Posit1nov (1)
.pdfДисперсия D(X) является центральным моментом второго порядка. Величина σ(X) характеризует разброс случайной величины X вокруг ее математического
ожидания.
Свойства дисперсии:
D1. |
D(X) ≥ 0, по свойству E4 математического ожидания и D(X) = 0 тогда и |
||
только тогда когда P (X = C) = 1 - где C постоянная величина, то есть когда |
|||
случайная величина X вырождена. |
|
|
|
D2. |
Постоянный множитель выносится из под |
знака дисперсии в квадрате: |
|
D(CX) = C2D(X) для любых постоянных C. |
|
|
|
D3. |
Дисперсия инвариантна относительно сдвига D(X + B) = D(X) для любых |
||
постоянных B. |
|
|
|
Докажем сразу D2 и D3. |
|
|
|
Доказательство. Так как E(CX + B) = CE(X) + B, то |
|
||
|
D(CX + B) = E((CX + B − E(CX + B))2) = E((CX − CE(X))2) = |
||
|
= E(C2(X − E(X))2) = C2E((X − E(X))2) = C2D(X). |
||
Следствие 4.1 Дисперсии случайной величины X и соответствующей центри- |
|||
|
˚ |
|
|
рованной случайной величины X равны: |
|
|
|
|
˚ |
|
|
|
D(X) = D(X − E(X)) = D(X). |
|
|
D4. |
Если E(XY ) = E(X)E(Y ), то D(X + Y ) = D(X) + D(Y ). |
||
Доказательство. Используя второе свойство из упражнения 4.1 получим |
|||
|
˚ ˚ |
˚ ˚ 2 |
) = |
|
D(X + Y ) = D( X+Y) = E(( |
X+Y) |
|
|
˚˚ |
|
|
|
= D(X)+D(Y ) + 2E(XY) = D(X) + D(Y ). |
||
D5. |
Справедливо следующее выражение дисперсии через начальные моменты |
D(X) = E(X2) − E2(X).
Доказательство. Для доказательства воспользуемся определением дисперсии:
D(X) = E((X − E(X))2) = E(X2 − 2XE(X) + E2(X)) =
= E(X2) − 2E(X) · E(X) + E(E2(X)) = E(X2) − (E(X))2,
так как E(X) и E2(X) - постоянные величины.
Пример 4.7 Пусть X - число гербов, выпавших при двух бросаниях правильной монеты. Укажем ряд распределения случайной величины X (см. пример 4.3).
|
|
|
|
|
|
|
|
|
|
|
xl |
0 |
1 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
pl |
1/4 |
2/4 |
1/4 |
|
|
|
|
|
|
|
|
|
|
|
|
||||
Следовательно, |
|
X |
|
/ |
|
|
· 2 |
/ |
|
|
· 1 |
/ |
|
|
, D |
X |
|
E |
X2 |
) − ( |
E |
X |
|
2 |
|
|||||
0 |
2 |
· 1/4 + 1 |
2 |
|
E( |
|
2 ) = 0 · 1 |
|
4 + 1 |
|
4 + 2 |
|
4 = 1 |
( |
|
) = |
( |
|
( |
|
)) |
|
= |
|||||||
|
|
· 2/4 + 2 |
|
· 1/4 − 1 = 1/2. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
33
Пример 4.8 Пусть |
случайная |
|
величина |
|
X |
имеет |
плотность |
f (x) = |
||||||||||
1/(π(1 + x2)), |
−∞ < |
x < ∞. Распределение с указанной плотностью носит |
||||||||||||||||
название распределение Коши. Найти E(X). |
|
|
|
|
|
|
|
|
||||||||||
Решение: |
|
|
|
|
|
|
|
2π ln(1 + |
|
|
|
|
|
|
|
|
)− |
|
|
|
π(1 + x2) |
|
= |
|
|
|
= |
2π |
x >+ |
ln(1 + |
|||||||
|
∞ |
|
|
|
|
|
|
|
|
|
∞ |
|
|
|
− |
∞ |
|
|
|
Z |
1 |
|
|
|
|
|
|
|
|
1 |
|
|
|||||
E(X) = |
x |
|
|
|
dx |
|
|
|
|
x2 |
|
|
|
|
|
lim |
|
x2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
||
|
|
|
|
|
|
− |
lim ln(1 + x2) . |
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
x−>−∞ |
|
|
|
|
|
|
|
|
|
В данном случае несобственный интеграл, задающий математическое ожидание, расходится и случайная величина не имеет математического ожидания.
