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.
Функцией распределения случайной величины X называется функция F(x), выражающая для каждого х вероятность того, что случайная величина X примет значение , меньшее х
Пример 2.5. Дан ряд распределения случайной величины
Найти и изобразить графически ее функцию распределения. Решение. В соответствии с определением
F(jc) = 0 при х х
F(x) = 0,4 + 0,1 = 0,5 при 4 F{x) = 0,5 + 0,5 = 1 при х > 5.
Итак (см. рис. 2.1):
Свойства функции распределения:
1. Функция распределения случайной величины есть неотрицательная функция, заключенная между нулем и единицей:
2. Функция распределения случайной величины есть неубывающая функция на всей числовой оси, т.е. при х 2 >х
3. На минус бесконечности функция распределения равна нулю, на плюс бесконечности - равна единице, т.е.
4. Вероятность попадания случайной величины X в интервал равна определенному интегралу от ее плотности вероятности в пределах от а до b (см. рис. 2.2), т.е.
Рис. 2.2
3. Функция распределения непрерывной случайной величины (см. рис. 2.3) может быть выражена через плотность вероятности по формуле:
F(x)= Jp (*)*. (2.10)
4. Несобственный интеграл в бесконечных пределах от плотности вероятности непрерывной случайной величины равен единице:
Геометрически свойства / и 4 плотности вероятности означают, что ее график - кривая распределения - лежит не ниже оси абсцисс , и полная площадь фигуры , ограниченной кривой распределения и осью абсцисс , равна единице.
Для непрерывной случайной величины X математическое ожидание М(Х) и дисперсия D(X) определяются по формулам:
(если интеграл абсолютно сходится); или
(если приведенные интегралы сходятся).
Наряду с отмеченными выше числовыми характеристиками для описания случайной величины используется понятие квантилей и процентных точек.
Квантилем уровня q (или q-квантилем) называется такое значение x q случайной величины , при котором функция ее распределения принимает значение , равное q, т. е.
- 100q%-ou точкой называется квантиль X~ q .
- ? Пример 2.8.
По данным примера 2.6 найти квантиль xqj и 30%-ную точку случайной величины X.
Решение. По определению (2.16) F(xo t3)= 0,3, т. е.
~Y~ = 0,3, откуда квантиль х 0 3 = 0,6. 30%-ная точка случайной величины X , или квантиль Х)_о,з = xoj » находится аналогично из уравнения ^ = 0,7 . откуда *,= 1,4. ?
Среди числовых характеристик случайной величины выделяют начальные v* и центральные р* моменты к-го порядка , определяемые для дискретных и непрерывных случайных величин по формулам:
– количество мальчиков среди 10 новорождённых.
Совершенно понятно, что это количество заранее не известно, и в очередном десятке родившихся детей может оказаться:
Либо мальчиков – один и только один из перечисленных вариантов.
И, дабы соблюсти форму, немного физкультуры:
– дальность прыжка в длину (в некоторых единицах) .
Её не в состоянии предугадать даже мастер спорта:)
Тем не менее, ваши гипотезы?
2) Непрерывная случайная величина – принимает все числовые значения из некоторого конечного или бесконечного промежутка.
Примечание : в учебной литературе популярны аббревиатуры ДСВ и НСВ
Сначала разберём дискретную случайную величину, затем – непрерывную .
Закон распределения дискретной случайной величины
– этосоответствие
между возможными значениями этой величины и их вероятностями. Чаще всего закон записывают таблицей:
Довольно часто встречается термин ряд
распределения
, но в некоторых ситуациях он звучит двусмысленно, и поэтому я буду придерживаться «закона».
А теперь очень важный момент
: поскольку случайная величина обязательно
примет одно из значений
, то соответствующие события образуют полную группу
и сумма вероятностей их наступления равна единице:
или, если записать свёрнуто:
Так, например, закон распределения вероятностей выпавших на кубике очков имеет следующий вид:
Без комментариев.
Возможно, у вас сложилось впечатление, что дискретная случайная величина может принимать только «хорошие» целые значения. Развеем иллюзию – они могут быть любыми:
Пример 1
Некоторая игра имеет следующий закон распределения выигрыша:
…наверное, вы давно мечтали о таких задачах:) Открою секрет – я тоже. В особенности после того, как завершил работу над теорией поля .
Решение
: так как случайная величина может принять только одно из трёх значений, то соответствующие события образуют полную группу
, а значит, сумма их вероятностей равна единице:
Разоблачаем «партизана»:
– таким образом, вероятность выигрыша условных единиц составляет 0,4.
Контроль: , в чём и требовалось убедиться.
Ответ :
Не редкость, когда закон распределения требуется составить самостоятельно. Для этого используют классическое определение вероятности , теоремы умножения / сложения вероятностей событий и другие фишки тервера :
Пример 2
В коробке находятся 50 лотерейных билетов, среди которых 12 выигрышных, причём 2 из них выигрывают по 1000 рублей, а остальные – по 100 рублей. Составить закон распределения случайной величины – размера выигрыша, если из коробки наугад извлекается один билет.
Решение : как вы заметили, значения случайной величины принято располагать в порядке их возрастания . Поэтому мы начинаем с самого маленького выигрыша, и именно рублей.
Всего таковых билетов 50 – 12 = 38, и по классическому определению
:
– вероятность того, что наудачу извлечённый билет окажется безвыигрышным.
С остальными случаями всё просто. Вероятность выигрыша рублей составляет:
Проверка: – и это особенно приятный момент таких заданий!
Ответ
: искомый закон распределения выигрыша:
Следующее задание для самостоятельного решения:
Пример 3
Вероятность того, что стрелок поразит мишень, равна . Составить закон распределения случайной величины – количества попаданий после 2 выстрелов.
…я знал, что вы по нему соскучились:) Вспоминаем теоремы умножения и сложения . Решение и ответ в конце урока.
Закон распределения полностью описывает случайную величину, однако на практике бывает полезно (а иногда и полезнее) знать лишь некоторые её числовые характеристики .
Математическое ожидание дискретной случайной величины
Говоря простым языком, это среднеожидаемое значение
при многократном повторении испытаний. Пусть случайная величина принимает значения с вероятностями 
соответственно. Тогда математическое ожидание данной случайной величины равно сумме произведений
всех её значений на соответствующие вероятности:
или в свёрнутом виде:
Вычислим, например, математическое ожидание случайной величины – количества выпавших на игральном кубике очков:
Теперь вспомним нашу гипотетическую игру:
Возникает вопрос: а выгодно ли вообще играть в эту игру? …у кого какие впечатления? Так ведь «навскидку» и не скажешь! Но на этот вопрос можно легко ответить, вычислив математическое ожидание, по сути – средневзвешенный по вероятностям выигрыш:
Таким образом, математическое ожидание данной игры проигрышно .
Не верь впечатлениям – верь цифрам!
Да, здесь можно выиграть 10 и даже 20-30 раз подряд, но на длинной дистанции нас ждёт неминуемое разорение. И я бы не советовал вам играть в такие игры:) Ну, может, только ради развлечения .
Из всего вышесказанного следует, что математическое ожидание – это уже НЕ СЛУЧАЙНАЯ величина.
Творческое задание для самостоятельного исследования:
Пример 4
Мистер Х играет в европейскую рулетку по следующей системе: постоянно ставит 100 рублей на «красное». Составить закон распределения случайной величины – его выигрыша. Вычислить математическое ожидание выигрыша и округлить его до копеек. Сколько в среднем проигрывает игрок с каждой поставленной сотни?
Справка : европейская рулетка содержит 18 красных, 18 чёрных и 1 зелёный сектор («зеро»). В случае выпадения «красного» игроку выплачивается удвоенная ставка, в противном случае она уходит в доход казино
Существует много других систем игры в рулетку, для которых можно составить свои таблицы вероятностей. Но это тот случай, когда нам не нужны никакие законы распределения и таблицы, ибо доподлинно установлено, что математическое ожидание игрока будет точно таким же. От системы к системе меняется лишь
Нормальный закон распределения наиболее часто встречается на практике. Главная особенность, выделяющая его среди других законов, состоит в том, что он является предельным законом, к которому приближаются другие законы распределения при весьма часто встречающихся типичных условиях (см. гл. 6).
