Лекции по ЧМ и ТВ
.pdf
|
БОЛЬШИХ ЧИСЕЛ |
121 |
12. НЕРАВЕНСТВО ЧЕБЫШЕВА И ЗАКОНЫ |
Лемма 42. Пусть случайные величины X11; : : : независимы и центрированы, а ряд их дисперсий сходится: PD(Xi) C. Тогда ряд
1
1
самих величин: PXi сходится почти всюду.
1
Согласно критерию Коши нужно доказать, что невозрастающая по-
|
k |
|
и бесконечные |
значения.) Пусть |
||
нулю. (Ее члены могут принимать |
||||||
следовательность m = sup |
P |
Xm+i(!) |
|
сходится почти всюду к |
k;j 0 i=j
Am = f!; m(!) "g, Am Am+1. Последовательность m(!) íå
|
|
|
|
|
( |
Am) |
T |
|
|
|
|
|
|
|
|
|||
сходится к нулю, если ! |
|
2 |
Am при некотором ". |
|
|
|
|
|||||||||||
неприятной |
|
|
|
T |
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
Докажем, что P |
|
|
|
|
|
= 0 при любом ". Чтобы избавиться от |
||||||||||||
|
|
операции взятия верхней грани, представим, событие |
||||||||||||||||
|
|
|
k |
|
|
|
|
|
|
|
|
P |
|
n |
|
|
|
|
Am суммой несовместных событий: Am = |
|
Amn, |
|
|
|
|
||||||||||||
Проведем еще=раз рассуждения |
|
n=1 |
|
|
0неравенства |
|
||||||||||||
из доказательства |
×å- |
|||||||||||||||||
Amn = f!; |
P |
Xm+i(!) |
|
|
< "; ïðè j; k n 1; |
P |
|
"g. |
||||||||||
|
|
|
|
Xm+i(!) |
|
|||||||||||||
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
i |
j |
|
|
|
|
|
|
|
|
|
|
i=j |
|
|
|
|
бышева: Z |
i=j0 |
Xm+i(!) |
|
2 d P(!) = |
|
|
|
|
|
|
|
|||||||
k Amn P |
|
k |
|
|
|
|
|
d |
|
|
|
|
|
|
||||
=Z i=j0 |
Xm2 |
+i(!)+2 i=j |
Xm+i(!) Xm+j(!) |
P(!) "2 P(Amn). После |
||||||||||||||
P |
|
|
n |
|
P |
|
|
|
|
|
|
|
|
|
|
|
|
|
Amn |
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
сложения по |
|
этих неравенств удвоенные произведения исчезнут |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
из-за независимости величин и получится оценка: P D(Xm+i)
i=1
"2 P(Am), из которой следует, ввиду сходимости ряда дисперсий, что P(Am) ! 0.
Доказательство теоремы. Так как дисперсии случайных вели- ÷èí Xj ограничены, то ряд составленный из дисперсий величин
X X
jj сходится, тогда по лемме ряд P jj сходится почти всюду. Ис-
пользуя выражение Xj через последовательные остатки этого ряда:
Xj = j(Rj Rj+1), просуммируем по частям искомое выражение в точке сходимости:
122 Глава V. ТЕОРИЯ ВЕРОЯТНОСТЕЙ
1 |
|
|
n |
|
|
1 |
|
m |
|
1 |
|
n |
|
|
|
|
|
|
|
||||
|
|
|
P |
|
|
|
P |
|
|
|
P |
|
|
|
|
|
|
||||||
n |
1 |
|
Xj = |
n |
1 |
|
Xj + |
n |
|
|
(jRj (j + 1)Rj+1 + Rj+1) = |
|
|||||||||||
|
|
|
|
m |
|
|
|
m+1 |
|
|
n |
|
j+1 |
|
|||||||||
|
|
|
1 |
|
m j |
1 |
|
|
m+1 |
|
n+1 |
|
|
||||||||||
|
|
|
|
n1 |
1 |
|
n |
|
m+1 |
|
|||||||||||||
= |
|
|
P |
X + |
|
(m + 1)R |
|
|
(n + 1)R + |
P |
R |
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
затем |
1 |
, получим в пределе . |
|
||||||
|
|
|
|
P |
|
|
0 |
|
|
n |
|
Xj |
sup R |
. Устремив к бесконечности сначала n, à |
|||||
|
+ 3 j m j jj |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
m
13 Характеристическая функция
Метод характеристических функций используется для вычисления распределений сумм случайных величин и предельных распределений.
