Дисперсия d. Дисперсия случайной величины

Квадратный корень из дисперсии, равный σ {\displaystyle \displaystyle \sigma } , называется среднеквадрати́ческим отклоне́нием , станда́ртным отклоне́нием или стандартным разбросом. Стандартное отклонение измеряется в тех же единицах , что и сама случайная величина, а дисперсия измеряется в квадратах этой единицы измерения.

Замечания

где - i {\displaystyle i} -ое значение случайной величины, p i {\displaystyle p_{i}} - вероятность того, что случайная величина принимает значение x i {\displaystyle x_{i}} , n {\displaystyle n} - количество значений случайной величины.

где f (x) {\displaystyle f(x)} - плотность вероятности случайной величины.

• В силу линейности математического ожидания, справедлива формула: D [ X ] = M [ X 2 ] − (M [ X ]) 2 {\displaystyle D[X]=M-\left(M[X]\right)^{2}}
• Дисперсия является вторым центральным моментом случайной величины;
• Дисперсия может быть бесконечной.
• Дисперсия может быть вычислена с помощью производящей функции моментов U (t) {\displaystyle U(t)} : D [ X ] = M [ X 2 ] − (M [ X ]) 2 = U ″ (0) − (U ′ (0)) 2 {\displaystyle D[X]=M-\left(M[X]\right)^{2}=U""(0)-\left(U"(0)\right)^{2}}
• Дисперсия целочисленной случайной величины может быть вычислена с помощью производящей функции последовательности .
• Удобная формула для вычисления смещённой оценки дисперсии (англ. biased sample variance ) случайной величины X {\displaystyle X} по последовательности X 1 . . . X n {\displaystyle X_{1}...X_{n}} - реализаций этой случайной величины: S ¯ 2 = ∑ i = 1 n X i 2 − (∑ i = 1 n X i) n 2 n = ∑ i = 1 n X i 2 − n X ¯ 2 n = ∑ i = 1 n (X i 2 − X ¯ 2) n {\displaystyle {\bar {S}}^{2}={\dfrac {\sum \limits _{i=1}^{n}X_{i}^{2}-{\dfrac {\left(\sum \limits _{i=1}^{n}X_{i}\right)}{n}}^{2}}{n}}={\dfrac {\sum \limits _{i=1}^{n}X_{i}^{2}-n{\bar {X}}^{2}}{n}}={\dfrac {\sum \limits _{i=1}^{n}\left(X_{i}^{2}-{\bar {X}}^{2}\right)}{n}}} где X ¯ = ∑ i = 1 n X i n {\displaystyle {\bar {X}}={\dfrac {\sum \limits _{i=1}^{n}X_{i}}{n}}} - несмещённая оценка M [ X ] {\displaystyle M[X]} . Для получения несмещённой оценки дисперсии (англ. unbiased sample variance ) правую часть вышеуказанного равенства необходимо умножить на n n − 1 {\displaystyle {\frac {n}{n-1}}} . Несмещённая оценка обозначается S ~ 2 {\displaystyle {\widetilde {S}}^{2}} : S ~ 2 = ∑ i = 1 n X i 2 − (∑ i = 1 n X i) n 2 n − 1 = ∑ i = 1 n X i 2 − n X ¯ 2 n − 1 = ∑ i = 1 n (X i 2 − X ¯ 2) n − 1 {\displaystyle {\widetilde {S}}^{2}={\dfrac {\sum \limits _{i=1}^{n}X_{i}^{2}-{\dfrac {\left(\sum \limits _{i=1}^{n}X_{i}\right)}{n}}^{2}}{n-1}}={\dfrac {\sum \limits _{i=1}^{n}X_{i}^{2}-n{\bar {X}}^{2}}{n-1}}={\dfrac {\sum \limits _{i=1}^{n}\left(X_{i}^{2}-{\bar {X}}^{2}\right)}{n-1}}}

