Независимая случайная величина х задана законом распределения. дискретной случайной величины, закон Пуассона

Как известно, случайной величиной называется переменная величина, которая может принимать те или иные значения в зависимости от случая. Случайные величины обозначают заглавными буквами латинского алфавита (X, Y, Z), а их значения – соответствующими строчными буквами (x, y, z). Случайные величины делятся на прерывные (дискретные) и непрерывные.

Дискретной случайной величиной называется случайная величина, принимающая лишь конечное или бесконечное (счетное) множество значений с определенными ненулевыми вероятностями.

Законом распределения дискретной случайной величины называется функция, связывающая значения случайной величины с соответствующими им вероятностями. Закон распределения может быть задан одним из следующих способов.

1 . Закон распределения может быть задан таблицей:

где λ>0, k = 0, 1, 2, … .

в) с помощью функции распределения F(x) , определяющей для каждого значения x вероятность того, что случайная величина X примет значение, меньшее x, т.е. F(x) = P(X < x).

Свойства функции F(x)

3 . Закон распределения может быть задан графически – многоугольником (полигоном) распределения (смотри задачу 3).

Отметим, что для решения некоторых задач не обязательно знать закон распределения. В некоторых случаях достаточно знать одно или несколько чисел, отражающих наиболее важные особенности закона распределения. Это может быть число, имеющее смысл «среднего значения» случайной величины, или же число, показывающее средний размер отклонения случайной величины от своего среднего значения. Числа такого рода называют числовыми характеристиками случайной величины.

Основные числовые характеристики дискретной случайной величины :

Mатематическое ожидание (среднее значение) дискретной случайной величины M(X)=Σ x i p i .
Для биномиального распределения M(X)=np, для распределения Пуассона M(X)=λ
Дисперсия дискретной случайной величины D(X)= M 2 или D(X) = M(X 2)− 2 . Разность X–M(X) называют отклонением случайной величины от ее математического ожидания.
Для биномиального распределения D(X)=npq, для распределения Пуассона D(X)=λ
Среднее квадратическое отклонение (стандартное отклонение) σ(X)=√D(X) .

Примеры решения задач по теме «Закон распределения дискретной случайной величины»

Задача 1.

Выпущено 1000 лотерейных билетов: на 5 из них выпадает выигрыш в сумме 500 рублей, на 10 – выигрыш в 100 рублей, на 20 – выигрыш в 50 рублей, на 50 – выигрыш в 10 рублей. Определить закон распределения вероятностей случайной величины X – выигрыша на один билет.

Решение. По условию задачи возможны следующие значения случайной величины X: 0, 10, 50, 100 и 500.

Число билетов без выигрыша равно 1000 – (5+10+20+50) = 915, тогда P(X=0) = 915/1000 = 0,915.

Аналогично находим все другие вероятности: P(X=0) = 50/1000=0,05, P(X=50) = 20/1000=0,02, P(X=100) = 10/1000=0,01, P(X=500) = 5/1000=0,005. Полученный закон представим в виде таблицы:

Найдем математическое ожидание величины Х: М(Х) = 1*1/6 + 2*1/6 + 3*1/6 + 4*1/6 + 5*1/6 + 6*1/6 = (1+2+3+4+5+6)/6 = 21/6 = 3,5

Задача 3.

Устройство состоит из трех независимо работающих элементов. Вероятность отказа каждого элемента в одном опыте равна 0,1. Составить закон распределения числа отказавших элементов в одном опыте, построить многоугольник распределения. Найти функцию распределения F(x) и построить ее график. Найти математическое ожидание, дисперсию и среднее квадратическое отклонение дискретной случайной величины.

Решение. 1. Дискретная случайная величина X={число отказавших элементов в одном опыте} имеет следующие возможные значения: х 1 =0 (ни один из элементов устройства не отказал), х 2 =1 (отказал один элемент), х 3 =2 (отказало два элемента) и х 4 =3 (отказали три элемента).

