1
x T
r
n+1 n+1 r
n = r; r + 1; : : :
és N = n + 1 jelöléssel vizsgáljuk a
1 r c+N
r
ln 1
r N
N
r+1
73
2.1. PARAMÉTER BECSLÉSEK
függvény el½ojelét. Mivel limN !1 Q(N ) = 0, és az @ Q(N ) = r @N (N egyenl½otlenség 0 < 1
N (2r(1
1 r(1
2
c))
1 (N
r(1
N2
c))
rN
>0
c < 1 miatt ekvivalens módon alakítható N 2 rN > (N r(1 c))2 c) r + 1) > r2 (1 c)2 + r(1
(N c)
r(1
c))
tehát a derivált legfeljebb egy helyen válthat el½ojelet, ezért az alábbi esetek lehetségesek: x 1. 2r(1 c) r + 1 0 , 1 c r2r1 , r+1 <1 2r T @ Tehát @N Q(N ) 0, vagyis Q monoton csökkenve tart 0-hoz, azaz Q > 0, vagyis a likelihood függvény maximuma
bmax = lim L bn = L n!1
r
r
e T
2. 2r(1 c) r + 1 > 0 , r+1 > Tx > 0 2r @ Tehát elég nagy N esetén @N Q(N ) > 0, vagyis Q monoton növekedve tart 0-hoz, azaz Q < 0, vagyis a likelihood függvény maximum helye, illetve m.l. becslések (a) ha Q(r + 1) < 0 akkor n b=r
és ekkor
(b) ha Q(r + 1)
amire Q(b n
Megjegyzések:
bmax = L
0 akkor
1)
n b>r
b=
b= 1 x 1
r
e x
r r x + (n
r)T
0 és Q(b n) < 0, és ekkor !r b n b! bmax = L e (b n r)!
1. Az 1. esetben a maximum likelihood becslések a formális
értékeket adják.
n b=1
b=0 Kézirat, módosítva: 2010. február 19.
74
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
2. A P korlátos maximum hely léte (2. eset) azon múlik, hogy teljesül-e, a r + 1 > r 2 i=1 xi feltétel. Erre akkor "számíthatunk", ha a várható értékekre teljesül T E( + 1) = n(1 2 =n T
T
e Z
n 2X "i 1f"i
)+1>E
T t
t e
1
dt = 2n
0
!
=
T
e T
T
e
(2.1)
ahol =
n X i=1
1f"i
; "n 2 Exp( ) függetlenek.
"1 ; "2 ;
Alakítsuk az (2.1) egyenl½otlenséget, 1
e
T
+
1 >2 n
1
T
e T
e
T
ami teljesül, ha 1
e
T
2
1
e T
T
Ez pedig mindig igaz, mivel 0 xex + x
2(ex
T
e
, Te
T
+ T
2e
T
+2
0
x esetén x2 x3 x3 + ::: + x 2 x + + + 2! 2 3! x3 x4 x4 2 2 + + ::: 0 3! 3! 4!
1) = x + x2 + =
x3 2!
=
Tehát elég nagy n esetén a 2. eset bekövetkezésére számíthatunk. 3. Legyen a továbbiakban az egyszer½uség kedvéért T = 1: Feltételezve tehát a 2. eset bekövetkezését, a kapott n b, és b becsült értékek (közelít½o) megoldásai az S(r; x; n; ) = = egyenletnek. Továbbá B(r; x; n; ) =
@ @n
ln L P + ri=01
@2 @n2 @2 @n@
ln L ln L
@ @
ln L
1
T
r
n i
@2 @n@ @2 @ 2
ln L ln L
=
(n
=
r+
Pr
i=1
" P r
xi )
T
1 1 i=0 (n i)2
1
0 0
=
1 r 2
#
,
75
2.2. PARAMÉTERES PRÓBÁK
amib½ol B 1 (r; x; n; ) =
Pr
2
b + Pr
1 1 i=0 n b i
és
= 0 miatt
r 1 r X 1 b2 (b n i)2 i=0
2
1=
1
1 1 i=0 (n i)2
r
2
r 1 1X
r 4 b2 r
i=0
1
"
r
(b n
Pr
2
1 1 i=0 (n i)2
1
r 1 1X
1 2
r
i)
1
i=0
1 n b
i
#
!2 3
5>0.
