Proprietatea considerată a distribuțiilor discrete creează dificultăți semnificative în tabelarea și utilizarea unor astfel de distribuții, deoarece este imposibil să se mențină cu exactitate valorile numerice tipice ale caracteristicilor distribuției. În special, acest lucru este valabil pentru valorile critice și nivelurile de semnificație ale testelor statistice neparametrice (a se vedea mai jos), deoarece distribuțiile statisticilor acestor teste sunt discrete.

Cuantila de ordine este de mare importanță în statistică. R= S. Se numește mediană (variabilă aleatoare X sau funcția sa de distribuție F(x))și notat Eu (X).În geometrie, există conceptul de „mediană” - o linie dreaptă care trece prin vârful unui triunghi și își împarte latura opusă în jumătate. În statistica matematică, mediana nu bisectează latura triunghiului, ci distribuția unei variabile aleatoare: egalitatea F(x0,5)= 0,5 înseamnă că probabilitatea de a ajunge la stânga x0,5și probabilitatea de a obține dreptate x0,5(sau direct la x0,5) sunt egale între ele și egale cu S, adică.

P(X < X 0,5) = P(X > X 0,5) = S.

Mediana indică „centrul” distribuției. Din punctul de vedere al unuia dintre conceptele moderne - teoria procedurilor statistice stabile - mediana este o caracteristică mai bună a unei variabile aleatoare decât așteptarea matematică. Atunci când prelucrarea rezultatelor măsurătorilor într-o scară ordinală (vezi capitolul despre teoria măsurării), mediana poate fi utilizată, dar așteptările matematice nu.

O astfel de caracteristică a unei variabile aleatoare ca mod are o semnificație clară - valoarea (sau valorile) unei variabile aleatoare corespunzătoare unui maxim local al densității de probabilitate pentru o variabilă aleatoare continuă sau un maxim local al probabilității pentru o variabilă aleatoare discretă. variabil.

Dacă x0 este modul unei variabile aleatoare cu densitate f(x), apoi, după cum se știe din calculul diferențial, .

O variabilă aleatoare poate avea mai multe moduri. Deci, pentru distribuția uniformă (1) fiecare punct X astfel încât A< x < b , este moda. Cu toate acestea, aceasta este o excepție. Majoritatea variabilelor aleatoare utilizate în metodele de luare a deciziilor probabilistic-statistice și alte cercetări aplicate au un singur mod. Variabilele aleatoare, densitățile, distribuțiile care au un singur mod sunt numite unimodale.

Așteptările matematice pentru variabile aleatoare discrete cu un număr finit de valori sunt luate în considerare în capitolul „Evenimente și probabilități”. Pentru o variabilă aleatoare continuă X valorea estimata M(X) satisface egalitatea

care este un analog al formulei (5) din afirmația 2 din capitolul „Evenimente și probabilități”.

Exemplul 5 Așteptări matematice pentru o variabilă aleatoare distribuită uniform X egală

Pentru variabilele aleatoare luate în considerare în acest capitol, sunt adevărate toate acele proprietăți ale așteptărilor și varianțelor matematice care au fost luate în considerare mai devreme pentru variabile aleatoare discrete cu un număr finit de valori. Cu toate acestea, nu oferim dovezi ale acestor proprietăți, deoarece ele necesită aprofundarea subtilităților matematice, ceea ce nu este necesar pentru înțelegerea și aplicarea calificată a metodelor probabilistic-statistice de luare a deciziilor.

Cometariu.În acest manual, subtilitățile matematice sunt evitate în mod deliberat, legate, în special, de conceptele de mulțimi măsurabile și de funcții măsurabile, de -algebra evenimentelor și așa mai departe. Cei care doresc să stăpânească aceste concepte ar trebui să se refere la literatura de specialitate, în special la enciclopedie.

Fiecare dintre cele trei caracteristici - așteptare matematică, mediană, mod - descrie „centrul” distribuției probabilităților. Conceptul de „centru” poate fi definit în moduri diferite – de unde cele trei caracteristici diferite. Cu toate acestea, pentru o clasă importantă de distribuții - unimodal simetric - toate cele trei caracteristici coincid.

Densitatea de distribuție f(x) este densitatea distribuției simetrice, dacă există un număr x 0 astfel încât

. (3)

Egalitatea (3) înseamnă că graficul funcției y = f(x) simetric față de o linie verticală care trece prin centrul de simetrie X = X 0 . Din (3) rezultă că funcția de distribuție simetrică satisface relația

(4)

Pentru o distribuție simetrică cu un singur mod, media, mediana și modul sunt aceleași și egale x 0.

Cel mai important caz este simetria față de 0, adică. x 0= 0. Atunci (3) și (4) devin egalități

(6)

respectiv. Relațiile de mai sus arată că nu este nevoie să se tabulare distribuțiile simetrice pentru toate X, este suficient să aveți tabele pentru X > x0.

Observăm încă o proprietate a distribuțiilor simetrice, care este utilizată constant în metodele probabilistic-statistice de luare a deciziilor și alte cercetări aplicate. Pentru o funcție de distribuție continuă

P(|X| < a) = P(-a < X < a) = F(a) – F(-a),

Unde F este funcția de distribuție a variabilei aleatoare X. Dacă funcţia de distribuţie F este simetric fata de 0, i.e. formula (6) este valabilă pentru aceasta, atunci

P(|X| < a) = 2F(a) – 1.

Deseori se foloseşte o altă formulare a enunţului luat în considerare: dacă

.

Dacă și sunt cuantile de ordinul și, respectiv (vezi (2)) ale unei funcții de distribuție simetrice față de 0, atunci din (6) rezultă că

Din caracteristicile postului - așteptări matematice, mediane, moduri - să trecem la caracteristicile răspândirii unei variabile aleatoare X: varianță, abatere standard și coeficient de variație v. Definiția și proprietățile varianței pentru variabile aleatoare discrete au fost luate în considerare în capitolul anterior. Pentru variabile aleatoare continue

Abaterea standard este valoarea nenegativă a rădăcinii pătrate a varianței:

Coeficientul de variație este raportul dintre abaterea standard și așteptările matematice:

Coeficientul de variaţie se aplică atunci când M(X)> 0. Măsoară răspândirea în unități relative, în timp ce abaterea standard este în unități absolute.

Exemplul 6 Pentru o variabilă aleatoare distribuită uniform X găsiți varianța, abaterea standard și coeficientul de variație. Dispersia este:

Substituția variabilă face posibilă scrierea:

Unde c = (b – A)/ 2. Prin urmare, abaterea standard este egală cu și coeficientul de variație este:

Pentru fiecare variabilă aleatoare X determina inca trei marimi - centrate Y, normalizat Vși dat U. Variabilă aleatoare centrată Y este diferența dintre variabila aleatoare dată Xși așteptările sale matematice M(X), acestea. Y = X - M(X). Așteptările matematice ale unei variabile aleatoare centrate Y este egal cu 0, iar varianța este varianța variabilei aleatoare date: M(Y) = 0, D(Y) = D(X). funcția de distribuție FY(X) variabilă aleatoare centrată Y legate de funcţia de distribuţie F(X) variabilă aleatoare inițială X raport:

FY(X) = F(X + M(X)).

