- •Лекция 4 Числовые характеристики случайных величин
- •Математическое ожидание св
- •Различие между мо и средним арифметическим
- •Дисперсия
- •Среднеквадратическое отклонение
- •Начальные и центральные моменты
- •Асимметрия распределения
- •Эксцесс распределения
- •Медиана
- •Срединное (вероятное) отклонение
- •Основные свойства мо
- •Корреляционный момент
- •Коэффициент корреляции
- •Основные свойства дисперсии
- •Следствие основных свойств мо и дисперсии
- •Связь между начальными и центральными моментами
- •Пример вычисления чх по общим формулам
- •Числовые характеристики дискретных распределений
- •Производящая функция для вычисления начальных моментов
- •Индикатор случайного события
- •Биномиальное распределение
- •Распределение Пуассона
- •Иллюстрация особенностей чх закона Пуассона
- •Геометрическое распределение
- •Сдвинутое геометрическое распределение
- •Расход снарядов до певого попадания или израсходования боекомплекта
- •Гипергеометрическое распределение
- •Статистическое оценивание числовых характеристик
Геометрическое распределение
Используя соотношения (4.17) – (4.19), (4.21), получим моментные ЧХ:
Сдвинутое геометрическое распределение
M[Y] = M[X +1] = M[X] +1 =, D[Y] = D[X +1] = D[X] = . |
(4.30) (4.31) |
Расход снарядов до певого попадания или израсходования боекомплекта
M[Z] = ,
D[Z] =
Вычислим МО и дисперсию при p = 0,2 и нескольких значениях n от 1 до 30, чтобы сравнить их с теми же характеристиками бесконечного распределения по формулам (4.30), (4.31) M[Y] = 1/p = 5, D[Y] = q/p2 = 0,8/0,04 = 20:
>> p=0.2;q=1-p; N=[1,2,5:5:30];m=[];for n=N k=1:n-1;m(end+1)=n-p*dot(n-k,q.^(k-1));end
>> a=[];for n=N k=1:n-1;a(end+1)=n^2-p*dot((n^2-k.^2),q.^(k-1));end, N,m,D=a-m.^2
N = 1 2 5 10 15 20 25 30
m = 1.0000 1.8000 3.3616 4.4631 4.8241 4.9424 4.9811 4.9938
D = 0 0.1600 2.5700 9.5112 14.867 17.7485 19.0741 19.6348
Результаты показывают, что при достаточно большом боезапасе n > 20 средний расход снарядов в стрельбе до первого попадания можно вычислять по формуле (4.30). Дисперсия ограниченного распределения, естественно, меньше, чем вычисленная по формуле (4.31).
Гипергеометрическое распределение
Проверим правильность этого утверждения в условиях выборки из большой и малой партии, сравнив результаты непосредственного вычисления МО и дисперсии с помощью электронной формулы Sampling:
>>N=1000;R=100;M=20;k=0:M;P=Sampling(N,R,M,k);m=sum(P.*k), D=sum(P.*(k-m).^2)
m = 2.0000 D = 1.7657
>> N=50;R=5;P=Sampling(N,R,M,k);m=sum(P.*k), D=sum(P.*(k-m).^2)
m = 2.0000 D = 1.1020
В первом случае n = 20 раз повторяется выбор из большого числа (N = 1000) изделий с практически одинаковой вероятностью p = 100/1000 = 0,1 выбрать бракованное. В условиях испытаний Бернулли с такими параметрами среднее число бракованных изделий в контрольной партии составляло бы np = 200,1 = 2, дисперсия – npq = 200,10,9 = 1,8, что практически совпадает с вычисленными значениями тех же ЧХ по гипергеометрическому распределению. В случае большого отличия между многоугольниками истинного распределения и биномиального приближения (при малом объеме партии N = 50) МО, тем не менее, не изменилось, но истинная дисперсия оказалась существенно меньше, что согласуется с характером различия многоугольников распределения на рис. 3.4: симметрично уменьшились вероятности отклонений от среднего значения.