theory
.pdfОсновные понятия и теоремы |
65 |
Дискретные случайные величины (распределения)
Определение 6. Случайная величина ξ называется дискретной,
если c вероятностью 1 она принимает не более чем счетное число значений.
Задание такой случайной величины по определению равносильно зада-
нию закона распределения:
ξ : |
x1 |
x2 |
... |
xn |
..., |
(4) |
|
Ρ : |
p1 |
p2 |
... |
pn |
..., |
||
|
где pn = Ρ(ξ = xn ), ∑pn =1.
n
Закон распределения и функция распределения взаимно-однозначно определяют друг друга. Пусть ξ имеет закон распределения (4), причем
x1 < x2 < ... < xn < ... .
Тогда по определению функции распределения имеем
0, |
|
|
если |
x < x1, |
|
p , |
|
если |
x |
≤ x < x , |
|
1 |
|
|
|
1 |
2 |
Fξ (x)= p1 |
+ p2 , |
если |
x2 ≤ x < x3, |
||
p |
+ p |
+ p , |
если |
x |
≤ x < x , |
1 |
2 |
3 |
|
3 |
4 |
... . |
|
|
|
|
|
|
|
|
|
|
|
Следующий график (рис. 8) дает представление о найденной функции
Fξ (x).
Рис. 8
66 |
Глава 3. Случайные величины и их числовые характеристики |
|
Пусть теперь известна функция распределения дискретной случайной |
величины ξ. Тогда, учитывая, что P(ξ = x) = Fξ (x) − Fξ (x −0), легко восстанавливаем закон распределения:
ξ : |
x1 |
x2 |
... |
xn |
..., |
Ρ : Fξ (x1) − Fξ (x1 −0) |
Fξ (x2 ) − Fξ (x2 −0) ... |
Fξ (xn ) − Fξ (xn − 0) ... . |
|||
Пример 6. Найдем закон распределения случайной величины, если |
|||||
известна функция распределения этой величины |
|
|
|||
|
|
0, |
x < 0, |
|
|
|
|
|
|
|
|
|
|
Fξ (x) = 1 2, 0 ≤ x <1, |
|
|
|
|
|
|
x ≥1. |
|
|
|
|
1, |
|
|
|
Закон распределения будет иметь вид |
|
|
|||
ξ : |
|
0 |
|
1, |
|
Ρ : |
1 2 = Fξ (0) − Fξ (0 −0) |
1 2 = Fξ (1) − Fξ (1− 0). |
|
Примеры дискретных случайных величин (распределений)
1. Случайная величина Бернулли ( распределение Бернулли). Закон распределения имеет вид
ξ : |
0 |
1, |
Ρ : 1− p |
p (0 < p <1). |
Такому распределению соответствует бросание, вообще говоря, несимметричной монеты, на одной стороне которой – 0, а на второй – 1.
2. Биномиальная случайная величина ( биномиальное распределение) . Закон распределения запишется следующим образом:
|
ξ : |
0 |
1 |
… |
k |
… |
n, |
|
Ρ : |
Pn (0) |
Pn (1) |
… |
Pn (k) |
… |
Pn (n), |
где P (k) = Ck pk qn−k , |
0 < p <1, |
q =1− p. |
|
|
|||
n |
n |
|
|
|
|
|
|
Число успехов в n испытаниях схемы Бернулли имеет биномиальное распределение.
3. Случайная величина Пуассона ( распределение Пуассона с параметром λ) . Закон распределения задается следующим образом:
Ρ(ξ = k) = λ k |
e−λ , k = 0, 1, 2, 3, …, |
k! |
|
где λ > 0 - параметр.
Распределение Пуассона носит название закона редких событий, поскольку оно всегда появляется там, где производится большое число испытаний,
Основные понятия и теоремы |
67 |
вкаждом из которых с малой вероятностью происходит «редкое» |
событие. |
Позакону Пуассона распределены, например, число вызовов, поступивших на телефонную станцию, числораспавшихся нестабильныхчастицит. д.
