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 приближенно равно среднему значению случайной величины.
Математическим ожиданием дискретной случайной величины называют сумму произведений всех ее возможных значений на их вероятности.
Если случайная величина характеризуется конечным рядом распределения:
| Х | х 1 | х 2 | х 3 | … | х п |
| Р | р 1 | р 2 | р 3 | … | р п |
то математическое ожидание М(Х) определяется по формуле:
Математическое ожидание непрерывной случайной величины определяется равенством:
где – плотность вероятности случайной величины Х .
Пример 4.7. Найти математическое ожидание числа очков, выпадающих при бросании игральной кости.
Решение:
Случайная величина Х принимает значения 1, 2, 3, 4, 5, 6. Составим закон ее распределения:
| Х | ||||||
| Р |
Тогда математическое ожидание равно:
Свойства математического ожидания:
1. Математическое ожидание постоянной величины равно самой постоянной:
М (С) = С.
2. Постоянный множитель можно выносить за знак математического ожидания:
М (СХ) = СМ (X).
3. Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий:
M(XY) = M(X)M(Y).
Пример 4.8 . Независимые случайные величины X и Y заданы следующими законами распределения:
| Х | Y | ||||||
| Р | 0,6 | 0,1 | 0,3 | Р | 0,8 | 0,2 |
Найти математическое ожидание случайной величины XY.
Решение .
Найдем математические ожидания каждой из данных величин:
Случайные величины X и Y независимые, поэтому искомое математическое ожидание:
M(XY) = M(X)M(Y)=
Следствие. Математическое ожидание произведения нескольких взаимно независимых случайных величин равно произведению их математических ожиданий.
4. Математическое ожидание суммы двух случайных величин равно сумме математических ожиданий слагаемых:
М (X + Y) = М (X) + М (Y).
Следствие. Математическое ожидание суммы нескольких случайных величин равно сумме математических ожиданий слагаемых.
Пример 4.9. Производится 3 выстрела с вероятностями попадания в цель, равными р 1 = 0,4; p 2 = 0,3 и р 3 = 0,6. Найти математическое ожидание общего числа попаданий.
Решение.
Число попаданий при первом выстреле есть случайная величина Х 1 , которая может принимать только два значения: 1 (попадание) с вероятностью р 1 = 0,4 и 0 (промах) с вероятностью q 1 = 1 – 0,4 = 0,6.
Математическое ожидание числа попаданий при первом выстреле равно вероятности попадания:
Аналогично найдем математические ожидания числа попаданий при втором и третьем выстрелах:
М(Х 2) = 0,3 и М(Х 3)= 0,6.
Общее число попаданий есть также случайная величина, состоящая из суммы попаданий в каждом из трех выстрелов:
Х = Х 1 + Х 2 + Х 3 .
Искомое математическое ожидание Х находим по теореме о математическом, ожидании суммы:
М(X) = M(X l + X 2 + X 3) = M(X 1) + M(X 2) + M (X 3) = 0,4 + 0,3 + 0,6 = 1,3 (попаданий).
В предыдущем мы привели ряд формул, позволяющих находить числовые характеристики функций, когда известны законы распределения аргументов. Однако во многих случаях для нахождения числовых характеристик функций не требуется знать даже законов распределения аргументов, а достаточно знать только некоторые их числовые характеристики; при этом мы вообще обходимся без каких бы то ни было законов распределения. Определение числовых характеристик функций по заданным числовым характеристикам аргументов широко применяется в теории вероятностей и позволяет значительно упрощать решение ряда задач. По преимуществу такие упрощенные методы относятся к линейным функциям; однако некоторые элементарные нелинейные функции также допускают подобный подход.
В настоящем мы изложим ряд теорем о числовых характеристиках функций, представляющих в своей совокупности весьма простой аппарат вычисления этих характеристик, применимый в широком круге условий.
1. Математическое ожидание неслучайной величины
Сформулированное свойство является достаточно очевидным; доказать его можно, рассматривая неслучайную величину как частный вид случайной, при одном возможном значении с вероятностью единица; тогда по общей формуле для математического ожидания:
.
