Кумулятивная функция распределения: пять разных интерпретаций

В теории вероятностей функция распределения (или кумулятивная функция распределения‚ CDF) играет центральную роль․ Она описывает‚ насколько вероятно‚ что случайная величина X примет значение‚ не превышающее заданную величину x․ На первый взгляд формула кажется простой‚ но в реальности её можно трактовать по‑разному․ Ниже представлено пять разных‚ но эквивалентных‚ интерпретаций CDF․

Классическое определение – вероятность ≤ x

Для любой случайной величины X кумулятивная функция распределения определяется как

F_X(x) = P(X ≤ x)

То есть‚ F_X(x) – это вероятность того‚ что результат измерения случайной величины не превысит заданного порога x․ Это наиболее часто встречаемый вид определения․

Предел точечных вероятностей (для дискретных величин)

Если X дискретна‚ то можно записать CDF как сумму точечных вероятностей:

F_X(x) = Σ_k ≤ x P(X = k)

Здесь суммируем вероятности всех возможных значений‚ которые не превышают x․ Это особенно удобно при работе с таблицами частот․

Интеграл плотности (для непрерывных величин)

Если случайная величина X имеет непрерывное распределение с плотностью плотности вероятности f_X(t)‚ то CDF получаеться как интеграл:

F_X(x) = ∫_–∞^x f_X(t) dt

Таким образом‚ CDF представляет собой накопленную площадь под графиком плотности до точки x․

Ожидание индикатора (функциональное представление)

С помощью индикаторной функции I_{{X ≤ x}} можно записать CDF как математическое ожидание:

F_X(x) = E[I_{{X ≤ x}}]

Здесь индикатор принимает значение 1‚ если событие X ≤ x произошло‚ и 0 в противном случае․ Таким образом‚ CDF – это среднее значение индикатора․

Мера вероятностного пространства (теоретико‑мера)

С точки зрения теории меры‚ кумулятивная функция распределения представляет собой меру вероятности отрезка от –∞ до x:

F_X(x) = μ((–∞‚ x])

Где μ – это вероятность‚ а отрезок (–∞‚ x] – множество всех исходов‚ соответствующих значению величины не более x․ Это более абстрактное представление‚ но оно удобно при работе с измеримыми функциями․

Краткая таблица сравнения интерпретаций

• Классическое определение: Вероятность ≤ x
• Точечные суммы (дискретные): Сумма вероятностей ≤ x
• Интегральное представление (непрерывные): Интеграл плотности до x
• Ожидание индикатора: Среднее значение индикатора ≤ x
• Мерное представление: Мера отрезка (–∞‚ x]

Практический пример: нормальное распределение

Пусть X ~ N(μ‚ σ²)․ Тогда

F_X(x) = Φ((x – μ)/σ)

где Φ – стандартная кумулятивная функция распределения; Это выражение можно получить как интеграл плотности‚ как сумму точечных вероятностей (в случае дискретного приближения) или как меру отрезка․

Зачем нужны разные интерпретации?

Разные представления CDF позволяют:

1. Выбирать удобный способ расчёта в зависимости от типа распределения (дискретное‚ непрерывное)․
2. Связывать теорию вероятностей с другими областями‚ например‚ с теорией меры и интегралом․
3. Понимать свойства CDF (неубывающая‚ смягчающая‚ ограниченная от 0 до 1)․
4. В построении графиков‚ где интегральное представление даёт визуальное представление накопленной площади․
5. Проводить статистические тесты и оценки‚ где индикаторная форма упрощает доказательства․

Функция распределения – это фундаментальный инструмент‚ и её можно рассматривать под разными углами зрения․ Понимание пяти ключевых толкований помогает не только вычислять CDF в различных ситуациях‚ но и глубже осмысливать связь между вероятностью‚ плотностью‚ ожиданием и мерой․

Надеемся‚ что данная статья поможет вам лучше разобраться в концепции кумулятивной функции распределения и её многообразии применений․