шапкин задачи с решениями
.pdfРешение. Требуется найти вероятность P13,26. Зная теорему Лапласа, необходимые вычисления производим по следующей схеме:
p = 0,4; |
|
np |
= 26×0,4 =10,4; |
q =1- 0,4 = 0,6; |
|
npq |
=10,4 ×0,6 = 6,24; |
n = 26; |
|
npq |
= 6,24 = 2,50; |
m =13; |
m - np |
=13 -10,4 = 2,6; |
|
x = m - np = |
2,60 |
= 1,04; |
|
npq |
|
2,50 |
|
ϕ (x) = ϕ (1,04) = 0,2323;
P » ϕ (x) |
= 0,2323 = 0,093. |
mn |
2,50 |
npq |
Значения функции ϕ (x) находим по таблице.
6.2.3. Интегральная теорема Лапласа
Если вероятность p наступления события А в каждом из n независимых испытаний постоянна и отлична от 0 и 1, то вероятность того, что m — число появлений события А при n испытани-
ях — заключено между a = np +α npq |
è b = np + β npq |
|||||||
удовлетворяет соотношению: |
|
|
||||||
|
|
lim |
|
|
P (a < m < b) |
|
=1, |
|
|
|
|
1 |
|
|
|||
|
|
n→∞ |
[F (β ) - F (α )] |
|||||
|
|
2 |
||||||
|
|
|
|
|
|
|
|
|
ãäå Φ (x) = 2π òx |
e− t22 |
dt |
— функция Лапласа, а α = |
|||||
2 |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
β = b - np (q = 1 – p). Отсюда при достаточно большом n npq
приближенное равенство:
P (a < m < b) » F (β ) - F (α ) .
2
(a < b),
(4)
a - np è npq
следует
(5)
301
Если в соотношении (4) положить α = −ε |
n |
||||||
pq |
|||||||
|
|
|
|
|
|
||
то получим |
|
|
|
|
|
|
|
lim |
P (np - εn < m < np + εn) |
=1, |
|
||||
n→∞ |
æ |
|
ö |
|
|
||
|
F ç |
ε |
n |
÷ |
|
|
|
|
|
|
|
||||
|
ç |
|
÷ |
|
|
||
|
è |
|
pq ø |
|
|
è β = ε n , pq
(6)
|
|
|
|
|
|
|
|
æ |
|
m |
|
ö |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
откуда |
|
lim |
P |
ç |
|
|
|
- p |
< ε ÷ |
= 1 |
(теорема Бернулли), |
òàê êàê |
|||||||
|
|
|
|||||||||||||||||
|
|
|
|
|
n→∞ |
|
ç |
|
n |
|
÷ |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
è |
|
|
ø |
|
|
|
|
|
|
||
|
|
æ |
|
n |
ö |
|
|
|
|
|
æ |
|
m |
ö |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
lim F ç |
ε |
pq |
÷ =1 |
|
è |
P (np - εn < m < np + εn) = P ç |
- ε < |
|
- p < ε ÷ |
= |
|||||||||
|
n |
||||||||||||||||||
n→∞ |
|
è |
|
ø |
|
|
|
|
|
|
|
è |
|
ø |
|
||||
|
ç |
|
|
|
÷ |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
æ |
|
m |
|
|
|
ö |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
= P |
ç |
|
|
|
- p |
|
< |
ε ÷. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
ç |
|
n |
|
|
|
÷ |
|
|
|
|
|
|
|
|
|
|
|
|
|
è |
|
|
|
|
ø |
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
При достаточно больших n из формулы (6) следует приближенное равенство:
P |
æ |
m |
ö |
æ |
ε |
n |
ö |
(7) |
ç |
|
- p < ε ÷ |
» F ç |
|
÷ |
|||
|
ç |
n |
÷ |
ç |
|
|
÷ |
|
|
è |
ø |
è |
|
pq ø |
|
èëè
æ |
ε |
ö |
(8) |
P ( | m - np | < ε ) » F ç |
|
÷. |
|
ç |
|
÷ |
|
è |
npq ø |
|
Пример 6.18. При установившемся технологическом процессе фабрика выпускает в среднем 70% продукции первого сорта. Чем у равна вероятность того, что в партии из 1000 изделий число пер - восортных заключено между 652 и 760?
Решение. Известны число независимых испытаний n = 1000 и вероятность наступления события в отдельном испытании p = 0,7. Требуется найти вероятность того, что число появлений соб ытия заключено между a = 652 и b = 760. Искомую вероятность находим по формуле (5)
P (a < m < b) » 21 [F (β ) - F (α )].
302
Расчет α è β производим по следующей схеме: np = 0,7×1000 = 700;
npq = 700×(1- 0,7) = 700×0,3 = 210;
npq = 210 =14,491;
a− np = 652 − 700 = −48;
α= a - np = - 48 = -3,31; npq 14,491
b - np = 760 - 700 = 60;
β = b - np = |
60 |
= 4,14; |
npq |
14,491 |
|
–F (β ) = F (4,14) = 0,99997 F (α ) = F (–3,31) = –0,99813
F (β ) – F (α ) =1,99810.
Поэтому искомая вероятность приближенно равна:
F (β ) - F (α ) = 1,99810 = 0,99905. 2 2
Пример 6.19. Бюффон бросил монету 4040 раз, причем герб выпал 2048 раз. Можно ли считать полученное отклонение числа появлений герба от 2020 случайным или же оно обусловлено сис - тематической причиной?
Решение. Расхождение эмпирической частоты Бюффона от теоретической можно считать случайным, если вероятность то го, что при 4040 бросаниях монеты отклонение числа выпадений гер - ба от 2020 равно или больше по абсолютной величине, чем у Бюффона, достаточно большая. Пусть m — число выпадений герба при 4040 бросаниях монеты. Находим вероятность:
P ( | m – 2020 | < 28),
ãäå 28 = | 2048 – 2020 |;
æ |
ε |
ö |
P ( | m - np | < ε ) » F ç |
|
÷. |
ç |
npq |
÷ |
è |
ø |
303
В данном случае p = 0,5, q = 0,5, n = 4040, ε = 28. Отсюда
np = 4040 |
×0,5 |
= 2020; |
npq = |
1010 = 31,78; |
|
npq = 2020 |
×0,5 |
=1010; |
ε = |
28 |
= 0,881; |
|
|
|
npq |
31,78 |
|
P ( | m – 2020 | < 28) » F (0,881) = 0,6217.
Поэтому вероятность противоположного события, т.е. того, что | m – 2020 | ³ 28, равна 1 – 0,6217 = 0,3783. Так как эта вероятность достаточно большая, то результат Бюффона можно счит ать обусловленным случайными причинами.
Пример 6.20. Посажено 600 семян кукурузы с вероятностью 0,9 прорастания для каждого семени. Найти границу абсолютно й величины отклонения частости взошедших семян от вероятн ости p = 0,9, если эта граница должна быть гарантирована с вероятностью P = 0,995.
Решение. Мы знаем, что если n — число независимых испытаний и p — вероятность наступления события в отдельном испытании, то при любом ε > 0 имеет место приближенное равенство:
æ |
m |
ö |
æ |
ε |
n |
ö |
P ç |
|
- p < ε ÷ |
» F ç |
|
÷, |
|
ç |
n |
÷ |
ç |
|
|
÷ |
è |
ø |
è |
|
pq ø |
где q = 1 – p. В нашем случае n = 600,
P = 0,995, ε |
— ? По формуле (7): |
|
|
||||
æ |
m |
ö |
æ |
ε |
600 |
ö |
èëè |
P ç |
|
- 0,9 < ε ÷ |
» F ç |
|
÷ |
||
ç |
n |
÷ |
ç |
|
0,9×0,1 |
÷ |
|
è |
ø |
è |
|
ø |
|
p = 0,9 , q = 1 – 0,9 = 0,1,
æ |
ε |
600 |
ö |
= 0,995. |
F ç |
0,9×0,1 |
÷ |
||
ç |
|
÷ |
|
|
è |
|
|
ø |
|
Пользуясь таблицей, решаем уравнение F (t) = 0,995; t = 2,81.
Отсюда ε |
600 |
|
= 2,81 |
и, следовательно, |
|
|
0,9×0,1 |
|
|
|
|
|
|
ε = 2,81 |
0,09 |
= 2,81×0,3 = 0,034. |
|
|
|
|
|
6×100 |
10 6 |
304
Пример 6.21. С конвейера сходит в среднем 85% изделий первого сорта. Сколько изделий необходимо взять, чтобы с веро ятностью 0,997 отклонение частости изделий первого сорта в них от 0,85 по абсолютной величине не превосходило 0,01?
Решение. Здесь p = 0,85, q = 1 – 0,85 = 0,15, ε = 0,01, P = 0,997,
n — ? Так как в равенстве |
P |
æ |
m |
- p |
ö |
æ |
ε |
n |
ö |
известна |
ç |
|
< ε ÷ |
» F ç |
|
÷ |
|||||
|
|
ç |
n |
|
÷ |
ç |
|
|
÷ |
|
|
|
è |
|
ø |
è |
|
pq ø |
|
вероятность P, стоящая слева, то сначала решим уравнение Φ (t) = P.
Пусть tP — корень этого уравнения. Тогда ε n » tP , |
ε 2 |
n |
≈ tP2 |
|||||||
|
||||||||||
|
|
|
|
|
|
|
pq |
|
pq |
|
|
|
|
pqt2 |
|
|
|
|
|
|
|
и, следовательно, |
n » |
P |
. Для нашего случая t0,997 = 3, поэтому |
|||||||
|
||||||||||
|
|
|
ε 2 |
|
|
|
|
|
|
|
|
n » |
0,85×0,15×32 |
= |
1,1475 |
=11475. |
|
|
|
||
|
|
|
|
|
|
|||||
|
|
|
(0,01)2 |
0,0001 |
|
|
|
6.3. Случайные величины
Случайная величина (СВ) — это переменная, принимающая в каждом конкретном испытании конкретное числовое значен ие, которое может меняться от опыта к опыту.
Примеры: количество клиентов, посетивших парикмахерскую за день; месячная прибыль ателье; время проявления фотопл енки.
Случайные величины представляют результаты измерений в случайных экспериментах (испытаниях). Существует два вид а слу- чайных величин: дискретные и непрерывные.
Дискретные случайные величины — это переменные, принимающие только отделенные друг от друга числовые значения (которые можно заранее перечислить).
Примеры: оценки в зачетной книжке (3, 4, 5); количество студентов на экзамене.
Непрерывная случайная величина может принимать любые значения из замкнутого или открытого интервала. Например , размеры одной и той же детали, определяемые разными людьми ил и с применением разных инструментов, различны.
Возможны комбинированные (дискретно-непрерывные) слу- чайные величины, которые на одних интервалах являются неп рерывными, а на других — дискретными.
305
6.3.1. Законы распределения
Законом распределения вероятностей дискретной случайной величины называется любое правило, позволяющее находить все вероятности каждого значения этой величины. Для случайны х величин любого вида — это правило, позволяющее находить в е- роятности появления этой величины в любом заданном интер вале ее значений. Законы распределения задаются в аналитиче с- кой, графической или табличной форме. Обычно для этого используются:
а) ряд распределения (многоугольник распределения); б) интегральная функция распределения; в) дифференциальная функция распределения.
Ряд распределения это таблица, в которой перечислены все возможные значения СВ и соответствующие им вероятности. О н является исчерпывающей характеристикой дискретной СВ.
У непрерывных СВ ряд распределения отсутствует, поэтому он не является универсальным законом распределения СВ. Пр и- мер ряда распределения иллюстрируется табл. 1, где представлено (в порядке возрастания) пять значений дискретной слу чайной величины Х. При этом сумма всех вероятностей всегда равна единице.
|
|
|
|
|
Ò à áëè ö à 1 |
|
|
|
|
|
|
|
|
xi |
–3 |
0 |
1 |
3 |
|
4 |
|
|
|
|
|
|
|
Pi |
0,3 |
0,2 |
0,1 |
0,3 |
|
0,1 |
|
|
|
|
|
|
|
Интегральной функцией распределения называют функцию F (x), определяющую для каждого значения х вероятность того, что случайная величина Х примет значение, меньшее х, т.е.
F (x) = P (X < x),
где х — некоторая текущая переменная.
Интегральная функция распределения — самая универсальн ая характеристика СВ. Она существует и для дискретных и для н е- прерывных СВ, полностью и однозначно характеризуя их с ве роятностной точки зрения, т.е. является одной из форм закона распределения. Часто слово «интегральная» опускается.
