Найти математическое ожидание и дисперсию случайной. Основы теории вероятностей. Математическое ожидание величины
Математическое ожидание - это, определение
Мат ожидание - это одно из важнейших понятий в математической статистике и теории вероятностей, характеризующее распределение значений или вероятностей случайной величины. Обычно выражается как средневзвешенное значение всех возможных параметров случайной величины. Широко применяется при проведении технического анализа, исследовании числовых рядов, изучении непрерывных и продолжительных процессов. Имеет важное значение при оценке рисков, прогнозировании ценовых показателей при торговле на финансовых рынках, используется при разработке стратегий и методов игровой тактики в теории азартных игр .
Мат ожидание - это среднее значение случайной величины, распределение вероятностей случайной величины рассматривается в теории вероятностей.
Мат ожидание - это мера среднего значения случайной величины в теории вероятности. Мат ожидание случайной величины x обозначается M(x) .
Математическое ожидание (Population mean) - это
Мат ожидание - это
Мат ожидание - это в теории вероятности средневзвешенная величина всех возможных значений, которые может принимать эта случайная величина.
Мат ожидание - это сумма произведений всех возможных значений случайной величины на вероятности этих значений.
Математическое ожидание (Population mean) - это
Мат ожидание - это средняя выгода от того или иного решения при условии, что подобное решение может быть рассмотрено в рамках теории больших чисел и длительной дистанции.
Мат ожидание - это в теории азартных игр сумма выигрыша, которую может заработать или проиграть спекулянт, в среднем, по каждой ставке. На языке азартных спекулянтов это иногда называется «преимуществом спекулянта » (если оно положительно для спекулянта) или «преимуществом казино» (если оно отрицательно для спекулянта).
Математическое ожидание (Population mean) - это
Wir verwenden Cookies für die beste Präsentation unserer Website. Wenn Sie diese Website weiterhin nutzen, stimmen Sie dem zu. OK
Понятие математического ожидания можно рассмотреть на примере с бросанием игрального кубика. При каждом броске фиксируются выпавшие очки. Для их выражения используются натуральные значения в диапазоне 1 – 6.
После определенного количества бросков при помощи не сложных расчетов можно найти среднее арифметическое значение выпавших очков.
Также, как и выпадение любого из значений диапазона, эта величина будет случайной.
А если увеличить количество бросков в несколько раз? При больших количествах бросков среднее арифметическое значение очков будет приближаться к конкретному числу, получившему в теории вероятностей название математического ожидания.
Итак, под математическим ожиданием понимается среднее значение случайной величины. Данный показатель может представляться и в качестве взвешенной суммы значений вероятной величины.
Это понятие имеет несколько синонимов:
- среднее значение;
- средняя величина;
- показатель центральной тенденции;
- первый момент.
Иными словами, оно является ничем иным как числом вокруг которого распределяются значения случайной величины.
В различных сферах человеческой деятельности подходы к пониманию математического ожидания будут несколько отличаться.
Оно может рассматриваться как:
- средняя выгода, полученная от принятия какого-то решения, в том случае, когда такое решение рассматривается с точки зрения теории больших чисел;
- возможная сумма выигрыша либо проигрыша (теория азартных игр), рассчитанная в среднем для каждой из ставок. На сленге они звучат как «преимущество игрока» (позитивно для игрока) либо «преимущество казино» (негативно для игрока);
- процент прибыли, полученной от выигрыша.
Матожидание не является обязательным для абсолютно всех случайных величин. Оно отсутствует для тех у которых наблюдается расхождение соответствующей суммы или интеграла.
Свойства математического ожидания
Как и любому статистическому параметру, математическому ожиданию присущи свойства:
Основные формулы для математического ожидания
Вычисление математического ожидания может выполняться как для случайных величин, характеризующихся как непрерывностью (формула А), так и дискретностью (формула Б):
- M(X)=∑i=1nxi⋅pi, где xi – значения случайной величины, pi – вероятности:
- M(X)=∫+∞−∞f(x)⋅xdx, где f(x) – заданная плотность вероятностей.