Отказы элементов независимы друг от друга, вероятности отказа каждого элемента равны между собой, поэтому применима формула Бернулли . Учитывая, что, по условию, n=3, р=0,1, q=1-р=0,9, определим вероятности значений:
P 3 (0) = С 3 0 p 0 q 3-0 = q 3 = 0,9 3 = 0,729;
P 3 (1) = С 3 1 p 1 q 3-1 = 3*0,1*0,9 2 = 0,243;
P 3 (2) = С 3 2 p 2 q 3-2 = 3*0,1 2 *0,9 = 0,027;
P 3 (3) = С 3 3 p 3 q 3-3 = р 3 =0,1 3 = 0,001;
Проверка: ∑p i = 0,729+0,243+0,027+0,001=1.

Таким образом, искомый биномиальный закон распределения Х имеет вид:

По оси абсцисс откладываем возможные значения х i , а по оси ординат – соответствующие им вероятности р i . Построим точки М 1 (0; 0,729), М 2 (1; 0,243), М 3 (2; 0,027), М 4 (3; 0,001). Соединив эти точки отрезками прямых, получаем искомый многоугольник распределения.

3. Найдем функцию распределения F(x) = Р(Х

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

График функции F(x)

4. Для биномиального распределения Х:
- математическое ожидание М(X) = np = 3*0,1 = 0,3;
- дисперсия D(X) = npq = 3*0,1*0,9 = 0,27;
- среднее квадратическое отклонение σ(X) = √D(X) = √0,27 ≈ 0,52.

Случайной величиной называют переменную величину, которая в результате каждого испытания принимает одно заранее неизвестное значение, зависящее от случайных причин. Случайные величины обозначают заглавными латинскими буквами: $X,\ Y,\ Z,\ \dots $ По своему типу случайные величины могут быть дискретными и непрерывными .

Дискретная случайная величина - это такая случайная величина, значения которой могут быть не более чем счетными, то есть либо конечными, либо счетными. Под счетностью имеется ввиду, что значения случайной величины можно занумеровать.

Пример 1 . Приведем примеры дискретных случайных величин:

а) число попаданий в мишень при $n$ выстрелах, здесь возможные значения $0,\ 1,\ \dots ,\ n$.

б) число выпавших гербов при подкидывании монеты, здесь возможные значения $0,\ 1,\ \dots ,\ n$.

в) число прибывших кораблей на борт (счетное множество значений).

г) число вызовов, поступающих на АТС (счетное множество значений).

1. Закон распределения вероятностей дискретной случайной величины.

Дискретная случайная величина $X$ может принимать значения $x_1,\dots ,\ x_n$ с вероятностями $p\left(x_1\right),\ \dots ,\ p\left(x_n\right)$. Соответствие между этими значениями и их вероятностями называется законом распределения дискретной случайной величины . Как правило, это соответствие задается с помощью таблицы, в первой строке которой указывают значения $x_1,\dots ,\ x_n$, а во второй строке соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$.

$\begin{array}{|c|c|}
\hline
X_i & x_1 & x_2 & \dots & x_n \\
\hline
p_i & p_1 & p_2 & \dots & p_n \\
\hline
\end{array}$

Пример 2 . Пусть случайная величина $X$ - число выпавших очков при подбрасывании игрального кубика. Такая случайная величина $X$ может принимать следующие значения $1,\ 2,\ 3,\ 4,\ 5,\ 6$. Вероятности всех этих значений равны $1/6$. Тогда закон распределения вероятностей случайной величины $X$:

$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline

\hline
\end{array}$

Замечание . Поскольку в законе распределения дискретной случайной величины $X$ события $1,\ 2,\ \dots ,\ 6$ образуют полную группу событий, то в сумме вероятности должны быть равны единице, то есть $\sum{p_i}=1$.

2. Математическое ожидание дискретной случайной величины.

Математическое ожидание случайной величины задает ее «центральное» значение. Для дискретной случайной величины математическое ожидание вычисляется как сумма произведений значений $x_1,\dots ,\ x_n$ на соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$, то есть: $M\left(X\right)=\sum^n_{i=1}{p_ix_i}$. В англоязычной литературе используют другое обозначение $E\left(X\right)$.

