Непрерывные случайные величины. Примеры решения задач

4. Плотность распределения вероятностей непрерывной случайной величины

Непрерывную случайную величину можно задать с помощью функции распределения F (x ) . Этот способ задания не является единственным. Непрерывную случайную величину можно также задать, используя другую функцию, которую называют плотностью распределения или плотностью вероятности (иногда её называют дифференциальной функцией).

Определение4.1: Плотностью распределения непрерывной случайной величины Х называют функцию f (x ) - первую производную от функции распределения F (x ) :

f ( x ) = F "( x ) .

Из этого определения следует, что функция распределения является первообразной для плотности распределения. Заметим, что для описания распределения вероятностей дискретной случайной величины плотность распределения неприменима.

Вероятность попадания непрерывной случайной величины в заданный интервал

Зная плотность распределения, можно вычислить вероятность того, что непрерывная случайная величина примет значение, принадлежащее заданному интервалу.

Теорема: Вероятность того, что непрерывная случайная величина Х примет значение, принадлежащие интервалу (a , b ), равна определённому интегралу от плотности распределения, взятому в пределах от a до b :

Доказательство: Используем соотношение

P (a ≤ X b ) = F (b ) – F (a ).

По формуле Ньютона-Лейбница,

Таким образом,

.

Так как P (a ≤ X b )= P (a X b ) , то окончательно получим

.

Геометрически полученный результат можно истолковать так: вероятность того, что непрерывная случайная величина примет значение, принадлежащее интервалу (a , b ), равна площади криволинейной трапеции, ограниченной осью Ox , кривой распределения f (x ) и прямыми x = a и x = b .

Замечание: В частности, если f (x ) – чётная функция и концы интервала симметричны относительно начала координат, то

.

Пример. Задана плотность вероятности случайной величины Х

Найти вероятность того, что в результате испытания Х примет значение, принадлежащие интервалу (0,5; 1).

Решение: Искомая вероятность

Нахождение функции распределения по известной плотности распределения

Зная плотность распределения f (x ) , можно найти функцию распределения F (x ) по формуле

.

Действительно, F (x ) = P (X x ) = P (-∞ X x ) .

Следовательно,

.

Таким образом, зная плотность распределения, можно найти функцию распределения. Разумеется, по известной функции распределения можно найти плотность распределения , а именно:

f (x ) = F "(x ).

Пример. Найти функцию распределения по данной плотности распределения:

Решение: Воспользуемся формулой

Если x ≤ a , то f (x ) = 0 , следовательно, F (x ) = 0 . Если a , то f(x) = 1/(b-a) ,

следовательно,

.

Если x > b , то

.

Итак, искомая функция распределения

Замечание: Получили функцию распределения равномерно распределенной случайной величины (см. равномерное распределение).

Свойства плотности распределения

Свойство 1: Плотность распределения - неотрицательная функция:

f ( x ) ≥ 0 .

Свойство 2: Несобственный интеграл от плотности распределения в пределах от -∞ до ∞ равен единице:

.

Замечание: График плотности распределения называют кривой распределения .

Замечание: Плотность распределения непрерывной случайной величины также называют законом распределения.

Пример. Плотность распределения случайной величины имеет следующий вид:

Найти постоянный параметр a .

Решение: Плотность распределения должна удовлетворять условию , поэтому потребуем, чтобы выполнялось равенство

.

Отсюда
. Найдём неопределённый интеграл:

.

Вычислим несобственный интеграл:

Таким образом, искомый параметр

.

Вероятный смысл плотности распределения

Пусть F (x ) – функция распределения непрерывной случайной величины X . По определению плотности распределения, f (x ) = F "(x ) , или

.

Разность F (x +∆х) - F (x ) определяет вероятность того, что X примет значение, принадлежащее интервалу (x , x +∆х) . Таким образом, предел отношения вероятности того, что непрерывная случайная величина примет значение, принадлежащее интервалу (x , x +∆х) , к длине этого интервала (при ∆х→0 ) равен значению плотности распределения в точке х .

Итак, функция f (x ) определяет плотность распределения вероятности для каждой точки х . Из дифференциального исчисления известно,что приращение функции приближенно равно дифференциалу функции, т.е.

Так как F "(x ) = f (x ) и dx = ∆ x , то F (x +∆ x ) - F (x ) ≈ f (x )∆ x .

Вероятностный смысл этого равенства таков: вероятность того, что случайная величина примет значение принадлежащее интервалу (x , x +∆ x ) ,приближенно равна произведению плотности вероятности в точке х на длину интервала ∆х .

Геометрически этот результат можно истолковать так : вероятность того, что случайная величина примет значение принадлежащее интервалу (x , x +∆ x ) ,приближенно равна площади прямоугольника с основанием ∆х и высотой f (x ).

5. Типовые распределения дискретных случайных величин

5.1. Распределение Бернулли

Определение5.1: Случайная величина X , принимающая два значения 1 и 0 с вероятностями (“успеха”) p и (“неуспеха”) q , называется Бернуллиевской :

, где k =0,1.

5.2. Биномиальное распределение

Пусть производится n независимых испытаний, в каждом из которых событие A может появиться или не появиться. Вероятность наступления события во всех испытаниях постоянна и равна p (следовательно, вероятность непоявления q = 1 - p ).

Рассмотрим случайную величину X – число появлений события A в этих испытаниях. Случайная величина X принимает значения 0,1,2,… n с вероятностями, вычисленными по формуле Бернулли: , где k = 0,1,2,… n .

Определение5.2: Биномиальным называют раcпределение вероятностей, определяемое формулой Бернулли.

Пример. По мишени производится три выстрела, причем вероятность попадания при каждом выстреле равна 0,8. Рассматривается случайная величина X – число попаданий в мишень. Найти ее ряд распределения.

Решение: Случайная величина X принимает значения 0,1,2,3 с вероятностями, вычисленными по формуле Бернулли, где n = 3, p = 0,8 (вероятность попадания), q = 1 - 0,8 = = 0,2 (вероятность непопадания).

Таким образом, ряд распределения имеет следующий вид:

Пользоваться формулой Бернулли при больших значениях n достаточно трудно, поэтому для подсчета соответствующих вероятностей используют локальную теорему Лапласа, которая позволяет приближенно найти вероятность появления события ровно k раз в n испытаниях, если число испытаний достаточно велико.

Локальная теорема Лапласа : Если вероятность p появления события A
того, что событие A появится в n испытаниях ровно k раз, приближенно равна (тем точнее, чем больше n ) значению функции
, где
,
.

Замечание1: Таблицы, в которых помещены значения функции
, даны в приложении 1, причем
. Функция является плотностью стандартного нормального распределения (смотри нормальное распределение).

Пример: Найти вероятность того, что событие A наступит ровно 80 раз в 400 испытаниях, если вероятность появления этого события в каждом испытании равна 0,2.

Решение: По условию n = 400, k = 80, p = 0,2 , q = 0,8 . Вычислим определяемое данными задачи значение x :
. По таблице приложения 1 находим
. Тогда искомая вероятность будет:

Если нужно вычислить вероятность того, что событие A появится в n испытаниях не менее k 1 раз и не более k 2 раз, то нужно использовать интегральную теорему Лапласа:

Интегральная теорема Лапласа : Если вероятность p появления события A в каждом испытании постоянна и отлична от нуля и единицы, то вероятность
того, что событие A появится в n испытаниях от k 1 до k 2 раз, приближенно равна определенному интегралу

, где
и
.

Другими словами, вероятность того, что событие A появится в n испытаниях от k 1 до k 2 раз, приближенно равна

где
, и .

Замечание2: Функцию
называют функцией Лапласа (смотри нормальное распределение). Таблицы, в которых помещены значения функции , даны в приложении 2, причем
.

Пример: Найти вероятность того, что среди 400 случайно отобранных деталей окажется непроверенных от 70 до 100 деталей, если вероятность того, что деталь не прошла проверку ОТК, равна 0,2.

Решение: По условию n = 400, p = 0,2 , q = 0,8, k 1 = 70, k 2 = 100 . Вычислим нижний и верхний пределы интегрирования:

;
.

Таким образом, имеем:

По таблице приложения 2 находим, что
и . Тогда искомая вероятность равна:

Замечание3: В сериях независимых испытаний (когда n велико, p мало) для вычисления вероятности наступления события ровно k раз используют формулу Пуассона (смотри распределение Пуассона).

5.3. Распределение Пуассона

Определение5.3: Дискретную случайную величину называют Пуассоновской, если ее закон распределения имеет следующий вид:

, где
и
(постоянное значение).

Примеры Пуассоновских случайных величин:

Число вызовов на автоматическую станцию за промежуток времени T .

Число частиц распада некоторого радиоактивного вещества за промежуток времени T .

Число телевизоров, которые поступают в мастерскую за промежуток времени T в большом городе.

Число автомобилей, которые поступят к стоп-линии перекрестка в большом городе.

Замечание1: Специальные таблицы для вычисления данных вероятностей приведены в приложении 3.

Замечание2: В сериях независимых испытаний (когда n велико, p мало) для вычисления вероятности наступления события ровно k раз используют формулу Пуассона:
, где
, то есть среднее число появлений событий остается постоянным.

Замечание3: Если есть случайная величина, которая распределена по закону Пуассона, то обязательно есть случайная величина, которая распределена по показательному закону и, наоборот (см. Показательное распределение).

Пример. Завод отправил на базу 5000 доброкачественных изделий. Вероятность того, что в пути изделие повредится, равна 0,0002 . Найти вероятность, что на базу прибудут ровно три негодных изделия.

Решение: По условию n = 5000, p = 0,0002, k = 3. Найдем λ: λ = np = 5000·0,0002 = 1 .

По формуле Пуассона искомая вероятность равна:

, где случайная величина X – число негодных изделий.

5.4. Геометрическое распределение

Пусть производятся независимые испытания, в каждом из которых вероятность появления события А равна p (0 p

q = 1 - p . Испытания заканчиваются, как только появится событие А . Таким образом, если событие А появилось в k -м испытании, то в предшествующих k – 1 испытаниях оно не появлялось.

Обозначим через Х дискретную случайную величину – число испытаний, которые нужно провести до первого появления события А . Очевидно, возможными значениями Х являются натуральные числа х 1 = 1, х 2 = 2, …

Пусть в первых k -1 испытаниях событие А не наступило, а в k -м испытании появилось. Вероятность этого “сложного события”, по теореме умножения вероятностей независимых событий, P (X = k ) = q k -1 p .

