С помощью которого моделируются многие реальные процессы. И самый такой распространённый пример – это график движения общественного транспорта. Предположим, что некий автобус (троллейбус / трамвай) ходит с интервалом в 10 минут, и вы в случайный момент времени подошли к остановке. Какова вероятность того, что автобус подойдёт в течение 1 минуты? Очевидно, 1/10-я. А вероятность того, что придётся ждать 4-5 минут? Тоже . А вероятность того, что автобус придётся ждать более 9 минут? Одна десятая!

Рассмотрим некоторый конечный промежуток, пусть для определённости это будет отрезок . Если случайная величина обладает постоянной плотностью распределения вероятностей на данном отрезке и нулевой плотностью вне него, то говорят, что она распределена равномерно . При этом функция плотности будет строго определённой:

И в самом деле, если длина отрезка (см. чертёж) составляет , то значение неизбежно равно – дабы получилась единичная площадь прямоугольника, и было соблюдено известное свойство :


Проверим его формально:
, ч.т.п. С вероятностной точки зрения это означает, что случайная величина достоверно примет одно из значений отрезка …, эх, становлюсь потихоньку занудным старикашкой =)

Суть равномерности состоит в том, что какой бы внутренний промежуток фиксированной длины мы ни рассмотрели (вспоминаем «автобусные» минуты) – вероятность того, что случайная величина примет значение из этого промежутка будет одной и той же. На чертеже я заштриховал троечку таких вероятностей – ещё раз заостряю внимание, что они определяются площадями , а не значениями функции !

Рассмотрим типовое задание:

Пример 1

Непрерывная случайная величина задана своей плотностью распределения:

Найти константу , вычислить и составить функцию распределения. Построить графики . Найти

Иными словами, всё, о чём только можно было мечтать:)

Решение : так как на интервале (конечном промежутке) , то случайная величина имеет равномерное распределение, и значение «цэ» можно отыскать по прямой формуле . Но лучше общим способом – с помощью свойства:

…почему лучше? Чтобы не было лишних вопросов;)

Таким образом, функция плотности:

Выполним чертёж. Значения невозможны , и поэтому жирные точки ставятся внизу:


В качестве экспресс-проверки вычислим площадь прямоугольника:
, ч.т.п.

Найдём математическое ожидание , и, наверное, вы уже догадываетесь, чему оно равно. Вспоминаем «10-минутный» автобус: если случайным образом подходить к остановке много-много дней упаси, то в среднем его придётся ждать 5 минут.

Да, именно так – матожидание должно находиться ровно посерединке «событийного» промежутка:
, как и предполагалось.

Дисперсию вычислим по формуле . И вот тут нужен глаз да глаз при вычислении интеграла:

Таким образом, дисперсия :

Составим функцию распределения . Здесь ничего нового:

1) если , то и ;

2) если , то и:

3) и, наконец, при , поэтому:

В результате:

Выполним чертёж:


На «живом» промежутке функция распределения растёт линейно , и это ещё один признак, что перед нами равномерно распределённая случайная величина. Ну, ещё бы, ведь производная линейной функции – есть константа.

Требуемую вероятность можно вычислить двумя способами, с помощью найденной функции распределения:

либо с помощью определённого интеграла от плотности:

Кому как нравится.

И здесь ещё можно записать ответ : ,
, графики построены по ходу решения.

…«можно», потому что за его отсутствие обычно не карают. Обычно;)

Для вычисления и равномерной случайной величины существуют специальные формулы, которые я предлагаю вам вывести самостоятельно:

Пример 2

Непрерывная случайная величина задана плотностью .

Вычислить математическое ожидание и дисперсию. Результаты максимально упростить (формулы сокращённого умножения в помощь) .

Полученные формулы удобно использовать для проверки, в частности, проверьте только что прорешанную задачу, подставив в них конкретные значения «а» и «б». Краткое решение внизу страницы.

И в заключение урока мы разберём парочку «текстовых» задач:

Пример 3

Цена деления шкалы измерительного прибора равна 0,2. Показания прибора округляются до ближайшего целого деления. Считая, что погрешности округлений распределены равномерно, найти вероятность того, что при очередном измерении она не превзойдёт 0,04.

Для лучшего понимания решения представим, что это какой-нибудь механический прибор со стрелкой, например, весы с ценой деления 0,2 кг, и нам предстоит взвесить кота в мешке. Но не в целях выяснить его упитанность – сейчас будет важно, ГДЕ между двумя соседними делениями остановится стрелка.

