Математическое ожидание есть. Характеристики случайной дискретной величины среднее значение случайной величины

Случайные величины помимо законов распределения могут описываться также числовыми характеристиками .

Математическим ожиданием М (x) случайной величины называется ее среднее значение.

Математическое ожидание дискретной случайной величины вычисляется по формуле

где – значения случайной величины, р i - ихвероятности.

Рассмотрим свойства математического ожидания:

1. Математическое ожидание константы равно самой константе

2. Если случайную величину умножить на некоторое число k, то и математическое ожидание умножится на это же число

М (kx) = kМ (x)

3. Математическое ожидание суммы случайных величин равно сумме их математических ожиданий

М (x 1 + x 2 + … + x n) = М (x 1) + М (x 2) +…+ М (x n)

4. М (x 1 - x 2) = М (x 1) - М (x 2)

5. Для независимых случайных величин x 1 , x 2 , … x n математическое ожидание произведения равно произведению их математических ожиданий

М (x 1 , x 2 , … x n) = М (x 1) М (x 2) … М (x n)

6. М (x - М (x)) = М (x) - М (М(x)) = М (x) - М (x) = 0

Вычислим математическое ожидание для случайной величины из Примера 11.

М (x) = = .

Пример 12. Пусть случайные величины x 1 , x 2 заданы соответственно законами распределения:

x 1 Таблица 2

x 2 Таблица 3

Вычислим М (x 1) и М (x 2)

М (x 1) = (- 0,1) 0,1 + (- 0,01) 0,2 + 0 · 0,4 + 0,01 · 0,2 + 0,1 · 0,1 = 0

М (x 2) = (- 20) 0,3 + (- 10) 0,1 + 0 · 0,2 + 10 · 0,1 + 20 · 0,3 = 0

Математические ожидания обеих случайных величин одинаковы- они равны нулю. Однако характер их распределения различный. Если значения x 1 мало отличаются от своего математического ожидания, то значения x 2 в большой степени отличаются от своего математического ожидания, и вероятности таких отклонений не малы. Эти примеры показывают, что по среднему значению нельзя определить, какие отклонения от него имеют место как в меньшую, так и в большую сторону. Так при одинаковой средней величине выпадающих в двух местностях осадков за год нельзя сказать, что эти местности одинаково благоприятны для сельскохозяйственных работ. Аналогично по показателю средней заработной платы не возможно судить об удельном весе высоко- и низкооплачиваемых работниках. Поэтому, вводится числовая характеристика – дисперсия D (x) , которая характеризует степень отклонения случайной величины от своего среднего значения:

D (x) = M (x - M (x)) 2 . (2)

Дисперсия –это математическое ожидание квадрата отклонения случайной величины от математического ожидания. Для дискретной случайной величины дисперсия вычисляется по формуле:

D (x) = = (3)

Из определения дисперсии следует, что D (x) 0.

Свойства дисперсии:

1. Дисперсия константы равна нулю

2. Если случайную величину умножить на некоторое число k , то дисперсия умножится на квадрат этого числа

D (kx) = k 2 D (x)

3. D (x) = М (x 2) – М 2 (x)

4. Для попарно независимых случайных величин x 1 , x 2 , … x n дисперсия суммы равна сумме дисперсий.

D (x 1 + x 2 + … + x n) = D (x 1) + D (x 2) +…+ D (x n)

Вычислим дисперсию для случайной величины из Примера 11.

Математическое ожидание М (x) = 1. Поэтому по формуле (3) имеем:

D (x) = (0 – 1) 2 ·1/4 + (1 – 1) 2 ·1/2 + (2 – 1) 2 ·1/4 =1·1/4 +1·1/4= 1/2

Отметим, что дисперсию вычислять проще, если воспользоваться свойством 3:

D (x) = М (x 2) – М 2 (x).

Вычислим дисперсии для случайных величин x 1 , x 2 из Примера 12 по этой формуле. Математические ожидания обеих случайных величин равны нулю.

D (x 1) = 0,01· 0,1 + 0,0001· 0,2 + 0,0001· 0,2 + 0,01· 0,1 = 0,001 + 0,00002 + 0,00002 + 0,001 = 0,00204

D (x 2) = (-20) 2 · 0,3 + (-10) 2 · 0,1 + 10 2 · 0,1 + 20 2 · 0,3 = 240 +20 = 260

Чем ближе значение дисперсии к нулю, тем меньше разброс случайной величины относительно среднего значения.