Определение5.4: Дискретная случайная величина имеет геометрическое распределение , если ее закон распределения имеет следующий вид:

P ( X = k ) = q k -1 p , где
.

Замечание1: Полагая k = 1,2,… , получим геометрическую прогрессию с первым членом p и знаменателем q (0q . По этой причине распределение называют геометрическим.

Замечание2: Ряд
сходится и сумма его равна единице. Действительно сумма ряда равна
.

Пример. Из орудия производится стрельба по цели до первого попадания. Вероятность попадания в цель p = 0,6 . Найти вероятность того, что попадание произойдет при третьем выстреле.

Решение: По условию p = 0,6, q = 1 – 0,6 = 0,4, k = 3. Искомая вероятность равна:

P (X = 3) = 0,4 2 ·0,6 = 0,096.

5.5. Гипергеометрическое распределение

Рассмотрим следующую задачу. Пусть в партии из N изделий имеется M стандартных (M N ). Из партии случайно отбирают n изделий (каждое изделие может быть извлечено с одинаковой вероятностью), причем отобранное изделие перед отбором следующего не возвращается в партию (поэтому формула Бернулли здесь не применима).

Обозначим через X случайную величину – число m стандартных изделий среди n отобранных. Тогда возможными значениями X будут 0, 1, 2,…, min ; обозначим их и, ... по значениям независимой переменной (Fonds) воспользуемся кнопкой (раздел ...

Учебно-методический комплекс по дисциплине «Общий психологический практикум»

Учебно-методический комплекс

... методические указания по выполнению практических работ 5.1 Методические рекомендации по выполнению учебных проектов 5.2 Методические рекомендации по ... чувствительности), одномерного и многомерного... случайного компонента в величине ... с разделом «Представление...

Учебно-методический комплекс по дисциплине физика (название)

Учебно-методический комплекс

... разделов в учебниках. Решение задач по каждой теме. Проработка методических указаний к лабораторным работам по ... случайной и приборной погрешности измерений 1.8 Тематика контрольных работ и методические указания по ... Частица в одномерной потенциальной яме. ...

Методические указания к лабораторным работам по дисциплине информатика

Методические указания

... Методические указания к ЛАБОРАТОРНым РАБОТАМ по ... величиной , а наибольшей суммой величин ... массива случайными числами... 3.0 4.0 3.0 -2.5 14.3 16.2 18.0 1.0 а) одномерный массив б) двумерный массив Рис. 2– Файлы... описываются в разделе реализации после...

§ 3. СЛУЧАЙНЫЕ ВЕЛИЧИНЫ

3. Непрерывные случайные величины.

Кроме дискретных случайных величин, возможные значения которых образуют конечную или бесконечную последовательность чисел, не заполняющих сплошь никакого интервала, часто встречаются случайные величины, возможные значения которых образуют некоторый интервал. Примером такой случайной величины может служить отклонение от номинала некоторого размера детали при правильно налаженном технологическом процессе. Такого рода, случайные величины не могут быть заданы с помощью закона распределения вероятностей р(х) . Однако их можно задать с помощью функции распределения вероятностей F(х) . Эта функция определяется точно так же, как и в случае дискретной случайной величины:

Таким образом, и здесь функция F(х) определена на всей числовой оси, и ее значение в точке х равно вероятности того, что случайная величина примет значение, меньшее чем х .
Формула () и свойства 1° и 2° справедливы для функции распределения любой случайной величины. Доказательство проводится аналогично случаю дискретной величины.
Случайная величина называется непрерывной , если для нее существует неотрицательная кусочно-непрерывная функция* , удовлетворяющая для любых значений x равенству
Исходя из геометрического смысла интеграла как площади, можно сказать, что вероятность выполнения неравенств равна площади криволинейной трапеции с основанием , ограниченной сверху кривой (рис. 6).
Так как , а на основании формулы ()
, то
Заметим, что для непрерывной случайной величины функция распределения F(х) непрерывна в любой точке х , где функция непрерывна. Это следует из того, что F(х) в этих точках дифференцируема.
На основании формулы (), полагая x 1 =x , , имеем

В силу непрерывности функции F(х) получим, что

Следовательно

Таким образом, вероятность того, что непрерывная случайная величина может принять любое отдельное значение х, равна нулю .
Отсюда следует, что события, заключающиеся в выполнении каждого из неравенств
, , ,
Имеют одинаковую вероятность, т.е.

В самом деле, например,

так как

Замечание. Как мы знаем, если событие невозможно, то вероятность его наступления равна нулю. При классическом определении вероятности, когда число исходов испытания конечно, имеет место и обратное предложение: если вероятность события равна нулю, то событие невозможно, так как в этом случае ему не благоприятствует ни один из исходов испытания. В случае непрерывной случайной величины число возможных ее значений бесконечно. Вероятность того, что эта величина примет какое-либо конкретное значение x 1 как мы видели, равна нулю. Однако отсюда не следует, что это событие невозможно, так как в результате испытания случайная величина может, в частности, принять значение x 1 . Поэтому в случае непрерывной случайной величины имеет смысл говорить о вероятности попадания случайной величины в интервал, а не о вероятности того, что она примет какое-то конкретное значение.
Так, например, при изготовлении валика нас не интересует вероятность того, что его диаметр будет равен номиналу. Для нас важна вероятность того, что диаметр валика не выходит из поля допуска.