Tehát a B 1 (r; x; n b; b) pozitív de…nit mátrix a n b; b becsl½o statisztika pár kovariancia mátrixa becslésére használható, vagyis az n n b becslés standard hibájának becsült értéke 1 D(b n ) qP b2 r
r 1 1 i=0 (b n i)2
és a
b becslés standard hibájának becslése v u Pr 1 1 b u i=0 (b u n i)2 D(b) p t Pr 1 1 r i=0 (b n i)2
b2 r
.
2.2. Paraméteres próbák 2.10. Feladat. Egy mérési eljárás hibája N (0; 0:02) eloszlású véletlen mennyiség. Egy termék egyik fontos jellemz½ojét mérjük ezzel az eljárással, és azt jónak min½osítjük, ha értéke m0 = 20:00: Tervezzünk próbát ennek ellen½orzésére úgy, hogy a jó terméket csak 0:01 valószín½uséggel min½osítsük hibásnak, és a 20:05 vagy annál nagyobb, illetve 19:97 vagy annál kisebb jellemz½oj½u terméket legfeljebb 0:02 valószín½uséggel min½osítsük jónak! Megoldás: u-próbával ellen½orízzük a H0 : m = 20:00 hipotézist a H1 : m 6= 20:00 kétoldali alternativ hipotézissel szemben, és keressük n értékét, amivel teljesülnek: = 0:01
m 20:05
0:02
m 19:97
0:02 .
Mivel a másodfajú hiba szimmetrikus az m = 20:00 értékre, és az alternatíva monoton csökken½o függvénye mindkét irányban, elég az = 0:01
m=19:97
0:02
feltételeket teljesíteni. Tehát u0:01 = 2: 575 8 és így a másodfajú hiba m=19:97
=
2:5758 +
20:00 19:97 p n 0:02
2:5758 +
20:00 19:97 p n 0:02
0:02 ,
Kézirat, módosítva: 2010. február 19.
76
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
amit alakítva kpajuk p 2: 575 8 + 1: 5 n
p 2: 575 8 + 1: 5 n
0:02
ahol a bal oldali els½o tag értéke közelít½oen már 1-nek vehet½o, amit rendezve: p 0:98 2: 575 8 + 1: 5 n p 2: 053 7 2: 575 8 + 1: 5 n 9: 525 5 =
2: 053 7 + 2: 575 8 1:5
2
n
Tehát n = 10 mérésre van szükség. 2.11. Feladat. Egy tantárgy (maximum 100 pontos) dolgozatainak sok éves átlageredménye 58.26 pont. Egy 20 f½os tanulócsoport tagjai a szokásos felkészítés mellett kidolgozott feladatokat is kaptak a sikeres felkészüléshez. Az így megírt dolgozatok átlageredménye 62.15 pont, és az eredmények korrigált empírikus szórása 4.56: Egy másik, 15 f½os csoport tagjai pedig képletgyüjteményt használhattak a dolgozat írásakor, és eredményeik átlaga 61.01, korrigált empírikus szórása 6.69 pont lett. Van-e kimutatható javulás valamelyik esetben? Ha következtetésünk nemleges, mennyi annak kockázata, hogy az adott módon segített csoport átlageredménye mégis 62 pontra n½ott? Tételezzük fel az eredmények normális eloszlását! Megoldás: t-próbával vizsgáljuk a H0 : m = 58:26 hipotézist a H1+ : m > 58:26 alternatívával szemben, mivel most a másik oldali alternatíva kizárható. A próba statisztika értéke a 20 f½os csoport esetén: t= ami a t2
=0:01
62:15 58:26 p 20 = 3: 815 4:56
= 2:861 (szabadsági fok: 19) táblázati értékkel 3: 815 > 2:861 ) H0 -t elutasítjuk,
tehát van javulás az eredményekben, és az így vállalt els½ofajú hiba értéke kevesebb mint = 0:005; pontosan 1 FT19 (3:815) = 5: 845 3 10 4 ; ahol FT19 jelöli a T19 eloszlás eloszlásfüggvényét (értékének számításához használjunk MATLAB, MAPLE, SPSS, R, stb. programcsomagot). A próba statisztika értéke a 15 f½os csoport esetén t= ami a t2
=0:1
61:01 58:26 p 15 = 1: 592 6:69
= 1:761 (szabadsági fok: 14) táblázati értékkel 1: 592
1:761 ) H0 -t elfogadjuk,
77
2.2. PARAMÉTERES PRÓBÁK
és ekkor a vállalt másodfajú hiba értéke m = 62 alternatíva esetén az u-próba er½ofüggvényével közelítve: 1: 592 +
m=62
58:26 62 p 15 6:69
= 0: 283 27 .
Megjegyzés: Pontosabb értéket kaphatunk a 0 1 p p 62 62 58:26 15 + 15 q =P@ < 1: 592A = FT19 (1: 592) = 0:2820342 m=62
s
2
másodfajú hibára, ahol FT19 most az un. nem centrált T eloszlás eloszlásfüggvénye, a nem-centráltsági paraméter becsült értéke 62
58:26 p
15
62
58:26 p 15 = 2: 165 2 6:69
amivel az R programcsomag >pt(1.592,df=14,ncp=2.1652) [1] 0.2820342 függvény-hívásával kapjuk az eredményt. Az így kapott érték lényegében azonos a fenti közelítéssel, és ez az eredmény sem tekinthet½o pontos értéknek, mivel használjuk hozzá az ismeretlen szórás becsült értékét. 2.12. Feladat. Ugyanazt a mennyiséget kétféle eljárással mértek meg, és kaptuk: n1 = 11 x = 123:01 s1 (x) = 0:12 n2 = 21 y = 123:21 s2 (y) = 0:13 Van-e kimutatható különbség a két eljárás pontossága, és várható eredménye között? Feltételezhetjük a mérési eredmények normális eloszlását. Megoldás: Jelölje m1 illeteve m2 a két várható érték paramétert, 1 és 2 a szórás paramétereket. Vizsgáljuk el½oször a H0 : 1 = 2 hipotézist. A próba statisztika értéke (a nagyobb becsült értéket osztva a kisebbel): f=
s22 (y) 0:132 = = 1: 173 6 s12 (x) 0:122
ami az f0:1 = 2:20 (szabadsági fok: 20;10) táblázati értékkel f = 1: 173 6 tehát
f0:1 = 2:20 ,
= 2 0:1 = 0:2 terjedelm½u próbával elfogadható a szórások egyenl½osége. Kézirat, módosítva: 2010. február 19.
78
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
A várható értékek H0 : m1 = m2 azonosságát a szórások egyenl½oségének feltételezése mellett, a kétmintás T -próbával ellen½orízzük. A szórás becsült értéke a két mintából r 10 0:122 + 20 0:132 S(x; y) = = 0: 126 75 , 30 amivel a próba statisztika értéke 123:01 123:21 t= 0: 126 75
r
11 21 = 32
4: 239 5 ,
és a t0:001 = 3:646 (szabadsági fok: 30) táblázati értékkel t = j 4: 239 5j > t0:001 = 3:646 tehát = 0:001 els½ofajú hiba mellett elvetjük a várható értékek azonosságát. Összefoglalva, a mérések pontossága (szórása) azonosnak tekinhet½o, a várható eredmények azonban szigni…kánsan különböznek.
2.3. Nem paraméteres próbák 2.13. Feladat. Szabályosnak tekinthet½o-e az a dobókocka, melyet 120-szor dobva, az alábbi gyakoriságokat …gyeltük meg: 1 2 3 4 5 6 24 16 25 10 30 15 Megoldás: Vizsgáljuk a H0 : pi =
1 2 3 4 5 6 P
1 6
i = 1; 2; : : : ; 6
fi
n pi0
24 16 25 10 30 15 120
20 20 20 20 20 20
hipotézist
2
-próbával.
(fi n pi0 )2 n pi0 16 20 16 20 25 20 100 20 100 20 25 20 282 20
tehát a próba statisztika értéke
2
és a
2 0:025
=
282 = 14: 1 , 20
= 12:83 (szabadsági fok: 5) táblázati értékkel 2 0:025
= 12:83 <
2
= 14: 1 ,
tehát a H0 hipotézist elutasítjuk 0:025 els½ofajú hibával, vagyis a kocka nem tekinthet½o szabályosnak.