Определение. Непрерывная случайная величина X имеет нормальный закон распределения (закон Гаусса) с параметрами а и а 2 , если ее плотность вероятности имеет вид
Термин «нормальный» не совсем удачный. Многие признаки подчиняются нормальному закону, например, рост человека, дальность полета снаряда и т.п. Но если какой-либо признак подчиняется другому, отличному от нормального, закону распределения, то это вовсе не говорит о «ненормальности» явления, связанного с этим признаком.
Кривую нормального закона распределения называют нормальной , или гауссовой , кривой. На рис. 4.6, а , 6 приведены нормальная кривая фд, (х) с параметрами йио 2 , т.е. И[а а 2), и график функции распределения случайной величины X , имеющей нормальный закон. Обратим внимание на то, что нормальная кривая симметрична относительно прямой х = а, имеет максимум в точке х = а ,
равный
, т.е.
И две точки перегиба х = а±
с ординатой
Можно заметить, что в выражении плотности нормального закона параметры обозначены буквами а и ст 2 , которыми мы обозначаем математическое ожидание М(Х ) и дисперсию О(Х). Такое совпадение неслучайно. Рассмотрим теорему, устанавливающую теоретико-вероятностный смысл параметров нормального закона.
Теорема. Математическое ожидание случайной величины X, распределенной по нормальному закону, равно параметру а этого закона, т.е.
а ее дисперсия - параметру а 2 , т.е.
Математическое ожидание случайной величины X:
Произведем замену переменной, положив
Тогда
пределы интегрирования не меняются
и, следовательно,
(первый интеграл равен нулю как интеграл от нечетной функции по симметричному относительно начала координат промежутку, а второй интеграл
- интеграл Эйлера - Пуассона).
Дисперсия случайной величины X:
Сделаем ту же замену переменной х = а + о^2 t, как и при вычислении предыдущего интеграла. Тогда
Применяя метод интегрирования по частям, получим
Выясним, как будет меняться нормальная кривая при изменении параметров а и с 2 (или а). Если а = const, и меняется параметр а {а х а 3), т.е. центр симметрии распределения, то нормальная кривая будет смещаться вдоль оси абсцисс, не меняя формы (рис. 4.7).
Если а = const и меняется параметр а 2 (или а), то меняется ордината
максимума кривой
При увеличении а ордината максимума
кривой уменьшается, но так как площадь под любой кривой распределения должна оставаться равной единице, то кривая становится более плоской, растягиваясь вдоль оси абсцисс; при уменьшении су, напротив, нормальная кривая вытягивается вверх, одновременно сжимаясь с боков. На рис. 4.8 показаны нормальные кривые с параметрами а 1(о 2 и а 3 , где о, а (он же математическое ожидание) характеризует положение центра, а параметр а 2 (он же дисперсия) - фор м у нормальной кривой.
Нормальный закон распределения случайной величины X с параметрами а = 0, ст 2 = 1, г.е. X ~ N(0; 1), называется стандартным или нормированным, а соответствующая нормальная кривая - стандартной или нормированной.
Сложность непосредственного нахождения функции распределения случайной величины, распределенной по нормальному закону, по формуле (3.23) и вероятности ее попадания на некоторый промежуток по формуле (3.22) связана с гем, что интеграл от функции (4.26) является «нсберу- щимся» в элементарных функциях. Поэтому их выражают через функцию
- функцию (интеграл вероятностей) Лапласа, для которой составлены таблицы. Напомним, что функция Лапласа уже встречалась нам при рассмотрении интегральной теоремы Муавра - Лапласа (см. параграф 2.3). Там же были рассмотрены ее свойства. Геометрически функция Лапласа Ф(.с) представляет собой площадь под стандартной нормальной кривой на отрезке [-х; х ] (рис. 4.9) 1 .
