- •3. Классическое определение вероятности
- •3. Классическое определение вероятности
- •6 Формула полной вероятности
- •7 Случайные величины и законы их распределения
- •10. Основные дискретные распределения.
- •11. Основные непрерывные распределения.
- •12. Закон больших чисел.
- •12.Правило трех сигм.
- •12.Теорема Бернулли.
- •12.Центральная предельная теорема.
- •12.Локальная предельная теорема Муавра-Лапласса.
- •12.Интегральная теорема Муавра-Лапласса.
- •13.Векторные случайные величины.
- •14. Условные распределения двумерной случайной величины.
- •15.Многомерные случайные величины.
- •18 Статистические оценки Точечные
11. Основные непрерывные распределения.
Равномерное распределение.
Определение 1. СВ X распределена равномерно на отрезке [a,b], (X ~ R(а,b)), если (см. рис.1)
f(x)= |
{ |
1 b - a 0 |
, , |
x [a,b], x [a,b]. |
Рисунок 1 Рисунок 2.
Замечание 1. Нетрудно убедиться в том, что функция распределения имеем вид (см. рис.2)
F(x) |
Δ = |
x ∫ -∞ |
f(x) dx = |
{ |
0 x-a b-a 1 |
, x < a, , a ≤ x ≤ b, , x > b. |
Замечание 2. Характеристическая функция СВ X ~ R(а,b):
g(t) |
Δ = |
M[eitx]= |
+∞ ∫ -∞ |
eitxf(x) dx = |
1 b-a |
b ∫ a |
eitx dx = |
eitb-eita it(b-a) |
. |
Замечание 3. МО и дисперсия по определению равны
mx |
Δ = |
ν1 = |
+∞ ∫ -∞ |
xf(x) dx = |
b ∫ a |
x b-a |
dx = |
b2-a2 2(b-a) |
= |
a+b 2 |
, |
ν2 |
Δ = |
+∞ ∫ -∞ |
x2f(x) dx = |
1 b-a |
b ∫ a |
x2 dx = |
b3-a3 3(b-a) |
= |
b2+ba+a2 3 |
, |
dx |
Δ = |
μ2 |
6)mx = |
ν2 - mx2 = |
b2+ba+a2 3 |
- |
a2+2ba+b2 4 |
= |
(b-a)2 12 |
. |
Замечание 4. Линейное преобразование
Y |
Δ = |
X-a b-a |
переводит СВ X ~ R(a,b) в СВ Y ~ R(0,1). Действительно,
FY(x) |
Δ = |
P{Y ≤ y} = P{X ≤ (b - a)y + a} |
Зам.1 = |
{ |
0, y, 1, |
y < 0, 0 ≤ y ≤ 1, y > 1. |
Замечание 5. Равномерное распределение является непрерывным аналогом дискретного распределения вероятностей для опытов с равновероятными исходами.
Замечание 6. Погрешность приближенных вычислений каких-либо параметров при округлении до ближайших целых чисел удовлетворительно описывается распределением R(-1/2, 1/2).
Замечание 7. Если СВ Y имеет непрерывную строго возрастающую функцию распределения FY(y), то можно показать, что СВ
X |
Δ = |
FY(Y) |
имеет распределение R(0,1). Действительно, в этом случае функция x = FY(y) будет иметь взаимно обратную функцию y = FY-1(x). Поэтому для всех x [0,1] получаем
Fx(x) |
Δ = |
P{FY(Y) ≤ x} = P{Y ≤ FY-1(x)} = FY(FY-1(x)) = x. |
Кроме того Fx(x) = 0, если x < 0, и Fx(x) = 1, если x > 1. Таким образом, СВ
Y |
Δ = |
FY-1(X) |
будет иметь требуемую функцию распределения FY(y), если X ~ R(0,1). Данный результат, верный и в более общем случае, когда функция распределения лишь непрерывна, используется для моделирования СВ с произвольно заданным законом распределения.
Нормальное распределение.
Определение 1. СВ X имеет нормальное (гауссовское) распределение с параметрами m и σ > 0 (X ~ N(m,s)), если (см. рис.5)
f(x) = |
1 √2πσ |
|
exp |
{ |
- |
(x-m)2 2σ2 |
} |
. |
При этом СВ называется нормальной (гауссовской).
Рисунок 5.
