Академический Документы
Профессиональный Документы
Культура Документы
Вентцель
ВЫСШАЯ ШКОЛА
Е.С.Вентцель
ТЕОРИЯ
ВЕРОЯТНОСТЕЙ
ИЗДАНИЕ ШЕСТОЕ, СТЕРЕОТИПНОЕ
Рекомендовано Министерством
общего и профессионального образования
Российской Федерации
в качестве учебника
для студентов высших учебных заведений
Москва
«Высшая школа»
1999
УДК 511.3
ББК 22.171
В 29
ЮкиэдГ!» 5£*Я|4<К
Ч
} и*1УПШтЕЛ Ф '
( ****•>*< И » 1И> л т * щ ]
Вентцель Е.С.
В 29 Теория вероятностей: Учеб. для вузов.— 6-е изд. стер.— М.:
Высш. шк., 1999.— 576 с.: ил.
18ВЫ 5-06-003650-2
Книга представляет собой один из наиболее известных учебников по теории
вероятностей и предназначена для лиц, знакомых с высшей математикой и
интересующихся техническими приложениями теории вероятностей. Она пред
ставляет также интерес для всех тех, кто применяет теорию вероятностей в
своей практической деятельности.
В книге уделено большое внимание различным приложениям теории
вероятностей (теории вероятностных процессов, теории информации, теории
массового обслуживания и др.).
Предисловие.......................................................................................... ... 9
Г л а в а 1. В в е д е н и е ........................................................................................... 11
1.1. Предмет теории вероятностей..................................................... ... И
1.2. Краткие исторические сведения..................................................... 17
Г л а в а 2. Основные понятия теории в еро ятн о стей .............................. 23
2.1. Событие. Вероятность со бы тия......................................^ . . . 23
2.2. Непосредственный подсчет в еро ятн остей .................................. 24
2.3. Частота, или статистическая вероятность, события................... 28
2.4. Случайная в е л и ч и н а ........................................................................ 32
2.5. Практически невозможные и практически достоверные со
бытия. Принцип практической уверенности .............................. 34
Г л а в а 3. Основные теоремы теории в е р о я т н о с т е й .......................... 37
3.1. Назначение основных теорем. Сумма и произведение событий 37
3.2. Теорема сложения вероятностей..................................................... 40
3.3. Теорема умножения вероятностей................................................. 45
3.4. Формула полной вероятности......................................................... 54
3.5. Теорема гипотез (формула Б е й е с а ) ............................................. 56
Г л а в а 4. Повторение о п ы т о в ....................................................................... 59
4.1. Частная теорема о повторении о п ы т о в ...................................... 59
4.2. Общая теорема о повторении опытов.......................................... 61
Г л а в а 5. Случайные величины и их законы распределения . . . . 67
5.1. Ряд распределения. Многоугольник распределения................... 67
5.2. Функция распределения.................................................................... 72
5.3. Вероятность попадания случайной величины на заданный
участок................................................................................................. 78
5.4. Плотность распределения................................................................ 80
5.5. Числовые характеристики случайных величин. Их роль и на
значение .............................................................................................. 84
5.6. Характеристики положения (математическое ожидание, мода,
м ед и ан а).............................................................................................. 85
5.7. Моменты. Дисперсия. Среднее квадратическое отклонение . . 92
5.8. Закон равномерной плотности........................................................ 103
5.9. Закон Пуассона...................................................................................106
4 ОГЛАВЛЕНИЕ
19. 5.
Поток с ограниченным последействием (поток Пальма) . . 529
19. 6.
Время обслуживания.................................................................... 534
19. 7.
Марковский случайный процесс................................................. 537
19. 8.
Система массового обслуживания с отказами. Уравнения
Э р л а н г а .......................................................................................... 540
19. 9. Установившийся режим обслуживания. Формулы Эрланга . 544
19.10. Система массового обслуживания с ож и дан и ем ................... 548
19.11. Система смешанного типа с ограничением по длине очереди 557
Приложение. Таблицы........................................................................................... 561
Литература............................................................................................................. 573
Предметный у к а з а т е л ь ....................................................................................... 574
ГРЕЧЕСКИЙ АЛФАВИТ
А, а — альфа Г, У — гамма
Е, е — эпсилон н, 1 — эта
I, г — йота А, ). — лямбда
N. V — ню п, п — пи
I , а — сигма X V — ипсилон
х , X — хи п, (О — омега
В, Р — бета д, 5 — дельта
г , С '— дзета 0 , в, V — тета
к, к — каппа м, М — мю
з , £ — кси р, Р — ро
Т, X — тау ф , <Р — фи
у , * — пси
ПРЕДИСЛОВИЕ
I
ГЛАВА 2
ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ВЕРОЯТНОСТЕЙ Ц,
2 .1 . Событие. Вероятность события
£ ^Каждая наука, ‘развивающая общую теорию какого-либо круга
явГлений, содержит ряд основных понятий, на которых она базируется.
Таковы, например, в геометрии понятия точки, прямой, линии; в ме
ханике— понятия силы, массы, скорости, ускорения и т. д. Есте
ственно, что не все основные понятия могут быть строго определены,
так как определить понятие — это значит свести его к другим, более
известным. Очевидно, процесс определения одних понятий через другие
должен где-то заканчиваться, дойдя до самых первичных понятий,
к которым сводятся все остальные и которые сами строго не- опре
деляются, а только поясняются.
Такие основные понятия существуют и в теории вероятностей.
В качестве первого из них введем понятие события^
Под «событием* в теории вероятностей понимается всякий факт,
который в результате опыта может произойти или не произойти.
Приведем несколько примеров событий:
А — появление герба при бросании монеты;
В — появление трех гербов при трехкратном бросании монеты;
С — попадание в цель при выстреле;
£ )— появление туза при вынимании *сарты из колоды;
Е — обнаружение объекта при одном цикле обзора радиолока
ционной станции;
Р — обрыв нити в течение часа работы ткацкого станка.
Рассматривая вышеперечисленные события, мы видим, что каждое
из нйх обладает какой-то степенью возможности: одни — большей,
другие — меньшей, причем для некоторых из этих событий мы сразу же
можем решить, какое из них более, а какое менее возможно. Например,
сразу видно, что событие А более возможно, чем В и й . Относи
тельно событий С, £ и /=" аналогичных выводов сразу сделать нельзя;
для этого следовало бы несколько уточнить условия опыта. Так или
иначе ясно, что каждое из таких событий обладает той или иной
степенью возможности. Чтобы количественно сравнивать между собой
события по степени их возможности, очевидно, нужно с каждым
24 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ВЕРОЯТНОСТЕЙ ГГЛ 2
Р(А) = ~ , (2.2.1)
т = С 2а ');
следовательно,
Р ( в) = ~РГ~1
'■'спЬ
2 .4 . С лучай ная в ел и ч и н а
Одним из важнейших основных понятий теории вероятностей
является понятие о случайной величине.
С л у ч а й н о й в е л и ч и н о й называется величина, которая в резуль
тате опыта может принять то или иное значение, причем неизвестно
варанее, какое именно.
Примеры случайных величин:
1) число попаданий при трех выстрелах;
2) число вызовов, поступавших на телефонную станцию за сутки;
3) частота попадания при 10 выстрелах.
Во всех трех приведенных примерах случайные величины могут
принимать отдельные, изолированные значения, которые можно за*
ранее перечислить.
Так, в примере 1) эти значения:
0 , 1. 2 , 3;
в примере 2):
1, 2, 3. 4 ____ ;
в примере 3):
0 ; 0 . 1; 0 ,2 ; . . . ; 1.0 .
* Такие случайные величины, принимающие только отделенные друг
от друга значения, которые можно заранее перечислить, называются
п р е р ы в н ы м и или д и с к р е т н ы м и с л у ч а й н ы м и в е л и ч и н а м и .
Существуют случайные величины другого типа, например: -
1) абсцисса точки попадания при выстреле;
2) ошибка взвешивания тела на аналитических весах;
3) скорость летательного аппарата в момент выхода на заданную
высоту;
4) вес наугад взятого зерна пшеницы. '
Возможные значения таких случайных величин не отделены друг
от друга; они непрерывно заполняют некоторый промежуток, к о т о
рый иногда имеет резко выраженные границы, а чаще — границы
неопределенные, расплывчатые.
Такие случайные величины, возможные значения которых непре
рывно заполняют некоторый промежуток, называются н е п р е р ы в н ы м и
случайными величинами.
М1 СЛУЧАЙНАЯ ВЕЛИЧИНА 33
2 Теория вероятностей
34 ОСНОВНЫЕ ПОНЯТИЯ ТЕО РИ И ВЕРОЯТНОСТЕЙ [ГЛ. 2
Л = Ад /*1 -+» Л2
есть событие «не более двух попаданий», а
В = А $ - \ - А±-\- А$
есть событие «не мёнее трех попаданий».
П р о и з в е д е н и е м д в у х с обыти й А и В называется событие С,
состоящее в совместном выполнении события А и события В.
Например, если событие А — появление туза при вынимании карты
из колоды, событие В — появление карты бубновой масТл, то собы
тие С — А В есть появление бубнового туза. Если производится два
выстрела по мишени и событие А — попадание при первом выстреле,
событие В — попадание при втором выстреле, то С = А В есть
попадание при обоих выстрелах.
П р о и з в е д е н и е м н е с к о л ь к и х с об ыт ий называется событие, состоя
щее в совместном появлении всех этих событий.
Например, если по мишени производится три выстрела и рассма*
триваются события
. В ! — промах при первом выстреле,
В 2 — промах при втором выстреле,
В 3 — промах при третьем выстреле,
то событие В — В^В2ВЪ
Достоит в том, что в мишень не будет ни одного попадания.
' При определения вероятностей часто приходится представлять
Сложные события в виде комбинаций болге простых событий, при*
Меняя и операцию сложения, и операцию умножения событий.
0 Например, пусть по мишени производится три выстрела и рас
сматриваю тся следующие элементарные события;
А^ — попадание при первом выстреле,
А х—>промах при первом выстреле,
А 2— попадание при втором выстреле.
А 2 — промах при втором выстреле,
А г — попадание при третьем выстреле,
А 3 — промах при третьем выстреле.
Рассмотрим более сложное событие В , состоящее в том, что
£ результате данных трех выстрелов будет р о в н о о д н о попада
ние в мишень. Событие В можно представить в виде следующей
комбинации элементарных событий:
В — А 1А2А3 А 1 А 2 А -3 *4* А 1 А 2А у
; Событие С, состоящее в том, что в мишень будет не менее двух
■попаданий, может быть представлено в виде:
С = А^А^А^ -)-* А-^А^А} ^ ^ 2^ 3.
40 ОСНОВНЫЕ ТЕОРЕМЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ [ГЛ. 3
,А+В А - \ - В = А;
А В = В.
При пользовании понятиями
суммы и произведения событий
часто оказывается полезной на
глядная геометрическая интер
р ис. 3.1.1. претация этих понятий.
Н а рис. 3.1.1 наглядно
А+В+С иллюстрированы понятия суммы
и произведения двух событий.
Если событие А есть попада
ние точки в область А, соот
ветственно событие В — по
падание в область В, то
событие А - \ - В есть попада
ние в область, заш трихован
ную на рис. 3.1.1, а), а собы-
Рис. 3.1.2. тие А В — в область, заш три
хованную на рис. 3 .1 .1 , б').
На рис. 3.1.2 аналогично показаны сумма и произведение трех
событий.
3 .2 . Теорема сложения вероятностей
Теорема сложения вероятностей формулируется следующим образом.
В е р о я т н о с т ь с у м м ы д в у х н е с о в м е с т н ы х с обытий р а в н а
с у м м е в е р о я т н о с т е й э т и х с о бы т и й :
Р ( Л + 5 ) = Р ( Л ) + Р (В ). (3.2.1)
Докажем теорему сложения вероятностей для схемы случаев.
Пусть возможные исходы опыта сводятся к совокупности случаев,
которые мы для наглядности изобразим в виде п точек:
т- А к —В
п
8.21 ТЕОРЕМА СЛОЖ ЕНИ Я ВЕРОЯТНОСТЕЙ 41
Р (Л + Б ) = ^ ± ^ -.
, А- А ....... А ’ А+1'
Обозначим:
А+ А+ + Ац-С-
Имеем:
т + А + • • • Ч - А Н - А + 1) — ( С + А . +1) = Р ( С ) - Ь Р ( Л Я+,).
так как для п событий мы считаем теорему уже доказанной, то
м Р (С) = Р (Л ,) + Р (Л 2) + ... + Р (/»я).
•откуда
р ( £ а ^ = £ р (А)- (3-2.2)
\ / =1 / ы1
42 ОСНОВНЫЕ ТЕОРЕМЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ 1ГЛ. 3
" Р ( А г) = 1.
2 р ( л , ) = 1.
1
ч то ,и требовалось доказать.
Перед тем как вывести второе следствие теоремы сложения,
определим понятие о «противоположных событиях».
П р о т и в о п о л о ж н ы м и с о б ы т и я м и называются два несовместных
события, образующих полную группу.
, Событие, противоположное событию А , принято обозначать А.
Примеры противоположных событий.
1) 4 — попадание при выстреле,
Л -~ п р р м а х при выстреле;
2 ) В — выпадение герба при бросании монеты,
я ( 2 л ) = 2 т ) - 2 я м и у ) + 2 Р ( А 1А]А к) — . . .
\/=1 / < ЛУ I. л *
. . . + ( _ ! ) - ’ р ( л И г . . . Ла), (3.2.4)
где суммы распространяются на различные значения индексов /; /, У;
I, у, А, и т. д.
Формула (3.2.4) выражает вероятность суммы любого числа собы
тий через вероятности произведений этих событий, взятых по одному,
по два, по три и т. д.
Аналогичную формулу можно написать для произведения собы
тий Действительно, из рис. 3 .2 .2 непосредственно ясно, что
Р ( А В ) = Р { А ) + Р ( В ) — Я (Л + 5 ) . (3.2.5)
Из рис. 3.2 .3 видно, что 1
Р(АВС) = Р(А) + Р ( В ) + Р ( С ) — Р ( А - } - В ) —
- Р ( А + С ) — Р { В + С) + Р { А - \ - В - \ - С ) . (3.2.6)
3.3] ТЕОРЕМА УМНОЖЕНИЯ ВЕРОЯТНОСТЕЙ 45
Я (4 ) = Р ( 4 |5 ) = | . 1
1 ~ АВ
п
Предположим, что событию А благоприятны т случаев, а собы-
.тию В благоприятны А случаев. Так как мы не предполагали собы
тия А и В несовместными, то вообще существуют случаи, благо
приятные н событию А, и событию В одновременно. Пусть число
таких случаев I. Тогда
Р (Л Я ) = 1 ; Р (Л ) = - £ .
Р (Я | Л )» -^ -.
Р(АВ) = Р (В )Р (А \В ).
Отметим следствия, вытекающие из теоремы умножения,
С л е д с т в и е 1. Е с л и событие А не з а в и с и т от с о б ы т и я В,
део и событие В не з а в ис и т о т с о б ы т и я Л.
Д о к а з а т е л ь с т в о . Дано, что событие Л не зависит от В, т. е.
и Р ( Л ) = Р ( Л |В ) . (3.3.2)
Требуется доказать, что и событие В не зависит от Л, т. е.
*" Р(,В) — Р ( В \ Л).
доказательстве будем предполагать, что Р (Л ) ф 0.
48 ОСНОВНЫЕ ТЕОРЕМЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ (ГЛ. в
(3.3.6)
1Л) ТЕОРЕМА УМНОЖЕНИЯ ВЕРОЯТНОСТЕЙ 49
По теореме умножения
Р (В) = Р ( Л ,1 Д 3) = 0,6 • 0,5 ■03 = 0,09,
откуда
Р (В ) = 1 — Р ( В ) = 1 — 0,09 = 0,91. .
На последнем примере проиллюстрирован принцип целесообраз
ности применения противоположных событий в теории вероятностей.
Его можно сформулировать следующим образом.
Е с л и п р о т и в о п о л о ж н о е событие р а с п а д а е т с я н а меньшее
чи сло в а р и а н т о в , чем п р я м о е событие, то и ме ет с м ы с л При
вы ч ис ле ни и в е р о я т н о с т е й п е р е х о д и т ь к п р о т и в о п о л о ж н о м у
с обытию.
8.3] ТЕОРЕМА УМНОЖЕНИЯ ВЕРОЯТНОСТЕЙ 61
' /• ( - «
64 16 ’
отсюда
11
32
П р и м е р 10. Прибор состоит из четырех узлов: А и А 2, А 3, А 4, причем,
узел А г дублирует А х, а узел А а дублирует узел Д3. При отказе (выходе из
строя) любого из основных узлов (А или А 3) происходит автоматическое
переключение на дублирующий узел. Надежность (веррятность безотказной
работы) в течение заданного времени каждого из узлов равна соответственно
,, р г, р 3, рА. Надежность каждого из переключающих устройств равна р.
ё
се элементы выходят из строя Независимо друг от друга. Определить на
дежность прибора.
Р е ш е н и е . Рассмотрим совокупность узлов А и А 2 и соответствующего
Переключающего устройства как один «обобщенный узел» В, а совокупность
узлов А 3, Л 4 и соответствующего переключающего устройства — как обоб
щенный узел С. Рассмотрим события:
А — безотказная работа прибора,
В — безотказная работа обобщенного узла В,
С — безотказная работа обобщенного узла С.
Очевидно,
А = ВС,
откуда
Я(Л) = Р(В)Я(С).
Найдем вероятность события В. Оно распадается на два варианта:
А х— исправно работал узел А,
И
А '2 — узел А I отказал, но оказались йспраты ии переключающее
устройство и узел А3.
Имссм*
Р (В ) = Р (Л,) + Р (Аг) = Л + (1 — р х) ррг,
аналогично
* Р ( С ) = Рл+ (1— Рз)РР*.
откуда
Р (Л) = [/>, + (1 — /?,) р р г] [рг + (1 — Рг) р р &
54 ОСНОВНЫЕ ТЕОРЕМЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ [ГЛ. 3
Р ( А ) = ' 2 1 Р ( Н 1) Р ( А \ Н 1),
1=\
что и требовалось доказать.
П р и м е р 1. Имеются три одинаковые на вид урны; в перюй урне два
белых и один черный шар; во второй — три белых и один черный; в третьей —
два белых и два черных шара. Некто выбирает наугад одну из урн и выни
мает из нее шар. Найти вероятность того, что этот шар белый.
Р е ш е н и е . Рассмотрим три гипотезы:
. #1 — выбор первой урны,
Нг — выбор второй уриы,
Н г — выбор третьей урны
и событие А — появление белого шара.
».<1 ФОРМУЛА ПОЛНОЙ ВЕРОЯТНОСТИ 55
Р ( Н \ ) — Р (Яг) = Р (Я3) = ~ .
Р е ш е н и е . Рассмотрим гипотезы:
— работают оба регулятора,
Нх — работает только первый регулятор (второй вышел из строя),
Н г — работает только второй регулятор (первый вышел из строя),
Я 0 — оба регулятора вышли из строя
и событие .
А — безотказная работа двигателя.
Вероятности гипотез равны:
Р Щ\, ») - Р (Я ,) = Я, (1 - Р 2); ,
р (Я ,) - />, (1 - />,); р (Я0) = (1 - я ,) (1 _ я 8).
Условные вероятности события А при этих гипотезах заданы:
Р { А \ Н и Ц ш ш \ - Щий Р ( А | Я , ) - 1 - * ; Р ( Л | Я г) = 1 _ ?аг
_ . л „ р (А 1Я 0) = 1 —
По формуле полной вероятности получим:
Р (Л ) = Р ,Р , (1 - Чи г) + Л (1 - Р а) (1 - Г1) +
+ Р> о - Л ) (1 - яг) + (1 - Л ) (1 - Л ) (1 - *.).
3 .5 . Теорема гип отез (ф орм ула Бейеса)
Л п, я = С / Л Г т . (4 .1 .1 )
где ц = \ — р .
Ф орм ула (4 .1 .1 ) оп и сы вает, к ак распределяю тся вероятности между
возможными значениями н екоторой случайной величины — числа п о
явлений события А при п опы тах.
В связи с тем, что вероятности Р„и „ по форм е представляю т с о
бой члены разлож ения бинома (Ц - \ - р )п. распределение вероятностей
вида (4 .1 .1 ) назы вается б ино миа льным ра сп р е де ле н ие м.
••• + А 1А 2 • • • А п - т А п - т + 1 • • • Ап>
причем в каж дое из произведений событие А входит т раз, собы тие А
п — т р аз. Число таких комбинаций по-п реж и ем у буд ет С™, но сами
комбинации между собой будут уж е неравновероятны .
П рименяя теорем у слож ения и теорем у ум нож ения для независи
мых собы тий, получим:
Р т, n P 1P 2 • • • РтЧт+1 • • • Чп ~ (“ • • •
П (4 .2 .1 )
П= 1 т~0
Ч\~Ч2~ ~ Ча~Ч'
В этом случае производящ ая функция обращ ается в п -ю степень
бинома (ц -1- р г ):
Фя ( г ) = (< 7 + />*)".
Кт, п — « т , л + « т + 1, « + + Л » , п>
или короче
п
« * ,» = 51 Л . « - (4-2.3)
/ = ГП
П ри вычислении /?т1П часто бы вает удобнее не пользоваться н е
п осредственно ф орм улой (4 .2 .3 ), а переходить к противополож ном у
событию и вычислять вероятн ость „ по ф орм уле
т -1
Я т .л = 1 - Е л . п* (4-2.4)
1= 0
^3.4 = 0,047;
. = р< = 0,004.
П р и м е р 3. Имеется 5 станций, с которыми поддерживается связь.
Время от времени связь прерывается из-за атмосферных помех. Вследствие
удаленности станций перерыв друг от друга связи с каждой из них происхо
дит независимо от остальных с вероятностью р = 0,2. Найти вероятность
того, что в данный момент времени будет иметься связь не более чем с
двумя станциями.
Р е ш е н и е. Событие, о котором идет речь, сводится к тому, что будет
нарушена связь пе менее чем с тремя станциями. По формуле (4.2.3)
получим:
Яз.5 = Р 3,5 + р 4,ь + Р 5,5 = С1 • 0,23 • 0,82 + С* ■0,24 • 0,8 + 0.25 =
= 0,0512 + 0,0064 + 0,0003 = 0,0579.
П р и м е р 4. Система радиолокационных станций ведет наблюдение за
группой объектов, состоящей из 10 единиц. Каждый из объектов может
быть (независимо ог других) потерян с вероятностью 0,1. Найти вероят
ность того, чго хотя бы один из объектов будет потерян.
Р е ш е н и е . Вероятность потери хотя бы одного объекта /?1,1в можно
,было бы найти по формуле
^1,10 = Л,10 + ^ 2,10 4 “ ••• 4" Р 10,10<
но несравненно проще воспользоваться вероятностью противоположного со
бытия — ни один объект не потерян — и вычесть ее из единицы:
Я ы о = 1 - Ро.ю = 1 - 0,9« « 0,65.
П р и м е р 5. Прибор состоит из 8 однородных элементов, но может
работать при наличии в исправном состоянии не менее 6 из них. Каждый
из элементов за врбмя работы прибора < выходит из строя независимо от
других с вероятностью 0,2. Найти вероятность того, что прибор откажет
за время I.
Р е ш е н и е . Для отказа прибора требуется выход из строя не менее
двух из восьми элементов. По формуле (4.2.4) имеем:
*2,8 = 1 - (Л),8 + Яье) = 1 - (0,8® + С1 ■0,2 • 0,87) » 0,497.
П р и м е р 6. Производится 4 независимых выстрела с самолета по са
молету. Вероятность попадания при каждом выстреле равна ОД Для
3 Теория вероятностей
66 ПОВТОРЕНИЕ ОПЫТОВ [ГЛ 4
Я (Л | Я 0) = I;
Р (А | //; ) = 1 — 0,6 = 0,4.
Следовательно,
Р (Л) = 0,240 + 0,412 • 0,4 к 0,405,
откуда
Р (/1) = 1 — 0,405 = 0,595.
ГЛАВА 5
СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ ЗАКОНЫ РАСПРЕДЕЛЕНИЯ
ЛГ:
1.
1=1
т . е. сумма вероятностей всех возм ож ны х значений случайной вели
чины равна единице. Эта суммарная вероятность каким -то образом
р а с п р е д е л е н а между отдельными значениями. Случайная величина
будет полностью описана с вероятностной точки зрения, если мы
зададим это распределение, т. е. в точности укаж ем , какой в е р о я т
ностью обладает каж дое из событий (5 .1 .1 ). Этим мы установим так
называемый з а к о н р а с п р е д е л е н и я случайной величины.
З а к о н о м р а с п р е д е л е н и я случайной величины называется всякое
соотнош ение, устанавливаю щ ее связь между возможными значениями
случайной величины и соответствую щ ими им вероятностям и. П р о с л у
чайную величину мы будем говорить, что она подчинена данному
зако н у распределения.
Установим форм у, в к оторой м ож ет бы ть задан закон р асп р ед е
ления преры вной случайной величины X . П ростейш ей ф орм ой за д а
ния этого закона является таблица, в к оторой перечислены во зм о ж
ные значения случайной величины и соответствую щ ие им вероятности:
X, X, хг . . . х„
Р1 Р\ Рг . . . Рп
5,1) РЯД РА СП РЕДЕЛ ЕН И Я. МНОГОУГОЛЬНИК РАСПРЕДЕЛЕНИЯ 69
XI 0 1
Р1 0,7 0,3
*1 0 5 10 15
Х1 1 2 3 . .. 1 . ..
Рис. 5.1.4.
Х1 0 1 2 3
XI 1 2 3
х1 < .г
где неравенство х 1 < ^ х под
знаком суммы указы вает,
что суммирование распростран яется на все те значения х г, которы е
меньш е х.
К огда текущ ая переменная х проходит через какое-н и будь из
возмож ны х значений преры вной величины X , функция распределения
меняется скачкообразн о, причем величина скачка равна вероятности
этого значения.
. Пт)____
!
I
I
I
Рис. 6.2.3,
XI 0 1 2 3 4
Рис. 5.2.6.
этом крайние значения пром еж утка 0 и тс/?2, осущ ествляю щ иеся при
полож ениях бомбы типа / и / / , обладаю т определенной конечной
вероятностью , и этим значениям соответствую т скачки функции р а с
п ределения, тогд а как в пром еж уточны х значениях (полож ение типа III)
функция распределения непреры вна. Д ругой пример смешанной сл у
чайной в ел и ч и н ы — время Т безотказн ой работы прибора, испы ты
ваем ого в течение времйни t. Ф ункция распределения этой случайной
величины непреры вна всю ду, к ром е точки t.
78 СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ ЗАКОНЫ РАСПРЕДЕЛЕНИ Я [ГЛ. 5
5 .4 . П л о т н о с т ь р а с п р е д е л е н и я
lim - (5 .4 .1 )
Ддг->0
Введем обозначение:
/ ( * ) = / > '( * ) . (5 .4 .2 )
Функция f ( x ) — производная функции р асп ред ел ен и я— х ар а к те
ри зует как бы п л о т н о с т ь , с к оторой распределяю тся значения
случайной величины в данной точке. Эта функция назы вается п л о т
ностью р а с п р е д е л е н и я (иначе—
«плотностью ве р о ятн о с ти » )н е п р е
рывной случайной величины X .
И ногда функцию f ( x ) называю т
такж е «диф ференциальной ф у н к
цией распределения» или «диф ф е
ренциальным законом р асп р ед ел е
ния» величины X .
Термины «плотность р асп ред е
ления», «п лотн ость вероятности»
становятся особенно наглядными
Рис. 5.4.1. при пользовании м еханической
интерпретацией распределения;
в этой интерпретации функция f (х) буквально х ар ак тер и зу ет
п л о т н о с т ь распределения масс по оси абсцисс (так называемую
«линейную плотность»). Кривая, изображ аю щ ая плотность расп ре-
деления случайной величины, называется к р и в о й р а с п р е д е л е н и я
(рис. 5 .4 .1 ).
ЬА) ПЛОТНОСТЬ РАСПРЕДЕЛЕНИЯ 81
(5 .4 .3 )
Геометрически вероятность
попадания величины X на
участок (а, р) равна площ ади
кривой распределения, оп и
раю щ ейся на этот участок
(риС. 5 .4 .3 ).
Ф ормула (5 .4 .2 ) вы раж ает
плотность распределения через
функцию распределения. Зададим ся обратной задачей: вы разить ф у н к
цию распределения через плотность. П о определению
/* ( х ) — Р ( X < х) — Р (— оо < X < лг),
о ткуда по ф орм уле (5 .4 .3 ) имеем:
Р (х)= £ / ( х)( 1х . (5 .4 .4 )
а) Найти коэффициент а.
б) Построить график плотности распределения / ( * ) .
в) Найти функцию распределения F (х) и построить ее график.
г) Найти вероятность попадания ве
ТО
личины X на участок от 0 до —.
Р е ш е н и е , а) Для определения
коэффициента а воспользуемся свойст
вом плотности распределения:
ио -
J f (х) dx = J a cos х d x = 2а = 1,
1
откуда а = -^.
б) График плотности f (x) представлен на рис. 5.4.5.
1 при х > ~ 2 .
График функции F (х) изображен на рис. 5.4.6.
84 СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ ЗАКОНЫ РАСПРЕДЕЛЕНИЯ [ГЛ. 5
я (о С х С -J) - i (sin -J + 1 ) - i ( s l n 0 + 1) - .
О
Рис. 5.4.7.
/м-чпЬт1''
а) Построить график плотности f ( x ) .
б) Найти вероятность того, что величина X попадет на участок (—1,-f-l).
Р е ш е н и е , а) График плотности дан на рис. 5.4.7.
б) По формуле (5.4.3) имеем:
¥ « c t g j r |L i — у .
Рх + Рг + ••• + Р п "
I,"
или, учитывая, что 2 / ’i — 1*
М [ Х 1 = ^ х {р,. (5 ,6 .1 )
/=I
Х\ х2 . . . хп
Pi Рг . . . Рп
где Pl — P ( X = x i).
П усть производится N независимы х опы тов, в каж дом из ко то р ы х
величина X принимает определенное значение. П редполож им , что
значение х 1 появилось т 1 р аз, значение х 2 появилось тг р аз, вообщ е
значение x t появилось т { р аз. О чевидно,
П
т, — ЛЛ
\ x tP],
1 1 1
. . .
2‘
P l 2
М1ЛТ] — У ^ х 1р 1 -\-
I .
+ £ х Р '{ х )< 1х , (5 .6 .3 )
* , [ * ] = Л! [ * * ]. (5 .7 .3 )
X = X — тх. (5 .7 .4 )
величины
п
М [ X] = М [ Х — тх ] = 2 ( * 1 — тх) Рь ~
1= \
П П
= 2 х 1р 1 — т х % р 1 = тх — тх = 0; (5 .7 .5 )
1=1 1=1
аналогично и для непреры вной величины.
Ц ентрирование случайной величины, очевидно, равносильно п ер е
носу начала координ ат в средню ю , «центральную » точку, абсцисса
ко то р о й равна математическом у ожиданию.
. М оменты центрированной случайной величины носят название
ц е н т р ал ь ны х моментов. О ни аналогичны моментам относительно
центра тяж ести в м еханике.
Таким образом , це нтр а ль ным м ом ен то м п о р я д к а я случайной
величины X назы вается м атематическое ожидание 5-й степени с о о т
ветствую щ ей центрированной случайной величины:
у.,[Х] = М [ Х ° \ = М [ ( Х — тх) % (5 .7 .6 )
Р-! == М [ X ] = М [ Х — тх\ = 0, (5 .7 .9 )
Р а с с м о т р и м в т о р о й ц е н т р а л ь н ы й м ом ент:
П
Ъ = М [ХЦ = 2 (Xi — mxf Pi =
— 2
i=1
x]Pi — 2 m x S
(= 1
x iPi + m l S p t == y.2 — 2m*
i=1
4- m \ = a 2 — m*.
