Случайная величина как фундаментальное понятие теории вероятности имеет большое значение в ее приложениях. Это понятие является абстрактным выражением случайного события. Более того, оперировать со случайными величинами иногда более удобно, чем со случайными событиями.
Случайной называется величина, которая в результате опыта может принять то или иное (но только одно) значение (до опыта неизвестно, какое именно).
События принято обозначать большими буквами латинского алфавита, вероятность буквой Р, например, Р(А). Реализации события (случайные величины) обозначаются малыми буквами: a 1 , a 2 , …, a n .
Поскольку в теории вероятностей и математической статистике рассматриваются массовые явления, то случайная величина, как правило, характеризуется возможными значениями и их вероятностями.
Среди встречающихся в практике случайных величин можно выделить дискретные и непрерывные.
Дискретными случайными величинами называются такие, которые принимают только отделенные друг от друга значения и могут быть заранее перечислены. Например, количество автомобилей на заданном километровом участке дороги в конкретный момент времени; число бракованных узлов деталей автомобиля в партии из n штук.
Для дискретных случайных величин характерно, что они принимают отдельные, изолированные значения, которые можно заранее перечислить. Например, количество автомобилей на заданном участке дороги может принимать только целочисленные значения 0, 1,2, ..., п и зависит от времени суток и интенсивности движения.
Существуют случайные величины другого типа, которые чаще встречаются и имеют большое практическое значение.
Непрерывной случайной величиной называется такая, возможные значения которой непрерывно заполняют некоторый промежуток (интервал числовой оси). Интервал числовой оси может быть конечным или бесконечным. Примерами непрерывных случайных величин являются время безотказной работы автомобиля в заданных дорожных условиях, скорость движения автомобиля на заданной дороге, ошибка измерения.
В отличие от дискретных возможные значения непрерывных случайных величин нельзя заранее перечислить, так как они непрерывно заполняют некоторый промежуток.
Случайные величины обозначаются обычно большими буквами латинского алфавита - X, Y, Z, Т, а их возможные значения соответствующими малыми x i , y i , z i , t i , где i = 1, 2, .... п.
Рассмотрим дискретную случайную величину X с возможными значениями x 1 , x 2 , …, x n . В результате проведения многократных опытов величина Т может принять каждое из значений x i , т. е.:
X = x 1 ; X = x 2 ; …; X = x n .
Обозначим вероятности этих событий буквой р с соответствующими индексами:
P(X = x 1)= p 1 ; P(X = x 2)= p 2 ; …; P(X = x n)= p n .
Исходя из того, что события x i образуют полную группу несовместимых событий, т. е. никаких других событий произойти не может, сумма вероятностей всех возможных значений случайной величины Т равна единице.
Эта суммарная вероятность каким-то образом распределена между отдельными значениями случайной величины
Дискретную случайную величину можно полностью описать с вероятностной точки зрения, если точно указать вероятность каждого события, т. е. задать это распределение. Этим будет установлен закон распределения случайной величины.
Законом распределения случайной величины называется всякое соотношение, устанавливающее связь между возможными значениями случайной величины и соответствующими им вероятностями . Зная его, можно до опыта судить о том, какие значения случайной величины будут появляться чаще и какие реже. Способы или формы представления закона распределения случайной величины различны.
Простейшей формой задания закона распределения дискретной случайной величины Т является ряд распределения или таблица, в которой перечислены возможные значения этой величины и соответствующие им вероятности.
Если классическая теория вероятностей изучала, в основном, события и вероятность их появления (наступления), то современная теория вероятностей изучает случайные явления и их закономерности с помощью случайных величин. Понятие случайной величины, таким образом, является основополагающим в теории вероятностей. Ещё ранее проводились события, состоящие в появлении того или иного числа. Например, при бросании игральной кости могли появиться числа 1, 2, 3, 4, 5, 6. Наперёд определить число появившихся очков невозможно, поскольку оно зависит от многих случайных причин, которые полностью не могут быть учтены. В этом смысле число очков есть величина случайная, а числа 1, 2, 3, 4, 5 и 6 есть возможные значения этой величины.
Случайной величиной называется величина, которая в результате опыта принимает то или иное (причём, одно и только одно) возможное числовое значение, наперёд неизвестное и зависящее от случайных причин, которые заранее не могут быть учтены.
Случайны величины
принято, обычно, обозначать прописными
буквами
,
а их возможное значения - соответствующими
строчными буквамиНапример, если случайная величинаимеет три возможных значения, то они,
соответственно, обозначаются так:.
