Курс теории вероятностей и основы математической статистики Лекционный материал Преподаватель – В.Н. Бондаренко. - презентация

1 Курс теории вероятностей и основы математической статистики Лекционный материал Преподаватель – В.Н. Бондаренко

2 Содержание Тема 1. Случайные события Тема 2. Случайные величины Тема 3. Системы двух случайных величин Тема 4. Функции случайных величин Тема 5. Статистические функциональные и числовые характеристики

3 Тема 1. Случайные события Лекция 1. Соотношение между событиями. Вероятность события и способы ее определения. Формулы сложения и умножения вероятностей Лекция 2. Формула полной вероятности и теорема гипотез (формула Байеса). Повторение испытаний

4 Лекция 1. Соотношения между событиями. Событием называется результат некоторого опыта. Событие называется случайным, если в данном опыте оно может наступить, но может и не наступить. Случайные события обозначаются буквами А, В, С, … Событие U называется достоверным, если в данном опыте оно обязательно наступит. Событие V называется невозможным, если в данном опыте оно наступить не может.

5 Лекция 1. Соотношения между событиями. Событие А называется частным случаем события В, если при наступлении А наступает и событие В, что записывается символом А В. События А и В называются равными, если каждое из них является частным случаем другого, что записывается символом А=В. Событие А+В называется суммой событий А и В и наступает тогда, когда наступает хотя бы одно из этих событий: А или В. Событие АВ называется произведением событий А и В и наступает тогда, когда наступают оба из этих событий: А и В. Понятия суммы и произведения двух событий очевидны для случая любого количества событий.

6 Лекция 1. Соотношения между событиями. События А и В называются несовместными, если они не могут наступить вместе в одном и том же опыте, т.е. АВ=V. Событие Ā называется противоположным по отношению к событию А, если при наступлении события Ā событие А не наступает. Наиболее простые исходы опыта E 1, E 2, …, E n называются элементарными исходами, которые образуют полную группу попарно несовместных событий.

7 Лекция 1. Соотношения между событиями. Пример 1.1 Опыт состоит в бросании игральной кости: – событие А i (i= ) – выпадение i очков; – событие А – выпадение четного числа очков; – событие В – выпадение нечетного числа очков; – событие С – выпадение числа очков, кратного 3; – событие D – выпадение числа очков, большего 3. Выразите события А, В, С и D через А i. Решение:

8 Лекция 1. Соотношения между событиями. Пример 1.2 Электрическая схема состоит из четырех однотипных элементов, включенных по схеме, представленной на рис. 1. Выход из строя элемента i (i= ) – событие А i. Записать через А i события С и, если С – разрыв цепи. Решение:

9 Лекция 1. Вероятность события и способы ее определения Каждому событию А ставится в соответствие неотрицательное число Р(А), называемое вероятностью события А и представляющее количественную меру объективной возможности появления события A при проведении испытания. Вероятность события A обладает следующими свойствами:

10 Лекция 1. Вероятность события и способы ее определения Классический способ определения вероятности Вероятность Р(А) вычисляется по формуле: гдеN A – число равновозможных элементарных исходов испытания, благоприятствующих появлению события А; N – общее число равновозможных элементарных исходов испытания.

11 Лекция 1. Вероятность события и способы ее определения Пример 1.3 Из урны, содержащей m белых и n черных шаров, наугад извлекается один шар. Какова вероятность того, что этот шар будет: белым, черным? Решение: Введем события А и В – извлекаемый шар будет, соответственно, белым, черным. Тогда числа благоприятствующих этим событиям исходов, соответственно, равны: N A = m и N B = n. Общее число равновозможных элементарных исходов N = m + n. Следовательно:

12 Лекция 1. Вероятность события и способы ее определения Геометрический способ определения вероятности Для этого способа вероятность события A определяется по формуле: гдеg(A) – мера (длины, площади, объема) области, благоприятствующей появлению события А при проведении испытания; G – мера всей области элементарных исходов испытания.