Замечание 1. Графики плотности нормального распределения, называемые кривыми Гаусса, имеют единственный максимум в точке x = m. Найдём функцию распределения СВ X ~ N(m,σ):
F(x) |
Δ = |
x ∫ -∞ |
f(x) dx = |
1 σ√2π |
|
x ∫ -∞ |
exp |
{ |
- |
(x-m)2 2σ2 |
} |
dx = |
= |
| |
y |
Δ = |
x-m σ |
, |
dy = |
1 σ |
dx |
| |
= |
= |
1 √2π |
|
(x-m)/ σ ∫ -∞ |
e-y |
2 |
/2 dy = Φ |
[ |
x-m σ |
] |
. |
Здесь введено обозначение
Φ(y) |
Δ = |
1 √2π |
|
y ∫ -∞ |
e-y |
2 |
/2 dy |
для функции распределения стандартной нормальной СВ X ~ N(0,1), называемой также функцией Лапласа(см. рис. 6). Вместо Φ(y) в справочниках встречается также интеграл вероятностей:
Φ0(y) |
Δ = |
1 √2π |
|
y ∫ 0 |
e-x |
2 |
/2 dx , |
при y > 0. |
Легко убедится в том, что Φ0(-y) = -Φ0(y).
Рисунок 6.
Замечание 2. Характеристическая функция СВ X ~ N(0,1) имеет вид
g(t)= e-t |
2 |
/2. |
Действительно,
g(t) = |
1 √2π |
|
+∞ ∫ -∞ |
e-x |
2 |
/2eitx dx = |
| |
формула Эйлера |
| |
= |
= |
1 √2π |
|
+∞ ∫ -∞ |
e-x |
2 |
/2cos tx dx + |
i √2π |
|
+∞ ∫ -∞ |
e-x |
2 |
/2sin tx dx = |
= |
| |
sin tx - нечетная , |
e-x |
2 |
/2 - четная , пределы симметр. |
| |
= |
= |
1 √2π |
|
+∞ ∫ -∞ |
e-x |
2 |
/2cos tx dx ; |
g'(t) = - |
1 √2π |
|
+∞ ∫ -∞ |
xe-x |
2 |
/2sin tx dx = |
| |
интегрирование по частям |
| |
= |
= |
1 √2π |
|
[ |
e-x |
2 |
/2sin tx |
| |
+∞ -∞ |
- |
+∞ ∫ -∞ |
e-x |
2 |
/2cos tx dx |
] |
= -t g(t), |
Решая это дифференциальное уравнение с разделяющимися переменными при начальном условии g(0) = 1, находим ln g(t) = -t2/2. Рассмотрим СВ X ~ N(m,σ). Тогда нормированная СВ
* X |
Δ = |
X-m σ |
имеет нормальное распределение N(0,1) и, следовательно, характеристическую функцию
g(t)= e-t |
2 |
/2. |
Далее, согласно свойству 4)g(t) для СВ
X |
Δ = σ |
* X |
+ m |
имеем
gx(t) = eitmg |
* X |
(σt) = exp(itm - t2 σ 2 / 2) . |
Замечание 3. МО и дисперсия СВ X ~ N(m,σ) равны
ν1 = |
1 i |
d dt |
g(t) |
| |
t =0 |
= |
(im-tσ2) i |
= exp(imt - t2σ2/2) |
| |
t =0 |
= m, |
ν2 = |
1 i2 |
d2 dt2 |
g(t) |
| |
t =0 |
= |
1 i2 |
[ |
- σ2exp(imt - t2σ2/2) + |
+ (im - tσ2)2exp(imt - t2σ2/2) |
] |
t =0 |
= - |
σ2+m2 i2 |
|
= σ2+m2 , |
dx |
6)mx = |
ν2 - ν12 = σ2. |
Замечание 4. С помощью линейного преобразования
* X |
Δ = |
X-m σ |
нормальное распределение N(m,σ) переходит в стандартное нормальное N(0,1), для которого функция распределения совпадает с функцией Лапласа, т.е.
