- •20. Центральная предельная теорема
- •42.Проверка гипотеза о зависимости (независимости) случайных величин
- •41. Проверка гипотеза о зависимости (независимости) случайных величин
- •2.Билет
- •4Билет Формула полной вероятности
- •7Законы распределения дискретных случайных величин
- •8Распределение непрерывных случайных величин
- •9Системы случайных величин
- •10Условные законы распределения случайных величин, входящих в систему
- •12Нормальный закон на плоскости. Уравнение линии регрессии
- •13Функции от случайных аргументов
- •14 Билет
- •15Закон распределения функции от случайного аргумента общего вида
- •16Законы распределения функции от произвольного числа случайных аргументов
- •17Предельные теоремы теории вероятностей
- •18Частная теорема Чебышева
- •19Теорема Бернулли и Пуассона
8Распределение непрерывных случайных величин
Равномерное распределение:
Непрерывная случайная величина имеет равномерное распределение на отрезке [a, b], если её плотность распределения задаётся выражением:
График этой плотности распределения имеет вид:
Функция распределения:
График функции распределения:
Числовые характеристики:
Вероятностная задача относительно этой непрерывной случайной величины решается по формуле:
, , a, b
Показательное распределение:
Показательное распределение характеризует закон распределения интервала времени между двумя событиями в простейшем потоке.
Действительно, вероятность того, что за время τ не наступит очередное событие, согласно распределению Пуассона, можно задать выражением вида:
0! = 1
Соответственно, вероятность того, что за время τ наступит очередное событие, будет равна:
Р(Т > τ) = 1 – е-λτ (1)
Это выражение характеризует функцию распределения случайной величины. Если через Х обозначить случайную величину "время наступления очередного события", то выражение (1) можно записать в виде:
Р(Х > х) = 1 – е-λх (2)
С учётом этого, функцию распределения случайной величины, имеющей показательное распределение, можно записать следующим образом:
Числовые характеристики:
Вероятностная задача определяется:
Показательное распределение играет исключительную роль в теории надёжности. Через показательное распределение задаётся так называемая функция надёжности, имеющая вид:
где – интенсивность отказов (среднее число отказов в единицу времени),
а функция надёжности определяет вероятность того, что в течение времени τ то или иное устройство будет работать безотказно.
Нормальное распределение:
Нормальный закон распределения случайной величины является основным законом природы, где процесс описывается с помощью случайной величины.
Плотность распределения случайной величины, имеющей нормальное распределение, задаётся выражением:
где a и b – параметры распределения.
Математическое ожидание:
Из этого следует, что среднее квадратичное случайной величины по нормальному закону х равна параметру b данного распределения.
Как правило, при решении вероятностных задач относительно случайной величины, распределённой по нормальному закону, вводится такое понятие как нормальное стандартное распределение.
В этом распределении математическое ожидание равно 0 (mх = 0), дисперсия равна 0 (Dх = 0), следовательно, х = 0.
Плотность распределения:
Для функции стандартного нормального распределения:
составляются таблицы.
Для того, чтобы через стандартное нормальное распределение можно было решить вероятностную задачу относительно случайной величины общего вида, то есть когда mх≠0 и Dх≠0, её центрируют ( ) и нормируют (÷ ) таким образом:
В этом случае случайная величина Т имеет стандартное нормальное распределение. И тогда связь между функциями распределения случайной величины общего вида и функцией распределения стандартной величины задаётся выражением:
Соответственно, вероятность того, что случайная величина Х больше и меньше , равна:
Р(<Х<) = F() – F() = -