ТВиМС.Малярец.Егоршин 22.12.12
.pdf
|
|
m |
|
|
Cnm |
|
|
|
|
pm |
|
|
qn–m |
|
|
Pn(m) |
|
|
F(m) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
0 |
|
1 |
|
|
|
|
1 |
|
0,133484 |
|
0,133484 |
|
0,133484 |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
1 |
|
7 |
|
|
|
|
0,25 |
|
0,177979 |
|
0,311462 |
|
0,444946 |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
2 |
|
21 |
|
|
|
|
0,0625 |
|
0,237305 |
|
0,311462 |
|
0,756409 |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
3 |
|
35 |
|
0,015625 |
|
0,316406 |
|
0,173035 |
|
0,929443 |
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
4 |
|
35 |
|
0,003906 |
|
0,421875 |
|
0,057678 |
|
0,987122 |
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
5 |
|
21 |
|
0,000977 |
|
0,5625 |
|
0,011536 |
|
0,998657 |
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
6 |
|
7 |
|
0,000244 |
|
0,75 |
|
0,001282 |
|
0,999939 |
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
7 |
|
1 |
|
0,000061 |
|
1 |
|
0,000061 |
|
1,000000 |
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
Рис. 4.6. Расчеты по формуле Бернулли |
|
|
|
|
|||||||||||||
|
|
Вычисляем: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
P(m 4) = F(4) = 0,987; |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
P(m |
|
2) = P(2 |
m 7) = F(7) – F(1)= 1 – 0,4450 = 0,555; |
|
|
|
|
|||||||||||||
|
|
P(2<m<6) = P(3 |
m 5) = F(5) – F(2) = 0,999 – 0,756 = 0,242. |
|
|
|
|
|||||||||||||||
|
|
Заметим, что во многих учебниках функция F(x) определена немного по- |
||||||||||||||||||||
другому: |
F(x) = P(X < x). |
Тогда для нашего примера надо было бы принять |
||||||||||||||||||||
F(0) = 0 и изменить формулу расчета вероятности попадания случайной вели- |
||||||||||||||||||||||
чины в интервал, полуоткрытый сверху: P(m1 |
m < m2) = F(m2) – F(m1) или же |
|||||||||||||||||||||
P(m1 m |
|
m2) = F(m2+1) – F(m1). Оба определения функции F(x) эквивалентны, |
||||||||||||||||||||
но следует придерживаться одного стандарта. |
|
|
|
|
|
|
|
|
||||||||||||||
|
|
Вычисляем характеристики распределения Бернулли: |
|
|
|
|
||||||||||||||||
|
|
|
|
M(m) = np = 7 0,25 = 1,75; D(m) = npq = 7 0,25 0,75 = 1,3125; |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
m |
|
D( m ) 1,1456 ; M(m) – q |
Mo M(m) + p; |
|
|
|
|
||||||||||
|
|
|
|
1,75 – 0,75 |
|
Mo |
1,75 + 0,25; 1 Mo |
2; P(1) = P(2) = Pmax . |
||||||||||||||
|
|
Согласно правилу «3-х сигм», вероятные значения m не превышают: |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
M(m) + 3 |
m = 1,75 + 3 1,146 = 5,19 5. |
|
|
|
|
На рис. 4.7 приведен полигон распределения Бернулли для данного примера.
Рис. 4.7. Полигон распределения Бернулли
41
Распределение Пуассона
Для n > 30 производить расчеты по формуле Бернулли становится затруднительным из-за слишком больших величин факториалов, поэтому используют асимптотические формулы Пуассона и Лапласа, которые становятся все более и более точными с увеличением n (именно в тех случаях, когда расчеты по исходной формуле Бернулли практически невозможны). Формула Пуассона применяется для больших n > 30 и малых р < 0,05, таких, что nр < 5 (поэтому распределение Пуассона применяется для изучения распределения числа редких событий). Во всех остальных случаях (n > 30, nр 5, nq 5) применяется асимптотическая формула Лапласа. Используем для примера партию электролампочек, из которых 2 % выходит из строя при перевозке. Какова вероятность того, что число испорченных лампочек будет не больше 5? Если перевозится n = 10 лампочек, то расчеты вероятностей надо производить по формуле Бернулли; если в партии n = 100 лампочек – по формуле Пуассона (n = 100 > 30; р = 0,02 < 0,05; nр = 2 < 5); если же в партии n = 1000 лампочек – по формуле Лапласа (n = 1000 > 30; nр = 20 > 5; nq = 980 > 5).
