Как найти мат ожидание по плотности распределения

Как найти математическое ожидание?

Математическое ожидание случайной величины $X$ (обозначается $M(X)$ или реже $E(X)$) характеризует среднее значение случайной величины (дискретной или непрерывной). Мат. ожидание — это первый начальный момент заданной СВ.

Математическое ожидание относят к так называемым характеристикам положения распределения (к которым также принадлежат мода и медиана). Эта характеристика описывает некое усредненное положение случайной величины на числовой оси. Скажем, если матожидание случайной величины — срока службы лампы, равно 100 часов, то считается, что значения срока службы сосредоточены (с обеих сторон) от этого значения (с тем или иным разбросом, о котором уже говорит дисперсия).

Формула среднего случайной величины

Математическое ожидание дискретной случайной величины Х вычисляется как сумма произведений значений $x_i$ , которые принимает СВ Х, на соответствующие вероятности $p_i$:
$$
M(X)=sum_{i=1}^{n}{x_i cdot p_i}.
$$
Для непрерывной случайной величины (заданной плотностью вероятностей $f(x)$), формула вычисления математического ожидания Х выглядит следующим образом:
$$
M(X)=int_{-infty}^{+infty} f(x) cdot x dx.
$$

Пример нахождения математического ожидания

Рассмотрим простые примеры, показывающие как найти M(X) по формулам, введеным выше.

Пример 1. Вычислить математическое ожидание дискретной случайной величины Х, заданной рядом:
$$
x_i quad -1 quad 2 quad 5 quad 10 quad 20 \
p_i quad 0.1 quad 0.2 quad 0.3 quad 0.3 quad 0.1
$$

Используем формулу для м.о. дискретной случайной величины:
$$
M(X)=sum_{i=1}^{n}{x_i cdot p_i}.
$$
Получаем:
$$
M(X)=sum_{i=1}^{n}{x_i cdot p_i} =-1cdot 0.1 + 2 cdot 0.2 +5cdot 0.3 +10cdot 0.3+20cdot 0.1=6.8.
$$
Вот в этом примере 2 описано также нахождение дисперсии Х.

Пример 2. Найти математическое ожидание для величины Х, распределенной непрерывно с плотностью $f(x)=12(x^2-x^3)$ при $x in(0,1)$ и $f(x)=0$ в остальных точках.

Используем для нахождения мат. ожидания формулу:
$$
M(X)=int_{-infty}^{+infty} f(x) cdot x dx.
$$
Подставляем из условия плотность вероятности и вычисляем значение интеграла:
$$
M(X)=int_{-infty}^{+infty} f(x) cdot x dx = int_{0}^{1} 12(x^2-x^3) cdot x dx = int_{0}^{1} 12(x^3-x^4) dx = \
=left.(3x^4-frac{12}{5}x^5) right|_0^1=3-frac{12}{5} = frac{3}{5}=0.6.
$$

Другие задачи с решениями по ТВ

Вычисление математического ожидания онлайн

Как найти математическое ожидание онлайн для произвольной дискретной случайной величины? Используйте калькулятор ниже.

• Введите число значений случайной величины К.
• Появится форма ввода для значений $x_i$ и соответствующих вероятностей $p_i$ (десятичные дроби вводятся с разделителем точкой, например: -10.3 или 0.5). Введите нужные значения (проверьте, что сумма вероятностей равна 1, то есть закон распределения корректный).
• Нажмите на кнопку «Вычислить».
• Калькулятор покажет вычисленное математическое ожидание $M(X)$.

Видео. Полезные ссылки

Видеоролики: что такое среднее (математическое ожидание)

Если вам нужно более подробное объяснение того, что такое мат.ожидание, как она вычисляется и какими свойствами обладает, рекомендую два видео (для дискретной и непрерывной случайной величины соответственно).

Полезные ссылки

А теперь узнайте о том, как находить дисперсию или проверьте онлайн-калькулятор для вычисления математического ожидания, дисперсии и среднего квадратического отклонения дискретной случайной величины.

Что еще может пригодиться? Например, для изучения основ теории вероятностей — онлайн учебник по терверу. Для закрепления материала — еще примеры решений по теории вероятностей.

А если у вас есть задачи, которые надо срочно сделать, а времени нет? Можете поискать готовые решения в решебнике или заказать в МатБюро:

Математическое
ожидание непрерывной случайной величины
обладает свойством, схожим с тем, которое
мы рассмотрели для дискретной:

математическое
ожидание непрерывной случайной величины
– это абсцисса центра тяжести,
но не закона распределения, а
плотности распределения.

