Теория вероятности. Билеты и ответы
.pdfvk.com/club152685050 | vk.com/id446425943
15. Понятие моментов. Основные свойства.
Моментслучайной величины —числоваяхарактеристика распределенияданнойслучайнойвеличины.
Еслиданаслучайная величина определённая нанекотором вероятностном пространстве, то: -мначальныммоментом случайнойвеличины где называетсявеличина
еслиматематическоеожидание вправойчастиэтогоравенства определено; -мцентральным моментом случайной величины называетсявеличина
-мабсолютными- мцентральным абсолютныммоментамислучайной величины называется соответственно величины
и |
|
-мфакториальным моментом случайной величины |
называетсявеличина |
еслиматематическоеожидание вправойчасти этогоравенстваопределено.
Абсолютныемоментымогут бытьопределены нетолькодляцелых k,ноидлялюбыхположительныхдействительных вслучае, еслисоответствующиеинтегралы сходятся.
Основныесвойствамоментовслучайныхвеличин:
1)M[c] =∫ (c) f(x)dx=c∫f(x)dx=c
2)M[cx]=∫cxf(x)dx=c∫xf(x)dx=cMx
3)M[cx+k]= cMx+k
4)M[x1+x2+x3+...+Xn]=∑ Mx1
5)M[x1,x2,x3,...,xn]=∏ Mx1
6)D[c]=∫((c-m(c))^2) f(x)dx=∫((c-c)^2) f(x)dx=0
7)D[cx]= M[((cx-m(cx))^2)]=(c^2) Dx
8)D[x+-y]= Dx+Dy+-2M[x,y]
vk.com/club152685050 | vk.com/id446425943
16. Числовые характеристики случайного вектора.
Для двумерного случайного вектора (X, Y) вводятся следующие числовые характеристики.
Начальным моментом порядка r + s случайного вектора (X, Y) называется действительное число nr,s, определяемое формулой:
ì+ ¥ + ¥ |
x r y s f (x , y )dxdy ,СВНТ ; |
|||||
ï |
ò |
ò |
||||
ï |
|
|
|
|
|
|
nr,s = M[Xr Ys] = í- ¥ - ¥ |
r |
|
s |
|
||
ï |
|
|
y |
,СВДТ . |
||
ï |
|
å å x i |
j pij |
|||
î |
|
i |
j |
|
|
|
Начальный момент nr,s существует, если интеграл (соответственно ряд) в правой части равенства абсолютно сходится. В частности, nr,0 = M[Xr] - соответствующие начальные моменты компоненты X. Вектор с неслучайными координатами (mX, mY) = (n1,0, n0,1) называется математическим ожиданием случайного вектора (X, Y) или центром рассеивания.
Центральным моментом порядка r + s случайного вектора (X, Y) называется действительное число mr,s определяемое формулой
ì+ ¥ + ¥ |
|
|
||
ï |
ò |
ò |
(x - m |
X |
ï |
|
|
|
|
mr,s = M[(X-mX)r (Y-mY)s] = í- ¥ - ¥ |
|
|
||
ï |
|
å å (x i - m |
||
ï |
|
|||
î |
|
i j |
|
) r (y - mY )s f (x , y )dxdy ,СВНТ ; X ) r (y j - mY )s pij ,СВДТ .
Центральный момент mr,s существует, если интеграл (соответственно ряд) в правой части равенства
абсолютно сходится. Вектор с неслучайными координатами (DX, DY) = (m2,0, m0,2) называется дисперсией случайного вектора.
Центральный момент m1,1 называется корреляционным моментом (ковариацией): KXY = M[ XO YO ] = M[(X-
mX)×(Y-mY)] = M[XY]-mX mY.
Коэффициентом корреляции двух случайных компонентов X и Y случайного вектора является нормированная ковариация
rXY = KXY/(sXsY). Свойства ковариации (и коэффициента корреляции):
1.KXX = DX, KYY = DY, (rXX = rYY = 1);
2.KXY = KYX, (rXY = rYX);
3.|KXY| £ K X X KY Y = D X DY , (|rXY | £ 1).
Ковариационный момент и коэффициент корреляции определяет степень линейной зависимости между X и Y. Условие |rXY | = 1 необходимо и достаточно, чтобы СВ X и Y были связаны линейной зависимостью Х =
a×Y + b, где a и b - константы. СВ, для которых KXY = 0 (rXY = 0), называются некоррелированными. Из независимости случайных величин Х и Y вытекает их некоррелированность (обратное, вообще говоря, неверно).