Pentru densitățile acestor variabile aleatoare, egalitatea

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

Variabilă aleatorie normalizată V este raportul acestei variabile aleatoare X la abaterea sa standard, adică . Așteptările matematice și varianța unei variabile aleatoare normalizate V exprimate prin caracteristici X Asa de:

,

Unde v este coeficientul de variație al variabilei aleatoare originale X. Pentru funcția de distribuție F V(X) si densitate f V(X) variabilă aleatoare normalizată V avem:

Unde F(X) este funcția de distribuție a variabilei aleatoare originale X, A f(X) este densitatea sa de probabilitate.

Variabilă aleatoare redusă U este o variabilă aleatoare centrată și normalizată:

.

Pentru o variabilă aleatoare redusă

Variabile aleatoare normalizate, centrate și reduse sunt utilizate în mod constant atât în ​​cercetarea teoretică, cât și în algoritmi, produse software, documentație de reglementare și tehnică și instructivă și metodologică. În special, pentru că egalitățile fac posibilă simplificarea fundamentarii metodelor, formulărilor de teoreme și formulelor de calcul.

Se folosesc transformări ale variabilelor aleatoare și un plan mai general. Astfel, dacă Y = topor + b, Unde AȘi b sunt niște numere, atunci

Exemplul 7 Daca atunci Y este variabila aleatoare redusă, iar formulele (8) sunt transformate în formule (7).

Cu fiecare variabilă aleatoare X puteți conecta o mulțime de variabile aleatoare Y dat de formula Y = topor + b la diverse A> 0 și b. Acest set se numește familie cu schimbare la scară, generat de o variabilă aleatoare X. Funcții de distribuție FY(X) constituie o familie de distribuții cu schimbare la scară generată de funcția de distribuție F(X). În loc de Y = topor + b notație folosită frecvent

Număr Cu se numește parametrul de schimbare și numărul d- parametrul de scară. Formula (9) arată că X- rezultatul măsurării unei anumite cantităţi - intră în La- rezultatul măsurării aceleiași valori, dacă începutul măsurării este mutat în punct Cu, apoi utilizați noua unitate de măsură, în d ori mai mare decât cea veche.

Pentru familia scale-shift (9), distribuția X se numește standard. În metodele de luare a deciziilor probabilistic-statistice și alte cercetări aplicate se utilizează distribuția normală standard, distribuția standard Weibull-Gnedenko, distribuția standard gamma etc. (vezi mai jos).

Sunt folosite și alte transformări ale variabilelor aleatoare. De exemplu, pentru o variabilă aleatoare pozitivă X considera Y= jurnal X, unde lg X este logaritmul zecimal al numărului X. Lanț de egalități

F Y (x) = P( lg X< x) = P(X < 10x) = F( 10X)

raportează funcțiile de distribuție XȘi Y.

La procesarea datelor, sunt utilizate astfel de caracteristici ale unei variabile aleatorii X ca momentele de ordine q, adică așteptările matematice ale unei variabile aleatorii X q, q= 1, 2, … Astfel, așteptarea matematică în sine este un moment de ordin 1. Pentru o variabilă aleatoare discretă, momentul de ordin q poate fi calculat ca

Pentru o variabilă aleatoare continuă

Momente de ordine q numite şi momentele iniţiale ale ordinului q, spre deosebire de caracteristicile conexe – momentele centrale ale ordinului q, dat de formula

Astfel, dispersia este un moment central de ordinul 2.

Distribuția normală și teorema limitei centrale.În metodele probabilistic-statistice de luare a deciziilor, vorbim adesea despre o distribuție normală. Uneori încearcă să-l folosească pentru a modela distribuția datelor inițiale (aceste încercări nu sunt întotdeauna justificate - vezi mai jos). Mai important, multe metode de procesare a datelor se bazează pe faptul că valorile calculate au distribuții care sunt aproape de normal.

Lăsa X 1 , X 2 ,…, X n M(X i) = m si dispersii D(X i) = , i= 1, 2,…, n,… După cum rezultă din rezultatele capitolului anterior,

Luați în considerare variabila aleatoare redusă U n pentru suma , și anume,

După cum rezultă din formulele (7), M(U n) = 0, D(U n) = 1.

(pentru termeni distribuiti identic). Lăsa X 1 , X 2 ,…, X n, … sunt variabile aleatoare independente distribuite identic cu așteptări matematice M(X i) = m si dispersii D(X i) = , i= 1, 2,…, n,… Atunci pentru orice x există o limită

Unde F(x)– funcția standardului distributie normala.

Mai multe despre funcție F(x) - mai jos (se citește „fi din x”, pentru că F- Literă majusculă grecească „phi”).

Teorema limită centrală (CLT) își ia numele de la faptul că este rezultatul matematic central, cel mai frecvent utilizat al teoriei probabilităților și al statisticii matematice. Istoria CLT durează aproximativ 200 de ani - din 1730, când matematicianul englez A. De Moivre (1667-1754) a publicat primul rezultat legat de CLT (vezi mai jos despre teorema Moivre-Laplace), până în anii douăzeci - treizeci. al secolului al XX-lea, când Finn J.W. Lindeberg, francezul Paul Levy (1886-1971), iugoslav V. Feller (1906-1970), rusul A.Ya. Khinchin (1894-1959) și alți oameni de știință au obținut condiții necesare și suficiente pentru valabilitatea teoremei limitei centrale clasice.

Dezvoltarea subiectului luat în considerare nu s-a oprit deloc aici - au studiat variabile aleatoare care nu au dispersie, adică. cei pentru care

(academician B.V. Gnedenko și alții), situația în care se însumează variabile aleatoare (mai precis, elemente aleatoare) de natură mai complexă decât numerele (academicienii Yu.V. Prokhorov, A.A. Borovkov și asociații lor), etc. .d.

funcția de distribuție F(x) este dat de egalitate

,

unde este densitatea distribuției normale standard, care are o expresie destul de complicată:

.

Aici \u003d 3,1415925 ... este un număr cunoscut în geometrie, egal cu raportul dintre circumferință și diametru, e\u003d 2,718281828 ... - baza logaritmilor naturali (pentru a ne aminti acest număr, rețineți că 1828 este anul nașterii scriitorului Lev Tolstoi). După cum se știe din analiza matematică,

La procesarea rezultatelor observațiilor, funcția de distribuție normală nu este calculată conform formulelor de mai sus, ci se găsește folosind tabele speciale sau programe de calculator. Cele mai bune „Tabele de statistici matematice” în limba rusă au fost întocmite de membrii corespondenți ai Academiei de Științe a URSS L.N. Bolşev şi N.V. Smirnov.

Forma densității distribuției normale standard decurge din teoria matematică, pe care nu o putem considera aici, precum și demonstrația CLT.

Pentru ilustrare, prezentăm mici tabele ale funcției de distribuție F(x)(Tabelul 2) și cuantilele sale (Tabelul 3). Funcţie F(x) este simetrică față de 0, ceea ce este reflectat în tabelele 2-3.

Masa 2.

Funcția distribuției normale standard.

Dacă variabila aleatoare X are o funcție de distribuție F(x), Acea M(X) = 0, D(X) = 1. Această afirmație este dovedită în teoria probabilității pe baza formei densității probabilității . Este de acord cu o afirmație similară pentru caracteristicile variabilei aleatoare reduse U n, ceea ce este destul de firesc, deoarece CLT afirmă că, cu o creștere infinită a numărului de termeni, funcția de distribuție U n tinde spre funcția de distribuție normală standard F(x), si pentru orice X.

Tabelul 3

Cuantile ale distribuției normale standard.

Să introducem conceptul de familie de distribuții normale. Prin definiție, o distribuție normală este distribuția unei variabile aleatoare X, pentru care distribuția variabilei aleatoare reduse este F(x). După cum rezultă din proprietățile generale ale familiilor de distribuții cu schimbare la scară (vezi mai sus), distribuția normală este distribuția unei variabile aleatoare

Unde X este o variabilă aleatoare cu distribuție F(X),și m = M(Y), = D(Y). Distribuție normală cu parametrii de deplasare m iar scara este de obicei indicată N(m, ) (uneori notația N(m, ) ).

După cum rezultă din (8), densitatea de probabilitate a distribuției normale N(m, ) Există

Distribuțiile normale formează o familie cu schimbare la scară. În acest caz, parametrul scară este d= 1/ și parametrul de deplasare c = - m/ .

Pentru momentele centrale de ordinul trei și al patrulea ale distribuției normale, egalitățile sunt adevărate

Aceste egalități stau la baza metodelor clasice de verificare a faptului că rezultatele observațiilor urmează o distribuție normală. În prezent, normalitatea este de obicei recomandată a fi verificată prin criteriu W Shapiro - Wilka. Problema verificării normalității este discutată mai jos.

Dacă variabile aleatorii X 1Și X 2 au funcții de distribuție N(m 1 , 1 ) Și N(m 2 , 2 ) respectiv, atunci X 1+ X 2 are o distributie Prin urmare, dacă variabilele aleatoare X 1 , X 2 ,…, X n N(m, ) , apoi media lor aritmetică

are o distributie N(m, ) . Aceste proprietăți ale distribuției normale sunt utilizate în mod constant în diferite metode probabilistic-statistice de luare a deciziilor, în special, în controlul statistic al proceselor tehnologice și în controlul acceptării statistice printr-un atribut cantitativ.

Distribuția normală definește trei distribuții care sunt acum utilizate în mod obișnuit în prelucrarea datelor statistice.

Distribuție (chi - pătrat) - distribuția unei variabile aleatoare

unde variabile aleatorii X 1 , X 2 ,…, X n sunt independente și au aceeași distribuție N(0,1). În acest caz, numărul de termeni, adică n, se numește „numărul de grade de libertate” al distribuției chi-pătrat.

Distributie t Student este distribuția unei variabile aleatoare

unde variabile aleatorii UȘi X independent, U are o distribuție normală standard N(0,1) și X– distribuție chi – pătrat cu n grade de libertate. în care n se numește „numărul de grade de libertate” al distribuției Studentului. Această distribuție a fost introdusă în 1908 de statisticianul englez W. Gosset, care lucra la o fabrică de bere. Pentru a lua decizii economice și tehnice la această fabrică s-au folosit metode probabilistic-statistice, așa că conducerea acesteia i-a interzis lui V. Gosset să publice articole științifice sub nume propriu. În acest fel a fost protejat un secret comercial, „know-how” sub forma metodelor probabilistic-statistice dezvoltate de W. Gosset. Cu toate acestea, a putut publica sub pseudonimul „Student”. Istoria lui Gosset - Student arată că încă o sută de ani marea eficiență economică a metodelor probabilistic-statistice de luare a deciziilor a fost evidentă pentru managerii britanici.

Distribuția Fisher este distribuția unei variabile aleatoare

unde variabile aleatorii X 1Și X 2 sunt independente și au distribuții chi - pătratul cu numărul de grade de libertate k 1 Și k 2 respectiv. În același timp, un cuplu (k 1 , k 2 ) este o pereche de „numere de grade de libertate” ale distribuției Fisher, și anume, k 1 este numărul de grade de libertate ale numărătorului și k 2 este numărul de grade de libertate ale numitorului. Distribuția variabilei aleatoare F este numită după marele statistician englez R. Fisher (1890-1962), care a folosit-o activ în lucrarea sa.

Expresiile pentru funcțiile de distribuție ale chi - pătrat, Student și Fisher, densitățile și caracteristicile acestora, precum și tabele pot fi găsite în literatura specială (vezi, de exemplu,).

După cum sa menționat deja, distribuțiile normale sunt adesea utilizate în modelele probabilistice în diferite domenii aplicate. De ce este această familie de distribuții cu doi parametri atât de răspândită? Se clarifică prin următoarea teoremă.

Teorema limitei centrale(pentru termeni distribuiti diferit). Lăsa X 1 , X 2 ,…, X n,… sunt variabile aleatoare independente cu așteptări matematice M(X 1 ), M(X 2 ),…, M(X n), … și dispersii D(X 1 ), D(X 2 ),…, D(X n), … respectiv. Lăsa

Apoi, în valabilitatea anumitor condiții care asigură micimea contribuției oricăruia dintre termenii la U n,

pentru oricine X.

Condițiile în cauză nu vor fi formulate aici. Ele pot fi găsite în literatura de specialitate (vezi, de exemplu,). „Clarificarea condițiilor în care funcționează CPT este meritul remarcabililor oameni de știință ruși A.A. Markov (1857-1922) și, în special, A.M. Lyapunov (1857-1918)” .

Teorema limită centrală arată că în cazul în care rezultatul măsurării (observării) se formează sub influența mai multor motive, fiecare dintre ele având doar o mică contribuție, iar rezultatul cumulat este determinat de aditiv, adică prin adăugare, atunci distribuția rezultatului măsurării (observării) este aproape de normal.

Uneori se crede că pentru ca distribuția să fie normală este suficient ca rezultatul măsurării (observării) X format sub influența mai multor cauze, fiecare având un efect mic. Este gresit. Ceea ce contează este cum funcționează aceste cauze. Dacă este aditiv, atunci X are o distribuție aproximativ normală. Dacă în mod multiplicativ(adică acțiunile cauzelor individuale se înmulțesc, nu se adună), apoi distribuția X nu aproape de normal, ci de așa-zis. normal din punct de vedere logaritmic, adică Nu X, iar lg X are o distribuție aproximativ normală. Dacă nu există motive să credem că unul dintre aceste două mecanisme pentru formarea rezultatului final (sau un alt mecanism bine definit) funcționează, atunci despre distribuție. X nimic cert nu se poate spune.

