gumen_kurs / Теория / mono_a4 / MONO_A4
.PDFРаздел 10. Преобразования случайных величин
10.1Преобразование одной случайной величины
Мы будем рассматривать только преобразования случайных величин с абсолютно непрерывными распределениями. Пусть с. в. имеет функцию распределения F (x) и плотность распределения f (x). Построим с помощью функции g : R ! R случайную величину = g( ). Требуется найти функцию распределения и, если существует, плотность распределения .
Замечание 18. Плотность распределения случайной величины = g( ) существует далеко не при любых функциях g. Так, если функция g кусочно-постоянна, то с. в. имеет дискретное распределение, и плотность ее распределения не существует.
Упражнение 16. Привести пример случайной величины с абсолютно непрерывным распределением и непрерывной функции g такой, что = g( ) имеет
а) дискретное распределение; б) невырожденное дискретное распределение.
Плотность распределения g( ) заведомо существует, если, например, функция g монотонна («строго монотонна»). Вспомним, что означает «найти плотность распределения , если она существует».
По определению, если мы представим (для любого x) функцию распределения
x
R
в виде F (x) = h(y) dy, где подынтегральная функция h(y) неотрицательна,
1
то плотность распределения с. в. существует и в точности равна подынтегральной функции: f (x) = h(x).
Так что доказывать существование плотности распределения и находить ее мы будем одновременно, находя нужное интегральное представление для функции распределения.
Теорема 23. Пусть имеет функцию распределения F (x) и плотность распределения f (x), и постоянная a отлична от нуля. Тогда случайная величина = a + b имеет
плотность распределения f (x) = |
1 |
|
|
f |
|
|
x b |
. |
jaj |
|
a |
||||||
|
|
|
|
Доказательство. Пусть сначала a > 0.
|
|
a+b |
|
|
|
|
|
|
|
|
|
a |
|
|
|
|
a |
|
|
|
|
(x b)=a |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Z |
|
||||||||||||||
F |
(x) = F |
|
|
(x) = P(a + b < x) = P < |
x b |
= F |
|
x b |
= |
1 |
f (t) dt = |
|||||||||||||||||||
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
Замена: t = |
y b |
, |
dt = |
dy |
|
|
|
3 |
|
x |
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
y = |
|
|
|
Z |
a |
|
|
|
a |
|
|||||||||||||||
|
|
2 t = x b |
y = x, t = |
|
|
|
|
|
|
|
||||||||||||||||||||
|
= |
4 |
|
|
|
|
|
a |
|
|
a |
|
|
5 |
= |
|
1 |
|
|
f |
|
|
y |
b |
|
|
dy; |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
7! |
|
|
1 7! |
1 |
1 |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
a |
|
|
|
|
|
|
|
|
|
|
|
|
|
то есть при a > 0 случайная величина = a + b имеет абсолютно непрерывное распределение с плотностью
|
a |
|
|
a |
jaj |
|
a |
|||||
f (x) = |
1 |
|
f |
|
x b |
|
= |
1 |
|
f |
x b |
: |
|
|
|
|
|
|
50
Пусть теперь a < 0.
|
|
|
|
a+b |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Z |
|
|||||||
|
F |
(x) = F |
|
|
(x) = P(a + b < x) = P |
> |
x b |
= |
(x b)=a |
f |
(t) dt = |
||||||||||||||||
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
= |
Замена: t = |
y b |
, |
dt = |
dy |
, |
t = |
x b |
y = x, |
t = |
|
y = |
1 i |
= |
|||||||||||||
a |
|
|
|
||||||||||||||||||||||||
h |
|
|
|
|
|
|
|
a |
|
|
a |
7! |
|
|
|
|
1 7! |
|
|
|
|||||||
|
|
|
|
|
1 |
|
|
|
|
a |
|
x |
jaj |
|
|
a |
|
|
|
|
|||||||
|
|
|
|
|
Zx a |
|
|
Z |
|
|
|
||||||||||||||||
|
|
|
|
= |
|
1 |
|
|
f |
|
|
y b |
dy = |
1 |
|
|
f |
y b |
|
dy; |
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
то есть при a < 0 случайная величина = a + b имеет абсолютно непрерывное распре-
|
|
jaj |
|
|
a |
||
деление с плотностью f |
(x) = |
1 |
|
f |
|
x b |
. |
|
|
|
|
Для произвольной монотонной функции g (то есть такой, что для любых x1 < x2 ëèáî g(x1) < g(x2) (монотонно возрастающая функция), либо g(x1) > g(x2) (монотонно убывающая функция)) справедливо аналогичное теореме 23 утверждение.
