Билет 20
Функция распределения (или плотность распределения) дает полную информацию о случайной величине. Однако часто бывает достаточно знать одну или несколько числовых характеристик случайной величины, которые давали бы менее полное, но более наглядное представление о случайной величине. В большинстве случаев достаточно знать некоторое «среднее» число, вокруг которого группируются все значения случайной величины (центральную тенденцию случайной величины), и ту или иную характеристику вариации значений случайной величины (степень рассеивания).
Основной наиболее употребляемой характеристикой центральной тенденции является математическое ожидание МХ случайной величины.Определений 1. Пусть Х – дискретная случайная величина, , , тогда
, (1)
если ряд сходится абсолютно.
Определений 2. Пусть Х – непрерывная случайная величина, p(x) – плотность распределения, тогда
, (2)
если интеграл сходится абсолютно.
Найдем математические ожидания случайных величин некоторых известных законов распределения.
1. Пусть Х имеет пуассоновское распределение с параметром .
, >0, m = 0, 1, 2,…
По формуле (1) имеем . Следовательно,
МХ = . (3)
2. Пусть Х имеет экспоненциальное распределение с параметром ,
.
По формуле (2) имеем
.
Следовательно
МХ = . (4)
Пусть Х имеет равномерное распределение на интервале [a,b]
.
Тогда по формуле (2) имеем
Следовательно
МХ = . (5)
Определим некоторые операции над дискретными случайными величинами.
Произведением сХ случайной величины Х на постоянную величину с называется случайная величина, которая принимает значения схi с теми же вероятностями рi.
Суммой (разностью или произведением) случайных величин Х и Y называется случайная величина, которая принимает все возможные значения вида xi + yj (xi – yj xiyj) с вероятностями pij, того, что случайная величина Х примет хi, а Y – значения yj (i = 1,2, …, n; j = 1,2, …, m)
pij = P[(X = xi), (Y = yj)].
Если случайные величины X и Y независимы, т.е. независимы любые события Х = хi, Y = yj, то по теореме умножения вероятностей для независимых событий имеем
pij = P[(X = xi),(Y = yj)] = pipj.
Теорема 1. Если Y = φ(X) – функция непрерывного случайного аргумента Х, возможные значения которого принадлежат всей оси ОХ, а р(х) – плотность распределения Х, то
,
если интеграл сходится абсолютно.
Эта теорема справедлива и для конечного отрезка возможных значений Х.
Теорема 2. Пусть Х – дискретная случайная величина принимающая значения х1, х2, …, хn, Р(Х = хi) = pi, φ(х) – некоторая функция, тогда
,
если ряд сходится абсолютно.
Билет 21
1. Математическое ожидание постоянной равно этой постоянной, т.е. если с – постоянная, то MX = c.
Доказательство. Постоянную можно рассматривать как случайную величину, принимающую значения с с постоянной вероятностью p = 1, тогда по формуле (1) имеем
MX = 1c = c.
2. M(сX) = сMX.
Это свойство следует из теорем 1, 2.
3. Если определены MX и MY, то
M (X + Y) = MX + MY,
причем это свойство верно как для зависимых, так и для независимых случайных величин.
Доказательство. Докажем это свойство для конечных дискретных случайных величин. В соответствии с определением суммы случайных величин X+Y представляют случайную величину, которая принимает значения xi + yj с вероятностью
pij = P[(X = xi), (Y = yj)],
поэтому
M(X + Y) = .
Так как в первой двойной сумме xi не зависит от индекса j, по которому ведется суммирование по второй сумме, и аналогично, во второй двойной сумме yj не зависит от индекса i , то
M(X + Y)=
Мы воспользовались свойством, что (см. лекцию 8)
4. Если Х и Y независимы, то M (X Y) = MX MY
Доказательство.
M(X,Y) =
Пример 2. Найдем математическое ожидание числа успехов в n испытаниях Бернулли.
Пусть Х имеет биномиальное распределение: .
Обозначим через Xi – случайную величину, равную числу успехов в i-м испытании, тогда
Р(Хi = 0) = q, Р(Хi = 1) = p, MXi = 0q + 1p=p, но
Таким образом, МХ = np.
Билет 22
Пусть Z = (X,Y) – двумерная случайная величина. Рассмотрим, как найти условное среднее случайной величины Z при условии, что Y = y. Предположим, что Z – дискретная случайная величина, pij = P(X = xi, Y = yj), . На предыдущих лекциях (лекция 8) нами было показано, что
; ,
и что условные вероятности
;
удовлетворяют условиям
Поэтому при фиксированных уj и хi, вероятности P(X = xi/Y = yj), P(Y = yj/X = xi) можно рассматривать как условные распределения случайных величин Х (при условии, что Y = yj) и Y (при условии, что Х = хi). Тогда
Предположим, что Z – непрерывная двумерная случайная величина, pz(Х,Y) – плотность Z; px(x) – плотность X; py(y) – плотность Y. Тогда условную плотность распределения Х при условии, что Y = y, определим
,
а условную плотность распределения Y при условии, что Х = х, определим
.
Найдем условное математическое ожидание Х при условии, что Y = y в соответствии с формулой (2) предыдущей лекции
M(X/y) = M(X/Y = y)=
Аналогично,
.
Функция fx(y) = М(Х/у) каждому у ставит в соответствие условное математическое ожидание Х при условии, что Y = y, т.е. она отражает зависимость от у условного среднего Х. Функция fx(y) = М(Х/у) называется функцией регрессии Х на У.
Аналогично, функция fу(х) = М(Y/x) называется функцией регрессии Y на Х.
Найдем математическое ожидание от математического ожидания М(X/у). Ограничимся рассмотрением дискретных случайных величин.
Таким образом, M(M(X/y)) = MX и называется формулой полного математического ожидания.
1. Среднегеометрическое случайной величины Х: G(Х) = eM(ln Х).
Пусть Х – дискретная случайная величина, имеющая равномерное распределение.
, тогда
– среднее геометрическое.
2. Среднее гармоническое: .
Используется в экономике в индексных расчетах.
3. Медиана: Me(x) – квантиль xp, соответствующая вероятности p = 0,5.
Точка хр, являющаяся решением уравнения F(xp) = р, называется квантилью распределения. Медиана используется в качестве характеристики среднего, если случайная величина измерена в порядковой шкале.
4. Мода: M0(x) – это значение случайной величины, соответствующей максимальной вероятности pi, если X – дискретная величина. Используется для оценки среднего величин, измеренных в номинальной шкале.
Если Х – непрерывная случайная величина, то мода – точка локального максимума плотности распределения.
Если плотность одномодального распределения непрерывной случайной величины симметрична относительно некоторой прямой х = а, то МХ = Ме(х) = М0(х) = а.