Din cele spuse, rezultă că într-o problemă aplicată specifică, normalitatea rezultatelor măsurătorilor (observațiilor), de regulă, nu poate fi stabilită din considerente generale, ea trebuie verificată cu ajutorul unor criterii statistice. Sau folosiți metode statistice neparametrice care nu se bazează pe ipoteze despre funcțiile de distribuție a rezultatelor măsurătorilor (observațiilor) aparținând uneia sau alteia familii parametrice.

Distribuții continue utilizate în metodele decizionale probabilistic-statistice.În plus față de familia de distribuții normale cu schimbare de scară, o serie de alte familii de distribuții sunt utilizate pe scară largă - distribuții normale din punct de vedere logaritmic, exponențial, Weibull-Gnedenko, gamma. Să aruncăm o privire asupra acestor familii.

Valoare aleatoare X are o distribuție log-normală dacă variabila aleatoare Y= jurnal X are o distribuție normală. Apoi Z=ln X = 2,3026…Y are de asemenea o distribuție normală N(A 1 ,σ 1), unde ln X- logaritmul natural X. Densitatea distribuției log-normale este:

Din teorema limită centrală rezultă că produsul X = X 1 X 2 … X n variabile aleatoare pozitive independente X i, i = 1, 2,…, n, în mare n poate fi aproximată printr-o distribuție log-normală. În special, modelul multiplicativ al formării salariilor sau veniturilor conduce la recomandarea de a aproxima distribuțiile salariilor și veniturilor prin legi normale logaritmic. Pentru Rusia, această recomandare s-a dovedit a fi justificată - statisticile o confirmă.

Există și alte modele probabilistice care conduc la legea log-normală. Un exemplu clasic de astfel de model este dat de A.N. morile cu bile au o distribuție log-normală.

Să trecem la o altă familie de distribuții, utilizată pe scară largă în diverse metode probabilistic-statistice de luare a deciziilor și alte cercetări aplicate, familia distribuțiilor exponențiale. Să începem cu un model probabilistic care duce la astfel de distribuții. Pentru a face acest lucru, luați în considerare „fluxul de evenimente”, adică. o succesiune de evenimente care au loc unul după altul la un moment dat în timp. Exemple sunt: ​​fluxul de apeluri la centrala telefonică; fluxul defecțiunilor echipamentelor din lanțul tehnologic; fluxul de defecțiuni ale produsului în timpul testării produsului; fluxul de cereri ale clienților către sucursala băncii; fluxul de cumpărători care solicită bunuri și servicii etc. În teoria fluxurilor de evenimente este valabilă o teoremă similară teoremei limitei centrale, dar nu se ocupă de însumarea variabilelor aleatoare, ci de însumarea fluxurilor de evenimente. Considerăm un debit total compus dintr-un număr mare de debite independente, dintre care niciunul nu are un efect predominant asupra debitului total. De exemplu, fluxul de apeluri care sosesc la centrala telefonică este alcătuit dintr-un număr mare de fluxuri de apel independente care provin de la abonați individuali. Se dovedește că în cazul în care caracteristicile fluxurilor nu depind de timp, debitul total este complet descris printr-un număr - intensitatea fluxului. Pentru debitul total, luați în considerare o variabilă aleatorie X- lungimea intervalului de timp dintre evenimente succesive. Funcția sa de distribuție are forma

(10)

Această distribuție se numește distribuție exponențială deoarece formula (10) implică funcția exponențială e -λ X. Valoarea 1/λ este un parametru de scară. Uneori este introdus și un parametru de schimbare Cu, exponențial este distribuția unei variabile aleatoare X + c, unde distribuția X este dat de formula (10).

Distribuțiile exponențiale sunt un caz special al așa-numitelor. Distribuții Weibull - Gnedenko. Ele sunt numite după inginerul W. Weibull, care a introdus aceste distribuții în practica analizei rezultatelor testelor de oboseală, și matematicianul B.V. Gnedenko (1912-1995), care a primit astfel de distribuții ca fiind limitative la studierea maximului testului. rezultate. Lăsa X- o variabilă aleatoare care caracterizează durata de funcționare a unui produs, sistem complex, element (adică resursă, timp de funcționare până la starea limită etc.), durata de funcționare a unei întreprinderi sau viața unei ființe vii, etc. Rata de eșec joacă un rol important

(11)

Unde F(X) Și f(X) - funcţia de distribuţie şi densitatea unei variabile aleatoare X.

Să descriem comportamentul tipic al ratei de eșec. Întregul interval de timp poate fi împărțit în trei perioade. Pe primul dintre ele, funcția λ(x) are valori ridicate și o tendință clară de scădere (cel mai adesea scade monoton). Acest lucru poate fi explicat prin prezența în lotul luat în considerare a unităților de produs cu defecte evidente și latente, care duc la o defecțiune relativ rapidă a acestor unități de produs. Prima perioadă se numește perioada de „rodare” (sau „de evaziune”). Acest lucru este de obicei acoperit de perioada de garanție.

Apoi urmează perioada de funcționare normală, caracterizată printr-o rată de eșec aproximativ constantă și relativ scăzută. Natura defecțiunilor în această perioadă este de natură bruscă (accidente, erori ale personalului de exploatare etc.) și nu depinde de durata de funcționare a unei unități de produs.

În sfârșit, ultima perioadă de funcționare este perioada de îmbătrânire și uzură. Natura defecțiunilor în această perioadă este în modificări fizice, mecanice și chimice ireversibile ale materialelor, ducând la o deteriorare progresivă a calității unei unități de producție și la defecțiunea finală a acesteia.

Fiecare perioadă are propriul său tip de funcție λ(x). Luați în considerare clasa dependențelor de putere

λ(х) = λ0bxb -1 , (12)

Unde λ 0 > 0 și b> 0 - unii parametri numerici. Valori b < 1, b= 0 și b> 1 corespund tipului de defecțiune în perioadele de rodare, de funcționare normală și, respectiv, de îmbătrânire.

Relația (11) pentru o rată de eșec dată λ(x)- ecuație diferențială în raport cu funcția F(X). Din teorie ecuatii diferentiale urmează că

(13)

Înlocuind (12) în (13), obținem asta

(14)

Distribuția dată de formula (14) se numește distribuție Weibull - Gnedenko. Deoarece

atunci din formula (14) rezultă că cantitatea A, dat de formula (15), este un parametru de scalare. Uneori este introdus și un parametru de schimbare, de ex. Sunt numite funcții de distribuție Weibull - Gnedenko F(X - c), Unde F(X) este dat de formula (14) pentru unele λ 0 și b.

