Преобразования случайных величин

По каждой случайной величине Х определяют еще три величины – центрированную Y , нормированную V и приведенную U . Центрированная случайная величина Y – это разность между данной случайной величиной Х и ее математическим ожиданием М(Х), т.е. Y = Х – М(Х). Математическое ожидание центрированной случайной величины Y равно 0, а дисперсия – дисперсии данной случайной величины: М(Y ) = 0, D (Y ) = D (X ). Функция распределения F Y (x ) центрированной случайной величины Y связана с функцией распределения F (x ) исходной случайной величины X соотношением:

F Y (x ) = F (x + M (X )).

Для плотностей этих случайных величин справедливо равенство

f Y (x ) = f (x + M (X )).

Нормированная случайная величина V – это отношение данной случайной величины Х к ее среднему квадратическому отклонению , т.е. . Математическое ожидание и дисперсия нормированной случайной величины V выражаются через характеристики Х так:

,

где v – коэффициент вариации исходной случайной величины Х . Для функции распределения F V (x ) и плотности f V (x ) нормированной случайной величины V имеем:

где F (x ) – функция распределения исходной случайной величины Х , а f (x ) – ее плотность вероятности.

Приведенная случайная величина U – это центрированная и нормированная случайная величина:

.

Для приведенной случайной величины

Нормированные, центрированные и приведенные случайные величины постоянно используются как в теоретических исследованиях, так и в алгоритмах, программных продуктах, нормативно-технической и инструктивно-методической документации. В частности, потому, что равенства позволяют упростить обоснования методов, формулировки теорем и расчетные формулы.

Используются преобразования случайных величин и более общего плана. Так, если Y = aX + b , где a и b – некоторые числа, то

Пример 7. Если то Y – приведенная случайная величина, и формулы (8) переходят в формулы (7).

С каждой случайной величиной Х можно связать множество случайных величин Y , заданных формулой Y = aX + b при различных a > 0 и b . Это множество называют масштабно-сдвиговым семейством , порожденным случайной величиной Х . Функции распределения F Y (x ) составляют масштабно сдвиговое семейство распределений, порожденное функцией распределения F (x ). Вместо Y = aX + b часто используют запись

Число с называют параметром сдвига, а число d - параметром масштаба. Формула (9) показывает, что Х – результат измерения некоторой величины – переходит в У – результат измерения той же величины, если начало измерения перенести в точку с , а затем использовать новую единицу измерения, в d раз большую старой.

Для масштабно-сдвигового семейства (9) распределение Х называют стандартным. В вероятностно-статистических методах принятия решений и других прикладных исследованиях используют стандартное нормальное распределение, стандартное распределение Вейбулла-Гнеденко, стандартное гамма-распределение и др. (см. ниже).

Применяют и другие преобразования случайных величин. Например, для положительной случайной величины Х рассматривают Y = lg X , где lg X – десятичный логарифм числа Х . Цепочка равенств

F Y (x) = P(lg X < x) = P(X < 10 x) = F(10 x)

связывает функции распределения Х и Y .

Разность между случайной величиной и ее математическим ожиданием называется отклонением или центрированной случайной величиной :

Ряд распределения центрированной случайной величины имеет вид:

Свойства центрированной случайной величины:

1. Математическое ожидание отклонения равно 0:

2. Дисперсия отклонения случайной величины Х от ее математического ожидания равна дисперсии самой случайной величины Х:

Другими словами, дисперсия случайной величины и дисперсия ее отклонения равны между собой.

4.2. Если отклонение Х  М(Х) разделить на среднее квадратическое отклонение  (Х) , то получим безразмерную центрированную случайную величину, которая называется стандартной (нормированной) случайной величиной :

Свойства стандартной случайной величины:

Математическое ожидание стандартной случайной величины равно нулю: M (Z ) =0.

Дисперсия стандартной случайной величины равна 1: D (Z ) =1.

ЗАДАЧИ ДЛЯ САМОСТОЯТЕЛЬНОГО РЕШЕНИЯ

В лотерее на 100 билетов разыгрываются две вещи, стоимости которых 210 и 60 у.е. Составьте закон распределения суммы выигрыша для лица, имеющего: а) 1 билет, б) 2 билета. Найдите числовые характеристики.

Два стрелка стреляют по мишени один раз. Случайная величина Х – число очков, выбиваемых при одном выстреле первым стрелком, – имеет закон распределения:

Z – суммы очков, выбиваемых обоими стрелками. Определить числовые характеристики.

Два стрелка стреляют по своей мишени, делая независимо друг от друга по одному выстрелу. Вероятность попадания в мишень для первого стрелка равна 0,7, для второго – 0,8. Случайная величина Х 1 – число попаданий первого стрелка, Х 2  число попаданий второго стрелка. Найти закон распределения: а) общего числа попаданий; б) случайной величины Z =3Х 1  2Х 2 . Определить числовые характеристики общего числа попаданий. Проверить выполнение свойств математического ожидания и дисперсии: M (3 X  2 Y )=3 M (X )  2 M (Y ), D (3 X  2 Y )=9 D (X )+4 D (Y ).

