Что такое независимая величина

Зависимые и независимые случайные события.
Основные формулы сложения и умножения вероятностей

Теоремы сложения вероятностей

Найдем вероятность суммы событий и (в предположении их совместности либо несовместности).

Теорема 2.1. Вероятность суммы конечного числа несовместных событий равна сумме их вероятностей:

Пример 1. Вероятность того, что в магазине будет продана пара мужской обуви 44-го размера, равна 0,12; 45-го — 0,04; 46-го и большего — 0,01. Найти вероятность того, что будет продана пара мужской обуви не меньше 44-го размера.

Пример 2. При условиях примера 1 найти вероятность того, что очередной будет продана пара обуви меньше 44-го размера.

Решение. События «очередной будет продана пара обуви меньше 44-го размера» и «будет продана пара обуви размера не меньше 44-го» противоположные. Поэтому по формуле (1.2) вероятность наступления искомого события

Сформулируем теорему сложения вероятностей в случае двух совместных событий (будет учитываться вероятность их совместного появления).

Теорема 2.2. Вероятность суммы двух совместных событий равна сумме вероятностей этих двух событий без вероятности их совместного появления:

Зависимые и независимые события. Условная вероятность

Различают события зависимые и независимые. Два события называются независимыми, если появление одного из них не изменяет вероятность появления другого. Например, если в цехе работают две автоматические линии, по условиям производства не взаимосвязанные, то остановки этих линий являются независимыми событиями.

Пример 3. Монета брошена два раза. Вероятность появления «герба» в первом испытании (событие ) не зависит от появления или не появления «герба» во втором испытании (событие ). В свою очередь, вероятность появления «герба» во втором испытании не зависит от результата первого испытания. Таким образом, события и независимые.

Пример 4. В ящике находятся 5 резцов: два изношенных и три новых. Производится два последовательных извлечения резцов. Определить условную вероятность появления изношенного резца при втором извлечении при условии, что извлеченный в первый раз резец в ящик не возвращается.

Обозначим событие, означающее извлечение изношенного резца во втором случае. Вероятности этого события могут быть такими:

Формулы умножения вероятностей

Теорема 2.3. Вероятность совместного появления двух независимых событий равна произведению вероятностей этих событий:

Следствие 2.1. Вероятность совместного появления нескольких событий, независимых в совокупности, равна произведению вероятностей этих событий:

Пример 5. Три ящика содержат по 10 деталей. В первом ящике — 8 стандартных деталей, во втором — 7, в третьем — 9. Из каждого ящика наудачу вынимают по одной детали. Найти вероятность того, что все три вынутые детали окажутся стандартными.

Теорема 2.4. Вероятность совместного появления двух зависимых событий равна произведению вероятности одного из них на условную вероятность другого, вычисленную в предположении, что первое событие уже наступило:

Следствие 2.2. Вероятность совместного появления нескольких зависимых событий равна произведению вероятности одного из них на условные вероятности всех остальных, причем вероятность каждого последующего события вычисляется в предположении, что все предыдущие события уже появились.

Пример 6. В урне находятся 5 белых шаров, 4 черных и 3 синих. Каждое испытание состоит в том, что наудачу извлекают один шар, не возвращая его в урну. Найти вероятность того, что при первом испытании появится белый шар (событие ), при втором — черный (событие ) и при третьем — синий (событие ).

Формула полной вероятности

При этом события называются гипотезами, а вероятности — априорными. Эта формула называется формулой полной вероятности.

Пример 7. На сборочный конвейер поступают детали с трех станков. Производительность станков не одинакова. На первом станке изготовляют 50% всех деталей, на втором — 30%, на третьем — 20%. Вероятность качественной сборки при использовании детали, изготовленной на первом, втором и третьем станке, соответственно 0,98, 0,95 и 0,8, Определить вероятность того, что узел, сходящий с конвейера, качественный.

Формула Байеса

Раскрывая в этом равенстве по формуле полной вероятности (2.1), получаем

Пример 8. При условиях примера 7 рассчитать вероятности того, что в сборку попала деталь, изготовленная соответственно на первом, втором и третьем станке, если узел, сходящий с конвейера, качественный.

Решение. Рассчитаем условные вероятности по формуле Байеса:

Источник

В теория вероятности и статистика, собрание случайные переменные является независимые и одинаково распределенные если каждая случайная величина имеет одинаковые распределение вероятностей как другие и все взаимно независимый. [1] Это свойство обычно обозначается как i.i.d. или же iid или же IID. Здесь i.i.d. используется, потому что он наиболее распространен.

В теории машинного обучения i.i.d. Для обучающих наборов данных часто делается предположение, что все выборки происходят из одного и того же процесса генерации, и предполагается, что процесс генерации не имеет памяти о прошлых сгенерированных выборках.

Содержание

Вступление

В статистика, обычно считается, что наблюдения в образец являются фактически i.i.d. Предположение (или требование) о том, что наблюдения будут i.i.d. имеет тенденцию упрощать математику, лежащую в основе многих статистических методов (см. математическая статистика и статистическая теория). В практическом применении статистическое моделированиеОднако это предположение может быть или не быть реалистичным. [2] Чтобы частично проверить, насколько реалистично предположение для данного набора данных, корреляция можно вычислить, графики задержки нарисованный или проверка точки поворота выполнила. [3] Обобщение заменяемые случайные величины часто бывает достаточно и легче выполняется.

I.i.d. предположение важно в классической форме Центральная предельная теорема, в котором говорится, что распределение вероятностей суммы (или среднего) i.i.d. переменные с конечными отклонение приближается к нормальное распределение.

Часто i.i.d. предположение возникает в контексте последовательностей случайных величин. Тогда «независимый и одинаково распределенный» означает, что элемент в последовательности не зависит от случайных величин, которые были перед ним. Таким образом, i.i.d. последовательность отличается от Марковская последовательность, где распределение вероятностей п-я случайная величина является функцией предыдущей случайной величины в последовательности (для марковской последовательности первого порядка). I.i.d. последовательность не подразумевает вероятности для всех элементов образец пространства или пространство событий должно быть таким же. [4] Например, повторные броски загруженных игральных костей приведут к i.i.d. последовательности, несмотря на смещение результатов.

