- •Теория вероятностей § 1. Основные понятия
- •§ 2. Последовательные испытания. Формула бернулли
- •§ 3. Случайные величины
- •§4. Числовые характеристики случайных величин
- •§ 5. Законы больших чисел
- •§ 6. Теоремы ляпунова и лапласа
- •Приложение теории вероятностей к обработке результатов измерений
- •Применение теории вероятностей к статистике
- •Элементы теории корреляций
- •Приложение
- •Значения функции
- •Значения функции
§4. Числовые характеристики случайных величин
В теории вероятностей и во многих ее приложениях большое значение имеют различные числовые характеристики случайных величин. Основными из них являются математическое ожидание и дисперсия.
1. Математическое ожидание случайной величины и его свойства. Рассмотрим сначала следующий пример. Пусть на завод поступила партия, состоящая из N подшипников. При этом:
m1 – число подшипников с внешним диаметром x1,
m2 – число подшипников с внешним диаметром x2,
. . . . . . .
mn – число подшипников с внешним диаметром xn.
Здесь т1 + т2-+-…+тп = N. Найдем среднее арифметическое значение хср внешнего диаметра подшипника. Очевидно,
Внешний диаметр вынутого наудачу подшипника можно рассматривать, как случайную величину ξ, принимающую значения х1 х2, ..., хп с соответствующими вероятностями p1 = m1/N, р2 = т2/N, … рп = mn/N, так как вероятность рi появления подшипника с внешним диаметром xi равна mi/N. Таким образом, среднее арифметическое значение хср внешнего диаметра подшипника можно определить с помощью соотношения:
Пусть ξ – дискретная случайная величина с заданным законом распределения вероятностей P(ξ = xi) = pi.
Значения ξ |
х1 |
х2 |
... |
хn |
Вероятности P(ξ = xi) |
p1 |
p2 |
… |
pn |
Математическим ожиданием М(ξ) дискретной случайной величины называется сумма парных произведений всех возможных значений случайной величины на соответствующие им вероятности, т. е.11
(39)
Возвращаясь к разобранному выше примеру, мы видим, что средний диаметр подшипника равен математическому ожиданию случайной величины ξ – диаметру подшипника.
Математическим ожиданием М(ξ) непрерывной случайной величины ξ с плотностью распределения (х) называется число, определяемое равенством:
(40)
При этом предполагается, что несобственный интеграл, стоящий в правой части равенства (40), существует.
Рассмотрим свойства математического ожидания. При этом ограничимся доказательством только первых двух свойств, которое проведем для дискретных случайных величин.
10). Математическое ожидание постоянной С равно этой постоянной.
Доказательство. Постоянную С можно рассматривать как случайную величину ξ, которая может принимать только одно значение С с вероятностью, равной единице. Поэтому М(ξ) = С∙1 = С.
2°). Постоянный множитель можно выносить за знак математического ожидания, т. е.
М(kξ) = k М(ξ).
Доказательство. Используя соотношение (39), имеем
Следующие два свойства приведем без доказательства.
3°). Математическое ожидание суммы нескольких случайных величин равно сумме математических ожиданий этих величин:
М(ξ1+ ξ2+…+ ξn) = М(ξ1) + M(ξ2) +…+ M(ξn). (41)
4°). Математическое ожидание произведения двух независимых случайных величин равно произведению математических ожиданий этих величин12:
M(∙) = M()∙M(). (42)
2. Дисперсия и ее свойства. Среднее квадратическое отклонение. Во многих практически важных случаях существенным является вопрос о том, насколько велики отклонения ξ – М(ξ) случайной величины от ее математического ожидания. Предварительно рассмотрим пример. Пусть две случайные величины и заданы следующими рядами распределения:
Значения ξ |
-0,2 |
-0,1 |
0,1 |
0,2 |
Значения |
-50 |
-40 |
40 |
50 |
Вероятности p(x) |
0,25 |
0,25 |
0,25 |
0,25 |
Вероятности p(x) |
0,25 |
0,25 |
0,25 |
0,25 |
Легко убедиться в том, что математические ожидания этих величин одинаковы и равны нулю:
М () = (-0,2)∙0,25 + (-0,1)∙0,25 + 0,1∙0,25 + 0,2∙0,25 = 0,
М () = (-50)∙0,25 + (-40)∙0,25 + 40∙0,25 + 50∙0,25 = 0.
Однако разброс значений этих величин относительно их математического ожидания неодинаков. В первом случае значения, принимаемые случайной величиной ξ близки к ее математическому ожиданию, а во втором случае для величины – далеки от него. Для оценки разброса (рассеяния) значений случайной величины около её математического ожидании введена следующая числовая характеристика – дисперсия.
Дисперсией D(ξ) случайной величины ξ называется математическое ожидание квадрата отклонения случайной величины от ее математического ожидания13 *:
D() = M[ – M()]2. (43)
Пусть – дискретная случайная величина, принимающая значения х1, х2,…, хn соответственно с вероятностями р1, р2, …, pn. Очевидно, случайная величина [ – M()]2 принимает значения [х1 – M()]2, [х2 – M()]2, …, [хп – M()]2 с теми же вероятностями р1, р2, …, pn. Следовательно, согласно определению математического ожидания дискретной случайной величины, имеем
(44)
Если же – непрерывная случайная величина с плотностью распределения (х), то по определению
(45)
Принимая во внимание определение дисперсии и свойства математического ожидания, имеем
D() = M[ – M()]2 = M{2 – 2∙M() + [M()]2} = M(2) – 2M[∙M()] + M[M()]2.
Так как М() и [М()]2 – постоянные, то используя свойства математического ожидания, получим: M[∙M()] = M()∙M() и M[M()]2 = [M()]2. Следовательно,
D() = M(2) – 2M()∙M() + [M()]2,
откуда окончательно находим
D() = M(2) – [M()]2. (46)
Рассмотрим теперь свойства дисперсии.
1°). Дисперсия постоянной равна нулю.
Доказательство. Пусть ξ = С. По формуле (46) имеем
D(С) = M(С2) – [M(С)]2 = С2 – С2 = 0,
так как математическое ожидание постоянной есть эта постоянная: М(С) = С, М(С2) = С2.
2°). Постоянный множитель можно выносить за знак дисперсии, возведя его в квадрат:
D(kξ) = k2 D(ξ). (47)
Доказательство. На основании соотношения (46) можно записать:
D(k) = M[(k)2] – [M(k)]2.
Так как M[(k)2] = M(k22) = k2 M(2) и [M(k)]2 = [kM()]2 = k2[M()]2,
то D(kξ) = k2{M(2) – [M()]2} = k2 D(ξ).
3°). Если и η – независимые случайные величины, то дисперсия суммы этих величин равна сумме их дисперсий:
D( + η) = D() + D(η). (48)
Доказательство. По формуле (46) имеем:
D( + η) = М [( + η)2] – [М( + η)]2.
Но М[( + η)2] = М(2 + 2∙η + η2) = М(2) + 2M(∙η) + M(η2). Так как и η – независимые случайные величины, то M(∙η) = M()∙M(η). Следовательно,
М[( + η)2] = М(2) + 2M() M(η) + M(η2).
Далее, M( + η) = M() + M(η); поэтому
[М( + η)]2 = [М() +M(η)]2 = [М()]2 + 2М()∙M(η) + [М(η)]2.
Таким образом:
D( + η) = М(2) + 2M() M(η) + M(η2) – [М()]2 – 2М()∙M(η) – [М(η)]2 =
= {М(2) – [М()]2} + { M(η2) – [М(η)]2}.
Но
M(2) – [М()]2 = D(), M(η2) – [М(η)]2 = D(η).
Следовательно, D( + η) = D() + D(η).
Замечание. Свойство 3° распространяется на любое конечное число попарно независимых случайных величин:
D(1 + 2 + … + n) = D(1) + D(2) + … + D(n).
Средним квадратическим отклонением () случайной величины называется корень квадратный из ее дисперсии:
(49)
Среднее квадратическое отклонение () имеет ту же размерность, что и случайная величина.
