_учебник_ Теория вероятности. Н.И. Чернова. 2007 (1185320), страница 16
Текст из файла (страница 16)
. + ξk равна∞∞ZZαk−1fSk (x) = fSk−1 (u)fξk (x − u) du =uk−2 e−αu fξk (x − u) du.(k − 2)!−∞0Так как fξk (x − u) = 0 при x − u < 0, т. е. при u > x, то плотностьпод интегралом отлична от нуля, только если переменная интегрированияизменяется в пределах 0 6 u 6 x при x > 0. При x 6 0 подынтегральнаяфункция равна нулю. При x > 0 имеемZx k−1ααkfSk (x) =uk−2 e−αu α e−α(x−u) du =xk−1 e−αx .(k − 2)!(k − 1)!0= Γα, k , что и требовалось доказать.Поэтому Sk ⊂П р и м е р 45.
Равномерное распределение не является устойчивым относительно суммирования. Найдём функцию и плотность распределениясуммы двух независимых случайных величин с одинаковым равномернымна отрезке [0, 1] распределением, но не по формуле свёртки, а используягеометрическую вероятность.= U0, 1 — независимые случайные величины. Случайные веПусть ξ, η ⊂личины ξ и η можно считать координатами точки, брошенной наудачу вединичный квадрат.Тогда Fξ+η (t) = P(ξ + η < t) равна площади области внутри квадратапод прямой y = t − x. Эта область — заштрихованный на рис.
13 треугольник (при 0 < t 6 1) либо пятиугольник (при 1 < t 6 2). Получимфункцию распределения и плотность распределения суммы двух независимых равномерно распределённых на отрезке [0, 1] случайных величин:0,t 6 0,t 6∈ (0, 2),0, 1 t2 ,0 < t 6 1,Fξ+ η (t) = 2 1fξ+ η (t) = t,0 < t 6 1,2 , 1 < t 6 2,1−(2−t)22 − t, 1 < t 6 2.1,t > 2;88ГЛАВА VII. МНОГОМЕРНЫЕ РАСПРЕДЕЛЕНИЯyyt11txt 11 t xРис.
13. Область {ξ + η < t} в зависимости от tПолученное распределение называется «треугольным распределением»Симпсона. Видим, что распределение суммы независимых случайных величин с равномерным распределением не является равномерным.П р и м е р 46. Найдём функцию и плотность распределения частногодвух независимых случайных величин ξ и η, имеющих показательноераспределение с параметром 1.При x > 0 по теореме 30 имеем ZZη<x =fξ (u)fη (v) du dv,PξDxv< x. При этомгде область Dx есть множество точек (u, v) таких, чтоuдостаточно ограничиться положительными значениями u и v : показательно распределённые случайные величины могут принимать отрицательныезначения лишь с нулевой вероятностью.Вычислим интеграл по области Dx = {(u, v) | 0 < u < ∞, 0 < v < ux} :Z uxZ ∞η1P< x = e−u e−v dv du = 1 −.ξx+100У п р а ж н е н и е .
Провести вычисления и получить ответ.Таким образом, функция и плотность распределения частного имеютвид(1 1 , x > 0,1−, x > 0,2x+1F (x) =f (x) = (x + 1)0,0,x 6 0;x 6 0.Г Л А В А VIIIЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ РАСПРЕДЕЛЕНИЙЕсли я имею одинаковые шансы на получение aили b, то цена моему ожиданию равна (a + b)/2.Христиан Гюйгенс. О расчётах в азартной игре§ 1. Математическое ожидание случайной величиныО п р е д е л е н и е 35.
