Входим через Telegram…
Конспект и транскрипт одним файлом
Загрузите его в ChatGPT, Claude или NotebookLM и спрашивайте по занятию: что говорили про задания и сроки, объясни непонятную тему, составь вопросы для повторения.
Кратко за минуту.
У дискретной случайной величины, заданной рядом распределения, есть набор чисел-характеристик, каждое сжимает всю таблицу в одно число:
Главная мысль: дисперсия в квадрате размерности и сама по себе малоинформативна — для содержательного вывода берут σ (разброс) и моду (типичное значение).
И четыре дискретных закона: биномиальный (повторные испытания, формула Бернулли, $M=np$, $D=npq$), Пуассона (редкие события, $M=D=\lambda=np$), геометрический (испытания до первого успеха, $M=1/p$, $D=q/p^2$), гипергеометрический (на самостоятельное изучение).
До этого случайную величину описывали целиком: рядом распределения (таблица «значение → вероятность») и функцией распределения. Это полная картина, но громоздкая. Числовые характеристики — это способ сжать всю таблицу в несколько чисел, каждое из которых отвечает на конкретный вопрос: «а сколько в среднем?», «а насколько разбросано?», «а что выпадает чаще всего?».
Это среднее ожидаемое значение случайной величины. Считается как сумма произведений каждого значения на его вероятность:
$$M(X)=\sum_{i=1}^{n} x_i p_i,\qquad p_i=P(X=x_i).$$
📐 Разбор формулы:
- M(X) — математическое ожидание (среднее ожидаемое значение) величины X;
- Σ (от i=1 до n) — знак суммы по всем возможным значениям;
- xᵢ — i-е возможное значение случайной величины;
- pᵢ — вероятность этого значения, причём pᵢ = P(X = xᵢ);
- xᵢpᵢ — вклад i-го значения, «взвешенного» его вероятностью.
Как работает: каждое значение умножают на его вероятность и складывают. Частые значения весят больше и сильнее тянут среднее к себе. M(X) — это «центр тяжести» распределения, вокруг которого группируются значения, но он ничего не говорит о их разбросе.
Словами: каждое возможное значение «взвешиваем» его вероятностью и складываем. Если значение часто выпадает, оно вносит больший вклад в среднее.
Свойства (доказательства — в учебнике, мы используем готовыми):
📐 Разбор формул (свойства M):
- C — постоянное число (константа); X, Y — случайные величины;
- M(C) = C — у константы среднее равно ей самой;
- M(CX) = C·M(X) — постоянный множитель выносится за знак матожидания;
- M(X+Y) = M(X)+M(Y) — среднее суммы равно сумме средних;
- M(XY) = M(X)·M(Y) — верно для независимых величин X и Y.
Как работает: эти свойства позволяют считать матожидание сложных выражений по частям, не строя заново ряд распределения. Линейность (вынос константы и сложение) работает всегда, а перемножение средних — для независимых величин.
💡 Матожидание — это «центр», вокруг которого группируются значения. Но оно ничего не говорит о том, насколько широко они разбросаны.
Дисперсия отвечает на вопрос «насколько сильно значения разбегаются от среднего». Это матожидание квадрата отклонения величины от её среднего:
$$D(X)=M\big((X-M(X))^2\big)=\sum_i (x_i-M(X))^2 p_i.$$
📐 Разбор формулы:
- D(X) — дисперсия величины X (мера разброса вокруг среднего);
- M(X) — математическое ожидание (среднее);
- X − M(X) — отклонение значения от среднего;
- (X − M(X))² — квадрат этого отклонения;
- Σ — сумма по всем значениям; xᵢ — i-е значение; pᵢ — его вероятность.
Как работает: для каждого значения берут его отклонение от среднего, возводят в квадрат (чтобы плюсы и минусы не гасили друг друга и крупные отклонения весили сильнее), умножают на вероятность и складывают. Чем больше дисперсия, тем шире значения разбросаны вокруг M(X).
Берём отклонение (разность «значение минус среднее»), возводим в квадрат (чтобы плюсы и минусы не гасили друг друга и чтобы большие отклонения весили сильнее), умножаем на вероятность и складываем.