Примеры вычисления математического ожидания
Пример А.
Можно ли узнать средний рост гномов в сказке о Белоснежке. Известно, что каждый из 7 гномов имел определенный рост: 1,25; 0,98; 1,05; 0,71; 0,56; 0,95 и 0,81 м.
Алгоритм вычислений достаточно прост:
- находим сумму всех значений показателя роста (случайная величина):
1,25+0,98+1,05+0,71+0,56+0,95+ 0,81 = 6,31; - полученную сумму делим на количество гномов:
6,31:7=0,90.
Таким образом, средний рост гномов в сказке равен 90 см. Иными словами таково математическое ожидание роста гномов.
Рабочая формула — М(х)=4 0,2+6 0,3+10 0,5=6
Практическая реализация математического ожидания
К вычислению статистического показателя математического ожидания прибегают в различных сферах практической деятельности. В первую очередь речь идет о коммерческой сфере. Ведь введение Гюйгенсом этого показателя связано с определением шансов, которые могут быть благоприятными, либо напротив неблагоприятными, для какого-то события.
Этот параметр широко применяется для оценки рисков, особенно если речь идет о финансовых вложениях.
Так, в предпринимательстве расчет математического ожидания выступает в качестве метода для оценивания риска при расчете цен.
Также данный показатель может использоваться при расчете эффективности проведения тех или иных мероприятий, например, по охране труда. Благодаря ему можно вычислить вероятность наступления события.
Еще одна сфера применения данного параметра – менеджмент. Также он может рассчитываться при контроле качества продукции. Например, при помощи мат. ожидания можно рассчитать возможное количество изготовления бракованных деталей.
Незаменимым мат.ожидание оказывается и при проведении статистической обработки полученных в ходе научных исследований результатов. Он позволяет рассчитать и вероятность проявления желательного либо нежелательного исхода эксперимента или исследования в зависимости от уровня достижения поставленной цели. Ведь ее достижение может ассоциироваться с выигрышем и выгодой, а ее не достижение – в качестве проигрыша либо убытка.
Использование математического ожидания на Форекс
Практическое применение данного статистического параметра возможно при проведении операций на валютном рынке. С его помощью можно осуществлять анализ успешности торговых сделок. При чем увеличение значения ожидания свидетельствует об увеличении их успешности.
Также важно помнить, что математическое ожидание не должно рассматриваться в качестве единственного статистического параметра используемого для анализа работы трейдера. Использование нескольких статистических параметров наряду со средним значением повышает точность проводимого анализа в разы.
Данный параметр хорошо зарекомендовал себя при мониторинговых наблюдениях за торговыми счетами. Благодаря ему выполняется быстрая оценка работ, осуществляемых на депозитном счете. В тех случаях, когда деятельность трейдера удачна и он избегает убытков, пользоваться исключительно расчетом математического ожидания не рекомендуется. В этих случаях не учитываются риски, что снижает эффективность анализа.
Проведенные исследования тактик трейдеров свидетельствуют о том, что:
- наиболее эффективными оказываются тактики, базирующиеся на случайном входе;
- наименее эффективны – тактики, базирующиеся на структурированных входах.
В достижении позитивных результатов не менее важны:
- тактика управления капиталом;
- стратегии выходов.
Используя такой показатель как математическое ожидание можно предположить каким будет прибыль либо убыток при вложении 1 доллара. Известно, что этот показатель, рассчитанный для всех игр, практикуемых в казино, в пользу заведения. Именно это позволяет зарабатывать деньги. В случае длинной серии игр вероятность потери денег клиентом существенно возрастает.
Игры профессиональных игроков ограничены небольшими временными промежутками, что увеличивает вероятность выигрыша и снижает риск проигрыша. Такая же закономерность наблюдается и при выполнении инвестиционных операций.
Инвестор может заработать значительную сумму при положительном ожидании и совершении большого количества сделок за небольшой временной промежуток.
