Случайные величины, их способы задания

Равномерное распределение     

 Непрерывная случайная  величина Х имеет равномерное распределение на отрезке [a, b], если ее плотность имеет следующий вид: 
       
     График плотности распределения показан на рис. 2.9. 
 
                 φ(х) 
       
     Рис. 2.9 
     Найдем значение постоянной С. Так как площадь, ограниченная кривой распределения и осью Ох, равна 1, то 
      , 
     откуда С = 1/(b – a). 
     Пусть [ α, β ] Ì [a, b]. Тогда  ,     т.е. 
      ,                                                                         (2.9) 
     где L – длина (линейная мера) всего отрезка [a, b] и   – длина частичного отрезка [ α, β]. 
     Значения случайной величины Х, т.е. точки х отрезка [a,b], можно рассматривать как всевозможные элементарные исходы некоторого испытания. Пусть событие А состоит в том, что результат испытания принадлежит отрезку [ α, β] Ì [a, b]. Тогда точки отрезка [ α, β] есть благоприятные элементарные исходы события А. 
     Согласно формуле (2.9) имеем геометрическое определение вероятности: под вероятностью события А понимается отношение меры   множества элементарных исходов, благоприятствующих событию А, к мере L множества всех возможных элементарных исходов в предположении, что они равновозможны: 
      . 
     Это определение естественно переносит классическое определение вероятности на случай бесконечного числа элементарных исходов (случаев). 
     Аналогичное определение можно ввести также тогда, когда элементарные исходы испытания представляют собой точки плоскости или пространства. 
     Задача. В течение часа 0 ≤ t ≤ 1 (t – время в часах) на остановку прибывает один и только один автобус. Какова вероятность того, что пассажиру, пришедшему на эту остановку в момент времени t = 0, придется ожидать автобус не более 10 минут? 
     Решение . Здесь множество всех элементарных исходов образует отрезок [0,1], временная длина которого L =1, а множество благоприятных элементарных исходов составляет отрезок [0,1/6] временной длины  =1/6. 
     Поэтому искомая вероятность есть  
      . 
     Задача. В квадрат К со стороной а с вписанным в него кругом S (рис. 3.10) случайно бросается материальная точка М. Какова вероятность того, что эта точка попадает в круг S? 
     Решение . Здесь площадь квадрата К = а², а площадь круга   . 
     За искомую вероятность естественно принять отношение 
      . 
     Эта вероятность, а следовательно, и число π, очевидно, могут быть определены экспериментально.

2.4.4. Показательное  распределение    

 Непрерывная случайная  величина Х, функция плотности которой задается выражением 
       
     называется случайной величиной, имеющей показательное, или экспоненциальное, распределение. Здесь параметр λ постоянная положительная величина. 
     Величина срока службы различных устройств и времени безотказной работы отдельных элементов этих устройств при выполнении определенных условий обычно подчиняется показательному распределению. Также этому распределению подчиняется время ожидания клиента в системе массового обслуживания (магазин, мастерская, банк, парикмахерская и т.д.). Другими словами, величина промежутка времени между появлениями двух последовательных редких событий подчиняется зачастую показательному распределению. График дифференциальной функции показательного распределения показан на рис. 2.11. 
       
     Рис. 2.11

Нормальное  распределение    

 Случайная величина Х имеет нормальное распределение (или распределение по закону Гаусса), если ее плотность вероятности имеет вид: 
      , 
     где параметры а – любое действительное число и σ >0. 
     График дифференциальной функции нормального распределения называют нормальной кривой (кривой Гаусса). Нормальная кривая (рис. 2.12) симметрична относительно прямой х =а, имеет максимальную ординату   , а в точках х = а ± σ – перегиб. 
               
     Рис. 2.12 
     Доказано, что параметр а является математическим ожиданием (также модой и медианой), а σ – средним квадратическим отклонением. Коэффициенты асимметрии и эксцесса для нормального распределения равны нулю: As = Ex = 0. 
     Установим теперь, как влияет изменение параметров а и σ на вид нормальной кривой. При изменении параметра а форма нормальной кривой не изменяется. В этом случае, если математическое ожидание (параметр а) уменьшилось или увеличилось, график нормальной кривой сдвигается влево или вправо (рис. 2.13). 
     При изменении параметра σ изменяется форма нормальной кривой. Если этот параметр увеличивается, то максимальное значение   функции убывает, и наоборот. Так как площадь, ограниченная кривой распределения и осью Ох, должна быть постоянной и равной 1, то с увеличением параметра σ кривая приближается к оси Ох и растягивается вдоль нее, а с уменьшением σ кривая стягивается к прямой х = а (рис. 2.14). 
       
