Определение и свойства функции распределения. Вычисление плотности вероятности с использованием функций MS EXCEL. Генерация случайной величины, имеющей заданное распределение

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.

Функция распределения является наиболее общей формой задания закона распределения. Она используется для задания как дискретных, так и непрерывных случайных величин. Обычно ее обозначают .Функция распределения определяет вероятность того, что случайная величина принимает значения, меньшие фиксированного действительного числа, т. е.. Функция распределения полностью характеризует случайную величину с вероятностной точки зрения. Ее еще называют интегральной функцией распределения.

Геометрическая интерпретация функции распределения очень проста. Если случайную величину рассматривать как случайную точку оси(рис. 6), которая в результате испытания может занять то или иное положение на этой оси, то функция распределенияесть вероятность того, что случайная точкав результате испытания попадет левее точки.

Для дискретной случайной величины , которая может принимать значения,, … ,, функция распределения имеет вид

,

где неравенство под знаком суммы означает, что суммирование распространяется на все те значения, которые по своей величине меньше. Из этой формулы следует, что функция распределения дискретной случайной величиныразрывна и возрастает скачками при переходе через точки,, … ,, причем величина скачка равна вероятности соответствующего значения (рис. 7). Сумма всех скачков функции распределения равна единице.

Непрерывная случайная величина имеет непрерывную функцию распределения, график этой функции имеет форму плавной кривой (рис. 8).

Рис. 7. Рис. 8.

Рассмотрим общие свойства функций распределения.

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

Справедливость этого свойства вытекает из того, что функция распределения определена как вероятность случайного события, состоящего в том, что.

Свойство 2. Вероятность попадания случайной величины в интервал равна разности значений функции распределения на концах этого интервала, т. е.

Отсюда следует, что вероятность любого отдельного значения непрерывной случайной величины равна нулю.

Свойство 3. Функция распределения случайной величины есть неубывающая функция, т. е. при .

Свойство 4. На минус бесконечности функция распределения рана нулю, а на плюс бесконечности функция распределения рана единице, т. е. ,.

Пример 1. Функция распределения непрерывной случайной величины задана выражением

Найти коэффициент и построить график. Определить вероятность того, что случайная величинав результате опыта примет значение на интервале.

Решение. Так как функция распределения непрерывной случайной величины непрерывна, то приполучим:. Отсюда. График функцииизображен на рис. 9.

Исходя из второго свойства функции распределения, имеем:

.

4. Плотность распределения вероятности и ее свойства.

Функция распределения непрерывной случайной величины является ее вероятностной характеристикой. Но она имеет недостаток, заключающийся в том, что по ней трудно судить о характере распределения случайной величины в небольшой окрестности той или другой точки числовой оси. Более наглядное представление о характере распределения непрерывной случайной величины дает функция, которая называется плотностью распределения вероятности или дифференциальной функцией распределения случайной величины.

Плотность распределения равна производной от функции распределения, т. е.

.

Смысл плотности распределения состоит в том, что она указывает на то, как часто появляется случайная величинав некоторой окрестности точкипри повторении опытов. Кривая, изображающая плотность распределенияслучайной величины, называетсякривой распределения .

Рассмотрим свойства плотности распределения.

Свойство 1. Плотность распределения неотрицательна, т. е.

Свойство 2. Функция распределения случайной величины равна интегралу от плотности в интервале от до, т. е.

Математическое ожидание

Дисперсия непрерывной случайной величины X , возможные значения которой принадлежат всей оси Ох, определяется равенством:

Назначение сервиса . Онлайн калькулятор предназначен для решения задач, в которых заданы либо плотность распределения f(x) , либо функция распределения F(x) (см. пример). Обычно в таких заданиях требуется найти математическое ожидание, среднее квадратическое отклонение, построить графики функций f(x) и F(x) .

Инструкция . Выберите вид исходных данных: плотность распределения f(x) или функция распределения F(x) .

Задана плотность распределения f(x) Задана функция распределения F(x)

Задана плотность распределения f(x):

Задана функция распределения F(x):

Непрерывная случайна величина задана плотностью вероятностей
(закон распределения Релея – применяется в радиотехнике). Найти M(x) , D(x) .

Случайную величину X называют непрерывной , если ее функция распределения F(X)=P(X < x) непрерывна и имеет производную.
Функция распределения непрерывной случайной величины применяется для вычисления вероятностей попадания случайной величины в заданный промежуток:
P(α < X < β)=F(β) - F(α)
причем для непрерывной случайной величины не имеет значения, включаются в этот промежуток его границы или нет:
P(α < X < β) = P(α ≤ X < β) = P(α ≤ X ≤ β)
Плотностью распределения непрерывной случайной величины называется функция
f(x)=F’(x) , производная от функции распределения.