79
2.3. NEM PARAMÉTERES PRÓBÁK
2.14. Feladat. Egy bizonyos típusú …le hoszz adataiból kaptuk az alábbi gyakorisági adatokat: fi 1 kB 14 1 2 kB 16 2 3 kB 25 3 4 kB 10 4 kB 10 Tekinthetjük-e exponenciális eloszlású véletlen értéknek egy ilyen típusú …le méretét? Megoldás: Vizsgáljuk a H0 : p1 = p10 ( ) p2 = p20 ( ) p3 = p30 ( ) p4 = p40 ( ) p5 = p50 ( ) becsléses illeszkedési hipotézist, ahol jelöli a feltételezett exponenciális eloszlás ismeretlen paraméterét, aminek maximum likelihood becsléssel kapott becsült értéke 1 x
75 = 0:432 28 14 0:5 + 16 1:5 + 25 2:5 + 10 3:5 + 10 4:5
amit az osztályközök megadásával kaphatunk. Egészítsük ki továbbá táblázatunkat a becsült értéb½ol nyert várható gyakoriságokkal, és a próba statisztika számításával fi
ahol
0:5 1:5 2:5 3:5 4:5 P
14 16 25 10 10 75
(fi n p^i0 )2 n p^i0
n p^i0 75 75 75 75 75
0:350 97 = 26: 323 0:227 79 = 17: 084 0:147 84 = 11: 088 9: 595 4 10 2 = 7: 196 6 0:177 44 = 13: 308 75: 000
p^10 p^20 p^30 p^40 p^50
=1 =e =e =e =e
e
(14 26: 323)2 26: 323 (16 17: 084)2 17: 084 (25 11: 088)2 11: 088 (10 7: 196 6)2 7: 196 6 (10 13: 308)2 13: 308
= 5: 769 0 = 6: 878 1 10 = 17: 455 = 1: 092 1 = 0:822 28 25: 207
2
0:432 28 1
0:432 28 1 0:432 28 2 0:432 28 3 0:432 28 4
= 0:350 97 e 0:432 28 2 = 0:227 79 e 0:432 28 3 = 0:147 84 e 0:432 28 4 = 9: 595 4 10 = 0:177 44
2
A próba statisztika értéke 25: 207, és 20:001 = 16:27 (szabadsági fok: 5 amivel 25: 207 > 16:27
1
1 = 3),
ezért a H0 hipotézist elutasítjuk = 0:001 els½ofajú hiba mellett. Tehát a véletlen mennyiség nem tekinthet½o exponenciális eloszlásúnak. Kézirat, módosítva: 2010. február 19.
80
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
2.15. Feladat. Egy termék három különböz½o technológiával készülhet I., II. és III. osztályú min½osgben. Egy felmérésb½ol kaptuk az alábbi gyakorisági táblázatot: technológia
min½oség
I. II. III.
1. 2. 3. 50 4 1 44 41 33 6 15 26
Van-e kimutatható kapcsolat a min½oség és az alkalmazott technológia között? Megoldás: Vizsgáljuk a H0 : pij = pi p j függetlenségi hipotézist, amihez egészítsük ki a táblázatot az összegekkel, és a várható gyakoriságokkal: P technológia 1. 2. 3. min½o ség 50 4 1 I. 55 55 100 55 60 55 60 = 25 = 15 = 15 220 220 220 44 41 33 II 118 118 100 118 60 118 60 590 354 = 11 = 11 = 354 220 220 220 11 6 15 26 III. 47 235 141 141 47 100 47 60 47 60 = = = 220 11 220 11 220 11 P 100 60 60 220 A próba statisztika értéke: (50
25)2 (4 15)2 (1 15)2 + + + 25 15 15 2 44 590 41 11 + + 590 11
+ továbbá
= 0:001
2
6
354 2 11 354 11 235 2 11 + 235 11
+ 15
= 18:47 (szabadsági fok: (3
354 2 11 + 354 11 2 141 2 26 141 11 11 + 141 141 11 11
33
1) (3
= 79: 446
1) = 4), amivel
18:47 < 79: 446 tehát H0 -t elutasítjuk technológia között.
= 0:001 els½ofajú hibával, vagyis van kapcsolat a min½oség és a
2.16. Feladat. Egy véletlen-szám generátor hívásának n = 20 eredménye: 0:69278073 0:32268032 0:54508760 0:54796052
0:89428280 0:21392526 0:90420617 0:94966769
0:72684370 0:33039386 0:87403826 0:33603055
0:94735859 0:06091866 0:28252200 0:19376286
0:25751298 0:08225982 0:84477326 0:15896395
Elfogadható-e, a [0;1] intervallumon egyenletes eloszlás feltételezése?
