1674
.pdfПродолжение табл.4
1 |
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
11 |
F(x)= |
A· x2 |
|
|
при 0≤ х ≤ 2; |
|||||||||||||||
0 |
|
|
|
|
|
|
|
|
|
при |
х < 0; |
|||||||||
|
|
1 |
|
|
|
|
|
|
|
|
|
при |
х > 2. |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
при х < |
|
|
||||||
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
; |
||||||
|
|
|
|
2 |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
12 |
F(x)= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
A· sin x |
|
|
при |x|≤ |
|
|
|
; |
|
||||||||||||
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
1 |
|
|
|
|
|
|
|
|
|
при х > |
|
. |
||||||
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
||
13 |
f(x)= |
A· е– 4х |
|
|
|
при х ≥ 0; |
||||||||||||||
|
|
0 |
|
|
|
|
|
|
|
|
|
при х < 0. |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
8 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
A( 1 |
|
|
|
|
|
) |
|
при 0 x 2; |
||||||||||
14 |
F(x)= |
х3 |
||||||||||||||||||
|
|
0 |
|
|
|
|
|
|
|
|
|
при х < 0; |
|
|
|
|||||
|
|
1 |
|
|
|
|
|
|
|
|
|
при х 2. |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
15 |
F(x)= |
Ax |
|
|
при 0 < x < 1; |
|||||||||||||||
1 |
|
|
|
|
|
|
|
|
|
при х > 1. |
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
16 |
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
f(x)= |
A e 2 |
|
|
при |
x . |
||||||||||||||
17 |
f(x)= |
A х е х2 |
при х ≥ 0; |
|
|
|
||||||||||||||
|
|
0 |
|
|
|
|
|
|
|
|
|
при х < 0. |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
x2 |
|
|
|
|
|
|
|
|
|
|
|
18 |
f(x)= |
A x e 2 |
при х ≥ 0; |
|
|
|
||||||||||||||
|
|
0 |
|
|
|
|
|
|
|
|
|
при х < 0. |
|
|
|
|||||
|
|
|
|
|
|
|
||||||||||||||
19 |
F(x)= |
A + А е х2 |
при х ≥ 0; |
|
|
|
||||||||||||||
|
|
0 |
|
|
|
|
|
|
|
|
|
при х < 0. |
|
|
|
|||||
20 |
f(x)= |
A·x3 ·е– х |
|
|
при х ≥ 0; |
|
|
|
||||||||||||
|
|
0 |
|
|
|
|
|
|
|
|
|
при х < 0. |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
||||||||||||
21 |
f(x)= |
А е х2 |
|
|
при х ≥ 0; |
|
|
|
||||||||||||
|
|
0 |
|
|
|
|
|
|
|
|
|
при х < 0. |
|
|
|
|||||
|
|
|
|
|
|
|||||||||||||||
22 |
F(x)= |
2 ·A·x |
|
|
при 0< х < 1; |
|||||||||||||||
1 |
|
|
|
|
|
|
|
|
|
при х > 1. |
|
|
|
|||||||
|
|
|
|
|
|
|||||||||||||||
23 |
F(x)= |
10A·x |
|
|
при 0≤ х ≤ 1; |
|||||||||||||||
1 |
|
|
|
|
|
|
|
|
|
при х > 1. |
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
49 |
|
|
|
|
|
Окончание табл.4
1 |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
А |
при х ≥ а; |
||||||
24 |
f(x)= |
|
|
|
|
|||||
|
х |
4 |
|
|||||||
|
|
|
|
|
|
|
||||
|
|
|
|
|
при х < а. |
|||||
|
|
0 |
|
|
||||||
|
|
2A · cos 2x |
при 0 х |
|
; |
|
|
|||
|
|
|
||||||||
25 |
f(x)= |
|
|
|
|
4 |
|
|
|
|
0 |
|
|
при х < 0 и x > |
. |
||||||
|
|
|
|
|||||||
|
|
|
|
|
||||||
|
|
|
|
|
|
4 |
|
|||
26 |
F(x)= |
4A·x2 |
при 0 ≤ х ≤1; |
|||||||
|
|
1 |
|
|
при х > 1. |
|||||
|
|
|
|
|||||||
27 |
F(x)= |
A + 4A·x3 |
при 0 ≤ х ≤1; |
|||||||
|
|
1 |
|
|
при х > 1. |
|||||
|
|
|
|
|||||||
28 |
f(x)= |
3A·x2 |
при 0 ≤ х ≤1; |
0при х > 1.
