Выбери формат для чтения
Загружаем конспект в формате pdf
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
ТЕМА 4: ВАЖНЕЙШИЕ ВИДЫ РАСПРЕДЕЛЕНИЙ
СЛУЧАЙНЫХ ВЕЛИЧИН
Биномиальным
называется
закон
распределения
дискретной
случайной величины 𝑋 – числа появлений события 𝐴 в 𝑛 независимых
повторных испытаниях, в каждом из которых событие 𝐴 может наступить
с вероятностью 𝑝или не наступить с вероятностью
𝑞 = 1 − 𝑝. Тогда
𝑃(𝑋 = 𝑚)– вероятностьпоявления события 𝐴 ровно m раз в n испытаниях
вычисляется по формуле Бернулли:
𝑃(𝑋 = 𝑚) = 𝐶𝑛𝑚 𝑝𝑚 𝑞𝑛−𝑚
Математическое ожидание, дисперсию и среднее квадратическое
отклонение случайной величины Х, распределенной по биномиальному
закону, находят, соответственно, по формулам:
𝑀(𝑥) = 𝑛𝑝;
𝐷(𝑥) = 𝑛𝑝𝑞;
𝜎(𝑥) = √𝑛𝑝𝑞.
Если число испытаний 𝑛 очень велико, а вероятность появления
события 𝐴 очень мала, то для вычисления 𝑃(𝑋 = 𝑚)используют формулу
Пуассона:
𝜆𝑚 ⋅ ⅇ −𝜆
𝑃(𝑋 = 𝑚) =
.
𝑚!
Тогда говорят, что случайная величина распределена по закону
Пуассона.
Так как вероятность 𝑝 события 𝐴 в каждом испытании мала, то закон
распределения Пуассона еще называют законом редких явлений:
𝑀(𝑥) = 𝜆,
𝐷 (𝑥) = 𝜆.
По виду функции плотности выделяют стандартные распределения
непрерывной случайной величины. Рассмотрим самые важные из них.
1
Равномерное распределение
Равномерным называют распределение такой случайной величины,
все значения которой принадлежат некоторому определённому интервалу,
а функция плотности на этом интервале постоянна.
Приведём примеры равномерно распределённых случайных величин.
Пример 1. Шкала измерительного прибора проградуирована в
некоторых величинах, ошибка округления до целого – равномерно
распределённая случайная величина, значения которой принадлежат
интервалу от нуля до цены деления.
Пример 2. Транспорт ходит строго по графику с интервалом 2
минуты. Пассажир выходит на платформу в некоторый момент времени.
Время Т, в течение которого он будет ждать поезда – равномерно
распределённая случайная величина, значения которой принадлежат
интервалу (0; 2).
Из условия нормировки следует, что функция плотности равномерно
распределённой случайной величины имеет вид:
1
при 𝑥 ∈ [𝑎; 𝑏 ]
𝑓(𝑥) = {𝑏 − 𝑎
0 при 𝑥 ∉ [𝑎; 𝑏 ]
Функция распределения равномерно распределённой случайной
величины имеет вид:
0 при 𝑥 < 𝑎
𝑥−𝑎
при 𝑎 ≤ 𝑥 ≤ 𝑏
𝐹 (𝑥) = {
𝑏−𝑎
1 при 𝑥 > 𝑏
2
Легко выводятся так же формулы для нахождения числовых
характеристик равномерно распределённой случайной величины (выведите
формулы самостоятельно):
𝑀 (𝑋) =
𝑎+𝑏
;
2
(𝑏 − 𝑎)2
𝐷(𝑥) =
;
12
𝑏−𝑎
𝜎 (𝑋 ) =
.
2 √3
Показательное распределение
Показательным
(экспоненциальным) называют
распределение
такой случайной величины, функция плотности которой задается
следующим образом:
0 при 𝑥 < 0
𝑓(𝑥) = { −𝜆𝑥
,
𝜆ⅇ
при 𝑥 ≥ 0
где 𝜆 – параметр показательного распределения.
