Таблице дано распределение случайной величины x. Гипергеометрический закон распределения

Случайной величиной называют переменную величину, которая в результате каждого испытания принимает одно заранее неизвестное значение, зависящее от случайных причин. Случайные величины обозначают заглавными латинскими буквами: $X,\ Y,\ Z,\ \dots $ По своему типу случайные величины могут быть дискретными и непрерывными .

Дискретная случайная величина - это такая случайная величина, значения которой могут быть не более чем счетными, то есть либо конечными, либо счетными. Под счетностью имеется ввиду, что значения случайной величины можно занумеровать.

Пример 1 . Приведем примеры дискретных случайных величин:

а) число попаданий в мишень при $n$ выстрелах, здесь возможные значения $0,\ 1,\ \dots ,\ n$.

б) число выпавших гербов при подкидывании монеты, здесь возможные значения $0,\ 1,\ \dots ,\ n$.

в) число прибывших кораблей на борт (счетное множество значений).

г) число вызовов, поступающих на АТС (счетное множество значений).

1. Закон распределения вероятностей дискретной случайной величины.

Дискретная случайная величина $X$ может принимать значения $x_1,\dots ,\ x_n$ с вероятностями $p\left(x_1\right),\ \dots ,\ p\left(x_n\right)$. Соответствие между этими значениями и их вероятностями называется законом распределения дискретной случайной величины . Как правило, это соответствие задается с помощью таблицы, в первой строке которой указывают значения $x_1,\dots ,\ x_n$, а во второй строке соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$.

$\begin{array}{|c|c|}
\hline
X_i & x_1 & x_2 & \dots & x_n \\
\hline
p_i & p_1 & p_2 & \dots & p_n \\
\hline
\end{array}$

Пример 2 . Пусть случайная величина $X$ - число выпавших очков при подбрасывании игрального кубика. Такая случайная величина $X$ может принимать следующие значения $1,\ 2,\ 3,\ 4,\ 5,\ 6$. Вероятности всех этих значений равны $1/6$. Тогда закон распределения вероятностей случайной величины $X$:

$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline

\hline
\end{array}$

Замечание . Поскольку в законе распределения дискретной случайной величины $X$ события $1,\ 2,\ \dots ,\ 6$ образуют полную группу событий, то в сумме вероятности должны быть равны единице, то есть $\sum{p_i}=1$.

2. Математическое ожидание дискретной случайной величины.

Математическое ожидание случайной величины задает ее «центральное» значение. Для дискретной случайной величины математическое ожидание вычисляется как сумма произведений значений $x_1,\dots ,\ x_n$ на соответствующие этим значениям вероятности $p_1,\dots ,\ p_n$, то есть: $M\left(X\right)=\sum^n_{i=1}{p_ix_i}$. В англоязычной литературе используют другое обозначение $E\left(X\right)$.

Свойства математического ожидания $M\left(X\right)$:

1. $M\left(X\right)$ заключено между наименьшим и наибольшим значениями случайной величины $X$.
2. Математическое ожидание от константы равно самой константе, т.е. $M\left(C\right)=C$.
3. Постоянный множитель можно выносить за знак математического ожидания: $M\left(CX\right)=CM\left(X\right)$.
4. Математическое ожидание суммы случайных величин равно сумме их математических ожиданий: $M\left(X+Y\right)=M\left(X\right)+M\left(Y\right)$.
5. Математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий: $M\left(XY\right)=M\left(X\right)M\left(Y\right)$.

Пример 3 . Найдем математическое ожидание случайной величины $X$ из примера $2$.

$$M\left(X\right)=\sum^n_{i=1}{p_ix_i}=1\cdot {{1}\over {6}}+2\cdot {{1}\over {6}}+3\cdot {{1}\over {6}}+4\cdot {{1}\over {6}}+5\cdot {{1}\over {6}}+6\cdot {{1}\over {6}}=3,5.$$

Можем заметить, что $M\left(X\right)$ заключено между наименьшим ($1$) и наибольшим ($6$) значениями случайной величины $X$.

Пример 4 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=2$. Найти математическое ожидание случайной величины $3X+5$.

Используя вышеуказанные свойства, получаем $M\left(3X+5\right)=M\left(3X\right)+M\left(5\right)=3M\left(X\right)+5=3\cdot 2+5=11$.

Пример 5 . Известно, что математическое ожидание случайной величины $X$ равно $M\left(X\right)=4$. Найти математическое ожидание случайной величины $2X-9$.

Используя вышеуказанные свойства, получаем $M\left(2X-9\right)=M\left(2X\right)-M\left(9\right)=2M\left(X\right)-9=2\cdot 4-9=-1$.

3. Дисперсия дискретной случайной величины.

Возможные значения случайных величин с равными математическими ожиданиями могут по-разному рассеиваться вокруг своих средних значений. Например, в двух студенческих группах средний балл за экзамен по теории вероятностей оказался равным 4, но в одной группе все оказались хорошистами, а в другой группе - только троечники и отличники. Поэтому возникает необходимость в такой числовой характеристике случайной величины, которая бы показывала разброс значений случайной величины вокруг своего математического ожидания. Такой характеристикой является дисперсия.

Дисперсия дискретной случайной величины $X$ равна:

$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}.\ $$

В англоязычной литературе используются обозначения $V\left(X\right),\ Var\left(X\right)$. Очень часто дисперсию $D\left(X\right)$ вычисляют по формуле $D\left(X\right)=\sum^n_{i=1}{p_ix^2_i}-{\left(M\left(X\right)\right)}^2$.

