Законы распределения случайных величин теория вероятности. Распределения случайных величин

Среди законов распределения для дискретных случайных величин наиболее распространенным является биномиальный закон распределения. Биномиальное распределение имеет место в следующих условиях. Пусть случайная величина - число появлений некоторого события в независимых испытаниях, вероятность появления в отдельном испытании равна . Данная случайная величина является дискретной случайной величиной, ее возможные значения . Вероятность того, что случайная величина примет значение вычисляется по формуле Бернулли: .

Определение 15. Закон распределения дискретной случайной величины называется биномиальным законом распределения, если вероятности значений случайной величины вычисляются по формуле Бернулли. Ряд распределения будет иметь вид:

Убедимся, что сумма вероятностей различных значений случайной величины равна 1. Действительно,

Так как при данных вычислениях получилась биномиальная формула Ньютона, поэтому закон распределения называется биномиальным. Если случайная величина имеет биномиальное распределение, то ее числовые характеристики находятся по формулам:

(42) (43)

Пример 15. Имеется партия из 50 деталей. Вероятность брака для одной детали . Пусть случайная величина - число бракованных деталей в данной партии. Найти математическое ожидание, дисперсию и среднее квадратичное отклонение данной случайной величины. Решение. Случайная величина имеет биномиальное распределение, так как вероятность того, что она примет значение вычисляется по формуле Бернулли. Тогда ее математическое ожидание находится по формуле (41), а именно, ; дисперсию находим по формуле (42): . Тогда среднее квадратичное отклонение будет равно . Вопрос. Приобретено 200 лотерейных билетов, вероятность выигрыша одного билета равна 0,01. Тогда среднее число лотерейных билетов, на которые выпадут выигрыши, равно: а) 10; б) 2; в) 20; г) 1.

Закон распределения Пуассона

При решении многих практических задач приходится иметь дело с дискретными случайными величинами, которые подчиняются закону распределения Пуассона. Типичными примерами случайной величины, имеющей распределение Пуассона, являются: число вызовов на телефонной станции за некоторое время ; число отказов сложной аппаратуры за время , если известно, что отказы независимы друг от друга и в среднем на единицу времени приходится отказов.Ряд распределения будет иметь вид:

То есть вероятность того, что случайная величина примет значение вычисляется по формуле Пуассона: поэтому данный закон и называется законом распределения Пуассона. Случайная величина, распределенной по закону Пуассона, имеет следующие числовые характеристики:

Распределение Пуассона зависит от одного параметра , который является математическим ожиданием случайной величины. На рисунке 14 показан общий вид многоугольника распределения Пуассона при различных значениях параметра .

Распределение Пуассона может быть использовано как приближенное в тех случаях, когда точным распределением случайной величины является биномиальное распределение, при этом число испытаний велико, а вероятность появления события в отдельном испытании мала, поэтому закон распределения Пуассона называют законом редких событий. А еще, если математическое ожидание мало отличается от дисперсии, то есть когда . В связи с этим распределение Пуассона имеет большое количество различных приложений. Пример 16. Завод отправляет на базу 500 доброкачественных изделий. Вероятность того, что в пути изделие повредится, равна 0,002. Найти математическое ожидание числа поврежденных при перевозке деталей. Решение. Случайная величина имеет распределение Пуассона, поэтому . Вопрос. Вероятность искажения символа при передаче сообщения равна 0,004. Чтобы среднее число искаженных символов было равно 4, надо передать 100 символов.

Переменная величина называется случайной , если в результате опыта она может принимать действительные значения с определёнными вероятностями. Наиболее полной, исчерпывающей характеристикой случайной величины является закон распределения. Закон распределения – функция (таблица, график, формула), позволяющая определять вероятность того, что случайная величина Х принимает определеное значение х i или попадает в некоторый интервал. Если случайная величина имеет данный закон распределения, то говорят, что она распределена по этому закону или подчиняется этому закону распределения.

Случайная величина Х называется дискретной , если существует такая неотрицательная функция

которая ставит в соответствие значению х i переменной Х вероятность р i , с которой она принимает это значение.

Случайная величина Х называется непрерывной , если для любых a < b существует такая неотрицательная функция f (x ), что

(2)

Функция f (x ) называется плотностью распределения непрерывной случайной величины.

