харламов тер-вер
.pdfЛЕКЦИИ ПО ТЕОРИИ ВЕРОЯТНОСТЕЙ |
9 |
Доказательство. Обозначим элементарный исход в схеме Бернулли двоичным вектором ! с n координатами. Положим !i = 1, если в i-м испытании произош¼л успех, и !i = 0 в противном случае. Если считать событием A событие ¾в n испытаниях произошло k успехов¿, то его вероятность
X
P(A) = P(!):
!2A
Элементарные исходы, благоприятствующие событию A, содержат k единиц и n k нулей, поэтому для всех ! 2 A
P(!) = pkqn k:
Всего этих исходов Cnk, следовательно,
P(A) = Cnk pkqn k:
Распределение, определяемое формулой Бернулли, называют биномиальным распределением.
Наивероятнейшее число успехов в схеме Бернулли. Найд¼м это число (обозначим его k0) из следующих условий:
Pn(k0) > Pn(k0 + 1); Pn(k0) > Pn(k0 1):
Пут¼м преобразований получим двойное неравенство pn q 6 k0 6 pn + p;
которое, пользуясь выражением для q, можно переписать в виде
p(n + 1) 1 6 k0 6 p(n + 1):
Если крайние точки целые, то k0 имеет два значения.
Приближ¼нные вычисления в схеме Бернулли.
Локальная теорема Муавра-Лапласа. Реализована схема Бернулли, в которой вероятность успеха не близка ни к 0, ни к 1.
Тогда при n ! 1 при всех k и при всех
k np x = pnpq
выполняется соотношение
pnpq
'(x) Pn(k) ! 1;
ãäå
1 x2 '(x) = p e 2 :
2
10 ХАРЛАМОВ А. В.
Следствие. При n > 30 вероятность наступления k успехов
1
Pn(k) pnpq '(x):
Интегральная теорема Муавра-Лапласа. Реализована схема Бернулли, в которой вероятность успеха не близка ни к 0, ни к 1.
Тогда при n ! 1 при всех k и при всех a и b
|
6 pnpq |
6 |
|
! p2 Za |
b |
|
|
|
|
|||||||
P a |
k np |
|
b |
1 |
|
e |
2 |
dx = (b) |
|
(a); |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
x2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где (x) называется функцией Лапласа.
Следствие. При n > 30 вероятность того, что число успехов будет между k1 è k2, равна
Pn(k1 |
|
|
|
|
|
|
|
|
x2 |
e |
2 |
dx; |
||
; k2) p2 xZ1 |
||||||||||||||
|
|
|
1 |
|
|
|
x2 |
|
||||||
ãäå |
|
|
ki np |
|
|
|
|
|
|
|
||||
x |
= |
|
(i = 1; 2): |
|||||||||||
p |
|
|
||||||||||||
i |
|
|
npq |
|
|
|
|
|
|
Справедливость этих двух теорем следует из центральной предельной теоремы, рассматриваемой далее.
Вероятность отклонения частоты успеха от вероятности успеха
в схеме Бернулли |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
P |
n |
|
|
|
|
|
n |
|
pnpq |
|
|
< |
|
p |
|
|
|
|
|
|
||||||||||||||
|
|
|
ppq |
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
n |
|
|
n |
|
|
|
|
n |
|
|||||||||||||||||
|
|
|
|
|
|
|
" |
|
|
|
|
|
|
|
|
" |
|
|
|
|
= 2 |
|
|
" |
|
|
|
|
|
|
|
|
= : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
rpq |
|
rpq |
|
|
rpq |
|
||||||||||||||||||||||
В данном случае по тр¼м параметрам из , ", k, |
n можно вы- |
числить четв¼ртый. В частности, можно вычислить интервал, в котором окажется число успехов с вероятностью :
n(p ") 6 k 6 n(p + "):
Теорема Пуассона. Реализована последовательность из n испытаний по схеме Бернулли таким образом, что в i-й серии i испы-
таний с вероятностью успеха pi. В каждой серии вероятность успеха постоянна, но уменьшается от серии к серии с такой ско-
ростью, что lim npn = . Тогда
n!1
lim Pn(k) = k e :
n!1 k!
