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

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

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

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

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

Глава 6. Непрерывные случайные величины.

§ 1. Плотность и функция распределения непрерывной случайной величины.

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

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

Функция называется функцией плотности распределения вероятностей .

Из определения вытекают свойства функции плотности распределения :

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

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

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

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

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

Задача 1. Функция плотности непрерывной случайной величины имеет вид:

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

Решение. Константа C находится из условия Имеем:

откуда C=3/8.

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

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

Наконец, в последнем случае, когда x>2,

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

Вероятность вычислим по формуле . Таким образом,

§ 2. Числовые характеристики непрерывной случайной величины

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

если интеграл, стоящий справа, абсолютно сходится.

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

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

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

Решение.

И значит,

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

График плотности равномерного распределения см. на рис. .

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

Функция распределения Fx(x) равномерно распределенной случайной величины равна

Fx(x)=

Математическое ожидание и дисперсия ; .

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

рx(x)=

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

Функция распределения показательного распределения имеет вид

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

.

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

Функция распределения нормально распределенной случайной величины равна

.

Рис. 6.4. Функция распределения и плотность распределения нормального закона

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

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

а функция распределения

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

,

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

.

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

.

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

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

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

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

Рис.6.5. Функция плотности распределения Лапласа.

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

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

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

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

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

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

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

Решение. Из условия задачи следует, что

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

§ 5. Пара непрерывных случайных величин

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

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

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

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

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

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

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

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

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

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

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

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

Решение . Вычислим частные плотности и . Имеем:

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

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

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

Задача 7. В условиях предыдущей задачи вычислить .

Решение. Согласно указанной выше формуле имеем:

.

Представив треугольник в виде

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

§ 5. Плотность суммы двух непрерывных случайных величин

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

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

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

Следовательно,

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

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

Таким образом, мы получили ответ:

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

.

Найти функцию распределения и плотность распределения величин:

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

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

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

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

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

Написать формулу для плотности распределения, найти Мx и Dx.

Вычислительные задачи.

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

Плотность распределения случайной величины имеет вид:

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

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

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

.

Найти постоянную с, плотность распределения h = и вероятность

Р (0,25

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

р(х) =.

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

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

Показать, что если x имеет непрерывную функцию распределения

F(x) = P(x

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

Нормальный закон распределения вероятностей

Без преувеличения его можно назвать философским законом. Наблюдая за различными объектами и процессами окружающего мира, мы часто сталкиваемся с тем, что чего-то бывает мало, и что бывает норма:


Перед вами принципиальный вид функции плотности нормального распределения вероятностей, и я приветствую вас на этом интереснейшем уроке.

Какие можно привести примеры? Их просто тьма. Это, например, рост, вес людей (и не только), их физическая сила, умственные способности и т.д. Существует «основная масса» (по тому или иному признаку) и существуют отклонения в обе стороны.

Это различные характеристики неодушевленных объектов (те же размеры, вес). Это случайная продолжительность процессов, например, время забега стометровки или превращения смолы в янтарь. Из физики вспомнились молекулы воздуха: среди них есть медленные, есть быстрые, но большинство двигаются со «стандартными» скоростями.

Далее отклоняемся от центра ещё на одно стандартное отклонение и рассчитываем высоту:

Отмечаем точки на чертеже (зелёный цвет) и видим, что этого вполне достаточно.

На завершающем этапе аккуратно чертим график, и особо аккуратно отражаем его выпуклость / вогнутость ! Ну и, наверное, вы давно поняли, что ось абсцисс – это горизонтальная асимптота , и «залезать» за неё категорически нельзя!

При электронном оформлении решения график легко построить в Экселе, и неожиданно для самого себя я даже записал короткий видеоролик на эту тему. Но сначала поговорим о том, как меняется форма нормальной кривой в зависимости от значений и .

При увеличении или уменьшении «а» (при неизменном «сигма») график сохраняет свою форму и перемещается вправо / влево соответственно. Так, например, при функция принимает вид и наш график «переезжает» на 3 единицы влево – ровнехонько в начало координат:


Нормально распределённая величина с нулевым математическим ожиданием получила вполне естественное название – центрированная ; её функция плотности – чётная , и график симметричен относительно оси ординат.

В случае изменения «сигмы» (при постоянном «а») , график «остаётся на месте», но меняет форму. При увеличении он становится более низким и вытянутым, словно осьминог, растягивающий щупальца. И, наоборот, при уменьшении график становится более узким и высоким – получается «удивлённый осьминог». Так, при уменьшении «сигмы» в два раза: предыдущий график сужается и вытягивается вверх в два раза:

Всё в полном соответствии с геометрическими преобразованиями графиков .

Нормальное распределёние с единичным значением «сигма» называется нормированным , а если оно ещё и центрировано (наш случай), то такое распределение называют стандартным . Оно имеет ещё более простую функцию плотности, которая уже встречалась в локальной теореме Лапласа : . Стандартное распределение нашло широкое применение на практике, и очень скоро мы окончательно поймём его предназначение.

Ну а теперь смотрим кино:

Да, совершенно верно – как-то незаслуженно у нас осталась в тени функция распределения вероятностей . Вспоминаем её определение :
– вероятность того, что случайная величина примет значение, МЕНЬШЕЕ, чем переменная , которая «пробегает» все действительные значения до «плюс» бесконечности.

Внутри интеграла обычно используют другую букву, чтобы не возникало «накладок» с обозначениями, ибо здесь каждому значению ставится в соответствие несобственный интеграл , который равен некоторому числу из интервала .

Почти все значения не поддаются точному расчету, но как мы только что видели, с современными вычислительными мощностями с этим нет никаких трудностей. Так, для функции стандартного распределения соответствующая экселевская функция вообще содержит один аргумент:

=НОРМСТРАСП(z)

Раз, два – и готово:

На чертеже хорошо видно выполнение всех свойств функции распределения , и из технических нюансов здесь следует обратить внимание на горизонтальные асимптоты и точку перегиба .

Теперь вспомним одну из ключевых задач темы, а именно выясним, как найти –вероятность того, что нормальная случайная величина примет значение из интервала . Геометрически эта вероятность равна площади между нормальной кривой и осью абсцисс на соответствующем участке:

но каждый раз вымучивать приближенное значение неразумно, и поэтому здесь рациональнее использовать «лёгкую» формулу :
.

! Вспоминает также , что

Тут можно снова задействовать Эксель, но есть пара весомых «но»: во-первых, он не всегда под рукой, а во-вторых, «готовые» значения , скорее всего, вызовут вопросы у преподавателя. Почему?

Об этом я неоднократно рассказывал ранее: в своё время (и ещё не очень давно) роскошью был обычный калькулятор, и в учебной литературе до сих пор сохранился «ручной» способ решения рассматриваемой задачи. Его суть состоит в том, чтобы стандартизировать значения «альфа» и «бета», то есть свести решение к стандартному распределению:

Примечание : функцию легко получить из общего случая с помощью линейной замены . Тогда и:

и из проведённой замены как раз следует формула перехода от значений произвольного распределения – к соответствующим значениям стандартного распределения.

Зачем это нужно? Дело в том, что значения скрупулезно подсчитаны нашими предками и сведены в специальную таблицу, которая есть во многих книгах по терверу. Но ещё чаще встречается таблица значений , с которой мы уже имели дело в интегральной теореме Лапласа :

Если же в нашем распоряжении есть таблица значений функции Лапласа , то решаем через неё:

Дробные значения традиционно округляем до 4 знаков после запятой, как это сделано в типовой таблице. И для контроля есть Пункт 5 макета .

Напоминаю, что , и во избежание путаницы всегда контролируйте , таблица КАКОЙ функции перед вашими глазами.

Ответ требуется дать в процентах, поэтому рассчитанную вероятность нужно умножить на 100 и снабдить результат содержательным комментарием:

– с перелётом от 5 до 70 м упадёт примерно 15,87% снарядов

Тренируемся самостоятельно:

Пример 3

Диаметр подшипников, изготовленных на заводе, представляет собой случайную величину, распределенную нормально с математическим ожиданием 1,5 см и средним квадратическим отклонением 0,04 см. Найти вероятность того, что размер наугад взятого подшипника колеблется от 1,4 до 1,6 см.

В образце решения и далее я буду использовать функцию Лапласа, как самый распространённый вариант. Кстати, обратите внимание, что согласно формулировке, здесь можно включить концы интервала в рассмотрение. Впрочем, это не критично.

И уже в этом примере нам встретился особый случай – когда интервал симметричен относительно математического ожидания. В такой ситуации его можно записать в виде и, пользуясь нечётностью функции Лапласа, упростить рабочую формулу:

Параметр «дельта» называют отклонением от математического ожидания, и двойное неравенство можно «упаковывать» с помощью модуля :

– вероятность того, что значение случайной величины отклонится от математического ожидания менее чем на .

Хорошо то решение, которое умещается в одну строчку:)
– вероятность того, что диаметр наугад взятого подшипника отличается от 1,5 см не более чем на 0,1 см.