Условным математическим ожиданием компоненты Х при условии, что Y приняла одно из своих возможных значений yj, называется действительное число определяемое формулой:
ì |
|
+ ¥ |
|
|
|
|
ï |
|
ò xf (x / y j )dx ,СВНТ ; |
||||
ï |
|
|||||
mX/Y = M[X/Y = yj] = í |
|
- ¥ |
|
/Y = y |
|
},СВДТ , |
ïå x |
i |
× P{X = x |
i |
j |
||
ï |
|
|
|
|||
î i |
|
|
|
|
|
|
где Р{X = xi /Y = yj} = p ij |
/ å p ij , pij |
= Р{X = xi ,Y = yj}. |
||||
|
|
i |
|
|
|
|
Условной дисперсией компоненты Х при условии, что Y приняла одно из своих возможных значений yj, называется действительное число определяемое формулой:
vk.com/club152685050 | vk.com/id446425943
ì |
+ ¥ |
x - |
|
2f (x / y |
|
)dx ,СВНТ ; |
ï |
ò ( |
m X /Y ) |
j |
|||
ï |
|
|
|
|||
DX/Y = D[X/Y = yj] = í |
- ¥ |
|
|
|
|
|
ïïåi (x i - m X /Y )2 × P{X = x i /Y = y j },СВДТ .
î
Приведенные выше формулы для числовых характеристик двумерного случайного вектора без труда обобщаются на случай n-мерного случайного вектора (Х1, Х2, ..., Хn). Так, например, вектор с неслучайными координатами (m1, m2, ..., mn), где mi - математическое ожидание СВ Хi, определяемое формулой
mi = M[Xi] = |
+ ∞ + ∞ |
+ ∞ |
|
|
|
|
|
, называется центром, рассеивания случайного вектора. |
ò ò |
... ò x |
i |
f (x 1 , x 2 ,...x |
n |
)dx 1dx 2 ×...×dx |
n |
||
|
- ¥ - ¥ |
- ¥ |
|
|
|
|||
|
|
|
|
|
|
|
Ковариационной матрицей n-мерного случайного вектора X = (Х1, Х2, ..., Хn) называется симметрическая матрица, элементы которой представляют собой ковариации соответствующих пар компонент случайного
вектора: |
|
|
|
|
|
|
K |
K12 |
... |
= |
где Кij = M[ X i |
X |
j ] - ковариация i-й и j-й компонент. |
çæK11 |
K1n |
|||||
|
|
|
|
O |
O |
|
ç |
K22 |
... |
K2 n |
Очевидно, что Кii = М[Xi2] -дисперсия i-й компоненты. |
||
ç |
|
... ... |
|
|
|
|
ç |
|
|
Knn |
|
|
|
è |
|
|
|
|
|
,
Корреляционной матрицей n-мерного случайного вектора называется симметрическая матрица, составленная из коэффициентов корреляции соответствующих пар компонент случайного вектора:
C |
|
|
= |
|
Kij |
|
|
æ1 ρ12 |
ρ13 |
ρ1n ö |
|
|
|||
ç |
|
|
÷ |
|
|
|
|
1 |
ρ23 |
ρij = σX iσX j |
- коэффициент корреляции i-й и j-й компоненты. |
||||
ç |
ρ2n ÷ |
||||||
ç |
|
... |
... ÷ |
|
|
|
|
ç |
|
|
÷ |
|
|
|
|
è |
|
|
1 ø |
|
|
|
,
vk.com/club152685050 | vk.com/id446425943
17. Корреляционный момент и его свойства. В коэффициент корреляции (доказательства, что - |≤rxy≤| и rxy=±1, если линейная зависимость между случайными величинами).
Свойства коэффициента корреляции:
Неравенство Коши — Буняковского:
если принять в качестве скалярного произведения двух случайных величин
ковариацию , то норма случайной величины будет равна , и следствием неравенства Коши — Буняковского будет:
.
Коэффициент корреляции равен тогда и только тогда, когда X и Y линейно зависимы (исключая события нулевой вероятности, когда несколько точек «выбиваются» из прямой, отражающей линейную зависимость случайных величин):
,
где . Более того в этом случае знаки и k совпадают:
.
Если X,Y независимые случайные величины, то . Обратное в общем случае неверно.
