Вычислим дисперсии некоторых случайных величин,
Часть 2
1. определение случайной величины для дискретных вероятностных пространств. Пусть
теперь(£2, 9t,Р) — произвольное вероятностное пространство. Случайной величиной Б назовем действительную функцию Б = Б (со), со ЕЕ Q* такую, что при любом действительномх
{со: Б (а>) <х)s 9С, (1.1)
Если в% включаются все подмножества Q, то (1.1) очевидно выполняется. Событие в (1.1) более коротко иногда будем записывать в виде (Б <х).Так как операции над событиями из 91 не выводят за пределы то из (1.1) следует, что
(£>*) = (Г<^) S 91,
(*!<!< **) = (Б < **) \ (S < *i) е 9t,; (1.2)
(1 = х)=П(x<l<x+ -L)e9t*
71=1 ' '
Таким образом, вероятности этих событий определены* Для вычисления вероятностей событий вида (1.2) достаточно при любомхзнать вероятность
F\ (х)= Р (Б <х). (1.3)
Функция F|(х)действительной переменной —оо < <х<оо, называетсяфункцией распределенияслучайной величины Б* Так как
(S < *2) = (*i <I<хг)+ (I < *i)« то согласно аксиоме А4
Р(I<хг)= Р(х,< Е < х2) + Р (| < *0.
Отсюда и из (1.3) находим
Р (*i < 5 < *к) = (*s) - (*х)- (1 -4)
По формуле (1.3.6) Р (£ > я) = 1— Ft (,х). Из (1.3.11),
(1.4) и (1.2) получим
р(1=X)= lim[f% [х+ -i-) —Ft(ж)) =
= ^(^ + 0)-П(х).
2. Закон распределения случайной величины £ называетсядискретным, если существует конечное или счетное множество чиселхг,я2, . .хп. , . (без точек накопления) таких, что
оо
Р (I =хп) = рп> 0, re = 1, 2, . . 23 =
71=1
Дискретный закон распределения полностью определяется указанием значенийхп, п=1,2, . . ., и вероятностейрп, с которыми эти значения принимает случайная величина. Случайная величина, имеющая дискретный закон распределения, тоже называетсядискретной.Отметим также, что для любого конечного или счетного набора пар (#п> яп)>71 —1»2, . . ., гдехп— попарно различные действительные числа и
|
|
оо
п„ >0,п=1,2, . . 2ЯП=1>:
П=1
можно указать дискретную случайную величину £ такую, что РЦ=хп)=лп.
Действительно, пусть Q ={хх, х2, . .хп, .. Для любого подмножества Л CZ Q положим Р(<4)= 2 яп*
п: хпеЛ
Тогда для g = | (яп) =хпимеем Р (| =хп)= зхп.
Закон распределения случайной величины £ называетсяабсолютно непрерывным, если существует неотрицательная функция р| (ж) такая, что при любомх
х
Fl (х)= р (? О) = $Р\ (и) du.
—оо
Случайная величина, имеющая абсолютно непрерывное распределение, называетсяабсолютно непрерывной.
Ниже мы будем всегда предполагать, чтор% (х)непрерывна всюду, за исключением конечного числа точек. Функцияpi(#) называетсяплотностью распределения вероятностей.Очевидно,
ь
р (а <I< Ь) =5Рг (х) dx,
(3.1)
А-И/п
Р (£ =a)—lim Р (аg<а+ —) = lim Сp%(x)dx = Q.
П~оо \ п / П—оо J
|
|
а
Отсюда следует, что для абсолютно непрерывных величинР (а < I < Ь) = Р (а < | < 6) = Р (а < g < 6) =
= Р(а<£<6).
Если х является точкой непрерывности р* (х), то при Дх-^О
Р (х < | < х + Дх) = (х) Дх + о (Дх).
Эго равенство следует из (3.1). Плотность распределения, обладает следующими свойствами:
(1.5) Pi(*) >0, — оо <х< оо;
оо
(1.6)§ Pi(x)dx = 1;
—оо
(1.7) F{(ж) =pi {х)в точках непрерывностир^(х).
Плотность распределения полностью определяет распределение случайной величины. Функция распределения абсолютно непрерывной величины, очевидно, непрерывна.
Пример 3 из §1показывает, что существуют распределения, не принадлежащие ни одному из указанных типов.
Нетрудно проверить, что любая неотрицательная функцияр (х),интеграл от которой по всей числовой прямой равен1, является плотностью распределения некоторой случайной величины. Действительно, если в определении абсолютно непрерывного вероятностного пространства (см. § 4 гл. 2) положитьп —1, я(щ)=*р (щ),то плотность распределения случайной величины g = §(и^) ** щ совпадает ср (х).
Приведем несколько часто встречающихся законов распределения. Сначала перечислим некоторые дискретные распределения.
1. Вырожденное распределение.
|
|
Р (g = а) = 1,а— постоянная.
2. Гипергеометрическое распределение (N, Мх п— натуральные числа,М N, п<N):
Р (g =т)= CS«,т =0, 1, . . ., min (М,п).