Свойства дисперсии $D\left(X\right)$:

1. Дисперсия всегда больше или равна нулю, т.е. $D\left(X\right)\ge 0$.
2. Дисперсия от константы равна нулю, т.е. $D\left(C\right)=0$.
3. Постоянный множитель можно выносить за знак дисперсии при условии возведения его в квадрат, т.е. $D\left(CX\right)=C^2D\left(X\right)$.
4. Дисперсия суммы независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X+Y\right)=D\left(X\right)+D\left(Y\right)$.
5. Дисперсия разности независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X-Y\right)=D\left(X\right)+D\left(Y\right)$.

Пример 6 . Вычислим дисперсию случайной величины $X$ из примера $2$.

$$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2}={{1}\over {6}}\cdot {\left(1-3,5\right)}^2+{{1}\over {6}}\cdot {\left(2-3,5\right)}^2+\dots +{{1}\over {6}}\cdot {\left(6-3,5\right)}^2={{35}\over {12}}\approx 2,92.$$

Пример 7 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=2$. Найти дисперсию случайной величины $4X+1$.

Используя вышеуказанные свойства, находим $D\left(4X+1\right)=D\left(4X\right)+D\left(1\right)=4^2D\left(X\right)+0=16D\left(X\right)=16\cdot 2=32$.

Пример 8 . Известно, что дисперсия случайной величины $X$ равна $D\left(X\right)=3$. Найти дисперсию случайной величины $3-2X$.

Используя вышеуказанные свойства, находим $D\left(3-2X\right)=D\left(3\right)+D\left(2X\right)=0+2^2D\left(X\right)=4D\left(X\right)=4\cdot 3=12$.

4. Функция распределения дискретной случайной величины.

Способ представления дискретной случайной величины в виде ряда распределения не является единственным, а главное он не является универсальным, поскольку непрерывную случайную величину нельзя задать с помощью ряда распределения. Существует еще один способ представления случайной величины - функция распределения.

Функцией распределения случайной величины $X$ называется функция $F\left(x\right)$, которая определяет вероятность того, что случайная величина $X$ примет значение, меньшее некоторого фиксированного значения $x$, то есть $F\left(x\right)=P\left(X < x\right)$

Свойства функции распределения :

1. $0\le F\left(x\right)\le 1$.
2. Вероятность того, что случайная величина $X$ примет значения из интервала $\left(\alpha ;\ \beta \right)$, равна разности значений функции распределения на концах этого интервала: $P\left(\alpha < X < \beta \right)=F\left(\beta \right)-F\left(\alpha \right)$
3. $F\left(x\right)$ - неубывающая.
4. ${\mathop{lim}_{x\to -\infty } F\left(x\right)=0\ },\ {\mathop{lim}_{x\to +\infty } F\left(x\right)=1\ }$.

Пример 9 . Найдем функцию распределения $F\left(x\right)$ для закона распределения дискретной случайной величины $X$ из примера $2$.

$\begin{array}{|c|c|}
\hline
1 & 2 & 3 & 4 & 5 & 6 \\
\hline
1/6 & 1/6 & 1/6 & 1/6 & 1/6 & 1/6 \\
\hline
\end{array}$

Если $x\le 1$, то, очевидно, $F\left(x\right)=0$ (в том числе и при $x=1$ $F\left(1\right)=P\left(X < 1\right)=0$).

Если $1 < x\le 2$, то $F\left(x\right)=P\left(X=1\right)=1/6$.

Если $2 < x\le 3$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)=1/6+1/6=1/3$.

Если $3 < x\le 4$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)=1/6+1/6+1/6=1/2$.

Если $4 < x\le 5$, то $F\left(X\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)=1/6+1/6+1/6+1/6=2/3$.

Если $5 < x\le 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)=1/6+1/6+1/6+1/6+1/6=5/6$.

Если $x > 6$, то $F\left(x\right)=P\left(X=1\right)+P\left(X=2\right)+P\left(X=3\right)+P\left(X=4\right)+P\left(X=5\right)+P\left(X=6\right)=1/6+1/6+1/6+1/6+1/6+1/6=1$.

Итак, $F(x)=\left\{\begin{matrix}
0,\ при\ x\le 1,\\
1/6,при\ 1 < x\le 2,\\
1/3,\ при\ 2 < x\le 3,\\
1/2,при\ 3 < x\le 4,\\
2/3,\ при\ 4 < x\le 5,\\
5/6,\ при\ 4 < x\le 5,\\
1,\ при\ x > 6.
\end{matrix}\right.$

На этой странице мы собрали краткую теорию и примеры решения учебных задач, в которых дискретная случайная величина уже задана своим рядом распределения (табличный вид) и требуется ее исследовать: найти числовые характеристики, построить графики и т.д. Примеры на известные виды распределения вы можете найти по ссылкам:

Краткая теория о ДСВ

Дискретная случайная величина задается своим рядом распределения: перечнем значений $x_i$, которые она может принимать, и соответствующих вероятностей $p_i=P(X=x_i)$. Количество значений случайной величины может быть конечным или счетным. Для определенности будем рассматривать случай $i=\overline{1,n}$. Тогда табличное представление дискретной случайной величины имеет вид:

$$ \begin{array}{|c|c|} \hline X_i & x_1 & x_2 & \dots & x_n \\ \hline p_i & p_1 & p_2 & \dots & p_n \\ \hline \end{array} $$

При этом выполняется условие нормировки: сумма всех вероятностей должна быть равна единице

$$\sum_{i=1}^{n} p_i=1$$

Графически ряд распределения можно представить полигоном распределения (или многоугольником распределения ). Для этого на плоскости откладываются точки с координатами $(x_i,p_i)$ и соединяются по порядку ломаной линией. Подробные примеры вы найдете .