Рис. 4.10
Рис. 4.9
Теорема. Функция распределения случайной величины X, распределенной по нормальному закону, выражается через функцию Лапласа Ф(х) по формуле
По формуле (3.23) функция распределения:
Сделаем замену переменной, полагая при X -> -оо? -» -00, поэтому
1 Наряду с интегралом вероятностей вида (4.29), представляющим функцию Ф(х), в литературе используется его выражения и в виде других табулированных функций:
представляющих собой площади иод стандартной нормальной кривой соответственно на интервалах (0; х], (-оо; х], [-х>/2; Хл/2.
Первый интеграл
(в силу четности подынтегральной функции и того, что интеграл Эйлера - Пуассона равен [к ).
Второй интеграл с учетом формулы (4.29) составляет
Геометрически функция распределения представляет собой площадь под нормальной кривой на интервале (-со, х) (рис. 4.10). Как видим, она состоит из двух частей: первой, на интервале (-оо, а), равной 1/2, т.е. половине всей площади под нормальной кривой, и второй, на интервале (я, х),
равной
Рассмотрим свойства случайной величины, распределенной по нормальному закону.
1. Вероятность попадания случайной величины X, распределенной по нормальному закону, в интервал [х 1(х 2 ], равна
Учитывая, что согласно свойству (3.20) вероятность Р(х,
где и Г 2 определяются по формуле (4.33) (рис. 4.11). ?
2. Вероятность того, что отклонение случайной величины X, распределенной по нормальному закону, от математического ожидания а не превысит величину А > 0 (по абсолютной величине), равна
а также свойство нечетности функции Лапласа, получим
где? =Д/о (рис. 4.12). ?
На рис. 4.11 и 4.12 приведена геометрическая интерпретация свойств нормального закона .
Замечание. Рассмотренная в гл. 2 приближенная интегральная формула Муавра - Лапласа (2.10) следует из свойства (4.32) нормально распределенной случайной величины при х { = а, х 2 = Ь } а = пр
и
так
как биномиальный закон распределения случайной величины X = т с параметрами п и р, для которого получена эта формула, при п -> ос стремится к нормальному закону (см. гл. 6).
Аналогично и следствия (2.13), (2.14) и (2.16) интегральной формулы Муавра - Лапласа для числа X = т появления события в п независимых испытаниях и его частости т/п вытекают из свойств (4.32) и (4.34) нормального закона.
Вычислим по формуле (4.34) вероятности Р(Х-а д) при различных значениях Д (используем табл. II приложений). Получим
Отсюда вытекает «правило трех сигм».
Если случайная величина X имеет нормальный закон распределения с параметрами а и а 2 , т.е. М(а; а 2), то практически достоверно, что ее значения заключены в интервале (а - За, а + За).
Нарушение «правила трех сигм», т.е. отклонение нормально распределенной случайной величины X больше, чем на За (но абсолютной величине), является событием практически невозможным, так как его вероятность весьма мала:
Заметим, что отклонение Д в, при котором
, называется
вероятным отклонением. Для нормального закона Д в « 0,675а, т.е. на интервал (а - 0,675а, а + 0,675а) приходится половина всей площади под нормальной кривой.
Найдем коэффициент асимметрии и эксцесс случайной величины X, распределенной по нормальному закону.
Очевидно, в силу симметрии нормальной кривой относительно вертикальной прямой х = а, проходящей через центр распределения а = М(Х), коэффициент асимметрии нормального распределения Л = 0.
Эксцесс нормально распределенной случайной величины X
найдем по формуле (3.37), т.е.
где учли, что центральный момент 4-го порядка, найденный по формуле (3.30) с учетом определения (4.26), т.е.
(вычисление интеграла опускаем).
Таким образом, эксцесс нормального распределения равен нулю и крутость других распределений определяется по отношению к нормальному (об этом мы уже упоминали в параграфе 3.7).
