Табл. 19.5.
Съответните вероятности се получават посредством сумиране редовете и стълбовете на вероятностите в таблица 19.4, което е показано в таблица 19.5. При получаване маргиналното разпределение на фактически се елиминира присъствието на другата величина и обратно.
По формулата за умножение на вероятностите, при всяко фиксирано имаме
(19.7) , ,
което задава условното разпределение на величината , при условие , . Формулата (19.7) изпълнява условието за нормировка, понеже
, .
Аналогично, условното разпределение на величината при условие се дава по формулите
(19.8) , .
Таблицата на съвместното разпределение ни позволява да елиминираме напълно едната величина, получавайки маргиналното разпределение на другата, а също така и да разглеждаме условното разпределение на едната величина, при условие, че другата има някаква определена стойност.
Величините и се наричат независими, когато всяко от събитията е независимо спрямо всяко от събитията , т.е. когато приемат стойности по независим една от друга начин.
Твърдение 19.1. Дискретните случайни величини и са независими тогава и само тогава, когато за всяка стойност на и за всяка стойност на е изпълнено равенството .
Доказателство. По определение и са независими тогава и само тогава, когато за всяко и всяко е изпълнено , което написано по друг начин означава . ?
Нека и са независими. Тогава от (19.7) и твърдение 19.1 получаваме
(19.9) , ,
което означава, че условното разпределение на при всяка стойност на съвпада с неговото безусловно (маргинално) разпределение. Аналогично е положението и при условното разпределение на . Направеният извод напълно съответства на интуитивните представи за независимост между случайни величини имайки предвид, че понятието разпределение се явява първично в теорията на случайните величини. Всъщност тази независимост на условните разпределения може да се възприеме и като определение за независимост между величините и .
При две дискретни случайни величини и , тяхната съвместна функция на разпределение се дава по формулата
(19.10) ,
откъдето лесно се установява, че , представлява индивидуалната (маргиналната) функция на разпределение за случайната величина , понеже
(19.11) .
Аналогично, ,
(19.12)
представлява индивидуалната функция на разпределение за случайната величина . От формулите (19.10-12) и твърдение 19.1 следва, че величините и са независими тогава и само тогава, когато .
Пример 19.9. Нека таблицата на вероятностите на съвместното разпределение на величините и има вида
|
|
|
|
|
|
|
0.1
|
0.1
|
0.3
|
0.5
|
|
0.2
|
0.2
|
0.1
|
0.5
|
|
0.3
|
0.3
|
0.4
|
|
Табл. 19.6.
В този случай величините и са зависими, понеже не е изпълнено условието за независимост , например .
При непрекъснатите величини нещата се описват на езика на плътностите. Съвместното разпределение на две непрекъснати случайни величини се характеризира посредством тяхната съвместна функция на плътност , която е неотрицателна и интегруема над при изпълнение на следното условие за нормировка
.
Ако е някакво измеримо множество в равнината, то вероятността на събитието се определя от формулата
,
която представлява двумерен аналог на (19.1).
За индивидуалните (маргиналните) плътности на величините имаме
и ,
които са непрекъснати аналози на "дискретните" формули (19.5) и (19.6). За условната плътност на при условие , която се бележи с , имаме
(19.13) ,
което е непрекъснат аналог на "дискретната" формула (19.7). Веднага се вижда, че е налице условието за нормировка
.
Аналогично, за условната плътност на при условие имаме
.
Непрекъснатите случайни величини и се наричат независими, когато всевъзможните събития и са независими, т.е. когато двете величини приемат стойности независимо една от друга.
Следното твърдение представлява аналог на твърдение 19.1 за случая на непрекъснати величини.
Твърдение 19.2. Непрекъснатите случайни величини и са независими тогава и само тогава, когато съвместната им плътност се явява произведение на двете маргинални плътности, т.е. когато е изпълнено . ?
В съдържанието на последното твърдение следва да се има предвид, че ако и се различават върху множество с мярка нула, то за всяко измеримо множество е изпълнено
,
следователно двете функции са неразличими в ролята им на съвместна плътност за величините и .
