- •Введение
- •Глава 1. Элементы теории вероятностей
- •§1. Основные правила комбинаторики
- •1. Правило сложения
- •2. Правило умножения
- •3. Размещения
- •Перестановки
- •Сочетания
- •Задачи для самостоятельного решения
- •§2. Классическое определение вероятности
- •Задачи для самостоятельного решения
- •§3. Операции над событиями
- •Задачи для самостоятельного решения
- •§4. Формула полной вероятности. Формула Байеса
- •Задачи для самостоятельного решения
- •§5. Последовательность независимых испытаний (схема Бернулли) Теорема Пуассона. Локальная и интегральная теоремы Муавра – Лапласа
- •Последовательность независимых испытаний (схема Бернулли)
- •2. Локальная теорема Муавра – Лапласа
- •3. Интегральная теорема Муавра – Лапласа
- •4. Теорема Пуассона Если достаточно велико, а - мало, то
- •Решение. Р – мало. Воспользуемся теоремой Пуассона:
- •Задачи для самостоятельного решения
- •§6. Случайные величины. Законы распределения случайных величин. Числовые характеристики
- •Задачи для самостоятельного решения
- •§7. Важнейшие примеры распределений
- •1. Биноминальное распределение
- •2. Нормальный закон распределения
- •3. Распределение Пуассона
- •4. Равномерное распределение вероятностей
- •5. Геометрическое распределение
- •Задачи для самостоятельного решения
- •§8. Системы случайных величин
- •Задачи для самостоятельного решения
§7. Важнейшие примеры распределений
В настоящем параграфе приводятся наиболее часто встречающиеся типы распределений непрерывных и дискретных случайных величин и примеры их применения.
1. Биноминальное распределение
Рассмотрим серию из п независимых испытаний, в каждом из которых вероятность наступления события А равна р. Случайная величина Х означает число наступлений событий. Она дискретна, и ее возможными значениями являются неотрицательные целые числа 0, 1, 2, ... , п.
Закон распределения случайной величины Х задается уже известной нам формулой (см. § 5 )
, (1.29)
определяющей вероятность равенства Х= к. Как было указано в § 5, это выражение представляет член разложения бинома (р +q)n. Поэтому говорят, что случайная величина Х подчиняется биномиальному закону распределения. Примеры приложений биномиального распределения уже встречались нам в предыдущих параграфах.
Чтобы вычислить дисперсию случайной величины, распределенной по биномиальному закону, воспользуемся теоремой о дисперсии суммы случайных величин. Пусть случайная величина Х означает количество наступлений события А в серии из п испытаний, причем в каждом испытании вероятность наступления события равна р. Положим
X=X1+ X2+…+ Xn,
где Xi – случайная величина, принимающая только два значения: 1, если в i-м испытании событие А произошло, и 0, если оно не произошло. Закон распределения каждой из величин Xi одинаков и задается таблицей
-
xi
0
1
pi
q =1-p
р
Математическое ожидание Xi равно
M(Xi)=0·q+1·p=p.
Отсюда, пользуясь теоремой о математическом ожидании суммы, сразу видим, что
М(Х)= пр. (1.30)
Дисперсия Xi равна (см. формулу (1.23) §6)
D (Xi) = (0 – р)2·q + (1 – p)2·p =p·q (p +q) = pq.
Отсюда по теореме о дисперсии суммы
D(X)=npq. (1.31)
Задача 1. Стрелок делает по мишени три выстрела. Вероятность попадания в мишень при каждом выстреле равна 0,3. Построить ряд распределения числа попаданий и вычислить математическое ожидание и дисперсию указанной случайной величины.
Решение. Случайная величина Х – число попаданий в мишень при 3-х выстрелах распределена по биноминальному закону, её возможные значения 0, 1, 2, 3.
Ряд распределения случайной величины Х:
-
Х
0
1
2
3
р
0,343
0,441
0,189
0,027
2. Нормальный закон распределения
Среди законов распределения, которым подчиняются встречающиеся на практике случайные величины, чаще всего приходится иметь дело с нормальным законом распределения. В частности, нормальный закон распределения имеет фундаментальное значение при обработке результатов испытаний или эксперимента.
Функция нормального распределения
(1.32)
где а и σ2 – параметры распределения, представляющие собой соответственно математическое ожидание и дисперсию случайной величины х.
Графики функции нормального распределения для различных значений дисперсий и математического ожидания показаны на рис. 1.9.
Нормальная плотность вероятности
. (1.33)
На рис. 1.10 приведены графики нормальной плотности вероятностей для различных значений дисперсии и математического ожидания.
График нормальной плотности вероятности имеет максимальную ординату при х=а. Через эту же ординату проходит ось симметрии кривой. Поэтому у случайных величин, подчиняющихся нормальному закону распределения, значения математического ожидания, медианы и моды совпадают между собой.
Если в выражениях (1.32) и (1.33) перейти к новой переменной, называемой нормированной, случайной величиной,
, (1.34)
то получим
(1.35)
и
. (1.36)
Выражение (1.35) представляет собой функцию нормального закона распределения нормированной случайной величины (1.34) и называется нормированной функцией нормального распределения. Функция (1.36) является плотностью вероятности нормированного нормального распределения. Значения этой функции для различных z приведены в таблице прил.1. С нормальной плотностью вероятности (1.33) функция (1.36) имеет следующую связь:
. (1.37)
Выражения (1.35) и (1.36) показывают, что если случайная величина х распределена нормально со средним, равным а, и дисперсией, равной σ2, то нормированная случайная величина z (1.34) также имеет нормальное распределение со средним, равным нулю, и дисперсией, равной единице.
Вероятность нахождения в интервале (–∞, х1) случайной величины X, следующей нормальному закону распределения, на основании (1.16) и (1.32), определится как
, (1.38)
или, что легко доказать,
. (1.39)
И нтеграл с переменным верхним пределом вида
. (1.40)
носит название функции Лапласа. Геометрически функция Лапласа представляет собой площадь под кривой φ(z) в промежутке от 0 до z (рис. 1.11). Значения этой функции приведены в таблице прил. 2.
Следует иметь в виду, что
Ф(–z) = – Ф(z), Ф(–∞) = –1/2, Ф(0)=0, Ф(∞) = 1/2. (1.41)
С учетом (1.37) вероятность нахождения в интервале (–∞; x1) случайной величины Х определится из выражения
Р(Х<х1)=0,5+Ф(z1). (1.42)
Для интервала (x1; х2) соответствующую вероятность можно подсчитать на основании (1.32) и (1.37) как
Р(х1<Х х2)=Ф(z2) – Ф(z1), (1.43)
где
и . (1.44)
Пользуясь указанными соотношениями и таблицей прил. 2, легко можно определить, что вероятность попадания нормально распределенной случайной величины в интервал а ± σ составляет – P ≈ 0,68, в интервал а±2σ – ≈ 0,95 и в интервал а+3σ – P ≈ 0,997.
Нетрудно показать, что математическое ожидание и дисперсия случайной величины, распределенной по нормальному закону, равны а
и σ2 соответственно, т. е.
М(Х) = а, D(X) = σ2.
Задача 2. Образцы из прессованного дюралюминиевого профиля испытывают на разрыв с целью определения предела прочности σв. Определить вероятность попадания значения предела прочности испытываемого образца в интервал (43 кгс/мм2; 47 кгс/мм2), если для случайной величины Х=σв, a=45,3кгc/мм2 и σ =1,13 кгс/мм2.
Решение. Пользуясь формулами (1.44), находим
и .
По таблице прил. 2 для вычисленных значений z1и z2 определяем:
Ф(z1)=Ф(–2,03) = –Ф (2,03) = –0,4788
и
Ф(z2) = Ф(1,50) = 0,4332.
На основании формулы (1.43) находим
Р(43 кгc/мм2<σв 47 кгс/мм2) =Ф(1,50) –Ф(–2,03) = 0,4332+0,4788=0,912.
Приведенные расчеты показывают, что если испытаниям на разрыв подвергнуть большое число образцов, то около 90% из них будут иметь значения предела прочности, лежащие в указанных интервалах.
Задача 3. Длина изготавливаемой автоматом детали представляет собой случайную величину, распределённую по нормальному закону с параметрами см; σ = 0,2 см. Найти вероятность брака, если допускаемые размеры детали должны быть см. Какую точность длины можно гарантировать вероятностью 0,97?
Решение. Остальные часто встречающиеся законы распределений случайных величин сведем в таблицу.
а) ,
т.к. параметр для нормального закона распределения.
(см. прил.1).
Вероятность брака
.
б) , (см. прил.2), т.к. .
Следовательно, с вероятностью 0,97 можно гарантировать размеры .