romanovskiy_romanovskaya_elementy_teorii_veroyatnostey
.pdfСтатистически зависимые и независимые величины
В математическом анализе изучаются жесткие зависимости между величинами, когда каждому значению одной величины отвечает определенное значение другой. Такие зависимости называются функциональными. Например, площадь круга функционально зависит от его радиуса:
S= πr2.
Втеории вероятностей изучаются слабые зависимости между величинами, когда значению одной величины отвечает разброс значений другой величины. Такие зависимости называются статистическими.
Определение. Пусть с испытанием связаны случайные величины ξ,η. Если для любой пары чисел a, b справедливо равенство
P ( ξ < a / η < b) = P (ξ < a),
то говорят, что случайная величина ξ статистически не зависит от η. Если хотя бы для одной пары a, b это равенство не выполняется, то говорят, что случайная величина ξ статистически зависит от η.
Определение статистической независимости имеет следующий смысл: ξ не зависит от η, если информация о значениях случайной величины η не позволяет высказать никаких новых суждений о случайной величине ξ.
Пример 1. Из урны берут один за другим два шара. Пусть ξ ,η – номера первого и второго шара. Очевидно, что номер η статистически зависит от номера ξ.
Пример 2. Из урны берут один за другим два шара, при этом перед взятием второго шара первый шар возвращают в урну и производится перемешивание.
В этом случае номер второго шара η статистически не зависит от номера первого шара ξ.
31
Замечание. Ранее мы вводили понятие "независимые события": событие А не зависит от события В, если
Р(А/В) = Р(А).
Очевидно, статистическая независимость случайных величин ξ ,η означает: для любых a, b событие ξ < a не зависит от события η < b.
§ 2. Закон распределения дискретной случайной величины
Напомним, что дискретная случайная величина принимает отдельные изолированные значения.
Законом распределения дискретной случайной величины ξ называется таблица
x |
x |
|
K x |
|
|
, |
ξ : 1 |
|
2 |
|
n |
|
|
|
p2 |
|
|
|
|
|
p1 |
K pn |
|
где x1 < x2 < … < xn – возможные значений величины ξ, а pk (k = 1, …, n) – их вероятности, то есть рk = P(ξ =хк ).
При этом должно выполняться равенство р1 + р2 + … + рn = 1. Это равенство означает, что при испытании одно из значений заведомо реализуется. Таблица показывает, как суммарная вероятность 100% распределяется по возможным значениям случайной величины. Отсюда термин "закон распределения".
Пример. Производятся три выстрела по цели. Вероят-
ность попадания при одном выстреле равна |
2 |
. Найти закон |
|||
3 |
|||||
|
|
|
|
||
распределения числа попаданий в цель. |
|
|
|||
Решение. Имеем схему |
|
Бернулли, |
|
где успехом |
|
|
2 |
|
|
|
|
является попадание в цель p = |
|
, число испытаний n = 3, |
|||
|
|||||
|
3 |
|
|
|
ξ – число успехов после трех испытаний. Требуется найти
32
закон распределения случайной величины x.
