Главная страница
Навигация по странице:

  • § 2. Нормальное распределение

  • § 3. Нормальная кривая График

  • § 4. Влияние параметров нормального распределения на форму нормальной кривой

  • § 5. Вероятность попадания в заданный интервал нормальной случайной величины

  • Задача 2. Седьмая математическое ожидание дискретной случайной величины


    Скачать 1.95 Mb.
    НазваниеСедьмая математическое ожидание дискретной случайной величины
    АнкорЗадача 2.doc
    Дата27.04.2017
    Размер1.95 Mb.
    Формат файлаdoc
    Имя файлаЗадача 2.doc
    ТипГлава
    #5986
    страница5 из 7
    1   2   3   4   5   6   7
    Глава двенадцатая

    НОРМАЛЬНОЕ РАСПРЕДЕЛЕНИЕ
    § 1. Числовые характеристики непрерывных случайных величин
    Распространим определения числовых характеристик дискретных величин на величины непрерывные. Начнем с математического ожидания.

    Пусть непрерывная случайная величина Xзадана плотностью распределения f(x). Допустим, что все возможные значения Xпринадлежат отрезку [а, b]. Разобьем этот отрезок на п частичных отрезков длиной ,,..., и выберем в каждом из них произвольную точку xi(i = 1, 2, ..., п). Нам надо определить математическое ожидание непрерывной величины по аналогии с дискретной; составим сумму произведений возможных значений xi на вероятности попадания их в интервал ; (напомним, что произведение f(х)приближенно равно вероятности попадания Xв интервал ):



    Перейдя к пределу при стремлении к нулю длины наибольшего из частичных отрезков, получим определенный интеграл

    Математическим ожиданием непрерывной случайной величины- X, Возможные значения которой принадлежат отрезку [a,b], называют определенный интеграл

    M(X)= (*)

    Если возможные значения принадлежат всей оси Ох, то

    M(X)=

    Предполагается, что несобственный интеграл сходится абсолютно, т. е. существует интеграл Если бы это требование не выполнялось, то значение интеграла зависело бы от скорости стремления (в отдельности) нижнего предела к —, а верхнего—к +.

    По аналогии с дисперсией дискретной величины определяется и дисперсия непрерывной величины.

    Дисперсией непрерывной случайной величины называют математическое ожидание квадрата ее отклонения.

    Если возможные значения Xпринадлежат отрезку[a,b], то

    D(X)=

    если возможные значения принадлежат всей оси х, то

    D(X)=

    Среднее квадратическое отклонение непрерывной случайной величины определяется, как и для величины дискретной, равенством

    (X)=.

    Замечание 1. Можно доказать, что свойства математического ожидания и дисперсии дискретных величин сохраняются и для непрерывных величин.

    Замечание 2. Легко получить для вычисления дисперсии более удобные формулы:

    D(X)= (**)

    D(X)=

    Пример 1. Найти математическое ожидание и дисперсию случайной величины X, заданной функцией распределения



    Решение. Найдем плотность распределения:


    Найдем математическое ожидание по формуле (*):

    M(X)=

    Найдем дисперсию по формуле (**):

    D(X)=

    Пример 2. Найти математическое ожидание и дисперсию непрерывной случайной величины X, распределенной равномерно в интервале (а, b).

    Решение. Найдем математическое ожидание Xпо формуле (*), учитывая, что плотность равномерного распределения f(x) = 1/(b — а)(см. гл. XI, § 6):

    M(X)=

    Выполнив элементарные выкладки, получим

    M(X)=(a+b)/2

    Найдем дисперсию Xпо формуле (**):

    D(X)=

    Выполнив элементарные выкладки, получим

    D(X) = (ba)2/12.

    Замечание 3. Математическое ожидание и дисперсия случайной величины R, распределенной равномерно в интервале (0, 1), т. е. если a = 0, b=1, как следует из примера 2, соответственно равны М (R) = 1/2, D(R)=l/12. Этот же результат мы получили в примере 1 по заданной функции распределения случайной величины R.
    § 2. Нормальное распределение
    Нормальным называют распределение вероятностей непрерывной случайной величины, которое описывается плотностью



    Мы видим, что нормальное распределение определяется двумя параметрами: а и. Достаточно знать эти параметры, чтобы задать нормальное распределение. Покажем, что вероятностный смысл этих параметров таков: а есть математическое ожидание, —среднее квадратическое отклонение нормального распределения.

    а) По определению математического ожидания непрерывной случайной величины,

    M(X)=

    Введем новую переменную z = (xа)/. Отсюда x=z+a, dx=dz. Приняв во внимание, что новые пределы интегрирования равны старым, получим

    M(X)=

    Первое из слагаемых равно нулю (под знаком интеграла нечетная функция; пределы интегрирования симметричны относительно начала координат). Второе из слагаемых равно a ( интеграл Пуассона ).

    Итак, М(Х) = а, т. е. математическое ожидание нормального распределения равно параметру а.

    б) По определению дисперсии непрерывной случайной величины, учитывая, что М(Х) = а, имеем

    D(X)=

    Введем новую переменную z = (xа)/. Отсюда хa = z, dx = dz. Приняв во внимание, что новые пределы интегрирования равны старым, получим

    D(X)=

    Интегрируя по частям, положив u = z, dv=, найдем

    D(X)=

    Следовательно,

    (X)=.

    Итак, среднее квадратическое отклонение нормального распределения равно параметру .