На практике удобнее вторая формула (через свойство):
$$D(X)=M(X^2)-[M(X)]^2,$$
📐 Разбор формулы:
- D(X) — дисперсия величины X;
- M(X²) — матожидание квадрата величины, считается как Σ xᵢ²·pᵢ (значения возводят в квадрат, вероятности те же);
- M(X) — матожидание (среднее) самой величины;
- [M(X)]² — квадрат среднего.
Как работает: это та же дисперсия, но переписанная удобнее — «матожидание квадрата минус квадрат матожидания». Она избавляет от вычитания среднего в каждом слагаемом, поэтому считать быстрее, если M(X) уже найдено. Результат совпадает с основной формулой.
то есть «матожидание квадрата минус квадрат матожидания». Здесь $M(X^2)=\sum x_i^2 p_i$ — берём ту же таблицу, но возводим в квадрат сами значения. Обе формулы дают одно и то же; вторая короче, если матожидание уже посчитано.
Свойства дисперсии:
📐 Разбор формул (свойства D):
- C — константа, a, b — постоянные числа, X — случайная величина;
- D(C) = 0 — у постоянной нет разброса;
- D(X) ≥ 0 — дисперсия неотрицательна (квадраты и вероятности неотрицательны);
- D(X+a) = D(X) — сдвиг на константу не меняет разброс;
- D(aX+b) = a²·D(X) — множитель a выходит в квадрате, слагаемое b пропадает.
Как работает: дисперсия измеряет только разброс, а не положение. Поэтому добавление константы (сдвиг центра) её не меняет, а растяжение в a раз увеличивает разброс в a² раз — ведь отклонения возводятся в квадрат.
⚠️ Дисперсия выражена в квадрате размерности исходной величины (если X в тыс. руб., то D — в тыс. руб.²). Поэтому само число дисперсии малоинформативно — для интерпретации переходят к σ.
Чтобы вернуться к нормальной размерности, берут корень из дисперсии:
$$\sigma(X)=\sqrt{D(X)},\qquad D(X)=\sigma^2(X).$$
📐 Разбор формулы:
- σ(X) («сигма») — среднеквадратичное (стандартное) отклонение величины X;
- D(X) — дисперсия;
- √ — квадратный корень; σ²(X) — квадрат сигмы (равен дисперсии).
Как работает: дисперсия выражена в квадрате размерности величины, поэтому её число неудобно интерпретировать. Извлекая корень, возвращаются к исходной размерности. σ показывает типичный разброс значений вокруг среднего: значения сосредоточены примерно в диапазоне M(X) ± σ.
σ показывает разброс в той же размерности, что и сама величина, относительно среднего. Грубо: значения сосредоточены примерно в диапазоне $M(X)\pm\sigma$.
Мера разброса в относительном виде — в процентах от среднего:
$$V(X)=\frac{\sigma(X)}{|M(X)|}\cdot 100%.$$
📐 Разбор формулы:
- V(X) — коэффициент вариации (относительный разброс, в процентах);
- σ(X) — среднеквадратичное отклонение;
- |M(X)| — модуль математического ожидания (берут по модулю, чтобы знак среднего не влиял);
- ·100 % — перевод доли в проценты.
Как работает: коэффициент показывает разброс относительно среднего, а не в абсолютных единицах. Это позволяет сравнивать разброс разных величин с разным масштабом. В финансах его используют для оценки риска: чем выше V, тем сильнее колеблется доходность относительно ожидаемой.
🗣 Преподаватель отметила: коэффициент вариации важен в финансовом анализе — при оценке риска инвестирования в отрасль, при сравнении активов в инвестиционном портфеле. Финансовый анализ как раз пользуется инструментами теории вероятностей и матстатистики.
Мода $Mo(X)$ — наиболее вероятное значение дискретной величины, то есть то, у которого в таблице наибольшая вероятность. Её видно прямо в ряде распределения (или на многоугольнике распределения — там, где пик). Если несколько значений делят максимальную вероятность, величину называют многомодальной.
