WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 9 |

1 7 4 3 1 0 1 2 3 4 5 2,10 30 15 10 15 Если бы в последней формуле относительные частоты рассчитывались не для одного месяца, а для существенно большего срока, то при некоторых условиях (например, при отсутствии кризисных явлений, существенно влияющих на спрос населения на дорогостоящие товары) эти относительные частоты можно было бы считать довольно близкими к вероятностям соответствующих значений объёма продаж. Таким образом, приходим к выводу, что математическое ожидание случайной величины – это в некотором смысле её среднее значение. Следует отметить, что случайная величина может вообще не принимать значения, равного её математическому ожиданию. Так, например, случайная величина, принимающая только значения 1 и –1, каждое – с вероятностью 0,5, имеет математическое ожидание, равное нулю.

Пример. Найти математическое ожидание случайной величины, заданной законом распределения Р pq Здесь p + q = 1.

M = 1 р + 0 q = р Свойства математического ожидания.

1. Если случайная величина принимает одно и то же значение при всех исходах случайного эксперимента, то есть С, то её математическое ожидание равно С.

2. Если М = а, и k – константа, то М(k ) = kM (математическое ожидание случайной величины, умноженной на число, равно математическому ожиданию случайной величины, умноженному на это число).

3. Если М = а, и k – константа, то М(k + ) = k + M (математическое ожидание суммы случайной величины и числа равно сумме этого числа и математического ожидания случайной величины).

Выведем формулу для математического ожидания суммы двух случайных величин и, определённых на одном и том же пространстве элементарных исходов и заданных законами распределения х1 xn y1 yk 1 2 Р Р p1 p1 p1 pk n М( + ) = (х1 + у1)Р(( = х1) ( = у1))+ (х2 + у1)Р(( = х2) ( = у1)) + +(хi + уj)Р(( = хi) ( = уj)) + + (хn + уk)Р(( = хn) ( = уk)) Очевидно, что сумма в правой части последней формулы содержит nk слагаемых. Преобразуем эту сумму следующим образом:

М( + ) = х1 Р(( =х1)( =у1)) + х1 Р(( =х1)( =у2)) + +х1 Р(( =х1)( =уk)) + + х2Р(( =х2)( =у1)) + х2Р(( =х2)( =у2)) + + х2Р(( =х2)( =уk)) + + хnР(( =хn)( =у1)) + хnР(( =хn)( =у2)) + + хnР(( =хn)( =уk)) + + у1Р(( =х1)( =у1)) + у1Р(( =х2)( =у1)) + + у1Р(( =хn)( =у1)) + + у2Р(( =х1)( =у2)) + у2Р(( =х2)( =у2)) + + у2Р(( =хn)( =у2)) + + уkР(( =х1)( =уk)) + уkР(( =х2)( =уk)) + + уkР(( =хn)( =уk)) = = х1(Р(( =х1)( =у1)) + Р(( =х1)( =у2)) + + Р(( =х1)( =уk))) + + х2(Р(( =х2)( =у1)) + Р(( =х2)( =у2)) + + Р(( =х2)( =уk))) + + + хn(Р(( =хn)( =у1)) + Р(( =хn)( =у2)) + + Р(( =хn)( =уk))) + + у1(Р(( =х1)( =у1)) + Р(( =х2)( =у1)) + + Р(( =хn)( =у1))) + + у2(Р(( =х1)( =у2)) + Р(( =х2)( =у2)) + + Р(( =хn)( =у2))) + + уk(Р(( =х1)( =уk)) + Р(( =х2)( =уk)) + + Р(( =хn)( =уk))) = = х1Р( =х1) + х2Р( =х2) + + хn Р( =хn) + + у1Р( =у1) + у2Р( =у2) + + у1Р( =у1) = M + M При выводе этой формулы использован очевидный факт, что, например, событие =х1 можно представить в виде объединения несовместных событий ( =х1)( =у1), ( =х1)( =у2),, ( =х1)( =уn).

Пример.

Заданы n одинаково распределённых случайных величин 1, 2,, n с законом распределения i Ppq Найти математическое ожидание суммы этих случайных величин.

Решение.

n n M( ) = M = np i i i=1 i=Теорема.

Если случайные величины и независимы, то М( ) = М М Доказательство.

Если заданы законы распределения двух независимых случайных величин и х1 xi xn y1 yj yk 1 2 Р Р p1 p1 p1 p1 j pk pi n то математическое ожидание произведения этих случайных величин можно представить следующим образом:

n k М( ) = х y p1 p2 = i j i j i =1 j =k k k k = х1 p1 y p2 +х2 p1 y p2 + + хi p1 y p2 + хn p1 y p2 = j 2 j i j n j j j j j j =1 j =1 j =1 j =n = х1 p1 M + х2 p1 M + + хi p1M + хn p1 M = M pi = М М x 2 i n i i=Дисперсия случайной величины.

Дисперсия D случайной величины определяется формулой D = M( – M )Дисперсия случайной величины — это математическое ожидание квадрата отклонения случайной величины от её математического ожидания.

Рассмотрим случайную величину с законом распределения 1 2 1 1 Р 6 2 Вычислим её математическое ожидание.

1 1 M = 1 + 2 + 3 = 6 2 3 Составим закон распределения случайной величины – M 7 1 – M - 6 6 1 1 Р 6 2 а затем закон распределения случайной величины ( – M )1 25 ( – M )36 36 1 1 Р 2 3 Теперь можно рассчитать величину D :

1 1 25 1 49 1 D = + + = 36 2 36 3 36 6 Используя определение дисперсии, для дискретной случайной величины формулу вычисления дисперсии можно представить в таком виде:

n D = - M 2 pi x i i=Можно вывести ещё одну формулу для вычисления дисперсии:

n n D = - M 2 pi (xi 2 - 2xiM M )pi x i i=1 i =n n n 2 = pi - 2M xi pi M pi M 2 - 2M M M x 2 i i=1 i=1 i== M 2 – MТаким образом, дисперсия случайной величины равна разности математического ожидания квадрата случайной величины и квадрата её математического ожидания.

Пример.

Найти дисперсию случайной величины, заданной законом распределения Р pq Выше было показано, что M = р. Легко видеть, что M 2 = р. Таким образом, получается, что D = р – р2 = pq.

Дисперсия характеризует степень рассеяния значений случайной величины относительно её математического ожидания. Если все значения случайной величины тесно сконцентрированы около её математического ожидания и большие отклонения от математического ожидания маловероятны, то такая случайная величина имеет малую дисперсию. Если значения случайной величины рассеяны и велика вероятность больших отклонений от математического ожидания, то такая случайная величина имеет большую дисперсию.

Свойства дисперсии.

1. Если k – число, то D(k ) = k2 D.

Доказательство.

D(k ) = M(k – M(k ))2 = M(k – k M )2 = M(k2 ( – M )2) = k2M( – M )2 = = k2 D 2. Для попарно независимых случайных величин 1, 2,, n справедливо равенство n n D D i i i=1 i=Это свойство оставим без доказательства. Рекомендуем читателю рассмотреть следующий пример.

Пусть и – независимые случайные величины с заданными законами распределения:

01 Р 0,25 0,75 Р 0,7 0,Показать, что D( + ) = D + D.

Биномиальный закон распределения.

Пусть заданы числа n N и p (0 p 1). Тогда каждому целому числу из промежутка [0; n] можно поставить в соответствие вероятность, рассчитанную по формуле Бернулли. Получим закон распределения случайной величины (назовём её ) 0 k n k Р Cn pk (1 - p)n k Будем говорить, что случайная величина распределена по закону Бернулли.

Такой случайной величиной является частота появления события А в n повторных независимых испытаниях, если в каждом испытании событие А происходит с вероятностью p.