 
                  Рис. 2.13                                      Рис. 2.14 
     Функция плотности нормального распределения φ(х) с параметрами а = 0, σ = 1 называется плотностью стандартной нормальной случайной величины, а ее график – стандартной кривой Гаусса. 
     Функция плотности нормальной стандартной величины определяется формулой  , а ее график изображен на рис. 2.15. 
     Из свойств математического ожидания и дисперсии следует, что для величины  ,  D(U)=1, M(U) = 0. Поэтому стандартную нор мальную кривую можно рассматривать как кривую распределения случайной величины  , где Х – случайная величина, подчиненная нормальному закону распределения с параметрами а и σ. 
     Нормальный закон распределения случайной величины в интегральной форме имеет вид 
                                              (2.10) 
     Полагая в интеграле (3.10)  , получим 
      , 
     где  . Первое слагаемое равно 1/2 (половине площади криволинейной трапеции, изображенной на рис. 3.15). Второе слагаемое 
                                                        (2.11) 
     называется функцией Лапласа, а также интегралом вероятности. 
     Поскольку интеграл в формуле (2.11) не выражается через элементарные функции, для удобства расчетов составлена для z ≥ 0 таблица функции Лапласа. Чтобы вычислить функцию Лапласа для отрицательных значений z, необходимо воспользоваться нечетностью функции Лапласа:  Ф(–z) = – Ф(z). Окончательно получаем расчетную формулу 
       
     Отсюда получаем, что для случайной величины Х, подчиняющейся нормальному закону, вероятность ее попадания на отрезок [ α, β] есть 
           (2.12) 
     С помощью формулы (2.12) найдем вероятность того, что модуль отклонения нормального распределения величины Х от ее центра распределения а меньше 3σ. Имеем 
     Р(|x – a| < 3 s) =P(а–3 s< X< а+3 s)= Ф(3) – Ф(–3) = 2Ф(3) »0,9973. 
     Значение Ф(3) получено по таблице функции Лапласа. 
     Принято считать событие практически достоверным, если его вероятность близка к единице, и практически невозможным, если его вероятность близка к нулю. 
     Мы получили так называемое правило трех сигм: для нормального распределения событие (|x–a| < 3σ) практически достоверно. 
     Правило трех сигм можно сформулировать иначе: хотя нормальная случайная величина распределена на всей оси х, интервал ее практически возможных значений есть (a–3σ, a+3σ). 
     Нормальное распределение имеет ряд свойств, делающих его одним из самых употребительных в статистике распределений. 
     Если предоставляется возможность рассматривать некоторую случайную величину как сумму достаточно большого числа других случайных величин, то данная случайная величина обычно подчиняется нормальному закону распределения. Суммируемые случайные величины могут подчиняться каким угодно распределениям, но при этом должно выполняться условие их независимости (или слабой независимости). Также ни одна из суммируемых случайных величин не должна резко отличаться от других, т.е. каждая из них должна играть в общей сумме примерно одинаковую роль и не иметь исключительно большую по сравнению с другими величинами дисперсию. 
     Этим и объясняется широкая распространенность нормального распределения. Оно возникает во всех явлениях, процессах, где рассеяния случайной изучаемой величины вызывается большим количеством случайных причин, влияние каждой из которых в отдельности на рассеяние ничтожно мало. 
     Большинство встречающихся на практике случайных величин (таких, например, как количества продаж некоторого товара, ошибка измерения; отклонение снарядов от цели по дальности или по направлению; отклонение действительных размеров деталей, обработанных на станке, от номинальных размеров и т.д.) может быть представлено как сумма большого числа независимых случайных величин, оказывающих равномерно малое влияние на рассеяние суммы. Такие случайные величины принято считать нормально распределенными. Гипотеза о нормальности подобных величин находит свое теоретическое обоснование в центральной предельной теореме и получила многочисленные практические подтверждения. 
     Представим себе, что некоторый товар реализуется в нескольких торговых точках. Из–за случайного влияния различных факторов количества продаж товара в каждой точке будут несколько различаться, но среднее всех значений будет приближаться к истинному среднему числу продаж. 
     Отклонения числа продаж в каждой торговой точке от среднего образуют симметричную кривую распределения, близкую к кривой нормального распределения. Любое систематическое влияние какого-либо фактора проявится в асимметрии распределения. 
     Задача . Случайная величина распределена нормально с параметрами а = 8, σ = 3.Найти вероятность того, что случайная величина в результате опыта примет значение, заключенной в интервале (12,5; 14). 
     Решение. Воспользуемся формулой (2.12). Имеем 
       
     Задача . Число проданного за неделю товара определенного вида Х можно считать распределенной нормально. Математическое ожидание числа продаж   тыс. шт. Среднее квадратическое отклонение этой случайной величины σ = 0,8 тыс. шт. Найти вероятность того, что за неделю будет продано от 15 до 17 тыс. шт. товара. 
     Решение. Случайная величина Х распределена нормально с параметрами а = М(Х) = 15,7; σ = 0,8. Требуется вычислить вероятность неравенства 15 ≤ X ≤ 17. По формуле (2.12) получаем 
    

Литература

• Гнеденко Б. В. Курс теории вероятности. — 8-е изд. доп. и испр. — М.: Едиториал УРСС, 2005. — 448 с.
• Математический энциклопедический словарь / Гл. ред. Прохоров Ю. В.. — 2-е изд. — М.: «Советская энциклопедия», 1998. — 847 с.
• Тихонов В.И., Харисов В.Н. Статистический анализ и синтез радиотехнических устройств и систем. — Учебное пособие для ВУЗов. — М.: Радио и связь, 1991. — 608 с.  Чернова Н. И. Теория вероятностей. — Учебное пособие. — Новосибирск: Новосибирский гос. ун-т, 2007. — 160 с.