Закон распределения редких событий Пуассона
P m e a am m!
имеет самостоятельное значение и свою область применения – теорию массового обслуживания.
Получим вышеприведенное выражение как предельную формулу для распределения Бернулли при n , р 0, q 1, но при этом nр = а = Const.
Преобразуем формулу Бернулли:
|
|
|
|
|
|
|
n! |
pmqn m |
n n |
1 n |
2 ... n |
m 1 |
|
|
a |
m |
a |
n m |
|
|
|||||||||
P m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
n |
|
|
|
|
m! n m ! |
|
|
|
|
|
1 2 3 m |
|
|
|
|
n |
|
n |
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
am n n |
1 n |
2 |
|
n m |
1 |
1 |
|
a |
m 1 |
a n |
|
am |
lim 1 |
|
a |
n |
am |
e a . |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
m! n n |
|
|
n |
|
n |
|
|
n |
n |
|
m! |
|
n |
|
m! |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
Поскольку формулу Пуассона можно рассматривать как предельный случай формулы Бернулли, то для нее сохранились все характеристики распределения Бернулли с заменой р 0, q 1, np = a:
(a – 1) Mo a; M(m) = a; D(m) = a; A |
1 |
|
. |
|
|
|
|
||
|
||||
|
|
a |
42
Распределение Пуассона зависит от одного параметра а. Типичный вид полигонов распределения Пуассона для разных значений параметра a показан на рис. 4.8, из которого видно, что с увеличением a вид распределения приближается к стандартной симметричной форме (распределению Лапласа).
Рис. 4.8. Вид распределения Пуассона
в зависимости от параметра а
Вычисления вероятностей P(m) распределения Пуассона удобно произво-
дить по рекуррентной формуле: P m |
P m 1 |
a |
, где Р(0) = е-а. |
||||||
m |
|||||||||
|
|
|
|
|
|
|
|
||
Например, для а = 2: |
|
|
|
|
|
||||
Р(0) |
= е–2 = 0,135; |
Р(1) |
= Р(0) |
2/1 = 0,270; Р(2) = Р(1) 2/2 = 0,270; |
|||||
Р(3) |
= Р(2) |
2/3 |
= 0,180; Р(4) |
= Р(3) |
2/4 = 0,090; Р(5) = Р(4) 2/5 = 0,036; |
||||
Р(6) |
= Р(5) |
2/6 |
= 0,012; |
Р(7) = Р(6) 2/7 = 0,003 |
и т. д. |
Обычно в задачах на распределение Пуассона задается среднее число |
по- |
явления некоторого события за определенный период времени: a = t, где |
– |
интенсивность появления события – среднее число событий в единицу времени. Для примера рассмотрим следующую задачу.
В одном кубическом метре воздуха в среднем находится 1000 болезнетворных микробов. Для анализа взяли 2 литра (дм3) воздуха. Найти вероятность того, что в пробе будет выявлено m = 0, 1, 2, ... болезнетворных микробов, не больше трех микробов, от двух до пяти микробов, хотя бы один микроб.
Решение. Это типичная задача на распределение Пуассона, где задана ин-
тенсивность |
= 1000 |
для |
t = 1 м3. |
Для t = 2 л = 0,002 м3 |
|
получаем |
|||||||
а = 1000 0,002 = 2 – это среднее количество микробов в 2-х литрах воздуха. |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
a |
|
am |
|
Вычисления вероятностей распределения Пуассона P( m ) |
e |
|
|
|
про- |
||||||||
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
m! |
|
изводим по рекуррентным формулам: |
|
|
|
|
|
|
|
||||||
P( m ) |
P( m 1) |
a |
P( m 1) |
2 |
; |
P( 0 ) e-a |
e-2 0,135335 . |
||||||
|
|
|
|||||||||||
|
|
m |
|
m |
|
|
|
|
|
|
|
||
Возможные значения m не ограничены сверху, однако, согласно правилу |
|||||||||||||
«3-х сигм», |
достаточно |
рассчитать |
вероятности |
P(m) |
только для |
43
|
|
|
|
|
3 1,414 6,2 . Для m = 0, 1, 2, ..., 10 вычисления сведены в |
|||
m |
a 3 a 2 |
|||||||
таблицу на рис. 4.9, рядом с ней построен график полигона (рис. 4.10). |
||||||||
|
|
|
|
|
|
|
||
m |
|
P(m) |
F(m) |
|
|
|
||
|
|
|
|
|
|
|
||
0 |
|
0,135335 |
0,135335 |
|
|
|
||
|
|
|
|
|
|
|
||
1 |
|
0,270671 |
0,406006 |
|
|
|
||
|
|
|
|
|
|
|
||
2 |
|
0,270671 |
0,676676 |
|
|
|
||
|
|
|
|
|
|
|
||
3 |
|
0,180447 |
0,857123 |
|
|
|
||
|
|
|
|
|
|
|
||
4 |
|
0,090224 |
0,947347 |
|
|
|
||
|
|
|
|
|
|
|
||
5 |
|
0,036089 |
0,983436 |
|
|
|
||
|
|
|
|
|
|
|
||
6 |
|
0,012030 |
0,995466 |
|
|
|
||
|
|
|
|
|
|
|
||
7 |
|
0,003437 |
0,998903 |
|
|
|
||
|
|
|
|
|
|
|
||
8 |
|
0,000859 |
0,999763 |
|
|
|
||
|
|
|
|
|
|
|
||
9 |
|
0,000191 |
0,999954 |
|
|
|
||
|
|
|
|
|
|
|
||
10 |
|
0,000038 |
0,999992 |
|
|
|
||
|
|
|
|
|
|
|
|
|
Рис. 4.9. Расчеты |
Рис. 4.10. Полигон распределения Пуассона |
по формуле Пуассона |
|
С помощью функции F(m) находим: |
|
|
|
||
P(m 3) |
= F(3) = 0,857123; |
|
|
|
|
P(2 m |
5) |
= F(5) – F(1) = 0,983436 – 0,406006 = 0,57743; |
|||
P(m 1) |
= 1 |
– P(0) = = 1 – 0,135335 = 0,864665. |
|||
Определяем характеристики распределения Пуассона: |
|||||
|
|
|
|
|
|
|
M(m) = a = 2; D(m) = a = 2; |
m D(m) 1,414 ; |
|||
|
a – 1 Mo a; 1 Mo 2; |
P(1) = P(2) = Pmax. |
Здесь целочисленны оба края интервала длиной в единицу, поэтому самыми вероятными оказались сразу два соседних значения.
Вывод формулы для расчета вероятностей распределения Пуассона
Выше распределение Пуассона было получено как предельное из распределения Бернулли при определенных условиях: n , р 0, но при этом nр = а = Const. Здесь приведен вывод распределения Пуассона без ссылок на распределение Бернулли. Рассмотрим события, которые наступают в случайные моменты времени. Последовательность таких событий называется потоком событий. Примерами потоков событий служат: поступление вызовов на АТС, в пункт неотложной медицинской помощи, прибытие самолетов в аэропорт, последовательности отказов элементов и многое другое. Простейшим (пуассоновским) называют поток событий, который обладает свойствами
44
стационарности, отсутствия последействия и ординарности. Свойство стационарности характеризуется тем, что вероятность появления событий на любом промежутке времени зависит только от длительности t промежутка, но не от начала его отсчета. Свойство отсутствия последействия характеризуется тем, что вероятность появления событий на любом промежутке времени не зависит от того, появлялись или не появлялись события в моменты времени, предшествующие началу рассматриваемого промежутка. Свойство ординарности характеризуется тем, что за малый промежуток времени вероятность появления более одного события пренебрежимо мала по сравнению с вероятностью появления только одного события.
Обозначим через Pm(t) вероятность появления m событий за период времени t; тогда P0(t) означает вероятность того, что за этот период не произойдет ни одного события; 1 – P0(t) – произойдет хотя бы одно событие.
