Непрерывные случайные величины характеризуются тем, что их значения могут сколь угодно мало отличаться друг от друга.

Вероятность события X < х (где X – значение , а х – произвольно задаваемое значение), рассматриваемая как функция от х , называется функцией распределения вероятностей :

F (x ) = Р (Х <х ).

Производная от функции распределения вероятностей называется функцией плотности распределения вероятностей или плотностью вероятности :

f (x ) = F" (x ).

Функция распределения вероятностей выражается через плотность вероятности в виде интеграла:

х 1 , х 2) равна приращению функции распределения вероятностей на этом интервале:

P (x 1 <X <x 2) = F (x 2) – F (x 1). (4)

3.1. Случайная величина X задана функцией распределения вероятностей:

Найти плотность вероятности f (x ) и вероятность попадания случайной величины X в интервалы (1; 2,5), (2,5; 3,5).

Решение . Плотность вероятности находим по формуле f (x ) = F" (x ):

Вероятности попадания случайной величины X в интервалы вычисляем по формуле (3.1):

Р (1 < X < 2,5) = F (2,5) – F (1) = 0,5 2 – 0 = 0,25;

Р (2,5 < X < 3,5) = F (3,5) – F (2,5) = 1 – 0,25= 0,75.

3.2. Плотность вероятности непрерывной случайной величины X:

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

Решение.

если ,

Если х > 2.

График функции представлен на рис. 3.1.

Рис. 3.1

3.3. Плотность вероятности непрерывной случайной величины X задана в виде

Найти параметр С.

Решение . На основании равенства

Математическое ожидание и дисперсия. Мода и медиана

Средним значением или математическим ожиданием непрерывной случайной величины X

М (Х ) = М х = ,

где f (x ) – плотность вероятности.

Дисперсией непрерывной случайной величины X называется значение интеграла

D (X ) = D x = .

Для определения дисперсии может быть также использована формула

D x = .

Модой М 0 (Х X называется такое значение этой величины, плотность вероятности которого максимальна.

Медианой Мe (Х ) непрерывной случайной величины X называется такое ее значение, при котором выполняется равенство

Р (Х < Me ) = Р (Х > Me ).

3.4. Случайная величина X f (x ) = х /2 в интервале (0; 2), вне этого интервала f (x ) = 0. Найти математическое ожидание величины X .

Решение . На основании формулы

3.5. Случайная величина X задана плотностью вероятности f (x ) = x /8 в интервале (0; 4). Вне этого интервала f (x ) = 0. Найти математическое ожидание.

3.6. Случайная величина X задана плотностью вероятности f (x ) = при . Найти математическое ожидание.

3.7. Случайная величина X задана плотностью вероятности f (x ) = С (х 2 + 2х ) в интервале (0; 1). Вне этого интервала f (x ) = 0. Найти параметр С .

Решение . Так как

Откуда С = .

Равномерное распределение

Непрерывная случайная величина называется равномерно распределенной на отрезке [а , b ], если ее плотность вероятности имеет вид:

Математическое ожидание и дисперсия равномерно распределенной случайной величины определяются выражениями

3.8. Случайная величина X распределена равномерно на отрезке . Найти функцию распределения F (x ), математическое ожидание, дисперсию и среднее квадратичное отклонение величины.

Решение . Плотность вероятности для величины X имеет вид:

Следовательно, функция распределения, вычисляемая по формуле:

,

запишется следующим образом:

Математическое ожидание будет равно М х = (1 + 6)/2 = 3,5. Находим дисперсию и среднее квадратичное отклонение:

D x = (6 – 1) 2 /12 = 25/12, .

Нормальное распределение

Случайная величина X распределена по нормальному закону, если ее функция плотности распределения вероятностей имеет вид:

где М х – математическое ожидание;

– среднее квадратичное отклонение.

Вероятность попадания случайной величины в интервал (а , b ) находится по формуле

Р (а < X < b ) = Ф – Ф = Ф(z 2) – Ф(z 1), (5)

где Ф(z ) = – функция Лапласа.

Значения функции Лапласа для различных значений z приведены в Приложении 2.

3.9. Математическое ожидание нормально распределенной случайной величины X равно М х = 5, дисперсия равна D x = 9. Написать выражение для плотности вероятности.

3.10. Математическое ожидание и среднее квадратичное отклонение нормально распределенной случайной величины X соответственно равны 12 и 2. Найти вероятность того, что случайная величина примет значение, заключенное в интервале (14; 16).

