ТВиМС / Вероятн_Лекц / Вер_Примитивы / ВерССВ_1_Пр
.doc2.3 Системы случайных величин.
2.3.1 Основные определения.
Случайная величина, рассмотренная в разделе 2.2, призвана моделировать события, которые могут быть охарактеризованы одним показателем или последовательностью не связанных друг с другом признаков. Если событие имеет более сложную структуру, представляющую собой некоторую систему, то для его описания применяются не отдельные СВ, а системы случайных величин (ССВ) или случайные векторы. Формально переход от одной СВ к ССВ осуществляется простым объединением отдельных СВ в вектор. Однако, при этом, между случайными компонентами такого вектора могут проявиться новые качественные связи, для изучения которых потребуются новые числовые характеристики.
Случайные величины, входящие в систему, удобно обозначать не различными буквами, а одной и той же буквой с нижними индексами. При этих условиях случайный вектор-столбец Хn1, будет состоять из случайных компонентов X1 , X2,…, Xk,…, Xn, каждый из которых обладает своим спектром:
,,…, (k-ый дискретный компонент CСВ),
(k-ый непрерывный компонент CСВ),
где k = 1,2,...,n – индекс случайного компонента, а j – верхний индекс элемента его спектра. Если компоненты – непрерывные СВ, например, Xk, то числа ak ,bk – это границы интервала, на котором существуют элементы спектра такого компонента.
Совокупность конкретных значений случайных компонентов описывает определенное состояние ССВ, представляющее собой пересечение состояний этих компонентов:
Ai…s = – (дискретная ССВ),
Ai…s=– (непрерывная ССВ).
Вероятность P(Ai…s) состояния Ai…s может быть определена любым из ранее рассмотренных способов: частотным, классическим, по третьей аксиоме и т.д. При этом важно учесть следующее обстоятельство: для ССВ должно быть построено новое пространство элементарных исходов, являющееся прямым декартовым произведением пространств его компонентов, т.е.
… n (83)
Связь между возможным состоянием ССВ Ai…s и соответствующей ему вероятностью P(Ai…s) = pi…s называется законом распределения вероятностей ССВ. Как и в случае с одномерной СВ закон распределения ССВ может иметь аналитическую, табличную или графическую форму. Две последних формы используются лишь для ССВ, содержащих не больше двух компонентов.
Ознакомимся сначала с системой двух дискретных СВ: {X1; X2}, в которой, с целью упрощения записей, введем компоненты {X; Y}. Табличная форма закона распределения такой системы представляет собой прямоугольную матрицу распределения, структура которой представлена в таблице (Табл. 2.2).
Матрица распределения двумерной дискретной ССВ. Табл. 2.2
Y X |
y1 |
… |
yj |
… |
yn |
= P (X = xi) |
x1 |
p11 |
… |
p1j |
… |
p1n |
|
… |
… |
… |
… |
… |
… |
… |
xi |
pi1 |
… |
pij |
… |
pin |
|
… |
… |
… |
… |
… |
… |
… |
xm |
pm1 |
… |
pmj |
… |
pmn |
|
= P (Y = yj) |
… |
… |
[]=[]= =[pij]=1 |
Состояние двумерной ССВ – это случайная точка:
Aij = {(X = xi) (Y = yj)}
Вероятность наблюдения такого состояния обозначим так:
P(Aij) = pij (84)
Она является первичным элементом матрицы распределения (Табл. 2) и вычисляется любым ранее описанным способом.
В первой колонке и первой строке таблицы размещены элементы спектров обоих случайных компонентов: X и Y. В последней колонке и последней строке находятся вероятности того, что {X = xi}, а {Y = yj}, соответственно, определяемые по вероятностям состояний системы:
= и =. (85)
Совокупность всех состояний ССВ заполняет пространство (83):
= ,
причем все состояния попарно несовместны:
.
Следовательно, опираясь на Аксиому 2, получаем:
= = = = = P() = 1 (86)
Для двумерной ССВ вводится понятие функции распределения вероятностей её состояний:
F(x, y) = P(X < x; Y < y). (87)
Для дискретного случая это дает:
F(x, y) = .
Будучи по определению вероятностью, ФР системы двух СВ принадлежит интервалу [0;1], т.е.
.
Свойства ФР системы двух СВ определяются свойствами функций распределения компонентов:
1) F(xk, yl) ≥ F(xi, yj), если xk > xi или yl > yj;
2) F(–∞; –∞) = 0;
3) F(∞; ∞) = 1.
Двумерная непрерывная ССВ может быть охарактеризована плотностью распределения вероятностей состояний
f(x,y) = , (88)
которая обладает следующими свойствами:
1) f(x, y) ≥ 0;
2) f(–∞; –∞) = f(∞; ∞) = 0;
3) = 1.
Подынтегральное выражение третьего свойства
f(x, y) dx xy
называется элементом вероятности состояния системы двух СВ. С его помощью можно вычислить вероятность попадания непрерывной двумерной ССВ в некоторую область G пространства :
= . (89)
Отсюда, по правилам интегрального исчисления, можно записать обратную связь между функцией и плотностью распределения двумерной НССВ:
F(x, y) = P(X < x; Y < y) = . (90)
Графические образы для различных форм двумерного закона распределения ССВ ещё существуют в виде поверхностей в трёхмерном пространстве, но их изображения сложны.
2.3.2 Стохастическая несвязанность компонентов ССВ.
Компоненты ССВ – это совместные события, которые могут быть стохастически связанными или не связанными, попарно и/или в совокупности. Условие попарной несвязанности (24) совместных событий для ФР ССВ, представляющей собой вероятность совместного наступления двух состояний (событий!) её компонентов X и Y, примет вид:
F(x, y) = F1(x) * F2(y). (91)
C учетом (84) и (85), это условие для двумерной дискретной ССВ запишется так:
= * . (92)
Для непрерывной двумерной ССВ из того же условия (91) получаем:
f(x, y) dx dy = f1(x) dx * f2(y) dy,
откуда, окончательно,
f(x, y) = f1(x) * f2(y). (93)
Стохастическая несвязанность в совокупности для n-мерной непрерывной ССВ, на основании (25), означает, что ПР ССВ равна произведению ПР случайных компонентов этой системы:
f(x1, x2,…,xn) = f1(x1) * f2(x2) *...*fn(xn). (94)
2.3.3 Моменты ССВ.
Определим математическое ожидание (МО) некоторой функции ССВ на пространстве (сделаем это и всё последующее изложение материала данного параграфа на примере двумерной ССВ, не теряя той общности, которая нас интересует):
*
= (95)
Для генерализованной характеристики ССВ используются начальные и центральные моменты, в которых в качестве функции φ(x,y) используется произведение r-ой степени компонента X на s-ую степень компонента Y.
Начальный момент порядка "r плюс s"(α r s):
α r s = = (96)
Центральный момент порядка "r плюс s" (μ r s):
μ r s == (97)
где, как и прежде, , а .
Наиболее часто используются моменты до второго порядка включительно, таблица которых представлена ниже (Табл. 2.3).
Начальные и центральные моменты двумерной ССВ
Табл. 2.3
Порядок rs |
Моменты |
|
Начальные α r s |
Центральные μ r s |
|
00
10
01
20
02
11 |
α 0 0 = 1
α 1 0 = E(X)
α 0 1 = E(Y)
α 2 0 = E(X2)
α 0 2 = E(Y2)
α 1 1 = E(X*Y)
|
μ 0 0 = 1
μ 1 0 = 0
μ 0 1 = 0
μ 2 0 =
μ 0 2 =
μ 1 1 = α 1 1- α 1 0* α 0 1
|
Смешанный центральный момент второго порядка 11 = KXY называют ковариацией или корреляционным моментом. Этот момент служит мерой линейной стохастической связанности компонентов X и Y. Его значение может быть любым: от – ∞ до + ∞, а размерность равна произведению размерностей СВ X и Y. Эти особенности ковариации можно устранить, разделив её на произведение стандартов компонентов:
ρXY = KXY / (X*Y). (98)
Величина ρXY называется коэффициентом корреляции. Он не имеет размерности и принадлежит отрезку [– 1; 1], т.е. |ρXY| 1. Доказательство этому будет дано несколько позже.
Можно установить и обратную связь между коэффициентом корреляции и ковариацией:
KXY = ρXY *X *Y. (99)
Когда компоненты ССВ попарно не связаны, то их ковариация и, как следствие, коэффициент корреляции равны нулю. Докажем это на примере двумерной дискретной ССВ.
Дано: {X, Y} = {дискретная ССВ} такая, что pij = *;
σX ≠ 0 и σY ≠ 0.
Доказать: KXY = 0 и ρXY = 0.
Доказательство: По определению ковариации (97), коэффициента корреляции (98) и условию не связанности компонентов двумерной ССВ (92) имеем:
KXY = pij = =
= = *= 0 * 0 = 0;
ρXY = KXY / (X *Y) = 0 / (X *Y) = 0. #
Утверждение доказано. Для НССВ доказательство строится аналогично, см., например,[4].