Плотность вероятности как найти параметр - Сайт, где вы сможете решить свои вопросы

Плотность распределения вероятностей непрерывной случайной величины

Краткая теория
Примеры решения задач
Задачи контрольных и самостоятельных работ

Краткая теория

Ранее
непрерывная случайная величина задавалась с помощью функции распределения. Этот
способ задания не является единственным. Непрерывную случайную величину можно
также задать, используя другую функцию, которую называют плотностью
распределения или плотностью вероятности (иногда ее называют дифференциальной
функцией).

Плотностью распределения вероятностей непрерывной случайной величины

называют функцию

– первую производную от функции распределения

Из этого определения следует, что
функция распределения является первообразной для плотности распределения.

Заметим, что для описания
распределения вероятностей дискретной случайной величины плотность
распределения неприменима.

Зная плотность распределения, можно
вычислить вероятность того, что непрерывная случайная величина примет значение,
принадлежащее заданному интервалу.

Вероятность того, что непрерывная
случайная величина

примет
значение, принадлежащее интервалу

равна
определенному интегралу от плотности распределения, взятому в пределах от

до

Геометрически полученный результат
можно истолковать так: вероятность того, что непрерывная случайная величина
примет значение, принадлежащее интервалу

, равна площади криволинейной трапеции, ограниченной
осью

, кривой распределения

и прямыми

В частности, если

– четная
функция и концы интервала симметричны относительно начала координат, то:

Зная плотность распределения

можно найти
функцию распределения

по формуле:

Свойства плотности распределения

Свойство 1.

Плотность
распределения – неотрицательная функция:

Свойство 2.

Несобственный
интеграл от плотности распределения в пределах от

до

равен единице:

Смежные темы решебника:

Дискретная случайная величина
Непрерывная случайная величина
Интегральная функция распределения вероятностей

Примеры решения задач

Пример 1

Задана
плотность распределения вероятностей f(x) непрерывной случайной
величины X. Требуется:

1)
определить коэффициент A;

2) найти
функцию распределения F(x);

3)
схематично построить графики F(x) и f(x);

4) найти
математическое ожидание и дисперсию X;

5) найти
вероятность того, что X примет значение из
интервала (α,β):

α=1; β=1.7

Решение

На сайте можно заказать решение контрольной или самостоятельной работы, домашнего задания, отдельных задач. Для этого вам нужно только связаться со мной:

ВКонтакте
WhatsApp
Telegram

Мгновенная связь в любое время и на любом этапе заказа. Общение без посредников. Удобная и быстрая оплата переводом на карту СберБанка. Опыт работы более 25 лет.

Подробное решение в электронном виде (docx, pdf) получите точно в срок или раньше.

1)
Постоянный параметр

найдем из
свойства плотности вероятности:

В
нашем случае эта формула имеет вид:

Получаем:

2)
Функцию распределения

найдем из
формулы:

Учитывая
свойства

, сразу можем
отметить, что:

Остается
найти выражение для

, когда

принадлежит
интервалу

Получаем:

3) Построим графики

График плотности распределения

График функции распределения

4)
Математическое ожидание находим по формуле:

Для
нашего примера:

Дисперсию
можно найти по формуле:

5)
Вероятность того, что случайная величина примет значение из интервала

Пример 2

Плотность
распределения вероятности непрерывной случайной величины равна

, x∈(0,∞). Найти нормировочный множитель C,
математическое ожидание M(X) и дисперсию D(X).

Решение

Нормировочный множитель

найдем из
свойства плотности вероятности:

В
нашем случае эта формула имеет вид:

Плотность
вероятности:

Математическое
ожидание находим по формуле:

Для
нашего примера:

Дисперсию
можно найти по формуле:

Пример 3

Непрерывная
случайная величина

имеет плотность распределения:

Найти
величину a, вероятность P(X<0) и математическое
ожидание X.

Решение

ВКонтакте
WhatsApp
Telegram

Подробное решение в электронном виде (docx, pdf) получите точно в срок или раньше.

Постоянный
параметр

найдем из
свойства плотности вероятности:

В
нашем случае эта формула имеет вид:

Плотность
вероятности имеет вид:

Вероятность:

Математическое
ожидание находим по формуле:

Для
нашего примера:

Задачи контрольных и самостоятельных работ

Задача 1

Плотность
распределения непрерывной случайной величины X имеет вид:

Найти:

а)
параметр a;

б)
функцию распределения F(x);

в)
вероятность попадания случайной величины X в интервал (6.5; 11);

г)
математическое ожидание M(X) и дисперсию D(X);

Построить
график функций f(x) и F(x).

Задача 2

Задана
функция распределения непрерывной случайной величины:

Найти и
построить график функции плотности распределения вероятностей.

Задача 3

Случайная
величина X задана функцией распределения F(x).
Найти плотность распределения вероятностей, математическое ожидание и дисперсию
случайной величины. Построить график функции
F(x).

Задача 4

Задана
плотность вероятности f(x) или функции распределения
непрерывной случайной величины X. Найти a, M[X], D[X], P(α<x<β).

α=1,β=2

ВКонтакте
WhatsApp
Telegram

Подробное решение в электронном виде (docx, pdf) получите точно в срок или раньше.

Задача 5

Непрерывная
случайная величина

задана плотностью распределения вероятностей.

Требуется
найти:

– функцию
распределения вероятностей;

–
математическое ожидание;

–
дисперсию;

– среднее
квадратическое отклонение;

– вероятность
того, что случайная величина отклонится от своего математического ожидания не
более, чем на одну четвертую длины всего интервала возможных значений этой
величины;

–
построить графики функции распределения и плотности распределения вероятностей.

Задача 6

Случайная
величина X равномерно распределена на интервале (2;7).
Составить f(x),F(x), построить графики. Найти
M(X),D(X).