Свойства

• Дисперсия любой случайной величины неотрицательна: D [ X ] ⩾ 0 ; {\displaystyle D[X]\geqslant 0;}
• Если дисперсия случайной величины конечна, то конечно и её математическое ожидание;
• Если случайная величина равна константе, то её дисперсия равна нулю: D [ a ] = 0. {\displaystyle D[a]=0.} Верно и обратное: если D [ X ] = 0 , {\displaystyle D[X]=0,} то X = M [ X ] {\displaystyle X=M[X]} почти всюду ;
• Дисперсия суммы двух случайных величин равна: D [ X + Y ] = D [ X ] + D [ Y ] + 2 cov (X , Y) {\displaystyle D=D[X]+D[Y]+2\,{\text{cov}}(X,Y)} , где cov (X , Y) {\displaystyle {\text{cov}}(X,Y)} - их ковариация ;
• Для дисперсии произвольной линейной комбинации нескольких случайных величин имеет место равенство: D [ ∑ i = 1 n c i X i ] = ∑ i = 1 n c i 2 D [ X i ] + 2 ∑ 1 ⩽ i < j ⩽ n c i c j cov (X i , X j) {\displaystyle D\left[\sum _{i=1}^{n}c_{i}X_{i}\right]=\sum _{i=1}^{n}c_{i}^{2}D+2\sum _{1\leqslant i, где c i ∈ R {\displaystyle c_{i}\in \mathbb {R} } ;
• В частности, D [ X 1 + . . . + X n ] = D [ X 1 ] + . . . + D [ X n ] {\displaystyle D=D+...+D} для любых задана равенством f X (x) = { 1 , x ∈ [ 0 , 1 ] 0 , x ∉ [ 0 , 1 ] . {\displaystyle f_{X}(x)=\left\{{\begin{matrix}1,&x\in \\0,&x\not \in .\end{matrix}}\right.}

  Тогда математическое ожидание квадрата случайной величины

  M [ X 2 ] = ∫ 0 1 x 2 d x = x 3 3 | 0 1 = 1 3 , {\displaystyle M\left=\int \limits _{0}^{1}\!x^{2}\,dx=\left.{\frac {x^{3}}{3}}\right\vert _{0}^{1}={\frac {1}{3}},}

  и математическое ожидание случайной величины

  M [ X ] = ∫ 0 1 x d x = x 2 2 | 0 1 = 1 2 . {\displaystyle M\left=\int \limits _{0}^{1}\!x\,dx=\left.{\frac {x^{2}}{2}}\right\vert _{0}^{1}={\frac {1}{2}}.}

  Тогда дисперсия случайной величины

  D [ X ] = M [ X 2 ] − (M [ X ]) 2 = 1 3 − (1 2) 2 = 1 12 . {\displaystyle D[X]=M\left-(M[X])^{2}={\frac {1}{3}}-\left({\frac {1}{2}}\right)^{2}={\frac {1}{12}}.}

Важное значение для характеристики случайных величин имеет дисперсия.

Определение. Дисперсией случайной величины называется математическое ожидание квадрата отклонения случайной величины от ее математического ожидания

Слово «дисперсия» означает «рассеяние», т.е. дисперсия характеризует рассеяние (разбросанность) значений случайной величины около ее математического ожидания.

Из определения следует, что дисперсия – это постоянная величина, т.е. числовая характеристика случайной величины, которая имеет размерность квадрата случайной величины.

С вероятной точки зрения, дисперсия является мерой рассеяния значений случайной величины около ее математического ожидания.

Действительно, рассмотрим дискретную случайную величину, которая имеет конечное множество значений. Тогда, согласно определению, дисперсия вычисляется по формуле

. (2)

Если дисперсия
мала, то из формулы (2) следует, что малы слагаемые. Поэтому, если не рассматривать значения
, которым соответствует малая вероятность (такие значения практически невозможны), то все остальные значениямало отклоняются от математического ожидания
. Следовательно,при малой дисперсии возможные значения случайной величины концентрируются около ее математического ожидания (за исключением, может быть, сравнительно малого числа отдельных значений). Если дисперсия
велика, то это означает большой разброс значений случайной величины, концентрация значений случайной величины около какого-нибудь центра исключается.

Пример. Пусть случайные величины
иимеют следующее законы распределения

Таблица 9. Таблица 10.

Найти математические ожидания и дисперсии этих случайных величин.

Решение. Воспользовавшись формулой для вычисления математических ожиданий, находим

С помощью формулы (2) вычислим дисперсии заданных случайных величин

Из полученных результатов делаем вывод: математические ожидания случайных величин
иодинаковы, однако дисперсии различны. Дисперсия случайной величины
мала и мы видим, что ее значение сконцентрированы около ее математического ожидания
. Напротив, значения случайной величинызначительно рассеяны относительно
, а поэтому дисперсия
имеет большое значение. ●

Свойства дисперсии

Свойство 1. Дисперсия постоянной величины равна нулю

Доказательство.

Свойство 2 . Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат

Доказательство.

