2. Основы теории вероятностей
Математическое ожидание
Рассмотрим случайную величину с числовыми значениями. Часто оказывается полезным связать с этой функцией число – ее «среднее значение» или, как говорят, «среднюю величину», «показатель центральной тенденции». По ряду причин, некоторые из которых будут ясны из дальнейшего, в качестве «среднего значения» обычно используют математическое ожидание.
Определение 3. Математическим ожиданием случайной величины Х называется число
т.е. математическое ожидание случайной величины – это взвешенная сумма значений случайной величины с весами, равными вероятностям соответствующих элементарных событий.
Пример 6. Вычислим математическое ожидание числа, выпавшего на верхней грани игрального кубика. Непосредственно из определения 3 следует, что
Утверждение 2. Пусть случайная величина Х принимает значения х 1 , х 2 ,…, х m . Тогда справедливо равенство
(5)
т.е. математическое ожидание случайной величины – это взвешенная сумма значений случайной величины с весами, равными вероятностям того, что случайная величина принимает определенные значения.
В отличие от (4), где суммирование проводится непосредственно по элементарным событиям, случайное событие может состоять из нескольких элементарных событий.
Иногда соотношение (5) принимают как определение математического ожидания. Однако с помощью определения 3, как показано далее, более легко установить свойства математического ожидания, нужные для построения вероятностных моделей реальных явлений, чем с помощью соотношения (5).
Для доказательства соотношения (5) сгруппируем в (4) члены с одинаковыми значениями случайной величины :
Поскольку постоянный множитель можно вынести за знак суммы, то
По определению вероятности события
С помощью двух последних соотношений получаем требуемое:
Понятие математического ожидания в вероятностно-статистической теории соответствует понятию центра тяжести в механике. Поместим в точки х 1 , х 2 ,…, х m на числовой оси массы P (X = x 1 ), P (X = x 2 ),…, P (X = x m ) соответственно. Тогда равенство (5) показывает, что центр тяжести этой системы материальных точек совпадает с математическим ожиданием, что показывает естественность определения 3.
Утверждение 3. Пусть Х – случайная величина, М(Х) – ее математическое ожидание, а – некоторое число. Тогда
1) М(а)=а; 2) М(Х-М(Х))=0; 3) М[(X - a ) 2 ]= M [(X - M (X )) 2 ]+(a - M (X )) 2 .
Для доказательства рассмотрим сначала случайную величину, являющуюся постоянной, т.е. функция отображает пространство элементарных событий в единственную точку а . Поскольку постоянный множитель можно выносить за знак суммы, то
Если каждый член суммы разбивается на два слагаемых, то и вся сумма разбивается на две суммы, из которых первая составлена из первых слагаемых, а вторая – из вторых. Следовательно, математическое ожидание суммы двух случайных величин Х+У , определенных на одном и том же пространстве элементарных событий, равно сумме математических ожиданий М(Х) и М(У) этих случайных величин:
М(Х+У) = М(Х) + М(У).
А потому М(Х-М(Х)) = М(Х) - М(М(Х)). Как показано выше, М(М(Х)) = М(Х). Следовательно, М(Х-М(Х)) = М(Х) - М(Х) = 0.
Поскольку (Х - а) 2 = {(X – M (X )) + (M (X ) - a )} 2 = (X - M (X )) 2 + 2(X - M (X ))(M (X ) - a ) + (M (X ) – a ) 2 , то M [(Х - а) 2 ] = M (X - M (X )) 2 + M {2(X - M (X ))(M (X ) - a )} + M [(M (X ) – a ) 2 ]. Упростим последнее равенство. Как показано в начале доказательства утверждения 3, математическое ожидание константы – сама эта константа, а потому M [(M (X ) – a ) 2 ] = (M (X ) – a ) 2 . Поскольку постоянный множитель можно выносить за знак суммы, то M {2(X - M (X ))(M (X ) - a )} = 2(M (X ) - a )М(X - M (X )). Правая часть последнего равенства равна 0, поскольку, как показано выше, М(Х-М(Х))=0. Следовательно, М[(X - a ) 2 ]= M [(X - M (X )) 2 ]+(a - M (X )) 2 , что и требовалось доказать.
