Функция распределения вероятностей случайной величины и ее свойства.

Рассмотрим функцию F(х) , определенную на всей числовой оси следующим образом: для каждого х значение F(х) равно вероятности того, что дискретная случайная величина примет значение, меньшее х , т. е.

(18)

Эта функция называется функцией распределения вероятностей , или кратко, функцией распределения .

Пример 1. Найти функцию распределения случайной величины , приведенной в примере 1, п. 1.

Решение: Ясно, что если , то F(x)=0 , так как не принимает значений, меньших единицы. Если , то ; если , то . Но событие <3 в данном случае является суммой двух несовместных событий: =1 и =2. Следовательно,

Итак для имеем F(x)=1/3 . Аналогично вычисляются значения функции в промежудках , и . Наконец, если x>6 то F(x)=1 , так как в этом случае любое возможное значение (1, 2, 3, 4, 5, 6) меньше, чем x . График функции F(x) изображен на рис. 4.

Пример 2. Найти функцию распределения случайной величины , приведенной в примере 2, п. 1.

Решение: Очевидно, что

График F(x) изображен на рис. 5.

Зная функцию распределения F(x) , легко найти вероятность того, что случайная величина удовлетворяет неравенствам .
Рассмотрим событие, заключающееся в том, что случайняя величина примет значение, меньшее . Это событие распадается на сумму двух несовместных событий: 1) случайная величина принимает значения, меньшие , т.е. ; 2) случайная величина принимает значения, удовлетворяющие неравенствам . Используя аксиому сложения, получаем

Но по определению функции распределения F(x) [см. формулу (18)], имеем , ; cледовательно,

(19)

Таким образом, вероятность попадания дискретной случайной величины в интервал равна приращению функции распределения на этом интервале.

Рассмотрим основные свойства функции распределения.
1°. Функция распределения является неубывающей.
В самом деле, пусть < . Так как вероятность любого события неотрицательна, то . Поэтому из формулы (19) следует, что , т.е. .

2°. Значения функции распределения удовлетворяют неравенствам .
Это свойство вытекает из того, что F(x) определяется как вероятность [см. формулу (18)]. Ясно, что * и .

3°. Вероятность того, что дискретная случайная величина примет одно из возможных значений xi, равна скачку функции распределения в точке xi .
Действительно, пусть xi - значение, принимаемое дискретной случайной величиной, и . Полагая в формуле (19) , , получим

Т.е. значение p(xi) равно скачку функции ** xi . Это свойство наглядно иллюстрируется на рис. 4 и рис. 5.

* Здесь и в дальнейшем введены обозначения: , .
** Можно показать, что F(xi)=F(xi-0) , т.е. что функция F(x) непрерывна слева в точке xi .

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 (19) 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 (22)

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 (23), 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.

Даны определения Функции распределения случайной величины и Плотности вероятности непрерывной случайной величины. Эти понятия активно используются в статьях о статистике сайта . Рассмотрены примеры вычисления Функции распределения и Плотности вероятности с помощью функций MS EXCEL .

Введем базовые понятия статистики, без которых невозможно объяснить более сложные понятия.

Генеральная совокупность и случайная величина

Пусть у нас имеется генеральная совокупность (population) из N объектов, каждому из которых присуще определенное значение некоторой числовой характеристики Х.

Примером генеральной совокупности (ГС) может служить совокупность весов однотипных деталей, которые производятся станком.

Поскольку в математической статистике, любой вывод делается только на основании характеристики Х (абстрагируясь от самих объектов), то с этой точки зрения генеральная совокупность представляет собой N чисел, среди которых, в общем случае, могут быть и одинаковые.

В нашем примере, ГС - это просто числовой массив значений весов деталей. Х – вес одной из деталей.

Если из заданной ГС мы выбираем случайным образом один объект, имеющей характеристику Х, то величина Х является случайной величиной . По определению, любая случайная величина имеет функцию распределения , которая обычно обозначается F(x).

Функция распределения

Функцией распределения вероятностей случайной величины Х называют функцию F(x), значение которой в точке х равно вероятности события X

F(x) = P(X

Поясним на примере нашего станка. Хотя предполагается, что наш станок производит только один тип деталей, но, очевидно, что вес изготовленных деталей будет слегка отличаться друг от друга. Это возможно из-за того, что при изготовлении мог быть использован разный материал, а условия обработки также могли слегка различаться и пр. Пусть самая тяжелая деталь, произведенная станком, весит 200 г, а самая легкая - 190 г. Вероятность того, что случайно выбранная деталь Х будет весить меньше 200 г равна 1. Вероятность того, что будет весить меньше 190 г равна 0. Промежуточные значения определяются формой Функции распределения. Например, если процесс настроен на изготовление деталей весом 195 г, то разумно предположить, что вероятность выбрать деталь легче 195 г равна 0,5.