Результат этой задачи получился близким к единице, но хотелось бы ещё бОльшей надежности – а именно, узнать границы, в которых находится диаметр почти всех подшипников. Существует ли какой-нибудь критерий на этот счёт? Существует! На поставленный вопрос отвечает так называемое

правило «трех сигм»

Его суть состоит в том, что практически достоверным является тот факт, что нормально распределённая случайная величина примет значение из промежутка .

И в самом деле, вероятность отклонения от матожидания менее чем на составляет:
или 99,73%

В «пересчёте на подшипники» – это 9973 штуки с диаметром от 1,38 до 1,62 см и всего лишь 27 «некондиционных» экземпляров.

В практических исследованиях правило «трёх сигм» обычно применяют в обратном направлении: если статистически установлено, что почти все значения исследуемой случайной величины укладываются в интервал длиной 6 стандартных отклонений, то появляются веские основания полагать, что эта величина распределена по нормальному закону. Проверка осуществляется с помощью теории статистических гипотез .

Продолжаем решать суровые советские задачи:

Пример 4

Случайная величина ошибки взвешивания распределена по нормальному закону с нулевым математическим ожиданием и стандартным отклонением 3 грамма. Найти вероятность того, что очередное взвешивание будет проведено с ошибкой, не превышающей по модулю 5 грамм.

Решение очень простое. По условию, и сразу заметим, что при очередном взвешивании (чего-то или кого-то) мы почти 100% получим результат с точностью до 9 грамм. Но в задаче фигурирует более узкое отклонение и по формуле :

– вероятность того, что очередное взвешивание будет проведено с ошибкой, не превышающей 5 грамм.

Ответ :

Прорешанная задача принципиально отличается от вроде бы похожего Примера 3 урока о равномерном распределении . Там была погрешность округления результатов измерений, здесь же речь идёт о случайной погрешности самих измерений. Такие погрешности возникают в связи с техническими характеристиками самого прибора (диапазон допустимых ошибок, как правило, указывают в его паспорте) , а также по вине экспериментатора – когда мы, например, «на глазок» снимаем показания со стрелки тех же весов.

Помимо прочих, существуют ещё так называемые систематические ошибки измерения. Это уже неслучайные ошибки, которые возникают по причине некорректной настройки или эксплуатации прибора. Так, например, неотрегулированные напольные весы могут стабильно «прибавлять» килограмм, а продавец систематически обвешивать покупателей. Или не систематически ведь можно обсчитать. Однако, в любом случае, случайной такая ошибка не будет, и её матожидание отлично от нуля.

…срочно разрабатываю курс по подготовке продавцов =)

Самостоятельно решаем обратную задачу:

Пример 5

Диаметр валика – случайная нормально распределенная случайная величина, среднее квадратическое отклонение ее равно мм. Найти длину интервала, симметричного относительно математического ожидания, в который с вероятностью попадет длина диаметра валика.

Пункт 5* расчётного макета в помощь. Обратите внимание, что здесь не известно математическое ожидание, но это нисколько не мешает решить поставленную задачу.

И экзаменационное задание, которое я настоятельно рекомендую для закрепления материала:

Пример 6

Нормально распределенная случайная величина задана своими параметрами (математическое ожидание) и (среднее квадратическое отклонение). Требуется:

а) записать плотность вероятности и схематически изобразить ее график;
б) найти вероятность того, что примет значение из интервала ;
в) найти вероятность того, что отклонится по модулю от не более чем на ;
г) применяя правило «трех сигм», найти значения случайной величины .

Такие задачи предлагаются повсеместно, и за годы практики мне их довелось решить сотни и сотни штук. Обязательно попрактикуйтесь в ручном построении чертежа и использовании бумажных таблиц;)

Ну а я разберу пример повышенной сложности:

Пример 7

Плотность распределения вероятностей случайной величины имеет вид . Найти , математическое ожидание , дисперсию , функцию распределения , построить графики плотности и функции распределения, найти .

Решение : прежде всего, обратим внимание, что в условии ничего не сказано о характере случайной величины. Само по себе присутствие экспоненты ещё ничего не значит: это может оказаться, например, показательное или вообще произвольное непрерывное распределение . И поэтому «нормальность» распределения ещё нужно обосновать:

Так как функция определена при любом действительном значении , и её можно привести к виду , то случайная величина распределена по нормальному закону.

Приводим. Для этого выделяем полный квадрат и организуем трёхэтажную дробь :


Обязательно выполняем проверку, возвращая показатель в исходный вид:

, что мы и хотели увидеть.

Таким образом:
– по правилу действий со степенями «отщипываем» . И здесь можно сразу записать очевидные числовые характеристики:

Теперь найдём значение параметра . Поскольку множитель нормального распределения имеет вид и , то:
, откуда выражаем и подставляем в нашу функцию:
, после чего ещё раз пробежимся по записи глазами и убедимся, что полученная функция имеет вид .