А н а л о г и ч н о д л я т р е т ь е г о ц е н т р а л ь н о г о м о м е н т а получим:
ъ = м t ^ 3i = 2 (* ,— о зP i= 2 — з м л- 2 *>, +
П П
+ 3 < Ъ х 1р1 — т?х ^ р 1 = а.з — 3ot2r a ^ - f 2m J.
В ы р а ж е н и я д л я [а4, (j-5 и т . д. м о г у т б ы т ь п о л у ч ен ы а н а л о г и ч
ным путем .
Т а к и м о б р а з о м , д л я ц е н т р а л ь н ы х м о м ен т о в л ю б о й сл у ч ай н о й в е
личи ны X с п р а в е д л и в ы ф о р м у л ы :
ц., = 0,
а 2 — т-
= а„
^2 —
I (5 .7 .1 0 )
1*з = аз — ЪтЛ + 2т1’
X
В о о б щ е г о в о р я , м о м ен т ы м о г у т р а с с м а т р и в а т ь с я не т о л ь к о о т н о
с и т е л ь н о н а ч а л а к о о р д и н а т (н ач ал ь н ы е м о м ен т ы ) или м а т е м а т и ч е с к о г о
о ж и д а н и я ( ц е н т р а л ь н ы е м о м ен т ы ), но и о т н о с и т е л ь н о п р о и з в о л ь н о й
т о ч к и а:
Ъ = * М [ ( Х — аУ1 (5.7.11)
О д н а к о ц е н т р а л ь н ы е м о м е нты и м ею т п е р е д в се м и д р у г и м и п р е и м у
щ е с т в о : п ер в ы й ц е н т р а л ь н ы й м о м е н т , к а к мы в и д ел и , в с е гд а р ав е н
н у л ю , а с л е д у ю щ и й за ним, в т о р о й ц е н т р а л ь н ы й м ом ен т п р и эт о й
с и ст ем е о т с ч е т а и м еет м и н и м ал ьн о е зн а ч е н и е . Д о к а ж е м э т о . Д л я
п р е р ы в н о й с л у ч ай н о й вели чин ы X при 5 = 2 ф о р м у л а ( 5 . 7 . 1 1 ) и м ее т вид:
72 = 2 (XI — а ? р , . ( 5 . 7 .1 2 )
*-1 •
П р ео бр азу ем это выраж ение:
п
72 = 2 ( х1— тх - + т х — а)2 р, =
П П
— 2 (Х{ — т х )2 р 1 — 2 ( тх — а) 2 ( * , — тх) р , 4 -
• ■1 /* 1
+ ( ,П Х — а )2 = » ?2 + (т х — а)3.
96 СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ ЗАКОНЫ РА СПРЕДЕЛЕНИ Я ГГЛ. 5
D \ X ] ~ М [ХЦ , ( 5 .7 .1 3 )
D \ X \ — J (x — mx)2 f (x)dj« ( 5 .7 .1 6 )
— СО
о \X\ = Y D [ X \ . ( 5 .7 .1 7 )
87) МОМЕНТЫ. ДИСПЕРСИЯ 97
(5 .7 .1 8 )
11
00
4 Теория вероятностей
98 СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ ЗАКОНЫ РАСПРЕДЕЛЕНИ Я [ГЛ. 5
= ( 5 .7 .1 9 )
и Ъ - Л П Й 'Ь
О ч евидно, абсолю тны е моменты четны х порядков совпадаю т с
обычными моментами.
И з абсолю тны х моментов наибол ее часто применяется первый
абсолю тны й центральный момент
ь = М [ \ Х \ \ = М [ \ Х - т л \\, (5 .7 .2 1 )
XI 0 1
Р1 Я Р
тх = М [ Х ] = 0 д - { - 1 - р — р.
4*
100 СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ ЗАКОНЫ РА С ПРЕДЕЛЕНИЯ [ГЛ. 5
0 1 2
" 1 3
л
0,216 0,432 0,288 0,064
XI 1 2 3 . . . 1 . . .
•
Р1 Р ЧР <?Р • • • Ч1~ 1Р . . .
= />( 1 + 2 9 + 3 ? * + . . . + / ? ' - + . .. ) .
8.7] МОМЕНТЫ. ДИ СП ЕРСИЯ 10 1
Я + Я2 + Я3 + • •• + ?' + ••• = 1 —у
Следовательно,
,. + 2 . , + 3 у + ... + / ¥ - + ...
Умножая на р — 1 — д, получим:
а — * ^
(I-? )2 ■
По формуле (5.7.18) выразим дисперсию:
п — шг - * + ?_______ к __ . Я _ _Я_
х 2 ' (1 - Я ) 2 (1 - д ) г (1-Я )2 Р2 ’
откуда
ах = )/~Щ
Р
П р и м е р 4. Непрерывная случайная величина X подчинена закону
распределения с плотностью:
/ (х) —: Ае~*х \
(рис. 5.7.3).
Напти коэффициент А. Определить м. о., дисперсию, с. к. о., асимме
трию, эксцесс величины X.
Р е ш е н и е . Для определения А воспользуемся свойством плотности
распределения:
ОО ОО
• / / (■*) ах = 2А f е~х йх = 2А = 1;
-ОО
102 СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ ЗАКОНЫ РА С П РЕД Е Л Е Н И Я [ГЛ. 5
отсюда
1
т*
Так как функция хе~^*^ нечетная, то м. о. величины X равно нулю:
СО
тг
- Я
Дисперсия и с. к. о. равны,
соответственно:
= 2 / \ х Ч - * й х = 2;
о
я, = = VI.
N !£ I х ' е ~ х Их = 24,
откуда
Ех = — 3 = 3.
отсюда
1
ах
3у 2
Третий начальный момент равен
» 2 / -
о, 5 ^
5 .8 . З а к о н р а в н о м е р н о й п л о т н о с т и
Рис. 5.8.2.
I 0 при х < а или х > р.
1 при X > р.
тV, ( 5 .8 .2 )
- / —а 2
а
О -« )2 (5 .8 .3 )
12
откуда ср едн ее квадратическое
отклонение
х
- 1 = 1 . ( 5 .8 .4 )
Рис. 5.8.3.
5Л = = 0. (5 .8 .5 )
®г
Д ля определ ения эк сц есса находим четверты й центральный момент:
! 14 : 80
откуда
(5 .8 .6 )
« -И р—а
(!Х ■' - 1йх — . (5 .8 .7 )
Б .9 . З а к о н П у а с с о н а
0, 1, 2 , . . . , т, . . . .
(5 . 9 . 1)
)
хт 0 1 2 . . т !. . .
! !
а е -а а е -а°
1
Рт е~а -— —
«а
. . . . . .
1! 21
т= 0
£ р-~ 1 •&*— *“ 2
=0
т =0
"
Но
оо
^ т \ ~~ *
ш=О
откуда
. е-аеа _ _ ]_
гл = 0
т . = = М [ Х ] = ^ *пРт =*
т= 0
оо
— V 1 атг е а•
му ' т —
т!
т=»0
П ервы й член суммы (соответствую щ ий т — 0) равен нулю, сле
до вательн о, суммирование м ожно начинать с т = = 1:
та" V а
/и т\ М (т — 1)1 \
ОТ»1 т =1
О бозначим т — 1 = й; тогда
= а е ~ аеа = а . (5 .9 .2 )
А= 0
а, =- V т1— г е — а V т
тI (от — 1)!
т =0 т=1
ии
= а
( т — 1)1
т=1
_ ат~ ' —\
____ ьV I р-а*а — л.
( т — 1)1 ~ 2шкЯ к I е ~ а '
//1=1 к=0
кром е того,
оо
2
т=I
( т — 1)!
= е аеа = 1.
следовательно,
а 2 = а (а -(- 1).
Д а л ее находим дисперси ю величины X :
й х = а2 — т 2х = а 2 а — а 7 — а. (5 .9 .3 )
т =к
О дн ако значительно п рощ е определить ее из вероятности п р о ти
вополож ного события:
А-1
К* = 1 - ( Я о + Р , + . . . 4 - Р * _ 1) = 1 - 2 Рт- (5 .9 .4 )
т= 0
Рис. 5.9.2.
0 , 1, 2 ........... т, . . . (5 .9 .6 )
Так как, согл асн о условию 2 , попадания точек в неперекры эаю щ иеся
отр езк и независимы, т о наши п отр езков м ож но рассм отреть как п
независим ы х «опы тов», в каж дом из которы х о т р езо к м ож ет быть
«занят» с вероятностью Н айдем вероятность т о го , что среди
или, обозначая \1 = а,
~ Т т- (5 -9 -8)
П р еобр азуем вы раж ение, стоящ ее под знаком предела:
( I — —у
I а \т !, а \n-tn п (а — 1) . . . (я — т + 1) а т \ п}
[Тг) {' п т\ “ пт I, а \т
I «
( 1_ £ \"
п (п — 1) . . . (я — т 1) й' М л / (5 .9 .9 )
Пт /и I Я а ’•
1‘ ~ я I
Р т , п = С ” р т ( \ - р ) а- я . (5 .9 .1 2 )
если одноврем енно устрем лять число опытов п к бесконечности,
а вероятность р — к нулю, причем их произведение п р сохраняет
постоянное значение:
пр~а. (5 .9 .1 3 )
5.9] З А К О Н ПУА ССОНА 113
Р„ <'пр)т е -пл, (5 .9 .1 7 )
т\
где пр — а — параметр того закона П уассона, которы м приближ енно
заменяется биномиальное распределение.
От этого свойства- закона П уассона — вы раж ать биномиальное
распределение при больш ом числе опытов и малой вероятности со
б ы т и я — происходит его название, часто применяемое в учебниках
статистики: з а к о н р е д к и х явлений.
Р ассм отрим н есколько прим еров, связанны х с пуассоновским р а с
пределением, из различных областей практики.
П р и м е р 1. На автоматическую телефонную станцию поступают вы
зовы со средней плотностью К вызовов в час. Считая, что число вызовов
на любом участке времени распределено по закону Пуассона, найти вероят
ность того, что за две минуты на станцию поступит ровно три вызова.
Р е ш е н и е . Среднее число вызовов за две минуты равно:
Ж К
60 30"
По формуле (5.9.1) вероятность поступления ровно трех вызовов равна:
/А ? к
Vзо I ' 30
1 .2-3
П р и м е р 2. В условиях предыдущего примера найти вероятность того,
что за две минуты придет хотя бы один вызов.
114 СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ ЗАКОНЫ РА С ПРЕДЕЛЕНИЯ [ГЛ. 5
а= £ q(t) й1.
/о
По вычисленному а определяем искомую вероятность:
и - п .);
М[ Х ] = / х/ ( х ) а х ^ - 1 — £ хе 2,1 йх.
имеем;
ТуТ~* ‘
оо
м \Х ] = - ~ § (о / 2 / 4 - ш) * “ <’ л = в
-О О
оо оо
-О О —оо
I е - ‘2сН = 2 £ е - ‘гм = \ г п. (6 .1 .3 )
— оо О
118 НОРМАЛЬНЫ Й ЗАКОН РАСПРЕДЕЛЕНИЯ (ГЛ в
С ледовательно,
М [ Х ] — т,
т . е. парам етр т представляет собой математическое ожидание вел и
чины X . Э тот парам етр, особенно в задачах стрельбы , часто н азы
ваю т ц ен тр о м р а с с е и в а н и я (сокращ енно — ц. р.).
Вычислим дисперсию величины X :
1 (х-ту
0[Х\-.
о V 2п 1 т)2е 2*2 йх.
ОIX] .
У 7С ■/
32
te <Н
Уъ.
—со —со
Рис. 6.1.2.
Рис. 6.1.3.
А = — 5 = -.
3 уч.
Размерность меры точности обратна размерности случайной
величины.
Термин «мера точности» заимствован из теории ошибок измере
ний: чем точнее измерение, тем больше мера точности. Пользуясь
мерой точности /г, можно записать нормальный закон в виде:
/(*)= ~ е ' ^ х- т ^.
У*
.= /* с * — т У / с*) —
—оо
1 с (х-ту
= — у=- I (х — т У е 2,5 <1х.
а \г2к Х '
— СО
^ = (6 .2 .П
—оо
Применим к выражению (6.2.1) формулу интегрирования по частям;
6.21 МОМЕНТЫ НОРМАЛЬНОГО РАСПРЕДЕЛЕНИЯ 121
Имея в виду, что первый член внутри скобок равен нулю, получим:
00
М. (6.2.2)
2/к _
Л5-2
Т '
Сравнивая правые части формул (6.2.2) и (6.2.3), видим, что они
отличаются между собой только множителем ($ — 1)а2; следовательно,
|д,5 = (® — 1 ) о ^ _ 2- (6.2.4)
Формула (6.2.4) представляет собой простое рекуррентное соот
ношение, позволяющее выражать моменты высших порядков через
моменты низших порядков. Пользуясь этой формулой и имея в виду,
что 1* о = 1 ’) и (14= 0 , можно вычислить центральные моменты всех
порядков. Так как р., = 0, то из формулы (6.2.4) следует, что все
нечетные моменты нормального распределения равны нулю. Это,
впрочем, непосредственно следует из симметричности нормального
закона.
Для чегньи 5 из формулы (6.2.4) вытекают следующие выражения
для последовательных моментов:
(*2 = а2;
(14 = За4;
= 15<з6
и т. д.
Общая формула для момента «-го порядка при любом четном 5
имеет вид:
^ = (® -1 )П в *.
где под символом (5 — 1)!! пэнимается произведение всех нечетных
чисел от 1 до 5 — 1.
Так как для нормального закон? ;л3 = 0, то асимметрия его также
равна нулю:
5А = -^| = 0.
а3
Г 1 /» < х -т?
F(x) = f (х) dx = * е ™ dx. (6.3.3)
J з У 2л "
•—
оо —СО
Сделаем в интеграле (6.3.3) замену переменной
ЛИЛ = t
а
и приведем его к виду:
х —т
1 г р
fw=? k i -О О
(6'3-4)
Интеграл (6.3.4) не выражается через элементарные функции,
но его можно вычислить через специальную функцию, выражающую
1 г
Ф *(*) = у = ] е * Л. (6 .3 .5 );
— СО
Р (1 X — т | < / ) = 2 Ф * ( ^ - 1 .
(6.3.10)
Решим следующую задачу. О т
ложим от центра рассеивания т
последовательные отрезки дли
ной о (рис. 6.3.2) и вычислим ве
роятность попадания случайной величины X в каждый из них. Так как
кривая нормального закона симметрична, достаточно отложить такие
отрезки только в одну сторону.
По формуле (6.3.7) находим:
Р ( т < Х < / п + о) = Ф*(1) — Ф*(0) =
= 0,8413 — 0,5000 « 0,341;
Р (т - \ - о < X < т + 2а) = Ф*(2) — Ф * ( 1 ) » 0,136; (6.3.11)
Р (т + 2а < X < т Н - За) = Ф’ (3) — Ф* (2) я» 0,012;
Р ( т + За < X < т + 4о) = Ф* (4) — Ф* (3) 0,001.
6.31 НОРМАЛЬНАЯ ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ 125
Сумма этих трех значений равна 0 ,5 . Это значит, что для нор
мально распределенной случайной величины все рассеивание (с то ч
ностью до долей процента) укладывается на участке т ± За.
Это позволяет, зная среднее квадратическое отклонение и мате
матическое ожидание случайной величины, ориентировочно указать
интервал ее практически возможных значений. Такой способ оценки
диапазона возможных значений случайной величины известен в мате
матической статистике под названием « правило т р е х сигма». И з
правила трех сигма вытекает также ориентировочный способ опреде
ления среднего квадратического отклонения случайной величины: берут
максимальное практически возможное отклонение от среднего и делят
его на три. Разумеется, этот грубый прием может быть рекомен
дован, только если нет других, более то чн ы х способов определения я.
= Ф* (0,5) — Ф* (—3,5).
Пользуясь таблицами функции Ф* (л:) (приложение, табл. 1), найдем:,
Ф* (0,5) = 0,6915; Ф* (—3,5) = 0,0002,
откуда
Р (— 1,6 < X < 1,6) = 0,6915 — 0,0002 = 0,6913 « 0,691.
П р и м е р 2. Найти ту же вероятность, что в предыдущем примере,
но при условии, что систематической ошибки нет.
Р е ш е н и е . По формуле (6.3.10), полагая / = 1,6, найдем:
Направление
стреяобы
Рис. 6.3.3.
110
♦ • ю - й г / ' " Т л
ВЕРОЯТНОЕ (СРЕДИННОЕ) ОТКЛОНЕНИЕ 127
Применяя правило дифференцирования интеграла по переменной, вхо
дящей в его предел, получим:
/ Г ‘ (Н
1 - т . - —оо
О- '''>*
а’ У'2 п
Аналогично
_ ^ - ;п'г
а — 1П до
— е
М ~ ) 1 '
Для нахождения экстремума положим:
(а - т ?
■т ) е — $ — т) е ^ |. (6.3.12)
Отсюда
Ф *^ ) = А=0,75. (6.4.2)
= (6.4.5)
Еу,к
а вероятность попадания на участок от а до р чаще всего записы
вается в виде:
Р (а < х < р) =
_ > [ф (Ц 5 )
(6.4.6)
где -
м
Ф(х) = ~ I е~‘гМ (6.4.7)
V* о
— так называемая приведен
ная функция Лапласа.
Сделаем подсчет, аналогич Рис. 6.4.2.
ный выполненному в преды
дущем п° для среднего квадратического отклонения о: отложим от
центра рассеивания т последовательные отрезки длиной в одно
вероятное отклонение Е (рис. 6.4.2) и подсчитаем йероятности попа
дания в эти отрезки с точностью до 0,01. Получим:
5 Теория вероятностей
130 НОРМАЛЬНЫЙ ЗАКОН РАСПРЕДЕЛЕНИЯ [ГЛ. в
-• 1 6 % =0,03.
5
Таким образом, вероятность попадания в колонну приближенно равна:
0,1+0,25 + 0,03 = 0,38.
Вероятность хотя бы одного попадания при трех выстрелах равна:
#1 = 1 — (1 — 0,38)3 »0,76.
ГЛ А ВА 7
О П Р Е Д Е Л Е Н И Е ЗА К О Н О В Р А С П Р Е Д Е Л Е Н И Я
С Л У Ч А Й Н Ы Х В Е Л И Ч И Н НА О С Н О ВЕ О П Ы Т Н Ы Х Д А Н Н Ы Х
5*
132 ЗАКОНЫ РАСПРЕДЕЛЕНИЯ СЛУЧАЙНЫХ ВЕЛИЧИН [ГЛ. 7
1. З а д а ч а о п р е д е л е н и я з а к о н а р а с п р е д е л е н и я
с л у ч а й н о й в е л и ч и н ы (или с и с т е м ы с л у ч а й н - ы х
в е л и ч и н ) по с т а т и с т и ч е с к и м д а н н ы м
2. З а д а ч а
проверки правдоподобия гипотез
1
Эта задача тесно связана с предыдущей; при решении такого
рода задач мы обычно не располагаем настолько обширным стати
стическим материалом, чтобы выявляющиеся в нем статистические
закономерности были в достаточной мере свободны от элементов
случайности. Статистический материал может с большим или меньшим
правдоподобием подтверждать или не подтверждать справедливость
той или иной гипотезы. Например, может возникнуть такой вопрос:
согласуются ли результаты эксперимента с гипотезой о том, что
данная случайная величина подчинена закону распределения Р (х)?
Другой подобный вопрос: указывает ли наблюденная в опыте тен
7.2] СТАТИСТИЧЕСКАЯ ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ 133
1 >1 1 *1 1 ь
блюдено дважды, и т. д.
График статистической функции распределения величины представлен
на рис. 7.2.1.
( 7 .3 .0
*
й | й . . . р \ . . . Рк
h —4; —3 —3; —2 — 2; —1 — 1; 0 0, 1 1; 2 2; 3 3; 4
т 6 25 72 133 120 88 46 10
*.
0,012 0,050 0,144 0,266 0,240 0,176 0,092 0,020
Pi
Г ( х 3) = Р 1 + Р 2;
к- 1 (7.3.2)
/ ’• ( * * ) - * 2 Я ;
1-1
к
^ ^ Р1 — 1 •
ХАРАКТЕРИСТИКИ СТАТИСТИЧЕСКОГО РАСПРЕДЕЛЕНИЯ 139
-4 -3 ~2 -/ 0 t 2 3 4 X
Рис. 7.3.2.
М '\ Х ] (7.4.1)
п
где Х[ — значение случайной величины, наблюденное в 1-м опыте,
П — число опытов.
140 ЗАКОНЫ РАСПРЕДЕЛЕНИЯ СЛУЧАЙНЫХ ВЕЛИЧИН [ГЛ. 7
£ о < - о 2
В * IX ] = ----------. (7.4.3)
= (7-4.4)
2 ( ^ - 0 *
^ 1 ^ 1 = ^ — я----------• <7-4 -5>
2
г =1
П
п п
И Т. д.
При очень большом количестве опытов вычисление характеристик
по формулам (7.4.1) — (7.4.5) становится чрезмерно громоздким,
и можно применить следующий прием: воспользоваться теми же
разрядами, на которые был расклассифицирован статистический
материал для построения статистического ряда или гистограммы, и
считать приближенно значение случайной величины в каждом разряде
постоянным и равным среднему значению, которое выступает в роли
«представителя» разряда. Тогда статистические числовые характе
ристики будут выражаться приближенными формулами:
к
гпх = М *[ Х\ — 2 х]р*, (7.4.7)
1=1
к
Вх = О’ [ * ] := 2 (#1 — О 2Р г (7.4.8).
к
(7.4.9)
п
(7.4.10)
/(*) = — ™ . (7.5.1)
я У 2я
и задача выравнивания переходит в задачу о рациональном выборе
параметров т и с в выражении (7.5.1).
Бывают случаи, когда заранее известно, что величина X распре
деляется статистически приблизительно равномерно на некотором
7.5) ВЫРАВНИВАНИЕ СТАТИСТИЧЕСКИХ РЯДОВ 145
—оо
. о у 2п
Р ешен и е. Нормальный закон зависит от двух параметров: ш и з .
Подберем эти параметры так, чтобы сохранить первые два момента — мате
матическое ожидание и дисперсию — статистического распределения.
Вычислим приближенно статистическое среднее ошибки наводки по фор
муле (7.4.7), причем за представителя каждого разряда примем его середину:
т * = — 3,5 •0,012 — 2,5 •0,050 — 1,5 - 0,144 — 0,5 •0,266 + 0.5 •0,240 +
+ 1 ,5 •0,176 + 2,5 •0,092 + 3,5 •0,020 = 0,168.
Для определения дисперсии вычислим сначала второй начальный момент
по формуле (7.4.9), полагая s = 2, k = 8
00 ~
“г = 2 А р * = 2,126.
1=1
X —4 —3 —2 —1 0 1 2 3 4
/(■*) 0,004 0,025 0,090 0,199 0,274 0,234 0,124 0,041 0,008
/
Построим на одном графике (рис. 7.5.2) гистограмму и выравнивающую
ее кривую распределения.
Из графика видно, что теоретическая кривая распределения / (лс), сохра
няя, в основном существенные особенности статистического распределения,
свободна от случайных неправильностей хода гистограммы, которые, по-види
мому, могут быть отнесены за счет случайных причин; более серьезное
обоснование последнему суждению будет дано в следующем параграфе.
/; {М) 20; 30 30; 40 40; 50 50; 60 60; 70 70; 80 80; 90 90; 100
щ 21 72 66 38 51 56 64 32
*
Р1 0,052 0,180 0,165 0,095 0,128 0,140 0,160 0,080
1
при а < X < Р;
/ ( * ) = .1 Р -а
; 0 при X < а или X > Р
^/
—35 —25 —15 -5 5 15 25 35
х‘
*
Р1 0,052 0,180 0,165 0,095 0,128 0,140 0,160 0,080
где х\ — среднее для разряда значение ошибки радиодальномера X ' при но
вом начале отсчета.
7.6] КРИТЕРИИ СОГЛАСИЯ 149
“2 = 2 (^ ')2р; = 447,8.
О*, = а * - ( т * , ) 2 = 447,7.
= °*х' = 447,7.
Параметры закона равномерной плот
ности определяются уравнениями:
О - « ) 2 = 447,7.
= 60,26;
2 12
Решая эти уравнения относительно а
и р, имеем:
а » 23,6; Р я 96,9,
откуда
Рис. 7.5.3.
• * Ф •
Pi Pi Pi * • • Pk
(7.6.1)
(7.6.3)
при и > О,
О при и < О,
оо
1=1
Распределение х 2 зависит от параметра г, называемого числом «сте
пеней свободы» распределения. Число «степеней свободы» г равно
числу разрядов к минус число независимых условий («связей»), на
ложенных на частоты р\. Примерами таких условий могут быть
к
если мы требуем только того, чтобы сумма частот была равна еди
нице (это требование накладывается во всех случаях);
й
2 х 1р'1 — т
щ 6 25 72 133 120 88 46 10
у (^ Л Р -У =ЗМ .
пР‘
Определяем число степеней свободы как число разрядов минус число
наложенных связей 5 (в данном случае 5 = 3):
г = 8 — 3 = 5.
156 ЗАКОНЫ РАСПРЕДЕЛЕНИЯ СЛУЧАЙНЫХ ВЕЛИЧИН (ГЛ. 7
т 21 72 66 38 51 56 64 32
стремится к пределу
оо
Я (Х ) = 1— 2 (— 1)ке-2к'1\ (7.6.5)
к~ -со
Значения вероятности Я (Х ), подсчитанные по формуле (7.6.5),
приведены в таблице 7.6.1.
Т а б л и ц а 7.6.1
К л РЮ X Я(Х)
Теория вероятностей
162 СИСТЕМЫ СЛУЧАЙНЫХ В Е Л И Ч И Н 1ГЛ. 8
6*
164 СИСТЕМЫ СЛУЧАЙНЫХ ВЕЛИЧИН [ГЛ. в
S
стемы двух величин.
(7 X Пусть имеется система двух непре
рывных случайных величин ( X , К), кото
рая интерпретируется случайной точкой
Рис. 8.3.1. на плоскости хОу. Рассмотрим на этой
плоскости малый прямоугольник со
сторонами Ах и Ау, примыкающий к точке с координатами (дг, у)
(рис. 8.3.1). Вероятность попадания в этот прямоугольник по фор
муле (8.2.2) равна
Р((Х, К )с/?д) = / 7(j c - f - A j c , у-^-Ду) —
Пт =
&х->о д* АУ
Ду-*0
.. F ( x + \ x , у + Ду) — F ( x + A*. y) — F ( X, у + Ay) + F (х, у)
to-ю Д-гДу ■
* у -* о (8.3.1)
Предположим, что функция F ( x , у) не только непрерывна, но и
дифференцируема; тогда правая часть формулы (8.3.1) представляет
собой вторую смешанную частную производную функции F ( x , у)
по х к у. Обозначим эту производную / ( х, у):
(8.3.2)
Р ( ( Х , У )с = Я ) = J ] * / ( * . у )й х й у . (8.3.4)
■ т
Воспользуемся формулой (8.3.4) для того, чтобы выразить функ
цию распределения системы Т ( х , у) через плотность распределения
/ ( х , у). Функция распределения Г ( х , у) есть вероятность попадания
в бесконечный квадрант; последний можно рассматривать как прямо
угольник, ограниченный абсциссами — оо и х и ординатами — оо и у.
По формуле (8.3.4) имеем:
х у
Р (х ,у )= J £ / {х ,у )й х й у . (8.3.5)
—со —оо
J J / ( х , y ) d x d y — \. (8.3.6)
— ОО
Это видно из того, что интеграл (8.3.6) есть не что иное, как ве
роятность попадания во всю плоскость х Оу ,
т. е. вероятность достоверного события.
Геометрически это свойство означает, что
полный объем тела, ограниченного поверхностью
распределения и плоскостью хОу , равен единице^
Пример 1. Система двух случайных величин
{X, У) подчинена закону распределения с плотностью
Р((Х п с = / п - 4 г j f IГ (1 + d x)d( y1 4
J.2 f 1 +d x x i JГ 1 +dyу 2 --
2) - „ 21 J 1
16*
0 0 ‘ о о
П р и м е р 2. Поверхность распределения системы (X, У) представляет
собой прямой круговой конус, основанием которого служит круг радиуса R
Va:2 +y*
Рис. 8.3.7* Рис. 8.38.
с центром в начале координат. Написать выражение плотности распределе
ния. Определить вероятность того, что случайная точка (х, у) попадет
В круг К радиуса а (рис. 8.3.7), причем а <Н.
168 СИСТЕМЫ СЛУЧАЙНЫХ ВЕЛИЧИН [ГЛ 8
/ (*. у) = - ^ г (л - v ^ + y * ) .
Вероятность попадания в круг К определяем по формуле (8.3.4):
Р({Х , П с К ) = Я
(К)
/ (*, у) rfx dy. (8.3.7)
f ( * - r) r d r = 3 ( ^ ) 2- 2 ( j ) 3.
0 0 о
F i { x ) — F ( x , оо)— J jf(x ,y )d x d y .
— ОО —00
Аналогично тСО
/ 2(у) = / ^ ( у ) = (8.4.3)
—оо
Таким образом, для того чтобы получить плотность распределе
ния одной из величин, входящих в систему, нужно плотность рас
пределения системы проинтегрировать в бесконечных пределах по
аргументу, соответствующему другой случайной величине.
Формулы (8.4.1), (8.4.2) и (8.4.3) дают возможность, зная закон
распределения системы (заданный в виде функции распределения или
плотности распределения), найти законы распределения отдельных
Ееличин, входящих в систему. Естественно, возникает вопрос об об
ратной задаче: нельзя ли по законам распределения отдельных вели
чин, входящих в систему, восстановить закон распределения системы?
Оказывается, что в общем случае этого сделать нельзя: зная только
законы распределения отдельных величин, входящих в систему, не
всегда можно найти закон распределения системы. Для того чтобы
исчерпывающим образом охарактеризовать систему, недостаточно
знать распределение каждой из величин, входящих в систему; нужно
еще знать зависимость между величинами, входящими в систему.
Эта зависимость может быть охарактеризована с помощью так на
зываемых условных законов распределения.
Условным законом распределения величины X , входящей в си
стему { X, К), называется ее закон распределения, вычисленный при
условии, что другая случайная величина У приняла определенное
значение у.
Условный закон распределения можно задавать как функцией
распределения, так и плотностью. Условная функция распределения
обозначается (л: | у), условная плотность распределения / (х | у). Так
как системы непрерывных величин имеют основное практическое зна
чение, мы в данном курсе ограничимся рассмотрением условных за
конов, заданных плотностью распределения. о
Чтобы нагляднее пояснить понятие условного закона распреде
ления. рассмотрим пример. Система случайных величин L н Q пред
ставляет собой длину и вес осколка снаряда. Пусть нас интересует
длина осколка £ безотносительно к его весу; это есть случайная
величина, подчиненная закону распределения с плотностью / л (/).
Этот закон распределения мы можем исследовать, рассматривая все
без исключения осколки и оценивая их только по длине; / г ( 1) есть
безусловный закон распределения длины осколка. Однако нас может
интересовать и закон распределения длины осколка вполне опреде
ленного веса, например 10 г. Для того чтобы его определить, мы
будем исследовать не все осколки, а только определенную весовую
группу, в которой вес приблизительно равен 10 г, и получим
у с л о в н ы й закон распределения длины осколка при весе 10 г
170 СИСТЕМЫ СЛУЧАЙНЫХ В Е Л И Ч И Н 1ГЛ. 8
f ( x , y)dx dy — P ( ( X , У) с R d) =
(8.4.6)
/ (* ■ У)
/ С * |у): ' / 2 (У )
f ( y \ x ) * * f 2(y). (8.5.1)
И з формул (8.4.4) и (8.4.5) имеем:
/ 1 ( * ) / ( У | * ) = / а(У )/ (* | У ).
