Теория вероятностей и математическая статистика _ учебн
.pdf3.44.Определить ожидаемый размер средней страховой выплаты по страховому портфелю, если предполагается, что размеры страховых выплат являются случайными величинами, распределенными по нормальному закону с дисперсией 22 500. Известно, что 28 % страховых выплат по портфелю имеют размер более
1тыс. ден. ед.
3.45.Размер страховой выплаты по портфелю договоров имущественного страхования подчиняется нормальному закону распределения: ожидаемая средняя выплата – 375 ден. ед., стандартное отклонение – 25 ден. ед. Найти вероятность того, что размер страховой выплаты составит: а) от 300 до 425 ден. ед.; б) не более
450ден. ед.; в) больше 300 ден. ед.
3.46.Страховщикполагает, чтоубытки отогневыхрисков подчиняются экспоненциальному распределению, которое характери-
зуется функцией распределения: FY(x) = 1 – e– x, x > 0. Требуется найти плотностьраспределения.
3.47.Среднее значение ущерба от огневых рисков по объекту за год оценивается страховщиком в размере 50 ден. ед. Определить: а) вероятность предъявления иска по страховой выплате в сумме
70ден. ед.; б) вероятность того, что предъявленный иск будет не более 70 ден. ед.
3.48.Найти ожидаемую доходность и стандартное отклонение доходности портфеля, состоящегоиз30% акций компанииА и 70% акций компании В, если их доходности независимы и равны, соответственно, 25 % и 10 %, а стандартные отклонения – 10 % и 5 %.
79
4.МНОГОМЕРНЫЕСЛУЧАЙНЫЕ ВЕЛИЧИНЫ
4.1. Функция распределения многомерной случайной величины
Очень часто результаты испытания характеризуются не одной случайной величиной, а некоторой системой случайных величин Х1, Х2, …, Хn, которую называют многомерной случайной величиной или случайным вектором X = (Х1, …, Хn).
П р и м е р ы
1.Успеваемостьвыпускника вуза характеризуетсясистемойnслу-
чайныхвеличинX1,X2,…, Xn –оценкамипоразличным дисциплинам, выставленнымивдипломе.
2.Погодав данномместевопределенноевремясутокможетбыть
охарактеризована системой случайных величин: X1–t, °C; X2 –влаж- ность; X3 – скорость ветра; X4 – давление.
Случайныевеличины, входящиев систему, могутбытькакдискретными, таки непрерывными.
С о в м е с т н а я ф у н к ц и я р а с п р е д е л е н и я вектора случайной величины – это совместная вероятность того, что:
Fx1, x2 ,..., xn (x1, x2,..., xk ) p((X1 x1) (X2 x2) (Xk xk )).
Если это двумерная случайная величина, т. е. (X, Y), то
FXY (x, y) = P((X < x) (Y < y)).
Геометрическая интерпретация распределения FXY (x,y) представлена на рис. 19 и означает вероятность попадания случайной точки (x, y) в заштрихованную область – бесконечный квадрат, лежащий левее и ниже точки (x, y).
80
Свойствафункции распределения:
1. Совместная функция распределения лежит в промежутке от 0 до 1, т. е.
0Fx1, x2 ,..., xn (x1, x2,..., xk ) 1.
2.Неубывающая по всем аргументам.
3.F( ) limF(x), тогда
x
FX ( ,..., ) 0 или FX ( , x2,..., xk ) 0.
y
b
а x
Рис.19
4.FX(+ , + , ..., + ) = 1.
5.Если устремитькбесконечности какие-тоаргументы (невсе), томы получим функцию распределения подсистемы из оставшихся аргументов:
FX(+ , + , ..., + , xk) = FXk(xk).
Если k = 5, то
FX1, X2, X3, X4, X5 (x1, x2, , , x5) FX1, X4, X5 (x1, x4, x5).
6. Если случайные величины x1,x2, …, xk независимы, то совместная величина:
FX1, ..., Xk (x1,..., xk ) FX1 (x1) FX2 (x2) ... FXk (xk ).
81
4.2. Двумерное дискретное распределение
Закон распределения:
pij = р((X = xi)(Y = yj)).
X |
Y |
Y1 |
Y2 |
... |
Ym |
|
X1 |
|
p11 |
p12 |
… |
p1m |
|
X2 |
|
p21 |
p23 |
… |
p2m |
|
... |
|
… |
… |
… |
… |
|
Xn |
|
pn |
1 |
… |
… |
pnm |
Если X и Y независимы, то:
pij = р((X = xi)(Y = yj)) = р(X = xi) p(Y = yj) = pxi pyj...
pij = 1;
p(X xi ) pxi |
m |
; |
p(Y yj ) |
m |
pij . |
j 1 pij |
pyj i 1 |
||||
П р и м е р |
|
|
|
|
|
Пол (X)/ оценка (Y) |
2 |
|
3 |
4 |
5 |
Ж-0 |
0,05 |
|
0,15 |
0,2 |
0,07 |
М-1 |
0,15 |
|
0,25 |
0,1 |
0,03 |
Найдем закон распределения одновременных случайных величин XиY:
|
X |
0 |
1 |
|
|
р |
0,47 |
0,53 |
|
X |
2 |
3 |
4 |
5 |
р |
0,2 |
0,4 |
0,3 |
0,1 |
82
EY=3,3; varY=0,81.