Densitatea distribuției Weibull - Gnedenko are forma

(16)

Unde A> 0 - parametrul de scară, b> 0 - parametru de formă, Cu- parametrul de schimbare. În acest caz, parametrul A din formula (16) este legată de parametru λ 0 din formula (14) cu raportul indicat în formula (15).

Distribuția exponențială este un caz foarte special al distribuției Weibull - Gnedenko, corespunzătoare valorii parametrului de formă b = 1.

Distribuția Weibull - Gnedenko este folosită și în construcția modelelor probabilistice ale situațiilor în care comportamentul unui obiect este determinat de „cea mai slabă verigă”. Este implicată o analogie cu un lanț, a cărui siguranță este determinată de acea verigă care are cea mai mică rezistență. Cu alte cuvinte, lasă X 1 , X 2 ,…, X n sunt variabile aleatoare independente distribuite identic,

X(1)=min( X 1 , X 2 ,…, X n), X(n)=max( X 1 , X 2 ,…, X n).

Într-o serie de probleme aplicate mare rol Joaca X(1) Și X(n) , în special, atunci când se studiază valorile maxime posibile („înregistrări”) ale anumitor valori, de exemplu, plăți de asigurare sau pierderi datorate riscurilor comerciale, atunci când se studiază limitele elasticității și rezistenței oțelului, o serie de caracteristici de fiabilitate, etc. Se arată că pentru n mari distribuţiile X(1) Și X(n) , de regulă, sunt bine descrise de distribuțiile Weibull - Gnedenko. Contribuții fundamentale la studiul distribuțiilor X(1) Și X(n) a fost introdus de matematicianul sovietic B.V. Gnedenko. Lucrările lui V. Weibull, E. Gumbel, V.B. Nevzorova, E.M. Kudlaev și mulți alți specialiști.

Să trecem la familia distribuțiilor gamma. Ele sunt utilizate pe scară largă în economie și management, teoria și practica fiabilității și testării, în diverse domenii ale tehnologiei, meteorologiei etc. În special, în multe situații, distribuția gamma este supusă unor cantități cum ar fi durata de viață totală a produsului, lungimea lanțului de particule conductoare de praf, timpul necesar produsului pentru a atinge starea limită în timpul coroziunii, durata de funcționare. timp până la k refuzul, k= 1, 2, … etc. Speranța de viață a pacienților cu boli cronice, timpul pentru a obține un anumit efect în tratament au în unele cazuri o distribuție gamma. Această distribuție este cea mai adecvată pentru descrierea cererii în modelele economice și matematice de gestionare a stocurilor (logistică).

Densitatea distribuției gamma are forma

(17)

Densitatea de probabilitate din formula (17) este determinată de trei parametri A, b, c, Unde A>0, b>0. în care A este un parametru de formă, b- parametrul de scară și Cu- parametrul de schimbare. Factor 1/Γ(а) este o normalizare, se introduce pentru a

Aici Γ(а)- una dintre funcțiile speciale utilizate în matematică, așa-numita „funcție gamma”, prin care este denumită și distribuția dată de formula (17),

La un fix A formula (17) definește o familie de distribuții scale-shift generate de o distribuție cu densitate

(18)

Distribuția formei (18) se numește distribuție gamma standard. Se obtine din formula (17) cu b= 1 și Cu= 0.

Un caz special de distribuții gamma la A= 1 sunt distribuții exponențiale (cu λ = 1/b). Cu naturale AȘi Cu=0 distribuțiile gamma se numesc distribuții Erlang. Din lucrările omului de știință danez K.A. Erlang (1878-1929), angajat al companiei de telefonie din Copenhaga, care a studiat în 1908-1922. funcţionarea reţelelor de telefonie, a început dezvoltarea teoriei cozilor de aşteptare. Această teorie este angajată în modelarea probabilistic-statistică a sistemelor în care fluxul de cereri este deservit pentru a lua decizii optime. Distribuțiile Erlang sunt utilizate în aceleași domenii de aplicare ca și distribuțiile exponențiale. Aceasta se bazează pe următorul fapt matematic: suma k variabile aleatoare independente distribuite exponențial cu aceiași parametri λ și Cu, are o distribuție gamma cu parametru de formă a =k, parametrul de scară b= 1/λ și parametrul deplasării kc. La Cu= 0 obținem distribuția Erlang.

Dacă variabila aleatoare X are o distribuție gamma cu parametru de formă A astfel încât d = 2 A- un număr întreg, b= 1 și Cu= 0, apoi 2 X are o distribuție chi-pătrat cu d grade de libertate.

O variabilă aleatoare X cu o distribuție gvmma are următoarele caracteristici:

Valorea estimata M(X) =ab + c,

dispersie D(X) = σ 2 = ab 2 ,

Coeficientul de variație

asimetrie

Exces

Distribuția normală este un caz extrem al distribuției gamma. Mai precis, să fie Z o variabilă aleatoare având o distribuție gamma standard, dat prin formula(18). Apoi

pentru oricine numar real X, Unde F(x)- functie de distributie normala standard N(0,1).

În cercetarea aplicată se folosesc și alte familii parametrice de distribuții, dintre care sistemul de curbe Pearson, seriile Edgeworth și Charlier sunt cele mai cunoscute. Ele nu sunt considerate aici.

Discret distribuţii utilizate în metodele decizionale probabilistic-statistice. Cel mai adesea, sunt utilizate trei familii de distribuții discrete - binomială, hipergeometrică și Poisson, precum și alte familii - geometrice, binom negative, multinomiale, hipergeometrice negative etc.

După cum sa menționat deja, distribuția binomială are loc în încercări independente, în fiecare dintre ele cu o probabilitate R apare evenimentul A. Dacă numărul total de încercări n dat, apoi numărul de încercări Y, în care a apărut evenimentul A, are o distribuție binomială. Pentru o distribuție binomială, probabilitatea de a fi acceptată ca variabilă aleatoare Y valorile y este determinat de formula

Numărul de combinații de la n elemente prin y cunoscut din combinatorică. Pentru toți y, cu excepția 0, 1, 2, …, n, avem P(Y= y)= 0. Distribuție binomială cu o dimensiune fixă ​​a eșantionului n este setat de parametru p, adică distribuțiile binomiale formează o familie cu un singur parametru. Sunt utilizate în analiza datelor studii eșantionare, în special, la studierea preferințelor consumatorilor, controlul selectiv al calității produselor conform planurilor de control într-o singură etapă, la testarea populațiilor de indivizi în demografie, sociologie, medicină, biologie etc.

Dacă Y 1 Și Y 2 - variabile aleatoare binomiale independente cu același parametru p 0 determinate de probe cu volume n 1 Și n 2 respectiv, atunci Y 1 + Y 2 - variabilă aleatoare binomială cu distribuţie (19) cu R = p 0 Și n= n 1 + n 2 . Această remarcă extinde aplicabilitatea distribuției binomiale, permițându-vă să combinați rezultatele mai multor grupuri de teste, atunci când există motive să credeți că același parametru corespunde tuturor acestor grupuri.