Величина называется среднеквадратическим отклонением . Модой случайной величины x дискретного типа Md называется такое значение случайной величины, которому соответствует наибольшая вероятность.

Модой случайной величины x непрерывного типа Md , называется действительное число, определяемое как точка максимума плотности распределения вероятностей f(x).

Медианой случайной величины x непрерывного типа Mn называется действительное число, удовлетворяющее уравнению

Оказывается, что целый ряд практических задач можно решить с помощью немногих характеристик распределения, а знание точной функции распределения случайной величины оказывается необязательным. К таким определяющим характеристикам случайной величины относятся, например, ее среднее и среднее квадратичное значения, а также среднее квадратичное отклонение.

Находить средние значения случайных величин можно из опыта, а также зная функции распределения случайных величин. Рассмотрим, как находить эти средние значения в различных случаях.

Пусть случайная величина может принимать: значения с вероятностью или это значение выпадает раз из

значение с вероятностью или это значение выпадает раз из наконец,

значение с вероятностью или это значение выпадает раз из

Тогда сумма значений случайной величины при испытаниях будет:

Чтобы найти среднее значение случайной величины т. е. значение, приходящееся на одно испытание, нужно сумму разделить на полное число испытаний:

Если мы имеем некоторую среднюю величину найденную по формуле (2.11), то, вообще говоря, при различных значениях полного числа испытаний значения средней величины также будут различными, так как рассматриваемые величины носят случайный характер. Однако при увеличении числа среднее значение данной величины будет стремиться к определенному пределу а. И чем больше будет число испытаний, тем ближе определенное по формуле (2.11), будет приближаться к этому предельному значению:

Последнее равенство представляет собой так называемый закон больших чисел или теорему Чебышева: среднее значение случайной величины будет стремиться к постоянному числу при очень большом числе измерений.

Итак, среднее значение случайной величины равна сумме произведений случайной величины на вероятность ее появления.

Если случайная величина меняется непрерывно, то ее среднее значение можно найти с помощью интегрирования:

Средние величины обладают рядом важных свойств:

1) среднее значение постоянной величины равно самой постоянной величине т. е.

2) среднее значение некоторой случайной величины есть величина постоянная, т. е.

3) среднее значение суммы нескольких случайных величин равно сумме средних значений этих величин, т. е.

4) среднее значение произведения двух взаимно независимых случайных величин равно произведению средних значений каждой из них, т. е.

Распространяя это правило на большее число независимых величин, имеем:

Иногда по тем или иным причинам знание среднего значения случайной величины оказывается недостаточным. В таких случаях ищется не просто среднее значение случайной величины, а среднее значение квадрата этой величины (квадратичное). При этом имеют место аналогичные формулы:

для дискретных значений и

в случае непрерывного изменения случайной величины.

Среднее квадратичное значение случайной величины оказывается всегда положительным и не обращается в нуль.

Часто приходится интересоваться не только средними значениями самой случайной величины, но и с редними значениями некоторых функций от случайной величины.

Например, имея распределение молекул по скоростям, мы можем найти среднюю скорость. Но также нас может интересовать средняя кинетическая энергия теплового движения, являющаяся квадратичной функцией скорости. В таких случаях можно воспользоваться следующими общими формулами, определяющими среднее значение произвольной функции случайной величины для случая дискретного распределения

для случая непрерывного распределения

Для нахождения средних значений случайной величины или функции от случайной величины с помощью ненормированной функции распределения пользуются формулами:

Здесь везде интегрирование производится по всей области возможных значений случайной величины

Отклонение от средних. В ряде случаев знание среднего и среднего квадратичного значения случайной величины оказывается недостаточным для характеристики случайной величины. Интерес представляет также распределение случайной величины около своего среднего значения. Для этого исследуется отклонение случайной величины от среднего значения.

