Mkhitaryan_TViMS

P(x)

0,2

Рис. 1.5

Найдем вероятность того, что интервал времени будет заключен в пределах от одной до трех минут, заметив, что по свойству 2:

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

Рис. 1.6

Пример 1.14. Построить функцию и график распределения для случайной величины примера 1.9

Решение. Интегральная функция имет вид

График функции распределения для дискретной случайной величины представляет собой ступенчатую разрывную линию, непрерывную слева (рис. 1.7).

23

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;

−∞

24

Решение. Для числа появлений “орла” имеем следующий ряд распределения:

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

Среднее значение интервала времени получаем равным:

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:

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:

26

Тогда дисперсия вычисляется по формуле:

−∞

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:

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 :

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

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. Пусть случайные величины X и Y имеют соответственно следующие ряды распределения:

Напишем ряд распределения для суммы X+Y.

Возможные значения случайной величины X+Y есть следующие:

Более компактная запись возможных значений выглядит так:

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

Следствие. Математическое ожидание суммы конечного числа случайных величин равно сумме их математических ожиданий.

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:

независимы, следовательно, по теореме умножения вероятностей независимых событий получим p kl = p k pl .

По определению математического ожидания

29

Следствие. Постоянный множитель можно выносить за знак математического ожидания:

M(cX)=cM(X) .

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