откуда, принимая во внимание (8.5.1), получим:
f ( x \y) — f i (х).
что и требовалось доказать.
Та к как зависимость и независимость случайных величин всегда
взаимны, можно дать новое определение независимых случайных
величин.
Случайные величины X и Y называются независимыми, если
закон распределения каждой из них не зависит о т того, какое
значение приняла другая. В противном случае величины X и Y
называются зависимыми.
Для независимых непрерывных случайных величин теорема умно
жения законов распределения принимает вид:
f i x . y ) ~ f A x ) f 2{y), (8.5.2)
*< 1 1 1
' Ч 1 + л 2) « . О + У * ) '
Из того, что функция f (х, у) распалась на произведение двух функций
из которых одна зависит только от х, а другая — только от у, заключаем^
1.БТ ЗАВИСИМЫЕ И НЕЗАВИСИМЫЕ СЛУЧАЙНЫЕ ВЕЛИЧИНЫ 173
что величины А' и К должны быть независимы. Действительно, применяя
формулы (8.4.2) и (8.4.3), имеем:
со
аналогично
ъ 1в = м [ х к? ] - (8.6.2)
о. о
где X = X — тх , Y = К — ту.
Выпишем формулы, служащие для непосредственного подсчета
моментов. Для прерывных случайных величин
= (8.6.3)
i j 1 1
!**.* = / J ( * ~ т х)к(У — т уУ / ( х , у )й х й у , ( 8 . 6 . 6)
-со
где / ( х , у ) — плотность распределения системы.
Помимо чисел к и 5 , характеризующих порядок момента по от
ношению к отдельным величинам, рассматривается еще суммарный
порядок момента А - ) - 5 , равный сумме показателей степеней при.АГ и У.
Соответственно суммарному порядку моменты классифицируются на
первые, вторые и т. д. На практике обычно применяются только
первые и вторые моменты.
Первые начальные моменты представляют собой уже известные
нам м а т е м а т и ч е с к и е о ж и д а н и я величин X и У, входящих
в систему:
т х = * ио = М [ Х 1 У ° ] = : М [ Х ] .
т у = *а 0> 5 = /И [Л '0 У'] = М [У ].
Совокупность математических ожиданий т х, т у представляет собой
характеристику положения системы. Геометрически это коор
динаты средней точки на плоскости, вокруг которой происходит рас
сеивание точки (X . У).
Кроме первых начальных моментов, на практике широко при
меняются еще вторые центральные моменты системы. Два из них
представляют собой уже известные нам дисперсии величин X и У:
Оу = р0 2 = Л Ц Х ° У 2] = М [К 2] = £>[К].
характеризующие рассеивание случайной точки в направлении осей
Ох и Оу.
Особую роль как характеристика системы играет второй сме
шанный центральный момент:
^ ,= М [X П .
т. е. математическое ожидание произведения центрированных величин.
Ввиду того, что, этот момент играет важную роль в теории
систем случайных величин, введем для него особое обозначение:
(х — тх) (лг) йх
— со
= (8-6.11)
ч
Плотность распределения величин ( X , К) выражается формулой
при х 2 + у 2 < г2
/ ( * . У)
при х 2+ у2 > г 2
У ' У
^ • %
• * • в •
л • • ■
* • • * •
. • ‘ * •
• •. . • '•
•
. •• • • •
.* ■ •
• •. * •
# 0 •
•
X X'
0 0
• •
Рис. 8.6.5,
(С)
:'m»t ^max
v0 <7о в,
где 4W x — максимальный вес метеорита, vmtz — максимальная скорость
встречи.
K tj^ M lX tX ,] (i Ф J),
где
о о
X i —' X i *“ tti^j X у■
—t X I — tuj г
характеризующих попарную корреляцию всех величин, входящих
в систему. -
Заметим, что дисперсия каждой из случайных величин X t есть,
по существу, не что иное, как ч а с т н ы й с л у ч а й к о р р е л я
ц и о нн о г о момента, а именно корреляционный момент вели
чины Х ( и той же величины Х {:
D, = К и = М [Х * ] = М l X i X t].
Все корреляционные моменты и дисперсии удобно расположить в виде
прямоугольной таблицы (так называемой матрицы ):
* 1. *1 2 ■ ■ • * 1»
* 2. К 22 • • • К 2П
К щ К „2 - ■ К пп
Кг К 12 К 1а
К-23. Кчп
кпп
Корреляционную матрицу, составленную из элементов Кц, часто
сокращенно обозначают символом ||/С;у||.
По главной диагонали корреляционной матрицы стоят дисперсии
случайных величин Х х, Х 2........ Х п.
В случае, когда случайные величины Х 1, Х 2, . , , , Х п не корре-
лированы, все элементы корреляционной матрицы, кроме диагональ
ных, равны нулю:
О . О
О . о
11М = А, . о
д,
_ КЧ
где
в1=V О г о,=/ £>
у.
Все диагональные элементы этой матрицы, естественно, равны еди
нице. Нормированная корреляционная матрица имеет вид:
(9.1.1)
Этот закон зависит от пяти параметров: т х, т у, ах, < зу и г.
Смысл этих параметров нетрудно установить. Докажем, что пара
метры т х, т у представляют собой математические ожидания (центры
рассеивания) величин X и К; ах, ау — их средние квадратические
отклонения; г — коэффициент корреляции величин X и У.
Для того чтобы убедиться в этом, найдем прежде всего плот
ность распределения для каждой из величин, входящих в систему.
Согласно формуле (8.4.2)
— СО
9.11 ■ НО РМ АЛЬНЫЙ ЗАКОН НА плоскости 189
Вычислим интеграл
1 Г (*-т *>2 2г^ ~ т ^)(у~'ву )|(у~т у)}
2(1-г2)
/= Г йу.
— 00
Положим:
х — га, у —т у
(9.1.2)
гК2 У 2
тогда
1!и,- 2гог'+1',1
/==оу / 2 /
—со
В нашем случаг
гм
А= Я = . 2* С=
1— г* ’ 1— Г*
Подставляя эти значения в формулу (9.1.3), имеем:
I ==ау У 2 1Лг (1 — г2) е-“\
откуда
Л (* )= —
вг К 2л
или, учитывая (9.1.2),
е Кх
/1( * ) : (9.1.4)
1 2»Г.
/ а (У )’ (9.1.5)
1/ 2*
т. е. величина К подчинена нормальному закону с центром рассеи
вания т у и средним квадратическим отклонением ау.
— / / ( * — " У (У — т у) / ( * . У) dx dy,
— СО
1 пг
Кху = 2 я о Т У г- 7 ^
*У
J J {х ~ Шх){у ~-ООт >) е~А *'■у! (9-1'6)
где
у1— 1 П *— 2 г ( х - т х) ( у - т у) , (у —/иу)-’
' 2( 1- г * ) ( ^ ~ .а,3у 1
V 1— г2.
следовательно,
со
CO CO
2a.avr /* /»
4 --- J u2e~u2 da J e~w* dw>
— 00 — CO
Учитывая, что
со со со
J e~w2dw £=j/rc.
— CO
НО РМ АЛЬНЫ Й ЗАКОН НА ПЛОСКОСТИ 191
имеем:
(9.1.8)
(9.1.9)
2(1—1”) (
(9.1.10)
V 1 — г2- (9.1.11)
х = т х + г ^ - (у — т у) (9.1.12)
/г, ^ = 4 ^ 4 <
з-2-з>
где о?, — так называемые главные средние квадратические о т
клонения, т. е. средние квадратические отклонения случайных величин
(Е, Н), представляющих собой координаты случайной точки в системе
координат, определяемой главными осями рассеивания 0$, От]. Глав
ные средние квадратические отклонения <з5 и выражаются через
средние квадратические отклонения в прежней системе координат
формулами:
о2= о2cos2а -)- roxay sin 2а -{- о2sin2а, |
с2 =■ о2 sin2а — гахв.. 2а -■)-о2cos2а. J (9.2.4)
Обычно, рассматривая нормальный закон на плоскости, стараются
варанее выбрать координатные оси Ох, Оу так, чтобы они совпали
с главными осями рассеивания. При этом средние квадратические
отклонения по осям ох, оу и будут главными средними квадратиче
скими отклонениями, и нормальный закон будет иметь вид;
дг» у»
/ (* . (9.2.5)
Ex=*pV2axl £j = p f 2 ’ y
Величины Ех, Е у называются гл авными ве ро ятн ыми откл онения ми.
Подставляя выражения ах, ау через Ех, Е у в уравнение (9 .2 .5 ), п о
лучим другую каноническую форму нормального закона:
D* \ F2 ' Е2 )
№ = ^ Еу ) . (9 .2 .7 )
7*
196 НОРМ АЛЬНЫ Й ЗАКОН РА С П РЕД ЕЛ ЕН И Я ДЛЯ СИСТЕМЫ ВЕЛ И ЧИ Н [ГЛ. 9
Р((Л-. п = я ) = [ ф - ( А ) - ф - ( ^ ) ] [ ф - ( ^ ) - ф - ( ^ ) ] . (9.3.3)
р ((х . к )< = / г )- [у
Л98 НОРМАЛЬНЫЙ ЗАКОН РА С П РЕД ЕЛ ЕН И Я ДЛЯ СИСТЕМЫ ВЕЛ И ЧИ Н [ГЛ. 9
(9.4.1)
(9.4.2)
—я О О
ВЕРОЯТНОСТЬ ПОПАДАНИЯ В ЭЛЛИПС РАССЕИВАНИЯ 199
р — 1— е : 2 и 0,675.
Далее найдем вероятность поражения цели р* при условии, что она на
крыта осколочным диском. Среднее число осколков а, попадающих в на
крытую нолем цель, равно произведению площади цели на плотность поля
осколков: -
1,2-2 = 2,4.
Условная вероятность поражения цели р* есть не что иное, как вероят
ность попадания в нее хотя бы одного осколка. Пользуясь формулой (5.9.5)
главы 5, имеем: *
р* = Я , = 1— е-а « 0,909.
Вероятность поражения цели равна:
Р ( А) = 0,075 •0,909 « 0,613.
Воспользуемся формулой (9.4,5) для вероятности попадания
в круг, чтобы вывести одно важное для практики распределение:
так называемое распределение Релея.
Рассмотрим на плоскости хОу (рис. 9.4.2) случайную точку ( X , К),
рассеивающуюся вокруг начала координат О по круговому нормаль
ному закону со средним квадра
тическим отклонением о. Найдем
закон распределения случайной ве
личины Р — расстояния от точки
(X , К) до начала координат, т. е.
длины случайного вектора с соста
вляющими X , К.
Найдем сначала функцию распре
деления Г (г) величины К . По опре
делению
Г (г ) = Р ( Р < г ) .
Это есть не, что иное, как ве
роятность попадания случайной точки
(X , V) внутрь круга радиуса г (рис. 9.4.2). По формуле (9.4.5)
эта вероятность равна:
*1
Г (г) — 1 — е 2,
где к — —
О , т. е.
Г*
/Г(г) = 1— е (9.4.6)
Данное выражение функции распределения имеет смысл только
при положительных значениях г; при отрицательных г нужно поло
жить Г (г) = 0.
9:41 ВЕРОЯТНОСТЬ ПОПАДАНИЯ В ЭЛЛИПС РАССЕИВАНИЯ 201
1 - 5 — 0; в3 = г \
=• = и
получим:
1 1 0 1 0 1 0 1 0 0 1 0 0 0 0
г .! 1 1 ./ 1 0 1 0 1 0 0 1 0 0
г 2 1 1 1 1 1 1 0 1 / 0 0 0 0
г 2 2 1 1 1 1 1 1 1 / / 0 0 1 0 0 0 / О
г г г 2 2 2 г 1 / 1 1 1 1 1 0 0 0 0 0 0
3 3 2 2 2 2 2 2 1 1 1 1 1 1 0 0 1 0 0 0
4 3 3 3 3 3 2 2 2 2 1 1 1 1 1 0_ 0 0 0 0
5 4 4 4 3 3 3 3 2 г 2 1 1 1 1 1 0 / 0 0
5 5 5 5 4 4 4 3 2 2 2 2 1 1 1 1 I 0 0 0
6 6 6 5 5 5 4 4 3 г 2 2 1 1 1 0 0 0 0 1
7 7 в 6 6 5 5 4 4 3 2 2 2 1 1 / 1 1 1 0
8 8 7 7 6 6 6 5 4 4 3 2 2 2 1 1 0 0 0 0
9 9 8 8 7 7 6 5 5 4 3 3 2 2 1 1 1 1 0 0
10 9 9 8 8 7 8 6 5 4 3 3 2 2 1 1 1 0 1 0
10 10 10 10 8 8 7 5 5 '5 4 3 2 2 1 2 1 ■1 0 1
11 и 10 10 9 & 7 6 6 5 4 3 2 2 2 1 1 0 1 0
11 II 11 10 9 9 8 7 В 5 4 3 3 2 2 2 1 1 0 0
12 11 II 10 10 9 8 7 В 5 5 4 3 2 2 2 1 1 1
2
Рис. 9.5.2.
обычно удобнее построить цель в масштабе сетки. Так как стан
дартная сетка строится для кругового рассеивания, а на практике
рассеивание в общем случае круговым не является, при построении
цели в масштабе сетки приходится в общем случае пользоваться
двумя разными масштабами по осям Ох и Оу. При этом способе
удобно иметь в распоряжении сетку рассеивания, выполненную на
прозрачной бумаге, и накладывать ее на перестроенное изображение
цели. Прямолинейная сетка рассеивания для одного координатного
угла дана на рис. 9.5.2. Сторона ячейки равна 0 ,2 £ « 0 ,1 3 3 з .
204 НО РМ АЛЬНЫЙ ЗАКОН РА С П РЕД ЕЛ ЕН И Я ДЛЯ СИСТЕМЫ ВЕЛ И ЧИ Н [ГЛ. 9
С
Рассмотрим на плоскости хО у
----------- &
малую цель О произвольной формы
(рис. 9.5.3). Допустим, что размеры
этой цели невелики по сравнению
Ч
с вероятными отклонениями Е х, Е у.
По общей формуле (8.3.3) имеем:
У Р ((Х , У )а О ) =
№ ( 9 .6 .2 ,
(9.6.4)
206 НОРМ АЛЬНЫЙ ЗАКОН РА С П РЕД ЕЛ ЕН И Я ДЛЯ СИСТЕМЫ ВЕЛ И ЧИ Н [ГЛ. 9
2. Вероятность попадания
в эллипсоид равной плотности
Рис, 9.6,1»
попадания в эллипсоид В к\
}_(■ . у* , «*Л
■2 ( " Х ' " Т + .2 )
Р ( { Х . У. г )с В „ ) >
х у г (**)
/Я 0 \ * у <1х<1у(1г.
Р { { Х , У, г ) с В к) = -Ае 2 + / Г Т А- « .
0 I
>
— йа
= 2Ф* (&) — 1— у ^ к е " - (9.6.6)
,3. В е р о я т н о с т ь п о п а д а н и я в ц и л и н д р и ч е с к у ю
о б л а с т ь с о б р а з у ю щ е й , п а р а л л е л ь н о й одной
из г л а в н ы х о с е й р а с с е и в а н и я
Рассмотрим цилиндрическую область С, образующая которой
параллельна одной из главных осей рассеивания (например, оси Ог),
а направляющая есть контур произвольной области Г) на пло
скости хОу (рис. 9.6.2). Пусть область С ограничена двумя плоско
стями г = е и г = у]. Вычислим вероятность попадания в область С;
это есть вероятность произведения
двух событий, первое из которых
состоит в попадании точки (X , К)
в область О, а второе — в попадании
величины 2 на участок (г, ч\). Так
как величины (X , У, 2), подчинен
ные нормальному закону в канони
ческой форме, независимы, то неза
висимы и эти два события. Поэтому
Р { ( Х . У, г ) с С ) =
= / > ((* ,К )с£ > )Р(е < г < 70 =
= />((*, К ) С 0 ) [ Ф * ( ^ . ) - Ф * ( £ ) ] .
(9.6.7) Рис. 9.6.2.
Вероятность Р ( ( Х , К ) с О ) в формуле (9.6.7) может быть вы
числена любым из способов вычисления вероятности попадания.
в плоскую область.
20S Н О РМ А Л Ь Н Ы Й ЗА КО Н Р А С П Р Е Д Е Л Е Н И Я Д Л Я С И С ТЕМ Ы В Е Л И Ч И Н [ГЛ . 9
Рис. 9.6.3.
1 гус \ 2 2 ci
/(*!> ........ Хп) = — » (9.6.8)
(2я) 2
где |С| — определитель матрицы С, С = \ \ С !}\\— матрица, обратная
корреляционной матрице К , т. е. если корреляционная матрица
*= п а д
то
г __/__ 1y +J^ —L
Ч ifc-i
1/СГ
где 1*1 — определитель корреляционной матрицы, а Мц — минор
этого определителя, получаемый из него вычеркиванием }-Й строки
«.«) но рм альн ы й за ко н в п ространстве тр ех и зм ерений 209
|С|.
Из общего выражения (9.6.8) вытекают все формы нормального
вакона для любого числа измерений и для любых видов зависимости
между случайными величинами. В частности, при я = 2 (рассеивание
на плоскости) корреляционная матрица есть
W
где г — коэффициент корреляции. Отсюда
|/ С |= ф * < 1_ г ® ); |С|
2-5( 1- Г 2) *
1
с =
iû S HH t ,
ГЛАВА 10
ЧИ СЛО ВЫ Е Х А РА К Т Е РИ С Т И К И ФУНКЦИЙ
СЛУЧАЙНЫХ ВЕЛИЧИН
М у= / Уё(У)^у,
-сю
со
О у= J (у — my)^g(y)d^f
—ОО
И Т. д.
Однако самая задача нахождения закона распределения ^ (у ) ве
личины У часто оказывается довольно сложной. К тому же для
решения поставленной нами задачи нахождение закона распределения
величины У как такового вовсе и не нужно: чтобы найти только
числовые характеристики величины У, нет надобности знать ее закон
распределения; достаточно знать закон распределения аргументов
( Х ^ ЛГ2. . . . . Х п). Более'того, в некоторых случаях, для того чтобы
найти числовые характеристики функции, не требуется даже знать
закона распределения ее аргументов; достаточно бывает знать лишь
некоторые числовые характеристики аргументов.
Таким образом, возникает задача определения числовых характе
ристик функций случайных величин п о м и м о з а к о н о в р а с п р е
д е л е н и я этих функций.
Рассмотрим задачу об определении числовых характеристик функ
ции при заданном законе распределения аргументов. Начнем с самого
простого случая — функции одного аргумента — и поставим следую
щую задачу.
Имеется случайная величина X с заданным законом распределе
ния; другая случайная величина У связана с X функциональной за
висимостью: у ==; (р(X )
•*/ X, ... хп
Л Р, Рг ... Ра
2 12 Ч И С Л О ВЫ Е ХА РА КТЕРИ С ТИ КИ ФУН КЦ И Й СЛУЧАЙНЫ Х ВЕЛ И Ч И Н {ГЛ . 10
. оо
( $ - * ) ! = 6'1 аШ у>
1
_5_
4п I 49 у * с о е у ) 5|П <р \й у ■
2
а = |/ 15-
Форму ла (10.1.16), выражающая среднюю (полную) вероятность
безотказной работы устройства с учетом случайных величин, от ко
торых зависит эта вероятность в каждом конкретном случае, пред
ставляет собой частный случай так называемой ин те гр а ль но й ф о р
м у л ы п олн ой ве роятнос ти, обобщающей обычную формулу полной
вероятности на случай бесконечного (несчетного) числа гипотез.
Выведем здесь эту формулу в общем виде.
Предположим, что опыт, в котором может появиться или не по
явиться интересующее нас событие А, протекает в случайных, за
ранее неизвестных условиях. Пусть эти условия характеризуются
непрерывным» случайными величинами
X 2..........Х„. (10.1.17)
плотность распределения которых
/( * ! • х 2..........х п).
Вероятность Р А появления события А есть некоторая функция
случайных величин (10.1.17):
Р А { Х 1, Х 2..........Х п). (10.1.18)
Нам нужно найти среднее значение этой вероятности или, другими
словами, полную вероятность события А:
Р А = М [ Р А\ Х 1, Х 2..........Х„)\.
Применяя ф ор м ул у ( 1 0 . 1 . 8 ) для м атем атического ож идания ф у н к
ции, найдем:
(1 0 .1 .1 9 )
218 Ч И С Л О ВЫ Е ХАРАКТЕРИСТИКИ ФУН КЦ И Й СЛУЧАЙНЫХ ВЕЛ И ЧИ Н [ГЛ. 10
■
—£ ^ 0^1* Х2* •* *• Хп) / (^ 1» х2* •••» х п) ^Х^ йХ2 » •. Ахп%
( 10 . 1. 20 )
которая называется интегральной формулой полного м а т е м а -
тического ожидания.
П р и м е р 6. Математическое ожидание расстояния О, на котором
будет обнаружен объект с помощью четырех радиолокационных станции,
зависит от некоторых технических параметров этих станций:
* 2, Х 3, Х<,
которые представляют собой независимые случайные величины с плотностью
распределения
/ (*|. -*2, *з. ■*«) = /| ( * 1) / 2 (■**) /з (х5) / 4( * 4).
При фиксированных значениях параметров Х { — х,, Х г = хъ Х% = ла.
Х 4•=XI математическое ожидание дальности обнаружения равно
т 0 (х1, хъ х3, хЛ).
10.2] ТЕОРЕМЫ О ЧИСЛОВЫХ ХАРАКТЕРИСТИКАХ 219
Найти среднее (полное) математическое ожидание дальности обнару
жения.
Р е ш е н и е . По формуле (10.1.20) имеем:
т0 =
СО
1. М а т е м а т и ч е с к о е о ж и д а н и е н е с л у ч а й н о й величины
Если с — неслучайная величина, то
М [с] = с.
Сформулированное свойство является достаточно очевидным; дока
зать его можно, рассматривая неслучайную величину с как частный
вид случайной, при одном возможном значении с вероятностью еди
ница; тогда по общей формуле для математического ожидания:
М[ с] = с • 1 = с .
2. Д и с п е р с и я н е с л у ч а й н о й величины
Если с — неслучайная величина, то
£ [ с ] = 0.
Д о к а з а т е л ь с т в о . По определению дисперсии
0 [ с ] = М [с2] = М\ {с — /и£)2] = /И 1(с — с)2] = М [0] = 0.
220 ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ ФУНКЦИЙ СЛУЧАЙНЫХ ВЕЛИ ЧИ Н [ГЛ. 10
3. В ы н е с е н и е н е с л у ч а й н о й в е л и ч и н ы
за з н а к м а т е м а т и ч е с к о г о о ж и д а н и я
Если с — неслучайная величина, а X — случайная, то
М 1е Х] = с М \ Х ], (10.2.1)
М [с Х ] — 2 сх, р, = с 2 х , р , = сМ [Л'].
I I
Л Ц с Х ] = J с х / ( х ) й х = с J х / (х)йх- = с М\ Х ] .
О \ с Х \ = сЮ [ЛТ], (10.2.2)
Следствие
а[ сХ] = \ с\ с[ Х] ,
5. М а т е м а т и ч е с к о е о ж и д а н и е суммы
случайных величин
Докажем, что для любых двух случайных величин X и У
М [ Х + У] = М 1 Х] + ЛЦУ], (10.2.3)
т. е. математическое ожидание суммы дв ух случайных величин
р ав но сумме их математических ожиданий.
Это свойство известно под названием теоремы сложения мате
матических ожиданий.
Доказательство.
а) Пусть ( X , У) — система прерывных случайных величин. При
меним к сумме случайных величин общую формулу (10.1.6) для ма
тематического ожидания функции двух аргументов:
М [X + У\ = 2 2 (XI + У/) Рц —
= 2 2 * / / * / / + 2 2 У]Рц—
=» 2I х 1 21 р ц' + 2] У) 2I р 1Г
4
Но 2 Рц представляет собой не что иное, как полную вероят
ность того, что величина X примет значение х ц
2 Лу — ** (*■ = *<) — PH
}
следовательно,
2 Х1 2 Рц = 2 х 1р 1 = М [А'].
■* ] ^
Аналогично Докажем, что
2 У/2 Р ц = М [У \,
и теорема доказана.
б) Пусть (X, У) — система непрерывных случайных величин. По
формуле (10.1.7)
СО
М IX Г] = J J (х + у) / (*, у) с1 х йу =
— СО
ОО ОО
-Я
-ОО
х / (л, у)йх<1у + §§
—оо
у/ ( х, у)йхйу. (10.2.4)
222 ЧИ С ЛО ВЫ Е ХАРАКТЕРИСТИКИ ФУН КЦ И И СЛУЧАЙНЫ Х ВЕЛ И Ч И Н [ГЛ. 10
00
аналогично
со
/ / У / (* . у)й х й у = М [У ],
—оо
и теорема доказана.
Следует специально отметить, что теорема сложения математи
ческих ожиданий справедлива для л ю б ы х с л у ч а й н ы х в е л и
ч и н — как зависимых, так и независимых.
Теорема сложения математических ожиданий обобщается на про
извольное число слагаемых:
^ [2 * / ] = 2 М [* ,],. (10.2.5)
6. М а т е м а т и ч е с к о е ожидание линейнойфункции
2 а1^1 Н- ь,
В \ Х + У ] = 0 [ Х ] + 0 \ У ] + 2Кху. (10.2.7)
Доказательство. Обозначим
г = Х + У. ' (10.2.8)
По теореме сложения математических ожиданий
тг — тх - \ - т у. (10.2.9)
г = х + у.
По определению дисперсии
£ IX У] = О Ц ] = М [ Ь ] =
Д [£*,]== 2 2 кф (10.2.10)
J <=>1 1< )
где К ц — корреляционный момент величин Х 1г Х/ \ знак / < / под
суммой обозначает, что суммирование распространяется на все воз
можные попарные сочетания случайных величин ( Х и Х г..........X „).
224 ЧИ С Л О ВЫ Е ХА РА КТЕРИ С Т И КИ Ф У Н К Ц И Й С Л У Ч А Й Н Ы Х В Е Л И Ч И Н ,[ГЛ, 10
о 2 ^ 1 = 2 2 ^ . ( ю . 2. 11)
=1 J »=1 ]=1 '
где двойная сумма распространяется на все элементы корреляцион
ной матрицы системы величин ( Х г Х 2........ Х „ ), содержащей как
корреляционные моменты, так и дисперсии.
Если все случайные величины (Х ^ Х 2........ Х п), входящие в си
стему, некоррелированы (т. е. К и — 0 при 1ф/), формула ( 10.2. 10)
принимает вид:
»=1
где а;, Ъ — неслучайные величины.
Докажем, что дисперсия этой линейной функции выражается
формулой
О [2 + = 2 а ]0 [ Х ^ + 2 £ ар/Сц. (10.2.13)
£> 2
1=1
а1Х 1+ ь ] =
J /=1
2
О [У{] + 2
1<.]
К?/ = 2
1-1 1 1
2
а р [* ,] + 2
»</
кУ}. 2
(10.2.15)
10.2] ТЕОРЕМЫ О ЧИСЛОВЫХ ХАРАКТЕРИСТИКАХ 225
где Л"/5/1— корреляционны й момент величин У(ш Уу.
УI = У/ — = (1 1 X 1 — (цтХ1= а^Х^,
аналогично
УI— а}Х }.
Отсюда
КГ] = М [а1а ] Х 1Х / 1 = а ^ М = а (а / ( и .
П одставляя эт о вы раж ение в ( 1 0 .2 .1 5 ) , пр иходим к ф о р м у л е
( 1 0 .2 .1 3 ) .
В частном случае, когда все величины ( Х 1г Х 2............X п) н ек о р -
редпровапны , ф орм ула ( 1 0 .2 .1 3 ) принимает вид:
8 Теория вероятностей
226 ЧИ С ЛО ВЫ Е ХАРАКТЕРИСТИКИ ФУН КЦ И Й СЛУЧАЙНЫХ В ЕЛ И Ч И Н ггл. 10
м [ П * / ] = П М [Л\], (10.2.20)
10. Д и с п е р с и я п р о и з в е д е н и я н е з а в и с и м ы х
сл учайных величин
г '
Докажем, что для независимых величин X , К
£>1ХУ] ==£ [Х\ О [К 1+ т \ 0 [К] + т \ 0 [ЛГ]. (10.2.21)
D \ X Y ] = M \ X 2\M \Y 2\— т \ т 2
у. (10.2.22)
D \ X Ÿ ] = D [X \ D [ Ÿ ], (10.2.23)
т. е. дисперсия произведения независимых центрированных
случайных величин равна произведению их дисперсий.
Из и з№ (10.2.25)
12. С л о ж е н и е н е к о р р е л и р о в а н н ы х с л у ч а й н ы х
векторов
Рассмотрич на плоскости хО у два некоррелированных случайных
вектора: вектор К , с составляю
щими ( Х х, К 1) и вектор с соста
вляющими ( Х 2, У2) (рис. 10.2.1).
Рассмотрим их векторную
сумму:
т. е. вектор с составляющими:
X = X , — х%,
К = К , + К2.
Требуется определить число
вые характеристики случайного
вектора V — математические ожидания т х, т у, дисперсии и корреля
ционный момент составляющих: Ох, К хг
10.2] ТЕО РЕМ Ы О ЧИ С Л О ВЫ Х ХА РА КТЕРИ С Т И КА Х 229
* у = * у, +
По теореме сложения дисперсий
£ = 0 ДГ| 41- 0 Л-,’;
О =-0 4 - 0 .
У У. ~ Уа
Докажем, что корреляционные моменты также складываются:
= + ( 10-2‘28)
где /С , А' . — корреляционные моменты составляющих каждого из
-*]У| ■>хгУ2 •>
векторов V 1 и У 2.
Д о к а з а т е л ь с т в о . По определению корреляционного момента:
К ху = М [ Х ¥ ] = М [ ( * , 4- х 2) (К, 4- К2)1 =
= Ж (^ к ,| 4 - /И[Л'аК1]4 - /И[АГ^гН- М 1X^1 (10.2.29)
> V
2 2= Х 2+ У 2;
г п= х п+ у л.
230 ЧИ С Л О ВЫ Е ХА РА КТЕРИ С ТИ КИ ФУНКЦ ИЙ СЛУЧАЙНЫ Х ВЕЛ И Ч И Н [ГЛ. 10
(10.3.1)
10.3} П РИ М ЕН ЕН И Я ТЕО РЕМ О ЧИСЛО ВЫ Х ХАРАКТЕРИСТИКАХ 231
Для определения оу найдем дисперсию величины У:
о, — 1а\сх
Подставляя в формулу (10.3.1), имеем:
а Р х __ а ~
1* 1«;
Величина равна 1, когда а положительно, и — 1, когда а от
Iа I
рицательно, что и требовалось доказать.
З а д а ч а 2. Г р а н и ц ы к о э ф ф и ц и е н т а к,орр.е л яц и и .
Доказать, что для любых слу
чайных величин
|Г*У 1< Ь
Р е ш е н и е . Рассмотрим слу
чайную величину:
г = ауХ ± о хУ,
где ах, оу — средние квадратиче
ские отклонения величин X , У.
Определим дисперсию величины 2.
По формуле (10.2.13) имеем:
=» оуЦ* -)- охОу ± 2вд-оуКлу>
или
_2 2
~ 2
О>гг — " ОдОу ± Ъа^ОуКху.