Определение

Определение двух случайных величин

Источник

28. Зависимые и независимые случайные величины

Случайные величины называются независимыми, если закон распределения одной из них не зависит от того какое значение принимает другая случайная величина.

Понятие зависимости случайных величин является очень важным в теории вероятностей.

Условные распределения независимых случайных величин равны их безусловным распределениям.

Определим необходимые и достаточные условия независимости случайных величин.

Теорема. Для того, чтобы случайные величины Х и Y Были независимы, необходимо и достаточно, чтобы функция распределения системы (X, Y) была равна произведению функций распределения составляющих.

Аналогичную теорему можно сформулировать и для плотности распределения:

Теорема. Для того, чтобы случайные величины Х и Y Были независимы, необходимо и достаточно, чтобы плотность совместного распределения системы (X, Y) была равна произведению плотностей распределения составляющих.

Определение. Корреляционным моментом MXy Случайных величин Х и Y называется математическое ожидание произведения отклонений этих величин.

Практически используются формулы:

Для дискретных случайных величин:

Для непрерывных случайных величин:

Корреляционный момент служит для того, чтобы охарактеризовать связь между случайными величинами. Если случайные величины независимы, то их корреляционный момент равен нулю.

Корреляционный момент имеет размерность, равную произведению размерностей случайных величин Х и Y. Этот факт является недостатком этой числовой характеристики, т. к. при различных единицах измерения получаются различные корреляционные моменты, что затрудняет сравнение корреляционных моментов различных случайных величин.

Для того, чтобы устранить этот недостаток применятся другая характеристика – коэффициент корреляции.

Определение. Коэффициентом корреляции Rxy случайных величин Х и Y называется отношение корреляционного момента к произведению средних квадратических отклонений этих величин.

Коэффициент корреляции является безразмерной величиной. Коэффициент корреляции независимых случайных величин равен нулю.

Свойство: Абсолютная величина корреляционного момента двух случайных величин Х и Y не превышает среднего геометрического их дисперсий.

Свойство: Абсолютная величина коэффициента корреляции не превышает единицы.

Случайные величины называются Коррелированными, если их корреляционный момент отличен от нуля, и Некоррелированными, если их корреляционный момент равен нулю.

Если случайные величины независимы, то они и некоррелированы, но из некоррелированности нельзя сделать вывод о их независимости.

Если две величины зависимы, то они могут быть как коррелированными, так и некоррелированными.

Часто по заданной плотности распределения системы случайных величин можно определить зависимость или независимость этих величин.

Наряду с коэффициентом корреляции степень зависимости случайных величин можно охарактеризовать и другой величиной, которая называется Коэффициентом ковариации. Коэффициент ковариации определяется формулой:

Пример. Задана плотность распределения системы случайных величин Х и Y.

Выяснить являются ли независимыми случайные величины Х и Y.

Для решения этой задачи преобразуем плотность распределения:

Таким образом, плотность распределения удалось представить в виде произведения двух функций, одна из которых зависит только от Х, а другая – только от У. Т. е. случайные величины Х и Y независимы. Разумеется, они также будут и некоррелированы.

Источник

Что такое независимая величина

1. Формирование представление о случайной величине, дискретных и непрерывных случайных величинах.

2. Знакомство с законом распределения дискретной случайной величины, функцией распределения и плотностью распределения непрерывной случайной величины, числовых характеристиках случайных величин.

1. Виды случайных величин.

2. Закон распределения дискретной случайной величины.

3. Функция распределения вероятностей случайной величины.

4. Плотность распределения вероятностей непрерывной случайной величины.

5. Математическое ожидание.

6. Дисперсия и среднеквадратическое отклонение.

1. Виды случайных величин.

Случайной величиной называется такая величина, которая случайно принимает какое-то значение из множества возможных значений.

По множеству возможных значений различают дискретные и непрерывные случайные величины.

Дискретными называются случайные величины, значениями которых являются только отдельные точки числовой оси. (Число их может быть как конечно, так и бесконечно).

Пример: Число родившихся девочек среди ста новорожденных за последний месяц- это дискретная случайная величина, которая может принимать значения 1,2,3,…

Непрерывными называются случайные величины, которые могут принимать все значения из некоторого числового промежутка.

2. Закон распределения дискретной случайной величины.

Закон распределения дискретной случайной величины— это соответствие между возможными значениями случайной величины и их вероятностями.

Закон распределения можно задать таблично, аналитически, графически.

При задании закона распределения таблично, в первую строку таблицы вносятся возможные значения случайно величины, а во вторую- их вероятности.

Пример: Монету подбросили 3 раза. Запишите закон распределения числа выпадения «герба».

Возможные значения данной случайной величины: 0, 1, 2, 3.

Найдем вероятность того, что «герб» не появится (0 раз).

Найдем вероятность того, что «герб» появится 1 раз.

Найдем вероятность того, что «герб» появится 2 раза.

Найдем вероятность того, что «герб» появится 3 раза.

Тогда закон распределения данной дискретной случайной величины можно представить таблицей:

Для наглядности закон распределения дискретной случайной величины можно изобразить графически, для чего в прямоугольной системе координат строят точки с координатами (x_i ; p_i), а затем соединяют их отрезками прямых. Полученная фигура называется многоугольником распределения.

Однако, такой способ задания (перечисление всех возможных значений случайной величины и их вероятностей) не подходит для непрерывных случайных величин. Составить перечень их возможных значений невозможно.

3. Функция распределения вероятностей случайной величины.

Дадим новый способ задания любых типов случайных величин. С этой целью введем функцию распределения вероятностей случайной величины.

Функцией распределения случайной величины называют функцию F ( x ), определяющую вероятность того, что случайная величина Х в результате испытания примет значение меньшее х, т.е. F ( x ) P ( X x ).

Геометрически это равенство можно истолковать так: F ( x ) –есть вероятность того, что случайная величина примет значение, которое изображается на числовой оси точкой, лежащей левее точки х.

Иногда вместо термина «функция распределения» используется термин «интегральная функция».

Свойства функции распределения:

Следствие 1: Вероятность того, что случайная величина примет значение, заключенное в интервале (а; b ), равна приращению функции распределения на этом интервале:

Пример: Случайная величина Х задана функцией распределения:

Найдите вероятность того, что в результате испытания Х примет значение, принадлежащее интервалу (0; 2).

Следствие: Если возможные значения непрерывной случайной величины распределены на всей числовой оси, то справедливы следующие предельные соотношения:

Рассмотренные выше свойства позволяют представить, как выглядит график функции распределения непрерывной случайной величины.

График расположен в полосе, ограниченной прямыми у=0, у=1 (1 свойство).

4. При возрастании значения х в интервале ( a ; b ), в котором заключены все возможные значения случайной величины, график растет вверх (2 свойство).

5. При ординаты графика равны 0, при ординаты графика равны 1 (3 свойство).

Замечание: График функции распределения дискретной случайной величины имеет ступенчатый вид.

Пример: Дискретная случайная величина Х задана таблицей распределения:

Найдите функцию распределения и постройте ее график.

Итак, функция распределения имеет следующий вид:

4. Плотность распределения вероятностей непрерывной случайной величины.

Непрерывную случайную величину можно также задать, используя другую функцию, которую называют плотностью распределения или плотностью вероятности (дифференциальной функцией).

Плотность распределения вероятностей непрерывной случайной величины Х называют функцию f ( x )- первую производную от функции распределения F ( x ).

Пример: Задана плотность вероятностей случайной величины Х.

Найдите вероятность того, что в результате испытания Х примет значение, принадлежащее интервалу (0,5; 1).

Свойства плотности распределения вероятностей:

Свойство 1: Плотность распределения- неотрицательная функция: f ( x ) > 0.

Часто, для того чтобы характеризовать случайную величину используют числа, которые описывают случайную величину суммарно. Такие числа называются числовыми характеристиками случайной величины. К числу важнейших числовых характеристик относятся математическое ожидание и дисперсия.

5. Математическое ожидание.

Математическое ожидание приближенно равно среднему значению случайной величины. Например, если известно, что математическое ожидание числа выбиваемых очков у первого стрелка больше, чем у второго, то первый стрелок в среднем выбивает больше очков, чем второй, и следовательно стреляет лучше.

Пример: Найдите математическое ожидание, зная закон распределения дискретной случайной величины.

Источник

Содержание:

Величина называется случайной, если она принимает свои значения в зависимости от исходов некоторого испытания (опыта), причем для каждого элементарного исхода она имеет единственное значение. Случайная величина называется дискретной (в узком смысле), если множество всех возможных значений ее конечно.

Геометрически множество всех возможных значений дискретной случайной величины представляет конечную систему точек числовой оси.

Пусть X — дискретная случайная величина, возможными и единственно возможными значениями которой являются числа

вероятности этих значений (т. е. есть вероятность события, состоящего в том, что X принимает значение ).

События , очевидно, образуют полную группу событий, поэтому

Определение: Соответствие между всеми возможными значениями дискретной случайной величины и их вероятностями называется законом распределения данной случайной величины.

В простейших случаях закон распределения дискретной случайной величины X удобно задавать таблицей:

Здесь первая строка таблицы содержит все возможные значения случайной величины, а вторая — их вероятности.

Заметим, что таблицу значений дискретной случайной величины X, если это целесообразно, формально всегда можно пополнить конечным набором любых чисел, считая их значениями X с вероятностями, равными нулю.

Пример:

В денежной лотерее разыгрывается 1 выигрыш в 1000 руб., 10 выигрышей по 100 руб. и 100 выигрышей по 1 руб. при общем числе билетов 10 000. Найти закон распределения случайного выигрыша X для владельца одного лотерейного билета.

Решение:

Здесь возможные значения для X есть

Вероятности их соответственно будут

Закон распределения для выигрыша X может быть задан таблицей:

Число появлений т события А при независимых испытаниях можно рассматривать как случайную величину X со значениями Закон распределения этой величины дается биномиальной формулой

где <биномиальное распределение).

В частности, если р мало и п велико, причем — ограниченная величина, заключенная между двумя фиксированными положительными числами, то приближенно справедливо распределение Пуассона

Определение случайной величины

Определение 29. Случайной величиной называется величина, которая в результате опыта может принять то или иное значение, причем неизвестно заранее, какое именно.

Случайные величины (СВ) обозначаются большими буквами X, Y.

Случайные величины характеризуются своими возможными значениями, которые обозначаются маленькими буквами, соответствующими случайной величине: х,у.

Определение 30. Случайные величины, принимающие только отдаленные друг от друга возможные значения, которые можно заранее перечислить, называются дискретными случайными величинами (ДСВ).

Примеры ДСВ. 1) В приведенном выше примере СВ X. 2) Случайная величина Z- число вызовов скорой помощи за сутки. Ее возможные значения .

Определение 32. Случайная величина X называется характеристической случайной величиной события А.

Примеры перехода от событий к случайным величинам

Если происходит ряд таких опытов, то общее число появлений события А равно сумме характеристических случайных величин X события А во всех опытах.

Законы распределения случайных величин

Для описания случайной величины (т.е. для возможности сказать, как часто следует ожидать появления тех или других возможных значений случайной величины в результате повторения опыта в одних и тех же условиях) необходимо знать закон распределения вероятностей случайной величины.

Определение 33. Законом распределения случайной величины называется всякое соотношение, устанавливающее связь между возможными значениями случайной величины и соответствующими им вероятностями.

Рассмотрим дискретную случайную величину (ДСВ) Xс возможными значениями . Каждое из этих значений возможно, но не достоверно, и X может принять каждое из них с некоторой вероятностью.

Обозначим . Т.к. несовместные события образуют полную группу, то

— сумма вероятностей всех возможных значений ДСВ.

Эта суммарная вероятность каким-то образом распределена между отдельными значениями ДСВ. Задать это распределение, т.е. указать, какой вероятностью обладает каждое из событий, значит установить закон распределения СВ.

Говорят, что СВ подчинена данному закону распределения.

