теория по терверу (Лекции DOC), страница 4

Тогда ряд распределения для XY выглядит так:

Следовательно, M(XY) = x₁y₁·p₁g₁ + x₂y₁·p₂g₁ + x₁y₂·p₁g₂ + x₂y₂·p₂g₂ = y₁g₁(x₁p₁ + x₂p₂) + + y₂g₂(x₁p₁ + x₂p₂) = (y₁g₁ + y₂g₂) (x₁p₁ + x₂p₂) = M(X)·M(Y).

Замечание 1. Аналогично можно доказать это свойство для большего количества возможных значений сомножителей.

Замечание 2. Свойство 3 справедливо для произведения любого числа независимых случайных величин, что доказывается методом математической индукции.

Определение 7.4. Определим сумму случайных величин Х и Y как случайную величину Х + Y, возможные значения которой равны суммам каждого возможного значения Х с каждым возможным значением Y; вероятности таких сумм равны произведениям вероятностей слагаемых (для зависимых случайных величин – произведениям вероятности одного слагаемого на условную вероятность второго).

4) Математическое ожидание суммы двух случайных величин ( зависимых или незави-симых ) равно сумме математических ожиданий слагаемых:

M (X + Y) = M (X) + M (Y). (7.5)

Доказательство.

Вновь рассмотрим случайные величины, заданные рядами распределения, приведен-ными при доказательстве свойства 3. Тогда возможными значениями X + Y являются х₁ + у₁, х₁ + у₂, х₂ + у₁, х₂ + у₂. Обозначим их вероятности соответственно как р₁₁, р₁₂, р₂₁ и р₂₂. Найдем М( Х +Y ) = (x₁ + y₁)p₁₁ + (x₁ + y₂)p₁₂ + (x₂ + y₁)p₂₁ + (x₂ + y₂)p₂₂ =

= x₁(p₁₁ + p₁₂) + x₂(p₂₁ + p₂₂) + y₁(p₁₁ + p₂₁) + y₂(p₁₂ + p₂₂).

Докажем, что р₁₁ + р₂₂ = р₁. Действительно, событие, состоящее в том, что X + Y примет значения х₁ + у₁ или х₁ + у₂ и вероятность которого равна р₁₁ + р₂₂, совпадает с событием, заключающемся в том, что Х = х₁ (его вероятность – р₁). Аналогично дока-зывается, что p₂₁ + p₂₂ = р₂, p₁₁ + p₂₁ = g₁, p₁₂ + p₂₂ = g₂. Значит,

M(X + Y) = x₁p₁ + x₂p₂ + y₁g₁ + y₂g₂ = M (X) + M (Y).

Замечание. Из свойства 4 следует, что сумма любого числа случайных величин равна сумме математических ожиданий слагаемых.

Пример. Найти математическое ожидание суммы числа очков, выпавших при броске пяти игральных костей.

Найдем математическое ожидание числа очков, выпавших при броске одной кости:

М(Х₁) = (1 + 2 + 3 + 4 + 5 + 6) Тому же числу равно математическое ожидание числа очков, выпавших на любой кости. Следовательно, по свойству 4 М(Х)=

Свойства дисперсии.

1. Дисперсия постоянной величины С равна нулю:

D (C) = 0. (7.8)

Доказательство. D(C) = M((C – M(C))²) = M((C – C)²) = M(0) = 0.

1. Постоянный множитель можно выносить за знак дисперсии, возведя его в квадрат:

D(CX) = C²D(X). (7.9)

Доказательство. D(CX) = M((CX – M(CX))²) = M((CX – CM(X))²) = M(C²(X – M(X))²) =

= C²D(X).

1. Дисперсия суммы двух независимых случайных величин равна сумме их дисперсий:

D(X + Y) = D(X) + D(Y). (7.10)

Доказательство. D(X + Y) = M(X² + 2XY + Y²) – (M(X) + M(Y))² = M(X²) + 2M(X)M(Y) +

+ M(Y²) – M²(X) – 2M(X)M(Y) – M²(Y) = (M(X²) – M²(X)) + (M(Y²) – M²(Y)) = D(X) + D(Y).

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

Следствие 2. Дисперсия суммы постоянной и случайной величин равна дисперсии случайной величины.

1. Дисперсия разности двух независимых случайных величин равна сумме их дисперсий:

D(X – Y) = D(X) + D(Y). (7.11)

Доказательство. D(X – Y) = D(X) + D(-Y) = D(X) + (-1)²D(Y) = D(X) + D(X).

Дисперсия дает среднее значение квадрата отклонения случайной величины от среднего; для оценки самого отклонения служит величина, называемая средним квадратическим отклонением.

Определение 9.2. Центральным моментом порядка k случайной величины Х называется мате-матическое ожидание величины (Х – М(Х))^k:

μ_k = M((Х – М(Х))^k). (9.2)

В частности, μ₁ = M(Х – М(Х)) = 0, μ₂ = M((Х – М(Х))²) = D(X).

Можно получить соотношения, связывающие начальные и центральные моменты:

Определение 9.3. Модой М дискретной случайной величины называется ее наиболее вероятное значение, модой М непрерывной случайной величины – значение, в котором плотность вероятности максимальна.

Пример 1.

Если ряд распределения дискретной случайной величины Х имеет вид:

то М = 2.

Пример 2.

Для непрерывной случайной величины, заданной плотностью распределения , модой является абсцисса точки максимума: М = 0.

Определение 9.4. Медианой Ме непрерывной случайной величины называют такое ее значение, для которого

p( X < Me ) = p( X > Me ). (9.3)

Графически прямая х = Ме делит площадь фигуры, ограниченной кривой распределения, на две равные части.

Замечание. Для симметричного модального распределения медиана совпадает с математичес-ким ожиданием и модой.

Определение 9.5. Для случайной величины Х с функцией распределения F(X) квантилью порядка р (0 < p < 1) называется число К_р такое, что F(K_p) ≤ p, F(K_p + 0) ≥ p. В частности, если F(X) строго монотонна, К_р: F(K_p) = p.

Вопрос№9

Схема повторения испытаний. Формула Бернулли.

Рассмотрим серию из п испытаний, в каждом из которых событие А появляется с одной и той же вероятностью р, причем результат каждого испытания не зависит от результатов остальных. Подобная постановка задачи называется схемой повторения испытаний. Найдем вероятность того, что в такой серии событие А произойдет ровно к раз (неважно, в какой последовательности). Интересующее нас событие представляет собой сумму равно-вероятных несовместных событий, заключающихся в том, что А произошло в некоторых к испытаниях и не произошло в остальных п – к испытаниях. Число таких событий равно числу сочетаний из п по к, то есть , а вероятность каждого из них: p^kq^n-k, где q = 1 – p – вероятность того, что в данном опыте А не произошло. Применяя теорему сложения для несовместных событий, получим формулу Бернулли:

. (3.3)

Пример. Для получения приза нужно собрать 5 изделий с особым знаком на этикетке. Найти вероятность того, что придется купить 10 изделий, если этикетки с этим знаком имеют 5% изделий.

Решение. Из постановки задачи следует, что последнее купленное изделие имеет особый знак. Следовательно, из предыдущих девяти эти знаки имели 4 изделия. Найдем вероят-ность этого по формуле Бернулли: Тогда

р = 0,0006092·0,05 = 0,0000304.

Определение 1.5. Говорят, что события А₁, А₂,…,А_п образуют полную группу, если в результате опыта обязательно произойдет хотя бы одно из событий этой группы.

Замечание. В частности, если события, образующие полную группу, попарно несовмест-ны, то в результате опыта произойдет одно и только одно из них. Такие события называют элементарными событиями

Вопрос№10

Приближение Пуассона для схемы Бернулли.

Формула Бернулли требует громоздких расчетов при большом количестве испытаний. Можно получить более удобную для расчетов приближенную формулу, если при большом числе испытаний вероятность появления А в одном опыте мала, а произведение пр = λ сохраняет постоянное значение для разных серий опытов ( то есть среднее число появле-ний события А в разных сериях испытаний остается неизменным). Применим формулу Бернулли:

Найдем предел полученного выражения при

Таким образом, формула Пуассона -

позволяет найти вероятность к появлений события А для массовых (п велико) и редких (р мало) событий.

Вопорс№11

Замечание. Если все возможные значения непрерывной случайной величины сосредоточе-ны на интервале [a, b], то все интегралы вычисляются в этих пределах, а вне интервала [a, b] f(x) ≡ 0.

Определение 4.4. Функцией распределения F(x) случайной величины Х называется вероятность того, что случайная величина примет значение, меньшее х:

F (x) = p (X < x). (4.1)

Свойства функции распределения.

1. 0 ≤ F(x) ≤ 1. Действительно, так как функция распределения представляет собой вероятность, она может принимать только те значения, которые принимает вероятность.

2. Функция распределения является неубывающей функцией, то есть F(x₂) ≥ F(x₁) при х₂ > x₁. Это следует из того, что F(x₂) = p(X < x₂) = p(X < x₁) + p(x₁ ≤ X < x₂) ≥ F(x₁).

3. В частности, если все возможные значения Х лежат на интервале [a, b], то F(x) = 0 при х ≤ а и F(x) = 1 при х ≥ b. Действительно, X < a – событие невозможное, а X < b – достоверное.

4. Вероятность того, что случайная величина примет значение из интервала [a, b], равна разности значений функции распределения на концах интервала:

p ( a < X < b ) = F(b) – F(a).

Справедливость этого утверждения следует из определения функции распределения (см. свойство 2).

Для дискретной случайной величины значение F(x) в каждой точке представляет собой сумму вероятностей тех ее возможных значений, которые меньше аргумента функции.