Ожидание может рассматриваться как разница между произведением процента прибыли (PW) на среднюю прибыль (AW) и вероятность убытка (PL) на средний убыток (AL).
В качестве примера можно рассмотреть следующий: позиция – 12,5 тыс. долларов, портфель — 100 тыс. долларов, риск на депозит – 1%. Прибыльность сделок составляет 40% случаев при средней прибыли 20%. В случае убытка средние потери составляют 5%. Расчет математического ожидания для сделки дает значение в 625 долларов.
Математическим ожиданием случайной величины X называется среднее значение .
1. M(C) = C
2. M(CX) = CM(X) , где C = const
3. M(X ± Y) = M(X) ± M(Y)
4. Если случайные величины X и Y независимы, то M(XY) = M(X)·M(Y)
Дисперсия
Дисперсией случайной величины X называется
D(X) = S(x – M(X)) 2 p = M(X 2 ) – M 2 (X) .
Дисперсия представляет собой мерой отклонения значений случайной величины от своего среднего значения.
1. D(C) = 0
2. D(X + C) = D(X)
3. D(СX) = C 2 D(X) , где C = const
4. Для независимых случайных величин
D(X ± Y) = D(X) + D(Y)
5. D(X ± Y) = D(X) + D(Y) ± 2Cov(x, y)
Квадратный корень из дисперсии случайной величины X называется средним квадратичным отклонением 
.
@ Задача 3 : Пусть случайная величина X принимает всего два значения (0 или 1) с вероятностями q, p , где p + q = 1 . Найти математическое ожидание и дисперсию.
Решение:
M(X) = 1·p + 0·q = p; D(X) = (1 – p) 2 p + (0 – p) 2 q = pq.
@ Задача 4 : Математическое ожидание и дисперсия случайной величины X равны 8. Найти математическое ожидание и дисперсия случайных величин: а) X – 4 ; б) 3X – 4 .
Решение: M(X – 4) = M(X) – 4 = 8 – 4 = 4; D(X – 4) = D(X) = 8; M(3X – 4) = 3M(X) – 4 = 20; D(3X – 4) = 9D(X) = 72.
@ Задача 5 : Совокупность семей имеет следующее распределение по числу детей:
| x i | x 1 | x 2 | ||
| p i | 0,1 | p 2 | 0,4 | 0,35 |
Определить x 1 , x 2 и p 2 , если известно, что M(X) = 2; D(X) = 0,9 .
Решение: Вероятность p 2 равна p 2 = 1 – 0,1 – 0,4 – 0,35 = 0,15. Неизвестные x находятся из уравнений: M(X) = x 1 ·0,1 + x 2 ·0,15 + 2·0,4 + 3·0,35 = 2; D(X) = ·0,1 + ·0,15 + 4·0,4 + 9·0,35 – 4 = 0,9. x 1 = 0; x 2 = 1.
Генеральная совокупность и выборка. Оценки параметров
Выборочное наблюдение
Статистическое наблюдение можно организовать сплошное и не сплошное. Сплошное наблюдение предусматривает обследование всех единиц изучаемой совокупности (генеральной совокупности). Генеральная совокупность это множество физических или юридических лиц, которую исследователь изучает согласно своей задачи. Это часто экономически невыгодно, а иногда и невозможно. В связи с этим изучается только часть генеральной совокупности – выборочная совокупность .
Результаты, полученные на основе выборочной совокупности, можно распространить на генеральную совокупность, если следовать следующим принципам:
1. Выборочная совокупность должна определяться случайным образом.
2. Число единиц выборочной совокупности должно быть достаточным.
3. Должна обеспечиваться репрезентативность ( представительность) выборки. Репрезентативная выборка представляет собой меньшую по размеру, но точную модель той генеральной совокупности, которую она должна отражать.
Типы выборок
В практике применяются следующие типы выборок:
а) собственно-случайная, б) механическая, в) типическая, г) серийная, д) комбинированная.
