4. Плотность распределения вероятностей непрерывной случайной величины

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

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

f ( x ) = F "( x ) .

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

Вероятность попадания непрерывной случайной величины в заданный интервал

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

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

Доказательство: Используем соотношение

P (a ≤ X b ) = F (b ) – F (a ).

По формуле Ньютона-Лейбница,

Таким образом,

.

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

.

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

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

.

Пример. Задана плотность вероятности случайной величины Х

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

Решение: Искомая вероятность

.

Нахождение функции распределения по известной плотности распределения

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

.

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

Следовательно,

.

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

f (x ) = F "(x ).

Пример. Найти функцию распределения по данной плотности распределения:

Решение: Воспользуемся формулой

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

следовательно,

.

Если x > b , то

.

Итак, искомая функция распределения

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

Свойства плотности распределения

Свойство 1: Плотность распределения - неотрицательная функция:

f ( x ) ≥ 0 .

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

.

Замечание: График плотности распределения называют кривой распределения .

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

Пример. Плотность распределения случайной величины имеет следующий вид:

Найти постоянный параметр a .

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

.

Отсюда
. Найдём неопределённый интеграл:

.

Вычислим несобственный интеграл:

Таким образом, искомый параметр

.

Вероятный смысл плотности распределения

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

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

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

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

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

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

5. Типовые распределения дискретных случайных величин

5.1. Распределение Бернулли

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

, где k =0,1.

5.2. Биномиальное распределение

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

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

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

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

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

Таким образом, ряд распределения имеет следующий вид:

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

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

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

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

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

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

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

, где
и
.

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

где
, и .

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

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

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

;
.

Таким образом, имеем:

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

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

5.3. Распределение Пуассона

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

, где
и
(постоянное значение).

Примеры Пуассоновских случайных величин:

Число вызовов на автоматическую станцию за промежуток времени T .

Число частиц распада некоторого радиоактивного вещества за промежуток времени T .

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

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

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

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

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

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

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

По формуле Пуассона искомая вероятность равна:

, где случайная величина X – число негодных изделий.

5.4. Геометрическое распределение

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

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

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

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

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

P ( X = k ) = q k -1 p , где
.

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

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

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

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

P (X = 3) = 0,4 2 ·0,6 = 0,096.

5.5. Гипергеометрическое распределение

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

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

Числовые характеристики непрерывных случайных величин. Пусть непрерывная случайная величина Х задана функцией распределения f(x)

Пусть непрерывная случайная величина Х задана функцией распределения f(x) . Допустим, что все возможные значения случайной величины принадлежат отрезку [a,b ].

Определение. Математическим ожиданием непрерывной случайной величины Х, возможные значения которой принадлежат отрезку , называется определенный интеграл

Если возможные значения случайной величины рассматриваются на всей числовой оси, то математическое ожидание находится по формуле:

При этом, конечно, предполагается, что несобственный интеграл сходится.

Определение. Дисперсией непрерывной случайной величины называется математическое ожидание квадрата ее отклонения.

По аналогии с дисперсией дискретной случайной величины, для практического вычисления дисперсии используется формула:

Определение. Средним квадратичным отклонением называется квадратный корень из дисперсии.

Определение. Модой М 0 дискретной случайной величины называется ее наиболее вероятное значение. Для непрерывной случайной величины мода – такое значение случайной величины, при которой плотность распределения имеет максимум.

Если многоугольник распределения для дискретной случайной величины или кривая распределения для непрерывной случайной величины имеет два или несколько максимумов, то такое распределение называется двухмодальным или многомодальным . Если распределение имеет минимум, но не имеет максимума, то оно называется антимодальным .

Определение. Медианой M D случайной величины Х называется такое ее значение, относительно которого равновероятно получение большего или меньшего значения случайной величины.

Геометрически медиана – абсцисса точки, в которой площадь, ограниченная кривой распределения делится пополам. Отметим, что если распределение одномодальное, то мода и медиана совпадают с математическим ожиданием.

Определение. Начальным моментом порядка k случайной величины Х называется математическое ожидание величины Х k .

Для дискретной случайной величины: .

.

Начальный момент первого порядка равен математическому ожиданию.

Определение. Центральным моментом порядка k случайной величины Х называется математическое ожидание величины

Для дискретной случайной величины: .

Для непрерывной случайной величины: .

Центральный момент первого порядка всегда равен нулю, а центральный момент второго порядка равен дисперсии. Центральный момент третьего порядка характеризует асимметрию распределения.

Определение. Отношение центрального момента третьего порядка к среднему квадратическому отклонению в третьей степени называется коэффициентом асимметрии .

Определение. Для характеристики островершинности и плосковершинности распределения используется величина, называемая эксцессом .

Кроме рассмотренных величин используются также так называемые абсолютные моменты:

Абсолютный начальный момент: . Абсолютный центральный момент: . Абсолютный центральный момент первого порядка называется средним арифметическим отклонением .

Пример. Для рассмотренного выше примера определить математическое ожидание и дисперсию случайной величины Х.

Пример. В урне 6 белых и 4 черных шара. Из нее пять раз подряд извлекают шар, причем каждый раз вынутый шар возвращают обратно и шары перемешивают. Приняв за случайную величину Х число извлеченных белых шаров, составить закон распределения этой величины, определить ее математическое ожидание и дисперсию.

Т.к. шары в каждом опыте возвращаются обратно и перемешиваются, то испытания можно считать независимыми (результат предыдущего опыта не влияет на вероятность появления или непоявления события в другом опыте).

Таким образом, вероятность появления белого шара в каждом опыте постоянна и равна

Таким образом, в результате пяти последовательных испытаний белый шар может не появиться вовсе, появиться один раз, два, три, четыре или пять раз. Для составления закона распределения надо найти вероятности каждого из этих событий.

1) Белый шар не появился вовсе:

2) Белый шар появился один раз:

3) Белый шар появиться два раза: .

Примеры решения задач на тему «Случайные величины».

Задача 1 . В лотерее выпущено 100 билетов. Разыгрывался один выигрыш в 50 у.е. и десять выигрышей по 10 у.е. Найти закон распределения величины X – стоимости возможного выигрыша.

Решение. Возможные значения величины X: x 1 = 0; x 2 = 10 и x 3 = 50. Так как «пустых» билетов – 89, то p 1 = 0,89, вероятность выигрыша 10 у.е. (10 билетов) – p 2 = 0,10 и для выигрыша 50 у.е. – p 3 = 0,01. Таким образом:

Легко проконтролировать: .

Задача 2. Вероятность того, что покупатель ознакомился заранее с рекламой товара равна 0,6 (р=0,6 ). Осуществляется выборочный контроль качества рекламы путем опроса покупателей до первого, изучившего рекламу заранее. Составить ряд распределения количества опрошенных покупателей.

Решение. Согласно условию задачи р = 0,6. Откуда: q=1 -p = 0,4. Подставив данные значения, получим: и построим ряд распределения:

Задача 3. Компьютер состоит из трех независимо работающих элементов: системного блока, монитора и клавиатуры. При однократном резком повышении напряжения вероятность отказа каждого элемента равна 0,1. Исходя из распределения Бернулли составить закон распределения числа отказавших элементов при скачке напряжения в сети.

Решение. Рассмотрим распределение Бернулли (или биномиальное): вероятность того, что в n испытаниях событие А появится ровно k раз: , или:

В ернёмся к задаче.

Возможные значения величины X (число отказов):

x 0 =0 – ни один из элементов не отказал;

x 1 =1 – отказ одного элемента;

x 2 =2 – отказ двух элементов;

x 3 =3 – отказ всех элементов.

Так как, по условию, p = 0,1, то q = 1 – p = 0,9. Используя формулу Бернулли, получим

, ,

, .

Контроль: .

Следовательно, искомый закон распределения:

Задача 4 . Произведено 5000 патронов. Вероятность того, что один патрон бракованный . Какова вероятность того, что во всей партии будет ровно 3 бракованных патрона?

Решение. Применим распределение Пуассона : это распределение используется для определения вероятности того, что при очень большом

количестве испытаний (массовые испытания), в каждом из которых вероятность события A очень мала, событие A наступитk раз: , где .

Здесь n = 5000, p = 0,0002, k = 3. Находим , тогда искомая вероятность: .

Задача 5 . При стрельбе до первого попадания с вероятностью попадания p = 0,6 при выстреле надо найти вероятность того, что попадание произойдет при третьем выстреле.

Решение. Применим геометрическое распределение: пусть производятся независимые испытания, в каждом из которых событие A имеет вероятность появления p (и непоявления q = 1 – p). Испытания заканчиваются, как только произойдет событие A.

При таких условиях вероятность того, что событие A произойдет на k-ом испытании, определяется по формуле: . Здесь p = 0,6; q = 1 – 0,6 = 0,4;k = 3. Следовательно, .

Задача 6 . Пусть задан закон распределения случайной величины X:

Найти математическое ожидание.

Решение. .

Заметим, что вероятностный смысл математического ожидания – это среднее значение случайной величины.

Задача 7 . Найти дисперсию случайной величины X со следующим законом распределения:

Решение. Здесь .

Закон распределения квадрата величины X 2 :

Искомая дисперсия: .

Дисперсия характеризует меру отклонения (рассеяния) случайной величины от её математического ожидания.

Задача 8 . Пусть случайная величина задается распределением:

Найти её числовые характеристики.

Решение: м, м 2 ,

М 2 , м.

Про случайную величину X можно сказать либо – ее математическое ожидание 6,4 м с дисперсией 13,04 м 2 , либо – ее математическое ожидание 6,4 м с отклонением м. Вторая формулировка, очевидно, нагляднее.

Задача 9. Случайная величина X задана функцией распределения:
.

Найти вероятность того, что в результате испытания величина X примет значение, заключенное в интервале .

Решение. Вероятность того, что X примет значение из заданного интервала, равно приращению интегральной функции в этом интервале, т.е. . В нашем случае и , поэтому

.

Задача 10. Дискретная случайная величина X задана законом распределения:

Найти функцию распределения F (x ) и построить ее график.

Решение. Так как функция распределения,

для , то

при ;

при ;

при ;

при ;

Соответствующий график:

Задача 11. Непрерывная случайная величина X задана дифференциальной функцией распределения: .

Найти вероятность попадания X в интервал

Решение. Заметим, что это частный случай показательного закона распределения.

Воспользуемся формулой: .

Задача 12. Найти числовые характеристики дискретной случайной величины X, заданной законом распределения:

9. Непрерывная случайная величина, её числовые характеристики

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

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

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

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

.

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

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

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

Таким образом, .

Свойства интегральной функции распределения вероятностей:

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

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

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

Свойства функции плотности вероятности :

9.1. Числовые характеристики непрерывных случайных величин

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

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

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

Дисперсия обладает свойствами:

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

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

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

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

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

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

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

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

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

Рис.4 Рис.5.

9.2. Равномерное распределение вероятностей непрерывной случайной величины

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

Если интервал
содержится в интервале , то
.

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

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

В учебной и другой литературе часто обозначают в литературе через
.

9.3. Нормальное распределение вероятностей непрерывной случайной величины

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

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

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

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

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

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

9.4.Неравенство Чебышева

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

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

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

Откуда следует, что
.

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

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

10. Элементы математической статистики

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

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

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

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

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

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

Ряд распределения относительных частот имеет вид:

10.1.Числовые характеристики вариационного ряда

Пусть выборка задана рядом распределения частот признака Х:

Сумма всех частот равна п.

Средним арифметическим выборки называют величину
.

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

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

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

Пример 33. В условиях примера 32 найти числовые характеристики
.

Решение. Найдём среднее арифметическое выборки по формуле , тогда .

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

10.2. Оценка вероятности по относительной частоте. Доверительный интервал

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

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

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

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

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

10.3. Оценка параметров в статистике

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

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

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

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

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

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

10.4. Статистические методы изучения зависимостей между случайными величинами

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

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

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

, где п – число наблюдений значений пар взаимосвязанных величин.

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

Выборочное уравнение прямой линии регрессии У на Х имеет вид:

.

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

Пример 35. Дана таблица наблюдений признаков Х и У.

Найти выборочное уравнение прямой линии регрессии У на Х.

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

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

Дискретной случайной величиной называется случайная величина, принимающая лишь конечное или бесконечное (счетное) множество значений с определенными ненулевыми вероятностями.

Законом распределения дискретной случайной величины называется функция, связывающая значения случайной величины с соответствующими им вероятностями. Закон распределения может быть задан одним из следующих способов.

1 . Закон распределения может быть задан таблицей:

где λ>0, k = 0, 1, 2, … .

в) с помощью функции распределения F(x) , определяющей для каждого значения x вероятность того, что случайная величина X примет значение, меньшее x, т.е. F(x) = P(X < x).

Свойства функции F(x)

3 . Закон распределения может быть задан графически – многоугольником (полигоном) распределения (смотри задачу 3).

Отметим, что для решения некоторых задач не обязательно знать закон распределения. В некоторых случаях достаточно знать одно или несколько чисел, отражающих наиболее важные особенности закона распределения. Это может быть число, имеющее смысл «среднего значения» случайной величины, или же число, показывающее средний размер отклонения случайной величины от своего среднего значения. Числа такого рода называют числовыми характеристиками случайной величины.

Основные числовые характеристики дискретной случайной величины :

• Mатематическое ожидание (среднее значение) дискретной случайной величины M(X)=Σ x i p i .
  Для биномиального распределения M(X)=np, для распределения Пуассона M(X)=λ
• Дисперсия дискретной случайной величины D(X)= M 2 или D(X) = M(X 2)− 2 . Разность X–M(X) называют отклонением случайной величины от ее математического ожидания.
  Для биномиального распределения D(X)=npq, для распределения Пуассона D(X)=λ
• Среднее квадратическое отклонение (стандартное отклонение) σ(X)=√D(X) .

Примеры решения задач по теме «Закон распределения дискретной случайной величины»

Задача 1.

Выпущено 1000 лотерейных билетов: на 5 из них выпадает выигрыш в сумме 500 рублей, на 10 – выигрыш в 100 рублей, на 20 – выигрыш в 50 рублей, на 50 – выигрыш в 10 рублей. Определить закон распределения вероятностей случайной величины X – выигрыша на один билет.

Решение. По условию задачи возможны следующие значения случайной величины X: 0, 10, 50, 100 и 500.

Число билетов без выигрыша равно 1000 – (5+10+20+50) = 915, тогда P(X=0) = 915/1000 = 0,915.

Аналогично находим все другие вероятности: P(X=0) = 50/1000=0,05, P(X=50) = 20/1000=0,02, P(X=100) = 10/1000=0,01, P(X=500) = 5/1000=0,005. Полученный закон представим в виде таблицы:

Найдем математическое ожидание величины Х: М(Х) = 1*1/6 + 2*1/6 + 3*1/6 + 4*1/6 + 5*1/6 + 6*1/6 = (1+2+3+4+5+6)/6 = 21/6 = 3,5

Задача 3.

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, построить многоугольник распределения. Найти функцию распределения F(x) и построить ее график. Найти математическое ожидание, дисперсию и среднее квадратическое отклонение дискретной случайной величины.

Решение. 1. Дискретная случайная величина X={число отказавших элементов в одном опыте} имеет следующие возможные значения: х 1 =0 (ни один из элементов устройства не отказал), х 2 =1 (отказал один элемент), х 3 =2 (отказало два элемента) и х 4 =3 (отказали три элемента).

Отказы элементов независимы друг от друга, вероятности отказа каждого элемента равны между собой, поэтому применима формула Бернулли . Учитывая, что, по условию, n=3, р=0,1, q=1-р=0,9, определим вероятности значений:
P 3 (0) = С 3 0 p 0 q 3-0 = q 3 = 0,9 3 = 0,729;
P 3 (1) = С 3 1 p 1 q 3-1 = 3*0,1*0,9 2 = 0,243;
P 3 (2) = С 3 2 p 2 q 3-2 = 3*0,1 2 *0,9 = 0,027;
P 3 (3) = С 3 3 p 3 q 3-3 = р 3 =0,1 3 = 0,001;
Проверка: ∑p i = 0,729+0,243+0,027+0,001=1.

Таким образом, искомый биномиальный закон распределения Х имеет вид:

По оси абсцисс откладываем возможные значения х i , а по оси ординат – соответствующие им вероятности р i . Построим точки М 1 (0; 0,729), М 2 (1; 0,243), М 3 (2; 0,027), М 4 (3; 0,001). Соединив эти точки отрезками прямых, получаем искомый многоугольник распределения.

3. Найдем функцию распределения F(x) = Р(Х

График функции F(x)

4. Для биномиального распределения Х:
- математическое ожидание М(X) = np = 3*0,1 = 0,3;
- дисперсия D(X) = npq = 3*0,1*0,9 = 0,27;
- среднее квадратическое отклонение σ(X) = √D(X) = √0,27 ≈ 0,52.