Chast_10_TV
.pdfЧтобы найти числовые характеристики с. в. X, введем новую с. в.
Xi — индикатор события A (i = 1,2,...,n ). Она может принимать два значения: Xi = 1, если в i-м испытании событие A произошло и Xi = 0 , если событие в i-м опыте не наступило. Исходная с. в.
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X = еXi . Ряд распределения с. в. Xi |
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
i =1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Xi |
|
|
|
|
|
|
0 |
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
p |
|
|
|
|
|
|
|
q |
|
|
|
|
|
|
p |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
Математическое ожидание M (Xi ) = p . |
|
|
|
|
|
|
|||||||||||||||||
|
Дисперсия D (Xi ) = M ((Xi )2 )- (M (Xi ))2 = p - p2 = pq . |
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
Найдем характеристики X = еXi , учитывая независимость ве- |
|||||||||||||||||||||||
личин Xi : |
|
|
|
|
|
|
|
|
|
i =1 |
|
|
|
|
|
|
|
|
|
|
|
|||
ж |
n |
ц |
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
, |
|
|
|
|
|
|
|
|
|
|
||||||
|
M (X ) = M з |
еXi ч = еM (Xi ) = np |
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
и i=1 |
ш |
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
ж |
n |
ц |
n |
|
|
|
|
|
|
|
|
|
|
|
npq . |
|
|
|
|
|
||
D (X ) = D з |
еXi ч = |
еD (Xi ) = npq , s(X ) = |
|
|
|
|
|
|
||||||||||||||||
|
|
и i=1 |
ш |
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
Найдем математическое ожидание и дисперсию относительной |
|||||||||||||||||||||||
частоты |
|
появления |
события |
A: |
m |
= |
X |
: |
ж |
X ц |
1 |
M (X ) = p, |
||||||||||||
|
|
n |
n |
M з |
ч = |
n |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
и |
n ш |
|
|
|||
ж |
X ц |
1 |
D (X ) = |
npq |
|
|
pq |
ж |
X ц |
|
pq |
|
|
|
|
|
|
|
|
|||||
D з |
ч = |
|
|
|
|
= |
|
|
|
, sз |
ч = |
|
|
|
. |
|
|
|
|
|
|
|
||
n |
2 |
n |
2 |
|
n |
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
n |
|
|
|
|
|
|
|
|
||||||||||||||
и |
n ш |
|
|
|
|
|
|
и |
n ш |
|
|
|
|
|
|
|
|
|
|
Полученный результат показывает обоснованность статистического определения вероятности — среднее значение относительной
частоты mn = p — вероятности появления события в однократном
испытании, а дисперсия, т. е, разброс значений вокруг среднего, уменьшается по мере роста n .
5.2. Распределение Пуассона
В пределе при n→∞, р→0, lim(np) = l = const биномиальное рас-
n®Ґ
пределение переходит в распределение Пуассона. Распределение
41
Пуассона можно приближенно применять вместо биномиального, когда число опытов n очень велико, а вероятность p очень мала, т. е.
вкаждом единичном опыте событие А появляется крайне редко.
Всвязи с этим говорят о длинной серии маловероятных событий и закон Пуассона называют законом редких событий.
Случайная величина X, распределенная по закону Пуассона,
принимает значения k = 0,1,2,... с вероятностями P (X = k) = lk e-l . k!
Число l > 0 — параметр распределения, смысл которого будет уточнен при вычислении числовых характеристик распределения.
Убедимся, что сумма всех вероятностей равна 1:
еP (X = k) = 1 |
:еl |
k |
e-l = e-l еl |
k |
=e-lel =1. |
Ґ |
Ґ |
Ґ |
|
||
k=0 |
k =0 k! |
k =0 k! |
|
Найдем математическое ожидание с. в., распределенной по закону Пуассона.
M (X ) |
= еk l |
k |
e |
||
|
|
Ґ |
|
|
|
|
|
k=0 |
k! |
|
|
Ґ |
m |
|
|
|
|
= le-l е l |
|
= le-lel |
|||
m=0 m! |
|
|
|
|
Ґlk Ґ lk-1
-l = e-l еk=1 (k -1)! = e-llеk=1 (k -1)! = k -1 = m =
=l .