Характеристической функцией случайной величины математическое ожидание функции ei t X:
Z Z
'X (t) = M( ei t X) = ei t x d FX (x) = ei t x p(x) dx
Ясно, что характеристическая функция лишь знаком при аргументе отличается от преобразования Фурье плотности распределения величины X: ' (t) = bp ( t), конечно в том случае, когда эта плотность существуетX.
Предложение 43. Характеристическая функция суммы независимых случайных величин равна произведению их характеристиче- ских функций:
' |
= ' ' |
Y |
(V.2) |
X+Y |
X |
|
Когда распределения случайных величин имеют плотность эта формула вытекает из свойств преобразования Фурье и свертки. В общем случае доказательство приходится повторить. Согласно определению: 1
'X+Y |
= |
Z |
ei t x d FX+Y (x). Теперь преобразуем интегралы: |
||||||
|
|
|
1 |
|
|
|
|
Z |
|
FX+Y (x) = ZZ |
ds dt FX;Y (s; t) = |
ds dt( FX (s) FY (t)) = |
|||||||
|
1 |
|
s+t x |
x s |
|
s+t x |
|
||
|
|
|
|
|
1 |
|
|
||
= |
Z |
d FX (s) |
Z |
d FY (t) = |
Z |
FY (x s) d FX (s). |
|||
|
1 |
|
|
1 |
|
1 |
|
|
13. ХАРАКТЕРИСТИЧЕСКАЯ ФУНКЦИЯ |
123 |
1s=1
|
|
|
Z |
Z |
|
|
|
Следовательно, 'X+Y |
= |
ei t x |
(s) dx FY |
(x s) = |
|
||
d FX |
|
||||||
|
s=1 |
|
1 |
s= 1 |
|
|
|
|
|
x=1 |
|
|
|
|
|
= |
Z |
ei t s d FX (s) |
Z |
ei t (x s) dx FY (x s) = |
|
|
|
|
s= 1 |
x= 1 |
|
|
|
|
|
|
s=1 |
|
x=1 |
|
|
|
|
= |
Z |
ei t s d FX (s) |
Z |
ei t x dx FY (x) = 'X (t) 'Y (t). |
|
||
|
s= 1 |
x= 1 |
|
|
|
|
Пример 35. Характеристическая функция дискретной случайной величи- ны Xa, сосредоточенной в одной точке x = a, равна:
|
' = eit a 1 |
В частности ' = 1 |
Xa |
X0 |
|
Упражнение 13. Доказать, что в общем случае |
|
'X+Y |
= MY eitY 'XjY (t) |
и вывести отсюда формулу (V.2).
Математическое ожидание случайной величины (X), которая имеет преобразование Фурье (по переменной X), может быть выра-
жено через характеристическую функцию величины X с помощью формулы Парсеваля:
Z
M( (X)) = (x) d F(x) =
1 ZZ (t) eixt d F (x) dt =
2 b X
= |
1 |
Z |
(t) 'X (t) dt |
(V.3) |
2 |
||||
|
|
|
b |
|
Предложение 44. Теорема восстановления. Соответствие между функциями распределения и их характеристическими функциями взаимно однозначно.
Для распределений с гладкими плотностями этот результат, очевидно, совпадает с формулой обращения. Пусть a, b точки непрерыв-
ности функции F(x), а "(x) семейство гладких функций от x, которое при " ! +0 стремится к индикатору отрезка [a; b]. Тогда, согласно (V.3):
F(b) |
|
F(a) = lim |
"(x) |
d F(x) = |
1 |
lim |
"(t) 'X (t) |
d |
t |
|
|
||||||||||
|
"!0 Z |
|
2 "!0 Z |
|
||||||
дел существует и выражает функцию |
|
|
|
b |
|
|
||||
Поскольку выражения под знаками пределов совпадают, второй пре- |
||||||||||
|
|
|
|
|
распределения через харак- |
|||||
теристическую функцию. В качестве семейства |
"(x) можно взять |
124 Глава V. ТЕОРИЯ ВЕРОЯТНОСТЕЙ
свертку индикатора отрезка [a "; b + "] с дельта-образной последовательностью: " = I[a "; b+"] ".
