Аналіз випадкових величин

  Поняття події в теорії ймовірностей являє собою абстрактну модель певної якісної ознаки, що відбиває лише два альтернативні судження: є подія (відбулася) або немає (не відбулася). Подальший розвиток теорії ймовірностей потребував уведення такого нового поняття, як випадкова величина — абстрактної моделі кількісної ознаки.

Дискретні та неперервні випадкові величини.
Закони розподілу їх імовірностей

Розглянемо такий простір елементарних подій, в якому кожній елементарній події  Ώ відповідає одне і лише одне число х або набір чисел , тобто на множині Ώ визначена певна функ­ція , яка кожній елементарній події  ставить у відповідність певний елемент одновимірного простору R1 або n-вимірного простору Rn.

Цю функцію називають випадковою величиною. У разі, коли  відображає множину Ώ на одновимірний простір R1, випадкову величину називають одновимірною. Якщо відображення здійснюється на Rn, то випадкову величину називають n-вимірною (системою n випадкових величин або n-вимірним випадковим вектором).

Отже, величина називається випадковою, якщо внаслідок проведення експерименту під впливом випадкових факторів вона набуває того чи іншого можливого числового значення з певною ймовірністю.

Якщо множина можливих значень випадкової величини є зчисленною то таку величину називають дискретною. У противному разі її називають неперервною.

Випадкові величини позначають великими літерами латинського алфавіту  X, Y, Z, ... , а їх можливі значення — малими х; у; z, ... .

Для опису випадкової величини необхідно навести не лише множину можливих її значень, а й указати, з якими ймовірностями ця величина набуває того чи іншого можливого значення.

З цією метою вводять поняття закону розподілу ймовірностей.

Співвідношення, що встановляє зв’язок між можливими значеннями випадкової величини та відповідними їм імовірностями, називають законом розподілу випадкової величини.

Закон розподілу дискретної випадкової величини Х можна задати в табличній формі або за допомогою ймовірнісного многокутника.

У разі табличної форми запису закону подається послідовність можливих значень випадкової величини Х, розміщених у порядку зростання, та відповідних їм імовірностей:

Х = хі

х1

х2

х3

......

хk

Р(Х = хі) = рі

р1

р2

р3

.....

рk

Оскільки випадкові події (Х = хj) і (Х = хm) є між собою несумісними ((Х = хі) ∩ (Х = хm) = Æ, і  m; і, m = 1, 2, …, k) і утворюють повну групу , то необхідною є така умова:

     

Рівність називають умовою нормування для дискретної випадкової величини Х. Наведену таблицю називають рядом розподілу.

    Закон розподілу ймовірностей можна унаочнити графічно.

Для цього візьмемо систему координат рі О хі, відклавши на осі абсцис можливі значення випадкової величини хі, а на осі ординат —
імовірності рі цих можливих значень. Точки з координатами (хі; рі) послідовно сполучимо відрізками прямої. Утворену при цьому фігуру називають імовірнісним многокутником.

Функція розподілу ймовірностей
(інтегральна функція) та її властивості

Закон розподілу ймовірностей можна подати ще в одній формі, яка придатна і для дискретних, і для неперервних випадкових величин, а саме: як функцію розподілу ймовірностей випадкової величини F(х), так звану інтегральну функцію.

Функцію аргументу х, що визначає ймовірність випадкової події Х < x, називають функцією розподілу ймовірностей:

F(x) = P(X < x) 

Цю функцію можна тлумачити так: унаслідок експерименту випадкова величина може набути значення, меншого за х .

Наприклад, F(5) = P(X < 5) означає, що в результаті експерименту випадкова величина Х (дискретна чи неперервна) може набути значення, яке міститься ліворуч від х = 5.

Розглянемо властивості F(x):

1.

Ця властивість випливає з означення функції розподілу.

2.  є неспадною функцією, а саме , якщо .

Із другої властивості F(x) випливають наведені далі висновки:

1. Імовірність того, що випадкова величина Х набуде можливого значення , дорівнює приросту інтегральної функції F(x) на цьому проміжку:

                    

2. Якщо випадкова величина Х є неперервною, то ймовірність того, що вона набуде конкретного можливого значення, завжди дорівнює нулю:

Отже, для неперервної випадкової величини Х справджуються такі рівності:

    

3. Якщо , виконуються два подані далі співвідношення.

1)

Оскільки подія Х < – ¥ полягає в тому, що випадкова величина набуває значення, яке міститься ліворуч від – ¥. А така подія є неможливою (Æ).

2)

Подія Х <  полягає в тому, що випадкова величина Х набуває числового значення, яке міститься ліворуч від + ¥. Ця подія є віро-
гідною (Ώ), оскільки будь-яке число X = x <.