Собственно-случайная выборка
При собственно-случайной выборке отбор единиц выборочной совокупности производится случайным образом, например, посредством жеребьевки или генератора случайных чисел.
Выборки бывают повторные и бесповторные. При повторной выборке единица, попавшая в выборку, возвращается и сохраняет равную возможность снова попасть в выборку. При бесповторной выборке единица совокупности, попавшая в выборку, в дальнейшем в выборке не участвует.
Ошибкиприсущие выборочному наблюдению, возникающие в силу того, что выборочная совокупность не полностью воспроизводит генеральную совокупность, называются стандартными ошибками . Они представляют собой среднее квадратичное расхождение между значениями показателей, полученных по выборке, и соответствующими значениями показателей генеральной совокупности.
Расчетные формулы стандартной ошибки при случайном повторном отборе следующая: , а при случайном бесповторном отборе следующая: 
, где S 2 – дисперсия выборочной совокупности, n/N –
доля выборки, n, N
- количества единиц в выборочной и генеральной совокупности. При n = N
стандартная ошибка m = 0.
Механическая выборка
При механической выборке генеральная совокупность разбивается на равные интервалы и из каждого интервала случайным образом отбирается по одной единице.
Например, при 2%-ной доли выборки из списка генеральной совокупности отбирается каждая 50-я единица.
Стандартная ошибка механической выборки определяется как ошибка собственно-случайной бесповторной выборки.
Типическая выборка
При типической выборке генеральная совокупность разбивается на однородные типические группы, затем из каждой группы случайным образом производится отбор единиц.
Типической выборкой пользуются в случае неоднородной генеральной совокупности. Типическая выборка дает более точные результаты, потому что обеспечивается репрезентативность.
Например, учителя, как генеральная совокупность, разбиваются на группы по следующим признакам: пол, стаж, квалификация, образование, городские и сельские школы и т.д.
Стандартные ошибки типической выборки определяются как ошибки собственно-случайной выборки, с той лишь разницей, что S 2 заменяется средней величиной от внутригрупповых дисперсий.
Серийная выборка
При серийной выборке генеральная совокупность разбивается на отдельные группы (серии), затем случайным образом выбранные группы подвергаются сплошному наблюдению.
Стандартные ошибки серийной выборки определяются как ошибки собственно-случайной выборки, с той лишь разницей, что S 2 заменяется средней величиной от межгрупповых дисперсий.
Комбинированная выборка
Комбинированная выборка является комбинацией двух или более типов выборок.
Точечная оценка
Конечной целью выборочного наблюдения является нахождение характеристик генеральной совокупности. Так как этого невозможно сделать непосредственно, то на генеральную совокупность распространяют характеристики выборочной совокупности.
Принципиальная возможность определения средней арифметической генеральной совокупности по данным средней выборки доказывается теоремой Чебышева . При неограниченном увеличении n вероятность того, что отличие выборочной средней от генеральной средней будет сколь угодно мало, стремится к 1.
Это означает, что характеристика генеральной совокупности с точностью . Такая оценка называется точечной .
Интервальная оценка
Базисом интервальной оценки является центральная предельная теорема .
Интервальная оценка позволяет ответить на вопрос: внутри какого интервала и с какой вероятностью находится неизвестное, искомое значение параметра генеральной совокупности?
Обычно говорят о доверительной вероятности p = 1 – a, с которой будет находиться в интервале – D < < + D, где D = t кр m > 0 предельная ошибка выборки, a - уровень значимости (вероятность того, что неравенство будет неверным), t кр - критическое значение, которое зависит от значений n и a. При малой выборке n < 30 t кр задается с помощью критического значения t-распределения Стъюдента для двустороннего критиерия с n – 1 степенями свободы с уровнем значимости a (t кр (n – 1, a) находится из таблицы «Критические значения t–распределения Стъюдента», приложение 2). При n > 30, t кр - это квантиль нормального закона распределения (t кр находится из таблицы значений функции Лапласа F(t) = (1 – a)/2 как аргумент). При p = 0,954 критическое значение t кр = 2 при p = 0,997 критическое значение t кр = 3. Это означает, что предельная ошибка обычно больше стандартной ошибки в 2-3 раза.
