Справді, розглядаючи сталу як випадкову величину, яка набуває єдиного значення з імовірністю, яка дорівнює одиниці, маємо М (С) = С·1 = С.
2. М (ХY) = М (Х) М (Y) для незалежних Х і Y.
Н а с л і д о к 1. М (СХ) = СМ (Х).
Н а с л і д о к 2. М (Х – М (Х)) = 0.
Справді М (Х - М (Х))= М (Х) – М (М (Х))= М (Х) – М (Х) = 0.
Приклад
Знайти М (Х), якщо Х розподілена за біноміальним законом, тобто Х є кількістю появ деякої події при n випробуваннях за умови, що ймовірність появи події в кожному випробуванні дорівнює р. Нехай Хі – кількість появ події в і-му випробуванні. Значення Хі – це 0 або 1, ймовірності q і р, отже,
M (Xi) = 0 · q + 1 · p = p.
Далі знаходимо
М (Х)= М (Х1 + Х2+ . . . + Хn ) = М (Х1) + М (Х2) + . . .+. М(Хn)=np
Приклад
Знайти М (Х), якщо Х розподілено за законом Пуассона.
Розв’язування. Маємо
Для розподілу Пуассона М (Х) = λ(λ – параметр розподілу).
Для нормального розподілу М (Х) = а (а – параметр розподілу).
Для експоненціального розподілу М (Х) = .
Для рівномірного розподілу М ( Х ) = .
Для геометричного розподілу М (Х) = .
Дві випадкові величини можуть мати однакові математичні сподівання, але різне розсіяння своїх значень навколо математичних сподівань.
Наступна величина характеризує таке розсіяння.
ОзначенняДисперсією випадкової величини Х називається математичне сподівання квадрата відхилення цієї величини від її математичного сподівання, тобто
D ( X ) = M ( X - M ( X ))2 (7.2)
Рівність (7.2) конкретизується для дискретних і неперервних величин відповідно ( якщо інтеграл збіжний)
Практичне тлумачення дисперсії полягає в тому, що вона характеризує ступінь розсіяння випадкової величини навколо її математичного сподівання і вимірюється в квадратних одиницях порівняно з одиницями вимірювання вихідної величини..
Останнє приводить до введення ще однієї характеристики – середнього квадратичного відхилення, тлумачення якого таке ж, як і дисперсії, а розмір такий, як і вихідної величини, а саме: