- •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
3 Случайные векторы
3.1 Общие свойства случайного вектора
При анализе вероятностных моделей научных, технических, экономиче-
ских и практических задач в большинстве случаев рассматривают совместно
несколько случайных величин. Например, так моделируют результаты на-
блюдений в метрологии, число клиентов в нескольких пунктах массового об-
служивания, координаты цели, размеры деталей в серийном производстве.
Определение случайного вектора.
Многомерной случайной величиной или n - мерным случайным векто-
ром называют систему из n случайных величин, заданных на одном и том
же вероятностном пространстве
XЇ (ω) = (X1(ω), X2(ω), . . . , Xn(ω)) , ω ∈ Ω.
Одномерные случайные величины X1(ω) , X2(ω) , . . . , Xn(ω) , образую-
щие случайный вектор, называют компонентами случайного вектора.
Полной характеристикой закона распределения случайного вектора яв-
ляется n - мерная или совместная функция распределения F (x1, x2, . . . , xn) .
Определение совместной функции распределения.
Совместной функцией распределения F (x1, x2, . . . , xn) случайных ве-
личин X1(ω), X2(ω), . . . , Xn(ω) или n - мерной функцией распределения
FXЇ (Ї) случайного вектора XЇ (ω) называется вероятность произведения
следующих событий {X1(ω) < x1} , {X2(ω) < x2} ,. . . , {Xn(ω) < xn} , т. е.
FXЇ (Ї) = F (x1, x2, . . . , xn) = P (X1(ω) < x1, X2(ω) < x2, . . . , Xn(ω) < xn).
В дальнейшем, с целью более компактного и наглядного представле-
ния результатов, рассматриваются двумерные векторы. Общий случай ис-
следуется аналогично. Так двумерная функция распределения, по общему
определению, равна вероятности попаданий значений двумерного вектора в
неограниченные ѕюго-западныеї квадранты с вершинами в точках (x; y)
FX,Y(x, y) = P (X (ω) < x, Y (ω) < y) , (x, y) ∈ R2.
Отметим, что и в данной формуле, и ранее для обозначения произведе-
ния событий под знаком вероятности используется запятая, как это принято
в большинстве учебных пособий по теории вероятностей.
Свойства функции распределения случайного вектора во мно-
гом аналогичны свойствам функции распределения одномерной случайной
величины и приводятся ниже для двумерного случая.
73
1. Значения совместной функции распределения заключены между ну-
лем и единицей
0 ≤ F (x, y) ≤ 1, (x; y) ∈ R2.
Данное свойство вытекает непосредственно из определения совместной
функции распределения, поскольку она задана как вероятность события и
поэтому всегда заключена между нулем и единицей.
2. Совместная функция распределения F (x, y) является неубывающей
функцией по каждому из своих аргументов:
F (x2, y) ≥ F (x1, y), x2> x1,
F (x, y2) ≥ F (x, y1), y2> y1.
Данное свойство доказывается аналогично одномерному случаю.
3. Если один из аргументов стремится к минус бесконечности, то
совместная функция распределения стремится к нулю:
lim
x→−∞
F (x, y) = F (−∞, y) = 0,
lim
y→−∞
F (x, y) = F (x, −∞) = 0.
Действительно, поскольку события {X (ω) < −∞} , {Y (ω) < −∞} яв-
ляются невозможными, а произведение невозможного события и любого дру-
гого события также невозможно, то справедливы следующие равенства:
F (−∞, y) = P (X (ω) < −∞, Y (ω) < y) = P (∅ ∩ {Y (Ї ) < y}) = P (∅) = 0.
Аналогично доказывается второе равенство.
4. Если все аргументы стремятся к плюс бесконечности, то совмест-
ная функция распределения стремится к единице
lim
x,y→+∞
F (x, y) = F (+∞, +∞) = 1.
События {X (Ї ) < +∞} , {Y (Ї ) < +∞} и их произведение достовер-
ны. Отсюда следует доказательство данного свойства.
5. Двумерная функция распределения непрерывна слева по каждому
из своих аргументов.
Данное свойство доказывается аналогично одномерному случаю.
6. Функция распределения любой компоненты случайного вектора на-
ходится по функции их совместного распределения путем предельного пе-
рехода к плюс бесконечности по всем другим аргументам:
FX(x) = lim
y→+∞
FX,Y(x, y) = FX,Y(x, +∞),
74
FY(y) = lim
x→+∞
FX,Y(x, y) = FX,Y(+∞, y).
Действительно, событие {Y (ω) < +∞} достоверно, поэтому
FX,Y(x, +∞) = P ({X (ω) < x} ∩ Ω) = P (X (ω) < x) = FX(x).