Проверим, выполняется ли требование равномерной ограниченности дисперсии. Напишем закон распределения :

Найдём математическое ожидание
:

Найдём дисперсию
:

Эта функция возрастает, следовательно, чтобы вычислить константу, ограничивающую дисперсию, можно вычислить предел:

Таким образом, дисперсии заданных случайных величин неограниченны, что и требовалось доказать.

Б) Из формулировки теоремы Чебышева следует, что требование равномерной ограниченности дисперсий является достаточным, но не необходимым условием, поэтому нельзя утверждать, что к данной последовательности эту теорему применить нельзя.

Последовательность независимых случайных величин Х 1 , Х 2 , …, Х n , … задана законом распределения

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

учитывай, что M(X n)=0, найдем (выкладки предоставляются выполнить читателю)

Временно предположим, что n изменяется непрерывно (чтобы подчеркнуть это допущение, обозначим n через х), и исследуем на экстремум функцию φ(х)=х 2 /2 х-1 .

Приравняв первую производную этой функции к нулю, найдем критические точки х 1 =0 и х 2 =ln 2.

Отбросим первую точку как не представляющую интереса (n не принимает значения, равного нулю); легко видеть, что в точек х 2 =2/ln 2 функция φ(х) имеет максимум. Учитывая, что 2/ln 2 ≈ 2.9 и что N – целое положительное число, вычислим дисперсию D(X n)= (n 2 /2 n -1)α 2 для ближайших к числу 2.9 (слева и справа) целых чисел, т.е. для n=2 и n=3.

При n=2 дисперсия D(X 2)=2α 2 , при n=3 дисперсия D(Х 3)=9/4α 2 . Очевидно,

(9/4)α 2 > 2α 2 .

Таким образом, наибольшая возможная дисперсия равна (9/4)α 2 , т.е. дисперсии случайных величин Хn равномерно ограничены числом (9/4)α 2 .

Последовательность независимых случайных величин X 1 , X 2 , …, X n , … задана законом распределения

Применима ли к заданной последовательности теорема Чебышева?

Замечание. Поскольку случайные величины Х, одинаково распределены и независимы, то читатель, знакомый с теоремой Хинчина, может ограничиться вычислением лишь математического ожидания и убедиться, что оно кончено.

Поскольку случайные величины Х n независимы, то они подавно и попарно независимы, т.е. первое требование теоремы Чебышева выполняется.

Легко найти, что M(X n)=0, т.е.первое требование конечности математических ожиданий выполняется.

Остается проверить выполнимость требования равномерной ограниченности дисперсий. По формуле

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

учитывай, что M(X n)=0, найдем

Таким образом, наибольшая возможная дисперсия равна 2, т.е. дисперсии случайных величин Х n равномерно ограничены числом 2.

Итак, все требования теоремы Чебышева выполняются, следовательно, к рассматриваемой последовательности эта теорема применима.

Найти вероятность того, что в результате испытания величина Х примет значение, заключенное в интервале (0, 1/3).

Случайная величина Х задана на всей оси Ох функцией распределена F(x)=1/2+(arctg x)/π. Найти вероятность того, что в результате испытания величина Х примет значение, заключенное в интервале (0, 1).

Вероятность того, что Х примет значение, заключенное в интервале (a, b), равна приращению функции распределения на этом интервале: P(a

Р(0< Х <1) = F(1)-F(0) = x =1 - x =0 = 1/4

Случайная величина Х функцией распределения

Найти вероятность того, что в результате испытания величина Х примет значение, заключенное в интервале (-1, 1).

Вероятность того, что Х примет значение, заключенное в интервале (a, b), равна приращению функции распределения на этом интервале: P(a

Р(-1< Х <1) = F(1)-F(-1) = x =-1 – x =1 = 1/3.

Функция распределения непрерывной случайной величины Х (времени безотказной работы некоторого устройства) равна F(х)=1-е -х/ T (х≥0). Найти вероятность безотказной работы устройства за время х≥Т.

Вероятность того, что Х примет значение, заключенное в интервале x≥T, равна приращению функции распределения на этом интервале: P(0

P(x≥T) = 1 - P(T

Случайная величина Х задана функцией распределения

Найти вероятность того, что в результате испытания Х примет значение: а) меньшее 0.2; б) меньшее трех; в) не меньшее трех; г) не меньшее пяти.

а) Так как при х≤2 функция F(х)=0, то F(0, 2)=0, т.е. P(х < 0, 2)=0;

б) Р(Х < 3) = F(3) = x =3 = 1.5-1 = 0.5;

в) события Х≥3 и Х<3 противоположны, поэтому Р(Х≥3)+Р(Х<3)=1. Отсюда, учитывая, что Р(Х<3)=0.5 [см. п. б.], получим Р(Х≥3) = 1-0.5 = 0.5;

г) сумма вероятностей противоположных событий равна единице, поэтому Р(Х≥5)+Р(Х<5)=1. Отсюда, используя условие, в силу которого при х>4 функция F(x)=1, получим Р(Х≥5) = 1-Р(Х<5) = 1-F(5) = 1-1 = 0.