Из сказанного вытекает, что М[(X - a ) 2 ] достигает минимума по а , равного M [(X - M (X )) 2 ], при а = М(Х), поскольку второе слагаемое в равенстве 3) всегда неотрицательно и равно 0 только при указанном значении а .
Утверждение 4. Пусть случайная величина Х принимает значения х 1 , х 2 ,…, х m , а f – некоторая функция числового аргумента. Тогда
Для доказательства сгруппируем в правой части равенства (4), определяющего математическое ожидание, члены с одинаковыми значениями :
Пользуясь тем, что постоянный множитель можно выносить за знак суммы, и определением вероятности случайного события (2), получаем
что и требовалось доказать.
Утверждение 5. Пусть Х и У – случайные величины, определенные на одном и том же пространстве элементарных событий, а и b – некоторые числа. Тогда M (aX + bY )= aM (X )+ bM (Y ).
С помощью определения математического ожидания и свойств символа суммирования получаем цепочку равенств:
Требуемое доказано.
Выше показано, как зависит математическое ожидание от перехода к другому началу отсчета и к другой единице измерения (переход Y =aX +b ), а также к функциям от случайных величин. Полученные результаты постоянно используются в технико-экономическом анализе, при оценке финансово-хозяйственной деятельности предприятия, при переходе от одной валюты к другой во внешнеэкономических расчетах, в нормативно-технической документации и др. Рассматриваемые результаты позволяют применять одни и те же расчетные формулы при различных параметрах масштаба и сдвига.
| Предыдущая |
Теория вероятности - особый раздел математики, который изучают только студенты высших учебных заведений. Вы любите расчёты и формулы? Вас не пугают перспективы знакомства с нормальным распределением, энтропией ансамбля, математическим ожиданием и дисперсией дискретной случайной величины? Тогда этот предмет вам будет очень интересен. Давайте познакомимся с несколькими важнейшими базовыми понятиями этого раздела науки.
Вспомним основы
Даже если вы помните самые простые понятия теории вероятности, не пренебрегайте первыми абзацами статьи. Дело в том, что без четкого понимания основ вы не сможете работать с формулами, рассматриваемыми далее.
Итак, происходит некоторое случайное событие, некий эксперимент. В результате производимых действий мы можем получить несколько исходов - одни из них встречаются чаще, другие - реже. Вероятность события - это отношение количества реально полученных исходов одного типа к общему числу возможных. Только зная классическое определение данного понятия, вы сможете приступить к изучению математического ожидания и дисперсии непрерывных случайных величин.
Среднее арифметическое
Ещё в школе на уроках математики вы начинали работать со средним арифметическим. Это понятие широко используется в теории вероятности, и потому его нельзя обойти стороной. Главным для нас на данный момент является то, что мы столкнемся с ним в формулах математического ожидания и дисперсии случайной величины.
Мы имеем последовательность чисел и хотим найти среднее арифметическое. Всё, что от нас требуется - просуммировать всё имеющееся и разделить на количество элементов в последовательности. Пусть мы имеем числа от 1 до 9. Сумма элементов будет равна 45, и это значение мы разделим на 9. Ответ: - 5.
Дисперсия
Говоря научным языком, дисперсия - это средний квадрат отклонений полученных значений признака от среднего арифметического. Обозначается одна заглавной латинской буквой D. Что нужно, чтобы её рассчитать? Для каждого элемента последовательности посчитаем разность между имеющимся числом и средним арифметическим и возведем в квадрат. Значений получится ровно столько, сколько может быть исходов у рассматриваемого нами события. Далее мы суммируем всё полученное и делим на количество элементов в последовательности. Если у нас возможны пять исходов, то делим на пять.
У дисперсии есть и свойства, которые нужно запомнить, чтобы применять при решении задач. Например, при увеличении случайной величины в X раз, дисперсия увеличивается в X в квадрате раз (т. е. X*X). Она никогда не бывает меньше нуля и не зависит от сдвига значений на равное значение в большую или меньшую сторону. Кроме того, для независимых испытаний дисперсия суммы равна сумме дисперсий.
Теперь нам обязательно нужно рассмотреть примеры дисперсии дискретной случайной величины и математического ожидания.