Вероятность того, что случайная величина Х (дискретная или непрерывная) принимает значение, меньшее х , называется функцией распределения случайной величины Х и обозначается F (x ) :

(3)

Функция распределения является универсальным видом закона распределения, пригодным для любой случайной величины.

Общие свойства функции распределения:

(4)

Кроме этого универсального, существуют также частные виды законов распределения: ряд распределения (только для дискретных случайных величин) и плотность распределения (только для непрерывных случайных величин).

Основные свойства плотности распределения:

(5)

Каждый закон распределения – это некоторая функция, полностью описывающая случайную величину с вероятностной точки зрения. На практике о распределении вероятностей случайной величины Х часто приходится судить только по результатам испытаний. Повторяя испытания, будем каждый раз регистрировать, произошло ли интересующее нас случайное событие А , или нет. Относительной частотой (или просто частотой ) случайного события А называется отношение числа n A появлений этого события к общему числу n проведенных испытаний. При этом мы принимаем, что относительные частоты случайных событий близки к их вероятностям. Это тем более верно, чем больше число проведенных опытов. При этом частоты, как и вероятности, следует относить не к отдельным значениям случайной величины, а к интервалам. Это значит, что весь диапазон возможных значений случайной величины Х надо разбить на интервалы. Проводя серии испытаний, дающих эмпирические значения величины Х , надо фиксировать числа n x попаданий результатов в каждый интервал. При большом числе испытаний n отношение nx / n (частоты попадания в интервалы) должны быть близки к вероятностям попадания в эти интервалы. Зависимость частот nx / n от интервалов определяет эмпирическое распределение вероятностей случайной величины Х , графическое представление которой называется гистограммой (рис. 1).

Рис. 1. Гистограмма и выравнивающая плотность распределения

Для построения гистограммы по оси абсцисс откладывают интервалы равной длины, на которые разбивается весь диапазон возможных значений случайной величины Х , а по оси ординат откладывают частоты nx / n . Тогда высота каждого столбика гистограммы равна соответствующей частоте. Таким образом, получается приближенное представление закона распределения вероятностей для случайной величины Х в виде ступенчатой функции, аппроксимация (выравнивание) которой некоторой кривой f (x ) даст плотность распределения.

Однако, часто бывает достаточно указать только отдельные числовые параметры, характеризующие основные свойства распределения. Эти числа называются числовыми характеристиками случайной величины.

Плотность нормального распределения имеет следующий вид:

где a - центр распределения вероятностей или математическое ожидание данной случайной величины, т. е.

среднеквадратическое отклонение данной случайной величины.

На практике исчисляются соответствующие статистические оценки. Так, оценкой для математического ожидания будет средняя величина:

где количество данных в рассматриваемом статистическом массиве.

Математическое ожидание есть то теоретическое значение данной случайной величины, к которому стремится средняя величина при неограниченном увеличении количества данных.

Среднеквадратичное отклонение:

В логистике то или иное значение величины оценивается значением

при этом оценивается коэффициент вариации:

На рисунке 4 представлен график нормального распределения вероятностей.

Рисунок 4- Нормальный закон распределения вероятностей

Плотность экспоненциального закона распределения вероятностей имеет следующий вид:

где основание натурального логарифма.

Экспоненциальный закон описывает временные параметры случайных логистических процессов. Под экспоненциальный закон попадают следующие случайные величины:

1) время обслуживания покупателей;

2) время погрузки-выгрузки транспортных средств;

3) время, затрачиваемое на выполнение прочих логистических операций

4) интервал между заявками, приходящими на обслуживание.

Особенностью экспоненциального закона является то, что он определяется одним параметром. При этом

где среднее значение исследуемого временного параметра.

Для величин, подчиняющихся экспоненциальному закону, математическое ожидание М и среднеквадратическое значение равны между собой:

На рисунке 5 представлен график экспоненциального закона.

