Шпаргалки по ТеорВер (Шпора по теории), страница 3

Сформулируем правило определения функции распределения F_Y(y) по заданной плотности распределения p_X(x). F_Y(y) - вероятность события {Y<y}, состоящая из тех элементарных исходов , для которых Y(X()) < y. Для этих же элементарных исходов  случайная величина X() будет принимать свои возможные значения на некоторой совокупности {_k}, k=1,2,…, непересекающихся промежутков числовой прямой R, т. е. событие {Y(X()) < y} эквивалентно событию , и, следовательно, по расширенной аксиоме сложения вероятностей . Зная плотность распределения p_X(x) случайной величины X, имеем: , а следовательно, учитывая свойство аддитивности определенного интеграла, получаем: , где сумма может быть и бесконечной. Поскольку совокупность промежутков {_k} определена как множество тех значений случайной величины X(), для которых Y(X()) < y, то для множества , по которому ведется интегрирование, принято обозначение: Y(x) < y. Окончательно получаем: .

22. Сформулируйте и решите задачу о нахождении закона распределения функции : G  Q случайных величин, где G  Rⁿ, Q  Rⁿ и уравнение Y = (X) имеет единственное решение в G для каждого Y  Q. ????????????????????????????????????????????????????????????????????????????

23. Дайте определение независимых случайных величин. Каким основным свойством обладает совместный закон распределения независимых случайных величин?

Независимые случайные величины – по значению одной случайной величины нельзя судить о значении другой.

Случайные величины X и Y называются независимыми, если совместная функция распределения F_YX(x,y) является произведением одномерных функций распределения F_X(x) и F_Y(y): F_YX(x,y)= F_X(x)F_Y(y).

Случайную величину Y = Y(X₁, X₂) = Y(X₁(), X₂()) называют функцией (скалярной) от двумерной случайной величины. p_ij = P{X₁=x_1i, X₂=x_2j}. Функция распределения: .

Если X₁ и X₂ независимые случайные величины, т. е. p_X1,X2(x₁, x₂) = p_X1(x₁) p_X2(x₂), а случайная величина Y=X₁+X₂ . Тогда Y(x₁, x₂) = x₁+x₂, по формуле функции распределения находим: . Плотность распределения суммы X₁ и X₂: . В этом случае говорят, что плотность распределения случайной величины Y является сверткой (композицией) плотностей распределения слагаемых X₁ и X₂. Соотношение условно записывается в виде: p_Y = p_X2 * p_X!.

24. Что называют математическим ожиданием скалярной функции случайных величин? Сформулируйте и докажите основные свойства математического ожидания.

Математическим ожиданием (средним значением) МХ дискретной случайной величины Х называют сумму произведений значений x_i случайной величины и вероятностей p_i = P{X=x_i}, с которыми случайная величина принимает эти значения: . При этом, если множество возможных значений случайной величины счетно, предполагается, что . В противном случае говорят, что МХ не существует.

Математическим ожиданием (средним значением) МХ непрерывной случайной величины называют интеграл . При этом предполагается, что .

Пусть Y(X) – функция от случайной величины

; ;

Для функций случайных величин математическое ожидание вычисляется аналогично.

Математическое ожидание удовлетворяет следующим свойствам:

1. Если случайная величина Х принимает всего одно значение с вероятностью 1, то МС=С.

2. M(aX+b) = aMX+b, где a, b – постоянные

3. M(X₁+X₂) = MX₁+MX₂

4. M(X₁X₂) = MX₁MX₂ для независимых случайных величин.

Доказательство состоит в раскрытии сумм и интегралов.

25. Что называют дисперсией скалярной случайной величины? Сформулируйте и докажите основные свойства дисперсии.

Дисперсией DX(второй центральный момент) случайной величины X называют математическое ожидание квадрата отклонения случайной величины Х от ее среднего значения, т. е. DX = M(X-MX)².

, .

Дисперсия удовлетворяет следующим свойствам:

1. Если случайная величина Х принимает всего одно значение С, то DC=0

2. D(aX+b) = a²DX

3. DX = MX²-(MX)²

4. D(X+Y) = DX + DY для независимых случайных величин.

Доказательство опирается на свойства математического ожидания.

26. Дайте определение ковариации двух скалярных случайных величин. Сформулируйте и докажите основные свойства ковариации.

Ковариацией (корреляционным моментом) cov(X₁, X₂) случайных величин X₁, X₂ называют математическое ожидание произведения случайных величин :

.

Для дискретных случайных величин X₁, X₂: .

Для непрерывных случайных величин X₁, X₂: .

D(X+Y) = DX+DY+2cov(X, Y).

Ковариация имеет следующие свойства:

1. cov(X, X) = DX

2. cov(X₁, X₂) = 0 для независимых случайных величин X₁ и X₂

3. Если Y_i = a_iX_i+b_i, i=1,2, то cov(Y₁, Y₂) = a₁a₂cov(X₁, X₂)

5. для линейно зависимых X₁ и X₂: X₂ = aX₁+b

6. cov(X₁, X₂) = M(X₁X₂) – MX₁ MX₂.

