3267
.pdf
|
|
|
|
|
|
n |
|
|
n |
n |
|
|
|
|
D c X |
c |
X |
2 |
... c |
X |
n |
c2D X |
i |
|
c |
c |
cov X |
X |
j |
1 1 |
2 |
|
n |
|
i |
|
i |
j |
i |
|
||||
|
|
|
|
|
|
i |
1 |
|
i 1 |
j 1 |
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ci c j |
ij . |
|
|
|
|
|
|
|
|
|
|
|
|
|
i, j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Используя свойство неотрицательности дисперсии из формулы (3), положив в ней с1=t, с2=1, получим
D(tX+Y)=t2ζ11+2tζ12+ζ22≥0
при любом t R. Отсюда дискриминант
2 |
|
|
|
|
|
|
|
|
|
|
0 или |
|
|
|
|
22 , |
|||
12 11 22 |
12 |
11 |
|||||||
то есть |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
cov X,Y |
|
D X D Y . |
(4) |
|||||
|
|
|
|
|
|
|
|
|
|
Выше было отмечено, что для независимых СВ X и Y
сov(Х,Y)=0.
Следовательно, если cov(X,Y)≠0, то СВ X и Y зависимы. В качестве количественной характеристики степени
зависимости СВ X и Y вводится коэффициент корреляции.
Коэффициентом корреляции СВ X и Y называется число, определяемое формулой
|
|
cov X,Y |
|
. |
(5) |
|
|
|
|
|
|||
x, y |
|
|
||||
D X D Y |
||||||
|
|
|
||||
|
|
|
|
|
||
Для ρx,y справедливо утверждение: |
|
|||||
Коэффициент корреляции удовлетворяет |
неравенству |
|ρx,y|≤1, причем если Y линейно выражается через X, то есть
Y=aX+b, где а и b -постоянные, то |ρx,y|=1 (ρx,y=±1).
Первая часть утверждения следует из неравенства (4). Докажем вторую его часть. Пусть Y=aX+b. Тогда
D(Y)=D(aХ+b)=D(аX)=а2D(X). cov(X,Y)=M[(X-M(X)(Y-M(Y))]=M[(X-M(X))(aX+b-
-M(aX+b))]=M[a(X-M(X))(X-M(X))]=aD(X).
Используя (5), получаем
91
|
|
aD X |
|
a |
|
|
|
|
|
|
|
x, y x,ax b |
|
|
a |
|
|
D X a2D X |
|
|
|||
|
|
|
|
xy 1 .
Имеет место и обратное утверждение: если коэффициент корреляции |ρx,y|=1, то между X и Y существует линейная связь.
Отметим, что из свойства 1 ковариации следует, что для независимых СВ X и Y ρx,y=0. Обратное утверждение неверно.
СВ X и Y, для которых ρx,y=0, называются
некоррелированными.
Из вышеизложенного следует, что независимые случайные величины некоррелированны, а некоррелированные случайные величины необязательно независимы.
Пример. Совместное распределение СB X и Y задано таблицей.
Найти М(Х), М(Y), D(Х), D(Y), cov(X,Y).