Таким образом, параметр распределения Пуассона l — среднее количество событий за определенный промежуток
времени (средняя интенсивность потока). Найдем дисперсию:
D (X ) = M (X 2 )- (M (X ))2 = еk2 l |
k |
e-l |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Ґ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k=0 |
|
k! |
|
|||
|
|
|
|
ж |
Ґ |
(k -1)l |
k |
+ |
|
Ґ |
l |
k ц |
- l2 |
= e-l |
|||||||||
= e-l з |
е |
е |
|
|
|
ч |
|||||||||||||||||
|
|
|
|
з |
(k -1)! |
|
|
|
|
|
|
ч |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
и k =1 |
|
|
k =1 (k - |
1)! ш |
|
|
|
|
|
||||||||||
= |
|
|
|
k -1 = m |
|
= e-l |
ж |
|
|
Ґ |
ln |
|
|
Ґ |
|
lm |
ц |
|
|||||
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
k - |
2 = n |
|
з l2 |
е |
n! |
+ lе |
|
ч - l2 |
||||||||||||
|
|
|
|
|
|
|
и |
|
|
n=0 |
|
m=0 m! |
ш |
|
- l2 = e-l е(k -1+1)l |
k |
- l2 |
= |
||||||||
|
|
Ґ |
|
( |
|
) |
|
|
|
||
|
|
k=1 |
|
|
|
|
|
|
|||
|
|
|
|
|
k -1 |
! |
|
|
|
|
|
ж |
Ґ |
lk |
|
Ґ |
|
lk |
|
|
ц |
|
|
з |
е |
|
+ |
е |
|
|
|
ч |
- l2 |
= |
|
з |
|
(k - 2)! |
|
|
|
|
|
ч |
|||
и k =2 |
|
k =1 (k -1)! ш |
|
|
= e-l (l2 + l)el - l2 = l ,
дисперсия также равна параметру распределения.
Свойством, что математическое ожидание и дисперсия равны, пользуются при проверке гипотезы, что неизвестная с. в. распределена по закону Пуассона.
42
Если оценки математического ожидания и дисперсии, полученные на основании опытных данных, близки между собой, то есть основания считать, что исследуемая с. в. распределена по закону Пу-
ассона.
Пример: Вероятность попадания в цель при одном выстреле равна 0,01. Какова вероятность того, что после 200 выстрелов цель будет поражена?
Решение: Воспользуемся формулой Пуассона. Событие А = {цель поражена} является сложным (цель поражена одним выстрелом, цель поражена двумя выстрелами и т. д.). Рассмотрим
противоположное событие A = {цель не поражена}, его вероятность легко находится: параметр l = np = 2 ,
0
P (A) = P200 (0) » 2! e-2 » 0,135 . P (A) = 1- P (A) » 0,865.
0
5.3. Равномерное распределение
С.в. X распределена равномерно на участке от а до b, если ее
плотность ¦ (х) на этом участке постоянна
|
м 0, при x < a, и x > b, |
||
f (x) = |
п |
|
|
н 1 |
, при a < x < b. |
||
|
п |
|
|
|
|
||
|
оb a |
|
|
Вероятность попадания с. в. X на |
|||
любую часть |
участка, например, |
участка (a, b) P{a < X < b} = bb --aa .
f(x)
1 b – a
0 |
a α |
β |
b |
x |
Найдем функцию распределения F (x): F (x) = P{X < x} = тx |
f (x)dx . |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
-Ґ |
|
|
x<a, |
¦ (x) =0, F (x) =0. |
|
|
|
|
|
|
|
|
|
|
|
||
|
1 |
x |
1 |
|
|
|
a |
x |
1 |
|
x - a |
|||
|
, F (x) = т |
|
|
dx = т 0 Чdx + т |
|
|
||||||||
a<x<b, |
f (x) = |
|
|
|
|
dx = |
|
. |
||||||
b - a |
b - a |
b - a |
b - a |
|||||||||||
|
|
|
-Ґ |
|
|
|
|
-Ґ |
a |
|
|
|
|
|
x>b, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a |
b |
x |
|
b dx |
b - a |
|
|
|
|
|
|
|||
F (x) = т f (x)dx + т f (x)dx + т f (x)dx = |
т |
|
= b - a |
= 1. |
|
|
|
|
||||||
b - a |
|
|
|
|
||||||||||
-Ґ |
a |
b |
|
a |
|
|
|
|
|
|
|
43
f(x)
0 |
a |
b |
x |
График функции распределения:
м0, при x < a,
п
F (x) = п x a , при a < x < b,
нпb a
п1, при x>b.