Із цих двох співвідношень випливає висновок: якщо можливі значення випадкової величини Х належать обмеженому проміжку [а; b], то

                            

Щільність імовірностей  (диференціальна функція)
f
 (x) і її властивості

Для неперервних випадкових величин закон розподілу ймовір-
ностей зручно описувати з допомогою щільності ймовірностей, яку позначають f (x).

Щільністю ймовірностей неперервної випадкової величини Х називається перша похідна від інтегральної функції F(x):

звідки

Оскільки

то добуток f (x) dx — ймовірність того, що випадкова величина Х міститиметься у проміжку [х, х + dx], де .

Геометрично на графіку щільності ймовірності f (x) dx відповідає площа прямокутника з основою dx і висотою f (x).

Властивості f (x)

1.  . Ця властивість випливає з означення щільності ймовірності як першої похідної від F(x) за умови, що F(x) є неспадною функцією.

2. Умова нормування неперервної випадкової величини Х:

                               

Якщо неперервна випадкова величина Х визначена лише на проміжку [a; b], то умова нормування має такий вигляд:

                                  

3. Імовірність попадання неперервної випадкової величини в інтервалі  обчислюється за формулою

                              

4. Функція розподілу ймовірностей неперервної випадкової величини має вигляд

                          

Якщо можливі значення неперервної випадкової величини належать лише інтервалу [а; b], то

                             

Приклад . Закон розподілу неперервної випадкової величини Х такий:

Знайти f (x) і побудувати графіки функцій f (x), F(х). Обчислити
Р(0 < X < 2)

Розв’язання.

Графіки функцій F(x), f (x) зображено відповідно на рис. 5 і 6.

Імовірність події 0 < X < 2 обчислимо:

;

далі маємо

 

 

Числові характеристики випадкових
                      величин та їх властивості

 

  Закон розподілу ймовірностей як для дискретних, так і для неперервних випадкових величин дає повну інформацію про них. Проте на практиці немає потреби так докладно описувати ці величини, а достатньо знати лише певні параметри, що характеризують їх істотні ознаки. Ці параметри і називають числовими характеристиками випадкових величин.

Математичне сподівання

Однією з найчастіше застосовуваних на практиці характеристик є математичне сподівання.

Термін «математичне сподівання» випадкової величини Х є синонімом терміна «середнє значення» випадкової величини X.

Математичним сподіванням випадкової величини Х, визначеною на дискретному просторі Ω, називається величина

.                             

Якщо Ω — обмежена множина, то

.                             

Якщо простір Ω є неперервним, то математичним сподіванням неперервної випадкової величини Х називається величина

.                         

Якщо Ω = (– ¥; ¥), то

.                         

Якщо Ω = [a; b], то

                          

Властивості математичного сподівання

1. Математичне сподівання від сталої величини С дорівнює самій сталій:

М (С) = С.                           

Справді, сталу С можна розглядати як випадкову величину, що з імовірністю, яка дорівнює одиниці, набуває значення С, а тому
М (С) = С
× 1 = С.

2.                       М (СХ) = СМ (Х).                     

Для дискретної випадкової величини маємо

.

Для неперервної:

3. Якщо А і В є сталими величинами, то            

.                             

Для дискретної випадкової величини:

.

Для неперервної випадкової величини:

Приклад 1. Закон розподілу дискретної випадкової величини задано таблицею:

хі

– 6

– 4

2

4

6

8

рі

0,1

0,1

0,2

0,3

0,1

0,2

Обчислити М (Х).

Розв’язання.

Приклад 2. За заданою щільністю ймовірностей

обчислити М (Х).

Розв’язання. Маємо:

Якщо випадкова величина Х Î [а; b], то М (Х) Î [а; b], а саме: математичне сподівання випадкової величини має обов’язково міститься всередині інтервалу [а; b], являючи собою центр розподілу цієї величини.

Мода та медіана випадкової величини

Модою (Мo) дискретної випадкової величини Х називають те її можливе значення, якому відповідає найбільша ймовірність появи.

Модою для неперервної випадкової величини Х називають те її можливе значення, якому відповідає максимальне значення щільності ймовірності:

f (Mо) = max.

Якщо випадкова величина має одну моду, то такий розподіл імовірностей називають одномодальним; якщо розподіл має дві моди — двомодальним і т. ін. Існують і такі розподіли, які не мають моди. Їх називають антимодальними.

Медіаною (Ме) неперервної випадкової величини Х називають те її значення, для якого виконуються рівність імовірностей подій:

                                                                   

Отже, медіану визначають із рівняння.

Приклад 3. Робітник під час роботи обслуговує три верстати-автомати. Імовірність того, що верстат-автомат потребує уваги робітника за певний проміжок часу, — величина стала і дорівнює 0,8.

Побудувати закон розподілу ймовірностей дискретної випадкової величини Х — числа верстатів, які потребують уваги робітника за певний проміжок часу. Знайти Мо.

Розв’язання.

