- •1 Вводные понятия
- •2 Алгебра событий
- •5 Аксиомы теории вероятностей и следствия из них
- •3 Формула классической вероятности (схема урн)
- •4 Схема геометрической вероятности.
- •6 Формула сложения вероятностей.
- •7 Условные вероятности. Независимость событий.
- •Вероятность осуществления b при условии, что произошло a в том же эксперименте, определяется через отношение двух безусловных вероятностей.
- •8 Зависимые и независимые события
- •9 Правила вычисления вероятностей сложных событий.
- •10 Последовательность независимых испытаний. Схема Бернулли.
- •11 Случайные величины
- •Функция распределения случайно величины и ее свойства.
- •12 Закон распределения случайной величины дискретного типа.
- •13 I. Равномерное распределение (дискретное)
- •II. Биномиальное распределение
- •III. Распределение Пуассона
- •IV. Геометрическое распределение
- •14 Пуасоновское распределение как предельный случай биномиального.
- •15 Свнт и их законы распределения.
- •3) Функция распределения всегда непрерывна у свнт.
- •16 Числовые характеристики свнт.
- •Если перейдем к функции распределения, то заметим, что hx – корень уравнения .
- •17 Основные классические распределения непрерывного типа и их характеристики.
- •19 Интеграл вероятности и его свойства
- •20 Случайные векторы
- •Свойства двумерной функции распределения.
- •21 Случайные векторы дискретного типа (свдт) и их законы распределения.
- •24 Независимость случайных событий.
- •23 Вероятность попадания в область на плоскости
- •25 Функция от случайных величин. Теоремы о мат. Ожидании функций.
- •26 Свойства числовых характеристик случайного вектора.
- •Следствия из свойства 5.
- •Доказать, что если 4, то автоматически существует 1, 2, 3, используя неравенство Коши-Буняковского.
- •Пусть Перейдем от(X,y) к(u,V)путем преобразования стандартизациирассмотрим
- •28 Законы распределения функций
- •31 Законы больших чисел.
- •Неравенства Чебышева. Первое неравенство Чебышева.
- •При увеличении числа опытов по схеме Бернулли относительная частота успехов
- •32 Центральная предельная теорема.
- •33 Следствия цпт для схемы Бернулли.
- •34 Основные понятия математической статистики.
24 Независимость случайных событий.
Определение: Случайные величины X, Y называются независимыми, если выполняются условия:
FX,Y(x,y)= FX(x)FY(y) (5)
Теорема 9.1. Для независимости X и Y необходимо и достаточно, чтобы Pi j = Pi= P j
i, j из основной таблицы распределения
Доказательство: Пусть Pi j = Pi= P j FX,Y(x,y)=(согласно задаче 3) = =
== FX(x)= FY(y)
{X<xi}, {Y<yj}. Достаточность доказана.
Необходимость. Пусть Х и Y - независимые, т.е. по определению Fx,y(x,y)=FX(x)FY(y), для любых x,y, R. Пусть (xi,yi) EX,Y - произвольный дискрет. Выберем столь малые xi и yi, чтобы прямоугольник П(xi,yi) с центром в этой точке и вершинами ((xixi),(yi yi)) не содержал никаких других дискретов, кроме этого.
Pij=(по определению)=P{X=xi, Y=yi}=(по построению)=P{X,Y П(xi,yi)}=FX,Y(xi+xi , yi+ yi)+
+FX,Y(xi -xi , yi - yi) - FX,Y(xi -xi , yi + yi) -FX,Y(xi+xi , yi -yi)== FX(xi+xi) FY( yi+ yi)+ FX(xi -xi) FY( yi - yi) - FX(xi - xi) FY( yi+ yi) - FX(xi+xi) FY( yi - yi)=
FY(yi-y)(FX(xi+x)-FX(xi -x)) - FY(yi - y)(FX(xi - x) -FX(xi -x))=
( FX(xi + x)- FX(xi - x))( FY( yi+ yi) - FY( yi - yi))
П(xi,yi)}= ( FX(xi + x)- FX(xi - x))( FY( yi+ yi) - FY( yi - yi))=pipj Теорема доказана.
Примечание. В теореме 9.1 устанавливается так называемое локальное условие независимости случайных величин X и Y. Согласно этому локальному определению независимости, распределение из примера 1 соответствует распределению независимых компонент X и Y.
Определения: случайные величины X и Y рассматриваются как компоненты некоторого вектора, называются независимыми, если функция распределения
F(x,y)=Fx(X)Fy(Y), (расщепляется на произвольные составляющие).
(x,y) R2.
Следствие (локальное определение независимости).
Из (1) (2)
(плотность также должна расшепляться).
Это определение обобщается на вектор размерности ( количество случайных величин, рассматриваемых в одном и том же вероятностном пространстве).
22 Случайные векторы непрерывного типа (СВНТ) и их законы распределения.
Определение: Двумерный случайный вектор (X,Y) называется двумерным случайным вектором непрерывного типа, если множество типа континуум на плоскости и существует такая непрерывная и интегрируемая по Риману в бесконечных пределах функция f X,Y(x,y), называемая плотностью распределения вероятности случайного вектора (X,Y) (или плотность совместного распределения компонент) такая, что имеет место равенство:
FX,Y(x,y)=(1)
Следствия.
1) FX,Y(x,y) - непрерывная на всей плоскости по двум переменным.
2) fX,Y
3) (условие нормировки)
(FX,Y(+,-)=1)
4)
Доказательство. Имеем: FX,Y(x,+ )=Fx(x)по свойству функции распределения. по формуле (1) следует, что FX(x)= .Но fx(x)=(x) (x)=
Свойство доказано.
5)Если (x,y) - точка непрерывности плотности, то fX,Y=(из (1))
6) Понятие "элемента вероятности" :
fX,Y(x,y)dxdy=P{(x,y) П(x,y)}
(вероятность попадания в прямоугольник П(x,y))
7) ПустьG-некоторая область на плоскости, тогда вероятность попадания в эту область:
P{(x,y) G}=
Нужно разбить всю плоскость на элементы dxdy и просуммировать.
Числовые характеристики случайного вектора.
1) Момент распределения.
k,s=
k,s=
k+s - суммарный порядок момента
|
Начальные моменты |
Центральные моменты |
k+s=0 |
0,0 |
0,0=1 |
k+s=1 |
1,0===|Pij=Pi|==mx 0,1=mx |
1,0=0 |
0,1==| рассуждаем аналогично|= my 0,1= my |
0,1=0 | |
k+s=2 |
2,0=M[X2] |
2,0=Dx |
0,2=M[Y2] |
0,2=Dy | |
1,1=M[XY] |
1,1=Cov(X,Y) - ковариация
1,1= Cov(X,Y)=KX,Y X,Y=-нормированная ковариация или коэффициент корреляции
|
2) Вычислить коэффициент корреляции для примера 1.
Решение. Из первой таблицы следует:
mX=; mY=;
1,1;1,1= 1,1 - mX mY
Пример 2. Пусть Х1, Х2,…Хn – независимы и XkN(mk,k).
Построить плотность совместного распределения компонент вектора Х=(х1,х2…хn).
Решение. В силу (2) для общего случая n-мерного вектора:
,
-
плотность n-мерного распределения с независимыми компонентами.
Замечание. Если X и Y – нормальны, но зависимы, то плотность вектора (X,Y) записывается следующим образом: где С – нормировочная константа;
Q – неотрицательная определенная квадратичная форма двух переменных.