Задача 7

Случайная
величина X~N(a,σ)

a=25;
σ=4; α=13; β=30; δ=0.1.

Требуется:

–
составить функцию плотности распределения и построить ее график;

– найти
вероятность того, что случайная величина в результате испытания примет
значение, принадлежащее интервалу (α; β);

– найти
вероятность того, что абсолютная величина отклонения значений случайной
величины от ее математического ожидания не превысит δ.

Задача 8

Плотность
вероятности непрерывной случайной величины ξ задана следующим выражением:

Найти
постоянную C, функцию распределения Fξ (x), математическое
ожидание и дисперсию Dξ случайной величины ξ.

ВКонтакте
WhatsApp
Telegram

Подробное решение в электронном виде (docx, pdf) получите точно в срок или раньше.

Задача 9

Случайная
величина X задана функцией распределения вероятностей F(x).

Требуется:

1. Найти
функцию плотности распределения f(x).

2. Найти M(X).

3. Найти
вероятность P(α<X<β)

4.
Построить графики f(x) и F(x).

α=2, β=4.5

Задача 10

Найти
функцию плотности нормально распределенной случайной величины X и
постройте ее график, зная M(X) и D(X).

M(X)=-1; D(X)=8

Задача 11

Случайная
величина X задана интегральной F(x) или дифференциальной f(x)
функцией. Требуется:

а) найти
параметр C;

б) при
заданной интегральной функции F(x) найти дифференциальную функцию f(x), а при
заданной дифференциальной функции f(x) найти интегральную функцию F(x);

в)
построить графики функций F(x) и f(x);

г) найти
математическое ожидание M(X), дисперсию D(X) и
среднее квадратическое отклонение σ(x);

д)
вычислить вероятность попадания в интервал P(a≤x≤b)

е)
определить, квантилем какого порядка является точка xp;

ж)
вычислить квантиль порядка p

a=π/4; b=π/3; xp=π/2; p=0.75

Краткая теория
Примеры решения задач
Задачи контрольных и самостоятельных работ

Источник

Текущая версия страницы пока не проверялась опытными участниками и может значительно отличаться от версии, проверенной 24 августа 2021 года; проверки требуют 7 правок.

Пло́тность вероя́тности — один из способов задания распределения случайной величины. Во многих практических приложениях понятия «плотность вероятности» и «плотность (распределения) случайной величины» или «функция распределения вероятностей» фактически синонимизируются^{[источник не указан 1062 дня]} и под ними подразумевается вещественная функция, характеризующая сравнительную вероятность реализации тех или иных значений случайной переменной (переменных).

Прикладное описание понятия[править | править код]

Плотность распределения одномерной непрерывной случайной величины — это числовая функция f(x) , отношение ${displaystyle f(x_{1})/f(x_{2})}$ значений которой в точках $x_{1}$ и $x_{2}$ задаёт отношение вероятностей попаданий величины в узкие интервалы равной ширины ${displaystyle [x_{1},x_{1}+Delta x]}$ и ${displaystyle [x_{2},x_{2}+Delta x]}$ вблизи данных точек.

Плотность распределения неотрицательна при любом и нормирована, то есть

${displaystyle int _{-infty }^{+infty }f(x),{mbox{d}}x=1}$

При стремлении к функция f(x) стремится к нулю. Размерность плотности распределения всегда обратная к размерности случайной величины — если исчисляется в метрах, то размерностью будет м^-1.

Если в конкретной ситуации известно выражение для f(x) , с его помощью можно вычислить вероятность попадания величины в интервал [a,b] как

${displaystyle P(xi in [a,b])=int _{a}^{b}f(x),{mbox{d}}x}$

Зная плотность вероятности, можно также определить наиболее вероятное значение (моду) случайной величины как максимум f(x) .
Также с помощью плотности вероятности находится среднее значение случайной величины:

${displaystyle Exi =int _{-infty }^{+infty }xf(x),{mbox{d}}x}$

и среднее значение измеримой функции случайной величины:

${displaystyle langle g(xi )rangle =int _{-infty }^{+infty }g(x)f(x),{mbox{d}}x}$

Чтобы перейти к плотности распределения ${displaystyle {f}_{chi }(y)}$ другой случайной величины , нужно взять

${displaystyle {f}_{chi }(y)=f(z^{-1}(y))cdot left|{frac {{mbox{d}}z^{-1}(y)}{{mbox{d}}y}}right|}$

где ${displaystyle z^{-1}(y)}$ — обратная функция по отношению к (предполагается, что z — взаимно однозначное отображение).

Значение плотности распределения $f(x_{1})$ не является вероятностью принять случайной величиной значение $x_{1}$ . Так, вероятность принятия непрерывной случайной величиной значения $x_{1}$ равна нулю. При непрерывном распределении случайной величины вопрос может ставиться о вероятности её попадания в некий диапазон, а не о вероятности реализации её конкретного значения.

Интеграл

${displaystyle int _{-infty }^{x}f(t),{mbox{d}}t=F(x)}$

называют функцией распределения (соответственно, плотность распределения вероятности — это производная функции распределения). Функция является неубывающей и изменяется от 0 при до 1 при .

Самым простым распределением является равномерное распределение на отрезке [a,b] . Для него плотность вероятности равна:

${displaystyle f(x)=left{{begin{matrix}{1 over b-a},&xin [a,b]\0,&xnot in [a,b]end{matrix}}right..}$

Широко известным распределением является «нормальное», оно же гауссово, плотность которого записывается как

${displaystyle f(x)={frac {1}{{sqrt {2pi }}sigma }}exp left[-{frac {(x-mu )^{2}}{2sigma ^{2}}}right]}$

где и sigma — параметры: математическое ожидание и среднеквадратичное отклонение. Другие примеры плотностей распределения — одностороннее лапласовское ():

{displaystyle f(x)=Aexp left[-lambda ,xright],,(xgeq 0)}

и максвелловское ():

${displaystyle f(x)=Ax^{2}exp left[-alpha x^{2}right],,(xgeq 0)}$

В двух последних примерах множитель подбирается в зависимости от параметра lambda или alpha так, чтобы обеспечить нормировку интеграла от плотности вероятности. В случае распределения Лапласа оказывается, что .

Как названные, так и другие распределения широко применяются в физике. Например, в случае распределения Максвелла роль случайной величины обычно играет абсолютная величина скорости молекулы в идеальном газе. При этом для аргумента функции нередко используют тот же символ, что и для рассматриваемой в физической задаче случайной величины (как если бы выше на месте всюду стояло ). Так, в выражении максвелловской плотности распределения пишут не формальную переменную , а символ скорости . В простейших ситуациях такая вольность с обозначениями не приводит к недоразумениям.

Спадающий при стремлении аргумента к +infty или -infty участок графика плотности вероятности f(x) в областях, где ${displaystyle fll f_{max}}$ , называется хвостом. Из упомянутых распределений, нормальное и лапласовское имеют по два хвоста (слева и справа), а максвелловское в выписанном виде — один (справа).

Выше была изложена суть понятия «плотность вероятности». Однако, такое изложение не является строгим — плотность нередко является функцией нескольких величин, в рассуждениях неявно предполагались не всегда гарантируемые непрерывность и дифференцируемость функций и так далее.

Определение плотности вероятности в теории меры[править | править код]

Плотность вероятности можно рассматривать как один из способов задания вероятностной меры на евклидовом пространстве $mathbb {R} ^{n}$ .
Пусть является вероятностной мерой на $mathbb {R} ^{n}$ , то есть определено вероятностное пространство $left(mathbb{R}^n,mathcal{B}(mathbb{R}^n),mathbb{P}right)$ , где $mathcal{B}(mathbb{R}^n)$ обозначает борелевскую σ-алгебру на $mathbb {R} ^{n}$ . Пусть обозначает меру Лебега на $mathbb {R} ^{n}$ .
Вероятность называется абсолютно непрерывной (относительно меры Лебега) (), если любое борелевское множество нулевой меры Лебега также имеет вероятность ноль:

$forall B in mathcal{B}(mathbb{R}^n),; ( m(B) = 0 ) Rightarrow ( mathbb{P}(B) = 0 ) .$

Если вероятность абсолютно непрерывна, то согласно теореме Радона-Никодима существует неотрицательная борелевская функция $fcolonmathbb{R}^n to [0,infty)$ такая, что

$mathbb{P}(B) = intlimits_{B} f(x), dx$

где использовано общепринятое сокращение , и интеграл понимается в смысле Лебега.

В более общем виде, пусть — произвольное измеримое пространство, а и — две меры на этом пространстве. Если найдется неотрицательная , позволяющая выразить меру через меру в виде

то такую функцию называют плотностью меры по мере , или производной Радона-Никодима меры относительно меры , и обозначают

$f=frac{dnu}{dmu}$

Плотность случайной величины[править | править код]

Пусть определено произвольное вероятностное пространство , и $Xcolon Omega to mathbb {R} ^{n}$ случайная величина (или случайный вектор). индуцирует вероятностную меру $mathbb {P} ^{X}$ на $left(mathbb{R}^n,mathcal{B}(mathbb{R}^n)right)$ , называемую распределением случайной величины .

Если распределение $mathbb {P} ^{X}$ абсолютно непрерывно относительно меры Лебега, то его плотность $f_X = frac{dmathbb{P}^X}{dx}$ называется плотностью случайной величины . Сама случайная величина называется абсолютно непрерывной.

Таким образом для абсолютно непрерывной случайной величины имеем:

$mathbb{P}(X in B) = intlimits_{B} f_X(x), dx$

Замечания[править | править код]

Не всякая случайная величина абсолютно непрерывна. Любое дискретное распределение, например, не является абсолютно непрерывным относительно меры Лебега, а потому дискретные случайные величины не имеют плотности.

Функция распределения абсолютно непрерывной случайной величины непрерывна и может быть выражена через плотность следующим образом:

$F_X(x_1,ldots, x_n) = mathbb{P}left(X in prodlimits_{i=1}^n (-infty,x_i]right) = intlimits_{-infty}^{x_n} !! ldots !! intlimits_{-infty}^{x_1} f_X(x'_1,ldots, x'_n), dx'_1ldots dx'_n$

В одномерном случае:

$F_X(x) = intlimits_{-infty}^x f_X(x'), dx'$

Если $f_X in C(mathbb{R}^n)$ , то $F_X in mathcal{D}(mathbb{R}^n)$ , и

$frac{partial^n}{partial x_1 ldots partial x_n} F_X(x_1,ldots, x_n) = f_X(x_1,ldots, x_n)$

В одномерном случае:

$frac{d}{dx} F_X(x) = f_X(x)$

Математическое ожидание функции от абсолютно непрерывной случайной величины может быть записано в виде:

$mathbb{E}[g(X)] = intlimits_{mathbb{R}^n} g(x) , mathbb{P}^X(dx) = intlimits_{mathbb{R}^n} g(x), f_X(x), dx$

где $gcolon mathbb{R}^n to mathbb{R}$ — борелевская функция, так что определено и конечно.

