- •Раздел 1. Теория вероятностей
- •§1. Предмет теории вероятностей
- •§2. Случайные события. Операции над событиями
- •§3. Классическое определение вероятности
- •§4. Элементы комбинаторики
- •§5. Геометрическое определение вероятности
- •§6. Аксиоматическое определение вероятности
- •§7. Условная вероятность, теорема умножения
- •§8. Независимость событий
- •§9. Формула полной вероятности. Формула Байеса
- •§10. Схема Бернулли
- •§11. Предельные теоремы для схемы Бернулли
- •§12. Дискретные случайные величины
- •§13. Примеры дискретных случайных величин
- •§14. Функция распределения случайной величины
- •Свойства функции распределения.
- •§15. Непрерывные случайные величины
- •§16. Примеры непрерывных распределений
- •§17. Многомерные случайные величины
- •§18. Функция распределения двумерной случайной величины
- •§19. Двумерная плотность
- •§20. Условные распределения
- •§21. Зависимые и независимые случайные величины
- •§22. Математическое ожидание дискретной случайной величины
- •§23. Дисперсия дискретной случайной величины
- •§24. Начальные и центральные теоретические моменты
- •§25. Числовые характеристики непрерывных случайных величин
- •§26. Свойства нормального распределения
- •§27. Функции случайных величин
- •§28. Условное математическое ожидание
- •§29. Ковариация. Коэффициент корреляции
- •§30. Закон больших чисел
- •§31. Характеристические функции
- •§32. Центральная предельная теорема
- •§33. Цепи Маркова
§23. Дисперсия дискретной случайной величины
Легко указать такие случайные величины, которые имеют одинаковые математические ожидания, но различные возможные значения. Рассмотрим, например, дискретные случайные величины ξ и η, заданные следующими законами распределения:
ξ |
-0,01 |
0,01 |
|
η |
-100 |
100 |
P |
0,5 |
0,5 |
|
P |
0,5 |
0,5 |
Найдем математические ожидания этих величин:
М(ξ)=-0,01·0,5+0,01·0,5=0,
М(η)=-100·0,5+100·0,5=0.
Здесь математические ожидания обеих величин одинаковы, а возможные значения различны, причем ξ имеет возможные значения, близкие к математическому ожиданию, a η - далекие от своего математического ожидания. Таким образом, зная лишь математическое ожидание случайной величины, еще нельзя судить ни о том, какие возможные значения она может принимать, ни о том, как они рассеяны вокруг математического ожидания. Другими словами, математическое ожидание полностью случайную величину не характеризует.
По этой причине наряду с математическим ожиданием вводят и другие числовые характеристики. Так, например, для того чтобы оценить, как рассеяны возможные значения случайной величины вокруг ее математического ожидания, пользуются, в частности, числовой характеристикой, которую называют дисперсией.
Введем понятие отклонения случайной величины от ее математического ожидания.
Пусть ξ - случайная величина и М(ξ) - ее математическое ожидание. Рассмотрим в качестве новой случайной величины разность ξ-М(ξ).
Определение. Отклонением называют разность между случайной величиной и ее математическим ожиданием. Пусть закон распределения ξ известен:
ξ |
x1 |
x2 |
… |
xn |
P |
p1 |
p2 |
… |
pn |
Напишем закон распределения отклонения. Для того чтобы отклонение приняло значение x1-М(ξ), достаточно, чтобы случайная величина приняла значение x1. Вероятность же этого события равна р2, следовательно, и вероятность того, что отклонение примет значение x1-М(ξ), также равна р2. Аналогично обстоит дело и для остальных возможных значений отклонения.
Таким образом, отклонение имеет следующий закон распределения:
ξ-М(ξ) |
x1-М(ξ) |
x2-М(ξ) |
… |
xn-М(ξ) |
P |
p1 |
p2 |
… |
pn |
Приведем важное свойство отклонения.
Теорема. Математическое ожидание отклонения равно нулю:
М[ξ-М(ξ)]=0.
Доказательство. Пользуясь свойствами математического ожидания (математическое ожидание разности равно разности математических ожиданий, математическое ожидание постоянной равно самой постоянной) и приняв во внимание, что М(ξ) - постоянная величина, имеем М[ξ-М(ξ)]=М(ξ)-М[М(ξ)]=М(ξ)-М(ξ)=0.
Пример. Задан закон распределения дискретной случайной величины ξ:
ξ |
1 |
2 |
P |
0,2 |
0,8 |
Убедиться, что математическое ожидание отклонения равно нулю.
Решение. Найдем математическое ожидание ξ:
М(ξ)=1·0,2+2·0,8=1,8.
Найдем возможные значения отклонения, для чего из возможных значений ξ вычтем математическое ожидание М(ξ): 1-1,8=-0,8; 2-1,8= 0,2.
Напишем закон распределения отклонения:
ξ-М(ξ) |
-0,8 |
0,2 |
P |
0,2 |
0,8 |
Найдем математическое ожидание отклонения:
М[ξ-М(ξ)]=(-0,8)·0,2+0,2·0,8=0.
Итак, математическое ожидание отклонения равно нулю, как и должно быть.
На практике часто требуется оценить рассеяние возможных значений случайной величины вокруг ее среднего значения. Например, в артиллерии важно знать, насколько кучно лягут снаряды вблизи цели, которая должна быть поражена.
Определение. Дисперсией (рассеянием) дискретной случайной величины называют математическое ожидание квадрата отклонения случайной величины от ее математического ожидания: D(ξ)=M[ξ-M(ξ)]2.
Пусть случайная величина задана законом распределения
ξ |
x1 |
x2 |
… |
xn |
P |
p1 |
p2 |
… |
pn |
Тогда квадрат отклонения имеет следующий закон распределения:
[ξ-М(ξ)]2 |
[x1-М(ξ)]2 |
[x2-М(ξ)]2 |
… |
[xn-М(ξ)]2 |
P |
p1 |
p2 |
… |
pn |
По определению дисперсии,
D(ξ)=M[ξ-M(ξ)]2=[x1-M(ξ)]2p1+[x2-M(ξ)]2p2+…+[xn-M(ξ)]2pn .
Таким образом, для того чтобы найти дисперсию, достаточно вычислить сумму произведений возможных значений квадрата отклонения на их вероятности.
Пример. Найти дисперсию случайной величины ξ, которая задана следующим законом распределения:
ξ |
1 |
2 |
5 |
P |
0,3 |
0,5 |
0,2 |
Решение. Найдем математическое ожидание:
М(ξ)=1·0,3+2·0,5+5·0,2=2,3.
Найдем все возможные значения квадрата отклонения:
[x1-M(ξ)]2=(1-2,3)2=1,69;
[x2-M(ξ)]2=(2-2,3)2=0,09;
[x3-M(ξ)]2=(5-2,3)2=7,29.
Напишем закон распределения квадрата отклонения:
[ξ-М(ξ)]2 |
1,69 |
0,09 |
7,29 |
P |
0,3 |
0,5 |
0,2 |
По определению, D(ξ)=1,69·0,3+0,09·0,5+7,29·0,2=2,01.
Формула для вычисления дисперсии.
Для вычисления дисперсии часто бывает удобно пользоваться следующей теоремой.
Теорема. Дисперсия равна разности между математическим ожиданием квадрата случайной величины ξ и квадратом ее математического ожидания:
D(ξ)=M(ξ2)–[M(ξ)]2.
Доказательство. Математическое ожидание М(ξ) есть постоянная величина, следовательно, 2М(ξ) и М2(ξ) есть также постоянные величины. Приняв это во внимание и пользуясь свойствами математического ожидания (постоянный множитель можно вынести за знак математического ожидания, математическое ожидание суммы равно сумме математических ожиданий слагаемых), упростим формулу, выражающую определение дисперсии:
D(ξ)=М[ξ-М(ξ)]2=М[ξ 2-2ξМ(ξ)+M2(ξ)]=M(ξ 2)-2M(ξ)M(ξ)+M2(ξ)=
=М(ξ 2)–2M2(ξ)+М2(ξ)=М(ξ 2)-M2(ξ).
Итак,
D(ξ)=М(ξ 2)-[М(ξ)]2.
Квадратная скобка введена в запись формулы для удобства ее запоминания.
Пример. Найти дисперсию случайной величины ξ, которая задана следующим законом распределения:
ξ |
2 |
3 |
5 |
P |
0,1 |
0,6 |
0,3 |
Решение. Найдем математическое ожидание М(ξ):
М(ξ)=2·0,1+3·0,6+5·0,3=3,5.
Напишем закон распределения случайной величины ξ 2:
ξ2 |
4 |
9 |
25 |
P |
0,1 |
0,6 |
0,3 |
Найдем математические ожидания М(ξ 2):
М(ξ 2)=4·0,1+9·0,6+25·0,3=13,3.
Искомая дисперсия
D(ξ)=M(ξ 2)-[М(ξ)]2=13,3-(3,5)2=1,05.
Свойства дисперсии.
Свойство 1. Дисперсия постоянной величины С равна нулю:
D(С)=0.
Доказательство. По определению дисперсии,
D(С)=М{[С-М(С)]2}.
Пользуясь первым свойством математического ожидания (математическое ожидание постоянной равно самой постоянной), получим
D(C)=M[(С–С)2]=М(0)=0.
Итак,
D(C)=0.
Свойство становится ясным, если учесть, что постоянная величина сохраняет одно и то же значение и рассеяния, конечно, не имеет.
Свойство 2. Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат:
D(Cξ)=C2D(ξ).
Доказательство. По определению дисперсии имеем
D(Сξ)=М{[Сξ-М(Сξ)]2}.
Пользуясь вторым свойством математического ожидания (постоянный множитель можно выносить за знак математического ожидания), получим
D(Сξ)=М{[Сξ–С М(ξ)]2}=М{С2[ξ-М(ξ)]2}=
=С2М{[ξ-М(ξ)]2}=C2D(ξ).
Итак,
D(Cξ)=C2D(ξ).
Свойство становится ясным, если принять во внимание, что при |С|>1 величина Сξ имеет возможные значения (по абсолютной величине), большие, чем величина ξ. Отсюда следует, что эти значения рассеяны вокруг математического ожидания М(Сξ) больше, чем возможные значения ξ вокруг М(ξ), т. е. D(Сξ)>D(ξ). Напротив, если 0<|С|<1, то D(Сξ)<D(ξ).
Свойство 3. Дисперсия суммы двух независимых случайных величин равна сумме дисперсий этих величин:
D(ξ+η)=D(ξ)+D(η).
Доказательство. По формуле для вычисления дисперсии имеем
D(ξ+η)=М[(ξ+η)2]-[M(ξ+η)]2.
Раскрыв скобки и пользуясь свойствами математического ожидания суммы нескольких величин и произведения двух независимых случайных величин, получим
D(ξ+η)=М[ξ2+2ξ η+η2]-[M(ξ)+M(η)]2=
=M(ξ2)+2M(ξ)·M(η)+M(η2)–M2(ξ)-2M(ξ)·M(η)–M2(η)=
={М(ξ2)-[М(ξ)]2}+{М(η2)-[M(η)]2}=D(ξ)+D(η).
Итак,
D(ξ+η)=D(ξ)+D(η).
Следствие 1. Дисперсия суммы нескольких взаимно независимых случайных величин равна сумме дисперсий этих величин.
Например, для трех слагаемых имеем
D(ξ+η+θ)=D[ξ+(η+θ)]=D(ξ)+D(η+θ)=D(ξ)+D(η)+D(θ).
Для произвольного числа слагаемых доказательство проводится методом математической индукции.
Следствие 2. Дисперсия суммы постоянной величины и случайной равна дисперсии случайной величины:
D(C+ξ)=D(ξ).
Доказательство. Величины С и ξ независимы, поэтому, по третьему свойству,
D(C+ξ)=D(C)+D(ξ).
В силу первого свойства D(C)=0. Следовательно,
D(C+ξ)=D(ξ).
Свойство становится понятным, если учесть, что величины ξ и ξ+С отличаются лишь началом отсчета и, значит, рассеяны вокруг своих математических ожиданий одинаково.
Свойство 4. Дисперсия разности двух независимых случайных величин равна сумме их дисперсий:
D(ξ-η)=D(ξ)+D(η).
Доказательство. В силу третьего свойства
D(ξ-η)=D(ξ)+D(-η).
По второму свойству,
D(ξ-η)=D(ξ)+(-1)2D(η),
или
D(ξ-η)=D(ξ)+D(η).
Дисперсия числа появлений события в независимых испытаниях.
Пусть производится п независимых испытаний, в каждом из которых вероятность появления события А постоянна. Найдем, чему равна дисперсия числа появлений события в этих испытаниях.
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(ξ)=npq.
Доказательство. Рассмотрим случайную величину ξ - число появлений события А в п независимых испытаниях. Очевидно, общее число появлений события в этих испытаниях равно сумме появлений события в отдельных испытаниях:
ξ=ξ1+ξ2+...+ξn,
где ξ1 - число наступлений события в первом испытании, ξ2 - во втором,...,ξп - в п-м.
Величины ξ1,ξ2,...,ξп взаимно независимы, так как исход каждого испытания не зависит от исходов остальных, поэтому мы вправе воспользоваться свойством дисперсии суммы нескольких взаимно независимых случайных величин:
D(ξ)=D(ξ1)+D(ξ2)+…+D(ξn).
Вычислим дисперсию ξ1 по формуле
D(ξ1)=M(ξ1)–[M(ξ1)]2
Величина ξ1 - число появлений события А в первом испытании, поэтому М(ξ1)=р.
Найдем математическое ожидание величины ξ , которая может принимать только два значения, а именно: 12 с вероятностью р и 02 с вероятностью q:
M(ξ )=12p+02q=p.
Подставляя найденные результаты в выражение для дисперсии, получим
D(ξ1)=p–p2=p(1–p)=pq.
Очевидно, дисперсия каждой из остальных случайных величин также равна pq. Заменив каждое слагаемое на pq, окончательно получим
D(ξ)=npq.
Так как величина ξ 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 ξ - 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(ξ)=npq=10·0,6·0,4=2,4.
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.
Определение. Средним квадратическим отклонением случайной величины ξ называют квадратный корень из дисперсии:
σ(ξ)= .
Легко показать, что дисперсия имеет размерность, равную квадрату размерности случайной величины. Так как среднее квадратическое отклонение равно квадратному корню из дисперсии, то размерность σ(ξ) совпадает с размерностью ξ. Поэтому в тех случаях, когда желательно, чтобы оценка рассеяния имела размерность случайной величины, вычисляют среднее квадратическое отклонение, а не дисперсию. Например, если ξ выражается в линейных метрах, то σ(ξ) будет выражаться также в линейных метрах, a D(ξ) - в квадратных метрах.
Пример. Случайная величина ξ задана законом распределения
ξ |
2 |
3 |
10 |
P |
0,1 |
0,4 |
0,5 |
Найти среднее квадратическое отклонение σ(ξ).
Решение. Найдем математическое ожидание ξ:
М(ξ)=2·0,1+3·0,4+10·0,5=6,4.
Найдем математическое ожидание ξ 2:
М(ξ 2)=22·0,1+32·0,4+102·0,5=54.
Найдем дисперсию:
D(ξ)=М(ξ 2)-[M(ξ)]2=54-6,42=13,04.
Искомое среднее квадратическое отклонение
σ(ξ)= = 3,61.