Законы распределения непрерывной случайной величины

 

9  

 

ТЕМА: ЗАКОНЫ РАСПРЕДЕЛЕНИЯ НЕПРЕРЫВНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ

1.      Равномерный закон распределения.

2.      Нормальный закон распределения.

2.1. Интегральная  и дифференциальная функции распределения.  Вероятность попадания в заданный  интервал.

2.2. Вычисление  вероятности заданного отклонения.

2.3. Правило  трех сигм.

3.      Показательный закон распределения.

3.1. Интегральная  и дифференциальная функции распределения.

3.2. Числовые  характеристики.

3.3. Функция  надежности.   

   

1.      Равномерный закон распределения.

На практике встречаются случайные  величины, о которых заранее известно, что они могут принять какое-либо значение в строго определенных границах, причем в этих границах все значения случайной величины имеют одинаковую вероятность (обладают одной и той  же плотностью вероятностей).

Например, при поломке часов  остановившаяся минутная стрелка будет  с одинаковой вероятностью (плотностью вероятности) показывать время, прошедшее  от начала данного часа до поломки  часов. Это время является случайной  величиной, принимающей с одинаковой плотностью вероятности значения, которые не выходят за границы, определенные продолжительностью одного часа. К подобным случайным величинам относится также и погрешность округления. Про такие величины говорят, что они распределены равномерно, т. е. имеют равномерное распределение.

Определение. Непрерывная случайная величина Х имеет равномерное распределение на отрезке [а, в], если на этом отрезке плотность распределения вероятности случайной величины постоянна, т. е. если дифференциальная функция распределения f(х) имеет следующий вид:

Иногда это распределение называют законом равномерной плотности. Про величину, которая имеет равномерное распределение на некотором отрезке, будем говорить, что она распределена равномерно на этом отрезке.

Найдем значение постоянной с. Так  как площадь, ограниченная кривой распределения  и осью Ох, равна 1, то

откуда с=1/(b-a).

Теперь функцию f(x) можно представить в виде 

 

Построим функцию распределения  F(x), для чего найдем выражение F(x) на интервале [a, b]:

Графики функций f(x) и F(x) имеют вид:

Найдем числовые характеристики.

Используя формулу  для вычисления математического  ожидания НСВ, имеем:

Таким образом, математическое ожидание случайной величины, равномерно распределенной на отрезке [a, b] совпадает с серединой этого отрезка.

Найдем дисперсию  равномерно распределенной случайной  величины:

откуда сразу же следует, что среднее квадратическое отклонение:

Найдем теперь вероятность попадания  значения случайной величины, имеющей  равномерное распределение, на интервал (a,b), принадлежащий целиком отрезку [a, b]:

 

Геометрически эта вероятность  представляет  собой  площадь заштрихованного прямоугольника. Числа а и b называются параметрами распределения и однозначно определяют равномерное распределение.

Пример1. Автобусы некоторого маршрута идут строго по расписанию. Интервал движения 5 минут. Найти вероятность того, что пассажир, подошедший к остановке. Будет ожидать очередной автобус  менее 3 минут.

Решение:

СВ- время ожидания автобуса имеет  равномерное распределение. Тогда  искомая вероятность будет равна:

Пример2. Ребро куба х измерено приближенно. Причем 

 

Рассматривая ребро куба как  случайную величину, распределенную равномерно в интервале (a, b), найти математическое ожидание и дисперсию объема куба.

Решение:

Объем куба- случайная величина, определяемая выражением У= Х³. Тогда математическое ожидание равно:

Дисперсия: 

 

2. Нормальный закон  распределения.

2.1.Интегральная  и дифференциальная функции распределения.  Вероятность попадания в заданный  интервал.

Одним из наиболее часто встречающихся  распределений является нормальное распределение. Оно играет большую  роль в теории вероятностей и занимает среди других распределений особое положение. Нормальный закон распределения  является предельным законом, к которому приближаются другие законы распределения  при часто встречающихся аналогичных  условиях.

