- •§ 1. Числовые характеристики дискретных случайных величин
- •§ 2. Математическое ожидание дискретной случайной величины
- •§ 3. Вероятностный смысл математического ожидания
- •§ 4. Свойства математического ожидания
- •§ 5. Математическое ожидание числа появлений события в независимых испытаниях
- •§ 1. Целесообразность введения числовой характеристики рассеяния случайной величины
- •§ 2. Отклонение случайной величины от ее математического ожидания
- •§ 3. Дисперсия дискретной случайной величины
- •§ 4. Формула для вычисления дисперсии
- •§ 5. Свойства дисперсии
- •§ 6. Дисперсия числа появлений события в независимых испытаниях
- •§ 7. Среднее квадратическое отклонение
- •§ 8. Среднее квадратическое отклонение суммы взаимно независимых случайных величин
- •§ 9. Одинаково распределенные взаимно независимые случайные величины
- •§ 10. Начальные и центральные теоретические моменты
- •§ 1. Предварительные замечания
- •§ 2. Неравенство Чебышева
- •§ 3. Теорема Чебышева
- •§ 4. Сущность теоремы Чебышева
- •§ 5. Значение теоремы Чебышева для практики
- •§ 6. Теорема Бернулли
- •§ 1. Определение функции распределения
- •§ 2. Свойства функции распределения
- •§ 3. График функции распределения
- •§ 1. Определение плотности распределения
- •§ 2. Вероятность попадания непрерывной случайной величины в заданный интервал
- •§ 3. Нахождение функции распределения по известной плотности распределения
- •§ 4. Свойства плотности распределения
- •§ 5. Вероятностный смысл плотности распределения
- •§ 6. Закон равномерного распределения вероятностей
- •§ 1. Числовые характеристики непрерывных случайных величин
- •§ 2. Нормальное распределение
- •§ 3. Нормальная кривая
- •§ 4. Влияние параметров нормального распределения на форму нормальной кривой
- •§ 5. Вероятность попадания в заданный интервал нормальной случайной величины
- •§ 6. Вычисление вероятности заданного отклонения
- •§ 7. Правило трех сигм
- •§ 8. Понятие о теореме Ляпунова. Формулировка центральной предельной теоремы
- •§ 9. Оценка отклонения теоретического распределения от нормального. Асимметрия и эксцесс
- •§ 10. Функция одного случайного аргумента и ее распределение
- •§ 11. Математическое ожидание функции одного случайного аргумента
- •§ 12. Функция двух случайных аргументов. Распределение суммы независимых слагаемых. Устойчивость нормального распределения
- •§ 13. Распределение «хи квадрат»
- •§ 14. Распределение Стьюдента
- •§ 15. Распределение f Фишера — Снедекора
- •§ 1. Определение показательного распределения
- •§ 2. Вероятность попадания в заданный интервал показательно распределенной случайной величины
- •§ 3. Числовые характеристики показательного распределения
- •§ 4. Функция надежности
- •§ 5. Показательный закон надежности
- •§ 6. Характеристическое свойство показательного закона надежности
§ 6. Дисперсия числа появлений события в независимых испытаниях
Пусть производится п независимых испытаний, в каждом из которых вероятность появления события А постоянна. Чему равна дисперсия числа появлений события в этих испытаниях? Ответ на этот вопрос дает следующая теорема.
Теорема. Дисперсия числа появлений события А в п независимых испытаниях, в каждом из которых вероятность р появления события постоянна, равна произведению числа испытаний на вероятности появления и непоявления события в одном испытании:
D(X) = npq.
Доказательство. Рассмотрим случайную величину X — число появлений события А в п независимых испытаниях. Очевидно, общее число появлений события в этих испытаниях равно сумме появлений события в отдельных испытаниях:
X = Х1 + X 2 + …+ Хп,
где Х1 — число наступлений события в первом испытании, Х2 — во втором, ..., Хп— в п-м.
Величины Х1, Х2, ..., Хп взаимно независимы, так как исход каждого испытания не зависит от исходов остальных, поэтому мы вправе воспользоваться следствием 1 (см. § 5):
D(X) = D (X1) + D (X2)+ ...+D (Хп). (*)
Вычислим дисперсию X1 по формуле
D(X1)=M()-[M(X1)]2. (**)
Величина Х1—число появлений события А в первом испытании, поэтому (см. гл. VII, § 2, пример 2) М (Х1)=р.
Найдем математическое ожидание величины , которая может принимать только два значения, а именно: 12 c вероятностью р и О2 с вероятностью q:
M()=12*p+02*q=p.
Подставляя найденные результаты в соотношение (**), имеем
D(X1)=p-p2=p(1-p)=pq
Очевидно, дисперсия каждой из остальных случайных величин также равна pq. Заменив каждое слагаемое правой части (*) через pq, окончательно получим
D(X) = npq.
Замечание. Так как величина X распределена по биномиальному закону, то доказанную теорему можно сформулировать и так: дисперсия биномиального распределения с параметрами п и р равна произведению npq.
Пример. Производятся 10 независимых испытаний, в каждом из которых вероятность появления события равна 0,6. Найти дисперсию случайной величины X—числа появлений события в этих испытаниях.
Решение. По условию, n =10, р = 0,6. Очевидно, вероятность непоявления события
q =1—0,6 = 0,4.
Искомая дисперсия
D(X) = npq = 10 • 0,6• 0,4 = 2,4.
§ 7. Среднее квадратическое отклонение
Для оценки рассеяния возможных значений случайной величины вокруг ее среднего значения кроме дисперсии служат и некоторые другие характеристики. К их числу относится среднее квадратическое отклонение.
Средним квадратическим отклонением случайной величины X называют квадратный корень из дисперсии:
X
Легко показать, что дисперсия имеет размерность, равную квадрату размерности случайной величины. Так как среднее квадратическое отклонение равно квадратному корню из дисперсии, то размерность (X) совпадает с размерностью X. Поэтому в тех случаях, когда желательно, чтобы оценка рассеяния имела размерность случайной величины, вычисляют среднее квадратическое отклонение, а не дисперсию. Например, если X выражается в линейных метрах, то а (X) будет выражаться также в линейных метрах, a D (X) — в квадратных метрах.
Пример. Случайная величина X задана законом распределения
-
X
2
3
10
p
0,1
0,4
0,5
Найти среднее квадратическое отклонение (X).
Решение. Найдем математическое ожидание X:
М (Х) = 2*0,1 +3*0,4+10*0,5 = 6,4.
Найдем математическое ожидание X2:
М (Х2) = 22*0,1+32*0,4+102*0,5 = 54.
Найдем дисперсию:
D (X) = М (X2) — [М (X)]2 = 54 — 6,42 = 13,04.
Искомое среднее квадратическое отклонение
X