
ТВиМС ответы на экзамен
.docx1.Вероятностное пространство. Аксиоматика А.Н. Колмогорова. Пусть
F
– некоторая система подмножеств
множества Ω,
1.Ω 2.Если
A
3.Если
Если
аксиома 3 выполняется в счетном
варианте, т.е. если
Пусть на множестве элементарных событий Ω задана – алгебра (или F в случае конечного множества событий) его подмножеств. Элементы – алгебры (алгебры - F) называется событием на Ω. Говорят,
что на алгебре событий F
задано вероятностное
распределение
Р, если каждому событию A
4.0≤ Р(А) ≤ 1 5.Р(Ω) = 1 6.Если
А,
и
Если вероятностное распределение задается на – алгебре, то аксиома 6, называется аксиомой аддитивности, формируется в системном варианте: 6a
– если
Тройка (Ω, F, P) обычно называется вероятностным пространством.
|
2.Типы вероятностных пространств. Дискретное ВП: соответствует случаю дискретного пространства элементарных событий, который рассматривается в элементарной теории. Множество
элементарных событий
Вероятность
распределения Р определяется набором
вероятностей элементарных событий
Непрерывное ВП: Множество
событий Ω= Абсолютно непрерывное ВП – ВП, в котором вероятностное распределение задается с помощью специальной функции – плотности распределения. Говорят,
что функция f
(
Тогда вероятностное распределение на F определяется так:
Смешанное ВП конструируется объединением дискретного и непрерывного ВП. Ввиду некоторой искусственности подобной конструкции в дальнейшем этот тип ВП рассматриваться не будет.
|
3.Случайные события. Операции над событиями. Теоремы сложения. Случайный эксперимент – эксперимент, в котором наблюдается устойчивость частот. Все
взаимоисключающие исходы эксперимента
Конечное или счетное множество элементарных событий называется дискретным пространством элементарных событий. Любое подмножество дискретного пространства элементарных событий называется событием. Пусть Ω – дискретное пространство элементарных событий, А, В, С – события. Дадим вероятностную интерпретацию некоторых фактов теории множеств: •
•
•
Суммой
событий
А и В называется событие С, содержащее
все исходы
Произведением
событий
А и В называется событие С, состоящее
из исходов, благоприятных как для
события А, так и для события В,
обозначается
Разностью
событий
А и В называется событие С, состоящее
из исходов, благоприятных для события
А, но неблагоприятных событию В,
обозначается
События
А и В называются несовместимыми,
если они не имеют общих исходов, т.е.
если
Событие
С называется противоположным
событию А, если С состоит из всех
исходов, неблагоприятных для А
(дополняет А до Ω), обозначается
Пусть
Ω – пространство элементарных событий,
Р – вероятностное распределение на
Ω. Рассмотрим как связаны вероятности
Р(А), Р(В) событий А и В и вероятность
Теорема: Если события А и В несовместны, то вероятность суммы событий равна сумме их вероятностей.
Доказательство:
На основании аксиомы аддитивности:
Теорема сложения: Для
любых событий А и В:
Доказательство:
Для графического представления подобных тождеств использую диаграмму Венна. Мы
представим сумму событий А и В попарно
несовместными событиями. Используя
предыдущую теорему
С
другой стороны:
|
4.Условная вероятность. Формула полной вероятности. Формула Байеса. 1.
Пусть Ω – пространство элементарных
событий с вероятностным распределением
Р. Пусть А и В – некоторые события на
Ω , причем Р(А)
Теорема
умножения:
2.
Пусть А – произвольное событие, а
события
Доказательство:
События A
можно представить в виде суммы попарно
несовместных обытий:
3.
Формула
Байеса: Запишем
определение условной вероятности
события
|
5. Независимые испытания. События
А и В называются независимыми,
если выполнено равенство
Теорема:
Если события А и В независимы, то
события
Доказательство:
Следствия: 1.Если
события А и В независимы, то события
2.Если для событий А и В не выполнено условие , то они называются зависимыми. События
Рассмотрим
эксперимент, состоящий из двух частей.
Первый описывается пространством
элементарных событий
Если
модель сложного эксперимента построена
так, что для любого события
Теорема:
Пусть
Определим
Р (( 1.Р(•) есть распределение вероятностей на Ω; 2.События
3.События
Доказательство: 1.Согласно
определению вероятности события
2.Для
вероятности
Аналогично
для Р( 3.Запишем вероятность произведения событий :
|
6. Дискретная случайная величина и ее числовые характеристики Случайной
величиной
X(ω)
называется функция X:
Ω → R,
заданная на множестве элементарных
событий Ω вероятностного пространства
(Ω, F,
P),
такая, что для любого события {ω | X
(ω)
Функцией
распределения
случайной величины X
называется функция
Функция распределения имеет следующие свойства: 1.