2. Дисперсия неслучайной величины
Если - неслучайная величина, то
3. Вынесение неслучайной величины за знак математического ожидания
, (10.2.1)
т. е. неслучайную величину можно выносить за знак математического ожидания.
Доказательство.
а) Для прерывных величин
б) Для непрерывных величин
.
4. Вынесение неслучайной величины за знак дисперсии и среднего квадратического отклонения
Если - неслучайная величина, а - случайная, то
, (10.2.2)
т. е. неслучайную величину можно выносить за знак дисперсии, возводя ее в квадрат.
Доказательство. По определению дисперсии
Следствие
,
т. е. неслучайную величину можно выносить за знак среднего квадратического отклонения ее абсолютным значением. Доказательство получим, извлекая корень квадратный из формулы (10.2.2) и учитывая, что с.к.о. - существенно положительная величина.
5. Математическое ожидание суммы случайных величин
Докажем, что для любых двух случайных величин и
т. е. математическое ожидание суммы двух случайных величин равно сумме их математических ожиданий.
Это свойство известно под названием теоремы сложения математических ожиданий.
Доказательство.
а) Пусть - система прерывных случайных величин. Применим к сумме случайных величин общую формулу (10.1.6) для математического ожидания функции двух аргументов:
.
Ho представляет собой не что иное, как полную вероятность того, что величина примет значение :
;
следовательно,
.
Аналогично докажем, что
,
и теорема доказана.
б) Пусть - система непрерывных случайных величин. По формуле (10.1.7)
. (10.2.4)
Преобразуем первый из интегралов (10.2.4):
;
аналогично
,
и теорема доказана.
Следует специально отметить, что теорема сложения математических ожиданий справедлива для любых случайных величин - как зависимых, так и независимых.
Теорема сложения математических ожиданий обобщается на произвольное число слагаемых:
, (10.2.5)
т. е. математическое ожидание суммы нескольких случайных величин равно сумме их математических ожиданий.
Для доказательства достаточно применить метод полной индукции.
6. Математическое ожидание линейной функции
Рассмотрим линейную функцию нескольких случайных аргументов :
где - неслучайные коэффициенты. Докажем, что
, (10.2.6)
т. е. математическое ожидание линейной функции равно той же линейной функции от математических ожиданий аргументов.
Доказательство. Пользуясь теоремой сложения м. о. и правилом вынесения неслучайной величины за знак м. о., получим:
.
7. Дисп ep сия суммы случайных величин
Дисперсия суммы двух случайных величин равна сумме их дисперсий плюс удвоенный корреляционный момент:
Доказательство. Обозначим
По теореме сложения математических ожиданий
Перейдем от случайных величин к соответствующим центрированным величинам . Вычитая почленно из равенства (10.2.8) равенство (10.2.9), имеем:
По определению дисперсии
что и требовалось доказать.
Формула (10.2.7) для дисперсии суммы может быть обобщена на любое число слагаемых:
,
(10.2.10)
где
-
корреляционный момент величин , знак под суммой обозначает, что суммирование
распространяется на все возможные попарные сочетания случайных величин 
.
Доказательство аналогично предыдущему и вытекает из формулы для квадрата многочлена.
Формула (10.2.10) может быть записана еще в другом виде:
, (10.2.11)
где
двойная сумма распространяется на все элементы корреляционной матрицы системы
величин ,
содержащей как корреляционные моменты, так и дисперсии.
Если все случайные величины , входящие в систему,
некоррелированы (т. е. при ), формула (10.2.10) принимает вид:
, (10.2.12)
т. е. дисперсия суммы некоррелированных случайных величин равна сумме дисперсий слагаемых.
Это положение известно под названием теоремы сложения дисперсий.
8. Дисперсия линейной функции
Рассмотрим линейную функцию нескольких случайных величин.
где - неслучайные величины.
Докажем, что дисперсия этой линейной функции выражается формулой
, (10.2.13)
где - корреляционный момент величин , .
Доказательство. Введем обозначение:
. (10.2.14)
Применяя к правой части выражения (10.2.14) формулу (10.2.10) для дисперсии суммы и учитывая, что , получим:
где - корреляционный момент величин :
.
Вычислим этот момент. Имеем:
;
аналогично
Подставляя это выражение в (10.2.15), приходим к формуле (10.2.13).
В частном случае, когда все
величины некоррелированны,
формула (10.2.13) принимает вид:
, (10.2.16)
т. е. дисперсия линейной функции некоррелированных случайных величин равна сумме произведений квадратов коэффициентов на дисперсии соответствующих аргументов.
9. Математическое ожидание произведения случайных величин
Математическое ожидание произведения двух случайных величин равно произведению их математических ожиданий плюс корреляционный момент:
Доказательство. Будем исходить из определения корреляционного момента:
Преобразуем это выражение, пользуясь свойствами математического ожидания:
что, очевидно, равносильно формуле (10.2.17).
Если случайные величины некоррелированны , то формула (10.2.17) принимает вид:
т. е. математическое ожидание произведения двух некоррелированных случайных величин равно произведению их математических ожиданий.
Это положение известно под названием теоремы умножения математических ожиданий.
Формула (10.2.17) представляет собой не что иное, как выражение второго смешанного центрального момента системы через второй смешанный начальный момент и математические ожидания:
. (10.2.19)
Это выражение часто применяется на практике при вычислении корреляционного момента аналогично тому, как для одной случайной величины дисперсия часто вычисляется через второй начальный момент и математическое ожидание.
Теорема умножения математических ожиданий обобщается и на произвольное число сомножителей, только в этом случае для ее применения недостаточно того, чтобы величины были некоррелированны, а требуется, чтобы обращались в нуль и некоторые высшие смешанные моменты, число которых зависит от числа членов в произведении. Эти условия заведомо выполнены при независимости случайных величин, входящих в произведение. В этом случае
, (10.2.20)
т. е. математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий.
Это положение легко доказывается методом полной индукции.
10. Дисперсия произведения независимых случайных величин
Докажем, что для независимых величин
Доказательство. Обозначим . По определению дисперсии
Так как величины независимы, и
При независимых величины тоже независимы; следовательно,
,
Но есть не что иное, как второй начальный момент величины , и, следовательно, выражается через дисперсию:
;
аналогично
.
Подставляя эти выражения в формулу (10.2.22) и приводя подобные члены, приходим к формуле (10.2.21).
В случае, когда перемножаются центрированные случайные величины (величины с математическими ожиданиями, равными нулю), формула (10.2.21) принимает вид:
, (10.2.23)
т. е. дисперсия произведения независимых центрированных случайных величин равна произведению их дисперсий.
11. Высшие моменты суммы случайных величин
В некоторых случаях приходится вычислять высшие моменты суммы независимых случайных величин. Докажем некоторые относящиеся сюда соотношения.
1) Если величины независимы, то
Доказательство.
откуда по теореме умножения математических ожиданий
Но первый центральный момент для любой величины равен нулю; два средних члена обращаются в нуль, и формула (10.2.24) доказана.
Соотношение (10.2.24) методом индукции легко обобщается на произвольное число независимых слагаемых:
. (10.2.25)
2) Четвертый центральный момент суммы двух независимых случайных величин выражается формулой
где - дисперсии величин и .
Доказательство совершенно аналогично предыдущему.
Методом полной индукции легко доказать обобщение формулы (10.2.26) на произвольное число независимых слагаемых.
Математическое ожидание
Дисперсия
непрерывной случайной величины X , возможные значения которой принадлежат всей оси Ох, определяется равенством:
Назначение сервиса . Онлайн калькулятор предназначен для решения задач, в которых заданы либо плотность распределения f(x) , либо функция распределения F(x) (см. пример). Обычно в таких заданиях требуется найти математическое ожидание, среднее квадратическое отклонение, построить графики функций f(x) и F(x) .
Инструкция . Выберите вид исходных данных: плотность распределения f(x) или функция распределения F(x) .
Задана плотность распределения f(x): 
Задана функция распределения F(x): 
Непрерывная случайна величина задана плотностью вероятностей 
(закон распределения Релея – применяется в радиотехнике). Найти M(x) , D(x) .
Случайную величину X называют непрерывной
, если ее функция распределения F(X)=P(X < x) непрерывна и имеет производную.
Функция распределения непрерывной случайной величины применяется для вычисления вероятностей попадания случайной величины в заданный промежуток:
P(α < X < β)=F(β) - F(α)
причем для непрерывной случайной величины не имеет значения, включаются в этот промежуток его границы или нет:
P(α < X < β) = P(α ≤ X < β) = P(α ≤ X ≤ β)
Плотностью распределения
непрерывной случайной величины называется функция
f(x)=F’(x) , производная от функции распределения.
Свойства плотности распределения
1. Плотность распределения случайной величины неотрицательна (f(x) ≥ 0) при всех значениях x.2. Условие нормировки:
Геометрический смысл условия нормировки: площадь под кривой плотности распределения равна единице.
3. Вероятность попадания случайной величины X в промежуток от α до β может быть вычислена по формуле
Геометрически вероятность попадания непрерывной случайной величины X в промежуток (α, β) равна площади криволинейной трапеции под кривой плотности распределения, опирающейся на этот промежуток.
4. Функция распределения выражается через плотность следующим образом:
Значение плотности распределения в точке x не равно вероятности принять это значение, для непрерывной случайной величины речь может идти только о вероятности попадания в заданный интервал. Пусть {\displaystyle M[X]} или E [ X ] {\displaystyle \mathbb {E} [X]} . M [ X ] = ∫ Ω X (ω) P (d ω) . {\displaystyle M[X]=\int \limits _{\Omega }\!X(\omega)\,\mathbb {P} (d\omega).}
Основные формулы для математического ожидания
M [ X ] = ∫ − ∞ ∞ x d F X (x) ; x ∈ R {\displaystyle M[X]=\int \limits _{-\infty }^{\infty }\!x\,dF_{X}(x);x\in \mathbb {R} } .
Математическое ожидание дискретного распределения
P (X = x i) = p i , ∑ i = 1 ∞ p i = 1 {\displaystyle \mathbb {P} (X=x_{i})=p_{i},\;\sum \limits _{i=1}^{\infty }p_{i}=1} ,то прямо из определения интеграла Лебега следует, что
M [ X ] = ∑ i = 1 ∞ x i p i {\displaystyle M[X]=\sum \limits _{i=1}^{\infty }x_{i}\,p_{i}} .Математическое ожидание целочисленной величины
P (X = j) = p j , j = 0 , 1 , . . . ; ∑ j = 0 ∞ p j = 1 {\displaystyle \mathbb {P} (X=j)=p_{j},\;j=0,1,...;\quad \sum \limits _{j=0}^{\infty }p_{j}=1}то её математическое ожидание может быть выражено через производящую функцию последовательности { p i } {\displaystyle \{p_{i}\}}
P (s) = ∑ k = 0 ∞ p k s k {\displaystyle P(s)=\sum _{k=0}^{\infty }\;p_{k}s^{k}}как значение первой производной в единице: M [ X ] = P ′ (1) {\displaystyle M[X]=P"(1)} . Если математическое ожидание X {\displaystyle X} бесконечно, то lim s → 1 P ′ (s) = ∞ {\displaystyle \lim _{s\to 1}P"(s)=\infty } и мы будем писать P ′ (1) = M [ X ] = ∞ {\displaystyle P"(1)=M[X]=\infty }
Теперь возьмём производящую функцию Q (s) {\displaystyle Q(s)} последовательности «хвостов» распределения { q k } {\displaystyle \{q_{k}\}}
q k = P (X > k) = ∑ j = k + 1 ∞ p j ; Q (s) = ∑ k = 0 ∞ q k s k . {\displaystyle q_{k}=\mathbb {P} (X>k)=\sum _{j=k+1}^{\infty }{p_{j}};\quad Q(s)=\sum _{k=0}^{\infty }\;q_{k}s^{k}.}Эта производящая функция связана с определённой ранее функцией P (s) {\displaystyle P(s)} свойством: Q (s) = 1 − P (s) 1 − s {\displaystyle Q(s)={\frac {1-P(s)}{1-s}}} при | s | < 1 {\displaystyle |s|<1} . Из этого по теореме о среднем следует, что математическое ожидание равно просто значению этой функции в единице:
M [ X ] = P ′ (1) = Q (1) {\displaystyle M[X]=P"(1)=Q(1)}Математическое ожидание абсолютно непрерывного распределения
M [ X ] = ∫ − ∞ ∞ x f X (x) d x {\displaystyle M[X]=\int \limits _{-\infty }^{\infty }\!xf_{X}(x)\,dx} .Математическое ожидание случайного вектора
Пусть X = (X 1 , … , X n) ⊤ : Ω → R n {\displaystyle X=(X_{1},\dots ,X_{n})^{\top }\colon \Omega \to \mathbb {R} ^{n}} - случайный вектор. Тогда по определению
M [ X ] = (M [ X 1 ] , … , M [ X n ]) ⊤ {\displaystyle M[X]=(M,\dots ,M)^{\top }} ,то есть математическое ожидание вектора определяется покомпонентно.
Математическое ожидание преобразования случайной величины
Пусть g: R → R {\displaystyle g\colon \mathbb {R} \to \mathbb {R} } - борелевская функция , такая что случайная величина Y = g (X) {\displaystyle Y=g(X)} имеет конечное математическое ожидание. Тогда для него справедлива формула:
M [ g (X) ] = ∑ i = 1 ∞ g (x i) p i {\displaystyle M\left=\sum \limits _{i=1}^{\infty }g(x_{i})p_{i}} ,если X {\displaystyle X} имеет дискретное распределение;
M [ g (X) ] = ∫ − ∞ ∞ g (x) f X (x) d x {\displaystyle M\left=\int \limits _{-\infty }^{\infty }\!g(x)f_{X}(x)\,dx} ,если X {\displaystyle X} имеет абсолютно непрерывное распределение.
Если распределение P X {\displaystyle \mathbb {P} ^{X}} случайной величины X {\displaystyle X} общего вида, то
M [ g (X) ] = ∫ − ∞ ∞ g (x) P X (d x) {\displaystyle M\left=\int \limits _{-\infty }^{\infty }\!g(x)\,\mathbb {P} ^{X}(dx)} .В специальном случае, когда g (X) = X k {\displaystyle g(X)=X^{k}} , Математическое ожидание M [ g (X) ] = M [ X k ] {\displaystyle M\left=M} называется k {\displaystyle k} -тым моментом случайной величины.
Простейшие свойства математического ожидания
- Математическое ожидание числа есть само число.
- Математическое ожидание линейно, то есть
Математическим ожиданием (средним значением) случайной величины X , заданной на дискретном вероятностном пространстве, называется число m =M[X]=∑x i p i , если ряд сходится абсолютно.
Назначение сервиса . С помощью сервиса в онлайн режиме вычисляются математическое ожидание, дисперсия и среднеквадратическое отклонение (см. пример). Кроме этого строится график функции распределения F(X) .
Свойства математического ожидания случайной величины
- Математическое ожидание постоянной величины равно ей самой: M[C]=C , C – постоянная;
- M=C M[X]
- Математическое ожидание суммы случайных величин равно сумме их математических ожиданий: M=M[X]+M[Y]
- Математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий: M=M[X] M[Y] , если X и Y независимы.
Свойства дисперсии
- Дисперсия постоянной величины равна нулю: D(c)=0.
- Постоянный множитель можно вынести из-под знака дисперсии, возведя его в квадрат: D(k*X)= k 2 D(X).
- Если случайные величины X и Y независимы, то дисперсия суммы равна сумме дисперсий: D(X+Y)=D(X)+D(Y).
- Если случайные величины X и Y зависимы: D(X+Y)=DX+DY+2(X-M[X])(Y-M[Y])
- Для дисперсии справедлива вычислительная формула:
D(X)=M(X 2)-(M(X)) 2
Пример
. Известны математические ожидания и дисперсии двух независимых случайных величин X и Y: M(x)=8 , M(Y)=7 , D(X)=9 , D(Y)=6 . Найти математическое ожидание и дисперсию случайное величины Z=9X-8Y+7 .
Решение. Исходя из свойств математического ожидания: M(Z) = M(9X-8Y+7) = 9*M(X) - 8*M(Y) + M(7) = 9*8 - 8*7 + 7 = 23.
Исходя из свойств дисперсии: D(Z) = D(9X-8Y+7) = D(9X) - D(8Y) + D(7) = 9^2D(X) - 8^2D(Y) + 0 = 81*9 - 64*6 = 345
Алгоритм вычисления математического ожидания
Свойства дискретных случайных величин: все их значения можно перенумеровать натуральными числами; каждому значению сопоставить отличную от нуля вероятность.- Поочередно умножаем пары: x i на p i .
- Складываем произведение каждой пары x i p i .
Например, для n = 4: m = ∑x i p i = x 1 p 1 + x 2 p 2 + x 3 p 3 + x 4 p 4
Пример №1 .
| x i | 1 | 3 | 4 | 7 | 9 |
| p i | 0.1 | 0.2 | 0.1 | 0.3 | 0.3 |
Математическое ожидание находим по формуле m = ∑x i p i .
Математическое ожидание M[X] .
M[x] = 1*0.1 + 3*0.2 + 4*0.1 + 7*0.3 + 9*0.3 = 5.9
Дисперсию находим по формуле d = ∑x 2 i p i - M[x] 2 .
Дисперсия D[X] .
D[X] = 1 2 *0.1 + 3 2 *0.2 + 4 2 *0.1 + 7 2 *0.3 + 9 2 *0.3 - 5.9 2 = 7.69
Среднее квадратическое отклонение σ(x) .
σ = sqrt(D[X]) = sqrt(7.69) = 2.78
Пример №2 . Дискретная случайная величина имеет следующий ряд распределения:
| Х | -10 | -5 | 0 | 5 | 10 |
| р | а | 0,32 | 2a | 0,41 | 0,03 |
Решение. Величину a находим из соотношения: Σp i = 1
Σp i = a + 0,32 + 2 a + 0,41 + 0,03 = 0,76 + 3 a = 1
0.76 + 3 a = 1 или 0.24=3 a , откуда a = 0.08
Пример №3
. Определить закон распределения дискретной случайной величины, если известна её дисперсия, причем х 1
p 1 =0,3; p 2 =0,3; p 3 =0,1; p 4 =0,3
d(x)=12,96
Решение.
Здесь надо составить формулу нахождения дисперсии d(x) :
d(x) = x 1 2 p 1 +x 2 2 p 2 +x 3 2 p 3 +x 4 2 p 4 -m(x) 2
где матожидание m(x)=x 1 p 1 +x 2 p 2 +x 3 p 3 +x 4 p 4
Для наших данных
m(x)=6*0,3+9*0,3+x 3 *0,1+15*0,3=9+0.1x 3
12,96 = 6 2 0,3+9 2 0,3+x 3 2 0,1+15 2 0,3-(9+0.1x 3) 2
или -9/100 (x 2 -20x+96)=0
Соответственно надо найти корни уравнения, причем их будет два.
x 3 =8, x 3 =12
Выбираем тот, который удовлетворяет условию х 1
Закон распределения дискретной случайной величины
x 1 =6; x 2 =9; x 3 =12; x 4 =15
p 1 =0,3; p 2 =0,3; p 3 =0,1; p 4 =0,3