Теорема 24. Пусть имеет функцию распределения F (x) и плотность распределения f (x), и функция g : R ! R монотонна. Тогда случайная величина = g( ) имеет плотность распределения
f (x) = |
|
1 |
|
f g 1(x) : |
||
jg0 |
g 1 |
(x) j |
||||
|
|
|
|
|
||
Здесь g 1 — функция, обратная к g, è |
|
1 |
|
= g 1(x) 0 — производная функции |
||
g0 |
g 1(x) |
g 1(x).
Упражнение 17. Доказать теорему 24.
Следующие утверждения сразу следуют из теоремы 23. Первое из них мы уже доказывали непосредственно. Доказать остальные.
Следствие 8. Åñëè = N0;1, òî = + a = Na;2 .
|
|
|
|
|
1 |
|
x |
|
a |
1 |
|
|
(x a)2 |
|||
|
|
|
|
|
|
|
|
|
p2 |
|
|
|||||
Доказательство. Действительно, f |
(x) = |
|
f |
|
|
|
= |
|
|
e |
2 2 . |
|||||
|
|
|
|
|
|
|
||||||||||
Следствие 9. |
Åñëè = N |
|
2 , òî = |
a |
= N |
|
. |
|
|
|
|
|
|
|||
|
|
a; |
|
|
|
|
0;1 |
|
|
|
|
|
|
|
||
Следствие 10. |
Åñëè = E , òî = = E1. |
|
|
|
|
|
|
|
|
10.2Функции от двух случайных величин
Пусть 1; 2 — случайные величины с плотностью совместного распределения f 1;2 (x1; x2), и задана функция g : R2 ! R. Требуется найти функцию (а если существует, то и плотность) распределения случайной величины = g( 1; 2).
51
Пользуясь тем, что вероятность случайному вектору попасть в область можно вы- числить как объем под графиком плотности распределения вектора над этой областью, сформулируем утверждение.
Теорема 25. Пусть x 2 R, и область Dx R2 состоит из точек (x1; x2) таких, что g(x1; x2) < x. Тогда случайная величина = g( 1; 2) имеет функцию распределения
F (x) = P g( 1 |
; 2) < x = P ( 1; 2) 2 Dx |
|
= ZZ f 1;2 (x1; x2) dx2 dx1: |
|
|
Dx |
Всюду далее в этой главе предполагается, что случайные величины 1 è 2 независимы, то есть f 1;2 (x1; x2) = f 1 (x1)f 2 (x2).
