ТВиМС / Вероятн_Лекц / Вер_Примитивы / ВерСВ_3_Пр
.doc2.2.6.2 Равномерное распределение.
В качестве иллюстрации, поясняющей материал раздела 2.2 для непрерывных СВ, исследуем непрерывное равномерное распределение СВ на некотором отрезке [ab]. Распределение называется равномерным на отрезке, если его плотность вероятности постоянна на этом отрезке и равна нулю вне него. Представим изучение данного распределения в виде решения задачи.
Дано: f(x) = c, [a; b]; f(x) = 0 вне этого отрезка.
Найти: 1)постоянную плотность распределения c – ?, 2)F(x) – ?, 3)E(X) – ?, 4)Mo(X) – ?, 5)Me(X) – ?, 6)D(X) – ?, 7)X – ?, 8) ϑX – ?, 9)P(x1<X<x2) – ?
Решение: Выполнить самостоятельно в качестве Упражнения 2.2.
Ответы: 1) c = 1 / (b – a); 2) F(x) = (x – a) / (b – a); 3) E(X) = (a + b)/2;
4) Mo(X) – не определена; 5) Me(X) = E(X); 6) D(X) = (b – a)2 / 12;
7) x = (b – a) /() ; 8) ϑX = (b – a) / 4; 9) P(x1 < X < x2) = (x2 – x1)/(b – a), когда ]x1; x2[ [a;b].
Графики плотности и функции равномерного распределения представлены на следующих рисунках (Рис. 18 и 19).
f(x) F(x)
c
S=1 c=1/
0 a E(X) b X 0 a E(X) b X
Рис. 18 Плотность равномерного Рис. 19 Функция равномерного
распределения. распределения.
2.2.6.3 Нормальное распределение.
Нормальное распределение играет важнейшую роль как в теоретическом, так и в практическом аспектах. В разработке этого закона и законов, связанных с ним, фундаментальные исследования выполнили П.-С. Лаплас, А. Муавр, К. Гаусс, К. Пирсон, У. Госсет и Р.Фишер. Особенно велика заслуга П.-С. Лапласа и К. Гаусса, в связи с чем, нормальное распределение часто называют распределением Лапласа-Гаусса.
Плотность вероятности нормального распределения, вывод формулы которой здесь не рассматривается, имеет вид
f(x) = , (66)
для всех x]-∞;∞[. В формуле (66) величины и e – математические константы, a и b > 0 – параметры распределения, математический и вероятностный смысл которых станет понятен при детальном изучении этой кривой и получении числовых характеристик нормального закона.
Исследования формулы (66) показывают, что кривая плотности лежит над осью абсцисс, которая является асимптотой для левой и правой ее ветвей; кривая имеет один абсолютный максимум в точке a, что следует из уравнения её производной, приравненного к нулю:
f΄(x) = – (x–a) * b-3 * (2-1/2 * exp(– (x–a)2 / (2b2)) = 0,
и изменений знаков производной в районе точки экстремума. Кривая нормальной плотности симметрична относительно точки a и имеет две точки перегиба, абсциссы которых равны (a + b) и (a – b). Итак, математический смысл параметров a и b установлен: a – абсцисса точки максимума, а b – расстояние от a до точки перегиба.
Перейдем к вероятностному исследованию плотности нормального закона.
Дано: f(x) = (66).
Найти: 1) E(X) – ? 2) Mo(X) – ? 3) Me(X) – ? 4) D(X) – ? 5) X – ?
6) ϑX – ? 7) F(x) – ? 8) P(x1 < X < x2) – ?
Решение:
1) В соответствие с определением МО (51), для НСВ имеем:
E(X) = = *e–*dx.
Произведем замену переменных:
t = (x – a) / b. (67)
Такая замена означает перенос начала оси абсцисс в точку a и принятие параметра b за единицу длины на новой оси абсцисс. Из (67) следует, что
1) t]–∞;∞[; 2) x = bt + a; 3) dx = b * dt.
Продолжим нахождение МО:
E(X) = -dt. = (J1 + a*J2) (68)
Найдём интегралы, составляющие (68):
J1 = b–dt = – b–= – b((e–) –(e–)) = 0;
J2 = e– = – (интеграл Пуассона).
Окончательно имеем:
E(X) = = a, (69)
т.е. параметр a нормального распределения одновременно является математическим ожиданием этого закона.
2)В соответствие с (55) и установленными математическим и вероятностным смыслами параметра a
Mo(X) = arg(f(x)=max) = a = E(X). (70)
3)Ордината, проходящая через медиану, делит площадь под кривой плотности на две равные половины (2.2.5.1). Поскольку для симметричной нормальной кривой основанием этой ординаты является точка a, то
Me(X) = a = E(X) = Mo(X). (71)
4)Для нахождения дисперсии нормального распределения удобно воспользоваться рекуррентной формулой его центральных моментов [4]:
r = r-2 * (r – 1) * b2. (72)
Из Таблицы 2.1 (параграф 2.2.5.2) имеем: 1. Следовательно,
D(X) = X2 = 2= * (2 – 1) * b2 = b2. (73)
5) Искомый стандарт нормального распределения раскрывает вероятностный смысл параметра b:
X = + = b. (74)
Учитывая вероятностный смысл параметров a и b, замену переменных (67) можно представить как функцию числовых характеристик:
t = (x – a) / b = (x – E(X)) / σX. (75)
6) Среднее отклонение нормального распределения ϑX определяется общим правилом (64) и плотностью (66):
ϑX = = * f(x)dx = –dx.
Производя уже применявшуюся замену переменных (59) и учитывая симметричность кривой нормальной плотности, получаем:
ϑX = b–dt = – b–) =
= – b–– –= – b
ϑX = b = σX (4 / 5)* σX. (76)
7) Нормальная ФР F(x) связана с ее плотностью соотношением (50):
F(x) = = –dx. (77)
Интеграл (68) не выражается через элементарные функции, вследствие чего возникает необходимость его табулирования. Но для формулы (77) требуется таблица с тремя входами: a, b и x, что практически не приемлемо. Выход из этой ситуации осуществляется путем нормирования распределения Гаусса по формуле (75), так как СВ t имеет нулевое среднее и единичный стандарт, что обусловлено ограничением b > 0:
E(t) = E((x – a) / b) = (a – a) / b 0,
.
Стандартная функция распределения Гаусса имеет вид:
F(t) = –dt. (78)
Таблица значений стандартной нормальной функции (78) помещена в Приложении 2, а в Приложении 1 помещена таблица стандартной нормальной плотности:
f(t) = . (79)
Стандартная нормальная функция (78) обладает свойством:
F(– t) + F(t) = 1. (80)
8)Вероятность попадания нормальной СВ на интервал ]x1; x2[ вычисляется с помощью стандартной нормальной ФР (78) после нормирования границ этого интервала по формуле (75):
P(x1 < X < x2) = F(x2) – F(x1) = F(t2) – F(t1). # (81)
В заключение отметим, что, взамен выражения плотности нормального распределения в форме (66) или (79), принята более краткая запись:
X N(a; b) или t N(0; 1). (82)
Записи (82) читаются следующим образом: первая – «СВ X подчиняется нормальному закону, у которого E(X) = a, а σX = b» и вторая – «стандартная нормальная СВ имеет нулевое МО и единичный стандарт».
На рисунках (Рис. 20 и 21) представлены графики плотности нормального распределения и функции этого же закона.
Распределение Гаусса играло и продолжает играть свою роль при моделировании ошибок измерений, изучению которых будет посвящен специальный раздел. Кроме того, нормальное распределение и связанные с ним законы широко используются при построении допустимых границ ожидаемых результатов как измерений, так и вычислений.
f(x) f(t)
----------------
–1 0 +1 T
0 a – b a= a + b X
=E(X) = Mo = Me
Рис. 20 Плотность нормального распределения.
F(x) F(t)
1
P(x1 < X < x2) =
0.5 = F(x2) – F(x1) =
= F(t2) – F(t1)
t1 t2 T
0 x1 a x2 X
Рис. 21 Функция нормального распределения.
Задача 2.11 Какова вероятность того, что нормальная СВ, имеющая МО, равное 8-и и стандарт, равный 3-м, попадет в интервал ]2;14[?
Дано: X N(8; 3);
Найти: P(x1 = 2 < X < x2 = 14) – ?
Решение: В соответствие с формулами (81) и (75) получаем такие соотношения:
P(2 < X < 14) = F(t2) – F(t1) = F((14 – 8) / 3 – F((2 – 8) / 3 = F(2) – F(– 2).
С учетом свойства (80) стандартной нормальной ФР и равенства t2 = – t1, последнее выражение принимает вид:
P(2 < X < 14) = 2F(2) – 1 = P(|X – E(X)| < 2σX).
По таблице, помещенной в Приложении 2, находим F(2) = 0,977. Окончательно определяем искомую вероятность:
P(2 < X < 14) = 2 * 0,977 – 1 = 0,954.
Иными словами, вероятность того, что нормальная СВ уклонится от своего центра рассеивания по модулю больше, чем на два стандарта, равна 0,046, или 4,6%, т.е. такое событие будет наблюдаться, в среднем, лишь один раз на двадцать два результата. #
Задача 2.12 Для X N(8; 3) построить интервал (x1, x2) = Iγ = 2ε и симметричный относительно центра рассеивания. Вероятность попадания в этот интервал должна равняться = 0.683.
Дано:. E(X) = 8; X = 3; = 0,683; Iγ = 2ε.
Найти: x1 и x2, если P(x1 < X < x2) =; E(X) – x1 = x2 – E(X) = ε.
Решение: Условие симметричности интервала относительно центра рассеивания E(X) позволяет выстроить цепочку преобразований, подобных тем, которые были выполнены в предыдущем примере:
γ= P(x1 <X< x2 ) = F(t2) – F(t1) = 0,683;
однако из (75) следует, что
t2 = (x2 – E(X)) / σX = ε / σX;
t1 = (x1 – E(X)) / σX = – ε / σX;
t2 = – t1 = t.
Теперь
γ= P(x1 <X< x2 ) = 2F(t) – 1.
С другой стороны, путём обратного интерполирования по таблице стандартной нормальной функции (Приложение 2), находим аргумент t:
t = arg(F = (1 + γ )= arg(F = (0.842)) = 1.
Поскольку
t = ε / σX,
то = t * σX = 3, и можно вычислить границы интервала в масштабе исходной переменной X:
x1 = E(X) – ε = 8 – 3 = 5,
x2 = E(X) + ε = 8 + 3 = 11. #