Случайная величина Х задана функцией распределния

Найти вероятность того, что в результате четырех независимых испытаний величина Х ровно три раза примет значение, принадлежащее интервалу (0.25, 0.75).

Вероятность того, что Х примет значение, заключенное в интервале (a, b), равна приращению функции распределения на этом интервале: P(a

P(0.25< X <0.75) = F(0.75)-F(0.25) = 0.5

Следовательно, , или Отсюда , или.

Случайная величина X задана на всей оси Ox функцией распределения . Найти возможное значения , удовлетворяющее условию: с вероятностью случайная X в результате испытания примет значение большее

Решение. События и - противоложные, поэтому . Следовательно, . Так как , то .

По определению функции распределения, .

Следовательно, , или . Отсюда , или.

Дискретная случайная величина X задана законом распределения

Итак, искомая функция распределения имеет вид

Дискретная случайная величина X задана законом распределения

Найти функцию распределения и начертить ее график.

Дана функция распределения непрерывной случайной величины X

Найти плотность распределения f(x).

Плотность распределения равна первой производной от функции распределения:

При x=0 производная не существует.

Непрерывная случайная величина X задана плотностью распределения в интервале ; вне этого интервала . Найти вероятность того, что X примет значение, принадлежащее интервалу .

Воспользуемся формулой . По условию ,и . Следовательно, искомая вероятность

Непрерывная случайная величина X задана плотностью распределения в интервале ; вне этого интервала . Найти вероятность того, что X примет значение, принадлежащее интервалу .

Воспользуемся формулой . По условию ,и . Следовательно, искомая вероятность

Плотность распределения непрерывной случайной величины Х в интервале (-π/2, π/2) равна f(x)=(2/π)*cos2x ; вне этого интервала f(x)=0. Найти вероятность того, что в трех независимых испытаниях Х примет ровно два раза значение, заключенное в интервале (0, π/4).

Воспользуемся формулой Р(a

Р(0

Ответ: π+24π.

fx=0, при x≤0cosx, при 0

Используем формулу

Если х ≤0, то f(x)=0, следовательно,

F(x)=-∞00dx=0.

Если 0

F(x)=-∞00dx+0xcosxdx=sinx.

Если x≥ π2 , то

F(x)=-∞00dx+0π2cosxdx+π2x0dx=sinx|0π2=1.

Итак, искомая функция распределения

Fx=0, при x≤0sinx, при 0 π2.

Задана плотность распределения непрерывной случайной величины Х:

Fx=0, при x≤0sinx, при 0 π2.

Найти функцию распределения F(x).

Используем формулу

Плотность распределения непрерывной случайной величины Х задана на всей оси Ох равеством . Найти постоянный параметр С.

.

. (*)

.

Таким образом,

Плотность распределения непрерывной случайной величины задана на всей оси равенством Найти постоянный параметр С.

Решение. Плотность распределения должна удовлетворять условию . Потребуем, чтобы это условие выполнялось для заданной функции:

.

. (*)

Найдем сначала неопределенный интеграл:

.

Затем вычислим несобственный интеграл:

Таким образом,

Подставив (**) в (*), окончательно получим .

Плотность распределения непрерывной случайной величины X в интервале равна ; вне этого интервала f(х) = 0. Найти постоянный параметр С.

.

. (*)

Найдем сначала неопределенный интеграл:

Затем вычислим несобственный интеграл:

(**)

Подставив (**) в (*), окончательно получим .

Плотность распределения непрерывной случайной величины Х задана в интервале равенством ; вне этого интервала f(х) = 0. Найти постоянный параметр С.

Решение. Плотность распределения должна удовлетворять условию , но так как f(x) вне интервала равна 0 достаточно, чтобы она удовлетворяла: Потребуем, чтобы это условие выполнялось для заданной функции:

.

. (*)

Найдем сначала неопределенный интеграл:

Затем вычислим несобственный интеграл:

(**)

Подставив (**) в (*), окончательно получим .

Случайная величина X задана плотностью распределения ƒ(x) = 2x в интервале (0,1); вне этого интервала ƒ(x) = 0. Найти математическое ожидание величины X.

Решение. Используем формулу

Подставив a = 0, b = 1, ƒ(x) = 2x, получим

Ответ: 2/3.

Случайная величина X задана плотностью распределения ƒ(x) = (1/2)x в интервале (0;2); вне этого интервала ƒ(x) = 0. Найти математическое ожидание величины X.

Решение. Используем формулу

Подставив a = 0, b = 2, ƒ(x) = (1/2)x, получим

М (Х) = = 4/3

Ответ: 4/3.

Случайная величина X в интервале (–с, с) задана плотностью распределения

ƒ(x) = ; вне этого интервала ƒ(x) = 0. Найти математическое ожидание величины X.

Решение. Используем формулу

Подставив a = –с, b = c, ƒ(x) = , получим

Учитывая, что подынтегральная функция нечетная и пределы интегрирования симметричны относительно начала координат, заключаем, что интеграл равен нулю. Следовательно, М(Х) = 0.

Этот результат можно получить сразу, если принять во внимание, что кривая распределения симметрична относительно прямой х = 0.