Так как дисперсия любой случайной величины не может быть
отрицательна, то
или
откуда
IК ХУ сх ау
а следовательно,
I гху 1^1*
что и требовалось доказать. \
З а д а ч а 3. П р о е к т и р о в а н и е с л у ч а й н о й т о ч к и на
п л о с к о с т и на п р о и з в о л ь н у ю п р я м у ю .
Дана случайная точка на плоскости с координатами (X , У)
(рис. 10.3.1). Спроектируем эту точку на ось Ог, проведенную через
начало координат под углом а к оси Ох. Проекция точки ( X , К)
на ось О г также есть случайная точка; ее расстояние X от начала
координат есть случайная величина. Требуется найти математическое
ожидание и дисперсию величины X.
232 ЧИ СЛО ВЫ Е ХАРАКТЕРИСТИКИ ФУН КЦ И И СЛУЧАЙНЫХ ВЕЛ И Ч И Н [ГЛ. 10
Решение. Имеем:
Z = X cos a -f- К sin а.
Так как Z есть линейная функция аргументов ЛГ и К, то
т г = т х cos a -j- т у sin а;
D z = D x cos2а -(- D y sin2а -(- 2Kxy sin a cos a =
= D x cos2a -f- D y sin2a -f- K xy sin 2a,
где D x,*Dy, K xy— дисперсии и корреляционный момент величин (Х> Y).
Переходя к средним квадратическим отклонениям, получим:
о] — О2cos2a - f o 2sin2а -f- гхуох<
зу sin 2a. ( 10. 3.2)
З а д а ч а 4. М а т е м а т и ч е с к о е о ж и д а н и е чи с л а по
я в л е н и й с о б ы т и я при н е с к о л ь к и х о п ы т а х ,
, Производится п опытов, в каждом из которых может появиться
или не появиться событие А. Вероятность появления события А
Э /-м опыте равна р (. Найти математическое ожидание числа появле
ний события.
Р е ш е н и е . Рассмотрим прерывную случайную величину X —
число появлений события во всей серии опытов. Очевидно,
# X = Xi + X 2+ ... + х я, ■
где Л",— число появлений события в первом опыте,
Х 2— число появлений события во втором опыте,
{=1
где Х 1— число появлений события в /-м опыте1).
Каждая из величин Х 1 есть прерывная случайная величина с двумя
возможными значениями: 0 и 1. Ряд
имеет вид:
0 1
(10.3.4)
9i Pi
где =» 1 — р 1— вероятность непоявления события А в 1-и опыте.
X = 2 X ,.
1=1
где Х 1— число появлений события в *-м опыте.
$34 ЧИ СЛО ВЫ Е ХАРАКТЕРИСТИКИ ФУНКЦ И Й СЛУЧАЙНЫХ ВЕЛ И ЧИ Н [ГЛ. 10
о, = 2 о
ы 1 *1
Найдем дисперсию случайной величины Х г Из ряда распределе
ния (10.3.4) имеем:
° Х{ = (0 — Р $ ч1Н- (1 — Р $ Р1 = Р1чг
откуда
п
(10.3.8)
1=1
т. е. дисперсия числа появлений события при нескольких независимых
опытах равна сумме вероятностей появления и непоявления события
в каждом опыте.
Из формулы (10.3.8) находим среднее квадратическое отклонение
числа появлений события А :
= ]/ 'liP A r (10.3.9)
У 1* 1
При неизменных условиях опытов, когда р 1= р 2= . . . = р я = р,
формулы (10.3.8) и (10.3.9) упрощаются и принимают вид:
D x = npq,
(10.3.10)
ax = V пр ч •
З а д а ч а 6. Д и с п е р с и я ч и с л а п о я в л е н и й с о б ы т и я
при з а в и с и м ы х о п ы т а х .
Производится л зависимых опытов, в каждом из которых может
появиться событие А, причем вероятность события А в l -м опыте
равна P i (t = 1, 2........ п). Определить дисперсию числа появлений
события.
Р е ш е н и е . Для того чтобы решить задачу, снова представим
число появлений события X в виде суммы:
П
Х = ^ х {. (10.3.11)
1=1
где
если в /-м опыте событие А появилось,
Н о . если в 1-м опыте событие А не появилось.
+ 2 (10.3.12)
/=1 ‘ К )
где К ц — корреляционный момент величин Х 1г Ху.
К „ = М [ Х 1Х;\.
По формуле (10.2.19)
К и = М \ Х 1Х ] ] — т х т , } = М [ Х 1Х )] - р 1рг (10.3.13)
(=1 1
Математическое ожидание каждой из случайных величин Х [ известно:
т*, = />,.
Следовательно,
тх = 2 Р 1> (ю .3 .1 6 )
/=1
т. е. математическое ожидание числа объектов, приведенных в состоя
ние 5, равно сумме вероятностей перехода в это состояние для
каждого из объектов.
Особо подчеркнем, что для справедливости доказанной формулы
вовсе не нужно, чтобы объекты переходили в состояние 5 независимо
друг от друга. Формула справедлива для любого вида воздействия.
З а д а ч а 8. Д и с п е р с и я ч и с л а о б ъ е к т о в , п р и в е д е н
ных в з а д а н я о е состояние.
Если в условиях предыдущей задачи переход каждого из объектов
в состояние 5 происходит независимо от всех других, то, применяя
теорему сложения дисперсий к величине
* = 2 * „
1=1
получим дисперсию числа объектов, приведенных в состояние 5:
Ох = | р д 1 + 2 Ъ ( Р и ~ РгР,)> (Ю .3.18)
/я= Д , о =
Р Р1
где р — вероятность появления события в одном опыте,
7=1 — р — вероятность непоявления.
<
Рассмотрим случайную величину X — число опытов до А-го по
явления события А. Ее можно представить в виде суммы:
X = Х 1-\- Х 2-}~ . . . -\-Хк,
где Х х — число опытов до первого появления события А,
Х 2— число опытов от первого до второго появления события А
(считая второе),'
(10.3.19)
р2
i =i
V kq
х P
З а д а ч а 10. С р е д н и й р а с х о д с р е д с т в до д о с т и ж е н и я
заданного результата.
В предыдущей задаче был рассмотрен случай, когда предпри
нимается ряд опытов с целью получения вполне определенного ре
зультата— k появлений события А, которое в каждом опыте имеет
одну и ту же вероятность. Эта задача является частным случаем
другой, когда производится ряд опытов с целью достижения любого
результата В , вероятность которого с увеличением числа опытов п
возрастает по любому закону Р (п ). Предположим, что на каждый
опыт расходуется определенное количество средств а. Требуется
10.31 П РИ М ЕН ЕН И Я ТЕОРЕМ О ЧИСЛОВЫХ ХАРАКТЕРИСТИКАХ 239
найти математическое ожидание количества средств, которое будет
израсходовано.
Р е ш е н и е . Для того чтобы решить задачу, сначала предположим,
что число производимых опытов ничем не ограничено, и что они
продолжаются и после достижения результата В . Тогда некоторые
из этих рпытов будут излишними. Условимся называть опыт «не
обходимым», если он производится при еще не достигнутом резуль
тате В , и «излишним», если он производится при уже достигнутом
результате В.
Свяжем с каждым (/-м) опытом случайную величину X г которая
равна нулю или единице в зависимости от того, «необходимым» или
«излишним» оказался этот опыт. Положим
1, если опыт оказался «необходимым»,
X, =
О, если он оказался «излишним».
Рассмотрим случайную величину X — число опытов, которое
придется произвести для получения результата В . Очевидно, ее можно
представить в виде суммы:
Л ’ = Л ’, + Л’2+ . . . + * , + . . . (10.3.20)
Из величин в правой части (10.3.20) первая (.Л^) является неслу
чайной и всегда равна единице (первый опыт всегда «необходим»).
Каждая из остальных — случайная величина с возможными значе
ниями 0 и 1. Построим ряд распределения случайной величины Х 1
(/ > 1). Он имеет вид:
0 1
(10.3.21)
р а - 1) i-p(/-i)
тх = 2 тх1 = 2 ( 1 — P ( t — 1)1
1=1 1 ы\
240 ЧИСЛО ВЫ Е ХАРАКТЕРИСТИКИ ФУН КЦ И Й СЛУЧАЙНЫХ ВЕЛ И ЧИ Н [ГЛ. 10
или, обозначая I — 1 = А ,
со
2 I 1— Р Ш - (10.3.22)
fc=0
Каждый опыт требует затраты средств а. Умножая полученную
величину т х на а, определим среднюю затрату средств на достиже
ние результата В :
СО
S s — a 2 [1 — P(k)\. (10.3.23)
h=0
•»
Данная формула выведена в предположении, что стоимость каждого
опыта одна и та же. Если это не так, то можно применить другой
прием — представить суммарную затрату средств S B как сумму затрат
на выполнение отдельных опытов, которая принимает два значения:
flj, если I -й опыт «необходим», и нуль, если он «излишен». Средний
расход средств S B представится в виде:
оо
Уи 1 2 . . . к . . .
Ри Pi Рг . . . Рк . . .
° ТСЮДа т г = М [ г \ * = т х - т у, (10.3.29)
т. е. математическое ожидание суммы случайного числа случайных
слагаемых с одинаковыми средними значениями (если только число
слагаемых не зависит от их значений) равно произведению среднего
значения каждого из слагаемых на среднее число слагаемых.
Снова отметим, что полученный результат справедлив как для
независимых, так и для зависимых слагаемых Х г, Х 2........ лишь бы
число слагаемых У не зависело от самих слагаемых.
Ниже мы решим ряд конкретных примеров из разных областей
практики, на которых продемонстрируем конкретное применение
общих методов оперирования с числовыми характеристиками, выте
кающих из доказанных теорем, и специфических приемов, связанных
с решенными выше общими задачами.
Прим.ер 1. Монета бросается 10 раз. Определить математическое ожи
дание и среднее квадратическое отклонение числа X выпавших гербов.
Р е ше ние . По формулам (10.3.7) и (10.3.10) найдем:
т х — 10-0,5 = 5; = 10 •0,5 •0,5 = 2,5; о^=1,58.
П р и м е р 2. Производится 5 независимых выстрелов по круглой мишени
диаметром 20 см. Прицеливание — по центру мишени, систематическая
242 Ч И С Л О В Ы Е Х А РА К Т Е РИ С Т И К И Ф У Н К Ц И Й С Л У Ч А Й Н Ы Х В Е Л И Ч И Н (Г Л . 10
* - » • ( :& ) - 1» «м .
У1 1 2 3 4
тх==^ = Щ = 5'
На эти пять проб потребуется в среднем
5 • 3 = 15 (мннут).
П р и м е р 10. Производится стрельба по резервуару с горючим. Вероят
ность попадания при каждом выстреле равна 0,3. Выстрелы независимы.
При первом попадании в резервуар появляется только течь горючего, при
втором попадании горючее воспламеняется. После воспламенения горючего
стрельба прекращается. Найти математическое ожидание числа произведен
ных выстрелов.
Р е ш е н и,е. Пользуясь той ж е формулой, что и в предыдущем примере,
найдем математическое ожидание числа выстрелов до 2 -го попадания:
^ = 2 11_Я(А)1 = Е 0’8" = П Г а д = 5 -
к=0 й=0
П р и м е р 12. Для того чтобы выполнить определенную задачу по сбору
информации, в заданный район высылается несколько разведчиков. Каждый
посланный разведчик достигает райрна назначения с вероятностью 0,7. Для
выполнения задачи достаточно наличия в районе трех разведчиков. Один
разведчик с задачей вообще справиться не может, а два разведчика выпол
няют ее с вероятностью 0,4. Обеспечена непрерывная связь с районом, ц до
полнительные разведчики посылаются, только если задача еще не выполнена.
246 ЧИ С Л О В Ы Е Х А РА К Т Е РИ С Т И К И Ф У Н К Ц И Я СЛ У Ч А Й Н Ы Х В Е Л И Ч И Н [Г Л . 10
% = 2 п-р(*)].
6=0
В нашем случае:
Я (0) = 0; Я (1) = 0; Р (2) = 0,4; Я (3 ) = 1;
Я (4) = Я (5) = . . . = 1 .
М атематическое ожидание величины X равно:
ОО
т х = М [X ] = 2 I 1 ~ р ( * ) ! = 1 + 1 + 0,6 = 2,6.
к =О
Итак, для того чтобы задача была выполнена, необходимо, чтобы
в район прибыло в среднем 2 ,6 разведчика.
Теперь решим следующую задачу. Сколько разведчиков придется в сред
нем в ы с л а т ь в район для того, чтобы их в среднем прибыло т х7
Пусть послано У разведчиков. Число прибывших разведчиков можно
представить в виде
х = г 1 + г 2+ . . . + г у,
где случайная величина 2> принимает значение 1 , если /-й разведчик при
был, и 0, если не прибыл. Величина X есть не что иное, как сумма случай
ного числа случайных слагаемы х (см. задачу 11 данного п°). С учетом этого
имеем:
М [X] = М [ 2 {] М [К],
откуда
М [АТ] 2,6
М[У)-
М [г,] М £^(1 ’
но М [2{\ = р, где р — вероятность прибытия отправленного разведчика
(в нашем случае р — 0,7). Величина т х нами только что найдена и равна 2,6.
Имеем:
т у = М [У] = я; 3,71.
| „
" 1е ( 1 — Р) *
откуда врем я, необходимое для обнаружения в среднем к объектов, будет
равно:
; 'г М)
П р и м е р 14. Изменим условия примера 13. П усть радиолокационная
станция ведет наблюдение за областью только до тех пор, пока не будет
обнаружено к объектов, после чего наблюдение прекрящ автся или продол*
, ж ается в новом режиме. Найти математическое ожидание времени, которое
4 для этого понадобится.
Для того чтобы решить эту задачу, недостаточно задаться вероятностью
обнаружения одного объекта в* одном цикле, а надо еиге указать, как растет
1 с увеличением числа циклов вероятность того, что из N объектов будет
■ обнаружено не менее к. Проще всего вычислить эту вероятность, если пред
положить, что объекты обнаруживаю тся независимо друг от друга. Сделаем
; такое допущение и решим задачу.
Р е ш е н и е . При независимых обнаружениях можно наблюдение за А'
объектами представить как N независимых опытов. После п циклов каж дый
из объектов обнаруживается с вероятностью
Л , = 1 - ( 1 -/>)"•
Вероятность того, что после п циклов будет обнаружено не менее к объек
тов из N. найдем по теореме о повторении опытов:
Л ?* - 2 С* р п (1 - РУ ' т -
т *=• к
Среднее число циклов, после которых будет обнаружено не менее к
объектов, определится по формуле (10.3.22):
со N Г Лг *»• “
I - * « = £Л + ^2 + . . . + и п = ' £ и 1. (10.3.31)
I где
,
.
£//— расстояние, пройденное точкой на г’-м шаге, т. е. -(- 1 , если точка
| двигалась на этом шаге вправо, и — 1 , если она двигалась влево.
По теореме о дисперсии суммы (см. формулу (10.2.10)) имеем:
Г
’< Начнем со случая _/= / + !> когда величины 17{ и II] стоят рядом
в сумме (10.3.31). Ясно, что £/;(/; + 1 принимает значение Ц-1 с вероятностью р
и значение —1 с вероятностью я. Имеем:
*«л + 1 = м [и 1и1+\\ = 1 • Р+ ( - 1 ) д = р —д.
Рассмотрим, далее, случай ) = г + 2. В этом случае произведение [/,•£/]
равно -(- 1 , если оба перемещения — на /-м н / + 2 -м ш аге — происходят
в одном и том же направлении. Это может произойти двум я способами.
; Или точка х все три ш ага — /-й, (/-■(- 1)-й и (/ + 2)-й — двигалась в одном
: и том ж е направлении, или ж е она дваж ды изменила за эти три ш ага свое
I направление. Найдем вероятность того, что 6 ^ £ / / +2 = 1:
! Р (£/, и 1+2 = \) = Р ( ((/,(/,+1 = 1) {1Г1+1и 1+ж = 1 )) +
| + /, ( ( В Д + 1 = - 1) ( ^ + 1 ^ + 2 = - 1 ) ) = Рг + Я'.
\ Найдем теперь вероятность того, что £ / ^ +2 = — 1. Это тоже может
; произойти двум я способами: или точка изменила свое направление при пере-
II ходе от г'-го ш ага к (г 1 )-му, а при переходе от (< -(- 1 )-го ш ага к (/ -}- 2 )-м у
(■ сохранила его, или наоборот. Имеем:
| / > (О Д + г= 1 ) - = ~ 1) ( ^ + , ^ +1= 1 ) ) +
| + Р ((*/,</,+, = 1) (С/|+1С/,+ !------ 1 )) - 2 р Ч.
250 Ч И С Л О В Ы Е Х А РА К Т Е РИ С Т И К И Ф У Н К Ц И Й С Л У Ч А Й Н Ы Х В Е Л И Ч И Н [Г Л . 10
Р < Р Р м = !) = / + с у - у + С < / - У + . .
^ № +* = - 1) = с Х ' 1« + ^ - у + ....
и, следовательно.
1
Дисперсия случайной величины Хп будет равна:
4=1
= 2
К) Г>
2
«</
^,==«+2 2 о »-* )'-1.
или же, производя суммирование элементов, стоящих на одном расстоянии
от главной диагонали,
П- 1
0 { Х п] ~ п + 2 2 (п — к) ( р — д)к.
А=1
П р и м е р 18. Найти асимметрию биномиального распределения
Р (Х = т ) ~ С™рт дп~т ( ? = 1 — р). (10.3.32)
*= 3 *1 ,
/=1
где
( 1 , если в 1-и опыте событие появилось,
Л1 = л
I 0 , если в |-м опыте событие не появилось.
По теореме сложения третьих центральных моментов
п
14 [ * ] = 2 ^ з № ]. (10.3.33)
*=1
10-31 ПРИМЕНЕНИЯ ТЕО РЕ М О ЧИСЛОВЫХ Х А РА К Т Е РИ СТ И К А Х 251
ЯIР
Третий центральный момент величины Х 1 равен:
(0 — ру ч 4 (1
. — ру р = — р 4 - я *р = р ч (д _ р).
ы х ] = 2 ря (я — р ) = пря (я — р )-
1=1
2Г,
*1 + *» + ... +Хп ’ 2 Х , + Х 2+ . . . + х„ ••••
7 Ха
• • • >- « х , + х 2+ . . . + Х п -
Очевидно, их закон распределения тоже должен обладать свойством сим
метрии, т. е. не меняться при замене одного аргумента любым другим и
наоборот. Отсюда, в частности, вы текает, что
м ^ 1] = м 1 г 2] = . . . ^ м [ г п].
Вместе с тем нам известно, что в сумме случайные величины 2^, Х2, . . . , 2Г„
■образуют единицу, следовательно, по теореме сложения математических
ожиданий,
М [ г 1] + м [ г , ] + . . . + л ц г я] = М [ 1 ] = 1 .
откуда
м [£ ,] = м [ г 2] = . . . = м [ г „ ] = ~ .
ГЛАВА 11
ЛИНЕАРИЗАЦИЯ ФУНКЦИЙ
У = Ч {тх) + <?'{тх) Х . ( И .2 .3 )
К линейной функции (1 1 .2 .3 ) можно
применить известные приемы определе
ния числовых характери сти к линейных функций (см . п° 1 0 .2 ). М ате
матическое ожидание этой линейной функции найдем, подставляя
о
Кп
Случайная величина У есть функция аргум ен тов Х г Х 2............ Х„:
У = <?(Х1, Х 2............ Х„). (1 1 .3 .1 )
причем функция ^ не линейна, но мало отличается от линейной
в области практически возмож ных значений всех ар гум ен то в (короче,
«почти линейная» функция). Т р ебуется приближенно найти числовые
характери сти ки величины У — математическое ожидание т у и ди с
персию Оу.
Д л я реш ения задачи подвергнем линеаризации функцию
у = 1р ( * 1, х ............. * „ ) «
П
" Ц ............> » * „ ) + З'Р .гД 'И лу " Ц ...............
т , 2............+
■- 2
/=1
^
( 0x1
\2 а2
)„
'т "I
( 1 1 .3 .8 )
Ф о р м ул ы типа ( 1 1 .3 .7 ) и ( 1 1 .3 .8 ) н ах о д ят ш и р о ко е применение
в различны х п р и кл ад н ы х во п р о сах : при исследо ван и и ош ибок р а з
ного ви да приборов и м ехан и зм о в, а т а к ж е при
ан али зе точн ости стр ел ьб ы и б ом бо м етан и я.
П р и м е р 1. Относ бомбы X (рис. 11.3.1) вы ра
ж ается приближенной аналитической формулой:
Х --
■«о | / ' (1 — 1,8- Н Г 5 с Я ), (11.3.9)
9 Теория вероятностей
258 ЛИНЕАРИЗАЦИЯ ФУНКЦИЙ [ГЛ. 11
• дх , Г т
дс ~ 1,0 у g
и подставим в эти выражения вместо каждого аргумента его м атематиче
ское ожидание:
9*
260 ЛИ Н ЕАРИ ЗАЦ И Я ФУНКЦИЯ [Г Л . II
У — 9 (т х ) + ? ' ( т х) ( X — т х) + у <р" ( т х ) ( X — т х У =
й [Х*\ = М ф ] — [М [ Ь \ } 2 = ^ [Х\ — о \ ,
К [ Х , Х 2] = М \ Х ф — М ф ] ) ] = р 3 [Х1.
О кончательно имеем:
Г = 1 ( • « , . « ч ............ +
+Щ %) №
■- ”*У+2(а£Ы
1~ 1 V I/ т i< j V * У /ш
Г « .* (■ » ,. .........”■ «,)+ 2
+ Щ/=1 Щ
\ 1/т
» , + 2 ( 4 ') / , 0 1* 11»
где АГ^у — корреляционный момент величин А"г, Л'у.
В наиболее важном для практики случае, ко гда аргументы К х,
Х 2............Х п некоррелированны, формула (1 1 .4 .1 1 ) принимает вид:
П ■
% = Ч > К • т*2.........+ ° хг (11,4.12)
/=1 \ * /т
Второй член формулы (1 1 .4 .1 2 ) представляет собой поправку на
нелинейность функции.
Перейдем к определению дисперсии величины У. Чтобы получить
выражение дисперсии в наиболее простом виде, предположим, что
величины Х х, Х 2............Х п не только некоррелированны, но и н еза
висимы. О пределяя дисперсию правой и левой части (1 1 .4 .1 0 ) и поль
зуясь теоремой о дисперсии произведения (см . п° 1 0 . 2 ), получим:
+ 2 ( * № 'Л , + 2 ( £ ) ( В ) Ь№ 1. (11.4.13)
/</ V 1 /т \ Ь/ т
1=1 /а: 1 \ * / ГП
+ < п -4 1 4 '
х — ф (У).
1
/ (х ) е
У = <Р(х) у = а х -\-Ь
у —Ь
X = ф (у) X = - ------
а
\
Ф'(У) а
1
1Ф ' 0 » 1 \а |
1 2« !
в ' (У) — / (Ф (У) ) IФ' (У) I
а \ох уг2п
П реобразуя выражение g(y), имеем:
[у - ( а т х +Ь)у
1 2 Iа |2^ '
&(У) =
Iа \ У 2п
а это есть не что иное, к ак нормальный закон с параметрами:
ау= а т х Ь, 1
(1 2 .2 .3 )
оу = \а\ог. }
Если перейти от средних квадратических отклонений к пропор
циональным им вероятным отклонениям, получим:
Е у = 1я I Е х- (1 2 .2 .4 )
■ 12.3] ЗАКО Н Р А С П Р Е Д . НЕМ ОНОТОННОЙ Ф У Н К Ц И И О ДН О ГО А РГУ М ЕН ТА 207
Рис. 12.3.1.
= 2 р ( * с д д >о ) = 2 //(* )* * •
I I \ (У)
268 ЗАКО Н Ы РАСП РЕДЕЛЕНИ Я Ф УН КЦ И Я СЛ УЧ А Й Н Ы Х А РГУ М Е Н Т О В [Г Л . 12
?(Х )
Таким образом, для функции распределения величины К = <
имеем формулу:
<300 = У [/ (х)й х. (1 2 .3 .1 )
I \(у)
Границы и н тер вал о в.Д Д у) зависят от у и при заданном ко н кр ет
ном виде функции у = ср(дг) м огут быть выраж ены к а к явные ф унк
ции у. Дифференцируя й (у) по величине у , входящ ей в пределы
интегралов, получим плотность
распределения величины К:
ё (У) — О' (у). (1 2 .3 .2 )
П р и м е р . Величина X подчи-
нёна закону равномерной плотности
на участке от — у до
/(■*) =
О при I х\ > -J .
G (y ) = J / (ж )^ л г+ J f( x ) d x . (12.3.3)
arccos у
g (у) (12.3.4)
£ (* )= J f ( * — y .y )d y . (1 2 .5 .2 )
—со
СО
g(z) = f f i i z — y ) f 2 (y)dy. (1 2 .5 .4 )
—СО
Д ля обозначения композиции законов распределения часто при
меняют символическую запись:
g = fi*fi>
где * — символ композиции.
12.5] ЗАК ОН Р А С П Р Е Д Е Л Е Н И Я СУММЫ ДВУХ СЛУЧАЙНЫХ ВЕЛИЧИН 273
Формулы (1 2 .5 .3 ) и (1 2 .5 .4 ) для композиции законов распределе
ния удобны только то гда, ко гда законы распределения / , (х) и / 2 (у )
(или, по крайней мере, один из них) заданы одной формулой на
всем диапазоне значений аргум ен та (от — со до со ). Если ж е оба
закона заданы на различных у ч астках различными уравнениями (н а
пример, два закона равномерной плотности), то удобнее пользоваться
непосредственно общим методом, изложенным в п° 1 2 .4 , т. е. в ы
числить функцию распределения й ( г ) величины 2 — X У и про
дифференцировать эту функцию.
П р и м е р 1. Составить композицию нормального закона:
(х- т?
1 2о3
/, (* ) =
и закона равномерной плотности:
1
При а < у < р.
где область £>— часть квадрата У?, лежащая левее и ниже прямой х 4 - у — г.
Очевидно,
С (*> = 5 0 .
где — площадь области О.
Составим выражение для площади области О при различных значе
ниях г, пользуясь рис. 12.5.3 и 12.5.4:
1) при г < О О {г) = 0 ;
2 ) при 0 < 2 < 1 О (г) = ;
Д (* ) = — = е . ( 1 2 .6 . 1 )
ах у 2п
(У'т уУ
/2 (У)=— °> •
Оу у^2п е 2 о2-6-2)
Т ребуется произвести композицию этих законов, т . е. найти закон
распределения величины:
г = х+у.
Применим общую ф ормулу (1 2 .5 .3 ) для композиции законов р ас
пределения:
( х - т ху (г-х -ту
оо _ _ _ — ---- *
1 Г ъ? а«*
-—
2лзлиу
е х у йх. (1 2 .6 .3 )
“у /
— 00
е ' л * '+ 2 В х - с < 1 х '
где
А= 1 й ± А >
2 «£<,’ '
тх . г — ту,
Я = __ ±_ _|_______Д *
' 2 в* ' 2 ау *
■ (г ~ т у)2
“ 2 а^ ^ 2 оу
П одставляя эти выражения в у ж е встречавш ую ся нам формулу
(9 .1 .3 ): .
276 ЗАКО Н Ы РА СП РЕД ЕЛ Е Н И Я ФУНКЦИЙ С Л У Ч А Й Н Ы Х -А Р Г У М Е Н Т О В [Г Л . 12
(1 2 .6 .5 )
(1 2 .6 .7 )
( 12. 6 . 10)
12.6] К О М П О ЗИ Ц И Я Н О РМ А Л Ь Н Ы Х ЗА КО Н О В 277
* 1- * 2 ............Х Л.
подчиненных нормальным законам с центрами рассеивания
и ■,*], т х2, . . . , т *П
х
г = 2 х ,
^ *= 1
<$==£'<£,• ( 1 2 . 6 . 12 )
■ 1=1 Х1
Вместо формулы (1 2 .6 .1 2 ) можно применять равносильную ей
формулу:
П
Е] = 2 е 1.- (1 2 .6 .1 3 )
г =1 *
Если система случайных величин ( X , К) распределена по нор
мальному зако н у, но величины X , У зависимы, то нетрудно до казать,
т а к ж е к а к раньш е, исходя из общей формулы (1 2 .5 .1 ), что закон
распределения величины
Х+У
а1 = °1 + °1 + 2гаЛ ‘ (1 2 .6 .1 4 )
где г — коэффициент корреляции величин X й У.
278 ЗА КОН Ы РАСПРЕДЕЛЕНИЯ ФУНКЦИЙ С Л У Ч А Й Н Ы Х А Р Г У М Е Н Т О В [Г Л . 12
£^ = 2 ^ + 2 ^ П } Е Х.ЕХ (1 2 .6 .1 7 )
/=1 ‘ К 1
где г (у — коэффициент корреляции величин X (, X ], а суммирование
распространяется на все различные попарные комбинации величин
* 2 ............
Мы убедились в весьма важном свойстве нормального закона: при
композиции нормальных законов получается снова нормальный закон.
Это — т а к называемое «свой ство устойчивости». Закон распределения
назы вается устойчивым, если при композиции д в у х законов этого
типа получается снова закон того ж е т и п а '). Выше мы показали,
что нормальный закон является устойчивым. Свойством устойчивости
обладают весьма немногие законы распределения. В предыдущ ем п°
(пример 2 ) мы убедились, что, например, закон равномерной плот
ности неустойчив: при композиции д в ух законов равномерной плот
ности на уч астках от 0 до 1 мы
получили закон Симпсона.
Устойчивость нормального за к о
н а—одно из сущ ественных условий
его широкого распространения на
практике. Однако свойством усто й
чивости, кроме нормального, обла
даю т и некоторые др уги е законы
распределения. Особенностью нор
мального закона является то, что
Рис. 12.6.1, при композиции достаточно боль
шого числа практически произволь
ных законов распределения суммарный закон о казы вается сколь угодно
близок к нормальному вне зависимости от того, како вы были законы
распределения слагаем ы х. Это можно проиллюстрировать, например,
составляя композицию трех законов равномерной плотности на уч а
стках от 0 до 1. Получающийся при этом закон распределения g (z )
изображен на рис. 1 2 .6 .1 . К ак видно из чертеж а, график функции g(z)
весьма напоминает график нормального закона.
') Под «законами одного и того же типа» мы подразумеваем законы, раз
личающиеся только масштабами по осям и началом отсчета по оси абсцисс.
12.71 ФУНКЦИИ ОТ Н О Р М А Л Ь Н О РАСПРЕДЕЛЕННЫ Х А Р ГУ М Е Н Т О З 279
а параметры второго —
т х„ mv 3>V гхгу,'
Требуется определить з а
кон распределения случай
ного векто р а V —
(рис. 1 2 . 8 . 1 ), составляю
щие которого равны;
X ~ Xj -}- Х 2;
у = у}+ у2.
Не представляет трудности качественно доказать (аналогично том у,
к ак мы это сделали для случая композиции д в ух нормальных за к о
нов в п° 12.6), что вектор V т а к ж е распределен нормально. Мы при
мем это положение без специального до казательства.
->
Определим параметры закона распределения вектора V.
По теореме сложения математических ожиданий
mx = mXl-\-mx., \
, ’ ( 1 2 . 8 . 1)
т у = т У1 т У1. J
1281 К О М П О ЗИ Ц И Я НОРМАЛЬНЫХ ЗА КОН ОВ НА П ЛО С К О С Т И 281
( 12 . 8 . 2)
°У = "V, 4 ~ '& . |
По теореме сложения корреляционных моментов
К ху = Л Х:у, Н~ КХ2уг,
или. переходя к коэффициентам корреляции,
ГХУ<3Х°У — Г Х , у , ^ у , -+ - ТХгУ -рхРуг'
о ткуда
' ху ‘ (1 2 .8 .3 )
КК+ЗК+Ф
Т аким образом, задача композиции нормальных законов на пло
скости реш ается формулами (1 2 .8 .1 ), (1 2 .8 .2 ) и (1 2 .8 .3 ).