Для удобства будем писать:
.
ПРИМЕР 1 . Число родившихся мальчиков среди ста новорожденных есть величина случайная, которая имеет следующие возможные значения: 0, 1, 2, ..., 100.
ПРИМЕР 2 . Расстояние, которое пролетит снаряд при выстреле из орудия, есть также величина случайная. Действительно, расстояние зависит не только от установки прицела, но и от многих других причин (силы и направления ветра, температуры и т. п.), которые не могут быть полностью учтены. Возможные значения этой величины, очевидно, принадлежат некоторому промежутку (интервалу) .
Заметим, что с каждым случайным событием можно связать какую-либо случайную величину, принимающую значения из R. Например, опыт - выстрел по мишени; событие - попадание в мишень; случайная величина - число попаданий в мишень.
Вернёмся к примерам, приведённым выше. В первом из них случайная величина могла принять одно из следующих возможных значений: 0, 1, 2,..., 100. Эти значения отделены одно от другого промежутками, в которых нет возможных значений. Таким образом, в этом примере случайная величина принимает отдельные, изолированные, возможные значения.
Во втором примере случайная величина могла принять любое из значений промежутка . Здесь нельзя отделить одно возможное значение от другого промежутком, не содержащим возможных значений случайной величины.
Уже из сказанного можно заключить о целесообразности различать случайные величины, принимающие лишь отдельные, изолированные значения и случайные величины, возможные значения которых сплошь заполняют некоторый промежуток.
Дискретной ( прерывной ) случайной величиной называется такая случайная величина, которая принимает конечное или счётное множество 1 различных значений. Другими словами - это такая случайная величина, которая принимает отдельные, изолированные возможные значения с определенными вероятностями.
Число возможных значений дискретной случайной величины может быть конечным или бесконечным.
Непрерывной называют случайную величину, которая может принимать все значения из некоторого конечного или бесконечного промежутка действительной числовой оси.
Очевидно, во-первых, число возможных значений непрерывной случайной величины – бесконечно. Во-вторых, дискретная случайная величина является частным случаем непрерывной случайной величины.
Закон распределения вероятностей
I . Закон распределения вероятностей дискретной случайной величины
На первый взгляд может показаться, что для задания дискретной случайной величины достаточно перечислить все её возможные значения. В действительности это не так: различные случайные величины иногда могут иметь одинаковые перечни возможных значений, а соответствующие вероятности этих значений – различные. Поэтому для полной характеристики мало знать значения случайной величины, нужно ещё знать, как часто эти значения встречаются в опыте при его повторении, т.е. нужно ещё указать вероятности их появления.
Рассмотрим
случайную величину
.
Появление каждого их возможных значенийсвидетельствует о том, что произошло
соответственно одно из событий,
которые образуют полную группу 2 .
Допустим, что вероятности этих событий
известны:
,
. . . ,
,
Тогда: соответствие, устанавливающее связь между возможными значениями случайной величины и их вероятностями, называется законом распределения вероятностей случайной величины , или просто – законом распределения случайной величины.
Закон распределения вероятностей данной случайной величины можно задать таблично (ряд распределения), аналитически (в виде формулы) и графически.
При табличном задании закона распределения дискретной случайной величины первая строка таблицы содержит возможные значения, а вторая - их вероятности, т.е.
В целях наглядности закон распределения дискретной случайной величины можно изобразить и графически, для чего в прямоугольной системе координат строят точки , а затем соединяют их отрезками прямых. Полученную фигуру называют многоугольником распределения. При этом, сумма ординатпостроенного многоугольника равна единице.
Аналитически закон распределения дискретной случайной величины можно записать, например, используя формулу Бернулли для схемы повторения независимых опытов. Так, если обозначить случайную величину, которой является число бракованных деталей в выборке, через , то возможные её значениябудут 0, 1, 2, . . . ,. Тогда, очевидно, формула Бернулли будет устанавливать зависимость между значениямии вероятностью() их появления, где
,
что о определяет закон распределения данной случайной величины.
II . Закон распределения вероятностей непрерывной случайной величины
Вспомним, что дискретная случайная величина задаётся перечнем всех её возможных значений и их вероятностей. Такой способ задания не является общим: он не применим, например, для непрерывных случайных величин.
Действительно, рассмотрим случайную величину , возможные значения которой сплошь заполняют интервал. Можно ли составить перечень всех возможных значений? Очевидно, что этого сделать нельзя. Этот пример указывает на целесообразность дать общий способ задания любых типов случайных величин (как уже отмечалось, дискретная случайная величина является частным случаем непрерывной случайной величины). С этой целью вводятинтегральную функцию распределения.
