Upload
ilija-nt
View
286
Download
2
Embed Size (px)
Citation preview
1
Веројатност 1. Вовед
Проучувањето на веројатноста потекнува од анализата на одредени игри на можности, и има најдено примена во многу области од науката и инженерството. Ќе се запознаеме со основните концепти на теоријата на веројатност.
2. Множество на вредности – кодомен и настани А. Случајни експерименти:
Во науката за веројатноста, секој процес на набљудување се нарекува екперимент. Резултатите од набљудувањето се наречени исходи на експериментот. Еден експеримент е наречен случаен експеримент ако неговиот исход не може да се предвиди. Типичен пример на експеримент е фрлање на коцка, фрлање на паричка и слично.
Б. Множество на вредности:
Множеството на сите можни исходи на еден случаен експеримент се нарекува множество на вредности (или универзално множество), и се означува со S. Елемент во S се нарекува елементарен настан. Секој исход на случаен експеримент кореспондира со точка од множеството на вредности.
Пример 1. Да се најде множеството на вредности за експериментот фрлање на паричка:
(а) еднаш
(б) двапати.
Решение: (а) Постојат два исходи, глава – H и петка ‐ T. Па така:
, .
(б) Постојат 4 различни исходи. Тоа се парови на глава‐H и петка‐T
, , , .
Пример 2. Да се најде множеството на вредности (кодомен) за експериментот фрлање на паричка со повторување и броење на бројот на „петки“ се додека не се појави првата „глава“.
2
Решение: Јасно е дека сите можни исходи за овој експеримент се броевите од низата 1,2,3,... Па така:
1,2,3, … .
Забележуваме дека постојат бесконечен број на исходи.
Пример 3. Да се најде кодоменот за експериментот на мерење (во часови) на животниот век на транзистор.
Решение: Можните исходи се сите ненегативни реални броеви. Па така:
: 0 ∞
каде што е бројот на часови на животен век на транзисторот.
Секој експеримент може да има повеќе различни кодомени во зависност од интересот. За кодоменот S се вели дека е дискретен ако се состои од конечен број на елементи или преброиво бесконечен број на елементи. Едно множество е наречено преброиво ако неговите елементи може да се постават во кореспонденција со природните броеви.
В. Настани:
Бидејќи го дефиниравме множеството на вредности S како множество на сите можни исходи на случаен експеримент, ќе разгледаме некои нотации за множества:
Ако s е елемент на S, тогаш пишуваме:
Ако s не е елемент на S, тогаш пишуваме:
Множеството А е наречено подмножество на множеството B и се означува:
ако секој елемент од А е елемент на B. Секое подмножество на S се нарекува настан. Елементарен настан е точка од S. Множеството S се нарекува сигурен настан, бидејќи е множество од сите можни исходи.
Пример 4. Ако го разгледаме експериментот од примерот 2. Нека А е настанот, непарен број на „петки“ се додека не се падне „глава“ . Нека В е парен број на „петки“ се додека не се падне „глава“. Нека С е настанот, број на „петки“ потребен за да се падне „глава“ помал од 5. Да се изразат овие настани.
Решение: 2,4,6, … , 1,3,5, … и 1,2,3,4 .
3
3. Алгебра на множества А. Операции со множества:
1. Еднаквост:
Две множества А и В се еднакви, А = В, ако и само ако и .
2.Комплемент:
Нека . Комплемент на множеството А, се обележува со А , е множеството што ги содржи сите елементи од S што не се во А.
3. Унија:
Унија на множествата А и В, , е множеството што ги содржи елементите или од А, или од В, или од двете заедно.
: или
4. Пресек
Пресек на множествата А и В, , е множеството што ги содржи сите елементи од А и В.
: и
5. Празно множество
Множеството што не содржи ниту еден елемент се нарекува празно множество и се обележува со .
6. Дисјунктни множества
Две множества А и В се нарекуваат дисјунктивни или взаемно исклучиви ако не содржат ниту еден заеднички елемент, односно ако .
Дефинициите за унија и пресек на две множества можат да бидат проширени со било кој конечен број на множества:
…
…
Истотака можат да се прошират и на неограничен број на множества:
4
…
…
Во нашата дефиниција за настан, нагласивме дека секое подмножество од S е настан, вклучувајќи го и S и празното множество . Па така:
S = сигурен настан
= невозможен настан
Ако А и В се настани во S , тогаш
е спротивен настан на настанот А
e настан кај што се случил А или В
настан кај што се случиле и А и В
Слично на тоа, ако , , … , се низа на настани во S тогаш
е настан кај што барем еден од настаните се случил
е настан кај што сите настани се случиле истовремено
Б. Венов дијаграм
Претставува графичка репрезентација која што е многу корисна за илустрирање на операциите со множества.