Числовые характеристики ДСВ

Математическое ожидание:

$$M(X) = \sum_{i=1}^{n} x_i \cdot p_i$$

Дисперсия:

$$ D(X)=M(X^2)-(M(X))^2 = \sum_{i=1}^{n} x_i^2 \cdot p_i - (M(X))^2$$

Среднее квадратическое отклонение:

$$\sigma (X) = \sqrt{D(X)}$$

Коэффициент вариации:

$$V(X) = \frac{\sigma(X)}{M(X)}$$.

Мода: значение $Mo=x_k$ с наибольшей вероятностью $p_k=\max_i{p_i}$.

Вы можете использовать онлайн-калькуляторы для вычисления математического ожидания, дисперсии и среднего квадратического отклонения ДСВ .

Функция распределения ДСВ

По ряду распределения можно составить функцию распределения дискретной случайной величины $F(x)=P(X\lt x)$. Эта функция задает вероятность того, что случайная величина $X$ примет значение меньшее некоторого числа $x$. Примеры построения с подробными вычислениями и графиками вы найдете в примерах ниже.

Примеры решенных задач

Задача 1. Дискретная случайная величина задана рядом распределения:
1 2 3 4 5 6 7
0,05 0,15 0,3 0,2 0,1 0,04 0,16
Построить многоугольник распределения и функцию распределения $F(x)$. Вычислить: $M[X], D[X], \sigma[X]$, а также коэффициент вариации, асимметрии, эксцесса, моду и медиану.

Задача 2. Дан закон распределения дискретной случайной величины Х. Требуется:
а) определить математическое ожидание М(х), дисперсию D(х) и среднее квадратическое отклонение (х) случайной величины Х; б) построить график этого распределения.
хi 0 1 2 3 4 5 6
pi 0,02 0,38 0,30 0,16 0,08 0,04 0,02

Задача 3. Для случайной величины Х с данным рядом распределения
-1 0 1 8
0,2 0,1 $р_1$ $р_2$
А) найдите $р_1$ и $р_2$ так, чтобы $М(Х)=0,5$
Б) после этого вычислите математическое ожидание и дисперсию случайной величины $Х$ и постройте график ее функции распределения

Задача 4. Дискретная СВ $X$ может принимать только два значения: $x_1$ и $x_2$, причем $x_1 \lt x_2$. Известны вероятность $P$ возможного значения, математическое ожидание $M(x)$ и дисперсия $D(x)$. Найти: 1) Закон распределения этой случайной величины; 2) Функцию распределения СВ $X$; 3) Построить график $F(x)$.
$P=0,3; M(x)=6,6; D(x)=13,44.$

Задача 5. Случайная величина Х принимает три значения: 2, 4 и 6. Найти вероятности этих значений, если $M(X)=4,2$, $D(X)=1,96$.

Задача 6. Дан ряд распределения дискретной с.в. $Х$. Найти числовые характеристики положения и рассеивания с.в. $Х$. Найти м.о. и дисперсию с.в. $Y=X/2-2$, не записывая ряда распределения с.в. $Y$, проверить результат с помощью производящей функции.
Построить функцию распределения с.в. $Х$.
¦ x¦ 8 ¦ 12 ¦ 18 ¦ 24 ¦ 30 ¦
¦ p¦ 0,3¦ 0,1¦ 0,3¦ 0,2¦ 0,1¦

Задача 7. Распределение дискретной случайной величины $Х$ задано следующей таблицей (рядом распределения):
-6 3 9 15
0,40 0,30 ? 0,10
Определить недостающее значение в таблице распределения. Вычислить основные числовые характеристики распределения: $M_x, D_x, \sigma_x$. Найти и построить функцию распределения $F(x)$. Определить вероятность того, что случайная величина $Х$ примет значения:
А) больше чем 6,
Б) меньше чем 12,
В) не больше 9.

Задача 8. В задаче требуется найти: а) математическое ожидание; б) дисперсию; в) среднее квадратическое отклонение дискретной случайной величины X по заданному закону её распределения, заданному таблично (в первой строке таблицы указаны возможные значения, во второй строке – вероятности возможных значений).

Задача 9. Задан закон распределения дискретной случайной величины $X$ (в первой строке указаны возможные значения $x_i$, во второй строке – вероятности возможных значений $p_i$).
Найти:
А) математическое ожидание $M(X)$, дисперсию $D(X)$ и среднее квадратическое отклонение $\sigma(X)$;
Б) составить функцию распределения случайной величины $F(x)$ и построить ее график;
В) вычислить вероятности попадания случайной величины $X$ в интервал $x_2 \lt X \lt x_4$, пользуясь составленной функцией распределения $F(x)$;
Г) составить закон распределения величины $Y=100-2X$;
Д) вычислить математическое ожидание и дисперсию составленной случайной величины $Y$ двумя способами, т.е. пользуясь
свойством математического ожидания и дисперсии, а также непосредственно по закону распределения случайной величины $Y$.
10 20 30 40 50
0,1 0,2 0,1 0,2 0,4

Задача 10. Дискретная случайная величина задана таблице. Вычислить ее начальные и центральные моменты до 4 порядка включительно. Найти вероятности событий $\xi \lt M\xi$, $\xi \ge M \xi$, $\xi \lt 1/2 M \xi$, $\xi \ge 1/2 M \xi$.
X 0 0,3 0,6 0,9 1,2
P 0,2 0,4 0,2 0,1 0,1

В приложениях теории вероятностей основное значение имеет количественная характеристика эксперимента. Величина, которая может быть количественно определена и которая в результате эксперимента может принимать в зависимости от случая различные значения, называется случайной величиной.

