Законы равномерного и нормального распределения систем случайных величин

21.09.2019

Введение

Теория вероятностей является одним из классических разделов математики. Она имеет длительную историю. Основы этого раздела науки были заложены великими математиками. Назову, например, Ферма, Бернулли, Паскаля. Позднее развитие теории вероятностей определились в работах многих ученых. Большой вклад в теорию вероятностей внесли ученые нашей страны: П.Л.Чебышев, А.М.Ляпунов, А.А.Марков, А.Н.Колмогоров. Вероятностные и статистические методы в настоящее время глубоко проникли в приложения. Они используются в физике, технике, экономке, биологии и медицине. Особенно возросла их роль в связи с развитием вычислительной техники.

Например, для изучения физических явлений производят наблюдения или опыты. Их результаты обычно регистрируют в виде значений некоторых наблюдаемых величин. При повторении опытов мы обнаруживаем разброс их результатов. Например, повторяя измерения одной и той же величины одним и тем же прибором при сохранении определенных условий (температура, влажность и т.п.), мы получаем результаты, которые хоть немного, но все же отличаются друг от друга. Даже многократные измерения не дают возможности точно предсказать результат следующего измерения. В этом смысле говорят, что результат измерения есть величина случайная. Еще более наглядным примером случайной величины может служить номер выигрышного билета в лотерее. Можно привести много других примеров случайных величин. Все же и в мире случайностей обнаруживаются определенные закономерности. Математический аппарат для изучения таких закономерностей и дает теория вероятностей. Таким образом, теория вероятностей занимается математическим анализом случайных событий и связанных с ними случайных величин.

1. Случайные величины

Понятие случайной величины является основным в теории вероятностей и ее приложениях. Случайными величинами, например, являются число выпавших очков при однократном бросании игральной кости, число распавшихся атомов радия за данный промежуток времени, число вызовов на телефонной станции за некоторый промежуток времени, отклонение от номинала некоторого размера детали при правильно налаженном технологическом процессе и т. д.

Таким образом, случайной величиной называется величина, которая в результате опыта может принимать то или иное значение, причем заранее известно какое именно.

Случайные величины можно разделить на две категории.

Дискретной случайной величиной называется такая величина, которая в результате опыта может принимать определенные значения с определенной вероятностью, образующие счетное множество (множество, элементы которого могут быть занумерованы).

Это множество может быть как конечным, так и бесконечным.

Например, количество выстрелов до первого попадания в цель является дискретной случайной величиной, т.к. эта величина может принимать и бесконечное, хотя и счетное количество значений.

Непрерывной случайной величиной называется такая величина, которая может принимать любые значения из некоторого конечного или бесконечного промежутка.

Очевидно, что число возможных значений непрерывной случайной величины бесконечно.

Для задания случайной величины недостаточно просто указать ее значение, необходимо также указать вероятность этого значения.

2. Равномерное распределение

Пусть сегмент оси Ox есть шкала некоторого прибора. Допустим, что вероятность попадания указателя в некоторый отрезок шкалы пропорциональна длине этого отрезка и не зависит от места отрезка на шкале. Отметка указателя прибора есть случайная величина

могущая принять любое значение из сегмента . Поэтому и (<) - две любые отметки на шкале, то согласно условию имеем - коэффициент пропорциональности, не зависящий от и, а разность, - длина сегмента . Так как при =a и =b имеем, то , откуда .

Таким образом

(1)

Теперь легко найти функцию F(x) распределения вероятностей случайной величины

. Если , то не принимает значений, меньших a. Пусть теперь . По аксиоме сложения вероятностей. Согласно формуле (1), в которой принимаем , имеем , то при получаем

Наконец, если

, то , так как значения лежит на сегментеи, следовательно, не превосходят b . Итак, приходим к следующей функции распределения:

График функции

представлен на рис. 1.

Плотность распределения вероятностей найдем по формуле. Если

или , то . Если , то

6 страниц (Word-файл)

Посмотреть все страницы

Необходимость. Дано: X и Y – независимы, т.е. закон распределения одной из них, скажем X, не зависит от значения Y , но закон распределения определяется плотностью, следовательно, плотность X не зависит от значения Y

- f 1 (x / y )= f 1 (x ) , но тогда в соответствии с формулой (4.6)

или f (x , y )= f 1 (x ) f 2 (y ).

Достаточность. Дано f (x , y )= f 1 (x ) f 2 (y ). В соответствии с формулой (4.6)

f 1 (x / y )= f 1 (x ), т.е. закон распределения X, определяемый плотностью, не зависит от значения величины Y, следовательно, X и Y независимы.