Таким образом, суть метода выборки заключается в том, что на основании статистических данных некоторой малой части генеральной совокупности удается найти интервал, в котором с доверительной вероятностью p находится искомая характеристика генеральной совокупности (средняя численность рабочих, средний балл, средняя урожайность, среднее квадратичное отклонение и т.д.).
@ Задача 1. Для определения скорости расчетов с кредиторами предприятий корпорации в коммерческом банке была проведена случайная выборка 100 платежных документов, по которым средний срок перечисления и получения денег оказался равным 22 дням ( = 22) со стандартным отклонением 6 дней (S = 6). С вероятностью p = 0,954 определить предельнуюошибку выборочной средней и доверительный интервал средней продолжительности расчетов предприятий данной корпорации.
Решение: Предельнаяошибка выборочной средней согласно (1) равна D = 2· 0,6 = 1,2, а доверительный интервал определяется как (22 – 1,2; 22 + 1,2), т.е. (20,8; 23,2).
§6.5 Корреляция и регрессия
Случайной величиной называют переменную величину, которая в результате каждого испытания принимает одно заранее неизвестное значение, зависящее от случайных причин. Случайные величины обозначают заглавными латинскими буквами: $X,\ Y,\ Z,\ \dots $ По своему типу случайные величины могут быть дискретными и непрерывными .
Дискретная случайная величина - это такая случайная величина, значения которой могут быть не более чем счетными, то есть либо конечными, либо счетными. Под счетностью имеется ввиду, что значения случайной величины можно занумеровать.
Пример 1 . Приведем примеры дискретных случайных величин:
а) число попаданий в мишень при $n$ выстрелах, здесь возможные значения $0,\ 1,\ \dots ,\ n$.
б) число выпавших гербов при подкидывании монеты, здесь возможные значения $0,\ 1,\ \dots ,\ n$.
в) число прибывших кораблей на борт (счетное множество значений).
г) число вызовов, поступающих на АТС (счетное множество значений).
1. Закон распределения вероятностей дискретной случайной величины.
Дискретная случайная величина $X$ может принимать значения $x_1,\dots ,\ x_n$ с вероятностями $p\left(x_1\right),\ \dots ,\ p\left(x_n\right)$. Соответствие между этими значениями и их вероятностями называется законом распределения дискретной случайной величины . Как правило, это соответствие задается с помощью таблицы, в первой строке которой указывают значения $x_1,\dots ,\ x_n$, а во второй строке соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$.
$\begin{array}{|c|c|}
\hline
X_i & x_1 & x_2 & \dots & x_n \\
\hline
p_i & p_1 & p_2 & \dots & p_n \\
\hline
\end{array}$
Пример 2 . Пусть случайная величина $X$ - число выпавших очков при подбрасывании игрального кубика. Такая случайная величина $X$ может принимать следующие значения $1,\ 2,\ 3,\ 4,\ 5,\ 6$. Вероятности всех этих значений равны $1/6$. Тогда закон распределения вероятностей случайной величины $X$:
$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline
\hline
\end{array}$
Замечание . Поскольку в законе распределения дискретной случайной величины $X$ события $1,\ 2,\ \dots ,\ 6$ образуют полную группу событий, то в сумме вероятности должны быть равны единице, то есть $\sum{p_i}=1$.
2. Математическое ожидание дискретной случайной величины.
Математическое ожидание случайной величины задает ее «центральное» значение. Для дискретной случайной величины математическое ожидание вычисляется как сумма произведений значений $x_1,\dots ,\ x_n$ на соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$, то есть: $M\left(X\right)=\sum^n_{i=1}{p_ix_i}$. В англоязычной литературе используют другое обозначение $E\left(X\right)$.
Свойства математического ожидания $M\left(X\right)$:
- $M\left(X\right)$ заключено между наименьшим и наибольшим значениями случайной величины $X$.
