- •Случайные величины Одномерные случайные величины Непрерывные и дискретные случайные величины
- •Закон распределения случайной величины
- •Функция распределения случайной величины и ее свойства
- •Свойства функции распределения
- •Числовые характеристики непрерывных случайных величин Математическое ожидание случайной величины, его вероятностный смысл и свойства
- •Свойства математического ожидания
- •Дисперсия случайной величины и ее свойства
- •Среднеквадратическое отклонение
- •Начальные и центральные моменты
- •Основные примеры распределений дискретной случайной величины
- •Биномиальное распределение, его математическое ожидание, дисперсия
- •Распределение Пуассона
- •Геометрическое распределение
- •Непрерывные случайные величины Функция и плотность распределения вероятностей
- •Числовые характеристики непрерывных случайных величин
- •Основные примеры распределений непрерывной случайной величины Равномерное распределение
- •Показательное распределение
- •Нормальное распределение
- •Свойства функции Гаусса
- •Центральная предельная теорема
- •Вероятность попадания нормальной случайной величины в заданный интервал
- •Функция Лапласа и ее свойства
- •Вычисление вероятности заданного отклонения. Правило «трех сигм»
- •Многомерные случайные величины
- •Закон распределения вероятностей двумерной случайной величины
- •Свойства совместной функции распределения двумерной случайной величины
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Свойства двумерной плотности вероятности
- •Условное математическое ожидание
- •Независимые случайные величины
- •Числовые характеристики системы двух случайных величин
- •Корреляционный момент
- •Коэффициент корреляции
- •Свойства коэффициента корреляции
- •Линейная регрессия. Метод наименьших квадратов
- •Распределение c2
- •Распределение Стьюдента
- •Распределение Фишера
- •Предельные теоремы теории вероятностей Закон больших чисел. Неравенство Чебышева. Теорема Чебышева
- •Размещено на Allbest.Ru
Начальные и центральные моменты
Кроме математического ожидания и дисперсии, для оценки случайной величины используются начальные и центральные моменты случайной величины. Начальным моментом порядка случайной величины называют математическое ожидание величины :
.
Центральным моментом порядка случайной величины называют математическое ожидание величины :
.
Начальный момент первого порядка равен математическому ожиданию самой случайной величины .
Центральный момент первого порядка равен нулю:
.
Центральный момент второго порядка представляет собой дисперсию случайной величины :
.
Для дискретных случайных величин:
;
.
Основные примеры распределений дискретной случайной величины
Случайную величину полностью задает закон ее распределения. Чтобы определить закон распределения дискретной случайной величины, необходимо установить соответствие между всеми возможными значениями данной случайной величины и их вероятностями.
К каноническим законам распределения дискретной случайной величины обычно относят биномиальный закон, закон распределения Пуассона и закон распределения по геометрической прогрессии.
Биномиальное распределение, его математическое ожидание, дисперсия
Рассмотрим серию независимых испытаний проведенных в условиях схемы Бернулли, в ходе которых появлялось событие с вероятностью , одинаковой для всех испытаний.
Необходимо определить закон распределения случайной величины числа появлений события . Для этого нужно определить возможные значения и их вероятности. Минимальное значение равно нулю, что соответствует ситуации, когда в серии испытаний событие не появилось; максимальное значение соответствует «успеху» во всех испытаниях серии и равно . Очевидно, что случайная величина числа появлений события в серии испытаний принимает значения . Остается найти соответствующие вероятности этих возможных значений, для чего достаточно воспользоваться формулой Бернулли:
,
где , .
Эта формула является аналитическим выражением искомого закона распределения. Эта формула еще называется биномиальной, так как ее правая часть представляет собой -й член бинома Ньютона:
.
Отсюда сразу видно, что для полученного закона биномиального распределения вероятностей числа появления события при независимых испытаниях выполняется условие нормировки, т.е. сумма всех вероятностей равна единице:
.
Теорема. Математическое ожидание числа появлений события в независимых испытаниях равно произведению числа испытаний на вероятность появления события в каждом испытании.
Доказательство. Случайная величина распределена по биномиальному закону:
( ),
где .
Величину можно рассматривать, как сумму независимых случайных величин , где ( ) – число появлений события в м испытании. Случайная величина принимает лишь два значения: 1, если событие появилось в м испытании, и 0, если в м испытании события не произошло.
Вероятности этих событий и , а математическое ожидание: ( ).
Следовательно, используя теорему о математическом ожидании суммы, получим:
.
Таким образом, математическое ожидание числа появлений события в условиях схемы Бернулли совпадает со средним числом появлений события в данной серии испытаний.
Теорема. Дисперсия числа появлений события в независимых испытаниях равна произведению числа испытаний на вероятности появления и непоявления события в одном испытании: .
Доказательство. Пусть – число появлений события в независимых испытаниях. Оно равно сумме появлений события в каждом испытании: . Так как испытания независимы, то и случайные величины – независимы, поэтому .
Но , .
Как было показано выше, , а .
Тогда , а .
В этом случае, как уже упоминалось ранее, среднее квадратичное отклонение .
Пример. В пяти торговых точках проверяется годовой баланс. Вероятность правильного оформления баланса в каждой точке равна 0,7. Найти математическое ожидание и дисперсию правильно оформленных балансов.
Решение. Дано: , , .
Тогда
.
Биномиальный закон распределения часть приходится применять в условиях, когда число независимых испытаний велико. Вычисление вероятностей по формуле Бернулли при этом усложняется, поэтому представляет интерес асимптотическое приближение для биномиального закона, справедливое при больших . Возможны два случая:
Когда при увеличении числа испытаний математическое ожидание рассматриваемой случайной величины тоже неограниченно возрастает (случай постоянного ); при этом биномиальное распределение сходится к нормальному закону, который будет рассмотрен позже.
Когда при увеличении числа испытаний остается постоянным произведение , то есть математическое ожидание рассматриваемой случайной величины остается конечным. Это означает, что вероятность события стремится к нулю. В этом случае биномиальное распределение сходится к распределению Пуассона.