Свойства плотности распределения

1. Плотность распределения случайной величины неотрицательна (f(x) ≥ 0) при всех значениях x.
2. Условие нормировки:

Геометрический смысл условия нормировки: площадь под кривой плотности распределения равна единице.
3. Вероятность попадания случайной величины X в промежуток от α до β может быть вычислена по формуле

Геометрически вероятность попадания непрерывной случайной величины X в промежуток (α, β) равна площади криволинейной трапеции под кривой плотности распределения, опирающейся на этот промежуток.
4. Функция распределения выражается через плотность следующим образом:

Значение плотности распределения в точке x не равно вероятности принять это значение, для непрерывной случайной величины речь может идти только о вероятности попадания в заданный интервал. Пусть :

вероятность того, что непрерывная случайная величина X примет какое-либо значение из интервала [a ; b ], равна определённому интегралу от её плотности вероятности в пределах от a до b :

.

При этом общая формула функции F (x ) распределения вероятностей непрерывной случайной величины, которой можно пользоваться, если известна функция плотности f (x ) :

.

График плотности вероятности непрерывной случайной величины называется её кривой распределения (рис. ниже).

Площадь фигуры (на рисунке заштрихована), ограниченной кривой, прямыми, проведёнными из точек a и b перпендикулярно оси абсцисс, и осью Ох , графически отображает вероятность того, что значение непрерывной случайной величины Х находится в пределах от a до b .

Свойства функции плотности вероятности непрерывной случайной величины

1. Вероятность того, что случайная величина примет какое-либо значение из интервала (и площадь фигуры, которую ограничивают график функции f (x ) и ось Ох ) равна единице:

2. Функция плотности вероятности не может принимать отрицательные значения:

а за пределами существования распределения её значение равно нулю

Плотность распределения f (x ), как и функция распределения F (x ), является одной из форм закона распределения, но в отличие от функции распределения, она не универсальна: плотность распределения существует только для непрерывных случайных величин.

Упомянем о двух важнейших в практике видах распределения непрерывной случайной величины.

Если функция плотности распределения f (x ) непрерывной случайной величины в некотором конечном интервале [a ; b ] принимает постоянное значение C , а за пределами интервала принимает значение, равное нулю, то такое распределение называется равномерным .

Если график функции плотности распределения симметричен относительно центра, средние значения сосредоточены вблизи центра, а при отдалении от центра собираются более отличающиеся от средних (график функции напоминает разрез колокола), то такое распределение называется нормальным .

Пример 1. Известна функция распределения вероятностей непрерывной случайной величины:

Найти функцию f (x ) плотности вероятности непрерывной случайной величины. Построить графики обеих функций. Найти вероятность того, что непрерывная случайная величина примет какое-либо значение в интервале от 4 до 8: .

Решение. Функцию плотности вероятности получаем, находя производную функции распределения вероятностей:

График функции F (x ) - парабола:

График функции f (x ) - прямая:

Найдём вероятность того, что непрерывная случайная величина примет какое либо значение в интервале от 4 до 8:

Пример 2. Функция плотности вероятности непрерывной случайной величины дана в виде:

Вычислить коэффициент C . Найти функцию F (x ) распределения вероятностей непрерывной случайной величины. Построить графики обеих функций. Найти вероятность того, что непрерывная случайная величина примет какое-либо значение в интервале от 0 до 5: .

Решение. Коэффициент C найдём, пользуясь свойством 1 функции плотности вероятности:

Таким образом, функция плотности вероятности непрерывной случайной величины:

Интегрируя, найдём функцию F (x ) распределения вероятностей. Если x < 0 , то F (x ) = 0 . Если 0 < x < 10 , то

.

x > 10 , то F (x ) = 1 .

Таким образом, полная запись функции распределения вероятностей:

График функции f (x ) :

График функции F (x ) :

Найдём вероятность того, что непрерывная случайная величина примет какое либо значение в интервале от 0 до 5:

Пример 3. Плотность вероятности непрерывной случайной величины X задана равенством , при этом . Найти коэффициент А , вероятность того, что непрерывная случайная величина X примет какое-либо значение из интервала ]0, 5[, функцию распределения непрерывной случайной величины X .

Решение. По условию приходим к равенству

Следовательно, , откуда . Итак,

.

Теперь находим вероятность того, что непрерывная случайная величина X примет какое-либо значение из интервала ]0, 5[:

Теперь получим функцию распределения данной случайной величины:

Пример 4. Найти плотность вероятности непрерывной случайной величины X , которая принимает только неотрицательные значения, а её функция распределения .

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,