Щоб знайти функції розподілу випадкових величин та їх змінних, необхідно вивчити всі особливості даної галузі знань. Існує декілька різних методів для знаходження розглянутих значень, включаючи зміну змінної і генерування моменту. Розподіл - таке поняття, в основу якого лягли такі елементи, як дисперсія, варіації. Однак вони характеризують лише ступінь розмаху розсіювання. Більш важливими функціями випадкових величин є ті, які пов'язані і незалежні й однаково розподілені. Наприклад, якщо X1 - вага випадково обраного індивідуума з популяції самців, X2 - вага іншого, Xn - вага ще однієї людини з чоловічого населення, тоді, необхідно дізнатися, як випадкова функція X розподіляється. У цьому випадку застосовна класична теорема, звана центральної граничної. Вона дозволяє показати, що при великих n функція слід стандартних розподілів.

Функції однієї випадкової змінної

Центральна гранична теорема призначена для апроксимації дискретних розглянутих значень, таких як біноміальний і Пуассона. Функції розподілу випадкових величин, що розглядаються, в першу чергу, на простих значеннях однієї змінної. Наприклад, якщо X є безперервною випадковою величиною, яка має власне розподіл ймовірності. В даному випадку досліджується, як знайти функцію щільності Y, використовуючи два різних підходу, а саме метод функції розподілу і зміни змінної. Спочатку розглядаються тільки взаємно однозначні значення. Потім необхідно модифікувати техніку зміни змінної, щоб знайти її ймовірність. Нарешті, потрібно дізнатися, як зворотна функція кумулятивного розподілу може допомогти моделювати випадкові числа, які йдуть за певними послідовними схемами.

Методика розподілу розглянутих значень

Метод функції розподілу ймовірностей випадкової величини застосуємо для того, щоб знайти її щільність. При використанні цього способу обчислюється кумулятивне значення. Потім, диференціюючи його, можна отримати щільність ймовірності. Тепер, при наявності методу функції розподілу, можна розглянути ще кілька прикладів. Нехай X – неперервна випадкова величина з певною щільністю ймовірності. Яка функція щільності ймовірності від x2? Якщо подивитися або побудувати графік функції (зверху праворуч) у = х2 можна відзначити, що вона є зростаючою X і 0 В останньому прикладі велику обережність використовували для індексування кумулятивних функцій і щільності ймовірності або X, або Y, щоб вказати, до який випадкової змінної вони належали. Наприклад, при знаходженні кумулятивної функції розподілу Y отримали X. Якщо необхідно знайти випадкову величину X і її щільність, то її просто потрібно диференціювати.

Техніка зміни змінних

Нехай X – неперервна випадкова величина задана функцією розподілу з загальним знаменником f (x). У цьому випадку, якщо помістити значення y X = v (Y), то вийде значення x, наприклад v (y). Тепер, потрібно отримати функцію розподілу неперервної випадкової величини Y. Де перше і друге рівність має місце визначення кумулятивної Y. Третє рівність виконується тому, що функції, для якої u (X) <= y, також вірно, що X <= v (Y). І останнє виконується для визначення ймовірностей неперервної випадкової величини X. Тепер потрібно взяти похідну від FY (y), кумулятивної функції розподілу Y, щоб одержати щільність ймовірності Y.

Узагальнення для функції зменшення

Нехай X – неперервна випадкова величина з загальним f (x), визначена над c1 Для вирішення цього питання можна збирати кількісні дані і використовувати емпіричну кумулятивну функцію розподілу. Володіючи цією інформацією і апелюючи нею, потрібно комбінувати зразки засобів, стандартні відхилення, мультимедія і так далі. Аналогічно навіть досить проста імовірнісна модель може мати величезну кількість результатів. Наприклад, якщо перевернути монету 332 рази. Тоді число одержуваних результатів від переворотів більше, ніж у google (10100) – число, але не менше 100 квінтильйонів разів вище елементарних частинок у відомої всесвіту. Не цікавий аналіз, який дає відповідь на кожен можливий результат. Потрібно більш проста концепція, така як кількість головок або найдовший хід хвостів. Щоб зосередити увагу на питаннях, що представляють інтерес, приймається певний результат. Визначення в даному випадку наступне: випадкова величина є матеріальною функцією з ймовірнісним простором.
Діапазон S випадкової величини іноді називають простором станів. Таким чином, якщо X - поточне значення, тому що N = X2 exp ?X, X2 + 1 tan2 X, bXc і так далі. Останнє з них, округляючи X до найближчого цілого числа, називають функцією підлоги.

