
- •Предисловие
- •Введение
- •Раздел I основания математики Глава 1. Элементы теории множеств
- •1.1. Понятие множества
- •1.2. Операции над множествами
- •1.3. Аксиомы и теоремы алгебры множеств
- •Глава 2. Числа
- •2.1. Системы счисления
- •2.2. Классы чисел
- •2.3. Элементы статистической обработки данных
- •2.4. Алгоритмы решения вычислительных задач
- •Глава 3. Элементы математической логики
- •3.1. Понятие высказывания
- •3.2. Операции над высказываниями
- •2.3. Аксиомы и теоремы алгебры логики
- •Раздел II основы математического анализа Глава 4. Функции
- •4.1. Понятие функции
- •4.2. Аппроксимация функций
- •4.3. Предел функции
- •Глава 5. Основы дифференциального исчисления
- •5.1. Производная функции
- •5.2. Свойства дифференцируемых функций
- •5.3. Дифференциал функции
- •Глава 6. Основы интегрального исчисления
- •6.1. Определенный интеграл
- •6.2. Машинные алгоритмы вычисления определенных интегралов
- •Раздел III основы теории вероятностей Глава 7. Понятие вероятности
- •7.1. Элементы комбинаторики
- •7.2. Случайные события
- •7.3. Классическое определение вероятности
- •7.4. Теорема умножения вероятностей
- •7.5. Основные формулы теории вероятностей
- •Глава 8. Случайные величины
- •8.1. Понятие случайной величины
- •8.2. Законы распределения случайных величин
- •8.3. Числовые характеристики случайных величин
- •8.4. Канонические распределения случайных величин
- •8.5. Энтропия и информация
- •Раздел IV. Основные способы и методы защиты информации Глава 9. Основы криптографической защиты информации
- •9.1. Принципы и основные понятия криптографической защиты информации
- •9.2. Основные понятия и определения
- •Глава 10. Методы криптографической защиты информации
- •10.1. Методы перестановки
- •10.2. Метод гаммирования
- •Ответы к задачам
- •Раздел I.
- •Глава 1. Элементы теории множеств
- •Глава 2. Числа
- •Глава 3. Элементы математической логики
- •Раздел II. Основы математического анализа
- •Глава 4. Функции
- •Глава 5. Основы дифференциального исчисления
- •Глава 6. Основы интегрального исчисления
- •Раздел III. Основы теории вероятностей
- •Глава 7. Понятие вероятности
- •Глава 8. Случайные величины
- •Глава 9. Основы криптографической защиты информации
- •Глава 10. Методы криптографической защиты информации
- •Приложение тесты
- •Тест 1. Элементы теории множеств
- •Тест 4. Функции
- •Тест 5. Основы дифференциального исчисления
- •Определенный интеграл
- •Тест 7. Понятие вероятностй
- •Тест 8. Случайные величины
- •Тест 10. Методы криптографической защиты информации
- •Литература
- •Сведения об авторах
- •Королёв Владимир Тимофеевич, Ловцов Дмитрий Анатольевич,
- •Математика и информатика Часть первая
Глава 8. Случайные величины
8.1. Понятие случайной величины
Нередко результатом случайного эксперимента является числовая величина, значение которой в каждом эксперименте разное. Такая величина называется случайной. Например,
число попаданий в мишень при трех выстрелах может принимать одно из следующих значений: 0, 1, 2, 3;
показания ртутного медицинского термометра при измерении температуры пациента принимают одно из следующих значений: 34.1, 34.2,…,36.7,…,42.0.
В первом примере минимальное расстояние между соседними значениями (отсчетами) случайной величины равно единице, во втором – 0.1. Бывают случайные величины и с большими, и меньшими расстояниями между отсчетами.
Случайные величины СВ, у которых расстояние между соседними отсчетами – величина конечная, называются дискретными. Обычно набор значений у дискретных величин конечен (как в приведенных примерах).
В общем случае, дискретные случайные величины – числа рациональные. На числовой прямой они представлены точками, которые разделены конечными промежутками, а длина каждого из промежутков равна единице младшего разряда в записи этих чисел.
В случайных экспериментах действуют и со случайными величинами другой природы. Например,
вес наугад взятого осколка бомбы,
ошибка в измерении скорости движения автомобиля.
Возможные значения каждой из таких величин одно от другого не отделены, и образуют на числовой прямой сплошной массив точек. А это вещественные числа.
Случайные величины, у которых значения – суть вещественные числа, называются непрерывными. В общем случае, возможный набор значений непрерывной случайной величины – вся числовая прямая. Работают и с такими непрерывными случайными величинами, значения которых – интервал на числовой прямой.
Если классическая теория вероятностей имеет дело по преимуществу с событиями нечисловой природы, то современная теория вероятностей оперирует с числами – случайными величинами. Это стремятся делать даже и тогда, когда результатом случайного эксперимента число не является.