Далее обозначим |
lim |
1 |
P0 |
t |
, тогда для малого интервала времени h |
|
|
|
t |
|
|||
|
t 0 |
|
|
|
|
имеем 1 – P0(h) = h + o(h), где o(h) убывает быстрее, чем h.
Принимаем постулаты Пуассона: каково бы ни было число появления событий в период времени (0; t), условная вероятность того, что в течение последующего малого интервала времени (t; t + h) появится одно событие, равна h + o(h), а вероятность того, что появится более одного события, есть o(h). Из
этих условий выводятся дифференциальные уравнения для определения Pm(t). На протяжении объединенного интервала времени (0; t + h) m событий
(m 1) могут появиться 3-мя взаимоисключающими способами: 1) ни одного события за время (t; t + h) и m событий за время (0; t); 2) одно событие за время (t; t + h) и (m – 1) событий за время (0; t); 3) более одного события за время (t; t + h) и остальные события за время (0; t). Вероятность первой возможности равна произведению Pm(t) на вероятность того, что на интервале (t; t + h) не
произойдет ни одного события; эта последняя вероятность равна |
1 – h – o(h). |
|||||||||
Аналогично вторая возможность имеет вероятность Pm–1(t) |
h + o(h), а вероят- |
|||||||||
ность третьей возможности убывает быстрее, чем h. Отсюда для m |
1 имеем: |
|||||||||
|
|
Pm(t + h) = Pm(t) (1 – h) + Pm–1(t) h + o(h); |
|
|||||||
|
|
|
|
Pm t h Pm t |
Pm t |
Pm 1 t |
o h |
|
. |
|
|
|
|
|
h |
h |
|
||||
|
|
|
|
|
|
|
|
|||
Учтем, что lim |
o h |
|
|
0 , тогда после предельного перехода h |
0 получим: |
|||||
h |
|
|
||||||||
h 0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Pm t |
Pm t |
Pm 1 t . |
|
|
|
|
45
Это рекуррентное соотношение позволяет записать дифференциальное уравнение для определения Pm(t), если уже известно выражение для Pm–1(t). Для начала найдем P0(t).
При m = 0 вторая и третья возможности не возникают, поэтому рекур-
рентное уравнение упрощается: |
|
|
|
|
||||||
P0(t + h) = P0(t) (1 – |
h) + o(h), откуда P0 t |
P0 t . |
||||||||
С учетом естественного начального условия P0(0) = 1 из последнего диф- |
||||||||||
ференциального уравнения получаем P0(t) = e– t. |
|
|||||||||
При m = 1 имеем |
P t |
P t |
e |
t , откуда с учетом начального усло- |
||||||
|
|
|
|
|
1 |
|
1 |
|
|
|
вия P1(0) = 0 получаем P1(t) = ( |
t) e– t. |
|
|
|
||||||
Действуя |
|
таким |
же |
образом, |
для |
остальных m получаем |
||||
|
t |
t |
m |
|
|
|
|
|
|
|
Pm t e |
|
|
|
. Это распределение Пуассона, для которого M(m) = t, сле- |
||||||
|
|
|
||||||||
|
|
m! |
|
|
|
|
|
|
||
довательно, параметр |
есть интенсивность – среднее число появления событий |
|||||||||
в единицу времени. |
|
|
|
|
|
|
Вопросы для самопроверки
1.Сформулируйте задачу Бернулли, приведите ее другие названия.
2.Опишите особенности распределения Бернулли в зависимости от его параметров.
3.Приведите расчетные формулы для основных характеристик распределения Бернулли.
4.Укажите область применения асимптотических формул Пуассона и
Лапласа.
5.Приведите формулу Пуассона и укажите область применения этого распределения. Что такое рекуррентная формула?
6.Опишите особенности распределения Пуассона в зависимости от пара-
метра.
7.Приведите расчетные формулы для основных характеристик распределения Пуассона.
46
5. Распределение Лапласа
Для n > 30, nр |
5, nq 5 распределение Бернулли практически точно ап- |
|||||||||||||||||||||
проксимируется асимптотической формулой Лапласа: |
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
1 |
|
|
|
|
m mp |
2 |
|
|
tm |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
P m |
|
|
|
e |
|
2npq |
|
|
|
, |
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
n |
2 |
|
npq |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
|
|
||||
|
|
m a |
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
t 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
e 2 . |
|||||
где обозначено t |
m |
, a np, |
m |
|
npq , |
|
t |
|
|
|||||||||||||
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
2 |
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Эта аппроксимация называется локальной теоремой Лапласа.