Типичный график Функции распределения для непрерывной случайной величины приведен на картинке ниже (фиолетовая кривая, см. файл примера ):

В справке MS EXCEL Функцию распределения называют Интегральной функцией распределения (Cumulative Distribution Function , CDF ).

Приведем некоторые свойства Функции распределения:

• Функция распределения F(x) изменяется в интервале , т.к. ее значения равны вероятностям соответствующих событий (по определению вероятность может быть в пределах от 0 до 1);
• Функция распределения – неубывающая функция;
• Вероятность того, что случайная величина приняла значение из некоторого диапазона плотность вероятности равна 1/(0,5-0)=2. А для с параметром лямбда =5, значение плотности вероятности в точке х=0,05 равно 3,894. Но, при этом можно убедиться, что вероятность на любом интервале будет, как обычно, от 0 до 1.

  Напомним, что плотность распределения является производной от функции распределения , т.е. «скоростью» ее изменения: p(x)=(F(x2)-F(x1))/Dx при Dx стремящемся к 0, где Dx=x2-x1. Т.е. тот факт, что плотность распределения >1 означает лишь, что функция распределения растет достаточно быстро (это очевидно на примере ).

  Примечание : Площадь, целиком заключенная под всей кривой, изображающей плотность распределения , равна 1.

  Примечание : Напомним, что функцию распределения F(x) называют в функциях MS EXCEL интегральной функцией распределения . Этот термин присутствует в параметрах функций, например в НОРМ.РАСП (x; среднее; стандартное_откл; интегральная ). Если функция MS EXCEL должна вернуть Функцию распределения, то параметр интегральная , д.б. установлен ИСТИНА. Если требуется вычислить плотность вероятности , то параметр интегральная , д.б. ЛОЖЬ.

  Примечание : Для дискретного распределения вероятность случайной величине принять некое значение также часто называется плотностью вероятности (англ. probability mass function (pmf)). В справке MS EXCEL плотность вероятности может называть даже "функция вероятностной меры" (см. функцию БИНОМ.РАСП() ).

  Вычисление плотности вероятности с использованием функций MS EXCEL

  Понятно, что чтобы вычислить плотность вероятности для определенного значения случайной величины, нужно знать ее распределение.

  Найдем плотность вероятности для N(0;1) при x=2. Для этого необходимо записать формулу =НОРМ.СТ.РАСП(2;ЛОЖЬ) =0,054 или =НОРМ.РАСП(2;0;1;ЛОЖЬ) .

  Напомним, что вероятность того, что непрерывная случайная величина примет конкретное значение x равна 0. Для непрерывной случайной величины Х можно вычислить только вероятность события, что Х примет значение, заключенное в интервале (а; b).

  Вычисление вероятностей с использованием функций MS EXCEL

  1) Найдем вероятность, что случайная величина, распределенная по (см. картинку выше), приняла положительное значение. Согласно свойству Функции распределения вероятность равна F(+∞)-F(0)=1-0,5=0,5.

  НОРМ.СТ.РАСП(9,999E+307;ИСТИНА) -НОРМ.СТ.РАСП(0;ИСТИНА) =1-0,5.
  Вместо +∞ в формулу введено значение 9,999E+307= 9,999*10^307, которое является максимальным числом, которое можно ввести в ячейку MS EXCEL (так сказать, наиболее близкое к +∞).

  2) Найдем вероятность, что случайная величина, распределенная по , приняла отрицательное значение. Согласно определения Функции распределения, вероятность равна F(0)=0,5.

  В MS EXCEL для нахождения этой вероятности используйте формулу =НОРМ.СТ.РАСП(0;ИСТИНА) =0,5.

  3) Найдем вероятность того, что случайная величина, распределенная по стандартному нормальному распределению , примет значение, заключенное в интервале (0; 1). Вероятность равна F(1)-F(0), т.е. из вероятности выбрать Х из интервала (-∞;1) нужно вычесть вероятность выбрать Х из интервала (-∞;0). В MS EXCEL используйте формулу =НОРМ.СТ.РАСП(1;ИСТИНА) - НОРМ.СТ.РАСП(0;ИСТИНА) .

  Все расчеты, приведенные выше, относятся к случайной величине, распределенной по стандартному нормальному закону N(0;1). Понятно, что значения вероятностей зависят от конкретного распределения. В статье найти точку, для которой F(х)=0,5, а затем найти абсциссу этой точки. Абсцисса точки =0, т.е. вероятность, того что случайная величина Х примет значение <0, равна 0,5.

  В MS EXCEL используйте формулу =НОРМ.СТ.ОБР(0,5) =0.

