Дисперсия случайной величины — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
м (rollbackEdits.php mass rollback)
 
(не показано 19 промежуточных версий 9 участников)
Строка 1: Строка 1:
'''Диспе́рсия случа́йной величины́''' — мера разброса данной [[случайная величина|случайной величины]], то есть её отклонения от [[Математическое ожидание случайной величины|математического ожидания]]. Обозначается <tex>D \xi</tex> в русской литературе и <tex>\operatorname{Var}\,(\xi)</tex> в зарубежной. Квадратный корень из дисперсии, равный <tex>\displaystyle \sigma</tex>, называется среднеквадрати́чным отклоне́нием, станда́ртным отклоне́нием или стандартным разбросом.
 
Стандартное отклонение измеряется в тех же единицах, что и сама случайная величина, а дисперсия измеряется в квадратах этой единицы измерения.
 
  
== Определение ==
+
{{Определение
 +
|id = def1
 +
|definition =
 +
'''Дисперсией''' [[Дискретная случайная величина|случайной величины]] (англ. ''variance'') называется математическое ожидание квадрата отклонения этой случайной величины от ее математического ожидания: <tex>D  \xi = E(\xi -E\xi)^2 </tex>, где <tex>\xi</tex> {{---}} случайная величина, а <tex>E</tex> {{---}} символ, обозначающий [[Дискретная случайная величина#Математическое ожидание случайной величины|математическое ожидание]]}}
  
Пусть <tex>\displaystyle \xi</tex> — [[случайная величина]], определённая на некотором [[вероятностное пространство, элементарный исход, событие|вероятностном пространстве]]. Тогда
+
Дисперсия характеризует разброс [[Дискретная случайная величина|случайной величины]] вокруг ее [[Математическое ожидание случайной величины|математического ожидания]].
: <tex>D  \xi = E(\xi -E\xi)^2 </tex>
 
  
где символ <tex>E</tex> обозначает [[Математическое ожидание случайной величины|математическое ожидание]].
+
Корень из дисперсии называется средним квадратичным отклонением. Оно используется для оценки масштаба возможного
 +
отклонения случайной величины от ее математического ожидания.
  
== Замечания ==
+
{{Утверждение
 +
|statement=В силу [[ Линейность математического ожидания|линейности математического ожидания]] справедлива формула <tex>D \xi = E\xi^2 - (E\xi)^2</tex>
 +
|proof=<tex>D \xi = E(\xi - E\xi)^2 = E(\xi^2 -2(E\xi)\xi + (E\xi)^2) = </tex>
 +
<tex>= E\xi^2 + (E\xi)^2 - 2(E\xi)E\xi = E\xi^2 - (E\xi)^2 </tex>
 +
}}
  
* В силу линейности [[Математическое ожидание случайной величины|математического ожидания]] справедлива формула:
+
== Линейность ==
*: <tex>D \xi = E\xi^2 - (E\xi)^2;</tex>
+
 
 +
{{Теорема
 +
|statement=
 +
Если <tex>\xi</tex> и <tex>\eta</tex> {{---}} независимые случайные величины, то: <tex>D(\xi + \eta) = D\xi + D\eta</tex>
 +
|proof=
 +
* Из определения:  
 +
*: <tex>D(\xi + \eta) = E(\xi + \eta - E(\xi + \eta))^2 = E(\xi - E\xi + \eta - E\eta)^2 =</tex>
 +
 
 +
: <tex> = E(\xi - E\xi)^2 + 2E((\xi - E\xi)(\eta - E\eta)) + E(\eta - E\eta)^2 = D\xi + D\eta + 2(E\xi\eta - E\xi E\eta))</tex>
 +
 
 +
* При этом, <tex>E\xi\eta - E\xi E\eta = 0</tex>, так как <tex>\xi</tex> и <tex>\eta</tex> {{---}} независимые случайные величины.
 +
:Действительно,
 +
 
 +
: <tex>E\xi\eta = {\sum_{a, b} \limits} abP(\xi = a, \eta = b) = {\sum_{a, b} \limits} abP(\xi = a)P(\eta = b) =</tex> <tex> {\sum_{a} \limits} aP(\xi = a) {\sum_{b} \limits} bP(\eta = b) = E\xi E\eta</tex>
 +
}}
  
 
== Свойства ==
 
== Свойства ==
 +
* Дисперсия любой [[Дискретная случайная величина|случайной величины]] неотрицательна: <tex>D\xi \geqslant 0</tex>
 +
* Если дисперсия случайной величины конечна, то конечно и её [[Дискретная случайная величина#Математическое ожидание случайной величины|математическое ожидание]]
 +
* Если случайная величина равна константе, то её дисперсия равна нулю: <tex>Da = 0</tex>
 +
* Дисперсия суммы двух случайных величин равна:
 +
*: <tex>\! D(\xi \pm \psi) = D\xi + D\psi \pm 2\,\text{Cov}(\xi, \psi)</tex>, где <tex>\! \text{Cov}(\xi, \psi)</tex> {{---}} их [[Ковариация случайных величин|ковариация]]
 +
* <tex>D (a\xi) = a^2D\xi</tex>, где <tex>a</tex> {{---}} константа. В частности, <tex>D(-\xi) = D\xi</tex>
 +
* <tex>D(\xi+b) = D\xi</tex>, где <tex>b</tex> {{---}} константа.
 +
== Связь с центральным моментом ==
 +
{{Определение
 +
|id = def1
 +
|definition=<b>Центральным моментом</b> (англ. ''central moment'') <tex>k</tex>-ого порядка случайной величины <tex>\xi</tex> называется величина <tex>\mu_k</tex>, определяемая формулой <tex>\mu_k = E(\xi -E\xi)^k</tex>.
 +
}}
 +
Заметим, что если <tex>k</tex> равно двум, то <tex>\mu_2 = E(\xi -E\xi)^2 = D \xi</tex>.
 +
Таким образом, дисперсия является центральным моментом второго порядка.
 +
 +
== Пример ==
 +
Рассмотрим простой пример вычисления [[Дискретная случайная величина#Математическое ожидание случайной величины|математического ожидания]] и дисперсии.
 +
{{Задача
 +
|definition=Найти математическое ожидание и дисперсию числа очков, выпавших на честной игральной кости с первого броска.
 +
}}
 +
<tex> \xi(i) = i </tex>
  
* Дисперсия любой [[случайная величина|случайной величины]] неотрицательна: <tex>D\xi \geqslant 0;</tex>
+
Вычислим математическое ожидание: <tex>E\xi = \sum \xi(\omega)p(\omega) = 1\cdot \dfrac{1}{6} +2\cdot \dfrac{1}{6} \dots +6\cdot \dfrac{1}{6} = 3.5</tex>
* Если дисперсия [[случайная величина|случайной величины]] конечна, то конечно и её математическое ожидание;
 
* Если [[случайная величина]] равна константе, то её дисперсия равна нулю: <tex>Da = 0.</tex> Верно и обратное: если <tex>D\xi=0,</tex> то <tex>\xi =E\xi</tex> почти всюду;
 
* Дисперсия суммы двух [[случайная величина|случайных величин]] равна:
 
*: <tex>\! D(\xi \pm \psi) = D\xi + D\psi \pm 2\,\text{Cov}(\xi, \psi)</tex>, где <tex>\! \text{Cov}(\xi, \psi)</tex> — их [[Ковариация случайных величин|ковариация]];
 
* <tex>D (a\xi) = a^2D\xi;</tex>
 
* <tex>D(-\xi) = D\xi;</tex>
 
* <tex>D(\xi+b) = D\xi.</tex>
 
  
== Источники ==
+
Вычислим дисперсию: <tex>D\xi = E\xi^2 - (E\xi)^2 = 1\cdot \dfrac{1}{6}+4\cdot \dfrac{1}{6} \dots +36\cdot \dfrac{1}{6} - (3.5)^2 \approx 2.9</tex>
  
* [http://ru.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F_%D1%81%D0%BB%D1%83%D1%87%D0%B0%D0%B9%D0%BD%D0%BE%D0%B9_%D0%B2%D0%B5%D0%BB%D0%B8%D1%87%D0%B8%D0%BD%D1%8B Википедия]
+
== См. также ==
*Дискретный анализ, Романовский И. В.
+
*[[Ковариация случайных величин|Ковариация случайных величин]]
 +
*[[Корреляция случайных величин|Корреляция случайных величин]]
 +
== Источники информации ==
 +
*''Романовский И. В.'' Дискретный анализ, 3-е изд.: Издательский дом "Невский диалект", 2003 {{---}} стр. 68.
 +
*[https://ru.wikipedia.org/wiki/%D0%94%D0%B8%D1%81%D0%BF%D0%B5%D1%80%D1%81%D0%B8%D1%8F_%D1%81%D0%BB%D1%83%D1%87%D0%B0%D0%B9%D0%BD%D0%BE%D0%B9_%D0%B2%D0%B5%D0%BB%D0%B8%D1%87%D0%B8%D0%BD%D1%8B Википедия {{---}} Дисперсия случайной величины]
 +
*[https://en.wikipedia.org/wiki/Variance Wikipedia {{---}} Variance]
 +
*[http://www.exponenta.ru/educat/class/courses/tv/theme0/3.asp#2 EXPonenta.ru {{---}} Числовые характеристики случайных величин]
 +
[[Категория: Дискретная математика и алгоритмы]]
 +
[[Категория: Теория вероятности]]

Текущая версия на 19:41, 4 сентября 2022


Определение:
Дисперсией случайной величины (англ. variance) называется математическое ожидание квадрата отклонения этой случайной величины от ее математического ожидания: [math]D \xi = E(\xi -E\xi)^2 [/math], где [math]\xi[/math] — случайная величина, а [math]E[/math] — символ, обозначающий математическое ожидание


Дисперсия характеризует разброс случайной величины вокруг ее математического ожидания.

Корень из дисперсии называется средним квадратичным отклонением. Оно используется для оценки масштаба возможного отклонения случайной величины от ее математического ожидания.

Утверждение:
В силу линейности математического ожидания справедлива формула [math]D \xi = E\xi^2 - (E\xi)^2[/math]
[math]\triangleright[/math]

[math]D \xi = E(\xi - E\xi)^2 = E(\xi^2 -2(E\xi)\xi + (E\xi)^2) = [/math]

[math]= E\xi^2 + (E\xi)^2 - 2(E\xi)E\xi = E\xi^2 - (E\xi)^2 [/math]
[math]\triangleleft[/math]

Линейность

Теорема:
Если [math]\xi[/math] и [math]\eta[/math] — независимые случайные величины, то: [math]D(\xi + \eta) = D\xi + D\eta[/math]
Доказательство:
[math]\triangleright[/math]
  • Из определения:
    [math]D(\xi + \eta) = E(\xi + \eta - E(\xi + \eta))^2 = E(\xi - E\xi + \eta - E\eta)^2 =[/math]
[math] = E(\xi - E\xi)^2 + 2E((\xi - E\xi)(\eta - E\eta)) + E(\eta - E\eta)^2 = D\xi + D\eta + 2(E\xi\eta - E\xi E\eta))[/math]
  • При этом, [math]E\xi\eta - E\xi E\eta = 0[/math], так как [math]\xi[/math] и [math]\eta[/math] — независимые случайные величины.
Действительно,
[math]E\xi\eta = {\sum_{a, b} \limits} abP(\xi = a, \eta = b) = {\sum_{a, b} \limits} abP(\xi = a)P(\eta = b) =[/math] [math] {\sum_{a} \limits} aP(\xi = a) {\sum_{b} \limits} bP(\eta = b) = E\xi E\eta[/math]
[math]\triangleleft[/math]

Свойства

  • Дисперсия любой случайной величины неотрицательна: [math]D\xi \geqslant 0[/math]
  • Если дисперсия случайной величины конечна, то конечно и её математическое ожидание
  • Если случайная величина равна константе, то её дисперсия равна нулю: [math]Da = 0[/math]
  • Дисперсия суммы двух случайных величин равна:
    [math]\! D(\xi \pm \psi) = D\xi + D\psi \pm 2\,\text{Cov}(\xi, \psi)[/math], где [math]\! \text{Cov}(\xi, \psi)[/math] — их ковариация
  • [math]D (a\xi) = a^2D\xi[/math], где [math]a[/math] — константа. В частности, [math]D(-\xi) = D\xi[/math]
  • [math]D(\xi+b) = D\xi[/math], где [math]b[/math] — константа.

Связь с центральным моментом

Определение:
Центральным моментом (англ. central moment) [math]k[/math]-ого порядка случайной величины [math]\xi[/math] называется величина [math]\mu_k[/math], определяемая формулой [math]\mu_k = E(\xi -E\xi)^k[/math].

Заметим, что если [math]k[/math] равно двум, то [math]\mu_2 = E(\xi -E\xi)^2 = D \xi[/math]. Таким образом, дисперсия является центральным моментом второго порядка.

Пример

Рассмотрим простой пример вычисления математического ожидания и дисперсии.

Задача:
Найти математическое ожидание и дисперсию числа очков, выпавших на честной игральной кости с первого броска.

[math] \xi(i) = i [/math]

Вычислим математическое ожидание: [math]E\xi = \sum \xi(\omega)p(\omega) = 1\cdot \dfrac{1}{6} +2\cdot \dfrac{1}{6} \dots +6\cdot \dfrac{1}{6} = 3.5[/math]

Вычислим дисперсию: [math]D\xi = E\xi^2 - (E\xi)^2 = 1\cdot \dfrac{1}{6}+4\cdot \dfrac{1}{6} \dots +36\cdot \dfrac{1}{6} - (3.5)^2 \approx 2.9[/math]

См. также

Источники информации