Учебник Теория вероятности - Самойленко, Кузнецов

4-е свойство

F(x,y) – неубывающая функция от обоих своих аргументов.

Учет 3-го свойства (6.5) – (6.6) позволяет по известной интегральной функции F(x,у) определять интегральные функции распределения компонент, т.е. F1 (x)= F(x,∞) ; F2 (y)= F(∞, y).

Обобщение 3-го свойства на интегральные функции трехмерных векторов и функции большей размерности позволяет получить выражения для определения частных интегральных функций. Так, для трехмерной интегральной функции F(x1,x2,x3) справедливы выражения:

F1 (x1 )= F(x1 ,∞,∞) ; F2 (x2 )= F(∞, x2 ,∞) ; F2,3 (x2 , x3 )= F(∞, x2 , x3 ) и т.д.

6.1.2. Вероятность попадания случайного вектора на заданный участок

Вероятность попадания дискретного или непрерывного случайного вектора на заданный участок (прямоугольник) может быть определена с помощью одной и той же формулы, основанной на использовании интегральной функции распределения.

P{(X ,Y ) ∆Z}= F(x + ∆x, y + ∆y)− F(x, y + ∆y)− F(x + ∆x, y)+ F(x, y) . (6.7)

130

Случайные векторы и функции

6.1.3. Плотность распределения случайного вектора

Если компоненты случайного вектора являются непрерывными величинами, то закон распределения этого вектора может быть задан в форме плотности распределения (дифференциальной функции распределения).

Плотность распределения случайного вектора – это предел отношения вероятности попадания случайного вектора на бесконечно малый участок ∆Z к площади этого участка:

т.е. плотность распределения двумерного случайного вектора представляет собой вторую частную производную от интегральной функции

Из (6.8) следует, что при известной плотности распределения случайного вектора интегральная функция определяется с помощью обратного преобразования

Плотность распределения случайного вектора f(x,y) наследует все свойства интегральной функции F(x,y). Так, приведенные ранее 1-е и 2-е свойства интегральной функции (6.1) – (6.4) трансформируются в 1-е

свойство плотности распределения

−∞

131

Теория вероятностей

4-е свойство – в 3-е свойство плотности распределения

6.1.4. Условные законы распределения

Определение 6.3. Условный закон распределения в форме f(x/y) или F(x/y) – это закон распределения случайной величины Х, вычисленный при условии, что случайная величина Y приняла конкретное значение.

Определение 6.4. Случайные величины Х и Y называются независимыми, если закон распределения Х не зависит от того, какое значение приняла случайная величина Y. В противоположном случае величины Х и Y называются зависимыми.

Если случайные величины Х и Y являются независимыми, то f(x/y) = f(x) и f(y/x) = f(y) .

Если случайные величины Х и Y являются зависимыми, то справедливо следующее соотношение:

f(x,y) = f(x)*f(y/x) = f(y)*f(x/y) .

Откуда

132

Случайные векторы и функции

6.1.5. Числовые характеристики случайного вектора

Определение 6.5. Математическое ожидание

случайного вектора Х=(Х1,Х2,…,Хn) есть такой неслучайный вектор m=(m1,m2,…,mn), компонентами которого являются математические ожидания соответствующих компонент случайного вектора Х.

Определение 6.6. Дисперсия случайного вектора Х=(Х1,Х2,…,Хn) есть такой неслучайный вектор D=(D1,D2,…,Dn), компонентами которого являются дисперсии соответствующих компонент случайного вектора Х.

Определение 6.7. Корреляционным моментом kxy двумерного случайного вектора Z=(Х,Y) называют второй смешанный центральный момент

kxy = µ11 = M[(X-mx)(Y-my)] .

Для дискретных случайных величин корреляционный момент определяется по формуле

где pij = P(X=xi,Y=yi);

mx – математическое ожидание компоненты Х случайного вектора Z; my – математическое ожидание компоненты Y случайного вектора Z; n – количество возможных значений компоненты Х ;

m – количество возможных значений компоненты Y .

133

Теория вероятностей

Для непрерывных случайных величин корреляционный момент определяется по формуле

где f(x,y) – плотность распределения случайного вектора Z.

Корреляционный момент характеризует степень разброса случайных величин вокруг их математических ожиданий, а также степень линейной зависимости между случайными величинами Х и Y .

Для характеристики только степени линейной зависимости между случайными величинами Х и Y используется коэффициент корреляции

от –1 до +1.