О Пример 4.9. Полагая, что рост мужчин определенной возраст-ной группы есть нормально распределенная случайная величинах X с параметрами а = 173 и а 2 =36:
- 1) Найти: а) выражение плотности вероятности и функции распределения случайной величины X; б) доли костюмов 4-го роста (176-182 см) и 3-го роста (170-176 см), которые нужно предусмотреть в общем объеме производства для данной возрастной группы; в) квантиль х 07 и 10%-ную точку случайной величины X.
- 2) Сформулировать «правило трех сигм» для случайной величины X. Решение. 1, а) По формулам (4.26) и (4.30) запишем
1, б) Доля костюмов 4-го роста (176-182 см) в общем объеме производства определится по формуле (4.32) как вероятность
(рис. 4.14), так как по формулам (4.33)
Долю костюмов 3-го роста (170-176 см) можно было определить аналогично но формуле (4.32), но проще это сделать по формуле (4.34), если учесть, что данный интервал симметричен относительно математического ожидания а = М(Х) = 173, т.е. неравенство 170 X Х -173|
(см. рис. 4.14;.
1, в) Квантиль х 07 (см. параграф 3.7) случайной величины X найдем из уравнения (3.29) с учетом формулы (4.30):
откуда
По табл. 11 приложений находим I- 0,524 и
Это означает, что 70% мужчин данной возрастной группы имеют рост до 176 см.
- 10%-ная точка - эго квантиль х 09 = 181 см (находится аналогично), т.е. 10% мужчин имеют рост не менее 181 см.
- 2) Практически достоверно, что рост мужчин данной возрастной группы заключен в границах от а
- Зет = 173 - 3 6 = 155 до а +
Зет = 173 + 3 - 6 = = 191 (см), т.е. 155
В силу особенностей нормального закона распределения, отмеченных в начале параграфа (и в гл. 6), он занимает центральное место в теории и практике вероятностно-статистических методов. Большое теоретическое значение нормального закона состоит в том, что с его помощью получен ряд важных распределений, рассматриваемых ниже.
- Стрелками на рис. 4.11-4.13 отмечены условно п л о щ а д и соответствующих фигурпод нормальной кривой.
- Значения функции Лапласа Ф(х) определяем но табл. II приложений.
Можно выделить наиболее часто встречающиеся законы распределения дискретных случайных величин:
- Биномиальный закон распределения
- Пуассоновский закон распределения
- Геометрический закон распределения
- Гипергеометрический закон распределения
Для данных распределений дискретных случайных величин расчет вероятностей их значений, а также числовых характеристик (математическое ожидание, дисперсия, и т.д.) производится по определенных «формулам». Поэтому очень важно знать данные типы распределений и их основные свойства.
1. Биномиальный закон распределения.
Дискретная случайная величина $X$ подчинена биномиальному закону распределения вероятностей, если она принимает значения $0,\ 1,\ 2,\ \dots ,\ n$ с вероятностями $P\left(X=k\right)=C^k_n\cdot p^k\cdot {\left(1-p\right)}^{n-k}$. Фактически, случайная величина $X$ - это число появлений события $A$ в $n$ независимых испытаний . Закон распределения вероятностей случайной величины $X$:
$\begin{array}{|c|c|}
\hline
X_i & 0 & 1 & \dots & n \\
\hline
p_i & P_n\left(0\right) & P_n\left(1\right) & \dots & P_n\left(n\right) \\
\hline
\end{array}$
Для такой случайной величины математическое ожидание $M\left(X\right)=np$, дисперсия $D\left(X\right)=np\left(1-p\right)$.
Пример . В семье двое детей. Считая вероятности рождения мальчика и девочки равными $0,5$, найти закон распределения случайной величины $\xi $ - числа мальчиков в семье.
