- •1 Случайные события
- •1.1 Основные понятия и определения
- •1.2 Аксиомы теории вероятностей
- •1.3 Классическая схема вычисления вероятностей
- •1.3.1 Декартово произведение множеств и правило умножения
- •1.3.2 Размещения и перестановки
- •1.3.3 Сочетания при выборе с возвращением и без возвращения
- •1.3.4 Схема упорядоченных разбиений множества
- •1.4 Геометрическая, статистическая и экспертная схемы расчета
- •1.4.1 Геометрическая схема вычисления вероятности
- •1.4.2 Статистическая схема вычисления вероятности
- •1.4.3 Схема вычисления субъективной вероятности
- •1.5 Условная вероятность. Независимость событий. Формулы сло-
- •1.6 Формула полной вероятности и формулы Байеса
- •2 Случайные величины
- •2.1 Cлучайная величина и ее функция распределения
- •2.2 Дискретная случайная величина
- •2.2.1 Дискретный закон распределения
- •2.2.2 Числовые характеристики дискретного распределения
- •2.2.3 Производящая функция вероятностей
- •2.2.4 Биномиальное распределение
- •2.2.5 Распределение Пуассона
- •2.2.6 Геометрическое распределение
- •2.3 Непрерывные случайные величины
- •2.3.1 Функция распределения и плотность распределения
- •2.3.2 Числовые характеристики непрерывного распределения
- •2.3.3 Равномерное распределение
- •2.3.4 Нормальное распределение
- •2.3.5 Показательное распределение
- •2.4 Функция от случайной величины
- •3 Случайные векторы
- •3.1 Общие свойства случайного вектора
- •3.2 Случайные векторы дискретного типа
- •3.3 Непрерывные случайные векторы
- •4 Предельные теоремы
- •4.1 Закон больших чисел
- •4.2 Центральная предельная теорема
- •5 Элементы математической статистики
- •5.1 Выборка и выборочные законы распределения
- •5.2 Точечные оценки числовых характеристик случайных величин
- •5.3 Интервальные оценки
- •5.4 Проверка статистических гипотез
2.4 Функция от случайной величины
Решая научные и практические задачи, часто необходимо рассматри-
вать разнообразные функции от исходной случайной величины. Пусть на
пространстве Ω задана некоторая произвольная случайная величина X (ω) .
Возьмем некоторую допустимую числовую функцию ψ(x) , позволяющую по-
строить новую случайную величину Z (ω) как композицию функций X (ω) и
ψ(x) по правилу Z (ω) = ψ [X (ω)] . Новую случайную величину Z (ω) назы-
вают функцией от случайной величины X (ω) .
Любая функция от дискретной случайной величины также является
дискретной, так как мощность множества значений новой случайной величи-
ны не может быть больше мощности множества значений исходной случайной
величины. Ряд распределения новой дискретной случайной величины стро-
ится таким образом, что каждому возможному значению ряда соответствует
вероятность, равная сумме вероятностей тех значений исходной случайной
величины, которые преобразовались в данное новое значение.
Таким образом, если в некоторое значение zkпреобразуется только од-
но значение xi, то P (Z = zk) = P (X = xi) . Если же в значение zkпре-
образуются несколько значений X , то соответствующие данным значениям
вероятности суммируются P (Z = zk) = ∑ P (X = xi) .
68
Пример. Пусть исходная случайная величина X имеет дискретно-
равномерное распределение P (X = k) = 1/10, k = 0, 1, 2, . . . , 9 , а новая
случайная величина Z строится по правилу Z = (X − 5)2.
В соответствии с указанным алгоритмом ряд распределения новой слу-
чайной величины Z имеет вид, представленный в следующей таблице.
Z 0
1
4
9
16
25
P 1/10 2/10 2/10 2/10 2/10 1/10
Функция распределения и все основные числовые характеристики но-
вой случайной величины Z находятся по ее ряду распределения по общим
для всех дискретных случайных величин правилам.
