
Показательный закон распределения
Непрерывная случайная величина X имеет показательный (или экспоненциальный) закон распределения, если ее плотность вероятно- сти имеет вид
(2.35)
где
> 0 параметр распределения.
График плотности f(х) приведен на рис. 32.
Функция распределения показательного распределения имеет вид
(2.36)
График F(x) представлен на рис. 33.
Найдем математическое ожидание и дисперсию показательного распределения:
=[интегрируем
по частям]
=
=
=[дважды интегрируем по частям]=
=
=
Таким образом,
,
(2.37)
Найдем вероятность попадания случайной величины X, распределен- ной по показательному закону, в интервал (а,b). Используя форму- лу (2.2) и формулу (2.36), получаем
Пример 2.12. Случайная величина Т – время работы радиолампы имеет показательное распределение. Найти вероятность того, что лам- па проработает не менее 800 часов, если среднее время работы радио лампы 400 часов.
О
МТ = 400, значит (формула (2.37)),
Искомая вероятность
Показательное распределение используется в приложениях теории вероятностей, особенно в теории массового обслуживания (ТМО), в фи- зике, в теории надежности. Оно используется для описания распреде- ления случайной величины вида: длительность работы прибора до пер- вого отказа, длительность времени обслуживания в системе массового обслуживания и т.д.
Рассмотрим,
например, н. с. в. Т
— длительность безотказной ра-
боты
прибора. Функция распределения с. в. Т,
т. е.
,
определяет
вероятность отказа за время длительностью
t.
И, значит,
вероятность безотказной
работы за время t
равна
.
Функция R(t)
называется функцией надежности.
Случайная
величина Т
часто имеет показательное распределение.
Ее
функция распределения имеет вид
(формула (2.36)).
В этом случае функция
надежности имеет вид
т.е.
,где
—
интенсивность отказов, т. е. среднее
число отказов в единицу времени.
Показательный
закон — единственный из законов
распределения,
который обладает
свойством «отсутствия последствия»
(т. е. если про-
межуток времени Т
уже длился некоторое время
,
то показатель-
ный закон распределения
остается таким же и для оставшейся
части
промежутка).
Нормальный закон распределения
Нормальный закон («закон Гаусса») играет исключительную роль в теории вероятностей. Главная особенность закона Гаусса состоит в том, что он является предельным законом, к которому приближаются, при определенных условиях, другие законы распределения. Нормаль- ный закон наиболее часто встречается на практике.
Непрерывная
с. в. X распределена по нормальному закону
с пара-
метрами а и
> 0, если ее плотность распределения
имеет вид
(2.38)
Тот
факт, что с. в. X имеет нормальное (или
гауссовское) распреде-
ление с
параметрами а и а, сокращенно записывается
так:
Убедимся, что f(x) – это функция плотности. Очевидно, f(x) > 0.
Проверим
выполнение условия нормировки
.
Имеем:
Здесь применили подстановку и использовали «интеграл Пуассона»
(2.39)
Из равенства (2.39) следует:
(2.40)
Функция
распределения
н.
с. в.
имеет
вид
(2.41)
Если а = 0 и = 1, то нормальное распределение с такими параме- трами называется стандартным. Плотность стандартной случайной величины имеет вид
С ней мы уже встречались в п. 1.21, формула (1.37).
Функция распределения с. в.X~N(0,1) имеет вид
и
называется, как мы уже знаем (п. 1.21,
формула (1.42)), функци-
ей Лапласа. Она
связана с нормированной функцией Лапласа
(п.
1.21, формула (1.40)), как мы уже знаем (формула
(1.43) п. 1.21),
равенством
(2.42)
Действительно,
=
(см. (2.40)).
Установим смысл параметров а и нормального распределения. Для этого найдем математическое ожидание и дисперсию с. в. X ~ ~ N(a, ).
=[подстановка
]=
=
т.
е. МX = а.
Первый интеграл равен нулю, так как
подинтегральная
функция нечетная,
а пределы интегрирования симметричны
относи-
тельно нуля, а второй интеграл
равен
(см. равенство (2.39)). Таким
образом,
параметр а
— математическое ожидание.
При
нахождении дисперсии с. в. X
~ N (а,
)
снова сделаем подстановку
и применим метод интегрирования по
частям:
Таким
образом,
,
а
— среднее квадратичное отклонение.
Можно
показать, что для с. в.
:
,
.
Исследуем дифференциальную функцию (2.38) нормального за- кона:
1.
f(x)
> 0 при любом
;
график функции расположен
выше оси Оx.