Свойства математического ожидания $M\left(X\right)$:

$M\left(X\right)$ заключено между наименьшим и наибольшим значениями случайной величины $X$.
Математическое ожидание от константы равно самой константе, т.е. $M\left(C\right)=C$.
Постоянный множитель можно выносить за знак математического ожидания: $M\left(CX\right)=CM\left(X\right)$.
Математическое ожидание суммы случайных величин равно сумме их математических ожиданий: $M\left(X+Y\right)=M\left(X\right)+M\left(Y\right)$.
Математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий: $M\left(XY\right)=M\left(X\right)M\left(Y\right)$.

Пример 3 . Найдем математическое ожидание случайной величины $X$ из примера $2$.

$$M\left(X\right)=\sum^n_{i=1}{p_ix_i}=1\cdot {{1}\over {6}}+2\cdot {{1}\over {6}}+3\cdot {{1}\over {6}}+4\cdot {{1}\over {6}}+5\cdot {{1}\over {6}}+6\cdot {{1}\over {6}}=3,5.$$

Можем заметить, что $M\left(X\right)$ заключено между наименьшим ($1$) и наибольшим ($6$) значениями случайной величины $X$.

Пример 4 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=2$. Найти математическое ожидание случайной величины $3X+5$.

Используя вышеуказанные свойства, получаем $M\left(3X+5\right)=M\left(3X\right)+M\left(5\right)=3M\left(X\right)+5=3\cdot 2+5=11$.

Пример 5 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=4$. Найти математическое ожидание случайной величины $2X-9$.

Используя вышеуказанные свойства, получаем $M\left(2X-9\right)=M\left(2X\right)-M\left(9\right)=2M\left(X\right)-9=2\cdot 4-9=-1$.

3. Дисперсия дискретной случайной величины.

Возможные значения случайных величин с равными математическими ожиданиями могут по-разному рассеиваться вокруг своих средних значений. Например, в двух студенческих группах средний балл за экзамен по теории вероятностей оказался равным 4, но в одной группе все оказались хорошистами, а в другой группе - только троечники и отличники. Поэтому возникает необходимость в такой числовой характеристике случайной величины, которая бы показывала разброс значений случайной величины вокруг своего математического ожидания. Такой характеристикой является дисперсия.

Дисперсия дискретной случайной величины $X$ равна:

$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}.\ $$

В англоязычной литературе используются обозначения $V\left(X\right),\ Var\left(X\right)$. Очень часто дисперсию $D\left(X\right)$ вычисляют по формуле $D\left(X\right)=\sum^n_{i=1}{p_ix^2_i}-{\left(M\left(X\right)\right)}^2$.

Свойства дисперсии $D\left(X\right)$:

Дисперсия всегда больше или равна нулю, т.е. $D\left(X\right)\ge 0$.
Дисперсия от константы равна нулю, т.е. $D\left(C\right)=0$.
Постоянный множитель можно выносить за знак дисперсии при условии возведения его в квадрат, т.е. $D\left(CX\right)=C^2D\left(X\right)$.
Дисперсия суммы независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X+Y\right)=D\left(X\right)+D\left(Y\right)$.
Дисперсия разности независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X-Y\right)=D\left(X\right)+D\left(Y\right)$.

Пример 6 . Вычислим дисперсию случайной величины $X$ из примера $2$.

$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}={{1}\over {6}}\cdot {\left(1-3,5\right)}^2+{{1}\over {6}}\cdot {\left(2-3,5\right)}^2+\dots +{{1}\over {6}}\cdot {\left(6-3,5\right)}^2={{35}\over {12}}\approx 2,92.$$

Пример 7 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=2$. Найти дисперсию случайной величины $4X+1$.

Используя вышеуказанные свойства, находим $D\left(4X+1\right)=D\left(4X\right)+D\left(1\right)=4^2D\left(X\right)+0=16D\left(X\right)=16\cdot 2=32$.

Пример 8 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=3$. Найти дисперсию случайной величины $3-2X$.

Используя вышеуказанные свойства, находим $D\left(3-2X\right)=D\left(3\right)+D\left(2X\right)=0+2^2D\left(X\right)=4D\left(X\right)=4\cdot 3=12$.

4. Функция распределения дискретной случайной величины.

Способ представления дискретной случайной величины в виде ряда распределения не является единственным, а главное он не является универсальным, поскольку непрерывную случайную величину нельзя задать с помощью ряда распределения. Существует еще один способ представления случайной величины - функция распределения.

