- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
2.3.4 Моменты многомерных случайных величин
Определим, по аналогии, начальные и центральные моменты системы двух случайных величин в предположении существования их ряда распределения (или плотности).
Определение.Начальныммоментом порядка (к +r) системы случайных величин (,) называется число
если (,) - дискретная | |
если (,) - непрерывная |
В частности, 1,0 =, 0,1=,n N.
Определение.Центральным моментом порядка (к+r) системы случайных величин () называется число
, (57)
в частности ,.
Выясним что представляют собой начальный момент 1,1и центральный момент1,1системы (.
Рассмотрим более общую задачу. Пусть 1,2, …,n- произвольные случайные величины. Вычислим дисперсию их суммы:
или
. (58)
Число слагаемых во второй сумме, правой части (58), равно
Если бы случайные величины были независимы, то, в силу свойств математического ожидания,
,.
Число , в формуле (58), является вторым смешанным центральным моментом1,1пары случайных величинi,j.
Его можно рассматривать как меру зависимости случайных величин.
Определение.Ковариациейслучайных величин,называется математическое ожидание произведения их отклонений
. (59)
Ковариация существует, если существуют дисперсии каждой из случайных величин. Очевидно, что дисперсия есть частный случай ковариации, так как при имеем .
Если случайные величины независимы, то ковариация равна 0. Утверждение сразу следует из свойств математического ожидания отклонений этих величин. Обратное неверно.
Вместо формулы (59) часто используется формула
. (60)
В самом деле, имеем
.▼
Пример. (Игра в лотерею). У каждого играющего в лотерею свой номер. Карточки с номерами собирают и тщательно тусуют. Затем по очереди, в соответствие с номером, игроки подходят и берут карточки. Получает приз тот, кто взял свой номер. Оценить, сколько призов в среднем следует приготовить.
Решение. Определим сл. в.к =
Ак ~игрок с номеромквытащил карточку с номеромк. Пусть- случайная величина, характеризующая число призеров. Ясно, что свою карточку игрок берет с вероятностьюn-1:
,,,
но тогда
,
то есть, имеем одно совпадение при любом n.
Найдем дисперсию:
,,
,
.
Из определения следует, чтоможет быть равно 1 или 0, причем, если обе карты на своем месте, то есть,.
Итак, , а так как число слагаемых у второй суммы есть, то
.
Таким образом, с учетом средних отклонений, получается, что независимо от числа игроков следует приготовить приза в среднем.
Пример. Пусть случайная величинараспределена равномерно в кругеDрадиусаR (для простоты центр круга поместим в начало координат). Определим плотность
Вычислим В силу симметрии,,. Далее,
,
то есть некоррелированы, хотя и зависимы. В самом деле, имеем
, ,
тогда
.
Задача. Доказать, что для нормального распределения случайных величиниз некоррелированности вытекает их независимость.
Из примера видно, что величина ковариации зависит от размерности случайных величин . Целесообразно ввести безразмерную характеристику, которая будет являться мерой зависимости случайных величин.
Определение. Случайная величина* называетсянормированной, еслиМ* =0,D*= 1. Любую случайную величинуможно нормировать заменой
.
Определение.Коэффициентом корреляцииrслучайных величин, входящих в двумерную случайную величину, назовем нормированную ковариацию:
.
Если r= 0, то говорят, что случайные величинынекоррелированы. Независимые случайные величины всегда некоррелированы.
Если рассматривать геометрический образ случайных величин в декартовых координатах, то для их некоррелированности достаточно, чтобы их совместное распределение было симметрично относительно прямой параллельной любой из осей координат.