Пользуясь формулой Бернулли |
|
pk |
|
= P(ξ = k) = Cnk p k q n−k , |
|||||||||||||||||||||||
найдем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
0 |
|
1 |
|
3 |
|
1 |
|
|
||||||||||||||
p0 |
= P(ξ = 0) = C30 × |
|
|
|
|
|
|
× |
|
|
|
|
|
= |
|
|
|
|
, |
||||||||
|
|
|
|
|
|
|
27 |
||||||||||||||||||||
|
|
|
|
3 |
|
|
|
3 |
|
|
|
|
|
||||||||||||||
|
= P(ξ = 1) = C31 × |
2 |
|
|
1 |
3 |
|
|
|
|
|
|
|
6 |
|
|
|
|
|
|
|||||||
p1 |
|
|
× |
|
|
|
|
= |
|
|
|
|
, |
|
|
|
|
|
|||||||||
3 |
|
|
|
|
27 |
|
|
|
|
|
|||||||||||||||||
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
2 |
2 |
|
1 |
|
|
|
|
12 |
|
|
|
|
|
||||||||||
p2 |
= P(ξ = 2) = C32 × |
|
|
|
|
|
|
× |
|
|
|
|
= |
|
|
|
, |
|
|
||||||||
|
|
|
|
|
3 |
27 |
|
||||||||||||||||||||
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
2 3 |
1 |
|
0 |
|
8 |
|
|
|||||||||||||||||
p3 |
= P(ξ = 3) = C30 × |
|
|
|
|
|
× |
|
|
|
|
= |
|
|
. |
||||||||||||
|
|
|
|
|
|
|
27 |
||||||||||||||||||||
|
|
|
3 |
|
|
3 |
|
|
|
|
|
|
|
0 |
1 |
2 |
3 |
|
||||
Итого ξ : |
|
|
6 |
|
12 |
|
8 |
|
|
|
1 |
. |
|||||||
|
27 |
27 |
27 |
27 |
|
§3. Математическое ожидание дискретной случайной величины
При решении инженерных задач, связанных с расчетом случая, фундаментальную роль играют так называемые числовые характеристики случайных величин:
математическое ожидание и дисперсия. Математическое ожидание имеет смысл центрального значения случайной величины. дисперсия характеризует разброс значений случайной величины относительно центра. В этом и следующем параграфах мы изучим эти понятия для дискретной случайной величины.
Пусть ξ - дискретная случайная величина с законом распределения
x |
x |
|
.... |
x |
|
|
1 |
|
2 |
|
|
n |
. |
|
p2 |
.... |
|
|
|
|
p1 |
pn |
33
Математическим ожиданием случайной величины x
называется число:
М [ x ] = mξ = x1· p1 + x2 · p2 + … + xn · pn
(сумма произведений возможных значений на их вероятности).
Пример 1.
|
1 |
2 |
3 |
4 |
5 |
|
|
|
|
|
|
|
|
|
||||||
ξ 1 |
1 |
1 |
1 |
|
1 |
|
|
|
|
mξ |
||||||||||
: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
5 |
5 |
|
|
1 2 3 4 5 |
|||||||||||||
|
5 |
|
5 |
= 1 + 2 + 3 + 4 + 5 =
m 3 .
ξ5
Мы видим: если значения ξ равновозможны, то математическое ожидание совпадает со средним арифметическим возможных значений x.
Пример 2.
|
1 |
2 |
|
|
3 |
4 |
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
m |
ξ |
|
|
|
||||||
ξ 1 |
1 |
|
1 |
1 |
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 2 |
3 4 |
5 |
|||||||||||||
|
|
10 |
|
10 |
10 |
|
|
|
||||||||||||||||||||||||
|
10 |
|
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
mξ |
= 1× |
1 |
+ 2 × |
1 |
+ 3 × |
1 |
+ 4 × |
1 |
+ 5 × |
6 |
= 4 . |
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
10 |
|
|
10 |
|
10 |
10 |
|
|
|
10 |
|
|
|
|
|
Помнить: математическое ожидание характеризует центральное значение случайной величины с учетом возможных значений и их вероятностей: маловероятные значения вносят малый вклад в формирование математического ожидания, наиболее вероятные значения вносят основной вклад.
Свойства математического ожидания. 10. М [ a ] = а.
Математическое ожидание неслучайной величины равно самой величине.
20. М [ а x ] = a M [ x ].
Неслучайный множитель выносится за знак математического ожидания.