Формы закона распределения ДСВ

1. Простейшей формой задания закона распределения является таблица, называемая рядом распределения ДСВ.

Для элементов нижней строки должно выполняться условие: .

Механическая интерпретация ряда распределения ДСВ: Распределение единичной массы в нескольких изолированных точках по оси (Ох). (В отдельных точках сосредоточены соответственно массы , сумма которых равна 1.)

Пример №1

Решение.

Проверка: .

Пример №2

Стрелок производит 3 выстрела по мишени. Вероятность попадания в мишень при каждом выстреле равна 0,4. За каждое попадание стрелку засчитывастся 5 очков. Построить ряд и многоугольник распределения числа выбитых очков.

Решение.

Возможные значения X: = 0 (0 очков), = 1 (5 очков), = 2 (10 очков), = 3 (15 очков).

По формуле Бернулли найдем вероятности этих возможных значений:

Ряд распределения имеет вид:

Проверка: .

Замечание. Ряд распределения является удобной формой представления закона распределения для ДСВ с конечным числом возможных значений. Однако эта характеристика не универсальна, так как ряд или многоугольник нельзя построить для непрерывной случайной величины (НСВ). Действительно, НСВ имеет бесчисленное множество возможных значений, которые сплошь заполняют некоторый промежуток, и перечислить их в какой-нибудь таблице нельзя.

Кроме того (это будет доказано позднее) каждое отдельное значение НСВ обычно не обладает никакой отличной от нуля вероятностью. Следовательно, для НСВ не существует ряда распределения в том смысле, в каком он существует для ДСВ.

Однако различные области возможных значений НСВ все же не являются одинаково вероятными, и для НСВ существует «распределение вероятностей», хотя и не в том смысле, как для ДСВ.

В силу этого, желательно иметь такую характеристику распределения вероятностей, которая была бы применима для самых разнообразных случайных величин.

Пример №3

Вероятности того, что студент сдаст экзамены в сессию по математическому анализу и органической химии соответственно равны 0,7 и 0,8. Составить закон распределения случайной величины Х − числа экзаменов, которые сдаст студент.

Решение. Рассматриваемая случайная величина X в результате экзамена может принять одно из следующих значений:

Найдем вероятности этих значений. Обозначим события:

– студент сдаст экзамен по математическому анализу;

– студент не сдаст экзамен по математическому анализу;

– студент сдаст экзамен по органической химии;

– студент не сдаст экзамен по органической химии.
По условию:

Итак, закон распределения случайной величины Х задается таблицей:

Пример №4

Дискретная случайная величина Х задана законом распределения:

Найти функцию распределения F(x) и построить её график, а также
Решение: Так как сумма вероятностей возможных значений случайной величины Х равна 1, то
Найдем функцию распределения
Геометрически это равенство можно истолковать так: F(х) есть вероятность того, что случайная величина примет значение, которое изображается на числовой оси точкой, лежащей левее точки х.
Если то F(х)=0, так как на промежутке (− ∞; х) нет ни одного значения данной случайной величины;

Если то F(х) = Р(Х = −1) = 0,1, так как в промежуток (−∞; х) попадает только одно значение = −1;

Если так как в промежуток (−∞; х) попадают два значения

Если то так как в промежуток (−∞; х) попадают три значения

Если то

=0,1+0,1+0,3+0,2=0,7, так как в промежуток (−∞; х) попадают четыре значения

Если то F(х)=Р(Х = −1)+Р(Х = 0)+Р(Х = 1)+Р(Х = 2)+Р(Х = 3) =

=0,1+0,1+0,3+0,2+0,3=1, так как в промежуток (−∞; х) попадают пять значений
Итак,

Изобразим функцию F(x) графически (рис. 4.3):

Найдем числовые характеристики случайной величины:

Пример №5

Составить закон распределения случайной величины Х − числа выпадений пятерки при трех бросаниях игральной кости. Вычислить этой величины.

Решение: Испытание состоит в одном бросании игральной кости. Так как кость бросается 3 раза, то число испытаний n = 3.
Вероятность события А − «выпадение пятёрки» в каждом испытании одна и та же и равна 1/6, т.е. где − «выпадения не пятёрки».
Случайная величина Х может принимать значения: 0;1;2;3.
Вероятность каждого из возможных значений Х найдём по формуле Бернулли:

Таким образом закон распределения случайной величины Х имеет вид:

Контроль: 125/216+75/216+15/216+1/216=1.
Найдем числовые характеристики случайной величины Х:

Пример №6

Станок-автомат штампует детали. Вероятность того, что изготовленная деталь окажется бракованной равна 0,002. Найти вероятность того, что среди 1000 отобранных деталей окажется:

б) хотя бы одна бракованная.
Решение: Число n = 1000 велико, вероятность изготовления бракованной детали р = 0,002 мала, и рассматриваемые события (деталь окажется бракованной) независимы, поэтому имеет место формула Пуассона:

Найдем =np=1000·0,002=2.

а) Найдем вероятность того, что будет 5 бракованных деталей среди отобранных (m = 5):

б) Найдем вероятность того, что будет хотя бы одна бракованная деталь среди отобранных.
Событие А − «хотя бы одна из отобранных деталей бракованная» является противоположным событию— «все отобранные детали не бракованные». Следовательно, Отсюда искомая вероятность равна:

Математическое ожидание

Определение: Математическим ожиданием дискретной случайной величины называется сумма парных произведений всех возможных ее значений на их вероятности.

Если есть (полный) набор всех значений дискретной случайной величины — соответствующие им вероятности, то, обозначая буквой М математическое ожидание, будем иметь

Очевидно, математическое ожидание случайной величины X не изменится, если таблицу значений ее пополнить конечным числом любых чисел, считая, что вероятности этих чисел равны нулю.

Математическое ожидание М (X) случайной величины есть величина постоянная и поэтому представляет числовую характеристику случайной величины X.

Пример №7

Найти математическое ожидание выигрыша X.

Решение:

Пользуясь помещенной там таблицей, имеем

Как нетрудно сообразить, М(Х) = 21 коп. есть «справедливая» цена билета.

Замечание 1. Отдельные слагаемые суммы (1) представляют собой математические ожидания случайных величин , возможными значениями которых являются с вероятностями соответственно .

