Мишулина Основы теории вероятностей 2011
.pdf2.Докажите свойство линейности оператора математического ожидания для случайного вектора непрерывного типа.
3.Чему равно математическое ожидание разности двух случайных величин?
4.Чему равно математическое ожидание случайного вектора Y AX , где X – случайный вектор размерности n, а А – неслучай-
ная матрица размерности [m×n]?
5.Чему равно математическое ожидание произведения неза-
висимых случайных величин Xi, i 1, n ?
6. |
Напишите расчетную формулу для |
n |
|
и приведите |
D ci Xi |
||||
|
|
i 1 |
|
|
ее доказательство. |
|
|
|
|
7. |
|
n |
|
в векторно- |
Запишите расчетную формулу для D ci Xi |
||||
|
|
i 1 |
|
|
матричной форме.
8.Как изменится дисперсия скалярной случайной величины, если ее отмасштабировать с помощью коэффициента с?
9.Является ли равенство нулю ковариационного момента случайных величин X1 и X2 необходимым условием их независимости?
10.Следует ли из равенства нулю ковариационного момента случайных величин X1 и X2 их независимость?
11.Справедливо ли равенство:
k12 = M[ X 1 X 2 ] M[ X 1 X 2 ] ?
12.Какими свойствами обладает ковариационная матрица случайного вектора с независимыми компонентами?
13.Какими свойствами обладает корреляционная матрица случайного вектора с независимыми компонентами?
14.Чему равна дисперсия суммы попарно независимых случайных величин?
15.Докажите, что D[X1 X2 ] D[X1 X2 ] .
16.Какова область возможных значений коэффициента корреляции случайных величин? Приведите доказательство.
151
17. Является ли равенство | r12 | 1 необходимым условием ли-
нейной зависимости случайных величин X1 и X2 ? Приведите доказательство.
18. Является ли равенство | r12 | 1 достаточным условием ли-
нейной зависимости случайных величин X1 и X2 ? Приведите доказательство.
19.Чему равен коэффициент корреляции r12 , если случайные величины X1 и X2 связаны равенством X1 3 X 2 5 ?
20.Случайный вектор X = col(X1, X2) имеет математическое ожидание mX= col( mX1 , mX 2 ) и ковариационную матрицу
|
3 |
2 |
|
K |
2 |
4 |
. |
|
|
Чему равна дисперсия случайной величины Y = 2X – 3Y + 3?
§ 26. Условные моменты случайного вектора
Рассмотрим двумерный случайный вектор X = col(X1 , X2) непрерывного типа с совместной плотностью распределения вероятностей f X1, X 2 (x1, x2 ) . В § 23 было введено понятие условной плот-
ности распределения вероятностей случайной величины X1 относи-
тельно условия X2 = x2: f X1 | X 2 (x1 | x2 ) .
Условное математическое ожидание произвольной функции ξ(X1) случайной величины X1 при условии, что случайная величина X2 приняла значение x2 , определяется следующим выражением:
|
|
M[ ( X1) | X 2 x2 ] (x1) f X1| X 2 (x1 | x2 ) dx1 . |
(3.102) |
- |
|
Если ξ(X1) = X1 , то получим условное математическое ожидание случайной величины X1 относительно события X2 = x2:
mX1| X 2 (x2 ) M[X1 | X 2 x2 ] x1 f X1| X 2 (x1 | x2 ) dx1 . (3.103)
-
152
Функция mX |
1 |
| X |
2 |
(x2 ) |
называется регрессией случайной величины X1 |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
на X2 . В частности, функция |
mX |
1 |
| X |
2 |
(x2 ) может быть линейной: |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
mX |
1 |
| X |
2 |
(x2 ) = a x2 b . |
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Тогда a и b называются коэффициентами линейной регрессии. |
||||||||||||||||||
Поскольку X2 является случайной величиной, то можно усред- |
||||||||||||||||||
нить значения |
mX |
1 |
| X |
2 |
(x2 ) |
с плотностью f X |
2 |
(x2 ) . Результатом |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
усреднения будет безусловное математическое ожидание случайной величины X1:
|
|
|
|
M X 2 [mX1| X 2 |
( X 2 )] mX1| X 2 (x2 ) f X 2 (x2 ) dx2 |
mX1 . |
(3.104) |
|
|
|
|
Справедливость приведенного равенства показывается прямой подстановкой выражения (3.103) для mX1 | X 2 (x2 ) в (3.104) и ис-
пользованием свойств (3.32) и (3.49) совместной плотности распре-
деления f X1, X 2 (x1, x2 ) .