Функция распределения показательно распределённой случайной
величины имеет вид:
0 при 𝑥 < 0
𝐹 (𝑥 ) = {
1 − ⅇ −𝜆𝑥 при 𝑥 ≥ 0
3
Числовые характеристики показательно распределённой случайной
величины можно найти по формулам (выведите формулы самостоятельно):
1
;
𝜆
1
𝐷(𝑥) = 2 .
𝜆
𝑀(𝑋) =
Приведём
пример
показательно
распределённой
случайной
величины. Пусть в магазин время от времени заходят покупатели. С
некоторыми допущениями время между двумя последовательными
покупателями – случайная величина, распределённая по показательному
1
закону. Среднее время ожидания покупателя 𝑀(𝑋) = 𝜆, а параметр 𝜆
может быть интерпретирован как среднее количество покупателей в
единицу времени.
Так же показательное распределение широко применяется в теории
надёжности, основным понятием которой является функция надёжности,
определяющая вероятность безотказной работы прибора за время
длительностью 𝑡.
Часто длительность времени безотказной работы элемента имеет
показательное
распределение,
в
котором
функция
распределения
определяет вероятность отказа элемента за время 𝑡:
𝐹 (𝑡 ) = 𝑃(𝑇 < 𝑡 ).
Вероятность
отказа
элемента
за
время
𝑡
–
вероятность
противоположного события, следовательно:
𝑅 (𝑡 ) = 𝑃(𝑇 > 𝑡 ) = 1 − 𝐹 (𝑡 ).
Показательным
законом
надёжности
надёжности, определяемую равенством:
𝑃(𝑡 ) = ⅇ −𝜆𝑡 .
4
называют
функцию
Нормальный закон распределения
Непрерывная случайная величина Х имеет нормальный закон
распределения (закон Гаусса), если ее плотность распределения имеет вид:
𝑓(𝑥) =
1
𝜎√2𝜋
∙
−(𝑥−𝑚)2
ⅇ 2𝜎2 ,
где 𝑚 = 𝑀(𝑋), 𝜎2 = 𝐷(𝑋), 𝜎 > 0.
Кривую нормального закона распределения называют нормальной
или гауссовой кривой.
Нормальная кривая симметрична относительно прямой х = 𝑚, имеет
максимум в точке 𝑥 = 𝑚, равный 𝜎
1
√2𝜋
.
Из условия нормировки ясно, что с увеличением 𝜎 значение
максимума снижается, а сам график становится более пологим.
5
Функция распределения случайной величины Х, распределенной по
нормальному закону, выражается через функцию Лапласа Ф(х) по
формуле:
𝑥−𝑚
1
)+ ,
𝐹 (𝑥) = Ф (
𝜎
2
где Ф(x) – функция Лапласа.
Замечание. Функция Ф(х) является нечетной (Ф(𝑥) = Ф(𝑥)), кроме
того, при 𝑥 > 5 можно считать Ф(𝑥) ≈ 1/2.
Вероятность того, что случайная величина Х примет значения,
принадлежащие интервалу (a;b) вычисляются по формуле:
Р (𝑎 < Х < 𝑏 ) = Ф (
𝑏−𝑚
𝑎−𝑚
)−Ф(
).
σ
σ
Вероятность того, что абсолютная величина отклонения случайной
величины от ее математического ожидания меньше положительного числа
δ вычисляется по формуле:
δ
𝑃 (|𝑋𝑚| < 𝛿 ) = 2 ∙ Ф ( ).
σ
В частности, при 𝑚 = 0 справедливо равенство:
δ
𝑃(|𝑋| < 𝛿 ) = 2 ∙ Ф ( ).
σ
"Правило трех сигм"
Если случайная величина Х имеет нормальный закон распределения
с параметрами m и σ, то практически достоверно, что ее значения
заключены в интервале (𝑚 − 3𝜎; 𝑚 + 3𝜎), так как
𝑃(|𝑋 𝑚| < 3𝜎) = 0,9973.
6