Функції розподілу

Як тільки визначена цікава функція розподілу випадкової величини х, питання зазвичай стає наступним: «Які шанси, що X потрапляє в якесь підмножина значень B?». Наприклад, B = {непарні числа}, B = {більше 1} B = {між 2 і 7}, щоб вказати ці результати, які мають X, значення випадкової величини, в підмножині А. Таким чином, у наведеному вище прикладі можна описати події наступним чином. {X - непарне число}, {X більше 1} = {X> 1}, {X знаходиться між 2 і 7} = {2

Випадкові змінні і функції розподілу

Таким чином, можна обчислити ймовірність того, що функція розподілу випадкової величини x набуде значення в інтервалі шляхом віднімання. Необхідно подумати про включення або виключення кінцевих точок. Будемо називати випадкову змінну дискретною, якщо вона має кінцеве або рахункове нескінченне простір станів. Таким чином, X - число головок на трьох незалежних флипсах зміщеною монети, яка піднімається з імовірністю p. Потрібно знайти кумулятивну функцію розподілу дискретної випадкової величини FX для X. Нехай X - кількість піків в колекції з трьох карт. То Y = X3 через FX. FX починається з 0 закінчується на 1 і не зменшується із збільшенням значень x. Кумулятивна FX функція розподілу дискретної випадкової величини X є постійною, за винятком стрибків. При стрибку FX є безперервною. Довести твердження про правильної безперервності функції розподілу властивості ймовірності можна за допомогою визначення. Звучить воно так: постійна випадкова величина має кумулятивну FX, яка диференційовних. Щоб показати, як це може відбутися, можна навести приклад: мішень з одиничним радіусом. Імовірно. дротик рівномірно розподіляється на зазначену область. Для деякого ?> 0. Таким чином, функції розподілу неперервних випадкових величин плавно збільшуються. FX володіє властивостями функції розподілу. Людина чекає автобуса на зупинці, поки той не прибуде. Вирішивши для себе, що відмовиться, коли очікування досягне 20 хвилин. Тут необхідно знайти кумулятивну функцію розподілу для T. Час, коли людина ще буде перебувати на автовокзалі або не піде. Незважаючи на те, що кумулятивна функція розподілу визначена для кожної випадкової величини. Все одно досить часто будуть використовуватися інші характеристики: маса для дискретної змінної і функція щільності розподілу випадкової величини. Зазвичай виводиться значення через одне з цих двох значень.

Масові функції

Ці значення розглядаються такими властивостями, які мають загальний (масовий характер). Перше засноване на тому, що імовірності не негативні. Друге випливає з спостереження, що набір для всіх x=2S, простір станів для X, утворює розбиття ймовірнісної свободи X. Приклад: кидки необ'єктивною монети, результати якої незалежні. Можна продовжувати виконувати певні дії, поки не вийде кидок голів. Нехай X позначає випадкову величину, яка дає кількість хвостів перед першою головою. А p позначає ймовірність в будь-якому заданому дії. Отже, масова функція ймовірності має наступні характерні ознаки. Оскільки члени утворюють числову послідовність, X називається геометричною випадковою величиною. Геометрична схема c, cr, cr2. , , , crn має суму. І, отже, sn має межу при n 1. У цьому випадку нескінченна сума є межею. Функція маси вище утворює геометричну послідовність з відношенням. Отже, натуральних чисел a і b. Різниця значень функції розподілу дорівнює значенню масової функції. Аналізовані значення щільності мають визначення: X - випадкова величина, розподіл FX якої має похідну. FX, задовольняє Z xFX (x) = fX (t) dt-1 називається функцією щільності ймовірності. А X називається безперервною випадковою величиною. В основній теоремі обчислення функція щільності є похідною розподілу. Можна обчислити ймовірності шляхом обчислення певних інтегралів. Оскільки збираються дані за кількома спостереженнями, то повинно розглядатися більше однієї випадкової величини за раз, щоб моделювати експериментальні процедури. Отже, безліч цих значень і їх спільний розподіл двох змінних X1 і X2 означає перегляд подій. Для дискретних випадкових величин визначаються спільні імовірнісні масові функції. Для безперервних розглядаються fX1 X2 де спільна щільність ймовірності задовольняється.

Незалежні випадкові змінні

Дві випадкові величини X1 та X2 незалежні, якщо будь-які два пов'язаних з ними події такі ж. У словах ймовірність того, що дві події {X1 2 B1} і {X2 2 B2} відбуваються одночасно, y дорівнює добутку змінних зазначених вище, що кожна з них відбувається індивідуально. Для незалежних дискретних випадкових величин є спільна імовірнісна масова функція, яка є твором граничного обсягу іонів. Для неперервних випадкових величин є незалежними, спільна функція щільності ймовірності - добуток значень граничної щільності. На закінчення розглядаються n незалежні спостереження x1 x2. , , , xn, які виникають з невідомої щільності або масової функції f. Наприклад, невідомий параметр функції для експоненційної випадкової величини, яка описує час очікування автобуса.