Свойство 3. Дисперсия суммы двух независимых случайных величин равна сумме их дисперсий

Доказательство. Воспользуемся определением дисперсии и свойствами 3, 2 математического ожидания, имеем

Определение. Математическое ожидание произведения отклонений случайных величин
и от их математических ожиданий называется корреляционным моментом этих величин

Если случайные величины, величины
инезависимы, то, воспользовавшись свойствами 6 и 7 математических ожиданий, находим

Поэтому из формулы 3 имеем

откуда окончательно следует

С помощью метода математической индукции это свойство может быть распространено на случай любого конечного числа независимых случайных величин.

Свойство 4. Дисперсия суммы независимых случайных величин
равна сумме их дисперсий

Свойство 5. Дисперсия разности двух случайных независимых величин равна сумме дисперсий этих величин

Доказательство.

Свойство 6. Дисперсия случайной величины равна математическому ожиданию

квадрата этой величины минус квадрат ее математического ожидания

(Эта формула применяется для вычисления дисперсии)

Доказательство.

Математическое ожидание и дисперсия - чаще всего применяемые числовые характеристики случайной величины. Они характеризуют самые важные черты распределения: его положение и степень разбросанности. Математическое ожидание часто называют просто средним значением случайной величины. Дисперсия случайной величины - характеристика рассеивания, разбросанности случайной величины около её математического ожидания.

Во многих задачах практики полная, исчерпывающая характеристика случайной величины - закон распределения - или не может быть получена, или вообще не нужна. В этих случаях ограничиваются приблизительным описанием случайной величины с помощью числовых характеристик.

Математическое ожидание дискретной случайной величины

Подойдём к понятию математического ожидания. Пусть масса некоторого вещества распределена между точками оси абсцисс x 1 , x 2 , ..., x n . При этом каждая материальная точка имеет соответствующую ей массу с вероятностью из p 1 , p 2 , ..., p n . Требуется выбрать одну точку на оси абсцисс, характеризующую положение всей системы материальных точек, с учётом их масс. Естественно в качестве такой точки взять центр массы системы материальных точек. Это есть среднее взвешенное значение случайной величины X , в которое абсцисса каждой точки x i входит с "весом", равным соответствующей вероятности. Полученное таким образом среднее значение случайной величины X называется её математическим ожиданием.

Математическим ожиданием дискретной случайной величины называется сумма произведений всех возможных её значений на вероятности этих значений:

Пример 1. Организована беспроигрышная лотерея. Имеется 1000 выигрышей, из них 400 по 10 руб. 300 - по 20 руб. 200 - по 100 руб. и 100 - по 200 руб. Каков средний размер выигрыша для купившего один билет?

Решение. Средний выигрыш мы найдём, если общую сумму выигрышей, которая равна 10*400 + 20*300 + 100*200 + 200*100 = 50000 руб, разделим на 1000 (общая сумма выигрышей). Тогда получим 50000/1000 = 50 руб. Но выражение для подсчёта среднего выигрыша можно представить и в следующем виде:

С другой стороны, в данных условиях размер выигрыша является случайной величиной, которая может принимать значения 10, 20, 100 и 200 руб. с вероятностями, равными соответственно 0,4; 0,3; 0,2; 0,1. Следовательно, ожидаемый средний выигрыш равен сумме произведений размеров выигрышей на вероятности их получения.

Пример 2. Издатель решил издать новую книгу. Продавать книгу он собирается за 280 руб., из которых 200 получит он сам, 50 - книжный магазин и 30 - автор. В таблице дана информация о затратах на издание книги и вероятности продажи определённого числа экземпляров книги.

Найти ожидаемую прибыль издателя.

Решение. Случайная величина "прибыль" равна разности доходов от продажи и стоимости затрат. Например, если будет продано 500 экземпляров книги, то доходы от продажи равны 200*500=100000, а затраты на издание 225000 руб. Таким образом, издателю грозит убыток размером в 125000 руб. В следующей таблице обобщены ожидаемые значения случайной величины - прибыли:

Таким образом, получаем математическое ожидание прибыли издателя:

.

Пример 3. Вероятность попадания при одном выстреле p = 0,2 . Определить расход снарядов, обеспечивающих математическое ожидание числа попаданий, равное 5.

Решение. Из всё той же формулы математического ожидания, которую мы использовали до сих пор, выражаем x - расход снарядов:

.

Пример 4. Определить математическое ожидание случайной величины x числа попаданий при трёх выстрелах, если вероятность попадания при каждом выстреле p = 0,4 .