  

  Однозначно вычислить значение случайной величины позволяет свойство монотонности функции распределения.

  Обратная функция распределения вычисляет , которые используются, например, при . Т.е. в нашем случае число 0 является 0,5-квантилем нормального распределения . В файле примера можно вычислить и другой квантиль этого распределения. Например, 0,8-квантиль равен 0,84.

  

  В англоязычной литературе обратная функция распределения часто называется как Percent Point Function (PPF).

  Примечание : При вычислении квантилей в MS EXCEL используются функции: НОРМ.СТ.ОБР() , ЛОГНОРМ.ОБР() , ХИ2.ОБР(), ГАММА.ОБР() и т.д. Подробнее о распределениях, представленных в MS EXCEL, можно прочитать в статье .

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

  Пример 2.5. Дан ряд распределения случайной величины

  Найти и изобразить графически ее функцию распределения. Решение. В соответствии с определением

  F(jc) = 0 при х х

  F(x) = 0,4 + 0,1 = 0,5 при 4 F{x) = 0,5 + 0,5 = 1 при х > 5.

  Итак (см. рис. 2.1):

  
  

  Свойства функции распределения:

  1. Функция распределения случайной величины есть неотрицательная функция, заключенная между нулем и единицей:

  2. Функция распределения случайной величины есть неубывающая функция на всей числовой оси, т.е. при х 2 >х

  

  3. На минус бесконечности функция распределения равна нулю, на плюс бесконечности - равна единице, т.е.

  4. Вероятность попадания случайной величины X в интервал равна определенному интегралу от ее плотности вероятности в пределах от а до b (см. рис. 2.2), т.е.

  
  

  Рис. 2.2

  3. Функция распределения непрерывной случайной величины (см. рис. 2.3) может быть выражена через плотность вероятности по формуле:

  F(x)= Jp (*)*. (2.10)

  4. Несобственный интеграл в бесконечных пределах от плотности вероятности непрерывной случайной величины равен единице:

  Геометрически свойства / и 4 плотности вероятности означают, что ее график - кривая распределения - лежит не ниже оси абсцисс , и полная площадь фигуры , ограниченной кривой распределения и осью абсцисс , равна единице.

  Для непрерывной случайной величины X математическое ожидание М(Х) и дисперсия D(X) определяются по формулам:

  (если интеграл абсолютно сходится); или
  

  (если приведенные интегралы сходятся).

  Наряду с отмеченными выше числовыми характеристиками для описания случайной величины используется понятие квантилей и процентных точек.

  Квантилем уровня q (или q-квантилем) называется такое значение x q случайной величины , при котором функция ее распределения принимает значение , равное q, т. е.

  • 100q%-ou точкой называется квантиль X~ q .
  • ? Пример 2.8.

  По данным примера 2.6 найти квантиль xqj и 30%-ную точку случайной величины X.

  Решение. По определению (2.16) F(xo t3)= 0,3, т. е.

  ~Y~ = 0,3, откуда квантиль х 0 3 = 0,6. 30%-ная точка случайной величины X , или квантиль Х)_о,з = xoj » находится аналогично из уравнения ^ = 0,7 . откуда *,= 1,4. ?

  Среди числовых характеристик случайной величины выделяют начальные v* и центральные р* моменты к-го порядка , определяемые для дискретных и непрерывных случайных величин по формулам:

  
  

  СЛУЧАЙНЫЕ ВЕЛИЧИНЫ

  Пример 2.1. Случайная величина X задана функцией распределения

  Найти вероятность того, что в результате испытания X примет значения, заключенные в промежутке (2,5; 3,6).

  Решение: Х в промежуток (2,5; 3,6) можно определить двумя способами:

  Пример 2.2. При каких значениях параметров А и В функция F (x ) = A + Be - x может быть функцией распределения для неотрицательных значений случайной величины Х .

  Решение: Так как все возможные значения случайной величины Х принадлежат интервалу , то для того, чтобы функция была функцией распределения для Х , должно выполняться свойство:

  .

  Ответ: .

  Пример 2.3. Случайная величина X задана функцией распределения

  

  Найти вероятность того, что в результате четырех независимых испытаний величина X ровно 3 раза примет значение, принадлежащее интервалу (0,25;0,75).

  Решение: Вероятность попадания величины Х в промежуток (0,25;0,75) найдем по формуле:

  Пример 2.4. Вероятность попадания мячом в корзину при одном броске равна 0,3. Составить закон распределения числа попаданий при трех бросках.

  Решение: Случайная величина Х – число попаданий в корзину при трех бросках – может принимать значения: 0, 1, 2, 3. Вероятности того, что Х

  Х :

  Пример 2.5. Два стрелка делают по одному выстрелу в мишень. Вероятность попадания в нее первым стрелком равна 0,5, вторым – 0,4. Составить закон распределения числа попаданий в мишень.