Рассмотрим случайную величину – расстояние стрелки от ближайшего левого деления. Или от ближайшего правого, это не принципиально.

Составим функцию плотности распределения вероятностей:

1) Так как расстояние не может быть отрицательным, то на интервале . Логично.

2) Из условия следует, что стрелка весов с равной вероятностью может остановиться в любом месте между делениями* , включая сами деления, и поэтому на промежутке :

* Это существенное условие. Так, например, при взвешивании кусков ваты или килограммовых пачек соли равномерность будет соблюдаться на куда более узких промежутках.

3) И поскольку расстояние от БЛИЖАЙШЕГО левого деления не может быть больше, чем 0,2, то при тоже равна нулю.

Таким образом:

Следует отметить, что о функции плотности нас никто не спрашивал, и её полное построения я привёл исключительно в познавательных цепях. При чистовом оформлении задачи достаточно записать только 2-й пункт.

Теперь ответим на вопрос задачи. Когда погрешность округления до ближайшего деления не превзойдёт 0,04? Это произойдёт тогда, когда стрелка остановится не далее чем на 0,04 от левого деления справа или не далее чем на 0,04 от правого деления слева . На чертеже я заштриховал соответствующие площади:

Осталось найти эти площади с помощью интегралов . В принципе, их можно вычислить и «по-школьному» (как площади прямоугольников), но простота не всегда находит понимание;)

По теореме сложения вероятностей несовместных событий :

– вероятность того, что ошибка округления не превзойдёт 0,04 (40 грамм для нашего примера)

Легко видеть, что максимально возможная погрешность округления составляет 0,1 (100 грамм) и поэтому вероятность того, что ошибка округления не превзойдёт 0,1 равна единице.

Ответ : 0,4

В других источниках информации встречаются альтернативные объяснения / оформление этой задачи, и я выбрал вариант, который показался мне наиболее понятным. Особое внимание нужно обратить на то, что в условии речь может идти о погрешностях НЕ округлений, а о случайных погрешностях измерений, которые, как правило (но не всегда) , распределены по нормальному закону . Таким образом, всего лишь одно слово может в корне изменить решение! Будьте начеку и вникайте в смысл.

И коль скоро всё идёт по кругу, то ноги нас приносят на ту же автобусную остановку:

Пример 4

Автобусы некоторого маршрута идут строго по расписанию и интервалом 7 минут. Составить функцию плотности случайной величины – времени ожидании очередного автобуса пассажиром, который наудачу подошёл к остановке. Найти вероятность того, что он будет ждать автобус не более трёх минут. Найти функцию распределения и пояснить её содержательный смысл.

Равномерное распределение. Случайная величина X имеет смысл координаты точки, выбранной наудачу на отрезке

[а, Ь. Равномерную плотность распределения случайной величины X (рис. 10.5, а) можно определить как:

Рис. 10.5. Равномерное распределение случайной величины: а - плотность распределения; б - функция распределения

Функция распределения случайной величины X имеет вид:

График функции равномерного распределения показан на рис. 10.5, б.

Преобразование Лапласа равномерного распределения вычислим по (10.3):

Математическое ожидание и дисперсия легко вычисляются непосредственно из соответствующих определений:

Аналогичные формулы для математического ожидания и дисперсии можно также получить с использованием преобразования Лапласа по формулам (10.8), (10.9).

Рассмотрим пример системы сервиса, которую можно описать равномерным распределением.

Движение транспорта на перекрестке регулируется автоматическим светофором, в котором 1 мин горит зеленый свет и 0,5 мин - красный. Водители подъезжают к перекрестку в случайные моменты времени с равномерным распределением, не связанным с работой светофора. Найдем вероятность того, что автомобиль проедет перекресток, не останавливаясь.

Момент проезда автомобиля через перекресток распределен равномерно в интервале 1 + 0,5 = 1,5 мин. Автомобиль проедет через перекресток, не останавливаясь, если момент проезда перекрестка попадает в интервал времени . Для равномерно распределенной случайной величины в интервале вероятность попадания в интервал равна 1/1,5=2/3. Время ожидания Г ож есть смешанная случайная величина. С вероятностью 2/3 она равна нулю, а с вероятностью 0,5/1,5 принимает любое значение между 0 и 0,5 мин. Следовательно, среднее время и дисперсия ожидания у перекрестка

Экспоненциальное (показательное) распределение. Для экспоненциального распределения плотность распределения случайной величины можно записать как:

где А называют параметром распределения.