Подсказка: вероятность значений случайной величины найти по формуле Бернулли .

Свойства математического ожидания

Рассмотрим свойства математического ожидания.

Свойство 1. Математическое ожидание постоянной величины равно этой постоянной:

Свойство 2. Постоянный множитель можно выносить за знак математического ожидания:

Свойство 3. Математическое ожидание суммы (разности) случайных величин равно сумме (разности) их математических ожиданий:

Свойство 4. Математическое ожидание произведения случайных величин равно произведению их математических ожиданий:

Свойство 5. Если все значения случайной величины X уменьшить (увеличить) на одно и то же число С , то её математическое ожидание уменьшится (увеличится) на то же число:

Когда нельзя ограничиваться только математическим ожиданием

В большинстве случаев только математическое ожидание не может в достаточной степени характеризовать случайную величину.

Пусть случайные величины X и Y заданы следующими законами распределения:

Математические ожидания этих величин одинаковы - равны нулю:

Однако характер распределения их различный. Случайная величина X может принимать только значения, мало отличающиеся от математического ожидания, а случайная величина Y может принимать значения, значительно отклоняющиеся от математического ожидания. Аналогичный пример: средняя заработная плата не даёт возможности судить об удельном весе высоко- и низкооплачиваемых рабочих. Иными словами, по математическому ожиданию нельзя судить о том, какие отклонения от него, хотя бы в среднем, возможны. Для этого нужно найти дисперсию случайной величины.

Дисперсия дискретной случайной величины

Дисперсией дискретной случайной величины X называется математическое ожидание квадрата отклонения её от математического ожидания:

Средним квадратическим отклонением случайной величины X называется арифметическое значение квадратного корня её дисперсии:

.

Пример 5. Вычислить дисперсии и средние квадратические отклонения случайных величин X и Y , законы распределения которых приведены в таблицах выше.

Решение. Математические ожидания случайных величин X и Y , как было найдено выше, равны нулю. Согласно формуле дисперсии при Е (х )=Е (y )=0 получаем:

Тогда средние квадратические отклонения случайных величин X и Y составляют

.

Таким образом, при одинаковых математических ожиданиях дисперсия случайной величины X очень мала, а случайной величины Y - значительная. Это следствие различия в их распределении.

Пример 6. У инвестора есть 4 альтернативных проекта инвестиций. В таблице обобщены данные об ожидаемой прибыли в этих проектах с соответствующей вероятностью.

Найти для каждой альтернативы математическое ожидание, дисперсию и среднее квадратическое отклонение.

Решение. Покажем, как вычисляются эти величины для 3-й альтернативы:

В таблице обобщены найденные величины для всех альтернатив.

У всех альтернатив одинаковы математические ожидания. Это означает, что в долгосрочном периоде у всех - одинаковые доходы. Стандартное отклонение можно интерпретировать как единицу измерения риска - чем оно больше, тем больше риск инвестиций. Инвестор, который не желает большого риска, выберет проект 1, так как у него наименьшее стандартное отклонение (0). Если же инвестор отдаёт предпочтение риску и большим доходам в короткий период, то он выберет проект наибольшим стандартным отклонением - проект 4.

Свойства дисперсии

Приведём свойства дисперсии.

Свойство 1. Дисперсия постоянной величины равна нулю:

Свойство 2. Постоянный множитель можно выносить за знак дисперсии, возводя его при этом в квадрат:

.

Свойство 3. Дисперсия случайной величины равна математическому ожиданию квадрата этой величины, из которого вычтен квадрат математического ожидания самой величины:

,

где .

Свойство 4. Дисперсия суммы (разности) случайных величин равна сумме (разности) их дисперсий:

Пример 7. Известно, что дискретная случайная величина X принимает лишь два значения: −3 и 7. Кроме того, известно математическое ожидание: E (X ) = 4 . Найти дисперсию дискретной случайной величины.

Решение. Обозначим через p вероятность, с которой случайная величина принимает значение x 1 = −3 . Тогда вероятностью значения x 2 = 7 будет 1 − p . Выведем уравнение для математического ожидания:

E (X ) = x 1 p + x 2 (1 − p ) = −3p + 7(1 − p ) = 4 ,

откуда получаем вероятности: p = 0,3 и 1 − p = 0,7 .

Закон распределения случайной величины:

Дисперсию данной случайной величины вычислим по формуле из свойства 3 дисперсии:

D (X ) = 2,7 + 34,3 − 16 = 21 .

