Глава 6. Непрерывные случайные величины.

§ 1. Плотность и функция распределения непрерывной случайной величины.

Множество значений непрерывной случайной величины несчетно и обычно представляет собой некоторый промежуток конечный или бесконечный.

Случайная величина x(w),заданная в вероятностном пространстве {W, S,P}, называется непрерывной (абсолютно непрерывной) W, если существует неотрицательная функция такая, что при любых х функцию распределения Fx(x) можно представить в виде интеграла

Функция называется функцией плотности распределения вероятностей .

Из определения вытекают свойства функции плотности распределения :

1..gif" width="97" height="51">

3. В точках непрерывности плотность распределения равна производной функции распределения: .

4. Плотность распределения определяет закон распределения случайной величины, т. к. определяет вероятность попадания случайной величины на интервал :

5.Вероятность того, что непрерывная случайная величина примет конкретное значение равна нулю: . Поэтому справедливы следующие равенства:

График функции плотности распределения называется кривой распределения , и площадь, ограниченная кривой распределения и осью абсцисс, равна единице. Тогда геометрически значение функции распределения Fx(x) в точке х0 есть площадь, ограниченная кривой распределения и осью абсцисс и лежащая левее точки х0.

Задача 1. Функция плотности непрерывной случайной величины имеет вид:

Определить константу C, построить функцию распределения Fx(x) и вычислить вероятность .

Решение. Константа C находится из условия Имеем:

откуда C=3/8.

Чтобы построить функцию распределения Fx(x), отметим, что интервал делит область значений аргумента x (числовую ось) на три части: https://pandia.ru/text/78/107/images/image017_17.gif" width="264" height="49">

так как плотность x на полуоси равна нулю. Во втором случае

Наконец, в последнем случае, когда x>2,

Так как плотность обращается в нуль на полуоси . Итак, получена функция распределения

Вероятность вычислим по формуле . Таким образом,

§ 2. Числовые характеристики непрерывной случайной величины

Математическое ожидание для непрерывно распределенных случайных величин определяется по формуле https://pandia.ru/text/78/107/images/image028_11.gif" width="205" height="56 src=">,

если интеграл, стоящий справа, абсолютно сходится.

Дисперсия x может быть вычислена по формуле , а также, как и в дискретном случае, по формуле https://pandia.ru/text/78/107/images/image031_11.gif" width="123" height="49 src=">.

Все свойства математического ожидания и дисперсии , приведенные в главе 5 для дискретных случайных величин, справедливы и для непрерывных случайных величин.

Задача 2 . Для случайной величины x из задачи 1 вычислить математическое ожидание и дисперсию.

Решение.

И значит,

https://pandia.ru/text/78/107/images/image035_9.gif" width="184" height="69 src=">

График плотности равномерного распределения см. на рис. .

Рис.6.2. Функция распределения и плотность распределения. равномерного закона

Функция распределения Fx(x) равномерно распределенной случайной величины равна

Fx(x)=

Математическое ожидание и дисперсия ; .

Показательное (экспоненециальное) распределение. Непрерывная случайная величина x, принимающая неотрицательные значения, имеет показательное распределение с параметром l>0, если плотность распределения вероятностей случайной величины равна

рx(x)=

Рис. 6.3. Функция распределения и плотность распределения показательного закона.

Функция распределения показательного распределения имеет вид

Fx(x)=https://pandia.ru/text/78/107/images/image041_8.gif" width="17" height="41">.gif" width="13" height="15"> и , если ее плотность распределения равна

.

Через обозначается множество всех случайных величин, распределенных по нормальному закону с параметрами параметрами и .

Функция распределения нормально распределенной случайной величины равна

.

Рис. 6.4. Функция распределения и плотность распределения нормального закона

Параметры нормального распределения суть математическое ожидание https://pandia.ru/text/78/107/images/image048_6.gif" width="64 height=24" height="24">

В частном случае, когда https://pandia.ru/text/78/107/images/image050_6.gif" width="44" height="21 src="> нормальное распределение называется стандартным , и класс таких распределений обозначается https://pandia.ru/text/78/107/images/image052_6.gif" width="119" height="49">,

а функция распределения

Такой интеграл не вычислим аналитически (не берется в «квадратурах»), и потому для функции составлены таблицы. Функция связана с введенной в главе 4 функцией Лапласа

,

следующим соотношением . В случае же произвольных значений параметров https://pandia.ru/text/78/107/images/image043_5.gif" width="21" height="21 src="> функция распределения случайной величины связана с функцией Лапласа с помощью соотношения:

.

Поэтому вероятность попадания нормально распределенной случайной величины на интервал можно вычислять по формуле

.

Неотрицательная случайная величина x называется логарифмически нормально распределенной, если ее логарифм h=lnx подчинен нормальному закону. Математическое ожидание и дисперсия логарифмически нормально распределенной случайной величины равны Мx= и Dx=.

Задача 3. Пусть задана случайная величина https://pandia.ru/text/78/107/images/image065_5.gif" width="81" height="23">.

Решение. Здесь и https://pandia.ru/text/78/107/images/image068_5.gif" width="573" height="45">

Распределение Лапласа задается функцией fx(x)=https://pandia.ru/text/78/107/images/image070_5.gif" width="23" height="41"> и эксцесс равен gx=3.

Рис.6.5. Функция плотности распределения Лапласа.

Случайная величина x распределена по закону Вейбулла , если она имеет функцию плотности распределения, равную https://pandia.ru/text/78/107/images/image072_5.gif" width="189" height="53">

Распределению Вейбулла подчиняются времена безотказной работы многих технических устройств. В задачах данного профиля важной характеристикой является интенсивность отказа (коэффициент смертности) l(t) исследуемых элементов возраста t, определяемый соотношением l(t)=. Если a=1, то распределение Вейбулла превращается в экспоненциальное распределение, а если a=2 - в так называемое распределение Рэлея.