Примеры случайных величин:

1. Число выпадений четного числа очков при десяти бросаниях игральной кости.

2. Число попаданий в мишень стрелком, который производит серию выстрелов.

3. Число осколков разорвавшегося снаряда.

В каждом из приведенных примеров случайная величина может принимать лишь изолированные значения, то есть значения, которые можно пронумеровать с помощью натурального ряда чисел.

Такая случайная величина, возможные значения которой есть отдельные изолированные числа, которые эта величина принимает с определенными вероятностями, называется дискретной.

Число возможных значений дискретной случайной величины может быть конечным или бесконечным (счетным).

Законом распределения дискретной случайной величины называют перечень её возможных значений и соответствующих им вероятностей. Закон распределения дискретной случайной величины можно задать в виде таблицы (ряд распределения вероятностей), аналитически и графически (многоугольник распределения вероятностей).

При осуществлении того или иного эксперимента возникает необходимость оценивать изучаемую величину «в среднем». Роль среднего значения случайной величины играет числовая характеристика, называемая математическим ожиданием, которая определяется формулой

где x 1 , x 2 ,.. , x n – значения случайной величины X , а p 1 , p 2 , ... , p n – вероятности этих значений (заметим, что p 1 + p 2 +…+ p n = 1).

Пример. Производится стрельба по мишени (рис. 11).

Попадание в I дает три очка, в II – два очка, в III – одно очко. Число очков, выбиваемых при одном выстреле одним стрелком, имеет закон распределения вида

Для сравнения мастерства стрелков достаточно сравнить средние значения выбиваемых очков, т.е. математические ожидания M (X ) и M (Y ):

M (X ) = 1 0,4 + 2  0,2 + 3  0,4 = 2,0,

M (Y ) = 1 0,2 + 2  0,5 + 3  0,3 = 2,1.

Второй стрелок дает в среднем несколько большее число очков, т.е. при многократной стрельбе он будет давать лучший результат.

Отметим свойства математического ожидания:

1. Математическое ожидание постоянной величины равно самой постоянной:

M (C ) = C .

2. Математическое ожидание суммы случайных величин равно сумме математических ожиданий слагаемых:

M = (X 1 + X 2 +…+ X n )= M (X 1)+ M (X 2)+…+ M (X n ).

3. Математическое ожидание произведения взаимно независимых случайных величин равно произведению математических ожиданий cомножителей

M (X 1 X 2 … X n ) = M (X 1)M (X 2)… M (X n ).

4. Математическое отрицание биноминального распределения равно произведению числа испытаний на вероятность появления события в одном испытании (задача 4.6).

M (X ) = пр .

Для оценки того, каким образом случайная величина «в среднем» уклоняется от своего математического ожидания, т.е. для того чтобы охарактеризовать разброс значений случайной величины в теории вероятностей служит понятие дисперсии.

Дисперсией случайной величины X называют математическое ожидание квадрата отклонения:

D (X ) = M [(X - M (X )) 2 ].

Дисперсия является числовой характеристикой рассеивания случайной величины. Из определения видно, что чем меньше дисперсия случайной величины, тем кучнее располагаются её возможные значения около математического ожидания, то есть тем лучше значения случайной величины характеризуются её математическим ожиданием.

Из определения следует, что дисперсия может быть вычислена по формуле

.

Дисперсию удобно вычислять по другой формуле:

D (X ) = M (X 2) - (M (X )) 2 .

Дисперсия обладает следующими свойствами:

1. Дисперсия постоянной равна нулю:

D (C ) = 0.

2. Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат:

D (CX ) = C 2 D (X ).

3. Дисперсия суммы независимых случайных величин равна сумме дисперсии слагаемых:

D (X 1 + X 2 + X 3 +…+ X n )= D (X 1)+ D (X 2)+…+ D (X n )

4. Дисперсия биномиального распределения равна произведению числа испытаний на вероятность появления и непоявления события в одном испытании:

D (X ) = npq .

В теории вероятностей часто используется числовая характеристика, равная корню квадратному из дисперсии случайной величины. Эта числовая характеристика называется средним квадратным отклонением и обозначается символом

.

Она характеризует примерный размер уклонения случайной величины от её среднего значения и имеет одинаковую со случайной величиной размерность.

4.1. Стрелок проводит по мишени три выстрела. Вероятность попадания в мишень при каждом выстреле равна 0,3.

Построить ряд распределения числа попаданий.

Решение . Число попаданий является дискретной случайной величиной X . Каждому значению x n случайной величины X отвечает определенная вероятность P n .

Закон распределения дискретной случайной величины в данном случае можно задать рядом распределения .

В данной задаче X принимает значения 0, 1, 2, 3. По формуле Бернулли

,

найдем вероятности возможных значений случайной величины:

Р 3 (0) = (0,7) 3 = 0,343,

Р 3 (1) =0,3(0,7) 2 = 0,441,

Р 3 (2) =(0,3) 2 0,7 = 0,189,

Р 3 (3) = (0,3) 3 = 0,027.

Расположив значения случайной величины X в возрастающем порядке, получим ряд распределения:

Заметим, что сумма

означает вероятность того, что случайная величина X примет хотя бы одно значение из числа возможных, а это событие достоверное, поэтому

.