|
|
ЛЕКЦИИ ПО ТЕОРИИ ВЕРОЯТНОСТЕЙ |
|
|
11 |
|||||||||||||||
Доказательство. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Pn(k) = Cnk pk (1 pn)n k = |
|
n! |
|
|
pnk (1 pn)n k |
= |
||||||||||||||
|
|
|
|
|
|
|
|
|||||||||||||
k!(n |
|
k)! |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
= |
n(n 1) : : : (n k + 1) |
|
|
(npn)k |
|
(1 pn)n |
= |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
nk |
|
|
|
k! |
|
|
|
(1 pn)k |
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
(1 pn) |
1 |
npn |
|
||||||
= |
n 1 |
|
: : : |
|
n k + 1 |
|
(npn)k |
|
|
pn |
: |
|||||||||
|
n |
|
n |
|
k! |
|
|
|
(1 pn) |
|
Переходя к пределу при n ! 1, получим
Pn(k) ! k e : k!
Следствие. Если p близко к 0 или 1, то
Pn(k) k e ; k!
ãäå = np.
Вероятность того, что число успехов будет от 0 до k, равна
k |
i |
|
Xi |
|
e : |
Pn(0; k) = |
|
|
=0 |
i! |
|
|
|
Åñëè pnpq > 3, то нужно пользоваться формулой Муавра-Лапласа, иначе формулой Пуассона.
12. Случайные величины
Определение. Минимальная -алгебра, образованная множеством интервалов вида [a; b), называется борелевской -алгеброй.
Определение. Случайной величиной называется числовая функция (!), заданная на множестве элементарных исходов , такая,
что прообраз любого борелевского множества является случайным событием.
Для задания случайной величины необходимо знать е¼ значения и вероятности, с которыми она принимает эти значения.
Определение. Законом распределения случайной величины на-
зывается вероятностная мера, заданная на множестве значений слу- чайной величины, определяемая так:
P (B) = Pf 2 Bg = Pf : (!) 2 Bg;
где B произвольное борелевское множество.
12 |
ХАРЛАМОВ А. В. |
Случайная величина переводит вероятностное пространство экспериментов на вероятностное пространство на числовой прямой. Задание случайной величины позволяет отказаться от пространства экспериментов. Распределение вероятностей на множестве слу- чайных величин не однозначно.
13. Дискретные случайные величины
Определение. Случайная величина называется дискретной, если она принимает не более чем сч¼тное множество значений.
Для задания дискретной случайной величины достаточно указать е¼ значения и соответствующие вероятности. Полученная при этом таблица называется рядом распределения дискретной случайной величины:
|
|
x1 |
: : : |
xn |
: : : |
; pi > 0; |
1 |
|
|||||||
|
pi = 1: |
||||||
|
|
|
|
|
|
||
P |
|
p1 |
: : : |
pn |
: : : |
|
Xi |
|
|
|
|
|
|
|
=1 |
Данный ряд является способом задания случайной величины, так как с его помощью можно вычислить вероятностную меру любого борелевского множества:
P (B) = Pf! : (!) 2 Bg = P |
Ak |
! = |
P(Ak) = pk: |
[ |
|
X |
X |
xk2B |
|
xk2B |
xk2B |
Определение. Законом распределения дискретной случайной величины называется ряд распределений, представленный в виде зависимости между значениями величины и вероятностями.
Примеры дискретных распределений.
Равномерное распределение.
1 |
|
|
|
||
Pf = kg = |
|
; |
k = 1; : : : ; n: |
||
n |
|||||
Распределение Бернулли. |
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
1 |
|
|
|
P |
p |
q |
||
|
|
|
|
|
|
Биномиальное распределение.
Pf = kg = Cnk pk (1 p)n k; k = 0; : : : ; n:
Гипергеометрическое распределение.
|
CL CK L |
|
Pf = Lg = |
M N M |
; L = max(0; K N + M); : : : ; min(K; N): |
CNK |
Геометрическое распределение. Вероятность того, что число повторений до первого успеха будет равно k (при вероятности успеха p),
Pf = kg = qk 1p; k 2 N:
ЛЕКЦИИ ПО ТЕОРИИ ВЕРОЯТНОСТЕЙ |
13 |
|||
Распределение Пуассона. |
|
|
|
|
k |
|
|
||
Pf = kg = |
|
e ; k 2 N [ f0g: |
|
|
k! |
|
|||
1. Для биномиального распределения: |
P |
|
||
Проверим выполнение условия нормировки ( |
p = 1): |
|
nn
XX
Pf = kg = |
Cnk pk (1 p)n k = (p + 1 p)n = 1: |
k=0 |
k=0 |
2. Для распределения Пуассона:
1 |
k |
1 |
k |
||
X |
|
|
Xk |
||
|
|
e = e |
|
|
= e e = 1: |
k=0 |
k! |
=0 |
k! |
||
|
|
|
|
14. Функция распределения случайной величины
Определение. Функцией распределения случайной величины называется функция вида
F (x) = Pf < xg = Pf! : (!) < xg:
Дискретная случайная величина имеет кусочно-постоянную функцию распределения. Разрывы происходят в точках значений слу- чайной величины, величина скачка равна е¼ вероятности.