Рисунок 5- Экспоненциальный закон распределения вероятностей

Биномиальный закон распределения вероятностей

Биноминальный закон распределения вероятностей выражается формулой:

Данный закон определяет вероятности наступления событий из общего числа событий

где вероятность наступления одного события из данной группы событий;

вероятность ненаступления указанного события,

Величина количество сочетаний из по , определяется по формуле:

Для вычисления числа сочетаний используется равенство:

При биноминальном распределении наивероятнейшее число событий равно:

Сравнение законов распределения вероятностей. Критерий согласия

В теории вероятностей существуют методы, позволяющие оценивать степень соответствия фактических распределений вероятностей их теоретическим значениям. С этой целью используются так называемые критерии согласия, наиболее известным из которых является критерий. Данный критерий позволяет сравнивать между собой эмпирические законы распределения, полученные по одним и тем же фактическим данным.

Чем меньше значение, тем лучше данный эмпирический закон согласуется с теоретическим. Для сравнения эмпирических законов распределения вероятностей вычисляются значения по следующей формуле:

Где соответственно фактические и теоретические значения частот исследуемых законов распределения.

Величина так же является случайной, а поэтому подчиняется своему закону распределения. Подход к сравнению эмпирических законов распределения можно показать на примере.

Установим, какой закон распределения вероятностей- нормальный или экспоненциальный- лучше отражает распределение данной величины, т.е. осуществим проверку гипотез. В качестве исследуемой величины берём объём реализации определённого товара. Исходные данные представлены в таблице 3:

Таблица 3. Сведения о реализации товара

	Реализация (тыс.руб.)

Задача формулируется следующим образом: построить распределение вероятностей величины спроса на данный товар, если в результате проведённого исследования получены результаты о реализации, в тыс. руб. в день.

Решение задачи представлено в приложении 4.

В общем случае ряд логистических процессов, а именно: продажи, отгрузка продукции с оптово-торговых предприятий, движение запасов, оказание услуг при поставках продукции, расходование материальных ресурсов и т.п. описывается нормальным законом распределения вероятностей. Отличительный признак данного распределения- наличие выраженной симметрии случайных величин относительно их среднего значения. Для указанных процессов нормальный закон применим для всей продукции, определённых ассортиментных групп или отдельных наименований товаров.

При ABC-анализе структуры логистических процессов, получаемые характеристики в стоимостном или натуральном выражениях подчинены экспоненциальному распределению.

Тот факт, что реализация продукции соответствует нормальному закону, имеет важное значение для логистики, поскольку позволяет определять величину товарного запаса, для чего рекомендуется следующая формула:

где необходимая величина товарного запаса на неопределённый период,

средняя реализация в единицу времени(день, неделя, месяц),

среднеквадратическое отклонение.

Для рассмотренного примера товарный запас равен:

Данная модель показывает, что любое требование покупателя на то или иное качество товара должно быть удовлетворено с вероятностью близкой к 1. В этой модели используется правило "трёх сигм". В нормальном законе соответствует вероятности 0,99.

В современных условиях компьютерные технологии позволяют отслеживать в текущем режиме времени среднюю реализацию и среднеквадратические отклонения, а так же корректировать величину товарного запаса.

Предоставленная модель определения товарного запаса может быть использована как для розничной, так и для оптовой торговли.

Как известно, случайной величиной называется переменная величина, которая может принимать те или иные значения в зависимости от случая. Случайные величины обозначают заглавными буквами латинского алфавита (X, Y, Z), а их значения – соответствующими строчными буквами (x, y, z). Случайные величины делятся на прерывные (дискретные) и непрерывные.

Дискретной случайной величиной называется случайная величина, принимающая лишь конечное или бесконечное (счетное) множество значений с определенными ненулевыми вероятностями.

Законом распределения дискретной случайной величины называется функция, связывающая значения случайной величины с соответствующими им вероятностями. Закон распределения может быть задан одним из следующих способов.

1 . Закон распределения может быть задан таблицей:

где λ>0, k = 0, 1, 2, … .

в) с помощью функции распределения F(x) , определяющей для каждого значения x вероятность того, что случайная величина X примет значение, меньшее x, т.е. F(x) = P(X < x).

Свойства функции F(x)

3 . Закон распределения может быть задан графически – многоугольником (полигоном) распределения (смотри задачу 3).

Отметим, что для решения некоторых задач не обязательно знать закон распределения. В некоторых случаях достаточно знать одно или несколько чисел, отражающих наиболее важные особенности закона распределения. Это может быть число, имеющее смысл «среднего значения» случайной величины, или же число, показывающее средний размер отклонения случайной величины от своего среднего значения. Числа такого рода называют числовыми характеристиками случайной величины.

Основные числовые характеристики дискретной случайной величины :

• Mатематическое ожидание (среднее значение) дискретной случайной величины M(X)=Σ x i p i .
  Для биномиального распределения M(X)=np, для распределения Пуассона M(X)=λ
• Дисперсия дискретной случайной величины D(X)= M 2 или D(X) = M(X 2)− 2 . Разность X–M(X) называют отклонением случайной величины от ее математического ожидания.
  Для биномиального распределения D(X)=npq, для распределения Пуассона D(X)=λ
• Среднее квадратическое отклонение (стандартное отклонение) σ(X)=√D(X) .

Примеры решения задач по теме «Закон распределения дискретной случайной величины»

Задача 1.

Выпущено 1000 лотерейных билетов: на 5 из них выпадает выигрыш в сумме 500 рублей, на 10 – выигрыш в 100 рублей, на 20 – выигрыш в 50 рублей, на 50 – выигрыш в 10 рублей. Определить закон распределения вероятностей случайной величины X – выигрыша на один билет.

Решение. По условию задачи возможны следующие значения случайной величины X: 0, 10, 50, 100 и 500.

Число билетов без выигрыша равно 1000 – (5+10+20+50) = 915, тогда P(X=0) = 915/1000 = 0,915.

Аналогично находим все другие вероятности: P(X=0) = 50/1000=0,05, P(X=50) = 20/1000=0,02, P(X=100) = 10/1000=0,01, P(X=500) = 5/1000=0,005. Полученный закон представим в виде таблицы:

Найдем математическое ожидание величины Х: М(Х) = 1*1/6 + 2*1/6 + 3*1/6 + 4*1/6 + 5*1/6 + 6*1/6 = (1+2+3+4+5+6)/6 = 21/6 = 3,5

Задача 3.

Устройство состоит из трех независимо работающих элементов. Вероятность отказа каждого элемента в одном опыте равна 0,1. Составить закон распределения числа отказавших элементов в одном опыте, построить многоугольник распределения. Найти функцию распределения F(x) и построить ее график. Найти математическое ожидание, дисперсию и среднее квадратическое отклонение дискретной случайной величины.

Решение. 1. Дискретная случайная величина X={число отказавших элементов в одном опыте} имеет следующие возможные значения: х 1 =0 (ни один из элементов устройства не отказал), х 2 =1 (отказал один элемент), х 3 =2 (отказало два элемента) и х 4 =3 (отказали три элемента).

Отказы элементов независимы друг от друга, вероятности отказа каждого элемента равны между собой, поэтому применима формула Бернулли . Учитывая, что, по условию, n=3, р=0,1, q=1-р=0,9, определим вероятности значений:
P 3 (0) = С 3 0 p 0 q 3-0 = q 3 = 0,9 3 = 0,729;
P 3 (1) = С 3 1 p 1 q 3-1 = 3*0,1*0,9 2 = 0,243;
P 3 (2) = С 3 2 p 2 q 3-2 = 3*0,1 2 *0,9 = 0,027;
P 3 (3) = С 3 3 p 3 q 3-3 = р 3 =0,1 3 = 0,001;
Проверка: ∑p i = 0,729+0,243+0,027+0,001=1.

Таким образом, искомый биномиальный закон распределения Х имеет вид:

По оси абсцисс откладываем возможные значения х i , а по оси ординат – соответствующие им вероятности р i . Построим точки М 1 (0; 0,729), М 2 (1; 0,243), М 3 (2; 0,027), М 4 (3; 0,001). Соединив эти точки отрезками прямых, получаем искомый многоугольник распределения.

3. Найдем функцию распределения F(x) = Р(Х

Для x ≤ 0 имеем F(x) = Р(Х<0) = 0;
для 0 < x ≤1 имеем F(x) = Р(Х<1) = Р(Х = 0) = 0,729;
для 1< x ≤ 2 F(x) = Р(Х<2) = Р(Х=0) + Р(Х=1) =0,729+ 0,243 = 0,972;
для 2 < x ≤ 3 F(x) = Р(Х<3) = Р(Х = 0) + Р(Х = 1) + Р(Х = 2) = 0,972+0,027 = 0,999;
для х > 3 будет F(x) = 1, т.к. событие достоверно.

График функции F(x)

4. Для биномиального распределения Х:
- математическое ожидание М(X) = np = 3*0,1 = 0,3;
- дисперсия D(X) = npq = 3*0,1*0,9 = 0,27;
- среднее квадратическое отклонение σ(X) = √D(X) = √0,27 ≈ 0,52.

Случайной называется величина, которая в результате испытания может принять то или иное возможное значение, неизвестное заранее. Различают дискретные и непрерывные случайные величины.
Если множество возможных значений случайной величины конечно или образуют бесконечную числовую последовательность, то такая случайная величина называется дискретной (примеры 3.1, 3.3, 3.4).
Случайная величина, множество значений которой заполняет сплошь некоторый числовой промежуток, называется непрерывной (пример 3.2). Заметим, что дискретные и непрерывные величины не исчерпывают все типы случайных величин.
Если случайная величина не относится ни к дискретным, ни к непрерывным случайным величинам, то ее называют смешанной .
Очевидно, что для полной характеристики дискретной случайной величины мало знать ее значения. Необходимо им поставить в соответствие вероятности.
Соответствие между всеми возможными значениями дискретной случайной величины и их вероятностями называется законом распределения данной случайной величины.
Простейшая формой задания закона распределения дискретной случайной величины является таблица, в которой перечислены возможные значения случайной величины (обычно в порядке возрастания) и соответствующие им вероятности:

Такая таблица называется рядом распределения. Допустим, что число возможных значений случайной величины конечно: х 1 , х 2 , …, х n . При одном испытании случайная величина принимает одно и только одно постоянное значение. Поэтому события Х = х i (i = 1, 2, … , n ) образуют полную группу попарно независимых событий. Следовательно, р 1 + р 2 + … + р n = 1.
Можно закон распределения изобразить и графически, откладывая на оси абсцисс возможные значения случайной величины, а на оси ординат – соответствующие вероятности. Для большей выразительности полученные точки соединяются прямолинейными отрезками. Получающая при этом фигура называется многоугольником (полигоном) распределения.
Существует ряд законов распределения:

· Биномиальное

· Пуассона

· Нормальное(Гауса)

· Показательное(экспоненциальное)

· Равномерное

Биномиальное распределение случайной величины

n – количество испытаний

Пуассоновское распределение.
Ситуация, когда вероятность появления события в каждом испытании близка к 0 (такие события называются редкими явлениями), а количество испытаний велико. Вероятность того, что в n независимых испытаниях событие наступит m раз, приближенно равна:

n – количество испытаний
m – предполагаемое наступление желаемого события
p- вероятность наступления события в одном испытании
Пример: Установлено, что при транспортировке в вагоне более 5000 изделий портится в среднем одно изделие. Найти вероятность того, что испортится три изделия. (0,06).

– Математическим ожиданием

Дисперсия

Показательное (экспоненциальное) распределение

- интенсивность (среднее число событий в единицу времени)

Непрерывная случайная величина X, функция плотности которой задается данным выражением, называется случайной величиной, имеющей показательное, или экспоненциальное, распределение.

Величина срока службы различных устройств и времени безотказной работы отдельных элементов этих устройств при выполнении определенных условий обычно подчиняется показательному распределению. Другими словами, величина промежутка времени между появлениями двух последовательных редких событий подчиняется зачастую показательному распределению.

Как видно из формулы, показательное распределение определяется только одним параметром . Эта особенность показательного распределения указывает на его преимущество по сравнению с распределениями, зависящими от большего числа параметров.

График функций показательного распределения имеют вид:

Вероятность попадания случайной величины X в интервал :

,математическое ожидание

, дисперсия

Среднеквадратическое отклонение

Таким образом, для показательного распределения характерно, что среднее квадратическое отклонение численно равно математическому ожиданию.

Равномерное распределение
Равномерное распределение вероятностей является простейшим и может быть как дискретным, так и непрерывным. Дискретное равномерное распределение – это такое распределение, для которого вероятность каждого из значений СВ одна и та же, то есть:

где N – количество возможных значений СВ.

Распределение вероятностей непрерывной CВ Х, принимающие все свои значения из отрезка [а;b] называется равномерным, если ее плотность вероятности на этом отрезке постоянна, а вне его равна нулю:

11.Функция распределения и её свойства.

Функцией распределения случайной величины X называется вероятность того, что она примет значение меньшее, чем аргумент функции x :

F (x )=P{X <x }.

Геометрически функция распределения интерпретируется как вероятность того, что случайная точка X попадет левее заданной точки X. Из геометрической интерпретации наглядно можно вывести основные свойства функции распределения.

1. F (-¥) = 0.

2. F (+¥) = 1.

3. F (x ) – неубывающая функция своего аргумента, т.е. при x 1 < x 2

F (x 1) £ F (x 2).

4. P(α£ X < β) = F (β) - F (α), для "[α,β[ÎR. (5.4)

Вероятность того, что случайная величина Х в результате опыта попадет на участок от α до β (включая α) равна приращению функции распределени я на этом участке.

Таким образом, функция распределения F(x)любой случайной величины есть неубывающая функция своего аргумента, значения которой заключены между 0 и 1: 0≤F(x)≤1, причем F(-∞)=0, F(+∞)=1.

12. Функция распределения дискретной и непрерывной случайной величины.

Функция распределения дискретной случайной величины

Если x - дискретная случайная величина, принимающая значения x 1 < x 2 < … < x i < … с вероятностями p 1 < p 2 < … < p i < …, то таблица вида

называется распределением дискретной случайной величины .

Функция распределения случайной величины, с таким распределением, имеет вид

У дискретной случайной величины функция распределения ступенчатая.

Множество значений непрерывной случайной величины несчетно и обычно представляет собой некоторый промежуток конечный или бесконечный.

Случайная величина x(w),заданная в вероятностном пространстве {W, S,P}, называется непрерывной (абсолютно непрерывной) W, если существует неотрицательная функция такая, что при любых х функцию распределения Fx(x) можно представить в виде интеграла

13. Плотность распределения непрерывной случайной величины.

Функция называется функцией плотности распределения вероятностей .

Из определения вытекают свойства функции плотности распределения :

1. Плотность распределения неотрицательна: .

2. Интеграл по всей числовой прямой от плотности распределения вероятностей равен единице:

3. В точках непрерывности плотность распределения равна производной функции распределения: .

4. Плотность распределения определяет закон распределения случайной величины, т. к. определяет вероятность попадания случайной величины на интервал :

5.Вероятность того, что непрерывная случайная величина примет конкретное значение равна нулю: . Поэтому справедливы следующие равенства:

График функции плотности распределения называется кривой распределения , и площадь, ограниченная кривой распределения и осью абсцисс, равна единице. Тогда геометрически значение функции распределения Fx(x) в точке х0 есть площадь, ограниченная кривой распределения и осью абсцисс и лежащая левее точки х0.

14. Связь функции распределения и плотности распределения. Интегральная формула полной вероятности.

Зная плотность распределения F(X) , можно найти функцию распределения F(X) по формуле

.

Действительно, F(X) = P(X < X ) = P(-∞ < X < X) .

Следовательно,

.

.

Таким образом, Зная плотность распределения, можно найти функцию распределения. Разумеется, по известной функции распределения можно найти плотность распределения , а именно:

F(X) = F"(X).
15. Числовые характеристики случайных величин.

Закон распределения полностью описывает случайную величину с

вероятностной точки зрения. Но часто достаточно указать только отдель-

ные числовые параметры, которые позволяют в сжатой форме выразить

наиболее существенные черты распределения. Такие параметры называ-

ются числовыми характеристиками случайной величины.

Среди числовых характеристик можно выделить характеристики по-

ложения, т. е. некие средние, ориентировочные значения случайной вели-

чины, около которых группируются ее возможные значения.

К числовым характеристикам относятся:

· Математическое ожидание

· Дисперсия

· Медиана

· Моменты

· Квантиль

· Асимметрия

· Эксцентриситет

16.Математическое ожидание случайной величины и его свойства.

Математическое ожидание - число, вокруг которого сосредоточены значения случайной величины. Математическое ожидание случайной величины x обозначается M x .

Математическое ожидание дискретной случайной величины x , имеющей распределение

называется величина , если число значений случайной величины конечно.

Если число значений случайной величины счетно, то . При этом, если ряд в правой части равенства расходится, то говорят, что случайная величина x не имеет математического ожидания.

Математическое ожидание непрерывной случайной величины с плотностью вероятностей p x (x ) вычисляется по формуле . При этом, если интеграл в правой части равенства расходится, то говорят, что случайная величина x не имеет математического ожидания.

Если случайная величина h является функцией случайной величины x , h = f (x ), то

.

Аналогичные формулы справедливы для функций дискретной случайной величины:

, .

Основные свойства математического ожидания:

· математическое ожидание константы равно этой константе, M c=c ;

· математическое ожидание - линейный функционал на пространстве случайных величин, т.е. для любых двух случайных величин x , h и произвольных постоянных a и b справедливо: M (ax + bh ) = a M (x)+ b M (h);

· математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий, т.е. M (x h) = M (x)M (h).

17.Диспрсия случайной величины и её свойства.

Дисперсия случайной величины характеризует меру разброса случайной величины около ее математического ожидания.

Если случайная величина x имеет математическое ожидание M x , то дисперсией случайной величины x называется величина D x = M (x - M x ) 2 .

Легко показать, что D x = M (x - M x ) 2 = M x 2 - M (x) 2 .

Эта универсальная формула одинаково хорошо применима как для дискретных случайных величин, так и для непрерывных. Величина M x 2 >для дискретных и непрерывных случайных величин соответственно вычисляется по формулам

, .

Для определения меры разброса значений случайной величины часто используетсясреднеквадратичное отклонение ,связанное с дисперсией соотношением .

Основные свойства дисперсии:

· дисперсия любой случайной величины неотрицательна, D x 0;

· дисперсия константы равна нулю, D c =0;

· для произвольной константы D (cx ) = c 2 D (x);

· дисперсия суммы двух независимых случайных величинравна сумме их дисперсий: D (x ±h ) = D (x) + D (h).

18. Момент порядка k случайной величины, абсолютный и центральный моменты.

Начальным моментом k-го порядка случайной величины x называется математическое ожидание k -й степени случайной величины x , т.е. a k = M x k .

Центральным моментом k-го порядка случайной величины x называется величина m k , определяемая формулой m k = M (x - M x ) k .

Заметим, что математическое ожидание случайной величины - начальный момент первого порядка, a 1 = M x , а дисперсия - центральный момент второго порядка,

a 2 = M x 2 = M (x - M x ) 2 =D x .

Существуют формулы, позволяющие выразить центральные моменты случайной величины через ее начальные моменты, например:

m 2 =a 2 -a 1 2 , m 3 = a 3 - 3a 2 a 1 + 2a 1 3 .

Если плотность распределения вероятностей непрерывной случайной величины симметрична относительно прямой x = M x , то все ее центральные моменты нечетного порядка равны нулю.

АБСОЛЮТНЫЙ МОМЕНТ

случайной величин ы X - математич. ожидание Обычное обозначение А. м. таким образом,

Число r наз. порядком А. м. Если F(х).- функция распределения X, то

и, напр., если распределение Xимеет плотность p(х), то

19. Мода и Модой

случайной величины X называют ее наиболее вероятное значение, т. е. то,

для которого вероятность pi

или плотность распределения f (x) дости-

гают максимума. Моду обычно обозначают через Mx

Если многоугольник вероятности или плотность распределения достигают максимума в

нескольких точках, то такие распределения называют полимодальнымимедиана случайной величины.

Медианой непрерывной случайной величины X назы-

вается такое ее значение хm , для которого

20. Квантиль уровня x распределения случайной величины.

-кванти́ль случайной величины с функцией распределения - это любое число удовлетворяющее двум условиям:

2)

Заметим, что данные условия эквивалентны следующим:

Если - непрерывная строго монотонная функция, то существует единственный квантиль любого порядка который однозначно определяется из уравнения и, следовательно, выражается через функцию, обратную к функции распределения:

Кроме указанной ситуации, когда уравнение имеет единственное решение (которое и дает соответствующий квантиль), возможны также две других:

§ если указанное уравнение не имеет решений , то это означает, что существует единственная точка в которой функция распределения имеет разрыв, которая удовлетворяет данному определению и является квантилем порядка . Для этой точки выполнены соотношения: и (первое неравенство строгое, а второе может быть как строгим, так и обращаться в равенство).

§ если уравнение имеет более одного решения , то все его решения образуют интервал, на котором функция распределения постоянна. В качестве квантиля порядка может быть взята любая точка этого интервала. Содержательные выводы, в которых участвует квантиль, от этого существенно не изменятся, поскольку вероятность попадания случайной величины в данный интервал равна нулю.

21.Асимметрия и эксцентриситет распределения случайной величины.

Асимметрия

В теории вероятностей и в математической статистике в качестве меры асимметрии распределения является коэффициент асимметрии, который определяется формулой ,

где m 3 - центральный момент третьего порядка, - среднеквадратичное отклонение.

Нормальное распределение наиболее часто используется в теории вероятностей и в математической статистике, поэтому график плотности вероятностей нормального распределения стал своего рода эталоном, с которым сравнивают другие распределения. Одним из параметров, определяющих отличие распределения случайной величины x , от нормального распределения, является эксцесс.

Эксцесс g случайной величины x определяется равенством .

У нормального распределения, естественно, g = 0. Если g (x) > 0, то это означает, что график плотности вероятностей p x (x ) сильнее “заострен”, чем у нормального распределения, если жеg (x) < 0, то “заостренность” графика p x (x ) меньше, чем у нормального распределения.

22. Биномиальный закон распределения.

P – вероятность наступления события в одном испытании.
q – вероятность не наступления события в одном испытании q = (1-p)
n – количество испытаний
k – предполагаемое количество наступления желаемого события
Формула Бернулли, позволяет вычислить вероятность того, что событие появится в n испытаниях ровно k раз.

23. Нормальный закон распределения случайной величины. Теория Лапласа-Ляпунова.
Нормальное (гаусовское) распределение
Это основной закон теории вероятностей. В пределе все законы стремятся к нормальным законам распределения. Сумма бесконечного числа случайных величин, распределенных по любым законам, в итоге приобретает нормальный закон распределения.

Непрерывная случайная величина Х называется распределенной по нормальному закону, если ее плотность распределения равна:

– Математическим ожиданием дискретной случайной величины называют сумму произведений возможных значений случайной величины на вероятности их появления

Дисперсия - для оценки степени разброса (отклонения) какого-то показателя от его среднего значения используются понятия дисперсии.

Дисперсия выборки или выборочная дисперсия – это мера изменчивости переменной. Дисперсия вычисляется по формуле:

где х - выборочное среднее, N - число наблюдений в выборке. Дисперсия меняется от нуля до бесконечности. Крайнее значение 0 означает отсутствие изменчивости, когда значения переменной постоянны. - среднеквадратическое отклонение случайной величины (квадратный корень из дисперсии.)

График функции нормального распределения, как видно из рисунка, имеет вид куполообразной кривой, называемой
Гауссовой, точка максимума имеет координаты Значит, эта ордината убывает с возрастанием значения (кривая «сжимается» к оси Ох) и возрастает с убыванием значения (кривая «растягивается» в положительном направлении оси Оу). Изменение значений параметра u (при неизменном значении ) не влияет на форму кривой, а лишь перемещает кривую вдоль оси Ох. Нормальное распределение с параметрами =0 и =1 называется нормированным. Функция распределения случайной величины в этом случае будет иметь вид:

Для =0, =1 график принимает вид:

Эта кривая при =0, =1 получила статус стандарта, ее называют единичной нормальной кривой, то есть любые собранные данные стремятся преобразовать так, чтобы кривая их распределения была максимально близка к этой стандартной кривой.

Нормализованную кривую изобрели для решения задач теории вероятности, но оказалось на практике, что она отлично аппроксимирует распределение частот при большом числе наблюдений для множества переменных

Пусть x 1 , x 2 , …, x n , …- неограниченная последовательность независимых случайных величин с математическими ожиданиями m 1 , m 2 , …, m n , … и дисперсиями s 1 2 , s 2 2 , …, s n 2 … . Обозначим , и .