Caracteristicile distribuției binomiale au fost calculate mai devreme:

M(Y) = np, D(Y) = np( 1- p).

În secțiunea „Evenimente și probabilități” pentru o variabilă aleatoare binomială, se demonstrează legea numerelor mari:

pentru oricine . Cu ajutorul teoremei limitei centrale, legea numerelor mari poate fi rafinată indicând cum Y/ n difera de R.

Teorema lui De Moivre-Laplace. Pentru orice numere a și b, A< b, avem

Unde F(X) este o funcție de distribuție normală standard cu medie 0 și varianță 1.

Pentru a dovedi, este suficient să folosim reprezentarea Y ca sumă de variabile aleatoare independente corespunzătoare rezultatelor studiilor individuale, formule pentru M(Y) Și D(Y) și teorema limitei centrale.

Această teoremă este pentru caz R= S a fost dovedit de matematicianul englez A. Moivre (1667-1754) în 1730. În formularea de mai sus, a fost dovedit în 1810 de matematicianul francez Pierre Simon Laplace (1749-1827).

Distribuția hipergeometrică are loc în timpul controlului selectiv al unui set finit de obiecte de volum N conform unui atribut alternativ. Fiecare obiect controlat este clasificat fie ca având atributul A, sau ca nu posedă această caracteristică. Distribuția hipergeometrică are o variabilă aleatorie Y, egal cu numărul de obiecte care au atributul Aîntr-o probă aleatorie de volum n, Unde n< N. De exemplu, numărul Y unități defecte de produse dintr-un eșantion aleatoriu de volum n din volumul lotului N are o distribuţie hipergeometrică dacă n< N. Un alt exemplu este loteria. Lasă semnul A un bilet este un semn de „a fi câștigător”. Lasă toate biletele N, iar cineva a dobândit n dintre ei. Atunci numărul de bilete câștigătoare pentru această persoană are o distribuție hipergeometrică.

Pentru o distribuție hipergeometrică, probabilitatea ca o variabilă aleatoare Y să ia valoarea y are forma

(20)

Unde D este numărul de obiecte care au atributul A, în setul considerat de volum N. în care y ia valori de la max(0, n - (N - D)) la min( n, D), cu alte y probabilitatea din formula (20) este egală cu 0. Astfel, distribuția hipergeometrică este determinată de trei parametri - volumul populatie N, numărul de obiecte Dîn ea, posedând trăsătura considerată A, și dimensiunea eșantionului n.

Eșantionare aleatorie simplă n din volumul total N se numește eșantion obținut ca urmare a selecției aleatorii, în care oricare dintre mulțimi din n obiectele au aceeași probabilitate de a fi selectate. Metodele de selecție aleatorie a eșantioanelor de respondenți (intervievați) sau a unităților de produse pe bucată sunt luate în considerare în documentele instructiv-metodice și normativ-tehnice. Una dintre metodele de selecție este următoarea: obiectele sunt selectate unul din celălalt, iar la fiecare pas fiecare dintre obiectele rămase din set are aceeași șansă de a fi selectat. În literatura de specialitate, pentru tipul de eșantioane luate în considerare, se folosesc și termenii „eșantion aleatoriu”, „probă aleatoare fără înlocuire”.

Deoarece volumele populației generale (loturi) Nși mostre n sunt cunoscute în mod obișnuit, atunci parametrul de distribuție hipergeometrică care trebuie estimat este D. În metodele statistice de management al calității produselor D- de obicei numărul de unități defecte din lot. Interesantă este și caracteristica distribuției D/ N- nivelul defectelor.

Pentru distribuția hipergeometrică

Ultimul factor din expresia varianței este aproape de 1 dacă N>10 n. Dacă, în același timp, facem și înlocuirea p = D/ N, atunci expresiile pentru așteptarea și varianța matematică a distribuției hipergeometrice se vor transforma în expresii pentru așteptarea și varianța matematică a distribuției binomiale. Aceasta nu este o coincidență. Se poate arăta că

la N>10 n, Unde p = D/ N. Raportul limitativ este valabil

iar această relaţie limitativă poate fi folosită pentru N>10 n.

A treia distribuție discretă utilizată pe scară largă este distribuția Poisson. O variabilă aleatoare Y are o distribuție Poisson dacă

,

unde λ este parametrul distribuției Poisson și P(Y= y)= 0 pentru toate celelalte y(pentru y=0, se notează 0!=1). Pentru distribuția Poisson

M(Y) = λ, D(Y) = λ.

Această distribuție este numită după matematicianul francez C.D.Poisson (1781-1840), care a derivat-o pentru prima dată în 1837. Distribuția Poisson este un caz extrem al distribuției binomiale, unde probabilitatea R implementarea evenimentului este mică, dar numărul de încercări n grozav, și np= λ. Mai exact, relația limită

Prin urmare, distribuția Poisson (în vechea terminologie „legea distribuției”) este adesea numită și „legea evenimentelor rare”.

Distribuția Poisson apare în teoria fluxurilor de evenimente (vezi mai sus). Se dovedește că pentru cel mai simplu flux cu intensitate constantă Λ, numărul de evenimente (apeluri) care au avut loc în timpul t, are o distribuție Poisson cu parametrul λ = Λ t. Prin urmare, probabilitatea ca în timp t nu va avea loc nici un eveniment e - Λ t, adică funcţia de distribuţie a lungimii intervalului dintre evenimente este exponenţială.

Distribuția Poisson este utilizată în analiza rezultatelor anchetelor de marketing selective ale consumatorilor, în calculul caracteristicilor operaționale ale planurilor de control statistic de acceptare în cazul valorilor mici ale nivelului de acceptare a defectivității, pentru a descrie numărul de defecțiuni. a unui controlat statistic proces tehnologic pe unitatea de timp, numărul de „cerințe de serviciu” care intră în sistemul de așteptare pe unitatea de timp, modelele statistice ale accidentelor și bolilor rare etc.

Descrierea altor familii parametrice de distribuții discrete și posibilitățile acestora uz practic considerată în literatură.

În unele cazuri, de exemplu, când se studiază prețurile, volumele de producție sau timpul total dintre eșecurile problemelor de fiabilitate, funcțiile de distribuție sunt constante pe anumite intervale în care valorile variabilelor aleatoare studiate nu pot scădea.

………………………………………………………

An - o variabilă aleatoare X a luat valoarea lui An.

Evident, suma evenimentelor A1 A2, . , An este un anumit eveniment, deoarece variabila aleatoare ia în mod necesar cel puțin una dintre valorile x1, x2, xn.

Prin urmare, P (A1 È A2 È . È An) = 1.