Заметим, что в случае независимости случайных величин X1 и X2
mX1 | X 2 (x2 ) mX1 ,
т.е. условное и безусловное математические ожидания случайной величины X1 совпадают.
Если в формуле (3.102) положить |
( X1 ) ( X1 |
mX |X |
2 |
(x2 ))2 |
, |
|
|
1 |
|
|
то получим выражение для условной дисперсии случайной величины X1 относительно события X2 = x2:
|
d |
X |
| X |
|
|
(x ) M[( X |
1 |
m |
X |X |
|
(x ))2 |
| X |
2 |
x ]. |
(3.105) |
|||
|
|
2 |
2 |
|
|
2 |
|
2 |
|
2 |
|
|||||||
|
|
1 |
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|||
Величина |
d X |X |
2 |
(x2 ) |
называется |
также |
остаточной |
дисперсией |
|||||||||||
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
случайной величины X1 при X2 = x2. Она отражает ту меру неопределенности (рассеяния) значения случайной величины X1 , которая осталась после измерения X2 = x2. Средняя остаточная дисперсия
|
|
|
|
|
|
|
|
d X |
|
|
|
(x2 ) |
d X |X |
2 |
вычисляется усреднением условной дисперсии |
1 |
| X |
2 |
|||||||
1 |
|
|
|
|
|
|
|
|||||
по значениям случайной величины X2: |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M X 2 [d X1| X 2 ( X 2 )] d X1| X 2 (x2 ) f X 2 (x2 ) dx2 |
|
d |
X1| X 2 . |
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
153 |
Функция регрессии mX1 | X 2 (x2 ) является наилучшей в средне-
квадратичном смысле оценкой значения случайной величины X1, если известно значение X2 = x2:
M[( X1 mX1|X 2 (x2 ))2 ] min M[( X1 h (x2 ))2 ] .
h( x2 )
Это свойство широко используется в теории статистического оценивания и прикладных задачах статистики.
Приведенные определения и свойства условных моментов, рассмотренные выше для случайных величин непрерывного типа, справедливы и для дискретных случайных величин.
Обобщим понятие условного математического ожидания на случайные векторы X = col(X'Т, X"Т), X' = col(X1, X2, …, Xm), X" = col(Xm+1, Xm+2, …, Xn). Условным математическим ожиданием
mX i | X"(x") случайной величины Xi , i 1, m , при условии, что слу-
чайная величина X" приняла значение x", называется: mX i | X"(x") mX i | X"(xm 1, xm 2 , ..., xn )
|
n |
|
(3.106) |
|
|||
M Xi | |
( X k xk ) . |
|
|
|
k m 1 |
|
|
Вектор условного математического ожидания mX'|X"(x") определяется выражением:
mX'|X"(x") = col( mX1| X" (x"), mX 2| X" (x"), ..., mX m| X" (x") )
и называется функцией регрессии вектора X' на вектор X".
Пример 3.14. В примере 3.9 было рассмотрено дискретное распределение вероятностей двух статистически зависимых случайных величин X1 и X2 на множестве возможных значений {0, 1, 2} каждой из них. Для расчета условных математических ожиданий mX1 | X 2 (x2 ) , x2 = 0, 1, 2, используем формулу
2
mX1 | X 2 (x2 ) = i1 pX1 | X 2 (i1 | X 2 x2 ) .
