Биномиальное распределение двух случайных величин

Материал из MachineLearning.

(Различия между версиями)

Текущая версия

Уважаемые коллеги!

Эта статья изобилует грубыми математическими ошибками (начиная с непонимания самой сути математического доказательства), как и другие статьи того же автора:

Удалить это безобразие и забанить автора — самое простое решение. Есть и другой вариант — попробовать помочь всем миром и написать коллективную рецензию, объяснив автору его ошибки. Для этого есть страницы Обсуждений статей и Обсуждение участника:Vitsemgol. Это большая работа, непосильная для одного человека, но для сообщества вполне осуществимая. Коллеги, давайте отнесёмся к проблеме как к исследованию. Есть несколько открытых вопросов, которые бросают нам вызов. Упрощает ли Вики задачу интегрирования «непризнанного гения» в профессиональное сообщество? Способен ли человек, ворвавшийся в чужой монастырь со своим уставом, покаяться и услышать, что ему скажут? Откликнется ли хоть кто-то из сообщества? Хватит ли нам всем терпимости? Это добрый эксперимент, дорогие коллеги! Как Администратор, предупреждаю: увижу «войну правок», эмоции и прочие проявления непрофессионализма — прекращу эксперимент как неудачный и удалю всё. — К.В.Воронцов 02:48, 4 ноября 2013 (MSK)

Биномиальное распределение — это распределение двух случайных величин $X_1$ и $X_2$ в дискретной временной последовательности $t_1,t_2$ , первая случайная величина независимая, а вторая случайная величина зависима от первой, числовые значения случайных величин $n_1$ и $n_2$ это числа успехов в $n$ испытаниях ( $n_1+n_2=n$ ) с постоянными вероятностями успехов ( Бернулли распределений) $p_1$ и $p_2$ , пронормированных $p_1+p_2=1$ согласно аксиоматике Колмогорова .

Таблица – Характеристики биномиального распределения двух случайных величин
Пространство элементарных событий	$\sum_{i=1}^2\Omega_i(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})$
Вероятность	$\prod_{i=1}^2P(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=\frac{n!}{n_1! n_2!}p_1^{n_1}p_2^{n_2}$
Максимальная вероятность (при математическом ожидании распределения)	$\left(\frac{n!}{n_i!n_2!}p_1^{n_1}p_2^{n_2}\right)_{max}= \frac{1}{2}$
Математическое ожидание (как максимальное произведение математических ожиданий случайных величин)	$\left(\prod_{i=1}^2E(t_i, X_i=n_i \mid t_{i-1},X_{i-1})\right)_{max}=\frac{1}{2}$
Дисперсия	$\sum_{i=1}^2D(t_i,X_i=n_i)=\sum_{i=1}^2(n-n_{i-1})p_iq_i$
Максимальная дисперсия (при математическом ожидании распределения)	$D(X_1,X_2)_{max}=\left(\sum_{i-1}^2(n-n_{i-1})p_iq_i \right)_{max}=\frac{3}{4}$
Ковариационная матрица	$B=\\| b_{ij} \\|$ , где $\rho _{ij} = \begin{cases} 1, & i=j,\\ 0, & i \not= j \end{cases}$
Корреляционная матрица	$P=\\| \rho_{ij} \\|$ , где $\rho _{ij} = \begin{cases} 1, & i=j,\\ 0, & i \not= j \end{cases}$
$\chi^2$ - критерий	$\chi^2=\sum_{i=1}^2 [X_i-(n -n_{i-1})p_i^{(0)}]^2/(n -n_{i-1})p_i^{(0)}=$ $=-n+\sum_{i=1}^2X_i^2 /(n-n_{i-1})p_i^{(0)}$

Биномиальное распределение появляется в так называемой биномиальной схеме повторных циклов случайных зависимых экспериментов.

Каждый цикл экспериментов осуществляют методом выбора без возвращения в дискретной временной последовательности.

