1.1 Випадкові величини.

Функція розподілу випадкової величини

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.
Означення 2. Ймовірність називається розподілом випадкової величини
.
Означення 3. Нехай . Тоді функція
називається функцією розподілу випадкової величини . Тобто, функція, яка для
кожного дійсного x визначається рівністю
,
називається функцією розподілу випадкової величини .
Функція розподілу випадкової величини повністю визначає її розподіл.
Різні випадкові величини можуть мати однакові функції розподілу.
1.2. Властивості функції розподілу

1. , бо , а ймовірність міститься в межах від 0 до 1.

2. - неспадна: для довільних .
Дійсно, і події в правій частині несумісні, тому
. Оскільки
, то із попередньої рівності випливає, що . Одночасно
одержуємо такий
Наслідок. .
3. Функція розподілу неперервна зліва, тобто, .
Для доведення розглянемо таку зростаючу послідовність , що . Тоді

послідовність подій є зростаючою і . На основі аксіоми

неперервності , а це означає, при
врахуванні другої властивості, неперервність зліва.
4. , .
Розглянемо дві числові послідовності і : – зростаюча і ,а –
спадна і . Тому послідовність подій є зростаюча, а

– спадна послідовність подій, при цьому, , а . За аксіомою

неперервності і .
Враховуючи монотонність функції розподілу, це і доводить дану властивість.
5. .

Розглянемо подію , тоді і .

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

розриву, у яких величина стрибка не менше , не білше n;…. Об’єднання не

більше як зліченної сукупності не більше як зліченних множин є не більше як
зліченна множина.
1.3. Дискретні випадкові величини

Означення. Випадкова величина називається дискретною, якщо множина

її значень скінченна або зліченна.
Можливі значання дискретної випадкової величини характеризують її ще не
повністю, а для повної ймовірнісної характеристики випадкової величини
необхідно знати і ймовірності, з якими ці значення приймаються.
Якщо – дискретна випадкова величина, що приймає значення ,
то для кожного n визначена ймовірність
. (1)
Набір ймовірностей (1) називають розподілом випадкової величини .
Відповідність між можливими значеннями випадкової величини та
ймовірностями, з якими ці значення приймаються, називається законом
розподілу (рядом розподілу) дискретної випадкової величини.
Оскільки події утворюють повну групу, то і

.
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
.

Одержана рівність і наближена рівність , що із неї

одержується, пояснюють ймовірнісний зміст щільності розподілу.
Відзначимо без доведення таке твердження.
Якщо випадкова величина має щільність розподілу , то для довільної
борелєвої множини B має місце рівність

.
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:

Тому щільність розподілу випадкової величини

Значення випадкової величини, що має рівномірний розподіл на відрізку

, одержане внаслідок експерименту, називають випадковим числом. На основі
випадкових чисел із рівномірного розподілу можна моделювати випадкові
величини із будь-яким наперед заданим розподілом.
Нормальний розподіл. Випадкова величина має нормальний розподіл із
параметрами і , якщо її щільність розподілу

Позначаємо: ~ . Якщо ,а , то – функція

Гауса, тоді розподіл називається стандартним.
Функція розподілу 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 .

Якщо випадкова величина ~ , то ~ , тобто буде мати

стандартний нормальний розподіл:

.
Показниковий розподіл. Випадкова величина має показниковий розподіл із
параметром , якщо

Очевидно,

.
Знайдемо функцію розподілу. Нехай , тоді

. Якщо ж , то

. Отже,

Відзначимо, що показниковий розподіл має властивість відсутності післядії:

при

.
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

, тоді , , , , є випадковими величинами

(можливо невласними – це такі функції , які можуть приймати значення ).
В позначеннях випадкової величини залежність від елементарної події часто не буде
вказуватись: замість будемо писати .
Нехай задана випадкова величина . Визначимо на сігма-алгебрі ймовірність за

допомогою рівності . Можна показати, що вона задовольняє

всім аксіомам ймовірності. Тому можемо розглядати новий ймовірнісний простір ,
що породжений випадковою величиною .
Означення 2. Ймовірність називається розподілом випадкової величини .
Означення 3. Нехай . Тоді функція називається
функцією розподілу випадкової величини . Тобто, функція, яка для кожного дійсного x
визначається рівністю
,
називається функцією розподілу випадкової величини .
1.6.1 Випадкові вектори, їх розподіли.