Построим график плотности:

и график функции распределения :

Если под рукой нет Экселя и даже обычного калькулятора, то последний график легко строится вручную! В точке функция распределения принимает значение и здесь находится

9. Математическое ожидание и дисперсия непрерывных случайных величин

Пусть непрерывная случайная величина X задана плотностью распределения f (x ) .

Определение9.1: Математическим ожиданием непрерывной случайной величины X , [ a , b ]

Ox , то

Замечание: Предполагается, что несобственный интеграл сходится абсолютно, то есть существует интеграл

Определение9.2: Дисперсией непрерывной случайной величины X , возможные значения которой принадлежат отрезку [ a , b ] , называют определенный интеграл

Если возможные значения принадлежат всей оси Ox , то

Так как D (X ) = M (X 2 ) – [ M (X )] 2 , то можно использовать следующие формулы для вычисления дисперсии:

или
.

Замечание: Свойства математического ожидания и дисперсии дискретных случайных величин сохраняются и для непрерывных величин.

Среднее квадратическое отклонение непрерывной случайной величины определяется аналогично дискретному случаю:

.

10. Типовые распределения непрерывных случайных величин

10.1. Равномерное распределение

Определение10.1: Распределение вероятностей называют равномерным , если на интервале, которому принадлежат все возможные значения случайной величины, плотность распределения сохраняет постоянное значение.

Пример. Шкала измерительного прибора проградуирована в некоторых единицах. Ошибку при округлении отсчета до ближайшего целого деления можно рассматривать как случайную величину X , которая может принимать с постоянной плотностью вероятности любое значение между двумя соседними целыми делениями. Таким образом, X имеет равномерное распределение.

Найдем плотность равномерного распределения f (x ) :

По условию, X не принимает значений вне интервала (a , b ), поэтому f (x )=0 при x a и x > b .

Найдем постоянную C из условия, что
. Тогда
.

Отсюда
.

Итак, искомая плотность вероятности равномерного распределения имеет вид:

Функция распределения вероятностей равномерной случайной величины имеет вид:

Для случайной величины Х , равномерно распределенной в интервале (a , b ), вероятность попадания в любой интервал (x 1 , x 2 ), лежащий внутри интервала (a , b ), равна:
, то есть зависит от длины интервала, а не от того, где он расположен.

График плотности равномерного распределения имеет вид:

Функция распределения равномерной случайной величины имеет вид:

Пример: Найдем математическое ожидание, дисперсию и среднее квадратическое отклонение непрерывной случайной величины X , распределенной равномерно в интервале (a , b ).

Решение: Учитывая плотность равномерного распределения, получаем:

Окончательно, получим, что

.

Среднее квадратическое отклонение
.

Замечание: Например, если X – случайная величина, распределенная равномерно на интервале (0,1) , то
,
,
.

10.2. Нормальное (Гауссовское) распределение

Определение10.2: Нормальным называют распределение вероятностей непрерывной случайной величины, которое описывается следующей плотностью вероятностей:

, где
.

График функции f (x ) имеет следующий вид:

График плотности нормального распределения называют нормальной кривой или кривой Гаусса .

Нормальное распределение определяется двумя параметрами: и
. Вероятностный смысл этих параметров таков: есть математическое ожидание, - среднее квадратическое отклонение нормального распределения, то есть
и
.

График функции распределения нормальной случайной величины имеет следующий вид:

Замечание: Стандартным нормальным или нормированным называют нормальное распределение с параметрами
и
. Например, если X – нормальная величина с параметрами и , то
- стандартная нормальная величина, причем
и
. Плотность стандартного нормального распределения имеет вид

.

Данная функция табулирована (см. приложение 1).

Функция распределения
нормального распределения имеет вид:

.

Функция распределения стандартного нормального распределения имеет вид:

.

Замечание:
.

Замечание: Вероятность попадания стандартной нормальной величины X в интервал (0 , x ) можно найти, пользуясь функцией Лапласа
:

,

и
.

Функция
табулирована (см. приложение 2).

Влияние параметров нормального распределения на форму нормальной кривой

Изменение величины параметра (математического ожидания) не изменяет формы нормальной кривой, а приводит лишь к ее сдвигу вдоль оси Ox : вправо, если возрастает, и влево, если убывает:

Максимум функции плотности вероятностей нормального распределения равен
.

Отсюда следует, что с возрастанием максимальная ордината нормальной кривой убывает, а сама кривая становится более пологой, то есть сжимается к оси Ox ; при убывании нормальная кривая становится более “островершинной” и растягивается в положительном направлении оси Oy :

Замечание: При любых значениях параметров и площадь, ограниченная нормальной кривой и осью Ox , остается равной единице.

Вероятность попадания в заданный интервал нормальной случайной величины

Пусть случайная величина X распределена по нормальному закону. Тогда вероятность того, что X примет значение, принадлежащее интервалу
, равна

Введем новую переменную
Отсюда,
,
Найдем новые пределы интегрирования. Если
то
; если то

Таким образом, имеем

Пользуясь функцией Лапласа , получим

Пример. Случайная величина X распределена по нормальному закону с
и
. Найти вероятность того, что случайная величина X примет значение, принадлежащее интервалу .

Решение:

По таблице приложения 2 находим
Отсюда искомая вероятность

Пример. Найти математическое ожидание случайной величины X , которая распределена по нормальному закону.

Решение: По определению математического ожидания непрерывной случайной величины,

.

Введем новую переменную Отсюда, ,. Приняв во внимание, что новые пределы интегрирования равны старым, получим

Первое из слагаемых равно нулю (под знаком интеграла нечетная функция; пределы интегрирования симметричны относительно начала координат). Второе из слагаемых равно а (интеграл Пуассона
).

Замечание: При вычислении дисперсии нормальной случайной величины делается такая же замена переменных и применяется формула интегрирования по частям.

Правило трех сигм

Вычислим вероятность того, что отклонение нормально распределенной случайной величины X по абсолютной величине меньше утроенного среднего квадратического отклонения:

Таким образом, сущность правила трех сигм состоит в следующем: если случайная величина распределена нормально, то абсолютная величина ее отклонения от математического ожидания не превосходит утроенного среднего квадратического отклонения:

На практике правило трех сигм применяют следующим образом: если распределение изучаемой случайной величины неизвестно, но условие, указанное в приведенном правиле, выполняется, То есть основание предполагать, что изучаемая величина распределена нормально; в противном случае она не распределена нормально.

10.3. Показательное распределение

Определение10.3: Показательным (экспоненциальным) называют распределение вероятностей непрерывной случайной величины X , которое описывается плотностью

где - постоянная положительная величина.

График функции f (x ) имеет следующий вид:

Например, время Т безотказной работы компьютерной системы есть случайная величина, имеющая показательное распределение с параметром λ , физический смысл которого – среднее число отказов в единицу времени. Интервал между последовательными поступлениями вызовов на автоматическую телефонную станцию, интервал между последовательными поступлениями автомобилей к стоп-линии перекрестка – это примеры показательных случайных величин.

Найдем функцию распределения показательного закона:

.

График функции показательного распределения имеет следующий вид:

Пример. Написать плотность и функцию распределения показательного закона, если параметр

Решение. Очевидно,искомая плотность распределения

при
;
при
.

Искомая функция распределения

при ;
при .

Вероятность попадания в заданный интервал показательно распределенной случайной величины

Найдем вероятность попадания в интервал (a , b ) непрерывной случайной величины X , которая распределена по показательному закону, заданному функцией распределения

.

Используя формулу и учитывая, что

получим

Значения функции
находят по таблице (приложение 4).

Пример: Непрерывная случайная величина X распределена по показательному закону

при ; при
. Найти вероятность того, что в результате испытания X попадет в интервал (0,3;1) .

Решение. По условию,
. ТогдаX

Замечание: Допустим, имеются основания предположить, что изучаемая на практике случайная величина имеет показательное распределение. Для того, чтобы проверить эту гипотезу, находят оценки математического ожидания и среднего квадратического отклонения, т.е. находят выборочную среднюю и выборочное среднее квадратическое отклонение. Математическое ожидание и среднее квадратическое отклонение показательного распределения равны между собой, поэтому их оценки должны различаться незначительно. Если оценки окажутся близкими одна к другой, то данные наблюдений подтверждают гипотезу о показательном распределении изучаемой величины, если же оценки различаются существенно, то гипотезу следует отвергнуть.

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

Для x ≤ 0 имеем F(x) = Р(Х<0) = 0;
для 0 < x ≤1 имеем F(x) = Р(Х<1) = Р(Х = 0) = 0,729;
для 1< x ≤ 2 F(x) = Р(Х<2) = Р(Х=0) + Р(Х=1) =0,729+ 0,243 = 0,972;
для 2 < x ≤ 3 F(x) = Р(Х<3) = Р(Х = 0) + Р(Х = 1) + Р(Х = 2) = 0,972+0,027 = 0,999;
для х > 3 будет F(x) = 1, т.к. событие достоверно.

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.