Обработка эксперим данных Роганов
.pdfПродифференцируем это равенство по х, а затем устремим y → 0 и
воспользуемся теоремой о среднем для интеграла по промежутку [y, y + y];
в результате найдем:
pX (x / y)≡ |
dF (x /Y = y) |
= |
p(x, y) |
py (y)= 0 . |
||
X |
|
|
|
|||
dx |
p (y) |
|||||
|
|
|
|
Y |
|
Функция pX (x / y) называется плотностью вероятности условного распределения Х при условии Y=y. Равенство можно переписать в виде
p(x, y)= pY (y)pX (x / y)
напоминающем по форме теорему умножения вероятностей. Имеет место равенство
FX (x /Y = y)= P(X < x /Y = y)= ∫x pX (t / y)dt
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
Непрерывный аналог формулы полной вероятности имеет вид |
||||||||||||
|
pX (x)= ∞∫pY (y)pX (x / y)dy |
|
|
|
||||||||
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
Соответствующие рассуждения справедливы и для дискретного |
||||||||||||
случайного вектора (X, Y): пусть Х принимает значения |
|
xi, i = 1, 2, …, а Y |
||||||||||
принимает значения yj, j = 1, 2, … и |
pij = P(X = xi ,Y = y j ). При этом имеют |
|||||||||||
место равенства: |
|
|
|
|
|
|
|
|
|
|
|
|
|
∞ |
|
|
|
|
|
|
∞ |
|
|
|
|
pi = P(X = xi )= ∑pij , q j |
= P(Y = y j )= ∑pij , |
i, j =1, 2, ... |
||||||||||
|
j=1 |
|
|
|
|
|
|
i=1 |
|
|
|
|
Условные распределения вероятностей определяются следующим |
||||||||||||
образом: |
|
|
|
|
|
P(X = xi ,Y = y j ) |
|
|
|
|
||
P |
= P(X = x |
/Y = y |
j |
)= |
= |
Pij |
, |
|||||
|
|
|
|
|||||||||
i / j |
i |
|
|
|
|
P(Y = y j ) |
|
q j |
||||
|
|
|
|
|
|
|
|
|||||
|
Qj / i = P(Y = y j / X = xi )= |
Pij |
, i, j =1, 2, ... |
|||||||||
|
|
|||||||||||
|
|
|
|
|
|
|
pi |
|
|
|
||
И как следствие этих равенств |
|
|
|
|
|
|
|
|
|
|
||
|
∞ |
|
|
|
|
∞ |
|
|
|
|||
|
pi = ∑q jPi/ j, q j = ∑piQ j/i . |
|
|
|
||||||||
|
j=1 |
|
|
|
|
i=1 |
|
|
|
51
§ 4. Независимость случайных величин |
|
Определение 8. [9] Случайные величины X1 , ..., X n |
называются |
независимыми (в совокупности), если для любых x1, ..., xn события
(X1 < x1 )..., (X n < xn ) независимы в совокупности, т.е.
P((X1 < x1 )I ...I (X n < xn ))= P(X1 < x1 )...P (X n < xn )
или, что то же самое,
F(x1, ..., xn )= FX1 (x1 ), ..., FXn (xn )
Для независимых случайных величин Х и Y имеем при любых x1 < x2
и y1 < y2 |
|
|
|
P(x1 ≤ X < x2 , y1 ≤ Y < y2 )= P(x1 ≤ X < x2 )P(y1 ≤ Y < y2 ) |
(4) |
||
Аналогичный результат справедлив, разумеется, и для произвольного |
|||
числа X1 , ..., X n |
независимых случайных величин. |
|
|
Устремим в последнем равенстве x1 , y1 → −∞, получим |
|
||
|
P(X < x2 ,Y < y2 )= P(X < x2 )P(Y < y2 ) |
|
|
Это равенство ввиду произвольности х2 и y2 |
означает независимость |
||
случайных величин Х и Y. Таким образом, условие (4) необходимо и |
|||
достаточно для независимости случайных величин Х и Y. |
|
||
Пусть |
теперь Х и Y – дискретные |
случайные величины, |
|
x1 < x2 <... < xn <... — значения, принимаемые Х, и y1 < y2 <... < yn <... |
— |
||
значения Y. Тогда |
|
|
|
P(xk ≤ X ≤ xk+1 )= P(X = xk ), P(y j ≤ Y < y j+1 )= P(Y = y j ) |
|
k, j = 1, 2, ….