- Математическое ожидание от константы равно самой константе, т.е. $M\left(C\right)=C$.
- Постоянный множитель можно выносить за знак математического ожидания: $M\left(CX\right)=CM\left(X\right)$.
- Математическое ожидание суммы случайных величин равно сумме их математических ожиданий: $M\left(X+Y\right)=M\left(X\right)+M\left(Y\right)$.
- Математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий: $M\left(XY\right)=M\left(X\right)M\left(Y\right)$.
Пример 3 . Найдем математическое ожидание случайной величины $X$ из примера $2$.
$$M\left(X\right)=\sum^n_{i=1}{p_ix_i}=1\cdot {{1}\over {6}}+2\cdot {{1}\over {6}}+3\cdot {{1}\over {6}}+4\cdot {{1}\over {6}}+5\cdot {{1}\over {6}}+6\cdot {{1}\over {6}}=3,5.$$
Можем заметить, что $M\left(X\right)$ заключено между наименьшим ($1$) и наибольшим ($6$) значениями случайной величины $X$.
Пример 4 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=2$. Найти математическое ожидание случайной величины $3X+5$.
Используя вышеуказанные свойства, получаем $M\left(3X+5\right)=M\left(3X\right)+M\left(5\right)=3M\left(X\right)+5=3\cdot 2+5=11$.
Пример 5 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=4$. Найти математическое ожидание случайной величины $2X-9$.
Используя вышеуказанные свойства, получаем $M\left(2X-9\right)=M\left(2X\right)-M\left(9\right)=2M\left(X\right)-9=2\cdot 4-9=-1$.
3. Дисперсия дискретной случайной величины.
Возможные значения случайных величин с равными математическими ожиданиями могут по-разному рассеиваться вокруг своих средних значений. Например, в двух студенческих группах средний балл за экзамен по теории вероятностей оказался равным 4, но в одной группе все оказались хорошистами, а в другой группе - только троечники и отличники. Поэтому возникает необходимость в такой числовой характеристике случайной величины, которая бы показывала разброс значений случайной величины вокруг своего математического ожидания. Такой характеристикой является дисперсия.
Дисперсия дискретной случайной величины $X$ равна:
$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}.\ $$
В англоязычной литературе используются обозначения $V\left(X\right),\ Var\left(X\right)$. Очень часто дисперсию $D\left(X\right)$ вычисляют по формуле $D\left(X\right)=\sum^n_{i=1}{p_ix^2_i}-{\left(M\left(X\right)\right)}^2$.
Свойства дисперсии $D\left(X\right)$:
- Дисперсия всегда больше или равна нулю, т.е. $D\left(X\right)\ge 0$.
- Дисперсия от константы равна нулю, т.е. $D\left(C\right)=0$.
- Постоянный множитель можно выносить за знак дисперсии при условии возведения его в квадрат, т.е. $D\left(CX\right)=C^2D\left(X\right)$.
- Дисперсия суммы независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X+Y\right)=D\left(X\right)+D\left(Y\right)$.
- Дисперсия разности независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X-Y\right)=D\left(X\right)+D\left(Y\right)$.
Пример 6 . Вычислим дисперсию случайной величины $X$ из примера $2$.
$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}={{1}\over {6}}\cdot {\left(1-3,5\right)}^2+{{1}\over {6}}\cdot {\left(2-3,5\right)}^2+\dots +{{1}\over {6}}\cdot {\left(6-3,5\right)}^2={{35}\over {12}}\approx 2,92.$$
Пример 7 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=2$. Найти дисперсию случайной величины $4X+1$.
Используя вышеуказанные свойства, находим $D\left(4X+1\right)=D\left(4X\right)+D\left(1\right)=4^2D\left(X\right)+0=16D\left(X\right)=16\cdot 2=32$.
Пример 8 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=3$. Найти дисперсию случайной величины $3-2X$.
