16. Операции над случайной величиной

Математические операции над случайными величинами

Прерывные случайные величины X и Y называются независимыми, если не зависимы при любых i и j, события X=xi и Y=yj.

Пусть случайная величина X принимает x1, x2, x3, …, xn с вероятностями p1, p2, p3 ,…, pn, соответственно, а Y-значения y1, y2, y3, …, ym, с вероятностями q1, q2, q3, …, qm.

а) Суммой случайных величин X и Y называется новая случайная величина Z=X+Y, которая принимает все значения вида zij=xi+yj(i=1,2,..n; j=1,2,...,m) с вероятностями pij, причем pij=P(X=xi; Y=yj)=P(X=xi)*PX=xi(Y=yj).

Если случайные величины X и Y независимые, то pij= pi+ qj.

Аналогично определяется разность и произведение случайных величин.

б) Разностью ( произведением) случайных величин X и Y называется новая случайная величина Z=X-Y (Z=XY), которая принимает все значения вида zij=xi-yj (zij=xiyj) с такими же вероятностями, с какими случайная величина Z=X+Y принимает соответствующие значения, т.е. pij= pi+ qj.

в) Произведением kX случайной величины Х на постоянную величину k называется новая случайная величина Z=kX, которая с теми же вероятностями, что и Х, принимает значения, равные произведениям значений случайной величины Х на k, т.е. =xi2.

г) Квадратом случайной величины Х, т.е. Х2, называется новая случайная величина Z=X2, которая с теми же вероятностями, что и Х, принимает значения, равные квадратам значений случайной величины Х, т.е. zi=xi2.

17. Числовые характеристики случайной величины

Каждая случайная величина полностью определяется своей функцией распределения.

В то же время при решении практических задач достаточно знать несколько числовых параметров, которые позволяют представить основные особенности случайной величины в сжатой форме. К таким величинам относятся в первую очередь математическое ожидание и дисперсия.

Математическое ожидание - число, вокруг которого сосредоточены значения случайной величины. Математическое ожидание случайной величины x обозначается Mx .

Математическое ожидание дискретной случайной величины x , имеющей распределение называется величина , если число значений случайной величины конечно.

математического ожидания.

Дисперсия случайной величины характеризует меру разброса случайной величины около ее математического ожидания.Если случайная величина x имеет математическое ожидание Mx , то дисперсией случайной величины x называется величина Dx = M(x - Mx )2.

Легко показать, что Dx = M(x - Mx )2= Mx 2 - M(x )2.

Эта универсальная формула одинаково хорошо применима как для дискретных случайных величин, так и для непрерывных. Величина Mx 2 >для дискретных и непрерывных случайных величин соответственно вычисляется по формулам

;

Моменты.

В теории вероятностей и математической статистике, помимо математического ожидания и дисперсии, используются и другие числовые характеристики случайных величин. В первую очередь это начальные и центральные моменты.

Начальным моментом k-го порядка случайной величины x называется математическое ожидание k-й степени случайной величины x , т.е. a k = Mx k.

Центральным моментом k-го порядка случайной величины x называется величина m k, определяемая формулой m k = M(x - Mx )k.

Заметим, что математическое ожидание случайной величины - начальный момент первого порядка, a 1 = Mx , а дисперсия - центральный момент второго порядка,

a 2 = Mx 2 = M(x - Mx )2 = Dx .

Существуют формулы, позволяющие выразить центральные моменты случайной величины через ее начальные моменты, например:

m 2=a 2-a 12, m 3 = a 3 - 3a 2a 1 + 2a 13.

Если плотность распределения вероятностей непрерывной случайной величины симметрична относительно прямой x = Mx , то все ее центральные моменты нечетного порядка равны нулю.

Асимметрия

В теории вероятностей и в математической статистике в качестве меры асимметрии распределения является коэффициент асимметрии, который определяется формулой ,

где m 3 - центральный момент третьего порядка, - среднеквадратичное отклонение.

Эксцесс

Нормальное распределение наиболее часто используется в теории вероятностей и в математической статистике, поэтому график плотности вероятностей нормального распределения стал своего рода эталоном, с которым сравнивают другие распределения. Одним из параметров, определяющих отличие распределения случайной величины x , от нормального распределения, является эксцесс.

Эксцесс g случайной величины x определяется равенством .

У нормального распределения, естественно, g = 0. Если g (x ) > 0, то это означает, что график плотности вероятностей px (x) сильнее “заострен”, чем у нормального распределения, если же g (x ) < 0, то “заостренность” графика px (x) меньше, чем у нормального распределения.