Случайная величина Х в интервале (2, 4) задана плотностью распределения f(x)=

. Отсюда видно, что при х=3 плотность распределения достигает максимума; следовательно, . Кривая распределения симметрична относительно прямой х=3, поэтому и .

Случайная величина Х в интервале (3, 5) задана плотностью распределения f(x)=; вне этого интервала f(x)=0. Найти моду, математическое ожидание и медиану величины Х.

Решение. Представим плотность распределения в виде . Отсюда видно, что при х=3 плотность распределения достигает максимума; следовательно, . Кривая распределения симметрична относительно прямой х=4, поэтому и .

Случайная величина Х в интервале (-1, 1) задана плотностью распределения ; вне этого интервала f(x)=0. Найти: а) моду; б) медиану Х.

9. Непрерывная случайная величина, её числовые характеристики

Непрерывную случайную величину можно задать с помощью двух функций. Интегральной функцией распределения вероятностей случайной величины Х называется функция , определённая равенством
.

Интегральная функция даёт общий способ задания как дискретных, так и непрерывных случайных величин. В случае непрерывной случайной величины . Все события: имеют одну и ту же вероятность, равную приращению интегральной функции на этом промежутке, т.е.. Например, для дискретной случайной величины, заданной в примере 26, имеем:

Таким образом, график интегральной функции рассматриваемой функции представляет собой объединение двух лучей и трёх отрезков, параллельных оси Ох.

Пример 27 . Непрерывная случайная величина Х задана интегральной функцией распределения вероятностей

.

Построить график интегральной функции и найти вероятность того, что в результате испытания случайная величина Х примет значение в интервале (0,5;1,5).

Решение. На интервале
графиком является прямая у = 0. На промежутке от 0 до 2 – парабола, заданная уравнением
. На интервале
графиком является прямая у = 1.

Вероятность того, что случайная величина Х в результате испытания примет значение в интервале (0,5;1,5) находим по формуле .

Таким образом, .

Свойства интегральной функции распределения вероятностей:

Закон распределения непрерывной случайной величины удобно задавать с помощью другой функции, а именно, функции плотности вероятности
.

Вероятность того, что значение, принятое случайной величиной Х, попадает в интервал
, определяется равенством
.

График функции называется кривой распределения . Геометрически вероятность попадания случайной величины Х в промежуток равна площади соответствующей криволинейной трапеции, ограниченной кривой распределения, осью Ох и прямыми
.

Свойства функции плотности вероятности :

9.1. Числовые характеристики непрерывных случайных величин

Математическое ожидание (средним значением) непрерывной случайной величины Х определяется равенством
.

М(Х) обозначают через а . Математическое ожидание непрерывной случайной величины обладает аналогичными, как и дискретная величина, свойствами:

Дисперсией дискретной случайной величины Х называется математическое ожидание квадрата отклонения случайной величины от её математического ожидания, т.е. . Для непрерывной случайной величины дисперсия определяется формулой
.

Дисперсия обладает свойствами:

Последнее свойство очень удобно применять для нахождения дисперсии непрерывной случайной величины.

Аналогично вводится и понятие среднего квадратического отклонения. Средним квадратическим отклонением непрерывной случайной величины Х называется корень квадратный из дисперсии, т.е.
.

Пример 28 . Непрерывнаяслучайная величина Х задана функцией плотности вероятностей
в интервале (10;12), вне этого промежутка значение функции равно 0. Найти 1) значение параметра а, 2) математическое ожидание М(Х), дисперсию
, среднее квадратическое отклонение, 3) интегральную функцию
и построить графики интегральной и дифференциальной функций.

1). Для нахождения параметра а используем формулу
. Получим . Таким образом,
.

2). Для нахождения математического ожидания используем формулу: , откуда следует, что
.

Дисперсию будем находить по формуле:
, т.е. .

Найдём среднее квадратическое отклонение по формуле: , откуда получим, что
.

3). Интегральная функция выражается через функцию плотностей вероятностей следующим образом:
. Следовательно,
при
, = 0 при
и = 1 при
.

Графики этих функций представлены на рис. 4. и рис. 5.

Рис.4 Рис.5.

9.2. Равномерное распределение вероятностей непрерывной случайной величины

Распределение вероятностей непрерывной случайной величины Х равномерно на интервале , если её плотность вероятности постоянна на этом интервале и равна нулю вне этого интервала, т.е. . Легко показать, что в этом случае
.

Если интервал
содержится в интервале , то
.

Пример 29. Событие, состоящее из мгновенного сигнала, должно произойти между часом дня и пятью часами. Время ожидания сигнала есть случайная величина Х. Найти вероятность того, что сигнал будет зафиксирован между двумя и тремя часами дня.

Решение. Случайная величина Х имеет равномерное распределение, и по формуле найдём, что вероятность того, что сигнал будет между 2 и 3 часами дня, равна
.

В учебной и другой литературе часто обозначают в литературе через
.

9.3. Нормальное распределение вероятностей непрерывной случайной величины

Распределение вероятностей непрерывной случайной величины называется нормальным, если её закон распределения вероятностей определяется плотностью вероятности
. Для таких величин а – математическое ожидание,
- среднее квадратическое отклонение.