  Решение: Найдем закон распределения дискретной случайной величины Х – числа попаданий в мишень. Пусть событие – попадание в мишень первым стрелком, а – попадание вторым стрелком, и - соответственно их промахи.

  
  
  

  Составим закон распределения вероятностей СВ Х :

  Пример 2.6. Испытываются 3 элемента, работающих независимо друг от друга. Длительности времени (в часах) безотказной работы элементов имеют функции плотности распределения: для первого: F 1 (t ) =1-e - 0,1 t , для второго: F 2 (t ) = 1-e - 0,2 t , для третьего: F 3 (t ) =1-e - 0,3 t . Найти вероятность того, что в интервале времени от 0 до 5 часов: откажет только один элемент; откажут только два элемента; откажут все три элемента.

  Решение: Воспользуемся определением производящей функции вероятностей :

  Вероятность того, что в независимых испытаниях, в первом из которых вероятность появления события А равна , во втором и т. д., событие А появится ровно раз, равна коэффициенту при в разложении производящей функции по степеням . Найдем вероятности отказа и неотказа соответственно первого, второго и третьего элемента в интервале времени от 0 до 5 часов:

  Составим производящую функцию:

  Коэффициент при равен вероятности того, что событие А появится ровно три раза, то есть вероятности отказа всех трех элементов; коэффициент при равен вероятности того, что откажут ровно два элемента; коэффициент при равен вероятности того, что откажет только один элемент.

  Пример 2.7. Дана плотность вероятности f (x )случайной величины X :

  

  Найти функцию распределения F(x).

  Решение: Используем формулу:

  .

  Таким образом, функция распределения имеет вид:

  

  Пример 2.8. Устройство состоит из трех независимо работающих элементов. Вероятность отказа каждого элемента в одном опыте равна 0,1. Составить закон распределения числа отказавших элементов в одном опыте.

  Решение: Случайная величина Х – число элементов, отказавших в одном опыте – может принимать значения: 0, 1, 2, 3. Вероятности того, что Х примет эти значения, найдем по формуле Бернулли:

  Таким образом, получаем следующий закон распределения вероятностей случайной величины Х :

  Пример 2.9. В партии из 6 деталей имеется 4 стандартных. Наудачу отобраны 3 детали. Составить закон распределения числа стандартных деталей среди отобранных.

  Решение: Случайная величина Х – число стандартных деталей среди отобранных – может принимать значения: 1, 2, 3 и имеет гипергеометрическое распределение. Вероятности того, что Х

  

  где -- число деталей в партии;

  -- число стандартных деталей в партии;

  – число отобранных деталей;

  -- число стандартных деталей среди отобранных.

  .

  .

  .

  Пример 2.10. Случайная величина имеет плотность распределения

  

  причем и не известны, но , а и . Найдите и .

  Решение: В данном случае случайная величина X имеет треугольное распределение (распределение Симпсона) на отрезке [a, b ]. Числовые характеристики X :

  Следовательно, . Решая данную систему, получим две пары значений: . Так как по условию задачи , то окончательно имеем: .

  Ответ: .

  Пример 2.11. В среднем по 10% договоров страховая компания выплачивает страховые суммы в связи с наступлением страхового случая. Вычислить математическое ожидание и дисперсию числа таких договоров среди наудачу выбранных четырех.

  Решение: Математическое ожидание и дисперсию можно найти по формулам:

  .

  Возможные значения СВ (число договоров (из четырех) с наступлением страхового случая): 0, 1, 2, 3, 4.

  Используем формулу Бернулли, чтобы вычислить вероятности различного числа договоров (из четырех), по которым были выплачены страховые суммы:

  .

  Ряд распределения СВ (число договоров с наступлением страхового случая) имеет вид:

  	0,6561	0,2916	0,0486	0,0036	0,0001

  Ответ: , .

  Пример 2.12. Из пяти роз две белые. Составить закон распределения случайной величины, выражающей число белых роз среди двух одновременно взятых.

  Решение: В выборке из двух роз может либо не оказаться белой розы, либо может быть одна или две белые розы. Следовательно, случайная величина Х может принимать значения: 0, 1, 2. Вероятности того, что Х примет эти значения, найдем по формуле:

  

  где -- число роз;

  -- число белых роз;

  – число одновременно взятых роз;

  -- число белых роз среди взятых.

  .

  .

  .

  Тогда закон распределения случайной величины будет такой:

  Пример 2.13. Среди 15 собранных агрегатов 6 нуждаются в дополнительной смазке. Составить закон распределения числа агрегатов, нуждающихся в дополнительной смазке, среди пяти наудачу выбранных из общего числа.