Найти математическое ожидание случайной величины самостоятельно, а затем посмотреть решение

Пример 8. Дискретная случайная величина X принимает лишь два значения. Большее из значений 3 она принимает с вероятностью 0,4. Кроме того, известна дисперсия случайной величины D (X ) = 6 . Найти математическое ожидание случайной величины.

Пример 9. В урне 6 белых и 4 чёрных шара. Из урны вынимают 3 шара. Число белых шаров среди вынутых шаров является дискретной случайной величиной X . Найти математическое ожидание и дисперсию этой случайной величины.

Решение. Случайная величина X может принимать значения 0, 1, 2, 3. Соответствующие им вероятности можно вычислить по правилу умножения вероятностей . Закон распределения случайной величины:

Отсюда математическое ожидание данной случайной величины:

M (X ) = 3/10 + 1 + 1/2 = 1,8 .

Дисперсия данной случайной величины:

D (X ) = 0,3 + 2 + 1,5 − 3,24 = 0,56 .

Математическое ожидание и дисперсия непрерывной случайной величины

Для непрерывной случайной величины механическая интерпретация математического ожидания сохранит тот же смысл: центр массы для единичной массы, распределённой непрерывно на оси абсцисс с плотностью f (x ). В отличие от дискретной случайной величиной, у которой аргумент функции x i изменяется скачкообразно, у непрерывной случайной величины аргумент меняется непрерывно. Но математическое ожидание непрерывной случайной величины также связано с её средним значением.

Чтобы находить математическое ожидание и дисперсию непрерывной случайной величины, нужно находить определённые интегралы . Если дана функция плотности непрерывной случайной величины, то она непосредственно входит в подынтегральное выражение. Если дана функция распределения вероятностей, то, дифференцируя её, нужно найти функцию плотности.

Арифметическое среднее всех возможных значений непрерывной случайной величины называется её математическим ожиданием , обозначаемым или .

Вычислим в MS EXCEL дисперсию и стандартное отклонение выборки. Также вычислим дисперсию случайной величины, если известно ее распределение.

Сначала рассмотрим дисперсию , затем стандартное отклонение .

Дисперсия выборки

Дисперсия выборки (выборочная дисперсия, sample variance ) характеризует разброс значений в массиве относительно .

Все 3 формулы математически эквивалентны.

Из первой формулы видно, что дисперсия выборки это сумма квадратов отклонений каждого значения в массиве от среднего , деленная на размер выборки минус 1.

дисперсии выборки используется функция ДИСП() , англ. название VAR, т.е. VARiance. С версии MS EXCEL 2010 рекомендуется использовать ее аналог ДИСП.В() , англ. название VARS, т.е. Sample VARiance. Кроме того, начиная с версии MS EXCEL 2010 присутствует функция ДИСП.Г(), англ. название VARP, т.е. Population VARiance, которая вычисляет дисперсию для генеральной совокупности . Все отличие сводится к знаменателю: вместо n-1 как у ДИСП.В() , у ДИСП.Г() в знаменателе просто n. До MS EXCEL 2010 для вычисления дисперсии генеральной совокупности использовалась функция ДИСПР() .

Дисперсию выборки
=КВАДРОТКЛ(Выборка)/(СЧЁТ(Выборка)-1)
=(СУММКВ(Выборка)-СЧЁТ(Выборка)*СРЗНАЧ(Выборка)^2)/ (СЧЁТ(Выборка)-1) – обычная формула
=СУММ((Выборка -СРЗНАЧ(Выборка))^2)/ (СЧЁТ(Выборка)-1 ) –

Дисперсия выборки равна 0, только в том случае, если все значения равны между собой и, соответственно, равны среднему значению . Обычно, чем больше величина дисперсии , тем больше разброс значений в массиве.

Дисперсия выборки является точечной оценкой дисперсии распределения случайной величины, из которой была сделана выборка . О построении доверительных интервалов при оценке дисперсии можно прочитать в статье .

Дисперсия случайной величины

Чтобы вычислить дисперсию случайной величины, необходимо знать ее .

Для дисперсии случайной величины Х часто используют обозначение Var(Х). Дисперсия равна квадрата отклонения от среднего E(X): Var(Х)=E[(X-E(X)) 2 ]

дисперсия вычисляется по формуле:

где x i – значение, которое может принимать случайная величина, а μ – среднее значение (), р(x) – вероятность, что случайная величина примет значение х.

