книги / Статистические методы в строительной механике
..pdfПоложительное значение квадратного корня яз дисперсии
называется средним квадратическим |
отклонением или стан |
дартом а: |
|
о = УЩХ). |
(1.16) |
Дисперсия и стандарт служат .мерой рассеяния случайной ве личины около среднего значения.
6. Нормальное распределение
Среди теоретических распределений случайных величин большое значение имеет нормальное (гауссовское) распреде ление
<U 7 >
Нетрудно убедиться, что плотность вероятности (1.17) удовлетворяет условию нормировки и что параметры а и о яв ляются математическим ожиданием случайной величины X и ее стандартом, что частично учтено в их обозначениях. Так, про изводя замену переменных
X— а |
|
(1.18) |
|
(7 |
|
|
|
|
|
|
|
получим |
|
00 |
и* |
00 |
|
||
1 р (х) dx = |
- 1— |
Г * |
2 du. |
J |
/ 2я |
J |
|
Но интеграл в правой части представляет собой известный ин теграл Пуассона
00 |
«* |
|
J'e |
г du = У%х. |
|
— *00 |
|
|
Отсюда видно, что условие нормировки (1.9) |
выполняется. |
|
Аналогично можно показать, что |
|
|
Оо |
оо |
|
j хр (х) dx —a, |
J (л: — а)2р (*) dx = |
о2. |
—*00 |
—00 |
|
Вид плотности вероятности для нормального распределе ния показан на -рис. 3. Чем больше стандарт о, тем значитель нее разброс случайной величины вокруг ее среднего значения. Если а = 0, то распределение называется симметричным (по ложительные и отрицательные значения величины X равнове
роятны).
Таблицы для плотности вероятности и функции распределе ния при .нормальном законе можно найти в любой книге по
теории вероятностей или по ’ математической статистике. В ка честве аргумента обычно берется безразмерное переменное (1.18) и табулируются функции
и1 и г*
tp (и) = —-— е ^ , |
Ф (и) = —-— { е 2 dz |
V2k |
V2k Û |
(вторая из них называется интегралом ошибок или функцией
Гаусса). Функция распределения выражается |
через интеграл |
ошибок следующим образом- |
|
= |
(1.19) |
Для вероятности того, что распределенная яго нормальному за
кону случайная |
величина |
X примет |
значение, |
заключенное |
|||
в интервале Х\ |
|
имеем формулу |
|
|
|
||
Р (*, < |
X < |
= |
Ф f e f A - |
Ф |
, |
(1.20) |
|
|
|
|
которая |
вытекает |
-из зависимо |
||
|
|
|
сти |
(1.8). |
|
|
|
|
|
|
|
Пользуясь таблицами и фор |
|||
|
|
|
мулой ( 1.20), легко подсчитать, |
||||
|
|
|
что |
вероятность |
обнаружить |
||
|
|
|
отклонение нормально |
распре |
|||
|
|
|
деленной |
величины |
от |
среднего |
|
|
|
|
значения, |
большее двух |
стандар |
||
|
|
|
тов, равна |
|
|
||
|
|
|
1— Р(а — 2 о < Х |
< а + |
2о) = |
= 1— 2Ф (2,00) = 0,0456.
Для отклонений, превышающих соответственно три и четыре стандарта, аналогично получим вероятности, равные 0,00270 и 0,000064.
Особая роль нормального распределения в теории веро ятностей и математической статистике объясняется тем, что со гласно предельным теоремам теории вероятностей, к нормаль ному распределению приближаются распределения тех слу чайных величин, которыё формируются под действием весьма большого количества независимых (или почти независимых) факторов, влияние каждого из которых незначительно. Неуди вительно поэтому, что нормальный закон распределения под тверждается во многих самых различных приложениях. Так, нормальный закон обычно хорошо описывает распределение случайных ошибок измерений, распределение для окоростей при порывистом ветре (свободная атмосферная турбулент ность), распределение шумов в линиях связи и т. л.
Даже в тех случаях, 'когда распределение заведомо не яв ляется нормальным (например, для механических характери стик материалов, которые принимают лишь .положительные значения), им нередко пользуются для приближенной замены реальных законов распределения. Для этого имеется несколько причин. Во-первых, нормальное распределение может быть полностью охарактеризовано двумя числовыми параметрами — математическим ожиданием и дисперсией1. Во-вторых, если случайная величина распределена нормально, то распределение остается нормальным и после линейного -преобразования слу чайной .величины (©ключая операции дифференцирования и интегрирования). Указанные два обстоятельства, взятые вместе, позволяют весьма просто находить законы распределе ния линейных функций случайных величин, если исходные ве личины распределены нормально.
