- •А.А. Халафян
- •Лекция 1. Теории вероятностей. История возникновения. Классическое определение вероятности
- •Классическое определение вероятности
- •Лекция 2. Теоремы сложения и умножения вероятностей. Статистическое, геометрическое определение вероятности
- •Статистическое определение вероятности
- •Геометрическое определение вероятности
- •Последовательность испытаний. Формула Бернулли
- •Лекция 3. Аксиоматическое построение теории вероятностей. Аксиоматика колмогорова
- •Лекция 4. Случайная величина. Функция распределения
- •Основные свойства функции распределения
- •X1 x2 … xn …, причём xn→-∞, n→∞.
- •Лекция 6. Интегральная теорема муавра–лапласа, теорема бернулли
- •Лекция 7. Непрерывные случайные величины
- •Свойства непрерывной случайной величины
- •Законы распределения непрерывных случайных величин Равномерное распределение
- •Экспоненциальное распределение
- •Нормальное распределение
- •Лекция 8. Понятие многомерной случайной величины
- •Аналогично закон распределения y имеет вид
- •Лекция 9. Функция распределения многомерной случайной величины
- •Плотность вероятностей двумерной случайной величины
- •Лекция 10. Свойства плотности вероятностей двумерной случайной величины
- •Лекция 11. Функции от случайных величин
- •Лекция 12. Теорема о плотности суммы двух случайных величин
- •Лекция 13. Распределения стьюдента, фишера .Числовые характеристики случайных величин
- •Числовые характеристики случайных величин
- •Свойства математического ожидания случайной величины
- •Лекция 14. Числовые характеристики случайных величин (продолжение)
- •Другие характеристики центра группирования случайной величины
- •Характеристики вариации случайной величины
- •Свойства дисперсии
- •Свойства среднеквадратического отклонения
- •Лекция 15. Вычисление дисперсии основных распределений
- •Лекция 16. Числовые характеристики меры связи случайных величин
- •Лекция 17. Предельные теоремы теории вероятностей. Неравенство чебышева. Закон больших чисел
- •Неравенство Чебышева
- •Закон больших чисел
- •Закон больших чисел для одинаково распределенных случайных величин
- •Закон больших чисел в форме Бернулли
- •Лекция 18. Центральная предельная теорема
- •Лекция 19. Математическая статистика. Предмет математической статистики. Вариационные ряды
- •Лекция 20. Средние величины. Показатели вариации
- •Свойства среднего арифметического
- •Показатели вариации (изменчивости) вариационного ряда
- •Свойства дисперсии
- •Статистическая выборка
- •Лекция 21. Оценка параметров генеральной совокупности
- •Лекция 22. Точечные и интервальные оценки параметров распределения Метод наибольшего правдоподобия
- •Метод моментов
- •Интервальная оценка
- •Лекция 23. Проверка статистических гипотез
- •Лекция 24. Проверка гипотезы о равенстве средних
- •Проверка гипотезы о равенстве дисперсий
- •Проверка гипотезы о законе распределения
- •Лекция 25. Элементы регрессионного и корреляционного анализов
- •Линеаризующие преобразования
- •Линейный множественный регрессионный анализ
- •Множественный корреляционный анализ
- •Библиографические ссылки
Лекция 4. Случайная величина. Функция распределения
Случайная величина – одно из основных понятий теории вероятностей. В самом общем смысле случайная величина – это некоторая переменная величина, принимающая в зависимости от случая то или иное значение. Она может принимать числовое и не числовое (текстовое) значение.
Пример 1.
Очки на гранях игральной кости |
1 |
2 |
3 |
4 |
5 |
6 |
Вероятности |
1/6 |
1/6 |
1/6 |
1/6 |
1/6 |
1/6 |
Пример 2.
Монета |
Орёл |
Решка |
Вероятность |
0,5 |
0,5 |
Определение 1. Случайной величиной вероятностного пространства {Ω, S, P} называется любая функция X(), определенная для Ω, и такая, что для всех действительных х ( ) множество {: X() < x}принадлежит полю S. Другими словами для любого такого события определена вероятность P(X() < x) = P(X < x).
Случайные величины будем обозначать прописными латинскими буквами X, Y, Z, …, а значения случайных величин – строчными латинскими буквами x, y, z...