Если случайная величина имеет , то дисперсия вычисляется по формуле:

Размерность дисперсии соответствует квадрату единицы измерения исходных значений. Например, если значения в выборке представляют собой измерения веса детали (в кг), то размерность дисперсии будет кг 2 . Это бывает сложно интерпретировать, поэтому для характеристики разброса значений чаще используют величину равную квадратному корню из дисперсии – стандартное отклонение .

Некоторые свойства дисперсии :

Var(Х+a)=Var(Х), где Х - случайная величина, а - константа.

Var(aХ)=a 2 Var(X)

Var(Х)=E[(X-E(X)) 2 ]=E=E(X 2)-E(2*X*E(X))+(E(X)) 2 =E(X 2)-2*E(X)*E(X)+(E(X)) 2 =E(X 2)-(E(X)) 2

Это свойство дисперсии используется в статье про линейную регрессию .

Var(Х+Y)=Var(Х) + Var(Y) + 2*Cov(Х;Y), где Х и Y - случайные величины, Cov(Х;Y) - ковариация этих случайных величин.

Если случайные величины независимы (independent), то их ковариация равна 0, и, следовательно, Var(Х+Y)=Var(Х)+Var(Y). Это свойство дисперсии используется при выводе .

Покажем, что для независимых величин Var(Х-Y)=Var(Х+Y). Действительно, Var(Х-Y)= Var(Х-Y)= Var(Х+(-Y))= Var(Х)+Var(-Y)= Var(Х)+Var(-Y)= Var(Х)+(-1) 2 Var(Y)= Var(Х)+Var(Y)= Var(Х+Y). Это свойство дисперсии используется для построения .

Стандартное отклонение выборки

Стандартное отклонение выборки - это мера того, насколько широко разбросаны значения в выборке относительно их .

По определению, стандартное отклонение равно квадратному корню из дисперсии :

Стандартное отклонение не учитывает величину значений в выборке , а только степень рассеивания значений вокруг их среднего . Чтобы проиллюстрировать это приведем пример.

Вычислим стандартное отклонение для 2-х выборок: (1; 5; 9) и (1001; 1005; 1009). В обоих случаях, s=4. Очевидно, что отношение величины стандартного отклонения к значениям массива у выборок существенно отличается. Для таких случаев используется Коэффициент вариации (Coefficient of Variation, CV) - отношение Стандартного отклонения к среднему арифметическому , выраженного в процентах.

В MS EXCEL 2007 и более ранних версиях для вычисления Стандартного отклонения выборки используется функция =СТАНДОТКЛОН() , англ. название STDEV, т.е. STandard DEViation. С версии MS EXCEL 2010 рекомендуется использовать ее аналог =СТАНДОТКЛОН.В() , англ. название STDEV.S, т.е. Sample STandard DEViation.

Кроме того, начиная с версии MS EXCEL 2010 присутствует функция СТАНДОТКЛОН.Г() , англ. название STDEV.P, т.е. Population STandard DEViation, которая вычисляет стандартное отклонение для генеральной совокупности . Все отличие сводится к знаменателю: вместо n-1 как у СТАНДОТКЛОН.В() , у СТАНДОТКЛОН.Г() в знаменателе просто n.

Стандартное отклонение можно также вычислить непосредственно по нижеуказанным формулам (см. файл примера )
=КОРЕНЬ(КВАДРОТКЛ(Выборка)/(СЧЁТ(Выборка)-1))
=КОРЕНЬ((СУММКВ(Выборка)-СЧЁТ(Выборка)*СРЗНАЧ(Выборка)^2)/(СЧЁТ(Выборка)-1))

Другие меры разброса

Функция КВАДРОТКЛ() вычисляет сумму квадратов отклонений значений от их среднего . Эта функция вернет тот же результат, что и формула =ДИСП.Г(Выборка )*СЧЁТ(Выборка ) , где Выборка - ссылка на диапазон, содержащий массив значений выборки (). Вычисления в функции КВАДРОТКЛ() производятся по формуле:

Функция СРОТКЛ() является также мерой разброса множества данных. Функция СРОТКЛ() вычисляет среднее абсолютных значений отклонений значений от среднего . Эта функция вернет тот же результат, что и формула =СУММПРОИЗВ(ABS(Выборка-СРЗНАЧ(Выборка)))/СЧЁТ(Выборка) , где Выборка - ссылка на диапазон, содержащий массив значений выборки.

Вычисления в функции СРОТКЛ () производятся по формуле:

Урок передачи-усвоения новых знаний, умений и навыков.

Тема: Дисперсия. Её свойства.

