Professional Documents
Culture Documents
теорія ймовірності
теорія ймовірності
неперервності і .
Враховуючи монотонність функції розподілу, це і доводить дану властивість.
5. .
Тому .
Наслідок. є неперервною в точці тоді і тільки тоді, коли .
6. .
Оскільки події і – несумісні і = , тому P
+P =P . Звідси, із врахуванням властивості 5, випливає справедливість
даної властивості.
7. Множина точок розриву функції розподілу не більш як зліченна.
Точок розриву, у яких величина стрибка не менше 1, не більше 1;…; точок
.
Розглянемо приклади важливих дискретних розподілів.
Біномний розподіл. Нехай проводиться незалежних випробувань, в
кожному із яких ймовірність настання події A дорівнює p. Біномним розподілом
називається розподіл випадкової величини , яка дорівнює числу настання події
в випробуваннях Бернуллі. Можливими значеннями випадкової величини є
числа k = 1, 2, … , n, а відповідні ймовірності знаходяться за формулою Бернуллі
.
Як ми уже відзначали, .
Розподіл Пуассона. Випадкова величина має розподіл Пуассона із
параметром >0, якщо вона приймає значення 0, 1, … , n, …, а відповідні
ймовірності знаходяться за формулою:
Очевидно, .
Розподіл Пуассона відіграє важливу роль в теорії випадкових процесів, теорії
масового обслуговування, теорії надійності. Розподіл Пуассона є граничним для
біномного розподілу.
Геометричний розподіл. Випадкова величина має геометричний розподіл,
якщо вона дорівнює числу експериментів до першої появи події в схемі Бернуллі
(без експерименту, в якому подія настала).
Нехай , тоді множина може розглядатись як
простір елементарних подій. Враховуючи незалежність подій, одержуємо:
. Отже,
.
Нехай , тоді . Дійсно,
.
Наведена властивість геометричного розподілу називається властивістю
відсутності післядії. Відзначимо, що серед всіх дискретних розподілів цю
властивість має тільки геометричний розподіл.
1.4 Абсолютно неперервні розподіли. Щільність розподілу
випадкової величини
(приклади: Неперервний, Рівномірний, Нормальний, Показниковий та Гамма-
розподіл (гамма розподіл питати не буде); властивості щільності)
Означення. Нехай випадкова величина має функцію розподілу . Якщо
існує така інтегровна борелєва функція , що для всіх дійсних x виконується
рівність
, (3)
то розподіл називається абсолютно неперервним, а називається щільністю
розподілу випадкової величини.
Із означення випливає, що - неперервна. Якщо є точкою неперервності
, тоді диференційовна в точці x і . Так як неспадна, то
. (4)
Із (3) і властивості 4 функції розподілу випливає, що
, (5)
врахувавши рівність , одержуємо:
. (6)
Будь-яка функція p(x), для якої мають місце властивості (4) і (5), є щільністю
розподілу деякої випадкової величини.
Графік функції називається кривою розподілу. Із (6) випливає, що
ймовірність попадання випадкової величини у проміжок дорівнює площі
фігури, що обмежена віссю абсцис, графіком кривої розподілу і прямими x= ,
x= .
Якщо щільність розподілу неперервна, то із рівності (6) при малих
.
.
Ми розглянули два типи розподілів: дискретний і абсолютно неперервний.
Але ними не вичерпуються всі типи розподілів. Сформулюємо теорему А.
Лебега.
Теорема. Будь-яка функція розподілу однозначно може бути
представлена у вигляді суми
,
де , i=1, 2, 3, , – функція розподілу дискретної випадкової
величини, - абсолютно неперервна функція розподілу, - сингулярна
функція розподілу, що є неперервною функцією, множина точок росту якої має
лебегову міру нуль.
Наведемо приклади найбільш важливих неперервних розподілів.
Рівномірний розподіл на відрізку [a,b]. На відрізок [a,b] випадково кидається
точка, причому вважаємо, що всі положення точки рівноможливі. Визначимо
випадкову величину , якщо , тобто – координата вибраної
точки. В прикладі 1 ми показали, що функція розподілу випадкової величини
має вигляд:
.
Використовуючи інтеграл Пуассона, одержимо:
.
Нехай – функція Лапласа, – функція
розподілу стандартного нормального закону, тоді
.
Тобто,
.
Як частинний випадок,
.
Якщо у попередній формулі покласти , то .
Тому нормально розподілена випадкова величина з ймовірністю досить
близькою до одиниці приймає значення, що відрізняються від параметра a не
більше, ніж на .
.
Показниковий розподіл. Випадкова величина має показниковий розподіл із
параметром , якщо
Очевидно,
.
Знайдемо функцію розподілу. Нехай , тоді
. Якщо ж , то
. Отже,
.
Тобто, при
.
Серед всіх неперервних розподілів цю властивість має тільки показниковий
розподіл.
1.5. Функції від випадкової величини
Розглядаючи випадкові експерименти, дотепер нас цікавили їх можливі наслідки. Але із
можливими наслідками експерименту можна пов’язати певну величину, яка в залежності від
наслідку експерименту приймає деякі числові значення. Наприклад, при киданні грального
кубика нас цікавить число очок, які є на грані. При контролі якості продукції нас може
цікавити число бракованих виробів серед випадково взятих n виробів. При проведенні
пострілів по мішені кожній точці попадання ставимо у відповідність величину, яка дорівнює
віддалі від цієї точки до центра мішені. Тобто, з кожним експериментом ми пов’язуємо
величину, яка в залежності від випадку приймає деякі числові значення. Таку величину
називають випадковою. Якщо в експерименті спостерігається певна випадкова величина , то
при виборі будь-якого із повинно бути задане значення цієї величини . Отже,
випадкову величину можна розглядати, як функцію визначену на просторі елементарних подій
. Ця функція повинна задовольняти деяким додатковим умовам. Для цього ми спочатку
визначимо поняття борелєвої алгебри.
Розглянемо на множині дійсних чисел R клас всіх напівінтервалів , де .
Тоді мінімальна алгебра, яка містить такий клас множин, називається борелєвою. Будемо її
позначати . Будь-який елемент борелєвої алгебри називають борелєвою множиною.
Зокрема, борелєвими є інтервали, відрізки, одноточкові множини, всі відкриті та замкнені
множини. Аналогічно, мінімальна алгебра, яка породжена класом всіх напіввідкритих
паралелепіпедів із , називають борелєвою алгеброю підмножин із . Функція
називається борелєвою, якщо прообраз будь-якої борелєвої множини в є
борелєвою множиною в . Неперервні функції є борелєвими.
Означення 1. Нехай задано ймовірнісний простір . Випадковою величиною
називається будь-яка дійсна функція , що відображає простір елементарних подій
в множину дійсних чисел R, для якої прообраз будь-якої борелєвої множини є
множина із алгебри : .
В теорії функцій такі функції називають вимірними відносно алгебри . Із
властивостей вимірних функцій випливає, що в означенні достатньо було вимагати, щоб для
довільного дійсного x прообраз півінтервалу належав до .
Сформулюємо деякі висновки, що випливають із властивостей вимірних функцій. Звідси,
зокрема, одержуємо, що множини , , ,
, , є випадковими подіями.
Якщо випадкові величини і визначені на одному і тому ж ймовірнісному
просторі, то , , є також випадковими
подіями.
Ми будемо також розглядати і події, що пов’язані із нескінченними послідовностями
випадкових величин. Нехай - послідовність випадкових величин, що задані на
ймовірнісному просторі , і - випадкова величина на . Тоді
існує} , .
Із наведених фактів випливають наступні твердження.
Нехай борелєва функція, а ,…, - випадкові величини на ,
тоді ( ,…, ) є випадковою величиною.
Нехай – послідовність випадкових величин, що задані на ймовірнісному просторі
.
Ймовірність називають розподілом випадкового вектора . У частинному випадку,
якщо , одержимо функцію, яку називають функцією розподілу
випадкового вектора :
.
Подія розглядається як сумісне настання подій ,…, .
Очевидно,
.
Оскільки ,а , то
.
Із останньої властивості випливає, що за функцією розподілу вектора можна знайти
,
то функцію називають щільністю розподілу випадкового вектора , а
розподіл випадкового вектора називають абсолютно неперервним.
