Скачать 2.66 Mb.
|
9. Мы считаем, что задавая произвольную функцию F(x) с обязательными свойствами функции распределения: монотонное неубывание, непрерывность слева, F()0, F()1, – мы задаём некоторую случайную величину. Если F(x) – ступенчатая функция, то она задаёт дискретную случайную величину: точки скачков – её возможные значения, величины скачков – их вероятности. Дискретную случайную величину можно задать таблицей её возможных значений и их вероятностей:xk, pk, k1, 2, , n,лишь бы былиpk0 и pk1. Непрерывную случайную величину можно задать плотностью вероятности p(x). В качестве таковой может служить любая неотрицательная функция, удовлетворяющая условию нормировки: p(x)dx1. Основные случайные величины Любой сходящийся интеграл от неотрицательной функции порождает непрерывное распределение. Именно, если (x)dxI,то роль плотности играет p(x) (x), если xA, 0, если xA. Любая конечная сумма или сходящийся ряд с неотрицательными слагаемыми порождает дискретное распределение. Именно: если qkS, то роль дискретных вероятностей играют pk qk, а в качестве xk можно взять любые числа; наиболее простой выбор: xkk. Рассмотрим конкретные примеры. 1. Равномерное распределение. Его порождает интеграл dxba. p(x) , если xa, b, 0, если xa, b. Этот закон распределения будем обозначать R(a, b); числа a и b называются параметрами распределения. Тот факт, что случайная величина X равномерно распределена на отрезке a, b, будем обозначать следующим образом: XR(a, b). В частности, плотность случайной величины XR(0, 1) имеет наиболее простой вид: p(x) 1, если x0, 1, 0, если x0, 1. Функция распределения такой случайной величины равна: F(x) 0, если x0, x, если 0x1, 1, если x0. Если мы наугад выбираем точку на отрезке 0, 1, то её абсцисса x является конкретным значением случайной величины XR(0, 1). Слово ''наугад" имеет в теории вероятностей терминологическое значение и говорится с целью подчеркнуть, что соответствующая непрерывная случайная величина распределена равномерно, или дискретная случайная величина имеет конечное число N возможных равновероятных значений. 2. Экспоненциальное распределение. Его порождает интеграл exdx , 0. p(x) Плотность вероятности, очевидно, равна ex, если x0, 0, если x0, F(x) а функция распределения: 1ex, если x0, 0, если x0. То обстоятельство, что случайная величина распределена по экспоненциальному закону, будем записывать так: XExp(), называется параметром распределения (0). 3. Распределение Коши. Его порождает интеграл dx. Плотность вероятности:p(x) , x. 4. Гамма-распределение. Его порождает интеграл, который определяет гамма-функцию:() ett1dt, 0.Выполним в этом интеграле замену переменной, положим:tx, 0: () exx1dx. p(x) Соответствующая плотность вероятности равна: x1ex, если x0, 0, если x0. Будем обозначать это распределение (, ), и – параметры распределения (0, 0). 5. Нормальное распределение. Его порождает интеграл Пуассона: I dx . Докажем это равенство. Интеграл бы легко вычислялся, если бы подынтегральное выражение содержало множитель x. Такой множитель можно ввести под знак интеграла с помощью следующего остроумного приёма. Запишем квадрат интеграла в следующем виде: I2 dx dy, а теперь представим произведение интегралов как двойной интеграл: I2 dxdy. Перейдём в этом интеграле к полярным координатам. Положим: xrcos, y rsin, и ещё вспомним, что абсолютная величина якобиана при переходе от декартовых координат к полярным равна r. Заметим, наконец, что областью интегрирования двойного интеграла является вся плоскость, так что границы изменения переменных r и , соответственно, таковы: r[0; ), [0; 2). Поэтому: I2 d rdr. Теперь легко убедиться, что rdr1, а потомуI22. Распределение с плотностью p(x) , x(; ) называется стандартным нормальным законом и обозначается N(0, 1). Ему соответствует функция распределения: F0(x) dx. Обычно принято табулировать интеграл (x) dx, называемый интегралом ошибок или интегралом Лапласа. Функция распределения стандартного нормального закона просто выражается через этот интеграл: F0(x) (x). Если в интеграл Пуассона ввести