Пусть
–
переменная, принимающая произвольные
действительные значения (на оси:) . Рассмотрим событие,
состоящее в том, что случайная величинапримет значение меньшее.
Тогда, вероятность
событиязависит от,
т.е. является функцией от.
Эту функцию принято обозначать
черези называть функцией распределения
случайной величины или, ещё – интегральной
функцией распределения. Другими словами:
интегральной функцией распределения называют функцию , определяющую для каждого значенияR вероятность того, что случайная величина примет значение, меньшее, т.е.
.
Геометрически это равенство можно истолковывать так: есть вероятность того, что случайная величина примет значение, которое изображается на числовой оси точкой, лежащей левее точки.
Свойства интегральной функции :
Доказательство этого свойства вытекает из определения интегральной функции как вероятности: вероятность всегда есть неотрицательное число, не превышающее единицы.
Действительно,
пусть
–
событие, состоящее в том, что случайная
величинапримет
значение меньшее;
аналогично,
–
событие, состоящее в том, что случайная
величинапримет
значение меньшее.
Другими словами:
или, что то же самое:Что и требовалось показать.
Это свойство вполне
очевидно. Так, если
-
достоверное событие, а
– невозможное событие, то
Но
,
В результате, можем записать:,
что и требовалось показать.
Мы будем в основном изучать такие непрерывные случайные величины, функции распределения которых непрерывны.
.
Для непрерывной случайной величины более наглядной является не интегральная, а дифференциальная функция распределения или, так называемая, плотность распределения случайной величины.
Учреждение образования «Белорусская государственная
сельскохозяйственная академия»
Кафедра высшей математики
Методические указания
по изучению темы «Случайные величины» студентами бухгалтерского факультета заочной формы получения образования (НИСПО)
Горки, 2013
Случайные величины
Дискретные и непрерывные случайные величины
Одним из основных понятий в теории вероятностей является понятие случайной величины . Случайной величиной называется величина, которая в результате испытания из множества возможных своих значений принимает только одно, причём заранее неизвестно, какое именно.
Случайные величины бывают дискретными и непрерывными . Дискретной случайной величиной (ДСВ) называется случайная величина, которая может принимать конечное число изолированных друг о друга значений, т.е. если возможные значения этой величины можно пересчитать. Непрерывной случайной величиной (НСВ) называется случайная величина, все возможные значения которой сплошь заполняют некоторый промежуток числовой прямой.
Случайные величины обозначаются заглавными буквами латинского алфавита X, Y, Z и т.д. Возможные значения случайных величин обозначаются соответствующими малыми буквами.
Запись
означает
«вероятность того, что случайная величинаХ
примет значение, равное 5, равна 0.28».
Пример 1 . Один раз бросают игральный кубик. При этом могут выпасть цифры от 1 до 6, обозначающие число очков. Обозначим случайную величину Х ={число выпавших очков}. Эта случайная величина в результате испытания может принять только одно из шести значений: 1, 2, 3, 4, 5 или 6. Следовательно, случайная величина Х есть ДСВ.
Пример 2 . При бросании камня он пролетает некоторое расстояние. Обозначим случайную величину X ={расстояние полёта камня}. Эта случайная величина может принять любое, но только одно, значение из некоторого промежутка. Следовательно, случайная величина Х есть НСВ.
Закон распределения дискретной случайной величины
Дискретная случайная величина характеризуется значениями, которые она может принимать, и вероятностями, с которыми эти значения принимаются. Соответствие между возможными значениями дискретной случайной величины и соответствующими им вероятностями называется законом распределения дискретной случайной величины .
Если
известны все возможные значения
случайной величиныХ
и вероятности
появления этих значений, то считают,
что закон распределения ДСВХ
известен и он может быть записан в виде
таблицы:
|
|
|
|
|
|
|||
|
|
|
|
|
|
Закон
распределения ДСВ можно изобразить
графически, если в прямоугольной системе
координат изобразить точки
,
,
…,
и
соединить их отрезками прямых линий.
Полученная фигура называется
многоугольником распределения.
Пример 3 . В зерне, предназначенном для очистки, содержится 10% сорняков. Наугад отобраны 4 зерна. Обозначим случайную величину X ={число сорняков среди четырёх отобранных}. Построить закон распределения ДСВ Х и многоугольник распределения.
