Меню Главная Случайная статья Настройки Плотность вероятности Материал из https://ru.wikipedia.org Плотность вероятности (плотность распределения случайной величины[1]) — один из способов задания распределения случайной величины. Под плотностью вероятности подразумевается вещественная функция, характеризующая сравнительную вероятность реализации тех или иных значений случайной переменной (переменных). Содержание 1 Прикладное описание понятия 2 Определение плотности вероятности в теории меры 2.1 Плотность случайной величины 2.2 Плотность преобразования случайной величины 3 Свойства плотности вероятности 4 Примеры абсолютно непрерывных распределений 5 См. также 6 Примечания 7 Литература Прикладное описание понятия С помощью плотности вероятности ${\displaystyle f(x)}$ можно вычислить вероятность попадания случайной величины ${\displaystyle \xi }$, принимающей значения ${\displaystyle x}$, в интервал ${\displaystyle [a,b]}$ как ${\displaystyle P(\xi \in [a,b])=\int _{a}^{b}f(x)\,{\mbox{d}}x}$. Плотность распределения неотрицательна при любом ${\displaystyle x}$ и нормирована, то есть ${\displaystyle \int _{-\infty }^{+\infty }f(x)\,{\mbox{d}}x=1}$ При стремлении ${\displaystyle x}$ к ${\displaystyle \,\pm \infty }$ функция ${\displaystyle f(x)}$ стремится к нулю. Размерность плотности распределения всегда обратная к размерности случайной величины — если ${\displaystyle \xi }$ исчисляется в метрах, то размерностью ${\displaystyle f}$ будет м-1. Зная плотность вероятности, можно также определить наиболее вероятное значение (моду) случайной величины как максимум ${\displaystyle f(x)}$. Также с помощью плотности вероятности находится математическое ожидание случайной величины: ${\displaystyle \mathbb {E} \{\xi \}=\int _{-\infty }^{+\infty }xf(x)\,{\mbox{d}}x}$ и математическое ожидание функции ${\displaystyle g(\xi )}$ случайной величины: ${\displaystyle \mathbb {E} \{g(\xi )\}=\int _{-\infty }^{+\infty }g(x)f(x)\,{\mbox{d}}x}$. Чтобы перейти к плотности распределения ${\displaystyle {f}_{\chi }(y)}$ другой случайной величины ${\displaystyle \chi =z(\xi )}$, нужно взять ${\displaystyle {f}_{\chi }(y)=f(z^{-1}(y))\cdot \left|{\frac {{\mbox{d}}z^{-1}(y)}{{\mbox{d}}y}}\right|}$, где ${\displaystyle z^{-1}(y)}$ — обратная функция по отношению к ${\displaystyle y=z(x)}$ (предполагается, что z — взаимно однозначное отображение). Значение плотности распределения ${\displaystyle f(x)}$ не является вероятностью принять случайной величиной значение ${\displaystyle x}$. Так, вероятность принятия непрерывной случайной величиной ${\displaystyle \xi }$ значения ${\displaystyle x}$ равна нулю. При непрерывном распределении случайной величины ${\displaystyle \xi }$ вопрос может ставиться о вероятности её попадания в некий диапазон, а не о вероятности реализации её конкретного значения. Интеграл ${\displaystyle F(x)=\int _{-\infty }^{x}f(t)\,{\mbox{d}}t}$ называют функцией распределения (соответственно, плотность распределения вероятности — это производная функции распределения). Функция ${\displaystyle F}$ является неубывающей и изменяется от 0 при ${\displaystyle x\to -\infty }$ до 1 при ${\displaystyle x\to +\infty }$. Самым простым распределением является равномерное распределение на отрезке ${\displaystyle [a,b]}$. Для него плотность вероятности равна: ${\displaystyle f(x)=\left\{{\begin{matrix}{1 \over b-a},&x\in [a,b]\\0,&x\not \in [a,b]\end{matrix}}\right..}$ Широко известным распределением является «нормальное», оно же гауссово, плотность которого записывается как ${\displaystyle f(x)={\frac {1}{{\sqrt {2\pi }}\sigma }}\exp \left[-{\frac {(x-\mu )^{2}}{2\sigma ^{2}}}\right]}$, где ${\displaystyle \mu }$ и ${\displaystyle \sigma }$ — параметры: математическое ожидание и среднеквадратичное отклонение. Другие примеры плотностей распределения — одностороннее лапласовское (${\displaystyle \lambda >0}$): ${\displaystyle f(x)=A\exp \left[-\lambda \,x\right]\,\,(x\geq 0)}$ и ${\displaystyle f(x)=0\,\,(x<0)}$, и максвелловское (${\displaystyle \alpha >0}$): ${\displaystyle f(x)=Ax^{2}\exp \left[-\alpha x^{2}\right]\,\,(x\geq 0)}$ и ${\displaystyle f(x)=0\,\,(x<0)}$. В двух последних примерах множитель ${\displaystyle A}$ подбирается в зависимости от параметра ${\displaystyle \lambda }$ или ${\displaystyle \alpha }$ так, чтобы обеспечить нормировку интеграла от плотности вероятности. В случае распределения Лапласа оказывается, что ${\displaystyle A=\lambda }$. Как названные, так и другие распределения широко применяются в физике. Например, в случае распределения Максвелла роль случайной величины обычно играет абсолютная величина скорости молекулы в идеальном газе. При этом для аргумента функции ${\displaystyle f}$ нередко используют тот же символ, что и для рассматриваемой в физической задаче случайной величины (как если бы выше на месте ${\displaystyle \xi }$ всюду стояло ${\displaystyle x}$). Так, в выражении максвелловской плотности распределения пишут не формальную переменную ${\displaystyle x}$, а символ скорости ${\displaystyle v}$. В простейших ситуациях такая вольность с обозначениями не приводит к недоразумениям. Спадающий при стремлении аргумента к ${\displaystyle +\infty }$ или ${\displaystyle -\infty }$ участок графика плотности вероятности ${\displaystyle f(x)}$ в областях, где ${\displaystyle f\ll f_{max}}$, называется хвостом. Из упомянутых распределений, нормальное и лапласовское имеют по два хвоста (слева и справа), а максвелловское в выписанном виде — один (справа). Определение плотности вероятности в теории меры Плотность вероятности можно рассматривать как один из способов задания вероятностной меры на евклидовом пространстве ${\displaystyle \mathbb {R} ^{n}}$. Пусть ${\displaystyle \mathbb {P} }$ является вероятностной мерой на ${\displaystyle \mathbb {R} ^{n}}$, то есть определено вероятностное пространство ${\displaystyle \left(\mathbb {R} ^{n},{\mathcal {B}}(\mathbb {R} ^{n}),\mathbb {P} \right)}$, где ${\displaystyle {\mathcal {B}}(\mathbb {R} ^{n})}$ обозначает борелевскую -алгебру на ${\displaystyle \mathbb {R} ^{n}}$. Пусть ${\displaystyle m}$ обозначает меру Лебега на ${\displaystyle \mathbb {R} ^{n}}$. Вероятность ${\displaystyle \mathbb {P} }$ называется абсолютно непрерывной (относительно меры Лебега) (${\displaystyle \mathbb {P} \ll m}$), если любое борелевское множество нулевой меры Лебега также имеет вероятность ноль: ${\displaystyle \forall B\in {\mathcal {B}}(\mathbb {R} ^{n}),\;(m(B)=0)\Rightarrow (\mathbb {P} (B)=0).