Математическое ожидание распределения Вейбулла: -https://pandia.ru/text/78/107/images/image075_4.gif" width="219" height="45 src=">, где Г(а) - функция Эйлера. .

В различных задачах прикладной статистики часто встречаются так называемые «усеченные» распределения. Например, налоговые органы интересуются распределением доходов тех лиц, годовой доход которых превосходит некоторый порог с0, установленный законами о налогообложении. Эти распределения оказываются приближенно совпадающими с распределением Парето. Распределение Парето задается функциями

Fx(x)=P(x.gif" width="44" height="25"> случайной величины x и монотонная дифференцируемая функция ..gif" width="200" height="51">

Здесь https://pandia.ru/text/78/107/images/image081_4.gif" width="60" height="21 src=">.

Задача 4. Случайная величина равномерно распределена на отрезке . Найти плотность случайной величины .

Решение. Из условия задачи следует, что

Далее, функция является монотонной и дифференцируемой функцией на отрезке и имеет обратную функцию , производная которой равна Следовательно,

§ 5. Пара непрерывных случайных величин

Пусть заданы две непрерывные случайные величины x и h. Тогда пара (x, h) определяет «случайную» точку на плоскости. Пару (x, h) называют случайным вектором или двумерной случайной величиной.

Совместной функцией распределения случайных величин x и h и называется функция F(x, y)=Phttps://pandia.ru/text/78/107/images/image093_3.gif" width="173" height="25">. Совместной плотностью распределения вероятностей случайных величин x и h называется функция такая, что .

Смысл такого определения совместной плотности распределения заключается в следующем. Вероятность того, что «случайная точка» (x, h) попадет в область на плоскости, вычисляется как объем трехмерной фигуры – «криволинейного» цилиндра, ограниченного поверхностью https://pandia.ru/text/78/107/images/image098_3.gif" width="211" height="39 src=">

Простейшим примером совместного распределения двух случайных величин является двумерное равномерное распределение на множестве A . Пусть задано ограниченное множество М с площадью Оно определяется как распределение пары (x, h), задаваемое с помощью следующей совместной плотности:

Задача 5. Пусть двумерный случайный вектор (x, h) равномерно распределен внутри треугольника . Вычислить вероятность неравенства x>h.

Решение. Площадь указанного треугольника равна (см. рис. № ?). В силу определения двумерного равномерного распределения совместная плотность случайных величин x, h равна

Событие соответствует множеству на плоскости, т. е. полуплоскости. Тогда вероятность

На полуплоскости B совместная плотность равна нулю вне множества https://pandia.ru/text/78/107/images/image102_2.gif" width="15" height="17">. Таким образом, полуплоскость B разбивается на два множества и https://pandia.ru/text/78/107/images/image110_1.gif" width="17" height="23"> и , причем второй интеграл равен нулю, так как там совместная плотность равна нулю. Поэтому

Если задана совместная плотность распределения для пары (x, h), то плотности и составляющих x и h называются частными плотностями и вычисляются по формулам:

https://pandia.ru/text/78/107/images/image116_1.gif" width="224" height="23 src=">

Для непрерывно распределенных случайных величин с плотностями рx(х), рh(у) независимость означает, что

Задача 6. В условиях предыдущей задачи определить, независимы ли составляющие случайного вектора x и h?

Решение . Вычислим частные плотности и . Имеем:

https://pandia.ru/text/78/107/images/image119_1.gif" width="283" height="61 src=">

Очевидно, что в нашем случае https://pandia.ru/text/78/107/images/image121_1.gif" width="64" height="25"> - совместная плотность величин x и h, а j(х, у) - функция двух аргументов, тогда

https://pandia.ru/text/78/107/images/image123_1.gif" width="184" height="152 src=">

Задача 7. В условиях предыдущей задачи вычислить .

Решение. Согласно указанной выше формуле имеем:

.

Представив треугольник в виде

https://pandia.ru/text/78/107/images/image127_1.gif" width="479" height="59">

§ 5. Плотность суммы двух непрерывных случайных величин

Пусть x и h - независимые случайные величины с плотностями https://pandia.ru/text/78/107/images/image128_1.gif" width="43" height="25">. Плотность случайной величины x + h вычисляется по формуле свертки

https://pandia.ru/text/78/107/images/image130_0.gif" width="39" height="19 src=">. Вычислить плотность суммы .

Решение. Так как x и h распределены по показательному закону с параметром , то их плотности равны

Следовательно,

https://pandia.ru/text/78/107/images/image134_0.gif" width="339 height=51" height="51">

Если x<0, то в этой формуле аргумент https://pandia.ru/text/78/107/images/image136_0.gif" width="65" height="25">отрицателен, и потому . Поэтому Если же https://pandia.ru/text/78/107/images/image140_0.gif" width="359 height=101" height="101">

Таким образом, мы получили ответ:

https://pandia.ru/text/78/107/images/image142_0.gif" width="40" height="41 "> нормально распределена с параметрами 0 и 1. Случайные величины x1 и x2 независимы и имеют нормальные распределения с параметрами а1, и а2, соответственно. Доказать, что x1 + x2 имеет нормальное распределение. Случайные величины x1, x2, ... xn распределены и независимы и имеют одинаковую функцию плотности распределения

.

Найти функцию распределения и плотность распределения величин:

а) h1 = min {x1 , x2, ...xn} ; б) h(2) = max {x1,x2, ... xn }

Случайные величины x1, x2, ... xn независимы и равномерно распределены на отрезке [а, b]. Найти функции распределения и функции плотности распределения величин

x(1) = min {x1,x2, ... xn} и x(2)= max{x1, x2, ...xn}.