Ако и са независими, то според (19.13) и твърдение 19.2 имаме
,
което представлява непрекъснат аналог на формулата (19.9) и означава, че всичките условни плътности на са равни на безусловната плътност. Аналогично се получава и за условната плътност на . Последният факт може, както и втората част на твърдение 19.2 могат да се разглеждат поотделно в качеството на определение за независимост на непрекъснати случайни величини.
При непрекъснати случайни величини и , тяхната съвместна функция на разпределение се дава по формулата
,
което е непрекъснат аналог на (19.10). Оттук лесно се установява, че
и
представляват индивидуалните функции на разпределения за случайните величини и . От последните заключения и от твърдение 19.2 следва, че величините и са независими тогава и само тогава, когато , което е напълно аналогично с дискретния случай.
3. Действия със случайни величини. Нека е дискретна случайна величина, зададена чрез своите стойности и техните вероятности, , и нека е някаква функция, определена над стойностите на . Тогава под ще разбираме дискретна случайна величина със стойности , които приема със същите вероятности .
Пример 19.10. Ако е зададена чрез таблицата
Табл. 19.7.
Тогава случайната величина има следната таблица на разпределение
Табл. 19.8.
Нека сега е непрекъсната случайна величина с плътност и нека е някаква непрекъсната функция. Тогава представлява непрекъсната случайна величина, чиято плътност подлежи на определяне според дефинициите.
Пример 19.11. Нека величината , следва нормално стандартно разпределение, , което означава, че има плътност
,
и да разгледаме величината . Да потърсим израз за функцията на разпределение . Ще предполагаме , понеже при очевидно . Имаме
,
откъдето, след смяна на променливата , намираме
,
което означава, че има плътност
, ,
за което полагаме при . В този случай се казва, че има "хи квадрат" разпределение с една степен на свобода, .
Най-прости са линейните преобразования. Нека е случайна величина с функция на разпределение и нека , където и са константи, . Тогава за функцията на разпределение на случайната величина получаваме
(19.14) .
При по аналогичен начин се получава
.
Твърдение 19.3. Нека има нормално разпределение с параметри и . Тогава случайната величина има нормално разпределение с параметри и , .
Доказателство.По условие има плътност
,
и функция на разпределение . За определеност да предположим, че . Сега от (19.14) намираме
.
Извършваме смяна на променливите , след което получаваме
,
което доказва твърдението при . Случаят се изследва аналогично. ?
От твърдение 19.3 веднага следва, че ако , то величината
(19.15) ,
т.е. следва нормално стандартно разпределение. Действията, чрез които от се получава във формулата (19.15), се наричат центриране – изваждането на и нормиране – разделяне на .
Нека и са две нормално разпределени величини и . Тогава пак от твърдение (19.3) следва, че величината
има нормално разпределение с параметри и , т.е. е равна на . В този смисъл можем да напишем
,
приемайки случайните величини с едно и също разпределение за равни. Такава свобода на преминаване от едно нормално разпределение към друго има важно значение в теорията и практиката.
Нека и са случайни величини с известно съвместно разпределение. Тогава можем да разглеждаме величината . Ако и двете величини са дискретни, зададени както в таблица 19.4, то представлява дискретна случайна величина със стойности , които се приема с вероятности , , . В частност по този начин се определя сумата и произведението на двете случайни величини и . Когато и се предполагат независими, тяхното съвместно разпределение се определя изцяло от двете индивидуални разпределения, понеже в този случай .
Пример 19.12. Да разгледаме независимите случайните величини и , зададени чрез следните таблици
и да намерим разпределението на тяхната сума и тяхното произведение. Пресмятанията ще подредим в таблица. Имаме
Табл. 19.11.
За сумата получаваме следната таблица на разпределение
Табл. 19.12.
За произведението имаме
Табл. 19.13.
Когато и са непрекъснати, то разпределението на величината трябва да намерим въз основа на представянето
,
където е съвместната плътност на и . Тук двойният интеграл е над областта от , зададена от условието . В частност за сумата намираме
(19.16) .
