Как найти математическое ожидание зная плотность

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:

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

Определение
1.
Математическим
ожиданием непрерывной случайной величины
X
с
плотностью
вероятности
f(х)
называют величину несобственного
интеграла (если он сходится):

Определение
2.
Дисперсией
непрерывной случайной величины X,
математическое ожидание которой М(Х)
= а и
функция
f(х)
является
ее плотностью вероятности, называется
величина несобственного интеграла
(если он сходится):

Можно показать,
что математическое ожидание и дисперсия
непрерывной случайной величины имеют
те же свойства, что и математическое
ожидание и дисперсия дискретной случайной
величины.

Для
непрерывной случайной величины X
среднее
квадратическое отклонение

(Х)
определяется, как и для дискретной
величины, формулой

.

Пример
4.
Случайная величина X
задана плотностью вероятности

Определить
математическое ожидание, дисперсию и
среднее квадратическое отклонение
величины X.

Решение.
Согласно
определениям 1 и 2

и,
наконец,

4.5. Некоторые законы распределения случайных величин

1.
Биномиальное распределение. Пусть
производится п
испытаний,
причем вероятность появления события
А
в
каждом испытании равна р
и
не зависит от исхода других испытаний
(независимые испытания). Так как
вероятность наступления события А
в
одном испытании равна р,
то вероятность его ненаступления равна
q
= 1

р.

Найдем
вероятность того, что при n
испытаниях событие А
наступит
т
раз
(т

п).

Пусть
событие А
наступило
в первых т
испытаниях
т
раз
и не наступило во всех последующих
испытаниях. Это сложное событие можно
записать в виде произведения:

Общее
число сложных событий, в которых событие
А
наступает
т
раз,
равно числу сочетаний из п
элементов
по т
элементов.
При этом вероятность каждого сложного
события равна: p^mq^n—m.
Так
как эти сложные события являются
несовместимыми, то вероятность их суммы
равна сумме их вероятностей. Итак, если
Р_п(т)
есть
вероятность появления события А
т раз
в п
испытаниях,
то

или

(1)

Формулу
(1) называют формулой
Бернулли.

Пример
1.
Пусть всхожесть семян данного растения
составляет 90%. Найти вероятность того,
что из четырех посеянных семян взойдут:
а) три; б) не менее трех.

Решение.
а) В данном случае n
= 4, т
= 3,
р
= 0,9,
q
= 1

p
= 0,1.
Применим
формулу
Бернулли
(1):

б)
Здесь событие А
состоит
в том, что из четырех семян взойдут или
три, или четыре. По теореме сложения
вероятностей
.
Но Р₄(4)
=
(0,9)⁴
=
0,6561. Поэтому Р(А)
= 0,2916
+ 0,6561 = 0,9477.

Снова
рассмотрим n
независимых испытаний, в каждом из
которых наступает событие А
с
вероятностью р.
Обозначим
через X
случайную
величину, равную числу появлений события
А
в
п
испытаниях.

Понятно,
что событие А
может
вообще не наступить, наступить один
раз, два раза и т.д. и, наконец, наступить
п
раз.
Следовательно, возможными значениями
величины X
будут
числа 0, 1, 2, …, n

1, п.
По
формуле Бернулли можно найти вероятности
этих значений:

Запишем полученные
данные в виде таблицы распределения:

Построенный
закон распределения дискретной случайной
величины X
называют
законом
биномиального распределения.

Найдем
М(Х).
Очевидно,
что X_i

число
появлений события А
в
каждом испытании 
представляет собой случайную величину
со следующим распределением:

Поэтому
М(Х_i)
=

.
Но
так как X
=
Х₁
+ … +Х_n,
то
М(Х)
= пр.
Найдем далее D(X)
и

(Х).
Так
как величина

имеет
распределение

то
M(X_i²)=

.
Поэтому

Наконец,
в силу независимости величин X₁,
X₂,
…, Х_n,

Отсюда

Пример
2.
Случайная величина X
определена
как число выпавших гербов в результате
100 бросаний монеты. Вычислить математическое
ожидание, дисперсию и среднее квадратическое
отклонение X.

Решение.
Вероятность появления герба в каждом
бросании монеты

.
Следовательно, вероятность непоявления
герба

.
Случайная
величина X
имеет
биномиальное распределение при п
= 100
и

.
Поэтому

Пример
3.
Допустим, что для хищника вероятность
поимки отдельной жертвы составляет 0,4
при каждом столкновении с жертвой.
Каково ожидаемое число пойманных жертв
в 20 столкновениях?

Решение.
Это пример биномиального распределения
при п
= 20
и р
= 0,4.
Ожидаемое число есть М(Х)
= пр =

=
=8.

2.
Локальная и интегральная предельные
теоремы Лапласа. Если
число испытаний п
велико,
то вычисления по формуле Бернулли
становятся затруднительными. Лаплас
получил важную приближенную формулу
для вероятности Р_n(т)
появления
события А
точно
m
раз, если п
достаточно
большое число. Им же получена приближенная
формула и для суммы вида

.