½ 2.4. FÜGGOSÉGI KAPCSOLATOK
81
Megoldás: Vizsgáljuk a H0 : F (x) = x 0 x 1 hipotézist, amihez keressük meg az empirikus eloszlásfüggvény és az egyenletes eloszlás eloszlásfüggvényének legnagyobb eltérését: xk Fxn (xk ) Fxn (xk + 0) 0:06091866 0:00 0:05 0:08225982 0:05 0:10 0:15896395 0:10 0:15 0:19376286 0:15 0:20 0:21392526 0:20 0:25 0:25751298 0:25 0:30 0:28252200 0:30 0:35 0:32268032 0:35 0:40 0:33039386 0:40 0:45 0:33603055 0:45 0:50 0:54508760 0:50 0:55 0:54796052 0:55 0:60 0:69278073 0:60 0:65 0:72684370 0:65 0:70 0:84477326 0:70 0:75 0:87403826 0:75 0:80 0:89428280 0:80 0:85 0:90420617 0:85 0:90 0:94735859 0:90 0:95 0:94966769 0:95 1:00
F0 (xk ) j j 0:06091866 0:06091866 0:08225982 0:15896395 0:19376286 0:21392526 0:25751298 0:28252200 0:067478 0:32268032 0:0 773 2 0:33039386 0: 119 61 0:33603055 0: 163 97 0:54508760 0:54796052 0:69278073 0:72684370 0:84477326 0:87403826 0:89428280 0:90420617 0:94735859 0:94966769
A próba statisztika értéke z = 0:163 97
p
20 = 0: 733 3 ,
és a Kolmogorov-féle K függvény értéke táblázatból: K(0: 73) = 0:339 tehát = 1 feltételezését.
0:339 = 0: 661 terjedelm½u próbával elfogadjuk az egyenletes eloszlás
2.4. Függ½oségi kapcsolatok 2.17. Feladat. Egy N (0; ) eloszlású véletlen hibával mérhet½o ”függ½o” mennyiség egy ”független” változó y = ax + b x2R lineáris függvénye. A független változó x=
1 2 3 4 5
T
Kézirat, módosítva: 2010. február 19.
82
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
értékeihez tartozó függ½o változó mért (véletlen hibát tartalmazó) értékei 2: 023 5 2: 855 7 3: 892 1 4: 997 8 5: 741 5
y=
a) Becsüljük az a; b regressziós együtthatókat és a hiba
T
.
szórását!
b) Adjunk 90%-os szint½u intervallum becslést a függ½o változó (várható-) értékére x = 6 esetén! c) Legfeljebb mennyi lehet a függ½o változó három mért (véletlen-) értékének átlaga 90%-os biztonsággal x = 4 esetén? d) 95%-s biztonsággal milyen határok között van a független változó értéke, amelyhez tartozó három mérési eredmény átlaga 3:52? e) Lehet-e a mérési hiba szórása 0:1? Megoldás: A függ½oségi kapcsolat modellje: (x) = ax + b + " ahol " 2 N (0; ). Ekkor a terv-mátrix
6 6 X=6 6 4
amivel kapjuk XT X =
2
55 15 15 5
XT y =
1 2 3 4 5
1 1 1 1 1
3 7 7 7 7 5
68: 11 19: 511
XT X
1
=
:1 :3 : 3 1: 1
.
a) A paraméterek maximum likelihood becslése a b
XT X
1
XT y =
0: 957 81 1: 028 7
és
1 T 1 y y y T X XT X XT y = 6: 828 4 10 5 illetve a torzítatlanság miatt korrigált becslés r 5 sR (y) = 6: 828 4 10 3 = 0: 106 68 3 2
3
,
amivel az együtthatók becslésének kovariancia mátrixa az alábbi módon becsülhet½o: (0: 106 68)2
:1 :3 : 3 1: 1
=
1: 138 1 10 3 3: 414 2 10 3
3: 414 2 10 3 1: 251 9 10 2
.
½ 2.4. FÜGGOSÉGI KAPCSOLATOK
83
b) Mivel az együtthatók a 6 + b lineáris függvénye szórásának becslése q T 6 1 (XT X) 1 6 1 0: 106 68 = 0: 111 89 , és
= 0:1
sz.f.: 3
t0:1 = 2:353
kapjuk y(5)
0: 957 81 6 + 1: 028 7
% 7: 038 8 . & 6: 512 3
2:353 0: 111 89
c) Három további mért érték (4) átlagának szórás becslése r 1 T 0: 106 68 + 4 1 (XT X) 1 4 1 = 8: 489 8 3
10
2
,
és = 0:2
sz.f.: 3
t0:2 = 1:638
amivel (4) tehát (4)
0: 957 81 4 + 1: 028 7
1:638 8: 489 8
10
2
% 4: 999 , &
4: 999 90%-os biztonsággal.
d) Mivel az ismeretlen x0 értékhez tartozó k = 3 független meg…gyelés átlagára teljesül ! r 1 T 1 x0 1 (x0 ) b ax0 + bb 2 N 0; + x0 1 (XT X) k és így
0
P@
sR
q
(x0 ) 1 k
+
x0 1
b ax0 + bb
(XT X) 1
x0 1
T
1
ta A = 1
.