Отметим, что вычисление математического ожидания функции от дис-
кретной или непрерывной случайной величины более удобно выполнять непо-
средственно по законам распределения вероятностей исходной случайной ве-
личины X (ω) без предварительного определения закона распределения но-
вой случайной величины Z (ω) . Приведем без доказательства теорему, кото-
рая обосновывает возможность применения такого алгоритма.
Теорема (о математическом ожидании функции от случайной
величины ). Если X (ω) является дискретной случайной величиной с зако-
ном распределения P (X = xk) = pk; k = 1, 2, . . . , n или k ∈ N или непрерыв-
ной случайной величиной с плотностью распределения вероятностей f (x)
и задана некоторая допустимая числовая функция ψ(x) , то математи-
ческое ожидание новой случайной величины Z (ω) = ψ [X (ω)] вычисляется
либо как конечная сумма или сумма абсолютно сходящегося ряда, либо как
абсолютно сходящийся интеграл по одной из следующих формул:
+∞
∫
mz= M [ψ(X )] = ∑ ψ(xk) pk, mz= M [ψ(X )] = ψ(x) f (x) dx.
k
−∞
Данная теорема используется также при определении дисперсии, а так-
же начальных и центральных моментов случайных величин.
В зависимости от вида множества значений преобразующей функции
ψ(x) функция от непрерывной случайной величины может быть как непре-
рывной, так и дискретной. Покажем, как определяется функция распределе-
ния FZ(z) новой случайной величины Z (ω) = ψ [X (ω)] , если заданы функ-
ция распределения FX(x) исходной случайной величины непрерывного типа
и допустимая преобразующая функция ψ(x) .
69
По общему определению функции распределения имеем:
FZ(z) = P (Z < z) = P (ϕ(X ) < z) .
Вероятность в правой части формулы всегда выражается через функ-
цию распределения FX(x) исходной случайной величины.
В частности, если функция ψ строго монотонна, то она имеет обратную
функцию ψ−1 , причем, если функция ψ строго возрастает, то и функция ψ−1
строго возрастает, что позволяет найти функцию распределения FZ(z) в виде
FZ(z) = P (ψ(X ) < z ) = P(X < ψ−1(z) = FX(ψ−1(z) .
Если же функция ψ строго убывает, то и обратная функция ψ−1 строго
убывает, так что функция распределения FZ(z) вычисляется по формуле
FZ(z) = P (ψ(X ) < z) = P(X > ψ−1(z) = 1 − FX(ψ−1(z) .
Если преобразующая функция ψ(x) строго возрастает и дифференци-
руема, то плотность распределения f (z) новой случайной величины находит-
ся как сложная производная от функции распределения FX(x) и выражается
через плотность распределения fX(x) исходной случайной величины
0
[
0
0
0
fZ(z) = Fz(z) =
FX(ψ−1(z)]
x
· (ψ−1(z)
z=fX
(ψ−1(z) ·(ψ−1(z)
z.
Аналогично, для строго убывающей и дифференцируемой функции ψ(x)
0 0
0 [
fZ(z) = Fz(z) = 1 − FX(ψ−1(z)]x·(ψ−1(z)z= −fX(ψ−1(z) ·(ψ−1(z)
0
z.
Так как производная от строго убывающей функции всюду отрицательна, то
обе формулы можно объединить в одну общую формулу:
0
fZ(z) = fX(ψ−1(z) ·(ψ−1(z)z.
Пример. Рассмотрим линейное преобразование Z = aX + b , a6= 0
непрерывной случайной величины X с функцией распределения FX(x) и
плотностью fX(x) . Функция распределения FZ(z) новой случайной величи-
ны при положительном угловом коэффициенте a > 0 находится с помощью
преобразований, относящихся к строго возрастающей функции ψ(x)
(z− b
FZ(z) = P}X < ψ−1(z){= FX(ψ−1(z) = FX
a
.
При a < 0 линейная функция убывает, так, что используя общие преобразо-
вания, получим следующие формулы:
FZ(z) = P (Z < z) = P (aX + b < z) = P
70
(
X >
z − b
a
=
= 1 − P
(
X ≤
z − b
a
= 1 − FX
( z − b
a
.