Однако, если мы возьмем среднее отклонение случайной величины от ее среднего значения т. е. среднее значение чисел:

то получим, как в случае дискретного, так и в случае непрерывного распределения, нуль. Действительно,

Иногда можно находить среднее значение модулей отклонений случайной величины от среднего значения, т. е. величину:

Однако вычисления с абсолютными значениями часто сложны, а иногда и невозможны.

Поэтому гораздо чаще для характеристики распределения случайной величины около своего среднего значения используют так называемое среднее квадратичное отклонение или средний квадрат отклонения. Средний квадрат отклонения иначе называют дисперсией случайной величины. Дисперсия определяется по формулам:

которые преобразуются к одному виду (см. задачи 5, 9).

где величина представляет квадрат отклонения случайной величины от ее среднего значения.

Квадратный корень из дисперсии случайной величины называется средним квадратичным отклонением случайной величины, а для физических величин - флуктуацией:

Иногда вводится относительная флуктуация, определяемая по формуле

Таким образом, зная закон распределения случайной величины, можно определить все интересующие нас характеристики случайной величины: среднее значение, среднее квадратичное, среднее значение произвольной функции от случайной величины, средний квадрат отклонения или дисперсию и флуктуацию случайной величины.

Поэтому одной из основных задач статистической физики является отыскание законов и функций распределения тех или иных физических случайных величин и параметров в различных физических системах.

Пусть для случайной величины x возможные значения:

X1, x2, …, xk.

Измерения проводятся N раз, результат x i наблюдается N i раз, тогда

Среднее значение

(сумма результатов измерений)/(число всех измерений) =
.

При
с учетом (1.1)

получаем

. (1.5)

Для функции случайной величины

. (1.5а)

Среднее значение величины равно сумме произведений ее значений на вероятности этих значений .

При
получаем
и (1.5а) дает нормировку вероятностей

. (1.6)

Свойства среднего

Для постоянной
и независимых случайных величинx и y выполняется:

– постоянный множитель выносится из под знака усреднения;

– среднее от суммы/разности равно сумме/разности средних;

– среднее от произведения независимых величин равно произведению их средних.

Доказательство свойства 1

Из определения среднего (1.5а)

получаем

Доказательство свойства 2

Функция
, описывающая распределение вероятности дляслучайной величины x , одинакова для функций
и
, тогда из определения среднего (1.5а)

;

Доказательство свойства 3

Используем определение среднего и функцию распределения
независимых случайных величин x и y . Согласно теореме о независимых событиях их вероятности перемножаются

Тогда получаем

Основные определения

Отклонение от среднего случайной величины

Среднее отклонение от среднего случайной величины равно нулю

Среднее квадратичное величины

. (1.7)

Для средних значений случайных величин x и y выполняется неравенство Коши–Буняковского–Шварца

. (1.7а)

Из (1.7а) при
находим

. (1.7б)

Среднее квадратичное больше или равно квадрату среднего.

Дисперсия – среднее квадратичное отклонение от среднего

Из (1.7б) получаем
.

Флуктуация – корень квадратный из дисперсии

Относительная флуктуация

. (1.10)

Если x случайным образом изменяется с течением времени, то относительная флуктуация показывает долю времени, в течение которой система находится в состоянии с
.

Теорема: Относительная флуктуация аддитивной величины, характеризующей систему, уменьшается обратно пропорционально корню квадратному из числа независимых подсистем и для макроскопической системы она мала . Примером аддитивной величины (от лат. additivus – «прибавляемый») является энергия. Флуктуация энергии для макросистемы ничтожно мала, для микросистемы она существенна.

Доказательство

Аддитивная величина X для системы равна сумме значений x k для N независимых подсистем

По свойству 2 усреднения – среднее от суммы равно сумме средних

– пропорциональна числу подсистем.

Отклонение от среднего

дисперсия

При возведении в квадрат
и усреднении результата для перекрестных произведений учтено свойство 3 усреднения –среднее от произведения независимых величин равно произведению их средних

,
,

и использовано, что среднее отклонение от среднего равно нулю

Не равными нулю остаются квадраты величин. В результате флуктуация

Относительная флуктуация

(П.1.11)

уменьшается обратно пропорционально корню квадратному из числа независимых подсистем.