  Решение: Случайная величина Х – число агрегатов, нуждающихся в дополнительной смазке среди пяти выбранных – может принимать значения: 0, 1, 2, 3, 4, 5 и имеет гипергеометрическое распределение. Вероятности того, что Х примет эти значения, найдем по формуле:

  

  где -- число собранных агрегатов;

  -- число агрегатов, нуждающихся в дополнительной смазке;

  – число выбранных агрегатов;

  -- число агрегатов, нуждающихся в дополнительной смазке среди выбранных.

  .

  .

  .

  .

  .

  .

  Тогда закон распределения случайной величины будет такой:

  Пример 2.14. Из поступивших в ремонт 10 часов 7 нуждаются в общей чистке механизма. Часы не рассортированы по виду ремонта. Мастер, желая найти часы, нуждающиеся в чистке, рассматривает их поочередно и, найдя такие часы, прекращает дальнейший просмотр. Найти математическое ожидание и дисперсию числа просмотренных часов.

  Решение: Случайная величина Х – число агрегатов, нуждающихся в дополнительной смазке среди пяти выбранных – может принимать значения: 1, 2, 3, 4. Вероятности того, что Х примет эти значения, найдем по формуле:

  

  .

  .

  .

  .

  Тогда закон распределения случайной величины будет такой:

  Теперь вычислим числовые характеристики величины :

  Ответ: , .

  Пример 2.15. Абонент забыл последнюю цифру нужного ему номера телефона, однако помнит, что она нечетная. Найти математическое ожидание и дисперсию числа сделанных им наборов номера телефона до попадания на нужный номер, если последнюю цифру он набирает наудачу, а набранную цифру в дальнейшем не набирает.

  Решение: Случайная величина может принимать значения: . Так как набранную цифру абонент в дальнейшем не набирает, то вероятности этих значений равны .

  Составим ряд распределения случайной величины:

  	0,2

  Вычислим математическое ожидание и дисперсию числа попыток набора номера:

  Ответ: , .

  Пример 2.16. Вероятность отказа за время испытаний на надежность для каждого прибора серии равна p . Определить математическое ожидание числа приборов, давших отказ, если испытанию подверглись N приборов.

  Решение: Дискретная случайная величина X - число отказавших приборов в N независимых испытаниях, в каждом из которых вероятность появления отказа равна p, распределена по биномиальному закону. Математическое ожидание биномиального распределения равно произведению числа испытаний на вероятность появления события в одном испытании:

  Пример 2.17. Дискретная случайная величина X принимает 3 возможных значения: с вероятностью ; с вероятностью и с вероятностью . Найти и , зная, что M(X ) = 8.

  Решение: Используем определения математического ожидания и закона распределения дискретной случайной величины:

  

  Находим: .

  Пример 2.18. Отдел технического контроля проверяет изделия на стандартность. Вероятность того, что изделие стандартно, равна 0,9. В каждой партии содержится 5 изделий. Найти математическое ожидание случайной величины X – числа партий, в каждой из которых содержится ровно 4 стандартных изделия, если проверке подлежат 50 партий.

  Решение: В данном случае все проводимые опыты независимы, а вероятности того, что в каждой партии содержится ровно 4 стандартных изделия, одинаковы, следовательно, математическое ожидание можно определить по формуле:

  ,

  где - число партий;

  Вероятность того, что в партии содержится ровно 4 стандартных изделия.

  Вероятность найдем по формуле Бернулли:

  Ответ: .

  Пример 2.19. Найти дисперсию случайной величины X – числа появлений события A в двух независимых испытаниях, если вероятности появления события в этих испытаниях одинаковы и известно, что M (X ) = 0,9.

  Решение: Задачу можно решить двумя способами.

  1) Возможные значения СВ X : 0, 1, 2. По формуле Бернулли определим вероятности этих событий:

  , , .

  Тогда закон распределения X имеет вид:

  Из определения математического ожидания определим вероятность :

  Найдем дисперсию СВ X :

  .

  2) Можно использовать формулу:

  .

  Ответ: .

  Пример 2.20. Математическое ожидание и среднее квадратическое отклонение нормально распределенной случайной величины X соответственно равны 20 и 5. Найти вероятность того, что в результате испытания X примет значение, заключенное в интервале (15; 25).

  Решение: Вероятность попадания нормальной случайной величины Х на участок от до выражается через функцию Лапласа:

  Пример 2.21. Дана функция:

  При каком значении параметра C эта функция является плотностью распределения некоторой непрерывной случайной величины X ? Найти математическое ожиданий и дисперсию случайной величины X .