Эти формулы выведены для того случая, ко гда оба исходных
•> *>
нормальных закон а (для векторов V , и К 2) заданы в одной и той ж е
координатной системе хОу. На п рактике иногда встречается случай,
ко гда нужно произвести композицию д вух нормальных законов на
плоскости, каж ды й из которы х задан в своей системе координат,
а именно в своих главны х осях рассеивания. Дадим способ ком по
зиции нормальных законов для этого случая.
П усть на плоскости хОу (рис. 1 2 .8 .2 ) даны два нормально рас-
-V
пределенных некоррелированных случайных вектора и У2. Каждый
= У Е х1 с о е 2 а гхуЕхЕу б 1п 2 а - { - £ £ зш 2 а ,
П П
(12.8.9)
= к * .,, + + К ы + KXiyt = о + 0 + i ^ i + о,
откуда
г - 4^ - У _
*У~ 2PJ • 5,09 • 4,58 — '
Определим уго л а, который составляет с осью первая главная ось рас
сеивания:
. - 2 • 0,297 • 5,09 • 4,58 . „ ,п
tg2a=~ - 5 ,0 9 » - 4 ,5 8 » --------- ll34°-
2aw 69°30'; a « 3 4 ° 4 5 '.
По формулам (12.8.8) имеем:
1 3 .2 . Н е р а в е н ст в о Ч еб ы ш ева
Я ( | Л Г - т ,| > а )< ^ . (1 3 .2 .1 )
288 П РЕДЕЛЬН Ы Е ТЕО РЕМ Ы ТЕО РИ И ВЕРО ЯТН О СТЕЙ [Г Л . 13
Р(\Х — т х | > а ) = 2- р 1г (1 3 .2 .3 )
| * Г т * 1>а
где запись \х{ — т х |^>а под знаком суммы означает, что суммиро
вание распространяется на все те значения I, для которы х точки х 1
леж ат вне отрезка АВ.
С другой стороны, напишем выражение дисперсии величины X
По определению:
Ох > 2 = 2 Р* (1 3 .2 .6 )
|хГ 1Яг |>« \ * Г т х\>*
Но согласноф ормуле (1 3 .2 .3 ) сум м а, стоящ ая в.правой части (1 3 .2 .6 ),
есть не что иное, к а к вероятность попадания случайной точки вовне
отрезка АВ\ следовательно,
0 , > а 2/ > ( | * - т , | > а ) ,
') Знак >• заменен знаком >, так как для непрерывной величины вероят«
ность точного равенства равна нулю.
290 П РЕ Д Е Л Ь Н Ы Е ТЕО РЕМ Ы ТЕО РИ И ВЕРО ЯТН О СТЕЙ [ГЛ . 13
М
п
Случайная величина К есть линейная функция независимых с л у
чайных величин Х х, Х 2» Х П. Найдем математическое ожидание
1Э.Э] ЗА К О Н Б О Л ЬШ И Х Ч И С Е Л (ТЕОРЕМА' Ч Е Б Ы Ш Е В А ) 291
(13.3 . 1)
/=1 ; =1
< е / > 1 — 8. (1 3 .4 .1 )
2 *<
„ <=1
т и
П
а дисперсия
п
<«1
(1 3 .4 .2 )
тогда
Я ( | К - / и у| > е ) < - ^ .
2 2
*= 1 /=1 *
Р ( ( К - т уК е ) = />\ < е / > 1 — 8,
а л
я р
где <7 = 1 — р. М атематическое ожидание каж дой из величин Х 1
■равно р, а ее дисперсия рд (см. д° 1 0 .3 ).
Частота Р* представляет собой не что иное, к а к среднее ариф
метическое величин Х 1г Х 2............ Х п\
XI X, XI ... хп
Р1 Р\ Рг ... Рп
то ее характеристическая функция
5 4 0 = 2 «"**/>*• (13.7.2)
300 П РЕ Д Е Л Ь Н Ы Е Т ЕО РЕМ Ы ТЕО РИ И ВЕРО ЯТН О СТЕЙ [Г Л . 13
* (0 (1 3 .7 .3 )
— СО
/• 1 2~ 1 Г 11х—Т"
g (0 = I е‘1х г— е Л х = ".г __ е ах (13.7.5)
./
—со
V 2 тс V 2 л -с•/о
Пользуясь известной формулой
оо ___ А С -В*
£ е - Ахг*™х~с й х = ~
—оо
g(t) = e ■* . (13.7.6)
Формула (1 3 .7 .3 ) вы р аж ает характеристическую функцию g (t)
непрерывной случайной величины X через ее плотность распределе
ния f (х). Преобразование (1 3 .7 .3 ), которому нужно подвергнуть / ( х ),
чтобы получить g(t), назы вается преобразованием Фурье. В курсах
математического анализа до казы вается, что если функция g (t) вы р а
ж ается через f (х) с помощью преобразования Ф урье, то, в свою
очередь, функция / (х) вы раж ается через g ( t ) с помощью так назы
ваемого об р а т н о г о преоб разования Фурье-.
ОО
У = Ъ х к.
Требуется доказать, что
* , ( 0 = П л Ф <1Х* ]= П в г , со.
к=1 Л=1 »
что и требовалось доказать.
Аппарат характеристических функций часто применяется для ком
позиции законов распределения. Пусть, например, имеются две не*
зависимые случайные величины X и У с плотностями распределе
ния /! (* ) и /2(у). Требуется найти плотность распределения величины
г = х+ у.
фто можно выполнить следующим образом: найти характеристиче
ские функции gx {t) и g y (t) случайных величин X и У и, перемножив
302 П РЕД ЕЛ ЬН Ы Е ТЕО РЕМ Ы ТЕО РИ И В ЕР О Я Т Н О С Т ЕЙ [ГЛ. 13
£*(*)=»£* (0 £*<0.
после чего, подвергнув g z(t) обратному преобразованию Фурье, найти
плотность распределения величины Z:
|_и
= ^ / е-‘" е л 1)йи
£а(0 = * 2.
Согласно свойству 1 характеристических функций,
(V У
ё х (0 = Ёи (а* 0 = е 2 .
Аналогично
(У-У
(0 = * 2 .
Перемножая (/) и (?)> имеем:
(°Н ) „
(0 = е 2
а это есть характеристическая функция нормального закона с параметрами
т г = 0; ог = V<?х + о2. Таким образом, получена композиция нормальных
законов гораздо более простыми средствами, чем в п° 1 2 .6 .
(13.8.5)
— 00
Продифференцируем (13.8.2) по V.
00 СО
£ ХУ ) = J 1хеа х / ( х) й х = / J х е и* / ( х ) й х . ( 1 3 .8 . 6 )
—оо —оо
304 П РЕД ЕЛ ЬН Ы Е ТЕО РЕМ Ы ТЕО РИ И В ЕР О Я Т Н О С Т ЕЙ [ГЛ . 18
£■” (0 = — / х Ч Нх/{х )й х ,
— СО
отсюда
со
£< 0) = -
/ х Ч (х )й х . (13.8.8)
-СО
При т — 0 интеграл в выражении (13.8.8) есть не что иное, как
дисперсия величины X с плотностью / (* ), следовательно
&"х (0) ~ ° 2' (13.8.9)
Подставляя в (13.8.4) ^ ( 0 ) = 1, ^ (0 ) = 0 и ^"(0) = — о2, получим:
*,(/)= » I - [ ■ £ - « ( * ) ] Л (13.8.10)
Обратимся к случайной величине Кп. Мы хотим доказать, что ее
закон распределения при увеличении п приближается к нормальному.
Для этого перейдем от величины Уп к другой («нормированной»)
случайной величине у
(13.8.11)
оУ п
Эта величина удобна тем, что ее дисперсия не зависит от п и равна
единице при любом п. В этом нетрудно убедиться, рассматривая
величину 2.п как линейную функцию независимых случайных величин
Х х, Х г........ Х „ , каждая из которых имеет дисперсию а2. Если мы
докажем, что закон распределения величины приближается к нор
мальному, то, очевидно, это будет справедливо и для величины К„,
связанной с 2 „ линейной зависимостью (13.8.11).
Вместо того чтобы доказывать, что закон распределения величины
Х п при увеличении п приближается к нормальному, покажем, что ее
характеристическая функция приближается к характеристической функ
ции нормального закона !).
Введем обозначение
[т - ( 7 7 ? ) ] £ -
Тогда
1п^ гп(0 = я1п {1 — •/}. (13.8.16)
я>00 \ 2 [ а ) Г п / ' * 1 [ а У И )
откуда
_'ü
= * 2* (13.8.17)
Я->оо
им
|im / П
Л->оо • —
k-
*--1— )»
-/ ^ 0 ,
I 1
= = (А = 1........ я).
И к — дисперсия величины X к.
Наиболее общим (необходимым и достаточным) условием спра
ведливости центральной предельной теоремы является у с л о в и е
Ли нд е б е р г а : при любом х > 0
п
(х — т к)2/ к (х )й х = О,
я-Кхз Од \ >*Вп
где т к — м атематическое ожидание, Д (х) — плотность распре-
У = '£ Х 1 (13.9.1)
<= 1
гу
2== * в
?, .2 ^ 0 — 2 л*/
I —1 /— 1 (1394)
V
Г 1=1
Очевидно,
м\г\ = 0; А [ г | = в, = 1.
Если закон распределения величины К близок к нормальному
с параметрами (13.9.3), то закон распределения величины 2 близок
к нормальному с параметрами т 1 — 0, ог = 1. Отсюда
г = 2 *1 . (13.9.7)
г=1
где Х { — число появлений события А в 1-м опыте.
Согласно доказанной в п° 13.8 теореме, закон распределения
суммы одинаково распределенных слагаемых при увеличении их числа
приближается к нормальному закону. Следовательно, при достаточно
большом я справедлива формула (13.9.5), где
У— т ч
г = ... д...X . (13.9,8)
Р (а < < р) = Ф * (р )- Ф * (а ).
Теорема доказана.
Пример 1. По полосе укреплений противника сбрасывается 100 серий
бомб. При сбрасывании одной такой серии математическое ожидание числа
попаданий равно 2, а среднее квадратическое отклонение числа попаданий
равно 1,5. Найти приближенно вероятность того, что при сбрасывании
100 серий в полосу попадает от 180 до 220 бомб.
Решение. Представим общее число попаданий как сумму чисел по
паданий бомб в отдельных сериях:
100
—^1 + ^2 4~ ••• + * , 0 0 = 2 ^
/=1
где XI — число попаданий /-й серии.
Условия центральной предельной теоремы соблюдены, так как величины
X,, Х г, ..., ^ 100 распределены одинаково. Будем считать число п = 100 до
статочным для того, чтобы можно было применить предельную теорему (на
практике она обычно применима и при гораздо меньших л). Имеем:
100 п , 100
= = 2 ^ = 2 1,5г = 225.
; =1 г=1 ( =1
310 ПРЕДЕЛЬНЫЕ ТЕО РЕМ Ы ТЕО РИ И ВЕРО ЯТ Н ОСТЕЙ [Г Л . 13
1=1
где Х[ — число бомбардировщиков, сбитых в /-м элементарном бою.
Ряд распределения величины Л* имеет вид:
0 1
0 ,6 0,4
Отсюда
т г =0,4; О , =0,4-0,6 = 0,24; т х = 50 •0,4 = 20;
Х1 Х1
аг = УЪо •0, 243, 464.
Применяя формулу (13.9.6) и полагая 3 = 50 (или, что в данном случае равно
сильно, р = оо), а = 17, находим:
Р (17 0.807.
г - 2 к£.
0 1 2
0,3 0,5 0 ,2
139! Ф О Р М У Л Ы , ВЫ РА Ж А Ю Щ И Е Ц Е Н Т Р А Л Ь Н У Ю П Р Е Д Е Л Ь Н У Ю ТЕО РЕ М У 311
Отсюда находим математическое ожидание и дисперсию величины У?.
=0,9; £>., =0,49.
Для величины У:
1 1
т у = 50 •0,9 = 45; О у = 24,5; ау = 4,96.
Определим границы участка, симметричного относительно т у = 45, в ко
торый с вероятностью 0,9 попадет величина У. Обозначим половину длины
этого участка I. Тогда
, Р { \ У — т у | < 0 = 2 Ф *(- ~ - )- 1 = 0 ,9 ,
М {а \ = а. (14.1.3)
Оценка, удовлетворяющая такому условию, называется несмещенной.
Наконец, желательно, чтобы выбранная несмещенная оценка обла
дала по сравнению с другими наименьшей дисперсией, т. е.
- • ~ 'Л
£>[а] = т т . (14.1.4)
Оценка, обладающая таким свойством, называется эффективной.
На практике не всегда удается удовлетворить всем этим требо
ваниям. Например, может оказаться, что, даже если эффективная
оценка существует, формулы для ее вычисления оказываются слишком
сложными, и приходится удовлетворяться другой оценкой, дисперсия
которой несколько больше. Иногда применяются — в интересах про
стоты расчетов— незначительно смещенные оценки. Однако выбору
оценки всегда должно предшествовать ее критическое рассмотрение
со всех перечисленных выше точек зрения.
2 *.
т = т ' = — --- (14.2.1)
л 4 >
Нетрудно убедиться, что эта оценка является состоятельной:
согласно закону больших чисел, при увеличении п величина т схо
дится по вероятности к т . Оценка ,т является также и несмещенной,
так как
П
М {т \ = ~ — = т. (14.2.2)
£>[«} = - О . (14.2.3)
1 1 п
14.21 ОЦЕНКИ ДЛЯ МАТЕМАТИЧЕСКОГО ОЖ ИДАНИЯ И ДИСПЕРСИИ 315
Эффективность или неэффективность оценки зависит от вида
вакона распределения величины X . Можно доказать, что если вели
чина X распределена по нормальному закону, дисперсия (14.2.3) будет
минимально возможной, т. е. оценка /й является эффективной. Для
других законов распределения это может быть и не так.
Перейдем к оценке для дисперсии О. На первый взгляд наиболее
естественной оценкой представляется статистическая дисперсия:
П
т = • (14.2.5)
(14.2.6)
----- •. (14-2-7)
1=1
316 ОБРАБ ОТ КА ОПЫТОВ [Г Л . 14
2 (* ,- £ )* 2 (* / - * )*
П . £)*_1=1 П '" 1
/1— 1 п п~1 п— 1
Такую «исправленную» статистическую дисперсию мы и выберем
в качестве оценки для /};
2 № - "0 2
Д = — Ч - Л Т ----1 (14.2.12)
п- п
Так как множитель стремится к единице при и —»-оо,
а оценка й* состоятельна, то оценка Ъ -также будет состоятельной ‘)-
На практике часто вместо формулы (14.2.12) бывает удобнее
применять другую, равносильную ей, в которой статистическая
п
(14.2.13)
т =
п
I -1 (14.2.14)
[) =
п— 1
или
---- 1----------___________________________________ ,а
О а, I д I а3
Рис. 14.3.1.
Р ( | а — о | < е ) = р.
% XI 2 № - т)г
т= 5 = ^ -------=------ . (14.3.4)
п п— 1 1 '
P (\ in — т \ < е 9) = 2 Ф * { ^ Л — 1. (14.3.6)
V т/
где т
= 1
1/ / D квадратическое отклонение оценки т .
—--- среднее
У Т1
Из уравнения
2ф' ( 5 г ) - ' = е
находим значение s^:
«Р = вт аге ф* ( - Ч ^ ) - (14.3.7)
где arg<5*(;c)— функция, обратная Ф*(х), т. е. такое значение аргу
мента. при котором нормальная функция распределения равна х.
Дисперсия D, через которую выражена величина о~, нам в точ
ности не известна; в качестве ее ориентировочного значения можно
воспользоваться оценкой D (14.3.4) и положить приближенно: •
вгг = / т - (14-3-8)
Таким образом, приближенно решена задача построения доверитель
ного интервала, который равен:
э е Л & & ч
1 10,5 6 1 0 ,6 И 1 0 ,6 16 10,9
2 1 0 ,8 7 10,9 12 11,3 17 1 0 ,8
3 1 1 ,2 8 1 1 ,0 13 10,5 18 10,7
4 10,9 9 10,3 14 10,7 19 10,9
5 10,4 10 1 0 ,8 15 1 0 ,8 20 1 1 ,0
^ = ж 5 ] * г=10’78*
1~1
Выбрав за начало отсчета х = Ю , по третьей формуле (14.2.14) находим
несмещенную оценку О:
В = ( - ^ - 0.782] ~ = 0,064;
-г-ода*
По таблице 14.3.1 находим = 1,282;
£а = /вт~ — 0,072.
р р III
Доверительные границы:
и , = т — 0,072 = 10,71;
т% = т-\- 0,072 = 10,85.
Доверительный интервал:
/рЯ- (10,71; Ю,85).
Значения параметра т , лежащие в этом интервале, являются совмести
мыми с опытными данными, приведенными в таблице 14.3.2.
11 Теория вероятностей
322 ОБРАБОТКА ОПЫТОВ [Г Л .. 14
|
т — * (14.3.П )
где
т=
п
Требуется приближенно построить доверительнкй интервал для
дисперсии.
Из формулы (14.3.11) видно, что величина О представляет собой
сумму « случайных величин вида '• Эти величины не
являются независимыми, так как в любую из них входит величина т,
зависящая от всех остальных. Однако можно показать, что при уве
личении п закон распределения их суммы тоже приближается к нор
мальному. Практически при п = 20 -г- 30 он уже может считаться
нормальным.
Предположим, что это так, и найдем характеристики этого закона:
математическое ожидание и дисперсию. Так как оценка О — несме
щенная, то
Ж [0 ] = 0 .
2 № - » ) 4
^ = ( 1 4 .3 . 1 3 )
14 .3] Д О В Е Р И Т Е Л Ь Н Ы Й И Н Т Е Р В А Л . Д О В Е Р И Т Е Л Ь Н А Я В ЕР О Я Т Н О С Т Ь 3 23
^ = 302,
; и формула (14.3.12) дает
С[б1 = § 0 » - ^ 5-№
Или
Л [0 ] = - ~ г 0 2. (14.3.1,4)
= (14.3.15)
. откуда
03 = } / (14.3.16)
1*4— 80 ’ 12 *
« 2 ( 1 4 . 3 . 1 7)
И*
324 О Б РА Б О Т КА О П Ы Т О В [ГЛ . 14
1 ^ ( 0 ~ ^ о в ; 5 + ^вд). (14.3.18)
где величина ^ в зависимости от заданной вероятности р находится
по таблице 14.3.1.
Пример 2. Найти приближенно 80%-й доверительный интервал для
дисперсии случайной величины X в условиях примера 1, если известно, что
величина X распределена по закону, близкому к нормальному.
Решение. Величина Ц остается той же, что в примере 1:
1,282.
По формуле (14.3.16)
г=1
/И= О-
л— 1
подчиняется так называемому закону распределения Стьюдента
с п — 1 степенями свободы; плотность этого закона имеет вид
7(т)
/ (л ~ 1 )* Г ^ - _ 1 )
(14.4.3)
£
имеет «распределение уЬ> с п — 1 степенями свободы (см. гл. 7.
стр. 145), плотность которого выражается формулой
1
/1—1 при V > О,
>2 (14.4.4)
К - 1(®) = г ( ^ )
О при V < 0.
т = ~ — , 5= 1=1
п— 1
Требуется построить доверительные интервалы для обоих параметров,
соответствующие доверительной вероятности р.
Построим сначала доверительный интервал для математического
ожидания. Естественно этот интервал взять симметричным относи
тельно т ; обозначим половину длины интервала. Величину ер
нужно выбрать так, чтобы выполнялось условие
Р { \ т — т\ < е р) = р. (14.4.5)
Попытаемся перейти в левой части равенства (14.4.5) от случай
ной величины т к случайной величине Т, распределенной по закону
Стьюдента. Для этого умножим обе части неравенства |/и —
на положительную величину -Vп :
у ъ
р ( У п \ т — т\ ^
I / 5 < / 4
= (14.4.6)
2 / 5 ж. , ( 0 Л « р . (14.4.9)
14.41 МЕТОДЫ ПОСТРОЕНИЯ ДОВЕРИТЕЛЬНЫХ ИНТЕРВАЛОВ 327
Ч = (14.4.10)
Таблица 14.4.1
/ 1 2 3 4 5
XI -2,5 3,4 — 2 ,0 1 ,0 2 ,1
« „= ^ / - £ - * 2 ,4 5 ..
Доверительный интервал будет
2
1=1
О
/? = ( 0 ('7Г-1)-; (14.4.13)
равносильны неравенствам
У<Х?; У> у%
а эти неравенства выполняются с вероятностью р. Таким образом,
Доверительный интервал для дисперсии найден и выражается форму
лой (14.4.13).
Пример 3. Найти доверительный интервал для дисперсии в условиях
Примера 2 п° 14.3, если известно, что величина X распределена нормально.
Решение. Имеем р = 0,8; а = 0,2; = ОД. По таблице 4 приложения
находим при г = п — 1= 19
а
для />(= ~ ~ ОД -X.? = 27,2;
а
для р2= 1 — — = 0,9 7,2 = 11,65.
2
3 30 О БРА БО ТКА ОПЫТОВ [ГЛ , 14
2 *1 .
/>*= — — • (Н.5.1)
= (14.5.3)
* ,= * * * • ( - Ц * ) .
Тогда
е$ = ^ар*, (14.5.6)
Где определяется из таблицы 14.3.1.
Таким образом, с вероятностью {3 можно утверждать, что
(/>’ ■Р ) (14.5.8)
и дадим ему геометрическую интерпретацию. Будем откладывать по
оси абсцисс частоту р*, а по оси ординат — вероятность р (рис. 14.5.1).
Геометрическим местом точек, координаты которых р* и р удовле
творяют неравенству (14.5.8), будет внутренняя часть эллипса, про
ходящего через точки (0, 0)
и (1, 1) и имеющего в этих
точках касательные, параллель
ные оси Ор*. Так как вели
чина р* не может быть ни
отрицательной, ни большей
единицы, то область £>, со
ответствующую неравенству
(14.5.8), нужно еще ограни
чить слева и справа прямыми
р* = 0 и р* = 1. Теперь можно
для любого значения р*. полу
Р‘ ченного из опыта, построить
доверительный интервал ко
торый с вероятностью (3накроет
неизвестное значение р. Для
этого проведем через точку р* прямую, параллельную оси ординат; на
этой прямой границы области О отсекут доверительный интервал
/р~ {р \ * /?г)- Действительно, точка М со случайной абсциссой р* и
неслучайной (но неизвестной) ординатой р с вероятностью р попадет
внутрь эллипса, т. е. интервал с вероятностью накроет точку р.
Размеры и конфигурация «доверительного эллипса» зависят от
числа опытов п. Чем больше п, тем больше вытянут эллипс и тем
Уже доверительный интервал.
Доверительные границы р х и р2 можно найти из соотношения
(14.5.8), заменив в нем знак неравенства равенством. Решая получен
ное квадратное уравнение относительно р, получим два корня:
» .V
Ц.51 О Ц Е Н К А В ЕР О Я Т Н О С Т И ПО ЧА СТ О ТЕ 333
Доверительный интервал для вероятности р будет
^ = (/>р Рг)-
Пример 1. Частота события А в серии из 100 опытов оказалась
^ = 0,78. Определить 90%-й доверительный интервал для вероятности р со
бытия А.
Решение. Прежде всего проверяем применимость нормального закона;
для этого оценим величины пр и пд. Полагая ориентировочно />»/>*, получим
пр & пр* — 78; П0«л(1 — р*) = 22.
Обе величины значительно больше четырех; нормальный закон применим.
Из таблицы 14.3.1 для й = 0,9 находим <э = 1,643. По формулам (14.5.9)
имеем
р1=0,705; р2= 0,840; /, = (0,705; 0,840).
£2 1 №
Заметим, что при увеличении п величины — и — в формулах
(14.5.9) стремятся к нулю; в пределе формулы принимают вид
(14.5.10)
Рг = Р ’ + Н ' /
5 ] сУ ( 1 - р Г * 7 ; (14.5.12)
т-=к
V 0 ' па - р Г т = = | ’ (14.5.13)
т =0
где к — число появлений события;
й==я/>*.
Разрешая уравнение (14.5.12) относительно р, можно найти нижнюю
границу р х «доверительной области»; аналогично из (14.5.13) можно
найти р2.
Чтобы не решать эти уравнения каждый раз заново, удобно заранее
ватабулировать (или представить графически) решения для нескольких
336 О Б РА Б О Т КА О П Ы ТО В (ГЛ . 14
Рис. 11.5.3.
12
наблюденной частоте события р* = ^ = 0,4^- Выше и ниже прямой р== р* =*
«=0,48 проведены кривые р1(л) и Р 2 (п), изображающие нижнюю и верхнюю-
доверительные границы в зависимости от п. Область между кривыми, опре
деляющая доверительный интервал, заштрихована. В непосредственной бли
зости от прямой р = 0,48 двойной штриховкой показана более узкая область
20%-й допустимой ошибки. Из рис. 14.5.3 видно, что ошибка падает до
допустимой величины при числе опытов п порядка 1 0 0 .
Заметим, что после выполнения потребного числа опытов может
понадобиться новая проверка точности определения вероятности по
частоте, так как будет получено в общем случае уже другое значение
частоты р*, отличное от наблюденного в ранее проведенных опытах.
При этом может оказаться, что число опытов все еще недостаточно
для обеспечения необходимой точности, и его придется несколько
увеличить. Однако первое приближение, полученное описанным выше
методом, может служить для ориентировочного предварительного пла
нирования серии опытов с точки зрения требуемого на них времени,
денежных затрат и т. д.
На практике иногда приходится встречаться со своеобразной зада
чей определения доверительного интервала для вероятности события,
когда полученная из опыта частота равна нулю. Такая задача обычно
связана с опытами, в которых вероятность интересующего нас события
очень мала (или, наоборот, очень велика — тогда мала вероятность
противоположного события).
Пусть, например, проводятся испытания какого-то изделия на без
отказность работы. В результате испытаний изделие не отказало ни
разу. Требуется найти максимальную практически возможную вероят
ность отказа.
Поставим эту задачу в общем виде. Произведено я независимых
опытов, ни в одном из которых событие А не произошло. Задана
доверительная вероятность [3; требуется построить доверительный
интервал для вероятности р события Л, точнее — найти его верхнюю
границу р2, так как нижняя рх, естественно, равна нулю.
Поставленная задача является частным случаем общей задачи
о доверительном интервале для вероятности, но ввиду своих особен
ностей заслуживает отдельного рассмотрения. Прежде всего, прибли
женный метод построения доверительного интервала (на основе замены
закона распределения частоты нормальным), изложенный в начале
данного п°, здесь неприменим, так как вероятность р очень мала.
Точный метод построения доверительного интервала на основе бино
миального распределения в данном случае применим, но может быть
существенно упрощен.
Будем рассуждать следующим образом. В результате я опытов
наблюдено событие В, состоящее в том, что А не появилось ни
разу. Требуется найти максимальное значение р==р2, которое
«совместимо» с наблюденным в опыте событием В , если считать
338 О БРА БО ТКА О П Ы ТО В [ГЛ. 14
(1 — Р 2)" = 1 — Р. (14.5.14)
откуда
р 2= 1 — V 1 — (14.5.15)
П р и м е р 5. Вероятность р самопроизвольного срабатывания взрыва
теля при падении снаряда с высоты Л неизвестна, но предположительно
весьма мала. Произведено 100 опытов, в каждом из которых снаряд роняли
с высоты Л, но ни в одном опыте взрыватель не сработал. Определить
верхнюю границу р2 90%-го доверительного интервала для вероятности р.
Р е ш е н и е . По формуле (14.5.15)
100 100
Л = 1 — V I — 0 , 9 = 1 — /0,1,
100 ___
1£ у 0 ,1 = 0,01 1^ 0,1 = 1,9900;
100 __ _
/0,1 * 0,977; р2= 1— 0,977 = 0,023.
Рассмотрим еще одну задачу, связанную с предыдущей. Событие А
с малой вероятностью р не наблюдалось в серии из п опытов
ни разу. Задана доверительная вероятность р. Каково должно быть
число опытов п для того, чтобы верхняя доверительная граница для
вероятности события была равна заданному значению р2?
Решение сразу получается из формулы (14.5.14):
( 1 4 ' 5 ' , 6 )
/>2~ "
Р2 (14.5.17)
а вместо формулы (14.5.16)
— !!.■ (14.5.18)
Рг
П р и м е р 7. Найти приближенно значение р2 для условий примера 5.
Р е ш е н и е . По формуле (14.5.14) имеем:
_ — 1п 0,1 2,303 _п п0,
Л “ - 1оо~ = -Тоо-==0’023’
т. е. тот же результат, который получен по точной формуле в примере 5.
П р и м е р 8 . Найти приближенно значение п для условий примера 6 .
Р е ш е н и е . По формуле (14.5.18) имеем:
1п 0,05 2,996. ^ 5 9 9
' 0,05 “ 0,05
Округляя в ббльшую сторону, находим л = 60, что мало отличается от ре
зультата п = 59, полученного в примере 6 .
2 (*/ - « *)*
1=1
п— 1 ’
0 > аМ ~ К ) 2;
я ; = < ( П - К ) 2; (14.6.3)
где
п
2 *1 2-?
/=1
п.
п п
2 ^ 2 ^ (14.6.4)
*=1
т.. « ;т =
п
2
< ,[*. п =
матрицы по формулам;
п
D
* п— 1 ’
п
D.. = Д (14.6.5)
у п— 1 ’
п
•1 •
П р и м е р . Произведены стрельбы с самолета по земле одиночными
выстрелами. Зарегистрированы координаты точек попадания и одновременно
записаны соответствующие значения угла скольжения самолета. Наблюден
ные значения угла скольжения р (в тысячных радиана) и абсциссы точки
попадания X (в метрах) приведены в таблице 14.6.1.
Т а б л и ц а 14.6.1
1 h 1 •h Х1
1 —8 — 10 11 +з —1
2 4-10 _О 12 - 2 +4
3 + 22 -)-4 13 +28 + 12
4 +55 + 10 14 +G2 + 20
5 + 2 — 1 15 — 10 —И
6 —3!) —16 16 —8 + 2
7 — 15 —8 Г7 + 22 +14
8 ' +5 _ 2 18 4-3 + 6
9 + 10 + 6 19 —32 — 12
10 +18 + 8 20 + 8 +1
О, =89,7.
Соответственно средние квадратические отклонения равны:
У Е>в = 23,6; : 9,46.
По последней формуле (14.6.4) находим статистический начальныи момент-
20 • “1,1
и Статистическии корреляционный
Ю % ' момент:
• ==а*,Ч —
• • *
» ..... . » - • * I- »• 1 = 190,8 — 3,6 = 187,2.
-40 -20 0 "• • / / 7 -Я7 Ш •
>Р Для определения несмещен
ной оценки умножаем его на
• п 20
• 40
• • л —1 ==Т9; пол>
”1аем:
*
% = 197Д
--20
откуда оценка для коэффициента
корреляции равна:
Рис. 14.6.1,
^ . 197.0 „ л о о
Г^ " '23;6“ 9Т46 ~ 0,88-
Полученное сравнительно большое значение г$х указывает на наличие
существенной связи между р и X; на этом основании можно предполагать,
что скольжение является основной причиной боковых отклонений снарядов.
Перейдем к случаю обработки наблюдений над системой произ
вольного числа случайных величин.