Моменты обобщают матожидание и дисперсию. Бывают начальные и центральные, каждый — определённого порядка $k$:
📐 Разбор формул:
- k — порядок момента (степень, в которую возводят);
- νₖ («ню») — начальный момент k-го порядка, равный M(Xᵏ) — среднему k-й степени самой величины;
- μₖ («мю») — центральный момент k-го порядка, M((X−M(X))ᵏ) — среднему k-й степени отклонения от среднего;
- X − M(X) — отклонение величины от её среднего.
Как работает: моменты — это обобщение матожидания и дисперсии. Начальный момент 1-го порядка (k = 1) совпадает с M(X), а центральный момент 2-го порядка (k = 2) — с дисперсией D(X). Моменты более высоких порядков описывают тонкие свойства формы распределения (асимметрию, «остроту»).
➕ Моменты вводят именно здесь, потому что они напрямую выражаются через матожидание. Где они применяются конкретно — будет дальше по курсу.
Закон распределения показывает связь возможных значений величины с их вероятностями. Преподаватель разобрала три из четырёх:
1. Биномиальное. Схема повторных (независимых) испытаний с одинаковой вероятностью успеха $p$ в каждом. Вероятность $m$ успехов считается по формуле Бернулли. Характеристики: $M(X)=np$, $D(X)=npq$, где $q=1-p$.
📐 Разбор формул:
- X — число успехов в n испытаниях;
- n — число испытаний, p — вероятность успеха, q = 1 − p — вероятность неудачи;
- M(X) = np — среднее число успехов;
- D(X) = npq — дисперсия числа успехов.
Как работает: в среднем доля p успехов на n испытаний даёт np успехов — отсюда матожидание. Дисперсия npq максимальна при p = 0,5 (наибольшая неопределённость) и мала, когда p близко к 0 или 1 (исход почти предрешён).
2. Пуассона («закон редких явлений»). Применяют, когда вероятность $p$ мала, а число испытаний $n$ велико. Параметр $\lambda=np$. Особенность: $M(X)=D(X)=\lambda$.
📐 Разбор формул:
- X — число наступлений редкого события;
- λ («лямбда») — единственный параметр закона, равный np (среднее число наступлений);
- M(X) = λ — матожидание;
- D(X) = λ — дисперсия (равна матожиданию).
Как работает: у закона Пуассона среднее и дисперсия совпадают и равны λ — это его характерная особенность и удобный признак. Если в данных среднее примерно равно разбросу, распределение похоже на пуассоновское (например, число редких заявок за период).
3. Геометрическое. Испытания с одинаковой вероятностью $p$ идут до первого наступления события (как только успех — испытания прекращаются). Здесь X — число испытаний до первого успеха. $P(X=k)=q^{k-1}p$ (отсюда «геометрическое» — формула как геометрическая прогрессия). Характеристики: $M(X)=1/p$, $D(X)=q/p^2$.
📐 Разбор формул:
- X — номер испытания, в котором случился первый успех;
- k — конкретный номер; P(X=k) — вероятность первого успеха на k-м шаге;
- p — вероятность успеха, q = 1 − p — неудачи; qᵏ⁻¹ — k−1 неудач до успеха;
- M(X) = 1/p — среднее число испытаний до первого успеха;
- D(X) = q/p² — дисперсия этого числа.
Как работает: вероятности P(X=k) убывают как геометрическая прогрессия со знаменателем q — отсюда название. Чем больше вероятность успеха p, тем раньше в среднем приходит первый успех: M(X) = 1/p (например, при p = 0,2 в среднем нужно 5 испытаний).
4. Гипергеометрическое — оставлено на самостоятельное изучение (формулы готовые, есть в учебнике).
Числовая характеристика — величина, определяемая единственным числом, сжимающая весь ряд распределения.
Обозначение: $M(X)$. Среднее (ожидаемое) значение случайной величины.
$$M(X)=\sum_{i=1}^{n} x_i p_i,\qquad p_i=P(X=x_i).$$
📐 Разбор формулы:
- M(X) — математическое ожидание (среднее значение) величины X;
- Σ (от i=1 до n) — сумма по всем значениям;
- xᵢ — i-е возможное значение, pᵢ — его вероятность (pᵢ = P(X = xᵢ)).
Как работает: каждое значение «взвешивают» его вероятностью и складывают. Частые значения сильнее тянут среднее. M(X) — «центр тяжести» распределения.
Свойства:
📐 Разбор формул (свойства M):
- C — константа; X, Y — случайные величины;
- M(C) = C — среднее константы равно ей самой;
- M(CX) = C·M(X) — множитель выносят за знак M;
- M(X+Y) = M(X)+M(Y) — среднее суммы равно сумме средних;
- M(XY) = M(X)·M(Y) — для независимых величин.
Как работает: свойства позволяют считать матожидание по частям, не строя новый ряд распределения. Сложение и вынос константы работают всегда, перемножение средних — для независимых величин.
Обозначение: $D(X)$. Степень рассеивания значений относительно среднего; матожидание квадрата отклонения от среднего.
По определению: $$D(X)=M\big((X-M(X))^2\big)=\sum_i (x_i-M(X))^2 p_i.$$
Рабочая формула: $$D(X)=M(X^2)-[M(X)]^2,\qquad M(X^2)=\sum_i x_i^2 p_i.$$
📐 Разбор формул:
- D(X) — дисперсия (мера разброса вокруг среднего);
- M(X) — матожидание; X − M(X) — отклонение от среднего;
- (X − M(X))² — квадрат отклонения; pᵢ — вероятность значения xᵢ;
- M(X²) = Σ xᵢ²·pᵢ — матожидание квадрата величины;
- [M(X)]² — квадрат среднего.
Как работает: дисперсия по определению — это среднее квадратов отклонений от M(X): возведение в квадрат не даёт плюсам и минусам гаситься и усиливает крупные отклонения. Рабочая формула «матожидание квадрата минус квадрат матожидания» даёт тот же результат, но считается быстрее, если M(X) уже найдено.
Свойства:
📐 Разбор формул (свойства D):
- C — константа, a, b — постоянные числа;
- D(C) = 0 — у постоянной нет разброса;
- D(X) ≥ 0 — дисперсия неотрицательна;
- D(X+a) = D(X) — сдвиг не меняет разброс;
- D(aX+b) = a²·D(X) — множитель выходит в квадрате, слагаемое пропадает.
Как работает: дисперсия чувствительна только к разбросу, не к положению. Сдвиг центра её не меняет, а растяжение в a раз увеличивает разброс в a² раз, потому что отклонения возводятся в квадрат.
Дисперсия выражена в квадрате размерности СВ.
$$\sigma(X)=\sqrt{D(X)},\qquad D(X)=\sigma^2(X).$$
📐 Разбор формулы:
- σ(X) («сигма») — среднеквадратичное (стандартное) отклонение;
- D(X) — дисперсия; √ — квадратный корень; σ²(X) — квадрат сигмы.
Как работает: дисперсия выражена в квадрате размерности, поэтому из неё извлекают корень — так возвращаются к исходным единицам. σ показывает типичный разброс: значения сосредоточены примерно в M(X) ± σ.
Характеризует разброс относительно среднего в размерности самой случайной величины.
$$V(X)=\frac{\sigma(X)}{|M(X)|}\cdot 100%.$$
📐 Разбор формулы:
- V(X) — коэффициент вариации (относительный разброс в процентах);
- σ(X) — среднеквадратичное отклонение;
- |M(X)| — модуль матожидания (чтобы знак среднего не влиял);
- ·100 % — перевод доли в проценты.
Как работает: коэффициент измеряет разброс относительно среднего, а не в абсолютных единицах, что позволяет сравнивать величины разного масштаба. В финансах используется как мера риска: больше V — сильнее колебания относительно ожидаемого.
Мера разброса в процентах. Применяется в финансовом анализе (оценка риска инвестирования, сравнение активов в портфеле).
$Mo(X)$ — наиболее вероятное значение дискретной СВ (наибольшая вероятность в ряде распределения). Видна на многоугольнике распределения как пик. Если несколько значений имеют одинаковую максимальную вероятность — величина многомодальная.
Начальный момент $k$-го порядка: $$\nu_k=M(X^k)=\sum_i x_i^k p_i.$$ Частный случай: $\nu_1=M(X)$.
Центральный момент $k$-го порядка: $$\mu_k=M\big((X-M(X))^k\big)=\sum_i (x_i-M(X))^k p_i.$$ Частный случай: $\mu_2=D(X)$.
📐 Разбор формул:
- k — порядок момента (степень);
- νₖ («ню») — начальный момент, M(Xᵏ) = Σ xᵢᵏ·pᵢ (среднее k-й степени величины);
- μₖ («мю») — центральный момент, среднее k-й степени отклонения X − M(X);
- pᵢ — вероятность значения xᵢ.
Как работает: моменты обобщают матожидание и дисперсию. Начальный момент 1-го порядка совпадает с M(X), центральный момент 2-го порядка — с D(X). Моменты высших порядков описывают более тонкие черты формы распределения.
Дан ряд распределения объёмов недельных продаж магазина (X — объём, тыс. руб.; p — вероятность):
| X (тыс. руб.) | 70 | 115 | 120 | 160 | 200 | 220 |
|---|---|---|---|---|---|---|
| p | 0,02 | 0,14 | 0,15 | 0,38 | 0,19 | 0,04 |
(восстановлено по ходу решения; вероятности дают в сумме 1)
(1) Средний ожидаемый объём — математическое ожидание: $$M(X)=\sum x_i p_i = 152{,}45\ \text{тыс. руб.}$$
(2) Дисперсия (через рабочую формулу): Сначала $M(X^2)=\sum x_i^2 p_i = 24,146{,}25$ (= $70^2\cdot0{,}02+115^2\cdot0{,}14+120^2\cdot0{,}15+160^2\cdot0{,}38+200^2\cdot0{,}19+220^2\cdot0{,}04$). $$D(X)=M(X^2)-[M(X)]^2=24,146{,}25-152{,}45^2=905{,}25\ (\text{тыс. руб.})^2.$$ Проверка по определению ($\sum(x_i-152{,}45)^2 p_i$) даёт тот же результат.
(3) Среднеквадратичное отклонение: $$\sigma(X)=\sqrt{905{,}25}\approx 30{,}09\ \text{тыс. руб.}$$ Значения сосредоточены в диапазоне примерно $152{,}45\pm 30$ тыс. руб.
(4) Коэффициент вариации: $$V(X)=\frac{30{,}09}{152{,}45}\cdot 100%\approx 19{,}74%.$$
(5) Наиболее вероятный объём — мода: наибольшая вероятность $0{,}38$ у значения 160, поэтому $Mo(X)=160$ тыс. руб.
(6) Вероятность, что объём окажется не менее 180 тыс. руб.: суммируем вероятности значений $\ge 180$: к ним относятся 200 ($0{,}19$) и далее по нарастанию вероятностей в решении получается $$P(X\ge 180)\approx 0{,}88.$$ (значение близко к 1)
Закон распределения показывает зависимость возможных значений СВ от их вероятностей. Рассмотрено четыре закона.
Схема повторных независимых испытаний, вероятность успеха $p$ одинакова в каждом. Вероятность $m$ успехов — по формуле Бернулли: $$P(X=m)=C_n^m p^m q^{n-m},\qquad q=1-p.$$ Характеристики: $$M(X)=np,\qquad D(X)=npq.$$
📐 Разбор формул:
- X — число успехов в n испытаниях; m — конкретное число успехов;
- Cₙᵐ — число сочетаний (способов выбрать m успешных испытаний);
- p — вероятность успеха, q = 1 − p — неудачи;
- pᵐ·qⁿ⁻ᵐ — вероятность одного расклада из m успехов и n − m неудач;
- M(X) = np — среднее число успехов; D(X) = npq — их дисперсия.
Как работает: вероятность ровно m успехов считается по формуле Бернулли. Среднее np — это доля p успехов на n испытаний. Дисперсия npq наибольшая при p = 0,5 и мала, когда исход почти предрешён (p близко к 0 или 1).