о
Вычислим математическое ожидание с. в. X :
Ґ |
b xdx |
|
x2 |
|
b |
b2 - a2 |
b + a |
|
|
|
|
|
|||||||
|
|
|
|
||||||
mx = т |
xf (x)dx = тb - a |
= |
|
|
= |
|
= |
|
. Вычислим дис- |
2(b - a) |
2(b - a) |
2 |
|||||||
-Ґ |
a |
|
2 |
|
a |
|
|
|
|
|
|
|
|
|
|
||||
|
+Ґ |
|
|
|
|
|
|
|
|
персию с.в. X : Dx = т (x - mx ) f (x)dx |
|
|
-Ґ
|
b |
ж |
b + a ц2 |
dx |
||
= |
тa |
з x - |
|
ч |
|
|
2 |
b - a |
|||||
|
и |
ш |
ж - b + a ц3 b з x 2 ч
= и 3(b - a)ш
a
= (b - a)2 . Среднее квадратическое
12
отклонение sx = Dx = b - a . |
|
|
2 |
3 |
|
Мода y равномерного распределения отсутствует. |
||
Медиана (из соображений симметрии) mx = a + b |
= Mex |
|
|
2 |
|
Из соображений симметрии m3 = 0, коэффициент асимметрии
Sk=0, |
|
1 b |
ж |
a + b ц4 |
(b - a)4 |
|
|||
|
|
; |
|||||||
m4 |
= |
|
|
з x - |
|
ч dx = |
|
||
b - a тa |
2 |
80 |
|||||||
|
|
и |
ш |
|
эксцесс ex = ms44 - 3 = -1,2 ; эксцесс отрицателен.
x
Пример: Поезда метрополитена идут регулярно с интервалом 2 минуты. Пассажир выходит на платформу в случайный момент времени.
44
Найти плотность распределения случайной величины Т — времени, в течение которого ему придется ждать поезда, ее математическое ожидание, дисперсию и среднеквадратическое отклонение.
Решение:
|
|
1 |
|
|
|
1 |
|
|
|
2 |
1 |
x2 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
f (x) = |
|
|
= |
|
(0<x<2); mx = т x |
2 dx = |
|
|
|
|
= 1, |
|||||
2 - 0 |
2 |
4 |
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
0 |
f(x) |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
Dx = |
(2 - 0)2 |
4 |
= |
1 |
, sx = |
3 |
. |
|
|
|
|
|
1 |
|||
|
= |
|
|
|
|
|
|
|
|
|
|
2 |
||||
|
12 |
|
12 |
|
3 |
|
3 |
|
|
|
|
|
|
|
0 |
1 |
2 |
x |
5.4. Показательное распределение
С.в. X имеет показательное (экспоненциальное) распределение, если
мle-lx , x і 0, f (x) = н
о0, x < 0.
l > 0 называется параметром распределения.
Функция распределения F (x): F (x) = тx
-Ґ
f(x)
λ
0 |
x |
x<0, F (x) =0. |
0 |
|
f(x) |
|
|||
|
|
|
x |
x |
|
||
|
|
|
|
|
|||
x>0, F (x) = т f (x)dx = т |
f (x)dx +т f (x)dx = |
1 |
|
||||
|
|
||||||
|
|
|
-Ґ |
-Ґ |
0 |
|
|
lтx e-lxdx = - ll тx e-lxd(-lx) = |
|
0 |
x |
||||
0 |
|
|
0 |
|
|
|
|
-e-lx |
|
x |
= -e-lx + e0 |
= 1 - e-lx . |
|
|
|
|
|
|
|
||||
|
|
0 |
|
|
м1 - e-lx , x > 0, |
|
|
|
|
|
|
|
|||
Таким образом, F (x) = |
|
|
|||||
н |
|
|
|||||
|
|
|
|
|
о0, x < 0. |
|
|
Вычислим математическое ожидание показательного распреде-
Ґ |
Ґ |
Ґ |
1 |
|
ления mx = т |
xf (x)dx = тxle-lxdx = lтxe-lxdx = |
; |
||
-Ґ |
0 |
0 |
l |
|
|
|
(для вычисления интеграла интегрируем по частям).