Для полноты
изложения материала без пояснений
запишем формулу для вычисления
математического ожидания по известной
плотности распределения p(x).
Правда, обозначения в ней будут понятны
только тем, кто со школы помнит, что
такое интеграл. Она во многом похожа на
формулу для дискретной случайной
величины, которую мы вывели строго:

Для непрерывной
случайной величины математическое
ожидание вычисляется так:

.

После подстановки
в эту формулу функции p(x)
и вычисления определённого интеграла
получается число, которое также имеет
ясное физическое толкование.

Это число указывает
абсциссу центра тяжести фигуры p(x).

Т.е.
если имеется вырезная из листа железа
фигура, описываемая функциейp(x),
и для неё вычислено математическое
ожидание
,
то, подвесив эту фигурку за отверстие,
проделанное на вертикальной линии,
поднятой из точки,
мы увидим, что эта фигура не покосится
набок.

Это и означает,
что нами найдена абсцисса её центра
тяжести.

Таким образом, и
для непрерывной случайной величины
математическое
ожидание соответствует абсциссе центра
тяжести.

Практическое
значение математического ожидания.

Как для дискретных,
так и для непрерывных случайных величин
может быть рассчитана единая
числовая характеристика: математическое
ожидание.

Она позволяет
сравнивать любые случайные величины
между собой в том, каково их среднее
значение.

Мы уже знакомы с
двумя видами непрерывных случайных
величин: равномерно распределённой и
нормально распределённой.

Узнаем, чему у них
равны математические ожидания.

Равномерно
распределённая случайная величина
имеет такую математическую запись
плотности вероятности

Вычислим
математическое ожидание, как это делалось
в школе (кто помнит, что такое интеграл,
тот поймёт),

Математическое
ожидание совпадает с серединой отрезка
[a; b], как и полагается абсциссе центра
тяжести.

Нормально
распределённая случайная величина
имеет следующую плотность вероятности

Оказывается, что,
несмотря на сложность записи, математическое
ожидание совпадает со значением параметра
m, который входит в формулу для распределения

.

Т.к. нормальное
распределение симметрично, то m
– совпадает с его абсциссой оси симметрии,
на которой расположен максимум.

Бывают
и несимметричные распределения, скошенные
набок. Для них математическое ожидание
может с максимум не совпадать.

Примеры сравнения.

Случайные
величины с распределениями «1» и «2»
имеют различное математическое ожидание.

Случайные величины
с распределениями «3» и «4» имеют
одинаковое математическое ожидание.
Но, очевидно, что они различны, т.к.
случайная величина «4» имеет меньший
разброс.

Таким образом,
математическое ожидание не несёт в себе
полной информации о случайной величине.

Очень часто важна
ещё и степень рассеяния.

Обобщим, что мы
знаем об отличии математического
ожидания от среднего арифметического.

Среднее арифметическое
– это значение, получаемое в результате
обработки эмпирических или опытных
данных. Поэтому его ещё называют
эмпирическим
средним.

Математическое
ожидание является вероятностным
обобщением среднего арифметического
при неограниченном возрастании количества
опытов. Но реально так значение
математического ожидания не получают.

Оно находится по
закону распределения или плотности
распределения с помощью алгебраических
действий, на бумаге, т.е. теоретически.
Поэтому, по сути, это – теоретическое
среднее.

Теперь о том, почему
теоретическое среднее называют
математическим ожиданием. Возможно,
это потому, что математическое ожидание
– это наиболее вероятное или ожидаемое
значение, полученное с помощью математики.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

• #
• #
• #
• #
• #
• #
• #
• #
• #
• #
• #

2.4.4. Как вычислить математическое ожидание и дисперсию НСВ?

Ответ на этот вопрос состоит из двух слов: с помощью интегралов.

Сам смысл математического ожидания и дисперсии мы уже разбирали ранее (но, конечно, повторим), и сейчас настало время узнать, как они определяются для непрерывной случайной величины. Всё очень просто, по аналогии с ДСВ:

Итак, все инструменты в руках и мы с энтузиазмом приступаем к любимому делу:

Задача 110
Непрерывная случайная величина  задана функцией

Вычислить . И построим ещё графики  и , ну а куда же без них? Повторение и ещё раз повторение!

Решение начнём как раз с графика функции распределения. При его ручном построении  удобно найти промежуточное значение  и аккуратно провести кусок кубической параболы :

Повторяем: функция распределения  описывает вероятность того, что случайная величина  примет значение, МЕНЬШЕЕ, чем переменная , «пробегающая» все значения от  до .  Данная функция изменяется в пределах  и не убывает (т. к. «накапливает» вероятности). Но если в дискретном случае она разрывна (вспоминаем «ступеньки»), то здесь – всюду непрерывна!

Очевидно, что случайная величина  принимает случайные значения из отрезка , и какие из них более вероятны, а какие – менее, наглядно показывает функция ПЛОТНОСТИ распределения вероятностей:

Найдём опорные точки параболы: , и готово:

В отличие от , функции плотности может быть разрывна и может принимать значения бОльшие единицы (как в нашем случае); может, как убывать, так и возрастать и даже иметь экстремумы (наш кусок параболы растёт). Однако (повторяем), она неотрицательна:   и обладает свойством , и это лучше всегда проверять (а то мало ли, опечатка или ошибка). Неотрицательность функции очевидна по чертежу, а вот интеграл подлежит вычислению. Используя свойство аддитивности, делим его на три части:

 – данный результат равен заштрихованной площади (см. выше) и с вероятностной точки зрения означает тот факт, что случайная величина  достоверно примет одно из значений отрезка . Причём, по чертежу хорошо видно, что значения из правой части отрезка гораздо более вероятны, чем значения слева.

И эти вероятности оцениваются кусками площади, а не значениями функции !!! (окончательно избавляемся от распространённой иллюзии)

Ради интереса вычислим:
 – вероятность того, что случайная величина  примет какое-нибудь значение из промежутка

Теперь числовые характеристики. Очевидно, что математическое ожидание (среднеожидаемое значение) случайной величины  должно находиться в «живом» отрезке , причём – ближе к его правому концу (поскольку там выше плотность вероятности).

Убедимся в этом аналитически. По формуле вычисления математического ожидания, и в силу того же свойства аддитивности:

 – ну что же, вполне и вполне правдоподобно, результат я отметил красной точкой на чертеже.

! Примечание: в общем случае (и в этом, в частности)  не делит площадь на 2 равные части!

Если промежуток конечен, то можно сразу записывать, что матожидание равно определённому интегралу:
 

Дисперсию (меру рассеяния случайных значений относительно ) вычислим по формуле:

Сначала удобно разделаться с интегралом, здесь я не буду расписывать подробно:

Таким образом:

И, наконец, среднее квадратическое отклонение:

Вот такое вот у нас получилось захватывающее повторение-изучение-исследование! И коль скоро спрашивалось немного, запишем:

ответ:

Строго говоря, ответ следовало записывать и в предыдущих задачах, но когда пунктов много, то итоговые результаты вполне допустимо помечать по ходу решения, например, подчёркивать или обводить карандашом.

Следующее задание для самостоятельного решения:

Задача 111
Дана функция:

Представить  в аналитическом виде и показать, что она может служить плотностью вероятностей случайной величины . Вычислить  и 

Справка: уравнение прямой, проходящей через точки , можно составить по формуле .
Бывает, вычисление матожидания и дисперсии сопряжено с техническими трудностями, и в соответствующей статье сайта я рассмотрел следующие функции:

Однако вся трудность этих заданий состоит в более сложных интегралах, что, собственно, уже не относится к теории вероятностей, и посему я не включил эти примеры в настоящую книгу. Но вот задачка с несобственными интегралами не помешает:

Задача 112
Непрерывная случайная величина  задана плотностью распределения вероятностей:

Найти  и . Составить функцию распределения и построить графики . Вычислить вероятность того, что случайная величина  примет значение, бОльшее, чем её математическое ожидание.

Попробуйте решить её самостоятельно! И для желающих есть более трудное задание с функцией  (смотрите опять же на сайте – ссылка выше).

Но этим всё дело не ограничивается. Точно так же, как и в дискретном случае, у непрерывной случайной величины существуют особые законы распределения вероятностей, и наиболее популярные из них мы рассмотрим прямо сейчас:

2.5.1. Равномерное распределение вероятностей

2.4.3. Функция ПЛОТНОСТИ распределения вероятностей

| Оглавление |



Полную и свежую версию этой книги в pdf-формате,
а также курсы по другим темам можно найти здесь.

Также вы можете изучить эту тему подробнее – просто, доступно, весело и бесплатно!

С наилучшими пожеланиями, Александр Емелин