Функцией распределения случайной величины $X$ называется функция $F\left(x\right)$, которая определяет вероятность того, что случайная величина $X$ примет значение, меньшее некоторого фиксированного значения $x$, то есть $F\left(x\right)=P\left(X < x\right)$

Свойства функции распределения :

$0\le F\left(x\right)\le 1$.
Вероятность того, что случайная величина $X$ примет значения из интервала $\left(\alpha ;\ \beta \right)$, равна разности значений функции распределения на концах этого интервала: $P\left(\alpha < X < \beta \right)=F\left(\beta \right)-F\left(\alpha \right)$
$F\left(x\right)$ - неубывающая.
${\mathop{lim}_{x\to -\infty } F\left(x\right)=0\ },\ {\mathop{lim}_{x\to +\infty } F\left(x\right)=1\ }$.

Пример 9 . Найдем функцию распределения $F\left(x\right)$ для закона распределения дискретной случайной величины $X$ из примера $2$.

$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline
1/6 & 1/6 & 1/6 & 1/6 & 1/6 & 1/6 \\
\hline
\end{array}$

Если $x\le 1$, то, очевидно, $F\left(x\right)=0$ (в том числе и при $x=1$ $F\left(1\right)=P\left(X < 1\right)=0$).

Если $1 < x\le 2$, то $F\left(x\right)=P\left(X=1\right)=1/6$.

Если $2 < x\le 3$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)=1/6+1/6=1/3$.

Если $3 < x\le 4$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)=1/6+1/6+1/6=1/2$.

Если $4 < x\le 5$, то $F\left(X\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)=1/6+1/6+1/6+1/6=2/3$.

Если $5 < x\le 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)=1/6+1/6+1/6+1/6+1/6=5/6$.

Если $x > 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)+P\left(X=6\right)=1/6+1/6+1/6+1/6+1/6+1/6=1$.

Итак, $F(x)=\left\{\begin{matrix}
0,\ при\ x\le 1,\\
1/6,при\ 1 < x\le 2,\\
1/3,\ при\ 2 < x\le 3,\\
1/2,при\ 3 < x\le 4,\\
2/3,\ при\ 4 < x\le 5,\\
5/6,\ при\ 4 < x\le 5,\\
1,\ при\ x > 6.
\end{matrix}\right.$

В теории вероятностей приходится иметь дело со случайными величинами, все значения которых нельзя перебрать. Например, нельзя взять и «перебрать» все значения случайной величины $X$ - время службы часов, поскольку время может измеряться в часах, минутах, секундах, миллисекундах, и т.д. Можно лишь указать некоторый интервал, в пределах которого находятся значения случайной величины.

Непрерывная случайная величина - это случайная величина, значения которой целиком заполняют некоторый интервал.

Функция распределения непрерывной случайной величины

Поскольку перебрать все значения непрерывной случайной величины не представляется возможным, то задать ее можно с помощью функции распределения.

Свойства функции распределения:

1 . $0\le F\left(x\right)\le 1$.

2 . Вероятность того, что случайная величина $X$ примет значения из интервала $\left(\alpha ;\ \beta \right)$, равна разности значений функции распределения на концах этого интервала: $P\left(\alpha < X < \beta \right)=F\left(\beta \right)-F\left(\alpha \right)$.

3 . $F\left(x\right)$ - неубывающая.

4 . ${\mathop{lim}_{x\to -\infty } F\left(x\right)=0\ },\ {\mathop{lim}_{x\to +\infty } F\left(x\right)=1\ }$.

Пример 1
0,\ x\le 0\\
x,\ 0 < x\le 1\\
1,\ x>1
\end{matrix}\right.$. Вероятность попадания случайной величины $X$ в интервал $\left(0,3;0,7\right)$ можем найти как разность значений функции распределения $F\left(x\right)$ на концах этого интервала, то есть:

$$P\left(0,3 < X < 0,7\right)=F\left(0,7\right)-F\left(0,3\right)=0,7-0,3=0,4.$$

Плотность распределения вероятностей

Функция $f\left(x\right)={F}"(x)$ называется плотностью распределения вероятностей, то есть это производная первого порядка, взятая от самой функции распределения $F\left(x\right)$.

Свойства функции $f\left(x\right)$.

1 . $f\left(x\right)\ge 0$.

2 . $\int^x_{-\infty }{f\left(t\right)dt}=F\left(x\right)$.

3 . Вероятность того, что случайная величина $X$ примет значения из интервала $\left(\alpha ;\ \beta \right)$ - это $P\left(\alpha < X < \beta \right)=\int^{\beta }_{\alpha }{f\left(x\right)dx}$. Геометрически это означает, что вероятность попадания случайной величины $X$ в интервал $\left(\alpha ;\ \beta \right)$ равна площади криволинейной трапеции, которая будет ограничена графиком функции $f\left(x\right)$, прямыми $x=\alpha ,\ x=\beta $ и осью $Ox$.

4 . $\int^{+\infty }_{-\infty }{f\left(x\right)}=1$.

Пример 2 . Непрерывная случайная величина $X$ задана следующей функцией распределения $F(x)=\left\{\begin{matrix}
0,\ x\le 0\\
x,\ 0 < x\le 1\\
1,\ x>1
\end{matrix}\right.$. Тогда функция плотности $f\left(x\right)={F}"(x)=\left\{\begin{matrix}
0,\ x\le 0 \\
1,\ 0 < x\le 1\\
0,\ x>1
\end{matrix}\right.$

Математическое ожидание непрерывной случайной величины

Математическое ожидание непрерывной случайной величины $X$ вычисляется по формуле

$$M\left(X\right)=\int^{+\infty }_{-\infty }{xf\left(x\right)dx}.$$

Пример 3 . Найдем $M\left(X\right)$ для случайной величины $X$ из примера $2$.

$$M\left(X\right)=\int^{+\infty }_{-\infty }{xf\left(x\right)\ dx}=\int^1_0{x\ dx}={{x^2}\over {2}}\bigg|_0^1={{1}\over {2}}.$$

Дисперсия непрерывной случайной величины

Дисперсия непрерывной случайной величины $X$ вычисляется по формуле

$$D\left(X\right)=\int^{+\infty }_{-\infty }{x^2f\left(x\right)\ dx}-{\left}^2.$$

Пример 4 . Найдем $D\left(X\right)$для случайной величины $X$ из примера $2$.

$$D\left(X\right)=\int^{+\infty }_{-\infty }{x^2f\left(x\right)\ dx}-{\left}^2=\int^1_0{x^2\ dx}-{\left({{1}\over {2}}\right)}^2={{x^3}\over {3}}\bigg|_0^1-{{1}\over {4}}={{1}\over {3}}-{{1}\over {4}}={{1}\over{12}}.$$

Примеры решения задач на тему «Случайные величины».

Задача 1 . В лотерее выпущено 100 билетов. Разыгрывался один выигрыш в 50 у.е. и десять выигрышей по 10 у.е. Найти закон распределения величины X – стоимости возможного выигрыша.

Решение. Возможные значения величины X: x 1 = 0; x 2 = 10 и x 3 = 50. Так как «пустых» билетов – 89, то p 1 = 0,89, вероятность выигрыша 10 у.е. (10 билетов) – p 2 = 0,10 и для выигрыша 50 у.е. – p 3 = 0,01. Таким образом:


	0,89	0,10	0,01

Легко проконтролировать: .

Задача 2. Вероятность того, что покупатель ознакомился заранее с рекламой товара равна 0,6 (р=0,6 ). Осуществляется выборочный контроль качества рекламы путем опроса покупателей до первого, изучившего рекламу заранее. Составить ряд распределения количества опрошенных покупателей.

Решение. Согласно условию задачи р = 0,6. Откуда: q=1 -p = 0,4. Подставив данные значения, получим: и построим ряд распределения:


p i		0,24

Задача 3. Компьютер состоит из трех независимо работающих элементов: системного блока, монитора и клавиатуры. При однократном резком повышении напряжения вероятность отказа каждого элемента равна 0,1. Исходя из распределения Бернулли составить закон распределения числа отказавших элементов при скачке напряжения в сети.

Решение. Рассмотрим распределение Бернулли (или биномиальное): вероятность того, что в n испытаниях событие А появится ровно k раз: , или:


	qn					pn

В ернёмся к задаче.