Аналогично доказывается равенство относительно второй компоненты
FX,Y(+∞, y) = P (Ω ∩ {Y (ω) < y}) = P (Y (ω) < y) = FY(y).
Приведенные в данном пункте формулы вычисления функций распре-
деления отдельных компонент называют условиями согласованности .
Отметим, что из одномерных функций распределения компонент в об-
щем случае нельзя получить функцию распределения двумерной случайной
величины. Таким образом, двумерная функция распределения несет значи-
тельно больше информации чем две одномерные функции распределения
компонент. В частности, рассматривая случайные величины X, Y порознь, а
не совместно нельзя определить зависимы они или независимы.
Теорема (о вероятности попадания в прямоугольник).
Вероятность попадания двумерного случайного вектора (X, Y ) в пря-
моугольник [x1; x2) Ч [y1; y2) со сторонами, параллельными осям координат
вычисляется с помощью совместной функции распределения по формуле
P {x1≤ X < x2, y1≤ Y < y2} = F (x2, y2) − F (x1, y2) − F (x2, y1) + F (x1, y1).
Доказательство. Сначала определим вероятность попадания в по-
лосу {x < x2, y1≤ y < y2} . Так как квадрант {x < x2, y < y2} равен объ-
единению данной полосы и меньшего квадранта {x < x2, y < y1} , причем
данные множества не пересекаются между собой, то вероятность попадания
в полосу {x < x2, y1≤ y < y2} вычисляется по формуле
P {x < x2, y1≤ y < y2} = F (x2, y2) − F (x2, y1).
Аналогично находится вероятность попадания в меньшую полосу
P {x < x1, y1≤ y < y2} = F (x1, y2) − F (x1, y1).
Так как прямоугольник есть разность большей и меньшей полос, то,
вычитая из верхней формулы нижнюю, получим выводимую формулу.
Решения многих практических задач с применением случайных векто-
ров значительно упрощаются, если его компоненты являются независимыми
случайными величинами. Часто независимость следует из постановки задачи.
В общем случае, требуется аналитическая проверка условий независимости.
75
Определение независимости компонент случайного вектора.
Компоненты X1(ω), X2(ω), . . . , Xn(ω) n -мерного случайного вектора XЇ (ω)
называются независимыми, если взаимно независимы любые n событий
{X1(ω) ∈ B1}, {X2(ω) ∈ B2}, . . . , {Xn(ω) ∈ Bn} ; B1, B2, . . . , Bn∈ R.
Если же данное условие не выполняется хотя бы для одной указанной си-
стемы событий, то компоненты называются зависимыми.
Теорема (о независимости компонент случайного вектора).
Для независимости компонент X1(ω), X2(ω), . . . , Xn(ω) случайного векто-
ра XЇ (ω) необходимо и достаточно, чтобы совместная функция распреде-
ления была равна произведению функций распределения компонент
FX1,X2,...,Xn(x1, x2, . . . , xn) = FX1(x1) · FX2(x2) · · · · · FXn(xn).
Необходимость условия теоремы непосредственно следует из опре-
деления независимости компонент X1(ω), X2(ω), . . . , Xn(ω) случайного век-
тора. Функции распределения компонент равны вероятностям событий сле-
дующего вида {X1< x1}, {X2< x2}, . . . , {Xn< xn} . Отсюда следует, что
FX1(x1) · FX2(x2) · · · · · FXn(xn) = P (X1< x1) · P (X2< x2) · · · · · P (Xn< xn) .
Совместная функция распределения равна вероятности произведения
событий {X1< x1}, {X2< x2}, . . . , {Xn< xn} , т. е. справедливо равенство
FX1,X2,...,Xn(x1, x2, . . . , xn) = P (X1< x1, X2< x2, . . . , Xn< xn).
Так как по условию необходимости предполагается независимость ком-
понент случайного вектора, то справедливо равенство
P (X1< x1, X2< x2, . . . , Xn< xn) = P (X1< x1)·P (X2< x2) ·· · ··P (Xn< xn),
из которого и следует доказываемое утверждение.
Доказательство достаточности условия теоремы основано на пол-
ном изложении теории и приводится в более подробных руководствах.
В частности, для двумерного случайного вектора условие независимо-
сти его компонент (X, Y ) имеет следующий вид:
FX,Y(x, y) = FX(x) · FY(y).
Если случайные величины X, Y независимы, то общая формула веро-
ятности попадания в прямоугольник упрощается и принимает вид
P {x1≤ X < x2, y1≤ Y < y2} = (FX(x2) − FX(x1)) · (FY(y2) − FY(y1)) ,
что позволяет вычислять указанную вероятность не по совместной функции
распределения, а по функциям распределения компонент X, Y .
76