| Наименование параметра | Значение |
| Тема статьи: | Свойства дисперсии |
| Рубрика (тематическая категория) | Математика |
1.Дисперсия постоянной C равна 0,DC = 0, С = const .
Доказательство . DC = M (С – MC ) 2 = М (С – С ) = 0.
2. D (CX ) = С 2 DX .
Доказательство. D (CX ) = M (CX ) 2 – M 2 (CX ) = C 2 MX 2 – C 2 (MX ) 2 = C 2 (MX 2 – M 2 X ) = С 2 DX .
3. В случае если X и Y – независимые случайные величины , то
Доказательство .
4. В случае если Х
1 , Х
2 , … не зависимы, то
.
Это свойство можно доказать методом индукции, используя свойство 3.
Доказательство . D(X – Y) = DX + D(–Y) = DX + (–1) 2 D(Y) = DX + D(Y).
6. 
Доказательство . D(C+X) = M(X+C–M(X+C)) 2 = M(X+C–MX–MC) 2 = M(X+C–MX–C) 2 = M(X–MX) 2 = DX.
Пусть – независимые случайные величины, причем, .
Составим новую случайную величину , найдем математическое ожидание и дисперсию Y .
; 
.
То есть при n ®¥ математическое ожидание среднего арифметического n независимых одинаково распределенных случайных величин остается неизменным, равным математическому ожиданию а, в то время как дисперсия стремится к нулю.
Это свойство статистической устойчивости среднего арифметического лежит в базе закона больших чисел.
Свойства дисперсии - понятие и виды. Классификация и особенности категории "Свойства дисперсии" 2017, 2018.
1) Дисперсия постоянной величины равна нулю. 2) Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат. 3) Дисперсия суммы двух независимых случайных величин равна сумме дисперсий этих величин. 4) Дисперсия разности двух независимых случайных... .
1. Дисперсия постоянной равна 0. Доказательство D[с]=0 D[с]=M-M2[c]=c2-c2=0 2. Постоянный множитель можно выносить за знак дисперсии, возводя ее в квадрат. Доказательство: D=c2D[x] D-M-M2=c2M-c2M[x]=c2(2-M[x]])=c2D[x] 3. Дисперсия суммы независимых случайных величин D[х+у]=D[х]+D[у] ... .
1.Дисперсия постоянной величины равна нулю. 2.Если у всех значений вариантов отнять какое-то постоянное число А, то средний квадрат отклонений (дисперсия) от этого не изменится. (2.14) Это значит, что дисперсию можно вычислить не по заданным значениям признака, а по их... .
Свойство 1.Дисперсия постоянной величины равна нулю: . Доказательство. . С другой стороны постоянная величина сохраняет одно и то же значение и рассеяния не имеет. Свойство 2. Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат: . Доказательство.... .
1) (под интегралом стоит квадрат функции). 2) (. 3) (выведите сами, вынося из под суммы или из под интеграла). Средним квадратическим отклонением называется. Кроме этих основных числовых характеристик используются коэффициент асимметрии, эксцесс – мера островершинности... .
1). Дисперсия неслучайной величины равна 0. D[X]=0 Þ следует из определения. D[X]=M(C-M[C])2=M(0)=0 2). D[X]³0 Это следует из того, что D[X]=M[(X-mx)]2³0 3). Если a и b постоянные, то D=b2·D[X]. Это следует из определения дисперсии. 4). Дисперсия обладает аддитивностью, действительно...
Тема 8.12. Дисперсия случайной величины.
О. Дисперсия случайной величины - это математическое ожидание квадрата отклонения случайной величины от её математического ожидания.
Дисперсия характеризует степень рассеяния значений случайной величины относительно её математического ожидания. Если все значения случайной величины тесно сконцентрированы около её математического ожидания и большие отклонения от математического ожидания маловероятны, то такая случайная величина имеет малую дисперсию. Если значения случайной величины рассеяны и велика вероятность больших отклонений от математического ожидания, то такая случайная величина имеет большую дисперсию.