Момент корреляции:
Корреляционным моментом системы двух случайных величин называется второй смешанный центральный момент:
Kxy = μ1,1 = M((X – M(X))(Y – M(Y))). |
(9.8) |
Для дискретных случайных величин:
для непрерывных случайных величин:
Коэффициент корреляции:
Как мы знаем, если и - независимые случайные величины, то по свойству математического ожидания (§ 4, п. 1)
vk.com/club152685050 | vk.com/id446425943
Если же и не являются независимыми случайными величинами, то, вообще говоря,
Условились за меру связи (зависимости) двух случайных величин и принять безразмерную величину , определяемую соотношением.
и называемую коэффициентом корреляции.
Рассмотрим некоторые свойства коэффициента корреляции.
Если и - независимые случайные величины, то коэффициент корреляции равен нулю.
Это свойство непосредственно вытекает из соотношений (72) и (73). Заметим, что обратное утверждение, вообще говоря, неверно, т. е. если , то отсюда еще не следует, что и независимы.
Заметим без доказательства, что . При этом если , то между случайными величинами и имеет место функциональная, а именно линейная зависимость.
Замечание. Как мы видели (§ 3, п. 6), двумерная случайная величина распределена нормально, если плотность распределения системы величин и имеет вид
Можно показать, что постоянная R равна коэффициенту корреляции величин и , т.е. . Следует заметить, что в случае, когда система величин и распределена нормально и коэффициент корреляции , то величины и независимы
vk.com/club152685050 | vk.com/id446425943
18. Плотность распределения функций случайного аргумента (на примере нормального закона распределения).
Определение 10.1.
Если каждому возможному значению случайной величины Х соответствует одно возможное значение случайной величины Y, то Y называют функцией случайного аргу-
мента Х:
Y = φ(X).
Выясним, как найти закон распределения функции по известному закону распределения аргумента.
1) Пусть аргумент Х – дискретная случайная величина, причем различным значениям Х соответствуют различные значения Y. Тогда вероятности соответствующих значений Х и Y равны. Пример 1. Ряд распределения для Х имеет вид:
Х |
5 |
6 |
7 |
8 |
р |
0,1 |
0,2 |
0,3 |
0,4 |
Найдем закон распределения функции Y = 2X^2 - 3: |
||||
Y |
47 |
69 |
95 |
125 |
р |
0,1 |
0,2 |
0,3 |
0,4 |
(при вычислении значений Y в формулу, задающую функцию, подставляются возможные значения Х).
2) Если разным значениям Х могут соответствовать одинаковые значения Y, то вероятности значений аргумента, при которых функция принимает одно и то же значение, складываются. Пример 2. Ряд распределения для Х имеет вид:
Х |
0 |
1 |
2 |
3 |
р |
0,1 |
0,2 |
0,3 |
0,4 |
Найдем закон распределения функции Y = X^2. - 2Х: |
||||
Y |
-1 |
0 |
3 |
|
р |
0,2 |
0,4 |
0,4 |
|
(так как Y = 0 при Х = 0 и Х = 2, то р(Y = 0) = р( Х = 0) + р(Х = 2) = 0,1 + 0,3 = 0,4 ).
3) Если Х – непрерывная случайная величина, Y = φ(X), φ(x) – монотонная и дифференцируемая функция, а ψ(у) – функция, обратная к φ(х), то плотность распределения g(y) случайно функции
Y равна:
g( y) f (y( y)) |y ( y) | .
vk.com/club152685050 | vk.com/id446425943
19. Равномерный закон распределения и его числовые характеристики.