Замечание 2. Пусть —соответственно наименьшие и наибольшие возможные значения случайной величины X. Имеем

Таким образом, математическое ожидание случайной величины является некоторым ее средним значением.

Замечание 3. Математическое ожидание числа появлений события А при одном испытании совпадает с вероятностью этого события Р(А) = р.

Действительно, пусть X — число появлений события А в данном испытании. Случайная величина X может принимать два значения: (событие А наступило) с вероятностью и (событие А не наступило) с вероятностью

Основные свойства математического ожидания

Укажем важнейшие свойства математического ожидания. Доказательства будут проведены для дискретных случайных величин. Однако соответствующие теоремы справедливы также и для непрерывных случайных величин, поэтому при формулировках этих теорем мы не будем упоминать, что рассматриваемые случайные величины дискретны.

Нам понадобится выяснить смысл арифметических операций и т. п., где X и У — дискретные случайные величины. Нетрудно дать соответствующие определения.

Например, под суммой X + У понимается случайная величина Z, значениями которой являются допустимые суммы — все возможные значения соответственно случайных величин X и У, причем соответствующие вероятности равны

Если какая-нибудь из комбинаций невозможна, то условно полагают ; это не отразится на математическом ожидании суммы.

Аналогично определяются остальные выражения.

Различают также независимые и зависимые случайные величины. Две случайные величины считаются независимыми, если возможные значения и закон распределения каждой из них один и тот же при любом выборе допустимых значений другой. В противном случае они называются зависимыми. Несколько случайных величин называются взаимно независимыми, если возможные значения и законы распределения любой из них не зависят от того, какие возможные значения приняли остальные случайные величины.

Теорема: Математическое ожидание постоянной величины равно этой постоянной, т. е. если С — постоянная величина, то

Доказательство: Постоянную величину С можно рассматривать как случайную дискретную величину, принимающую лишь одно возможное значение С с вероятностью р = 1. Поэтому

Теорема: Математическое ожидание суммы двух (или нескольких) случайных величин равно сумме математических ожиданий этих величин, т. е. если X и У — случайные величины, то

Как было отмечено выше, все комбинации можно считать допустимыми, причем если сумма невозможна, то полагаем .

Воспользовавшись очевидными свойствами суммы: 1) сумма не зависит от порядка слагаемых и 2) множитель, не зависящий от индекса суммирования, можно выносить за знак суммы, из (4) получим

Сумма представляет собой вероятность события, состоящего в том, что случайная величина X принимает значение xt при условии, что случайная величина У принимает одно из своих возможных значений (что достоверно); это сложное событие, очевидно, эквивалентно тому, что X принимает значение xt и поэтому

Тогда из формулы (5) получаем

что и требовалось доказать.

2) Для нескольких случайных величин, например для трех X, У и Z, имеем

Следствие. Если С — постоянная величина, то

Теорема: Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий, т. е.

где X и У — независимые случайные величины.

Доказательство: Пусть — законы распределения соответственно случайных величин X и У. Так как X и У независимы, то полный набор значений случайной величины XY состоит из всех произведений вида , причем вероятности этих значений по теореме умножения для независимых событий равны .

что и требовалось доказать.

Следствие 1. Математическое ожидание произведения нескольких взаимно независимых случайных величин равно произведению математических ожиданий этих величин.

Действительно, например, для трех взаимно независимых случайных величин X, У, Z имеем

Следствие 2. Постоянный множитель можно выносить за знак математического ожидания.

Если С — постоянная величина, а X — любая случайная величина, то, учитывая, что С и X независимы, на основании теоремы 1 получим

Следствие 3. Математическое ожидание разности любых двух случайных величин X и Y равно разности математических ожиданий этих величину т. е.

Действительно, используя теорему о сумме математических ожиданий и следствие 2, получим

Дисперсия

Теорема: Для любой случайной величины X математическое ожидание ее отклонения равно нулю, т. е.

Локазательство. Действительно, учитывая, что М(Х) — постоянная величина, имеем

Определение: Дисперсией (рассеянием) случайной величины называют математическое ожидание квадрата отклонения этой величины от ее математического ожидания.

Отсюда, обозначая дисперсию буквой D, для случайной величины X будем иметь

Очевидно, что дисперсия случайной величины постоянна, т. е. является числовой характеристикой этой величины.

Если случайная величина X имеет закон распределения , то, обозначая для краткости , из формулы (1) будем иметь

Пример №8

Пусть закон распределения случайной величины задан таблицей:

Определить математическое ожидание М(Х), дисперсию D(X) и среднее квадратичное отклонение . Имеем

Теорема: Дисперсия случайной величины равна разности между математическим ожиданием квадрата этой величины и квадратом ее математического ожидания, т. е.

Доказательство: Используя основные теоремы о математических ожиданиях случайных величин, имеем

Теорема: Дисперсия постоянной величины равна нулю. Действительно, если С — постоянная величина, то М(С) = С и, следовательно,

Результат этот очевиден, так как постоянная величина изображается одной точкой на числовой оси Ох и не имеет рассеяния.

Теорема: Дисперсия суммы двух независимых случайных величин X и Y равна сумме дисперсий этих величин, т. е.

Доказательство: Так как

и, следовательно, справедлива формула (5).

Следствие 1. Дисперсия суммы нескольких взаимно независимых случайных величин равна сумме дисперсий этих величин.

Следствие 2. Если С — постоянная величина, то

Таким образом, случайные величины X и X + С имеют одинаковую меру рассеяния.

Теорема: Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат, т. е.

Доказательство: Если С — постоянный множитель, то в силу теоремы 2 имеем

Таким образом, рассеяние величины СХ в С 2 раз больше рассеяния величины X.

Следствие. Дисперсия разности двух независимых случайных величин равна сумме дисперсий этих величин, т. е. если случайные величины X и У независимы, то

Действительно, на основании теорем 4 и 5 имеем

Математическое ожидание и дисперсия случайной величины являются ее основными числовыми характеристиками.

Пример №9

Определить математическое ожидание и дисперсию для числа X появления события А при п независимых испытаниях, в каждом из которых вероятность события Р(А) = р постоянна.