параметры масштаба и сдвига с помощью замены переменной, заменив x на , то он примет вид: dx1. Случайную величину с плотностью вероятности p(x) , x(; ), называют нормально распределённой случайной величиной или просто нормальной. Соответствующий ей закон распределения обозначают N(a, ), a и – параметры распределения (0, a – любое вещественное число). График p(x) представлен на рис. 1. p(x) O x a Рис. 1. a – точка максимума p(x), его значение равно . Так как площадь под кривой всегда равна единице, то чем меньше , тем больше вероятности сосредоточивается вблизи максимума. Таким образом, устанавливаем вероятностный смысл параметров нормального закона: областью наиболее вероятных значений нормальной случайной величины является окрестность точки a, а указывает на степень концентрации вероятности в окрестности точки a – чем меньше , тем менее вероятны заметные отклонения X от a. Функцию распределения произвольного нормального закона легко выразить через интеграл Лапласа. Для этого нужно в выражении для функции распределения F(x) dx выполнить замену переменной, положив y: F(x) dy ( ). 6. Геометрическое распределение. Его порождает геометрическая прогрессия: qk1, 0q1. Соответствующая дискретная случайная величина имеет возможные значенияxkk, k1, 2, с вероятностямиpk(1q)qk1.Обозначение геометрического распределения: G(q), q – параметр распределения (0q1). 7. Пуассоновское распределение. Его порождает разложение в ряд показательной функции:e , 0,которому отвечает дискретная случайная величина, принимающая целые неотрицательные значенияxkk, k0, 1, 2, с вероятностямиpk . Будем обозначать это распределение через (), – параметр распределения (0). 8. Биномиальное распределение. Его порождает формула бинома Ньютона:(pq)n pmqnm. Чтобы сумма вероятностей распределения pk равнялась единице и все они были положительными, возьмём p0, q0, pq1, т. е. q1p.Возможными значениями будем считатьxkk, k0, 1, 2, , n,а их вероятностями –pk pkqnk. Обозначим это распределение B(n, p), n и p – параметры распределения (0p1, nN, т. е. n – натуральное число). Биномиальная случайная величина появляется, например, в схеме Бернулли, называемой также схемой последовательных независимых испытаний. Состоит она в следующем: осуществляется некоторый комплекс условий, при котором мы имеем одно и только одно из двух событий: либо "успех", либо "неудачу", причём вероятность "успеха" равна p, вероятность "неудачи" равна q 1p; эта попытка независимым образом повторяется n раз. Считая опытом все n попыток, можем считать элементарным событием опыта цепочку длины n, полученных в результате опыта "успехов" (У) и "неудач" (Н): УУУННУ НУ. Определим случайную величину X, задав её как число успехов в одном опыте. Событию {Xk} благоприятствуют те элементарные события, которые содержат "успех" ровно k раз, а "неудачу" – остальныеnkраз. Число таких благоприятствующих событию {Xk} элементарных событий, равно, очевидно, ,а вероятности всех их одинаковы и по теореме умножения для независимых событий равны pkqnk. Окончательно получаем: P{Xk} pkqnk, а возможными значениями случайной величины X оказываются числаxkk, k 0, 1, 2, n.Таким образом, число успехов X в схеме Бернулли – биномиальная случайная величина: XB(n, p). Пусть имеется вероятностное пространство (, , P()) и рассматривается некоторое событие A. Обозначим его вероятность P(A)p. Пусть испытание независимым образом повторяется n раз, причём событие A в этих n последовательных попытках наблюдалось k раз. Число k называется абсолютной частотой события A. Оно является конкретным значением случайной величины X, определённой на серии из n независимых испытаний. Ничто не мешает объявить событие A "успехом", а событие – "неудачей". Это превращает последовательность из n испытаний в схему Бернулли, а абсолютная частота события A оказывается распределённой по закону Бернулли. Геометрическое распределение также просто связано со схемой Бернулли: будем повторять попытку до появления первого "успеха". Элементарным событием в таком опыте является цепочка, у которой "успех" расположен