1. От дискретности к непрерывности: введение в анализ случайных процессов

При изучении случайных событий мы привыкли иметь дело с величинами, которые можно перечислить по порядку: сколько раз выпал орёл, сколько человек зашло в автобус, какая оценка получена на экзамене. Такие показатели меняются скачкообразно и называются дискретными. Однако реальный мир полон величин иной природы. Представь себе температуру воздуха в течение дня, время реакции водителя или массу выловленной рыбы. Эти параметры не имеют разрывов.

Главная особенность, которая кардинально меняет подход к расчётам, заключается в следующем: пространство возможных исходов здесь бесконечно и несчётно. Между любыми двумя сколь угодно близкими значениями (например, \(10,2\) секунды и \(10,3\) секунды) существует бесконечное множество промежуточных вариантов (\(10,21\); \(10,205\) и т. д.).

 

Из-за этого возникает важный нюанс: спрашивать «Какова вероятность, что спортсмен пробежит дистанцию ровно за \(20,000\) секунды?» бессмысленно с математической точки зрения. Такой запрос подразумевает попадание в точку, длина которой равна нулю.

 

Базовый принцип: для любой непрерывной случайной величины \(Y\) вероятность совпадения с конкретным числом \(c\) всегда равна нулю. Математически это записывается как \(P(Y=c)=0\).

 

Практический смысл имеют лишь запросы вида «найти вероятность того, что результат заключён в заданных границах» (от \(a\) до \(b\)).

Если для дискретного ряда мы используем таблицу с вероятностями для каждого значения, то для непрерывного случая применяется функция плотности распределения, обозначаемая как \(p(x)\) или \(f(x)\).

 

Как возникает это понятие? Если мы соберём огромное количество данных (например, измерим рост тысяч призывников) и построим гистограмму с очень тонкими столбцами, её очертания сольются в плавную линию. График этой линии и есть визуализация плотности распределения.

 

Основные свойства функции плотности:

$\underset{-\mathrm{\infty }}{\overset{+\mathrm{\infty }}{\int }}f(x)\mathit{dx}=1$.

На практике часто приходится иметь дело с кусочно-заданными функциями, где площадь считается методами геометрии (как сумма площадей простых фигур).

 

Важно подчеркнуть, что записанное условие нормировки $\underset{-\mathrm{\infty }}{\overset{+\mathrm{\infty }}{\int }}f(x)\mathit{dx}=1$ является не просто формальным свойством, а главным критерием корректностизадания любой непрерывной случайной величины. Если при построении модели или решении задачи аналитически заданная функция \(f(x)\) на каком-либо участке принимает отрицательные значения или интеграл от нее по всей числовой прямой не равен единице, такая функция не может служить плотностью распределения. На практике это означает, что перед началом вычисления вероятностей (например, нахождения площади под кривой на интересующем интервале) необходимо всегда проверять, выполнено ли это «правило сохранения полной вероятности».

Связь между абстрактной функцией \(f(x)\) и конкретной вероятностью очень наглядна. Вероятность того, что величина \(X\) окажется в промежутке от \(a\) до \(b\), — это не что иное, как размер участка под кривой \(f(x)\) на этом отрезке.

 

Если форма графика на отрезке простая (горизонтальная прямая или наклонная линия), задача сводится к нахождению площади прямоугольника или треугольника.

В курсе статистики чаще всего рассматриваются три классические модели:

 

Таким образом, переход от дискретного мира к непрерывному требует смены математического аппарата: вместо суммирования вероятностей отдельных значений мы переходим к интегрированию плотности и вычислению геометрических площадей.