Теорема. Вероятность попадания нормально распределённой непрерывной случайной величины в заданный интервал
определяется по формуле
, где
- функция Лапласа.

Следствием этой теоремы является правило трёх сигм , т.е. практически достоверно, что нормальна распределённая, непрерывная случайная величина Х принимает свои значения в интервале
. Это правило выводимо из формулы
, являющейся частным случаем сформулированной теоремы.

Пример 30. Срок работы телевизора представляет собой случайную величину Х, подчинённую нормальному закону распределения, с гарантийным сроком 15 лет и средним квадратическим отклонением, равным 3 годам. Найти вероятность того, что телевизор проработает от 10 до 20 лет.

Решение. По условию задачи математическое ожидание а = 15, среднее квадратическое отклонение .

Найдём . Таким образом, вероятность работы телевизора от 10 до 20 лет более 0,9.

9.4.Неравенство Чебышева

Имеет место лемма Чебышева . Если случайная величина Х принимает только неотрицательные значения и имеет математическое ожидание, то для любого положительного в
.

Учитывая, что , как сумма вероятностей противоположных событий, получим, что
.

Теорема Чебышева. Если случайная величина Х имеет конечную дисперсию
и математическое ожидание М(Х), то для любого положительного справедливо неравенство
.

Откуда следует, что
.

Пример 31. Изготовлена партия деталей. Среднее значение длины деталей равна100 см., а среднее квадратическое отклонение равно 0,4см. Оценить снизу вероятность того, что длина наудачу взятой детали окажется не менее 99см. и не более 101см.

Решение. Дисперсия . Математическое ожидание равно 100. Следовательно, для оценки снизу вероятности рассматриваемого события
применим неравенство Чебышева , в котором
, тогда
.

10. Элементы математической статистики

Статистической совокупностью называют множество однородных предметов или явлений. Число п элементов этого множества называется объёмом совокупности. Наблюдаемые значения признака Х называют вариантами . Если варианты расположены в возрастающей последовательности, то получен дискретный вариационный ряд . В случае группировки вариант по интервалам получается интервальный вариационный ряд . Под частотой т значения признака понимают число членов совокупности с данной вариантой.

Отношение частоты к объёму статистической совокупности называют относительной частотой признака:
.

Соотношение между вариантами вариационного ряда и их частотами называют статистическим распределением выборки . Графическим представлением статистического распределения может служить полигон частот.

Пример 32. Путём опроса 25 студентов первого курса получены следующие данные об их возрасте:
. Составить статистическое распределение студентов по возрасту, найти размах варьирования, построить полигон частот и составить ряд распределения относительных частот.

Решение. Используя данные, полученные при опросе, составим статистическое распределение выборки

Размах выборки варьирования равен 23 – 17 = 6. Для построения полигона частот, строят точки с координатами
и последовательно их соединяют.

Ряд распределения относительных частот имеет вид:

10.1.Числовые характеристики вариационного ряда

Пусть выборка задана рядом распределения частот признака Х:

Сумма всех частот равна п.

Средним арифметическим выборки называют величину
.

Дисперсией или мерой рассеяния значений признака Х по отношению к его среднему арифметическому называют величину
. Средним квадратическим отклонением называют корень квадратный из дисперсии, т.е. .

Отношение среднего квадратического отклонения к среднему арифметическому выборки, выраженное в процентах, называют коэффициентом вариации :
.

Эмпирической функцией распределения относительных частот называют функцию, определяющую для каждого значения относительную частоту события
, т.е.
, где - число вариант, меньших х , а п – объём выборки.

Пример 33. В условиях примера 32 найти числовые характеристики
.

Решение. Найдём среднее арифметическое выборки по формуле , тогда .

Дисперсия признака Х находится по формуле: , т. е. . Среднее квадратическое отклонение выборки равно
. Коэффициент вариации равен
.

10.2. Оценка вероятности по относительной частоте. Доверительный интервал

Пусть проводится п независимых испытаний, в каждом из которых вероятность появления события А постоянна и равна р . В этом случае вероятность того, что относительная частота будет отличаться от вероятности появления события А в каждом испытании по абсолютной величине не больше, чем на , приближённо равна удвоенному значению интегральной функции Лапласа:
.

Интервальной оценкой называют такую оценку, которая определяется двумя числами, являющимися концами интервала, покрывающего оцениваемый параметр статистической совокупности.

Доверительным интервалом называют интервал, который с заданной доверительной вероятностью покрывает оцениваемый параметр статистической совокупности. Рассматривая формулу , в которой заменим неизвестную величину р на её приближённое значение , полученное по данным выборки, получим:
. Эта формула служит для оценки вероятности по относительной частоте. Числа
и
называют нижней и соответственно верхней доверительными границами , - предельной погрешностью для данной доверительной вероятности
.

Пример 34 . Заводской цех выпускает электрические лампочки. При проверке 625 ламп оказалось 40 бракованных. Найти с доверительной вероятностью 0,95 границы, в которых заключён процент брака лампочек, выпускаемых заводским цехом.

Решение. По условию задачи . Используем формулу
. По таблице 2 приложения находим значение аргумента, пи котором значение интегральной функции Лапласа равно 0,475. Получим, что
. Таким образом, . Следовательно, можно сказать с вероятностью 0,95, что доля выпускаемого брака цехом высока, а именно, изменяется в пределах от 6,2% до 6,6%.