În plus, evenimentele A1, A2, ., An sunt incompatibile, deoarece o variabilă aleatorie dintr-un singur experiment poate lua doar una dintre valorile x1, x2, ., xn. Prin teorema de adunare pentru evenimente incompatibile, obținem

P(A1)+P(A2)+.+P(An)=1,

adică p1+p2+. +pn = 1 sau, pe scurt,

Prin urmare, suma tuturor numerelor situate în al doilea rând al tabelului 1, care dă legea de distribuție a variabilei aleatoare X, trebuie să fie egală cu unu.

EXEMPLUL 1. Fie variabila aleatoare X numărul de puncte aruncate atunci când un zar este aruncat. Găsiți legea distribuției (sub formă de tabel).

Variabila aleatoare X ia valori

x1=1, x2=2, … , x6=6

cu probabilităţi

p1= p2 = … = p6 =

Legea distribuției este dată de tabelul:

masa 2

EXEMPLUL 2. Distribuție binomială. Considerăm o variabilă aleatoare X - numărul de apariții ale evenimentului A într-o serie de experimente independente, în fiecare dintre ele A are loc cu probabilitatea p.

Variabila aleatoare X poate lua, evident, una dintre următoarele valori:

0, 1, 2, ., k, ., n.

Probabilitatea unui eveniment constând în faptul că variabila aleatoare X va lua o valoare egală cu k este determinată de formula Bernoulli:

Рn(k)= unde q=1- р.

O astfel de distribuție a unei variabile aleatoare se numește distribuție binomială sau distribuție Bernoulli. Distribuția Bernoulli este complet specificată de doi parametri: numărul n al tuturor încercărilor și probabilitatea p cu care evenimentul are loc în fiecare încercare individuală.

Condiția pentru distribuția binomială ia forma:

Pentru a dovedi validitatea acestei egalități, este suficient în identitate

(q+px)n=

pune x=1.

EXEMPLUL 3. Distribuția Poisson. Acesta este numele distribuției de probabilitate a formei:

P(k)= .

Este determinat de un singur parametru (pozitiv) a. Dacă ξ este o variabilă aleatoare care are o distribuție Poisson, atunci parametrul corespunzător a - este valoarea medie a acestei variabile aleatoare:

a=Mξ=, unde M este așteptarea matematică.

Variabila aleatoare este:

EXEMPLUL 4. distribuție exponențială.

Dacă timpul este o variabilă aleatoare, să o notăm cu τ, astfel încât

unde 0<λ=const, t ³ 0, причем, если t=0, то P(t)=0.

Valoarea medie a variabilei aleatoare t este:

Densitatea distribuției are forma:

4) Distribuție normală

Fie variabile aleatoare independente, distribuite identic și fie Dacă termenii sunt suficient de mici, iar numărul n este suficient de mare, - dacă pentru n à ∞ așteptarea matematică a variabilei aleatoare Мξ și varianța Dξ egală cu Dξ=M(ξ–Мξ)2, sunt astfel încât Мξ~ а, Dξ~σ2, atunci

- distributie normala sau gaussiana

.

5) Distribuția geometrică. Fie ξ numărul de încercări care preced primul „reușit”. Dacă presupunem că fiecare test durează o unitate de timp, atunci putem considera ξ ca timp de așteptare până la primul „succes”. Distribuția arată astfel:

Р(k)=p(1-p)k, (k=0, 1, 2) p>0

6) Distribuția hipergeometrică.

Există N - obiecte printre care n - „obiecte speciale”. Dintre toate obiectele, k-obiectele sunt selectate aleatoriu. Găsiți probabilitatea ca printre obiectele selectate să fie egală cu r - „obiecte speciale”. Distribuția arată astfel:

7) Distribuția Pascal.

Fie x numărul total de „eșecuri” care precedă sosirea celui de-al treilea „succes”. Distribuția arată astfel:

Funcția de distribuție are forma:

O distribuție echiprobabilă implică faptul că variabila aleatoare x poate lua orice valoare pe interval cu aceeași probabilitate. În acest caz, densitatea de distribuție este calculată ca

Graficele densității de distribuție și ale funcției de distribuție sunt prezentate mai jos.

Înainte de a explica conceptul de „zgomot alb”, este necesar să oferim o serie de definiții.

O funcție aleatoare este o funcție a unui argument non-aleatoriu t, care, pentru fiecare valoare fixă ​​a argumentului, este o variabilă aleatoare. De exemplu, dacă U este o variabilă aleatoare, atunci funcția X(t)=t2U este aleatoare.

Secțiunea unei funcții aleatoare este o variabilă aleatoare corespunzătoare unei valori fixe a argumentului funcției aleatoare. Prin urmare, functie aleatorie poate fi considerată ca un set de variabile aleatoare (X(t)), în funcție de parametrul t.

Definiție 13.1. Se numește variabila aleatoare X discret, dacă este nevoie de un număr finit sau numărabil de valori.

Definiție 13.2. Legea distribuției unei variabile aleatoare X este mulțimea de perechi de numere ( , ), unde sunt valorile posibile ale variabilei aleatoare și sunt probabilitățile cu care variabila aleatoare ia aceste valori, i.e. =P( X= ), și =1.

Cea mai simplă formă de specificare a unei variabile aleatoare discrete este un tabel care listează valorile posibile ale unei variabile aleatoare și probabilitățile corespunzătoare. O astfel de masă se numește aproape de distribuție variabilă aleatoare discretă.

Seria de distribuție poate fi reprezentată grafic. În acest caz, abscisa este reprezentată de-a lungul ordonatei, iar probabilitatea este reprezentată de-a lungul ordonatei. Punctele cu coordonate ( , ) sunt conectate prin segmente și primesc o linie întreruptă numită poligon de distribuție, care este una dintre formele de precizare a legii de distribuţie a unei variabile aleatoare discrete.

Exemplul 13.3. Construiți un poligon de distribuție al unei variabile aleatoare X cu o serie de distribuții

Definiție 13.4. Spunem că o variabilă aleatoare discretă X are distribuție binomială cu parametri ( n,p) dacă poate lua valori întregi nenegative k {1,2,…,n) cu probabilități Р( X=x)= .

Seria de distribuție are forma:

Suma probabilităților = =1.

Definiția 13.5. Se spune că forma discretă a variabilei aleatoare X Are Distribuția Poisson cu parametrul (>0), dacă ia valori întregi k(0,1,2,…) cu probabilități Р( X=k)= .

Seria de distribuție are forma

Deoarece expansiunea din seria Maclaurin are următoarea formă, atunci suma probabilităților = = =1.

Notează prin X numărul de încercări care urmează să fie finalizate înainte de prima apariție a evenimentului Aîn studii independente, dacă probabilitatea de apariție a lui A în fiecare dintre ele este egală cu p (0<p <1), а вероятность непоявления . Возможными значениями X sunt numere naturale.

Definiția 13.6. Ei spun că variabila aleatoare X Are distribuție geometrică cu parametru p (0<p <1), если она принимает натуральные значения k N cu probabilități Р(Х=k)= , unde . Domeniu de distribuție:

Suma probabilităților = = =1.