Набор
значений
Ряд распределения должен обладать следующими свойствами:
Математическим
ожиданием
случайной величины X
называется число
Если
X
– дискретная случайная величина, то
математическое ожидание
Существует
равенство:
Покажем,
что математическое ожидание обладает
свойством
В качестве интегральных числовых характеристик случайной величины обычно используются начальные и центральные моменты. Начальным
моментом порядка
k
называется число
Центральным
моментом
порядка k
называется число
Центральный момент второго порядка называется дисперсией:
В
случае дискретной случайной величины
с рядом распределения
Если математическое ожидание – это в некотором смысле среднее значение случайной величины, то дисперсия – это средний квадрат отклонения от среднего. Для
любы вещественных чисел a
и b
справедливо
Для вычисления дисперсии иногда удобнее применять формулу:
|
7. Абсолютно-непрерывная случайная величина и ее числовые характеристики. Случайной величиной X(ω) называется функция X: Ω → R, заданная на множестве элементарных событий Ω вероятностного пространства (Ω, F, P), такая, что для любого события {ω | X (ω) принадлежит F. Функцией распределения случайной величины X называется функция , которая каждому значению X ставит в соответствие число Функция распределения имеет следующие свойства:
неубывающая функция; непрерывна слева, т.е. в любой точке а левосторонний предел равен значению функции; . Случайная
величина X
называется абсолютно непрерывной,
если существует такая функция f(x),
что для любого борелевского множества
А на прямой Р 1.f(x) 2. Математическим ожиданием случайной величины X называется число , где F(x) – функция распределения случайной величины X. Если
X
– абсолютно непрерывная случайная
величина, то математическое ожидание
Существует равенство: (док-во стр. 40 метода). Покажем, что математическое ожидание обладает свойством . В качестве интегральных числовых характеристик случайной величины обычно используются начальные и центральные моменты. Начальным моментом порядка k называется число Центральным моментом порядка k называется число ,
Центральный момент второго порядка называется дисперсией:
В случае абсолютно непрерывной случайной величины с плотностью распределения f(x):
Если математическое ожидание – это в некотором смысле среднее значение случайной величины, то дисперсия – это средний квадрат отклонения от среднего. Для любы вещественных чисел a и b справедливо
Для вычисления дисперсии иногда удобнее применять формулу:
|
8. Дискретный случайный вектор. Мат. ожидание и ковариационная матрица. Пара
случайных величин Х1 , Х2 называется
случайным вектором. Случайный вектор
называется дискретным, если множество
его возможных значений конечно или
счетно. Обозначение : Чтобы задать случайный вектор, нужно перечислить : все возможные значения Х1 - х11, х12, ... , x1n ; все возможные значения Х2 - x21, x22, … , x2m ; и задать вероятности всех событий Hij = {X1 = x1i}*{X2 = x2j}, которые составляют полную систему событий. Будем обозначать pij = P(Hij). Все эти данные удобно расположить в таблице.
Tеорема (свойства рij) Для того, чтобы рij были распределением вероятностей дискретного случайного вектора =(x1x2) необходимо и достаточно выполнение условий : (1)
pij≥0
(2)
Математическое ожидание Пусть (ξ, η ) - двумерная случайная величина, тогда M(ξ,η)=(M(ξ), M(η)), т.е. математическое ожидание случайного вектора - это вектор из математических ожиданий компонент вектора.Если (ξ, η) - дискретный случайный вектор с распределением(схема сверху,только x11 весь ряд y,а ряд x21 –просто x ) То
математические ожидания компонент
вычисляются по формулам:Mξ= Mη
= Если p(ξ,η)(x, y)- совместная плотность распределения непрерывной двумерной случайной величины (ξ,η), то Mξ= Поскольку Ковариация Если между случайными величинами ξ и η существует стохастическая связь, то одним из параметров, характеризующих меру этой связи является ковариация cov(ξ,η). Ковариацию вычисляют по формулам cov(ξ,η)=M[(ξ - M ξ )( η - M η)] = M(ξ η)-Mξ Mη Если случайные величины ξ и η независимы, то cov(ξ, η )=0.Обратное, вообще говоря, неверно. Из равенства нулю ковариации не следует независимость случайных величин. Случайные величины могут быть зависимыми в то время как их ковариация нулевая! Но зато, если ковариация случайных величин отлична от нуля, то между ними существует стохастическая связь, мерой которой и является величина ковариации.Свойства ковариации: cov(ξ, ξ) = D ξ; cov(ξ+C1, η+C2)= cov(ξ, η ); cov(ξ, η)= cov(η, ξ); cov(C1 ξ+C2 η, ς)=C1cov(ξ, ς)+C2cov(η, ς) где C1 и C2 - произвольные константы. Ковариационной матрицей случайного вектора (ξ,η) называется матрица вида:
Эта матрица симметрична и положительно определена. Ее определитель называется обобщенной дисперсией и может служить мерой рассеяния системы случайных величин (ξ,η). Как
уже отмечалось ранее, дисперсия суммы
независимых случайных величин равна
сумме их дисперсий:D(ξ+
η)=D(ξ)+D(η).
