- •§ 1. Числовые характеристики дискретных случайных величин
- •§ 2. Математическое ожидание дискретной случайной величины
- •§ 3. Вероятностный смысл математического ожидания
- •§ 4. Свойства математического ожидания
- •§ 5. Математическое ожидание числа появлений события в независимых испытаниях
- •§ 1. Целесообразность введения числовой характеристики рассеяния случайной величины
- •§ 2. Отклонение случайной величины от ее математического ожидания
- •§ 3. Дисперсия дискретной случайной величины
- •§ 4. Формула для вычисления дисперсии
- •§ 5. Свойства дисперсии
- •§ 6. Дисперсия числа появлений события в независимых испытаниях
- •§ 7. Среднее квадратическое отклонение
- •§ 8. Среднее квадратическое отклонение суммы взаимно независимых случайных величин
- •§ 9. Одинаково распределенные взаимно независимые случайные величины
- •§ 10. Начальные и центральные теоретические моменты
- •§ 1. Предварительные замечания
- •§ 2. Неравенство Чебышева
- •§ 3. Теорема Чебышева
- •§ 4. Сущность теоремы Чебышева
- •§ 5. Значение теоремы Чебышева для практики
- •§ 6. Теорема Бернулли
- •§ 1. Определение функции распределения
- •§ 2. Свойства функции распределения
- •§ 3. График функции распределения
- •§ 1. Определение плотности распределения
- •§ 2. Вероятность попадания непрерывной случайной величины в заданный интервал
- •§ 3. Нахождение функции распределения по известной плотности распределения
- •§ 4. Свойства плотности распределения
- •§ 5. Вероятностный смысл плотности распределения
- •§ 6. Закон равномерного распределения вероятностей
- •§ 1. Числовые характеристики непрерывных случайных величин
- •§ 2. Нормальное распределение
- •§ 3. Нормальная кривая
- •§ 4. Влияние параметров нормального распределения на форму нормальной кривой
- •§ 5. Вероятность попадания в заданный интервал нормальной случайной величины
- •§ 6. Вычисление вероятности заданного отклонения
- •§ 7. Правило трех сигм
- •§ 8. Понятие о теореме Ляпунова. Формулировка центральной предельной теоремы
- •§ 9. Оценка отклонения теоретического распределения от нормального. Асимметрия и эксцесс
- •§ 10. Функция одного случайного аргумента и ее распределение
- •§ 11. Математическое ожидание функции одного случайного аргумента
- •§ 12. Функция двух случайных аргументов. Распределение суммы независимых слагаемых. Устойчивость нормального распределения
- •§ 13. Распределение «хи квадрат»
- •§ 14. Распределение Стьюдента
- •§ 15. Распределение f Фишера — Снедекора
- •§ 1. Определение показательного распределения
- •§ 2. Вероятность попадания в заданный интервал показательно распределенной случайной величины
- •§ 3. Числовые характеристики показательного распределения
- •§ 4. Функция надежности
- •§ 5. Показательный закон надежности
- •§ 6. Характеристическое свойство показательного закона надежности
§ 1. Определение показательного распределения
Показательным (экспоненциальным) называют распределение вероятностей непрерывной случайной величины Х1 которое описывается плотностью
где — постоянная положительная величина.
Мы видим, что показательное распределение определяется одним параметром . Эта особенность показательного распределения указывает на его преимущество по сравнению с распределениями, зависящими от большею числа параметров. Обычно параметры неизвестны и приходится находить их оценки (приближенные значения); разумеется, проще оценить один параметр, чем два или три и т. д. Примером непрерывной случайной величины, распределенной по показательному закону, может служить время между появлениями двух последовательных событий простейшего потока (см. § 5).
Найдем функцию распределения показательного закона (см. гл. XI, § 3):
Итак,
Мы определили показательный закон с помощью плотности распределения; ясно, что его можно определить, используя функцию распределения.
Графики плотности и функции распределения показательного закона изображены на рис. 12.
Пример. Написать плотность и функцию распределения показательного закона, если параметр = 8.
Решение. Очевидно, искомая плотность распределения
f(х) = 8е-8x при х0; f(x)=O при х < 0.
Искомая функция распределения
F(x) =1—e-8x при x0; F(x) = 0 при х < 0.
§ 2. Вероятность попадания в заданный интервал показательно распределенной случайной величины
Найдем вероятность попадания в интервал (а,b) непрерывной случайной величины X, которая распределена по показательному закону, заданному функцией распределения
Используем формулу (см. гл. X, § 2, следствие 1)
P(a<X<b) = F(b) — F(a).
Учитывая, что F(а)=,F(b)=,получим
P(a<X<b) =(*)
Значения функции е-x находят по таблице.
Пример. Непрерывная случайная величина X распределена по показательному закону
f(x)=2e-2x при х 0; f(x)=0 при х < 0.
Найти вероятность того, что в результате испытания X попадает в интервал (0,3, 1).
Решение. По условию, = 2. Воспользуемся формулой (*):
Р (0,3 < X < 1)=е-(2*0,3)-е-(2*1)=е-0,6-е-2 = 0,54881—0,135340,41.
§ 3. Числовые характеристики показательного распределения
Пусть непрерывная случайная величина X распределена по показательному закону
Найдем математическое ожидание (см. гл. XII, § 1):
Интегрируя по частям, получим
(*)
Таким образом, математическое ожидание показательного распределения равно обратной величине параметра ..
Найдем дисперсию (см. гл. XII, § 1):
Интегрируя по частям, получим
Следовательно,
D(X)=1/
Найдем среднее квадратическое отклонение, для чего извлечем квадратный корень из дисперсии:
(X)=1/ (**)
Сравнивая (*) и (**), заключаем, что
М (Х) =(X)=1/
т. е. математическое ожидание и среднее квадратическое отклонение показательного распределения равны между собой.
Пример. Непрерывная случайная величина X распределена по показательному закону
f(x)=5e-5x при x0; f(x)=0 при x<0.
Найти математическое ожидание, среднее квадратическое отклонение и дисперсию X.
Решение. По условию, = 5. Следовательно,
М (X) = (X) = 1 / = 1 /5 = 0,2;
D(X)=1/
Замечание 1. Пусть на практике изучается показательно распределенная случайная величина, причем параметр неизвестен. Если математическое ожидание также неизвестно, то находят его оценку (приближенное значение), в качестве которой принимают выборочную среднюю (см. гл. XVI, § 5). Тогда приближенное значение параметра находят с помощью равенства
.
Замечание 2. Допустим, имеются основания предположить, что изучаемая на практике случайная величина имеет показательное распределение. Для того чтобы проверить эту гипотезу, находят оценки математического ожидания и среднего квадратического отклонения, т. е. находят выборочную среднюю и выборочное среднее квадратическое отклонение (см. гл. XVI, § 5, 9). Математическое ожидание и среднее квадратическое отклонение показательного распределения равны между собой, поэтому их оценки должны различаться незначительно. Если оценки окажутся близкими одна к другой, то данные наблюдений подтверждают гипотезу о показательном распределении изучаемой величины; если же оценки различаются существенно, то гипотезу следует отвергнуть.
Показательное распределение широко применяется в приложениях, в частности в теории надежности, одним из основных понятий которой является функция надежности.