Рассмотрим отдельное i-е испытание. Пространство элементарных исходов для него имеет вид A, A Определим на этом пространстве случайную величину i следующим образом:

i = 1, если происходит событие А;

i = 0, если происходит событие A Закон распределения случайной величины i рассматривался в предыдущем параграфе.

i Р p q = 1–p M = р; D = рq Для i = 1,2,,n получаем систему из n независимых случайных величин i, имеющих одинаковые законы распределения. Если теперь сравнить законы n распределения двух случайных величин и, то можно сделать очевидный Ni i=n вывод: =. Отсюда следует, что для случайной величины, имеющей N i i=закон распределения Бернулли, математическое ожидание и дисперсия определяются формулами n n n M = M = p = np;

M = i i i=1 i=1 i=n n n D = D = pq = npq D = i i i=1 i=1 i=Найдём оценку величины р — вероятности успеха в одном испытании некоторого биномиального эксперимента. Для этого проведём n испытаний и подсчитаем х – число успехов. Оценку р* неизвестной величины р определим x формулой р* =.

n Пример.

Из 20 отобранных для контроля образцов продукции 4 оказались нестандартными. Оценим вероятность того, что случайно выбранный экземпляр продукции не отвечает стандарту отношением р* = 4/20 = 0,2.

Так как х случайная величина, р* – тоже случайная величина. Значения р* могут меняться от одного эксперимента к другому (в рассматриваемом случае экспериментом является случайный отбор и контроль 20-ти экземпляров продукции). Каково математическое ожидание р* Поскольку х есть случайная величина, обозначающая число успехов в n испытаниях по схеме Бернулли, Мx = np. Для математического ожидания случайной величины р* по определению x получаем: Mp* = M, но n здесь является константой, поэтому по свойству n математического ожидания 1 Mp* = Mx np p n n Таким образом, “в среднем” получается истинное значение р, чего и следовало ожидать. Это свойство оценки р* величины р имеет название: р* является несмещённой оценкой для р. Отсутствие систематического отклонения от величины оцениваемого параметра р подтверждает целесообразность использования величины р* в качестве оценки. Вопрос о точности оценки пока оставляем открытым.

Непрерывные случайные величины.

Случайная величина, значения которой заполняют некоторый промежуток, называется непрерывной.

В частных случаях это может быть не один промежуток, а объединение нескольких промежутков. Промежутки могут быть конечными, полубесконечными или бесконечными, например: (a; b], (– ; a), [b;), (–; ).

Вообще непрерывная случайная величина – это абстракция. Снаряд, выпущенный из пушки, может пролететь любое расстояние, скажем, от 5 до 5,километров, но никому не придёт в голову измерять эту величину с точностью до 0,0000001 километра (то есть до миллиметра), не говоря уже об абсолютной точности. В практике такое расстояние будет дискретной случайной величиной, у которой одно значение от другого отличается по крайней мере на 1 метр.

При описании непрерывной случайной величины принципиально невозможно выписать и занумеровать все её значения, принадлежащие даже достаточно узкому интервалу. Эти значения образуют несчётное множество, называемое «континуум».

Если – непрерывная случайная величина, то равенство = х представляет собой, как и в случае дискретной случайной величины, некоторое случайное событие, но для непрерывной случайной величины это событие можно связать лишь с вероятностью, равной нулю, что однако не влечёт за собой невозможности события. Так например, можно говорить, что только с вероятностью «нуль» снаряд пролетит 5245,7183 метра, или что отклонение действительного размера детали от номинального составит 0,миллиметра. В этих случаях практически невозможно установить, произошло событие или нет, так как измерения величин проводятся с ограниченной точностью, и в качестве результата измерения можно фактически указать лишь границы более или менее узкого интервала, внутри которого находится измеренное значение.

Значениям непрерывной случайной величины присуща некоторая неопределенность. Например, нет практического смысла различать два отклонения от номинального размера, равные 0,5 мм и 0,5000025 мм.

Вероятность, отличная от нуля, может быть связана только с попаданием величины в заданный, хотя бы и весьма узкий, интервал. Здесь можно привести сравнение с распределением массы вдоль стержня. Отсутствует масса, сосредоточенная, скажем, в сечении, расположенном на расстоянии 20 см от левого конца стержня, имеет смысл говорить лишь о массе, заключённой между сечениями, проходящими через концы некоторого промежутка.

Пусть – непрерывная случайная величина. Рассмотрим для некоторого числа х вероятность неравенства х < < х + х P(х < < х + х).

Здесь х – величина малого интервала.

Очевидно, что если х 0, то P(х < < х + х) 0. Обозначим р(х) предел отношения P(х < < х + х) к при х 0, если такой предел существует:

P(x < < x x) p(x) (1) lim x xФункция р(х) называется плотностью распределения случайной величины. Из формулы (1) следует равенство, справедливое для малых величин х, которое также можно считать определением функции р(х):

P(х < < х + х) ( p(x)х (2) Очевидно, что p(x) – неотрицательная функция. Для определения вероятности того, что случайная величина примет значение из промежутка [a, b] конечной длины, нужно выбрать на промежутке произвольные числа x1, х2,, хn удовлетворяющие условию а=х0<х1

х0= х1 – х0, х1= х2 – х1,, хn = b – хn, n и составим сумму p(xi ),xi. Рассмотрим процесс, при котором число точек i=разбиения неограниченно возрастает таким образом, что максимальная величина хi стремится к нулю. Будем считать функцию p(x) непрерывной на n промежутке (а; b), тогда пределом суммы p(xi ),xi будет определённый i=интеграл по промежутку [a; b] от функции p(x), равный искомой вероятности:

b P(a b) = p x dx (3) a Это равенство можно также рассматривать как определение функции р(х).

Отсюда следует, что вероятность попадания случайной величины в любой интервал (х1, х2) равна площади фигуры, образованной отрезком [х1, х2] оси х, p(x) графиком функции р(х) и вертикальными прямыми х = х1, х = х2, как изображено на x x x 2 рисунке 1.

Если все возможные значения Рис. случайной величины принадлежат интервалу (а; b), то для р(х) – её плотности распределения справедливо равенство b p(x)dx a Для удобства иногда считают функцию р(х) определённой для всех значений х, полагая её равной нулю в тех точках х, которые не являются возможными значениями этой случайной величины.

Плотностью распределения может служить любая интегрируемая функция р(х), удовлетворяющая двум условиям:

1) р(х) 0;

2) p(x)dx Можно задавать случайную величину, задавая функцию р(х), удовлетворяющую этим условиям.

В качестве примера рассмотрим случайную величину, равномерно распределённую на промежутке [a; b]. В этом случае р(х) постоянна внутри этого промежутка:

c a x b p(x) 0 x < a; x b По свойству 2) функции р(х) b p(x)dx c(b - a) cdx a Отсюда c. График функции p(x) b - a р(х) представлен на рисунке 2.

c = b - a Во многих практических задачах встречаются случайные x величины, у которых возможные Рис. значения не ограничены сверху и снизу. В этом случае кривая распределения располагается над осью х и при х и х – асимптотически приближается к этой оси, как изображено на рисунке 1. Вероятность того, что случайная величина примет значение, меньшее некоторого числа а, равна площади фигуры, заключённой между кривой распределения и горизонтальной координатной осью слева от точки а.

Будем считать, что такая площадь существует.

Пусть – непрерывная случайная величина. Функция F(x), которая определяется равенством F(x) P( x), называется интегральной функцией распределения или просто функцией распределения случайной величины. Непосредственно из определения x следует равенство F(x) p(t)dt. Формула производной определённого интеграла по верхнему пределу в данном случае приводит к соотношению F (x) p(x). Плотность распределения р(х) называют дифференциальной функцией распределения.

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 9 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.