График плотности вероятности экспоненциального распределения дан на рис. 10.6, а.

Функция распределения случайной величины с экспоненциальным распределением имеет вид

Рис. 10.6. Экспоненциальное распределение случайной величины: а - плотность распределения; б - функция распределения

График функции экспоненциального распределения показан на рис. 10.6, 6.

Преобразование Лапласа экспоненциального распределения вычислим по (10.3):

Покажем, что для случайной величины X, имеющей экспоненциальное распределение, математическое ожидание равно среднеквадратическому отклонению а и обратно параметру А,:

Таким образом, для экспоненциального распределения имеем: Можно также показать, что

т.е. экспоненциальное распределение полностью характеризуется средним значением или параметром X .

Экспоненциальное распределение обладает рядом полезных свойств, которые используются при моделировании систем сервиса. Например, оно не имеет памяти. Когда , то

Другими словами, если случайная величина соответствует времени, то распределение оставшейся длительности не зависит от времени, которое уже прошло. Данное свойство иллюстрирует рис. 10.7.

Рис. 10.7.

Рассмотрим пример системы, параметры функционирования которой можно описать экспоненциальным распределением.

При работе некоторого прибора в случайные моменты времени возникают неисправности. Время работы прибора Т от его включения до возникновения неисправности распределено по экспоненциальному закону с параметром X. При обнаружении неисправности прибор сразу поступает в ремонт, который продолжается время / 0 . Найдем плотность и функцию распределения промежутка времени Г, между двумя соседними неисправностями, математическое ожидание и дисперсию, а также вероятность того, что время Т х будет больше 2t 0 .

Так как ,то

Нормальное распределение. Нормальным называют распределение вероятностей непрерывной случайной величины, которое описывается плотностью

Из (10.48) следует, что нормальное распределение определяется двумя параметрами - математическим ожиданием т и дисперсией а 2 . График плотности вероятности случайной величины с нормальным распределением при т= 0, а 2 =1 показан на рис. 10.8, а.

Рис. 10.8. Нормальный закон распределения случайной величины при т = 0, ст 2 = 1: а - плотность вероятности; 6 - функция распределения

Функция распределения описывается формулой

График функции распределения вероятности нормально распределенной случайной величины при т = 0, а 2 = 1 показан на рис. 10.8, б.

Определим вероятность того, что X примет значение, принадлежащее интервалу (а, р):

где - функция Лапласа, и вероятность того,

что абсолютное значение отклонения меньше положительного числа 6:

В частности, при т = 0 справедливо равенство:

Как видно, случайная величина с нормальным распределением может принимать как положительные значения, так и отрицательные. Поэтому для вычисления моментов необходимо использовать двустороннее преобразование Лапласа

Однако этот интеграл не обязательно существует. Если он существует, вместо (10.50) обычно используют выражение

которое называют характеристической функцией или производящей функцией моментов.

Вычислим по формуле (10.51) производящую функцию моментов нормального распределения:

После преобразования числителя подэкспоненциального выражения к виду получим

Интеграл

так как является интегралом нормальной плотности вероятности с параметрами т + so 2 и а 2 . Следовательно,

Дифференцируя (10.52), получим

Из данных выражений можно найти моменты:

Нормальное распределение широко распространено на практике, так как, согласно центральной предельной теореме, если случайная величина представляет собой сумму очень большого числа взаимно независимых случайных величин, влияние каждой из которых на всю сумму ничтожно мало, то имеет распределение, близкое к нормальному.

Рассмотрим пример системы, параметры которой можно описать нормальным распределением.

Предприятие изготовляет деталь заданного размера. Качество детали оценивается путем измерения ее размера. Случайные ошибки измерения подчинены нормальному закону со средним квадратическим отклонением а - Юмкм. Найдем вероятность того, что ошибка измерения не будет превышать 15 мкм.

По (10.49) находим

Для удобства использования рассмотренных распределений сведем полученные формулы в табл. 10.1 и 10.2.