|
|
|
|
Y |
|
|
|
|
|
-1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
||||||||
|
|
|
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
-1 |
|
|
|
|
|
1/8 |
|
|
|
|
|
|
|
|
1/12 |
|
|
|
|
|
|
|
|
|
|
|
|
|
7/24 |
|
|||||||||||||||||||||||
|
|
|
1 |
|
|
|
|
|
5/24 |
|
|
|
|
|
|
|
|
|
1/6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1/8 |
|
|
||||||||||||||||||
M X |
|
|
x |
|
p |
|
|
1 |
1 |
|
1 |
|
|
7 |
|
|
1 |
5 1 1 |
|
1 |
|
1 |
|
|
|
1 |
|
1 |
0; |
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
i |
|
ij |
|
|
8 12 |
|
24 |
|
|
|
24 |
|
|
6 |
8 |
|
2 |
|
|
|
2 |
|
||||||||||||||||||||||||||||||
|
|
i |
|
|
j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
M Y |
|
|
y |
|
|
|
p |
1 |
1 |
|
5 |
|
|
|
0 |
|
|
|
|
1 1 |
|
1 |
|
|
|
|
7 1 |
|
|
|||||||||||||||||||||||||||
j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
ij |
|
|
|
|
8 |
|
|
24 |
|
|
|
|
12 |
|
6 |
|
24 |
|
8 |
|
|
|||||||||||||||||||||||||||||
|
|
|
|
j |
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
1 |
1 |
1 |
5 |
|
1 |
|
; |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
3 |
|
12 |
|
12 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
D X |
|
|
|
|
|
x M X |
|
2 p |
|
|
|
|
|
1 2 |
1 |
|
1 2 |
1 |
|
|
|
|
|
1 ; |
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
ij |
|
|
|
|
|
|
|
|
|
2 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
i |
j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
D(Y ) |
|
|
|
|
( y M (Y )) |
2 |
p ( 1 |
1 |
|
) |
2 |
|
|
1 |
|
|
|
(0 |
1 |
|
|
) |
2 |
1 |
|
|
|
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
ij |
|
|
|
|
|
12 |
|
|
|
|
|
|
3 |
|
|
|
12 |
|
|
|
|
4 |
|
|
|
|||||||||||||||
|
|
|
|
i |
j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
92 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(1 |
|
1 |
) |
2 |
|
5 |
169 |
|
1 |
1 |
1 |
121 |
5 |
1 |
169 4 |
3 |
121 |
5 |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
12 |
|
12 |
144 |
|
3 |
144 |
4 |
144 |
12 144 |
|
|
12 |
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
1 1284 |
|
|
107 |
; |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
144 |
|
|
12 |
|
|
|
144 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
cov X,Y |
|
|
|
|
|
|
xi |
M X |
|
|
yi |
M Y |
pij |
||||||||||||||||||
|
|
|
|
|
|
|
i |
j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
xi |
|
M X |
|
|
|
|
|
yi |
|
|
M Y |
pij |
|
|
|
|
|
|
|
||||||||||
i |
|
|
|
|
|
|
|
|
|
|
j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
1 |
1 |
|
|
1 |
|
|
0 |
1 |
|
1 |
|
|
1 |
1 |
|
|
7 |
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
12 |
|
|
8 |
|
|
12 |
|
12 |
|
|
12 |
|
|
24 |
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
1 |
|
13 |
|
|
5 |
|
1 |
|
|
1 |
|
11 |
1 |
|
|
1 |
; |
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
12 |
|
24 |
12 |
|
6 |
|
12 |
8 |
|
|
4 |
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
X,Y |
|
|
|
|
cov X,Y |
|
|
|
1/ 4 |
|
|
3 |
|
0, 29 . |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
D X D Y |
|
|
|
1 107 /144 |
|
107 |
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
10.4. Нормальный закон распределения двумерной СВ
Двумерная СВ (X,Y) распределена по нормальному закону, если совместная плотность распределения вероятностей имеет вид
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
f x, y |
|
|
1 |
|
|
|
exp{ |
1 |
|
|
( |
x |
mx |
||||
|
|
|
|
|
|
|
|
2 |
|
|
2 |
|
|||||
2 x |
y 1 |
2 |
2 1 |
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
x |
||||||||
|
xy |
xy |
|
|
|
|
|||||||||||
|
|
x |
mx |
y my |
|
y |
my |
2 |
|
|
|
|
|||||
2 xy |
|
|
|
)} |
(6) |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
2 |
|
|||||||
|
|
|
|
x |
y |
|
|
y |
|
|
|
|
|
|
Плотность распределения вероятностей для нормального закона зависит от пяти параметров. Чтобы выяснить их вероятностный смысл, найдем одномерные плотности и коэффициент корреляции СВ Х и Y. Для нахождения одномерной плотности распределения СВ Х воспользуемся равенством
93
(x m )2 |
|
|
|
|
|
|
|
|
|
(x mx )( y my ) |
|
( y my )2 |
2 |
|
(x m )2 |
|
|
||||||||||||||||||||||||||||||||||||||||
|
|
|
x |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|||||||
|
2 |
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
xy |
|
|
|
|
2 |
|
|
|
|||||||||
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
(7) |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
2 |
|
(x m )2 |
|
|
|
|
|
|
( y my ) |
|
|
|
(x m ) |
|
|
|
|
2 |
|
|
(x m )2 |
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
(1 |
) |
|
|
|
|
|
x |
. |
|||||||||||||||
xy |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|||||||||
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
y |
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|||||||
|
|
|
fX |
x |
|
|
|
|
|
|
f |
x, y |
|
dy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
my |
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x mx |
|
|
|
|
|
|
|
|
|
(8) |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
y |