ì |
0, x [ a,b ]; |
Основные числовые характеристики СВ Х ~ R(a, b): |
||||||||||
ï |
1 |
|
|
mX = M[X] = (a + b)/2; |
|
|
|
|
|
|
|
|
í |
, |
x Î [ a,b ]. |
|
|
|
|
|
|
|
|||
ï |
- a |
nk = M[Xk] = (bk+1 - ak+1)/[(k + 1)×(b - a)], k = 1, 2, ... ; |
||||||||||
f(x) = îb |
|
F(x) = |
k |
] = [(b - a) |
k+1 |
- (a - b) |
k+1 |
]/[2 |
k+1 |
×(k + 1)×(b - |
||
ì |
|
0, |
x < a; |
mk = M[(X-mX) |
|
|
|
|||||
|
a)], |
|
|
|
|
|
|
|
|
|||
ï |
|
|
a £ x £ b; |
|
k = 1, 2, ... ; |
|
|
|
|
|
|
|
í x - a , |
Mo(X) Î [a, b]; |
|
|
|
|
|
|
|||||
ïb - a |
b < x. |
|
|
|
|
|
|
|
|
|||
|
|
1, |
Mе(X) = M[X] = (a + b)/2; |
|
|
|
|
|
|
|||
СВНТ (Случайный Вектор Непрерывного Типа) Х называется распределенной равномерно на отрезке [a, b] |
||||||||||||
(при этом для |
краткости говорят: СВ Х |
подчиняется закону R(a, b), |
т.е. Х ~ R(a, |
b)), |
если плотность |
распределения вероятностей постоянна на данном отрезке. Тогда плотность распределения (ПР) f(x) и функция распределения (ФР) F(x) будут иметь следующий вид:
î |
t0,5 = Mе(X) = M[X] = (a + b)/2; |
||
|
|||
|
DX = M[(X - mX)2] = M[X2] - mX2 = (b - a)2/12; |
||
|
sХ = (b - a)/ |
12 |
; |
|
A = m3/s3X = 0; |
||
|
E = (m4/s4X) - 3 = -6/5. |
Это распределение реализуется в опытах, где наудачу ставится точка на отрезке [a, b], а также в экспериментах по измерению тех или иных физических величин с округлением (Х- ошибка округления).
vk.com/club152685050 | vk.com/id446425943
20. Биномиальный закон распределения и его числовые характеристики.
Определение. Дискретная случайная величина X имеет биномиальный закон распределения, если она принимает значения 0, 1, 2, ..., m, ..., n с вероятностями
где 0<p<1, q=1-p, m=0, 1, 2, ..., n.
Биномиальный закон распределения представляет собой закон распределения
числа X=m наступлений события A в n независимых испытаниях, в каждом из которых оно может произойти с одной и той же вероятностью p.
Ряд распределения биномиального закона имеет вид:
|
xi |
|
0 |
|
1 |
|
2 |
|
... |
|
m |
|
... |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
pi |
|
qn |
|
|
|
|
|
... |
|
|
|
... |
|
pn |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Очевидно, что определение биномиального закона корректно, так как основное свойство ряда
распределения выполнено, ибо есть не что иное, как сумма всех членов разложения бинома Ньютона:
(отсюда и название закона - биномиальный).
На рисунке приведены многоугольники (полигоны) распределения случайной величины X, имеющей биномиальный закон распределения с параметрами n=5 и p (для p=0,2; 0,3; 0,5; 0,7; 0,8).
Теорема. Математическое ожидание случайной величины X, распределённой по биномиальному закону, M(X)=np, а её дисперсия D(X)=npq.
Доказательство:
vk.com/club152685050 | vk.com/id446425943
Случайную величину X - число m наступлений события A в n независимых испытаниях - можно представить в виде суммы n независимых случайных величинX1+X2+...+Xn, каждая из которых имеет один и тот же закон распределения, т. е.
где Xk: |
|
xi |
|
|
0 |
|
1 |
|
|
|
pi |
|
|
|
|
|
|
|
|
|
|
p |
|
q |
|
|
|
|
|
|
|
|
|
|
|
Случайная величина Xk выражает число наступлений события A в k-м испытании (k=1, 2, ..., n), то есть при наступлении события A Xk=1 с вероятностью p, при ненаступлении - Xk=0с вероятностью q. Случайную величину Xk называют альтернативной случайной величиной (или распределённой по закону Бернулли, или индикатором события A).
Математическое ожидание и дисперсию альтернативной случайной величины найдём по известным формулам.
так как p+q=1.
Теперь математическое ожидание и дисперсия случайной величины X:
(при нахождении математического ожидания и дисперсии суммы случайных величин учтена их независимость).
Следствие. Математическое ожидание частости события в n независимых испытаниях, в каждом из которых оно может наступить с одной и той же вероятностью p, равно p, т. е.
а её дисперсия:
vk.com/club152685050 | vk.com/id446425943
Наивероятнейшее число наступлений события A в n независимых испытаниях, в каждом из которых оно может произойти с одной и той же вероятностью p, удовлетворяет неравенству
np-q≤m0≤np+p. Это означает, что мода случайной величины, распределённой по биномиальному закону, - число целое - находится из того же неравенства np-q≤M0(X)≤np+p.
Биномиальный закон широко используется в теории и практике статистического контроля качества продукции, при описании функционирования систем массового обслуживания, в теории стрельбы и в других областях.