В. Идентитети
Според погорните дефиниции на множествата, ги изведуваме следните идентитети:
5
Операциите унија и пресек, ги задоволуваат и следните закони:
Комутативен закон:
Асоцијативен закон:
Дистрибутивен закон:
Де Морганови закони:
Овие релации се потврдуваат со покажување дека секој елемент што е содржан во множеството на левата страна на равенката е истотака содржан во множеството на десната страна на равенката, и обратно. Еден начин за да се докаже ова е со Венов дијаграм. Дистрибутивниот закон може да биде проширен на следниот начин:
А
А
Истотака, де Моргановите закони можат да бидат проширени на следниот начин:
6
4. Нотации и аксиоми на веројатноста Доделувањето на реални броеви на настаните дефинирани во множество на вредности S е познато како мерка на веројатност. Да разгледаме случаен експеримент со множество на вредности S и нека A е некој настан дефиниран во S.
А. Класична дефиниција на веројатноста (релативна фреквенција)
Нека претпоставиме дека еден случаен експеримент е повторен n пати. Ако настанот А се случи n(A) пати, тогаш веројатноста на настанот А, означена со Р(А) е:
lim
каде што n(A)/n се нарекува релативна фреквенција на настанот А. Треба да се забележи дека овој лимес може и да не постои, и дека постојат многу ситуации каде што концептот на повторување на настаните може да не е валиден. Јасно е дека за било кој настан А , релативната фреквенција на А ќе ги има следниве особини:
1. 0 1, каде што 0 ако А не се појавува во ниеден од n‐ те обиди и 1 ако А се појавува во сите n обиди.
2. Ако А и В се взаемно исклучиви настани, тогаш
И
Б. Аксиоматска дефиниција
Нека S е конечно множество на вредности и А е настан во S. Тогаш, веројатноста P(A) на настанот А е реален број доделен на А којшто ги задоволува следниве три аксиоми:
Аксиома 1: 0
7
Аксиома 2: 1
Аксиома 3: ако .
Ако просторот на вредности не е конечен, тогаш аксиомата 3 мора да биде модифицирана вака:
Аксиома 3: Ако е , , … бесконечна низа на взаемно исклучиви настани во , тогаш
В. Елементарни особини на веројатноста:
Од горенаведените аксиоми можат да се изведат следните особини:
1. 1 2. 0 3. ако 4. 1 5. 6. Ако , , … , се n случајни настани во S, тогаш
… 1 …
7. Ако , , … , е конечна низа од взаемно исклучиви настани во , ,
тогаш:
Треба да се забележи дека особината 4 може лесно да се изведе од аксиомата 2 и особината 3. Бидејќи ,имаме
1
Така, во комбинација со аксиомата 1, имаме:
0 1
Особината 5 имплицира следно:
бидејќи 0 од аксиомата 1.
8
Низата настани , , … , , … е растечка низа ако , а опаѓачка ако . Ако 1, ≥nAn е растечка низа од настани, дефинираме нов настан со
lim .
Слично, ако 1, ≥nAn е опаѓачка низа од настани, тогаш
lim .
Теорема 4.1 (непрекинатост на веројатноста): Ако 1, ≥nAn е или растечка или опаѓачка низа од
настани, тогаш
lim .
5. Еднаквоверојатни настани
А. Конечно множество на вредности
Да разгледаме конечно множество на вредности S со конечен број на елементи
, , … ,
каде што се елементарни настани. Нека . Тогаш
1. 0 1 1,2, … , 2. ∑ 1 3. Ако , каде што I е индексно множество, тогаш
.
Б. Еднаквоверојатни настани
Кога сите елементарни настани 1,2, … , се еднакво можни, односно кога:
имаме:
9
1 1,2, … ,
и
кадешто е бројот на исходи што припаѓаат на настанот и n е бројот на точки во множеството .
6. Условна веројатност
А. Дефиниција 6.1: Условната веројатност на настанот ако се случил настан , означено како | , е дефинирано како:
| 0
каде што е веројатноста дека се случиле и . Слично:
| 0
е условната веројатност на настан В ако се случил А. Од равенките следува:
| | .
Оваа равенка доста често се користи за пресметување на взаемната веројатност на настаните.
Б. Баесово правило:
| |.
7. Тотална веројатност
Настаните , , … , претставуваат партиција на множеството ако
10
… и за .
Нека е било кој настан во . Тогаш
|
што е познато како тотална веројатност на настанот . Нека , тогаш
||
∑ | .
Веројатностите од десната страна на равенството се сите условени од настаните , додека веројатноста од левата страна е условена од . Оваа равенка се нарекува Баесова теорема.
8. Независни настани
Два настани и се (статистички) независни ако и само ако
.
Веднаш следува дека ако и се независни, тогаш
|
и
| .
Ако два настани и се независни, тогаш може да се покаже дека и и се независни:
.
Тогаш:
| .