Імітація випадкових змінних

Основна мета цієї теоретичної області – надати інструменти, необхідні для розробки умозаключительных процедур, заснованих на обґрунтованих принципах статистичної науки. Таким чином, одним з дуже важливих варіантів застосування програмного забезпечення є здатність генерувати псевдоданные для імітації фактичний інформації. Це дає можливість тестувати й вдосконалювати методи аналізу перед необхідністю використання їх в реальних базах. Це потрібно для того, щоб досліджували властивості даних за допомогою моделювання. Для багатьох часто використовуваних сімейств випадкових величин R надає команди для їх створення. Для інших обставин знадобляться методи моделювання послідовності незалежних випадкових величин, які мають загальний розподіл. Дискретні випадкові змінні та зразок Command. Команда sample використовується для створення простих і стратифікованих випадкових вибірок. В результаті, якщо вводиться послідовність x, sample (x, 40) вибирає 40 записів з x таким чином, що всі варіанти розміру 40 мають однакову імовірність. Це використовує команду R за замовчуванням для вибірки без заміни. Можна використовувати також для моделювання дискретних випадкових величин. Для цього потрібно надати простір станів у векторі x і масової функції f. Виклик для replace = TRUE указує, що семплірування відбувається з заміною. Потім, щоб дати зразок з n незалежних випадкових величин, що мають загальну масову функцію f, використовується зразок (x, n, replace = TRUE, prob = f). Визначено, що 1 є найменшим поданим значенням, а 4 є найбільшим з усіх. Якщо команда prob = f опущена, то зразок буде вибирати рівномірно з значень у векторі x. Перевірити симуляцію проти масової функції, яка генерувала дані, можна звернувши увагу на знак подвійного рівності, ==. І перерахувавши спостереження, які беруть кожне можливе значення x. Можна зробити таблицю. Повторити це для 1000 і порівняти моделювання з відповідною функцією маси.

Ілюстрування трансформації ймовірності

Спочатку змоделювати однорідні функції розподілу випадкових величин u1 u2. , , , un на інтервалі[0, 1]. Близько 10 % чисел повинно знаходитися в межах[0,3, 0,4]. Це відповідає 10 % симуляцій на інтервалі[0,28, 0,38]для випадкової величини з показаної функцією розподілу FX. Точно так само близько 10 % випадкових чисел повинно знаходитися в інтервалі[0,7, 0,8]. Це відповідає 10 % симуляцій на інтервалі[0,96, 1,51]випадкової величини з функцією розподілу FX. Ці значення на вісь x може бути отримана з взяття зворотного від FX. Якщо X - неперервна випадкова величина з щільністю fX, позитивної всюди в своїй області, то функція розподілу строго зростає. У цьому випадку FX має зворотну функцію FX-1 відому як функція квантиля. FX (x) u тільки тоді, коли x FX-1 (u). Перетворення ймовірності випливає з аналізу випадкової змінної U = FX (X). FX має діапазон від 0 до 1. Він не може приймати значення нижче 0 або вище 1. Для значень u між 0 і 1. Якщо можна моделювати U, то необхідно імітувати випадкову величину з розподілом FX через функцію квантиля. Взяти похідну, щоб побачити, що щільність u варіюється в межах 1. Оскільки випадкова величина U має постійну щільність по інтервалу своїх можливих значень, вона називається рівномірною на відрізку[0, 1]. Він моделюється R за допомогою команди runif. Ідентичність називається ймовірнісним перетворенням. Видно, як воно працює в прикладі з дротильной дошкою. X між 0 і 1 функція розподілу u = FX (x) = x2 і, отже, функція квантиля x = FX-1 (u). Можна моделювати незалежні спостереження відстані від центру панелі дротика, і створюючи при цьому рівномірні випадкові величини U1 U2. , , Un. Функція розподілу і емпірична засновані на 100 симуляції розподілу дартс-дошки. Для експоненційної випадкової величини, імовірно u = FX (x) = 1 - exp (- x), і, отже, x = - 1 ln (1 - u). Іноді логіка складається з еквівалентних тверджень. В цьому випадку потрібно об'єднати дві частини аргументу. Тотожність з перетином аналогічно для всіх 2 {S i} S, замість деякого значення. Об'єднання Ci одно простору станів S і кожна пара взаємно виключена. Оскільки Bi - розбита на три аксіоми. Кожна перевірка заснована на відповідній ймовірності P. Для будь-якої підмножини. Використовуючи тотожність, щоб переконатися, що відповідь не залежить від того, включені кінцеві точки інтервалу.

Експоненціальна функція і її змінні

Для кожного результату у всіх подіях в кінцевому рахунку використовується друга властивість безперервності ймовірностей, яке вважається аксиоматическим. Закон розподілу функції випадкової величини тут показує, що кожному своє рішення і відповідь.