Это разность математического ожидания квадрата случайной величины и квадрата ее мат ожидания.
D(X)=M(X^2)-M^2(X)
Дисперсия характеризует степень рассеяния значение случайной величины относительно ее мат ожидания. Если все значения тесно сконцентрированы около ее мат ожидания и больше отклонения от мат ожид, то такая случайная величина имеет малую дисперсию, а если рассеяны и велика вероятность больших отклонений от М, то случ величина имеет большую дисперсию.
Свойства:
1.Дисперсия постоянно равна 0 D(C)=0
2.Дисперсия произведения случ величины на постоянную С равна произ десперсии случ велич Х на квадрат постоянной D(CX)=C^2D(X)
3.Если случ велич X and Y независимы, дисперсия их суммы (разности) равна сумме дисперсий
D(X Y)=D(X)+D(Y)
4.Дисперсия случ велич не изменится если к ней прибавить постоянную
Теорема:
Дисперсия числа появление соб А в n независимых испытаниях в каждом из которых вероятность появления соб постоянна и равна p, равна произведению числа испытания на вероятность появления и вероятности непоявления соб в одном испытании
Среднее квадратичское отклонение.
Средним квадрат отклонением случайной величины Х называется арифметический корень из дисперсия
Непрерывные случайные величины. Функция распределения вероятностей и ее свойства.
Случайная величина, значение которой заполняет некоторый промежуток, называется непрерывной .
Промежутки могут быть конечными, полубесконечными или бесконечными.
Функция распред св.
Способы задания ДСВ неприменимы для непрерывной. В этой связи вводиться понятие функции распределение вероятностей.
Функция распределения называют функцию F(x) определяющую для каждого значения х вероятность того что случ велич Х примет значение меньшее х т.е
Функция распределения ДСВ принимающие значение (x1,x2,x3) с вероятностью (p1,p2,p3) определяется
Так, например функция распределения биномиального распределения определяется формулой:
Случайную величину называют непрерывной, если ее функция распределения есть непрерывная, частично-дифференцируемая функция с непрерывной производной.
Свойства:
1.значение функции принадлежит
2. функция распределения есть неубывающая функция F(x2) 3.Вероятность того что случайная величина X примет значение заключенное в интервале (α,β) равна приращению функции распределения на этом интервале P(α Следствие. Вероятность того что случ велич примет одно значение равно 0. 4.Если все возможные значение случ велич Х принадлежит (a,b) то F(x)=0 при x a и F(x)=1 при x b 5.Вероятность того, что случ велич Х примет значение большее чем x равно разности между единицей и функцией распределения Математическим ожиданием (средним значением) случайной величины X , заданной на дискретном вероятностном пространстве, называется число m =M[X]=∑x i p i
, если ряд сходится абсолютно.
Назначение сервиса
. С помощью сервиса в онлайн режиме вычисляются математическое ожидание, дисперсия и среднеквадратическое отклонение
(см. пример). Кроме этого строится график функции распределения F(X) . Пример
. Известны математические ожидания и дисперсии двух независимых случайных величин X и Y: M(x)=8 , M(Y)=7 , D(X)=9 , D(Y)=6 . Найти математическое ожидание и дисперсию случайное величины Z=9X-8Y+7 .
Пример №1
. Пример №2
. Дискретная случайная величина имеет следующий ряд распределения: Решение. Величину a находим из соотношения: Σp i = 1
Пример №3
. Определить закон распределения дискретной случайной величины, если известна её дисперсия, причем х 1 Решение.
Закон распределения дискретной случайной величины
Теория вероятности - особый раздел математики, который изучают только студенты высших учебных заведений. Вы любите расчёты и формулы? Вас не пугают перспективы знакомства с нормальным распределением, энтропией ансамбля, математическим ожиданием и дисперсией дискретной случайной величины? Тогда этот предмет вам будет очень интересен. Давайте познакомимся с несколькими важнейшими базовыми понятиями этого раздела науки. Даже если вы помните самые простые понятия теории вероятности, не пренебрегайте первыми абзацами статьи. Дело в том, что без четкого понимания основ вы не сможете работать с формулами, рассматриваемыми далее. Итак, происходит некоторое случайное событие, некий эксперимент. В результате производимых действий мы можем получить несколько исходов - одни из них встречаются чаще, другие - реже. Вероятность события - это отношение количества реально полученных исходов одного типа к общему числу возможных. Только зная классическое определение данного понятия, вы сможете приступить к изучению математического ожидания и дисперсии непрерывных случайных величин. Ещё в школе на уроках математики вы начинали работать со средним арифметическим. Это понятие широко используется в теории вероятности, и потому его нельзя обойти стороной. Главным для нас на данный момент является то, что мы столкнемся с ним в формулах математического ожидания и дисперсии случайной величины. Мы имеем последовательность чисел и хотим найти среднее арифметическое. Всё, что от нас требуется - просуммировать всё имеющееся и разделить на количество элементов в последовательности. Пусть мы имеем числа от 1 до 9. Сумма элементов будет равна 45, и это значение мы разделим на 9. Ответ: - 5. Говоря научным языком, дисперсия - это средний квадрат отклонений полученных значений признака от среднего арифметического. Обозначается одна заглавной латинской буквой D. Что нужно, чтобы её рассчитать? Для каждого элемента последовательности посчитаем разность между имеющимся числом и средним арифметическим и возведем в квадрат. Значений получится ровно столько, сколько может быть исходов у рассматриваемого нами события. Далее мы суммируем всё полученное и делим на количество элементов в последовательности. Если у нас возможны пять исходов, то делим на пять. У дисперсии есть и свойства, которые нужно запомнить, чтобы применять при решении задач. Например, при увеличении случайной величины в X раз, дисперсия увеличивается в X в квадрате раз (т. е. X*X). Она никогда не бывает меньше нуля и не зависит от сдвига значений на равное значение в большую или меньшую сторону. Кроме того, для независимых испытаний дисперсия суммы равна сумме дисперсий. Теперь нам обязательно нужно рассмотреть примеры дисперсии дискретной случайной величины и математического ожидания. Предположим, что мы провели 21 эксперимент и получили 7 различных исходов. Каждый из них мы наблюдали, соответственно, 1,2,2,3,4,4 и 5 раз. Чему будет равна дисперсия? Сначала посчитаем среднее арифметическое: сумма элементов, разумеется, равна 21. Делим её на 7, получая 3. Теперь из каждого числа исходной последовательности вычтем 3, каждое значение возведем в квадрат, а результаты сложим вместе. Получится 12. Теперь нам остается разделить число на количество элементов, и, казалось бы, всё. Но есть загвоздка! Давайте её обсудим. Оказывается, при расчёте дисперсии в знаменателе может стоять одно из двух чисел: либо N, либо N-1. Здесь N - это число проведенных экспериментов или число элементов в последовательности (что, по сути, одно и то же). От чего это зависит? Если количество испытаний измеряется сотнями, то мы должны ставить в знаменатель N. Если единицами, то N-1. Границу ученые решили провести достаточно символически: на сегодняшний день она проходит по цифре 30. Если экспериментов мы провели менее 30, то делить сумму будем на N-1, а если более - то на N. Давайте вернемся к нашему примеру решения задачи на дисперсию и математическое ожидание. Мы получили промежуточное число 12, которое нужно было разделить на N или N-1. Поскольку экспериментов мы провели 21, что меньше 30, выберем второй вариант. Итак, ответ: дисперсия равна 12 / 2 = 2. Перейдем ко второму понятию, которое мы обязательно должны рассмотреть данной статье. Математическое ожидание - это результат сложения всех возможных исходов, помноженных на соответствующие вероятности. Важно понимать, что полученное значение, как и результат расчёта дисперсии, получается всего один раз для целой задачи, сколько бы исходов в ней не рассматривалось. Формула математического ожидания достаточно проста: берем исход, умножаем на его вероятность, прибавляем то же самое для второго, третьего результата и т. д. Всё, связанное с этим понятием, рассчитывается несложно. Например, сумма матожиданий равна матожиданию суммы. Для произведения актуально то же самое. Такие простые операции позволяет с собой выполнять далеко не каждая величина в теории вероятности. Давайте возьмем задачу и посчитаем значение сразу двух изученных нами понятий. Кроме того, мы отвлекались на теорию - пришло время попрактиковаться. Мы провели 50 испытаний и получили 10 видов исходов - цифры от 0 до 9 - появляющихся в различном процентном отношении. Это, соответственно: 2%, 10%, 4%, 14%, 2%,18%, 6%, 16%, 10%, 18%. Напомним, что для получения вероятностей требуется разделить значения в процентах на 100. Таким образом, получим 0,02; 0,1 и т.д. Представим для дисперсии случайной величины и математического ожидания пример решения задачи. Среднее арифметическое рассчитаем по формуле, которую помним с младшей школы: 50/10 = 5. Теперь переведем вероятности в количество исходов «в штуках», чтобы было удобнее считать. Получим 1, 5, 2, 7, 1, 9, 3, 8, 5 и 9. Из каждого полученного значения вычтем среднее арифметическое, после чего каждый из полученных результатов возведем в квадрат. Посмотрите, как это сделать, на примере первого элемента: 1 - 5 = (-4). Далее: (-4) * (-4) = 16. Для остальных значений проделайте эти операции самостоятельно. Если вы всё сделали правильно, то после сложения всех вы получите 90. Продолжим расчёт дисперсии и математического ожидания, разделив 90 на N. Почему мы выбираем N, а не N-1? Правильно, потому что количество проведенных экспериментов превышает 30. Итак: 90/10 = 9. Дисперсию мы получили. Если у вас вышло другое число, не отчаивайтесь. Скорее всего, вы допустили банальную ошибку при расчётах. Перепроверьте написанное, и наверняка всё встанет на свои места. Наконец, вспомним формулу математического ожидания. Не будем приводить всех расчётов, напишем лишь ответ, с которым вы сможете свериться, закончив все требуемые процедуры. Матожидание будет равно 5,48. Напомним лишь, как осуществлять операции, на примере первых элементов: 0*0,02 + 1*0,1… и так далее. Как видите, мы просто умножаем значение исхода на его вероятность. Ещё одно понятие, тесно связанное с дисперсией и математическим ожиданием - среднее квадратичное отклонение. Обозначается оно либо латинскими буквами sd, либо греческой строчной «сигмой». Данное понятие показывает, насколько в среднем отклоняются значения от центрального признака. Чтобы найти её значение, требуется рассчитать квадратный корень из дисперсии. Если вы построите график нормального распределения и захотите увидеть непосредственно на нём квадратичного отклонения, это можно сделать в несколько этапов. Возьмите половину изображения слева или справа от моды (центрального значения), проведите перпендикуляр к горизонтальной оси так, чтобы площади получившихся фигур были равны. Величина отрезка между серединой распределения и получившейся проекцией на горизонтальную ось и будет представлять собой среднее квадратичное отклонение. Как видно из описаний формул и представленных примеров, расчеты дисперсии и математического ожидания - не самая простая процедура с арифметической точки зрения. Чтобы не тратить время, имеет смысл воспользоваться программой, используемой в высших учебных заведениях - она называется «R». В ней есть функции, позволяющие рассчитывать значения для многих понятий из статистики и теории вероятности. Например, вы задаете вектор значений. Делается это следующим образом: vector <-c(1,5,2…). Теперь, когда вам потребуется посчитать какие-либо значения для этого вектора, вы пишете функцию и задаете его в качестве аргумента. Для нахождения дисперсии вам нужно будет использовать функцию var. Пример её использования: var(vector). Далее вы просто нажимаете «ввод» и получаете результат. Дисперсия и математическое ожидание - это без которых сложно в дальнейшем что-либо рассчитать. В основном курсе лекций в вузах они рассматриваются уже в первые месяцы изучения предмета. Именно из-за непонимания этих простейших понятий и неумения их рассчитать многие студенты сразу начинают отставать по программе и позже получают плохие отметки по результатам сессии, что лишает их стипендии. Потренируйтесь хотя бы одну неделю по полчаса в день, решая задания, схожие с представленными в данной статье. Тогда на любой контрольной по теории вероятности вы справитесь с примерами без посторонних подсказок и шпаргалок. Пусть производится п
независимых испытаний, в каждом из которых вероятность появления события А
постоянна. Чему равна дисперсия числа появлений события в этих испытаниях? Ответ на этот вопрос дает следующая теорема. Теорема.
Дисперсия числа появлений события А в п независимых испытаниях, в каждом из которых вероятность р появления события постоянна, равна произведению числа испытаний на вероятности появления и непоявления события в одном испытании:
D
(X
) = npq.
Доказательство. Рассмотрим случайную величину X
- число появлений события А
в п
независимых испытаниях. Очевидно, общее число появлений события в этих испытаниях равно сумме появлений события в отдельных испытаниях: X = Х
1 + X
2 + …+ Х п,
где Х
1 - число наступлений события в первом испытании, Х
2 - во втором, ..., Х п
- в п-
м.
Величины Х
1 , Х
2 ,
..., Х п
взаимно независимы, так как исход каждого испытания не зависит от исходов остальных, поэтому мы вправе воспользоваться следствием 1 (см. § 5): D
(X
) = D
(X
1) + D
(X
2)+ ...+D
(Х п
).
(*) Вычислим дисперсию X
1 по формуле D
(X
1)=M
(
)-
[M
(X
1)] 2 .
(**) Величина Х
1 -число появлений события А
в первом испытании, поэтому (см. гл. VII, § 2, пример 2) М
(Х
1)=р
. Найдем математическое ожидание величины ,
которая может принимать только два значения, а именно: 1 2 c вероятностью р
и О
2 с вероятностью q:
M
(
)=
1 2 *p+
0 2 *q=p.
Подставляя найденные результаты в соотношение (**), имеем D
(X
1)=p-p
2 =p
(1-p
)=pq
Очевидно, дисперсия каждой из остальных случайных величин также равна pq.
Заменив каждое слагаемое правой части (*) через pq,
окончательно получим D
(X
) = npq.
Замечание. Так как величина X
распределена по биномиальному закону, то доказанную теорему можно сформулировать и
так: дисперсия биномиального распределения с параметрами п и р равна произведению npq.
Пример.
Производятся 10 независимых испытаний, в каждом из которых вероятность появления события равна 0,6. Найти дисперсию случайной величины X
-числа появлений события в этих испытаниях. Решение. По условию, n
=10, р
= 0,6. Очевидно, вероятность непоявления события q =
1-
0,
6 =
0,
4. Искомая дисперсия D
(X
) = npq
= 10
0,
6
0,
4 =
2,
4.
Среднее квадратическое отклонение
Для оценки рассеяния возможных значений случайной величины вокруг ее среднего значения кроме дисперсии служат и некоторые другие характеристики. К их числу относится среднее квадратическое отклонение. Средним квадратическим отклонением
случайной величины X
называют квадратный корень из дисперсии: Легко показать, что дисперсия имеет размерность, равную квадрату размерности случайной величины. Так как среднее квадратическое отклонение равно квадратному корню из дисперсии, то размерность s(X
)совпадает сразмерностью X.
Поэтому в тех случаях, когда желательно, чтобы оценка рассеяния имела размерность случайной величины, вычисляют среднее квадратическое отклонение, а не дисперсию. Например, если X
выражается влинейных метрах, то а (X
)будет выражаться также влинейных метрах, a D
(X
)- в квадратных метрах. Пример.
Случайная величина X
задана законом распределения Найти среднее квадратическое отклонение s(X
).
Решение. Найдем математическое ожидание X:
М
(Х
) =
2*
0,
1 +
3*
0,
4+
10*
0,
5 =
6,
4.
Найдем математическое ожидание X
2 :
М
(Х
2) =
2 2 *
0,
1+
3 2 *
0,
4+
10 2 *
0,
5 =
54.
Найдем дисперсию: D
(X
)= М
(X
2) -
[М
(X
)] 2 =
54 -
6,
4 2 =
13,
04.
Искомое среднее квадратическое отклонение s(X)= =
Среднее квадратическое отклонение суммы взаимно независимых случайных величин
Пусть известны средние квадратические отклонения нескольких взаимно независимых случайных величин. Как найти среднее квадратическое отклонение суммы этих величин? Ответ на этот вопрос дает следующая теорема. Запишите значения выборки.
В большинстве случаев статистикам доступны только выборки определенных генеральных совокупностей. Например, как правило, статистики не анализируют расходы на содержание совокупности всех автомобилей в России – они анализируют случайную выборку из нескольких тысяч автомобилей. Такая выборка поможет определить средние расходы на автомобиль, но, скорее всего, полученное значение будет далеко от реального.
Запишите формулу для вычисления дисперсии выборки.
Дисперсия является мерой разброса значений некоторой величины. Чем ближе значение дисперсии к нулю, тем ближе значения сгруппированы друг к другу. Работая с выборкой значений, используйте следующую формулу для вычисления дисперсии:
Вычислите среднее значение выборки.
Оно обозначается как x̅. Среднее значение выборки вычисляется как обычное среднее арифметическое: сложите все значения в выборке, а затем полученный результат разделите на количество значений в выборке.
Вычтите выборочное среднее из каждого значения в выборке.
Теперь вычислите разность x i {\displaystyle x_{i}}
- x̅, где x i {\displaystyle x_{i}}
– каждое значение в выборке. Каждый полученный результат свидетельствует о мере отклонения конкретного значения от выборочного среднего, то есть как далеко это значение находится от среднего значения выборки.
Как отмечалось выше, сумма разностей x i {\displaystyle x_{i}}
- x̅ должна быть равна нулю. Это означает, что средняя дисперсия всегда равна нулю, что не дает никакого представления о разбросе значений некоторой величины. Для решения этой проблемы возведите в квадрат каждую разность x i {\displaystyle x_{i}}
- x̅. Это приведет к тому, что вы получите только положительные числа, которые при сложении никогда не дадут 0.
Вычислите сумму квадратов разностей.
То есть найдите ту часть формулы, которая записывается так: ∑[( x i {\displaystyle x_{i}}
- x̅) 2 {\displaystyle ^{2}}
]. Здесь знак Σ означает сумму квадратов разностей для каждого значения x i {\displaystyle x_{i}}
в выборке. Вы уже нашли квадраты разностей (x i {\displaystyle (x_{i}}
- x̅) 2 {\displaystyle ^{2}}
для каждого значения x i {\displaystyle x_{i}}
в выборке; теперь просто сложите эти квадраты.
Полученный результат разделите на n - 1, где n – количество значений в выборке.
Некоторое время назад для вычисления дисперсии выборки статистики делили результат просто на n; в этом случае вы получите среднее значение квадрата дисперсии, которое идеально подходит для описания дисперсии данной выборки. Но помните, что любая выборка – это лишь небольшая часть генеральной совокупности значений. Если взять другую выборку и выполнить такие же вычисления, вы получите другой результат. Как выяснилось, деление на n - 1 (а не просто на n) дает более точную оценку дисперсии генеральной совокупности, в чем вы и заинтересованы. Деление на n – 1 стало общепринятым, поэтому оно включено в формулу для вычисления дисперсии выборки.
Отличие дисперсии от стандартного отклонения.
Заметьте, что в формуле присутствует показатель степени, поэтому дисперсия измеряется в квадратных единицах измерения анализируемой величины. Иногда такой величиной довольно сложно оперировать; в таких случаях пользуются стандартным отклонением, которое равно квадратному корню из дисперсии. Именно поэтому дисперсия выборки обозначается как s 2 {\displaystyle s^{2}}
, а стандартное отклонение выборки – как s {\displaystyle s}
.
Проанализируйте некоторую совокупность значений.
Совокупность включает в себя все значения рассматриваемой величины. Например, если вы изучаете возраст жителей Ленинградской области, то совокупность включает возраст всех жителей этой области. В случае работы с совокупностью рекомендуется создать таблицу и внести в нее значения совокупности. Рассмотрим следующий пример:
Запишите формулу для вычисления дисперсии генеральной совокупности.
Так как в совокупность входят все значения некоторой величины, то приведенная ниже формула позволяет получить точное значение дисперсии совокупности. Для того чтобы отличить дисперсию совокупности от дисперсии выборки (значение которой является лишь оценочным), статистики используют различные переменные:
Вычислите среднее значение совокупности.
При работе с генеральной совокупностью ее среднее значение обозначается как μ (мю). Среднее значение совокупности вычисляется как обычное среднее арифметическое: сложите все значения в генеральной совокупности, а затем полученный результат разделите на количество значений в генеральной совокупности.
Вычтите среднее значение совокупности из каждого значения в генеральной совокупности.
Чем ближе значение разности к нулю, тем ближе конкретное значение к среднему значению совокупности. Найдите разность между каждым значением в совокупности и ее средним значением, и вы получите первое представление о распределении значений.
Возведите в квадрат каждый полученный результат.
Значения разностей будут как положительными, так и отрицательными; если нанести эти значения на числовую прямую, то они будут лежать справа и слева от среднего значения совокупности. Это не годится для вычисления дисперсии, так как положительные и отрицательные числа компенсируют друг друга. Поэтому возведите в квадрат каждую разность, чтобы получить исключительно положительные числа.
Свойства математического ожидания случайной величины
Свойства дисперсии
D(X)=M(X 2)-(M(X)) 2
Решение. Исходя из свойств математического ожидания: M(Z) = M(9X-8Y+7) = 9*M(X) - 8*M(Y) + M(7) = 9*8 - 8*7 + 7 = 23.
Исходя из свойств дисперсии: D(Z) = D(9X-8Y+7) = D(9X) - D(8Y) + D(7) = 9^2D(X) - 8^2D(Y) + 0 = 81*9 - 64*6 = 345Алгоритм вычисления математического ожидания
Свойства дискретных случайных величин: все их значения можно перенумеровать натуральными числами; каждому значению сопоставить отличную от нуля вероятность.
Функция распределения дискретной случайной величины
ступенчатая, она возрастает скачком в тех точках, вероятности которых положительны.
Например, для n = 4: m = ∑x i p i = x 1 p 1 + x 2 p 2 + x 3 p 3 + x 4 p 4 x i
1
3
4
7
9
p i
0.1
0.2
0.1
0.3
0.3
Математическое ожидание находим по формуле m = ∑x i p i .
Математическое ожидание M[X]
.
M[x] = 1*0.1 + 3*0.2 + 4*0.1 + 7*0.3 + 9*0.3 = 5.9
Дисперсию находим по формуле d = ∑x 2 i p i - M[x] 2 .
Дисперсия D[X]
.
D[X] = 1 2 *0.1 + 3 2 *0.2 + 4 2 *0.1 + 7 2 *0.3 + 9 2 *0.3 - 5.9 2 = 7.69
Среднее квадратическое отклонение σ(x)
.
σ = sqrt(D[X]) = sqrt(7.69) = 2.78
Найти величину a , математическое ожидание и среднее квадратическое отклонение этой случайной величины.
Х
-10
-5
0
5
10
р
а
0,32
2a
0,41
0,03
Σp i = a + 0,32 + 2 a + 0,41 + 0,03 = 0,76 + 3 a = 1
0.76 + 3 a = 1 или 0.24=3 a , откуда a = 0.08
p 1 =0,3; p 2 =0,3; p 3 =0,1; p 4 =0,3
d(x)=12,96
Здесь надо составить формулу нахождения дисперсии d(x) :
d(x) = x 1 2 p 1 +x 2 2 p 2 +x 3 2 p 3 +x 4 2 p 4 -m(x) 2
где матожидание m(x)=x 1 p 1 +x 2 p 2 +x 3 p 3 +x 4 p 4
Для наших данных
m(x)=6*0,3+9*0,3+x 3 *0,1+15*0,3=9+0.1x 3
12,96 = 6 2 0,3+9 2 0,3+x 3 2 0,1+15 2 0,3-(9+0.1x 3) 2
или -9/100 (x 2 -20x+96)=0
Соответственно надо найти корни уравнения, причем их будет два.
x 3 =8, x 3 =12
Выбираем тот, который удовлетворяет условию х 1
x 1 =6; x 2 =9; x 3 =12; x 4 =15
p 1 =0,3; p 2 =0,3; p 3 =0,1; p 4 =0,3Вспомним основы
Среднее арифметическое
Дисперсия
Зависимость от количества экспериментов
Задача
Математическое ожидание
Ещё один пример
Отклонение
Программное обеспечение
В заключение
X
p
0,
1
0,
4
0,
5
Шаги
Вычисление дисперсии выборки
Теперь результат разделите на количество значений в выборке (в нашем примере их 6): 84 ÷ 6 = 14.
Выборочное среднее x̅ = 14.
x 1 {\displaystyle x_{1}}
- x̅ = 17 - 14 = 3
x 2 {\displaystyle x_{2}}
- x̅ = 15 - 14 = 1
x 3 {\displaystyle x_{3}}
- x̅ = 23 - 14 = 9
x 4 {\displaystyle x_{4}}
- x̅ = 7 - 14 = -7
x 5 {\displaystyle x_{5}}
- x̅ = 9 - 14 = -5
x 6 {\displaystyle x_{6}}
- x̅ = 13 - 14 = -1
( x 1 {\displaystyle x_{1}}
- x̅) 2 = 3 2 = 9 {\displaystyle ^{2}=3^{2}=9}
(x 2 {\displaystyle (x_{2}}
- x̅) 2 = 1 2 = 1 {\displaystyle ^{2}=1^{2}=1}
9 2 = 81
(-7) 2 = 49
(-5) 2 = 25
(-1) 2 = 1
Дисперсия выборки = s 2 = 166 6 − 1 = {\displaystyle s^{2}={\frac {166}{6-1}}=}
33,2
Вычисление дисперсии совокупности
x 1 = 5 {\displaystyle x_{1}=5}
x 2 = 5 {\displaystyle x_{2}=5}
x 3 = 8 {\displaystyle x_{3}=8}
x 4 = 12 {\displaystyle x_{4}=12}
x 5 = 15 {\displaystyle x_{5}=15}
x 6 = 18 {\displaystyle x_{6}=18}
x 1 {\displaystyle x_{1}}
- μ = 5 - 10,5 = -5,5
x 2 {\displaystyle x_{2}}
- μ = 5 - 10,5 = -5,5
x 3 {\displaystyle x_{3}}
- μ = 8 - 10,5 = -2,5
x 4 {\displaystyle x_{4}}
- μ = 12 - 10,5 = 1,5
x 5 {\displaystyle x_{5}}
- μ = 15 - 10,5 = 4,5
x 6 {\displaystyle x_{6}}
- μ = 18 - 10,5 = 7,5
( x i {\displaystyle x_{i}}
- μ) 2 {\displaystyle ^{2}}
для каждого значения совокупности (от i = 1 до i = 6):
(-5,5) 2 {\displaystyle ^{2}}
= 30,25
(-5,5) 2 {\displaystyle ^{2}}
, где x n {\displaystyle x_{n}}
– последнее значение в генеральной совокупности.