Цели урока:

• Познавательная: 1) передача учащимся определенной системы математических знаний, умений, навыков; 2) выработка у учащихся умения
  решать основные типы задач теории вероятности и применять теорию в конкретных различных ситуациях; 3) формирование представлений об идеях и методах высшей математики; 4) формирование у учащихся на материале учебного предмета высшей математики способов учебно-познавательной деятельности.
• Развивающая: 1) развитие мышления; 2) развитие памяти; 3) развитие элементов творческой деятельности, как качеств мышления; 4) развитие речи, заключающееся в овладении математической терминологией, а также приемами построения определений, понятий и оперирование ними.
• Воспитывающая: 1) воспитать у учеников любовь к выбранной профессии и данному предмету.

Задача: заключается в определении свойств дисперсии случайной величины и в выводе формулы для ее расчета.

Ход урока.

1. Организационный момент.
2. Повторение старого и изучение нового материала.
3. Закрепление нового материала.
4. Домашнее задание.

1. Проверка присутствующих учеников на уроке.

2. Математика – королева всех наук!
Без нее не летят корабли,
Без нее не поделишь ни акра земли,
Даже хлеба не купишь, рубля не сочтешь,
Что по не узнаешь, а узнав не поймешь!

Учитель : “Итак, математическое ожидание не полностью характеризует случайную величину”

Ученик 1: “О как же так выходит я совсем пустяк”.

Ученик 2: “Да, ты право, правду говоришь”.

Ученик 1: “Но кто заменит вдруг меня, ведь моя формула, то всем нужна”.

Ученик 2: “Да, ты сначала про себя все вспомни”.

Ученик 1: “Без проблем, вот эти формулы, они известны всем. И если множество значений бесконечно, то ожидание находится как ряд, точнее его сумма:

А, если величина вдруг непрерывна, то рассмотреть имеем право мы предельный случай, и вот в итоге что получим:

Ученик 2: “Но это все смешно ведь ожидание не существует. Нет его!”.

Ученик 1: “Нет, ожидание существует, когда является абсолютно сходящимся и интеграл и сумма”.

Ученик 2: “И все же я твержу одно, нам ожидание не нужно”.

Ученик 1: “Ах как же так? Да это просто ”.

Учитель: “Стоп, стоп, закончим спор. Возьмите ручку и тетрадь, и в путь мы будем с вами спор решать. Но прежде чем начать, давайте вспомним лишь одно, чему отклонение от математического ожидания равно”.

Ученик 3: “О, это могу вспомнить я”.

Учитель: “Пожалуйста, вот мел, доска”.

Ученик 4: “Разность X – М(Х) называется отклонением случайной величины X от ее математического ожидания М(Х). Отклонение является случайной величиной. Так как математическое ожидание случайной величины -величина постоянная и математическое ожидание постоянной равно этой

постоянной, то М(Х – М(Х)) = М(Х) – М(М(Х)) = М (X) – М(Х) = 0. т, е, М(Х – М(Х)) =0.”.

Учитель: “Да, все верно, но друзья за меру рассеяния отклонения случайной величины от ее математического это принять нельзя. И из этого последует, что рассматривают модули или квадраты отклонений. А вот теперь послушайте определение: X случайной величины – дисперсия или рассеяние – это математическое ожидание квадрата ее отклонения. Обозначается как D(X), а формула имеет вид: D(X) = М((Х – М(Х)) 2). (1) Теперь давайте, определим, какой же знак величине присвоим мы?”.

Ученик 5: “Из свойств и определения математического ожидания можем получить, лишь одно, что как величина дисперсия неотрицательна D(X) > 0” (2).

Учитель: “Учитывая равенство один получим формулу для нахождения дисперсии: D(X) = М(Х 2) – (М(Х)) 2 . Которую быть может кто – нибудь докажет”.

Ученик 6: “Давайте я попробую. D(X)=M((X – М(Х)) 2) = М(Х 2 - 2ХМ(Х)+(М(Х)) 2)=М(Х 2) – 2М(ХМ(Х)+М((М(Х)) 2)=М(Х 2) – 2М(Х)М(Х)+(М(Х)) 2 =М(Х 2) – (М(Х)) 2 ”. (3)

Учитель: “Рассмотрим свойства случайной величины:

1. Дисперсия С – как постоянной величины равна нулю: D(C) - 0 (С – const). (4)

2. Постоянный множитель можно вынести за знак дисперсии, возведя его в квадрат: D(CX)=C 2 D(X). (5)

3. Дисперсия суммы двух независимых случайных величин равна сумме их дисперсий: D(X+Y) = D(X) + D(Y). (6)

4. Дисперсия разности двух независимых случайных величин равна сумме их дисперсий: D(X – Y) = D(X) + D(Y). (7)

Докажем эти свойства принимая во внимание свойства ожидания:

D(C) = М((С – М(С)) 2) = М((С – С 2)) = М(0) = 0. Первое свойство доказано оно означает, что постоянная величина не имеет рассеяния так как принимает одно и тоже значение.