Предположим, что мы провели 21 эксперимент и получили 7 различных исходов. Каждый из них мы наблюдали, соответственно, 1,2,2,3,4,4 и 5 раз. Чему будет равна дисперсия?
Сначала посчитаем среднее арифметическое: сумма элементов, разумеется, равна 21. Делим её на 7, получая 3. Теперь из каждого числа исходной последовательности вычтем 3, каждое значение возведем в квадрат, а результаты сложим вместе. Получится 12. Теперь нам остается разделить число на количество элементов, и, казалось бы, всё. Но есть загвоздка! Давайте её обсудим.
Зависимость от количества экспериментов
Оказывается, при расчёте дисперсии в знаменателе может стоять одно из двух чисел: либо N, либо N-1. Здесь N - это число проведенных экспериментов или число элементов в последовательности (что, по сути, одно и то же). От чего это зависит?
Если количество испытаний измеряется сотнями, то мы должны ставить в знаменатель N. Если единицами, то N-1. Границу ученые решили провести достаточно символически: на сегодняшний день она проходит по цифре 30. Если экспериментов мы провели менее 30, то делить сумму будем на N-1, а если более - то на N.
Задача
Давайте вернемся к нашему примеру решения задачи на дисперсию и математическое ожидание. Мы получили промежуточное число 12, которое нужно было разделить на N или N-1. Поскольку экспериментов мы провели 21, что меньше 30, выберем второй вариант. Итак, ответ: дисперсия равна 12 / 2 = 2.
Математическое ожидание
Перейдем ко второму понятию, которое мы обязательно должны рассмотреть данной статье. Математическое ожидание - это результат сложения всех возможных исходов, помноженных на соответствующие вероятности. Важно понимать, что полученное значение, как и результат расчёта дисперсии, получается всего один раз для целой задачи, сколько бы исходов в ней не рассматривалось.
Формула математического ожидания достаточно проста: берем исход, умножаем на его вероятность, прибавляем то же самое для второго, третьего результата и т. д. Всё, связанное с этим понятием, рассчитывается несложно. Например, сумма матожиданий равна матожиданию суммы. Для произведения актуально то же самое. Такие простые операции позволяет с собой выполнять далеко не каждая величина в теории вероятности. Давайте возьмем задачу и посчитаем значение сразу двух изученных нами понятий. Кроме того, мы отвлекались на теорию - пришло время попрактиковаться.
Ещё один пример
Мы провели 50 испытаний и получили 10 видов исходов - цифры от 0 до 9 - появляющихся в различном процентном отношении. Это, соответственно: 2%, 10%, 4%, 14%, 2%,18%, 6%, 16%, 10%, 18%. Напомним, что для получения вероятностей требуется разделить значения в процентах на 100. Таким образом, получим 0,02; 0,1 и т.д. Представим для дисперсии случайной величины и математического ожидания пример решения задачи.
Среднее арифметическое рассчитаем по формуле, которую помним с младшей школы: 50/10 = 5.
Теперь переведем вероятности в количество исходов «в штуках», чтобы было удобнее считать. Получим 1, 5, 2, 7, 1, 9, 3, 8, 5 и 9. Из каждого полученного значения вычтем среднее арифметическое, после чего каждый из полученных результатов возведем в квадрат. Посмотрите, как это сделать, на примере первого элемента: 1 - 5 = (-4). Далее: (-4) * (-4) = 16. Для остальных значений проделайте эти операции самостоятельно. Если вы всё сделали правильно, то после сложения всех вы получите 90.
Продолжим расчёт дисперсии и математического ожидания, разделив 90 на N. Почему мы выбираем N, а не N-1? Правильно, потому что количество проведенных экспериментов превышает 30. Итак: 90/10 = 9. Дисперсию мы получили. Если у вас вышло другое число, не отчаивайтесь. Скорее всего, вы допустили банальную ошибку при расчётах. Перепроверьте написанное, и наверняка всё встанет на свои места.
Наконец, вспомним формулу математического ожидания. Не будем приводить всех расчётов, напишем лишь ответ, с которым вы сможете свериться, закончив все требуемые процедуры. Матожидание будет равно 5,48. Напомним лишь, как осуществлять операции, на примере первых элементов: 0*0,02 + 1*0,1… и так далее. Как видите, мы просто умножаем значение исхода на его вероятность.