Решение . Используем формулу (21.2), учитывая, что М х = 12, = 2:

Р (14 < X < 16) = Ф((16 – 12)/2) – Ф(14 – 12)/2) = Ф(2) – Ф(1).

По таблице значений функции Лапласа находим Ф(1) = 0,3413, Ф(2) = 0,4772. После подстановки получаем значение искомой вероятности:

Р (14 <Х < 16) = 0,1359.

3.11. Имеется случайная величина X , распределенная по нормальному закону, математическое ожидание которой равно 20, среднее квадратичное отклонение равно 3. Найти симметричный относительно математического ожидания интервал, в который с вероятностью р = 0,9972 попадет случайная величина.

Решение . Так как Р (х 1 < Х < х 2) = р = 2Ф((х 2 – М х )/ ), то Ф(z ) = р /2 = 0,4986. По таблице функции Лапласа находим значение z , соответствующее полученному значению функции Ф(z ) = 0,4986: z = 2,98. Учитывая то, что z = (х 2 – М х )/ , определяем = х 2 – М х = z = 3 · 2,98 = 8,94. Искомый интервал будет иметь вид (11,06; 28,94).

Учтем, что f (x ) = F" (x ). Тогда получим:

Подставим в выражение для математического ожидания

.

Интегрируя по частям, получаем М х = 1/ , или М х = 1/0,1.

Для определения дисперсии проинтегрируем по частям первое слагаемое. В результате получим:

.

Учтем найденное выражение для М х . Откуда

.

В данном случае М х = 10, D x = 100.

СИСТЕМЫ СЛУЧАЙНЫХ ВЕЛИЧИН

Задание 1 . Плотность распределения непрерывной случайной величины Х имеет вид:
Найти:
а) параметр A ;
б) функцию распределения F(x) ;
в) вероятность попадания случайной величины X в интервал ;
г) математическое ожидание MX и дисперсию DX .
Построить график функций f(x) и F(x) .

Задание 2 . Найти дисперсию случайной величины X , заданной интегральной функцией.

Задание 3 . Найти математическое ожидание случайной величины Х заданной функцией распределения.

Задание 4 . Плотность вероятности некоторой случайной величины задана следующим образом: f(x) = A/x 4 (x = 1; +∞)
Найти коэффициент A , функцию распределения F(x) , математическое ожидание и дисперсию, а также вероятность того, что случайная величина примет значение в интервале . Построить графики f(x) и F(x) .

Задача . Функция распределения некоторой непрерывной случайной величины задана следующим образом:

Определить параметры a и b , найти выражение для плотности вероятности f(x) , математическое ожидание и дисперсию, а также вероятность того, что случайная величина примет значение в интервале . Построить графики f(x) и F(x).

Найдем функцию плотности распределения, как производную от функции распределения.
F′=f(x)=a
Зная, что найдем параметр a:

или 3a=1, откуда a = 1/3
Параметр b найдем из следующих свойств:
F(4) = a*4 + b = 1
1/3*4 + b = 1 откуда b = -1/3
Следовательно, функция распределения имеет вид: F(x) = (x-1)/3

Математическое ожидание .


Дисперсия .

1 / 9 4 3 - (1 / 9 1 3) - (5 / 2) 2 = 3 / 4
Найдем вероятность того, что случайная величина примет значение в интервале
P(2 < x< 3) = F(3) – F(2) = (1/3*3 - 1/3) - (1/3*2 - 1/3) = 1/3

Пример №1 . Задана плотность распределения вероятностей f(x) непрерывной случайной величины X . Требуется:

1. Определить коэффициент A .
2. найти функцию распределения F(x) .
3. схематично построить графики F(x) и f(x) .
4. найти математическое ожидание и дисперсию X .
5. найти вероятность того, что X примет значение из интервала (2;3).

f(x) = A*sqrt(x), 1 ≤ x ≤ 4.
Решение :

Случайная величина Х задана плотностью распределения f(x):

Найдем параметр A из условия:



или
14/3*A-1 = 0
Откуда,
A = 3 / 14

Функцию распределения можно найти по формуле.

Полная группа событий. Противоположные события. Соот­ношение между вероятностями противоположных событий (с вы­водом).

Зависимые и независимые события. Произведение событий. Понятие условной вероятности. Теорема умножения вероятнос­тей (с доказательством).

Формулы полной вероятности и Байеса (с доказательством). Примеры.

Повторные независимые испытания. Формула Бернулли (с выводом). Примеры.

