Лекция 5

Нормальный закон распределения.

Цель - показать, что нормальный закон распределения имеет особое
значение, т.к. является предельным законом, к которому приводит
совокупное действие большого количества (n→∞) случайных величин.

Задача – понимать вероятностный смысл параметров нормального

распределения и их влияние на положение и форму кривой нормального
распределения.

5.1 Определение нормального закона. Теоретико –вероятностный смысл

его параметров . Нормальная кривая. Функция распределения нормально
распределённой случайной величины.

5.2 Вероятность: а)попадания нормально распределённой СВ в заданный

интервал; б)отклонения нормально распределённой СВ от её
математического ожидания.

Литература: [1] , § 4.7

5.1 Определение нормального закона. Вероятностный смысл

его параметров. Нормальная кривая.

Подавляющее большинство непрерывных СВ, с которыми приходится

встречаться в практической деятельности (науке, природе, биологии,
медицине, экологии, экономике, сельском хозяйстве и т.д.) распределены по
нормальному закону ( закону Гаусса).

Определение. Непрерывная случайная величина распределена по

нормальному закону (закону Гаусса) с параметрами а и σ >0 , если её
плотность распределения имеет вид
2
−(x−a)

f(x)= 1 e для ∀ x∈R (5.1)

2
2σ
σ √2 π

1
 Кривая нормального распределения называется нормальной (или
гауссовой) кривой.

Рассмотрим свойства плотности вероятностей.

ƒ(
x)

σ
₂

σ
₁

2
 a х

Р
ис.5.1

F(x)

0
,5

3
 1

Р
ис.5.2 х

1. f(x) >0 (т.к. является плотностью распределения)

1 0,3989
2. fmax = f(a) = ≈
σ √2 π σ
3. кривая Гаусса симметрична относительно прямой x=a
4. f(x) убывает, если │ x │ возрастает и │ lim
x │ →0
f ( x )=0
5. Параметр a влияет на положение вершины кривой, т.е. при изменении
параметра а кривая Гаусса смещается в направлении оси ох
6. С возрастанием параметра σ , значения f(x) уменьшается, т.е. вершина
кривой опускается, максимум уменьшается. Но в любом случае площадь
под нормальной кривой остаётся равной 1 ( Рис. 5.1, σ1 >σ2)

Теорема. Если НСВ распределена по нормальному закону с

параметрами а и σ , то её математическое ожидание М(X)=a , а
дисперсия D(Х)=σ 2

Доказательство
2
∞ ∞ −(x−a)
1 2

М(X) = ∫ x f ( x ) dx = ∫ xe 2σ
dx
−∞ σ √ 2 π −∞

x−a
Введём новую переменную t = σ √ 2 .

4
Если x = -∞ , то t = -∞ ; при x=+∞ , t=+∞
∞ ∞
1 a 2
( a+ σ √ 2 t ) e−t σ √ 2 dt= √ ∫ t e−t dt +¿
2 2

Тогда М(X)= ∫
σ √2 π −∞ √ π −∞
∞
+a 2
a
∫ e−t dt=0+ √ π =a
√ π −∞ √π

Первый интеграл (« околотабличный») вычисляется с помощью подстановки

∞
2

t =z ; второй интеграл ∫ e−t dt =√ π – интеграл Пуассона)

2

−∞

Итак, М (X )=а

2
∞ −(x−a)

D(X) = ∫ ( x−a) 1 e
2
2 2σ
dx
−∞ σ √ 2π

x−a
Используя опять подстановку σ √ 2 =t, получаем

∞ ∞
2 2
2 σ2 2

D(X) = ∫ σ 2 t 2 e−t σ √ 2 dt = ∫ t 2 e−t dt

σ √ 2 π −∞ √ π −∞

Интегрируя последний интеграл по частям, получаем

∞
σ 2 −t σ2 2 σ2 2

D(X) = - te │+ ∫ −t
e dt=0+ √π = σ 2
√π √ 2 π −∞ √2π

Таким образом, D( X)=σ 2,

Параметр σ при нормальном распределении является средним квадратичным

отклонением.

