- •Конспект лекцій з курсу
- •Математичної статистики “ Розділ “теорія ймовірностей”.
- •Передмова
- •1.Основні поняття теорії ймовірностей
- •1.1. Випадкові події та їх алгебра
- •1.1.1. Первісні поняття. Подія
- •1.1.2. Алгебра випадкових подій.
- •1.2. Аксіоми та властивості ймовірності
- •1.2.1. Частота та ймовірність випадкової події
- •1.2.2. Аксіоми ймовірності та її властивості.
- •1.2.3. Принцип практичної вірогідності
- •1.3. Теорема множення та її наслідки
- •1.3.1. Умовна ймовірність
- •1.3.2. Формула повної ймовірності
- •1.3.3. Теорема гіпотез (формулиБейєса)
- •1.4. Випробування із скінченною кількістю наслідків
- •1.4.1. Класичне означення ймовірності
- •1.4.2. Комбінаторні методи підрахунку кількості наслідків
- •1.5. Повторні випробування
- •1.5.1. Схема я.Бернуллі. Узагальнення а.Маркова
- •1.5.2. Асимптотичні формули для схеми Бернуллі.
- •2.Випадкові величини
- •2.1. Одновимірні випадкові величини
- •2.1.1. Випадкова величина та її функція розподілу
- •2.1.2. Дискретні випадкові величини
- •2.1.3. Неперервні випадкові величини
- •2.1.4. Перетворення розподілів
- •2.2. Випадкові вектори
- •2.2.1. Функція розподілу випадкового вектора
- •2.2.2. Дискретний випадковий вектор
- •2.2.3. Неперервний випадковий вектор
- •2.2.4. Найважливіші види двовимірних розподілів.
- •2.2.5. Закон розподілу суми випадкових величин
- •2.2.6. Ентропія і інформація
- •3.Числові характеристики випадкових величин
- •3.1. Математичне сподівання та його властивості
- •3.1.1. Стійкість середнього арифметичного
- •3.1.2. Математичне сподівання випадкової величини
- •3.1.3. Математичне сподівання функції випадкової величини
- •3.1.4. Математичне сподівання функції випадкового вектора
- •3.1.5. Кореляційний момент випадкових величин
- •3.2. Дисперсія випадкової величини
- •3.2.1. Дисперсія випадкової величини та її властивості
- •3.2.2. Дисперсія суми випадкових величин
- •3.2.3. Нерівність п.Чебишева
- •3.3. Кореляція
- •3.3.1.Коефіцієнт кореляції та кореляційна матриця
- •3.3.2. Регресія
- •3.4. Прикладні задачі
- •3.4.1. Теорія масового обслуговування.
- •3.4.2. Найпростіші задачі теорії надійності
- •Додатки
- •Література
2.2.3. Неперервний випадковий вектор
Випадковий вектор називаєтьсянеперервним, якщо його координатиX таYє неперервними випадковими величинами (іншими словами, ймовірність попадання у будь-яку наперед фіксовану точку дорівнює нулю). У цьому випадку існує невід’ємна функція –щільність ймовірності випадкового вектора –така, що ймовірність попадання випадкового вектора у довільний малий прямокутник П{[x0; x0+Δx), [y0; y0+Δy)} (мал.2.17) має вигляд
. (3)
Співвідношення (3) дозволяє довести, що ймовірність попадання вектора в будь-яку область площини Dзнаходиться за формулою
. (4)
Із співвідношення (4) випливають такі наслідки:
(умова нормування, яка означає, що об’єм тіла, обмеженого поверхнею та площиною , дорівнює одиниці);
.
Оскільки і , то із наслідку 2 знаходимо вираз для щільностей ймовірності координат через щільність ймовірності вектора (умови узгодженості)
(5)
Відновити щільність ймовірності випадкового вектора за щільностями ймовірності його координат можна не завжди.
Умовна щільність ймовірності pX (x /Y=y)випадкової величиниX при умовіY=y визначається співвідношенням
. (6)
Останнє співвідношення можна записати у вигляді, подібному до теореми множення ймовірностей
. (6')
Випадкова величина X називається незалежною від випадкової величиниY, якщо при всіх значенняхx,yвиконується рівністьpX (x / Y=y)=pX (x). Із (6) виходить, що поняття незалежності є взаємним. Випадкові величиниX таYнезалежні тоді і тільки тоді, коли справедливе співвідношення
. (7)
Якщо випадкові величини X таYне є незалежними, то вони називаютьсязалежними. Ця залежність може бути або функціональною –Y=g(X), або мати імовірнісний (стохастичний) характер, коли значення, яке приймає одна величина лише впливає на закон розподілу іншої.