Упражнение1. Доказать, что составляющие системы случайных величин, распределенных равномерно в круге (см. пример 2) некоррелированы, но зависимы.

2. Двухмерный нормальный закон распределения.

Система случайных величин (X,Y) подчиняется двухмерному нормальному закону распределения, если она определена на всей координатной плоскости xOy и плотность системы определяется формулой

где a X , a Y - математические ожидания случайных величин X, Y ;

- дисперсии этих величин;

r – их коэффициент корреляции, причем -1< r <1.

Отметим, что здесь, как и в случае одной случайной величины, плотность нормального закона обозначается не буквой f, а буквой .

3-е свойство коэффициента корреляции или условие независимости нормальных случайных величин. Если случайные величины X и Y подчиняются нормальному закону и коэффициент корреляции равен нулю, то случайные величины независимы.

Действительно, пусть r=0 , тогда плотность (7.1) будет иметь вид

= где и – плотности величин X и Y соответственно.

Таким образом, выполняется условие независимости непрерывных случайных величин и, следовательно, X и Y независимы. Как мы видим, для случайных величин, имеющих нормальный закон распределения, необходимое условие независимости становится достаточным.

3. Условные плотности системы нормальных случайных величин.

Прямые регрессии.

Для удобства преобразований введем обозначения

(8.1)

Тогда плотность системы (7.1) можно записать так

а плотность нормальной случайной величины X

Условная плотность(4.5) будет равна

(u 2 -2 ru

Отметим, что функция y=exp(x) – это показательная функция y=e x , поэтому при делении аргумента этой функции (показатели степени) вычитаются. Преобразуем отдельно показатель степени

(u 2 -2 ru=

(u 2 -2 ru (

Учитывая формулы (87.1) и (8.2) , получим, что показатель степени равен


Таким образом, условная плотность равна

= -. (8.3)

Это плотность нормальной случайной величины

= -,

где a y / x – условное математическое ожидание, а - условная дисперсия случайной величины Y при условии, что X=x. Поэтому уравнение регрессии (4.9) для случайных величин, подчиненных нормальному закону, имеет вид

M(Y/x) = a Y + r ). (8.4)

Аналогично, в силу симметричности плотности получим и уравнение регрессии X и Y

M(X / y ) = a x + r . (8.5)

Условные дисперсии соответственно равны

D (Y / x )= ) ,

D (X / y )= ).

Функции (8.4) и (8.5) – линейные, следовательно, линии регрессии – прямые, причем обе они проходят через центр распределения системы, т.е. через точку с координатами (a x , a Y )

Известная формула нахождения «нормального веса» человека по его росту V=L-100, где V – вес, кг; а L – рост, см, есть не что иное, как уравнение регрессии и V – это средний вес для роста L.

Условные коэффициенты прямых регрессии равны

k x / Y = r k Y / x = r (8.6)

и знаки угловых коэффициентов совпадают со знаком коэффициента корреляции, поэтому, если r >0, то прямые регрессии (8.4) и (8.5) обе возрастающие, а если r <0, то обе прямые – убывающие. Это позволяет сформулировать еще два свойства коэффициента корреляции:

Если система случайных величин подчиняется нормальному закону и коэффициент корреляции удовлетворяет неравенству -1

4-е свойство коэффициента корреляции. Если система случайных величин подчиняется нормальному закону и коэффициент корреляции удовлетворяет неравенству 0

На рис. 2 приведены условные плотности X для некоторых значений Y и прямая регрессии для r>0.

9. Средняя квадратическая регрессия.

Рассмотрим систему случайных величин (X,Y). Подберем такую функцию f(x), чтобы средний квадрат отклонения случайной величины Y от этой функции случайной величины X был минимальным, т.е. чтобы эта функция обеспечивала минимум математического ожидания квадрата отклонения Y от f(X). Иными словами, стоит задача из всех возможных функций выбрать такую, которая обеспечивает

(9.1)

Доказано, что этот минимум достигается, если f (x ) , определяемой уравнением регрессии Y на X (4.9). Однако, если уравнение регрессии неизвестно, то найти такую функцию из (9.1) невозможно. Поэтому решают задачу отыскания минимума выражения (9.1) для функций данного вида f(A,x), где A= (a 1 ,…. a ) – вектор коэффициента этой функции, т.е. ищется не сама функция обеспечивающая минимум среднего квадрата отклонения Y от f (X ) , а определяются коэффициенты заранее выбранной функции (например, линейной определяются коэффициенты заранее выбранной функции (например, линейной y= x + b , или квадратичной y = ax 2 + bx + c , или функции какого-нибудь другого вида) так, чтобы из всех функций выбранного вида, функция с этими коэффициентами обеспечивала минимум среднего квадрата отклонения Y от f (A , X ). Иными словами, нужно найти такой вектор коэффициента А, чтобы функция переменных

S=(A)=S() = M((Y-f(A,X)) 2) (9.2)

д остигала минимума .