Функция распределения
2
x x − ( x−a)

F(x)= ∫ f ( x ) dx= 1 ∫ e
2
2σ
dx .
−∞ σ √ 2 π −∞

x−a
Введём новую переменную t = σ , тогда x=a+σt , dx =σdt. Тогда

5
 x−a x−a
2 2
σ −t σ −t
F(x) = 1 2 1 2
∫ e σdt = ∫ e σdt
σ √2 π −∞ √2 π −∞

2
x −t
2
Но ∫e 2
dt =Ф ¿x) есть интегральная функция Лапласа. В
2√π 0
соответствии с интегральной теоремой Муавра-Лапласа ( теорема 3.4)
получаем

1 x−a
F(x) = 2 [Ф( σ ) – Ф(-∞)], или окончательно при нормальном
распределении функция распределения имеет вид

1 1 x−a
F ( x )= + Ф ( ) (5.2)
2 2 σ
График функции представлен на рис. 5.2

5.2 Вероятность : а) попадания нормально распределенной

величины в заданный интервал; б) отклонения нормально
распределённой СВ от её математического ожидания.

Вероятность попадания СВ при нормальном распределении в

соответствие с теоремой 3.4
β −a
2 2
β β −(x−a) σ −t
1 2σ
2
1 2
Р(α≤ X ≤ β ¿= ∫ f ( x ) dx= ∫e dx= ∫e dt
α σ √ 2π α √2 π α −a
σ

1 β−а α −а
Р ( α ≤ X ≤ β )= [Ф
2 σ
−Ф
σ
] ( ) ( ) (5.3)

Геометрически эта вероятность равна площади под кривой Гаусса на

отрезке [ α , β ] ( Рис. 5.3 )

Найдём Р( │ Х - α│<ε ) . Величина ε называется заданным

отклонением .

P (│ X−a│< ε)= P ( a –ε< X ≤ a+ ε ¿,

Используя равенство (5.3) получаем

6
 1 а+ ε −а а−ε −а 1 ε ε
Р (│ X−a│<ε) = 2 Ф [( σ )] (
−Ф
σ ] =)2 [Ф( σ ) + Ф( σ )]

ε
P(│ X−a│< ε)=Ф( ) (5.4)
σ

Из (5.4) следует: чем меньше σ , тем тесней группируются значения СВ

около её математического ожидания при любом значении ε.

Пусть ε=σ, тогда Р (│ X−a│< σ)= Ф (1)= 0,683

ε=2σ, Р (│ X−a│<2σ)=Ф(2)=0,955

ε=3σ, Р (│ X−a│<3 σ)=Ф(3)=0,997

Из последнего следует правило “ трех сигм ”

Для нормального распределения СВ с математическим ожиданием а и

средним квадратическим отклонением σ практически достоверно, что
│ Х−a│<3 σ; событие │ X−a│>¿ 3 σ практически невозможно (рис. 5.3)

7
 f(x)

S
=0,997

a
a - 3σ 0 a α β + 3σ x

Р
ис.5.3

Пример. Коробки с конфетами упаковываются автоматически. Их

средняя масса m=540 г . Известно, что 5% коробок имеют массу менее 500 г.
Каков процент коробок, масса которых: а) m< 470 г. ; б) 500 < m<550; в) m
> 540; г) │ m - 540 │< 30?

Решение

Для ответа на любой вопрос следует найти СКО, т.е. σ при заданном
математическом ожидании m = 540 г., и известной вероятности Р(m<500) =
=0,05 (5%)
8
 Очевидно, Р(m>500) =0,95

1 ∞−540 500−540
Но Р(m>500)= Р(500<m<∞)= 2 [Ф( σ
) – Ф( σ
)]

1 40 40
[ Ф(∞)+Ф ( )] = 0,95, тогда Ф ( )= 2×0,95- 1=0,9
2 σ σ

По таблицам значений интегральной функции Лапласа Ф(t)

40
для значения Ф(t) = 0,9 находим значение аргумента t= σ = 1,645 ,

40
σ= = 24,32
1,645

1 470−540 1
а) Р( m < 470) = Р ( 0 < m < 470) = 2 [ Ф ( 24,32 ) ] = 2 [ 1 - Ф(2,878) ]
=0,002

1
б) Р( 500< m<550) = 2 ( 0,311 + 0,9) = 0,6055≈ 60,5%

1 10
в) Р( m > 550) = Р (550 < m< ∞) = 2 [ 1 – Ф( 24,32 ) ] = 0,3445≈ 34,5%

Е 30
г) Р(│ m - 540│< 30 ) = Ф( σ ) = Ф( 24,32 ) = 0,78 =78%