Содержание

1 Технические задачи и технические результаты
2 Биномиальное распределение
3 Урновая модель биномиального распределения
4 Получение математического ожидания
- 4.1 Способ получения вероятностей биномиального распределения
- 4.2 Способ получения математического ожидания биномиального распределения
5 Биномиальное распределение как процесс выполнения взаимосвязанных действий над объектами
6 Биномиальное распределение как цепь Маркова
7 Парадоксы биномиального распределения на элементарном уровне познания
- 7.1 Литература
- 7.2 См. также

Технические задачи и технические результаты

Для получения биномиального распределения необходимо решить две технические задачи и получить технические результаты, относящиеся к математической физике [1,2]^[1] ,^[1]. Первая и вторая технические задачи — соответственно получение вероятности и получение математического ожидания биномиального распределения.

Технические результаты — набор технических параметров, с одной стороны, минимально необходимый для описания биномиального распределения и его случайных величин, с другой стороны, позволяющий при необходимости расширить число параметров с целью получения дополнительных сведений о распределении, например, таких как корреляционная матрица, ковариационная матрица , χ2 критерий и другие.

Минимально необходимый набор параметров при решении первой технической задачи: пространство элементарных событий, вероятность, математическое ожидание и дисперсия каждой случайной величины распределения, дисперсия распределения и произведение математических ожиданий его случайных величин как исходное выражение для решения второй технической задачи.

При решении второй технической задачи минимально необходимый набор параметров аналогичен предыдущему набору. Исключен из-за ненадобности один параметр — произведение математических ожиданий случайных величин и дополнен двумя параметрами — максимальной вероятностью и максимальной дисперсией биномиального распределения, совпадающей с математическим ожиданием биномиального распределения. Технические результаты — набор технических параметров, с одной стороны, минимально необходимый для описания биномиального распределения и его случайных величин, с другой стороны, позволяющий при необходимости расширить число параметров с целью получения дополнительных сведений о распределении, например, таких как корреляционная матрица, ковариационная матрица и другие.

Биномиальное распределение

совместное распределение вероятностей двух случайных величин

$\prod_{i=1}^2P(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=\frac{n!}{n_1! n_2!} p_1^{n_1} p_2^{n_2}, \qquad \frac{n!}{n_1! n_2!}= {n \choose n_1}={n\choose n_2},$

$2\le k \le n <\infty, \qquad n_1+n _2=n, \qquad p_1+p_2=1,$

определённых на точечных пространствах элементарных событий

$\Omega_1,\quad \Omega _2$

и принимающих в дискретные последовательные моменты времени

$t_1,\quad t_2, \quad t_i<t_{i+1}$

целые неотрицательные значения

$n_1, n_2,$

взаимосвязанные условием

$n_1 +n_2=n,$

согласно которому

$X_2=n_2 \mid X_1=n_1$

если в первый момент времени $t_1$ первая случайная величина $X_1$ приняла значение

$n_1, \quad 0\le n_1\le n,$

то во второй момент времени $t_2$ вторая случайная величина $X _2$ принимает значение

$n _2, \quad 0\le n_2\le n- n_1.$

Урновая модель биномиального распределения

Урновая модель биномиального распределения содержит одну исходную урну и две приёмные урны. Объем каждой из них не менее объёма исходной урны. Нумерация приёмных урн соответствует нумерации случайных величин биномиального распределения. В начальный момент времени исходная урна содержит $n$ - множество различимых неупорядоченных элементов, а приёмные урны пусты. Первая выборка

$n_1,\quad 0\le n_1\le n$

в первый момент времени направляется в первую приёмную урну с вероятностью $p_1$ каждого элемента. Во второй момент времени все оставшиеся $n-n_1$ элементы исходной урны, образующие вторую выборку

$n_2,\quad 0\le n-n_1\le n,$

направляются во вторую приёмную урну с вероятностью $p_2$ каждого элемента. В результате исходная урна пуста, а все её элементы размещены в приёмных урнах. После обработки результатов разбиения множества на подмножества элементы возвращают на прежнее место, и урновая модель готова к проведению очередного цикла зависимых экспериментов. Произведение вероятностей попадания $n_1, \quad n_2$ элементов в две приёмные урны есть биномиальное распределение двух случайных величин.

