2003_-_Gmurman__TV_i_MS
.pdfЛегко видеть, что при х = а+(1 и Х = а- (1 вторая
производная равна нулю, а при переходе через эти точки
она меняет знак (в обеих этих точках значение функuии
равно 1/«1)I2Ле». Таким образом, точки графика (а-а,
1/«1 У2Яе» и (а+ 0', 1/(0' V2Пе» являются точками пе
региба.
На рис. 7 изображена нормальная кривая при а = 1
и 0'=2.
§ 4. Влияние параметров иормaJlЬИОГО
распределення на форму нормальной кривой
Выясним, как влияют на форму и расположение
нормальной кривой значения параметров а и О.
Известно, что графики функций f (х) и f (х-а) имеют
одинаковую форму; сдвинув график f (х) в положитель
ном направлении OCli х на а |
|
||||
единиц |
масштаба при |
а > О |
f(x) |
||
или в отрицательном направ |
|||||
|
|||||
лении |
при |
а < О, получим |
|
||
график f (х-а). Orсюда сле- |
|
||||
дует, что изм,енеНие величиНbl |
|
||||
naрам.етра а (математиче |
с1а' |
||||
ского ожидания) не изменяет |
|
||||
формы норм,альной кривой, а |
|
||||
nриводит лишь к ее сдвигу |
|
||||
вдаль оси Ох: вправо, если а |
__~~~~~~~~~-----x |
||||
возрастает, и влево, если а |
|||||
убьюает. |
|
|
о |
||
По-иному |
обстоит |
дело, |
Рис. 8 |
если изменяется параметр (J
(среднее квадратическое отклонение). Как было указано
впредыдущем параграфе, максимум дифференциальной
функции нормального распределения равен 1/(0' V2л:).
Огсюда следует, что с возрастанием (1 максим,альная орди
ната нормальной кривой убьюает, а сама кривая стано
вится более пологай, т. е. сжи.мается к оси Ох; при
убьюании о' нормальная кривая становится более «остро
вершинной» и растягивается в положительном направле
нии оси ау.
Подчеркнем, что при любых значениях параметров а
И о площадь, ограниченная нормальной кривой и осью х,
ОСтается равной единице (см. гл. XI, § 4, второе свойство
ПЛотности распределения).
9* |
J31 |
|
На рис. 8 и'юбражены нормальные кривые при раз
личных значениях О' и а = О. Чертеж наглядно иллюстри
рует, как изменение параметра (} сказывается на форме
нормальной |
кривой. |
||
Заметим, |
что |
при а = О и о' = 1 нормальную кривую |
|
q> (х) = |
1 |
е-Х'/2 |
называют нормированной. |
|
ffn |
|
|
§ 5. Вероятность попадания в заданный интервал нормальной случайной величины
Уже известно, что если случайная величина Х
задана плотностью распределения f (х), то вероятность
того, что Х примет значение, принадлежащее интервалу
(а. р), такова:
fI
Р (а < х < ~) = ~ f (х)dx.
а
Пусть случайная величина Х распределена по нор мальному закону. Тогда вероятность того, что Х примет
значение, принадлежащее интервалу (а, ~), равна
fI
р (а < х < ~) = о У12_п Sе-(х-а)2/(2а") dx.
о:
Преобразуем эту формулу так, чтобы можно было
пользоваться готовыми таблицами. Введем новую пере
менную z = (х-а)/О'. Отсюда х = О'г+а, dx= О' dz. Найдем
новые пределы интегрирования. Если х=а, то z=(a-а)fО';
если х =~, 10 Z = (~-a)j(}.
Таким образом, имеем
(fI-sа)/о
р (а < х <~) = ; - e- ZI / 2 «}dz) =
о2п
|
|
|
|
(а-а)/о |
|
|
|
|
о |
|
(fI-а)/о |
|
|
- |
I |
S e- z'/2dz+ |
I |
S e- z'/2dz= |
||
|
-ГГn |
(о:-а){а |
|
-/2п |
О |
|
|
, " .. |
|
' |
|
||
|
|
(fI-а)/о |
|
|
(а-а)/а |
|
|
|
I e- ZI / |
2 dz- ~2n |
~ e- Z '/ |
2 dz. |
132
Пользуясь функцией Лапласа
окончательно получим |
|
Р(а < Х < ~)=Ф (~:-а)_ф (сх-:;а). |
(*) |
Пример. Cnучайная величина Х распределена по нормальному закоНу. Математическое ожидание и среднее квадратическое откло
ненне этой величины соответственно равны ЗО и 10. Найти вероят ность того, что Х примет значение. принадлежащее интервалу (/0, 50).
