лекции(II курс)
.pdfНайти закон распределения и числовые характеристики этой случайной величины.
X |
0 |
2 |
3 |
|
|
|
|
P |
0,2 |
0,5 |
0,3 |
|
|
|
|
M(X) = 1, 9, D(X) = M(X2) − (M(X))2 = 4, 7 − 1, 92 = 1, 09.
4.6. Непрерывные случайные величины.
Определение. Случайная величина называется непрерывной, если ее функция распределения всюду непрерывна, а производная функции распределения непрерывна во всех точках, за исключением, быть может, конечного числа точек на любом конечном интервале.
Определение. Плотностью вероятности φ(x) непрерывной случайной величины называется производная ее функции распределения F (x), ò.å.
φ(x) = F ′(x).
Плотность вероятности φ(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.
График плотности распределения называется кривой распределения.
Свойства плотности вероятности.
1) Плотность вероятности неотрицательная функция, т.е.
φ(x) ≥ 0.
2) Вероятность попадания непрерывной случайной величины в интервал [a; b] равна интегралу от ее плотности вероятности в пределах от a до b, т.е.
∫ b
P (a ≤ X ≤ b) = φ(x)dx.
a
3) Функция распределения непрерывной случайной величины может быть выражена через плотность вероятности по формуле
∫ x
F (x) = φ(x)dx.
−∞
4) Несобственный интеграл в бесконечных пределах от плотности вероятности непрерывной случайной величины равен единице
∫ +∞
φ(x)dx = 1.
−∞
31
4.7. Характеристики непрерывных случайных величин.
Основными характеристиками непрерывных случайных величин являются математическое ожидание (M(X)), дисперсия (D(X)), среднее квадратическое (σ(X)), ìîäà
(Mo(X)) и медиана (Me(X)).
Определение. Математическое ожидание непрерывной случайной величины X, заданной плотностью вероятности φ(x), называется величина несобственного интеграла
∫ +∞
xφ(x)dx,
−∞
если он сходится.
Определение. Дисперсией непрерывной случайной величины X называется величина несобственного интеграла
∫ +∞
(x − a)2φ(x)dx, a = M(X),
−∞
если он сходится.
Все свойства M(X), D(X), рассмотренные ранее для дискретных случайных величин справедливы и для непрерывных случайных величин, в частности:
D(X) = M(X2) − (M(X))2,
ãäå |
+∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M(X) = ∫−∞ |
x2φ(x)dx. |
|
|
√ |
|
|
Определение. |
|
|
X |
|
|
|
|
Аналогично определяется среднее квадратическое отклонение σ(x) = |
|
D(x). |
|||||
|
Модой непрерывной случайной величины |
|
называется ее наиболее |
вероятное значение (для которого вероятность pi или плотность вероятности φ(x) достигает максимума).
Mo(X) = x0.
Если вероятность или плотность вероятности достигает максимального значения ни в одной, а в нескольких точках, то такое распределение называется полимодальным.
(X)
X
0 |
X1 |
X3 |
Определение. Медианой Me(X) непрерывной случайной величины X называется такое ее значение, для которого
1
P (X < Me(X)) = P (x > Me(X)) = 2,
32
т.е. вероятность того, что случайная величина X примет значение, меньшее медианы Me(X) или большее ее, одна и та же и равна 1/2.
Геометрически вертикальная прямая x = Me(X), проходящая через точку с абсциссой, равной Me(X), делит площадь фигуры под кривой распределения на две равные части. Очевидно, что в точке x = Me(X) функция распределения равна 1/2, т.е. F (Me(X)) = 1/2.
|
(X) |
|
|
(X) |
|
|
|
|
|
|
|
|
1 |
|
|
P1=1/2 |
P2=1/2 |
0,5 |
|
|
|
|
||
|
|
X |
|
X |
|
|
|
|
|
0 |
Me(X) |
|
0 |
Me(X) |
|
|
|
4.8. Некоторые законы распределения непрерывной случайной величины. Равномерный закон распределения.
Определение. Непрерывная случайная величина X имеет равномерный закон распределения на отрезке [a, b], если ее плотность вероятности φ(x) постоянна на этом отрезке и равна нулю вне его, т.е.
|
1 |
|
ïðè a ≤ x ≤ b, |
φ(x) = |
|
|
|
b a |
|||
{ |
ïðè |
x < a, x > b. |
|
0− |
Кривая распределения φ(x) и график функции распределения F (x) случайной вели- чины X указаны на рисунке
|
(X) |
|
|
(X) |
|
|
|
|
1 |
|
|
1/(b-a) |
|
|
|
|
|
|
|
X |
|
|
X |
0 |
A |
B |
0 |
A |
B |
Теорема. Функция распределения случайной величины X, распределенной по равно-
мерному закону, есть |
|
|
|
|
ïðè x ≤ a, |
|
|
|
|
|
− |
0 |
|
|
|||
|
|
ïðè |
|
|
|
|||
F (x) = |
|
x − a |
ïðè a < x |
≤ |
b, |
|||
|
b |
|
a |
|
|
|
||
|
|
|
1 |
|
x > b. |
|
|
|
|
|
|
|
|
|
ее математическое ожидание M(X) = a +2 b,
а дисперсия
D(X) = (b − a)2 .
12
33
Показательный закон распределения.
Определение. Непрерывная случайная величина X имеет показательный закон распределения с параметром λ, если ее плотность вероятности имеет вид:
φ(x) =
{ λe− x ïðè x ≥ 0,
0 ïðè x < 0.
Кривая распределения φ(x) и график функции распределения F (x) случайной вели- чины X приведены на рисунке.
|
|
(X) |
|
|
|
1 |
|
(X) |
||||
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
||||
|
|
|
X |
|
|
|
|
|
|
X |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|||
0 |
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
||||||
Теорема. Функция распределения случайной величины X, распределенной по показа- |
||||||||||||
тельному закону, есть |
|
|
|
|
|
|
|
|
|
|
||
|
|
F (x) = { |
|
0 ïðè x < 0, |
||||||||
|
|
1 − e− x ïðè x ≥ 0, |
||||||||||
ее математическое ожидание |
|
|
|
|
1 |
|
|
|
|
|
||
|
|
|
M(X) = |
|
, |
|
|
|
||||
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
λ |
|||||
а дисперсия |
|
|
|
1 |
|
|
|
|
|
|||
|
|
D(X) = |
|
. |
||||||||
|
|
|
||||||||||
|
|
λ2 |
4.9. Нормальный закон распределения.
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.
Определение. Непрерывная случайная величина X имеет нормальный закон распределения (закон Гаусса) с параметрами a и σ2, если ее плотность вероятности имеет
âèä: |
1 |
|
(x a)2 |
|
||
|
e− |
|
||||
φN (x) = |
σ√ |
|
|
. |
(3) |
|
|
2 2 |
|||||
2π |
||||||
Кривую нормального закона распределения называют |
нормальной èëè гауссовой |
кривой.
На рисунке приведена нормальная кривая φN (x) с параметрами a, σ2, ò.å. N(a; σ2) и график функции распределения случайной величины X, имеющей нормальный закон.
Заметим, что нормальная кривая симметрична относительна прямой x = a, имеет
1
максимум в точке x = a, равный √ , две точки перегиба x = a ± σ. Можно заметить,
σ 2π
что выражение плотности нормального закона параметры обозначаются буквами a è σ2, которыми обозначаются M(X) è D(X). Такое совпадение не случайно.
34
Y |
Y |
|
1 |
|
0,5 |
X |
X |
A- A A+ |
A |
|
Теорема. Математическое ожидание случайной величины X, распределенной по нормальному закону, равно параметру a этого закона, т.е.
M(X) = a,
а ее дисперсия параметру σ2, ò.å.
D(X) = σ2.
Выясним, как будет меняться нормальная кривая при изменении параметров a è σ2. Åñëè
σ = const, и меняется параметр a(a1 < a2 < a3), т.е. центр симметрии распределения, то нормальная кривая будет смещаться вдоль оси абсцисс, не меняя формы
Y
|
|
X |
A1 |
A2 |
A3 |
Åñëè a = const и меняется параметр σ2, то меняется ордината максимума кривой
|
1 |
|
fmax(a) = |
σ√2π |
. При увеличении σ 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 σ, напротив,
нормальная кривая вытягивается вверх, одновременно сжимаясь с боков. Таким образом, параметр a (он же математическое ожидание) характеризует положение, а параметр σ2
(он же дисперсия) форму нормальной кривой.
Y
X
A
Нормальный закон распределения случайной величины с параметрами a = 0, σ2 = 1,
ò.å. N(0; 1) называется стандартным èëè нормированным, а соответствующая нормальная кривая стандартной èëè нормированной.
35
Теорема. Функция распределения случайной величины X, распределенной по нормальному закону, выражается через функцию Лапласа Φ(X) по формуле:
|
N |
2 |
|
2 |
( |
σ |
) |
|
||
F |
|
(x) = |
1 |
+ |
1 |
Φ |
|
x − a |
. |
(4) |
|
|
|
|
|
Рассмотрим свойства случайной величины, распределенной по нормальному закону. 1) Вероятность попадания случайной величины X, распределенной по нормальному
закону, в интервал [x1; x2], равна
P (x1 ≤ X ≤ x2) = |
1 |
[Φ(t2) − Φ(t1)], |
(5) |
|||||||
|
||||||||||
2 |
||||||||||
ãäå |
|
x1 − a |
|
|
|
|
x2 − a |
|
|
|
t1 |
= |
, |
t2 |
= |
|
(6) |
||||
σ |
σ |
|||||||||
|
|
|
|
|
|
|
Доказательство. Учитывая формулу (2) из параграфа Ÿ5 ( P (x1 ≤ X ≤ x2) = F (x2)− F (x1)), получим
|
1 ≤ |
|
≤ |
2 |
2 |
|
− |
1 |
|
|
|
[2 |
2 |
|
( σ |
)] − |
[2 |
2 |
( σ |
)] |
|||||
P (x |
|
X |
|
x |
) = F (x |
) |
|
F (x |
) = |
1 |
+ |
1 |
Φ |
|
x2 − a |
|
1 |
+ |
1 |
Φ |
|
x1 − a |
= |
||
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
= |
1 |
[Φ(t2) − Φ(t1)], |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
ãäå t1 è t2 определяются по формуле (6). Ч.т.д.
2) Вероятность того, что отклонение случайной величины X, распределенной по нормальному закону, от математического ожидания a не превысит величину > 0 (ïî àá-
солютной величине), равна
P ( |
X |
|
a |
|
) = Φ(t), t = |
. |
|
| |
|
− |
|
| ≤ |
|
σ |
|
Замечания.
1) åñëè = σ, òî
P (|X − a| ≤ σ) = Φ(1) = 0, 6827;
2)åñëè = 2σ, òî
P (|X − a| ≤ 2σ) = Φ(2) = 0, 9545;
3)åñëè = 3σ, òî
P (|X − a| ≤ 3σ) = Φ(3) = 0, 9973.
Отсюда вытекает "правило трех сигм":
Если случайная величина X имеет нормальный закон распределения с параметрами a è σ2, ò.å. N(a; σ2), то практически достоверно, что ее значения заключены в интервале
(a − 3σ, a + 3σ).
Нарушение "правила трех сигм"т.е. отклонение нормально распределенной случайной величины X больше, чем на 3σ (по абсолютной величине), является событием практически
невозможным, так как его вероятность весьма мала:
P (|X − a| > 3σ) = 1 − P (|X − a| ≤ 3σ) = 1 − 0, 9973 = 0, 0027.
Пример. Пусть масса пойманной рыбы подчиняется нормальному закону с параметрами a = 375, σ = 25. Найти вероятность того, что масса одной пойманной рыбы составит:
1)от 300 до 425 г; 2) не более 450 г; 3) больше 300 г.