4.2 .В урне имеются четыре шара с номерами от 1 до 4. Вынули два шара. Случайная величинаX – сумма номеров шаров. Построить ряд распределения случайной величиныX .

Решение. Значениями случайной величиныX являются 3, 4, 5, 6, 7. Найдем соответствующие вероятности. Значение 3 случайной величиныX может принимать в единственном случае, когда один из выбранных шаров имеет номер 1, а другой 2. Число всевозможных исходов испытания равно числу сочетаний из четырех (число возможных пар шаров) по два.

По классической формуле вероятности получим

Аналогично,

Р (Х = 4) =Р (Х = 6) =Р (Х = 7) = 1/6.

Сумма 5 может появиться в двух случаях: 1 + 4 и 2 + 3, поэтому

.

Х имеет вид:

Найти функцию распределения F (x ) случайной величиныX и построить ее график. Вычислить дляX ее математическое ожидание и дисперсию.

Решение . Закон распределения случайной величины может быть задан функцией распределения

F (x ) = P (X  x ).

Функция распределения F (x ) – неубывающая, непрерывная слева функция, определенная на всей числовой оси, при этом

F (- )= 0,F (+ )= 1.

Для дискретной случайной величины эта функция выражается формулой

.

Поэтому в данном случае

График функции распределения F (x ) представляет собой ступенчатую линию (рис. 12)

Математическое ожидание М (Х ) является взвешенной средней арифметической значенийх 1 , х 2 ,……х n случайной величиныХ при весахρ 1, ρ 2, …… , ρ n и называется средним значением случайной величиныХ . По формуле

М (Х ) = х 1 ρ 1 + х 2 ρ 2 + ……+ х n ρ n

М (Х ) = 3·0,14+5·0,2+7·0,49+11·0,17 = 6,72.

Дисперсия характеризует степень рассеяния значений случайной величины от своего среднего значения и обозначаетсяD (Х ):

D (Х ) =М [(Х-М (Х )) 2 ] = М (Х 2) –[М (Х )] 2 .

Для дискретной случайной величины дисперсия имеет вид

или она может быть вычислена по формуле

Подставляя числовые данные задачи в формулу, получим:

М (Х 2) = 3 2 ∙ 0,14+5 2 ∙ 0,2+7 2 ∙ 0,49+11 2 ∙ 0,17 = 50,84

D (Х ) = 50,84-6,72 2 = 5,6816.

4.4. Две игральные кости одновременно бросают два раза. Написать биномиальный закон распределения дискретной случайной величиныХ - числа выпадений четного суммарного числа очков на двух игральных костях.

Решение . Введем в рассмотрение случайное событие

А = {на двух костях при одном бросании выпало в сумме четное число очков}.

Используя классическое определение вероятности найдем

Р (А )= ,

где n - число всевозможных исходов испытания находим по правилу

умножения:

n = 6∙6 =36,

m - число благоприятствующих событиюА исходов - равно

m = 3∙6=18.

Таким образом, вероятность успеха в одном испытании равна

ρ = Р (А )= 1/2.

Задача решается с применением схемы испытаний Бернулли. Одним испытанием здесь будет бросание двух игральных костей один раз. Число таких испытаний n = 2. Случайная величинаХ принимает значения 0, 1, 2 с вероятностями

Р 2 (0) =,Р 2 (1) =∙,Р 2 (2) =

Искомое биноминальное распределение случайной величины Х можно представить в виде ряда распределения:

4.5 . В партии из шести деталей имеется четыре стандартных. Наудачу отобраны три детали. Составить распределение вероятностей дискретной случайной величиныХ – числа стандартных деталей среди отобранных и найти ее математическое ожидание.

Решение. Значениями случайной величиныХ являются числа 0,1,2,3. Ясно, чтоР (Х =0)=0, поскольку нестандартных деталей всего две.

Р (Х =1) =
=1/5,

Р (Х= 2) =
= 3/5,

Р (Х =3) =
= 1/5.

Закон распределения случайной величины Х представим в виде ряда распределения:

Математическое ожидание

М (Х )=1 ∙ 1/5+2 ∙ 3/5+3 ∙ 1/5=2.

4.6 . Доказать, что математическое ожидание дискретной случайной величиныХ - числа появлений событияА вn независимых испытаниях, в каждом из которых вероятность появления события равнаρ – равно произве-дению числа испытаний на вероятность появления события в одном испыта-нии, то есть доказать, что математическое ожидание биноминального распределения

М (Х ) =n . ρ ,

а дисперсия

D (X ) =np .

Решение. Случайная величинаХ может принимать значения 0, 1, 2…,n . ВероятностьР (Х = к) находится по формуле Бернулли:

Р (Х =к)=Р n (к)=ρ к (1-ρ ) n- к

Ряд распределения случайной величины Х имеет вид:

где q = 1- ρ .

Для математического ожидания имеем выражение:

М (Х )=ρq n - 1 +2 ρ 2 q n - 2 +…+.n ρ n

В случае одного испытания, то есть при n = 1для случайной величиныХ 1 –числа появлений событияА - ряд распределения имеет вид:

M (X 1)= 0 ∙ q+ 1 ∙ p = p

D (X 1) = p – p 2 = p (1- p ) = pq .

Если Х к – число появлений событияА в к-ом испытании, тоР (Х к )= ρ и

Х=Х 1 +Х 2 +….+Х n .