Затоа, ако е независен од , тогаш веројатноста од појавувањето на е непроменето како информација за тоа дали се случил или не. Три настани , , се независни ако и само ако:
11
Можеме да ја прошириме дефиницијата за независност на повеќе од три настани. Настаните , , … , се независни ако и само ако за секое подмножество , , … , , (2 ) од
овие настани,
… … .
Конечно, дефинираме дека: конечно множество на настани може да биде независно ако и само ако секое конечно подмножество на овие настани е независно.
За да направиме дистинкција помеѓу взаемната исклучивост (дисјунктивноста) и независноста на фамилија од настани, сумираме:
1. Ако , 1,2, … , е низа од взаемно исклучиви настани, тогаш
.
2. Ако , 1,2, … , е низа од независни настани, тогаш
.
9. Случајна променлива
Дефиниција 9.1: Нека е дадено множеството од сите можни исходи на еден веројатносен
експеримент Ω и нека на секој елементарен настан Ω∈ω му доделиме точно еден реален број
( )ωX . Пресликувањето R→Ω:X се вика случајна променлива.
Нека Ω е множеството на елементарни настани, X е случајна променлива, а x е фиксен број. Тогаш ги користиме следниве ознаки за настаните:
( ) ( ) ,: xXxX =Ω∈== ωω
( ) ( ) xXxX ≤Ω∈=≤ ωω : ,
( ) ( ) xXxX >ωΩ∈ω=> : ,
12
( ) ( ) 2121 : xXxxXx <ω<Ω∈ω=<<
па веројатноста ќе биде ( ) ( ) xXPxXP =ωΩ∈ω== : за секој од нив соодветно.
9.1 Функција на распределба
Дефиниција 9.1.1: Нека е дадена случајна променлива X . Функцијата дефинирана со
( ) ( ) ( ) xXPxXPxFX <ωΩ∈ω=<= : , R∈x се вика функција на распределба на
веројатностите на случајната променлива Х.
Ако во текстот се спомнува само една случајна променлива, тогаш наместо ознаката
( )xFX се користи ознаката ( )xF .
Особини:
1. ( ) ( ) .0lim =∞−=−∞→
FxFx
2. ( ) ( ) .1lim =∞=∞→
FxFx
3. Функцијата не распределба е монотоно неопаѓачка функција, односно ако ,21 xx <
тогаш ( ) ( ),21 xFxF ≤
4. Функцијата на распределба е непрекината од лево:
( ) ( ).lim0
aFxFax
=−→
5. ( ) ( ) ( )aFbFbXaP −=<≤ , за секои R∈ba, , ba < .
Доказ:
1. ( ) ( ) ( ) ( ) ( ) .0limlim1
=∅=−<=−<=−=∞−∞
=∞→∞→PnXPnXPnFF
nnnI
13
2. ( ) ( ) ( ) ( ) ( ) .1limlim1
=Ω=<=<==∞∞
=∞→∞→PnXPnXPnFF
nnnU
3. Ако ,21 xx < и ако ( ) 1: xXA <ΩΩ∈ω= , ( ) 2: xXB <ΩΩ∈ω= , очигледно дека
BA⊆ , па имаме
( ) ( ) ( ) ( )21 xFBPAPxF =≤= .
4. ( ) ( ) ( ) =−<=−=∞→∞→−→ naXPnaFxF
nnax1lim1limlim
0
( ) ( ) ( ).11
aFaXPnaXPn
=<=−<=∞
=U
5. ( ) ( ) =<ωΩ∈ω= bXPbF : ( ) ( ) ( ) =<ω≤Ω∈ω+<ωΩ∈ω= bXaaXP ::
( ) ( ).bXaPaF <≤+=
9.2 Дискретни случајни променливи
Случајната променлива Х го пресликува множеството Ω во множеството на реални броеви.
Множеството на слики ќе го означиме со XR .
Дефиниција 9.2.1: Случајната променлива Х е дискретна случајна променлива ако XR е конечно
или преброиво множество.
Множеството ( ) nxX =ωΩ∈ω : за пократко ќе го означуваме со ( )nxX = . Очигледно
дека важи
( ) ( )UUn
nn
n xXxX ===ωΩ∈ω=Ω :
и дека
( ) ( ) ∅=== ji xXxX I за секое ji ≠ ,
што значи дека
( ) ( ) .1=Ω==∑ PxXPi
i
14
Ако ,..., 21 xx е множеството вредности на дискретната случајна променлива X , тогаш со
( )ixp , ,...2,1=i ќе ја означиме веројатноста на настанот чии елементи се пресликуваат во ,ix
односно
( ) ( ) ( ).: iii xXPxXPxp ===ωΩ∈ω=
Множеството вредности на дискретната случајна променлива ,..., 21 xx , заедно со соодветните
веројатности ( )ixp , ,...2,1=i , го претставува законот на распределба на случајната променлива
X . Најчесто ќе ги користиме следните начини на запишување на законот на распределба:
- шематски ( ) ( ) ⎟⎟⎠
⎞⎜⎜⎝
⎛L
L
21
21:xpxp
xxX и
- аналитички ( ) ( )ii xXPxp == , ,...2,1=i
Врската помеѓу законот на распределба и функцијата на распределба е дадена со
( ) ( )∑<
=
xxi
iX
i
xpxF
.