только на последнем (k-м) месте, а на всех предыдущих местах (а их k1) – только "неудачи": ННННННУ. Свяжем с этим опытом случайную величину X – общее число попыток в опыте. Очевидно, значениями этой случайной величины могут бытьxkk, k1, 2, 3, ,а их вероятностиpkqk1p,что и совпадает с геометрическим распределением G(p). Двумерные случайные веЛИчины Двумерной случайной величиной называется пара случайных величин, определённых на вероятностном пространстве (, , P()). Результат наблюдения двумерной случайной величины (X, Y) можно изобразить точкой (x, y) на плоскости. Закон распределения вероятностей между возможными значениями двумерной случайной величины даётся совместной функцией распределения: F(x, y)P{Xx, Yy} y показывающей, какая вероятностная масса лежит внутри заштрихованного квадранта (рис. 2). x y x O Рис. 2. Запятая в записи вероятности P{Xx, Yy} заменяет знак умножения между событиями {Xx} и {Yy}. Выделим два простейших случая: непрерывный и дискретный. Двумерная случайная величина (X, Y) называется непрерывной, если существует такая функция p(x, y), что F(x, y) p(x, y)dxdy. Очевидно,p(x, y) F(x, y). Функция p(x, y) называется совместной плотностью вероятности; она играет роль поверхностной плотности распределения единичной вероятностной массы на двумерной плоскости. Вероятность того, что (X, Y) попадёт в область A на двумерной плоскости, вычисляется так: P(A) p(x, y)dxdy, и эта вероятность определена для таких событий A, для которых определён интеграл справа. В дискретном случае возможные значения (X, Y) можно представить как упорядоченные пары чисел (xi, yj) и закон распределения давать в виде таблицы:pijP{Xxi, Yyj}. Если известен закон распределения двумерной случайной величины (X, Y), то можно найти также законы распределения компонент X и Y. В общем случае: FX(x)P{Xx}P{Xx, Y}F(x, ). Аналогично:FY(y)F(, y). В непрерывном случае: pX(x) FX(x) F(x, ) dx p(x, y)dy p(x, y)dy. Аналогично: pY(y) p(x, y)dx. В дискретном случае: piP{Xxi}P{Xxi, Y} pij. Аналогично: qjP{Yyj} pij. Обратная задача – восстановить закон распределения двумерной случайной величины по законам распределения компонент – решается для независимых компонент. Естественно называть случайные величины X и Y независимыми, если события {Xx} и {Yy} независимы, т. е., если F(x, y)P{Xx, Yy}P{Xx}P{Yy}FX(x)FY(y). Если F(x, y) дифференцируема, то p(x, y) F(x, y) FX(x)FY(y) FX(x) FY(y)pX(x)pY(y). В дискретном случае: pijP{Xxi, Yyj}P{Xxi}P{Yyj}piqj. Совершенно аналогично вводятся n-мерные случайные величины. Например, пусть независимые случайные величины Xi, i1, 2, , n распределены по стандартному нормальному закону:Xi~N(0, 1), i1, 2, , n.Их совместная плотность вероятности равна: p(x1, x2, , xn) exp( xi2). Выполним невырожденное линейное преобразование и введём новые случайные величины Yk aijXi, k1, 2, , n. Это преобразование можно переписать в матричном виде:YAX,гдеXT (X1, X2, , Xn), YT(Y1, Y2, , Yn), A||aij||, DetA0. Так как преобразование невырождено, то оно обратимо, так чтоXA1Y.В евклидовом пространстве переменных y1, y2, , yn совместная плотность вероятности вектора Y равна q(y1, y2, , yn) exp( YTY), где ATA – матрица квадратичной формы в показателе экспоненты, а |DetA|J – якобиан преобразования. Обратно, если совместная плотность вероятности n-мерного вектора равна q(y1, y2, , yn)Cexp( YTY), где – положительно определённая матрица (что нужно для сходимости интеграла по всему пространству), а C – константа, то существует такая матрица A, чтоATA, С|DetA| и преобразованиеYAX, (XA1Y)приводит к независимым компонентамXi~N(0, 1), i1, 2, , n. Можно сделать ещё одно обобщение, введя параметры масштаба и сдвига по всем осям. n-мерной нормальной плотностью называется p(x1, x2, , xn) exp( aik(xibi)(xkbk)), где aik, bi – параметры n-мерного нормального вектора, A||aij|| – положительно определённая матрица. 