Следствие 11 (Формула свертки). Åñëè ñ. â. 1 è 2 независимы и имеют абсолютно непрерывное распределение с плотностями f 1 (x1) è f 2 (x2), то плотность распределения суммы 1 + 2 равна «свертке» плотностей f 1 è f 2 :
|
1 |
|
1 |
|
|
f 1+ 2 (t) = |
Z |
f 1 (u) f 2 (t u) du = |
Z |
f 2 (u) f 1 (t u) du |
(13) |
|
1 |
|
1 |
|
|
Доказательство. Воспользуемся утверждением теоремы 25 для функции g(x1; x2) = x1 +x2. Итегрирование по области Dx = f(x1; x2) : x1 +x2 < xg можно заменить последовательным вычислением двух интегралов: наружного – по переменной x1, меняющейся от 1 до 1, и внутреннего – по переменной x2, которая при каждом x1 должна быть меньше, чем x x1. Òî åñòü Dx = f(x1; x2) : x1 2 (1; 1); x2 2 (1; x x1)g. Поэтому
F 1+ 2 (x) = ZZ f 1;2 (x1; x2) dx2 dx1 |
= |
ZZ |
f 1 (x1) f 2 (x2) dx2 dx1 = |
|
|||
|
независ-ть |
|
|
1 0 x x1f 1 (x1) f 2 (x2) dx21 dx1 |
|||
Dx |
|
Dx |
= |
||||
|
|
|
|
Z |
@ |
Z |
A |
|
|
|
|
1 |
1 |
Сделаем в последнем интеграле замену переменной x2 íà t òàê: x2 = t x1. Ïðè ýòîì x2 2 (1; x x1) перейдет в t 2 (1; x), dx2 = dt. В полученном интеграле меняем, наконец, порядок интегрирования:
F 1+ 2 (x) = |
1 0 |
x f 1 (x1) f 2 (t |
|
x1) dt1 dx1 |
= |
x |
0 |
1 f 1 (x1) f 2 (t |
|
|
x1) dx1 |
1dt: |
||||||
|
Z |
Z |
|
|
|
A |
|
Z |
|
|
Z |
|
|
|
|
A |
||
|
1 @ 1 |
|
|
|
1 @ 1 |
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
| |
|
x |
{z |
|
|
|
|
|
} |
|
|
|
|
|
|
|
|
|
|
|
f 1 |
+ 2 (t) |
|
|
|
|
|
|
|
|
|
1 |
|
|
|
1 |
1 |
(x) |
R1 |
|
(t) dt, ãäå |
||||||
Итак, мы представили функцию распределения |
F + 2 |
â âèäå |
f 1+ 2 |
|||||||||||||||
|
f 1+ 2 (t) = |
Z |
f 1 (x1) f 2 (t x1) dx1 = |
Z |
f 1 (u) f 2 (t u) du: |
|
|
|
|
|||||||||
|
|
|
1 |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
Второе равенство получается либо из первого заменой переменных, либо если всюду в доказательстве поменять местами индексы 1 è 2.
Следствие 11 не только предлагает формулу для вычисления плотности распределения суммы, но и утверждает (заметьте!), что сумма двух независимых случайных величин с абсолютно непрерывными распределениями также имеет абсолютно непрерывное распределение. Для тех, кто уже ничему не удивляется, упражнение: привести пример двух случайных величин с абсолютно непрерывными распределениями, таких что их сумма имеет вырожденное распределение.
52
Если даже одна из двух независимых случайных величин имеет дискретное, а вторая
– абсолютно непрерывное распределение, то их сумма тоже имеет абсолютно непрерывное распределение, как показывает следующее упражнение.
Упражнение 18. Пусть с. в. имеет таблицу распределения P( = ai) = pi, с. в. имеет плотность распределения f (x), и эти величины независимы. Доказать, что +
P
имеет плотность распределения f + (x) = pif (x ai).
i
10.3Примеры использования формулы свертки
Пример 27. Пусть независимые случайные величины и имеют стандартное нормальное распределение. Докажем, что их сумма имеет нормальное распределение с параметрами 0 и 2.
Доказательство. По формуле свертки, плотность суммы равна
|
|
1 |
|
|
1 |
|
|
1 |
|
2 |
|
x2 |
|
f |
(x) = |
Z |
1 |
e 21 u2 e 21 (x u)2 du = |
Z |
1 |
e 21 (2u2+x2 2xu)du = |
Z |
1 |
e u |
+ |
2 |
xu du: |
2 |
2 |
2 |
|
||||||||||
+ |
|
|
|
|
|
|
|
||||||
|
|
1 |
|
|
1 |
|
|
1 |
|
|
|
|
|
Выделим полный квадрат по u в показателе экспоненты: u2 + x22 Тогда
f + (x) = e |
x2 |
1 |
2 e (u |
2 ) |
2 |
du = e |
x2 |
1 |
2 e v |
dv = |
2p e |
x2 1 |
|||
4 |
Z |
|
4 |
Z |
Z |
||||||||||
|
|
1 |
x |
|
|
|
1 |
2 |
|
1 |
|
|
4 |
xu = u x2 2 + x42 .
