|
ì0, |
x £ a; |
|
|
ï |
x |
- a |
|
|
|
F (x) = íï |
, a < x £ b; |
(9) |
|
|
|
|
ïb - a |
|
|
ï1, |
x > b. |
|
|
î |
|
|
|
|
Плотность распределения равномерной случайной величины есть
ì |
|
1 |
, a |
< x £ b; |
|
p(x) = íï |
|
(10) |
b - a |
ï |
|
x £ a, |
x > b. |
|
î0, |
|
На рис. 1 приведены графики функций F(x) и p(x).
F(x) |
|
|
|
|
|
|
p(x) |
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
b − a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
a |
b |
|
|
|
|
|
0 |
a |
|
b |
|
|
|
|
x |
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 1
Из выражения для плотности видно, что для равномерно распределенной случайной величины вероятность попадания в любой интервал, содержащийся в [a;b] , пропорциональна длине этого интервала.
Найдем числовые характеристики распределения:
+∞ |
|
|
b |
1 |
|
|
|
|
|
1 |
|
b |
2 |
|
- a |
2 |
|
|
a + b |
|
|
MX = ò xp(x)dx = òx |
|
dx = |
|
|
|
|
|
= |
|
, |
(11) |
b - a |
b - a |
|
|
|
2 |
|
2 |
|
−∞ |
|
|
a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M (X 2 ) |
= òb |
1 |
x2dx = |
|
1 b3 - a3 |
|
= |
a2 + ab + b2 |
. |
|
b - a |
b |
- a |
|
|
3 |
|
|
|
|
|
|
a |
|
|
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
Тогда |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- (a + b)2 |
|
|
|
|
|
|
DX = M (X 2 )- (MX )2 = |
a2 + ab + b2 |
|
= |
|
(b - a)2 |
. (12) |
|
|
|
12 |
|
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
Пример 3. Интервал движения троллейбуса 15 минут. Какова вероятность того, что пассажир, приходя на остановку троллейбуса в случайный момент времени, будет ожидать транспорт не более 5 минут? Найти среднее время ожидания.
Решение. Пусть X – время ожидания. Очевидно, случайная величина X распределена равномерно на отрезке [0;15] . Тогда
|
P{X < 5} = F (5) = |
|
5 |
= |
1 |
, а MX = |
0 +15 |
= 7,5 мин. □ |
|
15 |
3 |
2 |
|
|
|
|
|
40. Показательное распределение. Показательное распределение
является одним из основных распределений в теории массового обслуживания и теории надежности. Функция распределения в этом случае имеет вид
F (x) = P{X < x} = 1- e−λx , |
x ³ 0 , |
(13) |
где λ > 0 , а плотность вероятности |
|
|
|
p(x) = λe−λx , x ³ 0 |
|
(14) |
и F(x) = p(x) = 0, если |
x < 0. |
|
|
Пусть ν1, ν2 , ... |
случайные моменты |
времени, |
в которые |
происходит некоторое событие А (например, отказ некоторой системы), а X – случайная величина – число появлений события А за время t. Поток событий называется простейшим, если X распределена по закону Пуассона.
Найдем вероятность того, что время до появления первого события будет меньше t.
P{ν1 < t} = 1- P{ν1 ³ t} = 1- p0 (t ) = 1- e−λt ,
т.е. момент времени ν1 распределен по показательному закону. Упражнение 1. Показать, что в случае простейшего потока все
интервалы между наступлениями события А, т.е. величины νk+1 -νk , также распределены по показательному закону.
Вычислим числовые характеристики распределения.
|
|
∞ |
|
|
−λx |
|
é |
|
|
−λx ù |
|
∞ |
|
∞ |
−λx |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
MX = ò xλe |
|
dx = |
ë-xe |
|
|
û |
|
|
|
|
+ òe |
|
dx = |
|
, |
|
|
|
(15) |
|
|
|
|
0 |
|
|
|
λ |
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
∞ |
2 |
|
−λx |
|
é |
|
2 |
|
−λx ù |
|
|
∞ |
∞ |
|
−λx |
|
|
|
|
2 |
|
M (X |
) = ò x |
λe |
|
|
|
|
|
+ 2ò xe |
|
|
|
|
|
|
|
|
dx = |
ë-x |
|
e |
|
û |
|
|
|
|
|
dx |
= |
|
|
|
, |
|
|
|
|
|
|
0 |
|
|
|
λ |
2 |
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
DX = M ( |
X 2 )- (MX )2 = |
1 |
|
|
, |
σ ( X ) = |
1 |
. |
|
|
|
|
(16) |
|
|
λ2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
λ |
|
|
|
|
|
Для показательного распределения математическое ожидание и |
среднеквадратичное |
|
отклонение |
равны |
|
|
1 |
, где |
|
0 < λ |
|
– параметр |
|
|
|
λ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
распределения.
50. Функция надежности. Пусть ν – момент отказа некоторой технической системы. Функция надежности R(t) определяется как вероятность того, что система будет работать безотказно до момента времени t, т.е.
В частности, если поток отказов простейший, то случайная величина ν распределена по показательному закону и
60. Распределение Вейбула. Непрерывная случайная величина Х имеет распределение Вейбула с параметрами α > 0, λ > 0, если ее
плотность распределения вероятностей задана формулой
ì0, x £ 0, |
|
ï |
(19) |
p(x) = í |
ïαλxα −1e−λxα |
, x > 0. |
î |
|
Таким образом, распределение Вейбула описывает положительную ( X > 0 ) случайную величину. Очевидно, при α =1 из (19) получается показательное распределение с параметром λ > 0 . Поэтому, как и показательное распределение, распределение Вейбула широко используется в теории надежности. В частности, этому закону подчиняется время безотказной работы многих технических
устройств. При α = 2 из (19) |
получается также важное с точки зрения |
приложений распределение Рэлея. |
|
|
|
|
|
|
|
|
|
|
Интегрируя (19), находим функцию распределения |
|
|
|
|
|
|
|
|
x |
|
ì0, |
|
x £ 0, |
|
|
|
|
|
|
|
|
F(x) = |
ò |
|
ï |
|
|
|
|
|
|
|
|
|
|
|
|
|
p(t)dt = í |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ï1- e−λxα , x > 0. |
|
|
|
|
|
|
|
|
|
|
−∞ |
|
î |
|
|
|
|
|
|
|
|
|
|
|
|
Упражнение 1. Показать, что основные числовые |
характеристики распределения Вейбула имеют вид |
|
|
|
|
|
|
− |
1 |
|
æ |
|
1 |
ö |
æ 2 |
|
æ 2 ö |
1 |
G2 |
æ 1 öö |
|
|
|
|
|
MX = λ |
|
α Gç1 |
+ |
|
|
÷ |
, DX = ç |
|
|
Gç |
|
÷ - |
|
|
ç |
|
÷÷ |
, |
|
α |
|
|
α 2 |
|
|
|
|
|
è |
|
ø |
è α |
è α ø |
|
è α øø |
|
+∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где G(x) = ò e−ttx |
−1dt |
− гамма-функция. |
|
|
|
|
|
|
|
|
|
|
0
Функция надежности некоторой технической системы в этом случае имеет вид
R(t) = e−λtα .
Основной причиной широкого использования закона Вейбула в теории надежности является то, что он, обобщая экспоненциальный закон, содержит дополнительный параметр α . Подбирая нужным образом параметры λ и α можно получить лучшее соответствие опытным данным по сравнению с экспоненциальным законом, который зависит от одного параметра λ.
§ 7. Нормальное распределение
Рассмотрим закон нормального распределения и определим его основные числовые характеристики.
10. Функция распределения и плотность. Нормальное распределение играет наиболее значительную роль в прикладных задачах теории вероятностей и, в частности, в технике. Случайная величина X называется распределенной по нормальному закону с параметрами a и σ (записывают X N(a,σ ) ), если ее функция
р а с п р е д е л е н и я |
|
|
|
и м е е т |
в и д : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
x |
|
|
|
ì |
|
(t - a) |
2 |
ü |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
F (x) = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ï |
|
|
ï |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ò exp í- |
|
|
2 |
|
|
ýdt . |
|
|
|
(1) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2πσ |
2σ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
ï |
|
|
|
|
ï |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
î |
|
|
|
|
|
|
þ |
|
|
|
|
|
|
|
|
В соответствии с этим, плотность вероятности нормально |
распределенной величины будет равна |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
ì |
|
(x - a) |
2 |
ü |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
f (x) |
|
|
|
|
|
|
|
|
|
|
|
|
ï |
|
|
ï |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
exp |
í- |
|
2σ 2 |
|
|
ý . |
|
|
|
|
|
(2) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2πσ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ï |
|
|
|
ï |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
î |
|
|
|
|
|
|
þ |
|
|
|
|
|
|
|
|
Здесь для обозначения плотности вероятности используется f (x) |
вместо p(x). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Покажем, что функция (2) действительно является плотностью, |
|
|
+∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
+∞ |
|
|
ì |
|
(t - a) |
2 |
ü |
|
|
|
|
|
|
|
|
f (x) =1. Пусть I = |
|
|
|
|
|
|
|
|
|
|
ï |
|
|
ï |
|
|
|
|
т.е. что |
|
ò |
|
|
|
|
|
|
|
|
ò exp í- |
|
|
|
|
2 |
|
ýdt , после замены |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2πσ |
|
2σ |
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
|
ï |
|
|
|
|
ï |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
î |
|
|
|
|
|
|
|
þ |
|
|
|
|
|
t - a |
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
+∞ |
|
|
|
|
ì |
|
t |
2 |
ü |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ò |
|
|
|
|
|
ï |
|
|
ï |
|
|
|
|
|
|
|
|
|
|
|
|
u = |
σ |
|
получим I = |
|
|
|
|
|
|
|
|
|
exp í- |
|
|
ýdt . Вычислим выражение |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2π |
|
|
|
−∞ |
|
|
|
|
ï |
|
2 |
ï |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
î |
|
|
|
þ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+∞ |
t2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
+∞ |
|
|
t2 |
|
|
|
|
|
|
+∞ +∞ |
|
t2 |
+t2 |
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
1 |
2 |
|
|
|
|
2 = |
1 |
|
ò e− |
|
|
|
|
|
|
1 |
|
|
|
|
|
ò e− |
|
|
1 |
|
ò ò e− |
|
|
|
|
I |
|
2 dt1 |
× |
|
|
|
|
|
|
|
|
2 dt2 = |
|
|
2 dt1dt2 . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2π |
|
|
|
|
|
2π |
|
|
|
2π |
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
−∞ −∞ |
|
|
|
|
|
|
Рассматриваем |
последний интеграл |
как |
двойной и |
перейдем |
в нем к полярным координатам: |
t1 = r cosϕ , |
t2 = r sinϕ . |
Якобиан |
преобразования равен r. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
377
|
F(x) |
|
|
|
|
|
|
|
|
|
|
|
f (x) |
|
|
|
|
|
|
σ = 0.1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
σ = 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
σ = 0.1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
σ = 10 |
|
|
|
|
|
|
|
|
|
|
σ = 1 |
|
|
|
|
|
|
|
0.5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
σ = 10 |
|
|
0 |
|
a |
|
|
|
|
|
x |
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Получим |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∞ |
|
|
|
|
|
2π |
+∞ |
r2 |
|
|
|
|
|
|
|
+∞ |
|
r2 |
é |
|
|
|
r2 ù |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
I 2 = |
1 |
ò dϕ ò e− |
|
|
1 |
|
× 2π × |
1 |
|
ò |
|
e− |
|
dr2 = ê |
|
1 |
× 2e− |
|
|
ú |
|
|
|
|
2 |
rdr = |
2 |
- |
2 |
|
=1, |
|
2π |
2π |
2 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ê |
|
|
|
ú |
|
|
|
|
|
|
|
0 |
0 |
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
ê |
|
|
|
|
ú |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ë |
|
|
|
|
û |
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
следовательно I =1.
Графики функции распределения F(x) и плотности f (x) имеют вид, показанный на рис.1.
При больших σ кривая плотности становится более пологой, а чем меньше σ, тем острее пик функции в точке x = a , при σ → 0 f (x) → δ (x − a), δ (x) – функция Дирака.
Если a = 0 , σ = 1, то говорят, что случайная величина X = X0
имеет стандартное нормальное распределение. В этом случае функция
распределения F(x) = |
1 |
+ Ф(x) , |
где Ф(x) |
|
и |
плотность |
ϕ(x) |
определяются так: |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
t2 |
|
|
|
|
|
|
x2 |
|
Ф(x) = |
|
1 |
|
|
òe− |
|
|
ϕ (x) = |
|
1 |
|
|
e− |
|
|
|
|
|
|
2 dt, |
2 . |
(3) |
|
|
|
|
|
|
|
|
|
|
2π |
2π |
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
Функция Ф(x) называется стандартной функцией Лапласа, |
а ϕ(x) часто называют малой функцией Лапласа. Значения этих
функций при x ³ 0 приведены в таблицах нормального распределения (см. приложение, табл. П1, 2). Очевидно, Ф(−x) = −Ф(x) . При
пользовании таблицами следует отличать Ф(x) от функции F(x) ,
которая определяется как
Рис. 2
|
|
|
|
|
|
|
|
|
x |
|
|
|
t2 |
|
|
|
|
|
|
x |
t2 |
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
− |
|
|
|
|
|
2 |
|
− 2 |
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
F (x) = |
|
|
|
|
|
|
ò |
e |
|
dt = |
|
|
|
òe |
|
dt . |
|
|
|
|
(4) |
|
|
|
|
2π |
|
|
2π |
|
|
|
|
|
|
|
|
|
|
|
−x |
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
Функция F(x) равна |
вероятности |
P{ X0 < x} |
и на рис. 2 |
представлена площадью заштрихованной области от −∞ до x, а |
|
F(x) |
равна P{-x < X0 < x} |
и |
представлена |
площадью |
криволинейной |
трапеции от −x до x. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Связь между функциями Ф(x) |
|
|
|
|
|
выражается формулами |
|
|
|
и F(x) |
|
|
|
|
|
|
|
F |
(x) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Ф(x) = |
|
|
|
|
|
, |
|
F (x) = 2Ф(x). |
|
|
|
|
|
(5) |
|
|
2 |
|
|
|
|
|
|
|
Таким образом, получаем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
P{ |
|
X0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(6) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
< x} = F (x) = 2Ф(x) . |
|
|
|
|
|
|
|
|
Если P{X0 < t} = α , |
|
то |
|
t = F −1(α ) |
и |
значение t называется |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
квантилью распределения уровня α. Из (5) следует, что если F(t) = α , |
то t является квантилью уровня |
1+α |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Из примера 2 §4 следует, |
что |
X = σ X0 + a Î N (a,σ ) , |
если |
X |
0 |
Î N(0,1) . Обратно, |
|
если |
X N(a,σ ) , |
то X |
0 |
= |
|
X - a |
Î N |
(0,1) . |
|
|
|
|
Пример 1. В технических |
|
|
|
|
|
|
|
|
|
|
|
σ |
|
|
|
|
приложениях |
часто встречается |
«правило трех сигм», согласно которому значениями нормальной случайной величины, отличающимися от среднего значения больше чем на 3σ, пренебрегают. Найти вероятность этого события.
Решение. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
P |
{ |
|
X - a |
|
> 3σ |
} |
= 1- P |
ì |
|
X - a |
|
|
< 3ü |
= 1- P |
{ |
|
X |
|
< 3 = |
|
|
|
|
|
|
|
|
|
|
|
|
í |
|
|
|
|
|
0 |
|
|
|
|
|
|
|
σ |
|
|
ý |
|
|
|
} |
|
|
|
|
|
|
|
|
î |
|
|
|
þ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(3) =1- 0,9973 |
= 0,0027 . |
□ |
|
|
|
|
|
|
|
=1- F |
|
|
20. Параметры нормального распределения. Найдем числовые характеристики нормального распределения.
MX = M (σ X0 + a) = σ MX0 + a = a + |
σ |
|
+∞ xe− |
x2 |
|
|
2 dx = a . |
|
|
|
|
2π |
|
|
ò |
|
|
|
|
|
|
−∞ |
|
|
Так как подынтегральная функция нечетная, то MX0 = 0 .
M( X 2 ) = M (σ X0 + a)2 = M (σ 2 X02 + 2aσ X0 + a2 ) =
=σ 2M (X02 )+ 2aσ MX0 + Ma2 = σ 2M (X02 )+ a2 =
|
|
σ |
2 |
|
+∞ |
|
|
x2 |
|
|
|
|
|
|
σ |
2 |
|
+∞ |
|
|
x2 |
|
|
|
|
|
|
|
|
|
|
ò x2e− |
|
|
dx + a2 |
|
|
|
|
|
ò |
xde− |
|
+ a2 = |
|
|
= |
|
|
|
|
2 |
= - |
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2π |
|
|
2π |
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
é |
|
|
σ 2 |
|
− |
x2 |
ù |
|
|
σ |
2 +∞ |
|
− |
x2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ê |
|
|
|
|
|
ú |
|
|
|
|
|
|
|
|
|
2 |
|
|
2 |
|
2 |
|
|
|
|
|
2 |
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
= |
ê- |
|
|
|
|
|
|
xe |
|
|
ú |
|
|
|
+ |
|
|
|
ò |
|
e |
|
|
|
dx |
+ a |
|
= σ |
|
+ a |
|
. |
|
ë |
|
|
|
|
2π |
|
|
|
û |
|
−∞ |
|
|
2π −∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Тогда DX = M (X 2 ) - (MX )2 = σ 2 + a2 - a2 = σ 2 . |
|
|
|
Таким образом, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
MX = a, |
DX = σ 2 . |
|
|
|
|
|
|
|
(7) |
Параметры a и σ нормального распределения равны математическому ожиданию и среднеквадратичному отклонению, соответственно. Для определения закона нормального распределения достаточно найти параметры a и σ, так как они однозначно определяют плотность распределения.
Упражнение 1. Показать, что асимметрия и эксцесс для нормального распределения равны нулю. Эти параметры характеризуют меру отклонения распределения случайной величины о т н о р м а л ь н о г о .
Пример 2. Отклонения диаметров подшипников от своего номинального значения подчинены нормальному закону. Выборочные данные показали, что в 90 % случаев эти отклонения не превосходят 1,5 мк. Определить величину рассеивания значений диаметров.
Решение. Из условия задачи следует, что
P{ X - MX £ 1,5} = 0,9 . Тогда
ì |
|
X - MX |
|
|
1,5 |
ü |
|
|
ì |
|
|
1,5 |
ü |
|
|
|
|
|
|
|
|
P í |
|
|
|
|
£ |
|
|
ý |
= 0,9 |
Þ P í |
X0 |
£ |
|
|
ý |
= 0,9 . |
σ |
|
σ |
|
σ |
î |
|
|
|
|
|
þ |
|
1,5 |
î |
|
|
|
þ |
|
|
|
|
|
|
|
|
Используя табл. П2, находим |
= 1,65 , откуда σ = 0,91 . □ |
|
|
|
|
|
|
|
|
|
|
σ |
|
|
|
|
|
|
|
30. Определение характеристик нормального распределения.
На практике параметры нормального распределения, как и любого другого, находятся по экспериментальным данным. Пусть имеются n значений x1, x2 ,..., xn случайной величины X N(a,σ ) , полученные в n
независимых опытах. Эти значения можно рассматривать как значения независимых одинаково распределенных по закону N(a,σ ) случайных
величин. В качестве оценок для a и σ естественно взять величины, соответствующие математическому ожиданию и дисперсии дискретной случайной величины с равновероятными значениями:
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
n |
|
|
|
|
|
|
1 |
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x = |
åxi , |
σ€2 = |
|
å(xi |
|
- x)2 . |
|
|
|
|
|
|
|
(8) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xi |
|
|
Посмотрим, насколько |
хороши |
|
такие |
|
оценки. |
Считая |
случайными величинами, получим, |
|
что |
|
|
x |
|
и |
σ€2 |
|
также |
есть |
некоторые случайные величины. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Определим их средние значения. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
æ 1 n |
ö |
|
|
|
1 |
|
|
n |
|
|
|
i |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ç |
|
å i |
÷ |
|
|
|
|
å |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Mx = M ç |
|
|
x |
÷ |
= |
|
|
|
|
|
|
|
Mx |
|
= |
|
|
na = a . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
è n i=1 ø |
|
|
|
n i=1 |
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Среднее значение оценки совпадает с истинным значением, |
такую оценку считаем удовлетворительной. |
|
Далее, пусть yi |
= xi - a , |
тогда yi также будут |
независимыми |
|
случайными величинами |
со |
средними My = 0 и дисперсиями Dy = σ 2 . |
Вычислим |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
ö2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
ö2 |
|
|
n |
|
(x - x )2 = M |
n |
æ |
|
|
|
|
|
1 |
|
n |
|
( y |
|
|
+ a) |
|
|
|
|
|
n |
æ |
|
1 |
n |
|
|
|
M |
|
|
|
|
ç y |
+ a - |
|
|
|
|
|
|
÷ |
|
|
= M |
|
|
ç y |
- |
|
y |
|
÷ = |
å |
|
|
|
å |
k |
|
|
|
|
å |
k |
|
i |
|
|
|
|
|
|
åç |
i |
|
|
|
|
|
|
|
|
|
|
÷ |
|
|
|
|
|
|
åç i |
|
|
|
÷ |
|
|
i=1 |
|
|
|
|
|
|
|
i=1 |
è |
|
|
|
|
|
n k=1 |
|
|
|
|
|
|
|
|
ø |
|
|
|
|
|
|
i=1 |
è |
|
n k=1 |
|
ø |
|
|
|
|
n æ |
|
|
|
|
2 |
n |
|
|
|
|
1 |
æ n |
|
|
|
ö2 ö |
|
|
|
n é |
|
|
|
|
|
|
2 |
æ |
n n |
|
|
ö |
|
= M |
|
ç y2 |
- |
y |
|
y |
|
+ |
ç |
|
y |
|
÷ |
÷ = |
å |
|
êMy2 |
- |
M ç |
|
|
y y |
÷ |
+ |
|
n |
|
|
|
|
|
|
|
|
|
|
|
åç |
i |
|
|
|
i å |
|
k |
|
|
n2 ç å |
|
|
k |
÷ |
÷ |
|
|
|
|
ê |
|
|
|
|
i |
|
|
n |
ç |
åå i |
|
k ÷ |
|
|
|
i=1 è |
|
|
|
|
|
k=1 |
|
|
|
|
|
|
è k=1 |
|
|
ø |
ø |
|
|
|
i=1 |
|
ë |
|
|
|
|
|
|
|
|
è i=1 k=1 |
|
|
ø |
|
|
|
|
|
n |
|
n |
n |
|
|
|
|
|
ù |
|
|
|
|
|
|
2n |
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+ |
|
ååM |
( yk yl )ú = nσ 2 - |
σ 2 + |
nσ 2 = (n -1)σ 2 , |
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
n |
|
k=1 l=1 |
|
|
|
|
|
ú |
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
û |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
так как M (yi y j ) = Myi My j = 0 .
Поэтому Mσ€2 ¹ σ 2 |
и оценку σ€2 |
из (8) следует |
исправить. |
В качестве оценки для σ 2 |
берут величину |
|
|
|
|
1 |
n |
|
|
|
s2 = |
å(xi |
- x )2 , |
(9) |
|
|
|
|
n -1 i=1 |
|
|
тогда Ms2 = σ 2 .
§ 8. Закон больших чисел и локальные предельные теоремы
При определенных весьма общих условиях совокупное действие многих случайных факторов приводит к результату, почти не зависящему от случая. Эти условия указываются в теоремах, объединенных названием закона больших чисел. Докажем неравенство Чебышева и установим закон больших чисел в форме теорем Чебышева и Бернулли. Сформулируем усиленный закон больших чисел, локальную предельную теорему Муавра-Лапласа. Приведем формулировку и доказательство теоремы Пуассона.
10. Неравенство Чебышева. Для доказательства важных теорем закона больших чисел выведем сначала неравенство Чебышева.
Пусть X – произвольная случайная величина со средним значением MX и конечной дисперсией DX, тогда
|
|
|
|
|
|
P{ |
|
X - MX |
|
³ ε} £ |
|
DX |
. |
|
|
(1) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ε 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Доказательство (для непрерывной случайной величины с |
плотностью p(x)). |
|
+¥ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
DX = M êé( X - MX )2 |
úù |
= ò (x - MX )2 p(x)dx = |
ë |
|
|
|
|
û |
-¥ |
|
|
|
|
|
|
|
|
|
|
|
|
= ò (x - MX )2 p(x)dx + ò |
|
|
(x - MX )2 p(x)dx ³ |
|
x-MX |
|
<ε |
|
|
|
|
|
x-MX |
|
³ε |
|
|
|
|
|
|
|
|
|
|
³ ò (x - MX )2 p(x)dx ³ ε 2 |
ò |
|
|
p(x)dx = |
|
|
x-MX |
|
³ε |
|
|
|
|
|
|
|
|
|
|
|
|
|
x-MX |
|
³ε |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= ε 2P{ |
|
X - MX |
|
³ ε}. |
|
|
|
|
|
|
|
|
|
|
Отсюда следует неравенство (1). |
|
□ |
|
|
|
|
|
|
|
20. Закон больших чисел в форме Чебышева.
Теорема Чебышева. Пусть случайные величины X1, X2 ,..., Xn ,...
попарно независимы и их дисперсии ограничены одним и тем же числом c, тогда для любого ε > 0
|
ì |
|
1 |
n |
|
|
|
1 |
n |
|
|
|
|
|
|
|
|
|
|
ï |
|
å= |
X |
|
- |
å= |
MX |
|
lim P í |
|
n |
k |
n |
k |
n®¥ |
ï |
|
|
|
|
|
î |
|
|
k 1 |
|
|
|
|
k 1 |
|
|
|
|
|
|
|
|
|
|
|
Доказательство.
æ 1 |
n |
|
ö |
|
1 |
n |
|
k |
ç |
|
å |
|
k ÷ |
|
|
å |
|
= M ç |
|
|
X |
÷ |
= |
|
|
MX |
|
è n k=1 |
|
ø |
|
n k=1 |
|
|
Обозначим Y = 1 ån X , тогда MY =
nk=1
и, так как Xk попарно независимы, тоnn k
|
æ |
1 |
n |
|
ö |
|
1 |
n |
|
|
|
1 |
|
c |
|
DY = Dç |
|
å |
X |
÷ |
= |
|
|
å |
DX |
k |
£ |
|
|
nc = |
|
. |
|
|
2 |
|
2 |
|
n |
ç |
|
|
k ÷ |
|
n |
|
|
n |
|
n |
|
|
è n k=1 |
|
ø |
|
|
k=1 |
|
|
|
|
|
|
Применим к случайной величине Yn неравенство Чебышева.
|
P{ |
|
Yn - MYn |
|
³ ε} £ |
DYn |
£ |
c |
® 0 при n → ∞ , тогда |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ε 2 |
nε 2 |
|
|
|
|
|
P{ |
|
Yn - MYn |
|
< ε} = 1- P{ |
|
Yn - MYn |
|
³ ε} ®1 при n → ∞ . |
|
|
|
|
|
|
Подставляя вместо Yn и MYn их выражения, получим |
|
соотношение (2). В частном случае, |
|
если все Xk |
одинаково |
|
распределены и MXk = a , то из (2) получим |
|
|
|
|
|
|
|
|
|
|
|
ì |
|
1 |
n |
|
|
|
|
|
|
|
ü |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ï |
|
å Xk |
- a |
|
ï |
(3) |
|
|
|
|
|
|
|
lim P í |
|
n |
< ε ý ®1. □ |
|
|
|
|
|
|
|
n→∞ |
ï |
|
|
|
|
|
|
|
|
|
ï |
|
|
|
|
|
|
|
|
|
|
|
î |
|
|
|
k=1 |
|
|
|
þ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Если выполняется (3), то говорят, что последовательность |
|
|
|
|
|
|
|
|
|
|
ì |
1 |
|
n |
ü |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ï |
|
|
|
|
|
ï |
|
|
|
|
|
случайных величин {Yn } = í |
|
|
å Xk ý |
сходится к своему среднему |
|
n |
|
|
|
|
|
|
|
|
|
|
ï |
k=1 |
ï |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
î |
|
|
þ |
|
|
|
|
значению a по вероятности, или, что к этой последовательности применим закон больших чисел.
30. Теорема Бернулли. Пусть имеется n испытаний Бернулли с вероятностью успеха p, где m – число успехов, а q = 1− p , тогда для
любого ε > 0
|
ì |
|
m |
|
|
ü |
|
|
|
|
|
|
|
|
P í |
|
|
|
- p |
|
< ε ý |
®1, если n → ∞ , |
(4) |
|
n |
|
î |
|
|
|
|
þ |
|
|
|
|
|
|
|
|
т.е. частота события A в вероятностном смысле стремится к вероятности события A при неограниченном увеличении числа и с п ы т а н и й .
Эта теорема дает обоснование статистическому определению вероятности, когда при больших n за вероятность события принимают его частоту.
Доказательство. Рассмотрим неравенство Чебышева для схемы независимых испытаний Бернулли. Здесь m – число успехов, и, заменяя в (1) Х на m, МХ на np, ε на nε , получаем