306
На рис. 72 представлена интегральная функция распределени я |
|||
дискретной случайной величины, заданной табл. 1. |
|||
|
F (x) |
|
|
|
1,0 |
|
p5 = 0,1{ |
|
|
|
|
|
0,8 |
|
ü |
|
|
|
ý p4 = 0,3 |
|
0,6 |
|
þ |
|
} p3 |
= 0,1 |
|
|
|
||
|
0,4 |
ýü p2 = 0,2 |
|
|
|
þ |
|
|
0,2 |
ü |
|
|
|
ý p1 = 0,3 |
|
|
|
þ |
|
xI = –3 |
x2 = 0 x3 = 1 |
x4 = 3 x5 = 4 x |
|
Рис. 72. Интегральная функция распределения дискретной |
|||
|
случайной величины (см. табл. 1) |
Основные свойства интегральной функции распределения:
1.Функция распределения есть неотрицательная функция, за к- люченная между нулем и единицей: 0 £ F (x) £ 1, где на границах интервала: F (x = –¥) = 0 è F (x = +¥) = 1.
2.Вероятность появления СВ в интервале от α äî β, равна разности значений интегральной функции распределения на ко нцах интервала, т.е.
P (α < x < β ) = F (β ) – F (α).
3.Интегральная функция — неубывающая функция своего аргумента, т.е. если x2 > x1, òî F (x2) ³ F (x1).
4.В отдельных точках F (x) может иметь разрыв. В этих точ- ках величина скачка функции распределения равна вероятн ости появления случайной величины в этой точке:
P (X = x) = F (x + 0) – F (x).
307
5. График функции распределения дискретной СВ имеет ступенчатый вид (рис. 72), а непрерывной — непрерывную линию (рис. 73).
F(x) 1,0
|
|
|
|
|
|
|
|
|
|
ì |
|
|
0 |
ïðè x < -2 |
|
|||||
|
|
|
|
|
|
|
|
|
|
ï |
|
|
|
ïðè - 2 £ x < 4 |
|
|||||
|
|
|
|
|
|
|
F(x) = íy(x) |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
ï |
|
|
1 |
ïðè x ³ 4 |
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
î |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
–2 |
–1 |
0 |
1 |
2 |
|
3 |
4 |
õ |
Рис. 73. Интегральная функция распределения непрерывной случайной величины
Плотностью (дифференциальной функцией) распределения непрерывной случайной величины x называется производная ее интегральной функции: f (x) = F¢ (x).
Основные свойства плотности распределения:
1.Дифференциальная функция неотрицательна: f (x) ³ 0.
2.Интеграл от f (x) в пределах от –¥ до х* равен интегральной функции распределения
xò* f (x) dx = F (x*) = P (X < x*) = P (–¥ < X < x*).
–∞
Этот интеграл численно равен площади фигуры, лежащей левее точки х* и заключенной между кривой плотности и осью абсцисс (рис. 74).
308
F (x)
S = F(x*)
0 |
x* x |
Рис. 74. Графическое изображение интегральной функции
F(x*) = P (X < x*)
3.С помощью дифференциальной функции можно определить
вероятность попадания случайной величины в заданный инт ервал от α äî β, которая равна
β
P(α < X < β ) = ò f (x) dx,
α
т.е. вероятность попадания случайной величины Х в заданный интервал (α; β ) равна определенному интегралу от плотности распределения, взятому в пределах от α äî β (ñì. ðèñ. 75).
F (x)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S = P |
(α < x < β ) |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 α |
|
β |
x |
Рис. 75. Графическое изображение интегральной функции в интервале от α äî β
309
4. Интеграл от плотности распределения в бесконечных пределах равен единице:
∞
ò f (x) dx = F (¥) - F (–¥) =1– 0 =1.
∞
Пример 6.22. Случайная величина Х задана интегральной функцией:
ì0 |
ïðè x < 0, |
||
ïx |
|
0 £ x £ 2, |
|
F (x) = í |
|
ïðè |
|
|
|||
ï2 |
ïðè |
x > 2. |
|
ï1 |
|||
î |
|
|
|
Найти вероятность того, что в результате испытания Х примет значение, принадлежащее интервалу (0; 1).
Решение. Искомая вероятность равна приращению интегральной функции на заданном интервале:
P (0 < X < 1) = F (1) – F (0).
Так как на интервале (0; 1) по условию F (x) = 2x , òî
F (1) – F (0) = 21 - 20 = 21 .
Èòàê,
P (0 < X < 1) = 21 .
6.3.2. Числовые характеристики случайных величин
Математическое ожидание М (Х) и дисперсия D (X) — наиболее часто применяемые характеристики случайной величин ы. Они характеризуют наиболее важные черты распределения: его п оложение и степень разбросанности.
Математическим ожиданием называется:
а) для дискретной случайной величины – сумма всех произве - дений ее возможных значений на их вероятности:
M(X ) = åxi × p (xi ) =åxi × pi ;
ii
310