4. Геометрическая случайная величина ( геометрическое распределение) . Закон распределения имеет вид
Ρ(ξ = k) = p(1− p)k , 0 < p <1, k = 0, 1, 2, ... .
Пусть производятся независимые испытания, причем в каждом испытании возможны два исхода - «успех» с вероятностью p или «неуспех» с ве-
роятностью 1− p, 0 < p <1. Обозначим через ξ число испытаний до первого появления «успеха», тогда ξ будет геометрической случайной величиной.
5. Гипергеометрическая случайная величина ( гипергеометрическое распределение) . Закон распределения имеет вид
CkCn−−k
Ρ(ξ = k) = L N L , L ≤ N, n ≤ N, max(0, n + L − N ) ≤ k ≤ min(L, n).
CNn
Пусть имеется множество, состоящее из N элементов. Предположим, что L из них обладают нужным свойством. Оставшиеся N − L элементов этим свойством не обладают. Из данного множества случайным образом выбирается группа из n элементов. Пусть ξ – случайная величина, равная
количеству выбранных элементов, обладающих нужным свойством, тогда ξ будет гипергеометрической случайной величиной.
Абсолютно непрерывные случайные величины (распределения)
Определение 7. Распределение случайной величины ξ называется
абсолютно непрерывным, а сама случайная величина - абсолютно непрерывной случайной величиной, если для любого B B( )
|
Pξ(B) = ∫ pξ(x)dx, |
(5) |
|
B |
|
где pξ(x), x |
, - интегрируемая по Лебегу функция. Функция |
pξ(x) на- |
зывается плотностью распределения случайной величины ξ. |
|
|
Теорема 4. |
Чтобы случайная величина ξ была абсолютно непрерыв- |
|
ной, необходимо и достаточно, чтобы для любого x |
|
|
|
x |
|
|
Fξ (x) = ∫ pξ(t)dt. |
(6) |
−∞
Из представления (6) видно, что функция распределения абсолютно непрерывной случайной величины является абсолютно непрерывной функцией.
68 |
Глава 3. Случайные величины и их числовые характеристики |
Свойства плотности распределения |
|
|
+∞ |
1) |
∫ pξ(t)dt =1 (вытекает из того, что Fξ(+∞) =1). |
−∞
2)pξ (t) ≥ 0 почти всюду по мере Лебега на прямой (следует из того, что Fξ - монотонно неубывающая функция).
3)Fξ′(x) = pξ(x) почти всюду по мере Лебега на прямой (следует из
представления (6)).
Теорема 5. Чтобы функция p = p(x) была плотностью распределения некоторой случайной величины ξ необходимо и достаточно, чтобы она удовлетворяла свойствам 1) и 2) плотности.
Примерыабсолютнонепрерывныхслучайныхвеличин(распределений)
1 . Нормальная случайная величина, или случайная величина Гаусса ( нормальное распределение) . Случайная величина ξ
имеет нормальное распределение (распределение Гаусса), если ее плотность распределения имеет вид
|
|
1 |
e− |
( x−a)2 |
||
p |
(x) = |
2σ2 |
, σ > 0, a . |
|||
|
||||||
ξ |
|
σ 2π |
|
|
||
|
|
|
|
|||
Если a = 0, σ =1, |
то данное распределение называется стандартным нор- |
мальным распределением.
Важная роль этого распределения объясняется тем, что оно обычно возникает в явлениях, подверженных действию большого числа малых случайных явлений. Так, математическая теория выборочного метода в статистике для расчета некоторых показателей (ошибка выборки, доверительный интервал, связь между признаками) широко использует нормальное распределение.
