- •Вероятность событий
- •1.1 Элементарные понятия теории вероятности.
- •1.2 Операции над случайными событиями
- •1.3 Вероятность случайного события
- •1.4 Формулы комбинаторики
- •1.5 Вероятность произведения событий
- •1.6 Вероятность суммы событий
- •1.7 Формула полной вероятности. Формула Байеса.
- •Независимые повторные испытания
- •2.1 Формула Бернулли
- •2.2 Наивероятнейшее число появлений успеха в n независимых испытаниях.
- •2.3 Обобщение формулы Бернулли
- •2.4 Формула Пуассона
- •2.5 Локальная теорема Лапласа.
- •2.6 Интегральная теорема Лапласа
- •2.7 Вероятность отклонения относительной частоты от вероятности события a
- •Дискретные случайные величины
- •3.1 Основные определения
- •3.1.1.Дискретная случайная величина
- •3.1.2 Функция дискретной случайной величины
- •3.2 Законы распределения случайной дискретной величины
- •3.2.1. Биномиальное распределение
- •3.2.2. Распределение Пуассона
- •3.2.3. Геометрическое распределение
- •3.2.4. Гипергеометрическое распределение
- •3.3 Числовые характеристики дискретной случайной величины.
- •3.3.1. Математическое ожидание дискретной случайной величины
- •3.3.2. Математическое ожидание функции дискретной случайной величины
- •3.3.3. Свойства математического ожидания
- •3.3.4. Дисперсия дискретной случайной величины
- •3.3.5. Основные свойства дисперсии
- •3.4 Другие числовые характеристики дискретной случайной величины
- •3.4.1 Среднеквадратическое отклонение
- •3.4.2. Моменты k-го порядка
- •3.4.3. Нормированная случайная величина
- •3.4.4. Функция распределения дискретной случайной величины.
- •3.4.5. Мода и медиана дискретной случайной величины
- •3.4.6. Ковариация и коэффициент корреляции
- •Непрерывные случайные величины.
- •4.1. Функция распределения и плотность вероятности непрерывной случайной величины
- •5.2. Функция непрерывной случайной величины
- •5.3. Основные характеристики непрерывной случайной величины
- •5.3.1. Математическое ожидание
- •5.3.2. Дисперсия
- •5.3.3. Мода и медиана
- •5.3.4. Моменты k-го порядка
- •5.3.5. Асимметрия и эксцесс.
- •5.3. Законы распределения непрерывной случайной величины
- •5.3.1. Равномерное распределение
- •5.3.2. Показательное распределение
- •5.3.3. Нормальное распределение
- •5. Закон больших чисел
- •5.1. Центральная предельная теорема
- •5.2. Неравенство и теорема Чебышева.
- •5.3. Теорема Бернулли (Закон больших чисел)
- •5.4. Эмпирическая оценка параметров случайной величины
- •Система двух случайных величин
- •6.1. Закон распределения дискретной двумерной случайной величины
- •6.2. Функция распределения двумерной случайной величины
- •6.3. Свойства функции распределения двумерной случайной величины
- •6.4. Функция плотности вероятности непрерывной двумерной случайной величины
- •6.5. Функция двумерной случайной величины
- •6.6. Условные законы распределения составляющих двумерной случайной величины
- •6.6.1. Условные законы распределения дискретной случайной величины
- •6.6.2. Условные законы распределения непрерывной случайной величины
- •6.6.3. Условное математическое ожидание
- •6.7. Корреляция случайных величин
- •6.7.1 Независимость компонент двумерной случайной величины
- •6.7.2. Корреляционный момент и коэффициент корреляции
- •6.7.3. Линейная регрессия, линейная корреляционная зависимость.
3.3.4. Дисперсия дискретной случайной величины
Рассмотрим две дискретные случайные величины.
xk
-0.01
0.01
pk
0.5
0.5
X1
и
xk
-100
100
pk
0.5
0.5
X2
Легко убедиться, что математические ожидания для этих величин совпадают:
M(X1) = M(X2)=0
Математическое ожидание не несет информации о степени разброса отдельных значений случайной величины, поэтому для характеристи такого разброса нужна еще одна переменная. Как было показано в предыдущем параграфе, математическое ожидание отклонения случайной величины от ее математического ожидания всегда равно нулю
M(X-M(X))= 0
Следовательно, такую переменную для характеристики разброса значений использовать мы не можем. Чтобы оценить разброс значений вводится переменная, которая называется дисперсией. Дисперсия случайной величины равна математическому ожиданию квадрата отклонения случайной величины от ее математического ожидания
D(X)=M([X-M(X)]2)
Дисперсия дискретной случайной величины с заданным законом распределения
X
xi
x1
x2
...
xm
pi
p1
p2
...
pm
Рассчитывается по формуле
D(X)= (xi- M(X))2pi,
i
где M(X) - математическое ожидание дискретной случайной величины. Если подставить в эту формулу данные для X1 и X2 - получим два различных значения дисперсии
D(X1)=0.5(-0.01-0)2+0.5(0.01-0)2=0.0001
D(X2)=0.5(-100-0)2+0.5(100-0)2=10000
Для дисперсии случайной величины может быть доказана следующая теорема:
Дисперсия случайной величины равна разности между математическим ожиданием квадрата случайной величины и квадратом ее математического ожидания
D(X)=M([X]2)-[M(X)]2
Легко проверить, что
D(X)=M([X-M(X)]2)= M(X2-2M(X)X+[M(X)]2)=
= M([X]2)-2[M(X)]2+[M(X)]2= M([X]2)-[M(X)]2
Например, для величины X2
M([X2]2)=0.5(-100)2+0.5(100)2=10000
D(X2)= M([X2]2)-[M(X2)]2=10000-02=10000
3.3.5. Основные свойства дисперсии
1. Дисперсия константы равна нулю.
D(C)=M([C-M(C)]2)= M([C-C]2)=0
2. Дисперсия произведения случайной величины на констану равна квадрату константы умноженному на дисперсию случайной величины
D(СX)=M([СX-M(СX)]2)=M([СX-СM(X)]2)=
=M(С2[X-M(X)]2)=С2D(X)
3. Дисперсия суммы двух независимых случайных величин равна сумме их дисперсий. Если величины зависимы, к сумме дисперсий необходимо добавить удвоенную ковариацию этих величин.
Прежде чем доказывать это свойство, введем новую величину, которую назовем ковариацией. Определение этой величины мы рассмотрим позднее, а пока запишем для нее следующее равенство:
Cov(X, Y)=M(XY)-M(X)M(Y)
В случае, если величины независимы,
M(XY)=M(X)M(Y)
и
Cov(X, Y)=0
Докажем, что в общем случае
D(X+Y)= D(X)+ D(Y)+2 Cov(X, Y)
Для доказательства воспользуемся рассмотренной выше теоремой для дисперсии и свойствами математического ожидания:
D(X+Y)= M([X+Y]2)-[M(X+Y)]2= M([X2+Y2+2XY])-[M(X)+M(Y)]2=
= M(X2)+M(Y2)+2M(XY)-[(M(X))2+(M(Y))2+2M(X)M(Y)]=
= [M(X2)-(M(X))2]+[M(Y2)-M(Y))2]+2(M(XY)- M(X)M(Y))=
= D(X)+D(Y)+2 Cov(X, Y)
Для независимых случайных величин
D(X+Y)= D(X)+D(Y)
Аналогичное свойство можно записать и для нескольких случайных величин. Рассмотрим величины X1, X2, ..., Xn c дисперсиями D(X1), D(X2) ...,D(Xn) и математическим ожиданиями M(X1), M(X2) ..., M(Xn). Известно, что
M(X1+X2+ +Xn)= M(X1)+M(X2)+...+ M(Xn)
Рассмотрим
D(X1+X2+ +Xn)=M([ (X1+X2+...+ Xn)- M(X1+X2+...+ Xn)]2)=
=M([X1- M(X1)+X2- M(X2)...+ Xn- M(Xn)]2) =
=M[(X1- M(X1))2+(X2- M(X2))2+...+(Xn- M(Xn))2+
+2(X1- M(X1))(X2- M(X2))+...+2(Xn-1- M(Xn-1)) (Xn- M(Xn))]=
=D(Xi)+ 2Cov(Xi, Xj),
i ij
4. Используя доказанное выше свойство для дисперсии суммы двух случайных величин можно показать, что дисперсия суммы случайной величины и константы равна дисперсии этой случайной величины, то есть дисперсия не меняется при смещении всех значений случайной величины на одну и ту же константу.
D(X+С)= D(X)+ D(С)= D(X)
5. Для среднего арифметического n случайных величин, имеющих одинаковое распределение с математическим ожиданием M(Xi)=a, D(Xi)=d, дисперсия уменьшается в n раз
_
D(X)= D((X1+ X2+...+ Xn)/n)=1/n2( D(X1)+ D(X2)+...+ D(Xn))/n=
=nd/n2=d/n
Исходя из этого свойства можно утверждать, что при многократных измерениях одной и той же характеристики, среднее значение нескольких измерений будет точнее описывать ее истинную величину, чем одно отдельное измерение, так как отклонение от математического ожидания (ошибка измерения) тем меньше, чем больше число измерений.
6. Дисперсия случайной величины X, равной числу появлений события A в n независимых испытаниях, в каждом из которых вероятность появления события A равна p, D(X)=npq, где q=1- p.
Можно показать, что для переменной X1 с законом распределения
xk
0
1
pk
1-p
p
X1
M(X1)=0(1-p)+ 1p=p
и
D(X1)= M([X1]2)-[M(X1)]2=12p+02 (1-p)- p2= p- p2= p (1-p)= pq
Случайная величина
X= X1+ X1+... X1
n раз
и
D(X)=D(X1+ X1+... X1)= pq+ pq+...+ pq= npq