Пусть A * =(a ,……, a ) обеспечивает этот минимум, т.е. является точкой минимума функции S(A). Тогда уравнение y= f (A * , x ) называется уравнением средней квадратической регрессии, а случайная величина Y * = f (A * , X ) приближением случайной величины Y функций данного вида случайной величины X , найденной по методу наименьших квадратов (МНК). Коэффициенты этой функции А * =(a ,……, a ) называется коэффициентами регрессии.

Числовые характеристики системы случайных величин

Закон распределения полностью характеризует систему случайных величин, но использовать его на практике не всегда удобно в силу сложности. Зачастую бывает достаточно знать числовые характеристики составляющих систему случайных величин, к которым относятся: математические ожидания M[X], M[Y], дисперсии D[X], D[Y] и среднеквадратические отклонения. Они вычисляются по следующим формулам.

Дисперсии составляющих можно вычислять и по укороченным формулам

Важную роль в теории двумерных случайных величин играет корреляционный момент (ковариация) , характеризующий линейную связь между составляющими системы

Корреляционный момент вычисляется по следующим формулам.

Для дискретных систем случайных величин

Для непрерывных систем случайных величин

Наряду с корреляционным моментом используется безразмерная характеристика корреляционной связи - коэффициент корреляции

Для любых систем случайных величин

Случайные величины Х и Y называются некоррелированными, если

Независимые величины всегда некоррелированы.

Условным законом распределения случайной величины, входящей в систему, называется закон ее распределения, вычисленный при условии, что другая случайная величина приняла определенное значение. Для систем непрерывных случайных величин условные законы выражаются условными плотностями распределения составляющих

При этом, (6.9)

При этом

Законы равномерного и нормального распределения систем случайных величин

Равномерный закон. Если все значения случайных величин входящих в систему расположены внутри области D, и плотность вероятности системы имеет следующий вид

то (Х,У) подчинена равномерному закону распределения.

Нормальный закон. Если плотность распределения системы (Х,У) имеет вид

где - математические ожидания; - среднеквадратичные отклонения, а - коэффициент корреляции, то система подчинена нормальному закону распределения.

Для некоррелированных случайных величин нормальная плотность распределения

Пример 6.2. Планируется деятельность 3-х предприятий на очередной год. Система (X,Y)

где - номер предприятия

Размеры вложений (в тыс. усл. ден. ед.),

Задана таблицей

Закон распределения составляющей Х означает, что независимо от объема вложений первое предприятие будет иметь вложения с вероятностью 0,3, второе - с вероятностью 0,2 и третье - с вероятностью 0,5. Составляющей Y соответствует закон распределения

и это значит, что независимо от номера предприятия объем вложений может быть равен 3 тыс. усл. ден. ед. с вероятностью 0,5 или 4 тыс. усл.ден.ед. с вероятностью 0,5.

Для определения числовых характеристик составляющих воспользуемся найденными законами распределения Х и У и формулами для определения числовых характеристик дискретных систем

Средний объем вложений;

Отклонение от среднего объема вложений

Связь между номером предприятия и объемом вложений

Пример 6.3. На производстве за определенный период использовалось два вида сырья. Случайные величины X и Y - соответственно объемы сырья, выраженные в условных единицах. Плотность распределения вероятностей системы имеет вид

В теории вероятностей и её приложениях большую роль играет двумерное нормальное распределение. Плотность двумерной нормальной случайной величины (X,Y) имеет вид

Здесь - математические ожидания величин X и Y; - средние квадратичные отклонения величин X и Y; r – коэффициент корреляции величин X и Y.

Предположим, что случайные величины X и Y не коррелированы, то есть r=0. Тогда имеем:

(53)

Получили, что плотность распределения системы двух случайных величин (X,Y) равна произведению плотностей распределения компонент X и Y, а это значит, что X и Y – независимые случайные величины.