Графикот на функцијата на распределба на дискретната случајна променлива има скалеста
форма.
9.3 Непрекинати случајни променливи, густина на распределба
Дефиниција 9.3.1: Нека X е случајна променлива со функција на распределба
( ) ( )xXPxFX <= . Ако ( )xFX е непрекината функција и ако постои ( )
dxxdFX во секоја точка,
освен во конечен број и е по делови непрекината, тогаш велиме дека X е променлива од
непрекинат тип.
Ако X е непрекината случајна променлива, тогаш XR содржи цел интервал.
Дефиниција 9.3.2: Нека X е непрекината случајна променлива со функција на распределба
( )xFX , тогаш функцијата ( ) ( )dx
xdFx XX =ϕ се вика густина на распределба на веројатностите на
случајната променлива X .
15
Особини:
1. ( ) 0≥xXϕ за секое R∈x .
2. ( ) .1)( =∞<<∞−=∫+∞
∞−
XPdxxXϕ
3. Веројатноста ( ) ( ) ( ) 0limlim00
==+<≤== ∫+
→→
ha
aXhh
dxxhaXaPaXP ϕ , R∈∀a .
4. ( ) ( )∫=<<b
aX dxxbXaP ϕ за секои ∞∞∈ ,-R Uba, .
Врската помеѓу функцијата на распределба и густината на распределба на случајната
променлива X е дадена со:
( ) ( ) ( )∫∞−
=<=x
XX dttxXPxF ϕ за секое R∈x .
10. Бројни карактеристики на случајните променливи
Дефиниција 10.1: Нека X е случајна променлива. Бројот ( )XE дефиниран со:
( )⎪⎪⎩
⎪⎪⎨
⎧
=∫
∑∞
∞−
променливаслучајнаанепрекинатеако,)(
променливаслучајнадискретнае ако,)(
Xdxxx
Xxpx
XEX
kk
Xk
ϕ
се вика математичко очекување (надеж) на случајната променлива X .
Дефиниција 10.2: Бројот со ознака 2Xσ или Var(X) или D(X) дефиниран со
[ ] 2)()( XEXEXD −= , се вика дисперзија или варијанса на случајната променлива X , а
аналитички е изразен со:
16
( )( )( )
( )( )⎪⎪⎩
⎪⎪⎨
⎧
−
−
=∫
∑∞
∞−
променливаслучајнаанепрекинатеако,)(
променливаслучајнадискретнаеако,)(
2
2
XdxxXEx
XxpXEx
XDX
kk
Xk
ϕ.
Особини на математичкото очекување и дисперзијата:
1. Ако cX = , каде што c е константа, тогаш ( ) ccE = .
2. ( ) ( ) ( )YEXEYXE +=+ за секои случајни променливи X и Y .
3. ( ) ( ),XcEcXE = каде што c е константа.
4. Ако bXa ≤≤ , тогаш и ( ) bXEa ≤≤ .
5. 0)( ≥XD , 0)( =XD ако и само ако cX = , каде што c е константа.
6. ( ) ( ),2 XDccXD = ( ) ( ),XDcXD =+ каде што c е константа.
7. [ ]22 )()()( XEXEXD −= .
Бројот )(2 XDXX == σσ се нарекува стандардна девијација или средно квадратно
отстапување.
Медијана на случајната променлива X е бројот mx за кој важи ( )21
=mxF .
Мода: Ако X е дискретна случајна променлива, мода е онаа вредност на случајната
променлива која има најголема веројатност. Ако X е случајна променлива од непрекинат тип,
тогаш мода е вредноста на случајната променлива во која нејзината густина на распределба
достигнува максимум.
Бројот )( nXE дефиниран со :
⎪⎪⎩
⎪⎪⎨
⎧
=∫
∑∞
∞−
променливаслучајнаанепрекинатеако,)(
променливаслучајнадискретнаеако,)(
)(
Xdxxx
Xxpx
XEX
n
kk
Xn
k
n
ϕ
17
се вика почетен момент од n‐ти ред на случајната променлива X , N∈n .
Математичкото очекување е почетен момент од прв ред.
Централен момент од n‐ти ред на случајната променлива X , N∈n е
( )( )[ ]nn XEXEs −= .
Дисперзијата е централен момент од втор ред.