  Решение: Для того, чтобы функция была плотностью распределения некоторой случайной величины , она должна быть неотрицательна, и она должна удовлетворять свойству:

  .

  Следовательно:

  Вычислим математическое ожидание по формуле:

  .

  Вычислим дисперсию по формуле:

  T равна p . Необходимо найти математическое ожидание и дисперсию этой случайной величины.

  Решение: Закон распределения дискретной случайной величины X - числа появлений события в независимых испытаниях, в каждом из которых вероятность появления события равна , называют биномиальным. Математическое ожидание биномиального распределения равно произведению числа испытаний на вероятность появления события А одном испытании:

  .

  

  Пример 2.25. Производится три независимых выстрела по мишени. Вероятность попадания при каждом выстреле равна 0.25. Определить среднее квадратическое отклонение числа попаданий при трех выстрелах.

  Решение: Так как производится три независимых испытания, и вероятность появления события А (попадания) в каждом испытании одинакова, то будем считать, что дискретная случайная величина X - число попаданий в мишень – распределена по биномиальному закону.

  Дисперсия биномиального распределения равна произведению числа испытаний на вероятности появления и непоявления события в одном испытании:

  

  Пример 2.26. Среднее число клиентов, посещающих страховую компанию за 10 мин., равно трем. Найти вероятность того, что в ближайшие 5 минут придет хотя бы один клиент.

  Среднее число клиентов, пришедших за 5 минут: . .

  Пример 2.29. Время ожидания заявки в очереди на процессор подчиняется показательному закону распределения со средним значением 20 секунд. Найти вероятность того, что очередная (произвольная) заявка будет ожидать процессор более 35 секунд.

  Решение: В этом примере математическое ожидание , а интенсивность отказов равна .

  Тогда искомая вероятность:

  Пример 2.30. Группа студентов в количестве 15 человек проводит собрание в зале, в котором 20 рядов по 10 мест в каждом. Каждый студент занимает место в зале случайным образом. Какова вероятность того, что не более трех человек будут находиться на седьмом месте ряда?

  Решение:

  Пример 2.31.

  Тогда согласно классическому определению вероятности:

  

  где -- число деталей в партии;

  -- число нестандартных деталей в партии;

  – число отобранных деталей;

  -- число нестандартных деталей среди отобранных.

  Тогда закон распределения случайной величины будет такой.

  Определение функции случайных величин. Функция дискретного случайного аргумента и ее числовые характеристики. Функция непрерывного случайного аргумента и ее числовые характеристики. Функции двух случайных аргументов. Определение функции распределения вероятностей и плотности для функции двух случайных аргументов.

  Закон распределения вероятностей функции одной случайной величины

  При решении задач, связанных с оценкой точности работы различных автоматических систем, точности производства отдельных элементов систем и др., часто приходится рассматривать функции одной или нескольких случайных величин. Такие функции также являются случайными величинами. Поэтому при решении задач необходимо знать законы распределения фигурирующих в задаче случайных величин. При этом обычно известны закон распределения системы случайных аргументов и функциональная зависимость.

  Таким образом, возникает задача, которую можно сформулировать так.

  Дана система случайных величин (X_1,X_2,\ldots,X_n) , закон распределения которой известен. Рассматривается некоторая случайная величина Y как функция данных случайных величин:

  Y=\varphi(X_1,X_2,\ldots,X_n).

  Требуется определить закон распределения случайной величины Y , зная вид функций (6.1) и закон совместного распределения ее аргументов.

  Рассмотрим задачу о законе распределения функции одного случайного аргумента

  Y=\varphi(X).

  \begin{array}{|c|c|c|c|c|}\hline{X}&x_1&x_2&\cdots&x_n\\\hline{P}&p_1&p_2&\cdots&p_n\\\hline\end{array}

  Тогда Y=\varphi(X) также дискретная случайная величина с возможными значениями . Если все значения y_1,y_2,\ldots,y_n различны, то для каждого k=1,2,\ldots,n события \{X=x_k\} и \{Y=y_k=\varphi(x_k)\} тождественны. Следовательно,

  P\{Y=y_k\}=P\{X=x_k\}=p_k

  
  и искомый ряд распределения имеет вид
  

  \begin{array}{|c|c|c|c|c|}\hline{Y}&y_1=\varphi(x_1)&y_2=\varphi(x_2)&\cdots&y_n=\varphi(x_n)\\\hline{P}&p_1&p_2&\cdots&p_n\\\hline\end{array}

  Если же среди чисел y_1=\varphi(x_1),y_2=\varphi(x_2),\ldots,y_n=\varphi(x_n) есть одинаковые, то каждой группе одинаковых значений y_k=\varphi(x_k) нужно отвести в таблице один столбец и соответствующие вероятности сложить.

