
- •Глава 1. Теория вероятностей 3
- •1.2 Перестановки, размещения и сочетания
- •§2. Классическое определение вероятности
- •2.1 Определение и примеры
- •2.2 Критика классического определения
- •§3. Дискретное вероятностное пространство
- •§4. Геометрическая вероятность
- •§5. Парадоксы Бертрана
- •§6. Аксиоматика Колмогорова
- •6.1 Аксиомы событий
- •6.2 Аксиомы вероятности
- •6.3 Свойства вероятности
- •§7. Условная вероятность. Независимость
- •§8. Формула полной вероятности. Формула Байеса
- •§9. Схема Бернулли
- •9.1 Основные определения и примеры
- •9.2 Предельные теоремы в схеме Бернулли
- •§10. Случайные величины и их распределения
- •10.1 Введение
- •10.2 Функция распределения случайной величины
- •10.3 Наиболее употребительные распределения. Замена переменных
- •§11. Распределение случайного вектора (совместное распределение)
- •11.1 Основные определения
- •11.2 Плотность распределения случайного вектора при замене переменных
- •§12. Математическое ожидание случайной величины
- •12.1 Основные определения
- •12.2 Интеграл Лебега (интеграл по вероятностной мере)
- •12.3 Свойства математического ожидания
- •§13. Дисперсия случайной величины
- •§14. Примеры вычисления математического ожидания и дисперсии
- •§15. Производящие функции
- •15.1 Основные определения
- •15.2 Свойства
- •15.3 Примеры задач
- •§15. Коэффициент корреляции
- •§16. Многомерное нормальное распределение
- •16.1 Основные определения
- •16.2 Плотность распределения двумерного нормального вектора
- •16.3 Примеры задач
- •§17. Неравенство Чебышева
- •19.2 Закон больших чисел Бернулли
- •§20. Характеристические функции
- •20.1 Определение и свойства
- •20.2 Примеры
- •§21. Центральная предельная теорема
- •21.1 Доказательство цпт
- •21.2 Усиление закона больших чисел (збч Хинчина)
- •§22. Типичные задачи
- •§23. Условное математическое ожидание
- •23.1 Основные определения
- •23.2 Методы вычисления. Примеры
- •23.2.1 Дискретный случай
- •23.2.2 Непрерывный случай
- •23.3 Свойства
- •23.4 Исследование нормального случайного вектора
- •§24 Цепи Маркова
- •24.1 Основные определения. Формула Чепмена–Колмогорова
- •24.2 Классификация состояний
- •24.3 Период марковской цепи
- •24.4 Предельная теорема для переходных вероятностей марковских цепей
- •24.5 Возвратность цепей Маркова
- •§25 Типичные задачи, 2
11.2 Плотность распределения случайного вектора при замене переменных
Пусть дан случайный вектор X,Y=φ(X) — вектор-функция:
,
и φудовлетворяет условиям:
Отображение φвзаимно-однозначно.
φдиффереренцируемо (требуется для замены).
Якобиан отображенияJφ(x) ≠ 0:
.
Тогда справедлива теорема:
.
(аналог одномерной теоремы о замене переменных).
Доказательство.
.
Сравним начальный и конечный интегралы и заметим, что равенство выполняется для любых n-мерных множествA. Отсюда
.
Примеры
y=Ax+b, гдеy,x,b— векторы,A— матрица линейного преобразования.
Тогда Jφ=detA,φ−1(y)
=A−1(y−b),.
Если преобразование невырожденное, detA≠ 0 и справедлива формула
.
Говорят, что вектор X0имеет стандартное нормальное распределение, если его компонентыxi~N(0,1) и независимы между собой. Пустьn= 2. Требуется найти распределение (точнее, совместную плотность распределения) полярных координат вектораX0= (x,y).
Переход к полярным координатам:
,
обратный переход:
дается соотношениями (из анализа):
.
Модуль якобиана отображения (опять же,
из анализа)
.
Согласно теореме, плотность распределения
.
Поскольку координаты вектора независимы,
,
.
Отсюда
,
где
—индикаторотрезка [0, 2π)
(равен единице приθ [0, 2π), иначе нулю).
Получили: распределение полярных
координат состоит из двух частей:— равномерное распределение углов,
—
распределение радиусов.
Замечание. Аналогичную задачу можно решить и для размерностиn= 3 (и, соответственно, сферических координат, модуль якобианаabsJ=ρ2 cos θ). Но там потребуется расставить постоянные множители так, чтобы интеграл от плотности равнялся 1 дляρи дляθ.
§12. Математическое ожидание случайной величины
12.1 Основные определения
1) Пусть X — дискретная случайная величина, представленная конечными либо счетными наборами значенийx1, …,xn, … и вероятностейp1, …,pn, … Тогда
называется математическим ожиданиемслучайной величиныX.
Введем физическую интерпретациюматематического ожидания. Пусть на прямойXрасположены материальные точки с массамиpi(для которых ∑pi= 1) и координатамиxi:
Тогда координаты центра масс определяются соотношением
.
Центр масс — характерная точка тела: тело движется так, как движется материальная точка с координатом в центре масс и массой ∑ pi. Точно так же,EX — характерная точка (центр) распределения, показывающая поведение случайной величины в целом.
2) Пусть Xимеет непрерывное распределение с плотностьюp(x). Тогда
.
По аналогии с 1), можно ввести следующую интерпретацию: дана «материальная прямая», в каждой точке которой известна «масса» — вероятность
,
«центр масс» есть
.
12.2 Интеграл Лебега (интеграл по вероятностной мере)
Неформально. Рассмотрим ступенчатую
функцию, равнуюx1на Ω1,x2на Ω2, …,xnна Ωn.
Составим интегральную сумму,
взявXn=xiприxiΩi,i= 1, …,n.
С другой стороны, это математическое
ожидание EXn,
т.к..
И можно сказать, что найдется такая
возрастающая с вероятностью 1
последовательностьXn↑X. Разумеется, при
этомEXn↑, и если его пределEXприn→ ∞ конечен,
говорят, что функция (случайная величина)X(ω)интегрируема
по вероятности:
.
12.3 Свойства математического ожидания
, гдеF(x) — функция распределения.Вывод: для вычисления математического ожидания случайной величины достаточно знать ее распределение. Эту запись следует понимать так: на вещественной прямой строится распределение вероятностей
Q([a, b)) = P(X [a,b)) = F(b) – F(a),
и рассматриваются интегральные суммы
.
Для этого распределения вероятностей справедливы равенства:
dF(x) = p(x) dx
F(x) = F(x + 0)
F(x) = P(X < x)
Лемма. Если задана функция от случайной величиныh(X), то
,
еслиXдискретная,
,
еслиXнепрерывная.
Если задана функция от случайного вектора h(X,Y), то
,
если (X,Y)
дискретный,
,
если (X,Y)
непрерывный.
Доказательство(для дискретного случая и одномерной случайной величины).
Y = h(X)
.
E(X+Y) =EX+EY(по свойствам интеграла)
Доказательство(для дискретной случайной величины).
.
Ясно, что это свойство распространяется на любое конечное число слагаемых.
E(CX) =C EX, еслиC=const(по свойствам интеграла)
(по свойствам интеграла)
(по свойствам интеграла)
Пусть X иYнезависимы, тогдаE[XY] =EXEY.
Доказательство. Воспользуемся леммой 1), взявh(X,Y) =XY. Тогда
.
EC = C, еслиC = const
E(X+C) =EX+C, еслиC=const(следует из 7) и 2)).