![](/user_photo/1409_eZHEC.jpg)
- •Раздел 1. Классическая вероятностная схема
- •1.1 Основные формулы комбинаторики
- •Теорема о перемножении шансов
- •Урны и шарики
- •Урновая схема: выбор без возвращения, с учетом порядка
- •Урновая схема: выбор без возвращения и без учета порядка
- •Урновая схема: выбор с возвращением и с учетом порядка
- •Урновая схема: выбор с возвращением и без учета порядка
- •1.2 Основные понятия элементарной теории вероятностей Предмет теории вероятностей. Статистическая устойчивость.
- •Пространство элементарных исходов. Операции над событиями
- •Вероятность на дискретном пространстве элементарных исходов
- •Классическое определение вероятности
- •Гипергеометрическое распределение
- •Раздел 2. Геометрическая вероятность
- •2.1 Что это такое
- •2.2 Задача о встрече
- •2.3 Задача Бюффона
- •2.4 Парадокс Бертрана
- •Раздел 3. Аксиоматика теории вероятностей
- •3.2 Вероятность как нормированная мера
- •Раздел 4. Условная вероятность, независимость
- •4.1 Условная вероятность
- •4.2 Независимость
- •4.3 Формула полной вероятности
- •4.4 Формула Байеса
- •Раздел 5. Схема Бернулли
- •5.1 Распределение числа успехов в nиспытаниях
- •5.2 Наиболее вероятное число успехов
- •5.3 Номер первого успешного испытания
- •5.4 Приближение гипергеометрического распределения биномиальным
- •5.5 Независимые испытания с несколькими исходами
- •5.6 Теорема Пуассона для схемы Бернулли
- •Раздел 6. Случайные величины и их распределения
- •6.1 Случайные величины
- •6.2 Дискретные распределения
- •6.3 Примеры дискретных распределений Вырожденное распределение.
- •Распределение Бернулли.
- •Биномиальное распределение.
- •Геометрическое распределение.
- •Распределение Пуассона.
- •Гипергеометрическое распределение.
- •Раздел 7. Функция распределения
- •7.1 Свойства функции распределения
- •Прочие полезные свойства функций распределения
- •Функция распределения дискретного распределения
- •Раздел 8. Абсолютно непрерывные распределения
- •Свойства плотностей
- •8.1 Примеры абсолютно непрерывных распределений
- •8.2 Свойства нормального распределения
- •Стандартное нормальное распределение
- •Раздел 9. Случайные вектора и их распределения
- •9.1 Свойства функции совместного распределения
- •9.2 Типы многомерных распределений
- •Дискретное совместное распределение
- •Абсолютно непрерывное совместное распределение
- •9.3 Независимость случайных величин
- •Раздел 10. Преобразования случайных величин
- •10.1 Преобразование одной случайной величины
- •10.2 Функции от двух случайных величин
- •10.3 Примеры использования формулы свертки
- •Раздел 11. Числовые характеристики случайных величин
- •11.1 Математическое ожидание случайной величины
- •11.2 Свойства математического ожидания
- •11.3 Моменты старших порядков. Дисперсия
- •11.4 Свойства дисперсии
- •11.5 Математические ожидания и дисперсии стандартных распределений
- •Раздел 11. Числовые характеристики случайных величин
- •11.1 Математическое ожидание случайной величины
- •11.2 Свойства математического ожидания
- •11.3 Моменты старших порядков. Дисперсия
- •11.4 Свойства дисперсии
- •11.5 Математические ожидания и дисперсии стандартных распределений
- •Раздел 12. Числовые характеристики зависимости случайных величин
- •12.1 Чем отличается дисперсия суммы от суммы дисперсий?
- •12.2 Коэффициент корреляции
- •12.3 Свойства коэффициента корреляции
- •Раздел 13. Куда и как сходятся последовательности случайных величин
- •13.1 Сходимость «почти наверное» и «по вероятности»
- •13.2 Неравенства Чебышёва
- •13.3 Законы больших чисел
- •13.4 Примеры использования збч и неравенства Чебышёва
- •Раздел 14. Цпт (центральная предельная теорема)
- •14.1 Как быстро сходится к ?