Случайная величина Х – выручка фирмы – имеет закон распределения:

Найти закон распределения для случайной величины Z – прибыли фирмы. Определить ее числовые характеристики.

Случайные величины Х и У независимы и имеют один и тот же закон распределения:

Одинаковые ли законы распределения имеют случайные величины 2 Х и Х + У ?

Доказать, что математическое ожидание стандартной случайной величины равно нулю, а дисперсия равна 1.

Мат. Ожидание Мода Медиана

Важнейшая характеристика математическое ожидание , которая показывает среднее значение случайной величины.

Математическое ожидание величины Х обозначается М[X], или m x .

Для дискретных случайных величин математическое ожидание :

Сумма значений соответствующего значения на вероятность случайных величин.

Модой (Mod) случайной величины Х называют ее наиболее вероятное значение.

Для дискретной случайной величины. Для непрерывной случайной величины.

Одно-модальное распределение

Много модальное распределение

В общем случае Mod и математическое ожидание не

совпадают.

Медианой (Med) случайной величины Х называют такое значение, для которой вероятность того что P(XMed). У любого распределения Med может быть только один.

Med разделяет площадь под кривой на 2 равные части. В случае одно-модального и симметричного распределения

Моменты.

Чаще всего на практике применяются моменты двух видов начальное и центральное.

Начальный момент. -го порядка дискретной случайной величины Х называется сумма вида:

Для непрерывной случайной величины Х начальным моментом порядка называется интеграл , очевидно, что математическое ожидание случайной величины есть первый начальный момент.

Пользуясь знаком (оператором) М, начальный момент -го порядка можно представить как мат. ожидание -ой степени некоторой случайной величины.

Центрированной случайной величиной соответственной случайной величины Х называют отклонение случайной величины Х от ее математического ожидания:

Математическое ожидание центрированной случайной величины равно 0.

Для дискретных случайных величин имеем:

Моменты центрированной случайной величины носят название Центральных моментов

Центральный момент порядка случайной величины Х называют математическим ожиданием -ой степени соответствующей центрированной случайной величины.

Для дискретных случайных величин:

Для непрерывных случайных величин:

Связь между центральными и начальными моментами различных порядков

Из всех моментов в качестве характеристики случайной величины чаще всего применяют первый момент (мат. ожидание) и второй центральный момент .

Второй центральный момент называют дисперсией случайной величины. Он имеет обозначение:

Согласно определению

Для дискретной случайной величины:

Для непрерывной случайной величины:

Дисперсия случайной величины есть характеристика рассеянности (разбросанности) случайных величин Х около ее математического ожидания.

Дисперсия означает рассеивание. Дисперсия имеет размерность квадрата случайной величины.

Для наглядной характеристики рассеивания удобнее использовать величину, m y той, что и размерность случайной величины. С этой целью из дисперсии извлекают корень и получают величину, называемую - среднеквадратичным отклонением (СКО) случайной величины Х, при этом вводят обозначение:

Среднеквадратичное отклонение иногда называют "стандартом" случайной величины Х.

ХАРАКТЕРИСТИКИ РАЗБРОСА

От характеристик положения - математического ожидания, медианы, моды - перейдем к характеристикам разброса случайной величины X. дисперсии D{X) = а 2 , среднему квадратическому отклонению а и коэффициенту вариации v. Определение и свойства дисперсии для дискретных случайных величин рассмотрены в предыдущей главе. Для непрерывных случайных величин

Среднее квадратическое отклонение - это неотрицательное значение квадратного корня из дисперсии:

Коэффициент вариации - это отношение среднего квадратического отклонения к математическому ожиданию:

Коэффициент вариации - применяется при М(Х) > О - измеряет разброс в относительных единицах, в то время как среднее квадратическое отклонение - в абсолютных.

Пример 6. Для равномерно распределенной случайной величины X найдем дисперсию, среднеквадратическое отклонение и коэффициент вариации. Дисперсия равна:

Замена переменной дает возможность записать:

где с = ф - аУ2.

Следовательно, среднее квадратическое отклонение равно а коэффициент вариации таков:

ПРЕОБРАЗОВАНИЯ СЛУЧАЙНЫХ ВЕЛИЧИН

По каждой случайной величине X определяют еще три величины - центрированную Y, нормированную V и приведенную U. Центрированная случайная величина Y - это разность между данной случайной величиной X и ее математическим ожиданием М(Х), т.е. Y = X - М(Х). Математическое ожидание центрированной случайной величины Y равно 0, а дисперсия - дисперсии данной случайной величины:

Функция распределения Fy(x) центрированной случайной величины Y связана с функцией распределения F(x ) исходной случайной величины X соотношением:

Для плотностей этих случайных величин справедливо равенство

Нормированная случайная величина V - это отношение данной случайной величины X к ее среднему квадратическому отклонению а, т.е. V = XIо. Математическое ожидание и дисперсия нормированной случайной величины V выражаются через характеристики X так:

где v - коэффициент вариации исходной случайной величины X. Для функции распределения Fv(x) и плотности fv(x) нормированной случайной величины V имеем:

где F{x) - функция распределения исходной случайной величины X; fix) - ее плотность вероятности.