7. Совместное распределение вероятностей для нескольких случайных величин
Рассмотрим совокупность случайных величин Xït Х2, ... Хп, которые, вообще говоря, не являются независимыми. Совмест ной п-мерной функцией распределения этих случайных величин называется функция
Р ( . |
? о <Х‘ |
. п) |
|
••*«)• |
||
|
= 1, 2, . |
|
|
|
||
а совместная |
п-мерная |
плотность |
вероятности определяется |
|||
формулой |
|
|
|
xb < X k < x k + àx/t \ |
||
|
|
|
|
|||
Р(х1, Xi |
. хп) — Нш |
At = 1 » 2, |
. . ,n / |
|||
Axi&Xt |
. д*я |
|||||
|
|
А*/Г° |
Совместная функция распределения и совместная плотность ве роятности связаны между собой соотношением
|
Р{ХJ, *2, . |
х )— |
• |
• •*«) |
(1.21) |
При этом |
’ |
п) |
dxLдха |
. дхп |
|
Р(^i* х%, • |
• хт) = |
|
|
||
|
|
|
|||
00 |
оо |
|
x„)dxm+i |
• dxn. (1.22) |
|
|
—00 |
»*2» |
|||
|
|
|
|
|
1 Это не является особенностью лишь одного нормального распределе ния. Поскольку всякое теоретическое распределение задается с точностью до нескольких параметров, то эти параметры всегда можно выразить через мо менты случайной величины. Если же вид распределения неизвестен, то его реконструкция по известным моментам представляет собой задачу, тесно связанную с известной проблемой моментов.
Согласно определению, вероятность обнаружить случайную точку М с координатами Хи Х2, . .Я, в бесконечно малом n-мерном прямоугольном параллелепипеде хА.<ЯЛ <хк +dxk (£ = 1, 2 ,... п) равна
P ( |
Xk < ^ k < xk + dxk |
\ = р ^ 1(Хъ |
XJ dXi d4 |
. dx |
|||||
v |
£ = 1, 2, . |
|
. « |
} |
|
|
|
|
|
Отсюда вероятность |
обнаружить |
точку |
М в «-мерном |
объеме |
|||||
V определяется -по формуле1 |
|
|
|
|
|
||||
р(М С V) = j |
^ |
j |
р {хъ х2, |
|
. x n)dx1dx2 . |
. dxn. (1.23) |
|||
В частности, условие нормировки принимает вид |
|
|
|||||||
|
00 |
оо |
|
|
|
|
|
|
|
|
J |
j Р(^х» х2 • |
• х^) dx±dx2 . |
dxn = 1. |
(1.24) |
||||
|
—00 |
—00 |
|
|
|
|
|
|
|
Согласно теореме умножения совместная плотность веро ятности статистически независимых случайных величин равна произведению частных плотностей вероятностей
|
Р{хи Х2>• |
Хп)=--Р(xi) Р(х*) * |
Р(*/»)• |
(1 -25) |
|||||||
Например, |
если |
случайные |
величины |
Хи Х2, .. .Хя |
статисти- |
||||||
чеоки независимы |
и распределены |
по |
нормальному |
закону со |
|||||||
средними значениями Хк и стандартами аА, то |
|
|
|
||||||||
|
|
|
р{хъ хг, |
|
|
|
|
|
|
||
|
|
1 |
|
ехр |
|
|
|
|
(1.26) |
||
|
—----- --------------- |
|
|
|
|
||||||
|
V (2я)" ах а2 |
. <з„ |
|
|
|
|
|
|
|
|
|
Введем |
понятие |
о |
плотности |
условной |
вероятности |
||||||
р(хи х2, . . . ,хг\хг+1, хг+2 , . . . |
х „), обладающей тем свойством, |
что |
|||||||||
р l X j < X j < X j + dxj |
|
хк < Х к < х к + dxk |
|
\ ^ |
|
||||||
\ / = 1, 2, |
|
. г |
|
k = r-\-\, г-\-2, , |
. « ) |
|
|||||
= р(хи |
х2, |
. хг | Xr+i, |
xr+2, |
|
. x n)dx1dx2 . |
|
. dxr |
|
|||
Совместная плотность вероятности для случайных величин |
Хи |
||||||||||
Х2, . . . Х„ найдется по формуле (1.2) |
|
|
|
|
|
|
|||||
|
|
|
Р (*Х> |
Х2, |
. х^) — |
|
|
|
|||
= P {Xi, Xi, |
. Xr I Xr+ b |
Xr+2, |
. xn) P (Xr+u |
|
. Xn). |
|
Отсюда после («—г)-кратного интегрирования по формуле (1.22) получим формулу для совместной плотности полной (безуслов
ной) |
вероятности случайных величин Яь Х2, .. . Я ,: |
• |
Символ включения М С V читается так: точка М принадлежит объе |
му V. |