Если предоставляется возможность  рассматривать некоторую случайную  величину как сумму достаточно большого числа других случайных величин, то данная случайная величина обычно подчиняется нормальному закону распределения. Суммируемые случайные  величины могут подчиняться каким  угодно распределениям, но при этом должно выполняться условие их независимости (или слабой зависимости). При соблюдении некоторых не очень жестких условий  указанная сумма случайных величин  подчиняется приближенно нормальному  закону распределения и тем точнее, чем большее количество величин  суммируется.

Ни одна из суммируемых случайных  величин не должна резко отличаться от других, т. е. каждая из них должна играть в общей сумме примерно одинаковую роль и не иметь исключительно  большую по сравнению с другими  величинами дисперсию.

Для примера рассмотрим изготовление некоторой детали на станке-автомате. Размеры изготовленных деталей  несколько отличаются от требуемых. Это отклонение размеров от стандарта  вызывается различными причинами, которые  более или менее независимы друг от друга. К ним могут относиться: неравномерный режим обработки  детали; неоднородность обрабатываемого  материала; неточность установки заготовки  в станке; износ режущего инструмента  и деталей станков; упругие деформаций узлов станка; состояние микроклимата в цехе; колебание напряжения в  электросети и т. д. Каждая из перечисленных  и подобных им причин влияет на отклонение размера изготовляемой детали от стандарта. Таким образом, общее  отклонение размера, фиксируемое измерительным  прибором, является суммой большего числа  отклонений, обусловленных различными причинами. Если ни одна из этих причин не является доминирующей, то суммарное  отклонение является случайной величиной, имеющей нормальный закон распределения.

Так как нормальному закону подчиняются  только непрерывные случайные величины, то это распределение можно задать в виде плотности распределения  вероятности.

Определение: Непрерывная случайная  величина Х имеет нормальное распределение (распределена по нормальному закону), если плотность распределения вероятности  f(x) имеет вид

где а и s—некоторые постоянные, называемые параметрами нормального распределения.

Функция распределения  F(x) в рассматриваемом случае принимает вид

Параметр а- есть математическое ожидание НСВХ, имеющей нормальное распределение, s - среднее квадратическое отклонение, тогда дисперсия равна

 Выясним геометрический смысл  параметров распределения а и s. Для этого исследуем поведение функции f(x). График функции f(x) называется нормальной кривой.

Рассмотрим свойства функции f(x):

1°. Областью определения функции  f(x) является вся числовая ось.

2°. Функция f{x) может принимать только положительные значения, т. е. f(x}>0.

3°. Предел функции f(x) при неограниченном возрастании |х| равен нулю, т. е. ось ОХ является горизонтальной асимптотой графика функции.

      4°. Функция f{x) имеет в точке х = a максимум, равный

5°. График функции f(x) симметричен относительно прямой х = а.

6°. Нормальная кривая в точках  х = а +s  имеет перегиб,  

 

 

 

На основании доказанных свойств  построим график плотности нормального  распределения f(x).

 

   

  

  

  

 

Как видно из рисунка, нормальная кривая имеет колоколообразную форму. Эта  форма является отличительной чертой нормального распределения. Иногда нормальную кривую называют кривой Гаусса.

При изменении параметра а форма нормальной кривой не изменяется. В этом случае, если математическое ожидание (параметр а) уменьшилось или увеличилось, график нормальной кривой сдвигается влево или вправо .

 

   

  

  

 

При изменении параметра  s изменяется форма нормальной кривой. Если этот параметр увеличивается, то максимальное значение  функции f(x) убывает, и наоборот. Так как площадь, ограниченная кривой распределения и осью Ох, должна быть постоянной и равной 1, то с увеличением параметра  кривая приближается к оси Ох и растягивается вдоль нее, а с уменьшением s  кривая стягивается к прямой х=а .

 

   

  

  

  

  

  

  

  

 

Использование формул  f(x) и F(x) для практических расчетов затруднительно. Но решение задач по этим  формулам  можно упростить, если от нормального распределения с произвольными параметрами а и s перейти  к нормальному распределению с параметрами а=0, s = 1.