13 Лекция 1. Вероятность события и способы ее определения Пример 1.4 В круге радиусом R наугад выбирается точка. Определить вероятность того, что эта точка окажется внутри вписанного в круг правильного треугольника. Решение: Искомая вероятность равна отношению площади треугольника к площади круга:

14 Лекция 1. Вероятность события и способы ее определения Пример 1.5. (Задача о встрече) Двое условились встретиться между 12 и 13 часами дня. Каждый ждет другого 20 минут, после чего уходит. Какова вероятность того, что встреча состоится, если приход каждого в течение часа происходит наугад и моменты прихода независимы? Решение: Пусть х и у – моменты прихода договорившихся сторон к месту встречи; (в часах). Тогда условие встречи запишется в виде:

15 Лекция 1. Вероятность события и способы ее определения Эту задачу в данных условияx можно представить геометрически (см. рис. 2). Искомая вероятность, очевидно, равна отношению площади выделенного шестиугольника к площади квадрата(1 1):

16 Лекция 1. Вероятность события и способы ее определения Статический способ определения вероятности В качестве меры вероятности Р(А) принимается частота появления события А после проведения n испытаний: гдеm(A) – число испытаний, при которых имело место появление события А. Чем больше n, тем устойчивее P * (А) стабилизируется относительно Р(А), т.е.:

17 Лекция 1. Вероятность события и способы ее определения Пример 1.6 Французский ученый Бюффон (1707 – 1788) бросал монету 4040 раз, и при этом герб выпал 2048 раз. Следовательно, частота выпадения герба (событие A) в данной серии испытаний равна:

18 Лекция 1. Вероятность события и способы ее определения Пример 1.7 Английский математик Пирсон (1857–1936) бросал монету раз, причем герб выпал раз. Следовательно, частота выпадения герба (событие A) в данной серии испытаний равна: Из этих примеров следует, что с увеличением числа бросаний монеты частота выпадения герба стабилизируется относительно числа 0,5, которое и является вероятностью выпадения герба при бросании монеты.

19 Лекция 1. Формулы сложения и умножения вероятностей где события А i (i = ) попарно несовместны; где и – условные вероятности появления одного из событий (A или B) при условии, что другое событие (B или A) наступило в результате испытания;

20 Лекция 1. Формулы сложения и умножения вероятностей если события A и B независимы, т.е. когда выполняются соотношения: 5. Если события А i (i = ) зависимы, тогда:

21 Лекция 1. Формулы сложения и умножения вероятностей Пример 1.8 Из урны, содержащей 6 белых, 4 черных и 2 красных шара, наугад извлекаются 3 шара. Какова вероятность того, что эти шары будут одного цвета? Решение: 1-й способ: Рассмотрим два события А и В – все три извлеченных шара, соответственно, белого и черного цвета, тогда искомая вероятность определяется по формуле:

22 Лекция 1. Формулы сложения и умножения вероятностей где С учетом того, что (число сочетаний из n элементов по m), получим:

23 Лекция 1. Формулы сложения и умножения вероятностей 2-ой способ: Рассмотрим дополнительно к введенным событиям А и В следующие события: A 1, B 1 - выемка первым белого, черного шара, A 2, B 2 - выемка вторым белого, черного шара, A 3, B 3 - выемка третьим белого, черного шара. Тогда:

24 Лекция 2. Формула полной вероятности и теорема гипотез (формула Байеса) Формула полной вероятности: гдеН i ( ) – полная группа попарно несовместных событий, с каждым из которых происходит событие А.

25 Лекция 2. Формула полной вероятности и теорема гипотез (формула Байеса) Пример 1.9 В первой урне находится 7 белых и 3 черных шара, во второй – 8 белых и 4 черных шара, в третьей – 2 белых и 13 черных шаров. Из этих урн наугад выбирается одна урна, из которой случайным образом извлекается один шар. Какова вероятность того, что извлеченный шар окажется белым?