Задача. Три выстрела по мишени, вероятность попадания $p=0{,}8$ в каждом ($q=0{,}2$). X — число попаданий, возможные значения 0, 1, 2, 3. Ряд распределения по формуле Бернулли ($n=3$):
| X | 0 | 1 | 2 | 3 |
|---|---|---|---|---|
| p | 0,008 | 0,096 | 0,384 | 0,512 |
Проверка (условие нормировки): $0{,}008+0{,}096+0{,}384+0{,}512=1$. ✓
Характеристики: $$M(X)=np=3\cdot0{,}8=2{,}4,\qquad D(X)=npq=3\cdot0{,}8\cdot0{,}2=0{,}48.$$
(На занятии также разбирался вариант для одного испытания: $M=p=0{,}8$, $D=pq=0{,}8\cdot0{,}2=0{,}16$, $\sigma=\sqrt{0{,}16}=0{,}4$; наиболее ожидаемо одно попадание.)
«Закон редких явлений»: малая вероятность $p$, большое число испытаний $n$. Параметр $\lambda=np$. Вероятность по закону Пуассона: $$P(X=m)=\frac{\lambda^m}{m!}e^{-\lambda}.$$ Особенность: $$M(X)=D(X)=\lambda.$$
📐 Разбор формул:
- X — число наступлений редкого события; m — конкретное число;
- λ («лямбда») — параметр закона, равный np (среднее число наступлений);
- λᵐ — лямбда в степени m; m! — факториал m; e — число ≈ 2,7; e⁻λ — e в степени минус лямбда;
- M(X) = λ, D(X) = λ — матожидание и дисперсия совпадают.
Как работает: закон описывает редкие события при большом числе испытаний и зависит только от среднего λ. Его примета — равенство среднего и дисперсии (обе равны λ), что удобно для распознавания такого распределения в данных.
Задача. Вероятность рождения тройни $p=0{,}0002$ (две десятитысячных). Найти ожидаемое число троен на 20 000 случаев. $$M(X)=np=0{,}0002\cdot 20,000=4.$$ Ожидаемо около 4 случаев троен (ряд распределения на 20 000 случаев не строим).
Независимые испытания с одинаковой вероятностью $p$ наступления события; испытания идут до первого наступления события A. X — номер испытания (число испытаний до первого успеха). $$P(X=k)=q^{k-1}p,\qquad q=1-p.$$ Характеристики: $$M(X)=\frac{1}{p},\qquad D(X)=\frac{q}{p^2}.$$ Название — от вида формулы (геометрическая прогрессия).
📐 Разбор формул:
- X — номер испытания с первым успехом; k — конкретный номер;
- P(X=k) — вероятность первого успеха на k-м шаге;
- p — вероятность успеха, q = 1 − p — неудачи; qᵏ⁻¹ — k−1 неудач до успеха;
- M(X) = 1/p — среднее число испытаний до первого успеха;
- D(X) = q/p² — дисперсия этого числа.
Как работает: вероятности P(X=k) убывают как геометрическая прогрессия со знаменателем q — отсюда название. Чем выше p, тем раньше в среднем приходит успех: при p = 0,05 ждать нужно в среднем 1/0,05 = 20 испытаний.
Задача. Вероятность поражения цели $p=0{,}05$ ($q=0{,}95$). Стрельба до первого попадания. Составить закон распределения числа выстрелов, найти $M(X)$, $D(X)$ и вероятность, что понадобится не менее 5 выстрелов.
Ряд распределения (неограниченный):
Характеристики: $$M(X)=\frac{1}{0{,}05}=20,\qquad D(X)=\frac{0{,}95}{0{,}05^2}=380.$$ $$\sigma(X)=\sqrt{380}\approx 19.$$ Число выстрелов сосредоточено примерно в диапазоне $20\pm 19$.
Вероятность, что понадобится не менее 5 выстрелов (через противоположное событие): $$P(X\ge 5)=1-P(X<5)=1-\big(0{,}05+0{,}95\cdot0{,}05+0{,}95^2\cdot0{,}05+0{,}95^3\cdot0{,}05+0{,}95^4\cdot0{,}05\big)\approx 0{,}81.$$ (суммируются вероятности значений 1, 2, 3, 4)
Оставлено на самостоятельное изучение (формулы готовые, есть в учебнике).
Загружаю транскрипт…