Функция плотности нормального распределения  f(x) с параметрами а=0, s  =1 называется плотностью стандартной нормальной случайной величины и ее график имеет вид:

Функция плотности и интегральная функция  стандартной нормальной СВ будут  иметь вид:

Для вычисления вероятности попадания  СВ в интервал (a, b) воспользуемся функцией    Лапласа:

_{Перейдем  к стандартной  нормальной случайной  величине} 

 

_Тогда

Значения  функции Ф(u) необходимо взять из таблицы приложений "Таблица значений функции Ф(х)" .

Пример. Случайная величина Х распределена по нормальному закону. Математическое ожидание и среднее квадратическое отклонение этой величины соответственно равны 30 и 10. Найти вероятность того, что Х примет значение, принадлежащее интервалу (10, 50).

Решение:

  По условию:a  =10, b=50, а=30, s =10, следовательно,

По таблице  находим Ф (2) = 0,4772. Отсюда, искомая вероятность:

Р(10< Х < 50) =2×0,4772=0,9544.

2.2. Вычисление  вероятности заданного отклонения

Часто требуется вычислить вероятность  того, что отклонение нормально распределенной случайной величины Х по абсолютной величине меньше заданного положительного числа d, т. е. требуется найти вероятность осуществления неравенства  |x —а|<d.

Заменим это неравенство равносильным ему двойным неравенством

Тогда получим:

Приняв во внимание равенство:

(функция Лапласа—нечетная), окончательно имеем

Вероятность заданного отклонения равна 

На рисунке наглядно показано, что  если две случайные величины нормально  распределены и а = 0, то вероятность принять значение, принадлежащее интервалу (-d,d),больше у той величины, которая имеет меньшее значение d. Этот факт полностью соответствует вероятностному смыслу параметра s .

Пример. Случайная величина Х распределена нормально. Математическое ожидание и среднее квадратическое отклонение Х соответственно равны 20 и 10. Найти вероятность того, что отклонение по абсолютной величине будет меньше трех.

Решение: Воспользуемся формулой

 

 По условию ,

тогда

2.3. Правило трех  сигм                                

 

Преобразуем формулу     

 

Введем обозначение

Тогда получим:

 

Если t=3, то

т. е. вероятность того, что отклонение по абсолютной величине будет меньше утроенного среднего квадратического отклонения, равна 0,9973.

Другими словами, вероятность того, что абсолютная величина отклонения превысит утроенное среднее квадратическое отклонение, очень мала, а именно равна  0,0027=1-0,9973. Это означает, что лишь в 0,27% случаев так может произойти. Такие события, исходя из принципа невозможности маловероятных событий можно считать практически невозможными. В этом и состоит сущность правила трех сигм:

Если случайная величина распределена нормально, то абсолютная величина ее отклонения от математического ожидания не превосходит утроенного среднего квадратического отклонения.

На практике правило трех сигм применяют  так: если распределение изучаемой  случайной величины неизвестно, но условие, указанное в приведенном  правиле, выполняется, то есть основание  предполагать, что изучаемая величина распределена нормально; в противном  случае она не распределена нормально.

3.      Показательное распределение.

3.1.  Интегральная и дифференциальная функции распределения.

Определение: Непрерывная случайная  величина X, функция плотности которой  задается выражением

называется случайной величиной, имеющей показательное, или экспоненциальное, распределение.

Величина срока службы различных  устройств и времени безотказной  работы отдельных элементов этих устройств при выполнении определенных условий обычно подчиняется показательному распределению. Другими словами, величина промежутка времени между появлениями  двух последовательных редких событий  подчиняется зачастую показательному распределению.

Как видно из формулы , показательное распределение определяется только одним параметром m.

Найдем функцию распределения  показательного закона, используя свойства дифференциальной функции распределения:

Графики дифференциальной и интегральной функций показательного распределения  имеют вид:

3.2. Числовые характеристики.

Используя формулы для вычисления математического ожидания, дисперсии  и среднего квадратического отклонения нетрудно убедится, что для показательного распределения 

  .

Таким образом, для показательного распределения характерно, что среднее  квадратическое отклонение численно равно математическому ожиданию.