3.5 Funkcije izvodnice linearnih funkcija od X Pretpostavimo da (brojeća) slučajna varijabla X ima f.i.v. G X (t). Tada je za Y = aX + b (a, b realni brojevi, a ≠ 0), Ako je M X (t) f.i.m. od X, tada je G Y (t) = E[t Y ] = E[t aX+b ] = t b E[(t a ) X ] = t b G X (t a ). M Y (t) = E[e tY ] = E[e taX+tb ] = e tb E[e (ta)X ] = e tb M X (ta). 36
Poglavlje 4 Zajednička razdioba slučajnih varijabli Ako imamo više slučajnih varijabli definiranih na istom vjerojatnosnom prostoru, tada možemo govoriti o njihovoj zajedničkoj distribuciji. Na te varijable možemo gledati kao na komponente nekog slučajnog vektora. Razdiobe slučajnih vektora zovemo višedimenzionalnim razdiobama (distribucijama), a to su, u stvari, njihove zajedničke razdiobe (distribucije). Zajedničku razdiobu dviju slučajnih varijabli zovemo bivarijatnom razdiobom. 4.1 Zajednička gustoća i funkcija distribucije Neka su X i Y dvije slučajne varijable definirane na istom vjerojatnosnom prostoru. Pretpostavimo da su X, Y diskretne slučajne varijable (tj. slučajni vektor (X, Y ) je diskretan), te da je ImX = {a 1 , a 2 , . . .}, ImY = {b 1 , b 2 , . . .}. Tada je Im(X, Y ) = {(a 1 , b 1 ), (a 1 , b 2 ), . . . , (a 2 , b 1 ), . . .} = {(a i , b j ) : a i ∈ ImX, b j ∈ ImY }. U tablici zajedničke razdiobe od X, Y : Y X b 1 b 2 · · · b j · · · a 1 p 11 p 12 · · · p 1j · · · a 2 p 21 p 22 · · · p 2j · · · . . . . .. . a i p i1 p i2 · · · p ij · · · . . . . . .. broj p ij označava vjerojatnost dogadaja da je istovremeno X = a i i Y = b j : p ij = P(X = a i , Y = b j ) za sve i, j. Zajednička funkcija vjerojatnosti diskretnih slučajnih varijabli X, Y (ili gustoća diskretnog slučajnog vektora (X, Y ) ili, jednostavno, zajednička gustoća tih varijabli) je funkcija f X,Y : R × R → R definirana sa { pij za x = a f X,Y (x, y) := P(X = x, Y = y) = i , y = b j 0 inače. 37
- Page 1 and 2: Sveučilište u Zagrebu PMF-Matemat
- Page 3 and 4: 4 Zajednička razdioba slučajnih v
- Page 5 and 6: 10.2.7 Provjera modela . . . . . .
- Page 7 and 8: deskriptivne statistike, koriste se
- Page 11 and 12: elativna visina razred frekvencija
- Page 13 and 14: Primjer 1.8 Aritmetička sredina po
- Page 15: U sljedećem koraku definiramo donj
- Page 18 and 19: zovemo vjerojatnost na (Ω, F). Bro
- Page 20 and 21: Funkciju f X zovemo funkcijom gusto
- Page 22 and 23: 2.7 Momenti Neka je X slučajna var
- Page 24 and 25: Geometrijska slučajna varijabla im
- Page 26 and 27: Vrijedi: E[X] = α + β (β − α)
- Page 28 and 29: 0.4 0.3 0.2 0.1 -3 -2 -1 0 1 2 3 In
- Page 30 and 31: 2.9.2 Neprekidne razdiobe Neka je X
- Page 32 and 33: Poglavlje 3 Funkcije izvodnice 3.1
- Page 34 and 35: Primjer 3.5 Pomoću f.i.v., izraču
- Page 38 and 39: Svojstva te funkcije: (G1) f X,Y (x
- Page 40 and 41: Primjer 4.3 Za slučajni vektor (X,
- Page 42 and 43: 4.6 Kovarijanca i koeficijent korel
- Page 44 and 45: 4.8 Konvolucije Neka su X i Y sluč
- Page 46 and 47: Primjer 4.9 Neka su X ∼ P (λ) i
- Page 48 and 49: Kompozicaja te funkcije i slučajne
- Page 50 and 51: Alternativno se koristi nestandardi
- Page 52 and 53: 0.5 0.4 0.3 0.2 0.1 -4 -3 -2 -1 1 2
- Page 54 and 55: 5.2.3 Gama razdioba Neka je X 1 , X
- Page 56 and 57: su statistike, dok uzorački drugi
- Page 58 and 59: Dakle, S 2 ima χ 2 -distribuciju k
- Page 60 and 61: 6.5 Fisherova F -razdioba Ako su U
- Page 62 and 63: Dakle, procjenitelj metodom momenat
- Page 64 and 65: Primjer 7.5 Neka je x = (x 1 , x 2
- Page 66 and 67: Očito se ta jednadžba mora rješa
- Page 68 and 69: Cramer-Raova donja granica. Primije
- Page 70 and 71: Na primjer, ako je θ ↦→ g(X,
- Page 72 and 73: Ta veličina je studentizirana verz
- Page 74 and 75: 8.3.2 Parametar Poissonove razdiobe
- Page 76 and 77: gdje su ˆθ 1 = X 1 /n 1 i ˆθ 2
- Page 78 and 79: Poglavlje 9 Testiranje statistički
- Page 80 and 81: Ako bi htjeli sprovesti dvostrani t
- Page 82 and 83: 9.3.4 Testovi o parametru Poissonov
- Page 84 and 85: 9.6 Testovi i pouzdani intervali Ob
- Page 86 and 87:
Zadnja smo dva razreda u tablici mo
- Page 88 and 89:
Dijagram rasprešenja: 5 4.5 4 ispl
- Page 90 and 91:
10.1.2 Normalni model i inferencija
- Page 92 and 93:
Nije teško pokazati da se te procj
- Page 94 and 95:
5 4.5 4 isplata 3.5 3 2.5 2 2 2.5 3
- Page 96 and 97:
Ta se slučajna varijabla kristi ka
- Page 98 and 99:
10.2.8 Transformirani podaci U neki
- Page 100 and 101:
te τ i , odstupanje i-tog tretmana
- Page 102 and 103:
Primjer 11.1 Iz svakog od tri osigu
- Page 104 and 105:
11.2 Analiza sredina tretmana Pretp
- Page 106:
Literatura [1] Subject 101: Statist