Определение 45. Последовательность d Fn(x) вероятностных ìåð слабо сходится к мере d F(x),
d Fn(x) ! d F(x), w
åñëè M( (Xn)) ! M( (X)) для любой бесконечно дифференцируемой функции (x) с компактным носителем. В этом случае
говорят также, что слабо сходятся случайные величины, их распределения или функции распределения.
Предложение 46. Теорема непрерывности.
d Fn(x) ! d F(x) тогда и только тогда, когда последователь- w
ность характеристических функций сходится в каждой точке:
' (t) ! ' (t) 8t.
Xn X
Пусть последовательность мер слабо сходится. Ясно, что сходимость характеристических функций не следует сразу из определения слабой сходимости только потому, что функция eixt не равна нулю на
бесконечности. Аппроксимируем ее функциями с компактным носителем. Пусть гладкая функция #A(x) равна 1 ïðè jxj A, ðàâ-
íà 0 ïðè jxj A + 1 и не убывает с ростом A. Можно в качестве
#A(x) взять построенную выше функцию "(x) ïðè " = 1, a = A, b = A. Òàê êàê #A(x) ! 1, когда A ! 1, то при любом " по теореме Лебега M(#A(X)) 1 ", когда A A". Отсюда следует, что
M(#A(Xn)) 1 2", когда A = A" è n n", и, следовательно, когда A A", поскольку с ростом A математическое ожидание случайной
величины #A(X) растет при любой случайной величине X. Теперь
в сумме 'Xn (t) = M(#A(Xn) eiXnt) + M((1 #A(Xn)) eiXnt) первое
слагаемое стремится к ' (t) а второе имеет порядок ": j M((1
X
#A(Xn)) eiXnt)j M((1 #A(Xn))) 2", что и требуется. Докажем теперь обратное, пусть поточечно сходится последова-
13. ХАРАКТЕРИСТИЧЕСКАЯ ФУНКЦИЯ |
125 |
тельность характеристических функций. Так как |
j 'Xn (t)j |
1 è |
|||||||||||
j (t)j C=(t2 + 1), то согласно (V.3) и по теореме Лебега |
|
|
|||||||||||
M |
1 |
|
d |
|
1 |
|
d |
|
M |
|
. |
|
|
2 Z (t) 'Xn(t) |
t! |
2 Z (t) 'X(t) |
t= |
( (X)) |
|
||||||||
b( (Xn))= |
|
|
|
|
|||||||||
Благодаря жестким рамкам условиям монотонности и ограни- |
|||||||||||||
ченности функций распределения, теорему непрерывности можно |
|||||||||||||
|
|
b |
|
|
|
b |
|
|
|
|
|
|
усилить.
Предложение 47. Для функций распределения слабая сходимость эквивалентна равномерной сходимости.