Да извършим смяна на променливите и , която има якобиан
.
Тогава от (19.16) намираме
,
което означава, че има плътност , която се получава посредством формулата
(19.17) .
Нека и са независими. Тогава за тяхната съвместна плътност имаме , което заедно със (19.17) дава верността на
Теорема 19.1. Нека и са две непрекъснати и независими случайни величини. Тогава тяхната сума представлява непрекъсната случайна величина с плътност
(19.18) ,
където и са плътностите на и . ?
Интегралът в дясната страна на (19.18) се нарича конволюция на функциите и и се среща в много раздели на математическия анализ. Конволюцията на две функции е симетрична операция и интегралът (19.18) може да се запише във вида
.
Пример 19.13. Нека и са независими величини с равномерно разпределение в интервала , , . Всяка от тях има плътност , с графика показана на рис. 19.6.
Рис. 19.6.
|
Рис. 19.7.
|
|
Съгласно (19.18) за плътността на сумата намираме
и за и . Нейната графика е показана на рис. 19.7.
Могат да се разглеждат съвместни разпределения на повече от две случайни величини. Основните определения и свойства остават по същество идентични на случая за две величини. Всъщност важните за практиката заключения на теорията на вероятностите и математическата статистика се получават именно в случая когато се разглеждат много на брой случайни величини посредством тяхното съвместно разпределение.
В един от най-важните за статистиката случай, когато , , ..., са независими по съвкупност непрекъснати случайни величини, тяхната съвместна плътност представлява функция на променливи и се явява произведение от индивидуалните плътности на отделните величини,
.
Тази плътност описва разпределението на случайния вектор по характерния за две величини начин.
Вярна е следната
Теорема 19.2. Нека , , ..., са независими случайни величини, при което е разпределена нормално с параметри и , . Тогава тяхната линейна функция е случайна величина, която има нормално разпределение с параметри
и . ?
4. Числови характеристики на случайни величини. В този раздел ще разгледаме някои основни числови характеристики на случайните величини. Математическо очакване (средно) на дискретната случайна величина , , , се нарича числото (когато съществува)
.
Ако е непрекъсната с плътност , то нейното математическо очакване се определя от интеграла (когато съществува)
.
Математическото очакване представлява най-важната мярка за централна тенденция за дадена случайна величина. Ако си поставим задачата да се намери някакво единствено число, което по най-добър начин да представя поведението на величината, то въпросното число се явява нейното математическо очакване. Математическото очакване се бележи още с .
Ако е непрекъсната случайна величина, а е някаква непрекъсната функция, то намирането вида на разпределение на случайната величина в общия случай представлява трудна задача. Независимо от това, за математическото очакване на е валидна сравнително елементарна формула, която се съдържа в следното твърдение.
Твърдение 19.4. Нека е непрекъсната случайна величина с плътност . Тогава за математическото очакване на случайната величина е изпълнено
. ?
Горното твърдение може да се обобщи за две и повече случайни величини. Ако , то
,
където е съвместната плътност на и .
Дисперсията на дискретната случайна величина се нарича числото (когато съществува)
.
Ако е непрекъсната с плътност , то нейната дисперсия се определя от интеграла (когато съществува)
.
Числото се нарича стандартно отклонение на . Очевидно , което задава като друго означение за дисперсия.
Пример 19.14. Нека е дискретната величина, определена от таблицата
Табл. 19.14.
Тогава по определение
,
.
Пример 19.15. Нека е непрекъсната величина, която е разпределена равномерно в интервала . Тогава
,
.
Дисперсията представлява мярка за изменчивост на случайната величина, и се разглежда като мярка за отклонение от математическото очакване. Случайните величини с малка дисперсия са групирани около своето математическо очакване. От определенията се вижда, че дисперсията винаги е неотрицателно число. Ако дисперсията на една случайна величина е равна на нула, то тази величина е по същество константа, т.е. приема една единствена стойност с вероятност (определението не изключва възможността тя да приема и някои други стойности с вероятност нула).
Сподели с приятели: |