1 2 |
|
1 |
|
|
|
x2 |
||
|
|
|
4 |
|||||
p |
|
e v |
dv = |
2p |
|
e |
|
: |
|
|
|
1 1 1
Последнее равенство верно поскольку под интегралом стоит плотность нормального
1
распределения с параметрами 0 и p2 , так что интеграл по всей прямой равен 1. Итак, мы получили, что плотность суммы есть плотность нормального распределения с параметрами 0 и 2.
Если сумма двух независимых случайных величин из одного и того же распределения (возможно, с разными параметрами) имеет такое же распределение, говорят, что это распределение устойчиво относительно суммирования.
В следующих утверждениях, доказать которые предлагается читателю, перечислены практически все устойчивые распределения. Еще с одним из них (распределением 2) читатель познакомится в курсе математической статистики.
Лемма 4. |
Пусть |
случайные |
величины |
= |
è |
= |
независимы. |
Тогда |
+ = + . |
|
|
|
|
|
|
|
|
Лемма 5. |
Пусть |
случайные |
величины |
= Bn;p |
è |
= Bm;p |
независимы. |
Тогда |
+ = Bn+m;p. |
|
|
|
|
|
|
|
|
Лемма 6. |
Пусть случайные величины = Na1; 12 |
è = Na2; 22 |
независимы. |
Тогда |
||||
+ = Na1+a2; 12+ 22 . |
|
|
|
|
|
|
|
Лемму 6 мы докажем позднее, используя аппарат характеристических функций, хотя при некотором терпении можно попробовать доказать ее с помощью формулы свертки, как в примере 27.
Показательное распределение не устойчиво по суммированию, однако его можно считать частным случаем гамма-распределения, которое уже в некотором смысле устой- чиво относительно суммирования.
53
Определение 38. Случайная величина имеет гамма-распределение ; с парамет-
рами > 0; > 0, если она имеет плотность распределения |
|
|
|||||||||||||||||
|
|
|
|
|
f (x) = |
(c x 1e x; |
ïðè x > 0; |
|
|||||||||||
|
|
|
|
|
|
|
|
|
0; |
|
|
|
ïðè x 6 0; |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
1 |
||
|
c вычисляется из условия |
R |
|
|
|
|
|
R |
x 1e x dx = 1, òî åñòü |
||||||||||
где постоянная |
1 |
f (x) dx = c |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
c = |
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
( ) |
|
|
|
|
R0 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
при |
|
целых |
|
|
|
|
|
и |
|
|
|
. |
|
1) |
— гамма-функция Эйлера; |
|
|
|
|
Здесь |
( ) = |
1x |
|
1e |
x dx = ( |
|
1) ( |
|
||||||||
|
|
|
|
k |
|
(k) = (k 1)! |
|
(1) = 1 |
|
|
|
|
Заметим, что показательное распределение E есть гамма-распределение ;1.
Лемма 7. Пусть независимые случайные величины 1; : : : ; n имеют показательное распределение E = ;1. Тогда 1 + + n = ;n.