Таблица 10.1. Основные характеристики непрерывных распределений

Таблица 10.2. Производящие функции непрерывных распределений

КОНТРОЛЬНЫЕ ВОПРОСЫ

• 1. Какие распределения вероятностей относят к непрерывным?
• 2. Что такое преобразование Лапласа-Стилтьеса? Для чего оно используется?
• 3. Как вычислить моменты случайных величин с использованием преобразования Лапласа-Стилтьеса?
• 4. Чему равно преобразование Лапласа суммы независимых случайных величин?
• 5. Как вычислить среднее время и дисперсию времени перехода системы из одного состояния в другое с использованием сигнальных графов?
• 6. Дайте основные характеристики равномерного распределения. Приведите примеры его использования в задачах сервиса.
• 7. Дайте основные характеристики экспоненциального распределения. Приведите примеры его использования в задачах сервиса.
• 8. Дайте основные характеристики нормального распределения. Приведите примеры его использования в задачах сервиса.

Равномерным считается распределœение, при котором всœе значения случайной величины (в области ее существования, к примеру, в интервале ) равновероятны. Функция распределœения для такой случайной величины имеет вид:

Плотность распределœения:

1

Рис. Графики функции распределœения (слева) и плотности распределœения (справа).

Равномерное распределение - понятие и виды. Классификация и особенности категории "Равномерное распределение" 2017, 2018.

- Равномерное распределение

Основные дискретные распределения случайных величин Определение 1. Случайная величина Х, принимающая значения 1, 2, …, n, имеет равномерное распределение, если Pm = P(Х = m) = 1/n, m = 1, …, n. Очевидно, что. Рассмотрим следующую задачу.В урне имеется N шаров, из них M шаров белого... .

- Равномерное распределение

Законы распределения непрерывных случайных величин Определение 5. Непрерывная случайная величина Х, принимающая значение на отрезке , имеет равномерное распределение, если плотность распределения имеет вид. (1) Нетрудно убедиться, что, . Если случайная величина... .

- Равномерное распределение

Равномерным считается распределение, при котором все значения случайной величины (в области ее существования, например, в интервале ) равновероятны. Функция распределения для такой случайной величины имеет вид: Плотность распределения: F(x) f(x) 1 0 a b x 0 a b x ... .

- Равномерное распределение

Нормальный законы распределения Равномерный, показательный и Функция плотности вероятности равномерного закона такова: (10.17) где a и b – данные числа, a < b; a и b – это параметры равномерного закона. Найдем функцию распределения F(x)... .

- Равномерное распределение

Равномерное распределение вероятностей является простейшим и может быть как дискретным, так и непрерывным. Дискретное равномерное распределение – это такое распределение, для которого вероятность каждого из значений СВ одна и та же, то есть: где N – количество... .

- Равномерное распределение

Определение 16.Непрерывная случайная величина имеет равномерное распределение на отрезке , если на этом отрезке плотность распределения данной случайной величины постоянна, а вне его равна нулю, то есть (45) График плотности для равномерного распределения изображен...

Перейдем теперь к часто используемым на практике распределениям непрерывной случайной величины.

Непрерывная с.в. Х называется равномерно распределенной на отрезке [a , b ], если плотность ее вероятности постоянна на этом отрезке, а вне его равна 0 (т.е. случайная величина Х сосредоточена на отрезке [a , b ], на котором имеет постоянную плотность). По данному определению плотность равномерно распределенной на отрезке [a , b ] случайной величины Х имеет вид:

где с есть некоторое число. Впрочем, его легко найти, используя свойство плотности вероятности для с.в., сосредоточенных на отрезке [a , b ]:
. Отсюда следует, что
, откуда
. Поэтомуплотность равномерно распределенной на отрезке [a , b ] случайной величины Х имеет вид:

.

Судить о равномерности распределения н.с.в. Х можно из следующего соображения. Непрерывная случайная величина имеет равномерное распределение на отрезке [a , b ], если она принимает значения только из этого отрезка, и любое число из этого отрезка не имеет преимущества перед другими числами этого отрезка в смысле возможности быть значением этой случайной величины.

К случайным величинам, имеющим равномерное распределение относятся такие величины, как время ожидания транспорта на остановке (при постоянном интервале движения длительность ожидания равномерно распределена на этом интервале), ошибка округления числа до целого (равномерно распределена на [−0.5, 0.5 ]) и другие.

Вид функции распределения F (x ) a , b ] случайной величины Х ищется по известной плотности вероятности f (x ) c помощью формулы их связи
. В результате соответствующих вычислений получаем следующую формулу для функции распределенияF (x ) равномерно распределенной отрезке [a , b ] случайной величины Х :

.

На рисунках приведены графики плотности вероятности f (x ) и функции распределения f (x ) равномерно распределенной отрезке [a , b ] случайной величины Х :

Математическое ожидание, дисперсия, среднее квадратическое отклонение, мода и медиана равномерно распределенной отрезке [a , b ] случайной величины Х вычисляются по плотности вероятности f (x ) обычным образом (и достаточно просто из-за простого вида f (x ) ). В результате получаются следующие формулы:

а модой d (X ) является любое число отрезка [a , b ].