Плотность преобразования случайной величины[править | править код]

Пусть $Xcolon Omega to mathbb {R} ^{n}$ — абсолютно непрерывная случайная величина, и $gcolonmathbb{R}^n to mathbb{R}^n$ — инъективная непрерывно дифференцируемая функция такая, что $J_g(x) not=0,; forall xin mathbb{R}^n$ , где J_g(x) — якобиан функции в точке . Тогда случайная величина также абсолютно непрерывна, и её плотность имеет вид:

$f_Y(y) = f_Xleft(g^{-1}(y)right) vert J_{g^{-1}}(y) vert$

В одномерном случае:

$f_Y(y) = f_Xleft(g^{-1}(y)right) leftvert frac{dg^{-1}}{dy}(y)rightvert$

Свойства плотности вероятности[править | править код]

Интеграл от плотности по всему пространству равен единице:

$mathbb{P}left(mathbb{R}^nright) = intlimits_{mathbb{R}^n} f(x), dx = 1$

Обратно, если f(x) — неотрицательная почти всюду функция, такая что $intlimits_{mathbb{R}^n}f(x), dx = 1$ , то существует абсолютно непрерывная вероятностная мера на $mathbb {R} ^{n}$ такая, что f(x) является её плотностью.

Замена меры в интеграле Лебега:

$intlimits_{mathbb{R}^n} varphi(x), mathbb{P}(dx) = intlimits_{mathbb{R}^n}varphi(x), f(x), dx$

где ${displaystyle varphi ::mathbb {R} ^{n}to mathbb {R} }$ любая борелевская функция, интегрируемая относительно вероятностной меры .

Примеры абсолютно непрерывных распределений[править | править код]

Бета-распределение
Гамма-распределение
Гиперэкспоненциальное распределение
Двумерное нормальное распределение
Логнормальное распределение
Многомерное нормальное распределение
Непрерывное равномерное распределение
Нормальное распределение
Обобщённое гиперболическое распределение
Полукруговой закон Вигнера
Распределение variance-gamma
Распределение Вейбулла
Распределение Гомпертца
Распределение Колмогорова
Распределение копулы
Распределение Коши
Распределение Лапласа
Распределение Накагами
Распределение Парето
Распределение Пирсона
Распределение Райса
Распределение Рэлея
Распределение Стьюдента
Распределение Трейси — Видома
Распределение Фишера
Распределение хи-квадрат
Частотное распределение
Экспоненциальное распределение

См. также[править | править код]

Распределение вероятностей
Сингулярное распределение
Функция вероятности

Литература[править | править код]

Плотность вероятности // Большая российская энциклопедия : [в 35 т.] / гл. ред. Ю. С. Осипов. — М. : Большая российская энциклопедия, 2004—2017.

Источник

Плотность вероятности

Важнейшей
характеристикой именно непрерывной
случайной величины является (помимо
функции распределения) плотность
вероятности. Напомним, что случайная
величина называется непрерывной, если
ее функция распределения F(x)
непрерывна на всей числовой прямой, а
ее производная существует для всех х,
кроме, быть может, отдельных изолированных
точек. Таким образом, если Х
– непрерывная случайная величина, то
для всех х
(кроме, быть может, отдельных изолированных
точек) существует функция

Определенная
таким образом функция f(x)
называется плотностью
вероятности (плотностью распределения,
плотностью распределения вероятностей,
дифференциальной функцией распределения)
непрерывной случайной величины Х.

Рассмотрим свойства
плотности вероятности н.с.в. Х
, которые
следуют из приведенного ее определения
и описанных выше свойств функции F(x).

Плотность
вероятности всюду неотрицательна:
f(x)
≥ 0
(как
производная возрастающей функции
F(x)).
Зная функцию
распределения F(x)
легко по определению найти плотность
вероятности:
.
А наоборот? Если известнаf(x),
то значит известна производная
.
ПоэтомуF(x)
является одной их первообразных для
f(x)
и получается из нее интегрированием.
Нужная первообразная вычисляется по
формуле:

Знание плотности
вероятности тоже позволяет вычислить
вероятность того, что при испытании
случайная величина примет значение из
заданного интервала (a,b):

Доказательство
следует из того, что F(x)
является первообразной для f(x)
и
формулы Ньютона-Лейбница и
свойств функции F(x):

Вспоминая
геометрический смысл определенного
интеграла как площадь соответствующей
криволинейной трапеции, можно сделать
важный вывод, что на геометрическом
языке вероятность принятия непрерывной
случайной величиной значения внутри
произвольного интервала (a,b)
равна площади S
фигуры, ограниченной сверху графиком
плотности вероятности f(x)
и опирающейся на отрезок [a,b]
(рисунок).

Из предыдущего
свойства следует, что

поскольку
этот интеграл представляет собой
вероятность достоверного
события:
при испытании случайная величина примет
значение из
интервала
.
Геометрически это означает, что площадь
фигуры, заключенной между графиком
плотности вероятности и осьюх
равна 1.

Если плотность
вероятности некоторой с.в. Х
обращается в 0 вне некоторого отрезка
[a,b],
то: а) вероятность для с.в. Х
принять значение в любом интервале,
полностью лежащем вне этого отрезка,
равна 0; б) выполняется соотношение

Доказательство
а) следует из третьего свойства плотности
вероятности, а
б) из предыдущего
свойства и свойства интегралов:

В связи с последним
свойством примем такое определение.
Непрерывная с.в. Х
называется сосредоточенной
на некотором отрезке
[a,b],
если плотность ее вероятности f(x)
обращается в 0 вне этого отрезка.

Пример.
Дана функция распределения с.в. Х:

. Найти плотность вероятностиf(x).

Решение: по
определению
.

Пример.
Дана плотность вероятности с.в. Х:

. Найти
а) значение параметраа;
б)
.

Решение. Для
вычисления значения неизвестного
параметра а
воспользуемся последним свойством
плотности вероятности, учитывая что
она обращается в 0 вне отрезка
:.
Итак,,
а потому.
Поэтому формула для плотности вероятности
выглядит следующим образом:

Тогда из третьего
свойства плотности вероятности :

Пример.
Найти функцию распределения F(x)
с.в. Х
из предыдущего примера (воспользоваться
вторым свойством плотности вероятности).

Соседние файлы в папке методичка

Источник

Содержание:

Непрерывные случайные величины: функция распределения случайной величины:

Если вычислить вероятность появления непрерывной случайной величины не составляет особого труда, то решение основной задачи теории вероятностей для непрерывной случайной величины несёт большие трудности. Поэтому в материалах сегодняшней лекции мы рассмотрим методы определения вероятности попадания непрерывной случайной величины на интервал с помощью функции распределения.

Функция распределения непрерывной случайной величины

Зная функцию распределения непрерывной случайной величины, задача определения вероятности её попадания на интервал (а; b) может быть решена следующим образом.

По известной функции распределения вероятность попадания непрерывной случайной величины на интервал (а; b) равна приращению функции распределения на этом участке (рис. 1).

Во всех рассмотренных выше случаях случайная величина определялась путём задания значений самой величины и вероятностей этих значений.

Однако такой метод применим далеко не всегда. Например, в случае непрерывной случайной величины, её значения могут заполнять некоторый произвольный интервал. Очевидно, что в этом случае задать все значения случайной величины просто нереально.

Даже в случае, когда это сделать можно, зачастую задача решается чрезвычайно сложно. Рассмотренный только что пример даже при относительно простом условии (приборов только четыре) приводит к достаточно неудобным вычислениям, а если в задаче будет несколько сотен приборов?

Поэтому встает задача по возможности отказаться от индивидуального подхода к каждой задаче и найти по возможности наиболее общий способ задания любых типов случайных величин.

Пусть х – действительное число. Вероятность события, состоящего в том, что X примет значение, меньшее х, т.е. X

Определение. Функцией распределения называют функцию F(x), определяющую вероятность того, что случайная величина X в результате испытания примет значение, меньшее х.

F(x) = Р(Х < х)

Функцию распределения также называют интегральной функцией. Функция распределения существует как для непрерывных, так и для дискретных случайных величин. Она полностью характеризует случайную величину и является одной из форм закона распределения.

Для дискретной случайной величины функция распределения имеет

Знак неравенства под знаком суммы показывает, что суммирование распространяется на те возможные значения случайной величины, которые меньше аргумента х.

Функция распределения дискретной случайной величины X разрывна и возрастает скачками при переходе через каждое значение

Так для примера, который мы будем рассматривать на следующем

Свойства функции распределения

1) значения функции распределения принадлежат отрезку [0, 1].

2) F(x) – неубывающая функция.

3) Вероятность того, что случайная величина примет значение, заключенное в интервале (а, b) , равна приращению функции распределения на этом интервале.

4) На минус бесконечности функция распределения равна нулю, на плюс бесконечности функция распределения равна единице.

5) Вероятность того, что непрерывная случайная величина X примет одно определенное значение, равна нулю.

Таким образом, не имеет смысла говорить о каком – либо конкретном значении случайной величины. Интерес представляет только вероятность попадания случайной величины в какой – либо интервал, что соответствует большинству практических задач.

Заключение по лекции:

В лекции мы рассмотрели методы решения основной задачи теории вероятностей – определения вероятности попадания непрерывной случайной величины на интервал с помощью функции распределения.

Плотность вероятности. Числовые характеристики. Моменты случайных величин

Плотность распределения

Функция распределения полностью характеризует случайную величину, однако, имеет один недостаток. По функции распределения трудно судить о характере распределения случайной величины в небольшой окрестности той или иной точки числовой оси.

Определение. Плотностью распределения вероятностей непрерывной случайной величины X называется функция f(x) – первая производная от функции распределения F(x).

Плотность распределения также называют дифференциальной функцией. Для описания дискретной случайной величины плотность распределения неприемлема.

Смысл плотности распределения состоит в том, что она показывает как часто появляется случайная величина X в некоторой окрестности точки х при повторении опытов.

После введения функций распределения и плотности распределения можно дать следующее определение непрерывной случайной величины.

Определение. Случайная величина X называется непрерывной, если её функция распределения F(x) непрерывна на всей оси ОХ, а плотность распределения f(x) существует везде, за исключением (может быть, конечного числа точек).

Зная плотность распределения, можно вычислить вероятность того, что некоторая случайная величина X примет значение, принадлежащее заданному интервалу.

Теорема. Вероятность того, что непрерывная случайная величина X примет значение, принадлежащее интервалу (а, b), равна определенному интегралу от плотности распределения, взятому в пределах от а до b.

Доказательство этой теоремы основано на определении плотности распределения и третьем свойстве функции распределения (см. лекцию тема № 10).

Геометрически это означает, что вероятность того, что непрерывная случайная величина примет значение, принадлежащее интервалу (а, b), равна площади криволинейной трапеции, ограниченной осью ОХ, кривой распределения f(x) и прямыми х=а и х=b.

Геометрически вероятность Р(а < X < b) представляется в виде заштрихованной области, ограниченной кривой распределения и осью Ох на интервале(а; b) (рис 1).

Функция распределения может быть легко найдена, если известна плотность распределения, по формуле:

Свойства плотности распределения

1) Плотность распределения – неотрицательная функция.

2) Несобственный интеграл от плотности распределения в пределах от –
равен единице.

Плотность распределения
можно представить как:

тогда
Поэтому иногда функцию плотности распределения f(x) называют также дифференциальной функцией распределения или дифференциальным законом распределения величины X, а функцию распределения F(x) -интегральной функцией распределения или интегральным законом распределения.

Следует заметить, что интеграл возможно трактовать как сумму бесконечно большого числа несовместных элементарных событий, каждое из которых заключается в попадании случайной величины в бесконечно малый участок (х, х + dx) и имеет вероятность:

Р(х < X < х + dx) = dF(x) = f(x)dx

Величину f(x)dx называют элементом вероятности.

По своему содержанию элемент вероятности есть вероятность попадания случайной величины X на элементарный участок dx, прилежащий к точке X.

Функция распределения случайной величины X по известной плотности распределения может быть найдена, как интеграл от плотности распределения в интервале от

В схеме непрерывных случайных величин можно вывести аналогии формулы полной вероятности и формулы Бейеса, рассмотренные при изучении темы 4.

Обозначим Р(А /х) условную вероятность события А при условии Х= х. Заменяя в формуле полной вероятности вероятность гипотезы элементом вероятности f(x)dx, а сумму – интегралом, получим полную вероятность события А.

Данная формула называется интегральной формулой полной вероятности.

Соответствующий аналог в схеме непрерывных случайных величин имеет и формула Бейеса. Обозначив условную плотность распределения случайной величины X при условии, что в результате опыта появилось событие A через , получим:

Данная формула называется интегральной формулой Бейеса.

Числовые характеристики непрерывных случайных величин

Пусть непрерывная случайная величина X задана функцией распределения f(x). Допустим, что все возможные значения случайной величины принадлежат отрезку [а,b].

Математическое ожидание

Определение. Математическим ожиданием непрерывной случайной величины X, возможные значения которой принадлежат отрезку [а,b], называется определенный интеграл

Если возможные значения случайной величины рассматриваются на всей числовой оси, то математическое ожидание находится по формуле:

При этом, конечно, предполагается, что несобственный интеграл сходится.

Дисперсия

Определение. Дисперсией непрерывной случайной величины называется математическое ожидание квадрата её отклонения.

По аналогии с дисперсией дискретной случайной величины, для практического вычисления дисперсии используется формула:

Среднеквадратичное отклонение

Определение. Средним квадратичным отклонением называется квадратный корень из дисперсии.

Мода

Определение. Модой дискретной случайной величины называется её наиболее вероятное значение. Для непрерывной случайной величины мода – такое значение случайной величины, при которой плотность распределения имеет максимум.

Если многоугольник распределения для дискретной случайной величины или кривая распределения для непрерывной случайной величины имеет два или несколько максимумов, то такое распределение называется двухмодальным или многомодальным.

Если распределение имеет минимум, но не имеет максимума, то оно
называется антимодальным.

Медиана

Определение. Медианой случайной величины X называется такое ее значение, относительно которого равновероятно получение большего или меньшего значения случайной величины.

Геометрически медиана – абсцисса точки, в которой площадь, ограниченная кривой распределения делится пополам.

Отметим, что если распределение одномодальное, то мода и медиана совпадают с математическим ожиданием.

Начальный момент

Определение. Начальным моментом порядка k случайной величины X называется математическое ожидание величины

Для дискретной случайной величины:
Для непрерывной случайной величины:

Начальный момент первого порядка равен математическому ожиданию.

Центральный момент

Определение. Центральным моментом порядка k случайной величины X называется математическое ожидание величины

Для дискретной случайной величины:

Для непрерывной случайной величины:
Центральный момент первого порядка всегда равен нулю, а центральный момент второго порядка равен дисперсии. Центральный момент третьего порядка характеризует асимметрию распределения.

Коэффициент асимметрии

Определение. Отношение центрального момента третьего порядка к среднеквадратическому отклонению в третьей степени называется коэффициентом асимметрии.

Эксцесс

Определение. Для характеристики островершинности и плосковершинности распределения используется величина, называемая эксцессом.

Кроме рассмотренных величин используются также так называемые абсолютные моменты:

Абсолютный начальный момент:

Абсолютный центральный момент:

Абсолютный центральный момент первого порядка называется средним арифметическим отклонением.

Заключение по лекции:

В лекции мы рассмотрели методы решения основной задачи теории вероятностей – определения вероятности попадания непрерывной случайной величины на интервал с помощью плотности распределения.

Законы распределения непрерывных величин: нормальное, равномерное, показательное

В материалах сегодняшней лекции мы рассмотрим законы распределения непрерывных величин.

Равномерное распределение

Определение. Непрерывная случайная величина имеет равномерное распределение на отрезке [а,b], если на этом отрезке плотность

распределения случайной величины постоянна, а вне его равна нулю.

Постоянная величина С может быть определена из условия равенства единице площади, ограниченной кривой распределения, представленной на рис. 1

Получаем .

Найдём функцию распределения F(x) на отрезке [а,b] (рис. 2).

Для того, чтобы случайная величина подчинялась закону равномерного распределения необходимо, чтобы её значения лежали внутри некоторого определенного интервала, и внутри этого интервала значения этой случайной величины были бы равновероятны.

Определим математическое ожидание и дисперсию случайной величины, подчиненной равномерному закону распределения.

Вероятность попадания случайной величины в заданный интервал:

Показательное распределение

Определение. Показательным (экспоненциальным) называется распределение вероятностей непрерывной случайной величины X, которое описывается плотностью

где – положительное число.

Найдём закон распределения.

Графики функции распределения и плотности распределения представлены на рис. 3, 4.

Найдём математическое ожидание случайной величины, подчинённой показательному распределению.

Результат получен с использованием того факта, что

Для нахождения дисперсии найдём величину

Дважды интегрируя по частям, аналогично рассмотренному случаю, получим:

Тогда
Итого:

Видно, что в случае показательного распределения математическое ожидание и среднеквадратическое отклонение равны.

Также легко определить и вероятность попадания случайной величины, подчиненной показательному закону распределения, в заданный интервал.

Показательное распределение широко используется в теории надёжности.

Допустим, некоторое устройство начинает работать в момент времени to=0, а через какое- то время t происходит отказ устройства.

Обозначим Т непрерывную случайную величину – длительность безотказной работы устройства.

Таким образом, функция распределения F(t) = P(T

Вероятность противоположного события (безотказная работа в течение времени t) равна R(t) = P(T>t) – l – F(t).

Функция надежности

Определение. Функцией надёжности R(t) называют функцию, определяющую вероятность безотказной работы устройства в течение времени t.

Часто на практике длительность безотказной работы подчиняется показательному закону распределению.

Вообще говоря, если рассматривать новое устройство, то вероятность отказа в начале его функционирования будет больше, затем количество отказов снизится и будет некоторое время иметь практически одно и то же значение. Затем (когда устройство выработает свой ресурс) количество отказов будет возрастать.

Другими словами, можно сказать, что функционирование устройства на протяжении всего существования (в смысле количества отказов) можно описать комбинацией двух показательных законов (в начале и конце функционирования) и равномерного закона распределения.

Функция надёжности для какого- либо устройства при показательном законе распределения равна:

Данное соотношение называют показательным законом надежности.

Важным свойством, позволяющим значительно упростить решение задач теории надежности, является то, что вероятность безотказной работы устройства на интервале времени t не зависит от времени предшествующей работы до начала рассматриваемого интервала, а зависит только от длительности времени t.

Таким образом, безотказная работа устройства зависит только от интенсивности отказов и не зависит от безотказной работы устройства в
прошлом.

Так как подобным свойством обладает только показательный закон распределения, то этот факт позволяет определить, является ли закон распределения случайной величины показательным или нет.

Нормальный закон распределения

Определение. Нормальным называется распределение вероятностей непрерывной случайной величины, которое описывается плотностью вероятности

Нормальный закон распределения также называется законом Гаусса.

Нормальный закон распределения занимает центральное место в теории вероятностей. Это обусловлено тем, что этот закон проявляется во всех случаях, когда случайная величина является результатом действия большого числа различных факторов. К нормальному закону приближаются все остальные законы распределения.

Можно легко показать, что параметры входящие в плотность распределения являются соответственно математическим ожиданием и среднеквадратическим отклонением случайной величины X.

Найдём функцию распределения F(x).

График плотности нормального распределения называется нормальной кривой или кривой Гаусса.

Нормальная кривая обладает следующими свойствами:

1) Функция определена на всей числовой оси.

2) При всех х функция распределения принимает только положительные значения.

3) Ось ОХ является горизонтальной асимптотой графика плотности вероятности, т.к. при неограниченном возрастании по абсолютной величине аргумента л значение функции стремится к нулю.

4) Найдём экстремум функции.

Т.к. при , то в точке х = m функция имеет максимум, равный

5) Функция является симметричной относительно прямой x = а, т.к. разность

(х – а) входит в функцию плотности распределения в квадрате.

6) Для нахождения точек перегиба графика найдем вторую производную функции плотности.

При вторая производная равна нулю, а при переходе через эти точки меняет знак, т.е. в этих точках функция имеет перегиб.

В этих точках значение функции равно
Построим график функции плотности распределения (рис. 5).

Построены графики при м =0 и трёх возможных значениях среднеквадратичного отклонения. Как видно, при увеличении значения среднего квадратичного отклонения график становится более пологим, а максимальное значение уменьшается.

Если а > 0, то график сместится в положительном направлении, если а < 0 – в отрицательном.

При а = 0 и кривая называется нормированной. Уравнение нормированной кривой:

Функция Лапласа

Найдём вероятность попадания случайной величины, распределенной по нормальному закону, в заданный интервал.

Обозначим

Тогда
Т.к. интеграл не выражается через элементарные функции, то вводится в рассмотрение функция

которая называется функцией Лапласа или интегралом вероятностей.

Значения этой функции при различных значениях х посчитаны и приводятся в специальных таблицах.

На рис. 6 показан график функции Лапласа.

Функция Лапласа обладает следующими свойствами:

1) Ф(0) = 0;
2) Ф(-х) = – Ф(х);
3)

Функцию Лапласа также называют функцией ошибок и обозначают
erf х.

Ещё используется нормированная функция Лапласа, которая связана с функцией Лапласа соотношением:

На рис. 7 показан график нормированной функции Лапласа.

Правило трёх сигм

При рассмотрении нормального закона распределения выделяется важный частный случай, известный как правило трех сигм.

Запишем вероятность того, что отклонение нормально распределенной случайной величины от математического ожидания меньше заданной величины

Если принять , то получаем с использованием таблиц значений функции Лапласа:

Т.е. вероятность того, что случайная величина отклонится от своего математического ожидание на величину, большую, чем утроенное среднее квадратичное отклонение, практически равна нулю.

Это правило называется правилом трех сигм.

Не практике считается, что если для какой-либо случайной величины выполняется правило трёх сигм, то эта случайная величина имеет нормальное распределение.

Пример:

Случайная величина Х задана плотностью распределения вероятностей:

Найти: а) значение с; б) функцию распределения F(х) и построить ее график; в)

Решение:

а) Значение с найдем из условия нормировки:
Следовательно,

б) Известно, что

Поэтому, если

если

Таким образом,

График функции F(х) изображен на рис. 5. 3.

в)

Пример:

Случайная величина Х задана функцией распределения:

Найти дифференциальную функцию распределения

Решение:

Так как то

Пример:

Случайная величина Х задана дифференциальной функцией

Найти а также

Решение:

Некоторые законы распределения непрерывной случайной величины

Пример:

Случайная величина Х равномерно распределена на отрезке [3;7]. Найти:

а) плотность распределения вероятностей и построить ее график;

б) функцию распределения и построить ее график;

в)
Решение: Воспользовавшись формулами, рассмотренными выше, при а = 3, b = 7, находим:

Построим ее график (рис. 6.3):

Построим ее график (рис. 6.4):

Пример:

Среднее время безотказной работы прибора равно 100 ч.
Полагая, что время безотказной работы прибора имеет показательный закон распределения, найти:

а) плотность распределения вероятностей;

б) функцию распределения;

в) вероятность того, что время безотказной работы прибора превысит 120 ч.

Решение.

По условию математическое ожидание
откуда = 1/100 = 0,01.
Следовательно,

в) Искомую вероятность найдем, используя функцию распределения:

Пример:

Случайная величина Х распределена нормально с математическим ожиданием 32 и дисперсией 16. Найти: а) плотность распределения вероятностей б) вероятность того, что в результате испытания Х примет значение из интервала (28;38).

Решение:

По условию m = 32, σ2 = 16, следовательно, σ = 4, тогда

а)

б) Воспользуемся формулой:

Подставив a = 28, b = 38, m = 32, σ = 4, получим

По таблице значений функции Ф(х) находим Ф(1,5) = 0,4332, Ф(1) = 0,3413.
Итак, искомая вероятность:

Заключение по лекции:

В лекции мы рассмотрели законы распределения непрерывных величин.

Закон больших чисел
Генеральная и выборочная совокупности
Интервальные оценки параметров распределения
Алгебра событий – определение и вычисление
Правило «трех сигм» в теории вероятности
Производящие функции
Теоремы теории вероятностей
Основные законы распределения дискретных случайных величин

Источник

Для непрерывных случайных величин наряду с законом распределения вероятностей рассматривают плотность вероятностей, которую обозначают так .

Плотностью вероятностей случайной величины называют первую производную от интегральной функции распределения вероятностей

откуда дифференциал

Поскольку прирост определяют зависимости

куплена плотности вероятностей на прирост случайной величины соответствует вероятность того, что случайная величина содержаться в промежутке где .

Геометрически на графике плотности вероятностей соответствует площадь прямоугольника с основанием и высотой

Свойства плотности вероятностей

1. Плотность вероятностей принимает положительные значения . Это свойство следует из определения первой производной от функции распределения , которая в свою очередь является неубывающей функцией.

2. Условие нормирования случайной величины

3.Вероятность попадания случайной величины в промежуток определяется зависимостью

4. Функция распределения вероятностей непрерывной случайной величины определяется через плотность распределения вероятностей интегрированием

—————————————

Рассмотрим задачи для закрепления материала на практике.

Пример 1. Закон распределения случайной величины заданы функцией

Найти плотность распределения вероятностей и построить графики обеих функций . Вычислить вероятность того, что случайная величина принадлежит промежутку

Решение. Вычисляем функцию плотности вероятностей

Графики функций изображены на рисунках

Вероятность события вычислим по формуле

Согласно приведенной выше формулы получим

На этом задача решена.

——————————————–

Пример 2. По заданной функцией плотности распределения вероятностей

установить параметры и функцию распределения вероятностей . Построить графики функций.

Решение. Значение постоянной определяем из условия нормировки

При найденном значении плотность вероятностей будет иметь вид

Функция распределения вероятностей определяется интегрированием:

Записываем общий вид функции ,

Графики функций распределения вероятностей и ее плотности показаны на рисунках ниже

—————————————

Пример 3. Случайная величина имеет закон распределения вероятностей в виде треугольника

Записать выражения для плотности вероятностей и функции распределения вероятностей, построить график и вычислить .

Решение. На промежутках и плотность вероятностей меняется по линейному закону вида

для первого и второго участки соответственно. Для нахождения неизвестных констант установим ординаты вершины треугольника . Используем условие нормирования, согласно которому площадь треугольника равна единице:

При известных координатах всех вершин находим уравнение прямых

Есть другой способ нахождения уравнения прямых, предусматривающий отыскания по одной константе на уравнение. Если известна точка пересечения прямой с осью ординат , то уравнение прямой которая через эту точку проходит следующее

где – ордината пересечения с осью . Подстановкой второй точки прямой находят неизвестную константу . Для заданных точек получим

Со временем второй метод для Вас станет проще и практичнее в использовании. Плотность вероятностей примет значение

а ее функция примет вид

Функцию распределения вероятностей находим интегрированием:

а) на промежутке :

2) на промежутке

Следовательно, функция распределения вероятностей такая

Ее график приведен ниже

Вычисляем вероятность события согласно формуле

или

Следовательно, вероятность равна

————————-

Хорошо проанализируйте приведенные примеры – это поможет научиться быстро находить плотность распределения вероятностей и выполнять построение графика. Будьте внимательны при интегрировании и выбирайте удобную для вычислений методику.

Источник

Плотность распределения вероятностей непрерывной случайной величины

Краткая теория

Свойства плотности распределения

Примеры решения задач

Пример 1

Пример 2

Пример 3

Задачи контрольных и самостоятельных работ

Прикладное описание понятия[править | править код]

Определение плотности вероятности в теории меры[править | править код]

Плотность случайной величины[править | править код]

Замечания[править | править код]

Плотность преобразования случайной величины[править | править код]

Свойства плотности вероятности[править | править код]

Примеры абсолютно непрерывных распределений[править | править код]

См. также[править | править код]

Литература[править | править код]

Плотность вероятности

Функция распределения непрерывной случайной величины

Свойства функции распределения

Плотность вероятности. Числовые характеристики. Моменты случайных величин

Плотность распределения

Свойства плотности распределения

Числовые характеристики непрерывных случайных величин

Математическое ожидание

Дисперсия

Среднеквадратичное отклонение

Мода

Медиана

Начальный момент

Центральный момент

Коэффициент асимметрии

Эксцесс

Законы распределения непрерывных величин: нормальное, равномерное, показательное

Равномерное распределение

Показательное распределение

Функция надежности

Нормальный закон распределения

Функция Лапласа

Правило трёх сигм

Некоторые законы распределения непрерывной случайной величины

Вам также может понравиться

Как найти скорость через длину стержня

Как надо найти площадь треугольника

Как составить договор поставки по образцу

Добавить комментарий Отменить ответ