Плотность распределения линейно преобразованной случайной величины X
вычисляется по общей формуле в следующем виде:
0
fZ(z) = fX(ψ−1(z) ·(ψ−1(z)z= fX
( z − b
a
·1
|a|.
Определение типа распределения. Распределения FX(x) и FZ(z)
случайных величин X (ω) и Z (ω) называются однотипными, если найдется
такое линейное преобразование Z = aX + b , a6= 0 , что распределения
случайных величин X (ω) и Z (ω) совпадают.
Ранее было показано, что линейное преобразование Z = (X − mx)/σx
приводит нормально распределенную случайную величину с параметрами µ
и σ к стандартной нормальной случайной величине. Это означает, что все
нормально распределенные случайные величины относятся к одному типу
распределения. Данное утверждение справедливо также для любого пара-
метрически заданного семейства распределений, имеющих математическое
ожидание и дисперсию.
Ниже рассматривается пример, показывающий, в частности, что нели-
нейное преобразование может изменить тип распределения.
Пример. Пусть задан квадрат Z = X2непрерывной случайной ве-
личины X , имеющей функцию распределения FX(x) и плотность fX(x) .
Случайная величина Z = X2принимает неотрицательные значения и при
z > 0 функция распределения FZ(z) находится с помощью преобразований:
FZ(z) = P (Z < z) = P {X2< z} =
√
√
√
√
= P {− z < X <
z} = FX(
z) − FX(−
z).
Отсюда, плотность распределения случайной величины Z выражается
через плотность распределения случайной величины X по формуле
0
0
√
1
0
√
1
1
√
√
fZ(z) = FZ(z) = FX(
z)·
√
2 z
+FX(−
z)·
√
2 z
=
√
2 z
(fX(
z) + fX(−
z) .
При z ≤ 0 по определению функции распределения получим:
FZ(z) = P (Z < z) = P (∅) = 0, fZ(z) = FZ0(z) = 0.
Если исходная случайная величина распределена по стандартному нор-
мальному закону с плотностью вероятностей
1
fX(x) = √
2π
71
x2
e−2,
то плотность распределения Z = X2находится по общей формуле в виде
1
√
√
1
z
fZ(z) =
√
2 z
(fX
z + fX(−
z) = √
2πz
e−2, z > 0; fZ(z) = 0, z ≤ 0
и называется плотностью ѕхи-квадратї распределения с одной сте-
пенью свободы .
Пример. Пусть непрерывная случайная величина X (ω) имеет функ-
цию распределения FX(x) и положительную плотность вероятности fX(x).
Зададим новую случайную величину Z(ω) = FX(X (ω)) , используя в каче-
стве преобразующей функции ψ(x) функцию распределения FX(x) исходной
случайной величины X (ω) . В силу сделанных предположений новая случай-
ная величина принимает значения от 0 до 1 и имеет функцию распределения:
FZ(z) = 0, z < 0; FZ(z) = FX(FX−1(z)) = z, 0 ≤ z ≤ 1; FZ(z) = 1, z > 1.
Таким образом, новая случайная величина Z (ω) = FX(X (ω)) распределена
равномерно на отрезке [0, 1]. Полученный результат находит широкое приме-
нение в математической статистике.
Если в оговоренных выше условиях в качестве преобразующей функции
выбрать функцию FX−1(x) , обратную некоторой заданной функции распреде-
ления FX(x) , а в качестве исходной случайной величины R(ω) рассмотреть
равномерно распределенную на отрезке [0, 1], то новая случайная величи-
на Z (ω) = FX−1(R(ω)) будет иметь распределение FZ(z) любого требуемого
вида, так как справедлива формула FZ(z) = FR(FX(z)) = FX(z) .
Данный алгоритм находит применение при моделировании непрерыв-
ных случайных величин с заданной функцией распределения. Действительно,
большинство используемых генераторов случайных чисел на первом этапе со-
здают случайные числа, равномерно распределенные в диапазоне от нуля до
единицы. Если, как указано выше, данные случайные числа {ri} преобразо-
вать в новые случайные числа {zi} с помощью функции FX−1(ri) , то они
будут иметь требуемую функцию распределения FX(z) .
72