На рис. 5.1 для сравнения приведены полигоны распределений Бернулли и Лапласа для р = 0,3; n = 10 и n = 20. Даже для таких небольших значений n соответствие очень хорошее (здесь np = 3 и np = 6).
Рис. 5.1. Сравнение распределений Бернулли и Лапласа
Функция (t) затабулирована и называется дифференциальной функцией Лапласа, или же функцией стандартизованного нормального распределения Гаусса. Дело в том, что (как выяснилось впоследствии) Лаплас открыл частный случай более общего закона природы, который Гаусс назвал «нормальным». Известно, что в русском языке слово «нормальный» имеет совершенно иной смысл, чем в немецком, но это новое понятие не противоречит сути, поскольку нормальное распределение действительно является неким стандартным устой-
47
чивым законом природы, к которому при определенных условиях приближаются многие другие законы распределений.
Функция (t) имеет некоторые особенности, которые учтены при составлении таблиц.
Во-первых, эта функция четная (график ее симметричен относительно оси ординат), поэтому таблицы составлены только для неотрицательных значений t; для отрицательных t использу-
ется соотношение четности
Рис. 5.2. Дифференциальная
(–t) = (t).
Во-вторых, функция (t)
неотрицательная и имеет горизонтальную асимптоту – ось абсцисс; иными словами, при увеличении t значения (t) приближаются к нулю, поэтому таблицы со-
ставлены только до значений t 5; так: |
(3) = 0,00443; |
(4) = 0,00013; |
(5) = 0,00001; для больших значений аргумента (t) |
0. |
|
Максимальное значение функции достигается при t = 0 и равно |
(0) = 0,3989. |
Характерные особенности дифференциальной функции Лапласа изображены на рис. 5.2.
Интегральная теорема Лапласа
Для больших n вычисление вероятностей отдельных значений m лишено особого смысла, так как даже для самого вероятного значения – моды получа-
ется P Mo |
|
0 |
|
0,4 |
|
~ |
1 |
|
– очень малое число при большом n. |
|||
|
|
|
|
|
|
|
|
|
|
|||
npq |
|
|
npq |
|
n |
|||||||
|
|
|
|
|
|
|
|
В практических задачах для больших n требуется находить вероятности попадания случайной величины в некоторые интервалы P(m1 m m2), то есть вычислять вероятности не одного значения m, а вероятности всех целых значений m из интервала [m1 , m2]:
|
m |
|
im |
|
|
1 |
|
P m m m |
2 P m |
2 |
t |
|
. |
||
|
|
||||||
1 |
2 |
n |
|
|
m |
||
|
m |
m1 |
t tm |
|
|
m |
|
|
|
|
1 |
|
|
|
|
48
Рассмотрим приращение |
tm |
при увеличении m на единицу: |
|
||||||||||||||||||||||||
tm tm 1 |
tm |
|
m 1 |
|
a m a |
1 |
|
|
|
|
1 |
|
|
0 . |
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
m |
|
|
|
|
m |
|
|
|
|
m |
|
|
|
|
npq |
|
|
|||||||
|
|
|
|
i |
m |
|
|
|
|
|
1 |
|
|
|
|
i |
m |
|
|
|
im |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|||||||
Оказывается, P m1 |
m |
m2 |
|
2 |
|
|
tm |
|
|
|
|
|
|
|
|
|
2 |
t |
|
|
t |
|
t dt . |
||||
t tm |
|
|
|
|
|
|
t tm |
|
|
|
|||||||||||||||||
|
m |
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
t |
m |
|
|||||||||||||
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
t |
|
|
|
|
1 |
|
|
|
t |
s 2 |
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
2 ds , |
|
|
|
|
|
||||||||||||
Лаплас ввел функцию |
t |
|
s ds |
|
|
|
|
e |
которая сейчас назы- |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
2 |
|
|
|
|
||||||||||||||||||||||
|
|
|
0 |
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
вается интегральной функцией Лапласа.