0,47 0,2 0,05 случайныевеличиныXиYзависимы.
Условные законы распределения:
p |
y |
|x |
p(Y y |
j |
| X x ) |
p(Y yj) p(X xi) |
|
pij |
; |
|
|
||||||||
|
|
i |
p(X xi) |
|
pxi |
||||
|
j |
i |
|
|
|
|
|||
|
|
|
|
|
|
|
|
pij
pyj|xi p(Y yj | X xi) pyj .
П р и м е р
Впредыдущем примере найдемY|X=0 иY|X=1.
Y|X |
2 |
3 |
4 |
5 |
р |
0,1064 |
0,3191 |
0,4255 |
0,1489 |
E Y | X 0 pY|X 0 |
y 3,61166, |
сov(X,Y) сov(X,Y). |
||
Y|X = 1 |
2 |
3 |
4 |
5 |
р |
0,283 |
0,4717 |
0,1887 |
0,0566 |
E Y | X 1 pY|X 1 y 3,0189.
Утверждение. Если X и Y независимы, то условные законы распределения совпадают с безусловными.
4.3.Условное математическое ожидание
вусловных законах распределения
Ко р р е л я ц и я – видстатистической зависимости, при которой математическое ожидание первой случайной величины зависит от того, какое математическое ожидание имеет другая случайнаявеличина.
83
Законитерации: |
|
|
|
|
|
Y | X |
Y |
||
E E |
|
E . |
||
Если var Y | X 0 var Y | X 1 , |
то присутствует г е т е - |
|||
р о с к е д а с т и ч н о с т ь, |
|
в ином случае – г о м о с к е д а с - |
т и ч н о с т ь.
Математическое ожидание и дисперсия случайных величин X и Y недостаточно полно характеризуют двумерную случайную величину, так как не выражают степень зависимости ее составляющих Х и Y. Эту роль выполняет к о в а р и а ц и я:
сov(X,Y) E (X EX )(Y EY ) .
Утверждение. Cov(X,Y) E (X EX )(Y EY ) E(XY) EX EY.
Доказательство:
E (X EX)(Y EY) E(XY XEY YEX EXEY
E(XY) E(XEY ) E(YEX) E(EXEY)
E(XY) EXEY EXEY EXEY E(XY) EX EY.
Утверждение доказано.
Утверждение. Cov(X,X) var(X).
Ковариацияпоказываетналичиелинейнойкорреляционнойсвязи между X и Y. На рис. 20, так как больше точек там, где производная положительна, следовательно, cov(X, Y) > 0. На рис. 21, так как больше точек там, где производная отрицательна, следова-
тельно, cov(X, Y) < 0.
На рис. 22 и 23 представлены случаи, когда cov(X, Y) = 0.
Свойстваковариации:
1. Сov(X, Y) – величина детерминированная.
Сov(X, Y) > 0 значит, что функция Е[Y|X] возрастает (с ростом X, Y, в среднем, растет).
Сov(X, Y) < 0 значит, что функция Е[Y|X] убывает (с ростом X, Y, в среднем, убывает).
84
Y |
|
Y |
|
– |
+ |
– |
+ |
EY |
|
EY |
|
+ |
– |
+ |
– |
EХ |
X |
EХ |
X |
Рис.20 |
|
Рис.21 |
|
Y |
|
Y |
|
– |
+ |
– |
+ |
EY |
|
EY |
|
+ |
– |
+ |
– |
EХ |
X |
EХ |
X |
Рис.22 |
|
Рис.23 |
|
Утверждение. Если X и Y независимы, то cov(X, Y) = 0. Отметим, что обратное верно не всегда.
Утверждение. X и Y независимыи нормальны cov(X, Y) = 0.
2.Сov(X, X) = var(X).
3.Сov(X, Y) = cov(Y, X).
4.Cov(aX bY,Z) acov(X,Z) bcov(Y,Z),где X, Y, Z – слу-
чайныевеличины.
С помощью ковариации можно дополнить и уточнить некоторые свойства дисперсии.
85
Утверждение. Var(X Y) var(X) var(Y) 2cov(X,Y);
var(X Y) var(X) var(Y) 2cov(X,Y).
Введемпонятие к о э ф ф и ц и е н т а к о р р е л я ц и и:
corr(X,Y) |
|
cov(X,Y) |
|
cov(X,Y) |
. |
||
|
|
|
|
|
|||
|
|
var(X) var(Y) |
|
σX σY |
Свойствакоэффициентакорреляции:
1.|Corr(X,Y)| 1.