Найдем вероятность попадания равномерно распределенной отрезке [a , b ] случайной величины Х в интервал
, полностью лежащий внутри [a , b ]. Учитывая известный вид функции распределения, получаем:

Таким образом, вероятность попадания равномерно распределенной отрезке [a , b ] случайной величины Х в интервал
, полностью лежащий внутри [a , b ], не зависит от положения этого интервала, а зависит только от его длины и прямо пропорциональна этой длине.

Пример . Интервал движения автобуса составляет 10 минут. Какова вероятность того, что пассажир, подошедший к остановке, прождет автобус менее 3 минут? Каково среднее время ожидания автобуса?

Нормальное распределение

Это распределение наиболее часто встречается на практике и играет исключительную роль в теории вероятностей и математической статистике и их приложениях, поскольку такое распределение имеют очень многие случайные величины в естествознании, экономике, психологии, социологии, военных науках и так далее. Данное распределение является предельным законом, к которому приближаются (при определенных естественных условиях) многие другие законы распределения. С помощью нормального закона распределения описываются также явления, подверженные действию многих независимых случайных факторов любой природы и любого закона их распределения. Перейдем к определениям.

Непрерывная случайная величина называется распределенной по нормальному закону (или закону Гаусса) , если ее плотность вероятности имеет вид:

,

где числа а и σ (σ>0 ) являются параметрами этого распределения.

Как уже было сказано, закон Гаусса распределения случайных величин имеет многочисленные приложения. По этому закону распределены ошибки измерений приборами, отклонение от центра мишени при стрельбе, размеры изготовленных деталей, вес и рост людей, годовое количество осадков, количество новорожденных и многое другое.

Приведенная формула плотности вероятности нормально распределенной случайной величины содержит, как было сказано, два параметра а и σ , а потому задает семейство функций, меняющихся в зависимости от значений этих параметров. Если применить обычные методы математического анализа исследования функций и построения графиков к плотности вероятности нормального распределения, то можно сделать следующие выводы.

являются точками его перегиба.

Исходя из полученной информации, строим график плотности вероятности f (x ) нормального распределения (он называется кривой Гаусса − рисунок).

Выясним, как влияет изменение параметров а и σ на форму кривой Гаусса. Очевидно (это видно из формулы для плотности нормального распределения), что изменение параметра а не меняет форму кривой, а приводит лишь к ее сдвигу вправо или влево вдоль оси х . Зависимость от σ сложнее. Из проведенного выше исследования видно, как зависит величина максимуму и координаты точек перегиба от параметра σ . К тому же надо учесть, что при любых параметрах а и σ площадь под кривой Гаусса остается равной 1 (это общее свойство плотности вероятности). Из сказанного следует, что с ростом параметра σ кривая становится более пологой и вытягивается вдоль оси х . На рисунке изображены кривые Гаусса при различных значениях параметра σ (σ 1 < σ< σ 2 ) и одном и том же значении параметра а .

Выясним вероятностный смысл параметров а и σ нормального распределения. Уже из симметричности кривой Гаусса относительно вертикальной прямой, проходящей через число а на оси х понятно, что среднее значение (т.е. математическое ожидание М(Х) ) нормально распределенной случайной величины равно а . Из этих же соображений мода и медиана тоже должны быть равны числу а. Точные расчеты по соответствующим формулам это подтверждают. Если же мы выписанное выше выражение для f (x ) подставим в формулу для дисперсии
, то после (достаточно непростого) вычисления интеграла получим в ответе числоσ 2 . Таким образом, для случайной величины Х , распределенной по нормальному закону, получились следующие основные ее числовые характеристики:

Поэтому вероятностный смысл параметров нормального распределения а и σ следующий. Если с.в. Х а и σ а σ.

Найдем теперь функцию распределения F (x ) для случайной величины Х , распределенной по нормальному закону, используя выписанное выше выражение для плотности вероятности f (x ) и формулу
. При подстановкеf (x ) получается «неберущийся» интеграл. Все, что удается сделать для упрощения выражения для F (x ), это представление этой функции в виде:

,

где Ф(х) − так называемая функция Лапласа , которая имеет вид

.