- •14.2 Слабая сходимость
- •14.3 Центральная предельная теорема
- •14.4 Предельная теорема Муавра — Лапласа
- •14.5 Примеры использования цпт
Раздел 6. Случайные величины и их распределения
6.1 Случайные величины
Мы уже видели, что для очень многих экспериментов нет никаких различий в подсчете вероятностейсобытий, тогда как элементарные исходы в этих экспериментах очень различаются. Но нас и должны интересовать именно вероятности событий, а не структура пространства элементарных исходов. Поэтому пора во всех таких «похожих» экспериментах вместо самых разных элементарных исходов использовать, например, числа. То есть ввести соответствие (иначе говоря, отображение) между элементарными исходами и вещественными числами (с ними удобно работать).
Пусть имеется случайный эксперимент и задано вероятностное пространство (Ω, Ψ,Р).
Определение 23. Функцияξ: Ω →Rназываетсяслучайной величиной, если для любогох Rмножество{ ξ < x} = {ω: ξ(ω) < x}является событием, то есть принадлежитσ-алгебре событийΨ.
Замечание 10. Можно смело считать, что любое множество элементарных исходов есть событие, и, следовательно, случайная величина естьпроизвольнаяфункция изΩвR. Никаких неприятностей на практике это обычно не влечет.
Определение 24. Будем говорить, что функцияξ: Ω →RявляетсяΨ-измеримой, если{ω: ξ(ω) < x}принадлежитΨдля любогох R.
Итак, случайная величина есть Ψ- измеримая функция, ставящая в соответствие каждому элементарному исходуω Ωчислоξ(ω) R.
Пример 21. Подбрасываем 1 раз кубик. ПустьΩ = {1, 2, 3, 4, 5, 6}, и две функции изΩв заданы так:ξ(ω)= ω , η(ω)= ω2.
Если Ψесть множествовсехподмножествΩ, тоξиηявляются случайными величинами, поскольку любое множество элементарных исходов принадлежитΨ, в том числе и{ω: ξ(ω) < x}или{ω: η (ω) < x}. Можно записать соответствие между значениями случайных величинξиηвероятностями принимать эти значения в виде «таблицы распределения вероятностей» или, коротко, «таблицы распределения»:
-
ξ
1
2
3
4
5
6
Р
1/6
1/6
1/6
1/6
1/6
1/6
-
η
1
4
9
16
25
36
Р
1/6
1/6
1/6
1/6
1/6
1/6
Здесь 1/6 = Р(ξ=1)=…= Р(ξ=6) = Р(η =1)= …= Р(η =36)
Пусть σ-алгебра событийΨсостоит всего из четырех множеств:
Ψ = { Ω ,, {1,3,5},{2,4,6} }
то есть событием является, кроме достоверного и невозможного событий, выпадение четного (соответственно, нечетного) числа очков. Убедимся, что при такой «бедной» σ-алгебре ниξ,ниηне являются случайными величинами, так как эти функции неΨ- измеримы. Возьмем (например)x = 3,967. Видим, что
{ω Ω: ξ(ω) < 3,967}= {1, 2, 3} Ψ и {ω Ω: η (ω) < 3,967}= {1} Ψ
Теперь попробуем понять, зачем нужна Ψ- измеримость и почему требуется, чтобы{ω: ξ(ω) < x}являлось событием.
Если задана случайная величина ξ, нам может потребоваться вычислить вероятности типа
P(ξ = 5) = P{ω: ξ(ω) = 5},
P (ξ [-3,7]),
P(ξ 3,2),
P(ξ > 0)
(и вообще самые разные вероятности попадания в различные множества на прямой). Это возможно только если множества, стоящие под знаком вероятности, являются событиями (напомню, что вероятность есть функция из σ- алгебры событий в [0,1]).
Но если потребовать, чтобы Ax = {ω: ξ(ω) < x}было событием при любомx, то мы из свойствσ- алгебры сразу получим, что
и
—
событие, и
—
событие,
и
—
событие,
и {ω: ξ(ω) = x}= Bx \ Ax— событие, (7)
и т.д., и т.п. (операции пересечения, объединения, дополнения событий не выводят из класса событий).
Можно потребовать в определении 23 чего-нибудь другого. Например, чтобы событием было попадание в любой интервал: (ω: ξ(ω) [a, b])для любыхa < b.
Или чтобы {ω: ξ(ω) x} было событием для любогоx. Любое такое определение эквивалентно исходному.
Опишем различные типы распределений случайных величин. Под распределением случайной величины мы будем понимать соответствие
«значение случайной величины ↔ вероятность принимать это значение»,
либо (чаще)
«множество на прямой ↔ вероятность случайной величине попасть в это множество».