Пусть последовательность FXn слабо сходится к F = FX . Äîêà- жем, что отсюда следует сходимость в каждой точке a. Рассмотрим
две гладкие функции с компактными носителями # , #+, настолько близкие к ступеньке
H(a x) = |
1; |
ïðè x < a, ÷òî F(a 0) " M(# (X)) |
|
0; |
ïðè x a |
F(a 0) F(a + 0) M(#+(X)) F(a + 0) + ". Обе они плавно поднимаются от 0 до 1 вблизи 1, # быстро и плавно опускается äî 0 перед точкой a, à #+ после. Тогда, ввиду слабой сходимости, при больших n будут выполняться неравенства F(a 0) 2"
M(# (Xn)) F(a 0)+", F(a+0) " M(#+(Xn)) F(a+0)+2",
которые означают, что FXn ! F в каждой точке непрерывности и с каждой стороны любой точки разрыва, то есть, в a 0 è â
a + 0. Из поточечной сходимости выводится равномерная. Прямую
Rx можно разбить на конечное количество ограниченных и два полуограниченных промежутка, на каждом из которых функция F(x)
возрастает не более, чем на ", для любого заранее заданного числа ". Если j FXn(xj) F(xj) " в концах каждого промежутка, то
j FXn(x) F(x)j 2" на всей прямой. |
|
|||||
Теперь ответим на вопрос какие функции могут быть ха- |
||||||
рактеристическими функциями распределения, хотя этот ответ |
||||||
и не найдет далее приложений. Функция |
(t) с комплексны- |
|||||
ми значениями |
называется положительно |
определенной, если |
||||
def |
n |
|
|
|
|
|
|
|
|
|
|
|
|
ственных Ptj. |
cjck |
(tj tk) 0 при всех комплексных cj è âåùå- |
||||
Q ;n = |
|
j;k=1
Предложение 48. (Теорема Бохнера Хинчина) Комплекснознач- ная функция (t), (0) = 1, интегрируемая и непрерывная в нуле,
тогда и только тогда есть характеристическая функция некоторой случайной величины, когда она положительно определена.
126 Глава V. ТЕОРИЯ ВЕРОЯТНОСТЕЙ
Необходимость условия следует из равенства
0 Z |
|
cj eitjx |
|
|
|
|
|
|
|
|
|
j |
k |
ck eitkx d FX (x) = |
|
|
|
||||||
|
P |
|
P |
|
|
|
k Z ei(tj tk)x d FX |
n |
|||
|
|
|
= jk |
cj |
|
(x) = j;k=1 cj |
|
k 'X (tj tk). |
|||
|
|
|
c |
c |
|||||||
Достаточность докажемP |
|
|
|
|
P |
||||||
|
|
|
|
эскизно. Идея состоит в том, чтобы от дискретного усло- |
|||||||
вия положительной определенности перейти к непрерывному, устремив n в бес- |
конечность. Эту процедуру затрудняют возможные неограниченность и неинте- |
|||||||||||||||||||||||||||||||||||||||
грируемость по Риману функции . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
Докажем, что положительно определенная функция обязательно ограничена. |
||||||||||||||||||||||||||||||||||||||
Положим cj |
= rj ei'j и представим |
|
|
как сумму четной и нечетной функции: |
|||||||||||||||||||||||||||||||||||
= + . Тогда при n = 2 имеем: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(0)(r2 |
+ r2) |
|
|
||||||||||||||||||||
|
|
|
|
Q ;2 = 2r |
|
r |
cos(' |
1 |
' |
|
) + 2 ir |
r |
sin(' |
|
|
'2) + |
|
|
0, |
||||||||||||||||||||
|
|
|
|
|
|
|
1 |
2 |
|
|
2 |
|
|
1 |
2 |
|
|
|
1 |
|
|
2 |
+ ( i ) |
2 |
|
1 |
|
2 |
|
||||||||||
откуда следует, что вещественна, мнима и что |
|
|
1. |
|
|
|
|||||||||||||||||||||||||||||||||
|
Заменим |
|
на гладкую и быстро убывающую на бесконечности функцию |
||||||||||||||||||||||||||||||||||||
" = #1=" |
p0;", которая сходится к |
0 = |
; здесь p0;" = p(x; 0; ") плотность |
||||||||||||||||||||||||||||||||||||
-образного нормального распределения. Возьмем в качестве |
|
(tj) равномерную |
|||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
p |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
"1 |
|
|
|
|
|
|
|
||||
сетку на большом отрезке [ a; a] и положим rj = r(tj) = |
|
|
p0;"1 (tj), 'j = tj x. |
||||||||||||||||||||||||||||||||||||
2 |
|||||||||||||||||||||||||||||||||||||||
|
|
2 |
|
n2 |
|
";n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