Реш е н и е. Воспользуемся формулой (*). По условию, а = 10. Р = 50, а = ЗО, а = IО, следовательно,
Р(IО<Х<50)=Ф ( |
5О-ЗО) |
-ф |
(IO-ЗО) |
=2Ф(2). |
10 |
10 |
|||
По таблице приложения |
2 находим Ф (2) = 0,4772. Отсюда иско |
мая вероятность
р(10 < х < 50)=2.0,4772=0,9544.
§6. Вычисление вероятности заданного отклонения
Часто требуется вычислить вероятность того, что
отклонение нормально распределенной случайной вели чины Х по абсолютной величине меньше заданного по
ложительного числа б, т. е. требуется найти вероятность осуществления неравенства IХ -а j < б.
Заменим это неравенство равносильным ему двойным
неравенством |
или а - б < Х < а + б. |
- б < Х - а < б, |
|
Пользуясь формулой |
(*) (см. § 5), получим |
Р(, X-al < б)=Р(а-б < Х <а+б)=
= Ф [ (а +~)- а J_ ф [(а-~)- а] = Ф ( ~ ) _ ф ( _ : ) •
Приняв во внимание равенство
Ф (-б/а) = - Ф (б/а)
(функция Лапласа-нечетная), окончательно имеем Р ( IХ - а I < б) = 2ф (б/а).
В чаС1ПОСТИ, при а = О
Р ~ IХ I < б) = 2ф (б/а).
133
На рис. 9 наглядно показано, что если две случайные
величины иормально распределены и а = О, то вероятность
принять значение, принадлежащее интервалу ( - б, б),
'(х)
больше у той величины, кото
рая имеет меньшее значение о.
Этот факт полностью соответ
|
ствует |
вероятностному |
смыслу |
||||||
|
параметра |
о (о |
есть |
среднее |
|||||
|
квадратическое |
отклонение; оно |
|||||||
|
характеризует |
|
рассеяиие |
слу |
|||||
|
чайной |
величины |
вокруг |
ее |
|||||
|
математического |
ожидания). |
|||||||
|
|
3 а м е ч а н и е. |
|
Очевидио, |
со- |
||||
Рис. 9 |
бытия, СОС1'Оящv.е |
в |
осуществлеиии |
||||||
неравеиств I Х-а I < 3 и |
I Х-а I~ |
||||||||
|
~ 3, - |
противоположные. |
Поэтому, |
||||||
еслн вероятность осуществления неравеиства I Х-а I < б равиа р, 1'0 |
|||||||||
вероятность неравенства I Х-а ';?3 равиа |
I-p. |
|
|
|
|
||||
Пример. Случайная величИНа Х распределена |
иормальио. Мате |
||||||||
матическое ожидаиие и |
средиее |
квадратическое |
отклсиеиие Х |
соот |
|||||
ветствеиио равиы 20 н |
10. Найти |
вероятиость |
ТОГО, |
Ч1'О отклонение |
по абсолютной величине будет меиьше трех.
Реш е н и е. Воспользуемся формулой
Р (1 Х-а 1< 3)=2Ф (3/0).
По условию, 3 = 3, а = 20, 0=10. Следовательно,
Р <1 Х-20 I < 3) = 2ф (3/10) = 2ф (0,3).
ПО таблице приложения 2 иаходим Ф (0,3) =0,1179.
Искомая вероятиость
Р ( I Х - 20 I < 3) = 0,2358.
§ 7. Правило трех сигм
Преобразуем формулу (см. § 6)
|
|
Р (1 Х -а 1< б) = 2ф (б/о), |
положив |
б = |
ot. В итоге получим |
|
|
Р (1 Х-а 1< ot) = 2Ф (п· |
Если |
t = |
3 и, следовательно, (Jt = 30, то |
Р (1 Х-а 1< 30)= 2ф (3)= 2·0,49865 = 0,9973,
т. е. вероятность того, что отклонение по абсолютной
величине будет меныпе утроенного среднего квадратиче
ского отклонения, равна 0,9973.
134
)Jругими словами, вероятность того, что абсолютная
велнчина отклонения п р е в ы с и т утроенное среднее
квадратическое отклонение, очень мала, а именно равна
0,0027. Это означает, что лишь в 0,27% случаев так может
произойти. Такие события исходя из принципа невозмож
ности 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 мате.матиче
ского ожидания не nревосходит утроенного среднего квад
ратического отклонения.
На практике правило трех сигм применяют так: если
u u u
распределение изучаемои случаинои величины неизвестно, но УС.7JOвие, указанное в приведенном правиле, выпол няется, то есть основание предполагать, что изучаемая величина распределена нормально; в противном случае она не распределена НОРМdЛЬНО.
§ 8. Лонятие о теореме Ляпунова. Формулировка
центральной предельной теоремы
Известно, что нормально распределенные случай
ные величины широко распространены на практике. Чем это объясняется? Ответ на этот вопрос был дан выдаю
щимся русским математиком А. М. Ляпуновым (централь
ная предельная теорема): если случайная величина Х пред
ставляет собой сумму очень большого числа взаимно неза висимых случайных величин, влияние каждой из которых
на всю CYJ.tMY ничтожно мало, то Х имеет распределение,
близкое к нормальному.
Пример. Пусть производится измерение некоторой физической
величины. Любое измерение дает лишь приближенное значеиие изме ряемой величины, так как на результат измерения влияют очень многие независимые случэйные факторы (температура, колебания прибора,
влажность и др.). Каждый из этих факторов порождает ничтожную «частную ошибку». Однако, поскольку число этих факторов очень велико, их совокупное действие порождает уже заметную «суммар
иую ошибку».
Рассматривая СУМ1IIарную ошибку как сумму очень большого числа взаимно независимых частных ошибок, мы вправе заключить,
что СУl>lмарная ошибка имеет распределение, близкое к нормальному.
Опыт подтверждает Сllраведливость такого заключения.
Приведем формулировку центральной предельной тео
ремы, l<оторая устанавливает условия, при которых сумма
135
большого числа независимых слагаемых имеет распреде
ление, близкое к нормальному.
Пусть X 1 , X z' ..• , Хn• ••• - последовательность неза
висимых случайных величин, каждая из которых имеет
конечные математическое ожидание и дисперсию:
М (X k ) = ak' D (X k ) = bl.
Введем обозначения:
Обозначим функцию распределения нормированной суммы
через
Говорят, что |
к последовате.rrьности X 1 • X z' |
••• |
приме |
|||
нима центральная предельная теорема. если |
при |
любом |
||||
хФункция распределения нормированной суммы при n ----+- 00 |
||||||
стремится к нормальной |
функции |
распределения: |
|
|||
|
|
< х] = |
|
х |
|
|
НтР [Sn- Аn |
1 |
r e- zl/ z |
dz. |
|
||
n ... ф |
Вn |
У2п |
J |
|
|
|
|
|
|
|
- 00 |
|
|
в частности, |
если все случайные величины |
X1 • |
Xz•••• |
одинаково распределены, то к этой последовательности
применима центральная предельная теорема, если диспер
сии |
всех величин X j (i = |
1, 2, ... ) конечны и |
отличны от |
|
нуля. А. М. Ляпунов |
доказал, что если для |
б> О при |
||
n - |
00 отношение Ляпунова |
|
||
|
|
|
n |
|
|
Ln=Cn/B~+fJ, |
где |
Сn= ~ MIXk-аk I2 +fJ, |
|
|
|
|
k=1 |
|
стремится к нулю (условие Ляпунова), то к последова
тельности Х1, Х2• ••• применима централь-ная предельная
теорема.
Сущность условия Ляпунова состоит в требовании,
чтобы каждое слагаемое суммы (Sn-An}/Bn оказывало на
сумму ничтожное влияние.
3 а м е ч а и и е. Для ДОКазательства центральной предельной тео ремы А. М. Ляпунов использовал аппарат характеристических ФУНК
ций. Характеристической функцией случайной величины Х наЗЫвают
функцию IP (/) = М [еих J.
136
Для дискретной случайной величииы Х с возможными значениями
Xk и их вероятностями Pk характеристическая функция
IP (t) = ~ e,txk Pk.
k
Для непрерывной случайной величины Х с плотностью распре деления I (х) ха рактеристичеСI{ая ф) нкция
OD
IP (t) = ~ eitx f (х) ш.
- OQ
Можно доказать, что характеристическая функция суммы "еза
'Висимых случайных величин равна произведению характеристических
функций слагаемых.
§ 9. Оценка отклонения теоретического
распределения от нормального.
Асимметри я и эксцесс
Э-мnирически-м называют распределение относи тельных частот. Эмпирические распределения изучает
математическая статистика.
Теоретически-м называют распределение вероятностей.
Теоретические распределения изучает теория вероятностей.
В :,том параграфе рассматриваются теоретические распре
деления.
При изучении распределений, отличных от нормаль
ного, возникает необходимость количественно оценить это
различие. С этой целью вводят специальные характери стики, в частности асимметрию и эксцесс. Для нормаль
ного распределения эти характеристики равны нулю.
Поэтому если для изучаемого распределения асимметрия
и эксцесс имеют небольшие значения, то можно предпо
ложить близость этого распределения к нормальному.
Наоборот, большие значения асимметрии и эксцесса ука
зывают на значительное отклонение от нормального.
Как оценить асимметрию? Можно доказать, что для симметричного распределения (график такого распреде
ления симметричен относительно прямой х = М (Х» каждый центральный момент нечетного порядка равен нулю. Для
несимметричных распределений центра.1ьные моменты не
четного порядка отличны от нуля. Поэтому любой из этих
Моментов (кроме момента первого порядка, который равен
нулю для любого распределения) может служить для
оценки асимметрии; естественно выбрать простейший из
Них, Т. е. момент третьего порядка f-tз. Однако принять
этот момент для оценки асимметрии неудобно потому, что
137
его величина зависит от единии, в которых измеряется
случайная величина. Чтобы устранить этот недостаток, J-tз делят на аЗ и таким образом получают безразмерную
характеристику.
Асимметрией теоретического распределения называю'!'
отношение центрального момента третьего порядка к кубу
среднего квадратичеСI<ОГО отклонения:
As = J-tз/О'З.
Асимметрия положительна, если «длинная часть» кри вой распределения расположена справа от математического
{(Х) |
ожидания; |
асимметрия отри |
||||
цательна, |
если |
«длинная |
||||
|
||||||
а) |
часты |
крнвой |
расположена |
|||
слева |
от |
математического |
||||
|
||||||
х |
ожидания. |
Практически оп |
||||
|
|
|
|
|
||
f(X) |
ределяют |
знак асимметрии |
||||
по расположению кривой рас |
||||||
о) |
пределения |
относительно мо |
||||
ды (точки максимума диффе |
||||||
|
ренциальной функции): если |
|||||
|
«длинная часть» кривой рас |
|||||
|
положена |
правее |
моды, то |
|||
х |
асимметрия |
|
положительна |
|||
|
|
|||||
Рис. 10 |
(рис. |
10, а), |
если |
слева- |
||
|
отрицательна (рис. |
10, б). |
||||
Для оценки «крутости», |
т. е. большего |
или |
меньшего |
подъема кривой теоретического распределения по сравне
нию |
с |
нормальной |
кривой, |
/()() |
|
|
|
|||
пользуются |
характеристи |
|
|
|
||||||
|
|
|
|
|||||||
кой -- эксцессом. |
|
|
|
а) |
|
|
|
|||
|
|
|
НОРМЙАьна. |
|
|
|||||
Эксцессом |
теоретического |
|
|
|||||||
"PUflOR |
У |
|
|
|||||||
распределения |
называют ха |
|
|
|||||||
|
I |
|
|
|||||||
рактеристику, |
которая |
опре |
|
I |
|
|
||||
|
/ |
|
|
|||||||
|
|
|
|
|
|
|
|
/ |
|
|
|
|
|
|
|
|
|
--;' |
|
|
|
деляется |
равенством |
|
|
|
'" |
|
|
|||
|
|
o~~~~------~~--x |
||||||||
|
E k = (f-t4/a4 )--3. |
|
||||||||
|
|
/(х) |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
д.1Я нормального рас- |
б) |
|
|
|
||||||
пределения |
J-t4/a4 = |
3; |
сле |
HOp.Ata.J.bHa. |
-.. |
|
||||
|
|
|
|
|
|
|
криво", |
-1' |
\ |
с" < о |
довательно, |
эксцесс |
равен |
|
I |
\ |
|||||
нулю. |
|
Поэтому |
если |
экс |
|
|
|
|
||
цесс |
некоторого |
распре |
|
|
|
|
||||
деления |
отличен |
от |
нуля, |
~Dr-~----------~---X |
||||||
|
|
|
|
|||||||
то кривая этого |
распределе- |
|
Рис. |
11 |
|
138
ния отличается от нормальной кривой: если эксцесс
положитедьный, то крнвая имеет более высокую и «острую.
