ВходСвойства дисперсии случайной величины. Математическое ожидание дискретной случайной величины Дисперсия равна нулю если
Однако только этой характеристики ещё не достаточно для исследования случайной величины. Представим двух стрелков, которые стреляют по мишени. Один стреляет метко и попадает близко к центру, а другой… просто развлекается и даже не целится. Но что забавно, его средний результат будет точно таким же, как и у первого стрелка! Эту ситуацию условно иллюстрируют следующие случайные величины:
«Снайперское» математическое ожидание равно , однако и у «интересной личности»: – оно тоже нулевое!
Таким образом, возникает потребность количественно оценить, насколько далеко рассеяны пули (значения случайной величины) относительно центра мишени (математического ожидания). Ну а рассеяние с латыни переводится не иначе, как дисперсия .
Посмотрим, как определяется эта числовая характеристика на одном из примеров 1-й части урока:
Там мы нашли неутешительное математическое ожидание этой игры, и сейчас нам предстоит вычислить её дисперсию, которая обозначается через .
Выясним, насколько далеко «разбросаны» выигрыши/проигрыши относительно среднего значения. Очевидно, что для этого нужно вычислить разности между значениями случайной величины и её математическим ожиданием :
–5 – (–0,5) = –4,5
2,5 – (–0,5) = 3
10 – (–0,5) = 10,5
Теперь вроде бы нужно просуммировать результаты, но этот путь не годится – по той причине, что колебания влево будут взаимоуничтожаться с колебаниями вправо. Так, например, у стрелка-«любителя» (пример выше)
разности составят 
, и при сложении дадут ноль, поэтому никакой оценки рассеяния его стрельбы мы не получим.
Чтобы обойти эту неприятность можно рассмотреть модули
разностей, но по техническим причинам прижился подход, когда их возводят в квадрат. Решение удобнее оформить таблицей:
И здесь напрашивается вычислить средневзвешенное
значение квадратов отклонений. А это ЧТО такое? Это их математическое ожидание
, которое и является мерилом рассеяния:
– определение
дисперсии. Из определения сразу понятно, что дисперсия не может быть отрицательной
– возьмите на заметку для практики!
Вспоминаем, как находить матожидание. Перемножаем квадраты разностей на соответствующие вероятности (продолжение таблицы)
:
– образно говоря, это «сила тяги»,
и суммируем результаты:
Не кажется ли вам, что на фоне выигрышей результат получился великоватым? Всё верно – мы возводили в квадрат, и чтобы вернуться в размерность нашей игры, нужно извлечь квадратный корень. Данная величина называется средним квадратическим отклонением
и обозначается греческой буквой «сигма»:
Иногда это значение называют стандартным отклонением .
В чём его смысл? Если мы отклонимся от математического ожидания влево и вправо на среднее квадратическое отклонение:
– то на этом интервале будут «сконцентрированы» наиболее вероятные значения случайной величины. Что мы, собственно, и наблюдаем:
Однако так сложилось, что при анализе рассеяния почти всегда оперируют понятием дисперсии. Давайте разберёмся, что она означает применительно к играм. Если в случае со стрелками речь идёт о «кучности» попаданий относительно центра мишени, то здесь дисперсия характеризует две вещи:
Во-первых, очевидно то, что при увеличении ставок, дисперсия тоже возрастает. Так, например, если мы увеличим в 10 раз, то математическое ожидание увеличится в 10 раз, а дисперсия – в 100 раз (коль скоро, это квадратичная величина) . Но, заметьте, что сами-то правила игры не изменились! Изменились лишь ставки, грубо говоря, раньше мы ставили 10 рублей, теперь 100.
Второй, более интересный момент состоит в том, что дисперсия характеризует стиль игры. Мысленно зафиксируем игровые ставки на каком-то определённом уровне , и посмотрим, что здесь к чему:
Игра с низкой дисперсией – это осторожная игра. Игрок склонен выбирать самые надёжные схемы, и в ситуации неопределённости не ставит слишком большие деньги. Например, система «красное/чёрное» в рулетке (см. Пример 4 статьи Случайные величины ) .
Игра с высокой дисперсией. Её часто называют дисперсионной игрой. Это авантюрный или агрессивный стиль игры, где игрок выбирает «адреналиновые» схемы. Вспомним хотя бы «Мартингейл» , в котором на кону оказываются суммы, на порядки превосходящие «тихую» игру предыдущего пункта.
Показательна ситуация в покере: здесь есть так называемые тайтовые игроки, которые склонны осторожничать и «трястись» над своими игровыми средствами (банкроллом) . Неудивительно, что их банкролл не подвергается значительным колебаниям (низкая дисперсия). Наоборот, если у игрока высокая дисперсия, то это агрессор. Он часто рискует, делает крупные ставки и может, как сорвать огромный банк, так и програться в пух и прах.
То же самое происходит на Форексе, других биржах и так далее – примеров масса.
Причём, во всех случаях не важно – на копейки ли идёт игра или на тысячи долларов. На любом уровне есть свои низко- и высокодисперсионные игроки. Ну а за средний выигрыш, как мы помним, «отвечает» математическое ожидание .
Наверное, вы заметили, что нахождение дисперсии – есть процесс длительный и кропотливый. Но математика щедрА:
Формула для нахождения дисперсии
Данная формула выводится непосредственно из определения дисперсии, и мы незамедлительно пускаем её в оборот. Скопирую сверху табличку с нашей игрой:
и найденное матожидание .
Вычислим дисперсию вторым способом. Сначала найдём математическое ожидание – квадрата случайной величины . По определению математического ожидания
:
В данном случае:
Таким образом, по формуле:
Как говорится, почувствуйте разницу. И на практике, конечно, лучше применять формулу (если иного не требует условие).
Осваиваем технику решения и оформления:
Пример 6
Найти её математическое ожидание, дисперсию и среднее квадратическое отклонение.
Эта задача встречается повсеместно, и, как правило, идёт без содержательного смысла.
Можете представлять себе несколько лампочек с числами, которые загораются в дурдоме с определёнными вероятностями:)
Решение
: Основные вычисления удобно свести в таблицу. Сначала в верхние две строки записываем исходные данные. Затем рассчитываем произведения , затем и, наконец, суммы в правом столбце:
Собственно, почти всё готово. В третьей строке нарисовалось готовенькое математическое ожидание: 
.
Дисперсию вычислим по формуле:
И, наконец, среднее квадратическое отклонение:
– лично я обычно округляю до 2 знаков после запятой.
Все вычисления можно провести на калькуляторе, а ещё лучше – в Экселе:
вот здесь уже трудно ошибиться:)
Ответ :
Желающие могут ещё более упростить свою жизнь и воспользоваться моим калькулятором (демо) , который не только моментально решит данную задачу, но и построит тематические графики (скоро дойдём) . Программу можно скачать в библиотеке – если вы загрузили хотя бы один учебный материал, либо получить другим способом . Спасибо за поддержку проекта!
Пара заданий для самостоятельного решения:
Пример 7
Вычислить дисперсию случайной величины предыдущего примера по определению.
И аналогичный пример:
Пример 8
Дискретная случайная величина задана своим законом распределения:
Да, значения случайной величины бывают достаточно большими (пример из реальной работы) , и здесь по возможности используйте Эксель. Как, кстати, и в Примере 7 – это быстрее, надёжнее и приятнее.
Решения и ответы внизу страницы.
В заключение 2-й части урока разберём ещё одну типовую задачу, можно даже сказать, небольшой ребус:
Пример 9
Дискретная случайная величина может принимать только два значения: и , причём . Известна вероятность , математическое ожидание и дисперсия .
Решение
: начнём с неизвестной вероятности. Так как случайная величина может принять только два значения, то сумма вероятностей соответствующих событий:
и поскольку , то .
Осталось найти …, легко сказать:) Но да ладно, понеслось. По определению математического ожидания:
– подставляем известные величины:
– и больше из этого уравнения ничего не выжать, разве что можно переписать его в привычном направлении:
или: 
О дальнейших действиях, думаю, вы догадываетесь. Составим и решим систему:
Десятичные дроби – это, конечно, полное безобразие; умножаем оба уравнения на 10:
и делим на 2:
Вот так-то лучше. Из 1-го уравнения выражаем:
(это более простой путь)
– подставляем во 2-е уравнение:
Возводим в квадрат
и проводим упрощения:
Умножаем на :
В результате получено квадратное уравнение
, находим его дискриминант:
– отлично!
и у нас получается два решения:
1) если 
, то 
;
2) если 
, то .
Условию удовлетворяет первая пара значений. С высокой вероятностью всё правильно, но, тем не менее, запишем закон распределения:
и выполним проверку, а именно, найдём матожидание:
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:
| Число | Прибыль x i | Вероятность p i | x i p i |
| 500 | -125000 | 0,20 | -25000 |
| 1000 | -50000 | 0,40 | -20000 |
| 2000 | 100000 | 0,25 | 25000 |
| 3000 | 250000 | 0,10 | 25000 |
| 4000 | 400000 | 0,05 | 20000 |
| Всего: | 1,00 | 25000 |
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:
| Значение X | Вероятность |
| -0,1 | 0,1 |
| -0,01 | 0,2 |
| 0 | 0,4 |
| 0,01 | 0,2 |
| 0,1 | 0,1 |
| Значение Y | Вероятность |
| -20 | 0,3 |
| -10 | 0,1 |
| 0 | 0,2 |
| 10 | 0,1 |
| 20 | 0,3 |
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.
| Проект 1 | Проект 2 | Проект 3 | Проект 4 |
| 500, P =1 | 1000, P =0,5 | 500, P =0,5 | 500, P =0,5 |
| 0, P =0,5 | 1000, P =0,25 | 10500, P =0,25 | |
| 0, P =0,25 | 9500, P =0,25 |
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:
| X | −3 | 7 |
| p | 0,3 | 0,7 |
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:
| X | 0 | 1 | 2 | 3 |
| p | 1/30 | 3/10 | 1/2 | 1/6 |
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 .
Математическое ожидание показывает, вокруг какой точки группируются значения случайной величины. Необходимо также уметь измерить изменчивость случайной величины относительно математического ожидания. Выше показано, что M [(X - a ) 2 ] достигает минимума по а при а = М(Х). Поэтому за показатель изменчивости случайной величины естественно взять именно M [(X -М(Х)) 2 ].
Определение 5. Дисперсией случайной величины Х называется число
Установим ряд свойств дисперсии случайной величины, постоянно используемых в вероятностно-статистических методах принятия решений.
Утверждение 8. Пусть Х – случайная величина, а и b – некоторые числа, Y = aX + b . Тогда D (Y ) = a 2 D (X ).
Как следует из утверждений 3 и 5, M (Y ) = aM (X ) + b . Следовательно, D (Y ) = M [(Y - M (Y )) 2 ] = M [(aX + b - aM (X ) - b ) 2 ] = M [ a 2 (X - M (X )) 2 ]. Поскольку постоянный множитель можно выносить за знак суммы, то M [ a 2 (X - M (X )) 2 ] = a 2 M [(X - M (X )) 2 ] = a 2 D (Х).
Утверждение 8 показывает, в частности, как меняется дисперсия результата наблюдений при изменении начала отсчета и единицы измерения. Оно дает правило преобразования расчетных формул при переходе к другим значениям параметров сдвига и масштаба.
Утверждение 9. Если случайные величины Х и У независимы, то дисперсия их суммы Х+У равна сумме дисперсий: D (X + Y ) = D (X ) + D (Y ).
Для доказательства воспользуемся тождеством
(Х + У – (М(Х)+М(У)) 2 = (Х–М(Х)) 2
+ 2(Х–М(Х))(У–М(У)) + (У–М(У)) 2 ,
которое вытекает из известной формулы элементарной алгебры (a + b ) 2 = a 2 + 2 ab + b 2 при подстановке a = X - M (X ) и b = Y - M (Y ). Из утверждений 3 и 5 и определения дисперсии следует, что
D (X + Y ) = D (X ) + D (Y ) + 2 M {(Х–М(Х))(У–М(У))}.
Согласно утверждению 6 из независимости Х и У вытекает независимость Х -М (Х ) и У -М (У ). Из утверждения 7 следует, что
M {(Х–М(Х))(У–М(У))}= M (Х–М(Х))М(У–М(У)).
Поскольку M (Х–М(Х)) = 0 (см. утверждение 3), то правая часть последнего равенства равна 0, откуда с учетом двух предыдущих равенств и следует заключение утверждения 9.
Утверждение 10. Пусть X 1 , X 2 ,…, X k – попарно независимые случайные величины (т.е. X i и X j независимы, если ). Пусть Y k – их сумма, Y k = X 1 + X 2 +…+ X k . Тогда математическое ожидание суммы равно сумме математических ожиданий слагаемых, М(Y k ) = М(X 1 )+ М(X 2 )+…+М(X k ), дисперсия суммы равна сумме дисперсий слагаемых, D (Y k ) = D (X 1 )+ D (X 2 )+…+ D (X k ).
Соотношения, сформулированные в утверждении 10, являются основными при изучении выборочных характеристик, поскольку результаты наблюдений или измерений, включенные в выборку, обычно рассматриваются в математической статистике, теории принятия решений и эконометрике как реализации независимых случайных величин.
Для любого набора числовых случайных величин (не только независимых) математическое ожидание их суммы равно сумме их математических ожиданий. Это утверждение является обобщением утверждения 5. Строгое доказательство легко проводится методом математической индукции.
При выводе формулы для дисперсии D (Y k ) воспользуемся следующим свойством символа суммирования:
Положим a i = X i – M (X i ), получим
Воспользуемся теперь тем, что математическое ожидание суммы равно сумме математических ожиданий:
Как показано при доказательстве утверждения 9, из попарной независимости рассматриваемых случайных величин следует, что при . Следовательно, в сумме (8) остаются только члены с i = j , а они равны как раз D (X i ).
Полученные в утверждениях 8-10 фундаментальные свойства таких характеристик случайных величин, как математическое ожидание и дисперсия, постоянно используются практически во всех вероятностно-статистических моделях реальных явлений и процессов.
Пример 9. Рассмотрим событие А и случайную величину Х такую, что , если , и в противном случае, т.е. если . Покажем, что М(Х) = Р(А), D (X ) = P (A )(1 – P (A )).
Воспользуемся формулой (5) для математического ожидания. Случайная величина Х принимает два значения – 0 и 1, значение 1 с вероятностью Р(А) и значение 0 с вероятностью 1 – Р(А), а потому М(Х) = 1 х Р(А) + 0 х (1 - Р(А)) = Р(А). Аналогично (Х – М(Х)) 2 = (1 – Р(А)) 2 с вероятностью Р(А) и (Х – М(Х)) 2 = (0 – Р(А)) 2 с вероятностью 1 – Р(А) , а потому D (A ) = (1 – P (A )) 2 P (A ) + (P (A )) 2 (1 – P (A )) . Вынося общий множитель, получаем, что D (A ) = P (A )(1 – P (A )).
Пример 10. Рассмотрим k независимых испытаний, в каждом из которых некоторое событие А может наступить, а может и не наступить. Введем случайные величины X 1 , X 2 ,…, X k следующим образом: = 1, если в i -ом испытании событие А наступило, и = 0 в противном случае. Тогда случайные величины X 1 , X 2 ,…, X k попарно независимы (см. пример 7). Как показано в примере 9, M (X i ) = p , D (X i ) = p (1 – p ) , где p = P (A ). Иногда р называют «вероятностью успеха» - в случае, если наступление события А рассматривается как «успех».
Дисперсия случайной величины является мерой разброса значений этой величины. Малая дисперсия означает, что значения сгруппированы близко друг к другу. Большая дисперсия свидетельствует о сильном разбросе значений. Понятие дисперсии случайной величины применяется в статистике. Например, если сравнить дисперсию значений двух величин (таких как результаты наблюдений за пациентами мужского и женского пола), можно проверить значимость некоторой переменной. Также дисперсия используется при построении статистических моделей, так как малая дисперсия может быть признаком того, что вы чрезмерно подгоняете значения.
Шаги
Вычисление дисперсии выборки
- Например, проанализируем количество булочек, проданных в кафе за 6 дней, взятых в случайном порядке. Выборка имеет следующий вид: 17, 15, 23, 7, 9, 13. Это выборка, а не совокупность, потому что у нас нет данных о проданных булочках за каждый день работы кафе.
- Если вам дана совокупность, а не выборка значений, перейдите к следующему разделу.
-
Запишите формулу для вычисления дисперсии выборки. Дисперсия является мерой разброса значений некоторой величины. Чем ближе значение дисперсии к нулю, тем ближе значения сгруппированы друг к другу. Работая с выборкой значений, используйте следующую формулу для вычисления дисперсии:
Вычислите среднее значение выборки. Оно обозначается как x̅. Среднее значение выборки вычисляется как обычное среднее арифметическое: сложите все значения в выборке, а затем полученный результат разделите на количество значений в выборке.
- В нашем примере сложите значения в выборке: 15 + 17 + 23 + 7 + 9 + 13 = 84
Теперь результат разделите на количество значений в выборке (в нашем примере их 6): 84 ÷ 6 = 14.
Выборочное среднее x̅ = 14. - Выборочное среднее – это центральное значение, вокруг которого распределены значения в выборке. Если значения в выборке группируются вокруг выборочного среднего, то дисперсия мала; в противном случае дисперсия велика.
- В нашем примере сложите значения в выборке: 15 + 17 + 23 + 7 + 9 + 13 = 84
-
Вычтите выборочное среднее из каждого значения в выборке. Теперь вычислите разность x i {\displaystyle x_{i}} - x̅, где x i {\displaystyle x_{i}} – каждое значение в выборке. Каждый полученный результат свидетельствует о мере отклонения конкретного значения от выборочного среднего, то есть как далеко это значение находится от среднего значения выборки.
Как отмечалось выше, сумма разностей x i {\displaystyle x_{i}} - x̅ должна быть равна нулю. Это означает, что средняя дисперсия всегда равна нулю, что не дает никакого представления о разбросе значений некоторой величины. Для решения этой проблемы возведите в квадрат каждую разность x i {\displaystyle x_{i}} - x̅. Это приведет к тому, что вы получите только положительные числа, которые при сложении никогда не дадут 0.
Вычислите сумму квадратов разностей. То есть найдите ту часть формулы, которая записывается так: ∑[( x i {\displaystyle x_{i}} - x̅) 2 {\displaystyle ^{2}} ]. Здесь знак Σ означает сумму квадратов разностей для каждого значения x i {\displaystyle x_{i}} в выборке. Вы уже нашли квадраты разностей (x i {\displaystyle (x_{i}} - x̅) 2 {\displaystyle ^{2}} для каждого значения x i {\displaystyle x_{i}} в выборке; теперь просто сложите эти квадраты.
- В нашем примере: 9 + 1 + 81 + 49 + 25 + 1 = 166 .
-
Полученный результат разделите на n - 1, где n – количество значений в выборке. Некоторое время назад для вычисления дисперсии выборки статистики делили результат просто на n; в этом случае вы получите среднее значение квадрата дисперсии, которое идеально подходит для описания дисперсии данной выборки. Но помните, что любая выборка – это лишь небольшая часть генеральной совокупности значений. Если взять другую выборку и выполнить такие же вычисления, вы получите другой результат. Как выяснилось, деление на n - 1 (а не просто на n) дает более точную оценку дисперсии генеральной совокупности, в чем вы и заинтересованы. Деление на n – 1 стало общепринятым, поэтому оно включено в формулу для вычисления дисперсии выборки.
Отличие дисперсии от стандартного отклонения. Заметьте, что в формуле присутствует показатель степени, поэтому дисперсия измеряется в квадратных единицах измерения анализируемой величины. Иногда такой величиной довольно сложно оперировать; в таких случаях пользуются стандартным отклонением, которое равно квадратному корню из дисперсии. Именно поэтому дисперсия выборки обозначается как s 2 {\displaystyle s^{2}} , а стандартное отклонение выборки – как s {\displaystyle s} .
- В нашем примере стандартное отклонение выборки: s = √33,2 = 5,76.
Вычисление дисперсии совокупности
-
Проанализируйте некоторую совокупность значений. Совокупность включает в себя все значения рассматриваемой величины. Например, если вы изучаете возраст жителей Ленинградской области, то совокупность включает возраст всех жителей этой области. В случае работы с совокупностью рекомендуется создать таблицу и внести в нее значения совокупности. Рассмотрим следующий пример:
Запишите формулу для вычисления дисперсии генеральной совокупности. Так как в совокупность входят все значения некоторой величины, то приведенная ниже формула позволяет получить точное значение дисперсии совокупности. Для того чтобы отличить дисперсию совокупности от дисперсии выборки (значение которой является лишь оценочным), статистики используют различные переменные:
Вычислите среднее значение совокупности. При работе с генеральной совокупностью ее среднее значение обозначается как μ (мю). Среднее значение совокупности вычисляется как обычное среднее арифметическое: сложите все значения в генеральной совокупности, а затем полученный результат разделите на количество значений в генеральной совокупности.
Вычтите среднее значение совокупности из каждого значения в генеральной совокупности. Чем ближе значение разности к нулю, тем ближе конкретное значение к среднему значению совокупности. Найдите разность между каждым значением в совокупности и ее средним значением, и вы получите первое представление о распределении значений.
Возведите в квадрат каждый полученный результат. Значения разностей будут как положительными, так и отрицательными; если нанести эти значения на числовую прямую, то они будут лежать справа и слева от среднего значения совокупности. Это не годится для вычисления дисперсии, так как положительные и отрицательные числа компенсируют друг друга. Поэтому возведите в квадрат каждую разность, чтобы получить исключительно положительные числа.
Найдите среднее значение полученных результатов. Вы нашли, как далеко каждое значение совокупности расположено от ее среднего значения. Найдите среднее значение суммы квадратов разностей, поделив ее на количество значений в генеральной совокупности.
-
Соотнесите это решение с формулой. Если вы не поняли, как приведенное выше решение соотносится с формулой, ниже представлено объяснение решения:
- Находим разность между каждым значением и средним значением совокупности, а затем возводим каждую разность в квадрат, то есть получаем ( x 1 {\displaystyle x_{1}} - μ) 2 {\displaystyle ^{2}} , ( x 2 {\displaystyle x_{2}} - μ) 2 {\displaystyle ^{2}} и так далее вплоть до ( x n {\displaystyle x_{n}} - μ) 2 {\displaystyle ^{2}} , где x n {\displaystyle x_{n}} – последнее значение в генеральной совокупности.
- Для вычисления среднего значения полученных результатов нужно найти их сумму и разделить ее на n:(( x 1 {\displaystyle x_{1}} - μ) 2 {\displaystyle ^{2}} + ( x 2 {\displaystyle x_{2}} - μ) 2 {\displaystyle ^{2}} + ... + ( x n {\displaystyle x_{n}} - μ) 2 {\displaystyle ^{2}} ) / n
- Теперь запишем приведенное объяснение с использованием переменных: (∑( x i {\displaystyle x_{i}} - μ) 2 {\displaystyle ^{2}} ) / n и получим формулу для вычисления дисперсии совокупности.
Запишите значения выборки. В большинстве случаев статистикам доступны только выборки определенных генеральных совокупностей. Например, как правило, статистики не анализируют расходы на содержание совокупности всех автомобилей в России – они анализируют случайную выборку из нескольких тысяч автомобилей. Такая выборка поможет определить средние расходы на автомобиль, но, скорее всего, полученное значение будет далеко от реального.
Математическое ожидание показывает, вокруг которой численной меры группируются значения случайной величины. Однако, необходимо также иметь возможность измерять изменчивость (вариативность) случайной величины относительно математического ожидания. Таким показателем изменчивости является математическое ожидание квадрата разности между случайной величиной и ее математическим ожиданием, а именно M [(X - М [Х]) 2].
Определение. дисперсией случайной величины x называется число 14 DX] = M [(XM [X]) 2], (3.30)
или DX] = ± f (x t) o (*, - M [X]) 2.
На рис.3.26 приведены формулы для расчета распределения - статистической вероятности fx;) - а также показателей: математического ожидания М [Х] (ячейка Е9) и дисперсии D [X] (ячейка G9).
14 Предлагаем сравнить это определение с определением выборочной дисперсии
Рис. 3.26. Формулы расчета м [х] и 0 [Х] В таблице рис.3.27 показаны результаты расчета математического ожидания м [х] и дисперсии 0 [Х] по данным примера 3.14, а также гистограмму распределения м [х] = 4,00 (ячейка Е9) и дисперсия 0 [Х] = 1,00 (ячейка В9).
Математическое ожидание показывает, что значение случайной величины x группируются около значения 4,00, количество которых составляет 50% от общего количества. Однако, вокруг такого же значения могут группироваться и другие данные.
Рис. 3.27. Таблица и гистограмма распределения с А / [Х] = 4,00 и £> [Х] = 1,00
С рис.3.28 видно, что для математического ожиданиям [х] = 4,00 дисперсия £> [Х] = 2,32 является вдвое большей, чем по данным рис. 3.27. О значительной изменчивости свидетельствует и соответствующая гистограмма.
Рис. 3.28. Таблица и гистограмма распределения с М [Х] = 4,00 и £> [Х] = 2,32
Предлагаем сравнить таблицы и графики рис. 3.27 и 3.28 и сделать выводы. Свойства дисперсии случайной величины, которые постоянно используются в вероятностно статистические методы:
o если x - случайная величина, а и Ь - некоторые числа, В = ах + Ь, то
D = a 2 D [X] (3.31)
(это значит, что число а в качестве параметра масштаба существенно влияет на дисперсию, тогда как число b - параметр сдвига на значение дисперсии не влияет);
o если X 1, X 2, X n - попарно независимые случайные величины (то есть X t и X независимые для i Ф j), то дисперсия суммы равна сумме дисперсий
D = D + D + ... + D . (3.32)
Соотношение по математического ожидания (3.25) и дисперсии (3.32) имеют важное значение при изучении выборочных свойств, поскольку результаты выборочных наблюдений или измерений рассматриваются в математической статистике, как реализации независимых случайных величин.
С дисперсией случайной величины тесно связан еще один показатель изменчивости - стандартное отклонение.
Определение. Стандартным отклонением случайной величины x называется неотъемлемое число
SD [X] = + VD [X]. (3.33)
Итак, стандартное отклонениях однозначно связано с дисперсией.
В теории и практике статистических исследований также важную роль играют специальные функции - так называемые моменты (начальные и центральные), которые являются характеристиками случайных величин.
Определение. Исходным моментом k-то порядка случайной величины x называется математическое ожидание k-й степени этой величины:
~ K = M . 15 (3.34)
Определение. Центральным моментом k-то порядка случайной величины x называется математическое ожидание k-й степени отклонения этой величины x от его математического ожидания:
m = m k, где a = M [X].
Для обозначения мометнив случайных величин используем те же буквы, что и для мометнив вариационного ряда, но с дополнительным знаком ~ ("тильда").
Формулы для вычисления моментов дискретных (которые принимают значения Х и с вероятностью р) и непрерывных (с плотностью вероятности / х)) случайных
величин приведены в табл. 3.4.
Таблица 3.4
Формулы для вычисления моментов случайных величин
Как и для вариационных строк моменты дискретных случайных величин имеют аналогичный смысл:
Первый начальный момент (¿= 1) случайной величины Хе ее математическим ожиданием:
~ 1 = М [Х] = с. (3.36)
Второй центральный момент (¿= 2) определяет дисперсию 0 [Х] случайной величины x:
Ш г (хи - а) 2 г. и = ЦХ] = (Т 2. (3.37)
Третий центральный момент (¿= 3) характеризует асимметрию распределения случайной величины x:
п
Коэффициент асимметрии а распределения случайной величины x имеет вид:
Г = ~ X (хи "а) 3 Р и = А. (3.38)
Четвертый центральный момент (¿= 4) характеризует крутизну распределения случайной величины.
На основе сравнения значений теоретических и выборочных моментов выполняется оценивания параметров распределений случайных величин (см., Например, разделы 4 и 5).
Как отмечалось выше, в математической статистике используются два параллельных строки показателей: первый - имеет отношение к практике (это показатели выборки), второй - базируется на теории (это показатели вероятностной модели). Соотношение этих показателей представлены в табл. 3.5.
Таблица 3.5
Соотношение показателей эмпирической выборки и вероятностной модели
Таблица 3.5 продолжение
Итак, целью описательной статистики является превращение совокупности выборочных эмпирических данных на систему показателей - так называемых статистик, имеющие отношение к реально существующих объектов. Так, психологи, педагоги, другие специалисты работают в реальной сфере, объектами которой являются лица, группы лиц, коллективы, характеристиками для которых служат эмпирические показатели. Однако основная цель исследования - это получение нового знания, а знание существует в идеальной форме в виде характеристик теоретических моделей. Отсюда возникает проблема корректного перехода от эмпирических показателей реальных объектов к показателям теоретической модели. Этот переход требует анализа как общих методических подходов, так и строгих математических оснований. Принципиальную возможность здесь открывает закон больших чисел, теоретическое обоснование котором было предоставлено Якобом Бернулли (1654-1705), Пафнутием Львовичем Чебышевым (1821-1894) и другими математиками XIX в.
Вопрос. Задача.
1. Раскройте понятие случайной величины.
2. Чем отличаются дискретная и непрерывная случайные величины?
3. Из каких элементов состоит вероятностное пространство?
4. Как построить распределение дискретной случайной величины?
5. Как связаны между собой функция плотности Л (х) и функция распределения Б (х)?
6. Предоставьте геометрическую интерпретацию Интеграл Б (со) = | Л (х) сх = 1.