Раздел 6.   Типичные законы распределения и числовые характеристики случайных величин

Вид функций F(x), р(х), или перечисление р(х_i) называют законом распределения случайной величины. Хотя можно представить себе бесконечное разнообразие случайных величин, законов распределения гораздо меньше. Во-первых, различные случайные величины могут иметь совершенно одинаковые законы распределения. Например: пусть y принимает всего 2 значения 1 и -1 с вероятностями 0.5; величина z = -y имеет точно такой же закон распределения.
Во-вторых, очень часто случайные величины имеют подобные законы распределения, т.е., например, р(х) для них выражается формулами одинакового вида, отличающимися только одной или несколькими постоянными. Эти постоянные называются параметрами распределения.

Хотя в принципе возможны самые разные законы распределения, здесь будут рассмотрены несколько наиболее типичных законов. Важно обратить внимание на условия, в которых они возникают, параметры и свойства этих распределений.

  1 .   Равномерное распределение
Так называют распределение случайной величины, которая может принимать любые значения в интервале (a,b), причем вероятность попадания ее в любой отрезок внутри (a,b) пропорциональна длине отрезка и не зависит от его положения, а вероятность значений вне (a,b) равна 0.

Рис 6.1 Функция и плотность равномерного распределения

Параметры распределения: a , b

  2 .   Нормальное распределение
Распределение с плотностью, описываемой формулой

                (6.1)

называется нормальным. (Рисунок 6.2)
Параметры распределения: a , σ

Рисунок 6.2 Типичный вид плотности и функции нормального распределения

  3 .   Распределение Бернулли
Если производится серия независимых испытаний, в каждом из который событие А может появиться с одинаковой вероятностью р, то число появлений события есть случайная величина, распределенная по закону Бернулли, или по биномиальному закону (другое название распределения).

                (6.2)

Здесь n - число испытаний в серии, m - случайная величина (число появлений события А), Р_n(m) - вероятность того, что А произойдет именно m раз, q = 1 - р (вероятность того, что А не появится в испытании).

Пример 1: Кость бросают 5 раз, какова вероятность того, что 6 очков выпадет дважды ?
n = 5, m = 2, p = 1/6, q = 5/6

Параметры распределения: n , р

  4 .   Распределение Пуассона
Распределение Пуассона получается как предельный случай распределения Бернулли, если устремить р к нулю, а n к бесконечности, но так, чтобы их произведение оставалось постоянным: nр = а. Формально такой предельный переход приводит к формуле

                (6.3)

Параметр распределения: a

Распределению Пуассона подчиняются очень многие случайные величины, встречающиеся в науке и практической жизни.

Пример 2: число вызовов, поступающих на станцию скорой помощи в течение часа.
Разобьем интервал времени Т (1 час) на малые интервалы dt, такие что вероятность поступления двух и более вызовов в течение dt пренебрежимо мала, а вероятность одного вызова р пропорциональна dt: р = μdt ;
будем рассматривать наблюдение в течение моментов dt как независимые испытания, число таких испытаний за время Т: n = T / dt;
если предполагать, что вероятности поступления вызовов не меняются в течение часа, то полное число вызовов подчиняется закону Бернулли с параметрами: n = T / dt, р = μdt . Устремив dt к нулю, получим, что n стремится к бесконечности, а произведение n×р остается постоянным: а = n×р = μТ.

Пример 3: число молекул идеального газа в некотором фиксированном объеме V.
Разобьем объем V на малые объемы dV такие, что вероятность нахождения двух и более молекул в dV пренебрежимо мала, а вероятность нахождения одной молекулы пропорциональна dV: р = μdV; будем рассматривать наблюдение каждого объемчика dV как независимое испытание, число таких испытаний n=V/dV; если предполагать, что вероятности нахождения молекулы в любом месте внутри V одинаковы, полное число молекул в объеме V подчиняется закону Бернулли с параметрами: n = V / dV, р = μdV. Устремив dV к нулю, получим, что n стремится к бесконечности, а произведение n×р остается постоянным: а = n×р =μV.

Числовые характеристики случайных величин

  1 .   Математическое ожидание (среднее значение)

Определение:
Математическим ожиданием называется
- для дискретной случайной величины:     (6.4)

Сумма берется по всем значениям, которые принимает случайная величина. Ряд должен быть абсолютно сходящимся (в противном случае говорят, что случайная величина не имеет математического ожидания)

- для непрерывной случайной величины:;    (6.5)

Интеграл должен быть абсолютно сходящимся (в противном случае говорят, что случайная величина не имеет математического ожидания)

Свойства математического ожидания:

a .   Если С - постоянная величина, то МС = С
b .   МСх = СМх
c .   Математическое ожидание суммы случайных величин всегда равно сумме их математических ожиданий: М(х+y) = Мх + Мy d .   Вводится понятие условного математического ожидания. Если случайная величина принимает свои значения х_i с различными вероятностями p(x_i/H_j) при разных условиях H_j, то условное математическое ожидание определяется

как или ;    (6.6)

Если известны вероятности событий H_j, может быть найдено полное

математическое ожидание: ;    (6.7)

Пример 4: Сколько раз в среднем надо бросать монету до первого выпадения герба ? Эту задачу можно решать "в лоб"

xi	1           2          3        ... k..
p(xi) :		,

но эту сумму еще надо вычислить. Можно поступить проще, используя понятия условного и полного математического ожидания. Рассмотрим гипотезы Н₁ - герб выпал в первый же раз, Н₂ - в первый раз он не выпал. Очевидно, р(Н₁) = р(Н₂) = ½;   Мx / Н₁ = 1;
Мx / Н₂ на 1 больше искомого полного матожидания, т.к. после первого бросания монеты ситуация не изменилась, но один раз она уже брошена. Используя формулу полного математического ожидания, имеем Мх = Мx / Н₁×р(Н₁) + Мx / Н₂×р(Н₂) = 1×0.5 + (Мх + 1)×0.5 , разрешая уравнение относительно Мх, получаем сразу Мх = 2 .

e .   Если f(x) - есть функция случайной величины х, то определено понятие математического ожидания функции случайной величины:

- для дискретной случайной величины: ;    (6.8)

Сумма берется по всем значениям, которые принимает случайная величина. Ряд должен быть абсолютно сходящимся.

-для непрерывной случайной величины:;    (6.9)

Интеграл должен быть абсолютно сходящимся.

  2 .   Дисперсия случайной величины
Определение:
Дисперсией случайной величины х называется математическое ожидание квадрата отклонения значения величины от ее математического ожидания:   Dx = M(x-Mx)²

- для дискретной случайной величины: ;    (6.10)

Сумма берется по всем значениям, которые принимает случайная величина. Ряд должен быть сходящимся (в противном случае говорят, что случайная величина не имеет дисперсии)

- для непрерывной случайной величины: ;    (6.11)

Интеграл должен быть сходящимся (в противном случае говорят, что случайная величина не имеет дисперсии)

Свойства дисперсии:
a .   Если С - постоянная величина, то DС = 0
b .   DСх = С²Dх
c .   Дисперсия суммы случайных величин всегда равно сумме их дисперсий только, если эти величины независимы (определение независимых величин)
d .   Для вычисления дисперсии удобно использовать формулу:

  Dx = Mx² - (Mx)²      (6.12)

Связь числовых характеристик
и параметров типичных распределений

распределение	параметры	формула	Mx	Dx
равномерное	a , b		(b+a) / 2	(b-a)2 / 12
нормальное	a , σ		a	σ2
Бернулли	n , p		np	npq
Пуассона	a		a	a

далее ...