Решение . По условию примера . Тогда:
Запишем закон распределения ДСВ Х в виде таблицы и построим многоугольник распределения:
|
|
Математическое ожидание дискретной случайной величины
Наиболее важные свойства дискретной случайной величины описываются её характеристиками. Одной из таких характеристик является математическое ожидание случайной величины.
Пусть известен закон распределения ДСВ Х :
|
|
|
|
|
|
|||
|
|
|
|
|
|
Математическим
ожиданием
ДСВ Х
называется сумма произведений каждого
значения этой величины на соответствующую
вероятность:
.
Математическое ожидание случайной величины приближённо равно среднему арифметическому всех её значений. Поэтому в практических задачах часто за математическое ожидание принимают среднее значение этой случайной величины.
Пример 8 . Стрелок выбивает 4, 8, 9 и 10 очков с вероятностями 0.1, 0.45, 0.3 и 0.15. Найти математическое ожидание числа очков при одном выстреле.
Решение . Обозначим случайную величину X ={число выбитых очков}. Тогда . Таким образом, ожидаемое среднее значение числа выбитых очков при одном выстреле равно 8.2, а при 10 выстрелах – 82.
Основными свойствами математического ожидания являются:
.
.
,
где
,
.
.
,
где Х
и Y
– независимые случайные величины.
Разность
называетсяотклонением
случайной величины Х
от её математического ожидания. Эта
разность является случайной величиной
и её математическое ожидание равно
нулю, т.е.
.
Дисперсия дискретной случайной величины
Для характеристики случайной величины, кроме математического ожидания, используется и дисперсия , которая даёт возможность оценить рассеяние (разброс) значений случайной величины около её математического ожидания. При сравнении двух однородных случайных величин с равными математическими ожиданиями «лучшей» считается та величина, которая имеет меньший разброс, т.е. меньшую дисперсию.
Дисперсией случайной величины Х называется математическое ожидание квадрата отклонения случайной величины от её математического ожидания: .
В практических задачах для вычисления дисперсии используют равносильную формулу .
Основными свойствами дисперсии являются:
.
Понятие случайной величины
Случайной называется величина, которая в результате испытаний принимает то или иное (но при этом только одно) возможное значение, заранее неизвестное, меняющееся от испытания к испытанию и зависящее от случайных обстоятельств. В отличие от случайного события, являющегося качественной характеристикой случайного результата испытания, случайная величина характеризует результат испытания количественно. Примерами случайной величины могут служить размер обрабатываемой детали, погрешность результата измерения какого-либо параметра изделия или среды. Среди случайных величин, с которыми приходится встречаться на практике, можно выделить два основных типа: дискретные и непрерывные.
Дискретной называется случайная величина, принимающая конечное или бесконечное счетное множество значений. Например: частота попаданий при трех выстрелах; число бракованных изделий в партии из n штук; число вызовов, поступающих на телефонную станцию в течение суток; число отказов элементов прибора за определенный промежуток времени при испытании его на надежность; число выстрелов до первого попадания в цель и т. д.
Непрерывной называется случайная величина, которая может принимать любые значения из некоторого конечного или бесконечного интервала. Очевидно, что число возможных значений непрерывной случайной величины бесконечно. Например: ошибка при измерении дальности радиолокатора; время безотказной работы микросхемы; погрешность изготовления деталей; концентрация соли в морской воде и т. д.
Случайные величины обычно обозначают буквами X,Y и т. д., а их возможные значения - x,y и т. д. Для задания случайной величины недостаточно перечислить все ее возможные значения. Необходимо также знать, как часто могут появиться те или иные ее значения в результате испытаний при одних и тех же условиях, т. е. нужно задать вероятности их появления. Совокупность всех возможных значений случайной величины и соответствующих им вероятностей составляет распределение случайной величины.
Законы распределения случайной величины
Законом распределения случайной величины называется соответствие между возможными значениями случайной величины и соответствующими им вероятностями. Про случайную величину говорят, что она подчиняется данному закону распределения. Две случайные величины называются независимыми , если закон распределения одной из них не зависит то того, какие возможные значения приняла другая величина. В противном случае случайные величины называются зависимыми . Несколько случайных величин называются взаимно независимыми , если законы распределения любого числа из них не зависят от того, какие возможные значения приняли остальные величины.
Закон распределения случайной величины может быть задан в виде таблицы, функции распределения либо плотности распределения. Таблица, содержащая возможные значения случайной величины и соответствующие вероятности, является простейшей формой задания закона распределения случайной величины.
\begin{array}{|c|c|c|c|c|c|c|}\hline{X}&x_1&x_2&x_3&\cdots&x_{n-1}&x_n\\\hline{P}&p_1&p_2&p_3&\cdots&p_{n-1}&p_n\\\hline\end{array}
Табличное задание закона распределения можно использовать только для дискретной случайной величины с конечным числом возможных значений. Табличная форма задания закона случайной величины называется также рядом распределения.