Можливі значення випадкової величини:

Х = 0, 1, 2, 3.

Імовірності цих можливих значень такі:

p1 = (0,2)3 = 0,008;

p2 = 3р q2 = 3 × 0,8 × 0,04 = 0,096;

p3 = 3p2q = 3 × 0,64 × 0,2 = 0,384;

p4 = p3 = (0,8)3 = 0,512.

Запишемо закон таблицею:

хі

0

1

2

3

рі

0,008

0,096

0,384

0,512

Із таблиці визначаємо Мo = 3.

Отже, дістаємо одномодальний розподіл.

 

Дисперсія та середнє квадратичне відхилення

Математичне сподівання не дає достатньо повної інформації про випадкову величину, оскільки одному й тому самому значенню М (Х) може відповідати безліч випадкових величин, . які будуть різнитися не лише можливими значеннями, а й характером розподілу і самою природою можливих значень.

Приклад 4. Закони розподілу випадкових величин Х і Y задані таблицями:

хі

– 0,5

– 0,1

0,1

0,5

рі

0,4

0,1

0,1

0,4

 

уj

– 100

– 80

– 10

10

10

80

pj

0,1

0,2

0,2

0,2

0,1

0,2

Обчислити М (Х) і М (Y).

Отже, два закони розподілу мають однакові математичні сподівання, хоча можливі значення для випадкових величин Х і Y істотно різні. Із наведеного прикладу бачимо, що в разі рівності математичних сподівань (М (X) = М (Y) = 0) випадкові величини Х і Y мають тенденцію до коливань відносно М (X) та М (Y), причому Y має більший розмах розсіювання відносно М (Y), ніж випадкова величина Х відносно М (Х). Тому математичне сподівання називають центром розсіювання. Для вимірювання розсіювання вводиться числова характеристика, яку називають дисперсією.

Для визначення дисперсії розглядається відхилення випадкової величини Х від свого математичного сподівання (ХМ (Х))

Математичне сподівання такого відхилення випадкової величини Х завжди дорівнює нулю. Справді,

.

Отже, відхилення не може бути мірою розсіювання випадкової величини.

Дисперсією випадкової величини Х називається математичне сподівання квадрата відхилення цієї величини

.                        

Для дискретної випадкової величини Х дисперсія

;                     

для неперервної

.                   

Якщо Х Î [а; b],

то                       .                    

Властивості дисперсії

1. Якщо С — стала величина, то

.                                

Справді

.

2. .                                                  

Маємо:

3. Якщо А і В — сталі величини, то

.                            

Адже

Дисперсію можна обчислити і за такою формулою:

                      

Доведення.

Для дискретної випадкової величини Х

;                       

для неперервної

.                    

Якщо Х Î [а; b], то

                                                       

Слід пам’ятати, що дисперсія не може бути від’ємною величиною .

Отже, дисперсія характеризує розсіювання випадкової величини відносно свого математичного сподівання. Якщо випадкова величина виміряна в деяких одиницях, то дисперсія вимірюватиметься в цих самих одиницях, але в квадраті.

Тому доцільно мати числову характеристику такої самої вимірності, як і випадкова величина. Такою числовою характеристикою є середнє квадратичне відхилення.

Середнім квадратичним відхиленням випадкової величини Х називають корінь квадратний із дисперсії:

.                         

Приклад 5. Закон розподілу дискретної випадкової величини Х задано таблицею:

хі

– 4

– 2

1

2

4

6

рі

0,1

0,2

0,3

0,2

0,1

0,1

Обчислити D (X), s (X).

Початкові та центральні моменти

Узагальненими числовими характеристиками випадкових величин є початкові та центральні моменти.

Початковим моментом k-го порядку випадкової величини Х називають математичне сподівання величини Х k:

.                       

Коли  коли k = 2,  і т. д.

Для дискретної випадкової величини Х

;                             

для неперервної

.                              

Якщо Х Î [а; b], то

.                               

Центральним моментом k-го порядку називається математичне сподівання від (ХМ(Х))k:

             

Коли

коли k = 2, ;

коли k = 3,

коли k = 4, .

Для дискретної випадкової величини

                           

для неперервної

                          

Якщо Х Î [а; b], то

.                         

Асиметрія і ексцес

Третій центральний момент характеризує асиметрію закону розподілу випадкової величини. Якщо m3 = 0, то випадкова величина Х симетрично розподілена відносно М (Х). Оскільки m3 має розмірність випадкової величини в кубі, то вводять безрозмірну величину - коефіцієнт асиметрії:

.                                 

Центральний момент четвертого порядку використовується для визначення ексцесу, що характеризує плосковершинність, або гостровершинність щільності ймовірності f (x). Ексцес обчислюється за формулою

                              

Зауважимо, що число 3 віднімається ось чому. Для центрального закону розподілу, так званого нормального закону, виконується рівність:

 Отже, Еs = 0.