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
x |
mx |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 1 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
e |
|
|
|
|
e |
|
|
|
|
|
|
|
xy |
|
|
|
dy |
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
2 |
|
|
|
|
|
|
|
y 1 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
x |
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
y |
my |
|
|
|
|
|
|
|
|
|
|
x m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
y |
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
x |
mx |
|
|
|
1 |
|
|
|
|
t2 |
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
t |
|
|
|
|
|
e |
2 |
x2 |
|
|
|
|
|
e |
2 |
dt |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
1 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
dy |
y |
1 |
|
|
2 |
dt |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
x |
mx |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
e |
2 |
2 |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
my |
2 |
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
Аналогично получаем |
|
|
fY |
y |
|
|
|
|
|
|
|
|
e |
2 |
2 |
. |
|
|
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
|
|||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Получили, что СВ Х и Y распределены каждая по нормальному закону. Тем самым выяснили смысл четырех параметров mx, my, ζx, ζy : mx и my – математические ожидания, ζx и ζy – средние квадратические отклонения СВ Х и Y.
Точку на плоскости с координатами (mx, my) называют
центром рассеивания.
94
Вычислим теперь коэффициент корреляции. Так как дисперсии СВ Х и Y найдены, то нужно вычислить ковариацию. Для этого воспользуемся формулой
|
|
|
|
|
|
cov X,Y |
|
|
M X Y |
|
M X |
|
|
M Y , |
|
||||||||||||||||||||||||||
где |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
M X Y |
|
|
|
|
|
|
|
|
xyf |
|
|
x, y |
dxdy |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
mx |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
, |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
2 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Q |
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
xe |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ye |
dy |
dx |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
x 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
1 |
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
|
|
xy |
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
my |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
m |
|
|
|
|
|
|
|
|
||||||||
и |
|
|
|
Q |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
/(2 1 |
|
xy2 |
) , |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
||
отсюда |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
x mx |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
M XY |
|
|
|
|
|
|
xe |
2 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y - my |
|
|
|
|
|
y |
|
x mx |
|
|
|
||||||||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
y exp |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
dy dx. |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
σ y 2 |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
1 |
|
2 |
|
|
|
|
|||||||||||||
|
|
|
xy |
|
|
|
|
|
|
|
|
|
|
y |
|
|
xy |
|
|
|
Интеграл, стоящий в круглых скобках, можно рассматривать как МО СВ, распределенной по закону
N my xy y \ x x mx , y 1 |
2 |
, |
xy |
поэтому он равен
my xy y \ x x mx .
95
M XY
|
|
|
|
|
|
|
|
|
|
x |
mx |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
mx |
2 |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
my xe |
2 |
2 |
|
|
dx |
|
|
|
y |
|
|
|
|
x x mx e |
2 |
2 |
|
dx |
|||||||||||||||||||||
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
x |
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
2 |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|||||||||||||||||||||||||||
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
x |
mx |
|
|
|
|
|
2 |
|
|
|
|
x |
mx |
|
|
|
|
|||||||
mxmy |
|
|
y |
|
|
|
|
x x |
|
e |
2 |
x2 |
|
|
|
|
|
|
|
|
x |
|
|
e |
2 |
x2 |
dx |
|
|
|
||||||||||||
|
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
2 x |
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
x |
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
mxmy |
|
|
y |
x |
|
mxmy |
|
xy y x . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Для ковариации получаем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
cov X,Y |
|
|
mx my |
|
xy |
|
y x mx my |
|
xy |
y x |
|
(9) |
|||||||||||||||||||||||||
и для коэффициента корреляции |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
cov X,Y |
|
|
|
|
|
|
, |
|
|
|
|
|
|
(10) |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
D X D Y |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
то есть параметр |
xy |
в нормальном законе двумерной СВ есть |
||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
коэффициент корреляции составляющих СВ Х и Y. Утверждение. Для СВ Х и Y, распределенных
нормально с плотностью (6), независимость равносильна некоррелированности.
Мы уже знаем, что из независимости любых СВ следует их некоррелированность. Покажем, что из некоррелированности нормально распределенных с плотностью (6) СВ следует их независимость. Действительно, если СВ Х и Y некоррелированы, то ρху=0, тогда
|
|
|
|
|
|
|
|
2 |
|
y my |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 x mx |
|
|
|
|
|
|
|
|
|
|
2 |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
mx |
|
|||||
|
|
1 |
|
|
2 |
|
x |
|
|
y |
|
|
|
1 |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
2 |
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
f x, y |
|
|
|
e |
|
|
|
|
|
|
|
|
|
|
e |
(11) |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
||||||
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|||||||
|
x |
y |
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
96
|
|
|
y |
my |
2 |
|
|
|
|
|
|
||
1 |
|
e |
2 |
2 |
|
f x f y , |
|
|
|
y |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
2 |
|
|
|
|
|
|
|
|
|
|
|
что означает независимость СВ Х и Y.
Отметим, что в этом случае оси координат ОХ и OY называются главными осями рассеивания.
10.5. Эллипс рассеивания
Эллипсом рассеивания двумерной нормально распределенной с плотностью (6) СВ называется эллипс, в каждой точке которого плотность имеет одно и то же постоянное значение. Эллипс, в точках которого плотность распределения вероятностей (6) постоянна и равна
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
2 |
|
|
|
|
f x, y |
|
const |
|
|
|
|
|
exp |
|
|
|
, |
||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
2 |
|||||||||
|
|
|
|
|
2 |
||||||||||||
|
|
|
|
|
|
2 x y |
1 |
2 1 |
|
||||||||
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
xy |
|
xy |
|
||||||||
определяется уравнением |
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
2 |
|
|
x mx |
y my |
|
|
|
y my |
2 |
|
|
||||
|
x m |
|
|
|
|
|
|
|
|
||||||||
|
x |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
2 . |
|
2 |
|
xy |
|
|
|
|
|
2 |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
||||||||
|
x |
|
|
|
|
x |
y |
|
|
|
|
|
y |
|
|
|
С помощью преобразования поворота системы координат плотность нормального распределения (6) всегда может быть приведена к каноническому виду (11) с главным эллипсом рассеивания, описываемым уравнением
|
|
|
|
|
2 |
|
y my |
2 |
|
|
|
|
|
x m |
|
|
2 |
||
|
|
|
|
x |
|
|
|||
|
|
|
|
2 |
|
2 |
|
|
|
|
|
|
|
x |
|
|
y |
|
|
Если |
x |
y |
, то рассеивание называется круговым. |
||||||
|
|
|
|
|
|
|
Пример. Двумерная СВ (Х,Y) подчиняется каноническому нормальному распределению с параметрами
тх=ту=0, ζх, ζу.
Вычислить вероятность попадания случайной точки (Х,Y) в область, ограниченную Dη (ограниченную главным
97
эллипсом рассеивания). Решить самостоятельно.
11.ФУНКЦИИ ОТ СЛУЧАЙНЫХ ВЕЛИЧИН
11.1.Закон распределения функции от одной СВ
Пусть (Ω, ,Р) - произвольное вероятностное
пространство и X=Х(ω) – некоторая СВ (ω Ω).
Функцией Y= (Х) СВ X называется суперпозиция действительной функции X=Х(ω), заданной на Ω, и функции
φ(х), заданной на действительной оси R, т.е. Y= [Х(ω)]=Y(ω).
Для дискретных вероятностных пространств функция Y(ω) является случайной величиной, так как никаких ограничений на функцию Y(ω) не налагается. Для произвольных вероятностных пространств требуется, чтобы
(Y<y) у.
