Конспект лекций по курсу "Теория вероятностей и математическая статистика"
Вид материала | Конспект |
Гауссов закон распределения 6. Системы случайных величин |
- Рабочая учебная программа дисциплины (модуля) Теория вероятностей и математическая, 217.23kb.
- Примерная программа наименование дисциплины «теория вероятностей и математическая статистика», 165.37kb.
- Рабочая программа дисциплины "теория вероятностей и математическая статистика", 112.61kb.
- Рабочая программа учебной дисциплины теория вероятностей и математическая статистика, 830.1kb.
- Рабочая программа учебной дисциплины «Теория вероятностей и математическая статистика», 165.42kb.
- Программа курса лекций "Теория вероятностей и математическая статистика", 18.69kb.
- Примерная рабочая программа по дисциплине: «теория вероятностей, математическая статистика, 83.07kb.
- Программа по дисциплине «Теория вероятностей и математическая статистика» для студентов, 206.05kb.
- А. С. Гринберг О. Б. Плющ Б. В. Новыш Теория вероятностей и математическая статистика, 1813.61kb.
- Программа-минимум кандидатского экзамена по специальности, 37.75kb.


Математическое ожидание равномерного распределения находится посредине отрезка его распределения, т.е.

а дисперсия

Вероятность попадания равномерно распределенной случайной величины Х на интервал


Непрерывная случайная величина Х имеет показательное (или “экспоненциальное”) распределение, если плотность распределения

Функции распределения для показательного закона имеет вид


Плотность распределения показательного закона

Функция распределения показательного закона
Для случайной величины, распределенной по показательному закону, математическое ожидание и среднеквадратическое отклонение равны между собой и равны


В некоторых случаях используют коэффициент вариации,


Для показательного закона распределения коэффициент вариации

Для показательного распределения вероятность того, что случайная величина Х примет значение в интервале


Замечательным свойством показательного распределения является то, что при наступлении события


Непрерывная случайная величина Х называется распределенной по гауссовому закону (закону Гаусса или по нормальному закону), если ее плотность распределения вероятности имеет вид

где


Закон Гаусса играет исключительно важную роль в теорию вероятностей и занимает среди других законов распределения особое положение.
Кривая нормального распределения имеет симметричный вид.

Гауссов закон распределения
Вероятность попадания случайной величины, распределенной по закону Гаусса (нормально распределенной) в интервале


где

Для функции Лапласа в книгах по теории вероятностей приведены таблицы.
Функция Лапласа обладает следующими свойствами:
Ф(0)=0;
- Ф(-х)=-Ф(х);
- Ф(+
)=0,5. (Ф(-
)=-0,5).
Закон Гаусса широко распространен в случайных явлениях природы. Он возникает в тех случаях, когда складывается много независимых (или слабо зависимых) случайных величин Х1, Х2, … Хn:

причем эти величины сравнимы по порядку своего влияния на рассеивание суммы. Тогда, каковы бы ни были законы распределения отдельных величин Х1, Х2, … Хn, закон распределения их суммы Х будет близок к закону Гаусса (причем тем ближе, чем больше число слагаемых n).
ПРИМЕР. Случайная величина распределена по закону Гаусса и имеет параметры




РЕШЕНИЕ.

По таблицам функции Лапласа находим


Это – действительно малая вероятность.
Заметим, что само “правило трех сигма” ведет свое начало именно от нормального распределения. Для нормального закона это правило выполняется с очень высокой точностью; применяя его, мы будем ошибаться приблизительно в трех случаях из 1000.
6. СИСТЕМЫ СЛУЧАЙНЫХ ВЕЛИЧИН
Совокупность n случайных величин (Х1, Х2, … Хn), рассматриваемых совместно, называется системой n случайных величин или n-мерной случайной величиной.
В частном случае при n=2 имеем систему случайных величин (X, Y), которая геометрически интерпретируется как случайная точка с координатами (x, y) на плоскости x0y (рис. 6.1.) или как случайный вектор, направленный из начала координат в точку (x, y).

Рис. 6.1
Законами распределения системы двух дискретных случайных величин с конечным числом возможных значений являются таблица распределения и функция распределения, а для системы непрерывных случайных величин – функция распределения и плотность распределения. В таблице распределения указываются вероятности





![]() ![]() | ![]() | ![]() | … | ![]() |
![]() | ![]() | ![]() | … | ![]() |
![]() | ![]() | ![]() | … | ![]() |
… | … | … | … | … |
![]() | ![]() | ![]() | … | ![]() |
Рис. 6.2.
Все возможные события




При этом

Наиболее общей формой закона распределения системы случайных величин является функция распределения.
Функцией распределения системы n случайных величин (Х1, Х2, … Хn) называется вероятность совместного выполнения n неравенств



Для системы двух случайных величин (X, Y) функция распределения


Геометрически функция распределения



Рис. 6.3
Основные свойства функции распределения для системы случайных величин очевидны из данной геометрической интепретации:
1.

