- •Министерство транспорта российской федерации
- •Введение
- •1. Основные понятия теории вероятностей
- •1.1. События. Классификация событий
- •1.2. Классическое и статистическое определение вероятности
- •1.3. Элементы комбинаторики
- •2. Алгебра событий
- •2.1. Действия над событиями
- •2.2. Теорема сложения вероятностей несовместных событий
- •2.3. Зависимые и независимые события
- •2.4. Теорема умножения вероятностей независимых событий
- •2.5. Вероятность появления хотя бы одного события
- •2.6. Условная вероятность
- •2.7. Теорема умножения вероятностей зависимых событий
- •2.8. Теорема сложения вероятностей совместных событий
- •2.9. Формула полной вероятности
- •2.10. Вероятность гипотез. Формула Байеса
- •3. Повторные независимые испытания
- •3.1. Формула Бернулли
- •3.2 Локальная теорема Муавра-Лапласа
- •3.3. Интегральная теорема Лапласа
- •3.4. Формула Пуассона
- •4. Случайные величины
- •4.1. Понятие случайной величины
- •4.2. Закон распределения случайной величины
- •4.3. Функция распределения случайной величины
- •4.4. Плотность вероятности
- •5. Числовые характеристики случайных величин
- •5.1. Математическое ожидание случайной величины
- •5.2. Дисперсия случайной величины
- •5.3. Среднее квадратическое отклонение случайной величины
- •5.4. Мода и медиана. Квантили
- •Решение. Находим функцию распределения
- •5.5. Моменты случайных величин. Асимметрия и эксцесс
- •5.6. Числовые характеристики независимых испытаний
- •5.7. Одинаково распределенные взаимно независимые случайные величины
- •6. Основные законы распределения
- •6.1. Биноминальный закон распределения
- •6.2. Закон распределения Пуассона
- •6.3. Равномерный закон распределения
- •6.4. Показательный (экспоненциальный) закон распределения
- •6.5 Функция надежности
- •6.6. Нормальный закон распределения
- •7. Предельные теоремы теории вероятностей
- •7.1. Закон больших чисел
- •7.1.1. Неравенство Чебышёва
- •7.1.2. Теорема Чебышёва
- •7.1.3. Теорема Бернулли
- •7.1.4. Теорема Пуассона
- •7.1.5. Теорема Маркова
- •7.2.Центральная предельная теорема
- •7.2.1. Теорема Ляпунова
- •7.2.2. Теорема Берри-Эссена
- •8. Многомерные случайные величины
- •8.1. Понятие многомерной случайной величины
- •8.2. Закон распределения вероятностей двумерной дискретной случайной величины
- •8.3. Функция распределения многомерной случайной величины
- •8.4. Плотность вероятности двумерной случайной величины
- •8.5. Условные законы распределения двумерной случайной величины
- •8.6. Зависимые и независимые случайные величины
- •8.7. Числовые характеристики двумерной случайной величины.
- •Библиографический список
- •Оглавление
- •Лаврусь Ольга Евгеньевна Конспект лекций по теории вероятностей
- •443022, Г. Самара, Заводское шоссе, 18
6.4. Показательный (экспоненциальный) закон распределения
Определение. Непрерывная случайная величина Х имеет показательный (экспоненциальный) закон распределения с параметром λ, если ее плотность вероятности f(x) имеет вид:
|
(6.13) |
Кривая распределения f(x) и график функции распределения F(x) случайной величины Х приведены соответственно на рис. 7.3 и рис. 7.4.
Рис. 7.3 Рис. 7.4
Теорема. Функция распределения случайной величины Х, распределенной по показательному (экспоненциальному) закону, есть
|
(6.14) |
ее математическое ожидание
, |
(6.15) |
а дисперсия
. |
(6.16) |
Отсюда следует, что для случайной величины, распределенной по показательному закону, математическое ожидание равно среднему квадратическому отклонению, т.е.
.
Вероятность попадания в интервал [a; b] непрерывной случайной величины Х, распределенной по показательному закону, находится как
. |
(6.17) |
Пример 6.1. Установлено, что время ремонта железнодорожных вагонов есть случайная величина Х, распределенная по показательному закону. Определить вероятность того, что на ремонт вагона потребуется менее 7 дней, если среднее время ремонта вагонов составляет 10 дней.
Решение. По условию математическое ожидание М(Х) = 1/λ = 10, откуда параметр λ = 0,1. По формуле (6.17) находим вероятность попадания случайной величины Х в интервал [0, 7]:
Р(0 < Х < 7) = е-0,1·0 – е-0,1·7 = 1 – е-0,7 ≈ 0,503. ◄
Показательный закон распределения играет большую роль в теории массового обслуживания. Так например, интервал времени между двумя соседними событиями в простейшем потоке имеет показательное распределение с параметром λ – интенсивностью потока.
Кроме того, показательное распределение широко применяется в теории надежности, одним из основных понятий которой является функция надежности.
6.5 Функция надежности
Будем называть элементом некоторое устройство. Пусть элемент начинает работать в момент времени τ0 = 0, а по истечении времени τ происходит отказ.
Обозначим через Т непрерывную случайную величину – длительность времени безотказной работы элемента. Если элемент проработал безотказно (т.е. до наступления отказа) время, меньшее чем τ, то, следовательно, за время длительностью τ наступил отказ.
Таким образом, интегральная функция
F(τ) = P(T < τ)
определяет вероятность отказа за время длительностью τ. Следовательно, вероятность безотказной работы за это же время, длительностью τ, т.е. вероятность противоположного события Т > τ, равна
R(τ) = P(T > τ) = 1 – F(τ).
Функцией надежности R(τ), называют функцию, определяющую вероятность безотказной работы элемента за время длительностью τ:
R(τ) = P(T > τ) = e–λτ, |
(6.18) |
где λ – интенсивность отказов.
Широкое использование показательного закона распределения обусловлено тем, что только он обладает следующим важным свойством:
Если промежуток времени Т, распределенный по показательному закону, уже длился некоторое время τ, то это никак не влияет на закон распределения оставшейся части Т1 = Т – τ промежутка, т.е. закон распределения Т1 остается таким же, как и всего промежутка Т.
Пример 6.2. Время безотказной работы устройства распределено по показательному закону f(t) = 0,02e-0,02t при t ≥ 0 (t – время в часах). Какова вероятность того, что устройство проработает безотказно 50 часов?
Решение. По условию постоянная интенсивность отказов λ = 0,02. Используя формулу (6.18), получаем:
R(50) = e-0,02·50 = e-1 ≈ 0,368. ◄