Подставляя эти выражения в (4), получаем, что условие
P(X = xk ,Y = y j )= P(X = xk )P(Y = y j ) k, j =1, 2, ...
52
является необходимым и достаточным условием независимости дискретных случайных величин Х и Y.
Равенство F(x1, ..., xn )= FX1 (x1 ), ..., FXn (xn ) служит определением независимости случайных величин Х1, …, Хn. Если независимые случайные величины Х и Y имеют соответственно плотности вероятности pX (x) и pY (y),
то вектор (Х, Y) имеет плотность p(x, y)= pX (x)pY (y).
Важным является обратное утверждение: если плотность р(х, у)
случайного вектора (Х, Y) равна произведению |
плотностей |
координат, |
p(x, y)= pX (x)pY (y), то Х и Y независимы. |
|
|
§ 5. Функции от случайных величин |
|
|
Рассмотрим функции от случайных величин |
[9]. Ради |
наглядности |
ограничимся случаем двух случайных величин. Итак, пусть на
вероятностном пространстве ( Ω, Ξ, Ρ ) |
определены |
две |
случайные |
величины X1 = X1 (ω) и X 2 = X 2 (ω), ω Ω |
и пусть F(x1 , x2 ) |
— функция |
распределения случайного вектора (X1 , X 2 ). Рассмотрим некоторые функции от случайных величин Х1 и Х2, т.е. новые случайные величины Y1 и Y2, связанные функциональными зависимостями с Х1 и Х2,
Y1 = f1 (X1 , X 2 )= f1 (X1 (ω), X 2 (ω))=Y1 (ω)
Y2 = f2 (X1 , X 2 )= f2 (X1 (ω), X 2 (ω))=Y2 (ω)
Здесь предполагается, что f1 и f2 таковы, что Y1 и Y2 вновь являются случайными величинами, определенными на том же вероятностном пространстве (количество функций Yi может быть любым). Таким образом, Y1 и Y2 являются сложными функциями ω, заданными на Ω.
Основная задача, возникающая в этой ситуации, состоит в том, чтобы,
зная функцию распределения F(x1 , x2 ) случайного вектора(X1 , X 2 ) и
функции f1 и f2 найти функцию распределения Φ(y1 , y2 ) случайного вектора
53
(Y1 ,Y2 ). Для дискретных и непрерывных случайных величин указанная задача решается без труда. Действительно, имеем
Φ(y1 , y2 )= P(Y1 < y1 ,Y2 < y2 )= P(f1 (X1 , X 2 )< y1 , f2 (X1 , X 2 )< y2 ),
и пусть (X1 , X 2 ) |
— дискретный |
случайный вектор, X1 = x1i , X 2 = x2 j — |
значения Х1 и Х2, |
Pij = P(X1 = x1i , X 2 |
= x2 j ) — вероятности этих значений, i, |
j=1, 2, …, тогда |
|
|
Φ(y1 , y2 )= ∑pij
i. jΛ
где суммирование распространено на множество индексов (i, j) Λ,
Λ = ((i, j): f1 (x1i , x2 j )< y1, f2 (xi1, x2 j )< y2 ),
(X1 , X 2 ) — непрерывный случайный |
вектор, |
p(x1 , x2 ) |
— его плотность |
вероятности, тогда |
|
|
|
Φ(y1, y2 )= ∫∫ p(x1, x2 )dx1dx2 , |
|
||
D |
|
|
|
где область D определяется условием: |
|
|
|
D = ((x1 , x2 ): f1 (x1 , x2 )< y1 , f2 (x1 , x2 )< y2 ) |
|||
Найдем в качестве примера |
функцию распределения суммы |
||
Y = X1 + X 2 , если задана плотность вероятности |
p(x1 , x2 ) |
случайного вектора |
(X1 , X 2 ). Имеем
Φ(y)= P(Y < y)= P(X1 + X 2 < y)= ∫∫p(x1, x2 )dx1dx2 =
x1+x2 <y
∞ |
y−x1 |
∞ |
= ∫dx1 |
∫ p(x1, x2 )dx2 = |
∫dx2 |
−∞ |
−∞ |
−∞ |
y−x2
∫ p(x1, x2 )dx1.
−∞
Сделав в интеграле замену переменных x1 + x2 = z, x1 = x1 , якобиан отображения (x1 , x2 )→ (x1 , z) равен 1, получим
y∞
Φ(y)= ∫ ∫ p(x1, z − x1 )dx1.
−∞ −∞
Отсюда следует, что случайная величина Y имеет плотность вероятности
54
pY (y)= Φ′(y)= ∞∫ p(x1, y − x1 )dx1.
−∞
Таким образом, если двумерное распределение слагаемых Х1 и Х2
имеет плотность p(x1 , x2 ), то и их |
сумма |
Y = X1 + X 2 также имеет |
|
плотность, определенную последним равенством. |
|
|
|
Если случайные величины |
Х1 и |
Х2 |
независимы, то |
p(x1, x2 )= pX1 (x1 )pX2 |
(x2 ) и можем записать pY (y) в виде свертки функций р1 |
и р2: |
|
pY (y)= ∞∫ pX1 (x)pX2 (y − x)dx = ∞∫ pX2 (x)pX1 (y − x)dx =pX1 × pX2 . |
|
−∞ |
−∞ |
Определение закона распределения суммы по законам распределения независимых слагаемых называется композицией законов распределения слагаемых.
Имеет место следующая
Теорема. |
[9] Пусть Х1 и Х2 независимые случайные величины, а |
f1 (X ) и f2 (X ) |
произвольные функции, такие, что Y1 = f1 (X ) и Y2 = f2 (X ) |
также случайные величины. Тогда Y1 и Y2 независимы, т.е. функции от независимых случайных величин являются независимыми случайными величинами.
Доказательство. Проведем доказательство для дискретных случайных
величин. Пусть Х1 принимает значения |
х1, х2 , ..., а Х2 принимает значения |
у1, у2 ,... . Тогда случайные величины |
Y1 = f1 (X ) и Y2 = f2 (X )также |
дискретны, пусть λ и μ — любые фиксированные значения Y1 и Y2 . В силу независимости случайных величин Х1 и Х2 , можем записать
55
P(f1(X1 )= λ, f2 |
(X 2 )= μ)= |
|
∑P(X1 = xk , X 2 = y1 )= |
|
|
(k ,1): f1 (xk |
)=λ, f2 (y1 )=μ |
||
|
= |
|
∑P(X1 = xk )P(X 2 = y1 )= |
|
|
(k ,1): f1 (xk |
)=λ, f2 (y1 )=μ |
||
|
= ∑ |
P(X1 = xk ) ∑P(X 2 = y1 )= |
||
|
k: f1 (xk |
)=λ |
1: f2 (y1 )=μ |
|
|
= P(f1 |
(x1 )= λ)P(f2 (x2 )= μ) |
что ввиду независимости случайных величин Х1 и Х2 и произвольностиλ и
μ означает независимость случайных величинY1 = f1 (X1 ) и Y2 = f2 (X 2 ).
Пример. Пусть (X, Y) непрерывный случайный вектор с плотностью вероятности р(х, у). Найдем функцию распределения произведения Z=X+Y. Имеем
FZ (z)= P(XY < z)= ∫∫ p(x, y)dxdy = ∫0 |
dx |
∞∫p(x, y)dy + ∞∫dxz∫/ xp(x, y)dy |
|||||||||||
|
|
xy<z |
|
|
−∞ |
z / x |
|
|
|
|
0 −∞ |
||
Отсюда получаем выражение для плотности Z |
|
|
|
|
|||||||||
|
|
(Z )= F′(z)= − |
0 1 |
|
z |
|
|
∞ |
1 |
|
z |
||
p |
|
−∞∫ x |
p x |
|
|
dx + |
∫0 |
|
p x |
|
dx |
||
|
x |
x |
|
||||||||||
|
Z |
Z |
|
|
|
|
x . |
56
Глава 3
Числовые характеристики случайных величин § 1. Основные определения. Моменты случайных величин
Определение 1. Моментом (начальным) порядка k дискретной случайной величины Х, принимающей значения xi с вероятностями
P(X = xi )= pi , i = 1, 2, …, называется число [9]
∞
MXk = ∑xik pi ,
i=1
при условии, что данный ряд сходится абсолютно, т.е.
∞
M Xk = ∑ xi k pi < ∞.
i=1
M Xk — называется абсолютным моментом порядка k.
Моментом (начальным) порядка k непрерывной случайной величины Х с плотностью вероятности р(х) называется число
MX k = ∞∫xk p(x)dx
−∞
при условии, что интеграл сходится абсолютно, т.е.
M X k = ∞∫ xk p(x)dx < ∞
−∞
M Xk — называется абсолютным моментом порядка k.
Если M Xk не существует, то говорят, что случайная величина Х не
имеет конечного момента порядка k. По определению моменты MXk и
M Xk существуют или не существуют одновременно.
Определение 2. Момент МХ первого порядка (k=1) называется
математическим ожиданием, или средним значением, случайной величины Х.
57
Примеры.
1.Равномерное распределение: Х равномерно распределена в [a,b],
т.е.
|
|
|
|
|
1 |
|
x [a,b], |
|
|
|
|
|
|
, |
|
|
|
|
|
|
|||
|
|
|
|
p(x)= |
|
|
|
|
|
|
|
b −a |
|
x [a,b], |
|
|
|
|
|
|
0, |
|
|
MX = |
1 |
b x dx = a +b |
— середина отрезка [a,b]. |
||||
|
|||||||
|
b −a ∫a |
2 |
|
|
|
|
2.Распределение Пуассона: X = k с вероятностью
pk = P(X = k )= |
λk |
e−λ , λ > 0, k = 0, 1, 2, ..., |
||||||||||
|
|
|
|
|
k! |
|
|
|
|
|
|
|
∞ |
k |
e |
−λ |
|
|
∞ |
k |
−λ |
∞ |
k |
|
|
MX = ∑k |
λ |
|
= e−λ ∑ |
λ e |
|
|
=λe−λ ∑λ |
|
= λ. |
|||
k! |
(k −1)! |
|
||||||||||
k =0 |
|
|
k=1 |
k =0 k! |
|
3.Нормальное распределение: X N (a,σ 2 )
|
1 |
∞ (x−a )2 |
1 |
∞ |
|
t2 |
σ |
∞ |
t2 |
a |
∞ |
t2 |
|||
MX = |
∫xe 2σ 2 dx = |
∫ |
(σt + a)e− |
|
dt = |
∫te− |
|
dt + |
∫e− |
|
dt = a |
||||
2 |
2 |
2 |
|||||||||||||
|
σ 2π |
−∞ |
2π |
−∞ |
|
|
2π |
−∞ |
|
|
2π |
−∞ |
|
|
так как первый интеграл в правой части равен нулю.
Рассмотрим важную теорему о математическом ожидании функций от случайных величин.
Теорема 1. [9] Пусть Х – дискретная случайная величина (непрерывная случайная величина), принимающая значения х1, х2 , ... соответственно с вероятностями р1, р2 , ... ( имеющая плотность вероятности р(х)), а Y = f (X )
— новая случайная величина, где f(.) – некоторая функция. Тогда математическое ожидание Y равно
∞ |
|
∞ |
|
MY = Mf (X )= ∑ f (xi )pi |
|
|
|
MY = Mf (X )= ∫ f (x)p(x)dx |
|||
i=1 |
|
−∞ |
|
если ряд (интеграл) сходится абсолютно.
Доказательство проведем для дискретной случайной величины Х. В
этом случае случайная величина Y = f (X )также дискретна, ее значениями
58
являются числа у1, у2 , ..., где множество у1, у2 , ... совпадает с множеством
всех различных чисел среди |
f (x1 ), f (x2 ),... , а вероятность каждого значения ys |
|||||
равна |
|
|
|
|
|
|
qs = |
|
(Y = ys )= P(ω : f (X (ω))= ys )= ∑pk |
||||
P |
||||||
|
|
|
|
|
k: f (xk )=ys |
|
Теперь имеем |
|
|
|
|
|
|
∞ |
∞ |
∞ |
∑ f |
|
∞ |
|
MY = ∑ys qs =∑ys |
∑ pk = ∑ |
(xk )pk |
=∑ f (xi )pi |
|||
s=1 |
s=1 |
k: f (xk )=ys s=1 k: f (xk )=ys |
i=1 |
последнее равенство выполняется ввиду того, что каждое слагаемое f (xi )pi
участвует в двух последних суммах один и только один раз, поскольку все ys
различны. Возможность объединения в одну сумму следует из леммы о
∞
суммировании по блокам, так как ряд ∑ f (xi )pi по условию сходится.
i=1
Следствие. Для любой случайной величины Х и постоянных
k=0, 1, …, n
n |
|
n |
M ∑ck X k |
= ∑ck MX k |
|
k =0 |
|
k =0 |
если M Xk < ∞, k = 1, 2, …, n.
n
Это равенство вытекает из теоремы, в которой f (x)= ∑ck xk
k=0
ck ,
—
полином. Из последнего равенства следует, что Мс = с и М(сХ)=сМХ, с – любая постоянная.
В случае, когда Х – дискретная случайная величина, принимающая значения х1, х2 , ... с вероятностями р1, р2 , ..., определена на дискретном вероятностном пространстве (Ω, Ξ, Ρ), нетрудно дать другое выражение для математического ожидания:
MX = ∑X (ωi )P(ωi )
ωiΩ
59
здесь P(ωi ) — |
вероятность элементарного |
исхода ωi , и сумма |
|||||
распространена на все элементарные события ωi Ω. |
|
||||||
Определение 3. Математическое ожидание |
M (X −MX )k |
называется k- |
|||||
м центральным |
моментом, если существует |
M |
|
X − MX |
|
k . |
Центральный |
|
|
момент второго порядка называется дисперсией случайной величины Х и
обозначается DX: DX = M (X − MX )2 .
Этот момент является очень удобной характеристикой разброса значений Х около ее среднего значения – математического ожидания МХ. Так как
M (X − MX )2 = M (X 2 − 2XMX + (MX )2 )= MX 2 − 2MX MX + (MX )2
то справедлива следующая формула для дисперсии:
DX = MX 2 −(MX )2 .
Отсюда следует, что MX 2 ≥ (MX )2 , поскольку DX ≥ 0 . Дисперсия имеет размерность квадрата случайной величины; для характеристики разброса, рассеивания иногда бывает удобнее пользоваться значением, размерность которого совпадает с размерностью случайной величины. Такая величина
σX = DX называется среднеквадратичным уклонением Х.
На основании определения дисперсии и теоремы 1 можно записать: 1) если Х – дискретная случайная величина, х1, х2 , ... — ее
значения, а р1, р2 , ... — соответствующие вероятности, то
∞
DX = ∑(xk − MX )2 pk
л=1
2) если Х – непрерывная случайная величина и р(х) – ее плотность вероятности, то
DX = ∞∫(x − MX )2 pdx
−∞
Примеры.
60