Свойства функции распределения:
1.Функция распределения принимает значения в [0; 1].
2.Функция распределения является неубывающей.
Доказательство. Пусть x1 < x2.
F (x2) = Pf < x2g = Pf < x1 _ 2 [x1; x2)g =
=Pf < x1g + Pf 2 [x1; x2)g > F (x1):
3.Функция распределения является способом задания случайной величины: зная е¼, можно вычислить вероятностную меру любого борелевского множества.
Доказательство.
P [a; b) = Pf 2 [a; b)g = F (b) F (a):
Задание функции распределения на множестве случайных величин неоднозначно. Разные случайные величины могут иметь одинаковую функцию распределения.
4. Pf > xg = 1 F (x).
5. lim F (x) = 1.
x!1
14 |
|
|
|
ХАРЛАМОВ А. В. |
|
|
|
|||
Доказательство. Пусть есть случайные события |
|
|||||||||
|
|
|
|
A1 = f < 1g; |
|
|
||||
|
|
|
|
|
|
|
|
: : : ; |
|
|
|
|
|
An = f 2 [n 1; n)g; |
|
|
|||||
|
|
|
|
|
|
|
|
: : : |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
iS |
|
|
|
|
|
|
|
|
|
Видно, что |
|
Ai = . Поэтому |
|
|
|
|||||
|
|
=1 |
|
|
|
|
|
|
|
|
1 |
|
i! |
|
n!1 |
n |
|
i! |
n |
|
i) = |
i=1 |
|
|
=1 |
|
= n!1 i=1 P( |
|
||||
[ |
A |
|
= lim P |
i[ |
A |
|
X |
A |
|
|
1 = P |
|
|
|
lim |
|
|||||
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
Xi |
|
|
|
|
|
|
= nlim |
F (i) F (i 1) = nlim F (n): |
|||||||||
|
|
!1 |
=1 |
|
|
|
!1 |
|
|
6. lim F (x) = 0.
x! 1
Доказательство. Положим для всех n 2 N
An = f < ng:
Очевидно, что Ai Ai 1 è |
1 |
|
|
= ?. По аксиоме непре- |
|||||||||||||||||||||
=1 Ai |
|||||||||||||||||||||||||
рывности вероятностной мерыiT |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
x lim F |
(x) = x lim Pf < xg = nlim P(An) = 0: |
|
|
|
|
||||||||||||||||||||
|
! 1 |
|
|
|
|
! 1 |
|
|
|
|
|
!1 |
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7. lim |
F (x) = F (x0). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
x!x0 0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Доказательство. Положим для всех n 2 N |
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
An = 2 x0 |
|
|
; x0 : |
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|||||||||||
Видно, что Ai Ai 1 è |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
=1 Ai = ?. Отсюда |
|
|
|
|
|
||||||||||||||||||||
|
|
2 |
|
|
|
1 |
|
|
0 |
iT |
|
|
|
|
|
|
|
|
|
|
|
1 |
|
= |
|
lim P |
|
x |
|
|
x |
lim |
F |
x |
|
|
F |
x |
|
|
|||||||||||
|
n |
; |
0) |
|
0 n |
||||||||||||||||||||
0 = n!1 |
|
|
0 |
|
= n!1 |
( |
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= F |
(x |
) |
|
lim |
|
F |
(x): |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
x!x0 0 |
|
|
Любая неубывающая, непрерывная слева, равная 1 в +1 и 0 в 1 функция может быть функцией распределения некоторой случайной величины.
ЛЕКЦИИ ПО ТЕОРИИ ВЕРОЯТНОСТЕЙ |
15 |
15. Абсолютно непрерывные случайные величины
Определение. Случайная величина называется абсолютно непре-
рывной, если существует функция p (x) (называемая плотностью
распределения случайной величины) такая, что функция распределения случайной величины представима в виде
x
Z
F (x) = p (t) dt:
1
Свойства плотности распределения:
1.Плотность распределения неотрицательна.