Exemplul 13.7. Moneda este răsturnată de 2 ori. Compilați o serie de distribuție a unei variabile aleatoare X a numărului de apariții ale „stemei”.

P2 (0)= = ; P2(1)===0,5; P 2 (2) = = .

Seria de distribuție va lua forma:

Exemplul 13.8. Pistolul este tras până la prima lovitură asupra țintei. Probabilitatea de a lovi cu o lovitură este de 0,6. va lovi la a 3-a lovitură.

Deoarece p=0,6, q=0,4, k=3, apoi P( A)= =0,4 2 *0,6=0,096.

14 Caracteristicile numerice ale variabilelor aleatoare discrete

Legea distribuției caracterizează complet variabila aleatoare, dar este adesea necunoscută, așa că trebuie să te limitezi la mai puține informații. Uneori este și mai profitabil să folosești numere (parametri) care descriu variabila aleatoare în total. Sunt chemați caracteristici numerice variabilă aleatorie. Acestea includ: așteptări matematice, varianță etc.

Definiție 14.1. așteptări matematice O variabilă aleatorie discretă se numește suma produselor tuturor valorilor sale posibile și probabilitățile acestora. Indicați așteptarea matematică a unei variabile aleatoare X prin M X=M( X)=E X.

Dacă variabila aleatoare X ia un număr finit de valori, apoi M X= .

Dacă variabila aleatoare X ia un număr numărabil de valori, apoi M X= ,

iar așteptarea matematică există dacă seria converge absolut.

Observația 14.2. Așteptările matematice sunt un anumit număr aproximativ egal cu o anumită valoare a unei variabile aleatorii.

Exemplul 14.3. Aflați așteptările matematice ale unei variabile aleatoare X, cunoscându-și seria de distribuție

M X=3*0,1+5*0,6+2*0,3=3,9.

Exemplul 14.4. Găsiți așteptarea matematică a numărului de apariții ale unui eveniment Aîntr-o singură încercare, dacă probabilitatea unui eveniment A este egal cu p.

Valoare aleatoare X- numărul de producere a evenimentului Aîntr-un singur test. Poate lua valori =1 ( Aîntâmplat) cu o probabilitate pși =0 cu probabilitate , i.e. serie de distribuție

Prin urmare, MS=C*1=C.

Observația 14.6. Produsul unei valori constante C de o variabilă aleatorie discretă X Definită ca o variabilă aleatorie discretă C X, ale căror valori posibile sunt egale cu produsele constantei С și valorile posibile X, probabilitățile acestor valori С X sunt egale cu probabilitățile valorilor posibile corespunzătoare X.

Proprietatea 14.7. Factorul constant poate fi scos din semnul așteptării:

DOMNIȘOARĂ X)=C∙M X.

Dacă variabila aleatoare X are un număr de distribuție

Serii de distribuție variabilă aleatoare

DOMNIȘOARĂ X)= = = С∙М( X).

Definiție 14.8. Sunt numite variabile aleatoare , ,… independent, dacă pentru , i=1,2,…,n

Р( , ,…, )= Р( ) Р( )… Р( ) (1)

Dacă ca = , i=1,2,…,n, atunci obținem din (1)

R(< , < ,…, < }= Р{ < }Р{ < }… Р{ < }, откуда получается другая формула:

( , ,…, ) = () ()... () (2)

pentru funcția de distribuție comună a variabilelor aleatoare , ,…, , care poate fi luată și ca o definiție a independenței unei variabile aleatoare.

Proprietatea 14.9. Așteptările matematice ale produsului lui 2 independent variabile aleatoare este egală cu produsul așteptărilor lor matematice:

M( X Y)=M X∙M La.

Proprietatea 14.10. Așteptările matematice ale sumei a 2 variabile aleatoare este egală cu suma așteptărilor lor matematice:

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

Observația 14.11. Proprietățile 14.9 și 14.10 pot fi generalizate în cazul mai multor variabile aleatoare.

Exemplul 14.12. Aflați așteptarea matematică a sumei numărului de puncte care pot cădea la aruncarea a 2 zaruri.

Lăsa X numărul de puncte aruncate pe primul zar, La numărul de puncte aruncate pe al doilea zar. Au aceeași serie de distribuție:

Apoi M X=M La= (1+2+3+4+5+6)= = . M( X+Y)=2* =7.

Teorema 14.13. Așteptarea matematică a numărului de apariții ale evenimentului A V nîncercări independente este egal cu produsul dintre numărul de încercări și probabilitatea ca un eveniment să apară în fiecare încercare: M X=np.

Lăsa X– numărul de apariții ale evenimentului A V n teste independente. – numărul de apariții ale evenimentului A V i- acel test, i=1,2,…,n. Atunci = + +…+ . Conform proprietăților așteptării matematice M X= . Din exemplul 14,4M X i=p,i=1,2,…,n, deci M X= =np.

Definiția 14.14.dispersie variabila aleatoare se numeste numarul D X=M( X-M X) 2 .

Definiția 14.15.Deviație standard variabilă aleatorie X număr numit =.

Observația 14.16. Dispersia este o măsură a răspândirii valorilor unei variabile aleatorii în jurul așteptărilor sale matematice. Este întotdeauna non-negativ. Pentru a calcula varianța, este mai convenabil să folosiți o altă formulă:

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

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

Exemplul 14.17. Aflați varianța unei variabile aleatoare X, dat de un număr de distribuții

M X=2*0,1+3*0,6+5*0,3=3,5; M( X 2)= 4*0,1+9*0,6+25*0,3=13,3;

D X=13.3-(3,5) 2 =1,05.

Proprietăți de dispersie

Proprietatea 14.18. Dispersia unei valori constante este 0:

DC = M(C-MC)2 = M(C-C)2 =0.

Proprietatea 14.19. Factorul constant poate fi scos din semnul de dispersie prin pătratul acestuia

DC X) =C2D X.

D(CX)=M(C-CM X) 2 \u003d M (C (X- M X) 2) = C 2 M( X-M X) 2 = C 2 D X.

Proprietatea 14.20. Varianta sumei lui 2 independent variabile aleatoare este egală cu suma varianțelor acestor variabile

D( X+Y)=D X+D Y.

D( X + Y)=M(( X+Y) 2) – (M( X+Y)) 2 = M( x2+ 2XY+Y2) - (M X+ M Y) 2 = =M( X) 2 +2M X M Y+M( Y 2)-(M( X) 2 +2M X M Y+M( Y) 2)= M( X 2)-(M X) 2 +M( Y 2)-(M Y) 2 = D X+D Y.

Corolarul 14.21. Varianta sumei mai multor independent variabile aleatoare este egală cu suma varianțelor lor.

Teorema 14.22. Variația numărului de apariții ale unui eveniment A V n teste independente, în fiecare dintre ele probabilitatea p) 2 =). Prin urmare, D +2,