А теперь докажем второе свойство: D(CX) – М((СХ – М(СХ)) 2) = М((СХ

СМ(Х)) 2) = М(С 2 (Х – М(Х)) 2) = С 2 М((Х – М(Х)) 2) = C 2 D(X).

Для доказательства третьего свойства используем формулу три:

D(X+Y) = M((X+Y) 2) – (M(X+Y)) 2 = M(X 2 +2XY+Y 2) – (M(X)+M(Y)) 2 = M(X 2)+M(2XY)+M(Y 2) – ((M(X)) 2 +2M(X)M(Y)+(M(Y)) 2) = M(X 2)+2M(X)M(Y)+M(Y 2) – (M(X)) 2 – 2M(X)M(Y) – (M(Y)) 2 = M(X 2) - (M(X)) 2 +M(Y 2) – (M(Y)) 2 = D(X) – D(Y).

Третье свойство распространяется на любое число попарно-независимых случайных величин.

Доказательство четвертого свойства следует из формул (5) и (6).

D(X – Y) = D(X +(- Y)) – D(X) +D(– Y)=D(X)+(-l) 2 D(Y) = D(X)+D(Y).

Если случайная величина является X является дискретной и задан ее закон распределения Р(Х=х k) = p k (k= 1,2,3,n).

Таким образом случайная величина (X - М(Х)) 2 имеет следующий закон распределения: (к=1,2,3,n), =l.

Исходя из определения математического ожидания, получаем формулу

Дисперсия непрерывной случайной величины X, все возможные значения корой принадлежат отрезку [а,Ь] , определяется формулой:

D(X)=(x-M(X)) 2 p(x)dx (8)

где р(х) – плотность распределения этой величины. Дисперсию можно вычислять по формуле:

Для учеников, имеющих оценку “4” и “5” необходимо дома доказать формулу (9).

3. Закрепление нового материала в виде тестовой работы.

1) Тестовая работа по теме “Дисперсия и ее свойства”.

1. Продолжить определение: дисперсия – это.

2. Выберите правильную формулу для расчета дисперсии:

а) D(X)=D(X) 2 – (D(X)) 2 ;
б) D(X)=M(X – D(X 2));
в)D(X)=M((X-M(X)) 2);
г) D(X)=M(X) 2 – (M(X)) 2 ;

3. Определите какой знак принимает дисперсия:

а) D(X)>0;
б) D(X)<0;
в)D(X)>1;
г) D(X)>0;

4. Чему равна дисперсия постоянной величины:
a)D(X)=l;
б) D(X)=0;
в) D(X)=2;
r)D(X)=-l;

5. Выберите из перечисленных те свойства, которые на самом деле соответствуют дисперсии:

а) D(CX)=CD(X);
б) D(CX)=C 2 D(X);
в) D(X+Y)=D(X)+D(Y);
г) D(X-Y)=D(X) – D(Y);

6. Какое из свойств дисперсии можно применить для любого числа попарно-независимых случайных величин:

а) первое;
б) второе;
в) третье;
г) четвертое;

7. Каким термином еще называют дисперсию:

а) рассеянием;
б) разбросом;
в) перемещением;
г) распределением;

8. Если случайная величина X является дискретной и задан ее закон распределения Р(Х=х к)=р к. Определите в каких пределах изменяется величина к:

а) к=1,2,3 ;
б) к=1,2,3, ;
в) к=1,2,3 n;
г) к=п, ;

9. Выберите какое из четырех свойств дисперсии присуще математическому ожиданию:

а) ЩС)=0;
б) D(CX)=C 2 D(X);
в) D(X+Y)=D(X)+D(Y);
г) D(X-Y)=D(X)+D(Y);

10. Какому отрезку принадлежат все возможные значения дисперсии:

а) {а,b};
б) ;
в) [-1,1];
г) [а,b].

4. Домашнее задание: выучить определение и свойства дисперсии. Решить задачу №14. Зная, что

Найти математическое ожидание и = 2 +3, и дисперсию случайной величины и