Доказать, что Мhttps://pandia.ru/text/78/107/images/image147_0.gif" width="176" height="47">.

Случайная величина распределена по закону Коши Найти: а) коэффициент а; б) функцию распределения; в) вероятность попадания на интервал (-1, 1). Показать, что математическое ожидание x не существует. Случайная величина подчинена закону Лапласа с параметром l (l>0): Найти коэффициент а; построить графики плотности распределения и функции распределения; найти Mx и Dx; найти вероятности событий {|x|< и {çxç<}. Случайная величина x подчинена закону Симпсона на отрезке [-а, а], т. е. график её плотности распределения имеет вид:

Написать формулу для плотности распределения, найти Мx и Dx.

Вычислительные задачи.

Случайная точка А имеет в круге радиуса R равномерное распределение. Найти математическое ожидание и дисперсию расстояния r точки до центра круга. Показать, что величина r2 равномерно распределена на отрезке .

Плотность распределения случайной величины имеет вид:

Вычислить константу C, функцию распределения F(x), и вероятность Плотность распределения случайной величины имеет вид:

Вычислить константу C, функцию распределения F(x), и вероятность Плотность распределения случайной величины имеет вид:
Вычислить константу C, функцию распределения F(x), , дисперсию и вероятность Случайная величина имеет функцию распределения

Вычислить плотность случайной величины, математическое ожидание, дисперсию и вероятность Проверить, что функция =
может быть функцией распределения случайной величины. Найти числовые характеристики этой величины: Mx и Dx. Случайная величина равномерно распределена не отрезке . Выписать плотность распределения. Найти функцию распределения. Найти вероятность попадания случайной величины на отрезок и на отрезок . Плотность распределения x равна

.

Найти постоянную с, плотность распределения h = и вероятность

Р (0,25

Время безотказной работы ЭВМ распределено по показательному закону с параметром l = 0,05 (отказа в час), т. е. имеет функцию плотности

р(х) =.

Решение определенной задачи требует безотказной работы машины в течение 15 минут. Если за время решения задачи произошел сбой, то ошибка обнаруживается только по окончании решения, и задача решается заново. Найти: а) вероятность того, что за время решения задачи не произойдет ни одного сбоя; б) среднее время, за которое будет решена задача.

Стержень длины 24 см ломают на две части; будем считать, что точка излома распределена равномерно по всей длине стержня. Чему равна средняя длина большей части стержня? Отрезок длины 12 см случайным образом разрезается на две части. Точка разреза равномерно распределена по всей длине отрезка. Чему равна средняя длина малой части отрезка? Случайная величина равномерно распределена на отрезке . Найти плотность распределения случайной величины а) h1 = 2x + 1; б) h2 =-ln(1-x); в) h3 = .

Показать, что если x имеет непрерывную функцию распределения

F(x) = P(x

Найти функцию плотности и функцию распределения суммы двух независимых величин x и h c равномерными законами распределения на отрезках и соответственно. Случайные величины x и h независимы и равномерно распределены на отрезках и соответственно. Вычислить плотность суммы x+h. Случайные величины x и h независимы и равномерно распределены на отрезках и соответственно. Вычислить плотность суммы x+h. Случайные величины x и h независимы и равномерно распределены на отрезках и соответственно. Вычислить плотность суммы x+h. Случайные величины независимы и имеют показательное распределение с плотностью . Найти плотность распределения их суммы. Найти распределение суммы независимых случайных величин x и h, где x имеет равномерное на отрезке распределение, а h имеет показательное распределение с параметром l. Найти Р, если x имеет: а) нормальное распределение с параметрами а и s2 ; б) показательное распределение с параметром l; в) равномерное распределение на отрезке [-1;1]. Совместное распределение x, h является равномерным в квадрате
К ={х, у): |х| +|у|£ 2}. Найти вероятность. Являются ли x и h независимыми? Пара случайных величин x и h равномерно распределена внутри треугольника K=. Вычислить плотность x и h. Являются ли эти случайные величины независимыми? Найти вероятность . Случайные величины x и h независимы и равномерно распределены на отрезках и [-1,1]. Найти вероятность . Двумерная случайная величина (x, h) равномерно распределена в квадрате с вершинами (2,0), (0,2), (-2, 0), (0,-2). Найти значение совместной функции распределения в точке (1, -1). Случайный вектор (x, h) равномерно распределен внутри круга радиуса 3 с центром в начале координат. Написать выражение для совместной плотности распределения. Определить, зависимы ли эти случайные величины. Вычислить вероятность . Пара случайных величин x и h равномерно распределена внутри трапеции с вершинами в точках (-6,0), (-3,4), (3,4), (6,0). Найти совместную плотность распределения для этой пары случайных величин и плотности составляющих. Зависимы ли x и h? Случайная пара (x, h) равномерно распределена внутри полукруга . Найти плотности x и h, исследовать вопрос об их зависимости. Совместная плотность двух случайных величин x и h равна .
Найти плотности x, h. Исследовать вопрос о зависимости x и h. Случайная пара (x, h) равномерно распределена на множестве . Найти плотности x и h, исследовать вопрос об их зависимости. Найти М(xh). Случайные величины x и h независимы и распределены по показательному закону с параметром Найти

Законы распределения непрерывных случайных величин

Закон распределения непрерывной случайной величины нельзя задать также, как для дискретной. Он неприменим в силу того, что нельзя перечислить все бесконечное несчетное множество значений, а вероятности каждого отдельно взятого значения непрерывной случайной величины равны нулю.

Для описания закона распределения непрерывной случайной величины Х предлагается другой подход: рассматривать не вероятности событий Х=х для разных х , а вероятности события Х<х . При этом вероятность P ( X < x ) зависит от текущей переменной, т. е. является некоторой функцией от х .