26 Лекция 2. Формула полной вероятности и теорема гипотез (формула Байеса) Решение: Рассматриваемое событие А (из выбранной урны извлечен белый шар) связано с гипотезами (событиями) Н 1, Н 2, Н 3 о том, что из трех урн, соответственно, выбрана первая, вторая, третья. Эти гипотезы образуют полную группу попарно несовместных событий с вероятностями:

27 Лекция 2. Формула полной вероятности и теорема гипотез (формула Байеса) Условные вероятности легко вычисляются классическим способом: Тогда, используя формулу полной вероятности, получим:

28 Лекция 2. Формула полной вероятности и теорема гипотез (формула Байеса) Теорема гипотез (формула Байеса):

29 Лекция 2. Формула полной вероятности и теорема гипотез (формула Байеса) Пример 1.10 В условиях примера 1.9. найти вероятности того, что из трех урн была выбрана первая, вторая, третья, если стало известно, что в результате опыта был извлечен белый шар. Решение: С использованием формулы Байеса получим: Из сравнения этих вероятностей можно сделать вывод, что наиболее вероятно белый шар был извлечен из первой урны.

30 Лекция 2. Повторение испытаний Формула Бернулли: где n – число независимых испытаний, n >1; m –число появлений события А, ; р –вероятность появления А в отдельном испытании, которая не меняется от испытания к испытанию; q = 1 - p.

31 Лекция 2. Повторение испытаний Наиболее вероятное число появлений события Если число (np + р) не является целым, то, т.е. k 0 – целая часть числа (nр + р). Если же (nр + р) – целое число, то k 0 имеет два значения: и. Вероятность наступления события A хотя бы один раз:

32 Лекция 2. Повторение испытаний Число испытаний, не менее которого достаточно провести, чтобы с вероятностью, не меньшей чем, можно было бы ожидать наступления события А хотя бы один раз в условиях формулы Бернулли, может быть определена по формуле: Минимальное число таких испытаний равно:

33 Лекция 2. Повторение испытаний Пример 1.11 Вероятность попадания в мишень при одном выстреле равна 0,8 и не меняется от выстрела к выстрелу. Требуется найти вероятность того, что при 5 выстрелах будет иметь место: – ровно два попадания в мишень; – хотя бы одно попадание. Решение:

34 Лекция 2. Повторение испытаний Пример 1.12 Найти наиболее вероятное число выпадений герба при 25 бро­ саниях монеты. Решение: Так как есть целое число, то имеем два значения k 0 :

35 Лекция 2. Повторение испытаний Пример 1.13 Сколько следует провести независимых испытаний при р = 0,7, чтобы вероятность Р(m 1) была не менее 0,9? Решение:

36 Тема 2. Случайные величины Лекция 3. Законы распределения случайных величин Лекция 4. Числовые характеристики случайных величин Лекция 5. Некоторые законы распределения случайных величин

37 Лекция 3. Законы распределения случайных величин Случайной величиной называется такая величина, которая в результате опыта может принять то или иное числовое значение (из числа возможных) заранее неизвестно какое именно. Случайные величины обозначаются заглавными буквами. Возможные значения случайных величин обозначаются соответствующими малыми буквами.

38 Лекция 3. Законы распределения случайных величин Различают два основных вида случайных величин: дискретные и непрерывные. Возможные значения дискретных случайных величин изолированы друг от друга, их количество может быть конечным или счетным. Возможные значения непрерывных случайных величин полностью заполняют некоторый интервал числовой оси.

39 Лекция 3. Законы распределения случайных величин Закон распределения дискретной случайной величины может быть представлен в виде ряда распределения или функции распределения. Ряд распределения представляет собой таблицу, в которой содержатся все возможные значения случайной величины и их вероятности. Функция распределения задается в следующем виде: Эта функция для дискретной случайной величины является неубывающей ступенчатой функцией.

40 Лекция 3. Законы распределения случайных величин Закон распределения непрерывной случайной величины может быть представлен в виде функции распределения F(x) и плотности распределения. Функция распределения F(x) непрерывной случайной величины – неубывающая непрерывная функция. Функции F(x) и связаны следующими соотношениями:

41 Лекция 3. Законы распределения случайных величин Вероятность попадания возможных значений случайной величины X в интервал может быть найдена по формуле: Эта формула является общей для дискретных и непрерывных случайных величин. Для непрерывных случайных величин эта вероятность может быть вычислена также по формуле:

42 Лекция 3. Законы распределения случайных величин Пример 2.1 По мишени производится 3 независимых выстрела. Вероятности попадания в мишень при первом, втором и третьем выстреле, соответственно, равны: 0,3; 0,4; 0,5. Составить ряд распределения числа попаданий в мишень. Решение: Обозначим через Х число попаданий в мишень. Возможные значения этой случайной величины: x 1 = 0, x 2 = 1, x 3 = 2, x 4 = 3. Для построения ряда распределения Х необходимо найти вероятности этих возможных значений. С этой целью введем события: A 1, A 2, A 3 – попадание в мишень, соответственно, при первом, втором, третьем выстреле.

43 Лекция 3. Законы распределения случайных величин Ряд распределения:

44 Лекция 3. Законы распределения случайных величин Пример 2.2 В условиях примера 2.1. найти аналитический вид функции распределения F(x) и построить ее график. Определить вероят­ ность попадания возможных значений Х в интервал [1;3). Решение:

45 Лекция 3. Законы распределения случайных величин Пример 2.3 Функция распределения случайной величины Х задана в виде: Найти плотность распределения (х), построить графики функций F(x) и (х). Определить вероятность

46 Лекция 3. Законы распределения случайных величин Решение: Графики F(x) и (х) представлены на рис. 10 и рис. 11. Значения вероятности представлены на указанных рисунках.

47 Лекция 3. Законы распределения случайных величин

48 Лекция 4. Числовые характеристики случайных величин Рассматриваются две основные группы числовыx характеристик случайных величин: 1) Характеристики положения: – математическое ожидание (M[X], m x ): – мода (Мо); – медиана (Me); 2) Характеристики рассеивания (разброса): – дисперсия (D[X], D x ); – среднее квадратическое отклонение

49 Лекция 4. Числовые характеристики случайных величин Математическое ожидание – среднее значение всех возможных значений случайной величины. Расчетные формулы: где X – дискретная случайная величина. где X – непрерывная случайная величина.

50 Лекция 4. Числовые характеристики случайных величин Мода случайной величины: – для дискретной случайной величины X – такое возможное значение, которому соответствует наибольшее значение вероятности его появления при испытании; – для непрерывной случайной величины X – такое возможное значение, которому соответствует наибольшее значение плотности распределения (х) Медиана случайной величины X – такое значение случайной величины, которое определяется из следующего соотношения:

51 Лекция 4. Числовые характеристики случайных величин Дисперсия и среднее квадратическое отклонение – характеристики рассеивания (разброса) возможных значений случайной вели­чины относительно математического ожидания: Расчетные формулы: где X – дискретная случайная величина, где X – непрерывная случайная величина.

52 Лекция 4. Числовые характеристики случайных величин Пример 2.4 В условиях примера 2.1. найти значения: Решение: Мо = 1, Ме – не существует,

53 Лекция 4. Числовые характеристики случайных величин Пример 2.5 В условиях примера 2.3. найти значения: Решение: Для расчета D x в данном случае удобнее пользоваться формулой:

54 Лекция 5. Некоторые законы распределения случайных величин Пример 2.1 По мишени производится 3 независимых выстрела. Вероятности попадания в мишень при первом, втором и третьем выстреле, соответственно, равны: 0,3; 0,4; 0,5. Составить ряд распределения числа попаданий в мишень. Решение: Обозначим через Х число попаданий в мишень. Возможные значения этой случайной величины: x 1 = 0, x 2 = 1, x 3 = 2, x 4 = 3. Для построения ряда распределения Х необходимо найти вероятности этих возможных значений. С этой целью введем события: A 1, A 2, A 3 – попадание в мишень, соответственно, при первом, втором, третьем выстреле.