    Замечание 1. Общим называют нормальное распределение с произвольными параметрами а и  ( > 0).

    Нормированным называют нормальное распределение с параметрами а = 0 и =1. Например, если X— нормальная величина с параметрами а и , то U =(Xа)/— нормированная нормальная величина, причем M(U)=0, (U)=1.

    Плотность нормированного распределения



    Эта функция табулирована (см. приложение 1).

    Замечание 2. Функция F(х)общего нормального распределения (см. гл. XI, § 3)



    а функция нормированного распределения


    Функция Fo (x) табулирована. Легко проверить, что

    F(x)=F0((x-a)/ ).

    Замечание 3. Вероятность попадания нормированной нормальной величины Xв интервал (0, х)можно найти, пользуясь функцией Лапласа Действительно (см.гл. XI, § 2),

    P(0<X<x)=

    Замечание 4. Учитывая, что (см. гл. XI, §4,свойство 2), и, следовательно, в силу симметрии (х)относительно нуля

    , а значит, и Р (- <X < 0)=0,5,

    легко получить, что

    F0(x)=0,5+(x).

    Действительно,

    F0(x)=P(-<X<x)=P(-<X<0)+P(0<X<x)=0,5+(x).
    § 3. Нормальная кривая
    График плотности нормального распределения называют нормальной кривой (кривой Гаусса). Исследуем функцию

    y=

    методами дифференциального исчисления.

    1. Очевидно, функция определена на всей оси х.



    2. При всех значениях х функция принимает положительные значения, т. е. нормальная кривая расположена над осью Ох.

    3. Предел функции при неограниченном возрастании х (по абсолютной величине) равен нулю: , т. е. ось Ох служит горизонтальной асимптотой графика.

    4.Исследуем функцию на экстремум. Найдем первую производную:



    Легко видеть, что у' = 0 при х = а, у' > 0 при х < а, у' < 0 при х> а.

    Следовательно, при х = а функция имеет максимум, равный

    5.Разность ха содержится в аналитическом выражении функции в

    квадрате, т. е. график функции симметричен относительно прямой х= а.

    6.Исследуем функцию на точки перегиба. Найдем вторую производную:



    Легко видеть, что при х = а+и х= а вторая производная равна нулю, а при переходе через эти точки она меняет знак (в обеих этих точках значение функции равно 1/(e)). Таким образом, точки графика (а, 1/(e)) и (а + , 1/(e))являются точками перегиба.

    На рис. 7 изображена нормальная кривая при а=1, 2
    § 4. Влияние параметров нормального распределения на форму нормальной кривой
    Выясним, как влияют на форму и расположение нормальной кривой значения параметров а и .

    Известно, что графики функций f(хf (ха)имеют одинаковую форму; сдвинув график f(х)в положительном направлении оси х на а единиц масштаба при а >0 иливотрицательном направлении при а < 0, получим график f(ха). Отсюда следует, что изменение величины параметра а (математического ожидания) не изменяет формы нормальной кривой, а приводит лишь к ее сдвигу вдоль оси Ох: вправо, если а подрастает, и влево, если а убывает.

    По-иному обстоит дело, если изменяется параметр (среднее квадратическое отклонение). Как было указано в предыдущем параграфе, максимум дифференциальной функции нормального распределения равен 1/(). Отсюда следует, что с возрастанием максимальная ордината нормальной кривой убывает, а сама кривая становится более пологой, т. е. сжимается к оси Ох; при убывании нормальная кривая становится более «островершинной» и растягивается в положительном направлении оси Оу.

    Подчеркнем, что при любых значениях параметров а и площадь, ограниченная нормальной кривой и осью х, остается равной единице (см. гл. XI, § 4, второе свойство плотности распределения).



    На рис. 8 изображены нормальные кривые при различных значениях и а = 0. Чертеж наглядно иллюстрирует, как изменение параметра сказывается на форме нормальной кривой.

    Заметим, что при а = О и = 1 нормальную кривую называют нормированной.
    § 5. Вероятность попадания в заданный интервал нормальной случайной величины
    Уже известно, что если случайная величина Xзадана плотностью распределения f(х), то вероятность того, что Xпримет значение, принадлежащее интервалу (), такова:

    P(X)=

    Пусть случайная величина Xраспределена по нормальному закону. Тогда вероятность того, что Xпримет значение, принадлежащее интервалу (), равна

    P(X)=

    Преобразуем эту формулу так, чтобы можно было пользоваться готовыми таблицами. Введем новую переменную z = (xа)/. Отсюда x = z+a, dx = dz . Найдем новые пределы интегрирования. Если х=, то z=( a)/; если х =  , то z = (а)/.

    Таким образом, имеем



    Пользуясь функцией Лапласа



    окончательно получим

    (*)

    Пример. Случайная величина Xраспределена по нормальному закону. Математическое ожидание и среднее квадратическое отклонение этой величины соответственно равны 30 и 10. Найти вероятность, того, что Xпримет значение, принадлежащее интервалу (10, 50).

    Решение. Воспользуемся формулой (*). По условию,  =10, =50, а = 30,  =10, следовательно,

    P(10<X<50)=

    По таблице приложения 2 находим Ф (2) = 0,4772. Отсюда искомая вероятность

    Р(10< X< 50) =2*0,4772 = 0,9544.
    1   2   3   4   5   6   7


    написать администратору сайта