- •1. Основные понятия, определения и теоремы теории вероятностей*
- •1.1. Алгебра событий. Основые понятия теории множеств
- •1.2. Основные определения: испытание, событие. Классификация событий
- •1.3. Классическое определение вероятности. Свойства, вытекающие из этого определения
- •Значение вероятности
- •1.4. Основные теоремы теории вероятностей
- •1.5. Зависимые и независимые события
- •2. Формула полной вероятности и формула Бейеса
- •2.1. Формула полной вероятности
- •3. Случайные величины
- •3.1. Дискретные случайные величины
- •Ряд распределения случайной величины X
- •3.4. Ожидаемое среднее значение дискретной случайной величины
- •Вычисление математического ожидания числа рекламных
- •3.5. Свойства математического ожидания случайной дискретной величины
- •Возможные исходы лотереи
- •3.6. Ожидаемое среднее значение функции случайной величины
- •Ряд распределения числа месячных продаж
- •К вычислению среднего ожидаемого значения
- •3.7. Дисперсия дискретной случайной величины
- •К вычислению дисперсии случайной величины
- •3.9. Дисперсия линейной функции случайной величины
- •4. Законы распределения дискретных случайных величин
- •Формула Бернулли. Биномиальные вероятности
- •4.3. Биномиальный закон распределения
- •Биномиальное распределение
- •Биномиальное распределение X – числа гербов, появляющихся
- •Фрагмент таблиц ряда и функции биномиального распределения
- •Биномиальное распределение числа покупателей
- •Распределения
- •4.5. Распределение Пуассона
- •Закон распределения Пуассона
- •Сравнение вероятностей, полученных по формулам Бернулли и Пуассона
- •4.6. Гипергеометрическое распределение
- •Гипергеометрический закон распределения
- •Биномиальный закон распределения
- •Гипергеометрическое распределение
- •4.7. Производящая функция
- •4.8. Мультиномиальное распределение
- •4.9. Геометрическое распределение
- •5. Непрерывные случайные величины
- •6. Законы распределения непрерывных случайных величин
- •7. Закон больших чисел
- •7.1. Принцип практической уверенности. Формулировка закона больших чисел
- •7.2. Неравенства Маркова и Чебышева
- •7.3. Теорема Чебышева (частный случай)
- •7.4. Теорема Бернулли
- •7.5. Теорема Пуассона
6. Законы распределения непрерывных случайных величин
6.1. Нормальное распределение
Наиболее важным распределением непрерывных СВ является нормальное распределение. Множество явлений в практической жизни можно описать с его помощью, например, высоту деревьев, площади садовых участков, массу людей, дневную температуру и т.д. Оно используется для решения многих проблем в экономической жизни, например, число дневных продаж, число посетителей универмага в неделю, число работников в некоторой отрасли, объемы выпуска продукции на предприятии и т. д.
Нормальное распределение находит широкое применение и для аппроксимации распределения дискретных СВ, например, доходы от определенных видов рискованного бизнеса.
Нормальное распределение иногда называют законом ошибок, например, отклонения в размерах деталей от установленного.
Нормальная СВ имеет плотность распределения:
(6.1)
где | х<∞, а=М(Х), λ=σ(Х).
Основные свойства W(x):
а) W(x)>0 и существует при любых действительных значениях х;
б) при | х|→∞ limW(x)=0;
в) W(x=а)=Wmax(x).
г) W(x) симметрична относительно прямой х=а.
д) W(x) имеет две точки перегиба, симметричные относительно прямой х=а; с абсциссами а–λ и а+λ и ординатами 1/(λ√2π).
Формула (6.1) содержит два параметра: математическое ожидание а=М(Х) и стандартное отклонение λ=σ. Существует бесконечно много нормально распределенных СВ с разными M(Х) и σ(X).
Математическое ожидание а характеризует положение кривой распределения на оси абсцисс. Изменение параметра а при неизменном σ приводит к перемещению оси симметрии (х=а) вдоль оси абсцисс и, следовательно, к соответствующему перемещению кривой распределения. М(Х)=а иногда называют центрам распределения или параметром сдвига.
Изменение среднего квадратического отклонения при фиксированном значении математического ожидания приводит к изменению формы кривой распределения. С уменьшением λ вершина кривой распределения будет подниматься, кривая будет более «островершинной». С увеличением λ кривая распределения менее островершинная и более растянута вдоль оси абсцисс.
Одновременное изменение параметров a и λ приведет к изменению и формы, и положения кривой нормального распределения.
Условимся о форме записи СВ X~D(X;М(Х),σ2), что означает: СВ X подчиняется закону распределения D с математическим ожиданием М(Х) и стандартным отклонением, либо дисперсией σ2.
6.2. Стандартное (нормированное) нормальное распределение
Если в формуле (6.1) а=0; λ=1, то
= (6.2)
– стандартное (нормированное) нормальное распределение.
Стандартная нормальная СВ обозначается Z~N(X;0,12). Оно табулировано.
Свойства функции φ(z):
а) функция ω(z) – четная, т. е. ω(z)= ω(–z);
б) при |z|→∞ W(z)→0; при |z|>5 можно считать, что ω(z)=0. В связи с этим таблицы ограничиваются аргументами z=4 или z=5;
г) максимальное значение функция ω(z) принимает при z=0.
Любая нормально распределенная СВ может быть преобразована в стандартную (нормированную) нормально распределенную СВ действием:
Z=(X-a)/ λ. (6.3)
Обратное преобразование стандартной нормальной СВ Х~N (X;a,λ2):
X=a+Z∙λ. (6.4)
6.3. Вероятность попадания в интервал нормально распределенной СВ. Интегральная функция Лапласа–Гаусса и ее свойства. Связь нормальной функции распределения с интегральной функцией Лапласа–Гаусса
Если СВ задана плотностью распределения W(x), то вероятность того, что X примет значение, принадлежащее интервалу (α, ), определяется:
P(X) .
Если СВ X~N(X; a, λ2), то
P(X)= dx.
Чтобы пользоваться таблицами для вычисления вероятностей, преобразуем X в Z и найдем новые пределы интегрирования. При х=, z=(–а)/λ; при х=, z=(–а)/λ, x=a+λz, dx=λdz. Тогда
P(X)=
Функция вида
(6.5)
называется интегралом вероятностей или функцией Лапласа.
Функция Лапласа в общем виде не берется. Ее можно вычислить одним из способов численного интегрирования. Эта функция табулирована. Пользуясь функцией Лапласа, окончательно получим:
P(X)= . (6.6)
Формула (6.6) называется интегральной теоремой Лапласа.
Свойства 0(z):
а) 0(z) – нечетная; т.е. 0(–z)=-0(z);
б) при z=0 =0;
в) при z+∞ 0(z) 0,5; при z–∞ 0(z) –0,5. Ф0(4)=0,499997,
Ф0(–4) = –0,499997, т.е. при z4 можно считать, что Ф0(z)±0,5.
Следовательно, все возможные значения интегральной функции Лапласа-Гаусса принадлежат интервалу (0,5; +0,5).
Итак, функция распределения СВ, подчиняющейся нормальному закону распределения, представленная через функцию Лапласа есть:
F(x)=0,5+Фо[(x–a)/λ]. (6.7)
Во многих ситуациях может быть рассмотрена задача обратная предыдущей: определение z по заданной вероятности попадания случайной величины в интервал.
6.4. Правило «трех сигм»
Если обозначить (X–a)/σ=Z, Δ=(X–a)=σZ, то:
P(|X–a|<Zσ)=2Ф0(z), (6.8)
где 2Ф0(z) – вероятность того, что отклонение СВ от ее математического ожидания М(Х)=а по абсолютной величине будет меньше z сигм.
Пусть z равно: 1; 2; 3. Пользуясь формулой (6.8) и таблицей интеграла вероятностей, вычислим вероятность того, что отклонение по абсолютной величине будет меньше σ, 2σ и Зσ:
при z=1, Δ=σ и P(|X–a|< σ)=2Ф0(1)=0,6826;
при z=2, Δ=2σ и P(|X–a|<2σ)=2Ф0(2)=0,9544;
при z=3, Δ=3σ и P(|X–a|<3σ)=2Ф0(3)=0,9973.
Вероятность того, что СВ попадет в интервал (а–3σ; а+3) равна 0,9973.
Т.е. вероятность того, что отклонение СВ от математического ожидания по абсолютной величине превысит утроенное σ, очень мала и равна 0,0027. В этом состоит правило «трех сигм»: если СВ распределена по нормальному закону, то ее отклонение от математического ожидания практически не превышает ±3σ.
6.5. Понятие о теоремах, относящихся к группе «центральной предельной теоремы»
В теоремах этой группы выясняются условия, при которых возникает нормальное распределение. Общим для этих теорем является следующее: закон распределения суммы достаточно большого числа независимых СВ при некоторых условиях неограниченно приближается к нормальному.
Познакомимся с содержанием (без доказательства) с одной из теорем.
Центральная предельная теорема для одинаково распределенных слагаемых (теорема П. Леви).
Теорема. Если независимые СВ Х1, Х2,… Хn, имеют один и тот же закон распределения с математическим ожиданием а и дисперсией σ2, то при неограниченном увеличении n закон распределения суммы Х1+Х2+…+Хn неограниченно приближается к нормальному.
Теорема Ляпунова. Если СВ Y представляет собой сумму большого числа независимых СВ Y1, Y2,… Yn, влияние каждой из которых на всю сумму равномерно мало, то величина Y имеет распределение, близкое к нормальному, и тем ближе, чем больше п.
Ценно то, что законы распределения суммируемых СВ могут быть любыми, заранее не известными исследователю. Практически данной теоремой можно пользоваться и тогда, когда речь идет о сумме сравнительно небольшого числа СВ. Опыт показывает, что при числе слагаемых около 10 закон распределения суммы близок к нормальному.
Теорема Ляпунова имеет важное практическое значение, поскольку многие СВ можно рассматривать как сумму независимых слагаемых (ошибки измерений, отклонения размеров деталей, распределение числа продаж некоторого товара, валютные курсы и т.д.)
6.6. Показательное (экспоненциальное) распределение
Экспоненциальное (показательное) распределение связано с распределением Пуассона, используемым для вычисления вероятности появления события в некоторый период времени. Распределение Пуассона – это распределение числа появления событий в заданный интервал времени длиной t. Параметр распределения Пуассона λ характеризует интенсивность процесса, с его помощью вычисляют среднее число появления события.
Например, в банк в среднем входит пять посетителей в час. Предположим теперь, что вместо числа появления события в заданный промежуток времени нас интересует длина промежутка времени до появления первого посетителя в банке. Такая задача решается при помощи экспоненциального распределения, а не распределения Пуассона.
Другие примеры. Интервалы времени до первого телефонного звонка на станцию, время ожидания такси – подчиняются экспоненциальному закону.
Обозначив среднее значение появления событий в некоторый промежуток времени через λ, а время до появления первого события х=t, можно получить дифференциальную функцию экспоненциального распределения:
(6.9)
где х0, λ>0 – параметр. Функция экспоненциального закона:
. (6.10)
Числовые характеристики экспоненциально распределенной СВ X: М(Х)=1/λ, D(x)=1/λ2,(x)=1/λ.
6.7. Закон равномерного распределения (равномерной плотности)
Если известно, что значения непрерывной СВ принадлежат определенному интервалу, а ее плотность распределения на интервале постоянна, то СВ распределена по равномерному закону.
В равномерном распределении вероятность того, что СВ будет принимать значения внутри заданного интервала, пропорциональна длине этого интервала.
Пусть непрерывная СВ X распределена на интервале (α;β) с равномерной плотностью. Ее плотность W(х) на этом участке постоянна и равна C. Вне этого интервала она равна нулю, так как СВ X за пределами интервала (α; β) значений не имеет. Найдем значение постоянной С. Площадь, ограниченная кривой плотности распределения вероятностей и осью абсцисс, должна быть равна единице, т.е. С(β–α)=1.
Следовательно, С=1/(β–α) и плотность для равномерного распределения:
(6.14)
Функция распределения (6.15)
Числовые характеристики равномерно распределенной СВ: М(Х)=(α+β)/2, D(x)=(β–α)2/12, (x)=√D(x)=(β–α)/2√3.
Для непрерывной равномерно распределенной СВ X, заданной на интервале (a<X<b)
P(a<X<b)=(b–a)/(β–α). (6.19)