|
P (^1» ^2»
—00 |
—00 |
|
X p{xr+u~.x„)dxr+i...dxn. |
(1.27) |
8. Числовые характеристики совместного распределения нескольких случайных величин
Совместное .распределение случайных величин Хи Х2, ... Хп может быть охарактеризовано их средними значениями
00 |
|
x k= J xkp(xk)dxk, |
(1.28) |
моментами второго -порядка
0 0 00
(1.29)
моментами третьего порядка
00 я СО |
00 |
—00—00 _ 00
и т. д. Наибольший интерес представляют моменты второго по рядка. Соответствующие им центральные моменты
K x J xk = ( X j - X J) ( X k - X k) =
= |
00 |
00 |
|
|
J |
J |
iXj— XJ)(xk— Xk)p(xj1xk)dxjdxh, |
(1.30) |
|
|
_00 |
_00 |
|
|
называют |
также корреляционными моментами; |
матрицу К, |
||
составленную1 |
из |
этих .моментов, (называют корреляционной |
матрицей1. Названия (происходят от того, что (смешанные мо менты Kxjxk (ПРИ / Ф k) характеризуют статистическую связь
(корреляцию) между случайными величинами Х} и Хк. При от сутствии такой связи смешанные моменты обращаются в нуль. Действительно, в этом случае согласно формуле (1.25) р (Xj, xk ) —p(xj)p(xb), откуда, учитывая формулу (1.28), по лучаем (яри ji=k)
1 (В дальнейшем будут использованы некоторые элементарные .результа ты из теории матриц; с этими результатами можно познакомиться по деся той главе книги В. В. Болотина [17].
Корреляционная |
матрица К является |
симметричной, т. е. |
|
^Xj-xk = ^ х кк}> ее |
Диагональные элементы |
равны, |
очевидно, |
дисперсии 'соответствующих случайных величин. |
нормальное |
||
В качестве примера вновь рассмотрим n-мерное |
распределение, предполагая, что корреляция случайных вели
чин Хь Х2, .. . Х п отлична от «нуля. Пусть |
К — корреляционная |
|||||
матрица, |
\К \ —ее определитель, |
{/Г-1 |
— элементы матри |
|||
цы А*-1, обратной |
по |
отношению |
к матрице К . Совместная |
|||
n -мерная плотность вероятности имеет вид |
||||||
|
|
|
■X") = v |
w |
m x |
|
X exp Г---- L 2 |
2 |
|
|
С-31) |
||
|
L |
/= 1 |
k = \ |
|
|
J |
При отсутствии корреляции между |
случайными величинами |
|||||
матрицы |
К и К~х становятся диагональными: |
|||||
|
|
\К \= о \а \ |
|
о*, |
|
|
|
|
|
- 7 |
при / = |
k, |
|
|
|
|
О |
при j Ф k. |
||
При этом формула |
(il .31) переходит в формулу (1.26). |
|||||
Если |
совместное |
распределение |
‘случайных (величин |
|||
Хи Х2, . . . , Хп |
является нормальным, то каждая величина Xk |
а также любая их совокупность имеют нормальное распределе ние. Это весьма важное свойство нормального распределения может быть доказано, если воспользоваться формулой (il.22) и вычислить входащие в шее интегралы1.
9. Функции случайных величин
Займемся важным для последующего изложения вопросом об отыскании функций распределения и плотностей вероят ности функций от случайных величин. Начнем с функции од ного случайного аргумента 'У = ^(Х ). Согласно определению
F{y) = P ( Y < y ) = P[g(X)<y],
откуда, используя формулу (il.8), найдем |
р; |
F(y) = \p(x)dx. |
(1.32) |
i(*) < U
1Доказательства различных свойств нормального распределения, при водимые обычно в книгах по теории вероятностей, базируются на понятии ха
рактеристической функции (n-мерного преобрааования Фурье для плотности вероятности).
Знак у интеграла указывает, что интегрирование произво дится по всем интервалам числовой оси, на (которых g(x) <у. Дифференцируя выражение (1.32), получим формулу для -плот ности вероятности р(у).
Формула для р(у) получается особенно простой, если пред положить, что функция g(X) монотонная. Тогда обратная функция X=h(Y) является однозначной. Производя в правой части формулы (1.32) замену переменной x=h(y), dx— =\h'(y) I dy, найдем, что
|
|
|
F (У) = |
J p[h(y)]\h'(y)\dy. |
|
|
||||
|
|
|
—.00 |
|
|
|
|
|
||
После дифференцирования получим |
|
|
|
|||||||
|
|
|
Р(У) = P[fi'{y)]\h' |
(у)\. |
|
|
(1.33) |
|||
Формула (il.33) легко обобщается на |
случай |
функций не |
||||||||
скольких аргументов. Пусть |
|
|
|
|
|
|
|
|||
|
|
Ул = 8л(Хъ Х * . |
Х„) |
|
|
|||||
|
|
|
( £ = 1 , 2 , |
.т). |
|
|
(1.34) |
|||
Тогда по фо|р;муле (1.23) |
|
|
|
|
|
|
||||
Р(Уъ У2, • |
• Ут) = ! • • • |
J/>(*i,*2f |
• •*«) dxxdxz ...d x n. (1.35) |
|||||||
|
|
gk iXl,Xt,. |
|
.хп ) < у к |
|
|
|
|
||
Здесь интеприрование производится по области «-мерного |
||||||||||
пространства, |
для |
которой |
(справедливы |
неравенства |
||||||
gb (хи Xz,... хп) <tfh(Л-И, 2, . . . |
т). |
имеют единственное ре |
||||||||
Допустим, |
что соотношения |
(1.34) |
||||||||
шение относительно каких-либо т переменных XuXz, • • • Хт |
||||||||||
|
Xk = hk(Ylf V2, |
|
|
Ym,X m+i , |
Хп). |
(1.36) |
||||
Тогда |
в правой |
части интеспрала (il.35) |
может1быть произве |
|||||||
дена замена переменных |
|
|
|
|
|
|
|
|||
|
|
|
F {Уь У&*••• Ут) |
|
|
|
|
|||
|
|
|
со |
|
oo |
|
|
|
|
|
= V |
f dyxdy2...dym j |
|
J |
P(hlt h2, ...hm, xm+i , |
xn) V |
|||||
__ 00 |
|
|
—O00O |
—oo00 |
|
|
|
|
||
|
|
d(hlt fh, . . |
|
-М |
I dXm+l... dxn. |
|
|
\д(Уи Ул, |
Ут) |
Здесь
|
|
|
|
|
|
|
dfi! |
dhj |
Mm |
|
|
||
|
|
|
|
|
|
|
dyi |
àyi |
àyi |
|
|
||
|
|
д(Ai, />2i • |
• .hni) |
_ |
dhx |
dh2 |
àhm |
|
|
||||
|
|
ày-ь |
ду% |
дуг |
|
|
|||||||
|
|
d(jfi,y2, |
-Ут) |
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
dh |
dht |
àjhn |
|
|||
|
|
|
|
|
|
|
дУт |
àym |
àym |
|
|
||
|
|
|
|
|
|
|
.36). Замечая, что |
|
|
||||
|
Р(У1>У* |
|
• Ут) |
?mF(yx,y2, . |
. •Ут) |
|
|
||||||
|
|
|
духдуг |
,дут |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
||||
найдем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
00 |
|
00 |
|
|
|
|
|
|
|
Р {Уъ Уъ* |
• Ут) = |
J |
|
J Р (^1 >^2>• • • ^/я> «Я/n+l | |
• *«)X |
||||||||
|
|
|
|
—00 |
— 00 |
|
|
|
|
|
|
||
|
|
X |
д {hi, ftg» |
* « |
■h/n) I ^ |
■m+l |
. dx„ |
|
(1.37) |
||||
|
|
д(У1,Уг, |
|
.ут) |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
||||
Бели |
число функций |
равно |
числу аргументов (m=n), то |
||||||||||
формула |
(1.37) принимает вид |
|
|
|
|
|
|
|
|||||
Р(УьУ2, |
Ут) = Р{К, h , - - -К ) |
|
д(hi, h2, * • |
• h/л) |
(1.38) |
||||||||
|
д(У1,Уъ, |
.Ут) |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||
Заметим, |
что |
предположение |
об |
однозначности |
функций |
||||||||
hi, hi, |
hm |
не является стесняющим. Рассмотрим, |
например, |
||||||||||
функцию |
одной |
случайной |
|
переменной |
Y=g(X). |
Бели эта |
|||||||
функция |
не |
монотонная, |
то |
интервал |
изменения |
аргумента X |
все же можно разбить «на отрезки, ъ пределах каждого из 'ко
торых |
функция остается монотонной. Тогда |
вместо формулы |
|
(1.33) |
находим |
|
|
|
Р(У) = |
I J P (ÿ)j.|h'k (у) |. |
(1.39) |
|
|
к |
|
Здесь |
x= hk (y ) — обратное |
‘преобразование |
для каждого от |
резка. |
|
|
|
10.Пример. Вывод распределения Рэлея
Вкачестве примера использования только что выведенных формул рассмотрим вывод формулы для плотности вероятности так называемого распределения Рэлея (эта формула понадобит ся нам в дальнейшем).