  Для непрерывных случайных величин задача ставится так: зная плотность распределения f(x) случайной величины X , найти плотность распределения g(y) случайной величины Y=\varphi(X) . При решении поставленной задачи рассмотрим два случая.

  Предположим сначала, что функция y=\varphi(x) является монотонно возрастающей, непрерывной и дифференцируемой на интервале (a;b) , на котором лежат все возможные значения величины X . Тогда обратная функция x=\psi(y) существует, при этом являясь также монотонно возрастающей, непрерывной и дифференцируемой. В этом случае получаем

  G(y)=f\bigl(\psi(y)\bigr)\cdot |\psi"(y)|.

  Пример 1. Случайная величина X распределена с плотностью

  F(x)=\frac{1}{\sqrt{2\pi}}e^{-x^2/2}

  Найти закон распределения случайной величины Y , связанной с величиной X зависимостью Y=X^3 .

  Решение. Так как функция y=x^3 монотонна на промежутке (-\infty;+\infty) , то можно применить формулу (6.2). Обратная функция по отношению к функции \varphi(x)=x^3 есть \psi(y)=\sqrt{y} , ее производная \psi"(y)=\frac{1}{3\sqrt{y^2}} . Следовательно,

  G(y)=\frac{1}{3\sqrt{2\pi}}e^{-\sqrt{y^2}/2}\frac{1}{\sqrt{y^2}}

  Рассмотрим случай немонотонной функции. Пусть функция y=\varphi(x) такова, что обратная функция x=\psi(y) неоднозначна, т. е. одному значению величины y соответствует несколько значений аргумента x , которые обозначим x_1=\psi_1(y),x_2=\psi_2(y),\ldots,x_n=\psi_n(y) , где n - число участков, на которых функция y=\varphi(x) изменяется монотонно. Тогда

  G(y)=\sum\limits_{k=1}^{n}f\bigl(\psi_k(y)\bigr)\cdot |\psi"_k(y)|.

  Пример 2. В условиях примера 1 найти распределение случайной величины Y=X^2 .

  Решение. Обратная функция x=\psi(y) неоднозначна. Одному значению аргумента y соответствуют два значения функции x

  
  Применяя формулу (6.3), получаем:

  \begin{gathered}g(y)=f(\psi_1(y))|\psi"_1(y)|+f(\psi_2(y))|\psi"_2(y)|=\\\\=\frac{1}{\sqrt{2\pi}}\,e^{-\left(-\sqrt{y^2}\right)^2/2}\!\left|-\frac{1}{2\sqrt{y}}\right|+\frac{1}{\sqrt{2\pi}}\,e^{-\left(\sqrt{y^2}\right)^2/2}\!\left|\frac{1}{2\sqrt{y}}\right|=\frac{1}{\sqrt{2\pi{y}}}\,e^{-y/2}.\end{gathered}

  Закон распределения функции двух случайных величин

  Пусть случайная величина Y является функцией двух случайных величин, образующих систему (X_1;X_2) , т. е. Y=\varphi(X_1;X_2) . Задача состоит в том, чтобы по известному распределению системы (X_1;X_2) найти распределение случайной величины Y .

  Пусть f(x_1;x_2) - плотность распределения системы случайных величин (X_1;X_2) . Введем в рассмотрение новую величину Y_1 , равную X_1 , и рассмотрим систему уравнений

  Будем полагать, что эта система однозначно разрешима относительно x_1,x_2

  
  и удовлетворяет условиям дифференцируемости.
  

  Плотность распределения случайной величины Y

  G_1(y)=\int\limits_{-\infty}^{+\infty}f(x_1;\psi(y;x_1))\!\left|\frac{\partial\psi(y;x_1)}{\partial{y}}\right|dx_1.

  Заметим, что рассуждения не изменяются, если введенную новую величину Y_1 положить равной X_2 .

  Математическое ожидание функции случайных величин

  На практике часто встречаются случаи, когда нет особой надобности полностью определять закон распределения функции случайных величин, а достаточно только указать его числовые характеристики. Таким образом, возникает задача определения числовых характеристик функций случайных величин помимо законов распределения этих функций.

  Пусть случайная величина Y является функцией случайного аргумента X с заданным законом распределения

  Y=\varphi(X).

  Требуется, не находя закона распределения величины Y , определить ее математическое ожидание

  M(Y)=M[\varphi(X)].

