- •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
§24. Начальные и центральные теоретические моменты
Рассмотрим дискретную случайную величину ξ, заданную законом распределения:
ξ |
1 |
2 |
5 |
100 |
P |
0,6 |
0,2 |
0,19 |
0,01 |
Найдем математическое ожидание ξ:
М(ξ)=1·0,6+2·0,2+5·0,19+100·0,01=2,95.
Напишем закон распределения ξ 2:
ξ2 |
1 |
4 |
25 |
10000 |
P |
0,6 |
0,2 |
0,19 |
0,01 |
Найдем математическое ожидание ξ 2:
М(ξ 2)=1·0,6+4·0,2+25·0,19+10000·0,01=106,15.
Видим, что М(ξ2) значительно больше М(ξ). Это объясняется тем, что после возведения в квадрат возможное значение величины ξ2, соответствующее значению x4=100 величины ξ, стало равным 10000, то есть значительно увеличилось; вероятность же этого значения мала (0,01).
Таким образом, переход от М(ξ) к М(ξ2) позволил лучше учесть влияние на математическое ожидание того возможного значения, которое велико и имеет малую вероятность. Разумеется, если бы величина ξ имела несколько больших и маловероятных значений, то переход к величине ξ2, а тем более к величинам ξ3, ξ4 и т. д., позволил бы еще больше «усилить роль» этих больших, но маловероятных возможных значений. Вот почему оказывается целесообразным рассматривать математическое ожидание целой положительной степени случайной величины (не только дискретной, но и непрерывной).
Определение. Начальным моментом порядка k случайной величины ξ называют математическое ожидание величины ξk:
νk=M(ξk).
В частности,
ν1=M(ξ), ν2=M(ξ2).
Пользуясь этими моментами, формулу для вычисления дисперсии
D(ξ)=M(ξ2)-[M(ξ)]2
можно записать так:
D(ξ)=ν2-ν .
Кроме моментов случайной величины ξ целесообразно рассматривать моменты отклонения ξ-М(ξ).
Определение. Центральным моментом порядка k случайной величины ξ называют математическое ожидание величины (ξ-М(ξ))k:
µk=M[(ξ-М(ξ))k].
В частности,
µ1=M[(ξ-М(ξ))]=0,
µ2=M[(ξ-М(ξ))2]=D(ξ).
Легко выводятся соотношения, связывающие начальные и центральные моменты. Например,
µ2=ν2-ν .
Нетрудно, исходя из определения центрального момента и пользуясь свойствами математического ожидания, получить формулы:
µ3=ν3–3ν2ν1+2ν ,
µ4=ν4–4ν3ν1+6ν2ν -3ν .
Моменты более высоких порядков применяются редко.
§25. Числовые характеристики непрерывных случайных величин
Распространим определения числовых характеристик дискретных величин на величины непрерывные. Начнем с математического ожидания.
Пусть непрерывная случайная величина ξ задана плотностью распределения f(x). Допустим, что все возможные значения ξ принадлежат отрезку [а,b]. Разобьем этот отрезок на п частичных отрезков длиной Δx1,Δx2,...,Δхп и выберем в каждом из них произвольную точку хi (i=1,2,...,п). Нам надо определить математическое ожидание непрерывной величины по аналогии с дискретной; составим сумму произведений возможных значений xi на вероятности попадания их в интервал Δхi (произведение f(x) ∆x приближенно равно вероятности попадания ξ в интервал ∆x ):
f(xi) ∆xi.
Перейдя к пределу при стремлении к нулю длины наибольшего из частичных отрезков, получим определенный интеграл .
Определение. Математическим ожиданием непрерывной случайной величины ξ, возможные значения которой принадлежат отрезку [а,b], называют определенный интеграл
M(ξ)= .
Если возможные значения принадлежат всей оси OX, то
M(ξ)= .
Предполагается, что несобственный интеграл сходится абсолютно, то есть существует интеграл f(x)dx. Если бы это требование не выполнялось, то значение интеграла зависело бы от скорости стремления (в отдельности) нижнего предела к минус бесконечности (-∞), а верхнего - к плюс бесконечности (+∞).
По аналогии с дисперсией дискретной величины определяется и дисперсия непрерывной величины.
Определение. Дисперсией непрерывной случайной величины называют математическое ожидание квадрата ее отклонения.
Если возможные значения ξ принадлежат отрезку [а,b], то
D(ξ)= f (x)dx;
если возможные значения принадлежат всей оси х, то
D(ξ)= f(x)dx.
Определение. Среднее квадратическое отклонение непрерывной случайной величины определяется, как и для величины дискретной, равенством
σ(ξ)= .
Замечание. Можно доказать, что свойства математического ожидания и дисперсии дискретных величин сохраняются и для непрерывных величин.
Легко получить для вычисления дисперсии более удобные формулы:
D(ξ)= f(x)dx–[M(ξ)]2,
D(ξ)= f(x)dx–[M(ξ)]2,
Пример. Найти математическое ожидание и дисперсию случайной величины ξ, заданной функцией распределения
F(х)=
Решение. Найдем плотность распределения:
f(х)=F’(х)=
Найдем математическое ожидание
M(ξ)= =x2/2| =1/2.