Случайная величина X принимает значения и распределена по биномиальному закону

где

Величину X можно рассматривать как сумму независимых случайных величин

где — число появлений события А в -м испытании. Случайная величина X, принимает лишь два значения: 1, если событие А появилось в i-м испытании, и 0, если событие А не произошло в i-м испытании. Вероятности этих значений . Отсюда

. Отсюда, используя теорему о математическом ожидании суммы, будем иметь

Таким образом, математическое ожидание числа появлений события А в условиях схемы Бернулли совпадает со «средним числом» появления этого события в данной серии испытаний. Для дисперсии случайной величины X, получаем

Отсюда по свойству дисперсии суммы независимых случайных величин (теорема) будем иметь

Поэтому среднее квадратичное отклонение (стандарт)

Формулы (8) и (9) дают математическое ожидание и дисперсию для биномиального закона распределения.

Замечание. Теперь становится понятным смысл случайной величины

в приближенных формулах Лапласа, а именно, t представляет собой отклонение числа появлений события А от его математического ожидания, измеренное в стандартах (так называемое нормированное отклонение).

Рассмотрим п дискретных попарно независимых случайных величин , дисперсии которых равномерно ограничены:

Эти величины, возможно, имеют значительный разброс, однако их среднее арифметическое

ведет себя достаточно «кучно».

А именно, при указанных выше условиях имеет место замечательная теорема:

Теорема Чебышева: Для любого положительного > 0 вероятность неравенства

сколь угодно близка к 1, если число случайных величин п достаточно велико, т. е.

Теорема Чебышева находит применение в теории ошибок, статистике и т. п.

Непрерывные случайные величины. Функция распределения

Случайную величину X будем называть непрерывной, если все ее возможные значения целиком заполняют некоторый конечный или бесконечный промежуток числовой оси. Предполагается, что при каждом испытании случайная величина X принимает одно и только одно значение . Заметим, что дискретные и непрерывные случайные величины не исчерпывают все типы случайных величин.

Для характеристики непрерывной случайной величины X вводят функцию распределения

называемую интегральным законом распределения.

Если значения случайной величины X рассматривать как точки числовой оси Ох, то Ф(х) представляет собой вероятность события, состоящего в том, что наблюдаемое значение случайной величины X принадлежит интервалу , т. е. находится левее точки х. Этот интервал зависит от правого конца его х, и поэтому естественно вероятность является функцией от х, определенной на всей оси .

Заметим, что функция распределения имеет смысл также для дискретных случайных величин.

Функция распределения Ф(х) обладает следующими свойствами:

I.Функция Ф(х) есть неубывающая функция аргумента х, т. е. если то .

Действительно, если х’ > х, то из события очевидно, следует событие . Но тогда вероятность Ф(х’) второго события не меньше вероятности Ф(х) первого.

II.Так как Ф(х) — вероятность, то справедливо неравенство

III.

Действительно, событие очевидно, невозможно, а событие достоверно.

Зная функцию распределения Ф(х), можно для любого промежутка определить — вероятность попадания случайной величины X в этот промежуток (здесь принято левый конец а промежутка включать, а правый не включать в этот промежуток).

В самом деле, пусть А есть событие , В — событие и С — событие .

Тогда, очевидно, имеем

Так как события А и С несовместны, то по теореме сложения вероятностей получаем Р(Б) = Р(А) + Р(С), отсюда

причем в силу свойства I.

Таким образом, вероятность того, что случайная величина X примет значение, принадлежащее промежутку [a, b), равна приращению ее функции распределения на этом промежутке.

В дальнейшем случайную величину X будем называть непрерывной лишь в том случае, когда ее функция распределения Ф(х) непрерывна на оси .

Теорема: Вероятность (до опыта) того, что непрерывная случайная величина X примет заранее указанное строго определенное значение а, равна нулю.

В самом деле, в силу формулы (2) имеем

Положим, что ; тогда в пределе промежуток [а, х) будет содержать единственную точку а. Кроме того, в силу непрерывности функции Ф(х) в точке а имеем

Переход я к пределу при в равенстве (3), получим

Таким образом, при непрерывной функции распределения вероятность «попадания в точку» равна нулю.

Следствие. Для непрерывной случайной величины X справедливы равенства

где — ее функция распределения. Действительно,

Аналогично доказывается второе равенство.

Замечание. В общем случае невозможные события и события с нулевой вероятностью могут оказаться неэквивалентными.

Предположим теперь, что для непрерывной случайной величины X ее функция распределения Ф(х) имеет непрерывную производную

Функцию ф(х) называют плотностью вероятности (для данного распределения) или дифференциальным законом распределения случайной величины X.

Термин плотность вероятности имеет следующий смысл. Пусть — бесконечно малый промежуток. Тогда в силу формулы (2′) имеем

Заменяя бесконечно малое приращение функции ее дифференциалом , получаем приближенное равенство

Таким образом, плотность вероятности представляет собой отношение вероятности попадания точки в бесконечно малый промежуток к длине этого промежутка.

Так как плотность вероятности ф(х) является производной неубывающей функции Ф(х), то она неотрицательна: . В отличие от вероятности, плотность вероятности может принимать сколь угодно большие значения.

Так как Ф(х) является первообразной для ф(х), то на основании формулы Ньютона—Лейбница имеем

Отсюда в силу (3′) получаем

Геометрически (рис. 271) эта вероятность представляет собой площадь S криволинейной трапеции, ограниченной — графиком плотности вероятности у = ф(х), осью Ох и двумя ординатами

Полагая получаем достоверное событие , вероятность которого равна единице. Следовательно,

Полагая в формуле (6) и обозначая для ясности переменную интегрирования х другой буквой, например t (это законно для определенного интеграла), получаем функцию распределения

Числовые характеристики непрерывной случайной величины

Будем рассматривать бесконечно малый промежуток как «жирную точку» х оси Ох. Тогда вероятность того, что случайная величина X принимает значение, совпадающее с этой «жирной точкой» х, равна y(x)dx и математическое ожидание этого события есть

Представляя прямую как бесконечное множество таких жирных точек, по аналогии с определением математического ожидания дискретной случайной величины, получаем естественное определение математического ожидания непрерывной случайной величины (только здесь суммирование заменяется интегрированием).