Із даного означення випливає:
1) ;
3) ;
4) для довільної борелєвої множини
.
Знаючи щільність розподілу випадкового вектора, можна знайти щільності розподілу його
компонент. Розглянемо, як частинний випадок, двовимірну випадкову величину зі
щільністю . Тоді
,
звідки
,
а
.
Як приклад розглянемо багатовимірний нормальний розподіл. Випадкова величина
називається нормально розподіленою, якщо її щільність розподілу
Якщо , то , де
– щільність розподілу випадкової величини , а
. При цьому, .
1.6.2 Незалежність випадкових величин.
.
Тому .
Нехай навпаки . Тоді
.
Тобто, випадкові величини незалежні.
Відзначимо, що у випадку двовимірного нормального розподілу умова є неохідною і
достатньою умовою незалежності компонент вектора.
Якщо випадкова величина дискретна, то із означення випливає, що умова
незалежності випадкових величин еквівалентна умові
.
Сформулюємо без доведення наступні властивості.
Якщо – незалежні випадкові величини, то для довільних борелєвих функцій
випадкові величини також незалежні.
Якщо випадкові величини , – незалежні, а і борелєві
функції, то випадкові величини і – незалежні.
1.6.3.Розподіл деяких функцій від декількох випадкових величин
Розподіл суми випадкових величин. Нехай - щільність розподілу вектора ,а
. Тоді функція розподілу суми буде рівна
.
Область інтегрування можна подати у вигляді або
.
або
.
Нехай – незалежні. Це означає, що . Тому
.
Отже, щільність розподілу суми випадкових величин є згорткою функцій і
,а , тоді
Щільність розподілу частки
.
Розподіл добутку випадкових величин. Нехай – випадковий вектор із щільністю
,а , тоді .
Щільність розподілу добутку
.
При знаходженні щільності розподілу функції від випадкових величин, часто буває
простіше знайти спочатку її функцію розподілу.
1.6.4.Деякі розподіли функцій від нормально розподілених
випадкових величин.
Нехай випадкові величини – незалежні, . Тоді випадкова величина
має розподіл Пірсона (або розподіл ) із ступенями вільності.
Нехай – незалежні нормально розподілені з параметрами випадкові величини.
Оскільки , то очевидно,
.
Нехай розподіл вектора – абсолютно неперервний із щільністю сумісного розподілу
.
Це функція розподілу, що відповідає умовному розподілу при умові .
Нехай . Тоді
.
При фіксованому x ця границя, як функція від y, є функцією розподілу
Очевидно, .
2.1 Математичне сподівання
2.1.1. Означення математичного сподівання. Приклади. Нехай випадкова величина –
дискретна із можливими значеннями і відповідними ймовірностями . Сума
добутків можливих значень випадкової величини на ймовірності, з якими ці значення
приймаються, називається математичним сподіванням дискретної випадкової величини (якщо
. (1)
Нехай випадкова величина – неперервна із щільністю , тоді
, (2)
. (3)
Знову ж, за умови абсолютної збіжності інтегралу.
Відзначимо, що математичне сподівання визначають і за допомогою інтеграла Лебега
.
1. Математичне сподівання випадкової величини, що має біномний розподіл. Нехай
дорівнює числу появ події в незалежних експериментах. Тоді приймає значення
із ймовірностями . Тому
.
Отже, для біномного розподілу .
2. Математичне сподівання випадкової величини, що має розподіл Пуассона. Випадкова
величина має розподіл Пуассона, якщо вона приймає значення з ймовірностями
. Тоді
.
3. Математичне сподівання випадкової величини, що має рівномірний на відрізку
розподіл. Щільність розподілу випадкової величини має вигляд:
.
Із (2) одержуємо:
бо .
Отже, параметр , що входить в щільність нормального розподілу, є .
1. .
Позначимо , тоді і , тому
Дійсно, .
3. , де .
4. .
.
5. .
За першою властивістю
.
Застосуємо дану властивість для знаходження математичного сподівання біномного
розподілу. Нехай – число появ події в і-ому експерименті, тоді приймає два можливих
значення: 0 з ймовірністю і 1 з ймовірністю . Тоді . Число появ події в
експериментах , тому .
