Реферат Курсовая Конспект
ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ СЛУЧАЙНЫХ ВЕЛИЧИН - раздел Математика, Лекция 7. Ос...
|
Лекция 7.
Основные числовые характеристики дискретных и непрерывных случайных величин: математическое ожидание, дисперсия и среднее квадратическое отклонение. Их свойства и примеры.
Закон распределения (функция распределения и ряд распределения или плотность веро-ятности) полностью описывают поведение случайной величины. Но в ряде задач доста-точно знать некоторые числовые характеристики исследуемой величины (например, ее среднее значение и возможное отклонение от него), чтобы ответить на поставленный во-прос. Рассмотрим основные числовые характеристики дискретных случайных величин.
Лекция 8.
Случайные векторы (системы нескольких случайных величин). Закон распределения веро-ятностей дискретной двумерной случайной величины. Функция распределения и плот-ность распределения двумерной случайной величины, их свойства. Вероятность попада-ния случайной точки в произвольную область. Отыскание плотностей вероятности со-ставляющих двумерной случайной величины. Равномерное распределение на плоскости.
Наряду с одномерными случайными величинами, возможные значения которых определяют-ся одним числом, теория вероятностей рассматривает и многомерные случайные величины. Каждое возможное значение такой величины представляет собой упорядоченный набор нескольких чисел. Геометрической иллюстрацией этого понятия служат точки п-мерного пространства, каждая координата которых является случайной величиной (дискретной или непрерывной), или п-мерные векторы. Поэтому многомерные случайные величины называют еще случайными векторами.
Условные законы распределения составляющих
Условные законы распределения составляющих
Дискретной двумерной случайной величины.
Определение 8.3. Условной плотностью φ(х/у)распределения составляющих Х при данном значении Y = у называется
. (8.6)
Аналогично определяется условная плотность вероятности Y при Х = х:
. (8.6`)
Лекция 9.
Некоторые числовые характеристики одномерных случайных величин: начальные и центральные моменты, мода, медиана, квантиль, коэффициенты асимметрии и эксцесса. Числовые характеристики двумерных случайных величин: начальные и центральные моменты. Корреляционный момент и коэффициент корреляции. Коррелированность и зависимость случайных величин.
Определение 9.1. Начальным моментом порядка kслучайной величины Х называется матема-тическое ожидание величины Xk:
νk = M (Xk). (9.1)
В частности, ν1 = М(Х), ν2 = М(Х2). Следовательно, дисперсия D(X) = ν2 – ν1².
Определение 9.2. Центральным моментом порядка kслучайной величины Х называется мате-матическое ожидание величины (Х – М(Х))k:
μk = M((Х – М(Х))k). (9.2)
В частности, μ1 = M(Х – М(Х)) = 0, μ2 = M((Х – М(Х))2) = D(X).
Можно получить соотношения, связывающие начальные и центральные моменты:
Мода и медиана.
Такая характеристика случайной величины, как математическое ожидание, называется иногда характеристикой положения, так как она дает представление о положении случайной величии-ны на числовой оси. Другими характеристиками положения являются мода и медиана.
Определение 9.3. Модой М дискретной случайной величины называется ее наиболее вероятное значение, модой Мнепрерывной случайной величины – значение, в котором плотность вероятности максимальна.
Пример 1.
Если ряд распределения дискретной случайной величины Х имеет вид:
Х | ||||
р | 0,1 | 0,7 | 0,15 | 0,05 |
то М = 2.
Пример 2.
Для непрерывной случайной величины, заданной плотностью распределения , модой является абсцисса точки максимума: М = 0.
Замечание 1. Если кривая распределения имеет больше одного максимума, распределение называется полимодальным, если эта кривая не имеет максимума, но имеет минимум – анти-модальным.
Замечание 2. В общем случае мода и математическое ожидание не совпадают. Но, если распре-деление является симметричным и модальным (то есть кривая распределения симметрична от-носительно прямой х = М) и имеет математическое ожидание, оно совпадает с модой.
Определение 9.4. Медианой Ме непрерывной случайной величины называют такое ее значение, для которого
p( X < Me ) = p( X > Me ). (9.3)
Графически прямая х = Ме делит площадь фигуры, ограниченной кривой распределения, на две равные части.
Замечание. Для симметричного модального распределения медиана совпадает с математичес-ким ожиданием и модой.
