Как называется график распределения случайной величины х. Закон распределения дискретной случайной величины

9. Математическое ожидание и дисперсия непрерывных случайных величин

Пусть непрерывная случайная величина X задана плотностью распределения f (x ) .

Определение9.1: Математическим ожиданием непрерывной случайной величины X , [ a , b ]

Ox , то

Замечание: Предполагается, что несобственный интеграл сходится абсолютно, то есть существует интеграл

Определение9.2: Дисперсией непрерывной случайной величины X , возможные значения которой принадлежат отрезку [ a , b ] , называют определенный интеграл

Если возможные значения принадлежат всей оси Ox , то

Так как D (X ) = M (X 2 ) – [ M (X )] 2 , то можно использовать следующие формулы для вычисления дисперсии:

или
.

Замечание: Свойства математического ожидания и дисперсии дискретных случайных величин сохраняются и для непрерывных величин.

Среднее квадратическое отклонение непрерывной случайной величины определяется аналогично дискретному случаю:

.

10. Типовые распределения непрерывных случайных величин

10.1. Равномерное распределение

Определение10.1: Распределение вероятностей называют равномерным , если на интервале, которому принадлежат все возможные значения случайной величины, плотность распределения сохраняет постоянное значение.

Пример. Шкала измерительного прибора проградуирована в некоторых единицах. Ошибку при округлении отсчета до ближайшего целого деления можно рассматривать как случайную величину X , которая может принимать с постоянной плотностью вероятности любое значение между двумя соседними целыми делениями. Таким образом, X имеет равномерное распределение.

Найдем плотность равномерного распределения f (x ) :

По условию, X не принимает значений вне интервала (a , b ), поэтому f (x )=0 при x a и x > b .

Найдем постоянную C из условия, что
. Тогда
.

Отсюда
.

Итак, искомая плотность вероятности равномерного распределения имеет вид:

Функция распределения вероятностей равномерной случайной величины имеет вид:

Для случайной величины Х , равномерно распределенной в интервале (a , b ), вероятность попадания в любой интервал (x 1 , x 2 ), лежащий внутри интервала (a , b ), равна:
, то есть зависит от длины интервала, а не от того, где он расположен.

График плотности равномерного распределения имеет вид:

Функция распределения равномерной случайной величины имеет вид:

Пример: Найдем математическое ожидание, дисперсию и среднее квадратическое отклонение непрерывной случайной величины X , распределенной равномерно в интервале (a , b ).

Решение: Учитывая плотность равномерного распределения, получаем:

Окончательно, получим, что

.

Среднее квадратическое отклонение
.

Замечание: Например, если X – случайная величина, распределенная равномерно на интервале (0,1) , то
,
,
.

10.2. Нормальное (Гауссовское) распределение

Определение10.2: Нормальным называют распределение вероятностей непрерывной случайной величины, которое описывается следующей плотностью вероятностей:

, где
.

График функции f (x ) имеет следующий вид:

График плотности нормального распределения называют нормальной кривой или кривой Гаусса .

Нормальное распределение определяется двумя параметрами: и
. Вероятностный смысл этих параметров таков: есть математическое ожидание, - среднее квадратическое отклонение нормального распределения, то есть
и
.

График функции распределения нормальной случайной величины имеет следующий вид:

Замечание: Стандартным нормальным или нормированным называют нормальное распределение с параметрами
и
. Например, если X – нормальная величина с параметрами и , то
- стандартная нормальная величина, причем
и
. Плотность стандартного нормального распределения имеет вид

.

Данная функция табулирована (см. приложение 1).

Функция распределения
нормального распределения имеет вид:

.

Функция распределения стандартного нормального распределения имеет вид:

.

Замечание:
.

Замечание: Вероятность попадания стандартной нормальной величины X в интервал (0 , x ) можно найти, пользуясь функцией Лапласа
:

,

и
.

Функция
табулирована (см. приложение 2).

Влияние параметров нормального распределения на форму нормальной кривой

Изменение величины параметра (математического ожидания) не изменяет формы нормальной кривой, а приводит лишь к ее сдвигу вдоль оси Ox : вправо, если возрастает, и влево, если убывает:

Максимум функции плотности вероятностей нормального распределения равен
.

Отсюда следует, что с возрастанием максимальная ордината нормальной кривой убывает, а сама кривая становится более пологой, то есть сжимается к оси Ox ; при убывании нормальная кривая становится более “островершинной” и растягивается в положительном направлении оси Oy :

Замечание: При любых значениях параметров и площадь, ограниченная нормальной кривой и осью Ox , остается равной единице.

Вероятность попадания в заданный интервал нормальной случайной величины

Пусть случайная величина X распределена по нормальному закону. Тогда вероятность того, что X примет значение, принадлежащее интервалу
, равна

Введем новую переменную
Отсюда,
,
Найдем новые пределы интегрирования. Если
то
; если то

Таким образом, имеем

Пользуясь функцией Лапласа , получим

Пример. Случайная величина X распределена по нормальному закону с
и
. Найти вероятность того, что случайная величина X примет значение, принадлежащее интервалу .

Решение:

По таблице приложения 2 находим
Отсюда искомая вероятность

Пример. Найти математическое ожидание случайной величины X , которая распределена по нормальному закону.

Решение: По определению математического ожидания непрерывной случайной величины,

.

Введем новую переменную Отсюда, ,. Приняв во внимание, что новые пределы интегрирования равны старым, получим

Первое из слагаемых равно нулю (под знаком интеграла нечетная функция; пределы интегрирования симметричны относительно начала координат). Второе из слагаемых равно а (интеграл Пуассона
).

Замечание: При вычислении дисперсии нормальной случайной величины делается такая же замена переменных и применяется формула интегрирования по частям.

Правило трех сигм

Вычислим вероятность того, что отклонение нормально распределенной случайной величины X по абсолютной величине меньше утроенного среднего квадратического отклонения:

Таким образом, сущность правила трех сигм состоит в следующем: если случайная величина распределена нормально, то абсолютная величина ее отклонения от математического ожидания не превосходит утроенного среднего квадратического отклонения:

На практике правило трех сигм применяют следующим образом: если распределение изучаемой случайной величины неизвестно, но условие, указанное в приведенном правиле, выполняется, То есть основание предполагать, что изучаемая величина распределена нормально; в противном случае она не распределена нормально.

10.3. Показательное распределение

Определение10.3: Показательным (экспоненциальным) называют распределение вероятностей непрерывной случайной величины X , которое описывается плотностью

где - постоянная положительная величина.

График функции f (x ) имеет следующий вид:

Например, время Т безотказной работы компьютерной системы есть случайная величина, имеющая показательное распределение с параметром λ , физический смысл которого – среднее число отказов в единицу времени. Интервал между последовательными поступлениями вызовов на автоматическую телефонную станцию, интервал между последовательными поступлениями автомобилей к стоп-линии перекрестка – это примеры показательных случайных величин.

Найдем функцию распределения показательного закона:

.

График функции показательного распределения имеет следующий вид:

Пример. Написать плотность и функцию распределения показательного закона, если параметр

Решение. Очевидно,искомая плотность распределения

при
;
при
.

Искомая функция распределения

при ;
при .

Вероятность попадания в заданный интервал показательно распределенной случайной величины

Найдем вероятность попадания в интервал (a , b ) непрерывной случайной величины X , которая распределена по показательному закону, заданному функцией распределения

.

Используя формулу и учитывая, что

получим

Значения функции
находят по таблице (приложение 4).

Пример: Непрерывная случайная величина X распределена по показательному закону

при ; при
. Найти вероятность того, что в результате испытания X попадет в интервал (0,3;1) .

Решение. По условию,
. ТогдаX

Замечание: Допустим, имеются основания предположить, что изучаемая на практике случайная величина имеет показательное распределение. Для того, чтобы проверить эту гипотезу, находят оценки математического ожидания и среднего квадратического отклонения, т.е. находят выборочную среднюю и выборочное среднее квадратическое отклонение. Математическое ожидание и среднее квадратическое отклонение показательного распределения равны между собой, поэтому их оценки должны различаться незначительно. Если оценки окажутся близкими одна к другой, то данные наблюдений подтверждают гипотезу о показательном распределении изучаемой величины, если же оценки различаются существенно, то гипотезу следует отвергнуть.

Во многих задачах, связанных с нормально распределенными случайными величинами, приходится определять вероятность попадания случайной величины , подчиненной нормальному закону с параметрами , на участок от до . Для вычисления этой вероятности воспользуемся общей формулой

где - функция распределения величины .

