Распределение вероятностей

Распределение вероятностей — это закон, описывающий область значений случайной величины и вероятности их принятия.

Определение

Определение 1. Пусть задано вероятностное пространство $(\Omega, \mathcal{F}, \mathbb{P})$, и на нём определена случайная величина $X:\Omega \to \mathbb{R}$. В частности, по определению, $X$ является измеримым отображением измеримого пространства $(\Omega, \mathcal{F})$ в измеримое пространство $(\mathbb{R},\mathcal{B}(\mathbb{R}))$, где $\mathcal{B}(\mathbb{R})$ обозначает борелевскую сигма-алгебру на $\mathbb{R}$. Тогда случайная величина $X$ индуцирует вероятностную меру $\mathbb{P}^X$ на $\mathbb{R}$ следующим образом:

$\mathbb{P}^X(B) = \mathbb{P}(X^{-1}(B)),\; \forall B\in \mathcal{B}(\mathbb{R}).$

Мера $\mathbb{P}^X$ называется распределением случайной величины $X$. Иными словами, $\mathbb{P}^X(B)=\mathbb{P}(X\in B)$, таким образом $\mathbb{P}^X(B)$ задаёт вероятность того, что случайная величина $X$ попадает во множество $B\in \mathcal{B}(\mathbb{R})$.

Способы задания распределений

Определение 2. Функция $F_X(x) = \mathbb{P}^X((-\infty,x]) = \mathbb{P}(X \leqslant x)$ называется (кумулятивной) функцией распределения случайной величины $X$. Из свойств вероятности вытекает

Теорема 1. Функция распределения $F_X(x)$ любой случайной величины удовлетворяет следующим трем свойствам:

1. $F_X$ — функция неубывающая;
2. $\lim_{x\to -\infty} F_X(x) = 0,\; \lim_{x\to \infty}F_X(x) = 1$;
3. $F_X$ непрерывна справа.

Из того факта, что борелевская сигма-алгебра на вещественной прямой порождается семейством интервалов вида $\{(-\infty,x]\}_{x\in \mathbb{R}}$, вытекает

Теорема 2. Любая функция $F(x)$, удовлетворяющая трём свойствам, перечисленным выше, является функцией распределения для какого-то распределения $\mathbb{P}^X$.

Для вероятностных распределений, обладающих определенными свойствами, существуют более удобные способы его задания.

Дискретные распределения

Определение 3. Случайная величина называется простой или дискретной, если она принимает не более, чем счётное число значений. То есть $X(\omega) = a_i,\; \forall \omega \in A_i$, где $\{A_i\}_{i=1}^{\infty}$ — разбиение $\Omega$.

Распределение простой случайной величины тогда по определению задаётся: $\mathbb{P}^X(B) = \sum_{i:a_i \in B} \mathbb{P}(A_i)$. Введя обозначение $p_i = \mathbb{P}(A_i)$, можно задать функцию $p(a_i) = p_i$. Очевидно, что $\sum_{i=1}^{\infty}p_i = 1$. Используя счётную аддитивность $\mathbb{P}$, легко показать, что эта функция однозначно определяет распределение $X$.

Определение 4. Функция $p(a_i) = p_i$, где $\sum_{i=1}^{\infty} p_i = 1$ часто называется дискретным распределением.

Пример 1. Пусть функция $p$ задана таким образом, что $p(-1) = \frac{1}{2}$ и $p(1) = \frac{1}{2}$. Эта функция задаёт распределение случайной величины $X$, для которой $\mathbb{P}(X=\pm 1) = \frac{1}{2}$ (распределение Бернулли).

Теорема 3. Дискретное распределение обладает следующими свойствами:

1. $p_i \geqslant 0$;

2. $\sum_{i=1}^{n} p_i = 1$.

Непрерывные распределения

Непрерывное распределение — распределение вероятностей, не имеющее атомов. Любое распределение вероятностей есть дискретное, непрерывное или смесь дискретного и непрерывного. В приложениях нередко не делают разницы между терминами непрерывное распределение и абсолютно непрерывное распределение (см. далее).

Абсолютно непрерывные распределения

Основная статья: Плотность вероятности

Абсолютно непрерывными называют распределения, имеющие плотность вероятности. Кумулятивная функция таких распределений абсолютно непрерывна в смысле Лебега.

Определение 5. Распределение случайной величины $X$ называется абсолютно непрерывным, если существует неотрицательная функция $f_X:\mathbb{R}\to \mathbb{R}_+$, такая что $\mathbb{P}^X(B) \equiv \mathbb{P}(X\in B) = \int\limits_B f_X(x)\, dx$. Функция $f_X$ тогда называется плотностью распределения случайной величины $X$.

Пример 2. Пусть $f(x) = 1$, когда $0\leqslant x \leqslant 1$, и $0$ — в противном случае. Тогда $\mathbb{P}(a < X < b) = \int\limits_a^b 1\, dx = b-a$, если $(a,b) \subset [0,1]$.

Очевидно, что для любой плотности распределения $f_X$ верно равенство $\int\limits_{-\infty}^{\infty} f_X(x)\, dx = 1$. Верна и обратная

Теорема 4. Если функция $f:\mathbb{R}\to \mathbb{R}$ такая, что:

1. $f(x) \geqslant 0,\; \forall x \in \mathbb{R}$;
2. $\int\limits_{-\infty}^{\infty} f(x)\, dx = 1$,

то существует распределение $\mathbb{P}^X$ такое, что $f(x)$ является его плотностью.

Просто применение формулы Ньютона-Лейбница приводит к простому соотношению между кумулятивной функцией и плотностью абсолютно непрерывного распределения.

Теорема 5. Если $f(x)$ — непрерывная плотность распределения, а $F(x)$ — его кумулятивная функция, то

1. $F'(x) = f(x),\; \forall x \in \mathbb{R},$
2. $F(x) = \int\limits_{-\infty}^x f(t)\, dt$.

	п·Бернулли | биномиальное | геометрическое | гипергеометрическое | логарифмическое | отрицательное биномиальное | Пуассона | дискретное равномерное		мультиномиальное
	Абсолютно непрерывные:	Бета | Вейбулла | Гамма | гиперэкспоненциальное | Колмогорова | Коши | Лапласа | логнормальное | нормальное (Гаусса) | логистическое | Накагами |Парето | полукруговое | непрерывное равномерное | Райса | Рэлея | Стьюдента | Фишера | хи-квадрат | экспоненциальное | variance-gamma	многомерное нормальное | копула

Примечания

При построении распределения по эмпирическим (опытным) данным следует избегать ошибок округления.