Tehát keressük a meg…gyelt mintából számolt értékekkel és t0:05 = 3:182 táblázati értékkel az (3:52
0: 957 81x
1: 028 7)2
3:1822 0: 106 682
1 1 + x2 3 10
3 11 x+ 5 10
egyenl½otlenség megoldását, ami f2: 331 6
x
2: 860 3g
tehát a keresett érték 90%-os határai: x0 2 (2: 331 6; 2: 860 3) . Kézirat, módosítva: 2010. február 19.
84
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
e) Vizsgáljuk a H0 :
hipotézist! Mivel H0 esetén
= 0:1
3 2 s 2 0:12 R
2 3
,
a próba statisztika értéke: 3 2 3 sR (y) = 0: 106 682 = 3: 414 2 . 2 0:1 0:12 Válasszuk
= 0:2; akkor
2 0:9
= 0:58
2 0:1
= 6:25 sz.f.: 3, amivel
0:58 < 3: 414 2 < 6:25 tehát elfogadjuk a H0 :
= 0:1 hipotézist.
2.18. Feladat. Egy függ½oleges irányban, felfelé elhajított k½odarab magasságát a t = (1; 1:5; 2; 2:5; 3) [s] id½opontokban megmérve, kaptuk az y=
9: 117 6 12: 694 16: 024 18: 606 20: 892
T
[m]
értékeket. a) Becsüljük az y = at2 + bt + c mozgás-egyenlet paramétereit 90%-os szint½u határokkal, és a hiba szórását! b) Milyen határok között lesz a magasság várható értéke, illetve a meg…gyelt érték a t = 5 id½opontban 95%-os szint mellett? c) A magasságot még a ”felszálló ágon”három független kísérletben, ugyanazon ismeretlen t0 id½opontban megmérve, kaptuk yt0 = [15: 118; 14: 944; 15: 024] Milyen határok között van a t0 id½opont 90%-os biztonsággal? d) Milyen határok között van 90%-os biztonsággl az a tm id½opont, amikor a legnagyobb magasságot éri el a k½odarab? Megoldás: A függ½oségi kapcsolat modellje: (t) = at2 + bt + c + " t 2 R
½ 2.4. FÜGGOSÉGI KAPCSOLATOK
85
ahol " 2 N (0; ). Ekkor a terv-mátrix
2
6 6 X=6 6 4
3 12 1 1 1:52 1:5 1 7 7 22 2 1 7 7 , 2 2:5 2:5 1 5 32 3 1
amivel kapjuk 2
és
3 142: 13 55:0 22: 5 XT X = 4 55:0 22: 5 10:0 5 22: 5 10:0 5
3 406: 09 XT y = 4 169: 4 5 77: 334
2
3 3: 977 3 16: 709 5 . 15: 72
1
XT X
1: 136 4 4 4: 545 5 = 3: 977 3
2
4: 545 5 18: 582 16: 709
a) A paraméterek maximum likelihood becslése 2
3 a 4 b 5 c
és
XT X
1
2
XT y = 4
3 0: 951 09 9: 696 5 5 0: 353 6
1 T 1 y y y T X XT X XT y = 2: 599 4 10 3 , 5 illetve a torzítatlanság miatt korrigált becslés r 5 sR (y) = 2: 599 4 10 3 = 8: 061 3 10 2 2 2
amivel az együtthatók becslésének kovariancia mátrixa az alábbi módon becsülhet½o:
8: 061 3
10
2
2
1: 136 4 2 4 4: 545 5 3: 977 3 2 7: 384 8 4 2: 953 9 = 2: 584 6
4: 545 5 18: 582 16: 709 10 3 10 2 10 2
3 3: 977 3 16: 709 5 = 15: 72
2: 953 9 10 : 120 75 : 108 58
2
2: 584 6 10 : 108 58 : 102 16
2
3
5 .
Az együtthatók intervallum becsléséhez = 0:1
t0:1 = 2:920
sz.f.: 2 Kézirat, módosítva: 2010. február 19.