Например, проводится опыт, в результате которого может наступить или не наступить событие A. Событию A можно сопоставить число X, которое принимает значение 1 при наступлении A, и оно равно 0, когда A не наступило. Теперь X – дискретная случайная величина, которая характеризует событие A. Возможные ее значения – {0,1}.
Еще
пример. Событие B
– попадание при стрельбе в круглую
мишень (рис.
8.1). Обозначим
радиус круга как r,
а расстояние от центра мишени до точки
попадания пули как R.
Тогда наступлению события B
отвечает выполнение неравенства Rr,
то есть вероятность события B
– не что иное, как вероятность того, что
это неравенство выполняются.
Итак, в современной теории вероятностей, где только возможно, от схемы случайных событий переходят к схеме случайных величин. Эта схема предоставляет для решения задач, относящихся к случайным явлениям, более гибкий и универсальный аппарат высшей математики.
8.2. Законы распределения случайных величин
Всякое соотношение, которое устанавливает связь между возможными значениями случайной величины и вероятностями этих значений, называют законом распределения этой СВ.
Изучение законов распределения начнем с дискретных случайных величин.
Ряд распределения. Обозначим дискретную СВ как X, а набор ее отсчетов – как x0, x1,…, xn. Исход случайного эксперимента – событие Xxk характеризуется вероятностью P(Xxk)pk. Факт равенства чисел Xxk устанавливают путем последовательного сравнения цифр в одноименных разрядах записей X и xk (см. рис. 8.2). Если имеет место aibi для всех ir,r1,,m, то числа X и xk равны.
Сопоставим
каждому отсчету xk
случайной величины X
вероятность pk.
В результате получим закон
распределения
дискретной СВ X.
Самой простой формой записи закона
распределения
дискретной случайной величины является
таблица, в первой строке которой
перечисляются ее отсчеты xk,
а во второй – вероятности pk.
Такую таблицу {xk,pk}
и называют
рядом
распределения.
Очевидно,
что события Xxk,
k
образуют полную группу, и поэтому
.
Пример. Стрелок производит три выстрела по мишени. Вероятность попадания в мишень при каждом выстреле равна 0.6. Построить ряд распределения для числа попаданий в мишень при трех выстрелах.
Обозначим как Z дискретную случайную величину – число попаданий в мишень. Набор ее значений: z00, z11, z22, z33. Опыт укладывается в схему Бернулли. Поэтому вероятность события Zzk вычисляем по формуле Бернулли:
p0
0.430.064,
p1
0.60,420.288,
p2
0.620.40.432,
p3
0.630.216.
Теперь составляем табл.8.1 – ряд распределения случайной величины Z.
Таблица 8.1 |
||||
zk |
0 |
1 |
2 |
3 |
pk |
0.064 |
0.288 |
0.432 |
0.216 |
Функция распределения. Напомним, что непрерывная СВ X – число вещественное. Точно так и возможное ее значение величина x – точка в сплошном массиве точек на числовой оси тоже число вещественное. В записи каждого вещественного числа дробная часть имеет бесконечную длину. Поэтому для вещественных чисел нельзя установить факт их равенства в силу того, что процедуру последовательного сравнения цифр в одноименных разрядах записей завершить невозможно. Зато путем последовательного сравнения цифр в одноименных разрядах этих записей можно установить факт ajbj, jr, r1,…(см. рис. 8.3), а, значит, и факт Xx. На этом процедура последовательного сравнения цифр в одноименных разрядах записей X и x завершается.
При
построении закона распределения
непрерывной случайной величины X
оперируют с событием Xx.
Это неравенство можно зафиксировать
путем последовательного сравнения цифр
в одноименных разрядах записей X
и x.
Напомним, что здесь X
– результат случайного эксперимента,
а x
– любая точка на числовой прямой, то
есть x
является независимой переменной. Значит,
вероятность события Xx
есть некоторая функция переменной x.
Ее и называют функцией
распределения
случайной величины X
и обозначают как F(x):
F(x)P(Xx). (8.1)
Прежде чем двигаться дальше, отметим глубокий философский смысл этого определения. В левой части (8.1) записана функция действительного аргумента, а в правой – вероятность некоторого события. Функция является одним из фундаментальных понятий математического анализа, той области математики, где изучаются жестко определенные закономерности. Вероятность – фундаментальное понятие теории вероятностей, которая изучает закономерности в мире случайного. Формула (8.1) перебрасывает мост между математическим анализом и теорией вероятностей. Тем самым строгий, хорошо разработанный аппарат математического анализа становится мощным инструментом исследования случайных величин в теории вероятностей.
Перечислим общие свойства функции распределения.
Функция F(x) – неубывающая функция своего аргумента, то есть при x2x1 и F(x2)F(x1).
F()1.
F()0.
К
этим свойствам приведем геометрические
пояснения (рис.
8.4).
Пусть x
– точка на оси 0x.