У іншому випадку мова може йти лише про наближене представлення випадкової величини Yфункцією випадкової величиниX:
Yg(X).
При цьому функція g(X) вибирається так, щоб звести до мінімуму (в якомусь сенсі) похибку цієї наближеної рівності.
Приклад 1. Випадковий вектор розподілений в областіD{(x;y): 0<x<1, x<y<1} з щільністю ймовірності . Знайти: 1) коефіцієнтA; 2) щільності ймовірності координат; 3) умовні щільності ймовірності; 4) ймовірність попадання в областьD1{(x;y): 0<x<1/2,x<y<1–x}.
Розв’язок. 1) Виходячи з умови нормування одержуємо (мал.2.18.а)
;
2) Із умов узгодженості (5) одержуємо
, якщо x[0;1],
, якщо y[0;1].
3) На підставі формули (6) та результатів пункту 2 знаходимо:
, якщо 0<x<y,y(0;1),
, якщоx<y<1,x(0;1).
Випадкові величини X таY є залежними.
4) (мал.2.18.б).
Проінтегрувавши рівність (6') по зміннійyта скориставшись умовою узгодженості (5), знайдемо аналог формули повної ймовірності
. (8)
2.2.4. Найважливіші види двовимірних розподілів.
1) Рівномірний розподіл.Випадковий вектор називається рівномірно розподіленим у областіD, якщо
S -площа областіD.
Якщо двовимірний вектор рівномірно розподілений у прямокутнику зі сторонами, паралельними осям координат, то координатиX таYбудуть незалежними рівномірно розподіленими випадковими величинами. Наведемо приклад залежних величин, які самі і у сукупності розподілені рівномірно.
Приклад 1. Нехай випадковий вектор рівномірно розподілений в областіD=D1D2 (мал. 2.19). Знайти щільності ймовірності координат вектора.
Розв’язок. Сума площ фігур D1іD2дорівнює 1/2 (половина площі квадрата із стороною 1) і тому
На підставі умов узгодженості (формула (5) розділ 2.2), маємо
Таким чином, випадкова величина X рівномірно розподілена на відрізку [0;1]. Аналогічно доводиться, що випадкова величина Y також рівномірно розподілена на відрізку [0;1]. Оскільки pX(x)pY(y), то випадкові величиниX таYбудуть залежними.
Приклад 2. Випадкові величиниX таYнезалежні і розподілені рівномірно у проміжку [0;1]. Знайти ймовірність того, що корені квадратного рівнянняXx2+x+Y=0 дійсні.
Розв’язок. Невід’ємність дискримінанта рівносильна умові X·Y. Вектор рівномірно розподілений у квадраті D{(x; y): 0 x1, 0 y1} і тому Таким чином,
.
Область інтегрування D1розташована у квадратіDвище гіперболиxy=1/4(див.мал.2.20).
2) Двовимірний нормальний розподіл.Випадковий вектор називається розподіленим за нормальним законом (законом Гауса) з параметрамиa1, a2, 12, 22,r, якщо його щільність розподілу має вигляд:
, (9)
де r <1,1>0, 2>0.
При r0 із (9) одержуємо двовимірний закон Гауса в найпростішій формі
. (10)
Функція , визначена рівністю (9), набуває максимального значення у точці (a1;a2), яка називається центром розсіювання, і постійне значення на еліпсах
.
Ці еліпси, що називаються еліпсами рівної ймовірності або еліпсами розсіювання, дають уявлення про форму поверхні . Приr=0 і 1=2еліпси перетворюються в кола, а приr 1 стають «витягнутими» і «тонкими». Більша вісь еліпса повернута на кут відносно осіOx (мал.2.21).