Математическим ожиданием E ξ случайнойвеличины ξ с дискретным распределением называется числоXXak P(ξ = ak ),ak p k =Eξ =kkPесли данный ряд абсолютно сходится, т. е. если|ai |pi < ∞. В противномслучае говорят, что математическое ожидание не существует .О п р е д е л е н и е 36. Математическим ожиданием E ξ случайнойвеличины ξ с абсолютно непрерывным распределением с плотностью распределения fξ (x) называется число∞ZEξ =x fξ (x) dx,−∞если этот интеграл абсолютно сходится, т. е. если∞Z|x| fξ (x) dx < ∞.−∞Математическое ожидание (иначе называемое средним значением илипервым моментом) имеет простой физический смысл: если на прямой разместить единичную массу, поместив в точки ai массу pi (для дискретного распределения) или «размазав» её с плотностью fξ (x) (для абсолютно90ГЛАВА VIII.
ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ РАСПРЕДЕЛЕНИЙнепрерывного распределения), то точка E ξ будет координатой «центратяжести» прямой.П р и м е р 47. Пусть случайная величина ξ равна числу очков, выпадающих при одном подбрасывании кубика. ТогдаEξ =6Xk·k=111= (1 + 2 + 3 + 4 + 5 + 6) = 3,5.66В среднем при одном подбрасывании кубика выпадает 3,5 очка.П р и м е р 48. Пусть случайная величина ξ — координата точки, брошенной наудачу на отрезок [a, b]. ТогдаZbEξ =abb 2 − a21a+b=x·dx ==b−a2(b − a) a2(b − a)2x2Центр тяжести равномерного распределения есть середина отрезка.§ 2. Свойства математического ожиданияВо всех свойствах предполагается, что рассматриваемые математические ожидания существуют.(E1) Для произвольной борелевской функции g : R → RXg(ak )P(ξ = ak ), если распределение ξ дискретно и ряд kабсолютно сходится;∞ZE g(ξ) =g(x)fξ (x) dx,если распределение ξ абсолютно непрерывно и интеграл абсолютно сходится.−∞Д о к а з а т е л ь с т в о.
Мы докажем это свойство (как и почти все дальнейшие) только для дискретного распределения. Пусть g(ξ) принимаетзначения c1 , c2 , . . . с вероятностямиXP(g(ξ) = cm ) =P(ξ = ak ) .k: g(ak )=cmТогдаE g(ξ) =Xcm P(g(ξ) = cm ) =m=XmXXm k: g(ak )=cmcmXP(ξ = ak ) =k: g(ak )=cmg(ak ) P(ξ = ak ) =Xkg(ak ) P(ξ = ak ) .§ 2. Свойства математического ожидания91С л е д с т в и е 10. Математическое ожидание ξ существует тогдаи только тогда, когда E |ξ| < ∞.Д о к а з а т е л ь с т в о. Условием существование математического ожидания является абсолютная сходимость ряда или интеграла в определениях 35 и 36. Это в точности есть условие E g(ξ) < ∞ при g(x) = |x|.(E2) Математическое ожидание постоянной равно ей самой: E c = c.(E3) Постоянную можно вынести за знак математического ожидания:E (c ξ) = c E ξ.Д о к а з а т е л ь с т в о.
Следует из свойства (E1) при g(x) = c x.(E4) Математическое ожидание суммы любых случайных величин равно сумме их математических ожиданий, если только эти математическиеожидания существуют:E (ξ + η) = E ξ + E η.Д о к а з а т е л ь с т в о. Пусть случайные величины ξ и η имеют дискретные распределения со значениями xk и yn соответственно. Для борелевской функции g : R2 → R можно доказать свойство, аналогичное (E1)(сделать это ). Воспользуемся этим свойством для g(x, y) = x + y :XE (ξ + η) =(xk + yn )P(ξ = xk , η = yn ) ===k, nXkXkxkXP(ξ = xk , η = yn ) +nxk P(ξ = xk ) +XnXynXP(ξ = xk , η = yn ) =kyn P(η = yn ) = E ξ + E η.n(E5) Если ξ > 0 п. н., т.
е. если P(ξ > 0) = 1, то E ξ > 0.У п р а ж н е н и е . Доказать для дискретного и для абсолютно непрерывного распределений.З а м е ч а н и е . Сокращение «п. н.» читается как «почти наверное» иозначает «с вероятностью 1 ». По определению, математическое ожидание — это числовая характеристика распределения. Распределение же неизменится от изменения случайной величины на множестве нулевой вероятности. Поэтому, например, даже если ξ(ω) > 0 не при всех ω, а намножестве единичной вероятности, математическое ожидание ξ всё равнонеотрицательно.(E6) Если ξ > 0 п.
н. и при этом E ξ = 0, то ξ = 0 п. н.92ГЛАВА VIII. ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ РАСПРЕДЕЛЕНИЙД о к а з а т е л ь с т в о. Это свойство мы докажем, заранее предполагая,что ξ имеет дискретное распределениес неотрицательными значениямиPak > 0. Равенство E ξ =ak pk = 0 означает, что все слагаемые в этойсумме равны нулю, т. е. все вероятности pk нулевые, кроме вероятности,соответствующей значению ak = 0.Из свойств (E5) и (E6) следуют полезные утверждения.С л е д с т в и е 11. Если ξ 6 η п. н., то E ξ 6 E η.С л е д с т в и е 12. Если a 6 ξ 6 b п.
н., то a 6 E ξ 6 b.(E7) Если ξ и η независимы и их математические ожидания существуют, то E (ξη) = E ξ E η.Д о к а з а т е л ь с т в о. В дискретном случаеXE (ξη) =(xk yn ) P(ξ = xk , η = yn ) ==k, nXxk P(ξ = xk )Xyn P(η = yn ) = E ξ E η.nkЗ а м е ч а н и е . Обратное утверждение к свойству (E7) неверно: из равенства E (ξη) = E ξ E η не следует независимость величин ξ и η.П р и м е р 49. Пусть ξ принимает значения 0 и ±1 с вероятностямипо 1/3 каждое, и η = ξ2 .
Это зависимые случайные величины:P(ξ = 1, η = 0) = P(ξ = 1, ξ2 = 0) = 0 6=11· = P(ξ = 1) P(η = 0).33Однако E ξ = 0 и E (ξη) = E (ξ3 ) = 0, поэтому E (ξη) = E ξ E η.= U0, 2π , и пусть ξ = cos ϕ и η = sin ϕ —П р и м е р 50. Пусть ϕ ⊂заведомо зависимые случайные величины. Например: 1111P ξ > √ , η > √ = 0 6= P ξ > √ P η > √ > 0.2222Но математическое ожидание их произведения равно произведению их математических ожиданий из-за симметричности распределений ξ, η и ξηотносительно нуля. Действительно, по свойству (E1) имеемZ 2πZ 2π11Eξ =cos x dx = 0, E η =sin x dx = 0,02πE ξη =Z 2π002π1cos x sin x dx = 0 = E ξ E η.2π§ 3. Дисперсия и моменты старших порядков93§ 3. Дисперсия и моменты старших порядковО п р е д е л е н и е 37.
Пусть E |ξ|k < ∞. Число E ξk называется моментом порядка k или k -м моментом случайной величины ξ, число E |ξ|k называется абсолютным k -м моментом, E (ξ−E ξ)k называется центральнымk -м моментом, и E |ξ − E ξ|k — абсолютным центральным k -м моментомслучайной величины ξ. Число D ξ = E (ξ − E ξ)2 (центральный моментвторого порядка) называется дисперсией случайной величины ξ.П р и м е р 51. Пусть, скажем, случайная величина ξ принимает значение 0 с вероятностью 0,99999 и значение 100 с вероятностью 0,00001.Посмотрим, как моменты разных порядков реагируют на большие, но маловероятные значения случайной величины:EξE ξ2E ξ4E ξ6====0 · 0,99999 + 100 · 0,00001 = 0,001,02 · 0,99999 + 1002 · 0,00001 = 0,1,04 · 0,99999 + 1004 · 0,00001 = 1 000,06 · 0,99999 + 1006 · 0,00001 = 10 000 000.П р и м е р 52.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