36
1) По формуле (5) при x1 = 300, |
x2 = 425, |
a = 375, σ = 25 |
получим |
|
|
|
− |
|
|||||||||||||
[ ( |
25 |
) |
− |
( |
|
25 |
|
)] |
|
|
|
|
− |
|
|
|
|||||
P (300 < X < 425) = 0, 5 Φ |
425 − 375 |
|
|
Φ |
300 |
− |
375 |
= 0, 5[Φ(2) |
|
|
|
Φ( |
|
3)] = 0, 9759. |
|||||||
|
|
|
|
|
|
|
|
|
|||||||||||||
2)По формуле (5), имеем |
|
|
|
|
[ ( |
|
|
|
) − |
|
( |
|
|
|
|
)] |
|
|
|||
|
|
|
|
|
|
25 |
|
|
25 |
|
|
|
|
||||||||
P (X < 450) = P (0 < X < 450) = 0, 5 Φ |
450 |
− |
375 |
|
Φ |
|
|
0 − 375 |
|
|
|
= 0, 9986. |
|||||||||
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
||||||||||||||
3)По формуле (5), имеем |
|
∞ |
|
|
|
[ (∞ |
|
|
) − |
( |
|
|
|
|
|
|
)] |
|
|||
|
|
|
|
|
25 |
25 |
|
|
|
|
|
||||||||||
P (300 < X) = P (300 < X < + |
|
) = 0, 5 Φ |
|
− |
375 |
|
Φ |
|
300 − 375 |
|
|
= 0, 9986. |
|||||||||
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
4.10. Распределение некоторых случайных величин, представляющих функции нормальных величин.
Рассмотрим несколько основных законов, составляющих необходимый аппарат для построения в дальнейшем статистических критериев и оценок, применяемых в математиче-
ской статистике.
1)χ2−распределение.
Определение. Распределением χ2 называется распределение суммы квадратов k
независимых случайных величин x1, x2, . . . , xk, каждая из которых имеет стандартный
нормальный закон распределения.
∑k
χ2 = x2i
i=1
Величина χ2 для различных значений k затабулирована.
2)Распределение Стьюдента.
Определение. Распределением Стьюдента (или t распределением) называется рас-
пределение случайной величины
t = √Z ,
k1 χ2
ãäå Z−случайная величина, распределенная по стандартному нормальному закону, т.е.
N(0; 1).
Ïðè k → ∞ t распределение приближается к нормальному. Практически уже при k > 30 можно считать t распределение приближенно нормальным.
3)Распределение Фишера Снедекора.
Определение. Распределением Фишера Снедекора (или F распределением) называется распределение случайной величины
1 χ2(k1)
F = k11 χ2(k2),
k2
ãäå χ2(k1) è χ2(k2)− случайные величины, имеющие χ2−распределение соответственно ñ k1 è k2 степенями свободы.
Ïðè k1 è k2 → ∞ F распределение приближается к нормальному закону.
37
Контрольные вопросы.
1)Определение случайной величины, виды случайных величин.
2)Закон распределения дискретной случайной величины.
3)Математические операции над случайными величинами.
4)Математическое ожидание и его свойства.
5)Дисперсия и ее свойства.
6)Функция распределения и ее свойства.
7)Плотность вероятности и ее свойства.
8)Характеристики непрерывных случайных величин.
9)Равномерный и показательный законы распределения.
10)Нормальный закон распределения. Теорема.
11)Правило "трех сигм".
38
Тема 5. Закон больших чисел.
Ïîä законом больших чисел понимается совокупность предложений, в которых утверждается, что с вероятностью, как угодно близкой к единице, отклонение средней арифмитической достаточно большого числа случайных величин от постоянной величинысредней арифмитической их математических ожиданий не превзойдет заданного как угодно малого числа ε > 0.
5.1. Неравенство Маркова (Лемма Чебышева).
Лемма Чебышева. Если среди значений случайной величины X нет отрицательных, то вероятность того, что она примет какое-нибудь значение, превосходящеее положительное число A, не больше дроби, числитель которой математическое ожидание случайной величины, а ее знаменатель число A.
P (X > A) ≤ |
M(X) |
|
A . |
(1) |
Доказательство. Пусть известен закон распределения случайной величины X
X |
x1 |
. . . |
xn |
P |
p1 |
. . . |
pn |
по отношению к числу A все значения xi разбиваются на две группы:
1)xi < A, 1 ≤ i ≤ k,
2)xi > A, k + 1 ≤ i ≤ n.
Запишем чему равно математическое ожидание данной случайной величины
x1p1 + x2p2 + . . . + xkpk + xk+1pk+1 + . . . + xnpn = M(X).
Òàê êàê âñå pi > 0, а по условию леммы все xi ≥ 0, то члены этой суммы неотрицательны. Поэтому отбрасывая первые k слагаемых в выражении M(X), получим неравенство
xk+1pk+1 + . . . + xnpn ≤ M(X).
Заменив в нем оставшиеся значения случайной величины меньшей величиной A, можно лишь усилить неравенство, т.е.
A(pk+1 + . . . + pn) ≤ M(X),
pk+1 + . . . + pn ≤ |
M(X) |
|
|
. |
|
A |
Òàê êàê xk+1, . . . , xn представляют все значения случайной величины, которые больше
A, то в соответствии с теоремой сложения вероятностей сумма в левой части последнего неравенства дает вероятность того, что случайная величины X примет какое нибудь значение, большее A. Следовательно,
P (X > A) ≤ M(X).
A
×.ò.ä.
Замечание. Так как события X > A è X ≤ A являются противоположными событиями, то лемма Чебышева может быть записана в следующим эквивалентным неравенством
P (X ≤ A) > 1 − |
M(X) |
|
A . |
(2) |
39
Пример. С среднем количество вызовов, поступающих на коммутатор завода в те- чении часа, равно 300. Оценить вероятность того, что в течение следующего часа число вызовов на коммутатор: a) превысит 400; б) бедет не более 500.
а) По условию M(X) = 300. По формуле (1)
P (X > 400) ≤ 300400,
т.е. вероятность того, что число вызовов превысит 400, будет не более 0,75.
б) По формуле (2)
P (X ≤ 500) ≥ 1 − 300500 = 0, 4,
т.е. вероятность того, что число вызовов не более 500, будет не менее 0,4.
Отметим, что с помощью леммы Чебышева (и других теорем закона больших чисел)
не находится точное или прибдиженное значение вероятности, а производится лишь ее
ОЦЕНКА.
5.2. Неравенство Чебышева.
Лемма Чебышева имеет следующие недостатки:
а) она не применима, если среди значений случайной величины есть отрицательные значения;
б) разные законы распределения случайных величин могут иметь одинаковые математические ожидания и тогда лемма Чебышева дает для них одинаковую оценку;
Эти недостатки устраняет следующая теорема
Теорема (Неравенство Чебышева). Вероятность того, что отклонение случайной величины от ее математического ожидания M(X) = a превзойдет по абсолютной
величине положительное число ε, не больше дроби, числитель которой дисперсия случайной величины, а ее знаменатель квадрат ε.
P (|X − a| > ε) ≤ |
D(X) |
(3) |
ε2 |
Доказательство. Пусть X cлучайная величина, M(X) = a−ее математическое ожидание. Рассмотрим новую случайную величину (Xa)2, причем среди ее значений нет отрицательных, и, следовательно, для нее применима лемма Чебышева.
P ((X − a)2 > ε2) ≤ M(X − a)2 . ε2
Так как неравенства (X − a)2 > ε2 è |X − a| > ε эквивалентны, а M(X − a)2 = M(X − M(X))2 = D(X), то из предыдущего неравенства получим
P (|X − a| > ε) ≤ |
D(X) |
|
|
. |
|
ε2 |
×.ò.ä.
Замечания.
1) Т.к. события |X −a| > ε è |X −a| ≤ ε являются противоположными, то неравенство Чебышева имеет эквивалентную форму
P (|X − a| ≤ ε) ≥ 1 − |
D(X) |
|
ε2 . |
(4) |
40