Локальная
предельная теорема Лапласа.
Пусть р=Р(А)

вероятность события А, причем 0
< р
< 1.
Тогда вероятность того, что в условиях
схемы Бернулли событие А при п испытаниях
появится точно т раз, выражается
приближенной формулой Лапласа

(2)

где

Для
функции

имеется
таблица (см. приложение 1) ее значений
для положительных значений х
(функция

четная).

Пример
4.
Вероятность поражения цели стрелком
при одиночном выстреле равна р
= 0,2.
Какова вероятность того, что при 100
выстрелах цель будет поражена ровно 20
раз?

Решение.
Здесь р
= 0,2, q
= 0,8,
n
= 100 и т
= 20.
Отсюда

и, следовательно,

.

Учитывая,
что

,
из формулы (2) получаем

(для
получения приближен-ного равенства

можно использовать калькулятор).

Перейдем
к интегральной
предельной теореме
Лапласа.
Поставим следующий вопрос, какова
вероятность того, что в условиях схемы
Бернулли событие А,
имеющее
вероятность Р(А)
= р (0 < р
< 1), при п
испытаниях
(как и прежде, число испытаний велико)
появится не менее k
раз и не
более l
раз. Эту искомую вероятность обозначим
через P_n(k,
l).

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

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

  01.05.2022204.8 Кб0Учебники 6027.doc

• #

Математическое ожидание — это ожидаемый результат от какого-то действия.

Например, можно рассчитать ожидаемую стоимость инвестиции в определённый момент в будущем. Рассчитывая математическое ожидание перед тем, как инвестировать, можно выбрать наилучший сценарий который, по мнению инвестора, даст наилучший результат.

Случайная величина может быть двух типов:

1. Дискретной: число возможных значений X — это числимое конечное или бесконечное множество точек; пример: количество дефектных устройств в производстве фабрики.
2. Непрерывной: X может принимать любое значение в заданном диапазоне; пример: концентрация углекислого газа в воде.

Математическое ожидание дискретной случайной величины рассчитывается этой формулой:

Математическое ожидание дискретной случайной величины рассчитывается:
1. Сначала нужно умножить каждое из возможных результатов на свою вероятность (например: вероятность, что выпадет «1» — 1/6, «2» — 1/3, значит умножаем 1 на 1/6, 2 на 1/3, и т.д.),
2. Затем суммируем все эти значения (1 × 1/6 + 2 × 1/3 и т.д.).

Для непрерывной случайной величины используется эта формула:

В этом случае рассчитывается интеграл в заданном интервале.

Примеры вычисления математического ожидания

Кратко:

• если в задаче даётся таблица с данными, то перемножаем каждое событие на его вероятность и потом всё складываем;
• если в задаче дают функцию с заданным интервалом, то вычисляем интеграл с этим интервалом.

Пример 1

Вычислить математическое ожидание дискретной случайной величины Х со следующими данными:

Используется формула для дискретной случайной величины:

M(X) = ∑ xi×pi = −1×0,1+ 1×0,2 + 2×0,3 + 3×0,1 + 4×0,3 = −0,1 + 0,2 + 0,6 + 0,3 + 1,2 = 2,2

Пример 2

Найти математическое ожидание для величины Х, распределённой непрерывно с плотностью f(x) = 2x, при x∈(0,1) и f(x) = 0 в остальных точках.

Используется формула для непрерывной случайной величины:

Пример 3

Вычислить математическое ожидание дискретной случайной величины Х со следующими данными:

Используется формула для дискретной случайной величины:

M(X) = ∑ xi×pi = 1×0,3 + 2×0,3 + 3×0,1 + 4×0,1 + 5×0,2 = 0,3 + 0,6 + 0,3 + 0,4 + 1 = 2,6

Пример 4

Найти математическое ожидание для величины Х, распределённой непрерывно с плотностью f(x) = (1/10).(3x²+1), при x∈(0,2) и f(x) = 0 в остальных точках.

Используется формула для непрерывной случайной величины:

Узнайте больше про Интегралы.

Основные свойства математического ожидания

1. Математическое ожидание постоянной равно самой постоянной: М(c)=c.
2. Математическое ожидание сложения/вычитания двух случайных величин равно сумме/вычитанию их математических ожиданий: пусть X и Y — две случайные величины, значит М (X ± Y) = М (X) ± М (Y).
3. Если умножить случайную величину X на c, её среднее значение также умножается на эту константу (c): М (cX) = cМ (X).
4. Если добавить или вычесть c из случайной величины X, то произойдёт та же операция (сложение или вычитание константы) с её средним значением: М (X ± c) = М (X) ± c.
5. Если X и Y — две независимые случайные величины, значит: М(XY)=М(X)×М(Y).

Узнайте больше про Теорию вероятностей.