Определение 2. Случайная величина X называется дискретной, если она принимает значения только из некоторого дискретного множества. Другими словами, существует конечное или счетное число значений x1, x2, …, таких, что P(X = xi) = рi 0, i = 1, 2…, причем pi = 1.
Если известны значения случайной величины и соответствующие им вероятности, то говорят, что определен закон распределения дискретной случайной величины.
Если составлена таблица, в верхней части которой располагаются значения случайных величин, а в нижней части соответствующие им вероятности, то получим ряд распределения случайной величины, который задает закон распределения дискретной случайной величины.
Пример 3. Составим ряд распределения выпадения герба при 2 подбрасываниях монеты. Возможные исходы – ГГ, ГР, РГ, РР. Из возможных исходов видно, что герб может выпасть 0, 1 и 2 раза, с соответствующими вероятностями – ¼, ½, ¼. Тогда ряд распределения примет вид
Xi : 0 1 2
рi : ¼ ½ ¼
Определение 3. Функцией распределения случайной величины X называется функция F(x), зависящая от х R и принимающая значение, равное вероятности события , что X < x, т.е., F(x) = P{: X() < x } = P(X < x ).
Из определения следует, что любая случайная величина имеет функцию распределения.
Основные свойства функции распределения
Функция распределения принимает значения из промежутка 0, 1, т.е.
0 ≤ F(x) ≤ 1.
Это свойство следует из определения функции распределения.
Если х2 >х1, то
P(x1≤X<x2 ) = F(x2)-F(x1). (1)
Доказательство. Представим событие, состоящее в том, что случайная величина примет значение, меньшее х2, в виде суммы несовместных событий –
{: X() < x2} = {: X() х1} {: x1 ≤ X() < x2}.
Так как события несовместные, применим аксиому 3 –
P(X < x2) = P(X x1) + P(x1 ≤ X < x2),
но P(X < x2) = F(x2), P(X x1 ) = F(x1), следовательно
F(x2) = F(x1) + P(x1 ≤ X < x2), (2)
а это и означает, что P(x1≤X<x2 ) = F(x2)–F(x1).
Функция распределения – неубывающая функция, т.е. если
x2 x1 => F(x2) ≥ F(x1).
Доказательство. Если x2 x1, то справедливо соотношение (2). Но, согласно
аксиоме 1 P(x1 ≤ X < x2) ≥ 0,
следовательно, F(x2) ≥ F(x1).
P(X ≥ x ) = 1-F(x).
Доказательство. События {: X() ≥ x} и {: X() < x} – противоположные события, так как они несовместные и
{: X() ≥ x}{: X() < x} = Ω, следовательно,
Р{: X() ≥ x} + Р{: X() < x}=1, тогда Р(X() ≥ x) = 1–Р(X() < x) = 1 – F(x).
6. Если х , то .
Доказательство. Пусть x1, …, xn …– бесконечно возрастающая числовая последовательность, xn → ∞ при n → ∞, надо доказать, что .
Рассмотрим последовательность несовместных событий А1, А2, …, Аn, …
А1 = {: X()<x1}, А2 = {: x1 ≤ X() < x2}, …, An = {: xn-1 ≤ X() < xn}, n = 3, 4, …
Очевидно, что событие {: X() < xn} можно представить в виде суммы событий А1, А2, …, Аn
{: X() < xn}= .
Так как события Ai несовместны, то по аксиоме сложения
.
Легко видеть, что событие, равное сумме всех событий Аi, является достоверным событием, т.е.
= Ω.
Тогда по аксиоме 2 и аксиоме 3` имеем
.
Замечание. Мы не пишем , так как не определен предельный переход под знаком вероятности.
6. Если x → - ∞, то F(x) → 0.
7. Функция распределения непрерывна слева, т.е. .
Свойства 6, 7 можно доказать при помощи аксиомы непрерывности, которая является альтернативной по отношению к аксиоме 3`. То есть в аксиоматику теории вероятностей вместо аксиомы 3` можно включить аксиому непрерывности, тогда аксиому 3` можно будет доказать как теорему и наоборот, аксиому непрерывности можно доказать с использованием аксиомы 3`.
Аксиома непрерывности. Пусть A1, A2, .., An, … – последовательность событий из S, причём A1 A2 A3 … An … и , тогда .
Доказательство свойства 6. Рассмотрим произвольную бесконечно убывающую монотонную последовательность