Функцией распределения случайной величины Х называется функция F ( x ) , выражающая для каждого х вероятность того, что случайная величина Х примет значение, меньшее х :

Функцию F ( x ) называют интегральной функцией распределения или интегральным законом распределения.

Способ задания непрерывной случайной величины с помощью функции распределения не является единственным. Необходимо определить некоторую функцию, отражающую вероятности попадания случайной точки в различные участки области возможных значений непрерывной случайной величины. Т. е. представить некоторую замену вероятностям p i для дискретной случайной величины в непрерывном случае.

Такой функцией является плотность распределения вероятностей. Плотностью вероятности (плотностью распределения, дифференциальной функцией ) случайной величины Х называется функция f ( x ), являющаяся первой производной интегральной функции распределения:

.

Про случайную величину Х говорят, что она имеет распределение (распределена) с плотностью f ( x ) на определенном участке оси абсцисс.

Равномерный закон распределения. Непрерывная случайная величину Х имеет равномерный закон распределения (закон постоянной плотности) на отрезке [ a ; b ], если на этом отрезке функция плотности вероятности случайной величины постоянна, т.е. f ( x ) имеет вид:

Математическое ожидание
. Математическое ожидание случайной величины, равномерно распределенной на отрезке (a, b), равняется середине этого отрезка.

Дисперсия:

Величина называется поправкой Шеппарда.

Вероятность попадания значения случайной величины, имеющей равномерное распределение, на интервал(a , b ) , принадлежащий целиком отрезку [ a , b ]:

Геометрически эта вероятность представляетсобойплощадь заштрихованного прямоугольника. Числаа и b называютсяпараметрами распределения и однозначно определяют равномерное распределение.

Пример 4. Время ожидания ответа на телефонный звонок – случайная величина, подчиняющаяся равномерному закону распределения в интервале от 0 до 2 минут. Найти интегральную и дифференциальную функции распределения этой случайной величины.

Нормальный закон распределения (закон Гаусса). Непрерывная случайная величина Х имеет нормальный закон распределения с параметрами и (обозначают ), если ее плотность вероятности имеет вид:

, где , .
	Функция плотности вероятности f ( x )	Функция распределения F ( x )
Рис. 2 . Нормальный закон распределения

Математическое ожидание характеризует центр рассеивания значений случайной величины и при изменении кривая будет смещаться вдоль оси абсцисс (см. рис. 2 при и при ). Если же при неизменном математическом ожидании у случайной величины изменяется дисперсия, то кривая будет изменять свою форму, сжимаясь или растягиваясь (см. рис. 2 при : ; ; ). Таким образом, параметр характеризует положение, а параметр - форму кривой плотности вероятности.

Нормальный закон распределения случайной величины Х с параметрами и (обозначается N (0;1)) называется стандартным или нормированным, а соответствующая нормальная кривая – стандартной или нормированной.

Согласно определению функция плотности вероятности и функция распределения связаны между собой:

, где .

Интеграл такого рода является "неберущимся ", поэтому для его нахождения используют особую функцию, так называемый интеграл вероятностей или функцию Лапласа , для которой составлены таблицы (см. Приложение 1).

Используя функцию Лапласа можно выразить функцию распределения нормального закона по формуле:

, где .

Для практических целей очень важны свойства случайной величины, имеющей нормальный закон распределения.

1. Если , то для нахождения вероятности попадания этой величины в заданный интервал (х 1 ;х 2 ) используется формула:

2. Вероятность того, что отклонение случайной величины от ее математического ожидания не превысит величину (по абсолютной величине), равна:

.

3. "Правило трех сигм" . Если случайная величина , то практически достоверно, что ее значения заключены в интервале (). (Вероятность выхода за эти границы составляет 0,0027.) Правило позволяет, зная параметры ( и ), ориентировочно определить интервал практических значений случайной величины.

Пример 5. Случайная величина распределена нормально с параметрами , . Найти вероятность того, что случайная величина в результате опыта примет значение, заключенное в интервале (12,5; 14).

Пример 6. Случайная погрешность измерения подчинена нормальному закону распределения с параметрами , . Проводятся три независимых измерения. Найти вероятность того, что погрешность хотя бы одного измерения не превосходит по абсолютной величине 3 мм.

Вероятность того, что погрешность измерения в одном испытании не превышает 3 мм:

Вероятность того, что эта погрешность измерения в одном испытании превышает 3 мм, равна:

Вероятность того, что во всех трех испытаниях погрешность измерения превышает 3 мм:

.

Искомая вероятность: .

Функция НОРМРАСП

Возвращает нормальную функцию распределения для указанного среднего и стандартного отклонения. Эта функция очень широко применяется в статистике, в том числе при проверке гипотез.

Синтаксис

НОРМРАСП (x ;среднее ;стандартное_откл ;интегральная )

x - значение, для которого строится распределение.

Среднее

Стандартное_откл

Интегральная - логическое значение, определяющее форму функции. Если аргумент «интегральная» имеет значение ИСТИНА, функция НОРМРАСП возвращает интегральную функцию распределения; если этот аргумент имеет значение ЛОЖЬ, возвращается функция плотности распределения.

Замечания

· Если аргумент «среднее» или «стандартное_откл » не является числом, функция НОРМРАСП возвращает значение ошибки #ЗНАЧ!.

· Если стандартное_откл ≤ 0, то функция НОРМРАСП возвращает значение ошибки #ЧИСЛО!.

· Если среднее = 0, стандартное_откл = 1 и интегральная = ИСТИНА, то функция НОРМРАСП возвращает стандартное нормальное распределение, т. е. НОРМСТРАСП.