Производящая функция . Имеется случайная величина n , которая принимает дискретные значения в интервале
. Вероятность получения результатаn равна
. Определяем производящую функцию

. (П.1.14)

Если известна производящая функция, то распределение вероятности получаем из (П.1.14)

, (П.1.15)

где использовано

Условие нормировки (1.6)

требует выполнения

. (П.1.16)

Для получения средних значений случайной величины дифференцируем (П.1.14)

и находим

. (П.1.17)

Двукратное дифференцирование (П.1.14)

. (П.1.18)

Теорема о произведении производящих функций . Если происходят два независимых вида событий, которые описываются распределениями вероятностей с производящими функциями
и
, то распределение для суммы событий выражается произведением их производящих функций

Функция распределения содержит полную информацию о случайной величине. На практике функцию распределения не всегда можно установить; иногда такого исчерпывающего знания и не требуется. Частичную информацию о случайной величине дают числовые характеристики, которые в зависимости от рода информации делятся на следующие группы.
1. Характеристики положения случайной величины на числовой оси (мода Мo , медиана Мe , математическое ожидание М(Х )).
2. Характеристики разброса случайной величины около среднего значения (дисперсия D(X ), среднее квадратическое отклонение σ(х )).
3. Характеристики формы кривой y = φ(x ) (асимметрия As , эксцесс Ех ).
Рассмотрим подробнее каждую из указанных характеристик.
Математическое ожидание случайной величины Х указывает некоторое среднее значение, около которого группируются все возможные значения Х . Для дискретной случайной величины, которая может принимать лишь конечное число возможных значений, математическим ожиданием называют сумму произведений всех возможных значений случайной величины на вероятность этих значений:
. (2.4)
Для непрерывной случайной величины Х , имеющей заданную плотность распределения φ(x ) математическим ожиданием называется следующий интеграл:
. (2.5)
Здесь предполагается, что несобственный интеграл сходится абсолютно, т.е. существует.
Свойства математического ожидания:
1. М(С ) = C , где С = const ;
2. M(C ∙Х) = С ∙М(Х );
3. М(Х ± Y) = М(Х ) ± М(Y ), где X и Y – любые случайные величины;
4. М(Х ∙Y )=М(Х )∙М(Y ), где X и Y – независимые случайные величины.
Две случайные величины называются независимыми , если закон распределения одной из них не зависит от того, какие возможные значения приняла другая величина.
Модой дискретной случайной величины, обозначаемой Мо , называется ее наиболее вероятное значение (рис. 2.3), а модой непрерывной случайной величины – значение, при котором плотность вероятности максимальна (рис. 2.4).

Рис. 2.3 Рис. 2.4
Медианой непрерывной случайной величины Х называется такое ее значение Ме, для которого одинаково вероятно, окажется ли случайная величина меньше или больше Ме , т.е.
Р(Х < Ме) = Р(X > Ме )
Из определения медианы следует, что Р(Х <Ме ) = 0,5, т.е. F (Ме ) = 0,5. Геометрически медиану можно истолковывать как абсциссу, в которой ордината φ(x ) делит пополам площадь, ограниченную кривой распределения (рис. 2.5). В случае симметричного распределения медиана совпадает с модой и математическим ожиданием (рис. 2.6).

Рис. 2.5 Рис. 2.6

Дисперсия.

Диспе́рсия случа́йной величины́ - мера разброса данной случайной величины, то есть её отклонения от математического ожидания. Обозначается D [X ] в русской литературе и (англ. variance ) в зарубежной. В статистике часто употребляется обозначение или . Квадратный корень из дисперсии, равный , называется среднеквадрати́чным 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.

Из неравенства Чебышёва следует, что случайная величина удаляется от её математического ожидания на более чем k стандартных отклонений с вероятностью менее 1/k ². Так, например, как минимум в 75 % случаев случайная величина удалена от её среднего не более чем на два стандартных отклонения, а в примерно 89 % - не более чем на три.