1.2.3.Числовые характеристики
Во многих вопросах инженерной практики нет необходимости характеризовать случайную величину полностью, исчерпывающим образом, с помощью закона распределения. Зачастую бывает достаточно указать только отдельные числовые параметры (допустим, среднее значение, разброс значений относительно среднего и т.п.), характеризующие существенные стороны распределения случайной величины.
Такими параметрами для распределения случайной величины Х являются моменты, которые различаются по трем признакам: по порядку β момента, по началу отсчета случайной величины и по виду самой случайной величины.
Практически рассматривают нулевой, первый, второй, третий и четвертый моменты (β = 0, 1, 2, 3, 4), а вообще-то, порядок момента может быть любым целым числом. Различают по началу отсчета случайной величины начальные и центральные моменты, а по виду – для дискретных и непрерывных величин.
Для дискретной случайной величины начальным моментом β-го порядка называют выражение
|
n |
n |
|
|
xi |
p(xi ) xi pi |
(37) |
|
i 1 |
i 1 |
|
где n — количество возможных значений случайной величины, шт.; для непрерывной —
|
|
x f (x) dx. |
(38) |
|
|
|
|
|
|
50 |
|
Исходя из этого, можно записать, что нулевым начальным моментом является выражение
n |
n |
|
0 xi0 pi |
pi 1. |
(39) |
i 1 |
i 1 |
|
Нулевой начальный момент отражает то обстоятельство, что сумма вероятностей полной группы событий (а xi – это полный перечень возможных значений дискретной случайной величины, т.е. ничего больше, кроме указанного, не произойдет) всегда равна единице.
Первый начальный момент, или начальный момент первого порядка, — это среднее значение или математическое ожидание случайной величины mх:
n |
|
1 xi pi mx. |
(40) |
i 1 |
|
Этот момент характеризует значение случайной величины, вокруг которой группируются все возможные ее значения, т.е. α1 = mx. Причем величина mx измеряется в тех же единицах, что и величина Х.
Математическое ожидание обладает следующими свойствами: 1. МС = C – матожидание const, которое равно const;
2. М·Сх = C·Мx, если C – const;
3.М(Х+Y) = М(Х)+М(Y);
4.М(Х·Y) = М(Х) ·М(Y), где Х и Y – независимые случайные величины. На рис. 11 дана геометрическая интерпретация математического ожи-
дания.
f(x)
x
mx1 mx2
Рис. 11. Геометрическая интерпретация первого начального момента, когда mx1 mx2
Центр группирования случайной величины часто принимают за начало
51
отсчета, что равносильно переносу начала координат в точку mx. Случайные величины, отсчитываемые от математического ожидания, т.е. от центра группирования, называются центрированными, а их моменты – центральными.
Для дискретных случайных величин переход от начальных моментов к центральным осуществляют заменой значения xi на (xi – mx ). Тогда будем иметь:
- нулевой центральный момент
n |
mx)0 pi |
n |
|
|
0 (xi |
pi |
1; |
(41) |
|
i 1 |
|
i 1 |
|
|
- первый центральный момент
|
n |
|
|
1 (xi mx ) pi mx mx 0, |
(42) |
|
i 1 |
|
n |
n |
|
учитывая, что xi |
pi mx ;. pi 1. |
|
i 1 |
i 1 |
|
Отсюда следует, что математическое ожидание центрированной случайной величины равно нулю;
- второй центральный момент
n |
|
2 (xi mx)2 pi Dx |
(43) |
i 1
характеризует рассеяние случайной величины относительно ее среднего значения и называется дисперсией Dx, которая имеет размерность квадрата случайной величины.