Найдем дисперсию:
D(ξ)= ·1·dx–[1/2]2=x3/3| -1/4=1/12.
Числовые характеристики равномерного распределения.
Найти математическое ожидание и дисперсию непрерывной случайной величины ξ, распределенной равномерно в интервале (а,b).
Решение. Найдем математическое ожидание ξ, учитывая, что плотность равномерного распределения f(х)=1/(b-а).
M(ξ)= = .
Выполнив элементарные выкладки, получим
M(ξ)=(a+b)/2.
Найдем дисперсию ξ:
D(ξ)= f(x)dx–[M(ξ)]2= - .
Выполнив элементарные выкладки, получим
D(ξ)=(b-a)2/12.
Замечание. Математическое ожидание и дисперсия случайной величины R, распределенной равномерно в интервале (0;1), т.е. если а=0, b=1, как следует из предыдущего примера, соответственно равны М(R)=1/2, D(R)=1/12. Этот же результат мы получили в примере по заданной функции распределения случайной величины R.
Числовые характеристики показательного распределения.
Пусть непрерывная случайная величина ξ распределена по показательному закону
f(x)=
Найдем математическое ожидание:
М(ξ)= f(x)dx=λ e-λxdx.
Интегрируя по частям, получим
М(ξ)=1/λ.
Таким образом, математическое ожидание показательного распределения равно обратной величине параметра λ. Найдем дисперсию:
D(ξ)= f(x)dx–[M(ξ)]2=λ e-λx dx-1/λ2.
Интегрируя по частям, получим
λ e-λx dx=2/λ2.
Следовательно,
D(ξ)=1/λ2.
Найдем среднее квадратическое отклонение, для чего извлечем квадратный корень из дисперсии:
σ(ξ)=1/λ.
Окончательно заключаем, что
М(ξ)=σ(ξ)=1/λ,
то есть математическое ожидание и среднее квадратическое отклонение показательного распределения равны между собой.
Пример. Непрерывная случайная величина ξ распределена по показательному закону f(x)=5e-5x при х≥0; f(x)=0 при х<0.
Найти математическое ожидание, среднее квадратическое отклонение и дисперсию ξ.
Решение. По условию, λ=5. Следовательно,
М(ξ)=σ(ξ)=1/λ=1/5=0,2;
D(ξ)=1/λ2=1/52=0,04.
Числовые характеристики нормального распределения.
Пусть случайная величина имеет нормальное распределение
f(x)= e .
Мы видим, что нормальное распределение определяется двумя параметрами: a и σ. Достаточно знать эти параметры, чтобы задать нормальное распределение. Покажем, что вероятностный смысл этих параметров таков: а есть математическое ожидание, σ - среднее квадратическое отклонение нормального распределения.
а) По определению математического ожидания непрерывной случайной величины,
M(ξ)= .
Введем новую переменную z=(x-а)/σ. Отсюда x=σz+a, dx=σdz. Приняв во внимание, что новые пределы интегрирования равны старым, получим
M(ξ)= σz + a) e dz=
= ze dz+ dz.
Первое из слагаемых равно нулю (под знаком интеграла нечетная функция; пределы интегрирования симметричны относительно начала координат). Второе из слагаемых равно а (интеграл Пуассона dz= ).
Итак, М(ξ)=а, то есть математическое ожидание нормального распределения равно параметру а.
б) По определению дисперсии непрерывной случайной величины, учитывая, что М(ξ)=а, имеем
D(ξ)= x-a)2 e dx
Введем новую переменную z=(х—а)/σ. Отсюда х–a=σz, dx=σdz. Приняв во внимание, что новые пределы интегрирования равны старым, получим
D(ξ)= ·ze dz
Интегрируя по частям, положив u=z, dυ=ze dz, найдем
D(ξ)=σ2.
Следовательно,
σ(ξ)= = =a.
Итак, среднее квадратическое отклонение нормального распределения равно параметру σ.
Определение. Асимметрией теоретического распределения называют отношение центрального момента третьего порядка к кубу среднего квадратического отклонения:
As=µ3/σ3.
Асимметрия положительна, если «длинная часть» кривой распределения расположена справа от математического ожидания; асимметрия отрицательна, если «длинная часть» кривой расположена слева от математического ожидания. Практически определяют знак асимметрии по расположению кривой распределения относительно моды (точки максимума дифференциальной функции): если «длинная часть» кривой расположена правее моды, то асимметрия положительна (рис.18а), если слева – отрицательна (рис.18б). Для оценки «крутости», то есть большего или меньшего подъема кривой теоретического распределения по сравнению с нормальной кривой, пользуются характеристикой - эксцессом.
Определение. Эксцессом теоретического распределения называют характеристику, которая определяется равенством
Ek=(µ4/σ4)–3.
Для нормального распределения µ4/σ4=3; следовательно, эксцесс равен нулю. Поэтому если эксцесс некоторого распределения отличен от нуля, то кривая этого распределения отличается от нормальной кривой: если эксцесс положительный, то кривая имеет более высокую и «острую» вершину, чем нормальная кривая; если эксцесс отрицательный, то сравниваемая кривая имеет более низкую и «плоскую» вершину, чем нормальная кривая. При этом предполагается, что нормальное и теоретическое распределения имеют одинаковые математические ожидания и дисперсии.