Дисперсией случайной величины называется математическое ожидание квадрата ее отклонения от математического ожидания
D(X ) = M(X –М(Х )) 2 .
Дисперсию случайной величины Х удобно вычислять по формуле:
а) для дискретной величины
; (2.6)
б) для непрерывной случайной величины
j(х )dx – 2 . (2.7)
Дисперсия обладает следующими свойствами:
1. D(C ) = 0, где С = const ;
2. D(C ×X ) = C 2 ∙D(X );
3. D (X ±Y ) = D (X ) + D (Y ), если X и Y независимые случайные величины.
Средним квадратическим отклонением случайной величины Х называется арифметический корень из дисперсии, т.е.
σ(X ) = .
Заметим, что размерность σ(х ) совпадает с размерностью самой случайной величины Х , поэтому среднее квадратическое отклонение более удобно для характеристики рассеяния.
Обобщением основных числовых характеристик случайных величин является понятие моментов случайной величины.
Начальным моментом k-го порядка α k случайной величины Х называется математическое ожидание величины Х k , т.е. α k = М(Х k ).
Начальный момент первого порядка – это математическое ожидание случайной величины.
Центральным моментом k-го порядка μ k случайной величины Х называется математическое ожидание величины (Х –М(Х )) k , т.е. μ k = М(Х –М(Х )) k .
Центральный момент второго порядка – это дисперсия случайной величины.
Для дискретной случайной величины начальный момент выражается суммой α k = , а центральный – суммой μ k = где р i = p(X = x i ). Для начального и центрального моментов непрерывной случайной величины можно получить следующие равенства:
α k = , μ k = ,
где φ(x ) – плотность распределения случайной величины Х.
Величина As = μ 3 / σ 3 называется коэффициентом асимметрии .
Если коэффициент асимметрии отрицательный, то это говорит о большом влиянии на величину m 3 отрицательных отклонений. В этом случае кривая распределения (рис.2.7) более полога слева от М(Х ). Если коэффициент As положительный, а значит, преобладает влияние положительных отклонений, то кривая распределения (рис.2.7) более полога справа. Практически определяют знак асимметрии по расположению кривой распределения относительно моды (точки максимума дифференциальной функции).

Рис. 2.7
Эксцессом Еk называется величина
Еk = μ 4 / σ 4 – 3.

Вопрос 24. Корреляция

Корреля́ция (корреляционная зависимость ) - статистическая взаимосвязь двух или нескольких случайных величин (либо величин, которые можно с некоторой допустимой степенью точности считать таковыми). При этом изменения значений одной или нескольких из этих величин сопутствуют систематическому изменению значений другой или других величин. Математической мерой корреляции двух случайных величин служит корреляционное отношение , либо коэффициент корреляции (или ) . В случае, если изменение одной случайной величины не ведёт к закономерному изменению другой случайной величины, но приводит к изменению другой статистической характеристики данной случайной величины, то подобная связь не считается корреляционной, хотя и является статистической .

Впервые в научный оборот термин «корреляция» ввёл французский палеонтолог Жорж Кювье в XVIII веке. Он разработал «закон корреляции» частей и органов живых существ, с помощью которого можно восстановить облик ископаемого животного, имея в распоряжении лишь часть его останков. В статистике слово «корреляция» первым стал использовать английский биолог и статистик Фрэнсис Гальтон в конце XIX века.

Некоторые виды коэффициентов корреляции могут быть положительными или отрицательными (возможна также ситуация отсутствия статистической взаимосвязи - например, для независимых случайных величин). Если предполагается, что на значениях переменных задано отношение строгого порядка, то отрицательная корреляция - корреляция, при которой увеличение одной переменной связано с уменьшением другой переменной, при этом коэффициент корреляции может быть отрицательным; положительная корреляция в таких условиях - корреляция, при которой увеличение одной переменной связано с увеличением другой переменной, при этом коэффициент корреляции может быть положительным.

Теория вероятности - особый раздел математики, который изучают только студенты высших учебных заведений. Вы любите расчёты и формулы? Вас не пугают перспективы знакомства с нормальным распределением, энтропией ансамбля, математическим ожиданием и дисперсией дискретной случайной величины? Тогда этот предмет вам будет очень интересен. Давайте познакомимся с несколькими важнейшими базовыми понятиями этого раздела науки.

Вспомним основы

Даже если вы помните самые простые понятия теории вероятности, не пренебрегайте первыми абзацами статьи. Дело в том, что без четкого понимания основ вы не сможете работать с формулами, рассматриваемыми далее.

Итак, происходит некоторое случайное событие, некий эксперимент. В результате производимых действий мы можем получить несколько исходов - одни из них встречаются чаще, другие - реже. Вероятность события - это отношение количества реально полученных исходов одного типа к общему числу возможных. Только зная классическое определение данного понятия, вы сможете приступить к изучению математического ожидания и дисперсии непрерывных случайных величин.

Среднее арифметическое

Ещё в школе на уроках математики вы начинали работать со средним арифметическим. Это понятие широко используется в теории вероятности, и потому его нельзя обойти стороной. Главным для нас на данный момент является то, что мы столкнемся с ним в формулах математического ожидания и дисперсии случайной величины.

Мы имеем последовательность чисел и хотим найти среднее арифметическое. Всё, что от нас требуется - просуммировать всё имеющееся и разделить на количество элементов в последовательности. Пусть мы имеем числа от 1 до 9. Сумма элементов будет равна 45, и это значение мы разделим на 9. Ответ: - 5.

Дисперсия

Говоря научным языком, дисперсия - это средний квадрат отклонений полученных значений признака от среднего арифметического. Обозначается одна заглавной латинской буквой D. Что нужно, чтобы её рассчитать? Для каждого элемента последовательности посчитаем разность между имеющимся числом и средним арифметическим и возведем в квадрат. Значений получится ровно столько, сколько может быть исходов у рассматриваемого нами события. Далее мы суммируем всё полученное и делим на количество элементов в последовательности. Если у нас возможны пять исходов, то делим на пять.

У дисперсии есть и свойства, которые нужно запомнить, чтобы применять при решении задач. Например, при увеличении случайной величины в X раз, дисперсия увеличивается в X в квадрате раз (т. е. X*X). Она никогда не бывает меньше нуля и не зависит от сдвига значений на равное значение в большую или меньшую сторону. Кроме того, для независимых испытаний дисперсия суммы равна сумме дисперсий.

Теперь нам обязательно нужно рассмотреть примеры дисперсии дискретной случайной величины и математического ожидания.

Предположим, что мы провели 21 эксперимент и получили 7 различных исходов. Каждый из них мы наблюдали, соответственно, 1,2,2,3,4,4 и 5 раз. Чему будет равна дисперсия?

Сначала посчитаем среднее арифметическое: сумма элементов, разумеется, равна 21. Делим её на 7, получая 3. Теперь из каждого числа исходной последовательности вычтем 3, каждое значение возведем в квадрат, а результаты сложим вместе. Получится 12. Теперь нам остается разделить число на количество элементов, и, казалось бы, всё. Но есть загвоздка! Давайте её обсудим.

Зависимость от количества экспериментов

Оказывается, при расчёте дисперсии в знаменателе может стоять одно из двух чисел: либо N, либо N-1. Здесь N - это число проведенных экспериментов или число элементов в последовательности (что, по сути, одно и то же). От чего это зависит?

Если количество испытаний измеряется сотнями, то мы должны ставить в знаменатель N. Если единицами, то N-1. Границу ученые решили провести достаточно символически: на сегодняшний день она проходит по цифре 30. Если экспериментов мы провели менее 30, то делить сумму будем на N-1, а если более - то на N.

Задача

Давайте вернемся к нашему примеру решения задачи на дисперсию и математическое ожидание. Мы получили промежуточное число 12, которое нужно было разделить на N или N-1. Поскольку экспериментов мы провели 21, что меньше 30, выберем второй вариант. Итак, ответ: дисперсия равна 12 / 2 = 2.

Математическое ожидание

Перейдем ко второму понятию, которое мы обязательно должны рассмотреть данной статье. Математическое ожидание - это результат сложения всех возможных исходов, помноженных на соответствующие вероятности. Важно понимать, что полученное значение, как и результат расчёта дисперсии, получается всего один раз для целой задачи, сколько бы исходов в ней не рассматривалось.

Формула математического ожидания достаточно проста: берем исход, умножаем на его вероятность, прибавляем то же самое для второго, третьего результата и т. д. Всё, связанное с этим понятием, рассчитывается несложно. Например, сумма матожиданий равна матожиданию суммы. Для произведения актуально то же самое. Такие простые операции позволяет с собой выполнять далеко не каждая величина в теории вероятности. Давайте возьмем задачу и посчитаем значение сразу двух изученных нами понятий. Кроме того, мы отвлекались на теорию - пришло время попрактиковаться.