30. M [ x + h ] = M [ x ] + M [ h ].
34
Математическое ожидание суммы случайных величин
равно сумме математических ожиданий. |
|
|
|
|
|
||||||
40. |
Если x, h статистически независимы, то |
|
|
||||||||
|
M [ x · h ] = M [ x ] · M [ h ]. |
|
|
|
|
|
|
||||
Доказательство. |
|
|
|
|
|
|
|
||||
1. Имеем: |
a |
|
откуда получаем |
ma = 1· a = a. |
|
||||||
a : |
, |
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
2. Пусть |
|
|
|
|
|
|
|
|
|
||
x |
x |
|
K x |
|
ax |
ax |
|
K ax |
|
, |
|
ξ : 1 |
|
2 |
|
n |
, тогда aξ : |
1 |
|
2 |
|
n |
|
|
|
|
|
|
|
|
p2 |
|
|
|
|
p1 |
p2 K pn |
p1 |
K pn |
|
откуда М [ а x ] = ax1· p1 + ax2· p2 +…+ axn· pn = a M [ x ].
Для наглядности далее будем предполагать, что x, h принимают два возможных значения:
x |
|
x |
|
|
; |
|
ξ : |
1 |
|
|
2 |
|
|
|
|
|
p2 |
|
|
|
p1 |
|
|
|
|||
|
x |
+ y |
|
|
||
3. x + h : |
|
1 |
|
1 |
|
|
|
|
p11 |
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
y |
|
|
|
|
|
|
|
|||
h : |
|
1 |
|
|
|
2 |
|
|
|
|
|
|
||
|
|
|
|
|
|
. |
|
|
|
|
|
|||
|
|
q1 |
|
q2 |
|
|
|
|
|
|||||
x |
+ y |
2 |
|
x |
2 |
+ y |
x |
2 |
+ y |
|
; |
|||
1 |
|
|
|
|
|
|
1 |
|
|
2 |
||||
|
p12 |
|
|
|
|
|
p21 |
|
|
p22 |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
2 |
2 |
|
2 |
M [ x + h ] = ∑ pij (xi + y j ) = ∑ pij xi + ∑ pij y j = I1 + I2 ; |
||||
|
i, j=1 |
i, j=1 |
i, j=1 |
|
I1 = p11 x1 + p12 x1 + p21 x2 + p22 x2 = (p11 + p12)x1 + (p21 + p22)x2. |
||||
p11 + p12 = P(ξ = x1 |
иη = y1 ) + P(ξ = x1 |
иη = y2 ) = |
||
|
123 |
123 |
123 |
123 |
= P(ξ = x1 |
иη = y1 или y2 ) = P( AW) = P( A) = P(ξ = x1 ) = p1 ; |
|||
123 |
1442443 |
|
|
|
A |
W |
|
|
|
доказано: р11 + р12 = р1, аналогично получим: р21 + р22 = р2, тем самым I1 = p1x1 + p2x2 = M [ x ].
Также доказывается, что I2 = M [ h ].
4. В силу теоремы умножения для независимых
x × y x × y |
2 |
x |
2 |
× y x |
2 |
× y |
2 |
|
||||
|
1 |
1 |
1 |
|
1 |
|
|
|
||||
событий имеем: x · h : |
p1q1 |
p1q2 |
p2 q1 |
p2 q2 |
. |
|||||||
|
|
35
Тогда
M[ ξ · η ] = p1q1x1y1 + p1q2x1y2 + p2q1x2y1 + p2q2x2y2 =
=(p1x1 + p2x2) · (q1y1 + q2y2) = M [ ξ ] · M [ η ].
§4. Дисперсия дискретной случайной величины
Пусть |
|
|
|
|
|
|
x |
x |
|
K x |
|
|
; |
ξ : 1 |
|
2 |
|
n |
|
|
|
p2 |
|
|
|
|
|
p1 |
K pn |
|
||||
mξ = x1· p1 + x2 · p2 + … + |
xn · pn – математическое ожидание |
ξ(центр);
ξ– mξ – отклонение ξ от центра;
(ξ – mξ)2 – квадрат отклонения ξ от центра. Очевидно,
(ξ – m )2 |
|
(x1 |
− mξ ) |
2 |
(x2 − mξ ) |
2 |
K (xn − mξ ) |
2 |
|
|
: |
|
|
|
. |
||||||
ξ |
|
|
p1 |
|
p2 |
|
K |
pn |
|
|
|
|
|
|
|
|
|
Дисперсией дискретной случайной величины ξ называется математическое ожидание квадрата отклонений от центра:
D[ ξ ] = Dξ = M[(ξ – mξ)2] = p1 (x1– mξ)2 + p2 (x2– mξ)2 +…+ + pn(xn – mξ)2.