11. Некои специјални видови случајни променливи
11.1 Дискретни случајни променливи
1. Бернулиева распределба (Бернулиев закон)
Случајната променлива X има Бернулиева распределба со параметар 10 << p ако:
.1
10: ⎟⎟
⎠
⎞⎜⎜⎝
⎛− pp
X
Функцијата на распределба на случајната променлива X со Бернулиевата респределба е:
⎪⎩
⎪⎨
⎧
>≤<−
≤=
1,110,1
0,0)(
xxp
xxFX
Бернулиевата случајна променлива се однесува на исходот од некој експеримент, дали ќе
биде “успешен” или “неуспешен” и веројатноста на успех е p , а веројатноста за неуспех е p−1 .
x
Fx(x)
x
px(x)
18
За математичкото очекување и дисперзија имаме:
( ) ppqXE =⋅+⋅= 10 , ( ) ( ) ( ) ( ) pqppppqXEXEXD =−=−⋅+⋅=−= 110 22222 .
2. Биномна рапределба ( )pn,B
Случајната променлива X има Биномна распределба ( )pn,B со параметри N∈n ,
10 << p ако нејзиното множество на вредности е nX ,,1,0 K=R , а соодветните веројатности
се:
( ) ( ) knkk pp
kn
kXPkpxp −−⎟⎟⎠
⎞⎜⎜⎝
⎛==== )1()( , nk ,...,2,1,0= .
Функција на распределба е:
( ) knkn
kX pp
kn
xF −
=
−⎟⎟⎠
⎞⎜⎜⎝
⎛= ∑ )1(
0
, 1+<≤ nxn .
Најчест модел на биномна распределба се јавува при изведување на серија од n
независни експерименти, каде што секој од нив може да се реализира позитивно (со веројатност
p ) и негативно (со веројатност pq −= 1 ). Множеството Ω содржи ⎟⎟⎠
⎞⎜⎜⎝
⎛kn
елементарни настани во
кои има k позитивни реализации ( ⎟⎟⎠
⎞⎜⎜⎝
⎛kn
е број на колку начини од n експерименти можеме да
px(x) Fx(x)
x x
19
избереме k експерименти со позитивна реализација). Случајната променлива X претставува
број на “успешни”, позитивни реализации во серија од n повторени независни експерименти.
( ) ( ) ( )∑∑∑=
−
=
−
=
=−
=⎟⎟⎠
⎞⎜⎜⎝
⎛==
n
k
knkn
k
knkn
k
qpknk
nkqpkn
kkkpXE000 !!
!
( )
( ) ( )∑=
−−
−−−
=n
k
knk qpknk
nnp1
1 .!!1
!1
Ако замениме 1−= ki и ја искористиме биномната формула, добиваме
( ) ( )( ) ( ) npqpnpqp
in
npqpini
nnpXE nn
i
inin
i
ini =+=⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
−−−
= −−
=
−−−
=
−− ∑∑ 11
0
11
0
1 1!1!
!1.
( )( ) ( ) ( ) ( ) ( ) ( )∑∑∑=
−
=
−
=
=−
−=⎟⎟⎠
⎞⎜⎜⎝
⎛−=−=−
n
k
knkn
k
knkn
k
qpknk
nkkqpkn
kkkpkkXXE000 !!
!1111
( ) ( )( ) ( )∑
=
−−
−−−
−=n
k
knk qpknk
npnn2
22 .!!2
!11
Ако замениме 2−= ki и ја искористиме биномната формула, добиваме
( )( ) ( ) ( )( ) ( )
( ) ( ) ( ) .11
21
!2!!111
222
2
0
222
0
22
pnnqppnn
qpi
npnnqp
ininpnnXXE
n
n
i
inin
i
ini
−=+−=
=⎟⎟⎠
⎞⎜⎜⎝
⎛ −−=
−−−
−=−
−
−
=
−−−
=
−− ∑∑
Сега ( ) ( )( ) ( ) ( ) nppnnXEXXEXE +−=+−= 22 11 , па за дисперзијата добиваме
( ) ( ) ( ) ( ) npqpnnppnnXEXEXD =−+−=−= 22222 1 .
3. Поасонова распределба ( )λP
Случајната променлива X има Поасонова распределба ( )λP со параметар )0(>λ ако
нејзиното множество на вредности е K,2,1,0=XR , а законот на распределба е:
( ) ,...1,0!
)( ==== − kek
kXPxpk
kλλ
20
Соодветната функција на распределба е:
( ) 1!0
+<≤= ∑=
− nxnk
exFn
k
k
Xλλ
Поасоновата распределба претставува реален модел за многу случајни феномени како
што се: број на сообраќајни незгоди во некој период, број на телефонски повици во единица
време и слично.
Следната теорема ја дава врската помеѓу биномната и поасоновата распределба.
Теорема 5.5.1: Ако во биномната распределба ( )pn,B 0, →∞→ pn , но така што
constnp =→ λ , тогаш
λλ −− →−⎟⎟⎠
⎞⎜⎜⎝
⎛e
kpp
kn k
knk
!)1( , ,...1,0=k .