Отклонение
Ещё одно понятие, тесно связанное с дисперсией и математическим ожиданием - среднее квадратичное отклонение. Обозначается оно либо латинскими буквами sd, либо греческой строчной «сигмой». Данное понятие показывает, насколько в среднем отклоняются значения от центрального признака. Чтобы найти её значение, требуется рассчитать квадратный корень из дисперсии.
Если вы построите график нормального распределения и захотите увидеть непосредственно на нём квадратичного отклонения, это можно сделать в несколько этапов. Возьмите половину изображения слева или справа от моды (центрального значения), проведите перпендикуляр к горизонтальной оси так, чтобы площади получившихся фигур были равны. Величина отрезка между серединой распределения и получившейся проекцией на горизонтальную ось и будет представлять собой среднее квадратичное отклонение.
Программное обеспечение
Как видно из описаний формул и представленных примеров, расчеты дисперсии и математического ожидания - не самая простая процедура с арифметической точки зрения. Чтобы не тратить время, имеет смысл воспользоваться программой, используемой в высших учебных заведениях - она называется «R». В ней есть функции, позволяющие рассчитывать значения для многих понятий из статистики и теории вероятности.
Например, вы задаете вектор значений. Делается это следующим образом: vector <-c(1,5,2…). Теперь, когда вам потребуется посчитать какие-либо значения для этого вектора, вы пишете функцию и задаете его в качестве аргумента. Для нахождения дисперсии вам нужно будет использовать функцию var. Пример её использования: var(vector). Далее вы просто нажимаете «ввод» и получаете результат.
В заключение
Дисперсия и математическое ожидание - это без которых сложно в дальнейшем что-либо рассчитать. В основном курсе лекций в вузах они рассматриваются уже в первые месяцы изучения предмета. Именно из-за непонимания этих простейших понятий и неумения их рассчитать многие студенты сразу начинают отставать по программе и позже получают плохие отметки по результатам сессии, что лишает их стипендии.
Потренируйтесь хотя бы одну неделю по полчаса в день, решая задания, схожие с представленными в данной статье. Тогда на любой контрольной по теории вероятности вы справитесь с примерами без посторонних подсказок и шпаргалок.
Наиболее полной характеристикой случайной величины является ее закон распределения. Однако он не всегда известен и в этих случаях приходится довольствоваться меньшими сведениями. К таким сведениям могут относиться: диапазон изменения случайной величины, наибольшее (наименьшее) ее значение, некоторые другие характеристики, которые описывают случайную величину некоторым суммарным способом. Все эти величины называют числовыми характеристиками случайной величины. Обычно это некоторые неслучайные числа, так или иначе характеризующие случайную величину. Основное назначение числовых характеристик – в сжатой форме выразить наиболее существенные особенности того или иного распределения.
Простейшей числовой характеристикой случайной величины Х называется ее математическое ожидание :
М(Х)=х 1 р 1 +х 2 р 2 +…+x n p n . (1.3.1)
Здесь х 1 , х 2 , …, х n – возможные значения случайной величины Х , а р 1 , р 2 , …, р n – их вероятности.
Пример 1. Найти математическое ожидание случайной величины, если известен ее закон распределения:
Решение . М(Х)=2×0,3+3×0,1+5×0,6=3,9 .
Пример 2 . Найти математическое ожидание числа появлений события А в одном испытании, если вероятность этого события равна р .
Решение . Если Х – число появлений события А в одном испытании, то, очевидно, закон распределения Х имеет вид:
Тогда М(Х)=0×(1–р)+1×р=р .
Итак: математическое ожидание числа появлений события в одном испытании равно его вероятности.
Вероятностный смысл математического ожидания
Пусть произведено n испытаний, в которых случайная величина Х приняла m 1 раз значение х 1 , m 2 раз значение х 2 , …, m k раз значение х k . Тогда сумма всех значений в n испытаниях равна:
х 1 m 1 +x 2 m 2 +…+x k m k .
Найдем среднее арифметическое всех значений, принятых случайной величиной:
Значения – относительные частоты появления значений х i (i=1, …, k) . Если n достаточно велико (n®¥) , то эти частоты приблизительно равны вероятностям: . Но тогда
=x 1 p 1 +x 2 p 2 +…+x k p k =M(X).