b |
|
|
|
|
|
|
|
Тогда |
4 a2 |
Q |
|
|
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
P |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
= |
4 a |
|
|
(t |
|
|
t ) e i(tj tk) x r(t ) r(t ) |
|
|
|
("), (") |
|
|
|
+0 è Q |
|
|
0. Переходя |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
n2 |
" j k |
|
n |
|
|
, а затем при a |
|
|
|
|
получаем: |
|
0;n |
|
|
|
||||||||||||||||||||||
|
jk |
|
|
! 1 |
|
j |
k |
|
! 1 |
|
! |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
сначала к пределу при |
|
|
def |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
ZZ |
|
"(t s) e i(t s) xr(t) r(s) dt ds = Q " |
("), Q 0 |
0. Выразив |
" через |
преобразование Фурье с помощью формулы обращения, получим:
Q " = |
1 |
Z |
"(y) p0;"1 (y x) p0;"1 (x y) dy. Òàê êàê p0;"1 (y x) p0;"1 (x y)= |
|
|||||||||||||
2 |
|
||||||||||||||||
= p20;"1 (x |
b y) |
|
1 (x |
|
y) è Q 0 |
|
0, òî Q " |
|
("). Отсюда следует, |
||||||||
|
|
|
|
|
! |
|
|
|
|
|
|
|
|
|
|
|
|
что функция |
"(y) близка к положительной. Чтобы отсюда получить по теореме |
||||||||||||||||
"(x) |
|
|
|
b |
|
|
|
|
|
|
|
|
"(x) + 2"2(") p0;1 |
(x), и умножить |
|||
непрерывности, что |
|
"(x) d x сходится к вероятностной мере, нужно функцию |
|||||||||||||||
на близкое к единице b |
|
|
|
" |
|
|
|
|
|
|
|||||||
b |
заменить на неотрицательную функцию |
b |
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
число, зависящее от |
|
, чтобы сумма оставалась плотностью |
|||||||||
вероятностей (в этом только месте и требуется непрерывность |
â íóëå). |
|
В доказательствах теоремы Муавра Лапласа и центральной предельной теоремы появятся примеры применения метода характеристических функций.
Пример 36. |
Найдем характеристические функции случайных величин, |
|
связанных с испытанием Бернулли. |
|
|
|
' = p ei t + q; ' = ( p ei t + q)n |
|
|
Kj;n |
Kn |
14. РАСПРЕДЕЛЕНИЕ ПУАССОНА
Нормируем и центрируем эти величины: |
||||||||
|
Kj;n p |
|
|
Kn n p |
||||
Kj;n = |
p |
|
|
; |
Kn = |
p |
|
|
p q |
n p q |
127
= X Kj;n p
pn p q
j
Их характеристические функции будут равны:
|
|
|
|
|
|
it |
|
q |
|
|
|
it |
p |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
' |
|
= p e |
p |
|
|
|
|
p p q |
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
p q + q e |
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Kj;n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
p |
|
n |
|
|||
|
|
|
|
|
|
|
it |
|
|
q |
|
|
|
it |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
'Kn |
= p e |
pn p q + q e |
pn p q |
|
|
(V.4) |
||||||||||||||||
Упражнение 14. |
Геометрическое распределение: |
|
|
|
|
|||||||||||||||||
pm = p qm, X = m = 0; 1; : : : , p + q = 1, p; q > 0 |
|
|||||||||||||||||||||
Доказать, что: M(X) = q= p, D(X) = q= p2, As = (1 + q)=p |
|
, Ek = 6 + p2= q, |
||||||||||||||||||||
q |
||||||||||||||||||||||
'(t) = p=(1 q eit). È ÷òî |
pm равна вероятности того, что первому успеху в |
|||||||||||||||||||||
схеме Бернулли предшествовало m испытаний. |
|
|
|
|
|
|
|
|||||||||||||||
Упражнение 15. Гипергеометрическое распределение: |
|
|
||||||||||||||||||||
|
|
|
|
n |
r n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
p |
m |
= |
|
m k m |
, |
X = m = 0; 1; : : : |
|
|||||||||||||||
|
|
|
|
r |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
без возвращения из урны, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Доказать, что вероятность достать ровно m красных шаров после k извлечений |
||||||||||||||||||||||
|
|
содержащей |
|
n |
красных и |
r n |
синих шаров равна p |
m, |
если выполняются условия: n r, k r, max(0; n + k r) m min(k; n), а также что: M(X) = k n=r, D(X) = k n(r n)=r2 + (r k)=(r 1).