Случайная величина X
в результате опыта может занять на этой
же оси то или иное положение. Тогда
F(x)P(Xx)
– вероятность того, что X
попадет в зону на оси левее точки x
(в заштрихованную зону). При увеличении
x
заштрихованная область левее него
увеличивается. Поэтому вероятность
P(Xx)
уменьшиться не может. Следовательно,
F(x)
с ростом x
не убывает (свойство 1).
Очевидно, что при x заштрихованная область левее x становится бесконечно большой, и попадание в нее X оказывается событием достоверным. Поэтому F()P(X)1 (свойство 2). Точно так, при x попадание X левее x становится невозможным, и F()P(X)0 (свойство 3).
Пример. Функция распределения непрерывной случайной величины W задана формулой:
F(w)
(8.2)
График этой функции показан на рис. 8.5,а. Как видим, F(x) обладает всеми указанными свойствами.
Плотность распределения. Для непрерывной случайной величины X функция распределения F(x) непрерывна, а значит, и дифференцируема на всей числовой оси. Продифференцировав F(x), получим функцию
f(x)F’(x), (8.3)
которая называется плотностью распределения или плотностью вероятности (по аналогии с плотностью вещества).
Пример. Плотность распределения f(w) случайной величины, у которой F(w) задана формулой (8.2):
f(w)
(8.4)
На рис. 8.5,б показан график плотности распределения (8.4). Его называют кривой распределения непрерывной СВ.
Рассмотрим свойства плотности распределения.
Плотность распределения – функция неотрицательная:
f(x)0 для x.
Полная площадь под кривой распределения равна единице:
(событие X достоверно, его вероятность равна единице).
Отметим важное обстоятельство. Случайная величина X обычно имеет размерность. Отсчеты функции F(x) размерности не имеют. А вот отсчеты f(x) имеют размерность, обратную размерности случайной величины X.
Когда задана функция распределения F(x) плотность вероятности f(x) вычисляют по формуле (8.3). А если задана плотность распределения f(x), то функцию распределения F(x) вычисляют так:
F(x)
. (8.5)
Поэтому
функцию F(x)
называют интегральным законом
распределения, а функцию f(x)
называют дифференциальным законом
распределения непрерывной СВ.
Вероятность попадания случайной величины в заданный диапазон. Зададим на оси 0x две точки a, b и вычислим вероятность такого события aXb, а именно, вероятность того, что случайная величина X в результате опыта попадет в диапазон, ограниченный точками a и b. Для этого рассмотрим такие события (рис. 8.6):
A: Xb, B: Xa, C: aXb.
События B и C несовместны, так как X не может оказаться одновременно и слева, и справа от точки a. Событие A – сумма событий B и C: ABC (рис. 8.6). По формуле сложения вероятностей для несовместных случайных событий имеем:
P(Xb)P(Xa)P(aXb)
или с учетом определения (8.1)
F(b)F(a)P(aXb).
Откуда следует, что
P(aXb)F(b)F(a).
Таким образом, вероятность попадания случайной величины в заданный диапазон равна приращению ее функции распределения на этом диапазоне.
Укажем на любопытное следствие из последней формулы. Пусть X – непрерывная случайная величина. Будем неограниченно уменьшать размер диапазона путем ba. В результате получим событие Xa, вероятность которого есть
P(xa)
0.
Как видим, вероятность отдельного точечного значения непрерывной случайной величины равна нулю! Другими словами, для непрерывной случайной величины вероятность события Xa равна нулю, но событие это возможно (результат случайного эксперимента X может попасть в точку a на числовой прямой). Поскольку P(Xa)0, неравенства aXb эквивалентны неравенствам aXb. Эти строгие неравенства и используют при вычислении вероятности попадания случайной величины в заданный диапазон (в интервал ]a,b[)
P(aXb)F(b)F(a). (8.6)
Пример. Вычислить вероятность попадания СВ W, для которой функция распределения F(x) определена формулой (8.2), в диапазон от a1 до b3.
Когда задана F(x) (см. рис. 8.5,а), действуем по формуле (8.6),:
P(1W3)F(3)F(1)0.950.630.32.
Приращение функции распределения на интервале ]1,3[, а именно, число F(3)F(1)P(1W3)0.32 показано на рис. 8.5,а.
Если же задана плотность распределения f(x), вероятность события aXb вычисляется так:
P(aXb)
. (8.7)
Таким образом, вероятность попадания случайной величины в заданный диапазон равна площади под кривой f(x) на интервале ]a,b[.
Пример. Плотность вероятности f(x) случайной величины W задана формулой (8.4). Вычислить вероятность попадания W в диапазон от a1 b3. Действуем по формуле (8.7):
P(1X3)
F(3)F(1)0.32.
Теперь число P(1X3)0.32 – заштрихованная площадь под кривой f(x) на интервале ]1,3[ (см. рис. 8.5,б).