Используя определение дисперсии, для дискретной случайной величины формулу вычисления дисперсии можно представить в таком виде:
Можно вывести ещё одну формулу для вычисления дисперсии:
Таким образом, дисперсия случайной величины равна разности математического ожидания квадрата случайной величины и квадрата её математического ожидания.
Свойства дисперсии.
Это свойство оставим без доказательства.
Биномиальный закон распределения.
Пусть заданы числа n принадлежит N и p (0 <p < 1). Тогда каждому целому числу из промежутка можно поставить в соответствие вероятность, рассчитанную по формуле Бернулли. Получим закон распределения случайной величины (назовём её B(бетта))
Будем говорить, что случайная величина распределена по закону Бернулли. Такой случайной величиной является частота появления события А в n повторных независимых испытаниях, если в каждом испытании событие А происходит с вероятностью p .
Рассмотрим отдельное i - е испытание. Пространство элементарных исходов для него имеет вид
Закон распределения случайной величины рассматривался в предыдущей теме
Для i
= 1,2, ... , n
получаем систему из n
независимых случайных величин, имеющих одинаковые законы распределения.
Пример.
Из 20 отобранных для контроля образцов продукции 4 оказались нестандартными. Оценим вероятность того, что случайно выбранный экземпляр продукции не отвечает стандарту отношением р * = 4/20 = 0,2.
Так как х случайная величина, р * – тоже случайная величина. Значения р * могут меняться от одного эксперимента к другому (в рассматриваемом случае экспериментом является случайный отбор и контроль 20-ти экземпляров продукции). Каково математическое ожидание р * ? Поскольку х есть случайная величина, обозначающая число успехов в n испытаниях по схеме Бернулли, М( x ) = np . Для математического ожидания случайной величины р * по определению получаем: M (p *) = M(x/n) , но n здесь является константой, поэтому по свойству математического ожидания
M (p *) = 1/n*M(x)=1/n np=p
Таким образом, “ в среднем” получается истинное значение р , чего и следовало ожидать. Это свойство оценки р* величины р имеет название: р* является несмещённой оценкой для р . Отсутствие систематического отклонения от величины оцениваемого параметра р подтверждает целесообразность использования величины р* в качестве оценки. Вопрос о точности оценки пока оставляем открытым.
Однако на этом тема не заканчивается. У дисперсии есть различные полезные свойства, с которыми мы и познакомимся в данной заметке.
Дисперсия используется в самых разных формулах и методах анализа. Чтобы хорошо понимать глубинный смысл тех или иных формул, очень неплохо знать, как они образованы. Тогда и анализ данных будет гораздо интереснее и понятнее.
Итак, формула дисперсии имеет следующий вид:
Обозначения прежние:
D – дисперсия,
x – анализируемый показатель, с чертой сверху – среднее значение показателя,
n – количество значений в анализируемой совокупности данных.
Собственно, этот вид формулы напрямую отражает ее суть – средний квадрат отклонений. Но что здесь полезно отметить. В те времена, когда люди еще не имели ПЭВМ, расчеты приходилось делать на листе бумаги или в уме. Дело, конечно, полезное – мозги развивает, но не сильно способствует скорости и точности. Тем не менее, и сегодня можно столкнуться с необходимостью ручных расчетов и манипуляцией с формулой. В этом случае формулу дисперсии удобно представить в другом виде:
То есть как разницу между средним квадратом и квадратом средней исходных значений. Здесь нет непосредственно отклонений от средней арифметической, что делает формулу значительно проще. Убедимся, что обе формулы расчета дисперсии идентичны. Для этого запишем еще раз первоначальный вид.
Теперь, раскроем скобки.
Т.к. средняя арифметическая для заданного набора данных является величиной постоянной, то для удвоенного произведения можно применить :
Разделим каждое слагаемое числителя на n .
Последний штрих.
Все сошлось.
Предлагаю запомнить такую форму записи. Обязательно пригодиться.
В предыдущих публикациях ничего не было сказано о том, что по аналогии со средней арифметической дисперсия может быть простой и взвешенной. До сих пор мы рассматривали только простую дисперсию. Но если исходные данные сгруппированы, то веса нужны не только для расчета , но и для расчета дисперсии:
где f –веса (количество значений в группе).
Извлекая квадратный корень, получим взвешенное среднеквадратическое отклонение. Как и со средней арифметической, простую дисперсию можно считать частным случаем взвешенной, когда все веса равны единице.
Ничего сложного здесь нет – в числителе по-прежнему берется сумма всех отклонений, а не только уникальных, а в знаменателе – количество всех наблюдений, даже тех, которые повторяются.
Малоопытному аналитику часто трудно осознать, как наглядно представить дисперсию. Вот средняя – понятно, что-то в середине. Например, центр масс на рисунке из предыдущей статьи. На этом же рисунке можно рассмотреть и физический смысл дисперсии. Напомню, что мы берем спицу с нанизанными грузиками. Среднее арифметическое из расстояний от начала спицы до каждого из грузиков будет соответствовать точке равновесия. Однако есть еще одна важная физическая характеристика такой системы – момент инерции.
Наподобие того, как масса тела характеризует его инертность в поступательном движении, момент инерции имеет похожий смысл во вращательном движении. Например, автомобиль из-за своей массы (инертности) не может остановиться мгновенно (разве что во время краш-теста). Точно так трудно мгновенно остановить качели с людьми (типа лодочка в парке культуры и отдыха). Случай с автомобилем – поступательное движение, с качелями – вращательное. В отличие от инерции в поступательном движении момент инерции зависит не только от массы, но еще и от расстояния массы до точки вращения. Чем дальше тело от точки вращения, тем большим моментом инерции оно обладает. Длинное топорище позволят рубить дерево гораздо эффективнее, чем короткое. Вернемся к нашей картинке с грузиками на спице и добавим в нее несколько пояснений.
В такой системе момент инерции равен сумме произведений квадратов расстояний каждого грузика до точки равновесия и соответствующих масс. Формула момента инерции имеет следующий вид:
где m – масса отдельного грузика
Нетрудно заметить, расстояние грузиков до центра является одновременно и отклонением от средней. Масса грузиков в этом случае соответствует весу отклонения (в статистическом смысле). Отсюда легко увидеть, что момент инерции уравновешенной системы – это числитель дисперсии расстояний грузиков до центра масс. Чем дальше грузики от центра, тем больше момент инерции и, соответственно, дисперсия.
Свойства дисперсии
Как я уже не раз упоминал, сама по себе дисперсия – показатель малоинформативный. Дисперсию всегда с чем-то сравнивают и используются в других формулах. Отсюда очень важно знать ее математические свойства. Нижеследующее рекомендую прочитать вдумчиво и по возможности запомнить.
Для большей наглядности обозначим дисперсию как D(X) .
Свойство 1 . Дисперсия постоянной величины A равна 0 (нулю).
D(A) = 0 .
Оно и не удивительно – у постоянной величины нет отклонений.
Свойство 2 . Если случайную величину умножить на постоянную А , то дисперсия этой случайной величины увеличится в А 2 раз. Другими словами, постоянный множитель можно вынести за знак дисперсии, возведя его в квадрат.
D(AX) = А 2 D(X) .
Данное свойство вполне очевидно, если вспомнить, что при расчете дисперсии отклонения от средней возводятся в квадрат.
Свойство 3 . Если к случайной величине добавить (или отнять) постоянную А, то дисперсия останется неизменной.
D(A+X) = D(X) .
Это свойство также вполне понятно, т.к. все значения и их среднее увеличиваются на одну и ту же величину, и при взятии их разностей, величина А просто сокращается.
Свойство 4 . Если случайные величины X и Y независимы, то дисперсия их суммы равна сумме их дисперсий.
D(X+Y) = D(X) + D(Y) .