Возможные значения величины X (число отказов):

x 0 =0 – ни один из элементов не отказал;

x 1 =1 – отказ одного элемента;

x 2 =2 – отказ двух элементов;

x 3 =3 – отказ всех элементов.

Так как, по условию, p = 0,1, то q = 1 – p = 0,9. Используя формулу Бернулли, получим

, ,

, .

Контроль: .

Следовательно, искомый закон распределения:


	0,729	0,243	0,027	0,001

Задача 4 . Произведено 5000 патронов. Вероятность того, что один патрон бракованный . Какова вероятность того, что во всей партии будет ровно 3 бракованных патрона?

Решение. Применим распределение Пуассона : это распределение используется для определения вероятности того, что при очень большом

количестве испытаний (массовые испытания), в каждом из которых вероятность события A очень мала, событие A наступитk раз: , где .

Здесь n = 5000, p = 0,0002, k = 3. Находим , тогда искомая вероятность: .

Задача 5 . При стрельбе до первого попадания с вероятностью попадания p = 0,6 при выстреле надо найти вероятность того, что попадание произойдет при третьем выстреле.

Решение. Применим геометрическое распределение: пусть производятся независимые испытания, в каждом из которых событие A имеет вероятность появления p (и непоявления q = 1 – p). Испытания заканчиваются, как только произойдет событие A.

При таких условиях вероятность того, что событие A произойдет на k-ом испытании, определяется по формуле: . Здесь p = 0,6; q = 1 – 0,6 = 0,4;k = 3. Следовательно, .

Задача 6 . Пусть задан закон распределения случайной величины X:

Найти математическое ожидание.

Решение. .

Заметим, что вероятностный смысл математического ожидания – это среднее значение случайной величины.

Задача 7 . Найти дисперсию случайной величины X со следующим законом распределения:

Решение. Здесь .

Закон распределения квадрата величины X 2 :

X2

Искомая дисперсия: .

Дисперсия характеризует меру отклонения (рассеяния) случайной величины от её математического ожидания.

Задача 8 . Пусть случайная величина задается распределением:

			10м

Найти её числовые характеристики.

Решение: м, м 2 ,

М 2 , м.

Про случайную величину X можно сказать либо – ее математическое ожидание 6,4 м с дисперсией 13,04 м 2 , либо – ее математическое ожидание 6,4 м с отклонением м. Вторая формулировка, очевидно, нагляднее.

Задача 9. Случайная величина X задана функцией распределения:
.

Найти вероятность того, что в результате испытания величина X примет значение, заключенное в интервале .

Решение. Вероятность того, что X примет значение из заданного интервала, равно приращению интегральной функции в этом интервале, т.е. . В нашем случае и , поэтому

Задача 10. Дискретная случайная величина X задана законом распределения:

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

Решение. Так как функция распределения,

для , то

при ;

Соответствующий график:

Задача 11. Непрерывная случайная величина X задана дифференциальной функцией распределения: .

Найти вероятность попадания X в интервал

Решение. Заметим, что это частный случай показательного закона распределения.

Воспользуемся формулой: .

Задача 12. Найти числовые характеристики дискретной случайной величины X, заданной законом распределения:

–5

X 2 :

X 2

. , где – функция Лапласа.

Значения этой функции находятся с помощью таблицы.

В нашем случае: .

По таблице находим: , следовательно:

Функцией распределения случайной величиныХ называется функцияF (х ), выражающая для каждогох вероятность того, что случайная величинаХ примет значение, меньшеех :.

Функцию F (х ) иногда называют интегральной функцией распределения, или интегральным законом распределения .

Случайная величина Х называется непрерывной , если ее функция распределения непрерывна в любой точке и дифференцируема всюду, кроме, быть может, отдельных точек.

Примеры непрерывных случайных величин: диаметр детали, которую токарь обтачивает до заданного размера, рост человека, дальность полета снаряда и др.

Теорема. Вероятность любого отдельно взятого значения непрерывной случайной величины равна нулю

Следствие. Если Х - непрерывная случайная величина, то вероятность попадания случайной величины в интервал
не зависит от того, является этот интервал открытым или закрытым, т.е.

Если непрерывная случайная величина Х может принимать только значения в границах от а до b (где а и b - некоторые постоянные), то функция распределения ее равна нулю для всех значений
и единице для значений
.

Для непрерывной случайной величины

Все свойства функций распределения дискретных случайных величин выполняются и для функций распределения непрерывных случайных величин.

Задание непрерывной случайной величины с помощью функции распределения не является единственным.

Плотностью вероятности (плотностью распределения или плотностью ) р (х ) непрерывной случайной величины Х называется производная ее функции распределения

Плотность вероятности р (х ), как и функция распределенияF (х ), является одной из форм закона распределения, но в отличие от функции распределения она существует только длянепрерывных случайных величин.

Плотность вероятности иногда называют дифференциальной функцией, или дифференциальным законом распределения .

График плотности вероятности называется кривой распределения.

Свойства плотности вероятности непрерывной случайной величины:

Рис. 8.1

Рис. 8.2

4.
.

Геометрически свойства 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.

Пример 8.1. Минутная стрелка электрических часов передвигается скачками поминутно. Вы бросили взгляд на часы. Они показывают а минут. Тогда для вас истинное время в данный момент будет случайной величиной. Найти ее функцию распределения.

Решение. Очевидно, что функция распределения истинного времени равна 0 для всех
и единице для
. Время течет равномерно. Поэтому вероятность того, что истинное время меньше а + 0,5 мин, равна 0,5, так как одинаково вероятно, прошло ли после а менее или более полминуты. Вероятность того, что истинное время меньше а + 0,25 мин, равна 0,25 (вероятность этого времени втрое меньше вероятности того, что истинное время больше а + 0,25 мин, а сумма их равна единице, как сумма вероятностей противоположных событий). Аналогично рассуждая, найдем, что вероятность того, что истинное время меньше а + 0,6 мин, равна 0,6. В общем случае вероятность того, что истинное время меньше а + + α мин
, равна α . Следовательно, функция распределения истинного времени имеет следующее выражение:

Она непрерывна всюду, а производная ее непрерывна во всех точках, за исключением двух:х = а их = а + 1. График этой функции имеет вид (рис. 8.3):

Рис. 8.3

Пример 8.2. Является ли функцией распределения некоторой случайной величины функция

Решение.

Все значения этой функции принадлежат отрезку
, т.е.
. Функция F (х ) является неубывающей: в промежутке
она постоянна, равна нулю, в промежутке
возрастает, в промежутке
также постоянна, равна единице (см. рис. 8.4). Функция непрерывна в каждой точке х 0 области ее определения - промежутка
, поэтому непрерывна слева, т.е. выполняется равенство

,
.

Выполняются и равенства:

,
.

Следовательно, функция
удовлетворяет всем свойствам, характерным для функции распределения. Значит данная функция
является функцией распределения некоторой случайной величиныХ .

Пример 8.3. Является ли функцией распределения некоторой случайной величины функция

Решение. Данная функция не является функцией распределения случайной величины, так как напромежутке
она убывает и не является непрерывной. График функции изображен на рис. 8.5.

Рис. 8.5

Пример 8.4. Случайная величина Х задана функцией распределения

Найти коэффициент а и плотность вероятности случайной величины Х . Определить вероятность неравенства
.

Решение. Плотность распределения равна первой производной от функции распределения

Коэффициент а определяем с помощью равенства

Тот же результат можно было получить, используя непрерывность функции
в точке

,
.

Следовательно,
.

Поэтому плотность вероятности имеет вид

Вероятность
попадания случайной величины Х в заданный промежуток вычисляется по формуле

Пример 8.5. Случайная величина Х имеет плотность вероятности (закон Коши)

Найти коэффициент а и вероятность того, что случайная величина Х примет какое-нибудь значение из интервала
. Найти функцию распределения этой случайной величины.

Решение. Найдем коэффициент а из равенства

Следовательно,
.

Итак,
.

Вероятность того, что случайная величина Х примет какое-нибудь значение из интервала
, равна

Найдем функцию распределения данной случайной величины

Пример 8.6. График плотности вероятности случайной величиныХ изображен на рис. 8.6 (закон Симпсона). Написать выражение плотности вероятности ифункцию распределения этой случайной величины.