2.Sign(corr(X,Y) sign(cov(X,Y)).
Утверждение. Если corr(X,Y) 0 cov(X,Y) 0 E(Y X)
убывает; если corr(X,Y) 0 cov(X,Y) 0 E(Y X) возрастает.
Утверждение. Если X и Y независимы, то corr(X, Y) = 0.
Утверждение. Если X и Y независимы и нормальны, то corr(X, Y) = 0.
Если corr(X, Y) = 0 и cov(X, Y) = 0, то переменные не коррелируют линейно (отсутствует линейная зависимость, однако может наблюдаться другой видзависимости, например, параболоидный).
3.|Corr(X,Y)| 1 X,Y линейно зависимы: Y = aX + b.
Причем,еслиb> 0 corr(X,Y)= 1, а если b< 0 corr(X, Y)=–1.
4.Отлинейногопреобразованияможетпоменятьсятолькознак линейнойкорреляции:
|сorr(a bX,Y)| |corr(X,Y)|.
Рассмотрим U X EX ; V Y EY – нормированные пере-
X Y
менные.
Утверждение. Нормирование не влияет на корреляцию, т. е. corr(X, Y) = corr(U, V).
86
М а т р и ц а ков а р и а ц и й выглядит следующим образом:
|
|
|
|
|
covX |
, X |
||||
|
|
|
|
|
|
|
|
1 |
|
1 |
cov Xi ,Yj |
k |
|
|
covX , X |
||||||
|
|
|
|
|
|
2 |
|
1 |
||
|
i, j 1 |
|
|
|
|
|||||
|
... |
|
|
|||||||
|
|
|
|
|
cov |
Xk |
, X1 |
|||
|
|
|
|
|
|
|
||||
|
var |
|
|
cov |
X1 |
, X2 |
||||
|
|
|
X1 |
|
|
|||||
covX2, X1 |
varX2 |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
... |
|
|
|
... |
|
|||
cov |
Xk |
, |
X1 |
cov |
Xk |
, X2 |
||||
|
|
|
|
|
covX |
, X |
2 |
... |
covX |
, X |
k |
|
|
||
|
1 |
|
... |
|
1 |
|
|
|
||
covX2, X2 |
covX2 |
, Xk |
||||||||
|
|
|
|
|
|
|
|
|
|
|
... |
|
|
... |
|
... |
|
|
|
|
|
cov |
|
|
|
... |
cov |
|
|
|
|
|
Xk |
, X2 |
Xk |
|
|
|
|
||||
|
|
|
, Xk |
|
... covX , X |
|
|||
... |
covX |
1 |
|
k |
2 |
, X |
|
||
... |
|
|
k . |
|
... |
|
|
||
... |
var |
|
|
|
|
|
XK |
|
Свойстваматрицыковариаций:
1.Симметричная, положительно определенная матрица.
2.Y = a + HX, тогда EY = a + H E(X).
Пр и м е р
|
|
|
4 |
1 |
0,5 |
|
k |
|
|
1 |
16 |
0 |
|
cov(Xi ,Yj ) i, j 1 |
|
|
. |
|||
|
|
|
0,5 |
0 |
9 |
|
|
|
|
|
Требуетсянайти var(2X–5Y) и cov(X+2Y; –3Y+4Z).
Решение:
var(2X–5Y)=var(2X)+var(5Y)–2сov(2X;5Y)=
=4var(X)+25var(Y)–20сov(X;Y)=4 4+ 25 16 –20 1=396.
Найти cov(X + 2Y; –3Y + 4Z) предлагается читателю самостоятельно.
87
4.4. Двумерная непрерывная случайная величина
Двумерная непрерывная случайная величина (X, Y) задается
совместной функцией распределения FXY(x, y) = p((X < x) (Y< y)). Тогда совместная функция плотности имеет вид:
fXY (x,y) 2FXY (x, y).
x y
Свойства совместной функции плотности двумерной непрерывнойвеличины:
1. fXY(x, y) 0.
2. fXY (x, y) dxdy 1.
3.X и Y – независимы fXY(x, y) = fX(x) fY(y).
4.Зная совместную плотность fXY(x, y), можнонайти и н д и -
в и д у а л ь н ы е п л о т н о |
с т и распределенияи м а т е м а - |
т и ч е с к и е о ж и д а н и я |
случайных величин Xи Y: |
|
|
fX (x) fXY (x,y)dy; |
fY (y) fXY (x, y)dx; |
|
|
EX x fXY (x, y)dxdy; |
EY y fXY (x, y)dxdy. |
D |
D |
Ус л о в н ы е з а к о н ы |
р а с п р е д е л е н и я выглядят |
следующим образом: |
|
|
|
fY|X |
(x, y) |
fX ,Y (x, y) |
; |
|
|||
|
|
fX (x) |
|
fX|Y |
(x, y) |
fX ,Y (x, y) |
; |
|
|||
|
|
fY (y) |
f (x) E[Y | X] y fY|X (x, y)dy.
88