F |
* X |
(x) = Φ(x). |
Замечание 5. Нормально распределенная СВ с большой вероятностью принимает значения, близкие к своему МО, что называют "правилом k сигм":
P{|X - m| ≤ kσ} |
З1 = |
Φ(k) - Φ(-k) = |
{ |
0.6827 , k = 1, 0.9545 , k = 2, 0.9973 , k = 3. |
Замечание 6. Нормальное распределение имеет очень широкое распространение в прикладных задачах. Это связано с тем, что в реальной жизни многие исследуемые СВ являются следствием разлияных случайных событий. В частности, при достаточно общих предположениях сумма большого числа независимых СВ имеет распределение близкое к нормальному (точные формулировки см. ниже, Теорема Л11.Р1.Т2).
Пример 1. Рост людей на нашей планете хорошо описывается нормальным распределением. Это, по-видимому, связано с тем, что на рост влияют разнообразные независимые случайные факторы: климат, экология окружающей среды, экономические условия, болезни и т.д. Хотя, конечно, "бесконечно" большие люди (великаны) и "бесконечно" маленькие люди (гномы) бывают только в сказках. Это говорит о том, что "хвосты" истинного распределения роста людей отличаются от нормального распределения.
Логарифмически нормальное распределение.
Определение 1. СВ
Y |
Δ = |
ex, |
где X ~ N(m,σ), имеет логарифмически нормальное (логнормальное) распределение с параметрами m и σ > 0.
Замечание 1. Так как ex - строго возрастающая функция, то, учитывая вид нормального распределения (определение Л6.Р1.О1), найдём плотность логнормального распределения
fY(y) |
|
4)f(x) = |
fx(ψ(y))ψ'(y) = |
| |
ψ(y) = ln y ψ'(y) = 1/y |
| |
= |
= |
{ |
0, |
, y > 0, y ≤ 0. |
График fY(y) (см. рис.8) асимметричен с максимумом в точке y = exp(m - σ2).
Рисунок 8.
Замечание 2. Найдём МО и дисперсию СВ Y. По определению:
M[Y] = |
1 σ√2π |
|
+∞ ∫ 0 |
exp{-(ln y - m)2/2σ2} dy = |
| |
замена перем. y = exp{σ(t + σ) + m} |
| |
= |
= |
exp{m + σ2/2} √2π |
|
+∞ ∫ -∞ |
e-t |
2 |
/2 dt = exp{m + σ2/2}. |
Аналогично можно найти M[Y2]= exp{2(σ2 + m)}. Поэтому
D[Y] = M[Y2] - (M[Y])2 = exp(σ2 + 2m)*(exp{σ2} - 1).
Замечание 3. Логнормальное распределение широко используется в экономической статистике, статистической физике и др.
Экспоненциальное распределение.
Определение 1. СВ X имеет экспоненциальное (показательное) распределение с параметром λ > 0 (X ~ E(λ)), если (см. рис.3)
f(x)= |
{ |
λe-λx 0 |
, , |
если x ≥ 0, если x < 0. |
Рисунок 3 Рисунок 4.
Замечание 1. Функция распределения СВ X ~ E(λ) равна (см. рис.4): F(x) = 0, если x < 0, и
F(x) |
Δ = |
x ∫ -∞ |
f(x) dx = | f(x) = 0 ,если x < 0 | = λ |
x ∫ 0 |
e-λx dx = 1 - e-λx, x ≥ 0. |
Замечание 2. Характеристическая функция СВ X ~ Е(λ):
g(t) |
Δ = |
+∞ ∫ -∞ |
eitxf(x) dx = λ |
+∞ ∫ 0 |
e-λxeitx dx = λ |
+∞ ∫ 0 |
ex(it-λ) dx = |
= |
|
λ it-λ |
ex(it-λ) |
| |
+∞ x=0 |
= |
λ λ-it |
. |
Замечание 3. Найдём МО и дисперсию СВ X ~ E(λ):
mx |
Δ = |
ν1 = |
1 i |
d dt |
g(t) |
| |
t =0 |
= |
λ (λ-it)2 |
| |
t =0 |
= |
1 λ |
, |
ν2 = |
1 i2 |
d2 dt2 |
g(t) |
| |
t =0 |
= |
2λ (λ-it)3 |
| |
t =0 |
= |
2 λ2 |
, |
dx |
6)mx = |
ν2 - ν12 = |
1 λ2 |
. |
Замечание 4. Экспоненциальное распределение является одним из основных распределений, используемых в теории надежности. Например, продолжительность безотказной работы многих технических устройств, а также время задержки вылета самолёта по вине технических служб аэропорта удовлетворительно описываются соответствующими экспоненциальными распределениями.