Получение математического ожидания

Математическое ожидание биномиального распределения получают одним из двух способов: как максимум произведения математических ожиданий его случайных величин, или как максимум вероятности распределения. Необходимые

$k=n, \qquad n_i=1, \qquad 0<p_i<1,$

и достаточные условия: $p_1=p_2=2^2.$

Математическое ожидание и максимальная вероятность:

$\left(\prod_{i=1}^2E(t_i, X_i=n_i \mid t_{i-1},X_{i-1})\right)_{max}=\left(\prod_{i=1}^2(n-n_{i-1})p_i\right)_{max}=\frac{n!}{n^n}=\frac{1}{2},$ ;

$\left(\prod_{i=1}^2P(t_i, X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})\right)_{max}=\left(\frac{n!}{n_i!n_2!}p_1^{n_1}p_2^{n_2}\right)_{max}=\frac{n!}{n^n}= \frac{1}{2}$

равна математическому ожиданию, максимальная дисперсия

$D(X_1,X_2|X_1)_{max}=\left(\sum_{i-1}^2(n-n_{i-1})p_iq_i \right)_{max}=\frac{n^2-1}{2n}=\frac{3}{4}.$

Пространство элементарных событий биномиального распределения при получении его математического ожидания

$\Omega(t_1, X_1=n_1=1 \mid t_2,X_2=n_2=1)$

расположено в точках $t_1, t_2$ временной последовательности.

Способ получения вероятностей биномиального распределения

Этот способ относится к техническим задачам разделения дискретного целого на составные части случайных объёмов. Целым является множество дискретных элементов, различимых (хотя бы одним признаком, например, порядковыми номерами) и не упорядоченных (хаотично расположенных). Составные части множества — дискретные два подмножества $n_1, \quad n_2$ , в сумме равные объёму множества: $n_1+n_2=n, \quad 2\le n < \infty$ . Разделение множества на подмножества осуществляют выборками без возвращения. Выборки следуют во времени одна за другой. В начальный момент времени $t_0$ , не обязательно равный нулю $t_0 \ne 0$ , множество содержит $n, 2\le n < \infty$ различимых неупорядоченных элементов. В первый момент времени $t_1$ из $n$ -множества осуществляют первую выборку случайного объёма $n_1, 0 \le n_1 \le n$ с вероятностью $p_1$ каждого её элемента. Вероятность первой случайной величины $P_1(t_1,\quad X_1=n_1)$ биномиального распределения определяется числом сочетаний ${n \choose n_1}$ из $n$ по $n_1$ , умноженным на вероятность $p_1$ выбора одного элемента, возведённую в степень числа $n_1$ выбранных элементов:

$P_1(t_1, X_1=n_1)={n \choose n_1}p_1^{n_1}.$

Во второй момент времени $t_2$ из оставшихся $n-n_1$ элементов исходного множества осуществляют вторую выборку $n_2=n-n_1$ единственным способом: ${n-n_1 \choose n_2}={n-n_1 \choose n- n_1}$ с вероятностью $p_2$ каждого элемента. Вероятность второй случайной величины при условии, что в первый момент времени вероятность первой случайной величины биномиального распределения приняла значение $P(t_1,\quad X_1=n_1)$ , определяется числом сочетаний ${n-n_1 \choose n_2}$ из $n-n_1$ по $n_2$ , умноженным на вероятность $p_2$ выбора одного её элемента, возведённую в степень числа $n_2$ выбранных элементов:

$P_2(t_2, X_2=n_2 \mid t_1,X_1=n_1)={n-n_1 \choose n_2}p_2^{n_2}.$

Произведение двух вероятностей есть вероятность распределения — совместное распределение вероятностей двух случайных величин: первая независимая, а вторая зависима от первой

$\prod_{i=1}^2P_i(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=\frac{n!}{n_1!n_2!}p_1^{n_1}p_2^{n_2},$

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

Когда число случайных величин больше двух $(k>2)$ и, следовательно, число $n$ испытаний больше двух $2< k=n< \infty$ , имеют место вероятности полиномиального (мультиномиального) распределения интерпретации 21-го века