Для наглядности ряд распределения представляют графически. При графическом изображении в прямоугольной системе координат по оси абсцисс откладывают все возможные значения случайной величины, а по оси ординат - соответствующие вероятности. Точки (x_i,p_i) , соединенные прямолинейными отрезками, называют многоугольником распределения (рис. 5). Следует помнить, что соединение точек (x_i,p_i) выполняется только с целью наглядности, так как в промежутках между x_1 и x_2 , x_2 и x_3 и т. д. не существует значений, которые может принимать случайная величина X , поэтому вероятности её появления в этих промежутках равны нулю.
Многоугольник распределения, как и ряд распределения, является одной из форм задания закона распределения дискретной случайной величины. Они могут иметь различную форму, однако все обладают одним общим свойством: сумма ординат вершин многоугольника распределения, представляющая собой сумму вероятностей всех возможных значений случайной величины, всегда равна единице. Это свойство следует из того, что все возможные значения случайной величины X образуют полную группу несовместных событий, сумма вероятностей которых равна единице.
Функция распределения вероятностей и ее свойства
Функция распределения является наиболее общей формой задания закона распределения. Она используется для задания как дискретных, так и непрерывных случайных величин. Обычно ее обозначают F(x)
. Функция распределения
определяет вероятность того, что случайная величина X
принимает значения, меньшие фиксированного действительного числа x
, т. е. F(x)=P\{X
Геометрическая интерпретация функции распределения очень проста. Если случайную величину рассматривать как случайную точку X оси Ox (рис. 6), которая в результате испытания может занять то или иное положение на оси, то функция распределения F(x) - это вероятность того, что случайная точка X в результате испытания попадет левее точки x .
Для дискретной случайной величины X , которая может принимать значения , функция распределения имеет вид
F(x)=\sum\limits_{x_i Непрерывная случайная величина имеет непрерывную функцию распределения, график этой функции имеет форму плавной кривой (рис. 8). Рассмотрим общие свойства функций распределения. Свойство 1.
Функция распределения - неотрицательная, функция, заключенная между нулем и единицей: 0\leqslant{F(x)}\leqslant1
Справедливость этого свойства вытекает из того, что функция распределения F(x)
определена как вероятность случайного события, состоящего в том, что X Свойство 2.
Вероятность попадания случайной величины в интервал [\alpha;\beta)
равна разности значений функции распределения на концах этого интервала, т. е. P\{\alpha\leqslant{X}<\beta\}=F(\beta)-F(\alpha)
Отсюда следует, что вероятность любого отдельного значения непрерывной случайной величины равна нулю. Свойство 3.
Функция распределения случайной величины есть неубывающая функция, т. е. F(\beta)\geqslant{F(\alpha)}
. Свойство 4.
На минус бесконечности функция распределения равна нулю, а на плюс бесконечности - единице, т. е. \lim_{x\to-\infty}F(x)=0
и \lim_{x\to+\infty}F(x)=1
. Пример 1.
Функция распределения непрерывной случайной величины задана выражением F(x)=\begin{cases}0,&x\leqslant1\\a(x-1)^2,&1 Найти коэффициент a
и построить график F(x)
. Определить вероятность того, что случайная величина X
в результате опыта примет значение на интервале
. Решение.
Так как функция распределения непрерывной случайной величины X
непрерывна, то при x=3
получим a(3-1)^2=1
. Отсюда a=\frac{1}{4}
. График функции F(x)
изображен на рис. 9. Исходя из второго свойства функции распределения, имеем P\{1\leqslant{X}<2\}=F(2)-F(1)=\frac{1}{4}.
Функция распределения непрерывной случайной величины является ее вероятностной характеристикой. Но она имеет недостаток, заключающийся в том, что по ней трудно судить о характере распределения случайной величины в небольшой окрестности той или другой точки числовой оси. Более наглядное представление о характере распределения непрерывной случайной величины дает функция, которая называется плотностью распределения вероятности, или дифференциальной функцией распределения случайной величины. Плотность распределения
f(x)
равна производной от функции распределения F(x)
, т. е. F(x)=F"(x).
Смысл плотности распределения f(x)
состоит в том, что она указывает на то, как часто случайная величина X
появляется в некоторой окрестности точки x
при повторении опытов. Кривая, изображающая плотность распределения f(x)
случайной величины, называется кривой распределения.