|
|
|
|
|
|
|
|
|
|
|
|
1 |
2 |
3 |
|
|
4 |
5 |
|
|
|
|
|
|
|
|||||||||||
|
Пример 1. |
ξ : |
|
1 |
1 |
1 |
|
|
1 |
1 |
|
, |
m = 3, |
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ξ |
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
5 |
|
|
5 |
5 |
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
|
|
|||||||||||||||
D = |
1 |
(1 − 3)2 |
+ |
1 |
(2 − 3)2 + |
1 |
(3 − 3)2 + |
1 |
(4 − 3)2 + |
1 |
(5 − 3)2 = 2 |
|||||||||||||||||||||||||
|
|
|
|
|
||||||||||||||||||||||||||||||||
ξ |
5 |
|
|
|
5 |
|
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
|
|
5 |
|
|
|
5 |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
Пример 2. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
1 |
2 |
|
3 |
|
|
4 |
|
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
ξ : |
1 |
6 |
|
1 |
|
1 |
|
, m = 3, D |
ξ |
= 1. |
|
|||||||||||||||||||||||
|
|
|
1 |
|
|
|
|
|
|
ξ |
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
10 |
10 |
|
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
10 |
|
|
|
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
36
Помнить: дисперсия характеризует разброс случайной величины относительно центра с учетом возможных значений и их вероятностей.
Свойства дисперсии: 10. D [ a ] = 0;
20. D [ a ξ ] = a2 Dξ;
30. если ξ, η статистически независимы, то
D [ ξ + η ] = D [ ξ ] + D [ η ]. 40. Dξ = M [ξ 2 ] – mξ2 .
Доказательство.
Первое и второе свойства непосредственно вытекают из определения и соответствующего свойства математического ожидания (доказать самостоятельно).
30. D [ ξ + η] = M [(ξ + η – mξ + η)2] = M [(ξ + η – mξ –
– mη)2] = M [(ξ – mξ+ η – mη)2] = M [(ξ– mξ)2 + (η – mη)2 + + 2(ξ– mξ)(η – mη)] = M [(ξ– mξ)2 ] + M [(η – mη)2] + 2 M [ξ –
– mξ ]·M[η – mη] = Dξ +Dη +2(mξ – mξ)(mη – mξ) = Dξ +Dη, что и требовалось.
Здесь существенно использовалась статистическая независимость случайных величин ξ – mξ, η – mη.
40. Dξ = M [(ξ– mξ)2 ] = M [ξ 2 – 2 ξ mξ + mξ2 ] = M [ξ 2] –
– 2 M [ξ ]· mξ + mξ2 = M [ξ 2] – mξ2 .
Величина
σξ = Dξ
называется среднеквадратическим отклонением (СКО)
случайной величины ξ . Очевидно, σξ имеет тот же смысл, что и Dξ – характеризует разброс случайной величины относительно центра с учетом возможных значений и их вероятностей. СКО имеет ту же физическую размерность, что и случайная величина ξ.
37
§ 5. Закон распределения и числовые характеристики непрерывной случайной величины
Мы знаем, что закон распределения дискретной случайной величины ξ задается таблицей, в которой перечислены ее возможные значения и указаны их вероятности. Для непрерывных случайных величин задание закона распределения в виде такой таблицы невозможно, так как в этом случае вероятности отдельных значений равны нулю.