З розподілу (9) виходить, що випадкові величини XтаYрозподілені за законами ГаусаXN(a1;12) таYN(a2;22). Проте, добуток цих законів дає не розподіл (9), а (10). Тому координати двовимірного випадкового вектора, розподіленого за законом Гауса у найпростішій формі, є незалежними випадковими величинами, а за законом Гауса у загальній формі – залежними. Умовні щільності ймовірності також є Гаусовими. Наприклад, умовна ймовірність
співпадає з .
Ймовірність попадання випадкового вектора в область ефективно може бути знайдена тоді, коли r = 0 і областьD є прямокутником з сторонами, паралельними осям координат, або колиD‑ область, обмежена еліпсом розсіювання.
Приклад 3. Гармата обстрілює злітно-посадочну смугу шириною 60м та довжиною 200м. Координати точки попадання снаряда по відношенню до системи координат, осі якої направлені вздовж та поперек смуги, а початок знаходиться у її центрі (мал.2.22), розподілені за законом
.
Знайти ймовірність попадання у смугу при одному пострілі.
Розв’язок. (Випадкові величини X та Y незалежні). Оскільки XN(1м; 252 м2),YN(–20м;652 м2), то на підставі формули (10) розділу 2.1 одержуємо
.
Отже, ймовірність попадання у смугу дорівнює 0.66.
3) Розподіл Релея.Нехай випадковий вектор розподілений за законом Гауса у найпростішій формі (10) з параметрамиa1=a2=0, 12=22=2.
Тоді випадкова величина – відстань від точки (X;Y) до початку координат – розподілена за законом Релея з параметром2 (графік щільності приведено на мал.2.23):
. (11)
Розподіл Релея виникає у такій важливій задачі. Розглянемо гармонічні коливання з періодомT :
.
Як відомо з курсу елементарної математики (фізики), такі коливання можна зобразити у вигляді
.
Нехай XтаYнезалежні випадкові величини, розподілені за законом ГаусаN(0;2). Тоді виявляється, що амплітуда та початкова фаза коливаньбудуть незалежними випадковими величинами. При цьому амплітуда буде мати релеєвський розподіл з параметром2, а початкова фаза буде рівномірно розподілена у проміжку[0;2).
У тому випадку, коли випадковий вектор розподілений за законом Гауса у найпростішій формі (10) з параметрамиa1, a2, 12=22=2, випадкова величина виявляється розподіленою за законом Райса
,
де I0(x)=. При великих значеннях закон Райса є близьким до нормального .
4) Розподіли 2 (Пірсона), (Стьюдента) та Fn,m (Фішера).Ці розподіли будуть використовуватися у главі 5.
Нехай випадкові величини X0, X1,X2,...,Xnє незалежні та розподілені за законом ГаусаN(0;1). Розподіл випадкової величиниn2=X12+X22+...+Xn2називається2‑розподілом(хі-квадрат розподілом) зnстепенями свободи. Щільність ймовірності випадкової величиниn2 задається співвідношенням (графік щільності приведено на мал.2.24)
,
де стала Kn визначається умовою нормування. Зокрема, випадкова величина12 =X12 має щільність ймовірності
.
Цей результат уже приводився в прикладі 3 пункту 2.1.4.
Розподіл випадкової величини називається ‑розподілом (розподілом Стьюдента)зnстепенями свободи. Щільність ймовірності випадкової величиниnзадається співвідношенням (графік щільності приведено на мал.2.25):
,
де стала Lnвизначається умовою нормування.
Графік щільності є симетричним відносно прямої x=0 і подібний до графіка щільності нормального розподілуN(0;1). Із зростанням кількості ступенів свободиnрозподілСтьюдента наближається до нормального з параметрамиa=0,2=1. В таблиці 2 додатка приведені значенняt(n), які задовольняють рівності
.
Ці значення більші, ніж значення, що є коренями рівняння 2Ф()=1–. Але із зростанням кількості ступенів свободиt(n) наближається до. Наприклад, для=0.05 маємоt0.05(5)=2.5706,t0.05(10)=2.2281, t0.05(20)=2.0960, t0.05(+)=0.05=1.963 (мал.2.26).
Розглянемо випадкову величину , де і – незалежні випадкові величини, розподілені за законом χ2 відповідно зn та m ступенями свободи. Розподіл випадкової величиниFn,mназиваєтьсярозподілом Фішеразn та m ступенями свободи. Щільність цього розподілу має вигляд
,
де стала Aзнаходиться із умови нормування.