86
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
és így a
0: 951 09
p
2:920
b
9: 696 5
2:920
p
c
0: 353 6 + 2:920
p
7: 384 8
0: 120 75
0: 102 16
10
3
% &
0: 700 1: 202
% 10: 711 & 8: 682
% 1: 287 & 0: 580
b) Mivel az együtthatók lineáris függvénye szórásának becslése q 2 25 5 1 (XT X) 1 25 5 1 8: 061 3 10
T
= 0: 749 18 ,
és
= 0:05
t0:05 = 4:303
sz.f.: 2
kapjuk 0: 951 09 52 + 9: 696 5 5 + 0: 353 6
m(5)
4:303 0: 749 18
A magasság értékének becsléséhez a szórás becslése r 1 8: 061 3 10 2 + 25 5 1 (XT X) 1 25 5 1 1
T
% 28: 283 . & 21: 835
= 0: 753 51 ,
amivel 0: 951 09 52 + 9: 696 5 5 + 0: 353 6
(5)
4:303 0: 753 51
% 28: 301 . & 21: 816
c) Mivel a t0 id½oponthoz tartozó k = 3 független meg…gyelés átlagára teljesül r 1 + t20 t0 1 (XT X) 1 t20 t0 1 (t0 ) b at20 + bbt0 + b c 2 N 0; k
T
!
és így
0
P@
sR
q
(t0 ) 1 k
+
t20
t0 1
b at20 + bbt0 + b c (XT X) 1
t20
t0 1
T
1
ta A = 1
.
Tehát keressük a meg…gyelt mintából számolt értékekkel és t0:1 = 2:920 táblázati értékkel az 2
15: 029 + 0: 951 09t2 9: 696 5t 0: 353 6 6: 332 7 10 2 t4 : 506 6t3 + 1: 478 6t2
1: 861 7t + : 893 91
½ 2.4. FÜGGOSÉGI KAPCSOLATOK
87
egyenl½otlenség megoldását, ami f1: 820 9
t
vagy
1: 876 6g
f7: 065 6
t
10: 559g
tehát a (felszálló ágban) keresett id½opont 90%-os határai: t0 2 (1: 820 9; 1: 876 6) b , 2a
d) Mivel a keresett id½opont tm =
és így
2tmb a + bb 2 N 0
P@
sR
q
q
0;
2tm 1 0
ezért 2tm a + b = 0, tehát 2tm 1 0 (XT X)
2tmb a + bb
(XT X) 1
2tm 1 0
1
T
2tm 1 0
T
1
ta A = 1
.
Tehát keressük a meg…gyelt mintából számolt értékekkel és t0:1 = 2:920 táblázati értékkel az (2t ( 0: 951 09) + 9: 696 5)2 2:9202
8: 061 3
10
2 2
4t2 1: 136 4 + 4t ( 4: 545 5) + 18: 582
egyenl½otlenség megoldását, ami f4: 447 2
t
6: 211 5g
tehát a 90%-os határok tm 2 (4: 447 2; 6: 211 5) . 2.19. Feladat. Egy tantárgy vizsgáján a bukások száma a félév során gyüjtött pontok száma szerint az alábbi volt: pontszám(x) hallgatók száma(n) közülük megbukott(f ) 25 10 2 15 20 12 10 30 24 a) Keressük a bukás valószín½uségének p(x) =
eax+b 1 + eax+b
(2.2)
alakú függvényét! b) Adjunk 90% szint½u intervallum becslést az
1 2
valószín½uséget adó pontszámra! Kézirat, módosítva: 2010. február 19.