Название этого распределения объясняется тем, что производящая функция P pjzj случайной величины X оказалась гипергеометрической.
14Распределение Пуассона. Пуассоновский (или простейший) поток
Распределение p(k; ) = e |
k |
целой неотрицательной величины |
k! |
||
K называется распределением Пуассона. К нему сходится биноми- |
альное распределение:
Упражнение 16. p(k; ) = lim b(k; n; p); ïðè np = è n ! 1:
Число называется интенсивностью потока, это параметр распре-
деления.
Поток событий определяется последовательностью моментов наступления этих событий, каждая такая последовательность один исход. Для рассмотрения таких потоков, чтобы не возиться с мерой на бесконечномерном пространстве, в качестве множества элементарных событий берут полную группу несовместных событийt = fAk(t); k = 0; 1; : : : g, где исход Ak(t) состоит в том, что за
время t произошло ровно k событий из потока. Пусть pk(t) вероятность исхода Ak(t):
128 Глава V. ТЕОРИЯ ВЕРОЯТНОСТЕЙ
Поток называется простейшим, когда, во-первых,
p1( dt) = dt + o( dt) è p0( dt) = 1 dt + o( dt)
Последнее свойство называют ординарностью потока. Оно означа- ет, что вероятность осуществления более одного события за малый промежуток времени оказывается величиной следующего порядка малости.
Во-вторых, в потоке не должно быть последействия. Это зна- чит, что события происходящие на непересекающихся промежутках независимы.
И наконец, простейший поток стационарен: вероятности не зависят от расположения промежутка d t, проще говоря, не зависит
îò t.
Выведем из этих условий систему дифференциальных уравнений äëÿ pk(t): Система для событий имеет вид:
Ak(t) = Ak 1(t dt) \ A1( dt) + Ak(t dt) \ A0( dt)
В этих уравнениях слагаемые, вероятности которых имеют высший
порядок малости (содержащие Ak( dt), k > 1) опущены. Заменив события вероятностями, получим:
pk(t) = pk 1(t dt) dt + pk(t dt)(1 dt) èëè p0k(t) = pk 1(t) pk(t)
Для ее решения сделаем замену pk = uk e t, получим:
ktk
откуда: u0 = const = 1, òàê êàê p0(0) = 1, uk = k!
формула Пуассона:
= ktk e t
pk k!
Упражнение 17.
' (s) = e t(cos s+ isins 1)
K
14.0.1Гамма-распределение
u0k = uk 1, и, наконец,
Это название связано с гамма-функцией, как видно из формулы для
его плотности: = ; = c |
x 1 e x ( здесь c |
|
= |
|
|
нормирую- |
|
0 |
( ) |
||||||
0 |
|
|
|
щая константа, > 0, > 0 x 0. Вычислим характеристическую
|
1 |
|
|
|
|
|
функцию: ' = c0 |
Z |
eit x dx. Легко проверить, что эта функция |
||||
|
0 |
|
|
i |
|
|
удовлетворяет дифференциальному уравнению '0 = |
|
|
'. Ñëå- |
|||
|
|
|
||||
довательно, ' = ( it) , где постоянный |
it |
|||||
|
|
|
|
множитель получен
15. НОРМАЛЬНОЕ РАСПРЕДЕЛЕНИЕ |
129 |
из условия '(0) = 1. Ясно, что получена еще одна формула операционного исчисления.
14.0.2Показательное распределение
Его можно называть и экспоненциальным. Это гамма-распределе- ние с = 1. Плотность на полупрямой x 0 равна p(x) = e x,
> 0.
Упражнение 18.
1. Длины промежутков между последовательными событиями в пуассоновском потоке распределены показательно и независимо.
2. Случайная величина X распределена экспоненциально тогда и только тогда,
когда P((X > x + y)=(X > y)) = P (X > x). Эту формулу можно интерпрети-
ровать как отсутствие последействия или марковское свойство.
3. Показательное распределение имеет следующие числовые характеристики:
M(X) = 1= , D(X) = 1= 2, As(X) = 2, Ek(X) = 6.