Отсюда получаем

М (Х )=М (Х 1 )+М (Х 2)+ … +М (Х n )= nρ ,

D (X )=D (X 1)+D (X 2)+ ... +D (X n )=npq.

4.7. ОТК проверяет изделия на стандартность. Вероятность того, что изделие стандартно, равна 0,9. В каждой партии содержится 5 изделий. Найти математическое ожидание дискретной случайной величиныХ -числа партий, в каждой из которых окажется равно 4 стандартных изделия – если проверке подлежит 50 партий.

Решение . Вероятность того, что в каждой произвольно выбранной партии окажется 4 стандартных изделия, постоянна; обозначим ее черезρ .Тогда математическое ожидание случайной величиныХ равноМ (Х )= 50∙ρ.

Найдем вероятность ρ по формуле Бернулли:

ρ=Р 5 (4)== 0,94∙0,1=0,32.

М (Х )= 50∙0,32=16.

4.8 . Бросаются три игральные кости. Найти математическое ожидание суммы выпавших очков.

Решение. Можно найти распределение случайной величиныХ - суммы выпавших очков и затем ее математическое ожидание. Однако такой путь слишком громоздок. Проще использовать другой прием, представляя случайную величинуХ , математическое ожидание которой требуется вычислить, в виде суммы нескольких более простых случайных величин, математическое ожидание которых вычислить легче. Если случайная величинаХ i – это число очков, выпавших наi – й кости (i = 1, 2, 3), то сумма очковХ выразится в виде

Х = Х 1 + Х 2 + Х 3 .

Для вычисления математического ожидания исходной случайной величины останется лишь воспользоваться свойством математического ожидании

М (Х 1 + Х 2 + Х 3 ) = М (Х 1 ) + М (Х 2) + М (Х 3 ).

Очевидно, что

Р (Х i = К )= 1/6, К = 1, 2, 3, 4, 5, 6, i = 1, 2, 3.

Следовательно, математическое ожидание случайной величины Х i имеет вид

М (Х i ) = 1/6∙1 + 1/6∙2 +1/6∙3 + 1/6∙4 + 1/6∙5 + 1/6∙6 = 7/2,

М (Х ) = 3∙7/2 = 10,5.

4.9. Определить математическое ожидание числа приборов, отказавших в работе за время испытаний, если:

а) вероятность отказа для всех приборов одна и та же равна р , а число испытуемых приборов равно n ;

б) вероятность отказа для i – го прибора равна p i , i = 1, 2, … , n .

Решение. Пусть случайная величина Х – число отказавших приборов, тогда

Х = Х 1 + Х 2 + … + Х n ,

X i =

Ясно, что

Р (Х i = 1)= Р i , Р (Х i = 0)= 1– Р i , i= 1, 2, … , n.

М (Х i )= 1∙Р i + 0∙(1–Р i )=Р i ,

М (Х )=М (Х 1)+М (Х 2)+ … +М (Х n )=Р 1 +Р 2 + … +Р n .

В случае «а» вероятность отказа приборов одна и та же, то есть

Р i =p , i= 1, 2, … , n .

М (Х )= np .

Этот ответ можно было получить сразу, если заметить, что случайная величина Х имеет биномиальное распределение с параметрами (n , p ).

4.10. Две игральные кости бросают одновременно два раза. Написать биномиальный закон распределения дискретной случайной величины Х – числа выпадения четного числа очков на двух игральных костях.

Решение. Пусть

А ={выпадение четного числа на первой кости},

В = {выпадение четного числа на второй кости}.

Выпадение четного числа на обеих костях при одном бросании выразится произведением АВ. Тогда

Р (АВ ) = Р (А )∙Р (В ) =
.

Результат второго бросания двух игральных костей не зависит от первого, поэтому применима формула Бернулли при

n = 2, р = 1/4, q = 1 – р = 3/4.

Случайная величина Х может принимать значения 0, 1, 2, вероятность которых найдем по формуле Бернулли:

Р (Х= 0) = Р 2 (0) = q 2 = 9/16,

Р (Х= 1) = Р 2 (1) = С , р ∙q = 6/16,

Р (Х= 2) = Р 2 (2) = С , р 2 = 1/16.

Ряд распределения случайной величины Х:

4.11. Устройство состоит из большого числа независимо работающих элементов с одинаковой очень малой вероятностью отказа каждого элемента за время t . Найти среднее число отказавших за время t элементов, если вероятность того, что за это время откажет хотя бы один элемент, равна 0,98.

Решение. Число отказавших за время t элементов – случайная величина Х , которая распределена по закону Пуассона, поскольку число элементов велико, элементы работают независимо и вероятность отказа каждого элемента мала. Среднее число появлений события в n испытаниях равно

М (Х ) = np .

Поскольку вероятность отказа К элементов из n выражается формулой

Р n (К )
,

где  = np , то вероятность того, что не откажет ни один элемент за время t получим при К = 0:

Р n (0) = е -  .

Поэтому вероятность противоположного события – за время t откажет хотя бы один элемент – равна 1 - е -  . По условию задачи эта вероятность равна 0,98. Из уравнения

1 - е -  = 0,98,

е -  = 1 – 0,98 = 0,02,

отсюда  = -ln 0,02  4.

Итак, за время t работы устройства откажет в среднем 4 элемента.

4.12 . Игральная кость бросается до тех пор, пока не выпадет «двойка». Найти среднее число бросаний.

Решение . Введем случайную величину Х – число испытаний, которое надо произвести, пока интересующее нас событие не наступит. Вероятность того, что Х = 1 равна вероятности того, что при одном бросании кости выпадет «двойка», т.е.