}$ Если вероятность ${\displaystyle \mathbb {P} }$ абсолютно непрерывна, то согласно теореме Радона-Никодима существует неотрицательная борелевская функция ${\displaystyle f\colon \mathbb {R} ^{n}\to [0,\infty )}$ такая, что ${\displaystyle \mathbb {P} (B)=\int \limits _{B}f(x)\,dx}$, где использовано общепринятое сокращение ${\displaystyle m(dx)\equiv dx}$, и интеграл понимается в смысле Лебега. В более общем виде, пусть ${\displaystyle (X,{\mathcal {F}})}$ — произвольное измеримое пространство, а ${\displaystyle \mu }$ и ${\displaystyle \nu }$ — две меры на этом пространстве. Если найдется неотрицательная ${\displaystyle f}$, позволяющая выразить меру ${\displaystyle \nu }$ через меру ${\displaystyle \mu }$ в виде ${\displaystyle \nu (A)=\int _{A}fd\mu ,}$ то такую функцию называют плотностью меры ${\displaystyle \nu }$ по мере ${\displaystyle \mu }$, или производной Радона-Никодима меры ${\displaystyle \nu }$ относительно меры ${\displaystyle \mu }$, и обозначают ${\displaystyle f={\frac {d\nu }{d\mu }}}$. Плотность случайной величины Пусть определено произвольное вероятностное пространство ${\displaystyle (\Omega ,{\mathcal {F}},\mathbb {P} )}$, и ${\displaystyle X\colon \Omega \to \mathbb {R} ^{n}}$ случайная величина (или случайный вектор). ${\displaystyle X}$ индуцирует вероятностную меру ${\displaystyle \mathbb {P} ^{X}}$ на ${\displaystyle \left(\mathbb {R} ^{n},{\mathcal {B}}(\mathbb {R} ^{n})\right)}$, называемую распределением случайной величины ${\displaystyle X}$. Если распределение ${\displaystyle \mathbb {P} ^{X}}$ абсолютно непрерывно относительно меры Лебега, то его плотность ${\displaystyle f_{X}={\frac {d\mathbb {P} ^{X}}{dx}}}$ называется плотностью случайной величины ${\displaystyle X}$. Сама случайная величина ${\displaystyle X}$ называется абсолютно непрерывной. Таким образом для абсолютно непрерывной случайной величины имеем: ${\displaystyle \mathbb {P} (X\in B)=\int \limits _{B}f_{X}(x)\,dx}$. Функция распределения абсолютно непрерывной случайной величины ${\displaystyle X}$ непрерывна и может быть выражена через плотность следующим образом: ${\displaystyle F_{X}(x_{1},\ldots ,x_{n})=\mathbb {P} \left(X\in \prod \limits _{i=1}^{n}(-\infty ,x_{i})\right)=\int \limits _{-\infty }^{x_{n}}\!\!\ldots \!\!\int \limits _{-\infty }^{x_{1}}f_{X}(t_{1},\ldots ,t_{n})\,dt_{1}\ldots dt_{n}}$. В одномерном случае: ${\displaystyle F_{X}(x)=\int \limits _{-\infty }^{x}f_{X}(t)\,dt}$. Если ${\displaystyle f_{X}\in C(\mathbb {R} ^{n})}$, то ${\displaystyle F_{X}\in {\mathcal {D}}(\mathbb {R} ^{n})}$, и ${\displaystyle f_{X}(x_{1},\ldots ,x_{n})={\frac {\partial ^{n}}{\partial x_{1}\ldots \partial x_{n}}}F_{X}(x_{1},\ldots ,x_{n})}$. В одномерном случае: ${\displaystyle f_{X}(x)={\frac {d}{dx}}F_{X}(x)}$. Аргументом плотности вероятности непрерывной случайной величины являются значения этой случайной величины. Математическое ожидание функции от абсолютно непрерывной случайной величины может быть записано в виде: ${\displaystyle \mathbb {E} [g(X)]=\int \limits _{\mathbb {R} ^{n}}g(x)\,\mathbb {P} ^{X}(dx)=\int \limits _{\mathbb {R} ^{n}}g(x)\,f_{X}(x)\,dx}$, где ${\displaystyle g\colon \mathbb {R} ^{n}\to \mathbb {R} }$ — борелевская функция, так что ${\displaystyle \mathbb {E} [g(X)]}$ определено и конечно. Плотность вероятности дискретной случайной величины можно записать в виде[2]: ${\displaystyle f_{X}(x)={\frac {d}{dx}}F_{X}(x)=\sum _{i=1}^{n}{p_{i}\delta (x-x_{i})}}$, где ${\displaystyle p_{i}}$ — вероятность того, что дискретная случайная величина принимает значение ${\displaystyle x_{i}}$, ${\displaystyle \delta (x)}$ — дельта функция. Плотность преобразования случайной величины Пусть ${\displaystyle X\colon \Omega \to \mathbb {R} ^{n}}$ — абсолютно непрерывная случайная величина, и ${\displaystyle g\colon \mathbb {R} ^{n}\to \mathbb {R} ^{n}}$ — инъективная непрерывно дифференцируемая функция такая, что ${\displaystyle J_{g}(x)\not =0,\;\forall x\in \mathbb {R} ^{n}}$, где ${\displaystyle J_{g}(x)}$ — якобиан функции ${\displaystyle g}$ в точке ${\displaystyle x}$. Тогда случайная величина ${\displaystyle Y=g(X)}$ также абсолютно непрерывна, и её плотность имеет вид: ${\displaystyle f_{Y}(y)=f_{X}\left(g^{-1}(y)\right)\vert J_{g^{-1}}(y)\vert }$. В одномерном случае: ${\displaystyle f_{Y}(y)=f_{X}\left(g^{-1}(y)\right)\left\vert {\frac {dg^{-1}}{dy}}(y)\right\vert }$. Свойства плотности вероятности Плотность вероятности определена почти всюду. Если ${\displaystyle f}$ является плотностью вероятности ${\displaystyle \mathbb {P} }$ и ${\displaystyle f(x)=g(x)}$ почти всюду относительно меры Лебега, то и функция ${\displaystyle g}$ также является плотностью вероятности ${\displaystyle \mathbb {P} }$. Интеграл от плотности по всему пространству равен единице: ${\displaystyle \mathbb {P} \left(\mathbb {R} ^{n}\right)=\int \limits _{\mathbb {R} ^{n}}f(x)\,dx=1}$. Обратно, если ${\displaystyle f(x)}$ — неотрицательная почти всюду функция, такая что ${\displaystyle \int \limits _{\mathbb {R} ^{n}}f(x)\,dx=1}$, то существует абсолютно непрерывная вероятностная мера ${\displaystyle \mathbb {P} }$ на ${\displaystyle \mathbb {R} ^{n}}$ такая, что ${\displaystyle f(x)}$ является её плотностью. Замена меры в интеграле Лебега: ${\displaystyle \int \limits _{\mathbb {R} ^{n}}\varphi (x)\,\mathbb {P} (dx)=\int \limits _{\mathbb {R} ^{n}}\varphi (x)\,f(x)\,dx}$, где ${\displaystyle \varphi ::\mathbb {R} ^{n}\to \mathbb {R} }$ любая борелевская функция, интегрируемая относительно вероятностной меры ${\displaystyle {}\mathbb {P} }$. Примеры абсолютно непрерывных распределений Бета-распределение Гамма-распределение Гиперэкспоненциальное распределение Двумерное нормальное распределение Логнормальное распределение Многомерное нормальное распределение Непрерывное равномерное распределение Нормальное распределение Обобщённое гиперболическое распределение Полукруговой закон Вигнера Распределение variance-gamma Распределение Вейбулла Распределение Гомпертца Распределение Колмогорова Распределение копулы Распределение Коши Распределение Лапласа Распределение Накагами Распределение Парето Распределение Пирсона Распределение Райса Распределение Рэлея Распределение Стьюдента Распределение Трейси — Видома Распределение Фишера Распределение хи-квадрат Частотное распределение Экспоненциальное распределение См. также Функция вероятности Примечания Наум Кремер. Теория вероятностей и математическая статистика 5-е изд., пер. и доп. Учебник и практикум для академического бакалавриата, 2019. — C. 104. Тихонов В. И. Статистическая радиотехника, 1982.— С. 21. Литература Плотность вероятности : [арх. 21 февраля 2023] // Большая российская энциклопедия : [в 35 т.] / гл. ред. Ю. С. Осипов. — М. : Большая российская энциклопедия, 2004—2017.