Нехай на ймовірнісному просторі задані випадкові величини . Вектор

- називається -вимірним випадковим вектором або -вимірною випадковою
величиною.
При цьому, відображення розглядається як вимірне відображення на

простір , де є -алгебра борелєвих множин в . Тому для будь-якої борелєвої

множини можна визначити ймовірність

.
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

функцію розподілу вектора для довільного k=1,…,m, зокрема, можна знайти

функцію розподілу кожної компоненти вектора.
Відзначимо також, що функція розподілу по кожній із змінних неспадна і неперервна зліва.

Розглянемо двовимірний випадковий вектор . Тоді для функції розподілу

будуть справедливі рівності:
,
, ,
.
Якщо існує функція така, що

,
то функцію називають щільністю розподілу випадкового вектора , а
розподіл випадкового вектора називають абсолютно неперервним.
Із даного означення випливає:
1) ;

2) якщо – точка неперервності , то ;

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

де , – невироджена квадратна матриця, додатньо-

визначена, розміром , – детермінант матриці .
У випадку двовимірного нормального розподілу щільність розподілу має вигляд:

Якщо , то , де
 – щільність розподілу випадкової величини , а

– щільність розподілу випадкової величини .

За щільністю розподілу випадкового вектора знайдемо щільність розподілу
випадкової величини . Тоді

Після виконання в інтегралі підстановки , ,

одержимо:

Це означає, що величина , аналогічно величина . Тобто, якщо

випадковий вектор нормально розподілений, то кожна із випадкових величин і
має нормальний розподіл.
Випадковий вектор називається дискретним, якщо множина його значень скінченна або
зліченна. Розглянемо для спрощення двовимірну випадкову величину . Нехай ,

, , , тоді кожній парі можна поставити у відповідність

ймовірність . Тут . Таку відповідність

називають законом розподілу.
.....
.....
… … ..... ….. …..
.....
.....
Якщо , то утворюють повну групу і , тому

. Отже, за аксіомою адитивності . Так само

. При цьому, .
1.6.2 Незалежність випадкових величин.

Випадкові величини називаються незалежними, якщо

.
Теорема. Нехай випадковий вектор має щільність розподілу . Для
того, щоб випадкові величини були незалежними необхідно і досить, щоб
,
де - щільність .
Доведення. Якщо випадкові величини незалежні, то
=

.
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
.

Щільність розподілу суми випадкових величин знаходиться із рівностей

або

.
Нехай – незалежні. Це означає, що . Тому

.
Отже, щільність розподілу суми випадкових величин є згорткою функцій і

Якщо випадковий вектор – нормально розподілений, то сума – нормально

розподілена з параметрами і .

Якщо і - незалежні, тобто , і , , то ~

. Справедливе і обернене твердження (теорема Крамера). Якщо і –

незалежні і сума – нормально розподілена, то і кожен доданок і є нормально
розподіленими випадковими величинами.

Розподіл частки випадкових величин. Нехай – випадковий вектор із щільністю

,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.

Тоді величина має розподіл Стьюдента (або -розподіл) із

ступенями вільності.
Нехай , – незалежні нормально розподілені з параметрами випадкові

величини, . Тоді величина має

розподіл Фішера із ступенями вільності.
Нормальний розподіл, розподіли Пірсона, Стьюдента, Фішера мають дуже широке
використання у математичній статистиці.
1.7. Умовні розподіли

Нехай - випадковий двовимірний вектор, і – дискретні випадкові величини,

приймає значення , приймає значення . Кожній парі таких чисел можна поставити у

відповідність ймовірність . Тоді за теоремою множення

Позначимо . Нехай , тоді

Розподіл ймовірностей називається умовним розподілом випадкової

величини відносно випадкової величини (при умові, що випадкова величина прийняла
фіксоване значення ).

Оскільки , то очевидно,

.
Нехай розподіл вектора – абсолютно неперервний із щільністю сумісного розподілу

. Розглянемо подію , і нехай додатна.

Тоді умовна ймовірність події при умові дорівнює

.
Це функція розподілу, що відповідає умовному розподілу при умові .
Нехай . Тоді

.
При фіксованому x ця границя, як функція від y, є функцією розподілу

і називається умовною функцією розподілу величини при умові .

Якщо – неперервна по , то одержану функцію розподілу можна
продиференціювати по , тоді одержимо відповідну умовну щільність розподілу
при умові .

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

множина значень випадкової величини зліченна, то за умови збіжності ряду ) і

позначається або :

. (1)
Нехай випадкова величина – неперервна із щільністю , тоді

, (2)

якщо інтеграл – збіжний.

Часто математичне сподівання називають середнім значенням випадкової величини. Для
математичного сподівання використовують і таке позначення: .
Якщо відома функція розподілу , то обидва ці випадки можна об’єднати і подати
математичне сподівання інтегралом Стільтьєса

. (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:

Тому за формулою (2)

4. Математичне сподівання випадкової величини, що має нормальний розподіл. Випадкова

величина має нормальний розподіл, якщо її щільність має вигляд

.
Із (2) одержуємо:

бо .
Отже, параметр , що входить в щільність нормального розподілу, є .

5. Математичне сподівання випадкової величини, що має розподіл Коші. Щільність

розподілу Коші має вигляд:

Тому із (2) . Але такий невласний інтеграл є розбіжним, тому для

випадкової величини, що має розподіл Коші, математичне сподівання не існує.

2.1.2. Властивості математичного сподівання (випадок дискретно

розподілених випадкових величин).

1. .
Позначимо , тоді і , тому

2. Нехай – індикатор випадкової події . Тоді , тобто

математичне сподівання індикатора випадкової події дорівнює ймовірності подій.

Дійсно, .
3. , де .
4. .

Справедливість властивості випливає із означення:

.
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

властивості 1. Якщо і , то , а це можливо, коли для будь-

якого . Із умови випливає . Тоді .

7. Нехай , тоді

За властивістю 1 . Аналогічно доведенню властивості 1, введемо

події , тоді

8. Якщо і – незалежні, то .
Із рівностей , одержуємо

.
За властивостями 2 і 5, врахувавши незалежність випадкових величин, одержуємо

9. Якщо функція випукла вниз на , то для будь-якої випадкової величини

.
Для доведення використаємо той факт, що для будь-якої випуклої функції і будь-якої
точки знайдеться така стала , що для всіх . Покладемо в цій
нерівності і, взявши математичне сподівання обох частин нерівності
, при врахуванні рівності , одержимо
.

10. Нерівність Ляпунова. Якщо , де , то

Для доведення розглянемо функцію . Тоді , а

, отже – випукла вниз. Тоді за властивістю 9 для будь-якої

випадкової величини або . Якщо підставимо в

останню нерівність і піднесемо обидві частини одержаної нерівності

до степеня , то одержимо необхідну нерівність.

11. Нерівність Коші-Буняковського. Для будь-яких випадкових величин і

Оскільки для довільного , то і . Підносячи до квадрату,

одержимо квадратну нерівність , що справедлива для

довільного , а це можливо, коли дискримінант .

2.1.3. Доведення деяких властивостей математичного сподівання
для неперервних випадкових величин.
Властивості 1, 2, 3 стосуються дискретних випадкових величин, а властивості 4 – 11
справедливі і для неперервних випадкових величин. Доведемо деякі із цих властивостей.
4. .
При рівність правильна. Розглянемо випадок, коли . Тоді

,а Тому

.
Аналогічно розглядається випадок .
5. .
Якщо має щільність розподілу , то щільність розподілу суми має

вигляд . Тому за формулою (2)

.
Змінимо порядок інтегрування і зробимо заміну у внутрішньому інтегралі,

тоді

бо , а

.
7. Якщо – борелєва функція і , тоді

Нехай – зростаюча. Тоді із пункту 3.5 .