Таким образом, математическое ожидание приближенно равно (тем точнее, чем больше число испытаний) среднему арифметическому наблюдаемых значений случайной величины. В этом состоит вероятностный смысл математического ожидания.
Свойства математического ожидания
1. Математическое ожидание постоянной равно самой постоянной.
М(С)=С×1=С .
2. Постоянный множитель можно выносить за знак математического ожидания
М(СХ)=С×М(Х) .
Доказательство . Пусть закон распределения Х задан таблицей:
Тогда случайная величина СХ принимает значения Сх 1 , Сх 2 , …, Сх n с теми же вероятностями , т.е. закон распределения СХ имеет вид:
М(СХ)=Сх 1 ×р 1 +Сх 2 ×р 2 +…+Сх n ×p n =
=С(х 1 р 1 +х 2 р 2 +…+х n p n)=СМ(Х).
3. Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий:
М(XY)=M(X)×M(Y) .
Это утверждение дается без доказательства (доказательство основано на определении математического ожидания).
Следствие . Математическое ожидание произведения нескольких взаимно независимых случайных величин равно произведению их математических ожиданий.
В частности, для трех независимых случайных величин
М(XYZ)=M(X)×M(Y)×M(Z) .
Пример . Найти математическое ожидание произведения числа очков, которые могут выпасть при бросании двух игральных костей.
Решение . Пусть Х i – число очков на i -й кости. Это могут быть числа 1 , 2 , …, 6 с вероятностями . Тогда
М(Х i)=1× +2× +…+6× = (1+2+…+6)= × ×6= .
Пусть Х=Х 1 ×Х 2 . Тогда
М(Х)=М(Х 1)×М(Х 2)= =12,25 .
4. Математическое ожидание суммы двух случайных величин (независимых или зависимых) равно сумме математических ожиданий слагаемых:
М(Х+Y)=M(X)+M(Y) .
Это свойство обобщается на случай произвольного количества слагаемых.
Пример . Производится 3 выстрела с вероятностями попадания в цель, равными р 1 =0,4 , р 2 =0,3 и р 3 =0,6 . Найти математическое ожидание общего числа попаданий.
Решение . Пусть Х i – число попаданий при i -м выстреле. Тогда
М(Х i)=1×p i +0×(1–p i)=p i .
Таким образом,
M(X 1 +X 2 +X 3)= =0,4+0,3+0,6=1,3 .
Характеристики ДСВ и их свойства. Математическое ожидание, дисперсия, СКО
Закон распределения полностью характеризует случайную величину. Однако, когда невозможно найти закон распределения, или этого не требуется, можно ограничиться нахождением значений, называемых числовыми характеристиками случайной величины. Эти величины определяют некоторое среднее значение, вокруг которого группируются значения случайной величины, и степень их разбросанности вокруг этого среднего значения.
Математическим ожиданием дискретной случайной величины называется сумма произведений всех возможных значений случайной величины на их вероятности.
Математическое ожидание существует, если ряд, стоящий в правой части равенства, сходится абсолютно.
С точки зрения вероятности можно сказать, что математическое ожидание приближенно равно среднему арифметическому наблюдаемых значений случайной величины.
Пример. Известен закон распределения дискретной случайной величины. Найти математическое ожидание.
| X | ||||
| p | 0.2 | 0.3 | 0.1 | 0.4 |
Решение:
9.2 Свойства математического ожидания
1. Математическое ожидание постоянной величины равно самой постоянной.
2. Постоянный множитель можно выносить за знак математического ожидания.
3. Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий.
Это свойство справедливо для произвольного числа случайных величин.
4. Математическое ожидание суммы двух случайных величин равно сумме математических ожиданий слагаемых.
Это свойство также справедливо для произвольного числа случайных величин.
Пусть производится n независимых испытаний, вероятность появления события А в которых равна р.
Теорема. Математическое ожидание М(Х) числа появления события А в n независимых испытаниях равно произведению числа испытаний на вероятность появления события в каждом испытании.
Пример. Найти математическое ожидание случайной величины Z, если известны математические ожидания X и Y: M(Х)=3, M(Y)=2, Z=2X+3Y.
Решение:
9.3 Дисперсия дискретной случайной величины
Однако, математическое ожидание не может полностью характеризовать случайный процесс. Кроме математического ожидания надо ввести величину, которая характеризует отклонение значений случайной величины от математического ожидания.
Это отклонение равно разности между случайной величиной и ее математическим ожиданием. При этом математическое ожидание отклонения равно нулю. Это объясняется тем, что одни возможные отклонения положительны, другие отрицательны, и в результате их взаимного погашения получается ноль.
Дисперсией (рассеиванием) дискретной случайной величины называется математическое ожидание квадрата отклонения случайной величины от ее математического ожидания.
На практике подобный способ вычисления дисперсии неудобен, т.к. приводит при большом количестве значений случайной величины к громоздким вычислениям.
Поэтому применяется другой способ.
Теорема. Дисперсия равна разности между математическим ожиданием квадрата случайной величины Х и квадратом ее математического ожидания .
Доказательство. С учетом того, что математическое ожидание М(Х) и квадрат математического ожидания М 2 (Х) – величины постоянные, можно записать:
Пример. Найти дисперсию дискретной случайной величины заданной законом распределения.
| Х | ||||
| Х 2 | ||||
| р | 0.2 | 0.3 | 0.1 | 0.4 |
Решение: .
9.4 Свойства дисперсии
1. Дисперсия постоянной величины равна нулю. .
2. Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат. .
3. Дисперсия суммы двух независимых случайных величин равна сумме дисперсий этих величин. .
4. Дисперсия разности двух независимых случайных величин равна сумме дисперсий этих величин. .
Теорема. Дисперсия числа появления события А в п независимых испытаний, в каждом из которых вероятность р появления события постоянна, равна произведению числа испытаний на вероятности появления и непоявления события в каждом испытании.
9.5 Среднее квадратическое отклонение дискретной случайной величины
Средним квадратическим отклонением случайной величины Х называется квадратный корень из дисперсии.
Теорема. Среднее квадратичное отклонение суммы конечного числа взаимно независимых случайных величин равно квадратному корню из суммы квадратов средних квадратических отклонений этих величин.
Величин.
Основные числовые характеристики случайных
Закон распределения плотностью характеризует случайную величину. Но часто он неизвестен, и приходится ограничиваться меньшими сведениями. Иногда даже выгоднее пользоваться числами, которые описывают случайную величину суммарно. Такие числа называют числовыми характеристиками случайной величины. Рассмотрим основные из них.
Определение: Математическим ожиданием М(Х) дискретной случайной величины называют сумму произведений всех возможных значений этой величины на их вероятности:
Если дискретная случайная величина Х принимает счётное множество возможных значений, то
Причем математическое ожидание существует, если данный ряд абсолютно сходится.
Из определения следует, что M(X) дискретной случайной величины есть неслучайная (постоянная) величина.
Пример: Пусть Х – число появлений события А в одном испытании, P(A) = p . Требуется найти математическое ожидание Х .
Решение: Составим табличный закон распределения Х :
| X | 0 | 1 |
| P | 1 - p | p |
Найдем математическое ожидание:
Таким образом, математическое ожидание числа появлений события в одном испытании равно вероятности этого события .
Происхождение термина математическое ожидание связано с начальным периодом возникновения теории вероятностей (XVI-XVIIвв.), когда область ее применения ограничивалась азартными играми. Игрока интересовало среднее значение ожидаемого выигрыша, т.е. математическое ожидание выигрыша.
Рассмотрим вероятностный смысл математического ожидания .
Пусть произведено n испытаний, в которых случайная величина Х приняла m 1 раз значение x 1 , m 2 раз значение x 2 , и так далее, и, наконец, она приняла m k раз значение x k , причём m 1 + m 2 +…+ + m k = n .
Тогда сумма всех значений, принятых случайной величиной Х , равна x 1 m 1 +x 2 m 2 +…+x k m k .
Среднее арифметическое всех значений, принятых случайной величиной Х ,равно:
так как – относительная частота значения для любого значения i = 1, …, k.
Как известно, если число испытаний n достаточно велико, то относительная частота приближённо равна вероятности появления события , следовательно,
Таким образом, .
Вывод: Математическое ожидание дискретной случайной величины приближённо равно (тем точнее, чем больше число испытаний) среднему арифметическому наблюдаемых значений случайной величины.