2. Экспоненциальная ( показательная) случайная величина ( экспоненциальное распределение) . Случайная величина ξ
имеет экспоненциальное (показательное) |
распределение с параметром λ |
(λ > 0), если ее плотность имеет вид |
|
0, |
x < 0, |
|
|
pξ(x) = |
x ≥ 0. |
λe−λx , |
|
|
|
Экспоненциальному распределению подчиняется время распада атомов различных элементов. Оно обладает важным свойством - отсутствием последействия. Несложно убедиться в том, что вероятность распада атома за время x2 при условии, что перед этим он уже прожил время x1 , совпа-
дает с безусловной вероятностью распада того же самого атома за время x2 . Именно это свойство и представляет собой отсутствие последействия.
Основные понятия и теоремы |
69 |
3. Равномерная на [a; b] случайная величина ( равномерное на отрезке [a; b] распределение) . Равномерно распределенная на от-
резке [a; b] случайная величина ξ имеет плотность распределения
0, |
|
|
x [a; b], |
|
|
1 |
|
|
|
pξ(x) = |
, |
x [a; b]. |
||
|
|
|
||
|
− a |
|||
b |
|
|
Равномерное распределение реализует принцип геометрической вероятности при бросании точки на отрезок [a; b].
4. Случайная величина Коши ( распределение Коши). Случайная величина ξ имеет распределение Коши, если ее плотность предста-
вима в виде
p (x) = |
1 |
|
c |
, c > 0, a , x . |
|
|
|||
ξ |
π |
|
(x − a)2 +c2 |
|
|
|
|
Если a = 0, c =1, то данное распределение называется стандартным рас-
пределением Коши.
Распределение вероятностей отношения ξ1 ξ2 , где ξ1, ξ2 - независи-
мые стандартные нормальные случайные величины, совпадает со стандартным распределением Коши. Если случайная величина α равномерно распределена на отрезке [−π/ 2; π/ 2], то случайная величина a +c tg α имеет
распределение Коши.
5. Случайная величина Лапласа ( распределение Лапласа) . Случайная величина ξ имеет распределение Лапласа, если ее плотность пред-
ставима в виде
p (x) = λ e−λ| x−a| , λ > 0, a , x . |
|
ξ |
2 |
|
Если η – равномерно распределенная на отрезке [0; 1] случайная величина, то распределение случайной величины ξ = a − λ−1 sgn(η−0,5) ln η сов-
падает с распределением Лапласа с параметрами λ и a. Кроме того, разность двух независимых экспоненциальных величин с одинаковым параметром λ имеет распределение Лапласа с параметрами 0 и λ.
Сингулярные случайные величины (распределения)
Точку x называют точкой роста функции распределения Fξ(x), если для каждого ε > 0 выполняется неравенство
Fξ (x +ε) − Fξ(x −ε) > 0.
70 Глава 3. Случайные величины и их числовые характеристики
Определение 8. Случайная величина ξ имеет сингулярное распре-
деление, если ее функция распределения - непрерывная функция, множество точек роста которой имеет нулевую меру Лебега.
Примером такой случайной величины является случайная величина, функция распределения которой равна 0 на (−∞, 0) , равна 1 на (1, +∞) и
совпадает с функцией Кантора на отрезке [0, 1].
Таким образом, множество случайных величин (распределений) можно разбить на три класса: дискретные, абсолютно непрерывные и сингулярные величины (распределения). Любая случайная величина является комбинацией случайных величин из этих классов, что подтверждается теоремой Лебега.
Теорема 6 (теорема Лебега). Любая функция распределения F(x), x , единственным образом представима в виде
F(x) = a1F1(x) + a2 F2 (x) + a3F3 (x),
где F1(x) – дискретная функция распределения, F2 (x) – абсолютно непрерывная функция распределения, F3 (x) – сингулярная функция распределе-
ния, ai ≥ 0 и a1 + a2 + a3 =1. |
|
||
Функция |
g : |
n → m называется борелевской функцией, если из того, |
|
что B B( |
m ), |
следует, что g−1(B) B( |
n ). Например, любая непрерыв- |
ная функция является борелевской. |
|
||
Утверждение 1. Пусть g : → |
– борелевская функция, ξ – слу- |
чайная величина, тогда g(ξ) также является случайной величиной.
Рассмотрим несколько примеров, в которых требуется найти функцию распределения функции от случайной величины.
Пример 7. Пусть функция распределения случайной величины ξ рав-
на F . Найдем функцию распределения случайной величины η = ξ2. |
|||
ξ |
|
|
|
Решение. Имеем |
|
|
|
F (x) = Ρ(η ≤ x) = Ρ(ξ2 ≤ x) = |
0, |
x < 0, |
|
|
|
||
η |
|
|
|
|
|
Ρ(− x ≤ ξ ≤ x), x ≥ 0. |
|
|
|
|
|
Следовательно, |
|
|
|
0, x < 0, |
|
|
|
|
|
|
|
Fη(x) = |
x) − Fξ |
(− |
x −0), x ≥ 0. |
Fξ( |
|||
|
|
|
|
Если случайная величина ξ |
имеет плотность распределения pξ(x), то |
плотность распределения η равна
Основные понятия и теоремы |
|
|
|
|
71 |
||
|
0, |
x < 0, |
|
|
|||
|
|
|
|
|
|
|
|
pη(x) = |
1 |
|
[ p ( |
x) + p (− x)], x ≥ 0. |
|||
|
|
||||||
|
|
x |
ξ |
|
ξ |
||
|
2 |
|
|
|
|||
Пример 8. Пусть ξ – случайная величина с непрерывной и строго |
|||||||
монотонной функцией распределения Fξ. |
Найдем функцию распределения |
||||||
случайной величины η = Fξ(ξ). |
|
|
|
||||
Решение. Так как при всех x 0 ≤ Fξ (x) ≤1, то Fη(x) = 0 при x < 0 |
|||||||
и F (x) =1 при x ≥1. |
Пусть 0 ≤ x ≤1 и обозначим через z точку z = F −1(x) |
||||||
η |
|
|
|
|
|
|
ξ |
такую, что Fξ(z) = x. |
Событие {η = Fξ(ξ) ≤ x} произойдет тогда и только |
||||||
тогда, когда произойдет событие {ξ ≤ z}. Следовательно, |
|||||||
|
|
|
|
|
0, |
если |
x < 0, |
|
Fη (x) = |
|
если |
0 ≤ x <1, |
|||
|
x, |
||||||
|
|
|
|
|
|
если |
x ≥1. |
|
|
|
|
|
1, |
||
Таким образом, случайная величина |
η имеет равномерное на отрезке |
||||||
[0; 1] распределение. |
|
|
|
|
|
|
|
Пример 9. Пусть ξ равномерно распределена на отрезке [0; 1]. Найдем функцию распределения случайной величины η =[−ln ξ].
Решение. Так как −ln ξ > 0, если ξ (0; 1), то Ρ(ξ ≤ x) = 0 при x < 0. Случайная величина [−ln ξ] принимает целые неотрицательные значения n:
Ρ([−ln ξ] = n) = Ρ(−ln ξ [n; n +1)) = Ρ(ξ [e−n−1; e−n )) =
= e−n −e−n−1 = (1−e−1)e−n.
Следовательно, η имеет геометрическое распределение с параметром p =1−e−1.
Пусть (Ω, A , Ρ) – произвольное вероятностное пространство, ξ1, …, ξn –
случайные величины, заданные на этом вероятностном пространстве.
Определение 9. Упорядоченный набор
ξ(ω) = (ξ1(ω), ξ2 (ω), …, ξn (ω))
называется n-мерной случайной величиной (случайным вектором).
Определение 10. Функция ξ : Ω → n такая, что для любого
B B( n )
72 |
Глава 3. Случайные величины и их числовые характеристики |
ξ −1(B) A
называется n-мерной случайной величиной (случайным вектором).
Определения 9 и 10 эквивалентны.
Пример 10. Пусть бросаются две игральные кости. Тогда двумерной случайной величиной является вектор ξ = (ξ1, ξ2 ), где ξi – число очков, выпавших на i-й кости, i =1, 2.
Пример 11. На квадрат [0; 1] ×[0; 1] бросается частица. Декартовы координаты (ξ1, ξ2 ) точки образуют двумерную случайную величину.
Определение 11. Функция
Fξ : n →[0; 1]
называется функцией распределения n-мерной случайной величины (случайного вектора) ξ = (ξ1, …, ξn ), еслидлялюбоговектора x = (x1, …, xn ) n
Fξ (x) = Ρ(ω Ω : (ξ1(ω) ≤ x1) ∩(ξ2 (ω) ≤ x2 ) ∩…∩(ξn (ω) ≤ xn )).
Функцию распределения n-мерной случайной величины также называ-
ют многомерной функцией распределения.
Свойства многомерной функции распределения
1)Fξ монотонно не убывает по каждой переменной.
2)Fξ непрерывна справа по каждой переменной.
3)Fξ (x1, …, xk−1, − ∞, xk+1, …, xn ) = 0 для любого k =1, n.
4)Свойство согласованности функции распределения:
F(ξ1, ξ2 , …, ξk , …, ξn ) (x1, …, xk−1, + ∞, xk+1, …, xn ) = = F(ξ1, ξ2 , …, ξk−1, ξk+1, …, ξn ) (x1, …, xk−1, xk+1, …, xn )
для любого k =1, n.
Для одномерных случайных величин этих свойств было достаточно, чтобы функция, обладающая ими, была функцией распределения. Для n-мер-
ных случайных величин, когда |
n >1, этих свойств недостаточно. Необхо- |
|||||||
димо еще одно свойство, которое мы сейчас рассмотрим. |
||||||||
Обозначим I |
k |
= (a ; b ], |
k |
– преобразование, применение которого к |
||||
|
|
k k |
Ik |
|
|
|
|
|
функции g(x1, …, xn ) дает |
|
|
|
|
|
|||
k |
g(x , ..., x ) = g(x , …, x |
k−1 |
, b , x |
, …, x ) − |
||||
Ik |
|
1 |
n |
|
1 |
k k+1 |
n |
−g(x1, …, xk−1, ak , xk+1, …, xn ).
Основные понятия и теоремы |
|
|
|
|
|
73 |
||||||
5) Для любых интервалов Ik , |
k = |
|
, |
|
|
|
|
|
||||
1, n |
|
|
|
|
|
|||||||
nI … |
1I |
F |
|
(x1, …, xn ) = |
nI ( |
nI −1 |
…( |
1I |
F |
|
(x1, …, xn ))) ≥ 0. |
|
|
|
|||||||||||
n |
1 |
|
ξ |
n |
n−1 |
|
1 |
ξ |
||||
Теорема 7. Если функция F : |
n → удовлетворяет свойствам 1)–5), |
то она является функцией распределения некоторой n-мерной случайной величины.
Определение 12. Функция
Pξ : B( n ) →[0; 1]
называется распределением вероятностей n-мерной случайной величины
|
ξ |
= (ξ , |
..., ξ |
n |
), |
|
если для любого B B( n ) |
||||||||||
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
P |
|
(B) = Ρ(ω Ω : |
|
(ω) B). |
||
|
|
|
|
|
|
|
|
ξ |
|||||||||
|
|
|
|
|
|
|
ξ |
||||||||||
|
|
Функция P |
|
является вероятностной мерой на измеримом пространстве |
|||||||||||||
|
|
ξ |
|||||||||||||||
|
( n , B( |
n )). |
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
Теорема 8. Распределение вероятностей однозначно определяется функ- |
|||||||||||||||
цией распределения F |
|
|
. Причем |
||||||||||||||
ξ |
|||||||||||||||||
|
|
|
|
|
|
|
P |
|
(B) = ∫dF |
|
(x), x = (x1, x2 , …, xn ). |
||||||
|
|
|
|
|
|
|
ξ |
ξ |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
B |
||||
|
|
Как и случайные величины, случайные векторы можно разбить на три |
|||||||||||||||
класса. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Дискретные случайные векторы
Случайный вектор называется дискретным, если он принимает с вероятностью 1 не более чем счетное число значений.
Задать дискретный случайный вектор значит указать его закон распре-
деления, т. е. задать вероятности Ρ(ξ = x) для всех возможных значений x
случайного вектора ξ.
Пример 12. Полиномиальный закон распределения с пара-
метрами (N, p). |
Распределение случайного вектора ξ = (ξ1, |
…, ξn ) назы- |
||||||||||
вается полиномиальным с параметрами N, |
p = ( p1, …, pn ), |
p1 + p2 +…+ |
||||||||||
+pn =1, если |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
n |
|
N ! |
|
|
|
|
|
|
|
|
|
|
∑ki = N; Ρ(ξ1 = k1 ∩…∩ξn = kn ) = |
|
|
k1 |
kn |
|
||
ki = 0, N, i =1, n; |
|
|
||||||||||
k ! …k |
n |
! |
p1 |
…pn |
. |
|||||||
|
|
|
|
|
i=1 |
1 |
|
|
|
|
74 |
|
|
Глава 3. Случайные величины и их числовые характеристики |
||
|
При n = 2 получаем двумерную случайную величину |
||||
|
|
|
|
|
∞ |
|
|
|
= (ξ1, ξ2 ), plm = Ρ((ξ1 = xl ) ∩(ξ2 = ym ), |
|
∑ plm =1, plm ≥ 0, |
|
|
ξ |
|||
|
|
|
|
l,m=1 |
|
тогда закон распределения случайного вектора |
|
(его также называют со- |
|||
ξ |
вместным законом распределения случайных величин ξ1 и ξ2 ) можно пред-
ставить в виде табл. 1
Таблица 1
ξ1 |
x1 |
x2 |
… xl |
… |
|
ξ2 |
|||||
|
|
|
|
||
y1 |
p11 |
p21 |
… pl1 |
… |
|
y2 |
p12 |
p22 |
… pl 2 |
… |
…… … … … …
ym p1m p2m … plm …
…… … … … …
Пример 13. Пусть случайный вектор ξ = (ξ1, ξ2 ) имеет приведенный
втабл. 1 закон распределения. Найдем законы распределения координат ξ1,
ξ2. Cначала рассмотрим случай, когда закон распределения имеет следую-
щий вид:
ξ2 |
ξ1 |
0 |
1 |
|
|||
|
|
|
|
0 |
|
1/4 |
1/4 |
1 |
|
1/4 |
1/4 |
Несложно видеть, что
|
Ρ(ξ1 = 0) = Ρ((ξ1 = 0) ∩((ξ2 = 0) |
|
(ξ2 =1))) = |
|
|
||||||
|
= Ρ(((ξ1 = 0) ∩(ξ2 = 0)) |
((ξ1 = 0) ∩(ξ2 =1))) = |
|
||||||||
|
= Ρ((ξ |
= 0) ∩(ξ |
2 |
= 0)) |
+ Ρ((ξ |
= 0) ∩ |
(ξ |
2 |
=1)) = 1 + 1 = 1 , |
||
|
1 |
|
|
1 |
|
|
4 |
4 |
2 |
||
поэтому законы распределения ξ1 и ξ2 |
|
|
|
||||||||
имеют вид |
|
|
|||||||||
|
|
ξ1 : 0 |
1, |
|
ξ2 : |
0 |
1, |
|
|
||
|
|
Ρ : 1 2 1 2; |
Ρ : 1 2 1 2. |
|
|
||||||
В общем случае, используя данные табл. 1, получаем |
|
|
|||||||||
ξ1 : x1 |
x2 |
… xl …, |
ξ2 : |
y1 |
|
|
y2 … ym …, |
m |
m |
m |
l |
l |
Ρ : ∑p1i |
∑p2i …∑pli …; |
Ρ : ∑pi1 |
∑pi2 |
|
i=1 |
i=1 |
i=1 |
i=1 |
i=1 |
l
… ∑pim … .
i=1