Интеграл, через который выражается функция Лапласа, тоже является неберущимися (но при каждом х этот интеграл может быть вычислен приближенно с любой наперед заданной точностью). Однако вычислять его и не потребуется, так как в конце любого учебника по теории вероятностей есть таблица для определения значений функции Ф(х) при заданном значении х . В дальнейшем нам понадобится свойство нечетности функции Лапласа: Ф(−х)= −Ф(х) для всех чисел х .

Найдем теперь вероятность того, что нормально распределенная с.в. Х примет значение из заданного числового интервала (α, β) . Из общих свойств функции распределения Р(α< X < β)= F (β) − F (α) . Подставляя α и β в выписанное выше выражение для F (x ) , получим

.

Как сказано выше, если с.в. Х распределена нормально с параметрами а и σ , то ее среднее значение равно а , а среднее квадратическое отклонение равно σ. Поэтому среднее отклонение значений этой с.в. при испытании от числа а равно σ. Но это среднее отклонение. Поэтому возможны и бо´льшие отклонения. Узнаем, насколько возможны те или иные отклонения от среднего значения. Найдем вероятность того, что значение распределенной по нормальному закону случайной величины Х отклониться от ее среднего значения М(Х)=а менее, чем на некоторое число δ, т.е. Р (| X − a |<δ ) : . Таким образом,

.

Подставляя в это равенство δ=3σ , получим вероятность того, что значение с.в. Х (при одном испытании) отклонится от среднего значения менее чем на утроенное значение σ (при среднем отклонении, как мы помним, равном σ ): (значениеФ(3) взято из таблицы значений функции Лапласа). Это почти 1 ! Тогда вероятность противоположного события (что значение отклонится не менее, чем на 3σ ) равна 1 −0.997=0.003 , что очень близко к 0 . Поэтому это событие «почти невозможно» − случается крайне редко (в среднем 3 раза из 1000 ). Это рассуждение является обоснованием широко известного «правила трех сигм».

Правило трех сигм . Нормально распределенная случайная величина при единичном испытании практически не отклоняется от своего среднего далее, чем на 3σ .

Еще раз подчеркнем, что речь идет об одном испытании. Если испытаний случайной величины много, то вполне возможно, что какое-либо ее значение и удалится от среднего далее, чем 3σ . Это подтверждает следующий

Пример . Какова вероятность, что при 100 испытаниях нормально распределенной случайной величины Х хотя бы одно ее значение отклонится от среднего более, чем на утроенное среднее квадратическое отклонение? А при 1000 испытаниях?

Решение. Пусть событие А означает, что при испытании случайной величины Х ее значение отклонилось от среднего более, чем на 3σ. Как только что было выяснено, вероятность этого события р=Р(А)=0.003 . Проведено 100 таких испытаний. Надо узнать вероятность того, что событие А произошло хотя бы раз, т.е. произошло от 1 до 100 раз. Это типичная задача схемы Бернулли с параметрами n =100 (число независимых испытаний), р=0.003 (вероятность события А в одном испытании), q =1− p =0.997 . Требуется найти Р 100 (1≤ k ≤100) . В данном случае, конечно, проще найти сначала вероятность противоположного события Р 100 (0) − вероятность того, что событие А не произошло ни разу (т.е. произошло 0 раз) . Учитывая связь вероятностей самого события и ему противоположного, получим:

Не так уж мало. Вполне может произойти (происходит в среднем в каждой четвертой такой серии испытаний). При 1000 испытаний по такой же схеме можно получить, что вероятность хотя бы одного отклонения далее, чем на 3σ , равно: . Так что можно с большой уверенностью дождаться хотя бы одного такого отклонения.

Пример . Рост мужчин определенной возрастной группы распределен нормально с математическим ожиданием a , и среднеквадратическим отклонением σ . Какую долю костюмов k -го роста следует предусмотреть в общем объеме производства для данной возрастной группы, если k -ый рост определяется следующими пределами:

1 рост: 158 − 164см 2 рост: 164 − 170см 3 рост: 170 − 176см 4 рост: 176 − 182см

Решение. Решим задачу при следующих значениях параметров: а=178, σ=6, k =3 . Пусть с.в. Х − рост случайно выбранного мужчины (она распределена по условию нормально с заданными параметрами). Найдем вероятность того, что наугад выбранному мужчине понадобится 3 -й рост. Пользуясь нечетностью функции Лапласа Ф(х) и таблицей ее значений: P(170 Поэтому в общем объеме производства надо предусмотреть 0.2789*100%=27.89% костюмов 3 -го роста.

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