i1 0
Воспользуемся фрагментом табл. 3.7, в котором приведены необходимые для расчетов безусловные и условные распределения случайных величин X1 и X2 :
154
1 |
|
|
|
|
|
|
x1i , x2i |
|
|
|
|
|
|
0 |
|
|
1 |
|
|
2 |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
2 |
|
|
|
|
|
|
p |
X1 |
(i ) |
|
|
|
|
|
|
0,08 |
0,40 |
|
0,52 |
|||
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
p |
X 2 |
(i ) |
|
|
|
|
|
0,38 |
0,34 |
|
0,28 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
p |
X1 |
| X 2 |
(i | X |
2 |
0) |
|
|
0,0 |
0,474 |
|
0,526 |
||||||
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
5 |
|
|
|
|
p |
X1 | X 2 |
(i | X |
2 |
1) |
|
|
0,088 |
0,412 |
|
0,500 |
|||||||
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
||||
6 |
|
|
|
|
p |
X1 |
| X 2 |
(i | X |
2 |
2) |
|
|
0,178 |
0,286 |
|
0,536 |
||||||
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Расчет регрессии X1 на X2 приводит к следующему результату: |
||||||||||||||||||||||
mX |
1 |
| X |
2 |
(0) |
= 1,526; |
mX |
1 |
| X |
2 |
(1) |
= 1,412; |
mX |
1 |
| X |
2 |
(2) = 1,354. |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Проверим выполнение равенства (3.104), согласно которому ус-
реднение mX |
1 |
| X |
2 |
(x2 ) |
по значениям случайной величины X2 при- |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
водит к безусловному математическому ожиданию mX |
1 |
. С этой |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
целью рассчитаем |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
M X |
2 |
[mX |
1 |
| X |
2 |
( X 2 )] |
mX |
1 |
| X |
2 |
(i2 ) pX |
2 |
(i2 ) |
|
|
||
|
|
|
|
|
|
i2 0 |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
с использованием приведенного во фрагменте таблицы распределения pX 2 (i2 ) :
M X 2 [mX1|X 2 ( X 2 )] = 0,38·1,526 + 0,34·1,412 + 0,28·1,354 = 1,44.
Проведем расчет математического ожидания mX1 :
2
mX1 = i1 pX1 (i1) = 0·0,08 + 1·0,40 + 2·0,52 = 1,44.
i1 0
Равенство (3.104) выполнено.
Контрольные вопросы и задачи
1. Что называется условным математическим ожиданием произвольной функции ξ(X1) случайной величины X1 при условии, что случайная величина X2 приняла значение x2? Напишите определение для случайных величин непрерывного и дискретного типов.
155
2.Что называется регрессией случайной величины X1 на X2?
3.Напишите выражение для линейной регрессии X1 на X2 .
4.Как безусловное математическое ожидание mX1 случайной
величины X1 связано с условным математическим ожиданием mX1| X 2 (x2 )? Приведите доказательство.
5.Чему равно условное математическое ожидание случайной
величины X1 относительно X2 в случае независимости случайных величин? Приведите доказательство.
6.Что называется остаточной дисперсией случайной величины X1 при X2 = x2?
7.Как вычисляется средняя остаточная дисперсия X1 относи-
тельно X2?
8.Какое свойство функции регрессии X1 на X2 широко используется в теории статистического оценивания и прикладных задачах статистики?
9.Как обобщается понятие функции регрессии на векторные случайные величины?
10.Напишите общее выражение для функции линейной регрес-
сии случайной величины X1 на вектор X' = col(X2, X3, …, Xn).
§ 27. Характеристическая функция случайного вектора
Понятие характеристической функции скалярной случайной величины, введенное в § 18, обобщается на векторные случайные величины.
Характеристической функцией n-мерного случайного вектора
X = col(X1, X2, …, Xn) |
|
называется |
комплексная |
функция |
|||||||||
X ( 1, 2 , ..., n ) n действительных аргументов λ1, λ2, …, λn : |
|||||||||||||
|
|
|
|
|
|
|
|
|
j i X i |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
( , |
|
, ..., |
|
) M |
|
e |
i 1 |
|
. |
(3.107) |
|
X |
2 |
n |
|
|
|||||||||
|
1 |
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Определение (3.107) можно записать в краткой векторной форме:
(λ) M[ e jλT X], |
(3.108) |
X
где λ = col(λ1, λ 2, …, λ n).
156
Отметим основные свойства характеристической функции случайного вектора. Эти свойства будут далее иллюстрироваться на примере распределений непрерывного типа.