Допустим, что случайная величина X меняется по периодиче скому закону с постоянной частотой шо, случайной амплитудой а и случайной фазой ф:
X = асоэ(ш/ •+• ф) = а cos б
X ~ —tuasin (Ы + ф) = —toasin®’
Здесь точкой обозначено |
дифференциро |
Р(х) |
|||||
вание по времени1, б |
= cat + ф — также |
|
|||||
случайная величина. Задача состоит в |
|
||||||
том, |
чтобы, |
предполагая, |
что величины |
|
|||
X и |
х распределены |
по |
нормальному |
|
|||
закону и статистически независимы, най |
|
||||||
ти плотность вероятности для случайной |
|
||||||
амплитуды |
а. |
с |
формулой |
(1.26) |
|
||
В |
соответствии |
X |
|||||
примем, что |
|
|
|
|
Ряс. 4 |
||
|
|
|
|
|
|
|
|
|
|
р{х, х)— 2пшза ехР |
( 202+ |
2(i>2oa )] |
(здесь учтено, что X X = 0 и что X2 — ы202, где а — стандарт случайной величины X). Перейдем к новым переменным — случайной амплитуде a и фазе 0 . По формуле (1.38)
дх дх
да дО
р(а, б) = р[х(а, 0), х(а, б)]
дх дх да Ô0
Якобиан преобразования равен, очевидно, по модулю ам. От сюда
|
а |
д* |
|
р(а, б) |
2а* |
||
2тсо2 |
^ |
||
|
{все значения фазы О<0<; 2л равновероятны). Переходя при по мощи формулы (1.22) к плотности вероятности для амплитуд а, найдем
2к |
_ |
а* |
р( а) =Гр( в, в) <И— |
|
•" |
О |
|
|
Это и есть распределение Рэлея (рис. |
4). |
|
1 Предполагается, что амплитуда а и фаза <{/ являются функциями времени, медленно изменяющимися по сравнению с X, что учтено при диффе ренцировании.
11. Линейные преобразования нормально распределенных величин
Как уже указывалось ранее, нормальное распределение об ладает тем свойством, что оно остается таковым и при линейном преобразовании случайных величин. Докажем это важное поло жение, ограничившись простейшим случаем одной случайной
величины.
Пусть X — случайная величина, имеющая распределение
(* — л)«
|
р (х) = — ± — е |
|
** |
|
(1.40) |
||
|
|
У2пах |
|
|
|
|
|
Найдем плотность распределения для случайной величины |
|
||||||
|
|
У = аХ + с, |
|
|
(1.41) |
||
где а к с — константы. Подставляя |
выражения |
(1.40) и |
(1.41) |
||||
в формулу ( 1.33), получим |
|
|
|
|
|
||
|
Р(У) = У |
1 |
|
|
а Х — с)* |
] |
|
|
а<зх |
|
|
2**4 - |
J • |
|
|
Из этой формулы видно, что случайная величина Y также рас |
|||||||
пределена |
по нормальному закону, |
причем |
|
|
|||
|
Ÿ = aX -\-c, оу=а<зх |
|
(1.42) |
||||
Пусть |
теперь |
|
|
|
|
|
|
|
|
Yj — 2 |
ajk Xk + |
cj |
|
(1-43) |
|
|
, |
k=\ |
. m). |
|
|
||
|
( / = 1, |
2, |
|
|
|||
Здесь aJk и Cj — некоторые константы, |
Xk — случайные |
вели |
|||||
чины, имеющие совместную -плотность вероятности |
|
|
|||||
|
|
Р(х1,*2, |
• хп) = |
|
|
||
|
[ |
- т 2 |
2 |
|
|
|
. |
|
|
/ —1 |
k=l |
|
|
|
|
Кх — их корреляционная матрица. Для совокупности случайных
величин Yk мы снова получаем |
нормальное распределение со |
|
средними значениями |
|
|
Yi —2 |
CJ |
(1-44) |
k-i |
|
|
( / = 1, 2, |
.m) |
|
an