Найдем функцию распределения случайной величины , распределенной по нормальному закону с параметрами . Плотность распределения величины равна:

. (6.3.2)

Отсюда находим функцию распределения

. (6.3.3)

Сделаем в интеграле (6.3.3) замену переменной

и приведем его к виду:

(6.3.4)

Интеграл (6.3.4) не выражается через элементарные функции, но его можно вычислить через специальную функцию, выражающую определенный интеграл от выражения или (так называемый интеграл вероятностей), для которого составлены таблицы. Существует много разновидностей таких функций, например:

;

и т.д. Какой из этих функций пользоваться – вопрос вкуса. Мы выберем в качестве такой функции

. (6.3.5)

Нетрудно видеть, что эта функция представляет собой не что иное, как функцию распределения для нормально распределенной случайной величины с параметрами .

Условимся называть функцию нормальной функцией распределения. В приложении (табл. 1) приведены таблицы значений функции .

Выразим функцию распределения (6.3.3) величины с параметрами и через нормальную функцию распределения . Очевидно,

. (6.3.6)

Теперь найдем вероятность попадания случайной величины на участок от до . Согласно формуле (6.3.1)

Таким образом, мы выразили вероятность попадания на участок случайной величины , распределенной по нормальному закону с любыми параметрами, через стандартную функцию распределения , соответствующую простейшему нормальному закону с параметрами 0,1. Заметим, что аргументы функции в формуле (6.3.7) имеют очень простой смысл: есть расстояние от правого конца участка до центра рассеивания, выраженное в средних квадратических отклонениях; - такое же расстояние для левого конца участка, причем это расстояние считается положительным, если конец расположен справа от центра рассеивания, и отрицательным, если слева.

Как и всякая функция распределения, функция обладает свойствами:

3. - неубывающая функция.

Кроме того, из симметричности нормального распределения с параметрами относительно начала координат следует, что

Пользуясь этим свойством, собственно говоря, можно было бы ограничить таблицы функции только положительными значениями аргумента, но, чтобы избежать лишней операции (вычитание из единицы), в таблице 1 приложения приводятся значения как для положительных, так и для отрицательных аргументов.

На практике часто встречается задача вычисления вероятности попадания нормально распределенной случайной величины на участок, симметричный относительно центра рассеивания . Рассмотрим такой участок длины (рис. 6.3.1). Вычислим вероятность попадания на этот участок по формуле (6.3.7):

Учитывая свойство (6.3.8) функции и придавая левой части формулы (6.3.9) более компактный вид, получим формулу для вероятности попадания случайной величины, распределенной по нормальному закону на участок, симметричный относительно центра рассеивания:

. (6.3.10)

Решим следующую задачу. Отложим от центра рассеивания последовательные отрезки длиной (рис. 6.3.2) и вычислим вероятность попадания случайной величины в каждый из них. Так как кривая нормального закона симметрична, достаточно отложить такие отрезки только в одну сторону.

По формуле (6.3.7) находим:

(6.3.11)

Как видно из этих данных, вероятности попадания на каждый из следующих отрезков (пятый, шестой и т.д.) с точностью до 0,001 равны нулю.

Округляя вероятности попадания в отрезки до 0,01 (до 1%), получим три числа, которые легко запомнить:

0,34; 0,14; 0,02.

Сумма этих трех значений равна 0,5. Это значит, что для нормально распределенной случайной величины все рассеивания (с точностью до долей процента) укладывается на участке .

Это позволяет, зная среднее квадратическое отклонение и математическое ожидание случайной величины, ориентировочно указать интервал её практически возможных значений. Такой способ оценки диапазона возможных значений случайной величины известен в математической статистике под названием «правило трех сигма». Из правила трех сигма вытекает также ориентировочный способ определения среднего квадратического отклонения случайной величины: берут максимальное практически возможное отклонение от среднего и делят его на три. Разумеется, этот грубый прием может быть рекомендован, только если нет других, более точных способов определения .

Пример 1. Случайная величина , распределенная по нормальному закону, представляет собой ошибку измерения некоторого расстояния. При измерении допускается систематическая ошибка в сторону завышения на 1,2 (м); среднее квадратическое отклонения ошибки измерения равно 0,8 (м). Найти вероятность того, что отклонение измеренного значения от истинного не превзойдет по абсолютной величине 1,6 (м).

Решение. Ошибка измерения есть случайная величина , подчиненная нормальному закону с параметрами и . Нужно найти вероятность попадания этой величины на участок от до . По формуле (6.3.7) имеем:

Пользуясь таблицами функции (приложение, табл. 1), найдем:

; ,

Пример 2. Найти ту же вероятность, что и в предыдущем примере, но при условии, что систематической ошибки нет.

Решение. По формуле (6.3.10), полагая , найдем:

.

Пример 3. По цели, имеющей вид полосы (автострада), ширина которой равна 20 м, ведется стрельба в направлении, перпендикулярном автостраде. Прицеливание ведется по средней линии автострады. Среднее квадратическое отклонение в направлении стрельбы равно м. Имеется систематическая ошибка в направлении стрельбы: недолет 3 м. Найти вероятность попадания в автостраду при одном выстреле.

Нормальный закон распределения вероятностей

Без преувеличения его можно назвать философским законом. Наблюдая за различными объектами и процессами окружающего мира, мы часто сталкиваемся с тем, что чего-то бывает мало, и что бывает норма:


Перед вами принципиальный вид функции плотности нормального распределения вероятностей, и я приветствую вас на этом интереснейшем уроке.

Какие можно привести примеры? Их просто тьма. Это, например, рост, вес людей (и не только), их физическая сила, умственные способности и т.д. Существует «основная масса» (по тому или иному признаку) и существуют отклонения в обе стороны.

Это различные характеристики неодушевленных объектов (те же размеры, вес). Это случайная продолжительность процессов, например, время забега стометровки или превращения смолы в янтарь. Из физики вспомнились молекулы воздуха: среди них есть медленные, есть быстрые, но большинство двигаются со «стандартными» скоростями.

Далее отклоняемся от центра ещё на одно стандартное отклонение и рассчитываем высоту:

Отмечаем точки на чертеже (зелёный цвет) и видим, что этого вполне достаточно.

На завершающем этапе аккуратно чертим график, и особо аккуратно отражаем его выпуклость / вогнутость ! Ну и, наверное, вы давно поняли, что ось абсцисс – это горизонтальная асимптота , и «залезать» за неё категорически нельзя!

При электронном оформлении решения график легко построить в Экселе, и неожиданно для самого себя я даже записал короткий видеоролик на эту тему. Но сначала поговорим о том, как меняется форма нормальной кривой в зависимости от значений и .

При увеличении или уменьшении «а» (при неизменном «сигма») график сохраняет свою форму и перемещается вправо / влево соответственно. Так, например, при функция принимает вид и наш график «переезжает» на 3 единицы влево – ровнехонько в начало координат:


Нормально распределённая величина с нулевым математическим ожиданием получила вполне естественное название – центрированная ; её функция плотности – чётная , и график симметричен относительно оси ординат.

В случае изменения «сигмы» (при постоянном «а») , график «остаётся на месте», но меняет форму. При увеличении он становится более низким и вытянутым, словно осьминог, растягивающий щупальца. И, наоборот, при уменьшении график становится более узким и высоким – получается «удивлённый осьминог». Так, при уменьшении «сигмы» в два раза: предыдущий график сужается и вытягивается вверх в два раза:

Всё в полном соответствии с геометрическими преобразованиями графиков .

Нормальное распределёние с единичным значением «сигма» называется нормированным , а если оно ещё и центрировано (наш случай), то такое распределение называют стандартным . Оно имеет ещё более простую функцию плотности, которая уже встречалась в локальной теореме Лапласа : . Стандартное распределение нашло широкое применение на практике, и очень скоро мы окончательно поймём его предназначение.

Ну а теперь смотрим кино:

Да, совершенно верно – как-то незаслуженно у нас осталась в тени функция распределения вероятностей . Вспоминаем её определение :
– вероятность того, что случайная величина примет значение, МЕНЬШЕЕ, чем переменная , которая «пробегает» все действительные значения до «плюс» бесконечности.

Внутри интеграла обычно используют другую букву, чтобы не возникало «накладок» с обозначениями, ибо здесь каждому значению ставится в соответствие несобственный интеграл , который равен некоторому числу из интервала .

Почти все значения не поддаются точному расчету, но как мы только что видели, с современными вычислительными мощностями с этим нет никаких трудностей. Так, для функции стандартного распределения соответствующая экселевская функция вообще содержит один аргумент:

=НОРМСТРАСП(z)

Раз, два – и готово:

На чертеже хорошо видно выполнение всех свойств функции распределения , и из технических нюансов здесь следует обратить внимание на горизонтальные асимптоты и точку перегиба .

Теперь вспомним одну из ключевых задач темы, а именно выясним, как найти –вероятность того, что нормальная случайная величина примет значение из интервала . Геометрически эта вероятность равна площади между нормальной кривой и осью абсцисс на соответствующем участке:

но каждый раз вымучивать приближенное значение неразумно, и поэтому здесь рациональнее использовать «лёгкую» формулу :
.

! Вспоминает также , что

Тут можно снова задействовать Эксель, но есть пара весомых «но»: во-первых, он не всегда под рукой, а во-вторых, «готовые» значения , скорее всего, вызовут вопросы у преподавателя. Почему?

Об этом я неоднократно рассказывал ранее: в своё время (и ещё не очень давно) роскошью был обычный калькулятор, и в учебной литературе до сих пор сохранился «ручной» способ решения рассматриваемой задачи. Его суть состоит в том, чтобы стандартизировать значения «альфа» и «бета», то есть свести решение к стандартному распределению:

Примечание : функцию легко получить из общего случая с помощью линейной замены . Тогда и:

и из проведённой замены как раз следует формула перехода от значений произвольного распределения – к соответствующим значениям стандартного распределения.

Зачем это нужно? Дело в том, что значения скрупулезно подсчитаны нашими предками и сведены в специальную таблицу, которая есть во многих книгах по терверу. Но ещё чаще встречается таблица значений , с которой мы уже имели дело в интегральной теореме Лапласа :

Если же в нашем распоряжении есть таблица значений функции Лапласа , то решаем через неё:

Дробные значения традиционно округляем до 4 знаков после запятой, как это сделано в типовой таблице. И для контроля есть Пункт 5 макета .

Напоминаю, что , и во избежание путаницы всегда контролируйте , таблица КАКОЙ функции перед вашими глазами.

Ответ требуется дать в процентах, поэтому рассчитанную вероятность нужно умножить на 100 и снабдить результат содержательным комментарием:

– с перелётом от 5 до 70 м упадёт примерно 15,87% снарядов

Тренируемся самостоятельно:

Пример 3

Диаметр подшипников, изготовленных на заводе, представляет собой случайную величину, распределенную нормально с математическим ожиданием 1,5 см и средним квадратическим отклонением 0,04 см. Найти вероятность того, что размер наугад взятого подшипника колеблется от 1,4 до 1,6 см.

В образце решения и далее я буду использовать функцию Лапласа, как самый распространённый вариант. Кстати, обратите внимание, что согласно формулировке, здесь можно включить концы интервала в рассмотрение. Впрочем, это не критично.

И уже в этом примере нам встретился особый случай – когда интервал симметричен относительно математического ожидания. В такой ситуации его можно записать в виде и, пользуясь нечётностью функции Лапласа, упростить рабочую формулу:

Параметр «дельта» называют отклонением от математического ожидания, и двойное неравенство можно «упаковывать» с помощью модуля :

– вероятность того, что значение случайной величины отклонится от математического ожидания менее чем на .

Хорошо то решение, которое умещается в одну строчку:)
– вероятность того, что диаметр наугад взятого подшипника отличается от 1,5 см не более чем на 0,1 см.

Результат этой задачи получился близким к единице, но хотелось бы ещё бОльшей надежности – а именно, узнать границы, в которых находится диаметр почти всех подшипников. Существует ли какой-нибудь критерий на этот счёт? Существует! На поставленный вопрос отвечает так называемое

правило «трех сигм»

Его суть состоит в том, что практически достоверным является тот факт, что нормально распределённая случайная величина примет значение из промежутка .

И в самом деле, вероятность отклонения от матожидания менее чем на составляет:
или 99,73%

В «пересчёте на подшипники» – это 9973 штуки с диаметром от 1,38 до 1,62 см и всего лишь 27 «некондиционных» экземпляров.

В практических исследованиях правило «трёх сигм» обычно применяют в обратном направлении: если статистически установлено, что почти все значения исследуемой случайной величины укладываются в интервал длиной 6 стандартных отклонений, то появляются веские основания полагать, что эта величина распределена по нормальному закону. Проверка осуществляется с помощью теории статистических гипотез .

Продолжаем решать суровые советские задачи:

Пример 4

Случайная величина ошибки взвешивания распределена по нормальному закону с нулевым математическим ожиданием и стандартным отклонением 3 грамма. Найти вероятность того, что очередное взвешивание будет проведено с ошибкой, не превышающей по модулю 5 грамм.

Решение очень простое. По условию, и сразу заметим, что при очередном взвешивании (чего-то или кого-то) мы почти 100% получим результат с точностью до 9 грамм. Но в задаче фигурирует более узкое отклонение и по формуле :

– вероятность того, что очередное взвешивание будет проведено с ошибкой, не превышающей 5 грамм.

Ответ :

Прорешанная задача принципиально отличается от вроде бы похожего Примера 3 урока о равномерном распределении . Там была погрешность округления результатов измерений, здесь же речь идёт о случайной погрешности самих измерений. Такие погрешности возникают в связи с техническими характеристиками самого прибора (диапазон допустимых ошибок, как правило, указывают в его паспорте) , а также по вине экспериментатора – когда мы, например, «на глазок» снимаем показания со стрелки тех же весов.

Помимо прочих, существуют ещё так называемые систематические ошибки измерения. Это уже неслучайные ошибки, которые возникают по причине некорректной настройки или эксплуатации прибора. Так, например, неотрегулированные напольные весы могут стабильно «прибавлять» килограмм, а продавец систематически обвешивать покупателей. Или не систематически ведь можно обсчитать. Однако, в любом случае, случайной такая ошибка не будет, и её матожидание отлично от нуля.

…срочно разрабатываю курс по подготовке продавцов =)

Самостоятельно решаем обратную задачу:

Пример 5

Диаметр валика – случайная нормально распределенная случайная величина, среднее квадратическое отклонение ее равно мм. Найти длину интервала, симметричного относительно математического ожидания, в который с вероятностью попадет длина диаметра валика.

Пункт 5* расчётного макета в помощь. Обратите внимание, что здесь не известно математическое ожидание, но это нисколько не мешает решить поставленную задачу.

И экзаменационное задание, которое я настоятельно рекомендую для закрепления материала:

Пример 6

Нормально распределенная случайная величина задана своими параметрами (математическое ожидание) и (среднее квадратическое отклонение). Требуется:

а) записать плотность вероятности и схематически изобразить ее график;
б) найти вероятность того, что примет значение из интервала ;
в) найти вероятность того, что отклонится по модулю от не более чем на ;
г) применяя правило «трех сигм», найти значения случайной величины .

Такие задачи предлагаются повсеместно, и за годы практики мне их довелось решить сотни и сотни штук. Обязательно попрактикуйтесь в ручном построении чертежа и использовании бумажных таблиц;)

Ну а я разберу пример повышенной сложности:

Пример 7

Плотность распределения вероятностей случайной величины имеет вид . Найти , математическое ожидание , дисперсию , функцию распределения , построить графики плотности и функции распределения, найти .

Решение : прежде всего, обратим внимание, что в условии ничего не сказано о характере случайной величины. Само по себе присутствие экспоненты ещё ничего не значит: это может оказаться, например, показательное или вообще произвольное непрерывное распределение . И поэтому «нормальность» распределения ещё нужно обосновать:

Так как функция определена при любом действительном значении , и её можно привести к виду , то случайная величина распределена по нормальному закону.

Приводим. Для этого выделяем полный квадрат и организуем трёхэтажную дробь :


Обязательно выполняем проверку, возвращая показатель в исходный вид:

, что мы и хотели увидеть.

Таким образом:
– по правилу действий со степенями «отщипываем» . И здесь можно сразу записать очевидные числовые характеристики:

Теперь найдём значение параметра . Поскольку множитель нормального распределения имеет вид и , то:
, откуда выражаем и подставляем в нашу функцию:
, после чего ещё раз пробежимся по записи глазами и убедимся, что полученная функция имеет вид .

Построим график плотности:

и график функции распределения :

Если под рукой нет Экселя и даже обычного калькулятора, то последний график легко строится вручную! В точке функция распределения принимает значение и здесь находится

Глава 1. Дискретная случайная величина

§ 1.Понятия случайной величины.

Закон распределения дискретной случайной величины.

Определение : Случайной называется величина, которая в результате испытания принимает только одно значение из возможного множества своих значение, наперед неизвестное и зависящее от случайных причин.

Различают два вида случайных величин: дискретные и непрерывные.

Определение : Случайная величина Х называется дискретной (прерывной), если множество ее значений конечное или бесконечное, но счетное.

Другими словами, возможные значения дискретной случайной величину можно перенумеровать.

Описать случайную величину можно с помощью ее закона распределения.

Определение : Законом распределения дискретной случайной величины называют соответствие между возможными значениями случайной величины и их вероятностями.

Закон распределения дискретной случайной величины Х может быть задан в виде таблицы, в первой строке которой указаны в порядке возрастания все возможные значения случайной величины, а во второй строке соответствующие вероятности этих значений, т. е.

где р1+ р2+…+ рn=1

Такая таблица называется рядом распределения дискретной случайной величины.

Если множество возможных значений случайной величины бесконечно, то ряд р1+ р2+…+ рn+… сходится и его сумма равна 1.

Закон распределения дискретной случайной величины Х можно изобразить графически, для чего в прямоугольной системе координат строят ломаную, соединяющую последовательно точки с координатами (xi;pi), i=1,2,…n. Полученную линию называют многоугольником распределения (рис.1).

Органическая хиимя" href="/text/category/organicheskaya_hiimya/" rel="bookmark">органической химии соответственно равны 0,7 и 0,8. Составить закон распределения случайной величины Х - числа экзаменов, которые сдаст студент.

Решение. Рассматриваемая случайная величина X в результате экзамена может принять одно из следующих значений:x1=0, x2=1, х3=2.

Найдем вероятность этих значений.Обозначим события:

https://pandia.ru/text/78/455/images/image004_81.jpg" width="259" height="66 src=">

Итак, закон распределения случайной величины Х задается таблицей:

Контроль:0,6+0,38+0,56=1.

§ 2. Функция распределения

Полное описание случайной величины дает также функция распределения.

Определение: Функцией распределения дискретной случайной величины Х называется функция F(x), определяющая для каждого значения х вероятность того, что случайная величина Х примет значение, меньше х:

F(x)=Р(Х<х)

Геометрически функция распределения интерпретируется как вероятность того, что случайная величина Х примет значение, которое изображается на числовой прямой точкой, лежащей левее точки х.

1)0≤ F(x) ≤1;

2) F(x)- неубывающая функция на (-∞;+∞);

3) F(x)- непрерывна слева в точках х= xi (i=1,2,…n) и непрерывна во всех остальных точках;

4) F(-∞)=Р (Х<-∞)=0 как вероятность невозможного события Х<-∞,

F(+∞)=Р(Х<+∞)=1 как вероятность достоверного события Х<-∞.

Если закон распределения дискретной случайной величины Х задан в виде таблицы:

то функция распределения F(x) определяется формулой:

https://pandia.ru/text/78/455/images/image007_76.gif" height="110">

0 при х≤ x1,

р1 при x1< х≤ x2,

F(x)= р1 + р2 при x2< х≤ х3

1 при х> хn.

Её график изображен на рис.2:

§ 3. Числовые характеристики дискретной случайной величины.

К числу важных числовых характеристик относится математическое ожидание.

Определение : Математическим ожиданием М(Х) дискретной случайной величины Х называется сумма произведений всех ее значений на соответствующие им вероятности:

М(Х)= ∑ xiрi= x1р1 + x2р2+…+ xnрn

Математическое ожидание служит характеристикой среднего значения случайной величины.

Свойства математического ожидания:

1)M(C)=C, где С-постоянная величина;

2)М(С Х)=С М(Х),

3)М(Х±Y)=М(Х) ±M(Y);

4)M(X Y)=M(X) M(Y), где X, Y - независимые случайные величины;

5)M(X±C)=M(X)±C, где С-постоянная величина;

Для характеристики степени рассеивания возможных значений дискретной случайной величины вокруг ее среднего значения служит дисперсия .

Определение : Дисперсией D ( X ) случайной величины Х называется математическое ожидание квадрата отклонения случайной величины от ее математического ожидания:

Свойства дисперсии:

1)D(C)=0, где С-постоянная величина;

2)D(X)>0, где Х - случайная величина;

3)D(C X)=C2 D(X), где С-постоянная величина;

4)D(X+Y)=D(X)+D(Y), где X, Y - независимые случайные величины;

Для вычисления дисперсии часто бывает удобно пользоваться формулой:

D(X)=M(X2)-(M(X))2,

где М(Х)=∑ xi2рi= x12р1 + x22р2+…+ xn2рn

Дисперсия D(X) имеет размерность квадрата случайной величины, что не всегда удобно. Поэтому в качестве показателя рассеяния возможных значений случайной величины используют также величину √D(X).

Определение: Средним квадратическим отклонением σ(Х) случайной величины Х называется квадратный корень из дисперсии:

Задача №2. Дискретная случайная величина Х задана законом распределения:

Найти Р2, функцию распределения F(x) и построить ее график, а также M(X),D(X), σ(Х).

Решение: Так как сумма вероятностей возможных значений случайной величины Х равна 1, то

Р2=1- (0,1+0,3+0,2+0,3)=0,1

Найдем функцию распределения F(х)=P(X

Геометрически это равенство можно истолковать так: F(х) есть вероятность того, что случайная величина примет значение, которое изображается на числовой оси точкой, лежащей левее точки х.

Если х≤-1, то F(х)=0, т. к. на (-∞;х) нет ни одного значения данной случайной величины;

Если -1<х≤0, то F(х)=Р(Х=-1)=0,1, т. к. в промежуток (-∞;х) попадает только одно значение x1=-1;

Если 0<х≤1, то F(х)=Р(Х=-1)+ Р(Х=0)=0,1+0,1=0,2, т. к. в промежуток

(-∞;х) попадают два значения x1=-1 и x2=0;

Если 1<х≤2, то F(х)=Р(Х=-1) + Р(Х=0)+ Р(Х=1)= 0,1+0,1+0,3=0,5, т. к. в промежуток (-∞;х) попадают три значения x1=-1, x2=0 и x3=1;

Если 2<х≤3, то F(х)=Р(Х=-1) + Р(Х=0)+ Р(Х=1)+ Р(Х=2)= 0,1+0,1+0,3+0,2=0,7, т. к. в промежуток (-∞;х) попадают четыре значения x1=-1, x2=0,x3=1 и х4=2;

Если х>3, то F(х)=Р(Х=-1) + Р(Х=0)+ Р(Х=1)+ Р(Х=2)+Р(Х=3)= 0,1+0,1+0,3+0,2+0,3=1, т. к. в промежуток (-∞;х) попадают четыре значения x1=-1, x2=0,x3=1,х4=2 и х5=3.

https://pandia.ru/text/78/455/images/image006_89.gif" width="14 height=2" height="2"> 0 при х≤-1,

0,1 при -1<х≤0,

0,2 при 0<х≤1,

F(x)= 0,5 при 1<х≤2,

0,7 при 2<х≤3,

1 при х>3

Изобразим функцию F(x)графически (рис.3):

https://pandia.ru/text/78/455/images/image014_24.jpg" width="158 height=29" height="29">≈1,2845.

§ 4. Биномиальный закон распределения

дискретной случайной величины, закон Пуассона.

Определение: Биномиальным называется закон распределения дискретной случайной величины Х - числа появлений события А в n независимых повторных испытаниях, в каждом из которых события А может наступить с вероятностью p или не наступить с вероятностью q=1-p. Тогда Р(Х=m)-вероятность появления события А ровно m раз в n испытаниях вычисляется по формуле Бернулли:

Р(Х=m)=Сmnpmqn-m

Математическое ожидание, дисперсию и среднее квадратическое отклонение случайной величины Х, распределенной по бинарному закону, находят, соответственно, по формулам:

https://pandia.ru/text/78/455/images/image016_31.gif" width="26"> Вероятность события А - «выпадение пятерки» в каждом испытании одна и та же и равна 1/6, т. е. Р(А)=р=1/6, тогда Р(А)=1-p=q=5/6, где

- «выпадения не пятерки».

Случайная величина Х может принимать значения: 0;1;2;3.

Вероятность каждого из возможных значений Х найдем по формуле Бернулли:

Р(Х=0)=Р3(0)=С03р0q3=1 (1/6)0 (5/6)3=125/216;

Р(Х=1)=Р3(1)=С13р1q2=3 (1/6)1 (5/6)2=75/216;

Р(Х=2)=Р3(2)=С23р2q =3 (1/6)2 (5/6)1=15/216;

Р(Х=3)=Р3(3)=С33р3q0=1 (1/6)3 (5/6)0=1/216.

Т. о. закон распределения случайной величины Х имеет вид:

Контроль: 125/216+75/216+15/216+1/216=1.

Найдем числовые характеристики случайной величины Х:

M(X)=np=3 (1/6)=1/2,

D(X)=npq=3 (1/6) (5/6)=5/12,

Задача№4. Станок-автомат штампует детали. Вероятность того, что изготовленная деталь окажется бракованной равна 0,002. Найти вероятность того, что среди 1000 отобранных деталей окажется:

а) 5 бракованных;

б) хотя бы одна бракованная.

Решение: Число n=1000 велико, вероятность изготовления бракованной детали р=0,002 мала, и рассматриваемые события (деталь окажется бракованной) независимы, поэтому имеет место формула Пуассона:

Рn(m)= e - λ λm

Найдем λ=np=1000 0,002=2.

а)Найдем вероятность того, что будет 5 бракованных деталей (m=5):

Р1000(5)= e -2 25 = 32 0,13534 = 0,0361

б)Найдем вероятность того, что будет хотя бы одна бракованная деталь.

Событие А -«хотя бы одна из отобранных деталей бракованная» является противоположным событию -«все отобранные детали не бракованные».Следовательно, Р(А)=1-Р(). Отсюда искомая вероятность равна: Р(А)=1-Р1000(0)=1- e -2 20 = 1- e-2=1-0,13534≈0,865.

Задачи для самостоятельной работы.

1.1

1.2. Дисперсная случайная величина Х задана законом распределения:

Найти р4, функцию распределения F(X) и построить ее график, а также M(X),D(X), σ(Х).

1.3. В коробке 9 фломастеров, из которых 2 фломастера уже не пишут. Наудачу берут 3 фломастера. Случайная величина Х - число пишущих фломастеров среди взятых. Составить закон распределения случайной величины.

1.4. На стеллаже библиотеки в случайном порядке расставлено 6 учебников, причем 4 из них в переплете. Библиотекарь берет наудачу 4 учебника. Случайная величина Х-число учебников в переплете среди взятых. Составить закон распределения случайной величины.

1.5. В билете две задачи. Вероятность правильного решения первой задачи равна 0,9, второй-0,7. Случайная величина Х- число правильно решенных задач в билете. Составить закон распределения, вычислить математическое ожидание и дисперсию этой случайной величины, а также найти функцию распределения F(x) и построить ее график.

1.6. Три стрелка стреляют по мишени. Вероятность попадания в мишень при одном выстреле для первого стрелка равна 0,5, для второго-0,8, для третьего -0,7. Случайная величина Х - число попаданий в мишень, если стрелки делают по одному выстрелу. Найти закон распределения, M(X),D(X).

1.7. Баскетболист бросает мяч в корзину с вероятностью попадания при каждом броске 0,8. За каждое попадание он получает 10 очков, а в случае промаха очки ему не начисляют. Составить закон распределения случайной величины Х-числа очков, полученных баскетболистом за 3 броска. Найти M(X),D(X), а также вероятность того, что он получит более 10 очков.

1.8. На карточках написаны буквы, всего 5 гласных и 3 согласных. Наугад выбирают 3 карточки, причем каждый раз взятую карточку возвращают назад. Случайная величина Х-число гласных букв среди взятых. Составить закон распределения и найти M(X),D(X),σ(Х).

1.9. В среднем по 60% договоров страховая компания выплачивает страховые суммы в связи с наступлением страхового случая. Составить закон распределения случайной величины Х - числа договоров, по которым была выплачена страховая сумма среди наудачу отобранных четырех договоров. Найти числовые характеристики этой величины.

1.10. Радиостанция через определенные промежутки времени посылает позывные сигналы (не более четырех) до установления двусторонней связи. Вероятность получения ответа на позывной сигнал равна 0,3. Случайная величина Х-число посланных позывных сигналов. Составить закон распределения и найти F(x).

1.11. Имеется 3 ключа, из которых только один подходит к замку. Составить закон распределения случайной величины Х-числа попыток открывания замка, если испробованный ключ в последующих попытках не участвует. Найти M(X),D(X).

1.12. Производятся последовательные независимые испытания трех приборов на надежность. Каждый следующий прибор испытывается только в том случае, если предыдущий оказался надежным. Вероятность выдержать испытание для каждого прибора равна 0,9. Составить закон распределения случайной величины Х-числа испытанных приборов.

1.13 .Дискретная случайная величина Х имеет три возможные значения: х1=1, х2,х3, причем х1<х2<х3. Вероятность того, что Х примет значения х1 и х2, соответственно равны 0,3 и 0,2. Известно, что М(Х)=2,2, D(X)=0,76. Составить закон распределения случайной величины.

1.14. Блок электронного устройства содержит 100 одинаковых элементов. Вероятность отказа каждого элемента в течении времени Т равна 0,002. Элементы работают независимо. Найти вероятность того, что за время Т откажет не более двух элементов.

1.15. Учебник издан тиражом 50000 экземпляров. Вероятность того, что учебник сброшюрован неправильно, равна 0,0002. Найти вероятность того, что тираж содержит:

а) четыре бракованные книги,

б) менее двух бракованных книг.

1 .16. Число вызовов, поступающих на АТС каждую минуту, распределено по закону Пуассона с параметром λ=1,5. Найдите вероятность того, что за минуту поступит:

а) два вызова;

б)хотя бы один вызов.

1.17.

Найти M(Z),D(Z), если Z=3X+Y.

1.18. Даны законы распределения двух независимых случайных величин:

Найти M(Z),D(Z), если Z=X+2Y.

Ответы:

https://pandia.ru/text/78/455/images/image007_76.gif" height="110">1.1. р3=0,4; 0 при х≤-2,

0,3 при -2<х≤0,

F(x)= 0,5 при 0<х≤2,

0,9 при 2<х≤5,

1 при х>5

1.2. р4=0,1; 0 при х≤-1,

0,3 при -1<х≤0,

0,4 при 0<х≤1,

F(x)= 0,6 при 1<х≤2,

0,7 при 2<х≤3,

1 при х>3

M(Х)=1; D(Х)=2,6; σ(Х) ≈1,612.

https://pandia.ru/text/78/455/images/image025_24.gif" width="2 height=98" height="98"> 0 при х≤0,

0,03 при 0<х≤1,

F(x)= 0,37 при 1<х≤2,

1 при х>2

M(Х)=2; D(Х)=0,62

M(Х)=2,4; D(Х)=0,48, P(X>10)=0,896

1. 8 .

M(Х)=15/8; D(Х)=45/64; σ(Х) ≈

M(Х)=2,4; D(Х)=0,96

https://pandia.ru/text/78/455/images/image008_71.gif" width="14">1.11.

M(Х)=2; D(Х)=2/3

1.14. 1,22 e-0,2≈0,999

1.15. а)0,0189; б) 0,00049

1.16. а)0,0702; б)0,77687

1.17. 3,8; 14,2

1.18. 11,2; 4.

Глава 2. Непрерывная случайная величина

Определение: Непрерывной называют величину, все возможные значения которой полностью заполняют конечный или бесконечный промежуток числовой оси.

Очевидно, число возможных значений непрерывной случайной величины бесконечно.

Непрерывную случайную величину можно задавать с помощью функции распределения.

Определение: Функцией распределения непрерывной случайной величины Х называется функция F(х), определяющая для каждого значения хhttps://pandia.ru/text/78/455/images/image028_11.jpg" width="14" height="13">R

Функцию распределения иногда называют интегральной функцией распределения.

Свойства функции распределения:

1)1≤ F(x) ≤1

2)У непрерывной случайной величины функция распределения непрерывна в любой точке и дифференцируема всюду, кроме, быть может, отдельных точек.

3) Вероятность попадания случайной величины Х в один из промежутков (а;b), [а;b), [а;b], равна разности значений функции F(х) в точках а и b, т.е. Р(а<Х

4)Вероятность того, что непрерывная случайная величина Х примет одно отдельное значение равна 0.

5) F(-∞)=0, F(+∞)=1

Задание непрерывной случайной величины с помощью функции распределения не является единственным. Введем понятие плотности распределения вероятностей (плотность распределения).

Определение : Плотностью распределения вероятностей f ( x ) непрерывной случайной величины Х называется производная от ее функции распределения, т. е.:

Плотность распределения вероятностей иногда называют дифференциальной функцией распределения или дифференциальным законом распределения.

Графикплотности распределения вероятностей f(x) называется кривой распределения вероятностей .

Свойства плотности распределения вероятностей:

1)f(x) ≥0,при хhttps://pandia.ru/text/78/455/images/image029_10.jpg" width="285" height="141">.gif" width="14" height="62 src="> 0 при х≤2,

f(x)= с(х-2) при 2<х≤6,

0 при х>6.

Найти: а) значение с; б) функцию распределения F(х) и построить ее график; в) Р(3≤х<5)

Решение:

+ ∞

а) Значение с найдем из условия нормировки: ∫ f(x)dx=1.

Следовательно, -∞

https://pandia.ru/text/78/455/images/image032_23.gif" height="38 src="> -∞ 2 2 х

если 2<х≤6, то F(x)= ∫ 0dx+∫ 1/8(х-2)dx=1/8(х2/2-2х) = 1/8(х2/2-2х - (4/2-4))=

1/8(х2/2-2х+2)=1/16(х-2)2;

Gif" width="14" height="62"> 0 при х≤2,

F(х)= (х-2)2/16 при 2<х≤6,

1 при х>6.

График функции F(х) изображен на рис.3

https://pandia.ru/text/78/455/images/image034_23.gif" width="14" height="62 src="> 0 при х≤0,

F(х)= (3 arctg х)/π при 0<х≤√3,

1 при х>√3.

Найти дифференциальную функцию распределения f(х)

Решение: Т. к.f(х)= F’(x), то

https://pandia.ru/text/78/455/images/image011_36.jpg" width="118" height="24">

Все свойства математического ожидания и дисперсии, рассмотренные ранее для дисперсных случайных величин, справедливы и для непрерывных.

Задача №3. Случайная величина Х задана дифференциальной функцией f(x):

https://pandia.ru/text/78/455/images/image036_19.gif" height="38"> -∞ 2

X3/9 + х2/6 = 8/9-0+9/6-4/6=31/18,

https://pandia.ru/text/78/455/images/image032_23.gif" height="38"> +∞

D(X)= ∫ х2 f(x)dx-(М(х))2=∫ х2 х/3 dx+∫1/3х2 dx=(31/18)2=х4/12 +х3/9 -

- (31/18)2=16/12-0+27/9-8/9-(31/18)2=31/9- (31/18)2==31/9(1-31/36)=155/324,

https://pandia.ru/text/78/455/images/image032_23.gif" height="38">

P(1<х<5)= ∫ f(x)dx=∫ х/3 dx+∫ 1/3 dx+∫ 0 dx= х2/6 +1/3х =

4/6-1/6+1-2/3=5/6.

Задачи для самостоятельного решения.

2.1. Непрерывная случайная величина Х задана функцией распределения:

0 при х≤0,

F(х)= https://pandia.ru/text/78/455/images/image038_17.gif" width="14" height="86"> 0 при х≤ π/6,

F(х)= - cos 3x при π/6<х≤ π/3,

1 при х> π/3.

Найти дифференциальную функцию распределения f (x), а также

Р(2π /9<Х< π /2).

2.3.

0 при х≤2,

f(х)= с х при 2<х≤4,

0 при х>4.

2.4. Непрерывная случайная величина Х задана плотностью распределения:

0 при х≤0,

f(х)= с √х при 0<х≤1,

0 при х>1.

Найти: а) число с; б) М(Х), D(X).

2.5.

https://pandia.ru/text/78/455/images/image041_3.jpg" width="36" height="39"> при х,

0 при х .

Найти: а) F(х) и построить ее график; б) M(X),D(X), σ(Х); в) вероятность того, что в четырех независимых испытаниях величина Х примет ровно 2 раза значение, принадлежащее интервалу (1;4).

2.6. Задана плотность распределения вероятностей непрерывной случайной величины Х:

f(х)= 2(х-2) при х,

0 при х .

Найти: а) F(х) и построить ее график; б) M(X),D(X), σ (Х); в) вероятность того, что в трех независимых испытаниях величина Х примет ровно 2 раза значение, принадлежащее отрезку .

2.7. Функция f(х) задана в виде:

https://pandia.ru/text/78/455/images/image045_4.jpg" width="43" height="38 src=">.jpg" width="16" height="15">[-√3/2 ; √3/2].

2.8. Функция f(x) задана в виде:

https://pandia.ru/text/78/455/images/image046_5.jpg" width="45" height="36 src="> .jpg" width="16" height="15">[- π /4 ; π /4].

Найти: а) значение постоянной с, при которой функция будет плотностью вероятности некоторой случайной величины Х; б) функцию распределения F(x).

2.9. Случайная величина Х, сосредоточенная на интервале (3;7), задана функцией распределения F(х)= . Найти вероятность того, что

случайная величина Х примет значение: а) меньше 5, б) не меньше 7.

2.10. Случайная величина Х, сосредоточенная на интервале (-1;4),

задана функцией распределения F(х)= . Найти вероятность того, что

случайная величина Х примет значение: а) меньше 2, б) не меньше 4.

2.11.

https://pandia.ru/text/78/455/images/image049_6.jpg" width="43" height="44 src="> .jpg" width="16" height="15">.

Найти: а) число с; б) М(Х); в) вероятность Р(Х> М(Х)).

2.12. Случайная величина задана дифференциальной функцией распределения:

https://pandia.ru/text/78/455/images/image050_3.jpg" width="60" height="38 src=">.jpg" width="16 height=15" height="15">.

Найти: а) М(Х); б) вероятность Р(Х≤М(Х))

2.13. Распределение Ремя задается плотностью вероятности:

https://pandia.ru/text/78/455/images/image052_5.jpg" width="46" height="37"> при х ≥0.

Доказать, что f(x) действительно является плотностью распределения вероятностей.

2.14. Задана плотность распределения вероятностей непрерывной случайной величины Х:

https://pandia.ru/text/78/455/images/image054_3.jpg" width="174" height="136 src=">(рис.4) (рис.5)

2.16. Случайная величина Х распределена по закону «прямоугольного треугольника» в интервале (0;4) (рис.5). Найти аналитическое выражение для плотности вероятности f(x) на всей числовой оси.

Ответы

0 при х≤0,

f(х)= https://pandia.ru/text/78/455/images/image038_17.gif" width="14" height="86"> 0 при х≤ π/6,

F(х)= 3sin 3x при π/6<х≤ π/3,

0 при х> π/3. Непрерывная случайная величина Х имеет равномерный закон распределения на некотором интервале (а;b), которому принадлежат все возможные значения Х, если плотность распределения вероятностей f(x) постоянная на этом интервале и равна 0 вне его, т. е.

0 при х≤а,

f(х)= при a<х

0 при х≥b.

График функции f(x) изображен на рис. 1

https://pandia.ru/text/78/455/images/image038_17.gif" width="14" height="86"> 0 при х≤а,

F(х)= https://pandia.ru/text/78/455/images/image077_3.jpg" width="30" height="37">, D(X)=, σ(Х)=.

Задача№1. Случайная величина Х равномерно распределена на отрезке . Найти:

а) плотность распределения вероятностей f(x) и построить ее график;

б) функцию распределения F(x) и построить ее график;

в) M(X),D(X), σ(Х).

Решение: Воспользовавшись формулами, рассмотренными выше, при а=3, b=7, находим:

https://pandia.ru/text/78/455/images/image081_2.jpg" width="22" height="39"> при 3≤х≤7,

0 при х>7

Построим ее график (рис.3):

https://pandia.ru/text/78/455/images/image038_17.gif" width="14" height="86 src="> 0 при х≤3,

F(х)= https://pandia.ru/text/78/455/images/image084_3.jpg" width="203" height="119 src=">рис.4

D(X) = ==https://pandia.ru/text/78/455/images/image089_1.jpg" width="37" height="43">==https://pandia.ru/text/78/455/images/image092_10.gif" width="14" height="49 src="> 0 при х<0,

f(х)= λе-λх при х≥0.

Функция распределения случайной величины Х, распределенной по показательному закону, задается формулой:

https://pandia.ru/text/78/455/images/image094_4.jpg" width="191" height="126 src=">рис..jpg" width="22" height="30"> , D(X)=, σ (Х)=

Таким образом, математическое ожидание и среднее квадратическое отклонение показательного распределения равны между собой.

Вероятность попадания Х в интервал (a;b) вычисляется по формуле:

Р(a<Х

Задача №2. Среднее время безотказной работы прибора равно 100 ч. Полагая, что время безотказной работы прибора имеет показательный закон распределения, найти:

а) плотность распределения вероятностей;

б) функцию распределения;

в) вероятность того, что время безотказной работы прибора превысит 120 ч.

Решение: По условию математическое распределение M(X)=https://pandia.ru/text/78/455/images/image098_10.gif" height="43 src="> 0 при х<0,

а) f(х)= 0,01е -0,01х при х≥0.

б) F(x)= 0 при х<0,

1- е -0,01х при х≥0.

в) Искомую вероятность найдем, используя функцию распределения:

Р(X>120)=1-F(120)=1-(1- е -1,2)= е -1,2≈0,3.

§ 3.Нормальный закон распределения

Определение: Непрерывная случайная величина Х имеет нормальный закон распределения (закон Гаусса), если ее плотность распределения имеет вид:

,

где m=M(X), σ2=D(X), σ>0.

Кривую нормального закона распределения называют нормальной или гауссовой кривой (рис.7)

Нормальная кривая симметрична относительно прямой х=m, имеет максимум в т. х=а, равный .

Функция распределения случайной величины Х, распределенной по нормальному закону, выражается через функцию Лапласа Ф (х) по формуле:

,

где - функция Лапласа.

Замечание: Функция Ф(х) является нечетной (Ф(-х)=-Ф(х)), кроме того, при х>5 можно считать Ф(х) ≈1/2.

График функции распределения F(x) изображен на рис. 8

https://pandia.ru/text/78/455/images/image106_4.jpg" width="218" height="33">

Вероятность того, что абсолютная величина отклонения меньше положительного числа δ вычисляется по формуле:

В частности, при m=0 справедливо равенство:

«Правило трех сигм»

Если случайная величина Х имеет нормальный закон распределения с параметрами m и σ, то практически достоверно, что ее значение заключены в интервале (a-3σ; a+3σ), т. к.

https://pandia.ru/text/78/455/images/image110_2.jpg" width="157" height="57 src=">а)

б) Воспользуемся формулой:

https://pandia.ru/text/78/455/images/image112_2.jpg" width="369" height="38 src=">

По таблице значений функции Ф(х) находим Ф(1,5)=0,4332, Ф(1)=0,3413.

Итак, искомая вероятность:

P(28

Задачи для самостоятельной работы

3.1. Случайная величина Х равномерно распределена в интервале (-3;5). Найдите:

б)функции распределения F(x);

в)числовые характеристики;

г)вероятность Р(4<х<6).

3.2. Случайная величина Х равномерно распределена на отрезке . Найдите:

а) плотность распределения f(x);

б)функции распределения F(x);

в)числовые характеристики;

г)вероятность Р(3≤х≤6).

3.3. На шоссе установлен автоматический светофор, в котором 2 минуты для транспорта горит зеленый свет, 3 секунды желтый и 30 секунд красный и т. д. Машина проезжает по шоссе в случайный момент времени. Найти вероятность того, что машина проедет мимо светофора, не останавливаясь.

3.4. Поезда метрополитена идут регулярно с интервалом 2 минуты. Пассажир выходит на платформу в случайный момент времени. Какова вероятность того, что ждать поезд пассажиру придется больше 50 секунд. Найти математическое ожидание случайной величины Х - время ожидания поезда.

3.5. Найти дисперсию и среднее квадратическое отклонение показательного распределения, заданного функцией распределения:

F(x)= 0 при х<0,

1-е-8х при х≥0.

3.6. Непрерывная случайная величина Х задана плотностью распределения вероятностей:

f(x)= 0 при х<0,

0,7 е-0,7х при х≥0.

а) Назовите закон распределения рассматриваемой случайной величины.

б) Найдите функцию распределения F(X) и числовые характеристики случайной величины Х.

3.7. Случайная величина Х распределена по показательному закону, заданному плотностью распределения вероятностей:

f(x)= 0 при х<0,

0,4 е-0,4 х при х≥0.

Найти вероятность того, что в результате испытания Х примет значение из интервала (2,5;5).

3.8. Непрерывная случайная величина Х распределена по показательному закону, заданному функцией распределения:

F(x)= 0 при х<0,

1-е-0,6х при х≥0

Найти вероятность того, что в результате испытания Х примет значение из отрезка .

3.9. Математическое ожидание и среднее квадратическое отклонение нормально распределенной случайной величины соответственно равны 8 и 2. Найдите:

а) плотность распределения f(x);

б) вероятность того, что в результате испытания Х примет значение из интервала (10;14).

3.10. Случайная величина Х распределена нормально с математическим ожиданием 3,5 и дисперсией 0,04. Найдите:

а) плотность распределения f(x);

б) вероятность того, что в результате испытания Х примет значение из отрезка .

3.11. Случайная величина Х распределена нормально с M(X)=0 и D(X)=1. Какое из событий: |Х|≤0,6 или |Х|≥0,6 имеет большую вероятность?

3.12. Случайная величина Х распределена нормально с M(X)=0 и D(X)=1.Из какого интервала (-0,5;-0,1) или (1;2) при одном испытании она примет значение с большей вероятностью?

3.13. Текущая цена за одну акцию может быть смоделирована с помощью нормального закона распределения с M(X)=10ден. ед. и σ (Х)=0,3 ден. ед. Найти:

а) вероятность того, что текущая цена акции будет от 9,8 ден. ед. до 10,4 ден. ед.;

б)с помощью «правила трех сигм» найти границы, в которых будет находится текущая цена акции.

3.14. Производится взвешивание вещества без систематических ошибок. Случайные ошибки взвешивания подчинены нормальному закону со средним квадратическим отношением σ=5г. Найти вероятность того, что в четырех независимых опытах ошибка при трех взвешиваниях не произойдет по абсолютной величине 3г.

3.15. Случайная величина Х распределена нормально с M(X)=12,6. Вероятность попадания случайной величины в интервал (11,4;13,8) равна 0,6826. Найдите среднее квадратическое отклонение σ.

3.16. Случайная величина Х распределена нормально с M(X)=12 и D(X)=36.Найти интервал, в который с вероятностью 0,9973 попадет в результате испытания случайная величина Х.

3.17. Деталь, изготовленная автоматом, считается бракованной, если отклонение Х ее контролируемого параметра от номинала превышает по модулю 2 единицы измерения . Предполагается, что случайная величина Х распределена нормально с M(X)=0 и σ(Х)=0,7. Сколько процентов бракованных деталей выдает автомат?

3.18. Параметр Х детали распределен нормально с математическим ожиданием 2, равным номиналу, и средним квадратическим отклонением 0,014. Найти вероятность того, что отклонение Х от номинала по модулю не превысит 1% номинала.

Ответы

https://pandia.ru/text/78/455/images/image116_9.gif" width="14" height="110 src=">

б) 0 при х≤-3,

F(х)= left">

3.10. а)f(x)= ,

б) Р(3,1≤Х≤3,7) ≈0,8185.

3.11. |x|≥0,6.

3.12. (-0,5;-0,1).

3.13. а) Р(9,8≤Х≤10,4) ≈0,6562.

3.14. 0,111.

3.15. σ=1,2.

3.16. (-6;30).

3.17. 0,4%.

Случайной величиной называют переменную величину, которая в результате каждого испытания принимает одно заранее неизвестное значение, зависящее от случайных причин. Случайные величины обозначают заглавными латинскими буквами: $X,\ Y,\ Z,\ \dots $ По своему типу случайные величины могут быть дискретными и непрерывными .

Дискретная случайная величина - это такая случайная величина, значения которой могут быть не более чем счетными, то есть либо конечными, либо счетными. Под счетностью имеется ввиду, что значения случайной величины можно занумеровать.

Пример 1 . Приведем примеры дискретных случайных величин:

а) число попаданий в мишень при $n$ выстрелах, здесь возможные значения $0,\ 1,\ \dots ,\ n$.

б) число выпавших гербов при подкидывании монеты, здесь возможные значения $0,\ 1,\ \dots ,\ n$.

в) число прибывших кораблей на борт (счетное множество значений).

г) число вызовов, поступающих на АТС (счетное множество значений).