Имеется система т случайных величин
* 2 ....... -*т)-
Над системой произведено я независимых наблюдений; резуль
таты этих наблюдений оформлены в виде таблицы, каждая строка
которой содержит т значений, принятых случайными величинами
Х±, Х г, . . . . Х т в одном наблюдении (табл. 14.6.2).
;Л .в ) ОЦ ЕН КИ Д Л Я Ч И С Л О В Ы Х Х А Р А К Т Е Р И С Т И К С И С Т Е М Ы В Е Л И Ч И Н 343
Таблица 14.6.2
1 *1 хг хи ... хт
1
... ;
...
1 хп Ху ... ХЫ | ••• | Х т1
...
!
К, ■О Л22— Кп
О .“ - - (Н .6 .7 )
П
2 ( * « - ' % ) ( % - ^ г)
^ ( 14. 6. 8)
? к1 = А , (14.6.9)
где
= о, = / б ( . (14.6.10)
Абсцисса К Ордината У
1 2 3 4 5 1 2 3 4 5
Таблица 14.6.4
Г*п1- т „
*к УкГ т Ук
>>. к 1 а 4 5 1 2 4 5
1\ 2 3
1 —45,7 —0,1 —25,7 —25,8 33,0 —16,1 —13,4 —20,2 —19,3 —11,9
2 —33,7 —55,1 —37,7 —65,8 —«7,0 43,9 61,6 107,8 111,7 120,1
3 —125,7—100,1 —107,7—105,8—137,0 —21,1 —28,4 —32,2 —23,3 -7,9
4 19,3 17,9 12,3 34,2 53,0 —96,1 —73,4 —47,2 —11,3 —7,9
5 79,3 79,9 72,3 79,2 73,0 —36,1 —28,4 —37,2 —43,3 —54,9
6 -165,7 —182,1 —167,7—173,8—177,0 83,9 31,6 12,8 —3,3 —7,9
7 84,3 84,9 92,3 74,2 58,0 17,9 26,6 12,8 16,7 0,1
8 34,3 19,9 37,3 17,2 23,0 83,9 76,6 47,8 —3,3 —13,9
9 —25,7 —20,1 —37,7 —30,8 —42,0 —66,1 —58,4 —42,2 —23,3 —9,9
10 179,3 154,9 162,3 194,2 183,0 5,9 5,6 -2,2 -1,3 —5,9
определяются формулами
п
2 л
т. /=1
2 (•*<— '"Л 2
/ _________ • (14.7.1)
/ 2— 1
-1/ 2 ( У г — my)s
; , = F ^ г —
Рассмотрим более сложный случай, когда направление главных
осей рассеивания заранее неизвестно и тоже должно быть опреде
лено из опыта. В этом случае определению подлежат оценки всех
пяти параметров: координат
центра рассеивания т х, т у,
угла а и главных средних квад
ратических отклонений а£, а
(рис. 14.7.2).
Оценки для координат
центра рассеивания в этом слу
чае определяются так же, как
в предыдущем случае, по фор
мулам
П П
2 2 у* .
т, *'=1 . ~ 1=1
п
(14.7.2)
Перейдем к оценке угла а. Предположим, что направления глав
ных осей рассеивания известны, и проведем через точку (т х, т у)
главные оси О Е, Or) (рис. 14.7.2). В системе EOtj координаты слу
чайной точки ( X , У) будут:
а = (Л" — mjr)cosot-)-(K — my)sina, |
Н = — (X — w t^sina-f (К — mucosa. |
или
S = X cos a -f- Y sin a, 1
(14.7.3)
IJss: — X sina-f- Y cos a. )
Очевидно, величины S, H будут иметь математические ожидания,
равные нулю:
М \Щ = М [И] = 0.
М.7! ОБРАБОТКА С ТРЕЛ ЬБ 3 49
(14.7.6)
1) 11
(14.7.7)
31п2а — 2а О усоь2а,
где
2 (у*-
( = 1 ^=1_________
Ох=
и— 1 п— 1
(14.7.8)
2 (х1 — т х)(у 1— т у)
1=1
п— 1
(14.7.9)
12 Теория вероятностей
354 ОБРАБОТКА ОПЫТОВ (ГЛ. 14
• , [>1-»тг -агЗЗЛ-'М Г
Г П т' т “'
1=1
” ^ Ке < 1 4 -8 -4 )
i S [y i~ tp(*<)]2==mlru
1=1 .
Отсюда, отбрасывая постоянный множитель -gjr* получаем требо
вание метода наименьших квадратов: для того чтобы данная сово
купность наблюденных значений
^ Уг> У2........ Уп
была наивероятнейшей, нужно выбрать функцию <р(я) так, чтобы
сумма квадратов отклонений наблюденных значений yt о т <р(х()
была минимальной :
% |Уг — ? U i ) l 2 ==min.
i=i
') Так называемый «принцип максимального правдоподобия».
J2*
356 О Б РА Б О Т К А О П Ы ТО В 1гл. 14-
— ер(иг,; а, Ь, с, • ..)] |г 1= 0,
, да )
1=1
— 9 (х^ а, Ь, с, . . . ) ] |' \ = 0,
ь » .дЬ ) /
1=1
’ д?\
— 9 {х^ а, Ь, с , •. .)] | = 0.
, дс )
1=1
1. П о д б о р п а р а м е т р о в л ин е й но й ф у н к ц и и
ме т одо м н а и м е н ь ш и х к в а д р а т о в
2 (у*— + ь)\ х 1~ °*
п
2 1Уг— (« *, + 0)1 = 0.
/*1
или, раскрывая скобки и производя суммирование,
2 хдЧ — а 2 х/ — ь 2 X, = о,
4*1 ;=1 г=1
(14.8.9)
2
ы1
У1 ~ а 2
г=1
х1— Ьп = 0.
■2 * 1 2 -? '
г.
/-1
■т: ■ = < [* ];
п
2 *
1=1
п п
Подставляя эти выражения в систему (1 4 .8 .1 0 ), получим:
а*( 1I X , К] — аа* [X ] — Ьт*х = 0,
(1 4 .8 .1 1 )
т .. ат * — Ь = 0 .
Выразим Ъ из второго уравнения (1 4 .8 .1 1 ) и подставим в первое:
: ту — ат х ;
а* 1 [X , К] — а а* [ X ] — (т* — а т * ) т * = 0.
Решая последнее уравнение относительно а, имеем:
( 1 4 .8 .1 4 )
Ку- П
20
г=1
;)2 .
К»
■ т .. (14.8.15)
2. П о д б о р п а р а м е т р о в
■ параболы второго
порядка методом
наименьших квадратов
п
2 *‘л Ъ А ± А
а ых - _.. А .1= 1 с 1= 1
п п Л п
<М
Ч
2 *? 2*1 (14.8.17)
1=1 .... с ‘=1
<
я 1
1= :0.
1
п п п п
П
^ V/ 2 */
/ а?1
— а ■с — 0 .
п
2*1
/=1
да; = а*[К!;
Ы1 1=1
<[хц
2 х 01 2 *?У|
= П; = 4 ,\х. п
а ’4 [ * ] « + «; [ X ] Ь + а* [Х \ с = а* , [ X . У],
,1 а -. п . (14.8.18)
а* [ X ] я + *\ 1Х\ Ъ+ а* [ Х \ с = а* , [ X , У].
у * = ? ( х ; в Р а 2.......... а к) —
к
= я 1<р1( * ) + в 2<р2с * о + . . . н-я*<р*(*) = 2 «<?«(*). ( 14-8Л 9 )
1=1
Ф(х; av а 2, о 3, а 4) =
= а х cos шя -•(- а 2 sin шх + а 3 cos 2шх -}- а4 sin 2шх
П
2 \У1~ \ai^ { x l)^r a^ 2{x i) + . . . -+■ ‘(-»i)]} «р* (лр*) =* 0.
/= 1
rt п
а\ 2 <Pi (*{) ( * /) ■+" а 2 2 Ъ { х д Ч к (•*/) + Н~ 2 1<Р* (•*Г()]2 = г
.*= 1 i=l j=l
я
= 2 w « (4
14.8] СГЛАЖИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ЗАВИСИМОСТЕЙ .3 6 3
или, короче,
2 * 1^ 1) 2 У Л -(*<)•
>=1 1=1 1=1
Ч п п
2
/=1
а) 2 92 (*/) Ту(-Ж/) = 2 У/Та (х д'
£=1
(14.8.20)
п
2 в / 2 ?* (* /)? /•* * ) = 2 УгРаО/)-
У=1 г=1 /=1
Систему линейных уравнений (14.8.20) всегда можно решить
и определить таким образом коэффициенты я х, а 2.......... а к•
Сложнее решается задача о сглаживании методом наименьших
квадратов, если в выражение функции у = у ( х ; а, Ь, с, . . . ) число
вые параметры а, Ь, с, . . . входят нелинейно. Тогда решение си
стемы (14.8.7) может оказаться сложным и трудоемким. Однако и в
этом случае часто удается получить
решение задачи с помощью сравни
тельно простых приемов.
Проиллюстрируем идею этих
приемов на самом простом примере
функции, нелинейно зависящей толь
ко от одного параметра а ^напри
мер, у = е~ах2 или у = 51пал:, или
V — — 1. Имеем:
* ах)
у = у ( х , а), • (14.8.21)
где а — параметр* подлежащий под
бору методом наименьших квадратов
для наилучшего сглаживания задан
ной экспериментальной зависимости
(рис. 14.8.8).
Будем решать задачу следующим образом. Зададимся рядом зна
чений параметра а и для каждого из них найдем сумму квадратов
отклонений у 1 от ср ( х 1г а). Эта сумма квадратов есть некоторая
функция а ; обозначим ее Е (а ):
^ п
2 ( а ) = 2 [У< — ?(*/■ я )]2-
/=1
Нанесем значение £ ( а ) на график (рис. 14.8.9).
То значение а, для которого кривая Е (а ) имеет минимум, и вы
бирается как подходящее значение параметра а в выражении (14.8.21).
364 ОБРАБОТКА ОПЫТОВ ГЛ. М
П р и м е р 1. В опыте
исследована зависимость
глубины проникания Л тела
Ю в преграду от удельной энер
гии $ (энергии, приходя
щейся на квадратный сан
тиметр площади соударе
300 ния). Экспериментальные
данные приведены в табли
Рис. 14.8.11. це 14.8.2 и на графике
(рис. 14.8.11).
Требуется по методу наименьших квадратов подобрать и построить пря
мую, изображающую зависимость Л от $.
Р е ш е н и е . Имеем:
2137 I 274
164,4, 21 , 1 .
13 13 13 13
Для обработки по начальным моментам переносим начало координат
в близкую к средней точку:
и — 150; Ад 20.
14.81 СГЛАЖИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ЗАВИСИМОСТЕЙ 365
1 41 4 1 — 109 — 16
2 50 8 2 — 100 — 12
3 81 10 3 — 69 -1 0
4 104 14 4 —46 —6
5 120 15 5 — 30 —4
6 •139 20 6 -1 1 0
7 154 19 7 4 -1
8 180 23 8 30 3
9 208 26 9 58 6
10 241 30 . ю 91 10
И 250 31 11 100 11
12 269 36 12 119 16
13 301 37 13 151 17
88,02
6,287.
п 14
Система уравнений (14.8.18) имеет вид:
25,92а + 10,6 0 й 4 ,5 3 5 с = 6,287,
10,60а +• 4,535« + 2,056с = 2,629,
4,535а+ 2,0566 4 - с = 1,159.
Решая эту систему, находим:
а «0,168; Ь х 0,102; с « 0,187.
На рис. 14.8,12 нанесены экспериментальные точки и зависимость
N — аи2 1/ис,
построенная по методу наименьших квадратов.
П р и м е ч а н и е . В некоторых случаях может потребоваться провести
кривую у = <р{х) так, чтобы она точно проходила через некоторые заданные
заранее точки. Тогда некоторые из числовых параметров а, Ь^с, . . . , входя
щих в функцию у = ? (*), могут быть определены из этих условий,
14.8] СГЛАЖИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ЗАВИСИМОСТЕЙ 367
Например, в условиях примера 2 может понадобиться проэкстраполиро-
■ать зависимость N (г/) на малые значения V, при этом естественно провести
параболу второго порядка так, чтобы она проходила через начало координат
(т. е. нулевой скорости встречи соответствовала нулевая перегрузка). Тогда,
естественно, с = 0 и зависимость N (к) приобретает вид:
N = аь2 + Ьу,
В система уравнений для определения а и Ь будет иметь-йид:
25,92а + 10,Ш = 6,287,
10,60л+ 4,5356 = 2.629.
П р и м е р 3. Конденсатор, заряженный до напряжения £ /„ * 100 еолып.
разряжается через некоторое сопротивление. Зависимость напряжения и
1 0 100 7 6 15
2 1 75 8 7 10
' з 2 55 9 8 10
4 3 40 10 9 5
5 4 30 11 10 5
5 20
6 |
и = и 0в~а‘
в точках (табл. 14.8.6). В нижнёй строке таблицы 14.8.6 помещены значе
ния суммы квадратов отклонений 2 (а) в зависимости от а.
Ка)
Рис. 14.8.13.
График функции 2 (а) приведен на рис. 14.8.13. Из графика видно, что
значение а, отвечающее минимуму, приближенно равно 0,307. Таким образом,
14.8] СГЛАЖИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ЗАВИСИМОСТЕЙ 369
по методу наименьших квадратов наилучшим приближением к опытным дан
ным будет функция и — ( /0<?~°,зо7/. График этой функции вместе с экспери
ментальными точками дан на рис. 14.8.14.
Таблица 14.8.6
,^ (х х, х 2, Хд, (1 5 .2 .3 )
ЮХ Ц) = 0 [ Х Ц ) ) . (15.3.2)
(15.3.3)
Математическое ожи
дание и дисперсия пред
ставляют собой весьма
важные характеристики
случайной функции; од
нако для описания основ
ных особенностей слу
чайной функции этих
характеристик недоста
точно. Чтобы убедиться
в этом, рассмотрим две
случайные функции Х х (/)
и Х 2 (0 > наглядно изо
браженные семействами
Рис. 15.3.3. реализаций на рис. 15.3.2
и 15.3.3.
У случайных функций Х хф и Х 2(() примерно одинаковые мате
матические ожидания и дисперсии; однако характер этих случайных
ХАРАКТЕРИСТИКИ СЛУЧАЙНЫХ ФУНКЦИЙ 379
K x (t, t ' ) ^ M [ X { t ) X { t % ( 1 5 .3 .4 )
380Л ОСНОВНЫЕ понятия ТЕОРИИ СЛУЧАЙНЫХ ФУНКЦИЙ [ГЛ. 15
где
Х Ц ) — Х (0 - тх (/), X (О = ' X (О - т , (О -
Вернемся к примерам случайных функций Л-^ ) и ^ 2( 0
(рис. 15.3.2 и 15.3.3). Мы видим теперь, что при одинаковых мате
матических ожиданиях и дисперсиях случайные функции Х х (() и
Х г ($) имеют совершенно различные корреляционные функции. К ор
реляционная функция случайной функции Х г (() медленно убывает по
мере увеличения промежутка (/, /') ; напротив, корреляционная функ
ция случайной функции ЛТ2(/) быстро убывает с увеличением этого
промежутка.
Выясним, во что обращается корреляционная функция К Х Ц, t'),
когда ее аргументы совпадают. Полагая имеем:
* х ( / . 7 ) = Ж 1 (Л Г (0 )21 = О ,<#). (15.3.5)
т. е. п р и ¥ г = / к о р р е л я ц и о н н а я ф у нкци я о б р а щ а е т с я в дис
персию с лу ча йн ой функции.
Таким образом, необходимость в дисперсии как отдельной харак
теристике случайной функции отпадает: в качестве основных харак
теристик случайной функции
достаточно рассматривать ее
математическое ожидание и
корреляционную функцию.
Так как корреляционный
момент двух случайных вели
чин X (/) и X {1') не зависит
от последовательности, в кото
рой эти величины рассматри
ваются, то корреляционная
функция симметрична относи
тельно своих аргументов, т. е.
не меняется при перемене аргу
ментов местами:
* ,( * • О = о-
(15.3.6)
Если изобразить корреляционную функцию Кх ((■ (') в виде по
верхности, то эта поверхность будет симметрична относительно вер
тикальной плоскости ф, проходящей через биссектрису угла ЮУ
(рис. 15.3.5).
Заметим, что свойства корреляционной функции естественно
вытекают из свойств корреляционной матрицы системы случайных
величин. Действительно, заменим приближенно случайную функ
цию X (1) системой т случайных величин X ((1), X (/2).......... X Цт).
П ри увеличении т и соответственном уменьшении промежутков между
16.31 ХАРАКТЕРИСТИКИ СЛУЧАЙНЫХ ФУНКЦИЙ 381
(15.3.7)
(25.3.8)
К у Ц, Г ) * = М [ У ф У ( ? ) \ = *
* Ж [ ( * ( 0 — и , ( 0 ) ( X ( О — ю* 0 0 ) ] = /г х (/. П (15.3.11)
т. е. от п р и б а в л е н и я н ес лу ча йн ог о с л а г а е м о г о к о р р е л я ц и о н
н а я ф у н к ц и я случайной ф ункции не меняется.
Умножим случайную функцию X (/) на неслучайный множи
тель <р(0 *'
К ( 0 = <р(0 Х ( 1 ) . (15.3.12)
К у ф О = М [ У ф У (*01 = м [(У ( 0 - ту ф ) (К ( О — Ж , ( О )1 =
= М [ср ( 0 ср ( О ( * (О _ тх ф ) ( Я ( О - ж , ( О )] =
т. е. п р и у мн ожен ии с л уч айн ой ф ун кц ии на н ес лу ча й н ую ф у н к
цию ср(/) ее к о р р е л я ц и о н н а я ф у н к ц и я у м н о ж а е т с я н а <рф<р(У).
В частности, когда 1р ф = с (не зависит от £), корреляционная
функция умножается на с2.
Пользуясь выведенными свойствами характеристик случайных
функций, можно в ряде случаев значительно упростить операции
с ними. В частности, когда требуется исследовать корреляционную
функцию или дисперсию случайной, функции, можно заранее перейти
от нее к так называемой ц е н тр и р о в а нн о й функции'.
Х ф = Х ф — тх (<). (15.3.15)
К > У, У ) ^ М \ Х У ) Х { П ] ^ К х Ц, О - (15.3.16)
При исследовании вопросов, связанных с корреляционными свой
ствами случайных функций, мы в дальнейшем всегда будем перехо
дить от случайных функций к соответствующим центрированным
функциям, отмечая это значком ° вверху знака функции.
Иногда, кроме центрирования, применяется еще нормирование
случайных функций. Н о р м и р о в а н н о й называется случайная функция
вида:
о
(15.3.17)
Таблица 15.4.1
Х1 (?ь)
= --------. ( 1 5 .4 .1 )
16.5) МЕТОДЫ О П РЕДЕЛ ЕН И Я ХАРАКТЕРИСТИК 385
п— 1 (15.4.2)
2 I * ( ^ ) 12
± ! 1 ----------[ « ,( * * ) ) ’ (15.4.4)
п—1 ’
2 Х1 (4 ) XI (/;)
1-1
КЛ*» -тх ((к) т х (15.4.6)
п— 1
При пользовании последними вариантами формул, чтобы избежать
разности близких чисел, рекомендуется заранее перенести начало
отсчета по оси ординат поближе к математическому ожиданию. -
После того, как эти характеристики вычислены, можно, пользуясь
рядом значений тх (^ ), тх (^2), . . . , тх (^т ), построить зависимость
тх (/) (рис. 15.4.1). Аналогично строится зависимость О х У). Функция
двух аргументов К ЖЦ, У) воспроизводится по ее значениям в прямо
угольной сетке точек. В случае надобности все эти функции аппро
ксимируются1какими-либо аналитическими выражениями.
1 5 .5 . М етоды о п р едел ен и я ха р а к т ер и ст и к
п р ео б р азов ан н ы х сл учайн ы х ф ункций по хар ак тер и сти к ам
и сходн ы х сл уч ай н ы х ф ункций
В предыдущем п° мы познакомились с методом непосредственного
определения характеристик случайной функции из опыта. Такой метод
применяется далеко не всегда. Во-первых, постановка специальных
опытов, предназначенных для исследования интересующих нас слу
ч ай н ы х функций, может оказаться весьма сложной и дорогостоящей.
В о-вторых, часто нам требуется исследовать случайные функции,
характеризующие ошибки приборов, прицельных приспособлений, си
стем управления и т. д., еще не существующих, а только проекти
руемых или разрабатываемых. При этом обычно исследование этих
ошибок и предпринимается именно для того, чтобы рационально вы
брать конструктивные параметры системы так, чтобы они приводили.
1У Теория вероятностей
386 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ СЛУЧАЙНЫХ ФУНКЦИЙ [ГЛ. 15
13*
388 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ СЛУЧАЙНЫХ ФУНКЦИИ [ГЛ. 15
2) оператор интегрирования:
t
У ( 0 = / х (*) dv,
о
3) оператор умножения на определенную функцию <?(():
у (О — срф х (0 ;
4) оператор интегрирования с заданным «весом» <р(t)\
t
/ х (т) ср (Ч) d i
о
и т. д.
Кроме линейных однородных операторов, существуют еще линей
ные неоднородные операторы.
Оператор L называется линейным н ео дн о ро дн ым, если ом со
стоит из линейного однородного оператора с прибавлением некото
рой вполне определенной функции <p(f):
L {х (0-1 = А> {* (01 + ?■«). 05.6.9)
где L0 — линейный однородный оператор.
Примеры линейных неоднородных операторов:
= -? (0 .
t i
3) уф —ъУ)х У)-Ьъ(?).
где <p(t), cpj (t), <p2 (?)— вполне определенные функции, a x (t) — пре
образуемая оператором функция.
• В математике и технике ш ироко применяется условная форма
записи операторов, аналогичная алгебраической символике. Такая
символика в ряде случаев позволяет избегать сложных преобразова
ний и записывать формулы в простой и удобной форме.
Например, оператор дифференцирования часто обозначают буквой р;
d
p ~ ~ dt'
помещаемой в виде множителя перед выражением, подлежащим диф
ференцированию. При этом запись
y{t) = p x \t)
!н .6 ] ЛИНЕЙНЫЕ И НЕЛИНЕЙНЫЕ ОПЕРАТОРЫ 391
^равносильна записи
^ ( 0 = ^
-И т, д.
Пользуясь подобной символикой, в частности, очень удобно за
писывать дифференциальные уравнения.
Пусть, например, работа динамической системы А описывается
линейным дифференциальным уравнением с постоянными коэффи
циентами, связывающими реакцию системы у (() с воздействием х (()•
В обычной форме записи это дифференциальное уравнение имеет вид:
+ + ... + « , ^ + « „ (0 =
У (/) = - | § * ( 0 . 0 5 .6 .1 2 )
(15.6.13)
Обозначая многочлены относительно р , коэффициенты которых
зависят от
А п (р, 1) = а „ { 1 ) р п + я „ _ 1( 0 Р я ~' 4 - ••• 4 - й ,( /) /7 + а 0 (/),
вт(р, /)===М0 /»т - М « - 1 (*)/>т -*-+- ••• + М 0 р 4 Л ( 0 .
можно записать оператор дифференциального уравнения в виде:
(15.6.14)
о
а также решение нелинейного дифференциального уравнения, хотя бы
У' ( 0 + а со б у (/) = лг (().
Динамическая система, оператор которой не нздяется линейным,
называется нелинейной системой.
На практике линейные системы встречаются очень часто. В связи
с линейностью этих систем к анализу их ошибок может быть
с большой эффективностью применен аппарат теории случайных
функций. Подобно тому как числовые характеристики линейных ф унк
ций обычных случайных величин могут быть получены по числовым
характеристикам аргументов, характеристики случайной функции на
выходе линейной динамической системы могут быть определены, если
известны оператор системы и характеристики случайной функции на
ее входе.
15.7) ЛИ Н ЕЙ Н Ы Е ПРЕОБРАЗОВАНИЯ СЛУЧАЙНЫХ Ф УНКЦИЯ 393
К (0 = М * ( 0 ] . ( 15.7 .0
Требуется найти характеристики случайной функции У Ц) на,
выходе системы: ту (?) и К у {?, У). Короче: по характеристикам слу
чайной функции на входе линейной системы найти характеристики
случайной функции на выходе.
Покажем сначала, что можно ограничиться решением этой задачи
только для однородного оператора Ь. Действительно, пусть опера
тор Ь неоднороден и выражается формулой
1. И н т е г р а л отслучайной функции
Дана случайная функция X (t) с математическим ожиданием тх (t )
и корреляционной функцией К х (t , t'). Случайная функция V (t ) свя
зана с X (/) линейным однородным оператором интегрирования;
t
J А' (т) dx.
Y (/) = (15.7.4)
о
Требуется найти характеристики случайной функции У (i): m v (t)
и K x (t, t');
Представим интеграл (15.7.4) как предел суммы:
t
Y (t)~
"
f X (x)d-= lim У А Г(^)Д т
Дт-»-0
(15.7.5)
У ( ( ) = : / Х ( т)й?х. (15.7.8)
где
/ t'
Y( ( ) = f x (х) dx; Y ( О = f X («tO dxr »). (15.7.9)
о а
Перемножим выражения (15.7.9):
t t’
Y ( t ) Y (t) = f X ( x ) d x f ßC(x')dx\ ^ (15.7.10)
о 0
2. П р о и з в о д н а я от с л у ч а й н о й ф у н к ц и и
Дана случайная функция X (t) с математическим ожиданием тх (t)
и корреляционной функцией К х (t , t'). Случайная функция У (t ) свя
зана со случайной функцией X (t ) линейным однородным оператором
дифференцирования:
X (* )= * * £ > . (15.7.14)
Требуется найти m y (t) и K y (t, t').
Представим производную в виде предела:
у \ , ) = |, га Л ! £ + _ ‘й г ^ & ; 0 5 .7 . |5 )
У ( ;) = = ^ Ш . (15.7.17)
По определению
К у ((. /О = Ж IK (0
о о
<') = А1 = Л 1ГМ [ Х Ю Х ( П 1 = ,
Таким образом,
-Т & гК * « ' Ъ (,5-7-,9)
КуУ. п = дЦ п Г -1 ' (15.7.20)
Итак, чтобы найти корреляционную функцию производной, нужно
д в а ж д ы п р о д и ф ф е р е н ц и р о в а т ь корреляционную функцию
исходной случайной функции: сначала по одному аргументу, затем —
по другому.
Сравнивая правила нахождения математического ожидания и кор
реляционной функции для двух рассмотренных нами линейных одно
родных операторов, мы видим, что они совершенно аналогичны,
а именно: для нахождения математического ожидания преобразованной
случайной функции тот же линейный оператор применяется к мате
матическому ожиданию исходной случайной функции; для нахождения
корреляционной функции тот же линейный оператор применяется
д в а ж д ы к корреляционной функции исходной случайной функции.
В первом частном случае это было двойное интегрирование, во вто
р о м — двойное дифференцирование.
Можно доказать, что такое правило является общим для всех
линейных однородных операторов1). Мы здесь сформулируем это
общее правило без доказательства.
Если случайная функция X ( 0 с математическим ожиданием /гсх ( 0
' и корреляционной функцией К х ((, У) преобразуется линейным одно
родным оператором I в случайную функцию
К (0 = М * ( 0 Ь
то для нахождения математического ожидания случайной функции К (О
нужно применить тот же оператор к математическому ожиданию
случайной функции X (1:)-.
/иу ( 0 = М т , ( 0 } . (15.7.21)
а для нахождения корреляционной функции нужно дважды применить
тот же оператор к корреляционной функции случайной функции X (0 ,
^сн ачал а по одному аргументу, затем — по другому:
К У0 , / ) = Ь(П1 ( П { К Л ^ О } - (15.7.22)
В формуле (15.7.22) значки ((), (У) у знака оператора £ указы
вают, по какому аргументу он применяется.
П О -
= -тх Ц)=*со&Ь
Z ( t ) = X ( t ) + Y (t). (15.8.6)
По определению корреляционной функции
случайных функций:
П
(15.8.9)
М { Х (О К] — 0.
Сложим случайную функцию X (/) со случайной величиной У;
получим случайную функцию
(15.8.13)
^ = Ж [а д I. (15.9.8)
где чертой наверху обозначается комплексная сопряженная величина.
Выразим корреляционный момент двух комплексных случайных
величин через корреляционные моменты их действительных и мнимых
частей. Имеем:
К Х У, = М [ Х У) X (Г)], (16.2.2)
где
т
* ( 0 = 2 у 1Ью , (16.2.3)
т
А Г ( 0 = * 2 ^ / р у (<0. 0 6 .2 .4 )
у =1
к х (Л Г) = м [ 2 У у ]Ь (О Ь ( О ] = 2 М I V у / I ь (/) ь (/'). (1 6 .2 .5 )
М\У.У;\ = м Щ = Ки = 01,
где й 1 — дисперсия случайной величины 1/г. В случае, когда I Ф ] ,
М\УУ;] = Ки,
где К ц — корреляционный момент случайных величин V;, Уу.
Подставляя эти значения в формулу (16.2.5), получим выражение
для корреляционной функции случайной функции X (*). заданной
разложением (16.2.1):
т.
к х {и р = 2 ь ( 0 ? | ( О я* 4 - 2 <?г ( о ? / ( О к г/. о 6 .2 .6)
Рис. 16.3.1,
И координатными функциями
Ф,(*) = М ? * (О Ь . (16.3.5)
Таким образом, п р и линейном п р е о б р а з о в а н и и ка но ниче ск ого
р а з л о ж е н и я случайной ф ункции X (() п о л у ч ае т ся каноническое
р а з л о ж е н и е с лу чайной фу нкци и У Ц), пр иче м мате матиче ское
ожидание и к оо р д и н а т н ые функции п од в е р г а ю т с я т о м у же
л ин ей н ом у п р е о б р а з о в а н и ю .
Если случайная функция У ( 0 на выходе линейной системы пол/*
чена в виде канонического разложения
*
к ю = « , ( * ) + ( 1 6 . 3 . 6 )
1=1
то ее корреляционная функция и диспарсия находятся весьма просто!
й
к у ((, = ( О ф |( о я ,. (1б .з.7)
1= 1
к
^ ( 0 = Е [ ^ ( 012^ . (16.3.8)
1=1
у (0) = Уо*.
Г (0) = У1.
(16.3.12)
К(г)(0) = Уг-
т £ Ч 0 > + 2 у , ф ^ ( 0 ) = у ,. (16.3.14)
<=1
Так как величина у г не случайна, то дисперсия левой части
равенства (16.3,14) должна быть равна нулю:
2 0 г [ ^ г!(0 )]2 = 0. ( 1 6 .3 .1 5 )
МЛ]. ЛИ НЕЙН Ы Е ПРЕОБРАЗОВАНИЯ СЛУЧАЙНЫХ ФУНКЦИЙ 417
(16.3.18)
и « ( 0) = уг.
«<»)( 0) = у в.
( / = 1 , 2, . . . . к). (16.3.19)
Рассмотрим более сложный случай, когда начальные условия
случайны:
У (0) = У0,
Г ( Р ) = У1.
(16.3.20)
У{Г)(0) = УГ,
У{п~1)(0) = Уп_ 1,
где Г0, У1.......... Уп- \ — случайные величины.
В этом случае реакция на выходе системы может быть найдена
в виде суммы:
К ( 0 = К , ( / ) - Ь К 11(0 , (16.3.21)
где — решение дифференциального уравнения (16.3.9) при нуле
вых начальных условиях; Кп (() — решение того же дифференциаль
ного уравнения, но с нулевой правой частью при заданных начальных
условиях (16.3.20). Как известно из теории дифференциальных
14 Теория вероятностей
41 8 К АН О Н И ЧЕСКИ Е РАЗЛОЖ ЕНИ Я СЛУЧАЙНЫ Х ФУНКЦИЙ [ГЛ , 16
14*
420 С ТАЦ И О Н АРН Ы Е СЛУЧАЙНЫ Е Ф УН К Ц И И [Г Л . 17
= - 0 7 Л -б)
где Ох — кх (0) — постоянная дисперсия стационарного процесса.
Функция рх (т) есть не что иное, как коэффициент корреляции между
сечениями случайной функции, разделенными интервалом т по времени.
Очевидно, что рж (0) = 1.
В качестве примеров рассмотрим два образца приблизительно
стационарных случайных процессов и построим их характеристики.
П р и м е р 1. Случайная функция X {() задана совокупностью 12 реали
заций (рис. 17.1.5). а) Найти ее характеристики т х{1), К х {^> *')> А * (О и
17Л] П О Н Я ТИ Е О С ТА Ц И О Н А РН О М С Л У Ч А Й Н О М П РО Ц Е С С Е 423
Рис. 17.1.5.
случайная функция будет сведена к системе семи случайных величин,
отвечающих сечениям ( = 0; 0,4; 0,8; 1,2; 1,6; 2,0; 2,4. Намечая эти сечения
на графике и снимая с графика значения случайной функции в этих сече
ниях, получим таблицу (табл. 17.1.1).
Т а б л и ц а 17.1.1
< |
0 0,4 0,8 1,2 1,6 2,0 2,4
0
0,4
1 1 0,700
1
0,405
0,856
0,241
0,707
—0,053
0,345
—0,306
0,090
—0,299
0,095
0,8 1 0,943 0,643 0,390 0,344
• 1,2 > 1 0,829 0,612 0,524
1,6 1 0,923 0,650
2,0 1 0,760
2.4 1
Рис. 17.1.7,
№
Л }
' - 'Л
Г\
" V \У
Рис. 17.2.1.
Если какой-либо колебательный процесс представляется в виде
суммы гармонических колебаний различных частот (так называемых
«гармоник»), то спектром колебательного процесса называется функ
ция, описывающая распределение амплитуд по различным частотам.
Спектр показывает, какого рода колебания преобладают в данном
процессе, какова его внутренняя структура.
Совершенно аналогичное спектральное описание можно дать и
стационарному случайному процессу; вся разница в том, что для слу
чайного процесса ампли-
,кх (Т) туды колебаний будут
случайными величинами.
Спектр стационарной слу
чайной функции будет
описывать распределе~
ние дисперсий по раз
личным частотам.-
Подойдем к понятию
о спектре стационарной
Рис. 17.2.2. случайной функции из
следующих соображений.
Рассмотрим стационарную случайную функцию X (?), которую мы
наблюдаем на интервале (О, Т) (рис. 17.2.1).
Задана корреляционная функция случайной функции X (()
К х ((, =
Функция к х (т) есть четная функция:
kx (х )— 2 & k cos (1 7 .2 .1 )
k~0
где
2те л
у , (1 7 .2 .2 )
W
а коэффициенты D k определяются формулами:
т
1
I к х (х)dx,
-т
т (1 7 .2 .3 )
(17.2.4)
2Г
D k — ~ f j A r (x) cos ® ftx dx при k Ф 0.
cos шкх — cos u>k ( t' — t) = cos mktr cos sin u>
kt (17.2.5)
D [ U k] = D \V l!] = D k. (17.2.8)
2л (17.3.1)
Ао)
и представляет собой среднюю плотность дисперсии на этом участке.
Суммарная площадь всей
ЗхСЩ) диаграммы, очевидно, рав
на дисперсии случайной
?71 -ПК функции.
Будем неограниченно
увеличивать интервал Т.
При этом Дш—>-0, и сту
пенчатая кривая будет не
ограниченно приближать
ся к плавной кривой 8Х (и>)
(рис. 17.3.2). Эта кривая
изображает плотность
О Ы. Аш распределения дисперсий
Рис. 17,3.1.
по частотам непрерывного
спектра, а сама функция
Б х (со) называется спектральной плотностью дисперсии, или, короче,
о
спектральной плотностью стационарной случайной функции X (()
Очевидно, площадь, огра
ниченная кривой 5 ж(т), по- ^х(ш)
прежнему должна равняться
дисперсии И х случайной
функции X (£):
оо
О х = $ 5 ж (ю )^т. (17.3.2)
о
Формула (17.3.2) есть не
что иное, как разложение
дисперсии Б х на сумму
элементарных слагаемых О
8Х («>) йш, каждое из кото
рых представляет собой
дисперсию, приходящуюся на элементарный участок частот йш,
прилежащий к точке ш (рис. 17.3.2).
Таким образом, мы ввели в рассмотрение новую дополнительную
характеристику стационарного случайного процесса — спектральную
•• 17.3] С П ЕК ТРАЛ ЬН ОЕ РА ЗЛ О Ж Е Н И Е Н А БЕ СК ОН Е Ч НО М УЧАСТКЕ 433
= (17.3.5)
М<») = - Т 5 ~ . (17.3.11)
(ш ) СОв шт й ш ,
о
СО
(17.3.12)
(О
И Р.Г СО С05 “ т :
ь0
1
(31П <02t -- S in (O jT) : COS sin
T( 0)2 — W[)
Общий вид функции px (') изображен на рис. 17.3.6. Она носит характер
убывающих по амплитуде колебаний с рядом узлов, в которых функция обра
щается в нуль. Конкретный вид графика, очевидно, зависит от значений о>], ш2.
Представляет интерес предельный вид функции рх (т) при со,-> <л2- Оче
видно, при (о2 = ю, = (о спектр случайной функции обращается в дискретный
с одиой-единственной линией, соответствующей частоте ш; при этом корре
ляционная функция обращается в простую косинусоиду:
Рх С1) = cos °>т-
Посмотрим, какой вид в этом случае имеет сама случайная функция ЛГ (<)!
При дискретном спектре с одной-единственной линией спектральное разложе
ние стационарной случайной функции X (t) имеет вид:
X (/) = £/д—
{—^ ( I / к соэ (ок( -4~V к эШ о>ьО* (17.4.2)
17.4] СП ЕК ТРА Л ЬН О Е РА ЗЛ О Ж Е Н И Е В КОМ П Л ЕК СН О Й Ф ОРМ Е 439
"А
т. е. будем считать, что к принимает не только положительные, но
и отрицательные значения. Тогда формулу (17.4.3) можно переписать
в виде;
ОО —00
= ^ -^£+1^*-*<вУ , (17.4.4)
*= 1 *=-]
если положить
и . ь = и л; У ^ = : У Й.
Формула (17.4.4) представляет собой разложение случайной функ
ции X ((), в котором в качестве координатных функций фигурируют
комплексные функции а коэффициенты представляют собой
комплексные случайные величины.. Обозначая эти комплексные слу
чайные величины V? к (& = ± 1 , ± 2, . . придадим разложению (17.4.4)
форму:
о 00
(17.4.6)
440 С ТАЦ И О Н АРН Ы Е СЛ У ЧА Й Н Ы Е Ф УН К Ц И И [ГЛ . 17
кн — М [ и -к
{ {М [ В д ] + Ш [ и ^ ] - Ш [ и у л] + М [У кУ {]} = о,
= Ж [ Г ЙГ _ , ] = = ____
= м [ -У » - 1
У-Ь■ - *.] = 1(ик - IV кУ] =
К * .- * = т { Д , - Д * - 2 ' - 0 } = = 0 .
Введем обозначение:
в:
. т !
-ш3 -Ыг -Ы, 0 О), шг ш3 У»
Рис. 17.4.1.
(17.4.7)
А С * ) 3“ 2 (17.4.8)
к = - со
где
т
Р к ~ \ : Р / , = у У* А* (х) соб <ойх й?х при А =£ 0. (17.4.9)
о
получим:
т
01 = ± / кх (т) ( « ' V + е- '«V ) с1, =
о
| г Г )
/ кх (х) йх -+■/ кх (х) / V <*х .
о и )
откуда
Т
01 = — / кх (х)е~ы*'(1х. (17.4.10)
-V
Таким образом, мы построили комплексную форму спектрального
разложения случайной функции на конечном интервале (О, Т). Далее
естественно перейти к пределу при Т-> оо, как мы делали для
действительной формы, т. е. ввести в рассмотрение спектральную
плотность ■ ,
г;
5 ,(0 » )= Иш
Дш->0 Аа>
оо
f
— СО
kx (T)e-l“ dx. (17.4.12)
Dx= JS x (» )d « o . (17.4.13)
—оо ,
Формула (17.4.13) выражает дисперсию случайной функции в виде
суммы элементарных дисперсий, распределенных с некоторой плот
ностью по всему диапазону
частот от — оо до -j-oo.
Сравнивая формулу
(17.4.13) и ранее выведен
ную (для действительной
формы спектрального раз
ложения) формулу (17.3.2),
мы видим, что они разли
чаются лишь тем, что в фор
муле (17.4.13) стоит не
сколько иная функция спе
ктральной плотности S x(to), Рис. 17.4.2.
определенная не от 0 до
оо, а от — оо до оо, но зато с вдвое меньшими ордина
тами. Если изобразить обе функции спектральной плотности на
к х ( т) = ( 2тс/ ) « ? /.
—со
Ол (/ ) = 2тг5'_’ (2тг/),
СО
= { Ох ( Л « 2к1/' й / . - (17.4.14)
3> ) = ^
— СО
/ ч'
=
[ 0 см
^ е™е~1 т аг + ^
+ /
= _Оо гГ_____
Р Г
— 1 „
2я [ а — /ш
1
-(а —/а>) т
1
"И а -)- /и
И Ра
Г
—(а+ /ш)т
2п [ а — ш а Ы] тс (а2 4 “ 0>2)
График спектральной плотности
Оа
£ ( » ') - я (а2 се2)
представлен на рис. 17.4:4.
Посмотрим, как будут вести себя корреляционная функция и спектраль
ная плотность при изменении а.
При уменьшении а корреляционная функция будет убывать медленнее;
характер изменения случайной функции становится более плавным; соответ
ственно в спектре случайной функции ббльший удельный вес приобретают
малые частоты: кривая спектральной плотности вытягивается вверх, одновре
менно сжимаясь с боков; в пределе при а ->0 случайная функция выродится
в обычную случайную величину с дискретным спектром, состоящим из един
ственной линии с частотой <% = 0 .
При увеличении а корреляционная функция убывает быстрее, характер
колебаний случайной функции становится более резким и беспорядочным;
соответственно этому в спектре
е1^ -\-е~
Рх (г) = е~
J f r I a-lpt
± 1 ----- e-iw dz :
*> )
2 ^ { а 2 (е , Р )2 + а*+ (« . — § )* }*
(апРп + ап_1рп~1 . . . + а хр + а , ) у ^ ) ~
К ( Р ) У { ( . ) = В т (р )х Ц ), (17.5.2)
или, наконец, условно разрешая уравнение (17.5.2) относительно у(£),
записать оператор системы в «явном» виде:
<1 7 -5 8 >
15 Теория вероятностей
450 С ТА Ц И О Н А РН Ы Е СЛ У ЧА Й Н Ы Е Ф У Н К Ц И И (ГЛ 17
ф<°>=-§л1=1г’ <17-5'и>
откуда получаем математическое ожидание на выходе системы:
т у*= *Т ;т *- (17.5.12)
Х у ) = * Х у ) — т х. (17.5.13)
о
Для этого представим функцию X (() на участке (0, Т) в виде
спектрального разложения:
о
Х У )= 2 (17.5.14)
к * -оо
Г ( 0 == X Ок Ф (/»*)**-*',
17.5] ПРЕОБРАЗОВАНИЕ СТАЦИОНАРНОЙ ЛИНЕЙНОЙ СИСТЕМОЙ 451
15*
452 С ТАЦ И О Н АРН Ы Е СЛУЧАЙН Ы Е Ф У Н К Ц И И [ГЛ . 17
т у= -^-тх. (17.5.20)
7 а0
2. По корреляционной функции йж (т) находим спектральную плот
ность на входе (см. формулу (17.4.12)):
00
5 , ( ® ) = я г / * * (*)« - '* "Л 1)- (17.5.21)
— СО
= <17-5-22)
4. Умножая спектральную плотность на входе на квадрат моду
ля частотной характеристики, находим спектральную плотность на
выходе:
_ 5 , (ш) = |Ф (/ю )|*$ , ( » ) . (17.5.23)
5. По спектральной плотности 5 у (ш) находим корреляционную
функцию к у (х) на выходе системы:
СО
f 5 у (ш)йа),
— СО
2 0 , 7 ь У + ЬI -
£>у = — - / -г г т -т -г г - 2 *“ ■
ьу-ь1
В = а _2Л2 „2
О,*(2 ” * Йл
После интегрирования получим:
е=
й140 + а0*1а
^ ------------------------------' •
в 0 °1 (а 1а 4" йо)
В заключение данного п° упомянем о том, как преобразуется
линейной системой 'стационарная случайная функция, содержащая в
качестве слагаемого обычную случайную величину: --
Х 1У) = и и+ Х У ) , (17.5.28)
где 1/0— случайная величина с дисперсией D 0, X (0 — стационарная
случайная функция.
Реакция системы на воздействие Х хф найдется как сумма реак
ций на отдельные воздействия в правой части (17.5.28). Реакцию на
воздействие X (() мы уке умеем находить. Воздействие 1/0 мы рас
смотрим как гармоническое колебание нулевой частоты ш = 0; со
гласно формуле (17.5.11) реакция на него будет равна
Уо = ~ и о- - (17.5.29)
и0
Слагаемое К 0 просто прибавится к реакции системы на воздей
ствие X (О-
К СО « / * ф * (<+ х) л * (17-8,4)
о
Вычислив интеграл (17.8.4) для ряда значений «с, можно прибли
женно воспроизвести по точкам весь ход корреляционной функции.
На практике обычно интегралы (17.8.1) И (17.8.4) заменяют
конечными суммами. Покажем, как это делается. Разобьем интервал
о 7-8-5)
г=1
Аналогично можно вычислить корреляционную функцию для значе
ний *, равных О, Ы , 2 Д<, . . . Придадим, например, величине х значение
а , тТ
х = пга{ — —
п
И вычислим интеграл (17.8.4), деля интервал интегрирования
т п, ШТ Т1 — 171 т ,
Т — х — Т ----- = ----- Т
п п
464 СТАЦ И О Н АРН Ы Е СЛУЧАЙНЫ Е Ф УН К Ц И И [ГЛ. 17
к* ( ~ ) = (п — т ) Т Т 2 Х^ х ^1+т)'
1=1
или окончательно
п—т
2 W i)
m/v = - - l 0 0 — * 0’98'
Т аблица 17.8.2
/ о < /
(сек) N (1) {сек) N(1) (сек) {сек) N(0
N
0,323.
Перемножая значения N ((), разделенные интервалом т ==2, 4, 6 , ..., и деля
сумму произведений соответственно на
п — 1=99; и — 2 = 98; п — 3 = 97, ....
получим значения корреляционной функ
ции к[Х (-). Нормируя корреляционную
функцию делением на £> = 0,1045, по
лучим таблицу значений функции р (х)
(табл. 17.8.3).
График функции р^ (х) представлен
на рис. 17.8.3 в виде точек, соединенных
пунктиром. Не вполне гладкий ход кор
реляционной функции может быть объ
яснен недостаточным объемом экспери
ментальных данных (недостаточной про
должительностью опыта), в связи с чем
случайные неровности в ходе функции
не успевают сгладиться. Вычисление рд, (х) продолжено до таких значений х,
при которых фактически корреляционная связь пропадает.
17.8] ОП РЕ Д Е Л ЕН И Е ХА РА К ТЕ РИ С ТИ К Э РГО Д И Ч Е С К О Й Ф УН К Ц И И 467
Для того чтобы сгладить явно незакономерные колебания эксперимен
тально найденной функции рл, (т), заменим ее приближенно функцией вида:
Р; ( * ) = * - а|ч
где параметр « подберем методом наименьших .квадратов (см. п° 14.5).
Таблица 17.8.3
0 1 ,0 00 1 ,0 0 0
2 0,505 0,598
4 0,276 0,358
6 0,277 0,214
8 0,231 0,128
10 —0,015 0,077
12 0,014 0,046
14 0,071 0,027
Рис. 17.8.4,
Очевидно, •
■; = 1
Запишем эти данные в виде таблицы, где в верхней строке пе
речислены возможные состояния системы, а в нижней — соответствую
щие вероятности:
Х\ х2 • » » Хп
Р\ Рг . . . Рп.
18.2] Э Н ТРОП И Я 471
/ / (* ) = - 2 lo g * Л (18.2.2)
/=1
‘) Знак минус перед суммой поставлен для того, чтобы энтропия была
положительной (числа Р 1 меньше единицы и их логарифмы отрицательны).
472 ОСНОВНЫ Е П ОН ЯТИ Я ТЕ О РИ И И Н Ф ОРМ АЦ И И [ГЛ . !8,
•*/ Х\ хг
1 1
Pi
2 2
Н ( Х ) = — (- ilo g - j + j l o g y ) = l .
XI X, х2 ■ • • хп
1 1 1
Pi
п п п
Имеем:
Н ( Х ) = — « i - l o g — log 1 + lo g »
или
H ( X ) = log n, (18.2.3)
//( * ) = 2 (18.2.10)
474 ОСН ОВН Ы Е П ОН ЯТИ Я ТЕОРИИ И Н Ф ОРМ АЦ И И [ГЛ . 18
Xi X\ *2 *3 xA
Xi X\ X2 *3 xA *5
Решение.
Н (X ) = 4т) (0,01) -f i) (0,96) да 0,322 (дв. ед.).
П р и м е р 3. Определить максимально возможную энтропию системы,
состоящей из трех элементов, каждый из которых может быть в четырех
возможных состояниях.
Решение. Общее число возможных состояний системы равно/2=4-4.4=64.
Максимально возможная энтропия системы равна log 64 = 6 (дв. ед.).
П р и м е р 4. Определить максимально возможную энтропию сообщения,
состоящего из пяти букв, причем общее число букв в алфавите равно 32.
Р е ш е н и е . Число возможных состояний системы п — 325. Максимально
возможная энтропия равна 5 log 32 = 25 (дв. ед).
Формула (18.2.2) (или равносильная ей (18.2.10)) служит для
непосредственного вычисления энтропии. Однако при выполнении
преобразований часто более удобной оказывается другая форма записи
энтропии, а именно, представление ее в виде математического ожи
дания:
Л ( * ) = iM[— lo g /> ( * ) ! , (18.2.11)
18.3] Э Н ТРО П И Я С Л О Ж Н О Й СИСТЕМ Ы 475
P i) = P { ( X ^ x l) ( Y ^ y j)). (18.3.1)
Х\ X1 хп
У\ р и Р 21 Рпх
Уг Л 2 Рц . . . Р П2
•
. . .
Ут Р
Р\т Ргт г пт
476 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ [ГЛ. 18
H ( Y \ X ) = ^ P iH ( Y \ x t) (18.4.4)
i =1
или, пользуясь формулой (18.4.2),
п *“ m
H ( Y \ X ) = — ' £ p l '2l P ( y j\ x i) lo g P ( y J \xi).
i= i j =l
Внося p t под знак второй суммы, получим:
п m
H { Y | Х ) = - 2 2 P ;^ O vl*< )Io g /, (y;:|x() (18.4.5)
t=i /=i
или
п m
H (Y i^ ) = S 2 P n (P < y j\ x ,)). (18.4.50
/=ly = i 4 '
Ho no теореме умножения вероятностей p t P (yj | xt) — P tj,
478 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ [ГЛ. 18
следовательно,
п т
/ / ( К | * ) = » - 2 51 Р ц 1ое Р (у, [*,).. (18.4.6)
I=Г1] =
31
Выражению (18.4.6) тоже можно придать форму математического
ожидания:
Н ( У \ Х ) = М [ — 1оё Р ( У \ Х )] . (18.4.7)
Величина ^ ( У ^ Х ) характеризует степень неопределенности си*
стемы У, остающуюся после того, как состояние системы X пол*
ностью определилось. Будем называть ее полной условной эн тр о
пией системы У относительно X .
П р и м е р I. Имеются две системы Х а У, объединяемые в одну (Л', У);
вероятности состояний системы (X , У) заданы таблицей
XI Х% X3
Уа 0 0,3 0 0,3
X, Хг X,
у/ \
0,2
У1 1 0
0,7
0,3
Уа 0 0
0,7
0,2 1
Уз 0
0,7
18.4] УСЛОВНАЯ ЭНТРОПИЯ. О БЪ ЕД И Н ЕН И Е ЗАВИСИМ ЫХ СИСТЕМ 479
у/ \ *1 Х%
0,1 0,2
У! 0
0,3 0,3
Уз 0 1 0
0,2
о 1о
С4)
Уз 0 0,4
Отсюда
« ( Л | Г ) - 0 , з [ , ( | 1 ) + , ( | | - ) ] + 0 , 4 [ , ( £ | ) + , ( | | ) ] » 0 . 6 8 ( д в.е Л).
следовательно,
lo g P ( X , Y) = lo g P ( X ) + \ o g P (Y \ X ),
откуда
Н ( Х , У) = М [ — l o g P W l H - M l — lo g P (K | X )]
или, по формулам (18.2.11), (18.3.3)
Н ( Х , Y) = H ( X ) + H ( Y \ X ) ,
что и требовалось доказать.
В частном случае, когда системы X и Y независимы, # ( К | X ) —
= H (Y ), и мы получаем уже доказанную в предыдущем п° теорему
сложения энтропий:
Н ( Х , Y) = H { X ) + H {Y ).
В общем случае
Н ( Х , К ) < Я ( А ' ) + Я (К ). (18.4.9)
Соотношение (18.4.9) следует из того, что полная условная энтро
пия H { Y \ X ) не может превосходить безусловной:
H ( Y | X )* C H (Y ) . (18.4.10)
Неравенство (18.4.10) будет доказано в п° 18.6. Интуитивно оно
представляется довольно очевидным: ясно, что степень неопределен
ности системы не может увеличиться оттого, что состояние какой-то
другой системы стало известным.
Из соотношения (18.4.9) следует, что энтропия сложной системы
достигает максимума в крайнем случае, когда ее составные части
независимы.
Рассмотрим другой крайний случай, когда состояние одной из
систем (например X ) полностью определяет собой состояние дру
гой (К). В этом случае Н (Y j А') = 0, и формула (18.4.7) дает
Н ( Х , Y) — Н (X ).
Если состояние каждой из систем A', Y однозначно определяет
состояние другой (или, как говорят, системы А' и К эквивалентны), то
Н ( Х , К) — Я ( X ) = Н (Y).
Теорему об энтропии сложной системы легко можно распростра
нить на любое число объединяемых систем:
I i ( X v Х 2........ X s) — Н ( Xj ) -f- Н (А'2| А ’1) Н ( Х г\ Х г, Х 2) + ...
. . . + H ( X S\ X V Х 2........ ^ S_ 1), (18.4.11)
где энтропия каждой последующей системы вычисляется при условии,
что состояние всех предыдущих известно.
18.5] ЭНТРОПИЯ И ИНФОРМАЦИЯ 481
16 Теория вероятностей
482 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ [ГЛ. 18
I Xj = — log р = log it
/х = ~ п ~ log log п.
<«•• «■)■
Пр и ме р 5. По цели может быть произведено п независимых выстре
лов; вероятность поражения цели при каждом выстреле равна р. После к-то
выстрела (1 < к < п) производится разведка, сообщающая, поражена или не
поражена цель; если она поражена, стрельба по ней прекращается. Опреде
лить к из того условия, чтобы количество информации, доставляемое развед
кой, было максимально ■)•
Ре ше н ие . Рассмотрим физическую систему Х к — цель после А-го вы
стрела. Возможные состояния системы X k будут
xt — цель поражена;
х2— цель не поражена.
Вероятности состояний даны в таблице:
X.1 Xi х2
'
Pi !-(!-/>)* О - Р )к
16*
484 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ ГГЛ. 18'
Pi Pi Рг
■1 у ^ х = 1х = 1у = Н ( Х ) = И (У ), (18.5.9)
т. е. получается случай, уже рассмотренный нами выше (формула
(18,5.2)), когда наблюдается непосредственно интересующая нас си
стема X (или, что то же, эквивалентная ей У).
Рассмотрим случай, когда между системами X и У имеется жест
кая зависимость, но односторонняя: состояние одной из систем
полностью определяет состояние другой, но не наоборот. Условимся
называть ту систему, состояние которой полностью определяется
состоянием другой, «подчиненной системой». По состоянию подчи
ненной системы вообще нельзя однозначно определить состояние
другой. Например, если система X представляет собой полный текст
сообщения, составленного из ряда букв, а У — его сокращенный
текст, в котором для сокращения пропущены все гласные буквы,
то, читая в сообщении У слово «стл», нельзя в точности быть уве
ренным, означает оно «стол», «стул», «стал» или «устал».
Очевидно, энтропия подчиненной системы меньше, чем энтропия
той систему, которой она подчинена.
Определим полную взаимную информацию, содержащуюся в си
стемах, из которых одна является подчиненной.
Пусть из двух систем X и У подчиненной является X . Тогда
Н {Х \ У )= 0 , и
1 у ^ х = Н (Х ), (18.5.10)
т. е. полная взаимная информация, содержащаяся в системах,
из которых одна явл яется подчиненной, равна энтропии под
чиненной системы.
Выведем выражение для информации не через условную
энтропию, а непосредственно через энтропию объединенной системы
Н (X , У) и энтропии ее составных частей Н { X ) и Н (К).
Пользуясь теоремой об энтропии объединенной системы (стр. 479),
получим: Н (Х \ У ) — Н {X , У) — Н (К). (18.5.11)
Подставляя это выражение в формулу (18.5.5), получим:
1у ^ х = Н ( Х ) + Н ( У ) ~ Н ( Х , У), (18.5.12)
т. г. полная взаимная информация, содержащаяся в двух си
стем ах, равна сумме энтропий составляющих -систем минус
энтропия объединенной системы.
На основе полученных зависимостей легко вывести общее выра
жение для полной взаимной информации в виде математического
488 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ [ГЛ. 18
(18.5.14)
где
Р <у= Р ( ( ^ ~ х г) ( К ~ у у)),
Pi — P i X ^ X if , r, = P ( Y ~ y j ) .
П р и м е р 1. Найти полную взаимную информацию, содержащуюся в си
стемах X и У в условиях примера 1 п° 18.4.
Р е ш е н и е . Из примера 1 п° 18.4 с помощью таблицы 7 приложения
получим:
Н (Х , У) =2,25; Н (X ) = 1,16; Я ( Г ) = 1,57;
l r <.+K * = H ( X ) + H ( Y ) - H ( X , У)‘— 0,48 (дв. ед.).
П р и м е р 2. Физическая система X может находиться в одном из четы-
рех состояний хи х2, х3, л:,; соответствующие вероятности даны в таблице
х, л:, х2 х3 х4
/=1 i=l 1
откуда, сравнивая с формулой (18.6.1), получим выражение частной
информации:
log . (18,6.4)
pi
Осреднение происходит с учетом различных вероятностей значений
x v х2, . . . . х„. Так как система Y уже приняла состояние Уу, то
при осреднении значения (18.6.4) множатся не на вероятности p t
состояний x t, а на у е л о в н ы е вероятности P ( x t \yj).
^Таким образом, выражение для частной информации можно запи
сать в виде условного математического ожидания:
' ’W l
(18' 6' 5)
4 90 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ [ГЛ. 18
откуда
\пдц 1 / 1\ '
1о£?<7 — >1 ^ 2 ( ! — ! щ ) ‘ (18.6.8)
На основании (18.6.3) и (18.6.6) имеем:
П
^ У ^ Х = ' ^ Р {X i \УJ)\Ogqij^■
t=l(
, = Ж 2 \ 2 л * ' ^ \ У } ) - 2 л Р1
1/-1 /=1
Но
1=1 1=1
и выражение в фигурной скобке равно нулю; следовательно 1у^ х ^ - 0 .
Таким образом, мы доказали, что ч а с т н а я информация о си
стеме X , заключенная в сообщении о любом состоянии у^ си
стемы У, не м о ж е т бы ть отрицательной. Отсюда следует, что
неотрицательна и полная взаимная информация 1у*~>х (как матема
тическое ожидание неотрицательной ^случайной величины):
1у+ + х> 0. (18.6.9)
Из формулы (18.5.5) для информации: = И { X ) — Я ( Л ’)К)
следует, что
Н(Х) — Н (Х\У)^ 0' (1 8 .6 .1 0 )
или
Н (Х \ У ) ^ . Н (X ),
18.61 ЧАСТНАЯ ИНФОРМАЦИЯ О СИСТЕМЕ 491
Р ( х 4\У ; ) = ^ р
и формула (18.6.3) принимает вид
( 1 8 -6 Л 1 >
1=1
Пр и ме р и Система (X , У) характеризуется таблицей вероятностей Рц\
*1 х, Г1
Р1 0,4 0,6
( 18 . 6 . 12)
При д о с т а т о ч н о м алом Дх
00
(18.7.2) в виде
СО
И (А -) = lo g (Р — а) — log Дл:
или
tf(.Y) = lo g b ^ - . (18.7.17)
Решение.
' W * W = * M [ - l o g / ( X ) ] = A f | - !o g .{- 7L - r ‘S r l =
L V у 2к а )_
«д а-
H {V )= \ o g [^ p L \
Энтропия величины 0:
Н (0) = log (я — 0) — log ДО = log .
Окончательно имеем:
/^ = / / ( 18'7'20>
— СО
/ , _ , = ;и [|о г (18.7.21)
9 (м. v) = 1 « ^ •
\0 < v < II
следовательно,
<
е(X, у) = ч>(у, х) = 1;
/ (х, у) dx dy = 2 dx tfy
и
2 при (х, у) с: О,
при (х, у) £>.
Найдем теперь законы распределения отдельных величин, входящих
в систему:
00 X
аналогично
оо 1
/ 2 (у)=* f f (х, у) dx = j" 2d x — 2 ( l — у) при 0 < у < 1.
—оо у
4 г < - * х - щ - / / 1п 2 F ( r = y ) 2 d x d y =
(О)
— ff\nxd xd y~*
Ф)
1 х 1
4
1л2
J ' ln х dx J
о о
dy ■ ■ 1. — JГ
ln2
2х\пх dx =
1
1 « 0,44 (дв. ед.).
ln 2
П р и м е р 5. Имеется случайная величина X , распределенная по нор
мальному закону с параметрами т х — 0, Величина X измеряется с ошиб
кой 2Г, тоже распределенной по нормальному закону с параметрами т г — 0, о2.
Ошибка 2 не зависит от X. В нашем распоряжении — результат измерения,
т. е. случайная величина
Г=Х+2.
Определить, сколько информации о величине X содержит величина У.
Р е ш е н и е . Воспользуемся для вычисления информации формулой
(18.7.21), т. е. найдем ее как математическое ожидание случайной величины
log f\ (*)/ (? I X)
/ (* . У) / ( У\х)
log log
/1 (•*) / г (У ) fi (•*) f% (y) h (У) *
В нашем случае
/* <У) =
V 2n ]/"o® -f- o;г
/—J
1 Ц
(см. главу 9).
t/ = log
V T R 1 (Y — X f y2 1
in 2 2oZ 2 ('
+ °2 1
*= log
ln2 2az 2 (°X + ° г) j
Отсюда
1 M \Z2\ M [Y 2]
(18.7.23)
Ïn 2
502 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ [Г Л . 18
(18.7.24)
Например, при =
а — 00000
б — 00001
в — 00010
г — 00011
я — 11110
« —» — 11111
Дбоичные знапи
букбы I й гй 3й 4й 5й 6й 7“ 8й 9й
0 , о
0
е Q ()
а 0
и
m
н
I 0
с 0 ■o j
0
Р
б
/1
Ш ifi 0
к
м
в &
0
0
п
gj 0
Ш
О
(I
V\VÄ
ч и
0
S 11 Л
я
ы в о
ъ,ь 2
3
0
ё й 0
IIIУ/.У0Уу.