Пример 1. Случайная величина – число очков, выпадающих при однократном бросании игральной кости (см. §3, п.1, пример 1). Определить М(), D() и ().
Решение. Используя формулы (39), (44) и (49), соответственно получим:
Пример 2. Случайная величина – число наступлений события А при одном испытании, причем Р(А) = р (см. §3, п.1, пример 2). Найти М() и D().
Решение. Величина принимает два значения 0 и 1 соответственно с вероятностями q = = 1 – р и р. Поэтому по формулам (39) и (44) находим:
М() = 0(1 – р) + 1 р = р, D() = (0 – р)2(1 – р) + (1 – р)2 р = р(1 – р) = р q,
Пример 3. Случайная величина т. – число наступлений события А в п независимых опытах, причем вероятность наступления события А в каждом опыте равна р. Найти М(т), D(т) и (т).
Решение. Пусть i – случайная величина, принимающая значения 1 или 0 в зависимости от того, происходит или не происходит событие А в i-м опыте. Тогда m = 1 + 2 + … + n. Ясно, что i попарно независимы. Из результата примера 2 следует, что M(i) = р, D(i) = pq для любого i. На основании свойства 3° для математического ожидания и дисперсии имеем:
М(т) = М(1 + 2 + … + n) = М(1) + М(2) + … + М(n) = пр,
D(т) = D(1 + 2 + … + n) = D(1) + D(2) + … + D(n) = npq; (m) = .
Пример 4. Пусть – случайная величина, распределенная по закону Пуассона|
(k = 0, 1, …, n, …)
[см. формулу (17)]. Найти М().
Решение. Используя соотношение (39), получим:
так как
(см. гл.XI, §3, п.5).
Пример 5. Пусть – случайная величина, имеющая равномерное распределение с плотностью
[см. формулу (27)]. Найти М(), D() и ().
Решение. По формулам (40), (45) и (49) находим
Пусть – нормально распределенная случайная величина с параметрами an (см. §3, п.5). Найдем M() и D().
Так как то по формуле (40) находим
Произведем в интеграле замену переменной, полагая (x – a)/σ = z; тогда x = a + σz и dx = σdz. Следовательно,
Но [см. формулу (29)]. Далее, так как функция нечетная, то по свойству нечетных функций Следовательно, M(ξ) = a.
Дисперсию находим по формуле (45):
(вычисление интеграла не приводим).
Итак, D() = σ2, Таким образом, параметры а и σ для нормально распределенной случайной величины имеют простой вероятностный смысл: а – математическое ожидание, σ – среднее квадратическое отклонение.
3. Линейные функции случайных величин. Пусть – нормально распределенная случайная величина с параметрами M(ξ) = a и σ(ξ) = σ. Тогда, если А и В – постоянные, то случайная величина η = A +Bx, линейно зависящая от x, также нормально распределена, причем14
М(η) = А + Ва, D(η) = В2σ2.
Докажем это утверждение. Пусть для простоты В > 0. Оценим вероятность неравенств y1 < η <y1. Ясно, что эти неравенства равносильны неравенствам y1<A+Bx< y2, т.е. (y1 – A)/В < x < (y2 – A)/В. Поэтому
Так как величина x распределена нормально, то
Произведем в этом интеграле замену переменной, полагая х=(у – А)/B. Тогда dх = =dy/B и, следовательно,
Итак,
Это равенство показывает, что случайная величина η имеет нормальное распределение, причем M(η) = А + aВ и D(η) = σ2В2.
Справедливо и более общее утверждение. Пусть λ1, λ2, … λn – постоянные, a x1, x2, … xn – нормально распределенные попарно независимые случайные величины, причем M(ξ) = ai и D(x). = σi2. Тогда случайная величина η = λ1ξ1 + λ2ξ2 + … λnξn также имеет нормальное распределение, причем
M(η) = λ1a1 + λ2a2 + … + λnan,
D(η) = λ12σ12 + λ12σ12 + … + λn2σn2.
В частности, если M(ξi) = a, D(xi) = σ2 при любом i, то случайная величина x = (ξ1 + +ξ2+ … ξn)/n распределена нормально, причем M(ξ) = a, D(x). = σ2/n,