Таким образом, доказана следующая теорема : из некоррелированности нормально распределенных случайных величин следует их независимость . Поскольку из независимости любых случайных величин следует их некоррелированность, то можно сделать вывод, что термины «некоррелированные» и «независимые» величины для случая нормального распределения эквивалентны.

Приведём формулы для вероятности попадания нормально распределённой двумерной случайной величины в различные области на плоскости.

Пусть случайный вектор (X,Y), компоненты которого независимы, распределён по нормальному закону (53). Тогда вероятность попадания случайной точки (X,Y) в прямоугольник R, стороны которого параллельны координатным осям, равна

y R d c х a b (54)

где - функция Лапласа. Эта функция табулирована.

Пусть плотность распределения нормального закона системы случайных величин (X,Y) задана в виде (52). Ясно, что данная плотность сохраняет постоянное значение на эллипсах:

где С – постоянная; на этом основании такие эллипсы носят название эллипсов равных вероятностей . Можно показать, что вероятность попадания точки (X,Y) внутрь эллипса равной вероятности равна

(56)

Пример 10 . Случайные величины X и Y независимы и нормально распределены с Найти вероятность того, что случайная точка (X,Y) попадет в кольцо



Решение: Так как случайные величины X и Y независимы, то они не коррелированы и, следовательно, r = 0. Подставляя в (С), получаем

то есть эллипс равной вероятности выродился в круг равной вероятности. Тогда

Ответ: 0,1242.

3.2. Общий случай n-мерного нормального распределения

Плотность нормального распределения системы n случайных величин имеет вид:

где - определитель матрицы С - обратной к ковариационной матрице; - математическое ожидание случайной величины Х i - i-той компоненты n -мерного нормального случайного вектора.

Из общего выражения вытекают все формы нормального закона для любого числа измерений и для любых видов зависимости между случайными величинами. В частности, при n = 2 ковариационная матрица имеет вид:

(58)

её определитель ; матрица С, обратная к ковариационной матрице, имеет вид

. (59)

Подставляя и элементы матрицы С в общую формулу (57), получаем формулу для нормального распределения на плоскости (52).

Если случайные величины независимы, то плотность распределения системы равна

При n = 2 эта формула принимает вид (53).

3.2. Функции от нормально распределенных случайных величин. Распределения хи-квадрат, Стьюдента, Фишера- Снедекора

Рассмотрим общий случай: линейную функцию от нормально распределенных аргументов. Пусть дан n-мерный нормально распределенный случайный вектор , случайная величина Y представляет собой линейную функцию от этих величин:

(61)

Можно показать, что случайная величина Y также распределена нормально с параметрами

(62)

(63)

где – математическое ожидание случайной величины - дисперсия случайной величины - коэффициент корреляции между и .

Пример 11. Записать плотность распределения случайной величины , если случайные величины и имеют нормальное распределение с параметрами , , , их коэффициент корреляции .

Решение . По условию задачи имеем: n=2; . Используя формулу (62), получаем: . Используя формулу (63), получаем: .

Тогда искомая функция распределения случайной величины Y имеет вид:

Пусть - независимые случайные величины, подчиняющиеся нормальному распределению с нулевым математическим ожиданием и единичной дисперсией, то есть стандартному нормальному распределению. Распределение случайной величины, являющейся суммой квадратов этих величин

. (64)

называется “распределением ХИ - квадрат с n степенями свободы ”.

Плотность распределения ХИ – квадрат с n=2 степенями свободы равна

(65)

Плотность ХИ – квадрат распределения с n степенями свободы имеет вид:

(66)

где - гамма-функция Эйлера. С возрастанием числа степеней свободы распределение приближается к нормальному закону распределения (при n >30 распределение практически не отличается от нормального). Математическое ожидание - распределения c n степенями свободы равно n , а дисперсия равна 2n .

Распределение Стьюдента с n степенями свободы St(n) определяется как распределение случайной величины

где Z – стандартная нормальная величина, независимая от распределения.

Плотность распределения Стьюдента с n степенями свободы имеет вид:

(68)

Математическое ожидание при равно 0, дисперсия при равна При распределение Стьюдента приближается к нормальному (уже при n >30 почти совпадает с нормальным распределением).

Распределением Фишера-Снедекора (или F-распределением) с и степенями свободы называется распределение случайной величины

(69)

где и - случайные величины, имеющие - распределение с и степенями свободы, соответственно.

4. Письменный Д.Т. Конспект лекций по теории вероятностей и математической статистике. – М.: Айрис-пресс, 2004.