Пример.
|
Испытание: берут наугад точку ξ на |
0 1 |
1 x числовой оси так, что значения на от- |
3резке [0, 1] равновозможны, остальные
ξ–
непрерывная случайная величина.
Найдем
|
1 |
|
благоприятная длина |
|
0 |
|
|
P ξ = |
|
|
= |
|
= |
|
= 0 . |
|
|
1 |
|||||
|
3 |
|
вся возможная длина |
|
|
Закон распределения непрерывной случайной величины может быть задан двумя способами:
1.с помощью функции распределения F (x);
2.с помощью плотности вероятности f (x).
Функция распределения
Пусть с испытанием связана непрерывная случайная величина ξ.
Зафиксируем произвольное число х. В
x |
зависимости |
от случая возможны |
|
||
|
три исхода испытания: |
|
|
ξ > x, ξ = x, |
ξ < x. |
Каждое из этих трех событий случайно, поэтому имеет смысл говорить об их вероятности. Обозначим
F (x) = P (ξ < x).
38
Функция F(x) называется функцией распределения случайной величины ξ.
F(x) 1
0 |
x |
Рис. 11
Свойства функции распределения
10. 0 ≤ F (x) ≤ 1;
20. F (x) монотонно не убывает (рис. 11); 30. F (– ∞) = 0, F (+ ∞) = 1;
40. P (α<ξ< β) = F (β) – F (α).
Доказательство.
1.Это свойство вытекает из того, что вероятность любого события есть число, принадлежащее [0, 1].
2.Это свойство вытекает из того, что при увеличении х
интервал ( – ∞, х) расширяется, поэтому вероятность попадания в этот интервал не уменьшается.
3. F (– ∞) = P(ξ < − ∞) = 0 ,
14243
Ο
F (+ ∞) = P(ξ < ∞) = 1.
123
Ω
4. Имеем: |
α |
β |
x |
|
F(β) = P (ξ < β) = P(ξ < α или ξ = α или ξ (α,β)) =
=P (ξ < α) + P (ξ = α) + P (ξ (α, β)) = F (α) + 0 + P (α<ξ< β).
Отсюда вытекает требуемое равенство 40.
Замечание. Функция распределения F (x) имеет смысл и для дискретных случайных величин. Например, функция распределения случайной величины
39
ξ : |
1 |
2 |
3 |
|
|
|
|
|
|
0,25 |
|
|
0,25 |
0,5 |
представляет собой кусочно-постоянную функцию, график которой изображен на рис. 12 (кружок означает, что в этом месте отсутствует точка на графике).
F (x)
1 |
|
|
|
|
0,5 |
|
|
|
|
0,25 |
|
|
|
|
0 |
1 |
2 |
3 |
x |
|
|
Рис. 12 |
|
|
Проверим это для случаев х >3, 2≤ х< 3. В первом случае имеем
F (x) = P (ξ < x) = P (ξ = 1 или ξ = 2 или ξ = 3) =
=P (ξ = 1) + P (ξ = 2) + P (ξ = 3) = 0,25 + 0,25 + 0,5 = 1.
Во втором случае
F (x) = P (ξ = 1 или ξ = 2) = Р (ξ = 1) + Р (ξ = 2) = = 0,25 + 0,25 = 0,5.
Оставшиеся случаи 1≤ х< 2, x<1 предлагаем рассмотреть самостоятельно.
Плотность вероятности
|
|
[ |
] |
Пусть с испытанием связана непрерыв- |
|
||||
|
||||
0 x |
x + х |
x ная случайная величина ξ. |
Плотностью вероятности случайной величины ξ в точке х называется предел отношения вероятности попадания в отрезок [x, x + x] к длине отрезка x при условии, что отрезок стягивается к точке х:
f (x) = lim |
P(ξ [x, x + x]) |
. |
|
||
x→0 |
x |
Нестрого говоря, плотность вероятности – это вероятность попадания в отрезок длины 1.
40