15 Нормальное распределение |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
Плотность этого распределения |
|
|
|
(x m)2 |
|
||||||||||||||||||||
|
|
|
1 |
|
|
|
|
|
|
|
|||||||||||||||
|
p |
|
|
|
|
e |
|
|
2 2 |
||||||||||||||||
pm = |
(x; m; ) = p |
|
|
|
|
|
|||||||||||||||||||
X |
2 |
|
|
|
|
|
|
|
|
|
|||||||||||||||
это плотность распределения непрерывной случайной величины |
|||||||||||||||||||||||||
X = Xm; с математическим ожиданием m и средним квадратиче- |
|||||||||||||||||||||||||
ским отклонением . Она выражается через функцию Гаусса: |
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x2 |
||||||
0(x) = pX (x; 0; 1) = |
|
|
1 |
|
e |
|
|
|
|
||||||||||||||||
p |
2 |
||||||||||||||||||||||||
2 |
1 |
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= |
+ (x), ãäå |
|||||
Нормальная функция распределения равна FX |
|
||||||||||||||||||||||||
2 |
|
|
|||||||||||||||||||||||
|
|
x |
x |
|
|
|
|
|
|
|
|
||||||||||||||
(x) = Z |
1 |
|
|
Z |
|
|
|
|
y2 |
||||||||||||||||
|
|
|
|
e 2 dy |
|||||||||||||||||||||
0(y) dy = |
p |
|
|
|
|
||||||||||||||||||||
2 |
|
|
|||||||||||||||||||||||
функция Лапласа. |
0 |
0 |
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Упражнение 19. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
(1) = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
M(X) = m |
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
D(X) = 2 |
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
' (t) = eimt |
2t2 |
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
2 |
|
|
|
|
|
|
|
|
|
|
(V.5) |
Xm;
Вероятность попадания в интервал нормальной величины равна
130 |
|
|
|
|
Глава V. ТЕОРИЯ ВЕРОЯТНОСТЕЙ |
||||||||
P |
|
|
|
|
b m |
|
|
|
a m |
|
|||
Вероятность отклонения от |
|
|
|
|
|
||||||||
|
(a < X < b) = |
|
|
|
|
|
|||||||
Правило трех сигм |
|
среднего на заданную величину равна |
|||||||||||
выражаетj |
формула |
|
|
|
|
|
|||||||
|
|
P( X mj < a) = 2 |
a |
|
|
|
|
||||||
|
|
|
|
|
|
|
P(jX mj < 3 ) = 2 (3) = 0:997 : : :
Для весьма обширного класса задач это значит, что значения нормальной случайной величины, отличающиеся от наиболее вероятного более чем на три средних квадратических отклонения, маловероятны. Это правило применяют и по-другому: неизвестно как распределенная величина считается нормальной, если она ему подчиняется.
15.0.3Распределение хи-квадрат
Случайной величиной 2 с n степенями свободы называется сумма
квадратов n независимых (0; 1)-нормальных величин. Ее распределение имеет вид:
p 2 (x) = |
1 |
xn=2 1 |
e |
x=2; x 0 |
(V.6) |
|
|
||||
2n=2 (n=2) |
|
Доказательство начнем со значения n = 1. По формуле преобразо- |
|||||
вания плотности для случайной величины Y = 12 = X2, связанной |
|||||
|
|
|
1 |
y |
|
ñ (0; 1)-нормальной величиной X получаем: p 12(y) = |
p |
e2 y 1=2, |
|||
2 |
|||||
y 0. Следовательно, распределение 12 |
это гамма-распределение. |
||||
1=2;1=2, а его характеристическая функция равна ' 12 = (1 2 it) 1=2 |
|||||
Характеристическая функция суммы вычисляется с помощью пред- |
ложения 43: ' 2 = (1 2 it) n=2, из чего следует, что распределение2 тоже оказывается гамма-распределением: 2 = 1=2;n=2.
15.0.4Распределение Стьюдента с n степенями свободы
Случайная величина
T = |
X |
; |
|
(V.7) |
|
|
|
|
|||
p |
|
|
|||
Y=n |
2 |
||||
где X распределена (0; 1)-нормально, а Y как |
|
ñ n степенями |
свободы, имеет плотность распределения: