Підставивши a= 28, b= 38, m= 32, σ = 4, отримаємо

Р(28< Х < 38)= Ф(1,5) Ф(1)

За таблицею значень функції Ф( х) знаходимо Ф(1,5) = 0,4332, Ф(1) = 0,3413.

Отже, шукана ймовірність:

P(28

Завдання

6.1. Випадкова величина Хрівномірно розподілена в інтервалі (-3; 5). Знайдіть:

а) щільність розподілу f(x);

б) функції розподілу F(x);

в) числові показники;

г) ймовірність Р(4<х<6).

6.2. Випадкова величина Хрівномірно розподілена на відрізку. Знайдіть:

а) щільність розподілу f(x);

б) функцію розподілу F(x);

в) числові показники;

г) ймовірність Р(3≤х≤6).

6.3. На шосе встановлено автоматичний світлофор, в якому 2 хвилини для транспорту горить зелене світло, 3 секунди – жовте та 30 секунд – червоне і т.д. Машина проїжджає шосе у випадковий момент часу. Знайти ймовірність того, що машина проїде повз світлофор, не зупиняючись.

6.4. Поїзди метрополітену йдуть регулярно з інтервалом 2 хвилини. Пасажир виходить на платформу у довільний момент часу. Яка ймовірність того, що чекати на поїзд пасажиру доведеться більше 50 секунд. Знайти математичне очікування випадкової величини Х- Час очікування поїзда.

6.5. Знайти дисперсію та середнє квадратичне відхилення показового розподілу, заданого функцією розподілу:

6.6. Безперервна випадкова величина Хзадана щільністю розподілу ймовірностей:

а) Назвіть закон розподілу випадкової величини, що розглядається.

б) Знайдіть функцію розподілу F(x) та числові характеристики випадкової величини Х.

6.7. Випадкова величина Хрозподілена за показовим законом, заданим щільністю розподілу ймовірностей:

Хнабуде значення з інтервалу (2,5;5).

6.8. Безперервна випадкова величина Хрозподілено за показовим законом, заданим функцією розподілу:

Знайти ймовірність того, що в результаті випробування Хприйме значення з відрізка.

6.9. Математичне очікування та середнє квадратичне відхилення нормально розподіленої випадкової величини відповідно дорівнюють 8 і 2. Знайдіть:

а) щільність розподілу f(x);

б) ймовірність того, що в результаті випробування Хприйме значення з інтервалу (10; 14).

6.10. Випадкова величина Хрозподілена нормально з математичним очікуванням 3,5 та дисперсією 0,04. Знайдіть:

а) щільність розподілу f(x);

б) ймовірність того, що в результаті випробування Хприйме значення з відрізка.

6.11. Випадкова величина Хрозподілена нормально з M(X) = 0 та D(X)= 1. Яка з подій: | Х|≤0,6 чи | Х|≥0,6 має велику ймовірність?

6.12. Випадкова величина Хрозподілена нормально з M(X) = 0 та D(X)= 1.З якого інтервалу (-0,5; -0,1) або (1; 2) при одному випробуванні вона набуде значення з більшою ймовірністю?

6.13. Поточна ціна за одну акцію може бути змодельована за допомогою нормального закону розподілу з M(X)= 10 ден. од. та σ( Х) = 0,3 ден. од. Знайти:

а) ймовірність того, що поточна ціна акції буде від 9,8 грош. од. до 10,4 грош. од.;

б) за допомогою "правила трьох сигм" знайти межі, в яких перебуватиме поточна ціна акції.

6.14. Здійснюється зважування речовини без систематичних помилок. Випадкові помилки зважування підпорядковані нормальному закону із середнім квадратичним відхиленням σ= 5г. Знайти ймовірність того, що в чотирьох незалежних дослідах помилка при трьох зважуваннях не перевищить абсолютну величину 3 г.

6.15. Випадкова величина Хрозподілена нормально з M(X) = 12,6. Імовірність потрапляння випадкової величини до інтервалу (11,4; 13,8) дорівнює 0,6826. Знайдіть середнє квадратичне відхилення σ.

6.16. Випадкова величина Хрозподілена нормально з M(X) = 12 і D(X) = 36. Знайти інтервал, в який із ймовірністю 0,9973 потрапить в результаті випробування випадкова величина Х.

6.17. Деталь, виготовлена ​​автоматично, вважається бракованою, якщо відхилення Хїї контрольованого параметра від номіналу перевищує за модулем 2 одиниці виміру. Передбачається, що випадкова величина Хрозподілена нормально з M(X) = 0 і σ( Х) = 0,7. Скільки відсотків бракованих деталей видає автомат?

3.18. Параметр Хдеталі розподілено нормально з математичним очікуванням 2, рівним номіналу, та середнім квадратичним відхиленням 0,014. Знайти ймовірність того, що відхилення Хвід номіналу за модулем не перевищить 1% номіналу.

Відповіді

в) M(X)=1, D(X)=16/3, σ( Х)= 4/, г)1/8.

в) M(X)=4,5, D(X) =2 , σ ( Х)= , г)3/5.

6.3. 40/51.

6.4. 7/12, M(X)=1.

6.5. D(X) = 1/64, σ ( Х)=1/8

6.6. M(X)=1 , D(X) =2 , σ ( Х)= 1 .

6.7. Р(2,5<Х<5)=е -1 е -2 ≈0,2325 6.8. Р(2≤ Х≤5)=0,252.

б) Р(10 < Х < 14) ≈ 0,1574.

б) Р(3,1 ≤ Х ≤ 3,7) ≈ 0,8185.

6.11. |x|≥0,6.

6.12. (-0,5; -0,1).

6.13. а) Р(9,8 ≤ Х ≤ 10,4) ≈ 0,6562 6.14. 0,111.

б) (9,1; 10,9).

6.15. σ = 1,2.

6.16. (-6; 30).

6.17. 0,4 %.

Нормальний закон розподілу ймовірностей

Без перебільшення його можна назвати філософським законом. Спостерігаючи за різними об'єктами та процесами навколишнього світу, ми часто стикаємося з тим, що чогось буває мало, і що буває норма:


Перед вами важливий вигляд функції щільностінормального розподілу ймовірностей, і я вітаю вас на цьому цікавому уроці.

Які приклади можна навести? Їхня просто темрява. Це, наприклад, зростання, вага людей (і не тільки), їхня фізична сила, розумові здібності і т.д. Існує «основна маса» (за тією чи іншою ознакою)і є відхилення в обидві сторони.

Це різні характеристики неживих об'єктів (ті самі розміри, вага). Це випадкова тривалість процесів, наприклад, час забігу стометрівки або перетворення смоли на бурштин. З фізики згадалися молекули повітря: серед них є повільні, швидкі, але більшість рухаються зі «стандартними» швидкостями.

Далі відхиляємося від центру ще одне стандартне відхилення і розраховуємо висоту:

Зазначаємо точки на кресленні (зелений колір)і бачимо, що цього цілком достатньо.

На завершальному етапі акуратно креслимо графік, та особливо акуратновідбиваємо його опуклість/увігнутість! Ну і, мабуть, ви давно зрозуміли, що вісь абсцис – це горизонтальна асимптота, І «залазити» за неї категорично не можна!

При електронному оформленні рішення графік легко побудувати в Екселі, і несподівано для себе я навіть записав короткий відеоролик на цю тему. Але спочатку поговоримо про те, як змінюється форма нормальної кривої в залежності від значень і .

При збільшенні чи зменшенні «а» (При постійному «сигма»)графік зберігає свою форму та переміщається вправо / влівовідповідно. Так, наприклад, при функція набуває вигляду і наш графік «переїжджає» на 3 одиниці вліво – рівно на початок координат:


Нормально розподілена величина з нульовим математичним очікуванням отримала цілком природну назву - центрована; її функція щільності – парна, І графік симетричний щодо осі ординат.

У разі зміни «сигми» (При постійному "а"), графік «залишається дома», але змінює форму. При збільшенні він стає нижчим і витягнутим, наче восьминіг, що розтягує щупальця. І, навпаки, при зменшенні графіка стає вужчим і високим- Виходить «здивований восьминіг». Так, при зменшенні«сигми» вдвічі: попередній графік звужується і витягується вгору вдвічі:

Все в повній відповідності до геометричними перетвореннями графіків.

Нормальний розподіл із одиничним значенням «сигма» називається нормованим, а якщо воно ще й центровано(наш випадок), то такий розподіл називають стандартним. Воно має ще простішу функцію щільності, яка вже зустрічалася в локальної теореми Лапласа: . Стандартний розподіл знайшов широке застосування практично, і дуже скоро ми остаточно зрозуміємо його призначення.

Ну а тепер дивимось кіно:

Так, абсолютно вірно - якось незаслужено у нас залишилася в тіні функція розподілу ймовірностей. Згадуємо її визначення:
- Імовірність того, що випадкова величина набуде значення, МЕНШЕ, ніж змінна , яка "пробігає" всі дійсні значення до "плюс" нескінченності.

Усередині інтеграла зазвичай використовують іншу букву, щоб не виникало «накладок» з позначеннями, бо тут кожному значенню ставиться у відповідність невласний інтеграл , який дорівнює деякому числуз інтервалу.

Майже всі значення не піддаються точному розрахунку, але як ми щойно бачили, із сучасними обчислювальними потужностями з цим немає жодних труднощів. Так, для функції стандартного розподілу відповідна екселівська функція взагалі містить один аргумент:

=НОРМСТРАСП(z)

Раз, два – і готово:

На кресленні добре видно виконання всіх властивостей функції розподілу, і з технічних нюансів тут слід звернути увагу на горизонтальні асимптотиі точку перегину.

Тепер згадаємо одне з ключових завдань теми, а саме з'ясуємо, як знайти – ймовірність того, що нормальна випадкова величина набуде значення з інтервалу. Геометрично ця ймовірність дорівнює площіміж нормальною кривою та віссю абсцис на відповідній ділянці:

але щоразу вимучувати наближене значення нерозумно, і тому тут раціональніше використовувати «легку» формулу:
.

! Згадує також , що

Тут можна знову задіяти Ексель, але є пара вагомих "але": по-перше, він не завжди під рукою, а по-друге, "готові" значення, швидше за все, викличуть питання у викладача. Чому?

Про це я неодноразово розповідав раніше: свого часу (і ще не дуже давно) розкішшю був звичайний калькулятор, і в навчальній літературі досі зберігся «ручний» спосіб вирішення завдання. Його суть полягає в тому, щоб стандартизуватизначення «альфа» та «бета», тобто звести рішення до стандартного розподілу:

Примітка : функцію легко отримати із загального випадкуза допомогою лінійної заміни. Тоді й:

і з проведеної заміни випливає формула переходу від значень довільного розподілу – до відповідних значень стандартного розподілу.

Навіщо це потрібно? Справа в тому, що значення скрупульозно підраховані нашими предками і зведені до спеціальної таблиці, яка є в багатьох книгах за тервером. Але ще частіше зустрічається таблиця значень, з якою ми вже мали справу в інтегральної теореми Лапласа:

Якщо в нашому розпорядженні є таблиця значень функції Лапласа , То вирішуємо через неї:

Дробові значення традиційно округляємо до 4 знаків після коми, як це зроблено у типовій таблиці. І для контролю є Пункт 5 макета.

Нагадую, що , і щоб уникнути плутанини завжди контролюйте, таблиця ЯКИЙ функції перед очима.

Відповідьпотрібно дати у відсотках, тому розраховану ймовірність потрібно помножити на 100 і забезпечити результат змістовним коментарем:

- з перельотом від 5 до 70 м впаде приблизно 15,87% снарядів

Тренуємося самостійно:

Приклад 3

Діаметр підшипників, виготовлених на заводі, являє собою випадкову величину, нормально розподілену з математичним очікуванням 1,5 см і середнім квадратичним відхиленням 0,04 см. Знайти ймовірність того, що розмір навмання взятого підшипника коливається від 1,4 до 1,6 см.

У зразку рішення і далі я використовуватиму функцію Лапласа як найпоширеніший варіант. До речі, зверніть увагу, що згідно з формулюванням, тут можна включити кінці інтервалу до розгляду. Втім, це критично.

І вже у цьому прикладі нам зустрівся особливий випадок – коли інтервал симетричний щодо математичного очікування. У такій ситуації його можна записати у вигляді і, користуючись непарністю функції Лапласа, спростити робочу формулу:

Параметр "дельта" називають відхиленнямвід математичного очікування, і подвійну нерівність можна «упаковувати» за допомогою модуля:

- Імовірність того, що значення випадкової величини відхилиться від математичного очікування менш ніж на .

Добре те рішення, яке вміщується в один рядок:)
- Імовірність того, що діаметр навмання взятого підшипника відрізняється від 1,5 см не більше ніж на 0,1 см.

Результат цього завдання вийшов близьким до одиниці, але хотілося б ще більшої надійності - а саме, дізнатися межі, в яких знаходиться діаметр майже всіхпідшипників. Чи існує якийсь критерій щодо цього? Існує! На поставлене запитання відповідає так зване

правило «трьох сигм»

Його суть полягає в тому, що практично достовірним є той факт, що нормально розподілена випадкова величина набуде значення з проміжку .

І насправді, ймовірність відхилення від матожидания менш ніж становить:
або 99,73%

У «перерахунку на підшипники» – це 9973 штуки з діаметром від 1,38 до 1,62 см і лише 27 «некондиційних» екземплярів.

У практичних дослідженнях правило "трьох сигм" зазвичай застосовують у зворотному напрямку: якщо статистичновстановлено, що майже всі значення досліджуваної випадкової величиниукладаються в інтервал довжиною 6 стандартних відхилень, то з'являються вагомі підстави вважати, що ця величина розподілена за нормальним законом. Перевірка здійснюється за допомогою теорії статистичних гіпотез.

Продовжуємо вирішувати суворі радянські завдання:

Приклад 4

Випадкова величина помилки зважування розподілена за нормальним законом з нульовим математичним очікуванням і стандартним відхиленням 3 грами. Знайти ймовірність того, що чергове зважування буде проведено з помилкою, що не перевищує модуля 5 грам.

Рішеннядуже просте. За умовою, і відразу зауважимо, що за чергового зважування (чогось чи когось)ми майже 100% отримаємо результат із точністю до 9 грам. Але в задачі фігурує вужче відхилення і за формулою :

- Імовірність того, що чергове зважування буде проведено з помилкою, що не перевищує 5 грам.

Відповідь:

Вирішене завдання принципово відрізняється від начебто схожого Приклад 3уроку про рівномірному розподілі. Там була похибка округленнярезультатів вимірів, тут йдеться про випадкової похибки самих вимірів. Такі похибки виникають у зв'язку з технічними характеристиками приладу (діапазон припустимих помилок, як правило, вказують у його паспорті), а також з вини експериментатора – коли ми, наприклад, «на око» знімаємо свідчення зі стрілки тієї ж ваги.

Окрім інших, існують ще так звані систематичніпомилки виміру. Це вже невипадковіпомилки, які виникають через некоректне налаштування або експлуатацію приладу. Так, наприклад, невідрегульовані ваги підлоги можуть стабільно «додавати» кілограм, а продавець систематично обвішувати покупців. Або не систематично можна обрахувати. Однак, у будь-якому випадку, випадковою така помилка не буде, і її маточкування відмінно від нуля.

…терміново розробляю курс з підготовки продавців =)

Самостійно вирішуємо зворотне завдання:

Приклад 5

Діаметр валика - випадкова нормально розподілена випадкова величина, середнє квадратичне відхилення її дорівнює мм. Знайти довжину інтервалу, симетричного щодо математичного очікування, куди з ймовірністю потрапить довжина діаметра валика.

Пункт 5* розрахункового макетав допомогу. Зверніть увагу, що тут не відоме математичне очікування, але це не заважає вирішити поставлене завдання.

І екзаменаційне завдання, яке я настійно рекомендую для закріплення матеріалу:

Приклад 6

Нормально розподілена випадкова величина задана своїми параметрами (математичне очікування) та (середнє квадратичне відхилення). Потрібно:

а) записати щільність ймовірності та схематично зобразити її графік;
б) знайти ймовірність того, що набуде значення з інтервалу ;
в) знайти ймовірність того, що відхилиться по модулю не більше ніж на ;
г) застосовуючи правило "трьох сигм", знайти значення випадкової величини.

Такі завдання пропонуються повсюдно, і за роки практики мені їх довелося вирішити сотні та сотні штук. Обов'язково попрактикуйтесь у ручній побудові креслення та використанні паперових таблиць;)

Ну а я розберу приклад підвищеної складності:

Приклад 7

Щільність розподілу ймовірностей випадкової величини має вигляд . Знайти, математичне очікування, дисперсію, функцію розподілу, побудувати графіки щільності та функції розподілу, знайти.

Рішення: Насамперед, звернемо увагу, що в умові нічого не сказано про характер випадкової величини Сама собою присутність експоненти ще нічого не означає: це може виявитися, наприклад, показовеабо взагалі довільне безперервний розподіл. І тому «нормальність» розподілу ще треба обґрунтувати:

Оскільки функція визначена при будь-комудійсному значенні, і її можна привести до вигляду , то випадкова величина розподілена за нормальним законом.

Наводимо. Для цього виділяємо повний квадратта організуємо триповерховий дріб:


Обов'язково виконуємо перевірку, повертаючи показник у вихідний вигляд:

що ми й хотіли побачити.

Таким чином:
- за правилу дій зі ступенями«відщипуємо». І тут можна одразу записати очевидні числові характеристики:

Тепер знайдемо значення параметра. Оскільки множник нормального розподілу має вигляд і , то:
, звідки висловлюємо та підставляємо на нашу функцію:
, після чого ще раз пробіжимося по запису очима і переконаємося, що отримана функція має вигляд .

Побудуємо графік щільності:

та графік функції розподілу :

Якщо під рукою немає Екселя і навіть звичайного калькулятора, останній графік легко будується вручну! У точці функція розподілу набуває значення і тут знаходиться

Випадковою величиноюназивають змінну величину, яка в результаті кожного випробування набуває одного заздалегідь невідомого значення, що залежить від випадкових причин. Випадкові величини позначають великими латинськими літерами: $ X, \ Y, Z, \ dots $ За своїм типом випадкові величини можуть бути дискретнимиі безперервними.

Дискретна випадкова величина- це така випадкова величина, значення якої можуть бути не більш ніж лічильними, тобто або кінцевими, або лічильними. Під рахунком мається на увазі, що значення випадкової величини можна занумерувати.

Приклад 1 . Наведемо приклади дискретних випадкових величин:

а) число попадань у мішень при $n$ пострілах, тут можливі значення $0, 1, dots, n $.

б) число гербів, що випали при підкиданні монети, тут можливі значення $0,\ 1,\dots,\n$.

в) число кораблів, що прибули на борт (лічильна безліч значень).

г) кількість викликів, що надходять на АТС (численна кількість значень).

1. Закон розподілу ймовірностей дискретної випадкової величини.

Дискретна випадкова величина $X$ може приймати значення $x_1,\dots,\x_n$ з ймовірностями $p\left(x_1\right),\dots,\p\left(x_n\right)$. Відповідність між цими значеннями та їх ймовірностями називається законом розподілу дискретної випадкової величини. Як правило, ця відповідність задається за допомогою таблиці, у першому рядку якої вказують значення $x_1, \ dots , \ x_n $, а в другому рядку відповідні цим значенням ймовірності $ p_1, \ dots , \ p_n $.

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

Приклад 2 . Нехай випадкова величина $X$ - кількість очок, що випали при підкиданні грального кубика. Така випадкова величина $X$ може приймати наступні значення $1, 2, 3, 4, 5, 6 $. Імовірності всіх цих значень дорівнюють $1/6$. Тоді закон розподілу ймовірностей випадкової величини $X$:

$\begin(array)(|c|c|)
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline

\hline
\end(array)$

Зауваження. Оскільки в законі розподілу дискретної випадкової величини $X$ події $1,\ 2,\ \dots ,\ 6$ утворюють повну групу подій, то в сумі ймовірності повинні дорівнювати одиниці, тобто $ \ sum (p_i) = 1 $.

2. Математичне очікування дискретної випадкової величини.

Математичне очікування випадкової величинизадає її "центральне" значення. Для дискретної випадкової величини математичне очікування обчислюється як сума творів значень $x_1,\dots ,\ x_n$ на відповідні цим значенням імовірності $p_1,\dots ,\ p_n$, тобто $M\left(X\right)=\sum ^n_(i=1)(p_ix_i)$. В англомовній літературі використовують інше позначення $ E \ left (X \ right) $.

Властивості математичного очікування$M\left(X\right)$:

1. $M\left(Xright)$ укладено між найменшим і найбільшим значеннями випадкової величини $X$.
2. Математичне очікування від константи дорівнює самій константі, тобто. $M\left(Cright)=C$.
3. Постійний множник можна виносити за знак математичного очікування: $ M \ left (CX \ right) = CM \ left (X \ right) $.
4. Математичне очікування суми випадкових величин дорівнює сумі їх математичних очікувань: $ M \ left (X + Y \ right) = M \ left (X \ right) + M \ left (Y \ right) $.
5. Математичне очікування твору незалежних випадкових величин дорівнює твору їх математичних очікувань: $ M \ left (XY \ right) = M \ left (X \ right) M \ left (Y \ right) $.

Приклад 3 . Знайдемо математичне очікування випадкової величини $X$ із прикладу $2$.

$$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. $ $

Можемо помітити, що $M\left(X\right)$ укладено між найменшим ($1$) і найбільшим ($6$) значеннями випадкової величини $X$.

Приклад 4 . Відомо, що математичне очікування випадкової величини $ X $ дорівнює $ M \ left (X \ right) = 2 $. Знайти математичне очікування випадкового розміру $3X+5$.

Використовуючи вищевказані властивості, отримуємо $M\left(3X+5\right)=M\left(3X\right)+M\left(5\right)=3M\left(X\right)+5=3\cdot 2 +5 = 11 $.

Приклад 5 . Відомо, що математичне очікування випадкової величини $ X $ дорівнює $ M \ left (X \ right) = 4 $. Знайти математичне очікування випадкової величини $2X-9$.

Використовуючи вищевказані властивості, отримуємо $M\left(2X-9\right)=M\left(2X\right)-M\left(9\right)=2M\left(X\right)-9=2\cdot 4 -9 = -1 $.

3. Дисперсія дискретної випадкової величини.

Можливі значення випадкових величин із рівними математичними очікуваннями можуть по-різному розсіюватися навколо своїх середніх значень. Наприклад, у двох студентських групах середній бал за іспит з теорії ймовірностей виявився рівним 4, але в одній групі всі виявилися хорошистами, а в іншій групі - лише трієчники та відмінники. Тому виникає потреба у такій числовій характеристиці випадкової величини, яка б показувала розкид значень випадкової величини навколо свого математичного очікування. Такою характеристикою є дисперсія.

Дисперсія дискретної випадкової величини$X$ дорівнює:

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

В англомовній літературі використовуються позначення $ V \ left (X \ right), \ Var \ left (X \ right) $. Дуже часто дисперсію $D\left(X\right)$ обчислюють за формулою $D\left(X\right)=\sum^n_(i=1)(p_ix^2_i)-(\left(M\left(X) \right)\right))^2$.

Властивості дисперсії$D\left(X\right)$:

1. Дисперсія завжди більша чи дорівнює нулю, тобто. $ D \ left (X \ right) \ ge 0 $.
2. Дисперсія від константи дорівнює нулю, тобто. $ D \ left (C \ right) = 0 $.
3. Постійний множник можна виносити за знак дисперсії за умови зведення їх у квадрат, тобто. $D\left(CX\right)=C^2D\left(X\right)$.
4. Дисперсія суми незалежних випадкових величин дорівнює сумі дисперсій, тобто. $ D \ left (X + Y \ right) = D \ left (X \ right) + D \ left (Y \ right) $.
5. Дисперсія різниці незалежних випадкових величин дорівнює сумі дисперсій, тобто. $D\left(X-Y\right)=D\left(X\right)+D\left(Y\right)$.

Приклад 6 . Обчислимо дисперсію випадкової величини $X$ із прикладу $2$.

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

Приклад 7 . Відомо, що дисперсія випадкової величини $ X $ дорівнює $ D left (X right) = 2 $. Знайти дисперсію випадкової величини $4X+1$.

Використовуючи вищезазначені властивості, знаходимо $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 $.

Приклад 8 . Відомо, що дисперсія випадкової величини $ X $ дорівнює $ D \ left (X \ right) = 3 $. Знайти дисперсію випадкової величини $3-2X$.

Використовуючи вищевказані властивості, знаходимо $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. Функція розподілу дискретної випадкової величини.

Спосіб подання дискретної випадкової величини у вигляді ряду розподілу не єдиний, а головне він не є універсальним, оскільки безперервну випадкову величину не можна задати за допомогою ряду розподілу. Існує ще один спосіб подання випадкової величини – функція розподілу.

Функцією розподілувипадкової величини $X$ називається функція $F\left(x\right)$, яка визначає ймовірність того, що випадкова величина $X$ прийме значення, менше деякого фіксованого значення $x$, тобто $F\left(x\right )=P\left(X< x\right)$

Властивості функції розподілу:

1. $0\le F\left(x\right)\le 1$.
2. Імовірність того, що випадкова величина $X$ прийме значення з інтервалу $\left(\alpha ;\ \beta \right)$, дорівнює різниці значень функції розподілу на кінцях цього інтервалу: $P\left(\alpha< X < \beta \right)=F\left(\beta \right)-F\left(\alpha \right)$
3. $ F \ left (x \ right) $ - Незменшується.
4. $(\mathop(lim)_(x\to -\infty ) F\left(x\right)=0\ ),\ (\mathop(lim)_(x\to +\infty ) F\left(x \right) = 1 \) $.

Приклад 9 . Знайдемо функцію розподілу $F\left(xright)$ для закону розподілу дискретної випадкової величини $X$ з прикладу $2$.

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

Якщо $x\le 1$, то, очевидно, $F\left(x\right)=0$ (у тому числі і при $x=1$ $F\left(1\right)=P\left(X< 1\right)=0$).

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

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

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

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

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

Якщо $ 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$.

Отже, $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.$

ЗАКОН РОЗПОДІЛУ ТА ХАРАКТЕРИСТИКИ

ВИПАДКОВИХ ВЕЛИЧИН

Випадкові величини, їх класифікація та способи опису.

Випадковою називається величина, яка в результаті досвіду може набувати того чи іншого значення, але яке саме заздалегідь не відомо. Для випадкової величини, таким чином, можна вказати лише значення, одне з яких вона обов'язково прийме в результаті досвіду. Ці значення надалі називатимемо можливими значеннями випадкової величини. Оскільки випадкова величина кількісно характеризує випадковий результат досвіду, може розглядатися як кількісна характеристика випадкового події.

Випадкові величини зазвичай позначаються великими літерами латинського алфавіту, наприклад, X..Y..Z, які можливі значення- відповідними малими літерами.

Розрізняють три типи випадкових величин:

Дискретні; Безперервні; Змішані.