Ещё один пример

Мы провели 50 испытаний и получили 10 видов исходов - цифры от 0 до 9 - появляющихся в различном процентном отношении. Это, соответственно: 2%, 10%, 4%, 14%, 2%,18%, 6%, 16%, 10%, 18%. Напомним, что для получения вероятностей требуется разделить значения в процентах на 100. Таким образом, получим 0,02; 0,1 и т.д. Представим для дисперсии случайной величины и математического ожидания пример решения задачи.

Среднее арифметическое рассчитаем по формуле, которую помним с младшей школы: 50/10 = 5.

Теперь переведем вероятности в количество исходов «в штуках», чтобы было удобнее считать. Получим 1, 5, 2, 7, 1, 9, 3, 8, 5 и 9. Из каждого полученного значения вычтем среднее арифметическое, после чего каждый из полученных результатов возведем в квадрат. Посмотрите, как это сделать, на примере первого элемента: 1 - 5 = (-4). Далее: (-4) * (-4) = 16. Для остальных значений проделайте эти операции самостоятельно. Если вы всё сделали правильно, то после сложения всех вы получите 90.

Продолжим расчёт дисперсии и математического ожидания, разделив 90 на N. Почему мы выбираем N, а не N-1? Правильно, потому что количество проведенных экспериментов превышает 30. Итак: 90/10 = 9. Дисперсию мы получили. Если у вас вышло другое число, не отчаивайтесь. Скорее всего, вы допустили банальную ошибку при расчётах. Перепроверьте написанное, и наверняка всё встанет на свои места.

Наконец, вспомним формулу математического ожидания. Не будем приводить всех расчётов, напишем лишь ответ, с которым вы сможете свериться, закончив все требуемые процедуры. Матожидание будет равно 5,48. Напомним лишь, как осуществлять операции, на примере первых элементов: 0*0,02 + 1*0,1… и так далее. Как видите, мы просто умножаем значение исхода на его вероятность.

Отклонение

Ещё одно понятие, тесно связанное с дисперсией и математическим ожиданием - среднее квадратичное отклонение. Обозначается оно либо латинскими буквами sd, либо греческой строчной «сигмой». Данное понятие показывает, насколько в среднем отклоняются значения от центрального признака. Чтобы найти её значение, требуется рассчитать квадратный корень из дисперсии.

Если вы построите график нормального распределения и захотите увидеть непосредственно на нём квадратичного отклонения, это можно сделать в несколько этапов. Возьмите половину изображения слева или справа от моды (центрального значения), проведите перпендикуляр к горизонтальной оси так, чтобы площади получившихся фигур были равны. Величина отрезка между серединой распределения и получившейся проекцией на горизонтальную ось и будет представлять собой среднее квадратичное отклонение.

Программное обеспечение

Как видно из описаний формул и представленных примеров, расчеты дисперсии и математического ожидания - не самая простая процедура с арифметической точки зрения. Чтобы не тратить время, имеет смысл воспользоваться программой, используемой в высших учебных заведениях - она называется «R». В ней есть функции, позволяющие рассчитывать значения для многих понятий из статистики и теории вероятности.

Например, вы задаете вектор значений. Делается это следующим образом: vector <-c(1,5,2…). Теперь, когда вам потребуется посчитать какие-либо значения для этого вектора, вы пишете функцию и задаете его в качестве аргумента. Для нахождения дисперсии вам нужно будет использовать функцию var. Пример её использования: var(vector). Далее вы просто нажимаете «ввод» и получаете результат.

В заключение

Дисперсия и математическое ожидание - это без которых сложно в дальнейшем что-либо рассчитать. В основном курсе лекций в вузах они рассматриваются уже в первые месяцы изучения предмета. Именно из-за непонимания этих простейших понятий и неумения их рассчитать многие студенты сразу начинают отставать по программе и позже получают плохие отметки по результатам сессии, что лишает их стипендии.

Потренируйтесь хотя бы одну неделю по полчаса в день, решая задания, схожие с представленными в данной статье. Тогда на любой контрольной по теории вероятности вы справитесь с примерами без посторонних подсказок и шпаргалок.