Как найти дисперсию случайной величины по функции - AutoPluse.ru

Функции случайных величин

Определение функции случайных величин. Функция дискретного случайного аргумента и ее числовые характеристики. Функция непрерывного случайного аргумента и ее числовые характеристики. Функции двух случайных аргументов. Определение функции распределения вероятностей и плотности для функции двух случайных аргументов.

Закон распределения вероятностей функции одной случайной величины

При решении задач, связанных с оценкой точности работы различных автоматических систем, точности производства отдельных элементов систем и др., часто приходится рассматривать функции одной или нескольких случайных величин. Такие функции также являются случайными величинами. Поэтому при решении задач необходимо знать законы распределения фигурирующих в задаче случайных величин. При этом обычно известны закон распределения системы случайных аргументов и функциональная зависимость.

Таким образом, возникает задача, которую можно сформулировать так.

Дана система случайных величин (X_1,X_2,ldots,X_n) , закон распределения которой известен. Рассматривается некоторая случайная величина Y как функция данных случайных величин:

Y=varphi(X_1,X_2,ldots,X_n).

(6.1)

Требуется определить закон распределения случайной величины , зная вид функций (6.1) и закон совместного распределения ее аргументов.

Рассмотрим задачу о законе распределения функции одного случайного аргумента

Y=varphi(X).

Пусть — дискретная случайная величина, имеющая ряд распределения

$begin{array}{|c|c|c|c|c|}hline{X}&x_1&x_2&cdots&x_n\hline{P}&p_1&p_2&cdots&p_n\hlineend{array}$

Тогда Y=varphi(X) также дискретная случайная величина с возможными значениями y_1=varphi(x_1),y_2=varphi(x_2),ldots,y_n=varphi(x_n) . Если все значения y_1,y_2,ldots,y_n различны, то для каждого k=1,2,ldots,n события ${X=x_k}$ и ${Y=y_k=varphi(x_k)}$ тождественны. Следовательно,

$P{Y=y_k}=P{X=x_k}=p_k$

и искомый ряд распределения имеет вид

$begin{array}{|c|c|c|c|c|}hline{Y}&y_1=varphi(x_1)&y_2=varphi(x_2)&cdots&y_n=varphi(x_n)\hline{P}&p_1&p_2&cdots&p_n\hlineend{array}$

Если же среди чисел y_1=varphi(x_1),y_2=varphi(x_2),ldots,y_n=varphi(x_n) есть одинаковые, то каждой группе одинаковых значений y_k=varphi(x_k) нужно отвести в таблице один столбец и соответствующие вероятности сложить.

Для непрерывных случайных величин задача ставится так: зная плотность распределения f(x) случайной величины , найти плотность распределения g(y) случайной величины Y=varphi(X) . При решении поставленной задачи рассмотрим два случая.

Предположим сначала, что функция y=varphi(x) является монотонно возрастающей, непрерывной и дифференцируемой на интервале (a;b) , на котором лежат все возможные значения величины . Тогда обратная функция x=psi(y) существует, при этом являясь также монотонно возрастающей, непрерывной и дифференцируемой. В этом случае получаем

g(y)=fbigl(psi(y)bigr)cdot |psi'(y)|.

(6.2)

Пример 1. Случайная величина распределена с плотностью

$f(x)=frac{1}{sqrt{2pi}}e^{-x^2/2}$

Найти закон распределения случайной величины , связанной с величиной зависимостью Y=X^3 .