Доказ: Поаѓаме од законот на распределба на случајната променлива X , со биномна
распределба
( ) ( ) ( ) ( ) =⋅−+−−
=−⎟⎟⎠
⎞⎜⎜⎝
⎛= −−
k
kknkknkk n
npp
kknnnpp
kn
xp 1!
11)1( L
( ) ( ) ( ) ( ) =−⋅+−−
⋅= −knkk pnp
nknnn
k111
!1 L
( ) ( ) knk pnpn
knnk
−−⋅⎟⎠⎞
⎜⎝⎛ −−⎟
⎠⎞
⎜⎝⎛ −⎟⎠⎞
⎜⎝⎛ −= 1112111
!1
L .
px(x) Fx(x)
x x
21
Бидејќи 11lim =⎟⎠⎞
⎜⎝⎛ −
∞→ ni
n за секое 1,...,1 −= ki , и ( ) ep p
p=− −
→
1
01lim , тогаш
( ) ( ) ( ) ,111lim1lim1
00
λ
λλ
−−
−−
→→∞→
−
→→∞→
⋅=⎥⎦⎤
⎢⎣⎡ −−=− eppp
np
pk
nppn
kn
nppn
па следува дека
( ) λ
λ
λ −
→→∞→
= ek
xpk
k
nppn !lim
0
,
што требаше да се докаже.
Математичкото очекување и дисперзијата се:
( ) ( ) ( ) =−+=== ∑∑∑
∞
=
−∞
=
−∞
= 100 !10
! k
k
k
k
k ke
kkekkpXE λλ λλ
( ) λλλλ λλλ ==−
= −∞
=
−− ∑ ee
ke
k
k
1
1
!1.
( )( ) ( ) ( ) ( ) =−=−=− ∑∑∞
=
−∞
= 00 !111
k
k
k kekkkpkkXXE λλ
( )22
2
22
!2λλλλ λλλ ==
−= −
∞
=
−− ∑ ee
ke
k
k
.
Сега, ( ) ( )( ) ( ) λλ +=+−= 22 1 XEXXEXE , па за дисперзијата добиваме:
( ) ( ) ( ) λλλλ =−+=−= 2222 XEXEXD .
5. Геометриска распределба G ( )p
Геометриската распределба е на некој начин поврзана со биномната распределба. Низата
од n независни Бернулиеви експерименти, со веројатност на успех p , може да се моделира на
два различни начина. Распределбата на бројот на успеси k , е биномна. Времето на чекање до
првиот успешен експеримент е геометриски распределено. Множеството вредности на случајната
променлива X со геометриска распределба е K,2,1=XR , а законот на распределба е
22
( ) ,...2,1)( 1 ==== − kpqkXPxp kk ,
Соодветната функција на распределба е:
( ) 11
1 +<≤= ∑=
− nxnqpxFn
k
kX .
Сега да ги пресметаме математичкото очекување и дисперзијата.
( ) ( ) ( )
( ).1
11
1 2
111
1
1
1
1
pqp
qqp
qpqpkqpkpqkkpXEk
k
k
k
k
k
k
k
k
=−
=′
⎟⎟⎠
⎞⎜⎜⎝
⎛−
=
=′⎟⎠
⎞⎜⎝
⎛=
′==== ∑∑∑∑∑
∞
=
∞
=
∞
=
−∞
=
−∞
=
( ) ( ) ( )
( )
( ) ( ) ( ).1
11
121
1
1
2232
111
1
111
12
1
12
1
22
pq
qqqp
qqp
qqqpqqpqqpkqqp
kqpqkpqkppqkkpkXE
k
k
k
k
k
k
k
k
k
k
k
k
k
k
k
+=
−+
=−+−
=′
⎟⎟⎠
⎞⎜⎜⎝
⎛
−=
=
′
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛ ′
⎟⎟⎠
⎞⎜⎜⎝
⎛−
=
′
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛ ′⎟⎠
⎞⎜⎝
⎛=
′⎟⎠
⎞⎜⎝
⎛ ′=
′⎟⎠
⎞⎜⎝
⎛=
=′⎟⎠
⎞⎜⎝
⎛=
′====
∑∑∑
∑∑∑∑∑
∞
=
∞
=
∞
=
−
∞
=
∞
=
∞
=
−∞
=
−∞
=
За дисперзијата добиваме
( ) ( ) ( ) .11222
22
pq
ppqXEXEXD =−
+=−=
10.2 Непрекинати случајни променливи
1. Рамномерна (униформна) распределба ( )ba,U
Случајната променлива X има рамномерна распределба на интервалот ( )ba, ако
нејзината густина на распределба е:
23
( )( )
,,,0
,,1)(
⎪⎩
⎪⎨⎧
∉
∈−=
bax
baxabxXϕ
а нејзината функција на распределба е:
⎪⎩
⎪⎨
⎧
>
≤<−−
≤
=
bx
bxaabax
ax
xFX
,1
,
,0
)(
Кај оваа распределба математичкото очекување и дисперзијата се:
( ) ( ) ( ) ( ).21
22
222
ababab
abx
abxdxXE
b
a