· Уравнение для плотности нормального распределения (аргумент «интегральная» содержит значение ЛОЖЬ) имеет следующий вид:

· Если аргумент «интегральная» имеет значение ИСТИНА, формула описывает интеграл с пределами от минус бесконечности до x .

Функция НОРМСТРАСП

Возвращает стандартное нормальное интегральное распределение. Это распределение имеет среднее, равное нулю, и стандартное отклонение, равное единице. Данная функция используется вместо таблицы площадей стандартной нормальной кривой.

Синтаксис

НОРМСТРАСП (z )

Z - значение, для которого строится распределение.

Замечания

· Если z не является числом, функция НОРМСТРАСП возвращает значение ошибки #ЗНАЧ!.

· Уравнение плотности стандартного нормального распределения имеет следующий вид:

Функция НОРМОБР

Возвращает обратное нормальное распределение для указанного среднего и стандартного отклонения.

Синтаксис

НОРМОБР (;среднее ;стандартное_откл )

Вероятность - вероятность, соответствующая нормальному распределению.

Среднее - среднее арифметическое распределения.

Стандартное_откл - стандартное отклонение распределения.

Замечания

· Если какой-либо из аргументов не является числом, функция НОРМОБР возвращает значение ошибки #ЗНАЧ!.

· Если вероятность < 0 или вероятность > 1, функция НОРМОБР возвращает значение ошибки #ЧИСЛО!.

· Если стандартное_откл ≤ 0, функция НОРМОБР возвращает значение ошибки #ЧИСЛО!.

· Если среднее = 0 и стандартное_откл = 1, функция НОРМОБР использует стандартное нормальное распределение (см. НОРМСТОБР).

Если задано значение вероятности, функция НОРМОБР ищет значение x , для которого функция НОРМРАСП(x , среднее, стандартное_откл , ИСТИНА) = вероятность. Однако точность функции НОРМОБР зависит от точности НОРМРАСП. В функции НОРМОБР для поиска применяется метод итераций. Если поиск не закончился после 100 итераций, функция возвращает значение ошибки #Н/Д.

Среди законов распределения для дискретных случайных величин наиболее распространенным является биномиальный закон распределения. Биномиальное распределение имеет место в следующих условиях. Пусть случайная величина - число появлений некоторого события в независимых испытаниях, вероятность появления в отдельном испытании равна . Данная случайная величина является дискретной случайной величиной, ее возможные значения . Вероятность того, что случайная величина примет значение вычисляется по формуле Бернулли: .

Определение 15. Закон распределения дискретной случайной величины называется биномиальным законом распределения, если вероятности значений случайной величины вычисляются по формуле Бернулли. Ряд распределения будет иметь вид:

Убедимся, что сумма вероятностей различных значений случайной величины равна 1. Действительно,

Так как при данных вычислениях получилась биномиальная формула Ньютона, поэтому закон распределения называется биномиальным. Если случайная величина имеет биномиальное распределение, то ее числовые характеристики находятся по формулам:

(42) (43)

Пример 15. Имеется партия из 50 деталей. Вероятность брака для одной детали . Пусть случайная величина - число бракованных деталей в данной партии. Найти математическое ожидание, дисперсию и среднее квадратичное отклонение данной случайной величины. Решение. Случайная величина имеет биномиальное распределение, так как вероятность того, что она примет значение вычисляется по формуле Бернулли. Тогда ее математическое ожидание находится по формуле (41), а именно, ; дисперсию находим по формуле (42): . Тогда среднее квадратичное отклонение будет равно . Вопрос. Приобретено 200 лотерейных билетов, вероятность выигрыша одного билета равна 0,01. Тогда среднее число лотерейных билетов, на которые выпадут выигрыши, равно: а) 10; б) 2; в) 20; г) 1.

Закон распределения Пуассона

При решении многих практических задач приходится иметь дело с дискретными случайными величинами, которые подчиняются закону распределения Пуассона. Типичными примерами случайной величины, имеющей распределение Пуассона, являются: число вызовов на телефонной станции за некоторое время ; число отказов сложной аппаратуры за время , если известно, что отказы независимы друг от друга и в среднем на единицу времени приходится отказов.Ряд распределения будет иметь вид:

То есть вероятность того, что случайная величина примет значение вычисляется по формуле Пуассона: поэтому данный закон и называется законом распределения Пуассона. Случайная величина, распределенной по закону Пуассона, имеет следующие числовые характеристики:

Распределение Пуассона зависит от одного параметра , который является математическим ожиданием случайной величины. На рисунке 14 показан общий вид многоугольника распределения Пуассона при различных значениях параметра .

Распределение Пуассона может быть использовано как приближенное в тех случаях, когда точным распределением случайной величины является биномиальное распределение, при этом число испытаний велико, а вероятность появления события в отдельном испытании мала, поэтому закон распределения Пуассона называют законом редких событий. А еще, если математическое ожидание мало отличается от дисперсии, то есть когда . В связи с этим распределение Пуассона имеет большое количество различных приложений. Пример 16. Завод отправляет на базу 500 доброкачественных изделий. Вероятность того, что в пути изделие повредится, равна 0,002. Найти математическое ожидание числа поврежденных при перевозке деталей. Решение. Случайная величина имеет распределение Пуассона, поэтому . Вопрос. Вероятность искажения символа при передаче сообщения равна 0,004. Чтобы среднее число искаженных символов было равно 4, надо передать 100 символов.

Случайная величина Х имеет нормальное распределение (или распределение по закону Гаусса), если ее плотность вероятности имеет вид:
,
где параметры а – любое действительное число и σ >0.
График дифференциальной функции нормального распределения называют нормальной кривой (кривой Гаусса). Нормальная кривая (рис. 2.12) симметрична относительно прямой х =а , имеет максимальную ординату , а в точках х = а ± σ – перегиб.