Теперь вероятность попадания случайной величины m в интервал [m1 , m2]
im2
можно записать P m1 m m2
tm1
t dt |
tm |
2 |
tm |
как разность значе- |
|
|
1 |
ний интегральной функции Лапласа на краях этого интервала. Это утверждение называется интегральной теоремой Лапласа.
Функция Ф(t) имеет некоторые особенности, которые учтены при составлении таблиц. Во-первых, эта функция нечетная (график ее центрально симметричен относительно начала ординат), поэтому таблицы составлены только для неотрицательных значений t; для отрицательных t используется соотноше-
ние нечетности Ф(–t) = –Ф(t). |
|
|
||||
Во-вторых, функция Ф(t) воз- |
|
|||||
растающая и имеет |
горизонтальные |
|
||||
асимптоты – Фmin = –0,5 и Фmax = 0,5; |
|
|||||
иными словами, при увеличении t |
|
|||||
значения Ф(t) приближаются к 0,5, |
|
|||||
поэтому таблицы составлены только |
|
|||||
до значений |
t |
5; |
то |
есть: |
|
|
Ф(3) = 0,49865; |
|
Ф(4) = 0,49997; |
|
|||
Ф(5) = 0,5000; для еще больших зна- |
|
|||||
чений аргумента Ф(t) = 0,5. Значение |
|
|||||
функции |
при |
t = |
0 |
равно |
нулю |
|
Ф(0) = 0. |
Характерные |
особенности |
Рис. 5.3. Интегральная функция |
|||
интегральной функции Лапласа изоб- |
Лапласа |
|||||
ражены на рис. 5.3. |
|
|
|
|
49
Три основных формы интегральной теоремы Лапласа
Для лучшего усвоения материала введем условную классификацию утверждений интегральной теоремы Лапласа и перечислим задачи, которые решаются с помощью каждой из них.
1. В качестве первой формы теоремы примем общую формулу для вычисления вероятности попадания случайной величины в заданные интервалы:
P m1 m m2 |
tm |
tm . |
|
|
|
2 |
1 |
2. Вторая форма предназначена для вычисления вероятности попадания |
|||
случайной |
величины в |
интервалы, симметричные относительно центра: |
|
Р(|m – a| |
t m) = 2Ф(t). |
|
Действительно, для симметричных интервалов m2 = a + t m , m1 = a - t m ,
|
|
a t |
m |
a |
t , |
a t |
m |
tm |
|
|
|
tm |
|||
2 |
|
|
|
|
|||
|
|
m |
|
|
1 |
m |
|
|
|
|
|
|
|
a t . Вычисляем:
Р(|m – a| t m) = Р(m1 m m2) = Ф(t) – Ф(–t) = Ф(t) + Ф(t) = 2Ф(t).
В качестве примера применения выведенной формулы ответим на вопросы: «Какова вероятность того, что отклонения случайной величины m от центра
a = np не превысят m , 2 |
m , 3 |
m ?» |
Используя таблицы интегральной функции Лапласа, получим: |
||
Р(|m – a| |
m) = 2Ф(1) = 2 0,3413 = 0,6826; |
|
Р(|m - a| |
2 |
m) = 2Ф(2) = 2 0,4772 = 0,9544; |
Р(|m - a| |
3 |
m) = 2Ф(3) = 2 0,4987 = 0,9974. |
Только в 3-х случаях из 1000 возможны появления отклонений, превышающие три сигмы; с гарантией 95 % можно утверждать, что для распределения Лапласа (и нормального закона Гаусса) случайные отклонения не превысят две сигмы (это утверждение может быть ошибочным лишь в 5-ти случаях из
100).
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3. Перепишем неравенство |m – a| |
t |
m в виде |
m |
np |
t |
npq и далее |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
(разделив обе части неравенства на n): |
m |
|
p |
t |
pq |
. |
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
||||||
|
|
Получаем следующее выражение, которое мы назовем «третьей формой |
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
интегральной |
теоремы |
|
Лапласа»: |
P |
|
m |
|
p |
|
t |
|
pq |
|
2 |
t |
|
или же |
|||||||||||||
|
n |
|
n |
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
P |
m |
p |
|
2 |
|
n |
|
. В описании этой формулы два раза встречается |
||||||||||||||||||||||
n |
pq |
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
50