6. Якщо , то . . Якщо і , то .
За першою властивістю , бо . А за
властивостями 4 і 5 , тому . Друга нерівність випливає із
7. Нехай , тоді
8. Якщо і – незалежні, то .
Із рівностей , одержуємо
.
За властивостями 2 і 5, врахувавши незалежність випадкових величин, одержуємо
,а Тому
.
Аналогічно розглядається випадок .
5. .
Якщо має щільність розподілу , то щільність розподілу суми має
.
Змінимо порядок інтегрування і зробимо заміну у внутрішньому інтегралі,
тоді
бо , а
.
7. Якщо – борелєва функція і , тоді
.
Змінимо порядок інтегрування, тоді
.
Після виконання заміни у внутрішньому інтегралі, одержимо:
.
Властивість 6 випливає із зображення математичного сподівання інтегралом Лебега
. (4)
Квадратний корінь із дисперсії називається середнім квадратичним відхиленням або
стандартним відхиленням: .
Дисперсія характеризує розсіювання значень випадкової величини відносно її
математичного сподівання.
Розглянемо деякі властивості дисперсії.
1. Дисперсія, що характеризує розсіювання відносно математичного сподівання, є найменшою
характеристикою розсіювання відносно будь-якого центру , тобто:
.
Дійсно, за властивостями математичного сподівання
,
бо і .
,
що справедлива для будь-якого . Зокрема, покладаючи в останній формулі ,
одержимо:
. (5)
2. . . Якщо , то з ймовірністю 1 - стала.
,
.
3. Для будь-яких a і b .
За означенням дисперсії
.
4. .
За властивостями математичного сподівання
.
Величина
.
Із властивості 11 математичного сподівання випливає нерівність
.
Із властивостей математичного сподівання випливає, що дисперсію можна обчислити за
формулами
.
Якщо – дискретна і приймає значення із ймовірностями , то
,
якщо величина має щільність , то
.
2.3. Нерівність Чебишова
1. Нехай функція – невід’ємна і неспадна на множині значень випадкової величини
.
Нехай – функція розподілу . Оскільки – неспадна і невід’ємна, то за
властивістю математичного сподівання функції від випадкової величини
.
Поділивши останню нерівність на , дістанемо необхідну нерівність.
.
Цю нерівність називають ще нерівністю Маркова. Вона випливає із попередньої
нерівності, якщо покладемо .
3. Якщо випадкова величина має скінченне математичне сподівання, тоді для будь-
якого
.
Застосуємо першу нерівність до випадкової величини і :
.
Якщо перейдемо до протилежної події, то одержимо нерівність
.
2.4 Моменти випадкових величин. Деякі інші числові
характеристики
Моментом k -го порядку (k 0) випадкової величини (початковим моментом k -го
порядку) називається величина k M , якщо вона існує. В цьому випадку існує також
величина яка називається абсолютним моментом k -го порядку. Моменти
Mназиваються центральними моментами k -го порядку:
k
M M .
Величина
k
називається центральним абсолютним
моментом k -го порядку. Зокрема, 0 , D .
1 2
Використовуючи введені позначення, нерівність Ляпунова може бути записана у
вигляді: при 0 k m,
Обчислимо центральні моменти випадкової величини , що має нормальний розподіл
з параметрами a і 2 :
n
z2
n
2 zne 2
dz .
Якщо n – непарне, то n 0 . Нехай n 2k . Тоді z , аналогічно до
підстановка 2t
обчислення дисперсії, дає
,
а якщо випадковий вектор – неперервний із щільністю , то
.
Якщо величини і – незалежні, то . Аналогічно вводиться умовне
математичне сподівання .
1 Ми можемо вважати
функцією від і рівною
значеннями випадкової величини
при . Випадкову величину
, що є
називають
умовним математичним сподіванням випадкової величини при заданому . Від цієї
величини можна знайти математичне сподівання
.
Аналогічно у неперервному випадку
.
Якщо цю рівність помножити на і проінтегрувати по , то одержимо:
Тобто, .
Умовною дисперсією випадкової величини при умові називається величина
.
У випадку неперервного розподілу
.
Дисперсія характеризує на скільки при фіксованому значення величини розсіяні
відносно лінії регресії.