b
a
+=−−
=−
=−
= ∫
На сличен начин за ( )2XE добиваме:
( ) ( ) ( ) ( ).31
3322
33322 baba
abab
abx
abdxxXE
b
a
b
a
++=−−
=−
=−
= ∫
Тогаш за дисперзијата добиваме
( ) ( ) ( ) ( ) ( ) ( ) .1212
41
31 2222222 abbabababaXEXEXD −=++−++=−=
2. Експоненцијална распределба ( )λE
x
φx(x)
a b
1
――
x
Fx(x)
1
a b
24
X е експоненцијална случајна променлива со параметар λ (λ>0), ако густината на
распределба е дадена со:
⎩⎨⎧
≤>
=−
0,00,
)(xxe
xx
X
λλϕ
и функција на распределба дадена со:
⎩⎨⎧
<≥−
=−
0 ,0 0 x,1
)(x
exF
x
X
λ
Нејзиното математичко очекување се пресметува на следниот начин:
( )
.110lim
,
0
00
0
λλλ
λλ
λ
λ
λλ
λ
λλ
=+=−−=
=+−=⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−=
=
==
==
∞−
∞→
∞−∞−
−
−−∞
∫∫∫
x
xx
xx
x
xx
eex
dxexe
ev
dxev
dxduxu
dxexXE
За да ја најдеме дисперзијата прво го пресметуваме ( )2XE .
( )
,22lim
2
2,
22
2
00
2
2
0
22
λλ
λλ
λ
λλ
λ
λλ
=+−=
=+−=⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−=
=
==
==
∞→
∞−∞−
−
−−∞
∫∫∫
xx
xx
x
xx
ex
dxxeex
ev
dxev
xdxduxu
dxexXE
0
λ
φx(x)
x x
1
Fx(x)
25
така што за дисперзијата се добива
( ) ( ) ( ) 22222 112
λλλ=−=−= XEXEXD .
3. Нормална (Гаусова) распределба ( )σ,mN
X е Гаусова случајна променлива ако нејзината густина на распределба е:
2
2
2)(
21)( σ
σπϕ
mx
X ex−
−= ,
а функцијата на распределба
dtedtexF
mxtx mt
X ∫∫−
∞−
−
∞−
−−
==σ
σ
πσπ22
)( 2
2
2
21
21)( ,
при што
⎟⎠⎞
⎜⎝⎛ −
Φ=⇒=Φ ∫∞−
−
σπmxxFdtez X
z t
)(21)( 2
2
)(1)( zz Φ−=−Φ .
Функцијата )(zΦ се вика функција на грешка и нејзините вредности се читаат од таблица. Таа е
парна функција, па нејзиниот график е осно симетричен во однос на y оската.
Сега да ги
најдеме
математичкот
очекување и
дисперзијата
на Гаусовата
m mx x
1
1/2
φx(x) Fx(x)
1
――
26
случајна променлива.
( ) ( )
( )
( ) .21
221
21
21
2
2
2
2
2
2
2
2
2
2
2
2)(
2)(
2)(
2)(
dxxmdyye
dxdymxy
dxemdxemx
dxemmxdxxeXE
X
y
mxmx
mxmx
∫∫
∫∫
∫∫
∞
∞−
∞
∞−
−
∞
∞−
−−∞
∞−
−−
∞
∞−
−−∞
∞−
−−
+=
=⎟⎟⎠
⎞⎜⎜⎝
⎛=
−==+−=
=+−==
ϕσπ
σπσπ
σπσπ
σ
σσ
σσ
Првиот интеграл е 0, бидејќи подинтегралната функција е непарна, а вториот е 1, што следи од
особините на густината на распределба. Така за математичкото очекување добиваме ( ) mXE = .
Понатаму
( ) ( )( )( ) ( )( ) ( ) .21 2
2
2)(
222 dxemxmXEXEXEXDmx
∫∞
∞−
−−
−=−=−= σ
σπ
Повторно од особините на густината на распределба се добива
σπσ 22
2
2)(
=∫∞
∞−
−−
dxemx
.
Диференцирајќи го последново равенство по σ , имаме
( ) πσ
σ 22
2
2)(
3
2
=−
∫∞
∞−
−−
dxemx mx
.
Ако ги помножиме двете страни со πσ 22 , се добива
( ) 22)(
2 2
2
21 σσπ
σ =−∫∞
∞−
−−
dxemxmx
,
односно за дисперзијата добивме
( ) .2σ=XD
27
4. Закон на Рајли
Законот на Рајли зададен е со густината на распределба:
⎪⎩
⎪⎨
⎧
<
>=−
0 ,0
0,)(2
2
22
x
xexx
x
X
σ
σϕ
каде што σ е параметар.
