Очевидно, что найти ожидаемую величину непрерывной случайной переменной путем сложения, как в случае с дискретными переменными, трудно, поскольку пришлось бы искать сумму бесконечного множества вероятностей. Для преодоления этой проблемы мы должны определить непрерывную случайную величину не путем суммирования функции частот вероятностей, которая дает определенные вероятности, а путем интегрирования так называемой функции плотности вероятностей (см. гл. 2). [c.181]
Поскольку разница между дискретными и непрерывными переменными существенна для построения теоретических моделей, иногда мы можем использовать непрерывные переменные при моделировании дискретных ситуаций, и наоборот. Например, рассмотрим цену некой акции на фондовом рынке в полдень на следующий день. Ясно, что существует только дискретное количество возможных значений (цены акций выражаются в фунтах, пенсах и только иногда в долях пенсов). Тем не менее, мы можем с успехом применять непрерывную случайную переменную при моделировании поведения цены акции. [c.189]
Мы отметили в гл. 2, что наиболее широко из распределений частот используется нормальное распределение, или распределение Гаусса. Отсюда вытекает то обстоятельство, что наиболее широко используемым распределением вероятностей является нормальное распределение. Это распределение непрерывное, но часто применяется при моделировании дискретных случайных переменных. [c.191]
Функция вероятности дискретной случайной переменной (или функция плотности вероятности для непрерывных случайных величин) предоставляет информацию о вероятности для переменной принять определенное значение (или в случае непрерывного процесса — информацию о вероятности нахождения в определенном промежутке). Даже если событие, для которого происходит моделирование, произойдет всего один раз, появляется осознание того, что если бы оно было повторено много раз, случайная переменная приняла бы значения, соразмерные с этими вероятностями. [c.410]
Случайная переменная — это такая переменная, поведение которой неопределенно. А поскольку поведение неопределенно, то мы можем только приписать вероятности возможным значениям таких переменных. Таким образом, случайная переменная определяется ее распределением вероятностей и возможных результатов. В гл. 2 мы классифицировали данные как дискретные и непрерывные подобным же образом мы можем классифицировать и случайные переменные как дискретные и непрерывные. И поскольку существуют два типа случайных переменных, то также существуют и два типа распределений вероятностей — непрерыв- [c.179]
Для непрерывной случайной величины в (110) Р есть не вероятность, а совместная функция плотности распределения, вспомните, что для непрерывной х вероятность х быть в точности равной к есть 0. КПОВ годится для непрерывных и для дискретных переменных [c.164]
СЛУЧАЙНЫЙ ПРОЦЕСС [random pro ess] (вероятностный, стохастический процесс) — случайная функция X t) от независимой переменной t (в экономике она чаще всего интерпретируется как время). Иначе говоря, это такой процесс, течение которого может быть различным в зависимости от случая, причем вероятность того или иного течения определена. Сп. можно рассматривать либо как множество реализаций функции X t), либо как последовательность случайных величин X t), заданных в различные моменты времени t.. Сп. дискретен или непрерывен в зависимости от того, дискретно или непрерывно множество его значений. Если дискретен аргумент t, то говорят о процессе с дискретным временем, или случайной последовательности. Если свойства процесса не зависят от начала отсчета времени, то такой [c.332]
Смотреть страницы где упоминается термин Дискретные и непрерывные случайные переменные
: [c.345]Смотреть главы в:
Количественные методы в финансах -> Дискретные и непрерывные случайные переменные