$\prod_{i=1}^kP_i(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=\frac{n!}{n_1! \cdots n_k!}p_1^{n_1}\cdots p_k^{n_k},$

$\sum_{i=1}^kn_i=n, \quad \sum_{i=1}^kp_i=1.$

Способ получения математического ожидания биномиального распределения

Этот способ относится к техническим задачам разделения дискретного целого на составные части и отличается от способа получения вероятностей полиномиального распределения интерпретации 21-го века тем, что число выборок $k$ равно числу $n$ элементов исходного множества $k=n$ и каждая выборка имеет единичный объём: $n_i=1,\quad i=1,2, \quad k=n$ . Целым является множество дискретных элементов, различимых (хотя бы одним признаком, например, порядковыми номерами) и не упорядоченных (хаотично расположенных). Множество содержит два элемента: $n=2$ . Составные части множества — дискретные два подмножества $n_1=1, \quad n_2=1$ , в сумме равные объёму множества: $n_1+n_2= n, \quad n=2$ . Разделение множества на подмножества осуществляют выборками без возвращения. Выборки следуют во времени одна за другой. В начальный момент времени $t_0$ , не обязательно равный нулю $t_0 \ne 0$ , множество содержит два различимых неупорядоченных элемента. В первый момент времени $t_1$ из $n$ -множества осуществляют первую выборку $n_1=1$ единичного объёма с вероятностью $p_1=n^{-1}$ . Вероятность первой случайной величины $X_1=n_1=1$ биномиального распределения определяется числом сочетаний ${n \choose n_1}$ из $n$ по $n_1=1$ , умноженным на вероятность $p_1=n^{-1}$ выбора одного элемента:

$P_1(t_1, X_1=n_1=1)={n \choose n_1}p_1={n \choose 1}n^{-1}=\frac{n}{n}.$

Во второй момент времени $t_2$ из оставшегося одного $n-n_1$ элемента исходного множества осуществляют вторую выборку $n_2=1$ единичного объёма с вероятностью $p_2=n^{-1}$ . Вероятность второй случайной величины $X_2=n_2=1$ при условии, что в первый момент времени вероятность первой случайной величины биномиального распределения приняла значение $P_1(t_1, X_1=n_1=1)$ , определяется числом сочетаний ${n-n_1 \choose n_2}$ из $n-n_1$ по $n_2=1$ , умноженным на вероятность $p_2=n^{-1}$ выбора одного элемента:

$P_2(t_2, X_2=n_2=1 \mid t_1,X_1=n_1=1)={n-n_1 \choose n_2}p_2={n-n_1 \choose 1}n^{-1}=\frac{n-1}{n}.$

Произведение этих вероятностей есть математическое ожидание биномиального распределения интерпретации 21-го века— распределения двух случайных величин, первая их них независимая,а вторая зависима от первой

$\prod_{i=1}^2P_i(t_i,X_i=n_i=1 \mid t_{i-1},X_{i-1}=n_{i-1}=1)=\prod_{i=1}^2\frac{n-n_{i-1}}{n}=\frac {1}{2},$

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

Когда число случайных величин больше двух $k>2$ и, следовательно, число $n$ испытаний больше двух $2< k=n< \infty$ , имеет место математическое ожидание мультиномиального распределения интерпретации 21-го века

$\prod_{i=1}^nP_i(t_i,X_i=n_i=1 \mid t_{i-1},X_{i-1}=n_{i-1}=1)=\prod_{i=1}^n\frac{n-n_{i-1}}{n}=\frac {n!}{n^n},$

$\sum_{i=1}^nn_i=n, \quad \sum_{i=1}^np_i=1.$

Биномиальное распределение как процесс выполнения взаимосвязанных действий над объектами

Объекты: множество, его подмножества и их элементы как объективная реальность, существующая вне нас и независимо от нас.