55 Лекция 5. Некоторые законы распределения случайных величин Дискретные распределения: – Биномиальный закон распределения – Закон распределения Пуассона Непрерывные распределения: – Равномерное распределение – Показательное распределение – Нормальное распределение

56 Лекция 5. Некоторые законы распределения случайных величин Биномиальный закон распределения – это закон распределения случайной величины Х – числа появлений события A в n независимых испытаниях, в каждом из которых вероятность появления события A равна p. Пусть для заданного целого числа m P n (m) обозначает вероятность того, что в n испытаниях событие A наступает ровно m раз (X = m). Эта вероятность вычисляется по формуле Бернулли:

57 Лекция 5. Некоторые законы распределения случайных величин Закон распределения Пуассона – это закон распределения случайной величины Х в условиях биномиального закона распределения при больших n и p – очень малая величина. В этих условиях вероятности Р n (m) определяются по формуле Пуассона: где – среднее число появлений события в n испытаниях. Для этого распределения

58 Лекция 5. Некоторые законы распределения случайных величин Пример 2.6 Техническое устройство состоит из 1000 независимо работающих элементов. Вероятность отказа любого элемента в течение времени t одинакова и равна 0,002. Определить вероятность того, что за время t откажут ровно 3 элемента. Решение:

59 Лекция 5. Некоторые законы распределения случайных величин Равномерное распределение где a и b – постоянные величины.

60 Лекция 5. Некоторые законы распределения случайных величин Графики функций φ(x) и F(x) представлены на рис. 16 и рис. 17.

61 Лекция 5. Некоторые законы распределения случайных величин Показательное распределение

62 Лекция 5. Некоторые законы распределения случайных величин Графики функций φ(x) и F(x) представлены на рис. 18 и рис. 19.

63 Лекция 5. Некоторые законы распределения случайных величин Нормальное распределение где m к – математическое ожидание, к – среднее квадратическое отклонение

64 Лекция 5. Некоторые законы распределения случайных величин где – функция Лапласа.

65 Лекция 5. Некоторые законы распределения случайных величин Графики функций φ(x) и F(x) представлены на рис. 20 и рис. 21.

66 Лекция 5. Некоторые законы распределения случайных величин В некоторых задачах вместо x используется характеристика рассеивания Е х (вероятное отклонение), значение которой находится из условия: «Правило трех сигм» определяется соотношением:

67 Тема 3. Системы двух случайных величин Лекция 6. Законы распределения системы двух случайных величин Лекция 7. Числовые характеристики системы двух случайных величин Лекция 8. Нормальный закон распределения системы двух случайных величин

68 Лекция 6. Законы распределения системы двух случайных величин В том случае, когда для исследования случайных явлений приходиться использовать две случайные величины X и Y совместно, говорят, что имеет место система {X, Y} двух случайных величин. Возможные значения системы {X, Y} представляют собой случайные точки (x, y) в области возможных значений системы. Различают дискретные и непрерывные системы в зависимости от типа входящих в них случайных величин. Закон распределения дискретной системы задается в виде таблицы или функции распределения.

69 Лекция 6. Законы распределения системы двух случайных величин Таблица распределения системы {X, Y} содержит совокупность величин x i, y j и P(x i,y j ), где P(x i,y j )=P(X=x i,Y=y j ), n, m – числа возможных значений случайной величины X, Y, соответственно. Функция распределения системы {X, Y} задается в виде:

70 Лекция 6. Законы распределения системы двух случайных величин Закон распределения непрерывной системы {X, Y} может быть представлен функцией распределения F(x, y) или плотностью распределения φ(x, y):

71 Лекция 6. Законы распределения системы двух случайных величин Частные распределения системы {X, Y} – это законы распределения каждой из случайных величин X и Y. Если X и Y – дискретные случайные величины, то вероятности P(x i ) и P(y j ), необходимые для нахождения их законов распределения, находятся из таблицы распределения по формулам: Для непрерывных систем {X, Y} частные плотности распределения имеют вид:

72 Лекция 6. Законы распределения системы двух случайных величин Условные распределения определяются: условными вероятностями P(x i /y j ), P(y j /x i ) для дискретных систем {X, Y} и условными плотностями распределения (x/y), (y/x) для непрерывных систем {X, Y}:

73 Лекция 6. Законы распределения системы двух случайных величин Условия независимости случайных величин X и Y: – для дискретных систем (8) – для непрерывных систем(9) При выполнении этих соотношений, следует: (10) (11) Вероятность попадания возможных значений непрерывной системы {X, Y} в область (D) определяется по формуле: (12)

74 Лекция 6. Законы распределения системы двух случайных величин Пример 3.1 Закон распределения системы {X, Y} задан таблицей: Требуется: а) найти частные распределения X и Y; б) условный закон распределения Y при X= -1; в) определить, зависимы ли величины X и Y? y j x i 01 1/61/127/24 11/81/30

75 Лекция 6. Законы распределения системы двух случайных величин Решение: а) Найти частные распределения X и Y б) Условный закон распределения Y при X= -1. При Х= -1 случайная величина Y имеет следующий закон распределения: в) Определить, зависимы ли величины X и Y? Так как в безусловном и условном законах распределения вероятности P(y j ) и P(y j / X = -1) различны, то, следовательно, случайные величины X и Y зависимы. xixi 1 yjyj 01 P(x i )13/2411/24 P(yj)P(yj)7/2410/247/24 yjyj 01 P(y j / X = -1)4/132/137/13

76 Лекция 6. Законы распределения системы двух случайных величин Пример 3.2 Дана система {X, Y}, равномерно распределенная в квадрате |x|+|y| 1 (см. рис. 22). Определить: а) частные законы распределения X и Y; б) зависимы ли эти случайные величины?

77 Лекция 6. Законы распределения системы двух случайных величин Решение: Закон распределения {X, Y} имеет вид: Плотность при |x|1 определяется по формуле:

78 Лекция 6. Законы распределения системы двух случайных величин Тогда (см. рис. 23): Аналогично для (y) получим: Так как условие независимости не выполняется: то случайные величины X и Y зависимы.

79 Лекция 7. Числовые характеристики системы двух случайных величин К числовым характеристикам системы {X, Y} относятся: числовые характеристики случайных величин X и Y: m x, m y, D x, D y, σ x, σ y ; числовые характеристики условных распределений: m x/y, m y/x, D x/y, D y/x, σ x/y, σ y/x ; числовые характеристики связи случайных величин: K xy и r xy

80 Лекция 7. Числовые характеристики системы двух случайных величин Числовые характеристики первой группы определяются по ранее приведенным формулам. Числовые характеристики второй группы применительно к непрерывной системе {X, Y} определяются по формулам: Для дискретных систем {X, Y} эти формулы очевидны.

81 Лекция 7. Числовые характеристики системы двух случайных величин Величины K xy и r xy являются характеристиками линейной корреляционной зависимости между X и Y; они определяются зависимостями: (15) где K xy – корреляционный момент или момент связи между X и Y; – коэффициент корреляции между X и Y, -1 r x 1. (16) Коэффициент корреляции характеризует степень линейной корреляционной зависимости между X и Y.

82 Лекция 7. Числовые характеристики системы двух случайных величин Под корреляционной зависимостью понимается такая зависимость, когда с изменением одной случайной величины, например X, у другой – Y изменяется ее математическое ожидание (m y/x ). При |r xy |=1 имеет место линейная функциональная связь между X и Y, при r xy =0 случайные величины X и Y некоррелированы. Если X и Y независимы, то они и некоррелированы. Если r xy =0, то случайные величины X и Y могут быть зависимы.

83 Лекция 7. Числовые характеристики системы двух случайных величин Пример 3.3 В условиях примера 3.1. определить: m x, m y, D x, D y, K xy, r xy. Решение:

84 Лекция 7. Числовые характеристики системы двух случайных величин Пример 3.4 В условиях примера 3.2. определить числовые характеристики системы {X, Y}. Решение:

85 Лекция 7. Числовые характеристики системы двух случайных величин – это плотность равномерного распределения в интервале (-(1-|x|), (1-|x|)) Аналогично можно записать выражения для m x/y, D x/y.