Функцијата на распределба е: ∫−
−==x x
Xx edttxF0
2 2
2
1)()( σϕ
Математичкото очекување на случајната променлива X е ( ) σπ2
=XE .
Дисперзијата на случајната променлива X е ( ) 22 429,02
2 σσπ≈⎟
⎠⎞
⎜⎝⎛ −=XD
5. Гама распределба
Гама‐распределбата е зададена со густината на распределба:
( )
⎪⎩
⎪⎨
⎧
<
>>>Γ=
−−
0,0
0,0,0,)()(
1
x
xxex
x
Xλα
αλλ
ϕ
αλ
каде што ∫ −−=Γα
αα0
1)( dxxe x , е зададена гама функцијата, а α и λ se параметри.
Таа ги има следните особини:
1. ( ),)1( ααα Γ=+Γ 0>α ,
2. 1)1( =Γ ,
28
3. π=⎟⎠⎞
⎜⎝⎛Γ
21
4. !)1( nn =+Γ , N∈n .
11. Трансформација на случајна променлива
Во реалните проблеми честопати се јавува проблем за опишување на нова случајна променлива
која е добиена од претходно позната случајна променлива со некоја трансформација.
Нека е дадена функција RR →:g и нека X е случајна променлива која го пресликува
Ω во R . На секој елементарен настан ω случајната променлива X му доделува број ( )ωX , а
( )ωX со функцијата g се пресликува во ( )( )ωXg . Новото пресликување
( ) ( )( ) ,, Ω∈= ωωω XgY ќе го означиме со Y , и пократко ќе го запишуваме како ( )XgY = .
Доколку е позната распределбата на случајната променлива X и функцијата g , може да
се најде распределбата на случајната променлива Y , добиена со трансформацијата ( )XgY = .
Ако X е случајна променлива од дискретен тип со закон на распределба
( ) ( ) ( ) ⎟⎟⎠
⎞⎜⎜⎝
⎛LL
LL
n
n
xpxpxpxxx
X21
21:
тогаш и ( )XgY = ќе биде од дискретен тип. Нека ,...,...,, 21 kyyy е множеството на слики. Со
( )iyp ќе го означиме збирот од веројатностите ( )mxp за коишто важи ( )mi xgy = , односно
( ) ( )( )
∑=
=
mi xgym
mi xpyp
, ,....,...2,1 ki =
Тогаш законот на распределба на случајната променлива Y добиена со трансформацијата g од
случајната променлива X , е
( ) ( ) ( ) ⎟⎟⎠
⎞⎜⎜⎝
⎛LL
LL
k
k
ypypypyyy
Y21
21: .
29
Нека е X случајна променлива од непрекинат тип. Можни се следниве три случаи:
Функцијата g е монотоно растечка, непрекината функција
Во овој случај инверзната функција на функцијата g , е исто така монотоно растечка
функција. Функцијата на распределба на случајната променлива Y ја добиваме на следниот
начин
( ) ( ) ( )( ) ( )( ) ( )( )ygFygXPyXgPyYPyF XY11 −− =<=<=<= .
Врз основа на претходно добиеното, за густината на распределба имаме
( ) ( )( )( ) ( )( ) ( )( ) ( )( ) ( )( )′=′′=
′= −−−−− ygygygygFygFy XXXY
11111 ϕϕ .
Функцијата g е монотоно опаѓачка, непрекината функција
Ако g е монотоно опаѓачка функција, тогаш и 1−g е истотака монотоно опаѓачка функција,
па слично како во претходниот случај
( ) ( ) ( )( ) ( )( ) ( )( )( )( ) ( )( ) ( )( ),11
1111
11
ygFygXPygXP
ygXPygXPyXgPyYPyF
X
Y−−−
−−
−=<−=−=
=≤−=>=<=<=
( ) ( )( )( ) ( )( ) ( )( ) ( )( ) ( )( )′−=′′−=
′−= −−−−− ygygygygFygFy XXXY
111111 ϕϕ .
Функцијата g е непрекината функција
Ако g е непрекината, но не е монотона функција тогаш за наоѓање на нејзината густина на
распределба постапуваме на следниот начин: Ги означуваме реалните корени на ( )xgy = со
,...2,1, =kxk , односно
( ) ( ) ( ) LL ==== kxgxgxgy 21
и тогаш ( ) ( )( )∑ ′
=k k
XY xg
xy ϕϕ .
Математичкото очекување на ( )XgY = е дадено со
30
( ) ( )( )( )
( )⎪⎪⎩
⎪⎪⎨
⎧
==∫
∑∞
∞−
променливаслучајнаанепрекинатеако,)(
променливаслучајнадискретнае ако,)(
Xdxxxg
Xxpxg
XgEYEX
kk
Xk
ϕ.