Рис. 2.12
Доказано, что параметр а является математическим ожиданием (также модой и медианой), а σ – средним квадратическим отклонением. Коэффициенты асимметрии и эксцесса для нормального распределения равны нулю:As = Ex = 0.
Установим теперь, как влияет изменение параметров а и σ на вид нормальной кривой. При изменении параметра а форма нормальной кривой не изменяется. В этом случае, если математическое ожидание (параметр а ) уменьшилось или увеличилось, график нормальной кривой сдвигается влево или вправо (рис. 2.13).
При изменении параметра σ изменяется форма нормальной кривой. Если этот параметр увеличивается, то максимальное значение функции убывает, и наоборот. Так как площадь, ограниченная кривой распределения и осью Ох , должна быть постоянной и равной 1, то с увеличением параметра σ кривая приближается к оси Ох и растягивается вдоль нее, а с уменьшением σ кривая стягивается к прямой х = а (рис. 2.14).

Рис. 2.13 Рис. 2.14
Функция плотности нормального распределения φ(х ) с параметрами а = 0, σ = 1 называется плотностью стандартной нормальной случайной величины , а ее график – стандартной кривой Гаусса.
Функция плотности нормальной стандартной величины определяется формулой , а ее график изображен на рис. 2.15.
Из свойств математического ожидания и дисперсии следует, что для величины , D(U )=1, M (U ) = 0. Поэтому стандартную нор мальную кривую можно рассматривать как кривую распределения случайной величины , где Х – случайная величина, подчиненная нормальному закону распределения с параметрами а и σ.
Нормальный закон распределения случайной величины в интегральной форме имеет вид
(2.10)
Полагая в интеграле (3.10) , получим
,
где . Первое слагаемое равно 1/2 (половине площади криволинейной трапеции, изображенной на рис. 3.15). Второе слагаемое
(2.11)
называется функцией Лапласа , а также интегралом вероятности.
Поскольку интеграл в формуле (2.11) не выражается через элементарные функции, для удобства расчетов составлена для z ≥ 0 таблица функции Лапласа. Чтобы вычислить функцию Лапласа для отрицательных значений z , необходимо воспользоваться нечетностью функции Лапласа: Ф(–z ) = – Ф(z ). Окончательно получаем расчетную формулу

Отсюда получаем, что для случайной величины Х , подчиняющейся нормальному закону, вероятность ее попадания на отрезок [ α, β] есть
(2.12)
С помощью формулы (2.12) найдем вероятность того, что модуль отклонения нормального распределения величины Х от ее центра распределения а меньше 3σ. Имеем
Р(|x – a | < 3 s) =P(а –3 s< X < а +3 s)= Ф(3) – Ф(–3) = 2Ф(3) »0,9973.
Значение Ф(3) получено по таблице функции Лапласа.
Принято считать событие практически достоверным , если его вероятность близка к единице, и практически невозможным, если его вероятность близка к нулю.
Мы получили так называемое правило трех сигм : для нормального распределения событие (|x –a | < 3σ) практически достоверно.
Правило трех сигм можно сформулировать иначе: хотя нормальная случайная величина распределена на всей оси х , интервал ее практически возможных значений есть (a –3σ, a +3σ) .
Нормальное распределение имеет ряд свойств, делающих его одним из самых употребительных в статистике распределений.
Если предоставляется возможность рассматривать некоторую случайную величину как сумму достаточно большого числа других случайных величин, то данная случайная величина обычно подчиняется нормальному закону распределения. Суммируемые случайные величины могут подчиняться каким угодно распределениям, но при этом должно выполняться условие их независимости (или слабой независимости). Также ни одна из суммируемых случайных величин не должна резко отличаться от других, т.е. каждая из них должна играть в общей сумме примерно одинаковую роль и не иметь исключительно большую по сравнению с другими величинами дисперсию.
Этим и объясняется широкая распространенность нормального распределения. Оно возникает во всех явлениях, процессах, где рассеяния случайной изучаемой величины вызывается большим количеством случайных причин, влияние каждой из которых в отдельности на рассеяние ничтожно мало.
Большинство встречающихся на практике случайных величин (таких, например, как количества продаж некоторого товара, ошибка измерения; отклонение снарядов от цели по дальности или по направлению; отклонение действительных размеров деталей, обработанных на станке, от номинальных размеров и т.д.) может быть представлено как сумма большого числа независимых случайных величин, оказывающих равномерно малое влияние на рассеяние суммы. Такие случайные величины принято считать нормально распределенными. Гипотеза о нормальности подобных величин находит свое теоретическое обоснование в центральной предельной теореме и получила многочисленные практические подтверждения.
Представим себе, что некоторый товар реализуется в нескольких торговых точках. Из–за случайного влияния различных факторов количества продаж товара в каждой точке будут несколько различаться, но среднее всех значений будет приближаться к истинному среднему числу продаж.
Отклонения числа продаж в каждой торговой точке от среднего образуют симметричную кривую распределения, близкую к кривой нормального распределения. Любое систематическое влияние какого-либо фактора проявится в асимметрии распределения.
Задача . Случайная величина распределена нормально с параметрами а = 8, σ = 3.Найти вероятность того, что случайная величина в результате опыта примет значение, заключенной в интервале (12,5; 14).
Решение . Воспользуемся формулой (2.12). Имеем

Задача . Число проданного за неделю товара определенного вида Х можно считать распределенной нормально. Математическое ожидание числа продаж тыс. шт. Среднее квадратическое отклонение этой случайной величины σ = 0,8 тыс. шт. Найти вероятность того, что за неделю будет продано от 15 до 17 тыс. шт. товара.
Решение. Случайная величина Х распределена нормально с параметрами а = М(Х ) = 15,7; σ = 0,8. Требуется вычислить вероятность неравенства 15 ≤ X ≤ 17. По формуле (2.12) получаем

Примерами случайных величин, распределённых по нормальному закону, являются рост человека, масса вылавливаемой рыбы одного вида . Нормальность распределения означает следующее : существуют значения роста человека, массы рыбы одного вида, которые на интуитивном уровне воспринимаются как "нормальные" (а по сути - усреднённые), и они-то в достаточно большой выборке встречаются гораздо чаще, чем отличающиеся в бОльшую или меньшую сторону.