45
Дисперсия:
Ґ |
|
|
|
Ґ |
2 |
|
|
|
|
|
||
|
|
|
1 ) le-lxdx = |
|
|
|
||||||
Dx = т |
(x - mx )2 f (x)dx = т(x - |
|
|
|
||||||||
-Ґ |
|
0 |
|
|
l |
|
|
|
||||
|
|
|
|
|
|
|
|
|
||||
Ґ |
Ґ |
|
x |
Ґ |
|
1 |
|
|
|
|
||
= тlx2e-lxdx - т |
2 |
le-lxdx + т |
1 |
le-lx = |
. |
|
|
|
||||
l |
l2 |
l2 |
|
|
|
|||||||
0 |
0 |
0 |
|
|
|
|
|
|
|
|
||
Среднее квадратическое отклонение: sx = |
1 |
, т.е. mx = sx = |
1 . |
|||||||||
|
|
|
|
|
|
|
|
|
|
l |
|
l |
Вычислим асимметрию показательного распределения, для это-
|
|
Ґ |
ж |
1 ц3 |
-lx |
|
2 |
|
|
|
||
го: m3 |
= |
т0 |
з x - |
ч le |
|
dx = |
|
|
. |
|
|
|
|
l |
3 |
|
|||||||||
|
|
и |
l ш |
|
|
|
|
m3 |
|
|||
Коэффициент асимметрии Sk = |
= 2 > 0 , что и следовало ожи- |
|||||||||||
3 |
||||||||||||
|
|
|
|
|
|
|
|
|
|
s |
|
дать. |
x |
|
Показательное распределение связано с простейшим потоком событий. Покажем, что интервал времени Т между двумя соседними событиями в простейшем потоке имеет показательное распределение с параметром, равным интенсивности потока.
f (t ) = le -lt , t і 0 .
Найдем функцию распределения F (t) = P (T < t).
|
|
|
t |
|
|
|
Чтобы выполнялось неравенство T < t , |
|||||||
|
|
|
|
|
нужно, чтобы хотя бы одно событие потока |
|||||||||
|
|
|
|
|
|
|
||||||||
0 |
T |
|
t |
|
||||||||||
|
|
|
|
|
|
попало на участок длиной t. Вероятность |
||||||||
|
|
|
|
|
|
|
||||||||
этого события |
|
описывает |
пуассоновское |
распределение: |
||||||||||
Pm = |
(lt)m e-lt . Вычислим вероятность противоположного события |
|||||||||||||
|
|
|
m! |
|
|
; |
( |
) |
|
|
|
, откуда |
|
. |
|
|
|
: (m=0) 0 |
= e-lt |
|
0 |
= 1- e-lt |
F (t) = 1 - e-lt |
||||||
T і t |
P |
|
P T < t |
|
= 1 |
- P |
|
|
Дифференцируя, получаем: f (t) = F ў(t) = le-lt — показательное распределение.
5.5. Нормальное распределение (распределение Гаусса)
Нормальное распределение занимает в математике особое положение в силу своей важности.
1 (x-m)2
Плотность распределения: f (x) = s 2p e- 2s2 , где m,s — параметры распределения.
46
Кривая распределения: максимум достигается при x = m. => Мода Mox= m.