Рассмотрим основные свойства математического ожидания.
Свойство 1: Математическое ожидание постоянной величины равно самой постоянной величине:
М(С) = С.
Доказательство: Постоянную С можно рассматривать , которая имеет одно возможное значение С и принимает его с вероятностью р = 1. Следовательно, М(С) =С 1= С.
Определим произведение постоянной величины С на дискретную случайную величину Х как дискретную случайную величину СХ , возможные значения которой равны произведениям постоянной С на возможные значения Х СХ равны вероятностям соответствующих возможных значений Х :
| СХ | C | C | … | C |
| Х | … | |||
| Р | … |
Свойство 2: Постоянный множитель можно выносить за знак математического ожидания:
M(CX) = CM(X).
Доказательство: Пусть случайная величина X задана законом распределения вероятностей:
| X | … | |||
| P | … |
Напишем закон распределения вероятностей случайной величины CX :
| СX | C | C | … | C |
| P | … |
М(CX) = C + C = C + ) = C M(X).
Определение: Две случайные величины называются независимыми, если закон распределения одной из них не зависит от того, какие возможные значения приняла другая величина. В противном случае случайные величины зависимы.
Определение: Несколько случайных величин называются взаимно независимыми, если законы распределения любого числа из них не зависят от того, какие возможные значения приняли остальные величины.
Определим произведение независимых дискретных случайных величин X и Y как дискретную случайную величину XY , возможные значения которой равны произведениям каждого возможного значения X на каждое возможное значение Y . Вероятности возможных значений XY равны произведениям вероятностей возможных значений сомножителей.
Пусть даны распределения случайных величин X и Y:
| X | … | |||
| P | … |
| Y | … | |||
| G | … |
Тогда распределение случайной величины XY имеет вид:
| XY | … | |||
| P | … |
Некоторые произведения могут оказаться равными. В этом случае вероятность возможного значения произведения равна сумме соответствующих вероятностей. Например, если = , тогда вероятность значения равна
Свойство 3: Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий:
M(XY) = M(X) M(Y).
Доказательство: Пусть независимые случайные величины X и Y заданы своими законами распределения вероятностей:
| X | ||
| P |
| Y | ||
| G |
Для упрощения выкладок ограничимся малым числом возможных значений. В общем случае доказательство аналогичное.
Составим закон распределения случайной величины XY :
| XY | ||||
| P |
M(XY) =
M(X) M(Y).
Следствие: Математическое ожидание произведения нескольких взаимно независимых случайных величин равно произведению их математических ожиданий.
Доказательство: Докажем для трех взаимно независимых случайных величин X , Y , Z . Случайные величины XY и Z независимы, тогда получаем:
M(XYZ) = M(XY Z) = M(XY) M(Z) = M(X) M(Y) M(Z).
Для произвольного числа взаимно независимых случайных величин доказательство проводится методом математической индукции.
Пример: Независимые случайные величины X и Y
| X | 5 | 2 | |
| P | 0,6 | 0,1 | 0,3 |
| Y | 7 | 9 |
| G | 0,8 | 0,2 |
Требуется найти M(XY) .
Решение: Так как случайные величины X и Y независимы, то M(XY)=M(X) M(Y)=(5 0,6+2 0,1+4 0,3) (7 0,8+9 0,2)= 4,4 7,4 = =32,56.
Определим сумму дискретных случайных величин X и Y как дискретную случайную величину X+Y , возможные значения которой равны суммам каждого возможного значения X с каждым возможным значением Y . Вероятности возможных значений X+Y для независимых случайных величин X и Y равны произведениям вероятностей слагаемых, а для зависимых случайных величин – произведениям вероятности одного слагаемого на условную вероятность второго.
Если = и вероятности этих значений соответственно равны , то вероятность (то же, что и ) равна .
Свойство 4: Математическое ожидание суммы двух случайных величин (зависимых или независимых) равно сумме математических ожиданий слагаемых:
M(X+Y) = M(X) + M(Y).
Доказательство: Пусть две случайные величины X и Y заданы следующими законами распределения:
| X | ||
| P |
| Y | ||
| G |
Для упрощения вывода ограничимся двумя возможными значениями каждой из величин. В общем случае доказательство аналогичное.