вершину, чем нормальная кривая (рис. 11, а); если эксцесс
отрицательный, то сравниваемая кривая имеет более низ
кую и «плоскую» вершину, чем нормальная кривая
(рис. 11, б). При этом предполагается, что нормальное и
теоретическое распределения имеют одинаковые матема
тические ожидания и дисперсии.
§ 10. Функци Я одного случайного аргумента
иее распределение
Предварительно заметим, что далее, вместо того
чтобы говорить «закон распределения вероятностей», бу
дем часто говорить кратко-«распределение».
Если каждому возможному значению случайной вели
чины Х соответствует одно возможное значение случайной
величины У. то У называют функцией случайного аргу мента Х:
у = q> (Х).
Далее показано, как найти распределение функции по
известному распределению дискретного и непрерывного
аргумента.
1. П у с т ь а р г у м е н т Х -д и с к р е т н а я с л у чай н а я в е л и ч и н а.
а) Если различным возможным значениям аргумента
Х соответствуют различные возможные значения функции
У, то вероятности соответствующих значений Х и У между собой равны.
Пример 1. Дискретная случайная величина Х задана распреде
лением
х 2 3
Р0,6 0,4
Найти распределение функции У =Х2 •
Реш е н и е. Найдем возможные значения У;Уl =22=4; Уа=32 =
= 9. Напишем нскомое распределение У:
у
р
4 |
9 |
0,6 |
0,4 |
б) Если различным возможным значениям Х соответ
ствуют зиачения У, среди которых есть равные между собой, то следует складывать вероятности повторяющихся
3}lЗчений У.
139
Пример 2. Дискретная CJ\учайиая веЛичина Х задана распреде·
лением
х
р
- 2 |
2 |
3 |
0,4 |
0,5 |
0,1 |
Найти распределеиие функции У = XI.
Реш е н и е. Вероятность возможного значеиия Уl = 4 равна сумме
вероятностей HecoBMeclНЫX событий Х = - 2, |
Х =2, т. е. 0,4+0,5= |
= 0,9. Вероятность возможного зиачения У2 = |
9 равна 0,1. Напишем |
искомое распределение У:
У
р
4 9
0,9 0,1
2. n у с т ь ар r у м е н т Х - н е пр еры в н а я с л у
чай н а я в ел и ч и н З. Как найти распределение функ
ции У = <р (Х), зная плотность распределения случайного аргумента Х? Доказано: если у = <р (х)-дифференцируе
мая строго возрастающая или строго убывающая функция. обратная функция которой х = Ф (у), то плотность рас
пределения g(y) случайной величины У находится с по
мощью равенства
g(y) = f ['1' (у)] Iф' (у) 1·
Пример 3. Случайная величина Х распределена нормальио, при
чем ее математическое ожидание а = о. Найти распределение функ
цИИ У=Х3.
Реш е н и е. Так как фуикция у = х8 дифференцируема и строго
возрастает, то можно применить формулу
g (у) = f I'Ф (у)] 1'1" (у) 1·
НаАдем функцию, обратную функции у = х3 :
'\J(y)=x=y1/3.
Найдем f ['i' (у»). По условию,
поэтому
fI'\J(y»)=f[yl/3]= |
1 |
е-I/2/З/201 • |
а У2п
Найдем пронзводную обратной функции по у:
|
'\J'(у) = |
(у1/З)' = |
|
I |
|
|
|
|
|
|
3у2/ з • |
Найдем искомую плотность распределения, для чего подставим (**) |
|||||
и (*./",,) н (*): |
|
|
|
|
|
( ) |
_ |
1 |
|
е |
_1/2/8/201 |
g У |
- 3 2/8 ~Г |
2п |
• |
||
|
ау |
,. |
|
|
140