  Пусть X - дискретная случайная величина, имеющая ряд распределения

  \begin{array}{|c|c|c|c|c|}\hline{x_i}&x_1&x_2&\cdots&x_n\\\hline{p_i}&p_1&p_2&\cdots&p_n\\\hline\end{array}

  Составим таблицу значений величины Y и вероятностей этих значений:

  \begin{array}{|c|c|c|c|c|}\hline{y_i=\varphi(x_i)}&y_1=\varphi(x_1)&y_2=\varphi(x_2)&\cdots&y_n=\varphi(x_n)\\\hline{p_i}&p_1&p_2&\cdots&p_n\\\hline\end{array}

  Эта таблица не является рядом распределения случайной величины Y , так как в общем случае некоторые из значений могут совпадать между собой и значения в верхней строке не обязательно идут в возрастающем порядке. Однако математическое ожидание случайной величины Y можно определить по формуле

  M[\varphi(X)]=\sum\limits_{i=1}^{n}\varphi(x_i)p_i,

  
  так как величина, определяемая формулой (6.4), не может измениться от того, что под знаком суммы некоторые члены будут заранее объединены, а порядок членов изменен.
  

  Формула (6.4) не содержит в явном виде закон распределения самой функции \varphi(X) , а содержит только закон распределения аргумента X . Таким образом, для определения математического ожидания функции Y=\varphi(X) вовсе не требуется знать закон распределения функции \varphi(X) , а достаточно знать закон распределения аргумента X .

  Для непрерывной случайной величины математическое ожидание вычисляется по формуле

  M[\varphi(X)]=\int\limits_{-\infty}^{+\infty}\varphi(x)f(x)\,dx,

  
  где f(x) - плотность распределения вероятностей случайной величины X .
  

  Рассмотрим случаи, когда для нахождения математического ожидания функции случайных аргументов не требуется знание даже законов распределения аргументов, а достаточно знать только некоторые их числовые характеристики. Сформулируем эти случаи в виде теорем.

  Теорема 6.1. Математическое ожидание суммы как зависимых, так и независимых двух случайных величин равно сумме математических ожиданий этих величин:

  M(X+Y)=M(X)+M(Y).

  Теорема 6.2. Математическое ожидание произведения двух случайных величин равно произведению их математических ожиданий плюс корреляционный момент:

  M(XY)=M(X)M(Y)+\mu_{xy}.

  Следствие 6.1. Математическое ожидание произведения двух некоррелированных случайных величин равно произведению их математических ожиданий.

  Следствие 6.2. Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий.

  Дисперсия функции случайных величин

  По определению дисперсии имеем D[Y]=M[(Y-M(Y))^2]. . Следовательно,

  D[\varphi(x)]=M[(\varphi(x)-M(\varphi(x)))^2] , где .

  Приведем расчетные формулы только для случая непрерывных случайных аргументов. Для функции одного случайного аргумента Y=\varphi(X) дисперсия выражается формулой

  D[\varphi(x)]=\int\limits_{-\infty}^{+\infty}(\varphi(x)-M(\varphi(x)))^2f(x)\,dx,

  где M(\varphi(x))=M[\varphi(X)] - математическое ожидание функции \varphi(X) ; f(x) - плотность распределения величины X .

  Формулу (6.5) можно заменить на следующую:

  D[\varphi(x)]=\int\limits_{-\infty}^{+\infty}\varphi^2(x)f(x)\,dx-M^2(X)

  Рассмотрим теоремы о дисперсиях , которые играют важную роль в теории вероятностей и ее приложениях.

  Теорема 6.3. Дисперсия суммы случайных величин равна сумме дисперсий этих величин плюс удвоенная сумма корреляционных моментов каждой из слагаемых величин со всеми последующими:

  D\!\left[\sum\limits_{i=1}^{n}X_i\right]=\sum\limits_{i=1}^{n}D+2\sum\limits_{i

  Следствие 6.3. Дисперсия суммы некоррелированных случайных величин равна сумме дисперсий слагаемых:

  D\!\left[\sum\limits_{i=1}^{n}X_i\right]=\sum\limits_{i=1}^{n}D \mu_{y_1y_2}= M(Y_1Y_2)-M(Y_1)M(Y_2).

  \mu_{y_1y_2}=M(\varphi_1(X)\varphi_2(X))-M(\varphi_1(X))M(\varphi_2(X)).

  
  т. е. корреляционный момент двух функций случайных величин равен математическому ожиданию произведения этих функций минус произведение из математических ожиданий.
  

  Рассмотрим основные свойства корреляционного момента и коэффициента корреляции .

  Свойство 1. От прибавления к случайным величинам постоянных величин корреляционный момент и коэффициент корреляции не изменяются.

  Свойство 2. Для любых случайных величин X и Y абсолютная величина корреляционного момента не превосходит среднего геометрического дисперсий данных величин:

  |\mu_{xy}|\leqslant\sqrt{D[X]\cdot D[Y]}=\sigma_x\cdot \sigma_y,