ч *
и
X
|р itH и 13 п ,
ж
ю Ж и Ш . Pi
ш
И 111
* 0
щ /
у.у/У/,У
i j -'/и/////
\Ц 0 У/М
3 0
<
р в i t f ш ш .ш ш Щ
Изложим здесь способ построения кода, удовлетворяющего по
ставленному условию; этот способ известен под названием «кода
Шеннона — Фзно». Идея его состоит в том, что кодируемые символы
(буквы или комбинации букв) разделяются на две приблизительно
равновероятные группы: для первой группы символов на первом месте
комбинации ставится 0 (первый знак двоичного числа, изображающего
символ); для второй группы — 1. Далее каждая группа снова делится
на две приблизительно равновероятные подгруппы; для символов пер
вой подгруппы на втором месте ставится нуль; для второй подгруппы —
единица и т. д.
Продемонстрируем принцип построения кода Шеннона— Фэно на
материале русского алфавита (табл. 18.8.1). Отсчитаем первые шесть
506 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ [ГЛ. 18
С1> Н х(Л ),
18.9] ПЕРЕД АЧА ИНФОРМАЦИИ С И СКАЖ ЕНИЯМ И 509
т о всегда можно закодировать достаточно длинное сообще
ние т а к , чтобы оно передавалось каналом связи без задержки.
Если же, напротив,
(18.9.1)
Н ( Х ) = — 2 Pi log Pi-
i= \
Если бы передача сообщений не сопровождалась ошибками, тб коли
чество информации, содержащееся в системе Y относительно X , было
бы равно самой энтропии системы X . При наличии ошибок оно бу
дет меньше:
l y ^ x = H ( X ) - H ( X \ Y ) .
1— «*;
вторая — вероятности того, что сигнал перепутан:
Р { У ч \ х д = 1 — (X,
откуда
Н ( Y 1х2) = — [a log ц — (1 — [a) lo g (1 — р.).
Таким образом,
1У+х = Н { У ) - Н ( У \ Х ) =
= {— Г log/- — (1 — г) log (1 — г)) —
17 Теория вероятностей
514 ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ИНФОРМАЦИИ [ГЛ. 18
17*
516 ЭЛЕМ ЕНТЫ ТЕОРИИ МАССОВОГО ОБСЛУЖИВАНИЯ [ГЛ. 19
Рис. 19.2.1.
п.
г
л .
хп
т -гг Т
Пл - Г Ч-Г
п = 2 пА (19.3.1)
г __________
= 2= 8 = а ---------- . -------------- г
Рис. 19.3.3.
т, :М Л
отк у д а
(1 9 .3 .8 )
1_
(1 9 .3 .9 )
К’
и п р ед п ол ож и м , ч то э т о т п р о м е ж у т о к у ж е п р од ол ж а ется н е к о т о р о е
время х, т. е. п р о и з о ш л о со б ы т и е Т > х. Н айдем при это м п р е д п о
лож ении у сл овн ы й закон распредел ения оставш ей ся части п р ом еж у тк а
Т, = Т — х; обозн ачи м е г о (/)
(1 9 .3 .1 1 )
Г > х и Г — х < £.
С д р у г о й ст о р о н ы ,
Р ( Т > х ) = 1 — / г (х),
сл ед ова тел ьн о,
19.41 НЕ СТА Ц И О Н А РН Ы Й ПУАССОНОВСКИЯ ПОТОК 527
отк у д а , со гл а сн о ф ор м у л е (1 9 .3 .1 0 ), получим
ч то и т р е б о в а л о сь д ок а зать.
Таким о б р а з о м , мы доказали, ч то если п р о м е ж у т о к врем ени Т
распредел ен п о пок азательн ом у за к он у , т о лю бы е сведения о т о м ,
с к о л ь к о времени у ж е п ротек ал э т о т п р о м е ж у т о к , не влияют на закон
распределения оста в ш егося врем ени. М ож н о д ок а за ть, что п ок а за тел ь
ный з а к о н — единственны й, обладаю щ ий таким св о й с т в о м . Э т о с в о й
с т в о п ок аза тел ьн ого закона представляет с о б о й , в су щ н о сти , д р у г у ю
ф о р м у л и р о в к у для «о т су т с т в и я п осл ед ей ств и я », к о т о р о е является
осн овн ы м св о й ст в о м п р о с т е й ш е г о п оток а .
1 9 .4 Н е с т а ц и о н а р н ы й п у а с с о н о в с к и й п о т о к
Нш т + Д2 = т '( 0 , (1 9 .4 .1 )
д<->о
гд е т ф — м атем атическое ож идание числа со б ы ти й на уч а стк е (0 , ^).
Р а ссм отр и м п о т о к о д н о р о д н ы х собы ти й , ординарны й и б е з п о с л е
действия, но не стационарны й, с п ерем енной п л отн ость ю Х((). Т а к ой
поток называется нестационарным пуассоновским потоком.
Э т о — первая ступен ь об о б щ е н и я по сравнению с п ростей ш и м п о т о
к о м . Л егк о показать м етод ом , аналогичным прим ененном у в п ° 5 .9 ,
ч то для та к о г о п о т о к а число со бы ти й , поп а да ю щ и х на у ч а с т о к
длины х, начинающийся в т о ч к е tй, подчиняется закон у П у а ссон а
Р т Ъ *о) = - Ш е ~а ("*=0,1,2,...). (1 9 .4 .2 )
а— Х (0 Л . (1 9 .4 .3 )
и
З д есь величина а зависит не т о л ь к о о т длины т участка, н о и
о т е го п ол ож ения на оси 01.
Н айдем для н естац и он а рн ого п оток а закон распределения п р о м е
ж утк а врем ени Т м еж ду сосед н и м и собы ти я м и . Ввиду н естац и он а р-
н ости п о т о к а э т о т закон б у д е т зависеть о т т о г о , где на о с и Ы
528 ЭЛЕМЕНТЫ Т Е О РИ И М АССОВОГО ОБСЛУЖ И ВАНИЯ ГГЛ 19
р а сп ол ож ен о п е р в о е из со б ы т и й . К р о м е т о г о , 011 б у д е т зависеть
о т вида функции Х ( /) . П р е д п о л о ж и м , что п е р в о е из д в у х сосед н и х
- / 40*
Р (Т ^ 0 ~ е ~ а “ е и ,
отк у д а
- / Х(/)<й
Ъ № = \ — е '• . (1 9 .4 .4 )
Д и ф ф ерен ц и руя, найдем п л о тн о сть распределения
- [ МО*
/ (о( * ) = Ч * 0+ 9 е (1 9 .4 .5 )
Рис. 19.5.1.
--------
Ц Ц К
Рис. 19.5.2.
Ч г е ~и '
Перемножая эти вероятности, получим
откуда
= (^ > 0 ). (1 9 .5 .3 )
= (1 9 .5 .5 )
«* = £ * 3 1 . (19.5>6)
19.51 ПОТОК С ОГРАНИЧЕННЫМ ПОСЛЕДЕЙСТВИЕМ (ПОТОК ПАЛЬМА) 533
П л о тн о сть А к п о то к а Э * б у д е т о б р а тн а величине тк
А* = т т г * (1 9 -5 -7)
Таким о б р а з о м , при увеличении п оря д ка п оток а Эрланга увел и чи
в аю тся как м атем атическое ож идание, так и д и сп ер си я п р ом еж у тк а
врем ени м еж ду собы ти я м и , а п л отн ость п оток а падает.
Выясним, как б у д е т изменяться п о т о к Э рланга при А - > о о , если
е г о п л отн ость б у д е т сохр а н я ться п остоя н н ой ? П р о н о р м и р у е м вели
чину Т так, ч тоб ы ее м атем атическое ож идание (и, сл ед ова тел ьн о,
п л отн ость п оток а ) о ст а в а л о сь неизменным. Для э т о г о изменим м а с
ш таб п о оси врем ени и в м е сто Т р а ссм отр и м величину
Т = т^ г . (19.5.8)
я** = «о —у*
где X — п л отн ость п о т о к а , совпадаю щ ая при л ю бом А с п л отн ость ю
и с х о д н о г о п р о с т е й ш е г о п о т о к а . Д и сп ер си я величины Т равна
1 9 .6 . В р е м я о б с л у ж и в а н и я
а g ( t ) — плотность распределения:
g ( t ) = G'(t). (1 9 .6 .2 )
Рис. 19.6.1.
Рис. 19.7.1,
Рис. 19.8.1.
/> о (0 . Р г ( 0 .......... р » ( 0 . (1 9 .8 .3 )
Очевидно, для лю бого момента времени
2 /> * ( * ) = 1- (1 9 -8 .4 )
к= 0
Составим дифференциальные уравнения для всех вероятностей (1 9 .8 .3 ),
начиная с р 0(О. Зафиксируем момент времени * и найдем вероятность
р 0 ( / + ДО т ого, что в момент система будет находиться в с о
стоянии х 0 (все каналы свободн ы ). Э то может п р о
изойти двумя способам и (рис. 19.8.2): - у *■
.1,
А — в момент t система находилась в со с т о я
нии лг0, а за время ДI не перешла из нее в х х (не У Ш
пришло ни одной заявки), Рис. 19.8.2,
В — в момент / система находилась в со с т о я
нии х х, а за время М канал освободился, и система перешла в с о
стояние х 0г).
В озм ож ностью «п ер еск ок а » системы через состояние (например, из
х 2 в х 0 через л:х) за малый пром еж уток времени можно пренебречь,
как величиной высш его порядка малости по сравнению с Р (А) и Р (В ) 2).
П о теорем е сложения вероятностей имеем
р 0(( + М ) ^ Р ( А ) - { - Р ( , В ) . (1 9 .8 .5 )
^ Г = - ^ 0(0 + ^ > (0 . (1 9 .8 .7 )
отк уд а
Р (Л ) » М О П — (* + *!*)**!•
А налогично
р ( в ) ^ Рк_ 1т и ,
Р ( С ) ~ р к+1( ( ) ( к + \ ) р Ы
и
йРь (О
'■^ Р к - 1 ( 0 — (^ “Ь ^!х) Р к (0 + (^ ~Ь О У,Рк+1 ( 0 •
Име£м I------- 1
Рп ( / + ДО « ( 0 (1 — пр до + Р п - 1 ( 0 х д ^- I^
= ^ „ - 1 ( 0 - щ р „ (О-
^ М 1 = - \ р 0( 0 + ^ ( 0.
<а
Ар* (0 _
м (1 9 .8 .8 )
(О < А < и),
рп (0 _
— ХА , - Ь т = О,
хРо — О1+ !*) Р \ -Ь 2 р р 2 =
^Рк-1 — + Р * 4 - ( * + *) РРь+\ = 0
(1 9 .9 .1 )
(0 < к < п),
'ЬРа-Г [Х + (п — 1)(а] р я- х + п ^ р п ~ 0 ,
ЬРп-Г ■ПРРп 0.
К этим уравнениям н е о б х о д и м о д об а в и ть у сл о в и е
2 р *= ь (1 9 .9 .2 )
А
Р1 Р о- (1 9 .9 .3 )
И з в т о р о г о , с у ч е то м ( 1 9 .9 .3 ),
— + = Ро'* (1 9 * 9 .4 )
аналогично из т р е т ь е г о , с у ч е то м ( 1 9 .9 .3 ) и ( 1 9 .9 .4 ),
1 ( к* , , к1 ' \ к»
= з|Г — Ро + 2^Г Р ° + 2|ХГ * Ярро) — з ]^ г Ро>
и в о о б щ е , для л ю б о г о к ^ .п
А*
Рь- Ро- ( 1 9 .9 .5 )
А1|лА
В ведем обозн а чен и е
_Х_
(1 9 .9 .6 )
Iх
и назовем величину а приведенной плотностью потока заявок.
Э т о есть не что иное, как с р е д н е е ч и с л о з а я в о к , п р и х о д я
щ е е с я на с р е д н е е в р е м я о б с л у ж и в а н и я о д н о й з а я в к и .
Д ей стви тел ьн о,
а = = :у = 1т‘ о6’
38 Теория вероятностей
646 ЭЛЕМ ЕНТЫ Т Е О РИ И М А СС О В О Г О ОБСЛУЖ ИВАНИЯ [ГЛ 19
*1
Рк = ТгРо- ( 1 9 .9 .7 )
к\
Ф ор м у л а (1 9 .9 .7 ) в ы ра ж а ет в се в е р о я т н о ст и р к ч ер ез р 0. Ч тобы в ы
разить их н еп оср ед ств ен н о ч ерез а и п, в о сп о л ь зу е м ся у сл ов и ем
(1 9 .9 .2 ). П од ста ви в в н его (1 9 .9 .7 ), получим
± Рк^ Р ^ = и
й=0 А=0
отк у д а
Р о^ -Т Г — - 0 9 - 9 .8 )
ак
2и1\
к=0
П одставл яя ( 1 9 -9 ,8 ) в ( 1 9 .9 .7 ), получим ок он чател ьн о
,к
а*
Р ^ Р и ^ ^ г — ' о 9 -9 - 10)
V I о6
ь= о
В ч а стн ости , для од н окан ал ьн ой систем ы (п = 1)
= (1 9 .9 .1 1 )
1 _ р отк==т1 _ , (1 9 .9 .1 2 )
Ф ор м у л ы Э рланга (1 9 .9 ,9 ) и их сл ед стви я ( 1 9 .9 .1 0 ) — (1 9 .9 .1 2 )
вы ведены нами для случая п ок аза тел ьн ого распредел ения врем ени
19.91 У СТА Н О В И В Ш И Й С Я РЕЖ ИМ О Б С Л У Ж И В А Н И Я . Ф ОРМ УЛ Ы Э РЛ А Н ГА 547
^ ■ - Л - г + -Е + ^ ^ - Ю0ЛУ.
^ II ^ 2! ^ 31 ^ 4!
б) По формуле (19.9.8)
18*
548 Э ЛЕМ ЕН ТЫ Т Е О РИ И М А СС О В О Г О ОБСЛУЖ И ВАНИЯ [ГЛ. 19
V— — ?— ; т., = / И [ 7 ’ож].
т1ож ‘ ож ож'
* М ± = - 1 Рй (0 + ^ ( 0.
dpb (t)
Л — = V f t - i ( 0 — (*- + kp) р к (/) + (А 4 - 1 ) (t),
/>«+$ 0 “ ~ Г Д О ~ Р п + Д О О — А Д / — щх М — «V Д О +
+ Рп+з- 1 (О Д* + Рл+3 + 1 ( 0 Iя !’' —К (5 — 1) V] Д /.
о тк у д а
— — — — ( / .- ] - щх + 5 >) р п+5 ( 0 +
+ '>'/ 7н+ 4 - 1 ( 0 “ Ы л 1а -+-(5 +■ 1) V] р п+е + ! ( 0 ‘
552 ЭЛЕМ ЕНТЫ ТЕ О РИ И М АССОВОГО ОБСЛУЖ ИВАНИЯ [ГЛ . 19
О О О — 1). (19.10.1)
йРп (0
<и ; X /*,,-! (О — (Х 4 - «И') />„ (О + (Я Ц -Н ) />„+1 (0 .
ЬРк-х — (х 4 - Ьр) Рк 4 ~ ( * 4 ~ = о
( 1 0 0 — 1).
(19.10.2)
ЬРп- 1 — (X 4 - «[*) Рп 4 - (я[* 4 - V) р п+1 = о,
К ним н уж н о п ри соед и н и ть у сл о в и е :
ОО
= (1 9 .1 0 .3 )
*=о
(1 9 .1 0 .4 )
и в о о б щ е при л ю б о м 5 1
уч -’ ро (1 9 .1 0 .5 )
Рп+З==
л !ц я п (яр. + тч)
т= 1
\п+*
Ро 1.
к=о *■1 л 1(Лп Д ( л ^ + т ч )
т= 1
отк уд а
Ро ( 1 9 .1 0 .6 )
А*
554 ЭЛЕМЕНТЫ ТЕОРИИ МАССОВОГО ОБСЛУЖИВАНИЯ [ГЛ. 19
А = Х т<об = а,
(1 9 .1 0 .7 )
ап<-*
‘ Ро
Рп+$ — — ----------- (5 > 1 ); (1 9 .1 0 .9 )
П (л + м Р)
тл= 1
Ро = —п-------------------- £ --------------------------- (1 9 .1 0 .1 0 )
<** , V '
*=° . *=» П (л + т р )
т~\
П одставляя ( 1 9 .1 0 .1 0 ) в ( 1 9 .1 0 .8 ) и (1 9 .1 0 .9 ), получим о к о н ч а
тельн ы е выражения для в ер оя тн остей состоя н и й си стем ы :
С1П Л
Г-5
л! *5
П ( я + «Р )
^ ------------------- — (* > 1 ). (1 9 .1 0 .1 2 )
а4 , а" ■ а5
Е
*=0
Ж +
*=1 Д ( л + / я р )
19101 С И СТЕМ А М А С С О В О ГО ОБСЛУЖ И ВАНИЯ С О Ж И ДАН И ЕМ 555
( 1 9 .1 0 .1 3 )
2-— Л. — А
X~ X “ а*
Получим;
ОО
(1 9 .1 0 .1 4 )
«-1 Д ( Я + *Р)
<7=1
Очевидно, что пропускная сп особ н ость системы с ожиданием, при
тех же 1 и [I, будет всегда выше, чем пропускная сп особн ость
системы с отказами: в случае наличия ожидания необслуженными
556 ЭЛЕМЕНТЫ ТЕ ОРИ И М АССОВОГО ОБСЛУЖ И ВАНИЯ [ГЛ. (9
1_______
Р0 /( оо *
ak ап V I as
S
*= 0
TT + 'n T z J и*
i= l
Р о = — ------------5------ --------- -• (1 9 .1 0 .1 5 )
VI ак ап + 1
A I + л! ( л - в )
*=0
( ± У а со ( ± Y а
< Ы ср у _____ ^
jU s г| __
2d s < ( г - 1) 1 * '
s,sr п . ( » + ™ р )
m —1 ' m~\
19.111 СИСТЕМА С М ЕШ АН Н О ГО ТИ П А 557
(0 < £ < « ) , (1 9 .1 0 .1 6 )
п \гс5
(1 9 .1 0 .1 7 )
й= 0
Среднее число заявок, находящихся в очереди, определяется из ф о р
мулы (1 9 .1 0 .1 3 ) при р - > 0 :
(1 9 .1 0 .1 8 )
ч к=0
П р и м е р 1. На вход трехканальной системы с неограниченным време
нем ожидания п о с т у п а е т ' простейший поток заявок с плотностью А = 4
(з а я в к и в час). Среднее время обслуживания одной заявки т(об — 30 мин.
Определить, существует ли установившийся режим обслуживания; если да,
то найти вероятности рй, р и рг, р 3, вероятность наличия очереди и среднюю
длину очереди т$.
= 2; а = — = 2. Так как а < п, установив
Р е ш е н и е . Имеем ц ч
=
ш ее **
шнйся режим существует. По формуле (19.10.16) находим
Х „ — занято к каналов, » » ,
х п- 1 — занято я — I каналов, » » ,
— заняты все я каналов, » » .
Х П1 I — заняты все я каналов, одна заявка стоит в очереди,
Р„ ( I ' + = Р п- 1 (*) х дг + Рп (О (1 — х Ы — яр + Рп + 1 (О «Р
откуда
= Рп+*-1 (О к ( 0 (1 — Ь Ы — я р ДО 4 - р я+3+1 (О пр и .
откуда
~ ( 0 ~ ЩРп+т (0>
J9.H1 СИСТЕМ А С М Е Ш А Н Н О ГО ТИП А 559
лрд (О
а ■ * Р о (0 + 1 Ч »1(0 .
йрь (О
а( —= ^ А - х ( 0 — (X + Л[1) р к (/) 4 -
■С
‘ РП^1 ==Х/ ,я + * - г (0 — (^ - Ь я р ) Р я + * (0 +
- = ^Рп+т-1 — (О-
— + РР\ — 0 .
хР ь - х — + (* + 1){* Р »+1 = = 0
(0 < / & < л — 1),
^Рп+т-1— Я № + « = (|
(1 9 .1 1 .3 )
л=о
к=0
a" / a \ s
Таблица 1
Значения нормальной функции распределения:
х
-Д= I
к ф* и) д X ф* «> д { X Ф* иг» д
/
П РИ Л О Ж Е Н И Е 565
Таблиц а 2
Значения функции е ~ х
X 4 X е -* 4 X А X д
е "*
СОСЧЬ-СО.
га 8
00 00 СЧ^ Ю ЮСО—'0><0с00эс0*-чг-.с00©с000с000с0*'-с4с0*-*ю0>с01'-
я- О 2 2 2 2 8 ?! 3 8 & 8 3 й 35 £ Й £ 9 £ 9 $ £ % 3 й й £ 8 33 8 £
к
«о 0? СЧЙ СЧ8 00 СЧЬ- сГ) О 00 С') О Ф се Ф О го О О со о
(О О
о* СйГо?*-* со »л СО00 © — СОСО о? О СЧСО•**СО^ 00 С? »-*■СО^ 1С со' о> о '
^^^^^^(^СМСЧС^СЧ^СОСОСОСОСОСОСО'ЧГ^’ч р^'чГ^'^^и?
^•с^^ь-осос^г^-оо
8 ^ООООХ>СО©СО*-«СОСЧСО*“« 10©СОСО©СОГ-*.©СО*'--©СОЬ*.©»“ '^Г'-.©
О ю " о Г г-.,-н.--«*-*,-нг-.еЧСЧСЧСЧСЧСЧ04СОСОСОСОГОСОСО,
— со ЮСО~со"0>— сч ю со о©с т > « - Г с ч "чГтр,'5Р
с ч *гЬ
^Г'Ч
ю'*^?«т*«
со оо~
ф
***о> © г-» о г> *—сч »-*«со
3 00 © ОО^ ОЮО,Л © СОСОО © со СОО —^ ^ 05 СЧ^ Г-. © г-* СО„сОоо
о со ю 1>ГаГ»-Гсч ^ и5 со оо © — со и5 «5 г> оо о —' сч со цз со ^ со“ о" ~ Ысо
,-4,— — СЧСЧСЧСЧСЧСЧСЧСОСОСОСОСОСОСОСО’'3'**'’^ ^
о — ©ЮОО^’*£СЧ«000©С010»>-<
сц ^счсо © со^ © сч и ооо — со>о ооос^ ^ ф м о с ^ ^ ю ь ф ^ со
о" СЧ^ О *С© О СЧСО^ Ю1^ оо © V-?£•$СО^ СОЬ-" оо оГ© со ■*?ьо со г*-."о* с>
^^^^^^^^С^ецг^СЧСЧСЧСЧСЧОЗСОСОСОСОСОСОСО^
сч
о ^ с ч ^ © © с о © Ф ^ т р с О ’--'С010г-‘
со сч Ф а оо © сч -Фсо со © *-* со ю (£>оо а> о с*--! со '<#со г- со © о *-•а
о ^ со ю ©~г^сч со ^ ю со со © © — е-Гсо ю со се о ? о *-*сч~пгиз со
к — ^СЧСЧСЧ^СЧСЧСЧС^СЧСОСОСООСОСО
V,
^ со 00 со со 00 СЧсо ос © —' СЧСЧС4»СЧ*-<
0,30
© © © © ^ ^ С Ч С Ч С О С 0 ^ 1 0 Ю С О ^ Ь ^ О О © © © Г ^ С Ч С О С О ^ Г‘- О С О © ‘ 1>ГОО‘
»—« © Ю 0 5 СЧ ^
© ^ О О ^ Ю С О ^ С О С О ' Р — 0 0 «О 0 0 » - ' С р » - < Ь - ’^ * С Ч © 0 > 0 > © * — М Ю К г н
©_© © со ^ г^.сооосяф иосм ф сосао^^^^аб^осо
0,98
^ -^ »/5 © —
© © © © © »—Г 1—
<СЧСЧ V V Ю10 со г С оо"©" о" О г-Г—Гсч СО ^ 10 со
СО СО
©© 10 ^ ^ сч © ю
со СО — 1- * С Ч с О с о о ^ © с О С ^ © о о с О с р г О '
© С Ч4 1- Н © Ю ^ - . С О ^ ' © С О » Л ^ > —
0,99
^7 / Г-«С^СО^'Ю©1Ч
-СО©©»--'СЧСО,^Ю©Г^ОО©©
_ т-4 1-н — — —»1- 11-. »-* сч — СЧСО^ЮЧО^ОО©©
смСЧСЧСЧСЧСЧСЧ<мС4 со
л
/•
566 П РИ Л О Ж Е Н И Е
Таблица 3
I _£1
Значения функции / ( х) = — — е 2
У~2к
X 1 2 3 4 5 6 7 8
у 9 X
0,0 0,3989 3989 1 3989 3988 3986 3984 3982 3980 3977
0,1 3970 3965 3961 3956 3973 0,0
3951 3945 3939 3932 3925
0,2 3910 3902 3894 3885 3918 0,1
3876 3867 3857 3847 3836
0,3 3814 3802 3790 3778 3825 0.2
3765 3752 3739 3726 3712 3697 0,3
0,4 3683 3668 3653 3637 3621 3605 3589 3572 3555 3538 0,4
0,5 3521 3503 3485 3467 3448 3429 3410 3391 3372
0,6 3332 3312 3292 3271 3352 0,5
3251 3230 3209 3187 3166
0,7 3123 3101 3079 3056 3144 0,6
3034 ЗОН 2989 2966 2943
0,8 2897 2874 2850 2827 2920 0,7
2803 2780 2756 2732 2709
0,9 2661 2637 2613 2589 2685 0,8
2565 2541 2516 2492 2468 2444 0,9
1,0 0,2420 2396 2371 2347 2323 2299 2275 2251 2227 2203 1,0
1.1 2179 2155 2131 2107 2083 2059 2036 2012
1,2 1989 1965 1.1
1942 1919 1895 1872 1849 1826 1804 1781 1758
1.3 1714 1691 1669 1736 1.2
1647 1626 1604 1582 1561 1539
1,4 1497 1476 1456 1518 1.3
1435 1415 1394 1374 1354 1334 1315 1.4
1.5 1295 1276 1257 1238 1219 1200 1182 1163
1,6 1145 1127 1,5
1109 1092 1074 1057 1040 1023 1006 0989 0973
1.7 0940 0925 0909 0957 16
0893 0878 0863 0848 0833 0818 1.7
1.8 0790 0775 0761 0804
0748 0734 0721 0707 0694 0681 1.8
1.9 0656 0644 0632 0669
0620 0608 0596 0584 0573 0562 1.9
0551
2.0 0,0540 0529 0519 0508 0498 0488 0478 0468
2,1 0459 0449 2.0
0440 0431 0422 0413 0404 0396 0388 0379 0371
2,2 0355 0347 0339 0363 2.1
0332 0325 0317 0310 0303 0297
2,3 0283 0277 -0270 0290 2,2
0264 0258 0252 0246 0241 0235
2,4 0224 0219 0213 0229 2.3
0208 0203 0198 0194 0189 0184 0180 2.4
2.5 0175 0171 0167 0163 0158 0154 0151 0147
2,6 0143 0139 2.5
0136 0132 0129 0126 0122 0119 0116 0113
2,7 0104 0101 0099 0110 0107 2.6
0096 0093 0091 0088 0086 0084 0081 2.7
2,8 0079 0077 0075 0073 0071 0069 0067 0065 0063 0061 2.8
2,9 0060 0058 0056 0055 0053 0051 0050 0048 0047 0046 2.9
3,0 0.0044 0043 0042 0040 0039 0038 0037 0036 0035 0034 3.0
3,1 0033 0032 0031 0030 0029 0028 0027 0026
3,2 0024 0023 0022 0025 0025 3.1
0022 0021 0020 0020 0019 0018 0018 3.2
3.3 0017 0017 0016 0016 0015 0015 0014 0014 0013 0013 3.3
3,4 0012 0012 0012 ООН 0011 0010 0010 0010 0009 0009 3.4
3,5 0009 0008 0008 0008 0008 0007 0007 0007
3,6 0007 0006 3.5
0006 0006 0006 0005 0005 0005 0005 0005
3,7 0005 0004 3.6
0004 0004 0004 0004 0004 0004 0003 0003
3,8 0003 0003 0003 0003 0003 3.7
0003 0003 0002 0002 0002 0002 0002 3.8
3,9 0002 0002 0002 0002 0002 0002 0002 0002 0001 0001 3.9
0 1 2 3
* 1
4 5 6 7 8 9 X
568 ПРИЛОЖ ЕНИЕ
я
0,1 0,2 0,3 0,4 0,5 0,6 °,7 |
я -1
я -1
0,1 0,2 0,3 0,4 0,5 0,6 0,7
/ / §
ПРИЛОЖЕНИЕ 569
Таблица 5
2^ 5 „ _ 1(0 ^ = Э. в зависимости от р и и — 1
о
Таблица 6
Таблица двоичных логарифмов целых чисел от 1 до 100
Таблица 8
ат
Значения Р т = т е а (распределение Пуассона)
•
т 0= 1 а= 2 о=3 а= 4 а= 5 а= б а= 7 а= 8 а = 9 а=10
0 0,3679 0,1353 0,0498 0,0183 0,0067 0,0025 0,0009 0,0003 0,0001 0,0000
1 0,3679 0,2707 0,1494 0,0733 0,0337 0,0149 0,0064 0,0027 0,0011 0.С005
2 0,1839 0,2707 0,2240 0,1465 0,0842 0,0446 0,0223 0,0107 0,0050 0,0023
3 0,0613 0,1804 0,2240 0,1954 0,1404 0,0892 0,0521 0,0286 0,0150 0,0076
4 0,0.153 0,0902 0,1680 0,1954 0,1755 0,1339 0,0912 0,0572 0,0337 0,0189
5 0,0031 0,0361 0,1008 0,1563 0,1755 0,1606 0,1277 0,0916 0,0607 0,0378
6 0,0005 0,0120 0,0504 0,1042 0,1462 0,1606 0,1490 0,1221 0,0911 0,0631
7 0,0001 0,0037 0,0216 0,0595 0,1044 0,1377 0,1490 0,1396 0,1171 0,0901
8 0,0009 0,0081 0,0298 0,0653 0,1033 0,1304 0,1396 0,1318 0,1126
9 0,0002 0,0027 0,0132 0,0363 0,0688 0,1014 0,1241 0,1318 0,1251
10 0,0008 0,0053 0,0181 0,0413 0,0710 0,0993 0,1186 0,1251
11 0,0002 0,0019 0,0082 0,0225 0,0452 0,0722 0,0970 0,1137
12 0,0001 0,0006 0,0034 0,0126 0,0263 0,0481 0,0728 0,0948
13 0,0002 0,0013 0,0052 0,0142 0,0296 0,0504 0,0729
14 0,0001 0,0005 0,0022 0,0071 0,0169 0,0324 0,0521
15 0,0002 0,0009 0,0033 0,0090 0,0194 0,0347
16 0,0003 0,0014 0,0045 0,0109 0,0217
17 0,0001 0,0006 0,0021 0,0058 0,0128
18 0,0002 0,0009 0,0029 0,0071
19 0,0001 0,0004 0,0014 0,0037
20 0,0002 0,0006 0,0019
21 0,0001 0,0003 0,0009
22 0,0001 0,0004
23 0,0002
24 0,0001
ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ
ISBN 5 - 0 6 - 0 0 3 6 5 0 - 2
9785060 Ö36f03