Р (Х= 1) = 1/6.

Событие Х = 2 означает, что при первом испытании «двойка» не выпала, а при втором выпала. Вероятность событияХ = 2 находим по правилу умножения вероятностей независимых событий:

Р (Х= 2) = (5/6)∙(1/6)

Аналогично,

Р (Х= 3) = (5/6) 2 ∙1/6, Р (Х= 4) = (5/6) 2 ∙1/6

и т.д. Получим ряд распределения вероятностей:

Среднее число бросаний (испытаний) есть математическое ожидание

М (Х ) = 1∙1/6 + 2∙5/6∙1/6 + 3∙(5/6) 2 ∙1/6 + … + К (5/6) К -1 ∙1/6 + … =

1/6∙(1+2∙5/6 +3∙(5/6) 2 + … + К (5/6) К -1 + …)

Найдем сумму ряда:

К g К -1 = (g К ) g 
.

Следовательно,

М (Х ) = (1/6) (1/ (1 – 5/6) 2 = 6.

Таким образом, нужно осуществить в среднем 6 бросаний игральной кости до тех пор, пока не выпадет «двойка».

4.13. Производятся независимые испытания с одинаковой вероятностью появления события А в каждом испытании. Найти вероятность появления события А , если дисперсия числа появлений события в трех независимых испытаниях равна 0,63.

Решение. Число появлений события в трех испытаниях является случайной величиной Х , распределенной по биномиальному закону. Дисперсия числа появлений события в независимых испытаниях (с одинаковой вероятностью появления события в каждом испытании) равна произведению числа испытаний на вероятности появления и непоявления события (задача 4.6)

D (Х ) = npq .

По условию n = 3, D (Х ) = 0,63, поэтому можно р найти из уравнения

0,63 = 3∙р (1-р ),

которое имеет два решения р 1 = 0,7 и р 2 = 0,3.

Закон распределения случайной величины X:

Пример №2 . Вероятность попадания в мишень одного стрелка при одном выстреле для первого стрелка равна 0.8, для второго стрелка – 0.85. Стрелки произвели по одному выстрелу в мишень. Считая попадание в цель для отдельных стрелков событиями независимыми, найти вероятность события А – ровно одно попадание в цель.
Решение.
Рассмотрим событие A - одно попадание в цель. Возможные варианты наступления этого события следующие:

1. Попал первый стрелок, второй стрелок промахнулся: P(A/H1)=p 1 *(1-p 2)=0.8*(1-0.85)=0.12
2. Первый стрелок промахнулся, второй стрелок попал в мишень: P(A/H2)=(1-p 1)*p 2 =(1-0.8)*0.85=0.17
3. Первый и второй стрелки независимо друг от друга попали в мишень: P(A/H1H2)=p 1 *p 2 =0.8*0.85=0.68

Случайной величиной называется переменная, которая может принимать те или иные значения в зависимости от различных обстоятельств, и в свою очередь, случайная величина называется дискретной , если множество её значений конечно или счётно.

Кроме дискретных случайных величин существуют также непрерывные случайные величины.

Рассмотрим более подробно понятие случайной величины. На практике часто встречаются величины, которые могут принимать некоторые значения, но нельзя достоверно предсказать, какое именно значение каждая из них примет в рассматриваемом опыте, явлении, наблюдении. Например, число мальчиков, которые родятся в Москве в ближайший день, может быть различным. Оно может быть равным нулю (не родится ни одного мальчика: родятся все девочки или вообще не будет новорождённых), одному, двум и так далее до некоторого конечного числа n . К подобным величинам относятся: масса корнеплода сахарной свеклы на участке, дальность полёта артиллерийского снаряда, количество бракованных деталей в партии и так далее. Такие величины будем называть случайными. Они характеризуют все возможные результаты опыта или наблюдения с количественной стороны.

Примерами дискретных случайных величин с конечным числом значений могут служить число родившихся детей в течение дня в населённом пункте, число пассажиров автобуса, число пассажиров, перевезённых московским метро за сутки и т. п.

Число значений дискретной случайной величины может быть и бесконечным, но счётным множеством. Но в любом случае их можно в каком-то порядке пронумеровать, или, более точно - установить взаимно-однозначное соответствие между значениями случайной величины и натуральными числами 1, 2, 3, ..., n .

Внимание: новое, очень важное понятие теории вероятностей - закон распределения . Пусть X может принимать n значений: . Будем считать, что они все различны (в противном случае одинаковые должны быть объединены) и расположены в возрастающем порядке. Для полной характеристики дискретной случайной величины должны быть заданы не только все её значения, но и верояности , с которыми случайная величина принимает каждое из значений, т. е. .

Законом распределения дискретной случайной величины называется любое правило (функция, таблица) p (x ), позволяющее находить вероятности всевозможных событий, связанных со случайной величиной (например, вероятность того, что она пример какое-то значение или попадёт в какой-то интервал).

Наиболее просто и удобно закон распределения дискретной случайной величины задавать в виде следующей таблицы:

Такая таблица называется рядом распределения дискретной случайной величины . В верхней строке ряда распределения перечислены в порядке возрастания все возможные значения дискретной случайной величины (иксы), а в нижней - вероятности этих значений (p ).

События являются несовместимыми и единственно возможными: они образуют полную систему событий. Поэтому сумма их вероятностей равна единице:

.