Определение 9.5. Для случайной величины Х с функцией распределения F(X) квантилью порядка р (0 < p < 1) называется число Кр такое, что F(Kp) ≤ p, F(Kp + 0) ≥ p. В частности, если F(X) строго монотонна, Кр: F(Kp) = p.
Асимметрия и эксцесс.
Если распределение не является симметричным, можно оценить асимметрию кривой распреде-ления с помощью центрального момента 3-го порядка. Действительно, для симметричного распределения все нечетные центральные моменты равны 0 ( как интегралы от нечетных функ-ций в симметричных пределах), поэтому выбран нечетный момент наименьшего порядка, не тождественно равный 0. Чтобы получить безразмерную характеристику, его делят на σ3 (так как μ3 имеет размерность куба случайной величины).
Определение 9.6. Коэффициентом асимметриислучайной величины называется
. (9.4)
Рис.1. Рис.2.
В частности, для кривой, изображенной на рис.1, Sk > 0, а на рис.2 - Sk < 0.
Для оценки поведения кривой распределения вблизи точки максимума (для определения того, насколько «крутой» будет его вершина) применяется центральный момент 4-го порядка.
Определение 9.7. Эксцессом случайной величины называется величина
(9.5)
Замечание. Можно показать, что для нормального распределения , и, соответственно, Ех = 0. Для кривых с более острой вершиной Ех >0, в случае более плоской вершины Ех < 0.
Лекция 10.
Функции от случайных величин. Функция одного случайного аргумента, ее распределение и математическое ожидание. Функция двух случайных аргументов. Распределение суммы независимых слагаемых. Устойчивость нормального распределения.
В предыдущих лекциях рассматривались некоторые законы распределения случайных величин. При решении задач часто удобно бывает представить исследуемую случайную величину как функцию других случайных величин с известными законами распределения, что помогает уста-новить и закон распределения заданной случайной величины.
Определение 10.1. Если каждому возможному значению случайной величины Х соответствует одно возможное значение случайной величины Y, то Y называют функцией случайного аргу-мента Х:Y = φ(X). Выясним, как найти закон распределения функции по известному закону распределения аргумента.
1) Пусть аргумент Х – дискретная случайная величина, причем различным значениям Х соот-ветствуют различные значения Y. Тогда вероятности соответствующих значений Х и Y равны.
Пример 1. Ряд распределения для Х имеет вид: Х 5 6 7 8
р 0,1 0,2 0,3 0,4
Найдем закон распределения функции Y = 2X² - 3: Y 47 69 95 125
р 0,1 0,2 0,3 0,4
(при вычислении значений Y в формулу, задающую функцию, подставляются возможные значения Х).
2) Если разным значениям Х могут соответствовать одинаковые значения Y, то вероятности значений аргумента, при которых функция принимает одно и то же значение, складываются.
Пример 2. Ряд распределения для Х имеет вид: Х 0 1 2 3
р 0,1 0,2 0,3 0,4
Найдем закон распределения функции Y = X² - 2Х: Y -1 0 3
р 0,2 0,4 0,4
(так как Y = 0 при Х = 0 и Х = 2, то р(Y = 0) = р( Х = 0) + р(Х = 2) = 0,1 + 0,3 = 0,4 ).
3) Если Х – непрерывная случайная величина, Y = φ(X), φ(x) – монотонная и дифференцируемая функция, а ψ(у) – функция, обратная к φ(х), то плотность распределения g(y) случайно функции Y равна: (10.1)
Пример 3. . Тогда
Функция двух случайных величин. Распределение суммы
Устойчивость нормального распределения.
Определение 10.3. Закон распределения вероятностей называется устойчивым, если компози-ция таких законов есть тот же закон (возможно, отличающийся другими значениями парамет-ров).
В частности, свойством устойчивости обладает нормальный закон распределения: композиция нормальных законов тоже имеет нормальное распределение, причем ее математическое ожидание и дисперсия равны суммам соответствующих характеристик слагаемых.
Лекция 11.
Лекция 12.
Распределения «хи-квадрат», Стьюдента и Фишера. Связь этих распределений с нормаль-ным распределением.
Рассмотрим некоторые распределения, связанные с нормальным и широко применяющиеся в математической статистике.
– Конец работы –
Используемые теги: Числовые, характеристики, случайных, величин0.065
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ СЛУЧАЙНЫХ ВЕЛИЧИН
Если этот материал оказался полезным для Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов