- •Раздел III. Теория вероятностей и математическая статискика Лекция 17. Основные понятия теории вероятностей
- •17.1. Введение. Предмет теории вероятностей
- •17.2. Краткий исторический очерк
- •17.3. Случайное событие. Его частота
- •17. 4. Классическое определение вероятности. Непосредственный подсчет вероятностей.
- •Лекция 18. Алгебра событий. Основные теоремы теории вероятностей
- •18.1. Алгебра событий
- •18.2. Теорема сложения вероятностей
- •18.3. Полная группа событий. Противоположные события
- •18.4. Теорема умножения вероятностей Независимые и зависимые события.
- •18.5. Теорема умножения вероятностей независимых событий
- •18.6. Условная вероятность
- •18.7. Теорема умножения вероятностей зависимых событий
- •Лекция 19. Основные теоремы теории вероятностей (продолжение)
- •19.1. Теорема сложения вероятностей совместных событий
- •19. 2. Формула полной вероятности
- •19.3. Формулы Бейеса (формулы переоценки вероятностей гипотез)
- •19. 4. Повторение испытаний. Формула Бернулли
- •Лекция 20. Случайные величины и их законы распределения
- •20.1. Дискретные и непрерывные случайные величины
- •Понятие закона распределения вероятностей дискретной случайной величины
- •20. 3. Биноминальное распределение
- •20. 4. Распределение Пуассона
- •20. 5. Простейший пуассоновский поток событий
- •21.2. Математическое ожидание и его основные свойства
- •21.3. Дисперсия дискретной случайной величины
- •21.4. Среднее квадратическое отклонение
- •21.5. Свойства дисперсии
- •21. 6. Понятие о моментах распределения
- •21.7. Определение интегральной функции распределения
- •21.8. Свойство интегральной функции
- •21.9. График интегральной функции
- •22.2. Вероятность попадания непрерывной случайной
- •22.3. Нахождение интегральной функции распределения по известной дифференциальной
- •22.4. Свойства дифференциальной функции. Ее вероятностный смысл
- •22.5. Математическое ожидание. Дисперсия. Среднее квадратическое отклонение
- •22.6. Начальные и центральные моменты
- •22.7. Коэффициент асимметрии
- •22.8. Эксцесс
- •22.9. Мода. Медиана
- •Лекция 23. Законы распределения непрерывной случайной величины
- •Закон равномерного распределения или закон равномерной плотности
- •23.2. Нормальное распределение
- •23.3. Вероятность попадания случайной величины, подчиненной нормальному закону, на интервал [
- •23.4. Правило трех сигм
- •Лекция 24. Система случайных величин
- •24.1. Понятие о системе случайных величин
- •24.2. Закон распределения вероятностей дискретной двумерной случайной величины
- •24.3. Интегральная и дифференциальная функция распределения двумерной случайной величины и их свойства
- •24.4. Условные законы распределения составляющих системы дискретных случайных величин
- •24.5. Числовые характеристики системы двух случайных величин
- •24.6. Коррелированность и зависимость случайных величин
- •Лекция 25. Предельные теоремы
- •25.1. Закон больших чисел
- •25.2. Теорема Чебышева
- •25.3. Теорема Бернулли
- •25.4. Центральная предельная теорема
21.3. Дисперсия дискретной случайной величины
Зная математическое ожидание случайной величины, еще нельзя судить о ее возможных значениях.
Пример.
-
Х
-0,01
0,01
Y
-100
100
Р
0,5
0,5
Р
0,5
0,5
М(Х)=-0,010,5+0,010,5=0
М(Y)=-1000,5+1000,5=0
Возможные значения Х расположены около математического ожидания, а возможные значения Y далеко от своего математического ожидания. Возникает вопрос, как рассеяны значения случайной величины вокруг ее математического ожидания.
Определение. Отклонением называют разность между случайной величиной и ее математическим ожиданием: Х–М (Х).
Если известен закон распределения Х:
-
Х
х1
х2
...
хn
Р
р1
р2
...
рn
то закон распределения отклонения Х–М (Х):
-
Х–М (Х)
х1–М (Х)
х2–М (Х)
...
хn–М (Х)
Р
р1
р2
...
рn
т.к. для того, чтобы появилось значение х1–М (Х) достаточно, чтобы случайная величина приняла значение х1. Вероятность этого события равна р1. Следовательно, вероятность того, что отклонение примет значение х1–М (Х), также равна р. Аналогично для других возможных значений отклонения.
Теорема. Математическое ожидание отклонения равно 0.
Доказательство. Пользуясь свойствами математического ожидания, что математическое ожидание разности равно разности математических ожиданий, математическое ожидание постоянной равно постоянной и приняв во внимание, что М (Х) есть постоянная величина, имеем:
М [X–M (X)]=M (X)–M [M (X)]=M (X)–M (X)= 0.
Вернемся к вопросу о рассеянии возможных значений случайной величины вокруг ее среднего значения (вокруг математического ожидания). Например, при стрельбе важно знать, насколько кучно могут быть снаряды вблизи цели, которая должна быть поражена.
Может показаться, что для оценки рассеяния проще всего снизить все возможные значения отклонения случайной величины и затем найти их среднее значение. Однако, согласно выше доказанной теореме, это среднее равно 0 для любой случайной величины. Это объясняется тем, что одни отклонения положительны, другие отрицательны; в результате их взаимного погашения среднее значение отклонения равно 0.
Эти соображения говорят о целесообразности замены отклонений их абсолютными величинами или квадратами. Оперировать с абсолютными величинами трудно, поэтому чаще используют квадраты отклонения случайной величины.
Определение. Дисперсией (рассеянием) дискретной случайной величины называют математическое ожидание квадрата отклонения случайной величины от ее математического ожидания.
Д (Х)=М [Х–М (Х)]2.
Пусть
-
Х
х1
х2
...
хn
Р
р1
р2
...
рn
тогда
-
[Х–М (Х)]2
[х1–М (Х)]2
[х2–М (Х)]2
...
[хn–М (Х)]2
Р
р1
р2
...
рn
По определению Д(Х)=М[Х–М(Х)]2=[х1–М(Х)]2р1+[х2–М(Х)]2р2+...+[хn––М(Х)]2рn. Из определения следует, что Д(Х)- постоянная величина.
Пример. * (о стрелках, продолжение). Вычислить дисперсию, если
-
Х
1
2
3
Р
0,8
0,16
0,04
и М(Х)=1,24, Д(Х)=(1–1,24)20,8+(2–1,24)20,16+(3–1,24)20,04=0,26.
Вычисление дисперсии, основанное на определении, громоздко. Удобнее для вычисления дисперсии использовать теорему.
Теорема. Дисперсия равна разности между математическим ожиданием квадрата случайной величины и квадратом ее математического ожидания:
Д (Х)=М (Х)2–[M (X)]2
Доказательство. Математическое ожидание М(Х) есть постоянная величина, т.е. 2М (Х) и [M (Х)]2 также постоянные числа.
Д (Х)=М (Х)2–[M (X)]2=М [Х–М (Х)]2=М [Х2–2Х М (Х)+[М (Х)]2=
= М (Х)2–2М (Х) М (Х)+ [М (Х)]2=М (Х)2– [М (Х)]2.
(Использованы свойства математического ожидания: постоянный множитель можно вынести за знак математического ожидания, математическое ожидание суммы равно сумме математических ожиданий слагаемых, математическое ожидание постоянной равно этой постоянной).
Итак, Д (Х)=М (Х)2–[M (X)]2.