ПРИМЕРЫ НЕПРЕРЫВНЫХ РАСПРЕДЕЛЕНИЙ
1. Равномерное распределение. Плотность равномерного или прямоугольного распределения: , т.е. вероятности всех возможных значений случайной величины одинаковы и равны . Математическое ожидание случайной величины с равномерным распределением равно ,
дисперсия . Функция распределения имеет вид , (рис. 3.5). Рис. 3.5. Графики плотности и функции равномерного распределения
2. Показательное (экспоненциальное) распределение -закон, функция плотности распределения которого имеет вид: , где параметр распределения есть действительное число (постоянный параметр) (рис. 3.6). Функция распределения показательного закона имеет вид: Математическое ожидание и дисперсия случайной величины, распределенной по показательному закону, равны соответственно , . Рис. 3.6. Графики плотности и функции показательного распределения
3. Нормальное распределение.Нормальный закон распределения вероятностей занимает особое место среди других законов распределения. В теории вероятности доказывается, что плотность вероятности суммы независимых или слабо зависимых, равномерно малых (т.е. играющих примерно одинаковую роль) слагаемых при неограниченном увеличении их числа как угодно близко приближается к нормальному закону распределению независимо от того, какие законы распределения имеют эти слагаемые (центральная предельная теорема А. М. Ляпунова). Плотность вероятности нормально распределенной случайной величины имеет вид: , где и – вещественные параметры распределения, имеющие конечные значения, при этом часто используют обозначение . Функция распределения записывается в виде , Здесь – табулированный интеграл вероятности (значения интеграла можно найти во всех учебниках и задачниках по теории вероятностей). Функция и плотность нормального распределения изображены на рис. 3.7.
Рис. 3.7. Графики плотности и функции нормального распределения
Математическое ожидание нормально распределенной случайной величины равно , дисперсия . Таким образом, параметры и имеют смысл математического ожидания и среднеквадратического значения (отклонения) случайной величины. Распределение, описываемое функцией , называется нормальным или распределением Гаусса. На рис.3.8 изображены кривые нормального распределения случайных погрешностей для различных значений среднеквадратического отклонения . Рис. 3.8. Кривые нормального распределения, .
Из рис. 3.8 видно, что по мере увеличения среднеквадратического отклонения распределение все более и более расплывается, вероятность появления больших значений погрешностей возрастает, а вероятность меньших погрешностей сокращается, т.е. увеличивается рассеивание результатов наблюдений. Широкое распространение нормального распределения погрешностей в практике измерений объясняется центральной предельной теоремой теории вероятностей, являющейся одной из самых замечательных математических теорем, в разработке которой принимали участие многие крупнейшие математики – Муавр, Лаплас, Гаусс, Чебышев и Ляпунов. Центральная предельная теорема утверждает, что распределение случайных погрешностей будет близко в нормальному всякий раз, когда результаты наблюдения формируются под влиянием большого числа независимо действующих факторов, каждый из которых оказывает лишь незначительное действие по сравнению с суммарным действием всех остальных. Свойства нормального распределения. А. Если случайная величина . В. Если случайная величина то В частности, . Таким образом, вычисление любых вероятностей для нормально распределённой случайной величины сводится к вычислению функции распределения . Она обладает следующими свойствами: С. Если , то для любого D.Правило трех сигм. Если то Большого смысла в запоминании числа 0.0027 нет, но полезно помнить, что почти вся масса нормального распределения сосредоточена в границах от до . Пример 3.7. Дана случайная величина . Найти . Решение. По формуле свойства В при получаем По таблице для функции Лапласа находим . Пример 3.8.Случайная величина X – отклонение размера изделия от нормы – нормально распределенная, причём М (Х)= 0. Найти s (Х), если известно, что Р(– 3 < X < 3) = 0.7. Решение. Р(– 3 < X < 3) = Р( | X |< 3) = = 0.7. Отсюда следует, что , и, используя табличные данные (приложение 1), получаем 3/s =1.4, или s = 3/1.4 » 2.14. ©2015 arhivinfo.ru Все права принадлежат авторам размещенных материалов.
|