Доказательство. Утверждение 1 вытекает из очевидного соотношения: cov(X, X) = M(X-MX)². Если случайные величины Х₁ и Х₂ являются независимыми и имеют математические ожидания, то cov(X₁, X₂) = M((X₁-MX₁)(X₂-MX₂) = (M(X₁-MX₂))(M(X₂-MX₂)), откуда приходим к утверждению 2. Пусть Y₁ = a₁X₁+b₁, Y₂ = a₂X₂+b₂. Тогда cov(Y₁, Y₂) = M((Y₁-MY₁)(Y₂-MY₂)) = M((a₁X₁+b₁-a₁MX₁-b₁)(a₂X₂+b₂-a₂MX₂-b₂)) = M(a₁a₂(X₁-MX₁)(X₂-MX₂)). Поэтому справедливо утверждение 3. Рассмотрим дисперсию случайной величины Y_x = xX₁-X₂, где х – произвольное число. В силу свойств дисперсии и свойства 3 ковариации DY_x = D(xX₁)+2cov(xX₁,-X₂)+D(-X₂) = x²DX₁-2xcov(X₁, X₂)+DX₂. Дисперсия DY_x, как функции от x, представляет собой квадратный трехчлен. Но дисперсия любой случайной величины не может быть меньше нуля, а это означает, что дискриминант D = (2cov(X₁, X₂))²-4DX₁DX₂ квадратного трехчлена DY_x является неположительным, т. е. имеет место утверждение 4. Далее, пусть выполнено равенство 5. Значит дискриминант равен нулю, и уравнение DY_x = 0 имеет решение, которое обозначим a. Тогда случайная величина Y_a = aX₁-X₂ принимает всего одно значение (допустим, b), и, следовательно, X₂ = aX₁+b. Наоборот, пусть выполнено X₂ = aX₁+b. Тогда в соответствии со свойством 1 дисперсии DY_x = 0, а значит дискриминант является неотрицательным. Поскольку при доказательстве свойства 4 было показано, что этот дискриминант неположителен, то он равен нулю, откуда следует . Утверждение 6 получается раскрытием скобок в формуле ковариации и использованием свойств математического ожидания.

27. Что понимают под коэффициентом корреляции двух скалярных случайных величин? Сформулируйте и докажите основные свойства коэффициента корреляции.

Коэффициентом корреляции случайных величин X и Y называют число  = (X, Y), определяемое равенством (предполагается, что DX>0 и DY>0): .

Коэффициент корреляции имеет следующие свойства:

1. (X, X) = 1

2. Если случайные величины X и Y являются независимыми (и существуют DX>0 и DY>0), то (X, Y) = 0.

3. (a₁X₁+b₁, a₂X₂+b₂) = (X₁, X₂). При этом знак плюс нужно брать в том случае, когда a₁ и a₂ имеют одинаковые знаки, минус – разные.

4. –1  (X, Y)  1

5. |(X, Y)| = 1 тогда и только тогда, когда случайные величины X и Y линейно зависимы.

Доказательство следует из свойств ковариации.

28. Дайте определение ковариационной матрицы случайного вектора. Сформулируйте и докажите основные свойства ковариационной матрицы.

Матрицей ковариаций (ковариационной матрицей) случайного вектора называют матрицу , состоящую из ковариаций случайных величин X_i и X_j.

Свойства матрицы ковариаций.

1. Матрица ковариаций является симметрической.

2. Пусть m-мерный случайный вектор получен из n-мерного случайного вектора с помощью линейного преобразования B, т. е. . Тогда матрица ковариаций случайного вектора связана с матрицей ковариаций случайного вектора соотношением .

3. Матрица ковариаций является неотрицательно определенной, т. е. для всех векторов

Доказательство. Утверждение 1 следует из определения матрицы ковариаций. Пусть матрица В линейного преобразования имеет вид B = (b_ij). Вычислим ковариацию случайных величин Y_i и Y_j: . Записывая последнее равенство в матричной форме, получаем утверждение 2. Для доказательства утверждения 3 рассмотрим скалярную случайную величину . В случае скалярной случайной величины Y ее дисперсия , и поэтому в соответствии с утверждением 2 имеем: , откуда в силу неотрицательности дисперсии получаем утверждение 3.

29. Что понимают под условным законом распределения? Докажите равенство , где - непрерывный случайный вектор.

Для двумерной дискретной случайной величины (X, Y) условной вероятностью , того, что случайная величина X примет значение x_i при условии Y = y_j, называют условную вероятность события {X=x_i} при условии события {Y=y_j}, т. е. . Набор вероятностей характеризует условное распределение дискретной случайной величины X при условии Y = y_j.