Вопросы для самопроверки

1. Сформулируйте локальную теорему Лапласа, укажите область применеия распределения Лапласа.

2. Перечислите особенности дифференциальной функции Лапласа.

3. Перечислите особенности интегральной функции Лапласа.

4. Сформулируйте интегральную теорему Лапласа.

5. Приведите вариант интегральной теоремы Лапласа для симметрич­ных отклонений случайной величины от своего центра.

6. Сформулируйте "третью форму" интегральной теоремы Лапласа.

7. Перечислите задачи, которые решеются спомощью третьей формы интегральной теоремы Лапласа.

7. Как определить потребное число испытаний, чтобы получать точные и надежные прогнозы.

8. Как по результатам статистических испытаний делаются заключения о величине параметров распределения?

9. Приведите уточненную формулировку интегральной теоремы Лапласа.

Лекция 6. Непрерывная случайная величина

Значения непрерывной случайной величины сплошь заполняют некоторый интервал, поэтому их невозможно перечислить и задать такую случайную величину рядом распределения.

Универсальным способом задания случайной величины является функция распределения (или "интегральная функция распределения"): F(x) = P(X  x) – вероятность того, что случайная величина X примет значение, не меньшее заданного х. Для дискретной случайной величины эта функция называется "кумулятой" и представляет собой функцию накопленных вероятностей F(x_j)= p₁ + p₂ + … p_j .

И з определения функции распределения следует, что 0  F(x)  1, (т.к. F(x) – вероятность); F(–) = P(X  –) = 0 (невозможное событие); F() = P(X  ) =1 (достоверное событие). Покажем, что функция распределения – неубывающая.

Действительно, из рис. 6.1 следует, F(x₂) = P(X  x₂) = P(X  x₁) + P(x₁ < X  x₂) = F(x₁) + P(x₁ < X  x₂)  F(x₁) для x₂ > x₁  (иными словами, большим значениям аргумента соответствуют не меньшие значения функции распределения).

Фактически мы в общем виде доказали "интегральнцю теорему":

P(x₁ < X  x₂) = F(x₂) – F(x₁) :

вероятность попадания случайной величины в полуоткрытый интервал x₁ < X  x₂ равна разности значений функции распределения на краях этого интервала (или она равна приращению функции распределения на этом интервале).

Для дискретной случайной величины график функции распределения – ступенчатый со скачками – конечными приращениями р_i (разрывами 1-го рода) в значениях x_i дискретной случайной величины. Для непрерывной случайной величины функция распределения – непрерывная, ее график не имеет разрывов. Для непрерывной функции малым приращениям аргумента соответствуют малые приращения функции: .

Отсюда следует, что для непрерывной случайной величины вероятность появления любого ее конкретного значения равна нулю:

.

Поэтому для непрерывной случайной величины эквивалентны следующие записи интегральной теоремы:

P(x₁ < X  x₂) = P(x₁  X < x₂) = P(x₁ < X < x₂) = P(x₁  X  x₂) = F(x₂) – F(x₁) .

Кроме функции распределения F(x) для для описания непрерывной случайной величины вводят еще одну функцию – плотность вероятности – отношение вероятности попадания случайной величины в заданный интервал к длине этого интервала. В определении этой новой функции для конкретного значения х используется предельный переход:

.

Преобразуем это выражение:

Функция плотности вероятности f(x) оказалась равной производной от функции распределения F(x), поэтому функцию f(x) называют также "дифференциальной функцией распределения".

Наоборот, функция распределения F(x) выражается как интеграл от функции плотности вероятности

,

поэтому функцию F(x) называют также "интегральной функцией распределения".

Замечания: В интегральном представлении функция распределения есть функция верхнего предела определенного интеграла, поэтому переменная ннтегрирования обозначена другой литерой. Нижний предел принят –, чтобы не требовалось добавлять постоянную интегрирования.

Ранее была сформулирована "интегральная теорема Лапласа", согласно которой (для конкретного распределения Лапласа) получено выражение

,

которое очень напоминает общую интегральную теорему. Вопрос: является ли интегральная функция Лапласа Ф(t) интегральной функцией распределе­ния? Ответ – нет, не является, поскольку значения Ф(t) могут быть отрицательными Ф(–t) = –Ф(t). С помощью интегральной теоремы Лапласа можно найти функцию распределения F(m) = P(X  m) = P(– < X  m) =  = Ф(t_m) – Ф(–) = Ф(t_m) + Ф() = Ф(t_m) + 0,5 и тогда интегральную теорему для распределения Лапласа можно было бы записать в стандартном виде:

.

Произошел этот небольшой разнобой из-за того, что в определении интегральной функции Лапласа нижний предел интегрирования был принят равным нулю, а не –, для того, чтобы можно было воспользоваться симметрией – нечетностью функции Ф(t): .

Ф ункция плотности вероятности – неотрицательная f(x)  0, как производная от неубывающей функции распределения F(x). Площадь под дифференциальной кривой равна единице: . Это свойство исполь­зуется при решении задач, т.к. обычно дифференциальная функция задается с точностью до постоянного сомножителя, который подлежит определению. Площадь под частью дифференциальной кривой на интервале (х₁ , х₂) равна вероятности попадания случайной величины в этот интервал (см. рис. 6.2):

.

Пример. Равномерный закон распределения. По закону равномерной плотности распределены ошибки округления чисел, время ожидания транспорта, который ходит через равные интервалы времени, место остановки тела под воздействием сухого трения.

Пусть случайная величина распределена на интервале [a, b] с постоянной плотностью вероятности:

.

Требуется найти константу С и составить интегральную функцию распределения F(x).

Фигура под дифференциальной кривой равномерного распределения представляет собой прямоугольник с основанием (b – a) и высотою С. Его площадь равна С(b – a) = 1, откуда .

Дифференциальная функция задана тремя разными выражениями на трех интервалах, поэтому рассмотрим выражения интегральной функции на этих же интервалах.

При х < a f(x) = 0 и .

При a < x  b f(x) = C и .

П ри x > b f(x) = 0 и .

Запишем полученные формулы в компактном виде:

.

Графики дифференциальной и интеграль­ной функций равномерного распределения изображены на рис. 6.3.

Найдем вероятность попадания случайной величины в интервал с границами (х₁ , х₂), где х₁ = 0,7a + 0,3b , х₂ = 0,3a + 0,7b . Т.к. оба значения (х₁ , х₂)  (a, b), то Р(х₁  x  х₂) = F(х₂) – F(х₁) = = 0,4.

Чтобы найти математическое ожидание, заметим, что произведение f(x)x означает вероятность попадания случайной величины в малый интер­вал шириной x в окрестности точки х. Тогда получаем расчетную формулу математического ожидания для непрерывной случайной величины:

.

Так же рассчитываются другие моменты распределения, например, математическое ожидание квадрата (момент 2-го порядка) . Дисперсию вычисляем обычным образом: D(x) = M(x²) – M²(x).

Пример. Вычислим характеристики равномерного распределения.

.

Это центр тяжести прямоугольника – фигуры плотности вероятности.

.

.

Распределение симметричное А = 0, плосковершинное Е < 0.