2 Sx2 Dx. |
(44) |
Дисперсия обладает следующими свойствами:
1)дисперсия постоянной величины равна нулю: Dc = 0;
2)D·Cx = C2·Dx ;
3)D(X+Y) = D(X) + D(Y), если X и Y независимы.
Среднее квадратичное отклонение представляет собой корень квадратный из дисперсии, т.е.
x |
2 |
|
Sx2 |
Dx |
. |
(45) |
|
На рис. 12 приведены графики плотности распределения для Sx |
Sx |
. |
|||||
|
|
|
1 |
|
2 |
Центральные моменты высших порядков используют для более полного описания случайной величины, а именно:
- третий центральный момент
n |
|
3 (xi mx )3 pi |
(46) |
i 1
52
характеризует скошенность, или асимметрию, распределения.
f(x)
Sx1
Sx2
Рис. 12. Геометрическая интерпретация второго центрального момента
Коэффициент асимметрии вычисляется по формуле
A |
3 |
(47) |
|
Sx3 |
|||
x |
|
и является безразмерной величиной.
f(x)
1 |
2 |
x
Рис. 13. Геометрическая интерпретация третьего центрального момента
На рис. 13 приведены кривые распределения с левой (кривая 1, когда Ax 0) и правой (кривая 2, когда Ax 0) асимметрией;
- четвертый центральный момент
53
n |
4 |
|
|
|
pi |
|
|
4 xi mx |
(48) |
i 1
характеризует островершинность или плосковершинность (т.е. крутость) распределения по сравнению с широко распространенным в природе и технике нормальным законом распределения. Обычно описывается это свойство распределения с помощью безразмерного коэффициента, называемого эксцессом:
Ex |
4 |
3. |
(49) |
|
Sx4 |
||||
|
|
|
||
Для нормального закона распределения отношение |
4 Sx4 равно 3, |
следовательно, Ex 0. Функции распределения, более совершенные по сравнению с соответствующей кривой нормального закона распределения, обладают положительным эксцессом, а более плосковершинные – отрицательным эксцессом, как показано на рис. 14.
Пример. Водитель машины, прибыв на станцию технического обслуживания, застает на линии обслуживания очередь их двух машин, к обслуживанию первой машины приступают техники. Зная, что вероятность неисправности машин, обращающихся на станцию технического обслуживания, равна 0,8 , продолжительность диагностики (обнаружения неисправности) – 10 минут, а длительность ремонта (устранения неисправности) – 20 минут, определить числовые характеристики времени пребывания водителя в очереди.
f(x)
Ex>0
Ex=0
Ex<0
x
Рис. 14. Геометрическая интерпретация четвертого центрального момента
Решение. На основе исходных данных имеем вероятность того, что поступившая машина неисправна, равна 0,8 (p=0,8). В таком случае вероятность того, что машина неисправна, равна q=1 – p = 1 – 0,8 = 0,2.
54
Возможные значения дискретной случайной величины Х – времени пребывания рассматриваемого водителя в очереди:
х1 = 20 минут (когда обе машины исправны); х2 = 40 минут (когда одна машина исправна, а одна неисправна); х3 = 60 минут (когда обе машины неисправны).
Определим вероятности для каждого из указанных времен ожидания. Для того чтобы ожидание очереди длилось 20 минут, необходимо, что-
бы совпадали следующие события: и первая машина исправна, и вторая машина исправна. В этом случае используется формула умножения вероятностей. Условимся, что р20 (вероятность с указанием времени ожидания) будет обозначать вероятность соответствующего времени ожидания ( так, в рассматриваемом случае 20 минут).
Отсюда имеем р20 = q1·q2 = 0,2·0,2 =0,04; ожидание 40 минут будет в том случае, если либо и первая машина неисправна, и вторая исправна либо и первая исправна, и вторая неисправна. Тогда имеем р40 р1 q2
q1 p2 0,8 0,2 0,2 0,8 0,32.
|
Наконец, ожидание 60 минут – это ситуация, в которой и первая, и вто- |
|||||
рая |
машины |
неисправны. |
На |
этом |
основании |
имеем |
p60 p1 p2 0,8 0,8 0,64. |
|
|
|
|
||
|
Результаты вычислений запишем в виде ряда распределения (табл. 5). |
Эту таблицу можно считать рядом распределения, если рi 1. Производим проверку: 0,04+0,32+0,64=1.Отсюда имеем ряд распределения времени ожидания (см. табл. 5).
|
|
|
|
|
|
Таблица 5 |
Ряд распределения времени ожидания водителя в очереди |
||||||
|
|
|
|
|
|
|
хi |
|
20 |
|
40 |
|
60 |
pi |
|
0,04 |
|
0,32 |
|
0,64 |
Используя формулы (40), (43) и (44), получим |
|
|
||||
|
|
mx 20 0,04 40 0,32 60 0,64 52мин; |
||||
Dx (20 52)2 |
0,04 (40 52)2 |
0,32 (60 52)2 |
0,64 497,44мин2; |
Sx 497,44 22,4мин.
По формулам (47) и (49) с учетом соотношений (46) и (48) получим
3 (20 52)3 0,04 (40 52)3 0,32 (60 52)3 0,64 1536;
1536 Ах 22,43 0,14;
4 (20 52)4 0,04 (40 52)4 0,32 (60 52)4 0,64 51200;
55
51200 Ех 22,44 3 2,8.
1.2.4. Задачи
1.2.4.1. Определить математическое ожидание числа удач при пятикратном запуске двигателя скрепера, если случайная величина Х (число удач) задана рядом распределения (табл. 6).
|
|
|
Ряд распределения |
|
Таблица 6 |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
хi |
0 |
1 |
2 |
3 |
4 |
5 |
pi |
0,01024 |
0,0768 |
0,2304 |
0,3456 |
0,2592 |
0,07776 |
1.2.4.2. Проводится контроль технического состояния пяти автогрейдеров. Вероятность того, что рассматриваемая машина исправна, равна 0,8. Определить mx, σx и Dx случайной величины X – числа исправных машин.
1.2.4.3.На пересечении автомагистралей установлен автоматический светофор, работающий в режиме: 1 минута – зеленый, 0,5 минут – красный свет для рассматриваемого направления, по которому в случайный момент времени к перекрестку подходит автомобиль. Определить вероятность того, что машина пройдет перекресток, не останавливаясь. Кроме того, найти закон распределения и числовые характеристики времени ожидания машины у перекрестка.
1.2.4.4.Водитель самоходного скрепера производит независимые по-
пытки преодоления трех сложных препятствий. Вероятность удачи (преодоления препятствий) для всех препятствий одинакова и равна (N·10 – 2 +0,2). Определить числовые характеристики случайной величины Х- числа
удач: mx, σx и Dx.
1.2.4.5.Студент, имея в распоряжении 4 попытки по 5 минут, пытается
обнаружить неисправность в бульдозере. Вероятность обнаружения неисправности при каждой попытке одинакова и равна (0,3+ N·10 – 2). Найти математическое ожидание и дисперсию числа попыток, оставшихся неиспользованными.
1.2.4.6.– 1.2.4.13. В условиях задач 1.2.2.1 – 1.2.2.8 определить математическое ожидание, среднее квадратическое отклонение и дисперсию случайной величины Х.
1.2.4.14.– 1.2.4.21. В условиях задач 1.2.2.1 – 1.2.2.8 определить асимметрию и эксцесс кривой распределения случайной величины Х.
1.2.5.Основные распределения случайных величин
При решении инженерных задач сталкиваются с различными распреде-
56
лениями случайных величин, которые в настоящее время достаточно хорошо изучены. В инженерной практике часто используются следующие распределения:
- для дискретных случайных величин:
а) распределения Бернулли или биномиальное распределение; б) распределения Пуассона; - для непрерывных случайных величин:
а) закон равномерного распределения вероятностей; б) показательный закон распределения; в) нормальный закон распределения (закон Гаусса).