3. Биномиальное распределение (п— натуральное число,0<р<1):
Р (| =k)=(*р*(1 -р)п-\ к =О, 1, . . п.
4. Распределение Пуассона с параметром % 0;
Р(1 = к) = ^Ге-\ к =0,1,2,...
5. Геометрическое распределение(0 <р< 1):
Р (| =к) =(1 -р)*~1 р, к= 1, 2, . . .
3.
Приведем полные формулировки определений.Математическим ожиданием случайной величины | = | (о)|с),заданной на дискретном вероятностном пространстве СQ = {(0Х, С02, . . ., G)n, . . .}, Р ((Ofc) =рк%
ft=1А * * ,Ап%* * * (см. §2гл. 2), называется число
М£= S (1.2)
1
если ряд абсолютно сходится. Если же ряд (1.2) не сходится абсолютно, то говорят, что математическое ожидание случайной величины £ не существует.
Приведем основные свойства математического ожидания.
Теорема2.1.
1°.Если С—постоянная,тоМС =С.
2°.Если С—постоянная, wo М (С|) = СМ£.
3°. Длялюбых величин|
| МЕ к м I g |.
4°.Для любых случайных величин иS2
м (Ь + е2) = м?х + м?2.
Еслииз участвующих в равенстве математических ожиданий какие-нибудь два существуют,то существует третье.
5°.Если случайные величины и£2независимы, то Язсуществования любых двух математических ожиданий следует существование третьего.
|
|
4.
(1.8)Нормальное распределение. Подставляя в формулу
(1.8) плотность нормального распределения, получим
М| = \х■■е 202 dx=
в
—сю —оо
_ J!i 1 _ Jil
Так как функцияуе2нечетная, а ■; е2является
у 2п
плотностью нормального распределения с параметрами (О,1), то первое слагаемое в правой части последнего равенства равно 0, а второеа.Таким образом, если случайная величина £ распределена нормально с параметрами (а3а2), то М| = а.
(1.9) Показательное распределение:
оо оо
^xpt(х) dx—^ axe-***=
—оо О
(1.10) Равномерное распределение:
Mg_1
Найдем теперь по формуле (1.6) математические ожидания некоторых дискретных случайных величин*
(1.11)Биномиальное распределение.Из формулы
SшСпРт(1— p)n_m>
воспользовавшись равенствомтС™=пСп-\%получиммц,=пр S C-iV"1-1 (1 — р)п~т=пр (р + (1 — р))п~1.
т=1
Таким образом, М| =пр.
(1.12)Пуассоновское распределение.Так как
п ™ оо
-с—1 1т 1 1WI—1
т=о т=1
то М£ = X.
5.
ДисперсиейDg случайной величины £ называется число Dg = Ма- М£)% (3.1)
если математическое ожидание в правой части (8*1) существует. Дисперсия является мерой рассеяния значений случайной величины около ее математического ожидания. Величину называют средним квадратическим отк
Лонением.
Приведем свойства дисперсии.
Теорема 3.1.
1°.Для любой случайной величиныБимеемDg0. 2°.Если с—постоянная,то Ос= 0.
3°.Если с—постоянная,тоD (eg) =
4°.Если случайные величиныБхиg2независимы,то
D(1г +6.) = + D£2.
6.
Случайные величины £1? Ег» • • •» Ег называютсянезависимыми,если для любых действительныххи х2, . .хг
1. F%l...lT (*1, • • хт) = (*х) ■ ■ ■ Fir (*»•)•
Если случайные величины и£2независимы, то Язсуществования любых двух математических ожиданий следует существование третьего.
Свойство дисперсии:Если случайные величиныБхиg2независимы,то
D(1г +6.) = + D£2.
7.
М [(£х — М£х) (g2— Mg2)]. Это число называетсяковариациейслучайных величин Б1т g2и обозначается cov (£1? £2).
Если для случайных величин ii, £г. • • •. I„существуютcov (£г,%}) -- atj, i,/ =1, . . .
, . и,то при любых постоянных сг, с2,. . ., спимеем
п
D (С1Б1+ С2Е2+ • • • +сгЛп) — 2 Gijcici'
i, j=1
Доказательство. Положим
Г)п == ^lil “Ь • • • “Ь ^nin‘
Нетрудно проверить, что
(Пп — Mrin = 2 <4 (Ii — M|i)
i=l
(ЛпМТ]п)2=2(Si — MSi) (gy — М£у).
i. j=l
Вычисляя математическое ожидание от обеих частей последнего равенства, получим утверждение теоремы.
Правую часть (4.4) можно рассматривать как квадратичную форму от переменныхсг, с2,. .сп.Так как при любыхс1ч с2,. . .,спдисперсия в левой части (4.4) неотрицательна, то квадратичная форма в правой части (4.4) неотрицательно определена. Квадратичная форма неотрицательно определена тогда и только тогда, когда неотрицательны все главные миноры матрицыг составленной из ее коэффициентов. Таким образом, из теоремы 4.1 получили следующее утверждение: определитель |D [g] | матри- цы D [|] = D [(|х, . . gm)] = II cov (ii, |j)II при любомт=1,2, . . . для любых случайных величинЪчЕ» •. •
• • м%тудовлетворяет неравенству
I D [(glt . . ., IJ] | > 0. (4.5)
Прит= 2 неравенство (4.5) имеет вид D|i cov (li, Ы
>"ЬЫ вь
Отсюда
Icovdi.l^K/DliD^. (4.6)
В доказательстве формулы (3.5) было попутно получено, что для независимых случайных величин S2 имеет место равенство
cov (Si, S.) =0. (4.7)
Таким образом, если cov (Si, S2)Ф0, то величины Si и£2 зависимы.
8.
В качестве количественной характеристики степени зависимости случайных величин Si и|2используетсякоэффициент корреляциир (Si, S2)» определяемый следующим равенством:
1. р(Е;'Е1)=^Щдг-(4'8>
9.
Вычислим дисперсии некоторых случайных величин,
(1.13)Нормальное распределение. По формуле (3.3) находим
оо (х-а)2
Dl=vbS
9 — ос
Отсюда* полагаях = ву + а,получим
ОО 00
' ое=<,!75ГS »•«-«■ <г»=-<4-^
— ОО —ОО
Применив формулу интегрирования по частям, находим DE = а2.
В §6гл. 5 было показано, что линейная функцияг\= = Л Б +Вот нормально распределенной случайной величины Б имеет нормальное распределение. В §2был указан способ вычисления Мг)г не связанный с доказательством нормальности г) (см. формулу (2.2)). Найдем теперь Drj. Нетрудно показать, что случайная величина, являющаяся постоянной, взаимно независима с любой случайной величиной. Поэтому при вычислении Dr) = D (Л£ +В) можно воспользоваться формулой (3.5). Тогда
Djj = D(AI+В)= D(AI)+OB=A*D%=A2o2,
(1.14) Равномерное распределение. По формуле (3.3)
D£ = jj
—оо a
Отсюда D£ = ^~iy2^•
(1.15) Пуассоновское распределение. Найдем сначала М [g (g — 1)]. По формуле (1.4) сг=1и #(#) = #(# —1) получим
М£ (| -1) = £ m (m -1) = А.»
т=о т=2
Так как Mg (g— 1)= Mg2— Mg и Mg= A,, to Mg*= = + Я. Подставляя это выражение в (3.2), получим
Dg =К.
(1.16) Биномиальное распределение. Так же как в примере 2 из §2, воспользуемся тем, что число успехов\лппредставимо в виде суммы независимых индикаторов (5.5.13). Тогда Dnn = Dg, + . . . + Dgn и Dg, = Mtf ~ (Mg,)2= =р—р2=р(1 —р).Таким образом, D[xn=пр(1 —р). Отметим, что в формулировку теоремы Муавра — Лапласа (теорема 3.3 гл. 4) входила случайная величина (tin —np)/Y npq.Теперь мы можем эту же величину записать в виде (fxn — MfxJ/^Dfi^. Такое линейное преобразование случайной величины используется доврЛьно часто. Если g — произвольная случайная величинаЛто для случайной величины rj = (g — MgJ/j/'Dg имеем
Mrj = 0, Drj = 1.
В приложениях для оценки вероятности отклонения случайной величины от своего математического ожидания часто используют «правило трех сигм>>, согласно которому событие | g — Mg | > S^Dg практически невозможно,; т, е, его вероятность очень мала. Это действительно ?акл
если | распределена нормально. В этом случае P{||-M||>3/D|} =
“p{lwH=w$A<,M)03-
Однако если распределение £ отлично от нормального, то возможны большие значения вероятности такого отклонения (см. задачу 19).
Часто изучаемую случайную величину удается представить в виде суммы более простых, возможно зависимых, случайных величин. Пусть, например,;
Лп =h+ £2 + « • * + (3*7)
где случайные величины £2f * , ., gn зависимы и каждая из них принимает значения 0 и 1. В этом случае можно воспользоваться формулой
МЛп = Mg, + М£2 + . . . + Mgn*
ОднакоDr\nуже не равна сумме дисперсий Для вычисления Dr]n можно использовать формулу (3.2). Так как (со) = £* (со), со Е й (действительно, (со) = 1 или £* (со) =0)* то
я2»=2 Й+ 2£»Ь=2 £* + 2&*Si = ?in+ 2 5*6».
lc=*T к=1 К?Ь1
(3.8)
Таким образом,
Dn« = Мт1 п — (Мт1„)г= 2 + Mri„ — (Мг)„)2.
If#i
5,Гипергеометрическое распределение.Воспользуемся формулой (3.8) для вычисления дисперсии величины £, имеющей гипергеометрическое распределение. Для индикаторов в сумме (2.2) имеем (см. задачу22гл.2)
мUi =Ргё* =h =1} =VvtZi) ■
Отсюда и из (3.8) находим
МЕ2= М£ + У,М+п(п—1) •
Af(Af-l) . М 2 М*
D£ —п(п1)jy ^+п ^•п^у2.
Дата добавления: 2018-05-13; просмотров: 215; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!