2.

3.

4.

5. Функция распределения является неубывающей функцией по каждому аргументу:




6. Вероятность попадания случайной точки (X, Y) в произвольный прямоугольник со сторонами, параллельными координатным осям (рис. 6.4) вычисляется по формуле


Рис. 6.4
При изучении непрерывных систем случайных величин (каждая случайная величина, входящая в систему, непрерывна) чаще всего используют плотность распределения.
Если функция распределения


Аналогично для системы двух случайных величин (X, Y)


Поверхность, изображающая функцию

Плотность вероятности системы двух случайных величин имеет следующие свойства, которые легко обобщаются на систему случайных величин большей размерности:
1.

2.

3. Плотности распределения отдельных величин, входящих в систему (X, Y), выражаются через плотность вероятности системы формулами:


4. Условные плотности вероятности выражаются через безусловные по формуле:




5. Вероятность попадания случайной точки в область D плоскости x0y определяется по формуле

Случайные величины Х и Y называются независимыми, если условный закон распределения одной из них не зависит от того, какое значение примет другая:


Для независимых случайных величин

Основными числовыми характеристиками системы двух случайных величин (Х, Y) являются следующие.
Математические ожиданияи
.
Для системы дискретных случайных величин


Для системы непрерывных случайных величин


- Дисперсии
и
.
Для системы дискретных случайных величин


Для системы непрерывных случайных величин


- Корреляционный момент
, характеризующий линейную связь между случайными величинами Х и Y, а также их разброс вокруг точки
Для системы дискретных случайных величин корреляционный момент равен:

Для системы непрерывных случайных величин

Для независимых случайных величин корреляционный момент равен нулю. Однако случайные величины могут быть зависимыми, но некоррелированными


Размерность корреляционного момента



Еще раз подчеркнем, что коэффициент корреляции характеризует степень линейной зависимости между случайными величинами. Если линейной зависимости нет, то


то коэффициент корреляции



Как уже отмечалось, из независимости случайных величин следует их некоррелированность, но их некоррелированности (


Для системы n случайных величин (Х1, Х2, … Хn) корреляционный момент записывается следующим образом:

если случайные величины непрерывны, а для дискретных случайных величин интегрирование заменяется суммированием по всем возможным значениям случайных величин.
Свойства корреляционного момента следующие:
, т.е. при перемене индексов местами корреляционный момент не меняется.
-
, если случайные величины X и Y независимы.
-
.
- Если
, то
.
-
Корреляционной матрицей системы n случайных величин (Х1, Х2, … Хn) называется матрица, составленная из корреляционных моментов всех этих величин взятых попарно:

где

Так как


По главной диагонали корреляционной матрицы стоят дисперсии случайных величин системы:



Нормированной корреляционной матрицей системы n случайных величин называется матрица, составленная из коэффициентов корреляции всех этих величин, взятых попарно:

где



В заключение отметим, что для случайных величин распределенных по закону Гаусса термины “независимость” и “некоррелированность” эквиваленты, т.е. если две нормально распределенные случайные величины Х и Y некоррелированны, то они и независимы.
ПРИМЕР.
Два стрелка, независимо друг от друга, делают по одному одиночному выстрелу каждый по своей мишени. Пусть случайная величина Х – число попаданий первого стрелка, Y – число попаданий второго стрелка. Вероятность попадания для первого стрелка р=0,8, для второго р=0,6. Построить матрицу распределения системы случайных величин (Х, Y).
РЕШЕНИЕ.
Возможные значения случайных величин Х и Y:




Возможные пары значений системы случайных величин:
(0, 0), (0, 1), (1, 0), (1, 1).
Соответствующие этим парам вероятность вычисляем пользуясь теоремой умножения для независимых событий.
Имеем:




Матрица распределения системы случайных величин имеет вид
![]() ![]() | 0 | 1 |
0 | 0,08 | 0,12 |
1 | 0,32 | 0,48 |











Это следует и из условия задачи, в котором сказано, что стрелки стреляют независимо друг от друга. Следовательно, случайные величины Х и Y независимы, а из этого следует их некоррелированность.
ПРИМЕР.
Дана корреляционная матрица системы случайных величин (Х1, Х2, Х3) вида

Найти нормированную корреляционную матрицу.
РЕШЕНИЕ.
Т.к.