Используя вышеуказанные свойства, находим $D\left(3-2X\right)=D\left(3\right)+D\left(2X\right)=0+2^2D\left(X\right)=4D\left(X\right)=4\cdot 3=12$.
4. Функция распределения дискретной случайной величины.
Способ представления дискретной случайной величины в виде ряда распределения не является единственным, а главное он не является универсальным, поскольку непрерывную случайную величину нельзя задать с помощью ряда распределения. Существует еще один способ представления случайной величины - функция распределения.
Функцией распределения случайной величины $X$ называется функция $F\left(x\right)$, которая определяет вероятность того, что случайная величина $X$ примет значение, меньшее некоторого фиксированного значения $x$, то есть $F\left(x\right)=P\left(X < x\right)$
Свойства функции распределения :
- $0\le F\left(x\right)\le 1$.
- Вероятность того, что случайная величина $X$ примет значения из интервала $\left(\alpha ;\ \beta \right)$, равна разности значений функции распределения на концах этого интервала: $P\left(\alpha < X < \beta \right)=F\left(\beta \right)-F\left(\alpha \right)$
- $F\left(x\right)$ - неубывающая.
- ${\mathop{lim}_{x\to -\infty } F\left(x\right)=0\ },\ {\mathop{lim}_{x\to +\infty } F\left(x\right)=1\ }$.
Пример 9 . Найдем функцию распределения $F\left(x\right)$ для закона распределения дискретной случайной величины $X$ из примера $2$.
$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline
1/6 & 1/6 & 1/6 & 1/6 & 1/6 & 1/6 \\
\hline
\end{array}$
Если $x\le 1$, то, очевидно, $F\left(x\right)=0$ (в том числе и при $x=1$ $F\left(1\right)=P\left(X < 1\right)=0$).
Если $1 < x\le 2$, то $F\left(x\right)=P\left(X=1\right)=1/6$.
Если $2 < x\le 3$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)=1/6+1/6=1/3$.
Если $3 < x\le 4$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)=1/6+1/6+1/6=1/2$.
Если $4 < x\le 5$, то $F\left(X\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)=1/6+1/6+1/6+1/6=2/3$.
Если $5 < x\le 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)=1/6+1/6+1/6+1/6+1/6=5/6$.
Если $x > 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)+P\left(X=6\right)=1/6+1/6+1/6+1/6+1/6+1/6=1$.
Итак, $F(x)=\left\{\begin{matrix}
0,\ при\ x\le 1,\\
1/6,при\ 1 < x\le 2,\\
1/3,\ при\ 2 < x\le 3,\\
1/2,при\ 3 < x\le 4,\\
2/3,\ при\ 4 < x\le 5,\\
5/6,\ при\ 4 < x\le 5,\\
1,\ при\ x > 6.
\end{matrix}\right.$
Как уже известно, закон распределения полностью характеризует случайную величину. Однако часто закон распределения неизвестен и приходится ограничиваться меньшими сведениями. Иногда даже выгоднее пользоваться числами, которые описывают случайную величину суммарно; такие числа называют числовыми характеристиками случайной величины. К числу важных числовых характеристик относится математическое ожидание.
Математическое ожидание, как будет показано далее, приближенно равно среднему значению случайной величины. Для решения многих задач достаточно знать математическое ожидание. 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 второго. Хотя математическое ожидание дает о случайной величине значительно меньше сведений, чем закон ее распределения, но для решения задач, подобных приведенной и многих других, знание математического ожидания оказывается достаточным.
§ 2. Математическое ожидание дискретной случайной величины
Математическим ожиданием дискретной случайной величины называют сумму произведений всех ее возможных значений на их вероятности.
Пусть случайная величина X может принимать только значения х 1 , х 2 , ..., х п , вероятности которых соответственно равны р 1 , р 2 , . . ., р п . Тогда математическое ожидание М (X ) случайной величины X определяется равенством
М (X ) = х 1 р 1 + х 2 р 2 + … + x n p n .
Если дискретная случайная величина X принимает счетное множество возможных значений, то
М (Х )=
причем математическое ожидание существует, если ряд в правой части равенства сходится абсолютно.