Локальная теорема Муавра-Лапласа, условия ее примени­мости. Свойства функции Дх). Пример.

Асимптотическая формула Пуассона и условия ее примени­мости. Пример.

Интегральная теорема Муавра-Лапласа и условия ее применимости. Функция Лапласа ф(х) и ее свойства. Пример.

Следствия из интегральной теоремы Муавра-Лапласа (с вы­водом). Примеры.

Математическое ожидание дискретной случайной величины и его свойства (с выводом). Примеры.

Дисперсия дискретной случайной величины и ее свойства (с вы­водом). Примеры.

Функция распределения случайной величины, ее определе­ние, свойства и график.

Непрерывная случайная величина (нов). Вероятность отдельно взятого значения нсв. Математическое ожидание и дис­персия нсв.

Плотность вероятности непрерывной случайной величины, ее определение, свойства и график.

Случайная величина, распределенная по биномиальному закону, ее математическое ожидание и дисперсия. Закон распреде­ления Пуассона.

Математическое ожидание и дисперсия числа и частости на­ступлений события в п повторных независимых испытаниях (с выводом).

Определение нормального закона распределения. Теоретико-вероятностный смысл его параметров. Нормальная кривая и зависимость ее положения и формы от параметров.

Функция распределения нормально распределенной случай­ной величины и ее выражение через функцию Лапласа.

Формулы для определения вероятности: а) попадания нормально распределенной случайной величины в заданный интер­вал; б) ее отклонения от математического ожидания. Правило «трехсигм».

Понятие двумерной (/7-мерной) случайной величины. При­меры. Таблица ее распределения. Одномерные распределения ее составляющих. Условные распределения и их нахождение по таб­лице распределения.

Ковариация и коэффициент корреляции случайных величин. Связь между екоррелированностью и независимостью случай­ных величин.

Понятие о двумерном нормальном законе распределения. Условные математические ожидания и дисперсии.

Неравенство Маркова (лемма Чебышева) (с выводом). При­мер.

Неравенство Чебышева (с выводом) и его частные случаидля случайной величины, распределенной по биномиальному за­кону, и для частости события.

Теорема Чебышева (с доказательством), ее значение и след­ствие. Пример.

Закон больших чисел. Теорема Бернулли (с доказательством) и ее значение. Пример.

Неравенство Чебышева для средней арифметической случай­ных величин (с выводом).

Центральная предельная теорема. Понятие о теореме Ляпу­нова и ее значение. Пример.

Вариационный ряд, его разновидности. Средняя арифмети­ческая и дисперсия ряда. Упрощенный способ их расчета.

Понятие об оценке параметров генеральной совокупности. Свойства оценок: несмещенность, состоятельность, эффективность.

Оценка генеральной доли по собственно-случайной выбор­ке. Несмещенность и состоятельность выборочной доли.

Оценка генеральной средней по собственно-случайной вы­борке. Несмещенность и состоятельность выборочной средней.

Оценка генеральной дисперсии по собственно-случайной выборке. Смещенность и состоятельность выборочной дисперсии (без вывода). Исправленная выборочная дисперсия.

Понятие об интервальном оценивании. Доверительная ве­роятность и доверительный интервал. Предельная ошибка выбор­ки. Ошибки репрезентативности выборки (случайные и систематические).

Формула доверительной вероятности при оценке генеральной средней. Средняя квадратическая ошибка повторной и бес­повторной выборок и построение доверительного интервала для генеральной средней.

Определение необходимого объема повторной и бесповтор­ной выборок при оценке генеральной средней и доли.

Статистическая гипотеза и статистический критерий. Ошибки 1-го и 2-го рода. Уровень значимости и мощность критерия. Принцип практической уверенности.

Построение теоретического закона распределения по опыт­ным данным. Понятие о критериях согласия.

Критерий согласия х2-Пирсона и схема его применения.

Функциональная, статистическая и корреляционная зависимости. Различия между ними. Основные задачи теории корреляции.

Линейная парная регрессия. Система нормальных уравне­ний для определения параметров прямых регрессии. Выборочная ковариация. Формулы для расчета коэффициентов регрессии.

Упрощенный способ:

Оценка тесноты связи. Коэффициент корреляции (выбороч­ный), его свойства и оценка достоверности.

1. Плотность вероятности непрерывной случайной величины, ее определение, свойства и график.

Про случайную величину Х говорят, что она имеет распределение (распределена) с плотностью
на определенном участке оси абсцисс. Плотность вероятности
, как и функция распределения F(x), является одной из форм закона распределения, но в отличие от функции распределения она существует толькодля непрерывных случайных величин . Плотность вероятности иногда называют дифференциальной функцией или дифференциальным законом распределения . График плотности вероятности
называетсякривой распределения .

Свойства плотности вероятности непрерывной случайной величины.

☺
как производная монотонно неубывающей функции F(х). ☻

☺
Согласно свойству 4 функции распределения . Так как F(x) - первообразная для плотности вероятности
(т.к.
, то по формуле Ньютона-Лейбница приращение первообразной на отрезке [а,b] – определенный интеграл
. ☻

Геометрически полученная вероятность равна площади фигуры, ограниченной сверху кривой распределения и опирающейся на отрезок [а,b] (рис. 3.8).

Функция распределения непрерывной случайной величины может быть выражена через плотность вероятности по формуле :

.

Геометрически функция распределения равна площади фигуры, ограниченной сверху кривой распределения и лежащей левее точки х (рис. 3.9).

Геометрически свойства 1 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.

1. Случайная величина, распределенная по биномиальному закону, ее математическое ожидание и дисперсия. Закон распреде­ления Пуассона.

Определение . Дискретная случайная величина Х имеет биномиальный закон распределения с параметрами npq, если она принимает значения 0, 1, 2,..., m,... ,n с вероятностями

где 0<р

Как видим, вероятности Р(Х=m) находятся по формуле Бернулли, следовательно, биномиальный закон распределения представляет собой закон распределения числа Х=m наступлений события А в n независимых испытаниях, в каждом из которых оно может произойти с одной и той же вероятностью р.

Ряд распределения биномиального закона имеет вид:

Очевидно, что определение биномиального закона корректно, т.к. основное свойство ряда распределения
выполнено, ибоесть не что иное, как сумма всех членов разложения бинома Ньютона:

Математическое ожидание случайной величины Х, распределенной по биноминальному закону,

а ее дисперсия

Определение . Дискретная случайная величина Х имеет закон распределения Пуассона с параметром λ > 0, если она принимает значения 0, 1, 2,..., m, ... (бесконечное, но счетное множество значений) с вероятностями
,

Ряд распределения закона Пуассона имеет вид:

Очевидно, что определение закона Пуассона корректно, так как основное свойство ряда распределения
выполнено, ибо сумма ряда.

На рис. 4.1 показан многоугольник (полигон) распределения случайной величины, распределенной по закону Пуассона Р(Х=m)=Р m (λ) с параметрами λ = 0,5, λ = 1, λ = 2, λ = 3,5.

Теорема . Математическое oжидaниe и дисперсия случайной величины, распределенной по закону Пуассона, совпадают и равны параметру λ этого закона, т.е.

и

Результат любого случайного эксперимента можно характеризовать качественно и количественно. Качественный результат случайного эксперимента - случайное событие . Любая количественная характеристика , которая в результате случайного эксперимента может принять одно из некоторого множества значений, - случайная величина. Случайная величина является одним из центральных понятий теории вероятностей.

Пусть - произвольное вероятностное пространство. Случайной величиной называется действительная числовая функция x =x (w ), w W , такая, что при любом действительном x .

Событие принято записывать в виде x < x . В дальнейшем случайные величины будем обозначать строчными греческими буквами x , h , z , …

Случайной величиной является число очков, выпавших при бросании игральной кости, или рост случайно выбранного из учебной группы студента. В первом случае мы имеем дело с дискретной случайной величиной (она принимает значения из дискретного числового множества M= {1, 2, 3, 4, 5, 6} ; во втором случае - с непрерывной случайной величиной (она принимает значения из непрерывного числового множества - из промежутка числовой прямой I =).

Каждая случайная величина полностью определяется своей функцией распределения .

Если x .- случайная величина, то функция F (x ) = F x (x ) = P (x < x ) называется функцией распределения случайной величины x . Здесь P (x < x ) - вероятность того, что случайная величина x принимает значение, меньшее x .

Важно понимать, что функция распределения является “паспортом” случайной величины: она содержит всю информация о случайной величине и поэтому изучение случайной величины заключается в исследовании ее функции распределения, которую часто называют просто распределением .

Функция распределения любой случайной величины обладает следующими свойствами:

Если x - дискретная случайная величина, принимающая значения x 1 < x 2 < … < x i < … с вероятностями p 1 < p 2 < … < p i < …, то таблица вида

x 1	x 2	…	x i	…
p 1	p 2	…	p i	…

называется распределением дискретной случайной величины .