Нормальное распределение вероятностей непрерывной случайной величины (иногда - распределение Гаусса) можно назвать колоколообразным из-за того, что симметричная относительно среднего функция плотности этого распределения очень похожа на разрез колокола (красная кривая на рисунке выше).

Вероятность встретить в выборке те или иные значение равна площади фигуры под кривой и в случае нормального распределения мы видим, что под верхом "колокола", которому соответствуют значения, стремящиеся к среднему, площадь, а значит, вероятность, больше, чем под краями. Таким образом, получаем то же, что уже сказано: вероятность встретить человека "нормального" роста, поймать рыбу "нормальной" массы выше, чем для значений, отличающихся в бОльшую или меньшую сторону. В очень многих случаях практики ошибки измерения распределяются по закону, близкому к нормальному.

Остановимся ещё раз на рисунке в начале урока, на котором представлена функция плотности нормального распределения. График этой функции получен при рассчёте некоторой выборки данных в пакете программных средств STATISTICA . На ней столбцы гистограммы представляют собой интервалы значений выборки, распределение которых близко (или, как принято говорить в статистике, незначимо отличаются от) к собственно графику функции плотности нормального распределения, который представляет собой кривую красного цвета. На графике видно, что эта кривая действительно колоколообразная.

Нормальное распределение во многом ценно благодаря тому, что зная только математическое ожидание непрерывной случайной величины и стандартное отклонение, можно вычислить любую вероятность, связанную с этой величиной.

Нормальное распределение имеет ещё и то преимущество, что один из наиболее простых в использовании статистических критериев, используемых для проверки статистических гипотез - критерий Стьюдента - может быть использован только в том случае, когда данные выборки подчиняются нормальному закону распределения.

Функцию плотности нормального распределения непрерывной случайной величины можно найти по формуле:

,

где x - значение изменяющейся величины, - среднее значение, - стандартное отклонение, e =2,71828... - основание натурального логарифма, =3,1416...

Свойства функции плотности нормального распределения

Изменения среднего значения перемещают кривую функции плотности нормального распределения в направлении оси Ox . Если возрастает, кривая перемещается вправо, если уменьшается, то влево.

Если меняется стандартное отклонение, то меняется высота вершины кривой. При увеличении стандартного отклонения вершина кривой находится выше, при уменьшении - ниже.

Вероятность попадания значения нормально распределённой случайной величины в заданный интервал

Уже в этом параграфе начнём решать практические задачи, смысл которых обозначен в заголовке. Разберём, какие возможности для решения задач предоставляет теория. Отправное понятие для вычисления вероятности попадания нормально распределённой случайной величины в заданный интервал - интегральная функция нормального распределения.

Интегральная функция нормального распределения :

.

Однако проблематично получить таблицы для каждой возможной комбинации среднего и стандартного отклонения. Поэтому одним из простых способов вычисления вероятности попадания нормально распределённой случайной величины в заданный интервал является использование таблиц вероятностей для стандартизированного нормального распределения.

Стандартизованным или нормированным называется нормальное распределение , среднее значение которого , а стандартное отклонение .

Функция плотности стандартизованного нормального распределения :

.

Интегральная функция стандартизованного нормального распределения :

.

На рисунке ниже представлена интегральная функция стандартизованного нормального распределения, график которой получен при рассчёте некоторой выборки данных в пакете программных средств STATISTICA . Собственно график представляет собой кривую красного цвета, а значения выборки приближаются к нему.

Для увеличения рисунка можно щёлкнуть по нему левой кнопкой мыши.

Стандартизация случайной величины означает переход от первоначальных единиц, используемых в задании, к стандартизованным единицам. Стандартизация выполняется по формуле

На практике все возможные значения случайной величины часто не известны, поэтому значения среднего и стандартного отклонения точно определить нельзя. Их заменяют средним арифметическим наблюдений и стандартным отклонением s . Величина z выражает отклонения значений случайной величины от среднего арифметического при измерении стандартных отклонений.

Открытый интервал

Таблица вероятностей для стандартизированного нормального распределения, которая есть практически в любой книге по статистике, содержит вероятности того, что имеющая стандартное нормальное распределение случайная величина Z примет значение меньше некоторого числа z . То есть попадёт в открытый интервал от минус бесконечности до z . Например, вероятность того, что величина Z меньше 1,5, равна 0,93319.

Пример 1. Предприятие производит детали, срок службы которых нормально распределён со средним значением 1000 и стандартным отклонением 200 часов.

Для случайно отобранной детали вычислить вероятность того, что её срок службы будет не менее 900 часов.

Решение. Введём первое обозначение:

Искомая вероятность.

Значения случайной величины находятся в открытом интервале. Но мы умеем вычислять вероятность того, что случайная величина примет значение, меньшее заданного, а по условию задачи требуется найти равное или большее заданного. Это другая часть пространства под кривой плотности нормального распределения (колокола). Поэтому, чтобы найти искомую вероятность, нужно из единицы вычесть упомянутую вероятность того, что случайная величина примет значение, меньше заданного 900:

Теперь случайную величину нужно стандартизировать.