Замечание. Из определения следует, что математическое ожидание дискретной случайной величины есть неслучайная (постоянная) величина. Рекомендуем запомнить это утверждение, так как далее оно используется многократно. В дальнейшем будет показано, что математическое ожидание непрерывной случайной величины также есть постоянная величина.
Пример 1. Найти математическое ожидание случайной величины X , зная закон ее распределения:
Решение. Искомое математическое ожидание равно сумме произведений всех возможных значений случайной величины на их вероятности:
M (X )= 3* 0, 1+ 5* 0, 6+ 2* 0, 3= 3, 9.
Пример 2. Найти математическое ожидание числа появлений события А в одном испытании, если вероятность события А равна р.
Решение. Случайная величина X - число появлений события А в одном испытании - может принимать только два значения: х 1 = 1 (событие А наступило) с вероятностью р и х 2 = 0 (событие А не наступило) с вероятностью q = 1 -р. Искомое математическое ожидание
M (X )= 1* p + 0* q = p
Итак, математическое ожидание числа появлений события в одном испытании равно вероятности этого события. Этот результат будет использован ниже.
§ 3. Вероятностный смысл математического ожидания
Пусть произведено п испытаний, в которых случайная величина X приняла т 1 раз значение х 1 , т 2 раз значение х 2 ,...,m k раз значение x k , причем т 1 + т 2 + …+т к = п. Тогда сумма всех значений, принятых X , равна
х 1 т 1 + х 2 т 2 + ... + х к т к .
Найдем среднее
арифметическое
всех значений,
принятых, случайной величиной, для чего
разделим найденную сумму на общее число
испытаний:
=
(х
1 т
1
+
х
2 т
2 +
... +
х
к
т
к
)/п,
=
х
1
(m
1 /
n
)
+
х
2
(m
2 /
n
)
+ ... +
х
к
(т
к
/п
).
(*)
Заметив, что отношение m 1 / n - относительная частота W 1 значения х 1 , m 2 / n - относительная частота W 2 значения х 2 и т. д., запишем соотношение (*) так:
=
х
1
W
1
+
x
2 W
2
+ ..
. + х
к
W
k
.
(**)
Допустим, что число испытаний достаточно велико. Тогда относительная частота приближенно равна вероятности появления события (это будет доказано в гл. IX, § 6):
W
1
p
1 ,
W
2
p
2 ,
…,
W
k
p
k
.
Заменив в соотношении (**) относительные частоты соответствующими вероятностями, получим
x
1 p
1
+
х
2 р
2
+ … +
х
к
р
к
.
Правая часть этого приближенного равенства есть М (X ). Итак,
М
(X
).
Вероятностный смысл полученного результата таков: математическое ожидание приближенно равно (тем точнее, чем больше число испытаний) среднему арифметическому наблюдаемых значений случайной величины.
Замечание 1. Легко сообразить, что математическое ожидание больше наименьшего и меньше наибольшего возможных значений. Другими словами, на числовой оси возможные значения расположены слева и справа от математического ожидания. В этом смысле математическое ожидание характеризует расположение распределения и поэтому его часто называют центром распределения.
Этот термин
заимствован из механики: если массы
р
1 ,
р
2 ,
..., р
п
расположены
в точках с абсциссами x
1 ,
х
2 ,
...,
х
n
,
причем
то абсцисса центра тяжести
x
c
=
.
Учитывая, что
=
M
(X
)
и
получим М
(Х
)
= х
с
.
Итак, математическое ожидание есть абсцисса центра тяжести системы материальных точек, абсциссы которых равны возможным значениям случайной величины, а массы - их вероятностям.
Замечание 2. Происхождение термина «математическое ожидание» связано с начальным периодом возникновения теории вероятностей (XVI - XVII вв.), когда область ее применения ограничивалась азартными играми. Игрока интересовало среднее значение ожидаемого выигрыша, или, иными словами, математическое ожидание выигрыша.