Если же случайные величины зависимы,
то D(ξ |
9. Абсолютно-непрерывный случайный вектор. Мат. ожидание и ковариационная матрица. Говорят
,что случайный вектор имеет абсолютно
непрерывное распределение,если
существует функция т переменных
f(x1,…,xn),такая,что
для любого борелевского множества A
из
.P( B= B=
|
10. Корреляционная матрица случайного вектора. Коэффициент корреляции двух случайных величин. R= D=b2-ac=cov2(x1,x2)-D(x1)D(x2)≤0
⤇ R= Если коэф корреляции = 0⤇2 случ величины наз некорреляционными.
|
11. Независимость случайных величин. Случайные
величины X1
и X2
называются независимыми, если
независимыми являются любые события
вида {X1 P(X1 A1; X2 A2)=P(X1 A1)P(X2 A2) А для дискретных случайных величин : P(X1=xi;X2=yj)=P(X1=xi)P(X2=yj) Взяв в качестве A1 и A2 интервалы [-∞,x1) и [-∞,x2),получим,что функция распределения случайного вектора (X1,X2) равна произведению функций распределения входящего в него независимых случ величин: F(x1,x2)=F1(x1)F2(x2).Если распределения независимых случ величин являются абсолютно непрерывными ,то, продифференцировав последнее равенство по переменным x1 и x2 , получим соответствующую связь плотности распределения случайного вектора с плотностями компонент:f(x1,x2)=f1(x1)f2(x2). Полученные формулы разложения в произведение для функций распределения или плотностей являются не только необходимыми ,но и достаточными условиями независимости:при их выполнении для всех значений переменных, соответствующих случайные величины являются независимыми.Математическое ожидание произведения независимых случ величин равно произведению их математических ожиданий . Доказательство проведем для абсолютно непрерывных случ величин. Пусть X1 и X2 - независимые случ величины. Тогда: M{X1X2}=
= Из этой формулы вытекает важное следствие:ковариационный момент независимых случ величин равен 0.Ковариционный момент: Cov(X1,X2)= M{X1X2}- M{X1}M{X2}= M{X1}M{X2}- M{X1}M{X2}=0 Случайные величины называются некоррелированными, если их ковариационный момент (и, соответственно ,коэффициент корреляции) равен 0.Таким образом ,из независимости случайных величин следует их некоррелированность.(обратное в общем случае неверно).
|
12. Распределение суммы двух случайных величин. Пусть
ξ1
и ξ2
— случайные величины с плотностью
совместного распределения fξ1,ξ2(x1,x2)
, и задана борелевская функция g: Пользуясь тем, что вероятность случайному вектору попасть в некоторую область можно вычислить как объем под графиком плотности распределения вектора над этой областью, сформулируем утверждение. Теорема
1.Пусть x Fη(x)=P((ξ1,ξ2)
Dx)= Далее в этой главе предполагается, что случайные величины ξ1 и ξ2 независимы, т.е.f ξ1, ξ2(x1,x2)≡ f ξ1(x1) f ξ1 (x2). В этом случае распределение величины g(x1,x2) полностью определяется частными распределениями величин ξ1 и ξ2. Следствие (формула сверстки). Если случайные величины ξ1 и ξ2 независимы и имеют абсолютно непрерывные распределения с плотностями f ξ1(x1) и f ξ2(x2) , то плотность распределения суммы ξ1+ ξ2 равна «свёртке» плотностей f ξ1 и f ξ2 : f ξ1+ ξ2(t)= ξ1(u) f ξ2(t-u)du= ξ2(u) f ξ1(t-u)du Доказательство.
Воспользуемся утверждением теоремы
1 для борелевской функции g(x1,x2)=x1+x2
. Интегрирование по области
Dx={(x1,x2)|x1+x2<x}
можно заменить последовательным
вычислением двух интегралов: наружного
— по переменной x1,
меняющейся в пределах от
Сделаем в последнем интеграле замену переменной x2 на t так: x2=t-x1 . При этом x2 ( ,x-x1) перейдёт в t ( ,x), dx2=dt . В полученном интеграле меняем порядок интегрирования: функция распределения Fξ1+ξ2(x) равна
Итак,
мы представили функцию распределения
Fξ1+ξ2(x)
в виде
Второе равенство получается либо из первого заменой переменных, либо просто из-за возможности поменять местами ξ1 и ξ2 . Следствие 9 не только предлагает формулу для вычисления плотности распределения суммы, но и утверждает (заметьте!), что сумма двух независимых случайных величин с абсолютно непрерывными распределениями также имеет абсолютно непрерывное распределение.
|