Определение: Под математическим о жид а ни ем непрерывной случайной величины X понимается число

(конечно, это определение имеет смысл лишь для таких случайных величин X, для которых интеграл (1) сходится).

Для дисперсии непрерывной случайной величины X сохраним прежнее определение

Из формулы (1) вытекает

(конечно, в предположении, что интеграл (2) сходится). Можно также пользоваться формулой

Можно доказать, что основные свойства математического ожидания и дисперсии дискретных случайных величин сохраняются также и для непрерывных случайных величин.

Пусть теперь все возможные значения непрерывной случайной величины X целиком заполняют конечный отрезок . Тогда ф(х) = 0 при и при и, следовательно,

Равномерное распределение

Непрерывная случайная величина X, все возможные значения которой заполняют конечный промежуток , называется равномерно распределенной, если ее плотность вероятности ф(х) постоянна на этом промежутке.

Иными словами, для равномерно распределенной случайной величины все ее возможные значения являются равновозможными.

Пусть, например, . Так как в этом случае ф(х) = const при , то

Пусть (рис. 272). Тогда

где L — длина (линейная мера) всего отрезка и — длина частичного отрезка .

Значения случайной величины X, т. е. точки х отрезка , можно рассматривать как всевозможные элементарные исходы некоторого испытания. Пусть событие А состоит в том, что результат испытания принадлежит отрезку . Тогда точки отрезка есть благоприятные элементарные исходы события А.

Согласно формуле (1) имеем геометрическое определение вероятности: под вероятностью события А понимается отношение меры множества элементарных исходов, благоприятствующих событию А, к мере L множества всех возможных элементарных исходов в предположении, что они равновозможны:

Это определение естественно переносит классическое определение вероятности на случай бесконечного числа элементарных исходов.

Аналогичное определение можно ввести также тогда, когда элементарные исходы испытания представляют собой точки плоскости или пространства.

Пример №10

В течение часа (t —- время в часах) на остановку прибывает один и только один автобус. Какова вероятность того, что пассажиру, пришедшему на эту остановку в момент времени t = 0, придется ожидать автобус не более 10 мин?

Решение:

Здесь множество всех элементарных исходов образует отрезок [0, 1], временная длина которого L = 1, а множество благоприятных элементарных исходов составляет отрезок [0,1/6] временной длины = 1/6.

Поэтому искомая вероятность есть

Пример №11

В квадрат К со стороной а с вписанным в него кругом S (рис. 273) случайно бросается материальная точка М. Какова вероятность того, что эта точка попадает в круг S?

Решение:

За искомую вероятность естественно принять отношение

Эта вероятность, а следовательно, и число л, очевидно, могут быть определены экспериментально.

Нормальное распределение

Распределение вероятностей случайной величины X называется нормальным, если плотность вероятности подчиняется закону Гаусса

где — некоторые постоянные, причем а > 0 и b > 0. В этом случае график плотности вероятности представляет собой смещенную кривую Гаусса (рис. 274), симметричную относительно прямой и с максимальной ординатой

Для удобства выкладок эту кривую центрируем, введя новые координаты и . Тогда закон Гаусса примет вид

и будет представлять собой дифференциальный закон распределения случайной величины

Постоянные а и b в формуле (2) не являются произвольными, так как для плотности вероятностей должно быть выполнено условие

Делая замену переменной , будем иметь

Отсюда на основании формулы (3) находим

Для математического ожидания случайной величины будем иметь

(ввиду нечетности подынтегральной функции). Отсюда

Таким образом, при нормальном распределении случайной величины X ее математическое ожидание х₀ совпадает с точкой пересечения оси симметрии графика соответствующей кривой Гаусса с осью Ох (центр рассеивания).

Для дисперсии случайной величины X получаем

Полагая и интегрируя по частям, с учетом формулы (4) будем иметь

Таким образом, из формулы (9) получаем

Отсюда для среднего квадратичного отклонения величины X получим

Введя обозначение , будем иметь

Подставляя эти значения в формулу (1), получим стандартный вид нормального закона распределения случайной величины X в дифференциальной форме:

где

Таким образом, нормальный закон распределения зависит только от двух параметров: математического ожидания и среднего квадратичного отклонения.

Нормальный закон распределения случайной величины в интегральной форме имеет вид

Формулы (11) и (12) упрощаются, если ввести нормированное отклонение

. Полагая в интеграле (12) , получаем

где t определяется формулой (13) и — стандартный интеграл вероятностей.

Отсюда получаем, что для случайной величины X, подчиняющейся нормальному закону, вероятность попадания ее на отрезок есть

В частности, вероятность того, что отклонение величины X от ее математического ожидания х₀ по абсолютной величине будет меньше а, равна

Полагая , получаем

т. е. такое отклонение является почти достоверным (правило трех сигм).

Нормальный закон распределения вероятностей находит многочисленные применения в теории ошибок, теории стрельбы, физике и т. д.

Пример №12

Задана плотность распределения

Определить коэффициент к и функцию распределения

Отсюда

Построим график (рис. 2.12).

Найдем функцию распределения, используя (2.7):

Построим график (рис. 2.13).

(по определению функции распределения).

Замечание. В случае симметричного модального распределения медиана совпадает с мат. ожиданием и модой.

Когда медиана входит в формулы как определенное число, то ее обозначают .

Моменты:

Данные характеристики описывают некоторые свойства распределения СВ. В механике, например, для описания распределения масс существуют статические моменты, моменты инерции.

.

a) Для дискретных случайных величин: . (4)

Замечание. Определение совпадает с определением начального момента порядка s в механике, если на оси (Ох) в точках сосредоточены соответственно массы .

b) Для непрерывных случайных величин: . (5)

Определение 44. Центрированной случайной величиной, соответствующей величине X, называется отклонение случайной величины Х от ее математического ожидания:

.

Рассмотрим математическое ожидание центрированной ДСВ:

.

Аналогично, для НСВ .