1. Основные сведения о системах случайных величин и о способах их задания. . 3

1.1. Понятие о системе случайных величин. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2. Функция распределения вероятностей двумерной случайной величины и её

свойства. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3. Закон распределения вероятностей дискретной двумерной случайной величины. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.4. Плотность распределения вероятностей непрерывной двумерной случайной величины и её свойства. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.5. Система n случайных величин. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2. Зависимость и независимость случайных величин. . . . . . . . . . . . . . . . . . . . . . . 14

2.1. Независимые случайные величины. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2. Условные законы распределения. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.3. Числовые характеристики зависимости. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3. Нормальное распределение системы случайных величин. . . . . . . . . . . . . . . . 22

3.1. Двумерное нормальное распределение. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.2. Общий случай n-мерного нормального распределения. . . . . . . . . . . . . . . . 24

3.3. Функции от нормально распределенных случайных величин. Распределения ХИ - квадрат, Стьюдента, Фишера - Снедекора. . . . . . . . . . . . . . . . . . . 25

Список литературы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Составитель Бобкова Вера Александровна

Системы случайных величин

Методические указания для самостоятельной работы студентов

Редактор Г.В.Куликова

Подписано в печать 02.03.2010. Формат 60х84 . Бумага писчая. Усл.печ.л.1,63.

Уч.-изд.л.1,81. Тираж 50 экз.

ГОУ ВПО Ивановский государственный химико-технологический университет

Отпечатано на полиграфическом оборудовании кафедры экономики и финансов ГОУ ВПО «ИГХТУ»

153000, г.Иваново, пр. Ф.Энгельса, 7

В теории вероятностей и её приложениях большую роль играет двумерное нормальное распределение. Плотность двумерной нормальной случайной величины (X,Y) имеет вид

Здесь
- математические ожидания величинX и Y;
- средние квадратичные отклонения величинX и Y; r – коэффициент корреляции величин X и Y.

Предположим, что случайные величины X и Y не коррелированы, то есть r=0. Тогда имеем:

(53)

Получили, что плотность распределения системы двух случайных величин (X,Y) равна произведению плотностей распределения компонент X и Y, а это значит, что X и Y – независимые случайные величины.

Таким образом, доказана следующая теорема : из некоррелированности нормально распределенных случайных величин следует их независимость . Поскольку из независимости любых случайных величин следует их некоррелированность, то можно сделать вывод, что термины «некоррелированные» и «независимые» величины для случая нормального распределения эквивалентны.

Приведём формулы для вероятности попадания нормально распределённой двумерной случайной величины в различные области на плоскости.

Пусть случайный вектор (X,Y), компоненты которого независимы, распределён по нормальному закону (53). Тогда вероятность попадания случайной точки (X,Y) в прямоугольник R , стороны которого параллельны координатным осям, равна

(54)

где
- функция Лапласа. Эта функция табулирована.

Пусть плотность распределения нормального закона системы случайных величин (X,Y) задана в виде (52). Ясно, что данная плотность сохраняет постоянное значение на эллипсах:

где С – постоянная; на этом основании такие эллипсы носят название эллипсов равных вероятностей . Можно показать, что вероятность попадания точки (X,Y) внутрь эллипса равной вероятности равна

(56)

Пример 10 . Случайные величины X и Y независимы и нормально распределены с Найти вероятность того, что случайная точка (X,Y) попадет в кольцо

Решение: Так как случайные величины X и Y независимы, то они не коррелированы и, следовательно, r = 0. Подставляя в (С), получаем

,

то есть эллипс равной вероятности выродился в круг равной вероятности. Тогда

Ответ: 0,1242.

3.2. Общий случай n-мерного нормального распределения

Плотность нормального распределения системы n случайных величин имеет вид:

где - определитель матрицы С - обратной к ковариационной матрице;
- математическое ожидание случайной величины Х i - i-той компоненты n -мерного нормального случайного вектора.

Из общего выражения вытекают все формы нормального закона для любого числа измерений и для любых видов зависимости между случайными величинами. В частности, при n = 2 ковариационная матрица имеет вид:

(58)

её определитель
; матрица С, обратная к ковариационной матрице,имеет вид

. (59)

Подставляя и элементы матрицы С в общую формулу (57), получаем формулу для нормального распределения на плоскости (52).

Если случайные величины
независимы, то плотность распределения системы
равна

При n = 2 эта формула принимает вид (53).



© dagexpo.ru, 2024
Стоматологический сайт