Мода и медиана случайной величины X.
Определение 4.10 Для дискретной случайной величины X модой называется её наиболее вероятное значение. Обозначается mod(X) или m. Для непрерывной случайной величины - модой называются те значения переменной x, при которых плотность вероятности f (x) достигает максимума.
Определение 4.11 Медианой случайной величины X называется такое число med(X), которое удовлетворяет условиям P (X < med(X)) = P (X > med(X)) = 1/2.
Геометрически:
f (m) = fmax, S1 = S2
следовательно,
µ = med(X).
|
|
r |
|
|
|
|
|
|
f (m) − max |
||
|
|
|
S2 |
|
|
|
S1 |
|
- |
||
|
|
|
|||
|
0 |
µ |
m |
|
x |
|
|
|
|
|
Пример 4.9 Дана плотность случайной величины
√
1/(e 2π). Найти моду этой случайной величины X. Решение. Находим fx′ (x) = 2a(1 − x)e2x−x2 , f ′(x) = 0
X: f (x) = ae2x−x2 , a =
при x = 1, причем в точке
x= 1 f ′(x) меняет знак с “+” на “-”, следовательно, функция f (x) имеет при
x= 1 максимальное значение, то есть m = 1.
Пример 4.10 Задана плотность распределения
f (x) = |
x x3 |
/4, 0 x 2, |
||
|
|
0, |
|
x < 0, |
|
|
− |
≤ ≤ |
|
|
0, |
|
x > 2. |
|
|
|
|
|
|
|
|
|
|
|
34
Найдем медиану случайной величины X.
|
|
|
|
|
µ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
R |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
P (X < µ) = (x − x3/4)dx = (x2/2 − x4/16)|0µ = µ2/2 − µ4/16 = 1/2. |
|
|
|||||||||||||||||||
|
|
|
|
|
0 |
|
|
|
) = ±p |
|
|
|
|
|
|
|
|
|
|
|
|
4 |
√8 1, 09. |
( |
|
|
|
|
0 |
( |
|
) |
|
2 |
( |
|
) = |
||||||
X |
4 ± 8 |
, но |
X |
< |
X |
||||||||||||||||
Следовательно, |
med |
|
|
√ |
|
< med |
|
|
значит, med |
|
|||||||||||
p |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
− |
|
|
≈ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4.3Примеры распределений случайных величин.
Остановимся на примерах распределений случайных величин.
1. Равномерное распределение.
Пусть случайная величина X жутка [a, b], причем существует f ны X:
принимает любое значение из конечного проме- (x) - плотность распределения случайной величи-
f (x) = |
1/(b a), a x b, |
|||
|
|
0, |
|
x < a, |
|
|
|
− |
≤ ≤ |
|
|
0, |
|
x > b. |
|
|
|
|
|
Такую случайную величину |
называют равномерно распределенной на промежутке |
|||
|
|
|
|
[a, b].
Функцию распределения вероятностей F (x) найдем с помощью интегрирования:
F (x) = Rax dx/(b − a) = (x − a)/(b − a), a ≤ x ≤ b. |
|
|
|
|
|
|||
|
|
, |
|
|
|
x < a, |
|
|
− |
|
− |
|
≤ |
≤ |
|
||
|
1, |
a)/(b |
|
a), |
x > b. |
|
b, |
|
Следовательно, F (x) = (x0 |
|
|
a x |
|
Заметим, что функция F (x) непрерывна и монотонно возрастает от 0 до 1, следовательно условия F 1, F 2, F 3 (см. теор. 4.1) выполнены, такое распределение веро-
ятностей существует. Аналогично ведут себя и функции распределения остальных, рассмотренных в следующих примерах непрерывных случайных величин. Для дис-
кретных величин функции распределения удовлетворяют F 1, F 2, F 3 по построе-
P
нию, если pi ≥ 0 и выполнено условие нормировки i pi = 1.
Равномерно распределенная величина имеет моменты всех порядков. В частности,
|
Za |
b − a |
|
|
2(b − a) |
2 |
||
E(X) = |
b |
x |
dx = |
b2 − a2 |
= |
b + a |
||
|
|
|
|
|
||||
|
|
|
= |
(b − a)2 |
, σ(X) = |
|||
|
|
|
12 |
|||||
|
|
|
|
|
|
|
, D(X) = |
a |
|
x − 2 |
b |
− |
a = |
|||||||
|
|
Z |
b |
|
|
|
|
2 |
|
|
|
||
|
|
|
|
|
|
|
|
b + a |
|
|
dx |
|
|
|
|
|
b |
|
|
a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
pD(X) = |
2−√ |
|
. |
|
|
|
|
|
|
||||
3 |
|
|
|
|
|
|
График плотности равномерного распределения приведен на следующем рисунке
35
|
|
|
|
|
f (x) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
b a |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
− |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
- |
|
|
|
|
|
|
|
|
|
|
||
0 |
|
|
a |
b |
x |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
||||||||||
Пример 4.11 Случайная величина X равномерно распределена на [0, 2]. Найти |
|||||||||||||||||||
E(X), D(x). |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
f (x) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1/2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- |
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
2 |
|
x |
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
Решение. |
|
|
(0, |
|
x / [0, 2]. |
|
|
0 |
|
|
0 |
|
− |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Так как |
|
|
f (x) |
= |
|
1/2, |
x [0, 2], |
E(X) = |
R |
2 |
(x/2)dx = 1, D(X) = |
R |
2 |
((x |
|
||||
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
1)2/2)dx = (x − 1)3/6 = 1/3.
0
2. Показательный закон распределения.
Пусть X принимает любые неотрицательные значения x ≥ 0, причем плотность вероятности равна f (x) = λe−λx, где λ > 0 – произвольное положительное число. Говорят, что X имеет показательное распределение. В этом случае F (x) = 0 при
|
|
|
|
x |
|
|
x |
|
|
|
|
|||||
λx |
|
|
|
R |
|
|
R |
= −e−λx |
= |
|||||||
x ≤ 0, при x > 0: F (x) = |
f (x)dx = λe−λxdx = λ e−λx/(−λ) 0x |
0x |
||||||||||||||
1 − e− |
. Следовательно, |
|
−∞ |
0 |
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
F (x) = (1 − e−λx, x ≥ 0 |
|
|
|
|
F (x) |
- |
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
6 |
|
|
|
|
|
|||||||
|
0, |
x < 0 |
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
x |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
||||||
Эта функция непрерывна, возрастает от 0 до 1 и lim |
F (x) = 0, |
lim F (x) = 1, |
||||||||||||||
|
|
|
|
|
|
|
|
|
x→−∞ |
x→∞ |
|
|
||||
то есть свойства F1, F2, F3 выполнены. |
|
|
|
|
|
|
||||||||||
|
∞ |
∞ |
|
∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
R |
R |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
E(X) = |
xf (x)dx = |
xλe−λxdx = 1/λ. |
|
|
|
|
|
|
||||||||
|
−∞ |
0 |
|
R |
|
|
|
|
|
|
|
|
|
|
|
|
D(X) = E(X2) − (E(X))2 |
|
x2λe−λxdx − 1/λ2 = 1/λ2 |
(интегралы вычисляются |
|||||||||||||
= |
||||||||||||||||
по частям), σ(X) = p |
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
||
D(X) |
= 1/λ. |
|
|
|
|
|
|
Замечание 4.5 Для показательного распределения математическое ожидание равно среднеквадратичному отклонению.
36
Пример 4.12 ( Задача о надежности системы.) При работе некоторой системы в случайные моменты времени возникают неисправности. Время T работы
системы от момента её включения до возникновения неисправности распределено по показательному закону с параметром λ. Найти вероятность безотказной
работы системы в течение времени t.
(
Решение. В данном случае FT (t) = |
1 − e−λt, |
t ≥ 0, |
|
0, |
t < 0. |
Если система время "t" работала безотказно, а "T" - время до момента наступления неисправности, то T ≥ t. Тогда искомая вероятность есть P (T ≥ t) = 1 − P (T < t) = 1 − FT (t) = e−λt.
Заметим, что показательное распределение и только оно обладает свойством отсутствия последействия - при известном настоящем будущее не зависит от прошлого, что позволяет использовать его при построении простейших моделей массового обслуживания.
Точнее, случайная величина X обладает свойством отсутствия последействия,
если выполнены два условия:
P (X > x) > 0, |
для любого x > 0, |
P (X > x + y|X > x) |
= P (X > y), для любых положительных x, y. |
3. Биномиальное распределение. Пусть X - случайная величина, равная числу успе-
хов в n испытаниях Бернулли. И пусть вероятность успеха в каждом испытании равна p (0, 1), тогда величина X имеет распределение
pm = P (X = m) = Cnmpmqn−m > 0, где q = 1 − p, m = 0, 1, 2, ..., n.
|
n |
|
n |
Как и для схемы Бернулли |
pi = |
Cnmpmqn−m = (p + q)n = 1. Следовательно, |
|
|
m=0 |
|
m=0 |
такое вероятностное |
распределение существует. |
||
P |
|
P |
Говорят, что случайная величина X имеет биномиальное распределение.
E(X) = np, D(X) = npq, σ(X) = √npq.
При n = 1, то есть, если испытание только одно, будем называть такую случайную
величину бернуллиевской.
Пример 4.13 Вероятность попадания стрелком в мишень равно 2/3. Стрелком сделано 15 выстрелов. Случайная величина X - число попаданий в мишень. Найти
E(X), D(X).
Решение. X – случайная величина, распределенная по биноминальному закону; p = 2/3; q = 1 − p = 1/3; n = 15. Тогда E(X) = np = 15 · 2/3 = 10; D(X) = npq = 15 · 2/3 · 1/3 = 10/3.
37
Пример 4.14 Урна содержит 6 белых |
шаров и 4 черных. Пять раз доста- |
ют шар из урны (с возвращением). X - число вынутых белых шаров. Найти |
|
E(X), D(X), σ(X) |
|
Решение. Имеем p = 0, 6 q = 0, 4 n = 5, |
X – случайная величина, распределенная |
по биноминальному закону√. Тогда E(X) = np = 0, 6 · 5 = 3, D(X) = npq = 0, 6 · 0, 4 · 5 = 1, 2, σ(X) = 1, 2.
4. Распределение Пуассона.
Это распределение является предельным для биноминального распределения, при n → ∞, а np → λ.
Пусть случайная величина X имеет распределение
P (X = m) = λm · e−λ/m!, m = 0, 1, 2, ..., λ > 0.
Проверим неотрицательность и нормировку. Очевидно, что pm = P (X = m) > 0
так как |
∞ λm/m! = eλ. |
|
|
|
∞ |
|
|
|
|
∞ |
|
|
|
|
||
|
|
|
P |
|
|
|
|
P |
|
|
|
|
||||
при любом m = 0, 1, 2, .... Найдем m=0 λm · |
e−λ/m! = e−λ m=0 λm/m! = e−λ · eλ = 1, |
|||||||||||||||
|
m=0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
случайная величина X называется распределенной по закону Пуассона с |
||||||||||||||
ТакаяP |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
параметром λ. |
|
|
|
|
∞ |
|
|
|
|
|
|
|
|
|
||
|
|
∞ |
∞ |
|
|
|
2 |
∞ |
|
|
m 2 λ |
|
|
|
2 |
|
|
|
P |
|
m λ P |
|
|
|
|
|
|||||||
E(X) = m=1 mλme−λ/m! = λe−λ m=1 λm−1/(m |
− |
1)! = λe−λeλ = λ. |
|
|||||||||||||
E(X(X |
− |
1)) = |
P |
− |
1)λ e− |
/m! = λ |
P |
|
λ − e− /(m |
− |
2)! = λ . |
|||||
m(m |
|
|
|
|
||||||||||||
|
|
m=2 |
|
|
|
m−2=0 |
|
|
|
|
||||||
|
|
|
|
|
− |
|
|
|
|
− |
|
|||||
Следовательно, D(X) = E(X(X |
1)) + E(X) |
− |
(E(X))2 = λ2 |
+ λ |
λ2 = λ. |
|||||||||||
|
|
|
|
Пример 4.15 Автоматическая станция получает в среднем за час 300 вызовов.
Какова вероятность того, что за данную минуту она получит точно два вызова? Решение. За минуту АТС получает в среднем a = 300/60 = 5(вызовов), следовательно, λ = 5. Отсюда P (X = 2) = e−λλ2/2! = e−552/2! = 25/2e5 ≈ 0, 0842.
5. Нормальное распределение.