Продолжаем вводить обозначения:

z = (X ≤ 900) ;

x = 900 - заданное значение случайной величины;

μ = 1000 - среднее значение;

σ = 200 - стандартное отклонение.

По этим данным условия задачи получаем:

.

По таблицам стандартизированной случайной величине (границе интервала) z = −0,5 соответствует вероятность 0,30854. Вычтем ее из единицы и получим то, что требуется в условии задачи:

Итак, вероятность того, что срок службы детали будет не менее 900 часов, составляет 69%.

Эту вероятность можно получить, используя функцию MS Excel НОРМ.РАСП (значение интегральной величины - 1):

P (X ≥900) = 1 - P (X ≤900) = 1 - НОРМ.РАСП(900; 1000; 200; 1) = 1 - 0,3085 = 0,6915.

О расчётах в MS Excel - в одном из последующих параграфах этого урока.

Пример 2. В некотором городе среднегодовой доход семьи является нормально распределённой случайной величиной со средним значением 300000 и стандартным отклонением 50000. Известно, что доходы 40 % семей меньше величины A . Найти величину A .

Решение. В этой задаче 40 % - ни что иное, как вероятность того, что случайная величина примет значение из открытого интервала, меньшее определённого значения, обозначенного буквой A .

Чтобы найти величину A , сначала составим интегральную функцию:

По условию задачи

μ = 300000 - среднее значение;

σ = 50000 - стандартное отклонение;

x = A - величина, которую нужно найти.

Составляем равенство

.

По статистическим таблицам находим, что вероятность 0,40 соответствует значению границы интервала z = −0,25 .

Поэтому составляем равенство

и находим его решение:

A = 287300 .

Ответ: доходы 40 % семей менее 287300.

Закрытый интервал

Во многих задачах требуется найти вероятность того, что нормально распределённая случайная величина примет значение в интервале от z 1 до z 2 . То есть попадёт в закрытый интервал. Для решения таких задач необходимо найти в таблице вероятности, соответствующие границам интервала, а затем найти разность этих вероятностей. При этом требуется вычитать меньшее значение из большего. Примеры на решения этих распространённых задач - следующие, причём решить их предлагается самостоятельно, а затем можно посмотреть правильные решения и ответы.

Пример 3. Прибыль предприятия за некоторый период - случайная величина, подчинённая нормальному закону распределения со средним значением 0,5 млн. у.е. и стандартным отклонением 0,354. Определить с точностью до двух знаков после запятой вероятность того, что прибыль предприятия составит от 0,4 до 0,6 у.е.

Пример 4. Длина изготавливаемой детали представляет собой случайную величину, распределённую по нормальному закону с параметрами μ =10 и σ =0,071 . Найти с точностью до двух знаков после запятой вероятность брака, если допустимые размеры детали должны быть 10±0,05 .

Подсказка: в этой задаче помимо нахождения вероятности попадания случайной величины в закрытый интервал (вероятность получения небракованной детали) требуется выполнить ещё одно действие.

позволяет определить вероятность того, что стандартизованное значение Z не меньше -z и не больше +z , где z - произвольно выбранное значение стандартизованной случайной величины.

Приближенный метод проверки нормальности распределения

Приближенный метод проверки нормальности распределения значений выборки основан на следующем свойстве нормального распределения: коэффициент асимметрии β 1 и коэффициент эксцесса β 2 равны нулю .

Коэффициент асимметрии β 1 численно характеризует симметрию эмпирического распределения относительно среднего. Если коэффициент асимметрии равен нулю, то среднее арифметрического значение, медиана и мода равны: и кривая плотности распределения симметрична относительно среднего. Если коэффициент асимметрии меньше нуля (β 1 < 0 ), то среднее арифметическое меньше медианы, а медиана, в свою очередь, меньше моды () и кривая сдвинута вправо (по сравнению с нормальным распределением) . Если коэффициент асимметрии больше нуля (β 1 > 0 ), то среднее арифметическое больше медианы, а медиана, в свою очередь, больше моды () и кривая сдвинута влево (по сравнению с нормальным распределением) .

Коэффициент эксцесса β 2 характеризует концентрацию эмпирического распределения вокруг арифметического среднего в направлении оси Oy и степень островершинности кривой плотности распределения. Если коэффициент эксцесса больше нуля, то кривая более вытянута (по сравнению с нормальным распределением) вдоль оси Oy (график более островершинный). Если коэффициент эксцесса меньше нуля, то кривая более сплющена (по сравнению с нормальным распределением) вдоль оси Oy (график более туповершинный).

Коэффициент асимметрии можно вычислить с помощью функции MS Excel СКОС. Если вы проверяете один массив данных, то требуется ввести диапазон данных в одно окошко "Число".

Коэффициент эксцесса можно вычислить с помощью функции MS Excel ЭКСЦЕСС. При проверке одного массива данных также достаточно ввести диапазон данных в одно окошко "Число".

Итак, как мы уже знаем, при нормальном распределении коэффициенты асимметрии и эксцесса равны нулю. Но что, если мы получили коэффициенты асимметрии, равные -0,14, 0,22, 0,43, а коэффициенты эксцесса, равные 0,17, -0,31, 0,55? Вопрос вполне справедливый, так как практически мы имеем дело лишь с приближенными, выборочными значениями асимметрии и эксцесса, которые подвержены некоторому неизбежному, неконтролируемому разбросу. Поэтому нельзя требовать строгого равенства этих коэффициентов нулю, они должны лишь быть достаточно близкими к нулю. Но что значит - достаточно?

Требуется сравнить полученные эмпирические значения с допустимыми значениями. Для этого нужно проверить следующие неравенства (сравнить значения коэффициентов по модулю с критическими значениями - границами области проверки гипотезы).

Для коэффициента асимметрии β 1 .