10.3. Оценка параметров в статистике

Пусть количественный признак Х всей исследуемой совокупности (генеральной совокупности) имеет нормальное распределение.

Если среднее квадратическое отклонение известно, то доверительный интервал, покрывающий математическое ожидание а

, где п – объём выборки, - выборочная средняя арифметическая, t – аргумент интегральной функции Лапласа, при котором
. При этом число
называют точностью оценки.

Если среднее квадратическое отклонение неизвестно, то по данным выборки можно построить случайную величину, имеющую распределение Стьюдента с п – 1 степенями свободы, которое определяется только одним параметром п и не зависит от неизвестных а и . Распределение Стьюдента даже для малых выборок
даёт вполне удовлетворительные оценки. Тогда доверительный интервал, покрывающий математическое ожидание а этого признака с заданной доверительной вероятностью , находится из условия

, где S – исправленное среднее квадратическое, - коэффициент Стьюдента, находится по данным
из таблицы 3 приложения.

Доверительный интервал, покрывающий среднее квадратическое отклонение этого признака с доверительной вероятностью , находится по формулам: и , где
находится по таблице значений q по данным .

10.4. Статистические методы изучения зависимостей между случайными величинами

Корреляционной зависимостью У от Х называют функциональную зависимость условной средней от х. Уравнение
представляет уравнение регрессии У на Х, а
- уравнение регрессии Х на У.

Корреляционная зависимость может быть линейной и криволинейной. В случае линейной корреляционной зависимости уравнение прямой линии регрессии имеет вид:
, где угловой коэффициент а прямой линии регрессии У на Х называется выборочным коэффициентом регрессии У на Х и обозначается
.

При малых выборках данные не группируются, параметры
находятся по методу наименьших квадратов из системы нормальных уравнений:

, где п – число наблюдений значений пар взаимосвязанных величин.

Выборочный линейный коэффициент корреляции показывает тесноту связи У и Х. Коэффициент корреляции находится по формуле
, причём
, а именно:

Выборочное уравнение прямой линии регрессии У на Х имеет вид:

.

При большом числе наблюдений признаков Х и У составляется корреляционная таблица с двумя входами, при этом одно и то же значение х наблюдается раз, одно и то же значение у наблюдается раз, одна и та же пара
наблюдается раз.

Пример 35. Дана таблица наблюдений признаков Х и У.

Найти выборочное уравнение прямой линии регрессии У на Х.

Решение. Связь между изучаемыми признаками может быть выражена уравнением прямой линии регрессии У на Х: . Для вычисления коэффициентов уравнения составим расчётную таблицу:

№ наблюдения

Как известно, случайной величиной называется переменная величина, которая может принимать те или иные значения в зависимости от случая. Случайные величины обозначают заглавными буквами латинского алфавита (X, Y, Z), а их значения – соответствующими строчными буквами (x, y, z). различают непрерывные и дискретные случайные величины .

Непрерывной случайной величиной называется случайная величина Х, если ее функция распределения (интегральная функция распределения) представима в виде:

Функция f (x ) называется плотностью распределения вероятностей случайной величины X (дифференциальной функцией распределения).

Вероятность того, что непрерывная случайная величина X принимает значение в заданном промежутке, вычисляется следующим образом:

Примеры распределений вероятностей непрерывной случайной величины Х:

• равномерное распределение
• показательное распределение вероятностей непрерывной случайной величины;
• нормальное распределение вероятностей непрерывной случайной величины.

При решении задач широко используют числовые характеристики непрерывных случайных величин (таблица 1).

Таблица 1 - Числовые характеристики непрерывных случайных величин

Числовая характеристика	Обозначение и формула
Математическое ожидание
Если все возможные значения Х принадлежат интервалу (а, b), то математическое ожидание вычисляют
Дисперсия непрерывной случайной величины Х
иначе
Если все возможные значения Х принадлежат интервалу (а, b), то дисперсию вычисляют
иначе
Среднее квадратическое отклонение непрерывной случайной величины Х

Пример решения задачи по теме «Непрерывные случайные величины»

Задача. Известна плотность вероятности случайной величины:

Найти: а) параметр а; б) функцию распределения F(x); в) вероятность попадания X в интервал (-π/4; π/4).
Построить графики f(x), F(x).

Решение. 1. Зная свойства плотности вероятности - функции f(х), найдем неизвестный параметр а. Из неравенства f(х)≥0, делаем вывод, что а≥0. Далее:

Вычислим данный интеграл. Зная, что его значение должно быть равно единице, выразим а.

А-(-а)=2а. Зная, что

получаем 2а=1, отсюда а=1/2.

если х ≤ 0

Если 0 < х ≤ π, то

= ½ (-cosx + cos0) = ½ (1-cosx)

Если х > π, то

Искомая интегральная функция принимает окончательный вид:

График функции F(x) представлен на рисунке 2.

3. Вероятность попадания случайной величины Х в интервал (-π/4; π/4) найдем по формуле: P(a.
P(-π/4 < x < π/4) = F(π/4) - F(-π/4) = ½ (1-cos π/4) – 0 = ½ (1-½√2).