Среди случайных величин важное место занимают случайные величины, функция распределения вероятностей которых имеет вид:
|
|
F (x) = σ√2π |
x |
e−(t−a) |
/2σ |
dt. |
(4.2) |
||||||||
|
|
Z |
|||||||||||||
|
|
|
|
|
1 |
|
|
|
|
2 |
2 |
|
|
||
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
Заметим, что |
∞ e−t2/2dt = √ |
|
- это так называемый интеграл Пуассона. Отсюда |
||||||||||||
2π |
|||||||||||||||
|
|
−∞ |
|
|
x |
|
a /σ получим, что |
|
|||||||
с помощью |
замены переменных u |
|
|
|
|
||||||||||
|
R |
= ( |
|
− ) |
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
∞ |
e−(t−a) |
/2σ |
dt = 1. |
(4.3) |
|||||
|
|
σ√2π Z |
|||||||||||||
|
|
1 |
|
|
|
|
|
2 |
2 |
|
|
|
|
−∞
38
Следовательно, интеграл (4.2) сходится при любом x (абсолютно сходится, так как под интегралом стоит положительная функция). Отсюда, функция F (x) из соотношения (4.2) определена при любом x, непрерывна как интеграл с переменным
верхним пределом, монотонно возрастает в силу аддитивности интеграла и неот-
рицательности подынтегральной функции. Кроме того, lim F (x) = 0 - в пределе
x→−∞
интеграл по пустому множеству и в силу соотношения (4.3) lim F (x) = 1. Соотно-
x→∞
шения F1, F2, F3 выполнены.
Такие случайные величины называются распределенными по нормальному закону. Часто их называют гауссовыми случайными величинами, а распределение вероятностей - распределением Гаусса.
Пусть случайная величина X, распределена по нормальному закону (будем это кратко обозначать X N (a, σ2)), тогда ее плотность имеет вид
|
|
|
−(x−a)2/2σ2 |
|
√ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
f (x) = e |
|
/(σ 2π), − ∞ < x < ∞, |
|
|
|
||||||||||||||||||||||||||||
Величины σ > 0 и −∞ < a < ∞ - параметры распределения. |
|
|
|
||||||||||||||||||||||||||||||
График функции f (x) называют кривой Гаусса. Он имеет следующий вид: |
|
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
f (x) |
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
Прямая x = a является |
|
|
|
|
|
|
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
σ√ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
осью симметрии графика. |
|
|
|
|
|
2π |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
ymax = f (a) = (σ√ |
|
)−1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- |
|
|
|
|
||||
2π |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
0 |
a − σ |
|
a a + σ x |
|
|
|
||||||||||||||||||||
Точки x = a − σ и x = a + σ - являются точками перегиба графика. |
|
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
∞ |
x · e−(x−a) /2σ |
|
dx = a, |
|
|
|
|||||||||||||||||||||
|
E(X) = σ√2π Z |
|
|
|
|
||||||||||||||||||||||||||||
|
1 |
|
|
2 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
использова- |
||||
Интеграл вычисляется с помощью замены переменных u = (x − a)/σ с |
|||||||||||||||||||||||||||||||||
|
2 |
|
|||||||||||||||||||||||||||||||
нием интеграла Пуассона, а также нечетности и интегрируемости функции ue−u |
/2 |
||||||||||||||||||||||||||||||||
|
|
R |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
(из чего следует, что |
|
∞ ue−u2/2dt = 0.) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
∞ |
(x − a)2 · e−(x−a) /2σ |
|
dx = σ2. |
|
|
|
||||||||||||||||||||||
D(X) = σ√2π Z |
|
|
|
|
|||||||||||||||||||||||||||||
|
1 |
|
|
|
|
2 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
−∞
Интеграл вычисляется также как предыдущий с использованием дополнительно интегрирования по частям.
Таким образом, мы выяснили вероятностный смысл параметров a и σ. Параметр a является математическим ожиданием случайной величины X, а σ2- дисперсией
этой случайной величины.
39
Если a = 0, σ = 1, то случайная величина X называется стандартной нормаль-
ной величиной, ее распределение называют стандартным нормальным распределением и обозначают N (0, 1), X N (0, 1).
Функция распределения случайной величины X N (a, σ), определенная в (4.2)
выражается через стандартную табулированную функцию
x |
e− |
(t a)2 |
/2σ2 |
√ |
|
|
(x−a)/σ |
e− |
u2 |
/2 |
√ |
|
|
|
a)/σ), где Φ(x) - |
F (x) = |
|
|
|
||||||||||||
− |
|
dt/( 2πσ) = |
|
|
|
du/ 2π = Φ((x |
− |
||||||||
−∞ |
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
функция распределения стандартного нормального закона, уже рассмотренная в |
||||||||||
R |
R |
|
|
|
|
|
|
|||
подразд. 3.5. |
|
|
|
|
|
|
|
|
|
|
|
1 |
|
6 |
|
|
|
||||
|
|
|||||||||
|
|
r |
y |
|||||||
График функции y = Φ(x) имеет вид |
1/2 |
|
|
|
|
|
||||
|
- |
|
||||||||
|
|
|
|
|
|
|
||||
|
0 |
|
|
|
|
x |
Для нормально распределенной случайной величины P (x1 ≤ X ≤ x2) = F (x2) −
F (x1) = Φ((x2 − a)/σ)) − Φ((x1 − a)/σ)).
Замечание 4.6 Найдем вероятность того, что отклонение нормальной случайной величины X от её математического ожидания по модулю меньше некоторого
ε > 0
P (|X − a| < ε) = P (a − ε < X < a + ε) = Φ(ε/σ) − Φ(−ε/σ) = 2Φ(ε/σ) − 1.
Мы использовали соотношение Φ(−ε/σ) = 1 − Φ(ε/σ).
Следствие 4.2 (правило "3σ".) Пусть ε = 3σ. Для нормально распределенной случайной величины X со средним a и дисперсией σ2 справедливо соотношение
P (|X − a| < 3σ) = 2Φ(3σ/σ) − 1 = 2Φ(3) − 1 ≈ 0, 9973,
то есть в среднем из 10000 значений случайной величины X только 27 не попадут на интервал (a − 3σ, a + 3σ).
В этом и состоит правило "3σ", которое иногда применяют экспериментаторы при
решении некоторых прикладных задач с использованием теории вероятностей и математической статистики, считая событие {|X − a| > 3σ} практически невоз-
можным.
Пример 4.16 Случайная величина X имеет плотность распределения f (x) = (8π)−1/2 · e−(x−3)2 /8. Найти P (1 ≤ X < 7)
Решение. Так как a = 3, σ = 2, то P (1 ≤ X < 7) = Φ((7 − 3)/2) − Φ((1 − 3)/2) = Φ(2) − Φ(−1) = 0, 97725 + 0, 84135 − 1 = 0, 8186.
Вычисления значений Φ(2) и Φ(−1) = 1 − Φ(1) производятся по таблице.
40
5Многомерные случайные величины или случайные векторы.
5.1Случайный вектор и его распределение вероятностей.
Определение 5.1 Рассмотрим |
упорядоченный набор случайных |
величин |
X1, X2, ..., Xn, заданных на |
одном и том же вероятностном |
простран- |
стве (Ω, A, P ). Каждому ω Ω поставим в соответствие n-мерный вектор X(ω) = (X1(ω), X2(ω), ..., Xn(ω)), называемый n - мерным случайным вектором или n - мерной случайной величиной. Таким образом, n - мерная случайная величина это измеримое отбражение X: Ω → Rn.
Пример 5.1 Пусть опыт состоит в двукратном бросании монеты. X1 - число выпавших гербов, X2 - число выпавших решек, а X3 - число гербов выпавших при первом бросании. Здесь Ω = {ГГ, ГР, РГ, РР}, 3-х мерный вектор X= X(ω) = (X1(ω), X2(ω), X3(ω) принимает значения
X(ГГ) = (2, 0, 1), X(ГР) = (1, 1, 1), X(РГ) = (1, 1, 0), X(РР) = (0, 2, 0).
Также как и в одномерном случае n - мерный случайный вектор порождает (переносит) на Rn вероятностную меру: PX (An) = P {ω Ω : X(ω) An}. Здесь An - параллепипед в Rn, P - вероятностная мера на пространстве исходов Ω, а PX - вероятностная мера в Rn. Для того чтобы определить на Rn эту новую вероятност-
ную меру (аналог площади) достаточно задать функцию распределения случайного
вектора X. |
|
|
|
Определение 5.2 Функцией |
распределения |
случайного |
вектора |
X = (X1, X2, ..., Xn) называется функция F (x1, x2, ..., xn), зависящая от n вещественных аргументов x1, x2, ..., xn, равная вероятности тех ω, для которых одновременно выполнены неравенства X1 < x1, ..., Xn < xn:
F (x1, x2, ..., xn) = P {ω Ω : X1(ω) < x1, X2(ω) < x2, ..., Xn(ω) < xn},
где xi (−∞, ∞), при любых i = 1, 2, ..., n.