В інтегралі , зробимо заміну , тоді

. Аналогічно розглядається випадок спадної функції. В загальному

випадку ця властивість випливає із властивостей інтеграла Лебега.
8. Якщо і – незалежні, то .
Використаємо вигляд щільності розподілу добутку випадкових величин із пункту 3.6.3, із

врахуванням незалежності, маємо . Тоді

.
Змінимо порядок інтегрування, тоді

.
Після виконання заміни у внутрішньому інтегралі, одержимо:

.
Властивість 6 випливає із зображення математичного сподівання інтегралом Лебега

і властивостей інтеграла Лебега. Властивості 9 – 11 випливають із властивості 6 і властивостей

інтеграла Лебега.
2.2 Дисперсія випадкової величини
Математичне сподівання квадрата відхилення випадкової величини від її математичного
сподівання називається дисперсією (позначається ):

. (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 .

Для будь-якого права частина одержаної рівності . Мінімум

досягається, якщо .
В результаті доведення властивості 1 одержуємо таку формулу:

,
що справедлива для будь-якого . Зокрема, покладаючи в останній формулі ,
одержимо:

. (5)
2. . . Якщо , то з ймовірністю 1 - стала.

Перше очевидне, оскільки . Нехай , тоді ,а

, тому . Якщо , то із нерівності за властивістю 6

математичного сподівання , тому і або .
Із цієї властивості і (5) одержуємо такі нерівності:

,
.
3. Для будь-яких a і b .
За означенням дисперсії
.
4. .
За властивостями математичного сподівання
 .
Величина

називається коваріацією випадкових величин і . Тому

.
Для незалежних випадкових величин і
.
Тому, якщо випадкові величини і – незалежні, то
.
Якщо випадкові величини – незалежні і однаково розподілені, , то

.
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

і при , існує , тоді для будь-якого

.
Нехай – функція розподілу . Оскільки – неспадна і невід’ємна, то за
властивістю математичного сподівання функції від випадкової величини

.
Поділивши останню нерівність на , дістанемо необхідну нерівність.

2. Розглянемо частинний випадок одержаної нерівності. Нехай випадкова величина –

невід’ємна, має скінченне математичне сподівання, тоді для будь-якого

.
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

Випливає із застосування попередньої до випадкової величини .

4.Якщо випадкова величина має скінченну дисперсію, то 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
Mназиваються 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 :



Після виконання підстановки одержимо:

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

За допомогою центральних моментів вводяться такі характеристики, як асиметрія

розподілу 3 4
As  і ексцес розподілу es  3 . Для нормального розподілу ці
 4
3

характеристики рівні нулю. Легко показати, що асиметрія і ексцес інваріантні відносно

лінійного перетворення випадкової величини: для будь-яких дійсних a  0 і b випадкові
величини  і   a  b мають однакову асиметрію і однаковий ексцес.
Якщо функція розподілу F (x) неперервна і строго монотонна, то для довільного
q рівняння F  x   має єдиний розв’язок xq . Цей розв’язок xq називають q -
(0,1) q
квантиллю або квантиллю порядку q розподілу F (x) . Але для довільної функції
розподілу F (x) рівняння F  x   може мати багато розв’язків, тоді будь-який із них
q
називають q -квантиллю розподілу F (x) , а може і не мати розв’язків. В загальному
випадку q -квантиллю розподілу F (x) називається таке число x , що F (x )  q , а
q q

F (xq  0)  q . Інколи q -квантиль визначають за допомогою рівності

xq  maxx : F (x)  q .
Якщо функція розподілу F випадкової величини  неперервна і строго монотонна
(x )
і q  q , то P  xq    xq   q  q .
 4.5. Умовне математичне сподівання. Регресія
Нехай випадковий вектор – дискретний із розподілом і

нехай – умовний розподіл при умові . Тоді величина

називається умовним математичним сподіванням випадкової величини при умові .

Нехай випадковий вектор – неперервний із щільністю і нехай

– умовна щільність розподілу випадкової величини при умові ,

тоді величина

Якщо випадковий вектор – дискретний із розподілом , то

,
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

Отже, справедлива рівність

2 Очевидно, умовне математичне сподівання

.
є функцією від . Цю функцію
називають регресією на , а її графік називають кривою регресії.
Умовне математичне сподівання функції при умові у випадку
неперервного розподілу визначається рівністю

.
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.