Если X и Y являются независимыми между собой величинами,

то rxy = 0.

Если X и Y связаны линейной зависимостью Y = aX + b , то rxy = –1 при

а < 0 и rxy = 1 при а > 0 .

Для случайного n-мерного вектора Х=(Х1,Х2,…,Хn) задается n-мерная

корреляционная матрица

kij = kji .

Для анализа степени линейной зависимости между компонентами случайного вектора Х используется нормированная корреляционная

134

Случайные векторы и функции

матрица R, элементами которой являются коэффициенты корреляции rij соответствующих компонент вектора Х,

6.2. Функции случайных аргументов

Решение многих практических задач требует знания законов распределения или числовых характеристик различных случайных величин. В некоторых случаях эксперимент по выявлению закона распределения требует постановки дорогостоящих или длительных по времени экспериментов, а в некоторых случаях и сам эксперимент поставить не представляется возможным. Часто этот барьер легко преодолим. Если интересующая нас случайная величина является функцией случайного аргумента, то её числовые характеристики и закон распределения могут быть определены по известным характеристикам или закону распределения случайного аргумента и виду функциональной зависимости.

6.2.1. Числовые характеристики функции случайных аргументов

Пусть случайная величина Y является функцией случайных аргументов Y = =φ(X1,X2,…,Xn) . Пусть известен закон распределения g(y) функции случайных аргументов. Тогда основные числовые характеристики функции Y определяются следующими выражениями:

−∞

135

Теория вероятностей

Однако, как уже отмечалось выше, для определения числовых характеристик вовсе не обязательно знать закон распределения g(y).

Пусть случайная величина Y=φ(X) является функцией дискретного случайного аргумента Х, для которого известен закон распределения в виде ряда распределения

Тогда каждому значению хi можно поставить в соответствие значение yi=φ(хi)

В общем случае для yi=φ(хi) последняя таблица не является рядом распределения (в строгом понимании этого термина), однако все необходимые для такого ряда значения случайной функции и соответствующие вероятности в ней имеются. Таким образом,

где f (x) – плотность распределения Х.

Для системы двух случайных аргументов (6.19) и (6.20) будут иметь соответственно вид:

136

Случайные векторы и функции

mz = M [ϕ(x, y)]= ∞∫ ∞∫ ϕ(x, y) f (x, y)dxdy .

−∞ −∞

В общем случае (система из n случайных аргументов) (6.19) и (6.20) будут иметь, соответственно, вид:

Таким образом, математическое ожидание функции любого числа случайных аргументов может быть найдено без знания закона распределения g(y).

Аналогично могут быть найдены любые другие числовые характеристики (моменты) функции случайных аргументов. Например, дисперсии:

Dy = D[ϕ(x)]= ∞∫[ϕ(x) − my ]2 f (x)dx .

−∞

6.2.2. Теоремы о числовых характеристиках функции случайных аргументов

Во многих случаях для отыскания числовых характеристик функции случайных аргументов не требуется даже знания закона распределения случайных аргументов. В основном это касается линейных и некоторых элементарных нелинейных функций.

Рассмотрим определение математического ожидания и дисперсии для простейших функций случайных аргументов.

137

Теория вероятностей

Теорема 6.1. Математическое ожидание неслучайной величины с равно самой неслучайной величине:

Теорема 6.3. Математическое ожидание произведения неслучайной величины с на случайную величину Х равно произведению неслучайной величины с на математическое ожидание случайной величины Х:

138

Случайные векторы и функции

Доказательство:

D[cX ]= M [(cx −mcx )2 ]= M [(cx −cmx )2 ]= M [c2 (x −mx )2 ]= c2 M [(x −mx )2 ]= c2 D[X ].

Следствие теоремы 6.4:

Теорема 6.5. Математическое ожидание суммы случайных величин равно сумме их математических ожиданий:

Теорема 6.5 справедлива как для зависимых, так и независимых случайных величин X и Y. Теорема 6.5 имеет также обобщение на случай суммы нескольких случайных величин, т.е. математическое ожидание суммы n случайных величин равно сумме их математических ожиданий

Теорема 6.6. Математическое ожидание линейной функции n случайных аргументов Хi (i =1,2,…,n) равно этой же линейной функции от математических ожиданий случайных величин Хi:

Доказательство. Утверждение (6.28) очевидно в силу теорем 6.3, 6.5

и 6.1.

139