Пусть случайная величина $\xi $ - число мальчиков в семье. Значения, которые может принимать $\xi:\ 0,\ 1,\ 2$. Вероятности этих значений можно найти по формуле $P\left(\xi =k\right)=C^k_n\cdot p^k\cdot {\left(1-p\right)}^{n-k}$, где $n=2$ - число независимых испытаний, $p=0,5$ - вероятность появления события в серии из $n$ испытаний. Получаем:
$P\left(\xi =0\right)=C^0_2\cdot {0,5}^0\cdot {\left(1-0,5\right)}^{2-0}={0,5}^2=0,25;$
$P\left(\xi =1\right)=C^1_2\cdot 0,5\cdot {\left(1-0,5\right)}^{2-1}=2\cdot 0,5\cdot 0,5=0,5;$
$P\left(\xi =2\right)=C^2_2\cdot {0,5}^2\cdot {\left(1-0,5\right)}^{2-2}={0,5}^2=0,25.$
Тогда закон распределения случайной величины $\xi $ есть соответствие между значениями $0,\ 1,\ 2$ и их вероятностями, то есть:
$\begin{array}{|c|c|}
\hline
\xi & 0 & 1 & 2 \\
\hline
P(\xi) & 0,25 & 0,5 & 0,25 \\
\hline
\end{array}$
Сумма вероятностей в законе распределения должна быть равна $1$, то есть $\sum _{i=1}^{n}P(\xi _{{\rm i}})=0,25+0,5+0,25=1 $.
Математическое ожидание $M\left(\xi \right)=np=2\cdot 0,5=1$, дисперсия $D\left(\xi \right)=np\left(1-p\right)=2\cdot 0,5\cdot 0,5=0,5$, среднее квадратическое отклонение $\sigma \left(\xi \right)=\sqrt{D\left(\xi \right)}=\sqrt{0,5}\approx 0,707$.
2. Закон распределения Пуассона.
Если дискретная случайная величина $X$ может принимать только целые неотрицательные значения $0,\ 1,\ 2,\ \dots ,\ n$ с вероятностями $P\left(X=k\right)={{{\lambda }^k}\over {k!}}\cdot e^{-\lambda }$, то говорят, что она подчинена закону распределения Пуассона с параметром $\lambda $. Для такой случайной величины математическое ожидание и дисперсия равны между собой и равны параметру $\lambda $, то есть $M\left(X\right)=D\left(X\right)=\lambda $.
Замечание . Особенность этого распределения заключается в том, что мы на основании опытных данных находим оценки $M\left(X\right),\ D\left(X\right)$, если полученные оценки близки между собой, то у нас есть основание утверждать, что случайная величина подчинена закону распределения Пуассона.
Пример . Примерами случайных величин, подчиненных закону распределения Пуассона, могут быть: число автомашин, которые будут обслужены завтра автозаправочной станцией; число бракованных изделий в произведенной продукции.
Пример . Завод отправил на базу $500$ изделий. Вероятность повреждения изделия в пути равна $0,002$. Найти закон распределения случайной величины $X$, равной числу поврежденных изделий; чему равно $M\left(X\right),\ D\left(X\right)$.
Пусть дискретная случайная величина $X$ - число поврежденных изделий. Такая случайная величина подчинена закону распределения Пуассона с параметром $\lambda =np=500\cdot 0,002=1$. Вероятности значений равны $P\left(X=k\right)={{{\lambda }^k}\over {k!}}\cdot e^{-\lambda }$. Очевидно, что все вероятности всех значений $X=0,\ 1,\ \dots ,\ 500$ перечислить невозможно, поэтому мы ограничимся лишь первыми несколькими значениями.
$P\left(X=0\right)={{1^0}\over {0!}}\cdot e^{-1}=0,368;$
$P\left(X=1\right)={{1^1}\over {1!}}\cdot e^{-1}=0,368;$
$P\left(X=2\right)={{1^2}\over {2!}}\cdot e^{-1}=0,184;$
$P\left(X=3\right)={{1^3}\over {3!}}\cdot e^{-1}=0,061;$
$P\left(X=4\right)={{1^4}\over {4!}}\cdot e^{-1}=0,015;$
$P\left(X=5\right)={{1^5}\over {5!}}\cdot e^{-1}=0,003;$
$P\left(X=6\right)={{1^6}\over {6!}}\cdot e^{-1}=0,001;$
$P\left(X=k\right)={{{\lambda }^k}\over {k!}}\cdot e^{-\lambda }$
Закон распределения случайной величины $X$:
$\begin{array}{|c|c|}
\hline
X_i & 0 & 1 & 2 & 3 & 4 & 5 & 6 & ... & k \\
\hline
P_i & 0,368; & 0,368 & 0,184 & 0,061 & 0,015 & 0,003 & 0,001 & ... & {{{\lambda }^k}\over {k!}}\cdot e^{-\lambda } \\
\hline
\end{array}$
Для такой случайной величины математическое ожидание и дисперсия равным между собой и равны параметру $\lambda $, то есть $M\left(X\right)=D\left(X\right)=\lambda =1$.