2.Плотность распределения нормирована:
+1
Z
p (x) dx = F (+1) = 1:
1
3.В точках непрерывности функции распределения p (x) = F 0(x).
4.Плотность распределения случайной величины является способом задания абсолютно непрерывной случайной величи- ны: зная плотность распределения, можно вычислить вероятностную меру любого борелевского множества.
Доказательство.
Pf 2 [a; b)g = F (b) F (a) = Za |
b |
p (x) dx: |
5.Вероятностная мера точки в абсолютно непрерывном случае равна нулю.
Доказательство.
Pf |
|
= |
|
0g = !0 f |
|
2 |
|
|
|
|
g |
!0 |
x0+ |
|
|
|
x |
|
0 |
; x |
0 |
+ ) |
xZ0 |
|
(x) dx = 0: |
||||||
|
|
lim P |
|
[x |
|
|
= lim |
|
p |
Равномерное распределение. координата случайно брошенной на отрезке [a; b] точки. Функция распределения имеет вид
F (x) = |
8xb aa ; a < x 6 b; |
||
|
0; |
x 6 a; |
|
|
> |
|
|
|
|
x > b: |
|
|
<1; |
||
|
> |
|
|
:
16 |
ХАРЛАМОВ А. В. |
Плотность распределения
(
1 ; x 2 [a; b];
p (x) = b a
0; x 2= [a; b]:
Показательное распределение. Плотность распределения
(
0; x < 0; p (x) = e x; x > 0:
Функция распределения
x |
p (t) dt = |
( |
|
F (x) = Z |
1 e x; x > 0: |
||
|
|
0; |
x 6 0; |
1 |
|
|
|
Показательное распределение обладает свойством нестарения :
P > u + t > u = |
Pf > u + t; > ug |
= |
Pf > u + tg |
= |
||||
f |
j |
g |
f |
g |
|
f |
g |
|
P > u |
|
|
P |
> u |
|
=1 F (u + t) = e t = 1 F (t) = Pf > tg: 1 F (u)
Справедливо обратное утверждение: если имеет место свойство нестарения, то случайная величина имеет показательное распределение.
Нормальное распределение Гаусса. Плотность распределения имеет вид
1 |
|
e |
1 |
( |
x a |
) |
2 |
||
p (x) = |
p |
|
|
2 |
|
: |
|||
2 |
|
|
|
|
При a = 0, = 1 распределение называется стандартным нормальным. В этом случае
1 F (x) = (x) + 2:
16. Многомерные случайные величины
Определение. Многомерной случайной величиной (случайным вектором) размером n называется упорядоченная последовательность
случайных величин
= ( 1; : : : ; n), заданных на одном и том же вероятностном пространстве ( ; A; P).
Далее будем рассматривать векторы
= ( 1; 2).
Определение. Функцией распределения случайного вектора
= ( 1; 2)
называется функция
F (x1; x2) = Pf 1 < x1; 2 < x2g:
Свойства функции распределения случайного вектора:
ЛЕКЦИИ ПО ТЕОРИИ ВЕРОЯТНОСТЕЙ |
17 |
1. |
Функция распределения случайного вектора принимает зна- |
|||||||||
|
чения в [0; 1]. |
|
|
|
|
|
||||
2. |
Функция распределения случайного вектора является неубы- |
|||||||||
|
вающей по каждому аргументу. |
|
||||||||
3. |
Функция распределения случайного вектора непрерывна сле- |
|||||||||
|
ва по каждому аргументу. |
|
|
|
||||||
4. |
lim |
F (x |
; x |
) = 1. |
|
|
|
|
||
|
x1 |
!+1 |
|
1 |
2 |
|
|
|
|
|
|
x2 |
!+1 |
|
|
|
|
|
|
|
|
5. |
lim |
F (x |
; x |
) = lim |
F (x |
; x |
) = 0. |
|||
|
x1! 1 |
|
1 |
2 |
x2! 1 |
|
1 |
2 |
|
6.Вероятностная мера борелевского прямоугольника, вычисляемая через функцию распределения, будет с необходимостью неотрицательной.
