15 Моменты

В теории вероятностей для характеристики основных свойств распределения часто применяют моменты.

Начальным моментом k‑го порядка случайной величины Х называют математическое ожидание k‑й степени этой случайной величины

.

Для дискретной случайной величины начальные моменты k-го порядка вычисляют по формуле

,

для непрерывной величины — по формуле

.

При имеем, т.е. приходим к основной характеристике положения: математическому ожиданию случайной величиныХ.

Центральным моментом порядка k случайной величины Х называют математическое ожидание k‑й степени соответствующей центрированной случайной величины 

,

Центральные моменты дискретной случайной величины вычисляют по формуле

,

для непрерывной величины — по формуле

,

Особое значение имеет центральный момент второго порядка, называемый дисперсией. Применяют обозначения: и.

,
17 . ДИСПЕРСИЯ. СРЕДНЕЕ КВАДРАТИЧЕСКОЕ ОТКЛОНЕНИЕ

Дисперсия характеризует степень разброса значений случайной величины относительно математического ожидания (центра распределения).

Свойства дисперсии:

1. ;

2. ;

3. , если — независимые случайные величины.

Дисперсия имеет размерность квадрата случайной величины. Для наглядной характеристики рассеивания удобнее пользоваться средним квадратическим отклонением (СКО, положительной величиной корня квадратного из дисперсии):

.

Задача 2.4. Случайная величина Х задана рядом распределения:

x	0	1	2	3
p	0,34	0,44	0,19	0,03

Найти её основные параметры: ,,.

Решение: применяя формулы , и , имеем

;

Дисперсию можно найти и по формуле связи центральных и начальных моментов:

:

;

; .

Находим СКО: .

Задача 2.5. Найти основные параметры непрерывной случайной величины Х, закон распределения которой задан в условии задачи 2.3.

Решение: находим

.

; .

; , тогда.

21 Нормальный закон распределения и его основные параметры

Случайная величина X с плотностью распределения вида

и графиком плотности, представленным на рис. 3.1, считается распределённой по нормальному закону.

Рис. 3.1 — Кривая плотности нормального закона

Кривая распределения по нормальному закону имеет симметричный колоколообразный вид.

Применяя формулы , и , можно показать, что величины  а  и ², входящие в выражение , являются основными параметрами нормально распределённой случайной величины X: ,.

При изменении параметра a кривая , не изменяя своей формы, перемещается вдоль оси абсцисс. При изменении параметраформа кривой изменяется (если, то параметрусоответствует более узкая в направлении оси ординат кривая, то есть меньший разброс значенийx_i относительно параметра , и более высокое положение вершины кривой).

22 Понятие о центральной предельной теореме

Теоремы, устанавливающие условия, при которых возникает нормальный закон, как предельный закон, известны в теории вероятностей под названием "центральной предельной теоремы", или теоремы А.М. Ляпунова.

Теорема может быть сформулирована так: если некоторая случайная величина есть сумма достаточно большого числа других случайных независимых величин, отклоняющихся от своих математических ожиданий на малые величины по сравнению с отклонением суммарной величины, то закон распределения этой суммарной случайной величины будет близок к нормальному.

Эта теорема имеет большое значение для теории ошибок измерений.

Можно полагать, что ошибки измерений  (где ) складываются из большого числа элементарных ошибок, каждая из которых вызвана действием отдельной причины, не зависящей от остальных, и влияние элементарных ошибок на результаты измерений мало по сравнению с влиянием суммарной ошибки.

На основании теоремы Ляпунова закон такой суммарной случайной величины (ошибки ) стремится к нормальному распределению.