Составим все возможные значения случайной величины X+Y (предположим, для простоты, что эти значения различны; если – нет, то доказательство проводится аналогично):
| X+Y | ||||
| P |
Найдем математическое ожидание этой величины.
M (X+Y ) = + + + +
Докажем, что + = .
Событие X = (его вероятность P(X = ) влечет за собой событие, состоящее в том, что случайная величина X + Y примет значение или (вероятность этого события, по теореме сложения, равна ) и обратно. Тогда = .
Аналогично доказываются равенства = = =
Подставляя правые части этих равенств в полученную формулу для математического ожидания, получим:
M(X + Y) = + ) = M(X) + M(Y).
Следствие: Математическое ожидание суммы нескольких случайных величин равно сумме математических ожиданий слагаемых.
Доказательство: Докажем для трех случайных величин X , Y , Z . Найдем математическое ожидание случайных величин X +Y и Z :
M(X+Y+Z)=M((X+Y Z)=M(X+Y) M(Z)=M(X)+M(Y)+M(Z)
Для произвольного числа случайных величин доказательство проводится методом математической индукции.
Пример: Найти среднее значение суммы числа очков, которые могут выпасть при бросании двух игральных костей.
Решение: Пусть X – число очков, которое может выпасть на первой кости, Y – на второй. Очевидно, что случайные величины X и Y имеют одинаковые распределения. Запишем данные распределений X и Y в одну таблицу:
| X | 1 | 2 | 3 | 4 | 5 | 6 |
| Y | 1 | 2 | 3 | 4 | 5 | 6 |
| P | 1/6 | 1/6 | 1/6 | 1/6 | 1/6 | 1/6 |
M(X) = M(Y) (1+2+3+4+5+6) = =
M(X + Y) = 7.
Итак, среднее значение суммы числа очков, которые могут выпасть при бросании двух игральных костей равно 7 .
Теорема: Математическое ожидание M(X) числа появлений события А в n независимых испытаниях равно произведению числа испытаний на вероятность появления события в каждом испытании: M(X) = np.
Доказательство: Пусть X – число наступлений события A в n независимых испытаниях. Очевидно, общее число X появлений события A в этих испытаниях складывается из чисел появлений события в отдельных испытаниях. Тогда, если число появлений события в первом испытании, во втором, и так далее, наконец, – число появлений события в n -ом исытании, то общее число появлений события вычисляется по формуле:
По свойству 4 математического ожидания имеем:
M(X) = M( ) + … + M( ).
Так как математическое ожидание числа появлений события в одном испытании равно вероятности события, то
M( ) = M( )= … = M( ) = p.
Следовательно, M(X) = np.
Пример: Вероятность попадания в цель при стрельбе из орудия равна p = 0,6 . Найти среднее число попаданий, если будет произведено 10 выстрелов.
Решение: Попадание при каждом выстреле не зависит от исходов других выстрелов, поэтому рассматриваемые события независимы и, следовательно, искомое математическое ожидание равно:
M(X) = np = 10 0,6 = 6.
Итак, среднее число попаданий равно 6.
Теперь рассмотрим математическое ожидание непрерывной случайной величины.
Определение: Математическим ожиданием непрерывной случайной величины X, возможные значения которой принадлежат отрезку , называют определенный интеграл:
где f(x) – плотность распределения вероятностей.
Если возможные значения непрерывной случайной величины X принадлежат всей оси Ox, то
Предполагается, что данный несобственный интеграл сходится абсолютно, т.е. сходится интеграл Если бы это требование не выполнялось, то значение интеграла зависело бы от скорости стремления (в отдельности) нижнего предела к -∞, а верхнего предела – к +∞.
Можно доказать, что все свойства математического ожидания дискретной случайной величины сохраняются и для непрерывной случайной величины . Доказательство основано на свойствах определенных и несобственных интегралов.
Очевидно, чтоматематическое ожидание M(X) больше наименьшего и меньше наибольшего из возможных значений случайной величины X . Т.е. на числовой оси возможные значения случайной величины расположены слева и справа от ее математического ожидания. В этом смысле, математическое ожидание M(X) характеризует расположение распределения, и поэтому его часто называют центром распределения .