Функция распределения случайной величины, с таким распределением, имеет вид

У дискретной случайной величины функция распределения ступенчатая. Например, для случайного числа очков, выпавших при одном бросании игральной кости, распределение, функция распределения и график функции распределения имеют вид:

1	2	3	4	5	6
1/6	1/6	1/6	1/6	1/6	1/6

Если функция распределения F x (x ) непрерывна, то случайная величина x называется непрерывной случайной величиной.

Если функция распределения непрерывной случайной величины дифференцируема , то более наглядное представление о случайной величине дает плотность вероятности случайной величины p x (x ), которая связана с функцией распределения F x (x ) формулами

и .

Отсюда, в частности, следует, что для любой случайной величины .

При решении практических задач часто требуется найти значение x , при котором функция распределения F x (x ) случайной величины x принимает заданное значение p , т.е. требуется решить уравнение F x (x ) = p . Решения такого уравнения (соответствующие значения x ) в теории вероятностей называются квантилями.

Квантилью x p (p -квантилью, квантилью уровня p ) случайной величины , имеющей функцию распределения F x (x ), называют решение x p уравнения F x (x ) = p , p (0, 1). Для некоторых p уравнение F x (x ) = p может иметь несколько решений, для некоторых - ни одного. Это означает, что для соответствующей случайной величины некоторые квантили определены неоднозначно, а некоторые кванитили не существуют.

Непрерывная случайная величина может быть задана не только с помощью функции распределения. Введем понятие плотности вероятности непрерывной случайной величины.

Рассмотрим вероятность попадания непрерывной случайной величины на интервал [х , х + Δх ]. Вероятность такого события

P (х ≤ X ≤ х + Δх ) = F (х + Δх ) – F (х ),

т.е. равна приращению функции распределения F (х ) на этом участке. Тогда вероятность, приходящаяся на единицу длины, т.е. средняя плотность вероятности на участке от х до х + Δх , равна

Переходя к пределу Δх → 0, получим плотность вероятности в точке х :

представляющую производную функции распределения F (х ). Напомним, что для непрерывной случайной величины F (х ) – дифференцируемая функция.

Определение. Плотностью вероятности (плотностью распределения ) f (x ) непрерывной случайной величины Х называется производная ее функции распределения

f (x ) = F ′(x ).

(4.8)

Про случайную величину Х говорят, что она имеет распределение с плотностью f (x ) на определенном участке оси абсцисс.

Плотность вероятности f (x ), как и функция распределения F (x ) является одной из форм закона распределения. Но в отличие от функции распределения она существует только для непрерывных случайных величин.

Плотность вероятности иногда называют дифференциальной функцией или дифференциальным законом распределения . График плотности вероятности называется кривой распределения .

Пример 4.4. По данным примера 4.3 найти плотность вероятности случайной величины Х .

Решение. Будем находить плотность вероятности случайной величины как производную от ее функции распределения f (x ) = F "(x ).

◄

Отметим свойства плотности вероятности непрерывной случайной величины.

1. Плотность вероятности – неотрицательная функция , т.е.

Геометрически вероятность попадания в интервал [α , β ,] равна площади фигуры, ограниченной сверху кривой распределения и опирающейся на отрезок [α , β ,] (рис.4.4).

Рис. 4.4 Рис. 4.5

3. Функция распределения непрерывной случайной величины может быть выражен через плотность вероятности по формуле :

Геометрически свойства 1 и 4 плотности вероятности означают, что ее график – кривая распределения – лежит не ниже оси абсцисс, а полная площадь фигуры, ограниченной кривой распределения и осью абсцисс, равна единице.

Пример 4.5. Функция f (x ) задана в виде:

Найти: а) значение А ; б) выражение функции распределения F (х ); в) вероятность того, что случайная величина Х примет значение на отрезке .

Решение. а) Для того, чтобы f (x ) была плотностью вероятности некоторой случайной величины Х , она должна быть неотрицательна, следовательно, неотрицательным должно быть и значение А . С учетом свойства 4 находим:

, откуда А = .

б) Функцию распределения находим, используя свойство 3 :

Если x ≤ 0, то f (x ) = 0 и, следовательно, F (x ) = 0.

Если 0 < x ≤ 2, то f (x ) = х /2 и, следовательно,

Если х > 2, то f (x ) = 0 и, следовательно

в) Вероятность того, что случайная величина Х примет значение на отрезке находим, используя свойство 2 .