Cлучайный процесс безвозвратного разделения последовательно во времени $t_1,\quad t_2$ и в пространстве конечного $n$ - множества различимых неупорядоченных элементов на две части $n_1, \quad n_2$ случайных объёмов, сумма которых равна объёму исходного множества: $n_1+ n_2=n, \quad 2\le n<\infty$ ,
разделение множества осуществляют выборками без возвращения (изъятые из множества элементы не возвращают обратно во множество до полного окончания экспериментов),
вероятность попадания одного произвольного элемента множества в каждое из подмножеств принимают за вероятность успеха (успешного завершения испытания) Бернулли распределения $0\le p_i<1, \quad i=1,2$ ,
вероятности успехов Бернулли распределения нормируют $\sum _{i=1}^2 p_i =1$ согласно аксиоматике Колмогорова и принимают неизменными до окончания испытаний,
результаты каждого разбиения обрабатывают вероятностными методами, определяют технические характеристике всех выборок и принимают их за технические характеристики случайных величин биномиального распределения,
минимально необходимый набор технических характеристик случайных величин и биномиального распределения в целом это: пространство элементарных событий, вероятность , математическое ожидание и дисперсия,
математическое ожидание биномиального распределения имеет место, когда число выборок $k$ равно числу элементов $n$ -множества $k=n$ и численно равно $\frac{n!}{n^n}=\frac{2!}{2^2}=\frac{1}{2}$ .

Биномиальное распределение как цепь Маркова

Биномиальное распределение появляется в последовательности двух испытаний, первое из них случайное независимое, а второе зависимое от первого испытания. Исходы испытаний конечны и счётны. По сути — это простейшая цепь Маркова. ( $X_0$ , называемое начальным распределением цепи Маркова, для биномиального распределения не имеет смысла $t_0=0, \quad X_0=0$ , поскольку нумерация случайных величин начинается с единицы.) Единственная переходная вероятность

$P(t_2>t_1,\quad X_2=n_2=n-n_1 \mid t_1<t_2,\quad X_1=n_1)$

заключается в том, что вторая случайная величина $X_2$ во второй момент времени $t_2$ вынуждена принять числовое значение, равное $0\le n_2=n-n_1$ , при условии, что в первый момент времени $t_1$ первая случайная величина $X_1$ приняла случайное число $0\le n_1\le n$ . Следовательно и вероятность биномиального распределения

$\prod_{i=1}^2P(t_i,X_i=n_i \mid t_{i-1},X_{i-1}=n_{i-1})=\frac{n!}{n_1! n_2!}p_1^{n_1}p_2^{n_2}$

как произведение первой независимой и второй зависимой случайных величин является цепью Маркова. Биномиальное распределение, как цепь Маркова, является стахостической.

Переходная вероятность биномиального распределения является дискретной функцией. Следовательно, биномиальное распределение является марковским процессом с дискретным временем.

Парадоксы биномиального распределения на элементарном уровне познания

Полностью эта проблема изложена в отдельной статье http://www.wikiznanie.ru/ru-wz/index.php/Парадоксы биномиального распределения.

Во всех областях научного знания за исключением теории вероятностей приставка би (в переводе с латинского означающая сдвоенный, состоящий из двух частей) используется правильно, например, в авиации биплан — самолет со сдвоенными крыльями, в оптике бинокль — сдвоенный монокль, в комбинаторике бином — двучлен, и только в современной теории вероятностей биномиальное распределение — распределение, полученное не основе бинома (двучлена), является распределением одной случайной величины…

Парадокс заключается в том, что http://wikipedia.ru/wiki/биномиальное распределение считается распределением одной случайной величины, а на самом деле биномиальное распределение является распределением двух случайных величин, в котором первая случайная величина является независимой, а вторая зависима от первой.

Парадокс возник из-за ошибки в логике рассуждений и получил повсеместное распространение с середины 20-го века. Подобно тому, как из полинома (из многочлена) методом дедукции получают бином (двучлен), а из бинома методом индукции получают полином, так и по аналогии из полиномиального распределения (из распределения с числом случайных величин больше двух) методом дедукции обязаны получить биномиальное распределение (распределение с двумя случайными величинами), а из биномиального распределения (из распределения с двумя случайными величинами) методом индукции обязаны получить полиномиальное распределение (распределение с числом случайных величин больше двух).