3. Геометрический закон распределения.
Если дискретная случайная величина $X$ может принимать только натуральные значения $1,\ 2,\ \dots ,\ n$ с вероятностями $P\left(X=k\right)=p{\left(1-p\right)}^{k-1},\ k=1,\ 2,\ 3,\ \dots $, то говорят, что такая случайная величина $X$ подчинена геометрическому закону распределения вероятностей. Фактически, геометрическое распределения представляется собой испытания Бернулли до первого успеха.
Пример . Примерами случайных величин, имеющих геометрическое распределение, могут быть: число выстрелов до первого попадания в цель; число испытаний прибора до первого отказа; число бросаний монеты до первого выпадения орла и т.д.
Математическое ожидание и дисперсия случайной величины, подчиненной геометрическому распределению, соответственно равны $M\left(X\right)=1/p$, $D\left(X\right)=\left(1-p\right)/p^2$.
Пример . На пути движения рыбы к месту нереста находится $4$ шлюза. Вероятность прохода рыбы через каждый шлюз $p=3/5$. Построить ряд распределения случайной величины $X$ - число шлюзов, пройденных рыбой до первого задержания у шлюза. Найти $M\left(X\right),\ D\left(X\right),\ \sigma \left(X\right)$.
Пусть случайная величина $X$ - число шлюзов, пройденных рыбой до первого задержания у шлюза. Такая случайная величина подчинена геометрическому закону распределения вероятностей. Значения, которые может принимать случайная величина $X:$ 1, 2, 3, 4. Вероятности этих значений вычисляются по формуле: $P\left(X=k\right)=pq^{k-1}$, где: $p=2/5$ - вероятность задержания рыбы через шлюз, $q=1-p=3/5$ - вероятность прохода рыбы через шлюз, $k=1,\ 2,\ 3,\ 4$.
$P\left(X=1\right)={{2}\over {5}}\cdot {\left({{3}\over {5}}\right)}^0={{2}\over {5}}=0,4;$
$P\left(X=2\right)={{2}\over {5}}\cdot {{3}\over {5}}={{6}\over {25}}=0,24;$
$P\left(X=3\right)={{2}\over {5}}\cdot {\left({{3}\over {5}}\right)}^2={{2}\over {5}}\cdot {{9}\over {25}}={{18}\over {125}}=0,144;$
$P\left(X=4\right)={{2}\over {5}}\cdot {\left({{3}\over {5}}\right)}^3+{\left({{3}\over {5}}\right)}^4={{27}\over {125}}=0,216.$
$\begin{array}{|c|c|}
\hline
X_i & 1 & 2 & 3 & 4 \\
\hline
P\left(X_i\right) & 0,4 & 0,24 & 0,144 & 0,216 \\
\hline
\end{array}$
Математическое ожидание:
$M\left(X\right)=\sum^n_{i=1}{x_ip_i}=1\cdot 0,4+2\cdot 0,24+3\cdot 0,144+4\cdot 0,216=2,176.$
Дисперсия:
$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2=}0,4\cdot {\left(1-2,176\right)}^2+0,24\cdot {\left(2-2,176\right)}^2+0,144\cdot {\left(3-2,176\right)}^2+$
$+\ 0,216\cdot {\left(4-2,176\right)}^2\approx 1,377.$
Среднее квадратическое отклонение:
$\sigma \left(X\right)=\sqrt{D\left(X\right)}=\sqrt{1,377}\approx 1,173.$
4. Гипергеометрический закон распределения.
Если $N$ объектов, среди которых $m$ объектов обладают заданным свойством. Случайных образом без возвращения извлекают $n$ объектов, среди которых оказалось $k$ объектов, обладающих заданным свойством. Гипергеометрическое распределение дает возможность оценить вероятность того, что ровно $k$ объектов в выборке обладают заданным свойством. Пусть случайная величина $X$ - число объектов в выборке, обладающих заданным свойством. Тогда вероятности значений случайной величины $X$:
$P\left(X=k\right)={{C^k_mC^{n-k}_{N-m}}\over {C^n_N}}$
Замечание . Статистическая функция ГИПЕРГЕОМЕТ мастера функций $f_x$ пакета Excel дает возможность определить вероятность того, что определенное количество испытаний будет успешным.
$f_x\to $ статистические $\to $ ГИПЕРГЕОМЕТ $\to $ ОК . Появится диалоговое окно, которое нужно заполнить. В графе Число_успехов_в_выборке указываем значение $k$. Размер_выборки равен $n$. В графе Число_успехов_в_совокупности указываем значение $m$. Размер_совокупности равен $N$.
Математическое ожидание и дисперсия дискретной случайной величины $X$, подчиненной геометрическому закону распределения, соответственно равны $M\left(X\right)=nm/N$, $D\left(X\right)={{nm\left(1-{{m}\over {N}}\right)\left(1-{{n}\over {N}}\right)}\over {N-1}}$.
Пример . В кредитном отделе банка работают 5 специалистов с высшим финансовым образованием и 3 специалиста с высшим юридическим образованием. Руководство банка решило направить 3 специалистов Для повышения квалификации, отбирая их в случайном порядке.
а) Составьте ряд распределения числа специалистов с высшим финансовым образованием, которые могут быть направлены на повышение квалификации;
б) Найдите числовые характеристики этого распределения.
Пусть случайная величина $X$ - число специалистов с высшим финансовым образованием среди трех отобранных. Значения, которые может принимать $X:0,\ 1,\ 2,\ 3$. Данная случайная величина $X$ распределена по гипергеометрическому распределению с параметрами: $N=8$ - размер совокупности, $m=5$ - число успехов в совокупности, $n=3$ - размер выборки, $k=0,\ 1,\ 2,\ 3$ - число успехов в выборке. Тогда вероятности $P\left(X=k\right)$ можно рассчитать по формуле: $P(X=k)={C_{m}^{k} \cdot C_{N-m}^{n-k} \over C_{N}^{n} } $. Имеем:
$P\left(X=0\right)={{C^0_5\cdot C^3_3}\over {C^3_8}}={{1}\over {56}}\approx 0,018;$
$P\left(X=1\right)={{C^1_5\cdot C^2_3}\over {C^3_8}}={{15}\over {56}}\approx 0,268;$
$P\left(X=2\right)={{C^2_5\cdot C^1_3}\over {C^3_8}}={{15}\over {28}}\approx 0,536;$
$P\left(X=3\right)={{C^3_5\cdot C^0_3}\over {C^3_8}}={{5}\over {28}}\approx 0,179.$
Тогда ряд распределения случайной величины $X$:
$\begin{array}{|c|c|}
\hline
X_i & 0 & 1 & 2 & 3 \\
\hline
p_i & 0,018 & 0,268 & 0,536 & 0,179 \\
\hline
\end{array}$
Рассчитаем числовые характеристики случайной величины $X$ по общим формулам гипергеометрического распределения.
$M\left(X\right)={{nm}\over {N}}={{3\cdot 5}\over {8}}={{15}\over {8}}=1,875.$
$D\left(X\right)={{nm\left(1-{{m}\over {N}}\right)\left(1-{{n}\over {N}}\right)}\over {N-1}}={{3\cdot 5\cdot \left(1-{{5}\over {8}}\right)\cdot \left(1-{{3}\over {8}}\right)}\over {8-1}}={{225}\over {448}}\approx 0,502.$
$\sigma \left(X\right)=\sqrt{D\left(X\right)}=\sqrt{0,502}\approx 0,7085.$