1. Для любых i , i 1, n, характеристическая функция φX(λ) ограничена | φX(λ) | ≤ 1 и удовлетворяет условию
φX(0) = 1. |
(3.109) |
Это утверждение следует из определения (3.108)
|
|
|
X( 1, 2 , ..., n ) |
|
|
|
|
n |
|
|
|
|
j i X i |
(3.110) |
|
|
... e |
i 1 |
fX (x1, x2 , ..., xn ) dx1 dx2 ... dxn |
|
|
|
|
и свойства нормировки распределения вероятностей.
2. Характеристическая функция случайного вектора X = col(X1, X2, …, Xn) с независимыми компонентами X1, X2, …, Xn равна произведению их характеристических функций:
n
X ( 1, 2 , ..., n ) X i ( i ) . (3.111)
i 1
Сформулированное утверждение основано на свойстве (3.90) оператора математического ожидания, в котором произвольная
функция |
( X |
) положена равной |
e j i X i : |
|
||
i |
i |
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
j i X i |
n |
n |
||
|
|
|
|
|
M[ e |
j i X i ] X i ( i ) . |
X ( 1, 2 , ..., n ) M e |
i 1 |
|
||||
|
|
|
|
|
i 1 |
i 1 |
|
|
|
|
|
|
|
3. Характеристическая функция суммы независимых случайных
n |
|
|
|
величин Z X k равна произведению |
их |
характеристических |
|
k 1 |
|
|
|
функций: |
|
|
|
n |
|
|
|
Z ( ) X |
k |
( ) . |
(3.112) |
k 1 |
|
|
|
|
|
|
Для доказательства равенства (3.112) применяется определение (2.71) характеристической функции Z ( ) скалярной случайной
157
величины Z и свойство (3.90) оператора математического ожидания:
|
n |
|
|
|
|
|
|
j X i |
|
n |
|
n |
n |
||
|
|
|
|
M[e j X k ] X k ( ) . |
|||
Z ( ) = M e |
i 1 |
|
M e j X k |
||||
|
|
|
k 1 |
|
k 1 |
k 1 |
|
|
|
|
|
|
|
|
|
4. Если случайный вектор Y размерности m является линейным преобразованием случайного вектора X размерности n
Y = AX + B,
где А – матрица размерности [m×n]; B – вектор размерности m, то
|
Y |
(λ) = e jλ T B |
X |
(AT λ) . |
(3.113) |
|
|
|
|
Действительно, используя определение характеристической функции и свойства оператора математического ожидания, получим:
|
Y |
(λ) = M[e jλTY] M[e jλT (AX B)] |
||
|
|
|
|
|
= e |
jλTB M[e jλTAX] e jλTB |
X |
(AT λ) . |
|
|
|
|
|
5. Если случайный вектор X = col(X1, X2, …, Xn) имеет смешан-
ный начальный момент |
(X) |
|
порядка |
( r |
|
r ... r |
), где |
||||||||
|
|
|
r1 ,r2 ,...,rn |
|
|
|
|
1 |
2 |
|
n |
||||
r1, r2 , ..., rn – натуральные числа, |
то он равен |
|
|
|
|
|
|
|
|
||||||
|
|
|
(X) |
,...,r = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
r ,r |
|
|
|
|
|
|
|
|
|
|
||
|
|
|
1 2 |
|
n |
|
|
|
|
|
|
|
|
|
|
|
(r r |
... r ) (r1 r2 ... rn ) |
X |
( , |
2 |
, ..., |
n |
) |
|
|
|
|
|
||
|
|
|
|
|
|
||||||||||
= ( j) |
1 2 |
n |
|
1 |
|
|
|
|
i 0, |
. |
|
(3.114) |
|||
|
|
r |
r |
r |
|
|
|
|
|
|
|||||
|
|
|
1 2 |
... n |
|
|
|
|
|
i 1, 2,..., n |
|
|
|
||
|
|
|
1 |
2 |
|
n |
|
|
|
|
|
|
|
|
|
Этот результат может быть получен дифференцированием левой
иправой частей равенства (3.110) по переменным λ1, λ 2, …, λ n .