1. Закон распределения вероятностей дискретной случайной величины.

Дискретная случайная величина $X$ может принимать значения $x_1,\dots ,\ x_n$ с вероятностями $p\left(x_1\right),\ \dots ,\ p\left(x_n\right)$. Соответствие между этими значениями и их вероятностями называется законом распределения дискретной случайной величины . Как правило, это соответствие задается с помощью таблицы, в первой строке которой указывают значения $x_1,\dots ,\ x_n$, а во второй строке соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$.

$\begin{array}{|c|c|}
\hline
X_i & x_1 & x_2 & \dots & x_n \\
\hline
p_i & p_1 & p_2 & \dots & p_n \\
\hline
\end{array}$

Пример 2 . Пусть случайная величина $X$ - число выпавших очков при подбрасывании игрального кубика. Такая случайная величина $X$ может принимать следующие значения $1,\ 2,\ 3,\ 4,\ 5,\ 6$. Вероятности всех этих значений равны $1/6$. Тогда закон распределения вероятностей случайной величины $X$:

$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline

\hline
\end{array}$

Замечание . Поскольку в законе распределения дискретной случайной величины $X$ события $1,\ 2,\ \dots ,\ 6$ образуют полную группу событий, то в сумме вероятности должны быть равны единице, то есть $\sum{p_i}=1$.

2. Математическое ожидание дискретной случайной величины.

Математическое ожидание случайной величины задает ее «центральное» значение. Для дискретной случайной величины математическое ожидание вычисляется как сумма произведений значений $x_1,\dots ,\ x_n$ на соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$, то есть: $M\left(X\right)=\sum^n_{i=1}{p_ix_i}$. В англоязычной литературе используют другое обозначение $E\left(X\right)$.

Свойства математического ожидания $M\left(X\right)$:

1. $M\left(X\right)$ заключено между наименьшим и наибольшим значениями случайной величины $X$.
2. Математическое ожидание от константы равно самой константе, т.е. $M\left(C\right)=C$.
3. Постоянный множитель можно выносить за знак математического ожидания: $M\left(CX\right)=CM\left(X\right)$.
4. Математическое ожидание суммы случайных величин равно сумме их математических ожиданий: $M\left(X+Y\right)=M\left(X\right)+M\left(Y\right)$.
5. Математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий: $M\left(XY\right)=M\left(X\right)M\left(Y\right)$.

Пример 3 . Найдем математическое ожидание случайной величины $X$ из примера $2$.

$$M\left(X\right)=\sum^n_{i=1}{p_ix_i}=1\cdot {{1}\over {6}}+2\cdot {{1}\over {6}}+3\cdot {{1}\over {6}}+4\cdot {{1}\over {6}}+5\cdot {{1}\over {6}}+6\cdot {{1}\over {6}}=3,5.$$

Можем заметить, что $M\left(X\right)$ заключено между наименьшим ($1$) и наибольшим ($6$) значениями случайной величины $X$.

Пример 4 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=2$. Найти математическое ожидание случайной величины $3X+5$.

Используя вышеуказанные свойства, получаем $M\left(3X+5\right)=M\left(3X\right)+M\left(5\right)=3M\left(X\right)+5=3\cdot 2+5=11$.

Пример 5 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=4$. Найти математическое ожидание случайной величины $2X-9$.

Используя вышеуказанные свойства, получаем $M\left(2X-9\right)=M\left(2X\right)-M\left(9\right)=2M\left(X\right)-9=2\cdot 4-9=-1$.

3. Дисперсия дискретной случайной величины.

Возможные значения случайных величин с равными математическими ожиданиями могут по-разному рассеиваться вокруг своих средних значений. Например, в двух студенческих группах средний балл за экзамен по теории вероятностей оказался равным 4, но в одной группе все оказались хорошистами, а в другой группе - только троечники и отличники. Поэтому возникает необходимость в такой числовой характеристике случайной величины, которая бы показывала разброс значений случайной величины вокруг своего математического ожидания. Такой характеристикой является дисперсия.

Дисперсия дискретной случайной величины $X$ равна:

$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}.\ $$

В англоязычной литературе используются обозначения $V\left(X\right),\ Var\left(X\right)$. Очень часто дисперсию $D\left(X\right)$ вычисляют по формуле $D\left(X\right)=\sum^n_{i=1}{p_ix^2_i}-{\left(M\left(X\right)\right)}^2$.

Свойства дисперсии $D\left(X\right)$:

1. Дисперсия всегда больше или равна нулю, т.е. $D\left(X\right)\ge 0$.
2. Дисперсия от константы равна нулю, т.е. $D\left(C\right)=0$.
3. Постоянный множитель можно выносить за знак дисперсии при условии возведения его в квадрат, т.е. $D\left(CX\right)=C^2D\left(X\right)$.
4. Дисперсия суммы независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X+Y\right)=D\left(X\right)+D\left(Y\right)$.
5. Дисперсия разности независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X-Y\right)=D\left(X\right)+D\left(Y\right)$.

Пример 6 . Вычислим дисперсию случайной величины $X$ из примера $2$.

$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}={{1}\over {6}}\cdot {\left(1-3,5\right)}^2+{{1}\over {6}}\cdot {\left(2-3,5\right)}^2+\dots +{{1}\over {6}}\cdot {\left(6-3,5\right)}^2={{35}\over {12}}\approx 2,92.$$

Пример 7 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=2$. Найти дисперсию случайной величины $4X+1$.

Используя вышеуказанные свойства, находим $D\left(4X+1\right)=D\left(4X\right)+D\left(1\right)=4^2D\left(X\right)+0=16D\left(X\right)=16\cdot 2=32$.

Пример 8 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=3$. Найти дисперсию случайной величины $3-2X$.

Используя вышеуказанные свойства, находим $D\left(3-2X\right)=D\left(3\right)+D\left(2X\right)=0+2^2D\left(X\right)=4D\left(X\right)=4\cdot 3=12$.

4. Функция распределения дискретной случайной величины.

Способ представления дискретной случайной величины в виде ряда распределения не является единственным, а главное он не является универсальным, поскольку непрерывную случайную величину нельзя задать с помощью ряда распределения. Существует еще один способ представления случайной величины - функция распределения.

Функцией распределения случайной величины $X$ называется функция $F\left(x\right)$, которая определяет вероятность того, что случайная величина $X$ примет значение, меньшее некоторого фиксированного значения $x$, то есть $F\left(x\right)=P\left(X < x\right)$

Свойства функции распределения :

1. $0\le F\left(x\right)\le 1$.
2. Вероятность того, что случайная величина $X$ примет значения из интервала $\left(\alpha ;\ \beta \right)$, равна разности значений функции распределения на концах этого интервала: $P\left(\alpha < X < \beta \right)=F\left(\beta \right)-F\left(\alpha \right)$
3. $F\left(x\right)$ - неубывающая.
4. ${\mathop{lim}_{x\to -\infty } F\left(x\right)=0\ },\ {\mathop{lim}_{x\to +\infty } F\left(x\right)=1\ }$.

Пример 9 . Найдем функцию распределения $F\left(x\right)$ для закона распределения дискретной случайной величины $X$ из примера $2$.

$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline
1/6 & 1/6 & 1/6 & 1/6 & 1/6 & 1/6 \\
\hline
\end{array}$

Если $x\le 1$, то, очевидно, $F\left(x\right)=0$ (в том числе и при $x=1$ $F\left(1\right)=P\left(X < 1\right)=0$).

Если $1 < x\le 2$, то $F\left(x\right)=P\left(X=1\right)=1/6$.

Если $2 < x\le 3$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)=1/6+1/6=1/3$.

Если $3 < x\le 4$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)=1/6+1/6+1/6=1/2$.

Если $4 < x\le 5$, то $F\left(X\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)=1/6+1/6+1/6+1/6=2/3$.

Если $5 < x\le 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)=1/6+1/6+1/6+1/6+1/6=5/6$.

Если $x > 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)+P\left(X=6\right)=1/6+1/6+1/6+1/6+1/6+1/6=1$.

Итак, $F(x)=\left\{\begin{matrix}
0,\ при\ x\le 1,\\
1/6,при\ 1 < x\le 2,\\
1/3,\ при\ 2 < x\le 3,\\
1/2,при\ 3 < x\le 4,\\
2/3,\ при\ 4 < x\le 5,\\
5/6,\ при\ 4 < x\le 5,\\
1,\ при\ x > 6.
\end{matrix}\right.$