Доказательство. Докажем утверждение по индукции. При n = 1 оно верно в силу равенства E = ;1. Пусть утверждение леммы справедливо для n = k 1. Докажем, что оно верно и для n = k. По предположению индукции Sk 1 = 1 + + k 1
то есть имеет плотность распределения
|
|
fSk 1 |
(x) = |
80; k 1 |
k |
2 |
|
x |
|
ïðè x 6 0; |
|||||
|
|
|
|
< |
|
|
|
x |
e |
|
; |
ïðè x > 0: |
|||
|
|
|
|
(k |
|
2)! |
|
||||||||
|
|
|
|
|
|
|
|
|
|
= |
+ |
|
+ |
||
Тогда по формуле свертки |
плотность суммы S |
k |
|
||||||||||||
|
: |
|
|
|
|
|
|
1 |
|
|
k равна |
||||
|
1 |
|
|
|
|
|
|
|
1 |
|
|
|
|
||
|
|
|
|
|
|
|
|
k |
1 |
|
|
||||
fSk (x) = |
Z |
fSk 1 (u)f k (x u) du = |
Z |
|
|
uk 2e uf k (x u) du: |
|||||||||
(k 2)! |
|||||||||||||||
|
1 |
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
Òàê êàê f k (x u) = 0 при x u < 0, то есть при u > x, то плотность под интегралом отлична от нуля, если переменная интегрирования изменяется в пределах 0 6 u 6 x. Поэтому
x |
(k 2)! |
x |
(k 2)! uk 2 du = |
(k 1)! xk 2e x: |
fSk (x) = Z0 |
uk 2e u e (x u) du = e x Z0 |
|||
|
k 1 |
|
k |
k |
Òî åñòü Sk = ;k, что и требовалось доказать.
54
«Если я имею одинаковые шансы на получение a или b, то цена моему ожиданию равна (a+b)=2».
Õ ð è ñ ò è à í Ã þ é ã å í ñ, О расчетах в азартной игре (1657)
Раздел 11. Числовые характеристики случайных величин
11.1Математическое ожидание случайной величины
Определение 39. Математическим ожиданием E (средним значением, первым моментом) случайной величины с дискретным распределением, задаваемым таблицей P( = ai) = pi, i 2 Z, называется число
XX
E = |
aipi = |
aiP( = ai); если указанный ряд абсолютно сходится. |
ii
Åñëè æå Pjaijpi = 1, то говорят, что математическое ожидание не существует.
i
Определение 40. Математическим ожиданием E (средним значением, первым моментом) случайной величины с абсолютно непрерывным распределением с плотностью распределения f (x), называется число
1 |
|
E = Z |
xf (x) dx; если указанный интеграл абсолютно сходится. |
1 |
|
1 |
|
R
Если же jxjf (x) dx = 1, то говорят, что математическое ожидание не существует.
1
Математическое ожидание имеет простой физический смысл: если на прямой разместить единичную массу, поместив в точки ai массу pi (для дискретного распределения), или «размазав» ее с плотностью f (x) (для абсолютно непрерывного распределения), то точка E есть координата «центра тяжести» прямой.
Пример 28. Пусть случайная величина равна числу очков, выпадающих при одном
|
6 |
1 |
|
||
подбрасывании кубика. Тогда E = |
X |
= 3:5: в среднем при одном подбрасывании |
|||
k |
|
||||
k=1 |
6 |
||||
кубика выпадает 3:5 очка! |
|
|
|
||
|
|
|
|
Пример 29. Пусть случайная величина — координата точки, брошенной наудачу
|
Za |
b |
1 |
|
a+b |
|
|
|
на отрезок [a; b]. Тогда E = |
x |
dx = |
: |
центр тяжести равномерного |
||||
|
|
|||||||
b a |
2 |
распределения на отрезке есть середина отрезка!
11.2Свойства математического ожидания
Во всех свойствах предполагается, что рассматриваемые математические ожидания существуют.
E0. Математическое ожидание случайной величины есть ЧИСЛО!
55
E1. Для произвольной функции g : R ! R
8
X
>g(ak)P( = ak); если распределение дискретно;>
E g( ) = |
> |
1 |
|
|
> |
k |
|
|
< |
Z |
|
|
> |
1 g(x)f (x) dx; |
если распределение абсолютно непрерывно. |
|
> |
|
|
|
> |
|
|
|
> |
|
|
|
: |
|
|
Доказательство. Мы докажем это свойство (как и почти все дальнейшие) только для дискретного распределения. Пусть g( ) принимает значения c1; c2; : : : с вероятностями
X
P(g( ) = cm) = |
P( = ak). Тогда |
|
|
|
||
X |
k:g(ak)=cm |
|
k:g(Xk |
|
|
|
X |
cm |
m |
|
|||
E g( ) = cmP(g( ) = cm) = |
|
|
P( = ak) = |
|
||
m |
m |
|
a )=c |
|
|
X |
|
= |
Xk:g(Xk |
|
m |
||
|
|
|
|
g(ak)P( = ak) = |
g(ak)P( = ak): |
|
|
|
m |
a )=c |
|
k |
|
|
|
|
|
E2. Математическое ожидание постоянной равно этой постоянной: E c = c.
E3. Постоянную можно вынести за знак математического ожидания: E (c ) = cE .
Доказательство. Следует из свойства E1 ïðè g(x) = cx.
E4. Математическое ожидание суммы любых случайных величин и равно сумме их математических ожиданий:
E ( + ) = E + E :
Доказательство. Для величин с дискретным распределением: пусть xk è yn — зна- чения и , соответственно. Для функции g : R2 ! R можно доказать свойство, аналогичное E1 (сделать это! ). Пользуясь этим свойством для g(x; y) = x + y, запишем:
|
X |
X |
|
X |
|
|
|
|
|
|
|
|
|
|
E ( + ) = (xk + yn)P( = xk; = yn) = |
xk |
P( = xk; = yn) + |
|
|||||||||||
|
k;n |
k |
| |
n |
|
{z |
|
|
|
|
|
} |
|
|
|
|
|
|
P( =xk) |
|
|
|
|
|
|
|
|||
|
|
|
+ yn |
|
P( = xk; = yn) = E + E : |
|||||||||
|
|
|
|
n |
k |
|
|
|
|
|
|
|
||
|
|
|
X |
X |
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
P |
|
=y |
|
) |
|
|
|
|
|
|
|
| |
|
|
|
( |
{z |
n |
|
} |
|
|
E5. |
Åñëè > 0 ï.í. («почти наверное», то есть с вероятностью 1: |
P( > 0) = 1), |
||||||||||||
|
||||||||||||||
|
òî E > 0; |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Åñëè > 0 ï.í., è ïðè ýòîì E = 0, |
òî = 0 ï.í., òî åñòü P( = 0) = 1. |
||||||||||||
|
Упражнение. Доказать для дискретного распределения! |
|
|
|
|
|
|
|
||||||
|
Следствие 12. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Åñëè 6 ï.í., òî E 6 E . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Åñëè 6 ï.í., è ïðè ýòîì E = E , òî = ï.í. |
|
|
|
|
|
|
|
||||||
E6. Математическое |
ожидание произведения |
независимых |
случайных |
величин рав- |
||||||||||
|
но произведению |
их математических |
ожиданий: åñëè |
и независимы, то |
||||||||||
|
E ( ) = E E . |
|
|
|
|
|
|
|
|
|
|
|
|
|
56
Доказательство. |
X X |
|
||
|
X |
|
||
E ( ) = |
(xkyn)P( = xk; = yn) = |
|
xk |
ynP( = xk)P( = yn) = E E : |
|
k;n |
k |
n |
|
Замечание 19. |
Обратное утверждение |
ê |
свойству E6 неверно: из равенства |
E ( ) = E E не следует независимость величин и .
Пример 30. Пусть ' = U0;2 , = cos ', = sin ' — заведомо зависимые случайные величины (доказать!). Но математическое ожидание их произведения равно произведению их математических ожиданий: по свойству E1
2 |
1 |
|
|
2 |
1 |
|
E = Z0 |
|
cos x dx = 0; E = Z0 |
|
sin x dx = 0; |
||
2 |
2 |
|||||
|
|
2 |
1 |
|
|
|
E = Z0 |
|
cos x sin x dx = 0 = |
E E : |
|||
2 |
11.3Моменты старших порядков. Дисперсия
Определение 41. Åñëè E j jk < 1, то число
E k называется моментом порядка k (k-м моментом) случайной величины ;
E j jk называется абсолютным моментом порядка k (абсолютным k-м моментом) случайной величины ;
E ( E )k называется центральным моментом порядка k (центральным k-м моментом) случайной величины ;
E j E jk называется абсолютным центральным моментом порядка k (абсолютным центральным k-ì моментом) случайной величины .
Число D = E ( E )2 (центральный момент порядка 2) называется дисперсией случайной величины
Пример 31. Пусть, скажем, случайная величина принимает значение 0 с вероятностью 1 10 5, и значение 100 с вероятностью 10 5. Посмотрим, как моменты разных порядков реагируют на большие, но маловероятные значения случайной величины.
E = 0 (1 10 5) + 100 10 5 = 10 3; |
E 2 = 02 (1 10 5) + 1002 10 5 = 10 1; |
E 4 = 04 (1 10 5) + 1004 10 5 = 1000; |
E 6 = 06 (1 10 5) + 1006 10 5 = 10000000: |
Пример 32. Дисперсия D = E ( E )2 есть «среднее значение квадрата отклонения случайной величины от своего среднего». Посмотрим, за что эта величина отвечает.
Пусть случайная величина принимает значения 1 с вероятностью 1=2, а слу- чайная величина — значения 10 с вероятностью 1=2. Тогда E = E = 0, поэтому D = E 2 = 1, D = E 2 = 100. Говорят, что дисперсия характеризует степень разброса значений случайной величины вокруг ее математического ожидания.
Если говорить о распределении случайной величины, как о распределении единичной массы по невесомому стержню, то дисперсия есть в точности момент инерции этого стержня, закрепленного в центре тяжести.
57
p
Определение 42. Если дисперсия величины конечна, то число = D называют
среднеквадратическим отклонением случайной величины .
Чтобы прояснить связь моментов разных порядков, докажем несколько неравенств.
Теорема 26 (Неравенство Йенсена).
Пусть функция g : R ! R выпукла (âíèç :-)) ). Тогда для любой случайной величины с конечным первым моментом
E g( ) > g(E ):
Нам понадобится следующее свойство выпуклых функций (то есть таких, что для любых a < b при всяком 2 [0; 1] верно g(a) + (1 )g(b) > g( a + (1 )b)):
Лемма 8. Пусть функция g : R ! R выпукла. Тогда для всякого y найдется число c(y) такое, что при всех x
|
|
|
g(x) > g(y) + c(y)(x y): |
|
|
|
|
|
|
|||
Доказательство (предложено Дебеловым Алексеем, гр.871). |
|
|
|
|||||||||
Положим c(y) = inf |
x>y |
g(x) g(y) |
> 1 |
. Тогда g(x) |
|
g(y) |
> |
c(y)(x |
|
y) ïðè x > y. |
||
|
x |
|
y |
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
Докажем, что это неравенство верно и при x < y, и заодно покажем, что c(y) конечно.
Пусть x1 < y. |
Тогда y принадлежит отрезку [x1; x2] |
для любого x2 |
|
> y, òî åñòü |
||||||||||||||||||||||||||||||||||||
существует 2 [0; 1] такое, что |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y x1 |
|
|
|
|
|
|
||||||||||||||
|
|
|
y = |
x |
+ (1 |
|
|
) |
x ; |
èëè |
|
|
x |
2 |
= |
: |
|
|
|
|
(14) |
|||||||||||||||||||
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|||||||||
Но в силу выпуклости функции g |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
g(y) |
6 |
|
|
g(x |
) + (1 |
|
) |
|
g(x |
); |
|
èëè |
|
g(x ) |
> |
g(y) g(x1) |
: |
(15) |
||||||||||||||||||||||
|
|
1 |
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
2 |
|
|
|
1 |
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
g(x2) g(y) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
Вспомним, что c(y) |
= |
infx2 |
>y |
|
и подставим вместо g(x2) è x2 |
выражения, |
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
x2 y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
стоящие в правой части формул (15) и (14), соответственно: |
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
g(x2) g(y) |
|
|
|
|
g(y) g(x1) |
|
g(y) |
|
|
|
g(y) g(x1) |
|
|
|
|||||||||||||||||||||
c(y) = inf |
|
|
> |
|
|
1 |
|
|
|
|
|
|
= |
|
: |
|
|
|||||||||||||||||||||||
|
|
x2>y |
|
x2 y |
|
|
|
|
|
|
|
|
|
y x1 |
|
y |
|
|
|
|
|
|
|
|
y x1 |
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Последнее выражение заведомо конечно, то есть c(y) > 1. Более того, мы получили, что требуемое неравенство выполнено и для x < y:
c(y) |
> |
|
g(y) g(x1) |
для любых x |
|
< y; |
òî åñòü g(x |
) |
> |
g(y) + c(y)(x |
1 |
y): |
y x1 |
|
|||||||||||
|
|
|
1 |
|
1 |
|
|
|
||||
Доказательство теоремы 26. |
Возьмем в условиях леммы y = E , x = . Тогда g( ) > |
g(E ) + c(E )( E ). Вычислим математическое ожидание обеих частей неравенства. Так как E ( E ) = 0, и неравенство между математическими ожиданиями сохраняется по следствию 12, òî E g( ) > g(E ).
Следующее свойство показывает, что из существования моментов больших порядков следует существование моментов меньших порядков.
58
Следствие 13. Åñëè E j jt < 1, то для любого 0 < s < t
(E j js)t 6 (E j jt)s
Доказательство. Поскольку 0 < s < t, то g(x) = jxjt=s — выпуклая функция. По неравенству Йенсена для = j js,
g(E ) = (E )t=s = (E j js)t=s 6 E g( ) = E j jt=s = E j js t=s = E j jt:
Возведя обе части неравенства в степень s, получим требуемое неравенство.
В частности, конечность второго момента (или дисперсии) влечет существование математического ожидания.
q
Следствие 14. Åñëè E j jk < 1 при некотором k > 1, òî E j j 6 k E j jk.
11.4Свойства дисперсии
Все свойства дисперсии следуют из соответствующих свойств математического ожидания.
D1. D = E 2 (E )2.
|
Действительно, |
|
|
|
|
||
|
D = E ( E )2 = E 2 2 E + (E )2 = E 2 2E E + (E )2 = E 2 (E )2: |
||
D2. |
D (c) = c2D . |
Доказать! |
|
D3. |
D > 0; |
|
|
|
D = 0 если и только если = const п.н. |
||
|
Доказательство. |
Дисперсия есть |
всего-навсего математическое ожидание п.н. |
неотрицательной с.в.: D = E ( E )2, и неотрицательность дисперсии следует из свой- |
|||
ñòâà E5. |
|
|
|
По тому же свойству, D = 0 если и только если ( E )2 = 0 ï.í., òî åñòü = ï.í. |
|||
D4. |
Дисперсия не меняется от сдвига с.в. на постоянную: D ( + c) = D . Доказать! |
||
D5. |
Если и независимы, то D ( + ) = D + D . |
Действительно,
D ( + ) = E ( + )2 (E ( + ))2 = E 2 + E 2 + 2E ( ) (E )2 (E )2 2E E = D + D ;
так как математическое ожидание произведения независимых с.в. равно произведению их математических ожиданий.
Замечание 20. См. замечание 19.
D6. Минимум среднеквадратического отклонения случайной величины от точек ве-
щественной прямой есть среднеквадратическое отклонение от своего математи-
ческого ожидания: D = E ( E )2 = min E ( a)2.
a
Наименьший момент инерции стержня с распределенной на нем единичной массой получится, если точка вращения — центр тяжести стержня, а не любая другая точка.
59