Учитывая второй способ расчета дисперсии (см. выше), а также математического ожидания, выводится довольно просто:
D(X+Y) = M(X+Y) 2 — (M(X+Y)) 2 = M(X) 2 + 2M(XY) + M(Y) 2 — (M(X)) 2 — 2M(XY) — (M(Y)) 2 =
= M(X) 2 — (M(X)) 2 + M(Y) 2 — (M(Y)) 2 = D(X) + D(Y) . Ч. т. д.
Свойство 5 . Если случайные величины X и Y независимы, то дисперсия их разницы также равна сумме дисперсий.
D(X-Y) = D(X) + D(Y) .
Здесь учитывается то, что дисперсия всегда положительна (все отклонения от средней возводятся в квадрат).
На этой радостной ноте и закончим заметку.
Всех благ. Приходите еще и приводите своих друзей.
Дисперсия случайной величины характеризует меру разброса случайной величины около ее математического ожидания.
Если случайная величина x имеет математическое ожидание M x , то дисперсией случайной величины x называется величина D x =M (x - M x ) 2 .
Легко показать, что D x = M (x - M x ) 2 = M x 2 - M (x) 2 .
Эта универсальная формула одинаково хорошо применима как для дискретных случайных величин, так и для непрерывных. Величина M x 2 >для дискретных и непрерывных случайных величин соответственно вычисляется по формулам
, 
.
Для определения меры разброса значений случайной величины часто используется среднеквадратичное отклонение ,связанное с дисперсией соотношением .
Основные свойства дисперсии:
- дисперсия константы равна нулю, D c =0;
- для произвольной константы D (cx ) = c 2 D (x);
- дисперсия суммы двух независимых случайных величинравна сумме их дисперсий: D (x ± h ) = D (x) + D (h).
51) Функцией распределения называют функцию , определяющую вероятность того, что случайная величина примет значение, которое изображается на числовой оси точкой, лежащей левее точки х, т.е.
Иногда вместо термина «Функция распределения» используют термин «Интегральная функция».
Свойства функции распределения:
1. Значения функции распределения принадлежит отрезку : 0 F(x) 1
2. F(x) - неубывающая функция, т.е. F(x 2) F(x 1), если x 2 >x 1
Следствие 1. Вероятность того, что случайная величина примет значение, заключенное в интервале (a,b), равна приращению функции распределения на этом интервале:
P(a X Пример 9. Случайная величина Х задана функцией распределения: Найти вероятность того, что в результате испытания Х примет значение, принадлежащее интервалу (0;2): P(0 Решение: Так как на интервале (0;2) по условию, F(x)=x/4+1/4, то F(2)-F(0)=(2/4+1/4)-(0/4+1/4)=1/2. Итак, P(0 Следствие 2. Вероятность того, что непрерывная случайная величина Х примет одно определенное значение, равна нулю. Следствие 3. Если возможные значения случайной величины принадлежат интервалу (а;b), то: 1) F(x)=0 при x a; 2) F(x)=1 при x b. График функции распределения расположен в полосе, ограниченной прямыми у=0, у=1 (первое свойство). При возрастании х в интервале (а;b), в котором заключены все возможные значения случайной величины, график «подымается вверх». При x a ординаты графика равны нулю; при x b ординаты графика равны единице: Функцией распределения
случайной величины Х
называется функция F(x)
, выражающая для каждого х
вероятность того, что случайная величина Х
примет значение, меньшее х
: Функцию F(x)
называют интегральной функцией распределения
или интегральным законом распределения. Способ задания непрерывной случайной величины с помощью функции распределения не является единственным. Необходимо определить некоторую функцию, отражающую вероятности попадания случайной точки в различные участки области возможных значений непрерывной случайной величины. Т. е. представить некоторую замену вероятностям p i
для дискретной случайной величины в непрерывном случае. Такой функцией является плотность распределения вероятностей. Плотностью вероятности
(плотностью распределения, дифференциальной функцией
) случайной величины Х
называется функция f(x),
являющаяся первой производной интегральной функции распределения.
Справедливы следующие предельные соотношения: 
.