2. Ось Оx служит асимптотой графика функции f(x), так как
3.
Функция f(x)
имеет один максимум при x
= а,
равный
.
Действительно,
Отсюда f(x) = 0 при х = а, при этом: если x < а, то f’(x) > 0, a если x > а, то f’(x)< 0. Это и означает, что x = а точка максимума
Основные законы распределения случайных величин. Биномиальный закон распределения 3
Распределение Пуассона 7
Геометрическое распределение 12
Гипергеометрический закон распределения 19
Равномерный закон распределения 22
Показательный закон распределения 30
Нормальный закон распределения 36
и
являются точками перегиба графика функции f(x).
Пользуясь результатами исследования, строим график плотности распределения вероятности нормального закона — кривую распреде- ления, называемую нормальной кривой, или кривой Гаусса (рис. 34).
Как влияет изменение параметров a и на форму кривой Гаус- са? Очевидно, что изменение а не изменяет форму нормальной кривой (графики функции f(x) и f(x — а) имеют одинаковую форму; график f(x — а) получается из графика функции f(x) путем сдвига последнего на а единиц вправо, если а > 0, и влево, если а < 0). С изменением о максимальная ордината точки кривой изменяется. Так как площадь, ограниченная кривой распределения, равна единице при любом значе- нии , то с возрастанием кривая Гаусса становится более пологой, растягивается вдоль оси Ох …
На
рис. 35 изображены нормальные кривые при
различных значе-
ниях
(
)
и некотором значении а
(одинаковом для всех
трех кривых).
Рис. 35
Нормальному закону подчиняются ошибки измерений, величины износа деталей в механизмах, рост человека, ошибки стрельбы, вес клубней картофеля, величина шума в радиоприемном устройстве, ко- лебания курса акций и т. д.
Найдем вероятность попадания с. в. X ~ N(a, ) на заданный уча- сток ( ). Как было показано,
(п. 2.4, формула (2.8)). В случае нормального распределения
^ (х — а)2
Основные законы распределения случайных величин. Биномиальный закон распределения 3
Распределение Пуассона 7
Геометрическое распределение 12
Гипергеометрический закон распределения 19
Равномерный закон распределения 22
Показательный закон распределения 30
Нормальный закон распределения 36
получаем
.
(2.43)
Через функцию Лапласа выражается и функция распределения F(х) нормально распределенной с. в. X.
т. е.
(2.44)
Здесь
воспользуемся формулой (2.43), нечетностью
функции
и
тем, что
,
действительно
Если функция Лапласа (или «интеграл вероятностей») есть
то
(2.45)
(непосредственно вытекает из равенств (2.42)) и (2.44)).
Равенство (2.43) можно переписать и так:
(2.46)
На
практике часто приходиться вычислять
вероятность
попада-
ния нормально распределенной
случайной величины в интервал,
сим-
метричный относительно центра
рассеяния а.
Пусть таким интер-
валом будет (а-l,
a+l)
длины 2l.
Тогда
т.е.
.
(2.47)
Полагая в равенстве
(2.47)
,
получим
(3).
По
таблице значений для
находим:
. Следова-
тельно,
0.9973,
т. е. отклонение с. в. X
от своего
математического ожидания
меньше, чем З
— почти достоверное собы-
тие.
Важный
вывод: практически достоверно, что с.
в. X
~ N(a,
)
при-
нимает свои значения в промежутке
(
).
Это утверждение
называется «правилом
трех сигм».
Пример 2.13. При измерении детали получаются случайные ошибки, подчиненные нормальному закону с параметром = 10 мм. Произво- дится 3 независимых измерения детали. Найти вероятность того, что ошибка хотя бы одного измерения не превосходит по модулю 2 мм.
О По формуле (2.47) находим:
Вероятность того, что эта ошибка (погрешность) превышает 2 мм в одном опыте (измерении), равна
По
теореме умножения вероятность того,
что во всех трех опытах ошиб-
ка
измерения превышает 2 мм. равна
.
Следовательно,
искомая вероятность
равна 1 — 0,5958 = 0,4042. •
Упражнения
Известно, что с. в. X ~ N(3,2). Найти
Р{—3
< X < 5},
Р{Х
4}, Р{|Х-3|<6}.
Нормально распределенная с. в. X задана плотностью вероятно- стей
Найти:
а) вероятность попадания с. в. в интервал
(1,3); б) симмет-
ричный относительно
математического ожидания интервал, в
ко-
торый с вероятностью 0,8926 попадет
с. в. X в результате опыта;
в)
и
.
Построить нормальную кривую f(x).