Утверждение. Если X - дискретная СВ, имеющая закон распределения (хk, рk) k=1, 2,..., который можно записать в
виде табл.1, |
и Y= |
(Х), где |
-неслучайная функция, то Y |
|||||||
также является дискретной CВ, причем ее возможные значения |
||||||||||
уk= (хk). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 1 |
|
|
|
|
|
|
X |
|
x1 |
|
x2 |
x3 |
… |
xk |
… |
|
|
P(X) |
|
p1 |
|
p2 |
p3 |
… |
pk |
… |
|
Если (х) – монотонная функция, то все значения yk
различны и P(Y=yk)=P(X=xk), то есть СВ Y имеет следующий закон распределения (табл.2)
Таблица 2
Y |
(x1) |
(x2) |
… |
(xk) |
… |
P(Y) |
p1 |
p2 |
… |
pk |
… |
Если при этом (х) – немонотонная функция, то среди ее значений у1,у2,у3,…,уk,… могут быть одинаковые. В этом
98
случае столбцы с равными значениями (хi) объединяются в
один столбец, а соответствующие вероятности складываются, т. е.
|
|
|
P Y |
yk |
P X |
xi . |
|
|
|
|||
|
|
|
|
|
|
i: xi yk |
|
|
|
|
|
|
Утверждение. Если Х – непрерывная СВ с ФР F(x) и |
||||||||||||
плотностью |
вероятности |
f(x) и Y= (х), |
причем |
(х) – |
||||||||
монотонно |
возрастающая |
непрерывно |
дифференцируемая |
|||||||||
функция, а х= |
-1(у) – обратная функция, то |
|
|
|
|
|||||||
F(y)=P(Y<y)=P( (х)<y)=P(X< |
-1(х))=F[ -1(х)]. |
|
||||||||||
Дифференцируя последнее равенство по у, получаем |
||||||||||||
F y F -1 |
y |
|
d |
-1 |
y |
или f y |
f |
-1 |
y |
d |
-1 y . |
|
|
|
|
|
|||||||||
|
dy |
|
|
dy |
||||||||
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
|
|
y= |
(x) |
|
|
|
|
Y<y |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
X<x |
|
x |
|
x |
|
|
|
Если у=θ(х) - монотонно убывающая функция, то аналогично получаются следующие соотношения:
F(y)=1-F[θ-1(y)], f(y)= -f[θ-1(y)] dyd [θ-1(y)]. y
y= (x)
y |
|
|
Y<y |
|
|
0 X<x |
x |
x |
99
Выражения для плотности вероятности СB Y и для монотонно возрастающей и для монотонно убывающей функции θ(х) можно объединить:
f y |
f |
1 |
y |
|
|
d |
1 y |
. |
(1) |
|
|
|
|||||||
|
|
|
dy |
||||||
|
|
|
|
|
|
|
|
|
|
Пример. F(x)=1-e-x у=е-x, x>0. Найти F(у). |
|
||||||||
Предлагается решить самостоятельно. |
|
||||||||
Если (х) - немонотонная функция, то |
|
||||||||
|
F y |
|
|
|
|
f x dx , |
(2) |
||
|
|
k |
k |
y |
|
|
|
||
где k(y) означает k-й интервал на оси ОХ, на котором |
(х)<y. |
Плотность f(y) затем получается дифференцированием F(y) по
у.
Отметим важный частный случай формулы (1) для непрерывной СВ. Пусть Y=аХ+b, где а и b - постоянные, причем а≠0. В данном случае
y |
x ax b, |
1 y x y b / a, |
d |
1 |
y |
1/ a . |
|
||||||
dy |
|
|||||
|
|
|
|
|
|
Отсюда
f y |
|
1 |
|
|
f |
y b |
, |
(3) |
|
|
|
a |
|
|
a |
||||
|
|
||||||||
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
и можно заключить, что график плотности распределения СВ Y получается из графика плотности распределения СВ X изменением масштаба и cдвигом вдоль одной из осей. Вид кривой при этом не меняется.
Семейство законов распределения, описываемых ФР F((x-b)/а), где F(х) - фиксированная ФР, b R, а>0, называется
видом распределения. При этом b называется параметром сдвига, а - масштабным множителем. Из этого определения для непрерывной СВ следует утверждение.
Семейство законов распределения, описываемых
100