2 – распределение Пусть X1, X2, , Xn – независимые (в совокупности) нормально распределённые случайные величины:Xi~N(0, 1), i1, 2, , n. Определим сумму их квадратов: n2 Xi2 и найдём закон распределения случайной величины n2: Fn2(x) exp( xi2)dx1dx2dxn, x0. Принимая во внимание, что подынтегральная функция принимает постоянное значение на любой n-мерной сфере (x12x22xn2r2), проведём интегрирование по сферическим слоям. Обозначим через Vn(r) объём n-мерной сферы радиуса r, а через Sn(r) – площадь её поверхности. Отметим, что: Sn(r) Vn(r),Vn(r) Sn(r)dx. В частности, в двумерном и трёхмерном случаях имеем: V2(r)r2, S2(r)2r, V3(r) r3, S3(r)4r2. Ясно, что можно считать Vn(r)Cnrn, Sn(r)nCnrn1, где Cn – константа, которую мы найдём ниже. Продолжим теперь преобразование функции распределения n2: Fn2(x) exp( r2)nCnrn1dr. Мы превратили n-кратный интеграл в обычный однократный. Из последнего равенства найдём плотность вероятности: pn2(x) Fn2(x) exp( ) pn2(x) , x0. Если x0, то ясно, что pn2(x)0. Прежде, чем перейти к вычислению константы Cn, напомним определение и свойства гамма-функции, которыми нам ещё не раз придётся пользоваться. –––– Определение и свойства гамма-функции Гамма-функция определена на положительной полуоси равенством: (x) ettx1dt, x0. Свойства гамма-функции: |
Сборник задач по теории вероятностей и математической статистике. Москва, «Наука», 1970 656с Баврин И. И.: Теория вероятностей и математическая статистика, Москва, Высшая школа, 2005 -160с | Письменный Д. Т. Конспект лекций по теории вероятностей, математической... Письменный Д. Т. Конспект лекций по теории вероятностей, математической статистике и случайным процессам. 3-е изд. М.: Айрис-пресс,... | ||
Теория вероятностей и математическая статистика Вам предлагаются обучающие тестовые задания по теории вероятностей. В этих заданиях вы должны отметить правильный ответ | Темы самостоятельных работ Вид работы Треугольник Паскаля Подготовить доклад Гмурман В. Е. Руководство к решению задач по теории вероятностей и математической статистике. М.: Юрайт, 2011. 480с | ||
Введение элементов комбинаторики и теории вероятностей «Теория вероятностей и математическая статистика» студентами 22-ой группы специальностей средних профессиональных учебных заведений.... | Тесты по теории вероятностей. Уровень Условие Варианты ответов Вам предлагаются обучающие тестовые задания по теории вероятностей. В этих заданиях вы должны отметить правильный ответ | ||
Исследовательская работа тема: «Удача на егэ в формулах теории вероятностей» Вам предлагаются обучающие тестовые задания по теории вероятностей. В этих заданиях вы должны отметить правильный ответ | Темы рефератов Теория вероятностей Эбс университетская библиотека onlin гмурман В. Е. Теория вероятностей и математическая статистика : Учебное пособие для вузов. 12-е... | ||
Лекции по учебной дисциплине Теория вероятностей и математическая статистика | Вопросы по дисциплине «Теория вероятностей и математическая статистика»... «Теория вероятностей и математическая статистика» студентами 22-ой группы специальностей средних профессиональных учебных заведений.... | ||
Методичекские рекомендации по дисциплине б. 5 Теория вероятностей... Целями освоения дисциплины Теория вероятностей и математическая статистика являются | Конспект лекций по высшей математике. В 2 частях. Часть М.: Айрис-пресс,... Баранова Е. С., Васильева Н. В., Федотов В. Л. Практическое пособие по высшей математике. Типовые расчеты. Учебное пособие. — Спб:... | ||
Тема урока: Повторение материала по теме "Элементы теории вероятностей"... Разберём весьма частный, однако, часто встречающийся случай: состоит из конечного числа n равновероятных событий | Исф фгбоу впо «СПбгпу» И. И. Боголепов теория вероятностей и математическая статистика в технике Анонс книги: И. И. Боголепов. Теория вероятностей и математическая статистика к технике | ||
Рабочая программа дисциплины (модуля) «Математическая статистика и теория вероятностей» Целью освоения дисциплины «Математическая статистика и теория вероятностей» являются | Программа по формированию навыков безопасного поведения на дорогах... Основы дискретной математики, теории вероятностей, математической статистики и их роль в медицине и здравоохранении |