Распределение Бернулли – это распределение вероятностей случайной величины Х, принимающей значения 0, 1, 2, 3, … , n с вероятностями
Рn (k) p X k Cnk pк (1 p)n k , |
(50) |
здесь n и р – параметры распределения Бернулли.
Как мы уже отмечали, формула Бернулли (50), положенная в основу закона распределения Бернулли, отражает следующую часто встречающуюся ситуацию, называемую схемой Бернулли: пусть производятся независимые испытания, в каждом из которых с одной и той же вероятностью р появляется событие А – успех и с вероятностью (1 – р) появляется событие А- неудача. Пусть k – искомое число успехов при n испытаниях в схеме Бернулли. Тогда число успехов k имеет распределение Бернулли с параметрами n и р.
Например, число попаданий при n выстрелах подчиняется закону распределения Бернулли, если вероятность попадания при одном выстреле равна р.
В теории вероятностей установлено, что если случайная величина распределена по закону Бернулли, то имеют место следующие формулы расчета ее числовых характеристик:
- математическое ожидание
mx n p; |
(51) |
- дисперсия |
|
Dx n p (1 p). |
(52) |
Пример. Стрелок, имея вероятность промаха 0,03, осуществляет 100 выстрелов. Сколько он допустит промахов?
Решение: mx n p 100 0,03 3.
Это достаточно хорошо согласуется с нашими интуитивными представлениями. Если задаться целью определить вероятности суммы событий, когда k = 0; k = 1; k = 2; … ; k = n при n испытаниях, то эта сумма имеет следующий вид (это бином Ньютона):
cn0 p0 (1 p)n c1n p1 (1 p)n 1 ... cnn pn (1 p)0 |
1. |
(53) |
57 |
|
|
Поэтому часто распределение Бернулли называют биномиальным рас-
пределением.
Другим распределением дискретной случайной величины является
распределение Пуассона.
Распределение неотрицательной целочисленной случайной величины Х, задаваемой формулой
Р(Х n) (an е а )/n! (n = 1, 2, … , m), |
(54) |
называется распределением Пуассона.
При этом неотрицательное число а называют параметром распределения, который равен математическому ожиданию случайной величины Х.
Распределение случайной величины по закону Пуассона возникает в следующей ситуации: допустим, что вероятность появления одной заявки на обслуживание в интервале времени [ t, t+∆t] равна t ( t), где( t)- бесконечно малая величина, более высокого порядка малости, чем
∆t, т.е.
lim |
( t) |
0. |
(55) |
|
|||
t 0 t |
|
Вероятность появления более чем одной заявки на обслуживание в том же интервале равна ( t); события, связанные с появлением заявок в неперекрещивающиеся интервалы времени, независимы. Тогда число заявок, появившихся в интервале времени [0, t], имеет распределение Пуассона с параметром λt. Отсюда статистическое толкование параметра λ – число событий, наступивших в единицу времени.
Установлено, что если случайная величина имеет распределение Пуассона, то ее математическое ожидание и дисперсия равны параметру распределения, т.е. mx = Dx = a = t.
Подобное явление наблюдается и при распределении Бернулли, если
n , а |
p 0. Действительно, |
mx n p а; |
Dx n p (1 p) |
a(1 p) a. |
|
|
Эти результаты хорошо согласуются с тем, что распределение Пуассона является предельным для биномиального распределения.
Другими словами, если число опытов велико, а вероятность появления рассматриваемого события мала, то распределение Бернулли приближается к распределению Пуассона.
Далее рассмотрим законы распределения непрерывных случайных величин.
Наиболее важные примеры распределений вероятностей непрерывных случайных величин – равномерное, показательное и нормальное.
Равномерным распределением в интервале [α,β] называется такое,
58