Математическое ожидание:
Ґ |
|
1 |
|
mx = т |
xf (x)dx = |
||
s 2p |
|||
-Ґ |
|
(замена переменной t
dx = 2sdt ) ... = |
1 |
Ґ (s |
|
||
|
p -тҐ |
Ґ |
|
(x-m)2 |
|
|
|
|
т xe- |
2s2 dx = ... |
|
|
|
|
|
-Ґ |
|
|
|
|
|
|
|
x - m |
|
|
|
|
|
= ( s 2 ) , x = ts 2 |
+ m , |
0 |
m |
x |
||
|
|
|
|
|||
2t |
+ m)e-t2 dt = s 2 Ґт te-t2 dt + |
m |
Ґт e-t2 dt = ... |
|
||
|
|
|||||
|
|
p -Ґ |
p -Ґ |
|
|
|
|
|
|
|
Ґ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
( т te-t 2 dt |
— равен нулю, как интеграл от нечетной функции |
|||||||||||||||||||||||
|
|
|
|
|
-Ґ |
|
|
|
|
|
|
|
|
|
|
|
|
Ґ |
|
|
|
Ґ |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
т e-t 2 dt = |
|
2тe-t 2 dt = p — интеграл |
|||||||||
|
|
в симметричных пределах; |
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
|
|
|
-Ґ |
|
0 |
|
|
|
|||||
|
|
Пуассона), mx = |
Ч p = m — центр рассеивания с. в. X . |
|
||||||||||||||||||||||||
|
p |
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
Ґ |
|
|
|
2 |
|
|
|
|
|
Ґ |
1 |
|
(x - m)2 e- |
(x-m)2 |
|
|
||
Дисперсия Dx = т (x - mx ) f (x)dx = т |
|
|
2s2 |
dx =… |
||||||||||||||||||||||||
|
2p |
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
-Ґ |
|
|
|
|
|
|
|
|
|
-Ґ s |
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
x - m |
|
|
|
|
|
|
|
|
|
|
|
||||
(замена переменной t = ( s |
2 ) , x = ts 2 + m , dx = 2sdt ) |
|
|
|||||||||||||||||||||||||
…= |
1 |
|
|
Ґт t 2s2 2e-t 2 2sdt = |
s2 |
Ґт 2t 2e-t 2 dt = ... |
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
s 2p -Ґ |
|
|
|
|
|
|
|
|
p -Ґ |
|
|
|
|
|
|
|
|
|
1 e-t 2 |
|
|||||||
(интегрирование по частям: t = u , dt = du , te-t 2 dt = dv ,v = - |
), |
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
s2 |
ж |
|
|
|
|
Ґ |
Ґ |
|
ц |
|
|
|
s2 |
|
|
|
|
|
|
|
|
|||||
|
|
|
|
2 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
... = |
|
|
|
з |
-te-t |
|
|
-Ґ |
+ т e-t |
dt ч = |
p Ч |
|
|
|
|
=s2. |
|
|
|
|
|
|
||||||
|
p |
|
|
|
|
p |
|
|
|
|
|
|
||||||||||||||||
|
|
и |
|
|
|
|
|
-Ґ |
|
ш |
|
|
|
|
|
|
|
|
|
|
|
|
||||||
e-t 2 |
при t ® Ґ убывает быстрее, чем любая степень t => -te-t 2 |
® 0 ; |
Dx = s2 .
Таким образом, параметр m для нормально распределенной с. в.
X является ее математическим ожиданием, а параметр s — средним квадратическим отклонением.
47
На
ex = sm44
x
f(x) |
|
Рассмотрим изменение кривой рас- |
I |
|
пределения в зависимости от параметров |
|
|
распределения. При изменении m кривая |
|
|
смещается вдоль оси абсцисс. При увели- |
II |
|
чении s кривая распределения становит- |
III |
|
ся более плоской, растягивается вдоль оси |
|
|
абсцисс, при уменьшении s — вытягива- |
0 |
x |
ется вверх, одновременно сжимаясь с бо- |
|
|
ков (площадь под кривой всегда равна 1). |
рисунке кривая I имеет s=2/3, II — s=1, |
III — s=3/2. |
|
- 3 = 0 , т. к. для нормального распределения |
m44 |
= 3. |
|
s |
|
|
x |
|
Вычислим вероятность попадания с. в. X на участок от a до b:
|
|
b |
1 |
b |
- |
( x-m)2 |
|
|
|
|
|
P(a < X < b) = т f (x)dx = |
тe |
|
2s2 |
dx = ... |
|||||||
|
|
|
|||||||||
|
|
a |
s 2p a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
b-m |
|
-t2 |
(замена t = |
x - m |
, x=ts+m, dx=sdt) ... = |
1 |
|
s |
|
|||||
|
|
т |
e |
2 sdt = |
|||||||
|
|
|
|||||||||
|
s |
|
|
|
|
s 2p a-m |
|
|
s
1
2p
b-m
тs
a-m s
-t2
e 2 dt = ...
Последний интеграл не выражается через элементарные функции, но его можно выразить через специальную функцию
|
|
1 |
|
x |
- |
t2 |
|
|
|
|
|
|
|
|
|
|
|
|
Ф(x) = |
|
e |
2 dt — функцию Лапласа. |
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|||||||||||
|
|
2p |
т0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
P{a < X |
< b} =Ф(b - m) -Ф(a - m) . |
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
s |
|
|
|
s |
|
|
|
|
|
|
|
|
y |
|
|
|
|
|
|
Свойства функции Лапласа: |
|
|
|||||||
|
|
0,5 |
|
|
( ) |
|
|
1) |
Ф (0) = 0 , |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
–3 |
–2 |
–1 |
0 |
|
1 |
2 |
3 |
x |
2) Ф (-x) = -Ф (x) (нечетная), |
|
|
|||||||
|
|
|
|
|
|
|
|
|
||||||||||
|
|
–0,5 |
|
|
|
|
|
|
3) |
Ф (Ґ) = 0,5 . |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
Рассмотрим функцию распределения F (x): |
|
1 |
ж |
х - m ц |
|||||||||||||
F (x) = P (X < x) = P (-Ґ < X < x) = |
|
|
|
|||||||||||||||
|
|
|
||||||||||||||||
a = -Ґ,b = х,Ф(-Ґ) = -0,5 |
= |
|
+Ф з |
|
ч . |
|||||||||||||
2 |
s |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
и |
ш |
48
В связи с широкой распространенностью нормального распределения для него часто используется специальное обозначение: нормальный закон с математическим ожиданием m и среднеквадратическим отклонением s обозначается N (m,s) .
Закон нормального распределения очень широко распространен в случайных явлениях природы. Он возникает в тех случаях, когда складываются много независимых случайных величин Х1, Х2,..., Хn .
Какими бы ни были законы распределения величин Х1, Х2,..., Хn , закон распределения их суммы будет близок к нормальному.
Примеры нормальных распределений: ошибки «точных измерений», ошибки стрельбы, вызывающие отклонение снарядов от точки прицеливания, ошибки вывода космического корабля в заданную точку пространства и т. п.
49
6. МНОГОМЕРНЫЕ СЛУЧАЙНЫЕ ВЕЛИЧИНЫ
6.1. Многомерные случайные величины
На одном и том же пространстве событий может быть определена не одна, а несколько случайных величин. Это возникает в случае, когда изучаемый объект характеризуется несколькими случайными параметрами.
Пример: Составляется модель расходов случайно выбранной семьи на одежду, обувь, питание, транспорт и т. д. Эти затраты являются случайными величинами на одном пространстве элементарных событий.
Пусть Х1, Х2,..., Хn — случайные величины, определенные на множестве элементарных событий W. Для удобства будем рассматривать их как координаты случайного n-мерного вектора Х = (Х1, Х2,..., Хn ) (это упорядоченный набор n случайных величин Х1, Х2, …, Хn).
Система случайных величин есть функция элементарного со-
бытия (Х1, Х2,..., Хn ) = j(w), т. е. каждому элементарному событию |
|||||||
w ставятся в соответствие значения случайных величин: Х1, Х2, …, |
|||||||
Хn, полученных в результате опыта. |
|
или |
|
||||
Многомерной |
|
случайной |
величиной |
случай- |
|||
ным вектором |
|
|
(w) называется совокупность |
случай- |
|||
Х |
|||||||
y |
ных величин {X1(w), X2(w),..., Xn(w)} . |
|
|||||
Рассмотрим двумерную случайную величину |
|||||||
(X, Y) M |
|||||||
X (w) = {X (w),Y (w)} . |
|
|
|||||
|
|
|
Геометрическая интерпретация двумерной |
||||
|
случайной величины — это случайная точка на |
||||||
|
плоскости с координатами (X, Y) или случай- |
||||||
0 |
x ный вектор OM . |
|
|
50