Доказательство. Пусть = [a; b) [c; d).
|
2 g = F (b; d) F (a; d) F (b; c) + F (a; c) > 0: |
Pf |
7.По функции распределения случайного вектора однозначно определяются функции распределения его координат:
F |
|
(x |
) = |
lim |
F (x |
; x |
); |
F |
(x |
) = |
lim |
F (x |
; x |
): |
|
1 |
1 |
|
x2!+1 |
1 |
2 |
|
2 |
2 |
|
x1!+1 |
1 |
2 |
|
Доказательство.
lim |
F x |
; x |
lim |
|
< x |
; |
|
< x |
|
|
< x |
; |
g = |
F |
|
x |
1) |
: |
x2!+1 |
( 1 |
|
2) = x2!+1 Pf |
1 |
1 |
|
2 |
|
2g = Pf |
1 |
1 |
|
|
1 |
( |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Определение. Случайный вектор |
|
|
|
|
|
= ( 1; 2) называется абсолют- |
|||
но непрерывным, если существует функция p (x |
1 |
; x |
) (плотность |
|
|
|
2 |
|
|
распределения случайного вектора) такая, что |
|
|
|
|
x1 x2 |
|
|
|
|
F (x1; x2) = Z Z |
p (t1; t2) dt2 dt1: |
|
|
|
1 1 |
|
|
|
|
Свойства плотности случайного вектора:
1.Плотность случайного вектора неотрицательна.
2.Плотность случайного вектора нормирована:
+1 +1 |
|
|
|
|
|
|
|
!+1 |
Z Z |
|
; x |
) dx |
|
dx |
|
x2 |
|
p (x |
2 |
1 |
= lim |
|||||
|
1 |
2 |
|
|
x1 |
+ |
||
1 1 |
|
|
|
|
|
|
|
! 1 |
|
|
|
|
|
|
|
|
F (x1; x2) = 1:
3. Для функции распределения абсолютно непрерывного слу- чайного вектора
@2F (x1; x2)
p (x1; x2) = :@x1@x2
18 |
ХАРЛАМОВ А. В. |
4.Вероятностная мера борелевского прямоугольника вычисляется через плотность распределения случайного вектора:
b |
d |
|
Pf 2 g = Pf( 1; 2) 2 [a; b) [c; d)g = Za |
Zc |
p (x1; x2) dx2 dx1: |
5. По плотности распределения случайного вектора однозначно определяется плотность распределения его координат:
+1 |
|
p (x1) = Z |
p (x1; x2) dx2: |
1 |
|
Доказательство.
|
|
( |
|
1) = x2!+1 |
( |
|
|
2) = x2 |
x1 x2 |
( 1 |
2) |
|
x1 |
|
|
( |
1) |
|
F |
1 |
x |
1 |
; x |
!+1 Z Z |
dt |
2 1 = Z |
p |
1 |
1 |
||||||||
|
|
lim |
F |
x |
lim |
p t |
; t |
dt |
|
t |
|
dt : |
||||||
|
|
|
|
|
|
|
|
|
1 1 |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Равномерное распределение в прямоугольнике = [a; b) [c; d):
|
|
|
|
|
p (x1; x2) = (0; |
|
|
|
(x1; x2) = : |
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
; (x1; x2) 2 ; |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
(b a)(d c) |
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
Равномерное распределение в |
1круге K = ! (0; 0); : |
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
1 |
2 |
) = |
( |
|
|
|
(x1 |
; x2) = K: |
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
0; |
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
p (x |
; x |
|
|
2 ; (x1 |
; x2) 2 K; |
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
Двумерное нормальное распределение: |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
p (x1; x2) = |
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
2p1 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
exp |
|
1 |
|
2 11 |
|
x1 a1 |
|
2 |
|
2 |
x1 a1 |
|
|
x2 a2 |
+ |
|
x2 a2 |
|
2 |
: |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
2 1 2 |
|
|
|
|
|
|
2 |
|
|||||||||||||||||||||
|
|
1 |
|
|
|
|
1 |
|
|
2 |
|
!! |
Определение. Случайный вектор называется дискретным, если он принимает не более чем сч¼тное множество значений.
Как и в одномерном случае, для задания дискретного случайного вектора достаточно указать его значения и соответствующие им вероятности:
f g
X
P = zi = pi; pi > 0; pi = 1:
i
Вероятностная мера борелевского прямоугольника
f 2 g
X
P = pi:
i