Рассмотрим свойства плотности распределения.
Свойство 1.
Плотность распределения неотрицательна, т. е. F(x)\geqslant0.
Свойство 2.
Функция распределения случайной величины равна интегралу от плотности в интервале от -\infty
до x
, т. е. F(x)=\int\limits_{-\infty}^{x}f(x)\,dx.
Свойство 3.
Вероятность попадания непрерывной случайной величины X
на участок (\alpha;\beta)
равна интегралу от плотности распределения, взятому по этому участку, т. е. P\{\alpha\leqslant{X}\leqslant\beta\}=\int\limits_{\alpha}^{\beta}f(x)\,dx.
Свойство 4.
Интеграл в бесконечных пределах от плотности распределения равен единице: \int\limits_{-\infty}^{+\infty}f(x)\,dx=1.
Пример 2.
Случайная величина X
подчинена закону распределения с плотностью F(x)=\begin{cases}0,&x<0\\a\sin{x},&0 Определить коэффициент а; построить график плотности распределения; найти вероятность попадания случайной величины на участок от 0
до \frac{\pi}{2}
определить функцию распределения и построить ее график. \int\limits_{-\infty}^{+\infty}f(x)\,dx=a\int\limits_{0}^{\pi}\sin{x}\,dx=\Bigl.{-a\cos{x}}\Bigl|_{0}^{\pi}=2a.
Учитывая свойство 4 плотности распределения, находим a=\frac{1}{2}
. Следовательно, плотность распределения можно выразить так: F(x)=\begin{cases}0,&x<0\\\dfrac{1}{2}\sin{x},&0 График плотности распределения на рис. 10. По свойству 3, имеем P\!\left\{0 Для определения функции распределения воспользуемся свойством 2: F(x)=\frac{1}{2}\int\limits_{0}^{x}\sin{x}\,dx=\Bigl.{\-\frac{1}{2}\cos{x}}\Bigl|_{0}^{x}=\frac{1}{2}-\frac{1}{2}\cos{x}.
Таким образом, имеем F(x)=\begin{cases}0,&x<0\\\dfrac{1}{2}-\dfrac{1}{2}\cos{x},&0 График функции распределения изображен на рис. 11 Закон распределения полностью характеризует случайную величину с вероятностной точки зрения. Но при решении ряда практических задач нет необходимости знать все возможные значения случайной величины и соответствующие им вероятности, а удобнее пользоваться некоторыми количественными показателями. Такие показатели называются числовыми характеристиками случайной величины.
Основными из них являются математическое ожидание, дисперсия, моменты различных порядков, мода и медиана. Математическое ожидание иногда называют средним значением случайной величины. Рассмотрим дискретную случайную величину X
, принимающую значения x_1,x_2,\ldots,x_n
с вероятностями соответственно p_1,p_2,\ldots,p_n
Определим среднюю арифметическую значений случайной величины, взвешенных по вероятностям их появлений. Таким образом, вычислим среднее значение случайной величины, или ее математическое ожидание M(X)
: M(X)=\frac{x_1p_1+x_2p_2+\cdots+x_np_n}{p_1+p_2+\cdots+p_n}=\frac{\sum\limits_{i=1}^{n}x_ip_i}{\sum\limits_{i=1}^{n}p_i}.
Учитывая, что \sum\limits_{i=1}^{n}p_i=1
получаем M(X)=\sum\limits_{i=1}^{n}x_ip_i}.~~~~~~~(4.1)
Итак, математическим ожиданием
дискретной случайной величины называется сумма произведений всех ее возможных значений на соответствующие вероятности. Для непрерывной случайной величины математическое ожидание M(X)=\int\limits_{-\infty}^{\infty}xf(x)\,dx.
Математическое ожидание непрерывной случайной величины
X
, возможные значения которой принадлежат отрезку
, M(X)=\int\limits_{a}^{b}xf(x)\,dx.~~~~~~~(4.2)
Используя функцию распределения вероятностей F(x)
, математическое ожидание случайной величины можно выразить так: M(X)=\int\limits_{-\infty}^{\infty}x\,d(F(x)).
Свойство 1.
Математическое ожидание суммы двух случайных величин равно сумме их математических ожиданий: M(X+Y)=M(X)+M(Y).
Свойство 2.
Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий: M(XY)=M(X)M(Y).
Свойство 3.
Математическое ожидание постоянной величины равно самой постоянной: M(c)=c.
Свойство 4.
Постоянный множитель случайной величины можно вынести за знак математического ожидания: M(cX)=cM(X).
Свойство 5.
Математическое ожидание отклонения случайной величины от ее математического ожидания равно нулю: M(X-M(X))=0.
Пример 3.
Найти математическое ожидание количества бракованных изделий в выборке из пяти изделий, если случайная величина X (количество бракованных изделий) задана рядом распределения. \begin{array}{|c|c|c|c|c|c|c|}\hline{X}&0&1&2&3&4&5\\\hline{P}&0,\!2373&0,\!3955&0,\!2637&0,\!0879&0,\!0146&0,\!0010\\\hline\end{array}
Решение.
По формуле (4.1) находим M(X)=0\cdot0,\!2373+1\cdot0,\!3955+2\cdot0,\!2637+3\cdot0,\!0879+4\cdot0,\!0146+5\cdot0,\!0010
=1,\!25.
Модой M_0
дискретной случайной величины
называется наиболее вероятное ее значение. Модой M_0
непрерывной случайной величины
называется такое ее значение, которому соответствует наибольшее значение плотности распределения. Геометрически моду интерпретируют как абсциссу точки глобального максимума кривой распределения (рис. 12). Медианой M_e
случайной величины
называется такое ее значение, для которого справедливо равенство P\{X С геометрической точки зрения медиана - это абсцисса точки, в которой площадь фигуры, ограниченной кривой распределения вероятностей и осью абсцисс, делится пополам (рис. 12). Так как вся площадь, ограниченная кривой распределения и осью абсцисс, равна единице, то функция распределения в точке, соответствующей медиане, равна 0,5, т. е. F(M_e)=P\{X С помощью дисперсии и среднеквадратического отклонения можно судить о рассеивании случайной величины вокруг математического ожидания. В качестве меры рассеивания случайной величины используют математическое ожидание квадрата отклонения случайной величины от ее математического ожидания, которое называют дисперсией случайной величины
X
и обозначают D[X]
: D[X]=M((X-M(X))^2).
Для дискретной случайной величины дисперсия равна сумме произведений квадратов отклонений значений случайной величины от ее математического ожидания на соответствующие вероятности: D[X]=\sum\limits_{i=1}^{n}(x_i-M(X))^2p_i.
Для непрерывной случайной величины, закон распределения которой задан плотностью распределения вероятности f(x)
, дисперсия D[X]=\int\limits_{-\infty}^{+\infty}(x-M(X))^2f(x)\,dx.
Размерность дисперсии равна квадрату размерности случайной величины и поэтому ее нельзя интерпретировать геометрически. Этих недостатков лишено среднее квадратическое отклонение случайной величины, которое вычисляется по формуле \sigma=\sqrt{D[X]}.
Свойство 1.
Дисперсия суммы двух независимых случайных величин равна сумме дисперсий этих величин: D=D[X]+D[Y].
Свойство 2.
Дисперсия случайной величины равна разности между математическим ожиданием квадрата случайной величины X
и квадратом ее математического ожидания: D[X]=M(X^2)-(M(X))^2.~~~~~~~(4.3).
Свойство 3.
Дисперсия постоянной величины равна нулю: D[c]=0.
Свойство 4.
Постоянный множитель случайной величины, можно выносить за знак дисперсии, предварительно возведя его в квадрат: D=c^2D[X].
Свойство 5.
Дисперсия произведения двух независимых случайных величин X
и Y
определяется по формуле D=D[X]D[Y]+(M(X))^2D[Y]+(M(X))^2D[X].
Пример 4.
Вычислить дисперсию количества бракованных изделий для распределения примера 3. Решение.
По определению дисперсии Обобщением основных числовых характеристик случайной величины является понятие моментов случайной величины. Начальным моментом q-го порядка
случайной величины называют математическое ожидание величины X^q
: Начальный момент первого порядка представляет собой математическое ожидание, а центральный момент второго порядка - дисперсию случайной величины. Нормированный центральный момент третьего порядка служит характеристикой скошенности или асимметрии распределения (коэффициент асимметрии
): A_s=\frac{\mu_{{}_3}}{\sigma^3}.
Нормированный центральный момент четвертого порядка служит характеристикой островершинности или плосковершинности распределения (эксцесс
): E=\frac{\mu_{{}_4}}{\sigma^4}-3.
Пример 5.
Случайная величина X
задана плотностью распределения вероятностей F(x)=\begin{cases}0,&x<0;\\ax^2,&0 Найти коэффициент a
, математическое ожидание, дисперсию, асимметрию и эксцесс. Решение.
Площадь, ограниченная кривой распределения, численно равна \int\limits_{0}^{2}f(x)\,dx=a\int\limits_{0}^{2}x^2\,dx=\left.{a\,\frac{x^3}{3}}\right|_{0}^{2}=\frac{8}{3}\,a.
Учитывая, что эта площадь должна быть равна единице, находим a=\frac{3}{8}
. По формуле (4.2) найдем математическое ожидание: M(X)=\int\limits_{0}^{2}xf(x)\,dx=\frac{3}{8}\int\limits_{0}^{2}x^3\,dx=\left.{\frac{3}{8}\cdot\frac{x^4}{4}}\right|_{0}^{2}=1,\!5.
Дисперсию определим по формуле (4.3). Для этого найдем сначала математическое ожидание квадрата случайной величины: M(X^2)=\int\limits_{0}^{2}x^2f(x)\,dx=\frac{3}{8}\int\limits_{0}^{2}x^4\,dx=\left.{\frac{3}{8}\cdot\frac{x^5}{5}}\right|_{0}^{2}=2,\!4.
Таким образом, \begin{aligned}D(X)&=M(X^2)-(M(X))^2=2,\!4-(1,\!5)^2=0,\!15;\\ \sigma(X)&=\sqrt{D(X)}=\sqrt{0,\!15}\approx0,\!3873.\end{aligned}
Используя начальные моменты, вычисляем центральные моменты третьего и четвертого порядка: \begin{aligned}\nu_1&=M(X)=1,\!5;\quad\nu_2=M(X^2)=2,\!4.\\ \nu_3&=M(X^3)=\int\limits_0^2{x^3f(x)\,dx}=\frac{3}{8}\int\limits_0^2{x^5\,dx}=\left.{\frac{3}{8}\cdot\frac{x^6}{6}}\right|_0^2=4;\\ \nu_4&=M(X^4)=\int\limits_0^2{x^4f(x)\,dx}=\frac{3}{8}\int\limits_0^2{x^6\,dx}=\left.{\frac{3}{8}\cdot\frac{x^7}{7}}\right|_0^2\approx6,\!8571;\\ \mu_3&=\nu_3-3\nu_1\nu_2+2\nu_1^3=4-3\cdot1,\!5\cdot2,\!4+2\cdot(1,\!5)^3=-0,\!05.\\ \mu_4&=\nu_4-4\nu_1\nu_3+6\nu_1^2\nu_2-3\nu_1^4=\\&=6,\!8571-4\cdot1,\!5\cdot4+6\cdot(1,\!5)^2\cdot2,\!4-3\cdot(1,\!5)^4=0,\!0696.\\ A_s&=\frac{\mu_3}{\sigma^3}=-\frac{0,\!05}{(0,\!3873)^3}=-0,\!86.\\ E&=\frac{\mu_4}{\sigma^4}-3=\frac{0,\!0696}{(0,\!3873)^4}-3=-0,\!093.\end{aligned}
Пусть x_1,x_2,\ldots,x_n
- значения случайной величины X
, полученные при n
независимых испытаниях. Математическое ожидание случайной величины равно M(X)
, а ее дисперсия D[X]
. Эти значения можно рассматривать как независимые случайные величины X_1,X_2,\ldots,X_n
с одинаковыми математическими ожиданиями и дисперсиями: M(X_i)=M(X); \quad D=D[X],~~i=1,2,\ldots,n.
Средняя арифметическая этих случайных величин \overline{X}=\sum\limits_{i=1}^{n}\frac{X_i}{n}.
Используя свойства математического ожидания и дисперсии случайной величины, можно записать: \begin{aligned}M(\overline{X})&=M\!\left(\frac{1}{n}\sum\limits_{i=1}^{n}X_i\right)=\frac{1}{n}\sum\limits_{i=1}^{n}M(X_i)=M(X).~~~~~~~(4.4)\\ D[\overline{X}]&=D\!\left[\frac{1}{n}\sum\limits_{i=1}^{n}X_i\right]=\frac{1}{n^2}\sum\limits_{i=1}^{n}D=\frac{D[X]}{n}.~~~~~~~(4.5)\end{aligned}
где неравенство x_i
Плотность распределения вероятности и ее свойства
Числовые характеристики случайных величин
Свойства математического ожидания
Свойства дисперсии случайных величин
Числовые характеристики среднего арифметического n независимых случайных величин
Перейти к следующему разделу
Многомерные случайные величины
В вашем браузере отключен Javascript.
Чтобы произвести расчеты, необходимо разрешить элементы ActiveX!