88
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
Megoldás: Keressük az odds-hányados logaritmusának ln lineáris közelítését, ahol az h 2 12 y = ln 1 102 ln 1 2012 10
20
p(x) = ax + b 1 p(x) iT
24
ln 1 3024 30
meg…gyelt mintát
várható érték½u, ahol
i
T
ybi = axi + b i = 1; 2; 3 x=
és
1: 386 3 : 405 47 1: 386 3
=
25 15 10
T
1 1 + eaxi +b =p ni e 12 (axi +b) p(xi ))
1 1 p =p ni p(xi ) (1
i = 1; 2; 3
szórású független, normális eloszlásra vonatkozónak tekintjük, mivel @ p 1 ln = @p 1 p p (1 p) és a p valószín½uséget becsl½o relatív gyakoriság szórása r p(1 p) . n a) Használjunk iterációs lépésenkénti súlyozást a lineáris kapcsolat paramétereinek becslésére! 1. Indulásként adjuk meg a becsléseket súlyozás nélkül: 2 3 25 1 1 X = x 1 = 4 15 1 5 ) XT X XT y = 10 1 2. Használjuk a 2 10ea 25+b 2 a 25+b ) 6 (1+e 6 0 W =6 4 0
0 20ea 15+b 2 1+e ( a 15+b )
0
0
30ea 10+b 2
(1+ea 10+b )
súlymátrixot, amivel XT W X
3
0
1
XT W y =
: 184 03 3: 202 3
2 3 1: 588 3 0 0 7 7 4 0 4: 763 7 0 5 7= 5 0 0 4: 87 : 185 58 3: 221 2
½ 2.4. FÜGGOSÉGI KAPCSOLATOK
89
3. Mint el½obb, kapjuk 2
3 1: 569 3 0 0 5 0 4: 768 2 0 W =4 0 0 4: 860 2 amivel XT W X 4.
1
a = : 185 6 b = 3: 221 5
XT W y =
2
3 1: 569 1 0 0 5 0 4: 768 2 0 W =4 0 0 4: 859 9 1
XT W X ami már (10
4
: 185 6 3: 221 5
XT W y =
pontossággal) azonos az el½oz½o lépésben kapott eredménnyel.
Tehát a paraméterek becsült értéke a amivel
b a(y) =
0: 185 6
pb(x) =
p(x)
bb(y) = 3: 221 5
b
e 0: 185 6x+3: 221 5 . 1 + e 0: 185 6x+3: 221 5
A maradék négyzetösszeg és a hiba szórásnégyzetének becslése 1
SS(y) = y T W y 2
y T W X XT W X XT W y = 8: 621 2 1 SS = 8: 621 2 10 3 s2R (y) = 3 2
10
3
ahol XT W X
1
3: 679 3 10 3 5: 236 1 10 2
=
3: 679 3 10 3 8: 621 2 10 3 5: 236 1 10 2 8: 621 2 10 3
5: 236 1 10 : 834 47
2
5: 236 1 10 2 8: 621 2 10 : 834 47 8: 621 2 10 3
3
tehát az együtthatók becslésének kovariancia mátrixa (pontosabban annak becsült értéke): s2R (y) XT W X
1
=
3: 172 10 5 4: 514 1 10
4
4: 514 1 10 4 7: 194 1 10 3
.
Kézirat, módosítva: 2010. február 19.
90
2. FEJEZET. MATEMATIKAI STATISZTIKA FELADATOK
b) Mivel azt az x0 értéket keressük, amivel ax0 + b = 0, tehát a becsült érték x0
3: 221 5 = 17: 357 . 0: 185 6
Az intervallum becsléshez írhatjuk q b x0 1 (XT W X) b ax0 + b 2 N 0; és
0
P@
Válasszuk tehát az
sR
q
x0 1
b ax0 + bb
(XT W X)
1
x0 1
1
T
x0 1 1
T
t A=1
.
= 0:1 esetén t0:1 = 6:314 (sz.f.: 1) kritikus értéket, és keressük
( 0: 185 6x + 3: 221 5)2 3: 172 10 5 x2 2 4: 514 1 10 4 x + 7: 194 1 egyenl½otlenség megoldását, amib½ol a 90%-os határok:
10
3
6:3142
x0 2 (16: 331; 18: 622) Megjegyzés: A regressziós függvény 2.2 alakú keresését az indokolja, hogy ha egy mennyiség feltételes eloszlása két alternatíva (egy esemény és komplementere) esetén normális, azonos szórásokkal, akkor az események feltételes valószín½usége ilyen függvénye a = x értéknek. Az ilyen problémát LOGIT regressziónak nevezik. Ha még a szórások is különböznek, az odds-hányados logaritmusa az x érték másodfokú függvénye lesz. A maradék négyzetösszegb½ol kapott s2R (y) = 8: 621 2 10 3 a súlyozás miatt tudottan 2 = 1 érték becslése, ami az igazi értéknél jóval kisebb ugyan, de az 1 szabadsági fokú 2 eloszlás eloszlásfüggvényével (lásd pl. az R programcsomagban a pchisq(0.0086212,df=1) parancs hívásával) F (8: 621 2 10 3 ) = 0:0739776 tehát a becsült érték még így is nagyobb mint a 90%-os szint½u kon…dencia intervallum alsó határa.