Пример 1. В студенческой группе организована лотерея. Разыгрывается две вещи стоимостью по 1000 руб. и одна стоимостью по 3000 руб. Составить закон распределения суммы чистого выигрыша для студента, который приобрёл один билет за 100 руб. Всего продано 50 билетов.

Решение. Интересующая нас случайная величина X может принимать три значения: - 100 руб. (если студент не выиграет, а фактически проиграет 100 руб., уплаченные им за билет), 900 руб. и 2900 руб. (фактический выигрыш уменьшается на 100 руб. - на стоимость билета). Первому результату благоприятствуют 47 случаев из 50, второму - 2, а третьему - один. Поэтому их вероятности таковы: P (X =-100)=47/50=0,94 , P (X =900)=2/50=0,04 , P (X =2900)=1/50=0,02 .

Закон распределения дискретной случайной величины X имеет вид

Функция распределения дискретной случайной величины: построение

Ряд распределения может быть построен только для дискретной случайной величины (для недискретной он не может быть построен хотя бы потому, что множество возможных значений такой случайной величины несчётно, их нельзя перечислить в верхней строке таблицы).

Наиболее общей формой закона распределения, пригодной для всех случайных величин (как дискретных, так и недискретных), является функция распределения.

Функцией распределения дискретной случайной величины или интегральной функцией называется функция , которая определяет вероятность, что значение случайной величины X меньше или равно граничному значению х .

Функция распределения любой дискретной случайной величины есть разрывная ступенчатая функция, скачки которой происходят в точках, соответствующих возможным значениям случайной величины, и равны вероятностям этих значений.

Пример 2. Дискретная случайная величина X - число очков, выпавших при бросании игральной кости. Постоить её функцию распределения.

Решение. Ряд распределения дискретной случайной величины X имеет вид:

Функция распределения F (x ) имеет 6 скачков, равных по величине 1/6 (на рисунке внизу).

Пример 3. В урне 6 белых шаров и 4 чёрных шара. Из урны вынимают 3 шара. Число белых шаров среди вынутых шаров - дискретная случайная величина X . Составить соответствующий ей закон распределения.

X может принимать значения 0, 1, 2, 3. Соответствующие им вероятности проще всего вычислисть по правилу умножения вероятностей . Получаем следующий закон распределения дискретной случайной величины:

Пример 4. Составить закон распределения дискретной случайной величины - числа попаданий в цель при четырёх выстрелах, если вероятность попадания при одном выстреле равна 0,1.

Решение. Дискретная случайная величина X может принимать пять различных значений: 1, 2, 3, 4, 5. Соответствующие им вероятности найдём по формуле Бернулли . При

n = 4 ,

p = 1,1 ,

q = 1 - p = 0,9 ,

m = 0, 1, 2, 3, 4

получаем

Следовательно, закон распределения дискретной случайной величины X имеет вид

Если вероятности значений дискретной случайной величины можно определить по формуле Бернулли, то случайная величина имеет биномиальное распределение .

Если число испытаний достаточно велико, то вероятность того, что в этих испытаниях интересующее событие наступит именно m раз, подчиняется закону распределения Пуассона .

Функция распределения дискретной случайной величины: вычисление

Чтобы вычислить функцию распределения дискретной случайной величины F (х ), требуется сложить вероятности всех тех значений, которые меньше или равны граничному значению х .

Пример 5. В таблице данные о зависимости числа расторгнутых в течение года браков от длительности брака. Найти вероятность того, что очередной расторгнутый брак имел длительность менее или равную 5 годам.

Решение. Вероятности вычислены путём деления числа соответствующих расторгнутых браков на общее число 6010. Вероятность того, что очередной расторгнутый брак был длительностью в 5 лет, равна 0,056. Вероятность, что длительность очередного расторгнутого брака меньше или равна 5 годам, равна 0,186. Мы получили её, прибавив к значению F (x ) для браков с длительностью по 4 года включительно вероятность для браков с длительностью в 5 лет.

Связь закона распределения дискретной случайной величины с математическим ожиданием и дисперсией

Часто не все значения дискретной случайной величины известны, но известны некоторые значения или вероятности из ряда, а также математическое ожидание и (или) дисперсия случайной величины , которым посвящён отдельный урок.

Приведём здесь некоторые формулы из этого урока, которые могут выручить при составлении закона распределения дискретной случайной величины и разберём примеры решения таких задач.

Математическое ожидание дискретной случайной величины - сумма произведений всех возможных её значений на вероятности этих значений:

(1)

Формула дсперсии дискретной случайной величины по определению:

Часто для вычислений более удобна следующая формула дисперсии:

, (2)

где .

Пример 6. Дискретная случайная величина X может принимать только два значения. Меньшее значение она принимает с вероятностью p = 0,6 . Найти закон распределения дискретной случайной величины X , если известно, что её математическое ожидание и дисперсия .

Решение. Вероятность того, что случайная величина примет бОльшее значение x 2 , равна 1 − 0,6 = 4 . Используя формулу (1) математического ожидания, составим уравнение, в котором неизвестные - значения нашей дискретной случайной величины:

Используя формулу (2) дисперсии, составим другое уравнение, в котором неизвестные - также значения дискретной случайной величины:

Систему из двух полученных уравнений

решаем методом подстановки. Из первого уравнения получаем

Подставив это выражение во второе уравнение, после несложных преобразований получим квадратное уравнение

,

которое имеет два корня: 7/5 и −1 . Первый корень не отвечает условиям задачи, так как x 2 < x 1 . Таким образом, значения, которые может принимать дискретная случайная величина X по условиям нашего примера, равны x 1 = −1 и x 2 = 2 .