Приведенная случайная величина U - это центрированная и нормированная случайная величина:

Для приведенной случайной величины

Нормированные, центрированные и приведенные случайные величины постоянно используются как в теоретических исследованиях, так и в алгоритмах, программных продуктах, нормативно-технической и инструктивно-методической документации. В частности, потому, что равенства M{U) = 0, D(lf) = 1 позволяют упростить обоснования методов, формулировки теорем и расчетные формулы.

Используются преобразования случайных величин и более общего плана. Так, если У = аХ + Ь, где а и b - некоторые числа, то

Пример 7. Если а = 1/G, b = -M(X)/G, то У - приведенная случайная величина, и формулы (8) переходят в формулы (7).

С каждой случайной величиной X можно связать множество случайных величин У, заданных формулой У = аХ + b при различных а > 0 и Ь. Это множество называют масштабно- сдвиговым семейством, порожденным случайной величиной X. Функции распределения Fy(x ) составляют масштабно-сдвиговое семейство распределений, порожденное функцией распределения F(x). Вместо У = аХ + b часто используют запись

Число с называют параметром сдвига, а число d - параметром масштаба. Формула (9) показывает, что X - результат измерения некоторой величины - переходит в К - результат измерения той же величины, если начало измерения перенести в точку с, а затем использовать новую единицу измерения, в d раз большую старой.

Для масштабно-сдвигового семейства (9) распределение X называют стандартным. В вероятностно-статистических методах принятия решений и других прикладных исследованиях используют стандартное нормальное распределение, стандартное распределение Вейбулла-Гнеденко, стандартное гамма-

распределение и др. (см. ниже).

Применяют и другие преобразования случайных величин. Например, для положительной случайной величины X рассматривают Y = IgX, где IgX - десятичный логарифм числа X. Цепочка равенств

связывает функции распределения X и Y.

Полной характеристикой случайной величины является закон распределения. На практике такая характеристика не всегда может быть получена из-за ограниченности экспериментальных результатов. В этих случаях вместо законов распределения используют приближенное описание случайных величин, которая получается с помощью минимального числа неслучайных характеристик. Количество этих характеристик должно быть небольшим, но должно отражать наиболее существенные особенности распределении:

· математическое ожидание случайной величины;

· дисперсия (момент нулевого порядка, 1-го).

Простейшей числовой характеристикой дискретной случайной величины Х – среднее значение: , где - среднее значение случайной величины; N – число испытаний; - значение случайной величины, которое оно принимает при N испытаний.

Для характеристики разброса значений дискретной случайной величины в данной серии опытов используется квадрат разности между значениями случайно величины и её средним значением: , где - статистическая дисперсия случайно величины Х. При практических расчетах вместо дисперсии применяется среднеквадратическое отклонение: , чем меньше , тем теснее группируются значения случайной величины около её среднего значения .

Если результаты экспериментов характеризуются не одной случайной величиной, а несколькими, то кроме рассмотренных характеристик вводятся величины, характеризующие степень зависимости между этими случайными величинами. В качестве такой характеристики, например для 2-х случайных величин х и у в данной серии опытов принята величина: . Равенство (4) статическим корреляционным моментом. При увеличении опытов значение частоты появления данного события будет приближаться к вероятности . А среднее арифметическое значение будет стремится к её математическому ожиданию : , где вероятность появления значения . Таким образом, математическим ожиданием дискретной случайной величины Х называется сумма произведений всех её возможных значений х на вероятность появления этих значений . , дисперсией случайной величины называется её математическое ожидание квадрата отклонения от этой величины от её математического ожидания. , где центрированная случайная величина, , . Корреляционный момент: , где - это вероятность того, что случайная величина х, у примут значения x i , y i , .

Для непрерывных случайных величин математическое ожидание, дисперсия и корреляционный момент определяются через плотность: .

Для независимых случайных величин: тогда , . Согласно (9) для независимых случайных величин потому, если двух случайных величин отличен от 0, то это указывает на наличие зависимости между этими случайными. Случайные величины для которых называются некорреляционными случайными величинами. характеризует не только зависимость величин, но и их рассеивание. Если, например, одна из величин Х или У мало отклоняется от своего математического ожидания, то корреляционный момент будет мал какой бы зависимостью эти величины мужду собой не обладали.

Для устранения этого недостатка вводится безразмерная характеристика, которая называется коэффициентом корреляции: . Если пользоваться механической интерпретацией, то абсциссу можно представить как центр тяжести фигуры, а дисперсию как момент инерции плоской фигуры.