86 Лекция 8. Нормальный закон распределения системы двух случайных величин В общем случае, когда случайные величины, входящие в систему {X, Y}, зависимы, плотность нормального распределения имеет вид: (17) Частные распределения определяются по формулам: (18) (19)

87 Лекция 8. Нормальный закон распределения системы двух случайных величин Условные плотности (x/y) и (y/x) имеют вид нормальных распределений: (20) (21) где (22) (23) (24) (25)

88 Лекция 8. Нормальный закон распределения системы двух случайных величин Если случайные величины X и Y независимы, то и плотность принимает вид: (26) Вероятность попадания нормально распределенной системы {X,Y} (в случае независимых случайных величин X и Y) в прямоугольник со сторонами, параллельными осям координат, определятся с помощью функции Лапласа по формуле: (27)

89 Лекция 8. Нормальный закон распределения системы двух случайных величин Пример 3.5 Определить вероятность попадания снаряда в цель, имеющую форму прямоугольника с координатами центра: x ц =10 м, y ц =5 м. Стороны прямоугольника параллельны осям координат и равны: по оси ox: 2 =20 м, по оси oy: 2k = 40 м. Координаты точки прице- ливания: m x =5м, m y =5 м. Характеристики рассеивания снарядов по осям ox и oy, соответственно, равны: σ x =20 м, σ y =10 м. Решение: Обозначим площадь прямоугольника через D. Тогда:

90 Тема 4. Функции случайных величин Лекция 9. Закон распределения функции одного случайного аргумента Лекция 10. Числовые характеристики функции случайных величин

91 Лекция 9. Закон распределения функции одного случайного аргумента Порядок нахождения закона распределения функции Y=y(X), где X – дискретная случайная величина, представлен в примере 4.1. Если возможные значения случайных величин X и Y связаны функциональной зависимостью y=y(x), где y(x) – непрерывна и дифференцируема, и известен закон распределения случайной величины X-, то закон распределения случайной величины Y- для случая, когда y(x) монотонно возрастает или убывает в диапазоне своих возможных значений, выражается формулой (1): (1) (2) В формуле (1) x(y) есть обратная функция. В том случае, когда функция y(x) имеет n участков убывания и возрастания, то эта формула записывается в виде (2).

92 Лекция 9. Закон распределения функции одного случайного аргумента Пример 4.1 Случайная величина X имеет закон распределения: Найти закон распределения случайной величины Решение: Находим возможные значения функции при =0, 1, 2, 3. Они, соответственно, равны: 1, 2, 1, 0. Следовательно, возможными значениями являются: 0, 1, 2. xixi 0123 Px i 0,10,30,40,2

93 Лекция 9. Закон распределения функции одного случайного аргумента Находим вероятности этих возможных значений: Закон распределения Y: yjyj 012 Py j 0,20,50,3

94 Лекция 9. Закон распределения функции одного случайного аргумента Пример 4.2 Найти плотность распределения случайной величины и построить ее график, если случайная величина X распределена равномерно на интервале Решение: График функции представлен на рис. 24.

95 Лекция 9. Закон распределения функции одного случайного аргумента Случайная величина X имеет следующую плотность распределения: Находим обратную функ­­цию x(y) и ее производную:

96 Лекция 9. Закон распределения функции одного случайного аргумента Окончательно получим следующее выражение для плотности График этой плотности представлен на рис. 25.

97 Лекция 10. Числовые характеристики функции случайных величин Основные формулы:

98 Лекция 10. Числовые характеристики функции случайных величин

99 где X i – независимые случайные величины,

100 Лекция 10. Числовые характеристики функции случайных величин

101 Для n случайных величин числовые характеристики задаются совокупностью и корреляционной матрицей: Запись в виде треугольной матрицы справедлива, т.к.

102 Лекция 10. Числовые характеристики функции случайных величин Корреляционная матрица может быть представлена в нормированном виде, т.е. матрицей коэффициентов корреляции:

103 Лекция 10. Числовые характеристики функции случайных величин Пример 4.3 Определить числовые характеристики случайной величины если и Решение: Случайная величина U есть линейная функция случайных аргументов X, Y и Z. Поэтому с использованием формул (11) и (17) данного раздела получим: