Страница 1
Тест 7
Нормальный закон распределения. Вероятность попадания нормально распределенной случайной величины (НРСВ) в заданный интервал.
Основные сведения из теории.

Нормальным называют распределение вероятностей случайной величины (СВ) X , если плотность распределения определяется уравнением:

Где a – математическое ожидание СВ X ; - среднее квадратическое отклонение.

График
симметричен относительно вертикальной прямой
. Чем больше , тем больше размах кривой
. Значения функции
имеются в таблицах.

Вероятность того, что СВ X примет значение, принадлежащее интервалу
:
, где
- функция Лапласа. Функция
определяется по таблицам.

При =0 кривая
симметрична относительно оси ОУ- это стандартное (или нормированное) нормальное распределение.

Так как функция плотности вероятности НРСВ симметрична относительно математического ожидания, то можно простроить так называемую шкалу рассеивания:

Видно, что с вероятностью 0,9973 можно утверждать, что НРСВ примет значения в пределах интервала
. Это утверждение получило в теории вероятностей название “правила Трех сигм”.

1. Сравните величины для двух кривых НРСВ.

1)
2)

2. Непрерывная случайная величина Х задана плотностью распределения вероятностей
. Тогда математическое ожидание этой нормально распределенной случайной величины равно:

1) 3 2) 18 3) 4 4)

3. НРСВ Х задана плотностью распределения:
.

Математическое ожидание и дисперсия этой СВ равны:

1) =1 2) =5 3) =5

=25 =1 =25
4. Правило трех сигм означает, что:

1) Вероятность попадания СВ в интервал
, то есть близка к единице;

2) НРСВ не может выйти за пределы
;

3) График плотности НРСВ симметричен относительно математического ожидания

5. СВ Х распределена нормально с математическим ожиданием, равным 5 и СКО, равным 2 единицы. Выражение для плотности распределения этой НРСВ имеет вид:

1)

2)

3)

6. Математическое ожидание и СКО НРСВ Х равны 10 и 2. Вероятность того, что в результате испытания СВ Х примет значение, заключенное в интервале , составляет:

1) 0,1915 2) 0,3830 3) 0,6211

7. Деталь считается годной, если отклонение Х действительного размера от размера на чертеже по абсолютной величине меньше, чем 0,7 мм. Отклонения Х от размера на чертеже являются НРСВ со значением =0,4 мм. Изготовлено 100 деталей; из них годных будет:

1) 92 2) 64 3) 71

8. Математическое ожидание и СКО НРСВ Х равны 10 и 2. Вероятность того, что в результате испытания СВ Х примет значение, заключенное в интервале составляет:

1) 0,1359 2) 0,8641 3) 0,432

9. Погрешность Х изготовления детали является НРСВ со значением a =10 и =0,1. Тогда с вероятностью 0,9973 интервал размеров деталей, симметричный относительно a =10 будет:

1) 9,7; 10,3 2) 9,8; 10,2 3) 9,9; 10,1

10. Взвешивают все изделия без систематических ошибок. Случайные ошибки Х измерения подчинены нормальному закону со значением =10 г. Вероятность того, что взвешивание будет произведено с ошибкой не превосходящей по абсолютной величине 15 г составляет:

1) 0,8664 2) 0,1336 3) 0,4332

11. НРСВ Х имеет математическое ожидание a =10 и СКО =5. С вероятностью 0,9973 величина Х попадет в интервал:

1) (5; 15) 2) (0; 20) 3) (-5; 25)

12. НРСВ Х имеет математическое ожидание a =10. Известно, что вероятность попадания Х в интервал равна 0,3. Тогда вероятность попадания СВ Х в интервал будет равна:

1) 0,1 2) 0,2 3) 0,3

13. НРСВ Х имеет математическое ожидание a =25. Вероятность попадания Х в интервал равна 0,2. Тогда вероятность попадания Х в интервал будет равна:

1) 0,1 2) 0,2 3) 0,3

14. Температура в помещении поддерживается нагревателем и имеет нормальное распределение с
и
. Вероятность того, что температура в этом помещении будет в пределах от
до
составляет:

1) 0,95 2) 0,83 3) 0,67

15. Для стандартизованного нормального распределения величина равна:

1) 1 2) 2 3)

16. Эмпирическое нормальное распределение образуется в том случае, когда:

1) действует большое число независимых случайных причин, имеющих примерно одинаковый статистический вес;

2) действует большое число сильно зависимых между собой случайных величин;

3) объем выборки небольшой.

1	Значение определяет размах кривой плотности распределения относительно математического ожидания. Для кривой 2 размах больше, то есть	(2)
2	В соответствии с уравнением для плотности НРСВ математическое ожидание a =4.	(3)
3	В соответствии с уравнением для плотности НРСВ имеем: =1; =5, то есть .	(1)
4	Верным является ответ (1).	(1)
5	Выражение для плотности распределении НРСВ имеет вид: . По условию: =2; a =5, то есть верным является ответ (1).	(1)
6	По условию =10; =2. Интервал равен . Тогда: ; . По таблицам функции Лапласа: ; . Тогда искомая вероятность:	(2)
7	По условию: =0; ;=0,4. Значит интервал будет [-0,7; 0,7]. ; . ; То есть из 100 деталей наиболее вероятно будет годных 92 штуки.	(1)

8	По условию: =10 и =2. Интервал равен . Тогда: ; . По таблицам функции Лапласа: ; ;	(1)
9	В интервал, симметричный относительно математического ожидания a =10 с вероятностью 0,9973, попадают все детали, имеющие размеры, равные , то есть ; . Таким образом:	(1)
10	По условию ,то есть =0, а интервал будет [-15;15] Тогда: ; .

Рис. 4. Плотность нормального распределения.

Пример 6. Определение числовых характеристик случайной величины по её плотности рассматривается на примере. Непрерывная случайная величина задана плотностью

Определить вид распределения, найти математическое ожидание M(X) и дисперсию D(X).

Решение. Сравнивая заданную плотность распределения с (1.16) можно сделать вывод, что задан нормальный закон распределения с m=4. Следовательно, математическое ожидание

M(X)=4, дисперсия D(X)=9.

Среднее квадратическое отклонение σ =3.

Функция нормального распределения (1.17) связана с функцией Лапласа, имеющей вид:

соотношение: Φ (− x ) = −Φ (x ). (Функции Лапласа нечётная). Значения функций f(x) и Ф(х) можно вычислить с помощью таблицы.

Нормальное распределение непрерывной случайной величины играет важную роль в теории вероятностей и при описании реальности, имеет очень широкое распространение в случайных явлениях природы. На практике очень часто встречаются случайные величины, образующиеся именно в результате суммирования многих случайных слагаемых. В частности, анализ ошибок измерения показывает, что они являются суммой разного рода ошибок. Практика показывает, что распределение вероятностей ошибок измерения близко к нормальному закону.

С помощью функции Лапласа можно решать задачи вычисления вероятности попадания в заданный интервал и заданного отклонения нормальной случайной величины.

3.4. Вероятность попадания в заданный интервал нормальной случайной величины

Если случайная величина Х задана плотностью распределения f(x), то вероятность того, что Х примет значение, принадлежащее заданному интервалу, вычисляется по формуле (1.9а). Подставив в формулу (1.9а) значение плотности распределения из (1.16) для нормального распределения N(a, σ ) и сделав ряд преобразований, вероятность того, что Х примет значение, принадлежащее заданному интервалу , будет равна:

P { x 1 ≤ X ≤ x 2 } = Φ(x 2 σ − а )

где: а – математическое ожидание.

−Φ(	x1 − а

Пример 7. Случайная величина Х распределена по нормальному закону. Математическое ожидание a=60, среднеквадратическое отклонение σ =20. Найти вероятность попадания случайной величины Х в заданный интервал (30;90).

Решение. Искомая вероятность вычисляется по формуле (1.18).

Получим: P(30 < X < 90) = Ф((90 – 60) / 20) –Ф((30 – 60)/20) = 2Ф(1,5).

По таблице Приложения 1: Ф(1,5) = 0,4332.. P(30 < X < 90)=2 Ф(1,5) = 2 0,4332 = 0,8664.

Вероятность попадания случайной величины Х в заданный интервал (30; 90) равна: P(30 < X < 90) = 0,8664.

3.5. Вычисление вероятности заданного отклонения нормальной случайной величины

Задачи вычисления вероятности отклонения нормальной случайной величины от заданного значения связаны с различного рода ошибками (измерения, взвешивания). Ошибки разного рода обозначаются переменной ε .

Пусть ε - отклонение нормально распределённой случайной величины Х по модулю. Требуется найти вероятность того, что отклонение случайной величины Х от математического ожидания не превысит заданного значения ε . Данная вероятность записывается в виде: P(|X–a| ≤ ε ). Предполагается, что в формуле (1.18) отрезок [х1 ; х2 ] симметричен относительно математического ожидания а. Таким образом: a–х1 =ε ; х2 –a =ε . Если эти выражения сложить, можно записать: х2 – х1 =2ε . Границы интервала [х1 ; х2 ] будут иметь вид:

х1 =а –ε ; х2 =а + ε .

В правую часть (1.18) подставляются значения х1 , х2 из (1.19), а выражение в фигурных скобках переписывается в виде двух неравенств:

1) х 1 ≤ X и заменяется в нём х1 согласно (1.19), получится: а–ε ≤ X или а–X ≤ ε .

2) X ≤ х 2 , аналогично заменяется х2 , получится: X ≤ а+ε или X–a ≤ ε .

Пример 8. Производится измерение диаметра детали. Случайные ошибки измерения принимаются за случайную величину Х и подчинены нормальному закону с математическим ожиданием а=0, со средним квадратическим отклонение σ =1 мм. Найти вероятность того, что измерение будет сделано с ошибкой, не превышающей по абсолютной величине 2 мм.

Решение. Дано: ε =2, σ =1мм, а=0.

По формуле (5.20): P (|X–0| ≤ 2) = 2Ф(ε /σ ) = 2Ф(2/1) = 2Ф(2,0).

Вероятность того, что измерение будет сделано с ошибкой, не превышающей по абсолютной величине 1мм равна:

P (|X| ≤ ε ) = 2 0,4772 = 0,9544.

Пример 9. Случайная величина, распределенная по нормальному закону с параметрами: а=50 и σ =15. Найти вероятность того, что отклонение случайной величина от своего математического ожидания – а будет меньше 5 ,т.е. P(|X–a| <5).

Решение. С учетом (1.18) будем иметь: P(|X– a| < ε )=2Ф(ε /σ );

ФОРМЫ ЗАДАНИЯ ЗАКОНА РАСПРЕДЕЛЕНИЯ ДЛЯ НЕПРЕРЫВНЫХ СЛУЧАЙНЫХ ВЕЛИЧИН

ФОРМЫ ЗАДАНИЯ ЗАКОНА РАСПРЕДЕЛЕНИЯ ДИСКРЕТНЫХ СЛУЧАЙНЫХ ВЕЛИЧИН

1). Таблица (ряд)распределения - простейшая форма задания закона распределения дискретных случайных величин.

Так как в таблице перечислены все возможные значения случайной величины.

2). Многоугольник распределения . При графическом изображении ряда распределения в прямоугольной системе координат по оси абсцисс откладывают все возможные значения случайной величины, а по оси ординат - соответствующие им вероятности. Затем наносят точки и соединяют их прямолинейными отрезками. Полученная фигура -многоугольник распределения - также является формой задания закона распределения дискретной случайной величины.

3). Функция распределения - вероятность того, что случайная величина Х примет значение, меньшее некоторого заданного х , т.е

.

С геометрической точки зрения можно рассматривать как вероятность попадания случайной точки Х на участок числовой оси, расположенный левее фиксированной точки х.

2) ; ;

Задача 2.1. Случайная величина Х - число попаданий в мишень при 3‑х выстрелах (см. задачу 1.5). Построить ряд распределения, многоугольник распределения, вычислить значения функции распределения и построить её график.

Решение :

1) Ряд распределения случайной величины Х представлен в таблице

При	,
При	,
При	,
При
при	.

Откладывая по оси абсцисс значения х, а по оси ординат - значения и выбрав определённый масштаб, получим график функции распределения (рис. 2.2). Функция распределения дискретной случайной величины имеет скачки (разрывы) в тех точках, в которых случайная величина Х принимает конкретные значения, указанные в таблице распределения. Сумма всех скачков функции распределения равна единице.

Рис. 2.2 - Функция распределения дискретной величины

1). Функция распределения .

Для непрерывной случайной величины график функции распределения (рис. 2.3) имеет форму плавной кривой.

Свойства функции распределения:

в) , если .

Рис. 2.3 - Функция распределения непрерывной величины

2). Плотность распределения определяется как производная от функции распределения, т.е.

.

Кривая, изображающая плотность распределения случайной величины , называется кривой распределения (рис. 2.4).

Свойства плотности:

а) , т.е. плотность есть неотрицательная функция;

б) , т.е. площадь, ограниченная кривой распределения и осью абсцисс, всегда равна 1.

Если все возможные значения случайной величины Х заключены в пределах от a до b , то второе свойство плотности примет вид:

Рис. 2.4 - Кривая распределения

На практике часто оказывается необходимым знать вероятность того, что случайная величина Х примет значение, заключённое в некоторых пределах, например, от a до b. Искомая вероятность для дискретной случайной величины Х определяется по формуле

так как вероятность любого отдельного значения непрерывной случайной величины равна нулю: .

Вероятность попадания непрерывной случайной величины Х на интервал (a,b) определяется также выражением:

Задача 2.3. Случайная величина Х задана функцией распределения

Найти плотность , а также вероятность того, что в результате испытания случайная величина Х примет значение, заключённое в интервале .

Решение :

2. Вероятность попадания случайной величины Х в интервал определяем по формуле. Принимая и , находим

Дисперсия нормальной случайной величины.

Дисперсия случайной величины есть математическое ожидание квадрата соответствующей центрированной случайной величины.

Она характеризует степень разброса значений случайной величины относительно ее математического ожидания, т.е. ширину диапазона значений.

Расчетные формулы:

Дисперсия может быть вычислена через второй начальный момент:

(6.10)

Дисперсия случайной величины характеризует степень рассеивания (разброса) значений случайной величины относительно ее математического ожидания. Дисперсия СВ (как дискретной, так и непрерывной) есть неслучайная (постоянная) величина.

Дисперсия СВ имеет размерность квадрата случайной величины. Для наглядности характеристики рассеивания пользуются величиной, размерность которой совпадает с размерностью СВ.

Средним квадратическим отклонением (СКО) СВ X называется характеристика

. (6.11)

СКО измеряется в тех же физических единицах, что и СВ, и характеризует ширину диапазона значений СВ.

Свойства дисперсии

Дисперсия постоянной величины с равна нулю.

Доказательство: по определению дисперсии

При прибавлении к случайной величине Х неслучайной величины с ее дисперсия не меняется.

D [X +c ] = D [X ].

Доказательство: по определению дисперсии

(6.12)

3. При умножении случайной величины Х на неслучайную величину с ее дисперсия умножается на с 2 .

Доказательство: по определению дисперсии

. (6.13)

Для среднего квадратичного отклонения это свойство имеет вид:

(6.14)

Действительно, при ½С½>1 величина сХ имеет возможные значения (по абсолютной величине), большие, чем величина Х. Следовательно, эти значения рассеяны вокруг математического ожидания М [сХ ] больше, чем возможные значения Х вокруг М [X ], т.е. . Если 0<½с½<1, то .

Правило 3s. Для большинства значений случайной величины абсолютная величина ее отклонения от математического ожидания не превосходит утроенного среднего квадратического отклонения, или, другими словами, практически все значения СВ находятся в интервале:

[ m - 3s ; m + 3 s; ].(6.15)

Вероятность попадания в заданный интервал нормальной случайной величины

Как уже было установлено, вероятность того, что непрерывная случайная величина примет значение, принадлежащее интервалу , равна определенному интегралу от плотности распределения, взятому в соответствующих пределах:
.
Для нормально распределенной случайной величины соответственно получим:
.
Преобразуем последнее выражение, введя новую переменную . Следовательно, показатель степени выражения, стоящего под интегралом преобразуется в:
.
Для замены переменной в определенном интеграле еще необходимо заменить дифференциал и пределы интегрирования, предварительно выразив переменную из формулы замены:
;
;
– нижний предел интегрирования;
– верхний предел интегрирования;
(для нахождения пределов интегрирования по новой переменной в формулу замены переменной были подставлены и – пределы интегрирования по старой переменной ).
Подставим все в последнюю из формул для нахождения вероятности:


где – функция Лапласа.
Вывод: вероятность того, что нормально распределенная случайная величина примет значение, принадлежащее интервалу , равна:
,
где – математическое ожидание, – среднее квадратическое отклонение данной случайной величины.

23. Распределения «хи-квадрат», Стьюдента и Фишера

С помощью нормального распределения определяются три распределения, которые в настоящее время часто используются при статистической обработке данных. В дальнейших разделах книги много раз встречаются эти распределения.

Распределение Пирсона (хи - квадрат) – распределение случайной величины

где случайные величины X 1 , X 2 ,…, X n независимы и имеют одно и тоже распределение N (0,1). При этом число слагаемых, т.е. n , называется «числом степеней свободы» распределения хи – квадрат.

Распределение хи-квадрат используют при оценивании дисперсии (с помощью доверительного интервала), при проверке гипотез согласия, однородности, независимости, прежде всего для качественных (категоризованных) переменных, принимающих конечное число значений, и во многих других задачах статистического анализа данных .

Распределение t Стьюдента – это распределение случайной величины

где случайные величины U и X независимы, U имеет распределение стандартное нормальное распределение N (0,1), а X – распределение хи – квадрат с n степенями свободы. При этом n называется «числом степеней свободы» распределения Стьюдента.

Распределение Стьюдента было введено в 1908 г. английским статистиком В. Госсетом, работавшем на фабрике, выпускающей пиво. Вероятностно-статистические методы использовались для принятия экономических и технических решений на этой фабрике, поэтому ее руководство запрещало В. Госсету публиковать научные статьи под своим именем. Таким способом охранялась коммерческая тайна, «ноу-хау» в виде вероятностно-статистических методов, разработанных В. Госсетом. Однако он имел возможность публиковаться под псевдонимом «Стьюдент». История Госсета - Стьюдента показывает, что еще сто лет назад менеджерам Великобритании была очевидна большая экономическая эффективность вероятностно-статистических методов.

В настоящее время распределение Стьюдента – одно из наиболее известных распределений среди используемых при анализе реальных данных. Его применяют при оценивании математического ожидания, прогнозного значения и других характеристик с помощью доверительных интервалов, по проверке гипотез о значениях математических ожиданий, коэффициентов регрессионной зависимости, гипотез однородности выборок и т.д. .