- •Тема I.Вероятность и случайная переменная
- •I.1Основные понятия теории вероятности
- •Классический подход к определению вероятности
- •Эмпирический подход
- •Субъективный подход (интуитивистский).
- •Повторные испытания.
- •I.2Случайная переменная
- •Дискретные случайные переменные
- •Непрерывные случайные переменные
- •Вероятностные характеристики случайной переменной
- •Плотность вероятности и распределение вероятности.
- •Примеры законов распределения:
- •Математическое ожидание
- •Дисперсия случайной переменной
- •Многомерное и условное распределение вероятностей.
Дискретные случайные переменные
Дискретные случайные переменные — это переменные, которые имеют конечное число возможных результатов. Если рассматривать ситуацию с бросанием шестигранной кости, то с каждым из возможных результатов связана определенная вероятность: для нормальной кости каждая из шести вероятностей равна 1/6. Этот процесс можно смоделировать математически в виде дискретной случайной переменной.
В этом случае мы могли бы назвать случайную переменную Z и определить вероятности для Z, принимающей значения от 1 до 6, и вероятности каждого результата. Вероятности вместе со связанными с ними значениями случайной переменной называют рядом распределения (вероятностей), определяющую случайную переменную:
-
Значения
r=
1
2
3
4
5
6
Вероятности
Z=
1/6
1/6
1/6
1/6
1/6
1/6
Отметим, что независимо от количества возможных результатов сумма всех вероятностей должна быть равна единице:
Примерами дискретного распределения являются биномиальное и триномиальное распределения. Подбрасывание монеты приводит к биномиальному распределению результатов, поскольку результат может быть либо "орлом", либо "решкой". Цены активов могут падать, расти или оставаться неизменными, что приводит к триномиальному распределению, поскольку могут быть три вида результатов — рост, падение и отсутствие изменений.
Рассмотрим пример биноминального распределения.
Пусть производится n независимых испытаний, в каждом из которых событие А наступает с вероятностью р, и не наступает с вероятностью q=1-p. Обозначим через Х случайную величину, равную числу появлений событий А в n испытаниях. Возможные значения величины Х следующие: х1=0 (событие А не наступило), х2=1 (событие А наступило 1 раз),…, хn+1=n (событие А наступило n раз). Вероятности этих возможных значений определяются по формуле Бернулли: .
Возможные значения можно представить в виде таблицы:
Х |
х1=0 |
х2=1 |
… |
х2=m |
… |
хn+1=n |
Р(Х) |
qn |
|
… |
|
… |
pn |
Полученный закон распределения дискретной случайной величины называется законом биноминального распределения.
Непрерывные случайные переменные
Непрерывные случайные переменные — это случайные переменные, которые могут принимать бесконечное количество значений. Например, рентабельность активов, кросс-курсы валют, различные биржевые индексы и т.д. Единица измерения может здесь представлять собой бесконечно малую величину.
Для примера рассмотрим доход от какой-либо ценной бумаги. Доходность определяется как отношение: . Количество возможных значений доходности может быть бесконечно велико. Например, изменение цены актива со 105 единиц до 109 даст доходность, равную 3,8% или 3,81%, или 3,8095% в зависимости от количества знаков после запятой, допускаемого нами при измерении доходности. В этих обстоятельствах нет никакого смысла в попытках нахождения вероятности значения доходности равной, скажем, 3,81%. Имеет смысл только нахождение вероятности того, что случайная переменная примет значение на каком-то определенном интервале, скажем, между 3,81% и 3,82%.
Очевидно, что определить вероятность для каждого значения случайной переменной с помощью таблицы, как это делается для дискретных случайных переменных, невозможно. В целях преодоления этой проблемы вероятность для непрерывных случайных переменных определяется путем задания так называемой функции плотности вероятностей f(Х).
Таким образом, для случайной переменной (X) получаем:
где f — функция плотности вероятностей, которая позволяет задать вероятность каждому значению случайной переменной Х. Функция плотности вероятностей обладает свойством:
(1.1)*
Иными словами, площадь, целиком заключенная под всей кривой, изображающей плотность распределения вероятностей, равна единице.
Интегральной функцией распределения непрерывной случайной величины Х называется функция F(Х), равная вероятности того, что Х приняла значение меньшее, чем х:
F(X)=P(X<x).
Интегральная функция распределения F(X) и плотность распределения f(X) связаны соотношением , вот почему функцию f(X) еще называют дифференциальной функцией распределения непрерывной случайной величины.
* несобственный интеграл определяется как