Далее для простоты будем рассматривать случайные векторы с двумя компонентами X = (X, Y ). Функция распределения в этом случае будет иметь вид:
F (x, y) = P (X < x, Y < y) = P {ω Ω : X(ω) < x, Y (ω) < y}.
Геометрический смысл F (x, y):
Функция F (x, y) задает вероятность попадания случайной точки (X, Y ) в бесконечный квадрат с вершиной в точке (x, y) , лежащий левее и ниже её:
y 6
(x, y)
-
0 x
41
Основные свойства функции F (x, y).
Fv1. Функция распределения F (x, y) является неубывающей функцией каждого из своих аргументов при условии, что второй аргумент фиксирован (то есть F (x, y0) - неубывающая функция аргумента x при любом y = y0, аналогично F (x0, y) - неубывающая функция аргумента y при любом x = x0).
Fv 2. F (−∞, y) = F (x, −∞) = F (−∞, −∞) = 0, F (+∞, +∞) = 1
Fv 3. 0 ≤ F (x, y) ≤ 1, так как по определению это вероятность некоторого собы-
тия.
Fv 4. F (x, +∞) = FX (x), F (+∞, y) = FY (y), где FX (x) и FY (y) соответственно функции распределения случайных величин X и Y .
Fv 5. Функция F (x, y) непрерывна слева по каждому из аргументов.
Fv 6. Пусть D = {(x, y) R2 : a ≤ x < b, c ≤ y < d} - прямоугольник, тогда
P ((X, Y ) D) = F (b, d) − F (b, c) − F (a, d) + F (a, c)).
|
y |
|
|
|
|
|
|
|
|
|
|
d |
6 |
|
|
|
Действительно, по теореме сложения вероятностей |
|
|
|
|
|
|
|
|
|
R |
|
|
c |
|
|
|
- |
P (X < a, c ≤ Y < d) = F (a, d) − F (a, c), |
|
|
|
|||
0 |
|
a b x |
так как мы имеем дело с несовместными событиями. |
F (b, d) = F (b, c) + F (X < a, c ≤ Y < d) + P (a ≤ X < b, c ≤ Y < d), откуда
(( |
) ) = ( |
) − ( ) − ( |
|
|
|
|
} |
|) + ( |
{z |
||||||
|
|
|
|
P ((X,Y ) D) |
|
||
P X, Y |
D F b, d |
F b, c F a, d F a, c). |
|
Доказательство пяти первых совойств такое же, как для функции распределения одной случайной величины (см. подразд. 4.1 ).
Как и для случайных величин будем рассматриваются дискретные и непрерывные случайные векторы.
Рассмотрим сначала две дискретные случайные величины X и Y . Пусть случайная величина X принимает значения x1, x2, . . ., а случайная величина Y - значения y1, y2, . . .. Одновременное наступление событий {X = xi} и {Y = yj } будем обозначать {X = xi, Y = yj }, а вероятность их наступления pij = P (X = xi, Y = yj ).
Определение 5.3 Соответствие, которое каждой паре значений (xi, yj ) дискретных случайных величин X и Y сопоставляет её вероятность pij называется совместным законом распределения случайных величин X и Y или распределением дискретного случайного вектора X = (X, Y ).
Совместный закон распределения случайных величин X и Y можно задать таб-
лицей:
X \ Y |
y1 |
y2 |
. . . |
yn |
. . . |
|
x1 |
p11 |
p12 |
. . . |
p1n |
. . . |
|
x2 |
p21 |
p22 |
. . . |
p2n |
. . . |
|
. |
. |
. |
.. |
|
. |
. |
. |
. |
. |
. |
. |
. |
|
. |
. |
. |
|
. |
. |
|
xm |
pm1 |
pm2 |
. . . |
pmn |
. . . |
|
. . . |
. . . |
. . . |
. . . |
. . . |
. . . |
|
|
|
|
|
|
|
|
42