Дискретноюназивається така випадкова величина, число можливих значень якої утворює лічильну множину. У свою чергу, лічильним називається безліч, елементи якого можна пронумерувати. Слово «дискретний» походить від латинського discretus, що означає «переривчастий, що складається з окремих частин».

Приклад 1. Дискретною випадковою величиною є число бракованих деталей Х партії з nтук. Справді, можливими значеннями цієї випадкової величини є цілих чисел від 0 до n.

Приклад 2. Дискретною випадковою величиною є число пострілів до першого влучення в ціль. Тут, як і в прикладі 1, можливі значення можна пронумерувати, хоча в граничному випадку можливе значення нескінченно великим числом.

Безперервнийназивається випадкова величина, можливі значення якої безперервно заповнюють деякий інтервал числової осі, іноді званий інтервалом існування цієї випадкової величини. Таким чином, на будь-якому кінцевому інтервалі існування число можливих значень безперервної випадкової величини нескінченно велике.

Приклад 3. Безперервною випадковою величиною є витрата електроенергії для підприємства протягом місяця.

Приклад 4. Безперервною випадковою величиною є помилка виміру висоти за допомогою висотоміру. Нехай із принципу роботи висотоміра відомо, що помилка лежить у межах від 0 до 2 м. Тому інтервалом існування цієї випадкової величини є інтервал від 0 до 2 м.

Закон розподілу випадкових величин.

Випадкова величина вважається повністю заданою, якщо на числовій осі вказано її можливі значення та встановлено закон розподілу.

Законом розподілу випадкової величини називається співвідношення, що встановлює зв'язок між можливими значеннями випадкової величини та відповідними ймовірностями.

Про випадкову величину говорять, що вона розподілена за цим законом, чи підпорядкована цьому закону розподілу. Як закони розподілу використовуються ряд ймовірностей, функція розподілу, щільність ймовірності, характеристична функція.

Закон розподілу дає повний ймовірний опис випадкової величини. За законом розподілу можна судити до досвіду про те, які можливі значення випадкової величини з'являтимуться частіше, а які – рідше.

Для дискретної випадкової величини закон розподілу може бути заданий у вигляді таблиці, аналітично (як формули) і графічно.

Найпростішою формою завдання закону розподілу дискретної випадкової величини є таблиця (матриця), у якій перелічені порядку зростання всі можливі значення випадкової величини і відповідні їх ймовірності, тобто.

Така таблиця називається рядом розподілу дискретної випадкової величини. 1

Події Х 1 , Х 2 ,..., Х n , які в тому, що в результаті випробування випадкова величина X прийме відповідно значення х 1 , x 2 ,... х n є несумісними і єдино можливими (бо в таблиці перераховані всі можливі значення випадкової величини), тобто. утворюють повну групу. Отже, сума їх ймовірностей дорівнює 1. Таким чином, для будь-якої дискретної випадкової величини

(Ця одиниця якось розподілена між значеннями випадкової величини, звідси термін «розподіл»).

Ряд розподілу може бути зображений графічно, якщо осі абсцис відкладати значення випадкової величини, а по осі ординат - відповідні їх ймовірності. З'єднання отриманих точок утворює ламану, яка називається багатокутником або полігоном розподілу ймовірностей (рис. 1).

прикладУ лотереї розігрується: автомобіль вартістю 5000 грош. од., 4 телевізори вартістю 250 ден. од., 5 відеомагнітофонів вартістю 200 ден. од. Усього продається 1000 квитків по 7 ден. од. Скласти закон розподілу чистого виграшу, отриманого учасником лотереї, який купив один квиток.

Рішення. Можливі значення випадкової величини X - чистого виграшу однією квиток - рівні 0-7 = -7 ден. од. (якщо квиток не виграв), 200-7 = 193, 250-7 = 243, 5000-7 = 4993 ден. од. (якщо на квиток випав виграш відповідно до відеомагнітофона, телевізора або автомобіля). Враховуючи, що з 1000 квитків кількість тих, хто не виграв, становить 990, а вказаних виграшів відповідно 5, 4 і 1, і використовуючи класичне визначення ймовірності, отримаємо.