Mkhitaryan_TViMS
.pdfY
y=p( x)
0 |
X |
Рис. 1.4
Пример 1.13. Интервал времени между моментами прихода автобусов к остановке равновозможен в пределах от нуля до пяти минут, Найти плотность распределения вероятностей интервала времени, построить кривую распределения и определить вероятность того, что этот интервал будет находиться в пределах от одной до трех минут.
|
Решение. Согласно условиям задачи можно считать, что вероятность |
|||||||
попадания интервала X |
в пределы от x до x+ ∆x пропорциональна отношению |
|||||||
∆x |
, то есть |
|
|
|
|
|
|
|
5 |
|
|
|
∆x |
|
|
|
|
|
|
P(x < X < x + ∆x) = |
|
|
|
|||
|
Отсюда |
|
|
5 |
|
|
|
|
|
|
|
|
∆x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
p(x) = |
lim |
P(x < X < x + ∆x) |
= lim |
k 5 |
= |
k |
|
|
∆x |
∆x |
|
|||||
|
|
∆x → 0 |
|
5 |
|
Теперь найдем значение параметра k. Из свойства 3 плотности вероятностей
5∫ k dx =1
0 5
откуда k = 1.
Итак, плотность распределения для любого действительного x задается следующим образом:
0 |
п ри |
x ≤ 0; |
1 |
п ри 0 < x ≤ 5; |
|
p(x) = |
||
5 |
п ри |
x > 5. |
0 |
Кривая распределения изображена на рисунке 1.5
21
P(x)
0,2
0 |
1 |
2 |
3 |
4 |
5 |
X |
Рис. 1.5
Найдем вероятность того, что интервал времени будет заключен в пределах от одной до трех минут, заметив, что по свойству 2:
3 |
1 |
dx = |
3 |
− |
1 |
= |
2 |
P(1 < X < 3) = ∫ |
5 |
5 |
5 |
5 |
|||
1 |
|
|
|
Наиболее общим способом задания различных по своей природе случайных величин является функция распределения случайной величины /интегральный закон распределения/.
Функцией распределения F(x) случайной величины X , принимающей любое действительное значение x , называется вероятность того, что случайная величина X примет значение, меньшее, чем x , то есть
F(x)=P(X<x)
Для дискретной случайной величины функция F(x) вычисляется по формуле
F(x)=x∑i <x pi
где суммирование ведется по всем значениям i , для которых xi < x.
Для непрерывной случайной величины интегральный закон выражается формулой:
x
F(x) = ∫ p(z)dz
−∞
где функция p(z) является плотностью распределения.
Функия распределения обладает следующими основными свойствами:
1.P(x1 ≤ X < x 2 ) = F(x 2 ) − F(x1 ) ;
2.F(x2 ) ≥ F(x1 ), если x2>x1 ;
22
3.lim F (x)=0 ; x→−∞
4.lim F (x) = 1 ; x→+∞
5.dF (x) = p(x)dx (для непрерывной случайной величины).
График функции распределения для непрерывной случайной величины называется интегральной кривой расрпределения и имеет, например, вид, указанный на рис. 1.6
F(x)
1
0 |
X |
Рис. 1.6
Пример 1.14. Построить функцию и график распределения для случайной величины примера 1.9
Решение. Интегральная функция имет вид
0 |
п ри |
x ≤ 0 |
|
|
0125, |
п ри 0 < x ≤1 |
|
|
|||
F(x) = |
0125, +0,375 = 0,5 |
при |
1 < x ≤ 2 |
|
|
при |
2 < x ≤ 3 |
0,5 +0,375 = 0,875 |
|||
0,875 +0125, =1 |
при |
x > 3 |
График функции распределения для дискретной случайной величины представляет собой ступенчатую разрывную линию, непрерывную слева (рис. 1.7).
23
F(x) |
|
|
|
|
1 |
|
|
|
|
0,75 |
|
|
|
|
0,5 |
|
|
|
|
0,25 |
|
|
|
|
0 |
1 |
2 |
3 |
X |
Рис. 1.7
Пример 1.15. Построить интегральный закон распределения и интегральную кривую для случайной величины примера 1.10.
Решение. Исходя из формулы
x
F(x) = ∫ p(z)dz
−∞
будем иметь:
1. при x ≤ 0
x
F(x) = ∫ p(z)dz =0;
−∞
2. при 0 < x ≤ 5 |
|
|
|
|
|
|
x |
|
0 |
x |
1 |
|
|
F(x) = ∫ p(z)dz= |
∫ 0 dz+ ∫ |
|
|
dz = 0,2x ; |
||
|
5 |
|||||
−∞ |
|
−∞ |
0 |
|
||
3. при x > 5 |
|
|
|
|
|
|
x |
0 |
5 |
1 |
|
|
x |
F(x) = ∫ p(z)dz = |
∫ |
0 dz + ∫ |
5 |
dz + ∫0 dz =1. |
||
−∞ |
−∞ |
0 |
|
|
5 |
|
Таким образом, |
|
|
|
|
|
|
0 |
при |
x ≤ 5 |
||||
F(x) = 0,2 |
при 0 < x ≤ 5 |
|||||
|
1 |
при |
x > 5 |
|||
|
|
|
|
|
|
|
24
Интегральная кривая имеет вид (рис. 1.8) F(x)
1
0 |
5 |
X |
Рис. 1.8
1.2.2.Математическое ожидание и дисперсия случайной величины
Для практического применения не всегда необходимо иметь полное представление о случайной величине, достаточно знать некоторые ее числовые характеристики, дающие суммарное представление о случайной величине.
Ктаким характеристикам прежде всего относятся математическое ожидание
идисперсия.
Математическое ожидание /среднее значение/ M(X) дискретной случайной величины X определяется по формуле
∞
M (X ) = ∑x i pi (1.10)
i=1
где символ ∞ заменяется числом n , если случайная величина имеет конечное число
∞
n значений, и ряд ∑x i pi сходится абсолютно.
i=1
Если случайная величина X непрерывна и p(x) - ее плотность распределения, то математическим ожиданием случайной величины называется интеграл
∞
M (X ) = ∫xp(x) dx (1.11)
−∞
в тех случаях, когда существует интеграл
∞
∫ x p(x)dx .
−∞
Пример 1.16. Найти математическое ожидание случайных величин, рассмотренных в примерах 1.12 и 1.13.
25
Решение. Для числа появлений “орла” имеем следующий ряд распределения:
0 |
1 |
2 |
3 |
|
|
|
|
1 |
3 |
3 |
1 |
|
, |
X = |
|
|||||
|
|
8 |
8 |
8 |
|
|
8 |
|
|
так что среднее число появлений “орла” при трех бросаниях монеты следующее:
M(x) = 0 18 +1 38 +2 38 + 3 18 =15,
Для интервала времени между двумя появленими автобуса на остановке плотность распределения имеет вид
0 |
при |
x < 5 |
|
|
|
при 0 |
< x < 5 |
P(x) = 0,2 |
|||
|
1 |
при |
x > 5 |
|
Среднее значение интервала времени получаем равным:
∞ |
0 |
5 |
∞ |
5 |
M(X) = ∫xp(x)dx = |
∫x 0 dx + ∫x 0,2 dx + ∫x 0 dx = 0,2 ∫xdx = 2,5 |
|||
−∞ |
−∞ |
0 |
5 |
0 |
Дисперсия D(x) случайной величины X характеризует средний разброс, рассеяние значений случайной величины около математического ожидания.
Дисперсией случайной величины называется математическое ожидание квадрата отклонения случайной величины от математического ожидания, то есть
D[X]=M[X-M(X)]2
Пусть имеется дискретная случайная величина X , заданная рядом распределения:
x1 |
x 2 |
... |
x k |
... |
X = p |
p |
... |
p |
... |
1 |
2 |
|
k |
|
Рассмотрим случайную величину X-M(X), равную разности случайной величины X и постоянной величины M(X) и называемую отклонением X от M(X)
. Ряд распределения для отклонения имеет следующий вид:
x |
|
− M (X ) |
x |
|
− M (X ) |
... |
x |
|
− M (X ) |
... |
|
|
X − M (X ) = |
|
1 |
p |
|
2 |
p |
... |
|
k |
p |
... |
|
|
|
|
1 |
|
|
2 |
|
|
|
k |
|
|
так как случайная величина |
X-M(X) |
принимает значение |
xk-M(X) |
тогда и только |
||||||||
тогда, когда X принмает значение xk |
, |
следовательно, вероятность значений xk |
и |
|||||||||
xk-M(X) - одна и та же и равна pk. |
|
|
|
|
|
|
|
|
|
|||
Далее рассмотрим случайную величину, равную квадрату отклонения |
||||||||||||
случайной величины X |
от ее математического ожидания M(X). Рассуждая, |
как |
26
выше, получим следующий |
ряд |
распределения |
|
для |
[X − M (X )]2 , если |
||||||||||
|
x k − M (X ) |
|
≠ |
|
x l − M (X ) |
|
для любых k ≠ l |
|
|
|
|
||||
|
|
|
|
|
|
|
|
||||||||
|
[X − M (X )] |
2 |
[x1 − M |
(X )]2 |
[x 2 − M (X )]2 |
... |
[x k − M (X )]2 |
... |
|||||||
|
|
= |
|
p1 |
|
p2 |
... |
|
pk |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
... |
Тогда дисперсия вычисляется по формуле:
|
|
|
|
|
|
|
|
∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
DX = ∑[xk −M(X)]2 p k |
(1.12) |
|
|
|||
|
|
|
|
|
|
|
|
k =1 |
|
|
|
|
|
|
|
Заметим, что правая часть формулы для дисперсии верна и в случае, когда |
|||||||||||||
|
xk −M(X) |
|
= |
|
xl |
−M(X) |
|
для некоторых |
k ≠ l , хотя ряд для [X − M (X )]2 |
будет |
||||
|
|
|
|
|||||||||||
отличаться от |
написанного |
выше. |
Отличие |
состоит |
в том, |
что |
||||||||
|
xk −M(X) |
|
= |
|
xl |
−M(X) |
|
соответствует одно значение |
[x k − M (X )]2 = [x l − M (X )]2 |
|||||
|
|
|
|
|||||||||||
с вероятностью |
pk+pl , так как, если [X − M (X )]2 |
примет это значение, то X-M(X) |
||||||||||||
примет значение либо xk-M(X) либо xl-M(X). |
|
|
|
|
||||||||||
|
Для непрерывной случайной величины дисперсия определяется по формуле |
|||||||||||||
|
|
|
|
|
|
|
|
|
∞ |
|
|
|
|
|
|
|
|
D(X ) = M [X − M (X )]2 |
= ∫[X − M (X )]2 p(x) dx |
(1.13) |
|
−∞
Пример 1.17. Найти дисперсию случайных величин, приведенных в примерах
1.12 и 1.13.
Решение. Напишем ряд распределения для квадрата отклонений от числа выпадений орла от среднего значения, равного 1,5:
|
2 |
|
0 |
−15, |
2 |
1 |
−15, |
2 |
2 |
−15, |
2 |
3 |
−15, |
2 |
|
0,25 |
2,25 |
||||
[X − M (X )] |
( |
|
) |
( |
|
) |
( |
|
) |
( |
|
) |
|
||||||||
|
= |
|
1 |
|
|
|
3 |
|
|
|
3 |
|
|
|
1 |
|
|
|
= |
|
|
|
|
|
|
8 |
|
|
8 |
|
|
8 |
|
|
8 |
|
|
0,75 |
0,25 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Затем вычислим дисперсию:
D(X) = 0,25 0,75 +2,25 0,25 = 0,75
Дисперсия для интервала времени между двумя появлениями автобуса найдем по формуле для дисперсии непрерывной случайной величины, имея
M(X)=2,5 :
∞ |
2 |
5 |
2 |
|
1 |
|
1 |
|
|
3 |
|
5x |
2 |
|
25 |
|
|
5 |
|
25 |
|
|
|
|
|
|
|
||||||||||||||
D(X) = ∫(x −2,5) |
p(x)dx = ∫(x − 2,5) |
|
dx = |
x |
|
− |
|
+ |
|
|
|
= |
||||||||
|
|
5 |
5 |
|
3 |
2 |
|
4 |
x |
|
|
12 |
||||||||
−∞ |
|
0 |
|
|
|
|
|
|
|
|
|
0 |
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Как не трудно заметить, если случайная величина выражена в некоторых единицах измерения, то дисперсия имеет наименование, выраженное в квадратных единицах. Для удобства представления случайной величины через свои
27
характеристики вводят понятие |
среднего квадратического отклонения σ(x) , |
|
равного арифметическому корню из дисперсии: |
||
|
|
. (1.14) |
σ(x) = |
M [X −M (X )]2 |
1.2.3. Основные свойства математического ожидания и дисперсии
Доказательства рассматриваемых свойств будем проводить для дискретных случайных величин.
Свойство 1. Математическое ожидание постоянной равно этой постоянной.
Доказательство. |
Постоянную C можно |
рассматривать |
как дискретную |
случайную величину, |
принимающую единственное значение c |
с вероятностью |
|
единица, поэтому M(C) = c 1 = c . |
|
|
|
Свойство 2. Математическое ожидание суммы случайных величин равно |
|||
сумме их математических ожиданий: |
|
|
|
M (X +Y ) = M (X ) + M (Y ). |
(1.15) |
|
Доказательство. Пусть случайные величины X и Y имеют соответственно следующие ряды распределения:
X |
x1 |
x 2 |
... |
x k |
... |
x n |
, |
Y |
y1 |
y2 |
... |
yl |
... |
ym |
= p |
p |
... |
p |
... |
p |
= p |
p |
... |
p |
... |
p |
|||
|
1 |
2 |
|
k |
|
n |
|
|
1 |
2 |
|
l |
|
m |
Напишем ряд распределения для суммы X+Y.
Возможные значения случайной величины X+Y есть следующие:
x1 + y1, |
x2 + y2, |
..., |
xl + yl, |
..., |
x1 + ym , x2 + y1, x2 + y2, ..., x2 + yl, |
..., |
x2 + ym , |
..., |
xk + yl, |
..., |
xn + ym . |
Более компактная запись возможных значений выглядит так:
x |
k |
+ y |
l |
, |
|
( |
k =1 ÷ n ; |
) |
||
|
|
|
|
l =1 ÷ m . |
||||||
Обозначим вероятность того, что X примет значение xk , |
||||||||||
а Y - значение yl через pkl , тогда: |
|
|
|
|
|
|||||
X +Y = |
x k |
+ yl |
, |
( |
k =1 |
) |
||||
|
|
p |
|
|||||||
|
|
kl |
|
|
÷ n ; l =1 ÷ m . |
|||||
|
|
|
|
|
|
|
|
Рассмотрим событие X+Y=xk+Y и найдем вероятность этого события. Это событие происходит тогда и только тогда, когда Y принимает одно из значений y1, y2, ..., yl, ..., ym , причем события
28
xk+y1, xk+y2, ..., xk+ym попарно несовместимы. Следовательно, можно применить формулу вероятности суммы:
m
P(X +Y = x k +Y ) = ∑pkl .
l=1
С другой стороны, P(X+Y=xk+Y)=P(X=xk) и P(X=xk)=pk , следовательно
m
∑pkl = pk . l=1
Аналогично доказывается формула
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
∑pkl = pl . |
|
|
|
|
|
|
|
|
|
k =1 |
|
|
По определению математического ожидания |
|
||||||||
|
|
|
|
|
|
|
|
n m |
|
|
M(X + Y) = ∑(xk + yl ) p kl = ∑∑(xk + yl ) p kl = |
||||||||
|
|
|
|
k,l |
|
|
|
k=1 l=1 |
|
n |
|
m |
|
m |
|
n |
|
n |
m |
∑xk |
∑p kl |
+ ∑yl |
∑p kl |
= ∑xk p k + |
∑yl pl =M(X) + M(Y) . |
||||
k=1 |
l=1 |
|
l=1 |
k=1 |
|
k=1 |
l=1 |
Следствие. Математическое ожидание суммы конечного числа случайных величин равно сумме их математических ожиданий.
M (X 1 + X 2 +...+X n ) = M (X1 ) + M (X 2 )+...+M (X n ). |
(1.16) |
Доказательство. Применяя свойство 2 и метод математической индукции, получим
M(X1 + X2 +...+X n ) = M(X1) +M(X2 +...+X n ) = M(X1) + +M(X2 ) +M(X3 +..+X n ) = M(X1) + M(X2 )+...+M(X n ).
Свойство 3. Математическое ожидание произведения независимых случайных величин X и Y равно произведению математических ожиданий этих величин: MXY = MX MY . Пусть случайные величины X и Y заданы рядами распределения. Ряд распределения для произведения случайных величин выглядит следующим образом:
XY = |
x k yl |
, |
( |
k =1 |
÷ n ; |
l = |
) |
||
|
p |
|
|||||||
|
kl |
|
|
1 ÷ m . |
|||||
|
|
|
|
|
|
|
|||
Причем в силу независимости случайных величин |
X и |
Y события (X=xk) и (Y=yl) |
независимы, следовательно, по теореме умножения вероятностей независимых событий получим p kl = p k pl .
По определению математического ожидания
29
M(XY) = ∑xk yl p kl |
n m |
|||||
= ∑∑xk yl p k pl = |
||||||
|
|
k,l |
|
|
k=1 l=1 |
|
|
n |
|
|
m |
|
|
|
∑xk p k |
|
∑yl pl |
= M(X) M(Y) |
||
k=1 |
|
l=1 |
|
|
Следствие. Постоянный множитель можно выносить за знак математического ожидания:
M(cX)=cM(X) .
Доказательство. Постоянную c можно |
рассматривать как случайную |
величину, причем c и X - независимые случайные величины, поэтому |
|
M(cX) = M(c) M(X) = cM(X) . |
(1.17) |
Свойство 4. Дисперсия постоянной величины равна нулю.
Доказательство. Согласно свойству 1
D(c) = M[c −M(c)]2 = M(c −c)2 = M(0) = 0 .
Свойство 5. Постоянную величину можно вынести за знак дисперсии, предварительно возведя ее в квадрат, т.е.
D(cX)=c2D(X) . (1.18)
Доказательство. В силу следствия из свойства 3 имеем:
D(cX) = M[cX −M(cX)]2 = M[cX −cM(X)]2 = M{c2 [c −M(X)]2 }=
c2M[X −M(X)]2 = c2D(X).
Свойство 6. Дисперсия суммы независимых случайных величин X и Y равна сумме их дисперсии:
D(X+Y)=D(X)+D(Y) . (1.19)
Доказательство. По определению дисперсии и по свойству 2 получим:
D(X + Y) = M[(X + Y) −M(X + Y)]2 = M{[X − M(X)]+[Y −M(Y)]}2 =
D(X) + D(Y) +2M{[X −M(X)] [Y −M(Y)]}.
Величины X и Y независимы, поэтому величины X-M(X) и Y-M(Y) также независимы, следовательно:
30