Решение. Так как функция y=x^3 монотонна на промежутке (-infty;+infty) , то можно применить формулу (6.2). Обратная функция по отношению к функции varphi(x)=x^3 есть psi(y)=sqrt[LARGE{LARGE{3}}]{y} , ее производная $psi'(y)=frac{1}{3sqrt[LARGE{LARGE{3}}]{y^2}}$ . Следовательно,

$g(y)=frac{1}{3sqrt{2pi}}e^{-sqrt[LARGE{LARGE{3}}]{y^2}/2}frac{1}{sqrt[LARGE{LARGE{3}}]{y^2}}$

Рассмотрим случай немонотонной функции. Пусть функция y=varphi(x) такова, что обратная функция x=psi(y) неоднозначна, т. е. одному значению величины соответствует несколько значений аргумента , которые обозначим x_1=psi_1(y),x_2=psi_2(y),ldots,x_n=psi_n(y) , где — число участков, на которых функция y=varphi(x) изменяется монотонно. Тогда

$g(y)=sumlimits_{k=1}^{n}fbigl(psi_k(y)bigr)cdot |psi'_k(y)|.$

(6.3)

Пример 2. В условиях примера 1 найти распределение случайной величины Y=X^2 .

Решение. Обратная функция x=psi(y) неоднозначна. Одному значению аргумента соответствуют два значения функции

$begin{gathered}x_1=psi_1(y)=+sqrt{y};\x_2=psi_2(y)=-sqrt{y}.end{gathered}$

Применяя формулу (6.3), получаем:

$begin{gathered}g(y)=f(psi_1(y))|psi'_1(y)|+f(psi_2(y))|psi'_2(y)|=\\=frac{1}{sqrt{2pi}},e^{-left(-sqrt{y^2}right)^2/2}!left|-frac{1}{2sqrt{y}}right|+frac{1}{sqrt{2pi}},e^{-left(sqrt{y^2}right)^2/2}!left|frac{1}{2sqrt{y}}right|=frac{1}{sqrt{2pi{y}}},e^{-y/2}.end{gathered}$

Закон распределения функции двух случайных величин

Пусть случайная величина является функцией двух случайных величин, образующих систему (X_1;X_2) , т. е. Y=varphi(X_1;X_2) . Задача состоит в том, чтобы по известному распределению системы найти распределение случайной величины .

Пусть f(x_1;x_2) — плотность распределения системы случайных величин . Введем в рассмотрение новую величину Y_1 , равную X_1 , и рассмотрим систему уравнений

$left{!begin{gathered}y=varphi(x_1;x_2);hfill\y_1=x_1.hfillend{gathered}right.$

Будем полагать, что эта система однозначно разрешима относительно x_1,x_2

$left{!begin{gathered}x_2=psi(y;y_2);hfill\x_1=y_1.hfillend{gathered}right.$

и удовлетворяет условиям дифференцируемости.

Плотность распределения случайной величины

$g_1(y)=intlimits_{-infty}^{+infty}f(x_1;psi(y;x_1))!left|frac{partialpsi(y;x_1)}{partial{y}}right|dx_1.$

Заметим, что рассуждения не изменяются, если введенную новую величину Y_1 положить равной X_2 .

Математическое ожидание функции случайных величин

На практике часто встречаются случаи, когда нет особой надобности полностью определять закон распределения функции случайных величин, а достаточно только указать его числовые характеристики. Таким образом, возникает задача определения числовых характеристик функций случайных величин помимо законов распределения этих функций.

Пусть случайная величина является функцией случайного аргумента с заданным законом распределения

Y=varphi(X).

Требуется, не находя закона распределения величины , определить ее математическое ожидание

M(Y)=M[varphi(X)].

Пусть — дискретная случайная величина, имеющая ряд распределения

$begin{array}{|c|c|c|c|c|}hline{x_i}&x_1&x_2&cdots&x_n\hline{p_i}&p_1&p_2&cdots&p_n\hlineend{array}$

Составим таблицу значений величины и вероятностей этих значений:

$begin{array}{|c|c|c|c|c|}hline{y_i=varphi(x_i)}&y_1=varphi(x_1)&y_2=varphi(x_2)&cdots&y_n=varphi(x_n)\hline{p_i}&p_1&p_2&cdots&p_n\hlineend{array}$

Эта таблица не является рядом распределения случайной величины , так как в общем случае некоторые из значений могут совпадать между собой и значения в верхней строке не обязательно идут в возрастающем порядке. Однако математическое ожидание случайной величины можно определить по формуле

$M[varphi(X)]=sumlimits_{i=1}^{n}varphi(x_i)p_i,$

(6.4)

так как величина, определяемая формулой (6.4), не может измениться от того, что под знаком суммы некоторые члены будут заранее объединены, а порядок членов изменен.

Формула (6.4) не содержит в явном виде закон распределения самой функции varphi(X) , а содержит только закон распределения аргумента . Таким образом, для определения математического ожидания функции Y=varphi(X) вовсе не требуется знать закон распределения функции , а достаточно знать закон распределения аргумента .

Для непрерывной случайной величины математическое ожидание вычисляется по формуле

$M[varphi(X)]=intlimits_{-infty}^{+infty}varphi(x)f(x),dx,$

где f(x) — плотность распределения вероятностей случайной величины .

Рассмотрим случаи, когда для нахождения математического ожидания функции случайных аргументов не требуется знание даже законов распределения аргументов, а достаточно знать только некоторые их числовые характеристики. Сформулируем эти случаи в виде теорем.

Теорема 6.1. Математическое ожидание суммы как зависимых, так и независимых двух случайных величин равно сумме математических ожиданий этих величин:

M(X+Y)=M(X)+M(Y).

Теорема 6.2. Математическое ожидание произведения двух случайных величин равно произведению их математических ожиданий плюс корреляционный момент:

$M(XY)=M(X)M(Y)+mu_{xy}.$

Следствие 6.1. Математическое ожидание произведения двух некоррелированных случайных величин равно произведению их математических ожиданий.

Следствие 6.2. Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий.

Дисперсия функции случайных величин

По определению дисперсии имеем D[Y]=M[(Y-M(Y))^2]. . Следовательно,

D[varphi(x)]=M[(varphi(x)-M(varphi(x)))^2] , где M(varphi(x))=M[varphi(X)] .

Приведем расчетные формулы только для случая непрерывных случайных аргументов. Для функции одного случайного аргумента Y=varphi(X) дисперсия выражается формулой

$D[varphi(x)]=intlimits_{-infty}^{+infty}(varphi(x)-M(varphi(x)))^2f(x),dx,$

(6.5)

где M(varphi(x))=M[varphi(X)] — математическое ожидание функции ; f(x) — плотность распределения величины .

Формулу (6.5) можно заменить на следующую:

$D[varphi(x)]=intlimits_{-infty}^{+infty}varphi^2(x)f(x),dx-M^2(X)$

Рассмотрим теоремы о дисперсиях, которые играют важную роль в теории вероятностей и ее приложениях.

Теорема 6.3. Дисперсия суммы случайных величин равна сумме дисперсий этих величин плюс удвоенная сумма корреляционных моментов каждой из слагаемых величин со всеми последующими:

$D!left[sumlimits_{i=1}^{n}X_iright]=sumlimits_{i=1}^{n}D[X_i]+2sumlimits_{i<j}mu_{x_ix_j}$

Следствие 6.3. Дисперсия суммы некоррелированных случайных величин равна сумме дисперсий слагаемых:

$D!left[sumlimits_{i=1}^{n}X_iright]=sumlimits_{i=1}^{n}D[X_i]$

Теорема 6.4. Дисперсия произведения двух независимых случайных величин вычисляется по формуле

D[XY]=D[X]D[Y]+M^2(X)D[Y]+M^2(Y)D[X].

Корреляционный момент функций случайных величин

Согласно определению корреляционного момента двух случайных величин и , имеем

$mu_{xy}=M[(X-M(X))(Y-M(Y))].$

Раскрывая скобки и применяя свойства математического ожидания, получаем

$mu_{xy}=M(XY)-M(X)M(Y).$

(6.6)

Рассмотрим две функции случайной величины

Y_1=varphi_1(X);qquad Y_2=varphi_2(X).

Согласно формуле (6.6)

$mu_{y_1y_2}= M(Y_1Y_2)-M(Y_1)M(Y_2).$

отсюда

$mu_{y_1y_2}=M(varphi_1(X)varphi_2(X))-M(varphi_1(X))M(varphi_2(X)).$

т.е. корреляционный момент двух функций случайных величин равен математическому ожиданию произведения этих функций минус произведение из математических ожиданий.

Рассмотрим основные свойства корреляционного момента и коэффициента корреляции.

Свойство 1. От прибавления к случайным величинам постоянных величин корреляционный момент и коэффициент корреляции не изменяются.

Свойство 2. Для любых случайных величин и абсолютная величина корреляционного момента не превосходит среднего геометрического дисперсий данных величин:

$|mu_{xy}|leqslantsqrt{D[X]cdot D[Y]}=sigma_xcdot sigma_y,$

где sigma_x,sigma_y — средние квадратические отклонения величин и .

Следствие 6.5. Для любых случайных величин и абсолютная величина коэффициента корреляции не превосходит единицы:

$|r_{xy}|leqslant1.$

Математический форум (помощь с решением задач, обсуждение вопросов по математике).

Кнопка "Поделиться"

Если заметили ошибку, опечатку или есть предложения, напишите в комментариях.

Источник

Дисперсия и ее свойства.
Среднее квадратическое отклонение

Краткая теория
Примеры решения задач
Задачи контрольных и самостоятельных работ

Краткая теория

Дисперсия и формула для ее вычисления

На практике часто требуется оценить рассеяние возможных значений случайной величины вокруг ее среднего значения. Например, в артиллерии важно знать, насколько кучно лягут снаряды вблизи цели, которая должна быть поражена.

На первый взгляд может показаться, что для оценки рассеяния проще всего вычислить все возможные значения отклонения случайной величины и затем найти их среднее значение. Однако такой путь ничего не даст, так как среднее значение отклонения, т. е. M[X-M(X)], для любой случайной величины равно нулю. Это свойство объясняется тем, что одни возможные отклонения положительны, а другие — отрицательны; в результате их взаимного погашения среднее значение отклонения равно нулю. Эти соображения говорят о целесообразности заменить возможные отклонения их абсолютными значениями или их квадратами. Так и поступают на деле. Правда, в случае, когда возможные отклонения заменяют их абсолютными значениями, приходится оперировать с абсолютными величинами, что приводит иногда к серьезным затруднениям. Поэтому чаще всего идут по другому пути, то есть вычисляют среднее значение квадрата отклонения, которое и называют дисперсией.

Дисперсией называется
математическое ожидание квадрата отклонения случайной величины

от

Для того чтобы найти дисперсию, достаточно вычислить сумму произведений возможных значений квадрата отклонения на их вероятности.

Для вычисления дисперсии
на практике удобно пользоваться следующей формулой:

Свойства дисперсии

Свойство 1.

Дисперсия равна разности между
математическим ожиданием квадрата случайной величины

и
квадратом ее математического ожидания.

Свойство 2.

Дисперсия константы
равна нулю:

Свойство 3.

Постоянный множитель
выносится из-под знака дисперсии в квадрате:

Свойство 4.

Дисперсия суммы
случайных величин:

где

–
ковариация случайных величин

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.

Следствия из свойств дисперсии.

В частности, если

независимы, то

Прибавление константы

в
случайной величине не меняет ее дисперсии:

Дисперсия разности равна сумме дисперсий:

Среднеквадратическое отклонение

Для оценки рассеяния возможных значений случайной величины вокруг ее среднего значения кроме дисперсии служат и некоторые другие характеристики. К их числу относится среднее квадратическое отклонение.

Стандартное (среднее
квадратичное) отклонение случайной величины

определяется
как корень из дисперсии и обозначается

Легко показать, что дисперсия имеет размерность, равную квадрату размерности случайной величины. Так как среднее квадратическое отклонение равно квадратному корню из дисперсии, то ее размерность совпадает с размерностью X. Поэтому в тех случаях, когда желательно, чтобы оценка рассеяния имела размерность случайной величины, вычисляют среднее квадратическое отклонение, а не дисперсию. Например, если X выражается в линейных метрах, то среднее квадратичное отклонение X будет выражаться также в линейных метрах, a дисперсия X — в квадратных метрах.

Смежные темы решебника:

Математическое ожидание и его свойства
Дискретная случайная величина
Непрерывная случайная величина

Примеры решения задач

Пример 1

В коробке 20 конфет, из которых 4 с
вареньем. Х – число конфет с вареньем среди двух случайно выбранных. Найти
дисперсию случайной величины Х.

Решение

ВКонтакте
WhatsApp
Telegram

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

Случайная
величина

– число конфет с вареньем, может принимать
значения 0,1,2

Найдем
соответствующие вероятности:

Проверка:

Получаем
следующий закон распределения СВ

Математическое
ожидание:

Дисперсию
можно вычислить по формуле:

Искомая
дисперсия:

Пример 2

Даны
законы распределения независимых случайных величин X и Y:

Найти
закон распределения суммы (X+Y). Проверить равенство D(X+Y)=D(X)+D(Y).

Решение

ВКонтакте
WhatsApp
Telegram

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

Распределение суммы

Окончательно получаем:

	2	3	4	Итого
	0.2	0.5	0.3	1

Вычислим математические ожидания:

Вычислим
дисперсии:

Проверим
равенство

Равенство
выполняется.

Пример 3

Вероятность
изготовления бракованной детали на первом станке составляет 3%, на втором
станке 5%. На первом станке было изготовлено 20 деталей, на втором 40 деталей.
Найти математическое ожидание и дисперсию числа бракованных деталей.

Решение

Математическое
ожидание биномиального распределения:

Дисперсия:

Математическое
ожидание величины

– числа бракованных деталей на 1-м станке:

Дисперсия:

Математическое
ожидание величины

– числа бракованных деталей на 2-м станке:

Дисперсия:

Математическое
ожидание числа бракованных деталей:

Дисперсия
числа бракованных деталей:

Ответ:

;

Пример 4

Случайные
величины X,Y распределены по закону
Пуассона. Найдите M{(X+Y)²}, если M(X)=40 и
M(Y)=70, а коэффициент корреляции X и Yравен 0,8.

Решение

ВКонтакте
WhatsApp
Telegram

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

Поскольку
случайные величины

распределены по закону Пуассона и известны их
математические ожидания, соответствующие дисперсии равны:

Пользуясь
свойствами математического ожидания и дисперсии:

Подставляя
числовые значения, получаем:

Ответ:

Задачи контрольных и самостоятельных работ

Задача 1

Независимые случайные величины X и Y
заданы следующими законами:

x	2.3	2.5	2.7	2.9
p	0.4	0.3	0.2	0.1

Укажите
законы распределения случайной величины X+Y, X-Y и найдите их
математическое ожидание и дисперсию.

Задача 2

Найти
дисперсию, математическое ожидания, среднекваратическое отклонение ДСВ X,
заданной законом распределения.

x	-5	2	3	4
p	0,4	0,3	0,1	0,2

Написать F(x) и построить ее график.

Задача 3

Случайная
величина X имеет плотность вероятности

Требуется
найти дисперсию D_x.

ВКонтакте
WhatsApp
Telegram

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

Задача 4

Вероятность
того, что прибор исправен, равна 0,8. X – число исправных приборов
из двух выбранных. Найти дисперсию случайной величины X.

Задача 5

Случайные
величины X и Y независимы. Найти
дисперсию случайной величины Z=2X+3Y, если известно, что D(X)=4, D(Y)=5.

Задача 6

Найти
дисперсию дискретной случайной величины X – числа отказов элемента
некоторого устройства в десяти независимых опытах, если вероятность отказа
элемента в каждом опыте равна 0,9.

Задача 7

Дискретная
случайная величина X имеет только два возможных значения: x₁ и x₂, причем x₂>x₁. Вероятность того, что X
примет значение x₁, равна 0,6. Найти закон распределения величины X, если
математическое ожидание и дисперсия известны: M(X)=1,4; D(X)=0,24.

Задача 8

Закон
распределения случайной величины ξ имеет вид:

ξ	-1	2	3	5
P	1/4	1/2	1/8	1/8

Найти функцию распределения случайной величины ξ,
вычислить ее математическое ожидание, дисперсию и среднее квадратическое
отклонение. Вычислить вероятность P{5⁄2<ξ<5}.

Задача 9

Дискретная
случайная величины X принимает лишь два значения. Большее из значений 3
она принимает с вероятностью 0,4. Кроме того, известна дисперсия случайной
величины D(X)=6. Найти математическое
ожидание случайной величины.

Задача 10

Найти
дисперсию по заданному непрерывному закону распределения случайной величины X,
заданному плотностью вероятности

при

в остальных точках.

Краткая теория
Примеры решения задач
Задачи контрольных и самостоятельных работ

Источник

Определение
1.
Математическим
ожиданием непрерывной случайной величины
X
с
плотностью
вероятности
f(х)
называют величину несобственного
интеграла (если он сходится):

Определение
2.
Дисперсией
непрерывной случайной величины X,
математическое ожидание которой М(Х)
= а и
функция
f(х)
является
ее плотностью вероятности, называется
величина несобственного интеграла
(если он сходится):

Можно показать,
что математическое ожидание и дисперсия
непрерывной случайной величины имеют
те же свойства, что и математическое
ожидание и дисперсия дискретной случайной
величины.

Для
непрерывной случайной величины X
среднее
квадратическое отклонение

(Х)
определяется, как и для дискретной
величины, формулой

.

Пример
4.
Случайная величина X
задана плотностью вероятности

Определить
математическое ожидание, дисперсию и
среднее квадратическое отклонение
величины X.

Решение.
Согласно
определениям 1 и 2

и,
наконец,

4.5. Некоторые законы распределения случайных величин

1.
Биномиальное распределение. Пусть
производится п
испытаний,
причем вероятность появления события
А
в
каждом испытании равна р
и
не зависит от исхода других испытаний
(независимые испытания). Так как
вероятность наступления события А
в
одном испытании равна р,
то вероятность его ненаступления равна
q
= 1

р.

Найдем
вероятность того, что при n
испытаниях событие А
наступит
т
раз
(т

п).

Пусть
событие А
наступило
в первых т
испытаниях
т
раз
и не наступило во всех последующих
испытаниях. Это сложное событие можно
записать в виде произведения:

Общее
число сложных событий, в которых событие
А
наступает
т
раз,
равно числу сочетаний из п
элементов
по т
элементов.
При этом вероятность каждого сложного
события равна: p^mqⁿ^—^m.
Так
как эти сложные события являются
несовместимыми, то вероятность их суммы
равна сумме их вероятностей. Итак, если
Р_п(т)
есть
вероятность появления события А
т раз
в п
испытаниях,
то

или

(1)

Формулу
(1) называют формулой
Бернулли.

Пример
1.
Пусть всхожесть семян данного растения
составляет 90%. Найти вероятность того,
что из четырех посеянных семян взойдут:
а) три; б) не менее трех.

Решение.
а) В данном случае n
= 4, т
= 3,
р
= 0,9,
q
= 1

p
= 0,1.
Применим
формулу
Бернулли
(1):

б)
Здесь событие А
состоит
в том, что из четырех семян взойдут или
три, или четыре. По теореме сложения
вероятностей
.
Но Р₄(4)
=
(0,9)⁴
=
0,6561. Поэтому Р(А)
= 0,2916
+ 0,6561 = 0,9477.

Снова
рассмотрим n
независимых испытаний, в каждом из
которых наступает событие А
с
вероятностью р.
Обозначим
через X
случайную
величину, равную числу появлений события
А
в
п
испытаниях.

Понятно,
что событие А
может
вообще не наступить, наступить один
раз, два раза и т.д. и, наконец, наступить
п
раз.
Следовательно, возможными значениями
величины X
будут
числа 0, 1, 2, …, n

1, п.
По
формуле Бернулли можно найти вероятности
этих значений:

Запишем полученные
данные в виде таблицы распределения:

	0	1	…	m	…	n
p	qⁿ		…		…	pⁿ

Построенный
закон распределения дискретной случайной
величины X
называют
законом
биномиального распределения.

Найдем
М(Х).
Очевидно,
что X_i

число
появлений события А
в
каждом испытании 
представляет собой случайную величину
со следующим распределением:

X_i	0	1
p_i	q	p

Поэтому
М(Х_i)
=

.
Но
так как X
=
Х₁
+ … +Х_n,
то
М(Х)
= пр.
Найдем далее D(X)
и

(Х).
Так
как величина

имеет
распределение

X_i²	0²	1²
p_i	q	p

то
M(X_i²)=

.
Поэтому

Наконец,
в силу независимости величин X₁,
X₂,
…, Х_n,

Отсюда

Пример
2.
Случайная величина X
определена
как число выпавших гербов в результате
100 бросаний монеты. Вычислить математическое
ожидание, дисперсию и среднее квадратическое
отклонение X.

Решение.
Вероятность появления герба в каждом
бросании монеты

.
Следовательно, вероятность непоявления
герба

.
Случайная
величина X
имеет
биномиальное распределение при п
= 100
и

.
Поэтому

Пример
3.
Допустим, что для хищника вероятность
поимки отдельной жертвы составляет 0,4
при каждом столкновении с жертвой.
Каково ожидаемое число пойманных жертв
в 20 столкновениях?

Решение.
Это пример биномиального распределения
при п
= 20
и р
= 0,4.
Ожидаемое число есть М(Х)
= пр =

=
=8.

2.
Локальная и интегральная предельные
теоремы Лапласа. Если
число испытаний п
велико,
то вычисления по формуле Бернулли
становятся затруднительными. Лаплас
получил важную приближенную формулу
для вероятности Р_n(т)
появления
события А
точно
m
раз, если п
достаточно
большое число. Им же получена приближенная
формула и для суммы вида

.

Локальная
предельная теорема Лапласа.
Пусть р=Р(А)

вероятность события А, причем 0
< р
< 1.
Тогда вероятность того, что в условиях
схемы Бернулли событие А при п испытаниях
появится точно т раз, выражается
приближенной формулой Лапласа

(2)

где

Для
функции

имеется
таблица (см. приложение 1) ее значений
для положительных значений х
(функция

четная).

Пример
4.
Вероятность поражения цели стрелком
при одиночном выстреле равна р
= 0,2.
Какова вероятность того, что при 100
выстрелах цель будет поражена ровно 20
раз?

Решение.
Здесь р
= 0,2, q
= 0,8,
n
= 100 и т
= 20.
Отсюда

и, следовательно,

Учитывая,
что

,
из формулы (2) получаем

(для
получения приближен-ного равенства

можно использовать калькулятор).

Перейдем
к интегральной
предельной теореме
Лапласа.
Поставим следующий вопрос, какова
вероятность того, что в условиях схемы
Бернулли событие А,
имеющее
вероятность Р(А)
= р (0 < р
< 1), при п
испытаниях
(как и прежде, число испытаний велико)
появится не менее k
раз и не
более l
раз. Эту искомую вероятность обозначим
через P_n(k,
l).

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

#
#
#
#
#
#
#
#
#
#
01.05.2022204.8 Кб0Учебники 6027.doc
#

Источник

Функции случайных величин

Закон распределения вероятностей функции одной случайной величины

Закон распределения функции двух случайных величин

Математическое ожидание функции случайных величин

Дисперсия функции случайных величин

Корреляционный момент функций случайных величин

Дисперсия и ее свойства. Среднее квадратическое отклонение

Краткая теория

Дисперсия и формула для ее вычисления

Свойства дисперсии

Среднеквадратическое отклонение

Примеры решения задач

Пример 1

Пример 2

Пример 3

Пример 4

Задачи контрольных и самостоятельных работ

4.5. Некоторые законы распределения случайных величин

Не пропустите также:

Дисперсия и ее свойства.
Среднее квадратическое отклонение