Центрирование СВ равносильно переносу начала координат в среднюю, центральную точку, абсцисса которой равна математическому ожиданию.

Определение 45. Моменты центрированной случайной величины называются центральными моментами.

.

a) Для дискретных случайных величин: . (6)

b) Для непрерывных случайных величин: . (7)

Замечание. Для любой СВ центральный момент 1-го порядка равен 0: , так как мат. ожидание центрированной СВ равно 0.

Рассмотрим подробнее центральные моменты 2, 3, 4 порядков и выведем соотношения, связывающие начальные и центральные моменты.

— дисперсия

Определение 47. Дисперсией случайной величины X D[X] называется мат ожидание квадрата соответствующей центрированной случайной величины:

a) Для дискретных случайных величин: . (8)

b) Для непрерывных случайных величин: .(9)

Когда дисперсия входит в формулы как определенное число, то ее обозначают

Рассмотрим ДСВ. (Для НСВ получаем аналогично)

.

— связь между начальным и центральным моментом 2-го порядка. (10)

Свойства D[X].

2. .

3. .

4. для независимых СВ.

5. — постоянные.

Замечание. D[X] имеет размерность квадрата случайной величины. Для более наглядной характеристики рассеивания удобнее пользоваться величиной, размерность которой совпадает с размерностью случайной величины. Для этого из D[X] извлекают корень:

где — среднее квадратическое отклонение или стандарт случайной величины X.

Когда среднее квадратическое входит в формулы как определенное число, то его обозначают .

Замечание. Математическое ожидание и дисперсия характеризуют наиболее важные черты распределения: его положение и степень разбросанности. Для более подробного описания применяются моменты высших порядков.

— асимметрия

Теорема. Если распределение симметрично относительно мат. ожидания (т. е. масса распределена симметрично относительно центра тяжести), то все моменты нечетного порядка (если они существуют) равны нулю.

Доказательство.

Действительно, для ДСВ в сумме при симметричном относительно законе распределения и нечетном s каждому положительному слагаемому соответствует равное ему по абсолютной величине отрицательное слагаемое так, что вся сумма равна 0. Аналогично. Для НСВ как интеграл в симметричных пределах от нечетной функции. (что и требовалось доказать).

Определение 48. Коэффициентом асимметрии Sk случайной величины X называется величина

.

связь между начальными и центральным моментом 3-го порядка.

и эксцесс

Четвертый центральный момент служит для характеристики «крутости», т. е. островершинности или плосковсршинности распределения.

Это свойство описывается с помощью эксцесса.

Определение 49. Эксцессом случайной величины X называется величина

Число 3 вычитается из соотношения потому, что для наиболее распространенного нормального закона распределения НСВ (с которым познакомимся позднее).

Абсолютные моменты:

— начальный абсолютный момент.

— центральный абсолютный момент.

Абсолютные моменты четных порядков совпадают с обычными моментами. Из абсолютных моментов нечетного порядка чаще всего применяется первый абсолютный центральный момент:

— среднее арифметическое отклонение.

a) Для дискретных случайных величин: , (14)

b) Для непрерывных случайных величин: (15)

применяется как характеристика рассеивания (как и ).

Замечания.

1. Моменты могут рассматриваться не только относительно начала координат (начальные) или математического ожидания (центральные), но и относительно произвольной точки а:

.

2. Во многих задачах полная характеристика случайной величины (закон распределения) не нужна или не может быть получена, поэтому ограничиваются приблизительным описанием СВ с помощью числовых характеристик, каждая из которых выражает какое-либо характерное свойство распределения. Иногда характеристиками пользуются для приближенной замены одного распределения другим.

Пример №17

Дан ряд распределения ДСВ:

Решение.

1) Величину а найдем из условия: , отсюда а = 0,4.

2) Найдем математическое ожидание и дисперсию:

По формуле (1) ,

По формуле (8) .

Дисперсию можно было найти, используя формулу (10) и (4):

3) М[ЗХ + 2] = (по 5 свойству мат. ожидания) = ,

D[2X + 3] = (по 5 свойству дисперсии) =

Пример №18

Решение.

Ранее мы построили ряд распределения числа попаданий. Ряд распределения имеет вид:

1) . (по формуле 1).

2)

(по формуле 8. Можно было по формуле (4): ).

3) (по формуле 11).

4) Найдем моду М: , следовательно, М = 1.

Тогда коэффициент асимметрии по формуле (12) .

6) По формуле (14) найдем среднее арифметическое отклонение:.

Пример №19

Непрерывная случайная величина подчинена закону распределения с плотностью . Найти: 1) коэффициент А, 2) математическое ожидание, 3) дисперсию, 4) среднее квадратическос отклонение, 5) моду, 6) медиану, 7) асимметрию, 8) эксцесс.

Решение.

1) Если х 2, то f(x) = 0 и, следовательно в) Вероятность того, что случайная величина Х примет значение на отрезке [0; 1] находим, используя свойство 2:

Пример №61

Методом произведений вычислить выборочную среднюю и выборочную дисперсию по данным выборки (табл. 3.1).

Решение. В качестве «ложного нуля» возьмем варианту 16.
Следовательно

Результаты вычислений сведем в табл. 3.2.

Контроль: 273 = 100 + 46 + 127.
Равенство выполнено, следовательно, таблица заполнена верно.
Вычислим условные начальные моменты:

Вычислим выборочную среднюю и выборочную дисперсию:

Определим исправленную выборочную дисперсию:

и исправленное среднее квадратическое отклонение:

Получим несмещенные оценки для математического ожидания, дисперсии и среднего квадратического отклонения.

При копировании любых материалов с сайта evkova.org обязательна активная ссылка на сайт www.evkova.org

Сайт создан коллективом преподавателей на некоммерческой основе для дополнительного образования молодежи

Сайт пишется, поддерживается и управляется коллективом преподавателей

Whatsapp и логотип whatsapp являются товарными знаками корпорации WhatsApp LLC.

Cайт носит информационный характер и ни при каких условиях не является публичной офертой, которая определяется положениями статьи 437 Гражданского кодекса РФ. Анна Евкова не оказывает никаких услуг.

Источник