- •Конспект лекцій з курсу
- •Математичної статистики “ Розділ “теорія ймовірностей”.
- •Передмова
- •1.Основні поняття теорії ймовірностей
- •1.1. Випадкові події та їх алгебра
- •1.1.1. Первісні поняття. Подія
- •1.1.2. Алгебра випадкових подій.
- •1.2. Аксіоми та властивості ймовірності
- •1.2.1. Частота та ймовірність випадкової події
- •1.2.2. Аксіоми ймовірності та її властивості.
- •1.2.3. Принцип практичної вірогідності
- •1.3. Теорема множення та її наслідки
- •1.3.1. Умовна ймовірність
- •1.3.2. Формула повної ймовірності
- •1.3.3. Теорема гіпотез (формулиБейєса)
- •1.4. Випробування із скінченною кількістю наслідків
- •1.4.1. Класичне означення ймовірності
- •1.4.2. Комбінаторні методи підрахунку кількості наслідків
- •1.5. Повторні випробування
- •1.5.1. Схема я.Бернуллі. Узагальнення а.Маркова
- •1.5.2. Асимптотичні формули для схеми Бернуллі.
- •2.Випадкові величини
- •2.1. Одновимірні випадкові величини
- •2.1.1. Випадкова величина та її функція розподілу
- •2.1.2. Дискретні випадкові величини
- •2.1.3. Неперервні випадкові величини
- •2.1.4. Перетворення розподілів
- •2.2. Випадкові вектори
- •2.2.1. Функція розподілу випадкового вектора
- •2.2.2. Дискретний випадковий вектор
- •2.2.3. Неперервний випадковий вектор
- •2.2.4. Найважливіші види двовимірних розподілів.
- •2.2.5. Закон розподілу суми випадкових величин
- •2.2.6. Ентропія і інформація
- •3.Числові характеристики випадкових величин
- •3.1. Математичне сподівання та його властивості
- •3.1.1. Стійкість середнього арифметичного
- •3.1.2. Математичне сподівання випадкової величини
- •3.1.3. Математичне сподівання функції випадкової величини
- •3.1.4. Математичне сподівання функції випадкового вектора
- •3.1.5. Кореляційний момент випадкових величин
- •3.2. Дисперсія випадкової величини
- •3.2.1. Дисперсія випадкової величини та її властивості
- •3.2.2. Дисперсія суми випадкових величин
- •3.2.3. Нерівність п.Чебишева
- •3.3. Кореляція
- •3.3.1.Коефіцієнт кореляції та кореляційна матриця
- •3.3.2. Регресія
- •3.4. Прикладні задачі
- •3.4.1. Теорія масового обслуговування.
- •3.4.2. Найпростіші задачі теорії надійності
- •Додатки
- •Література
3.1.3. Математичне сподівання функції випадкової величини
Теорема 1. Якщо розподіл випадкової величиниXє відомим, то математичне сподівання випадкової величиниY=g(X) дорівнює
(2)
Наслідок.Якщоk іl - є сталими, то
M(kX+l)=k·MX+l. (3)
Зокрема, математичне сподівання сталої дорівнює цій сталій.
Випадкова величина називається центрованою, якщо її математичне сподівання дорівнює нулю. Випадкова величина =X–MXназивається флуктуацією випадкової величиниX. Із (3) випливає, що флуктуація є центрованою випадковою величиною. Дійсно, M=M(X–MX)=MX–MX=0.
Приклад 1. Випадкова величина X задана щільністю pX (x)=4x3 (x[0;1]). Знайти математичне сподівання випадкових величин: 1) Y=2X 2 – X ; 2) Y=.
Розв’язок. На підставі формули (2) знаходимо:
1) M(2X 2–X )=.
2) .
3.1.4. Математичне сподівання функції випадкового вектора
Сформулюємо результат, в якому формули (1) та (2) містяться як окремі випадки.
Теорема 1. Якщо відомий розподіл випадкового вектора , то математичне сподівання випадкової величини Z=g(X,Y) знаходиться за формулою
(4)
Зокрема, якщо випадкова величина g(X,Y) дорівнюєX, Y, X+Y, X·Yприходимо до формул (формули записані лише для випадку неперервних випадкових величин):
(5)
(6)
. (7)
Із формул (5)–(7) виходять такі властивості математичного сподівання.
Теорема 2. Математичне сподівання суми випадкових величин дорівнює сумі їх математичних сподівань
M(X+Y )=MX+MY.(8)
Доведення. Скористаємося лінійністю інтеграла у формулі (6) а потім формулами (5).
Теорема 3. Математичне сподівання добутку незалежних випадкових величинX таY дорівнює добутку математичних сподівань цих випадкових величин
M(X·Y )=MX·MY.(9)
Доведення. Оскільки випадкові величини X та Y незалежні, то . У цьому випадку інтеграл у формулі (6) розпадається на добуток інтегралів, один із яких згідно з формулою (1) є MX, а другий – MY.
З
X –1 1 P 1/2 1/2
Тоді MX=(–1)·1/2+1·1/2=0,
MY=M(X 2)=1·1/2+1·1/2=1,M(X·Y)=M(X 3)=(–1)·1/2+1·1/2=0.
Таким чином, M(X·Y)=MX·MY, але випадкові величиниX таYзалежні не тільки в імовірнісному сенсі, а і функціонально.
Приклад 1. Знайти математичне сподівання випадкової величиниX, яка має біноміальний розподіл (розділ 2.1, формула (4)).
Розв’язок. БудеморозглядатиX, як кількість появ подіїA у серії зnнезалежних випробувань з імовірністюpпояви в кожному з них. Позначимо черезXi(i=1,...,n) кількість появ подіїAуi-му випробуванні. ТодіX=X1+X2+...+Xn і на підставі (8) одержимо: MX=MX1+MX2+...+MXn. Оскільки величини Xi мають однаковий розподіл, то на підставі результату прикладу 1 пункту 3.1.2, одержимо MX=n·MXn=n·p. Звідси випливає, що математичне сподівання частоти X/n появ події A дорівнює M(X/n)=.
Приклад 2. В теорії масового обслуговування зустрічається випадкова величина, що є сумоюnнезалежних випадкових величин, кожна з яких розподілена за показниковим законом з параметром. Знайти математичне сподівання випадкової величини.
Розв’язок. Враховуючи результат прикладу 3 пункту 3.1.2, на підставі формули (8) будемо матиM=n/.
Закон розподілу величини – закон Ерлангаn–1-го порядку (пункт 2.2.4, наслідок 2).