6.Плотность распределения вероятностей случайного вектора
X = col(X1, X2, …, Xn) непрерывного типа может быть определена с помощью его характеристической функции по формуле обратного преобразования:
158
|
|
|
|
|
|
fX (x1, x2 , ..., xn ) = |
|
(3.115) |
||
|
|
|
|
|
n |
|
|
|
|
|
|
1 |
|
|
|
j i X i |
|
|
|
||
= |
|
|
... e |
i 1 |
X ( 1, 2 |
, ..., |
n ) d 1 d 2 |
... d n . |
||
|
||||||||||
(2 )n |
|
|||||||||
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
Контрольные вопросы и задачи
1.Дайте определение характеристической функции n-мерного случайного вектора.
2.Напишите расчетные выражения для характеристической функции случайных векторов непрерывного и дискретного типов.
3.Какова область возможных значений абсолютной величины характеристической функции?
4.Каким свойством обладает характеристическая функция случайного вектора с независимыми компонентами? Приведите доказательство для случайного вектора дискретного типа.
5. |
Выведите выражение для характеристической функции |
(λ) |
|
центрированного случайного вектора X , если известна ха- |
X
рактеристическая функция X (λ) .
6.Чему равна характеристическая функция суммы независимых случайных величин?
7.Как определить характеристическую функцию случайного вектора Y размерности m, если он является линейным преобразованием Y = AX + B случайного вектора X размерности n с извест-
ной характеристической функцией X (λ)?
|
(X) |
,...,r |
поряд- |
8. Как можно вычислить начальный момент r ,r |
|||
|
1 2 |
n |
|
ка ( r1 r2 |
... rn ) для случайных величин (X1, X2, …, Xn) при из- |
||
вестной |
характеристической функции случайного |
вектора |
X = col(X1, X2, …, Xn)?
9. Как рассчитать плотность распределения вероятностей случайного вектора X = col(X1, X2, …, Xn) непрерывного типа, если известна его характеристическая функция X (λ) ?
159
10. Пусть случайный вектор X = col(X1, X2, …, Xn) с известной характеристической функцией X (λ) представлен своими подвек-
торами X' и X": X = col(X'Т, X"Т), где X' = col(X1, X2, …, Xm),
X" = col(Xm+1, Xm+2, …, Xn). Как определить характеристическую функцию X' (λ') подвектора X'?
§28. Нормальный закон распределения вероятностей случайного вектора
В§ 19 был изучен нормальный закон распределения вероятностей скалярной случайной величины X (закон Гаусса). Перейдем к изучению многомерного нормального распределения.
Случайный вектор X = col(X1, X2, …, Xn) распределен по нормальному закону, если совместная плотность распределения веро-
ятностей |
fX (x1, x2 , ..., xn ) приводится к виду |
|
|||||||||||
|
|
|
|
|
|
1 |
|
|
|
|
1 |
(x m)T K 1(x |
|
f |
X |
(x , x , ..., x ) = |
|
|
|
|
exp |
|
|
m) , (3.116) |
|||
|
|
|
|
|
|||||||||
|
1 |
2 |
n |
(2 )n |K | |
|
|
2 |
|
|
||||
|
|
|
|
|
|
|
|
||||||
где |
x |
= |
col(x1, x2, …, xn); m |
= |
col(m1, m2, …, mn); |
mi M[ Xi ] , |
i 1, n ; K – ковариационная матрица случайного вектора X; K 1 –
обратная ковариационная матрица; | K | – определитель ковариационной матрицы.
Характеристическая функция X ( 1, 2 , ..., n ) нормального
случайного вектора X, вычисляемая в соответствии с определением
(3.108), равна
|
|
T |
m |
1 |
X ( 1, 2 |
, ..., n ) = X (λ) = exp j λ |
|
|
|
|
2 |
|||
|
|
|
|
λ |
T |
|
(3.117) |
|
K λ , |
||
|
|
|
|
где λ = col(λ1, λ принимает вид
X ( 1,
2, …, λ n). В скалярной форме выражение (3.117)
|
|
n |
1 |
n n |
|
|
2 |
, ..., n ) = exp j λimi |
|
kil λi λl |
. (3.118) |
||
|
||||||
|
|
i 1 |
2 i 1 l 1 |
|
|
Из выражений (3.116), (3.117) следует, что многомерное нормальное распределение зависит только от математического ожидания m и ковариационной матрицы K случайного вектора. Это озна-
160