Этот парадокс настолько распространён и настолько прост, что может быть проиллюстрирован на элементарных примерах. 1. Пусть в полиноме 10 членов. Сократив в нём число членов до двух, получим два:10:5=2. 2. В биноме 2 члена. Умножив их на 5, получим, что в полиноме 10 членов: 2х5=10. 3. Пусть в полиномиальном распределении 10 случайных величин. Сократив число случайных величин до двух, по аналогии обязаны получить биномиальное распределение с двумя случайными величинами: 10:5=2. Однако принято считать, что биномиальное распределение это распределение одной случайной величины, иными словами, если 10 разделить на 5, то получится один! Это первый парадоксальный результат: 10:5=1. 4. Число случайных величин биномиального распределения традиционной интерпретации, равное одному, умножив на 5 получим, что в полиномиальном распределении 5 случайных величин: 1х5=5. Это второй парадоксальный результат, поскольку изначально исходили из того, что в полиномиальном распределении 10 случайных величин.

Во времена В. Я. Буняковского биномиальное распределение, как распределение двух случайных величин и на его основе полиномиальное распределение (оба так ещё не называемые) впервые были опубликованы им в 1846 году ^[1].

В современной записи биномиальное и полиномиальное распределения Буняковского имеют следующий вид:

$P(X_1=n_1, X_2=n_2)= \frac{n!}{n_1! n_2!} p_1^{n_1}p_2^{n_2},$

$2\le k \le n< \infty, \quad n_1+n_2=n, \quad p_1+p_2=1,$

$P(X_1=n_1,\ldots,X_k=n_k)=\frac{n!}{n_1!\cdots n_k!}p_1^{n_1}\cdots p_k^{n_k},$

$2\le k \le n< \infty, \quad n_1+\ldots+n_k=n, \quad p_1+ \ldots +p_ k =1.$

Литература

См. также

Категория статей: Вероятностные распределения

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%91%D0%B8%D0%BD%D0%BE%D0%BC%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5_%D1%80%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B4%D0%B2%D1%83%D1%85_%D1%81%D0%BB%D1%83%D1%87%D0%B0%D0%B9%D0%BD%D1%8B%D1%85_%D0%B2%D0%B5%D0%BB%D0%B8%D1%87%D0%B8%D0%BD»

@@ Строка 41: / Строка 41: @@
 |-
 | Дисперсия
-|<tex> \sum_{i=1}^2D(t_i,X_i \mid t_{i-1},X_{i-1})=\sum_{i=1}^2(n-n_{i-1})p_iq_i</tex>
+|<tex> \sum_{i=1}^2D(t_i,X_i=n_i)=\sum_{i=1}^2(n-n_{i-1})p_iq_i</tex>
 |-
 | Максимальная дисперсия
 (при математическом ожидании распределения)
-|<tex>D(X_1,X_2|X_1)_{max}=\left(\sum_{i-1}^2(n-n_{i-1})p_iq_i \right)_{max}=\frac{3}{4}</tex>
+|<tex>D(X_1,X_2)_{max}=\left(\sum_{i-1}^2(n-n_{i-1})p_iq_i \right)_{max}=\frac{3}{4}</tex>
 |-
 |Ковариационная матрица
@@ Строка 54: / Строка 54: @@
 |-
 |Корреляционная матрица
-|<tex>\Rho=\| \rho_{ij} \|</tex>, где
+|<tex>P=\| \rho_{ij} \|</tex>, где
 <tex>\rho _{ij} = \begin{cases} 1, & i=j,\\
 , & i \not= j
@@ Строка 238: / Строка 238: @@
 *[[Парадоксы мультиномиального распределения]]
 *[[Биномиальное распределение]] одной случайной величины
+*[[Биномиальное распределение Буняковского]]
 *[[Биномиальное распределение с равновероятными успехами испытаний Бернулли]]
 *[[Парадоксы биномиального распределения]]