Академический Документы
Профессиональный Документы
Культура Документы
{
−2 x
1−e , x>0 ,
F( x )=
0 , x≤0 .
1) Определить функцию в системе Mathematica. 2) Построить график
функции F(x). 3) Найти вероятность события (0 ≤ ξ <
1). 4) Найти вероятность события (ξ ≥ 2).
Решение. 1) Определяем F(x) в системе Mathematica с помощью
функции Condition, обозначенной /;.
In[1]:=F[x_]:=0/;x≤0;F[x_]:=1−Exp[−2*x]/;x>0;
2) Для построения графика функции F(x)испоьзуем функцию
Plot.
In[2]:=Plot[F[x],{x,−1,5}]
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 44
Out[2]=Graphics
3) Применяем формулу (8.2.3).
In[3]:=N[F[1]−F[0]]
Out[3]=0.86465
Получили P(0≤ξ<1)=0,86465.
4) Для вычисления вероятности используем формулу P(ξ ≥ 2) = 1
− P(ξ < 2) и формулу (8.2.2).
In[4]:=N[1−F[2]]
Out[4]=0.0183156
Получили P(ξ≥2) = 0,0183156.
Решение примера закончилось. Так как при решении некоторых
следующих примеров опять будет использовано обозначение F(x),
очищаем ее содержание из этого примера с помощью функции
Clear.
In[5]:=Clear[F].Δ
ξ:
(
x1 x 2 .. . x n
p1 p2 .. . pn
;
) (8.2.4)
ξ:
( x1 x 2 .. . x n . . .
p1 p2 .. . pn . . .
.
)
(8.2.5)
В рядах распределения (8.2.4) и(8.2.5) выполняются равенства
n
∑ j=1 p j =1
и соответственно, . (8.2.6)
В дальнйшем формулы будут написаны для ряда (8.2.4). Для ряда
(8.2.5) формулы аналогичны.
Функция распределения дсв заданной рядом (8.2.4) вычисляется
по формуле
F( x )=∑ x <x p j
j . (8.2.7)
3. Закон распределения случайной Под величины.
законом распределения д.с.в.понимаем функцию распределения и
ее ряд распределения. Функция распределения и ее ряд
распределения представляют собой две формы ее закона
распределения. Дискретная случайная величина считается известной
если известен ее закон распределения в виде функции
распределения или ряда распределения.
4. Числовые характеристики д.с.в..Математическое
ожидание. Мода. Если известен закон распределения случайной
величины то она полность определена с точки зрения вероятности.
Иногда достаточно знать некоторые числовые величины которые
характеризовали бы случайную величину суммарно.Такие величины
называются числовыми характеристикамию Отметим из них:
Математическое ожидание и Моду
1) Математическое ожидание. Называем математическим
ожиданием (средним значением) д.с.в. сумму произведений ее
возможных значений на соответствующую вероятность.
Математическое ожидание д.с.в. ξ обозначается M[ξ], или mξ,или
E[ξ]. Если д.с.в. ξ имеет конечное количество значений и определена
рядом распределения (8.2.4), тогда из определения математического
ожидания следует формула для ее вычисления:
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 46
. (8.2.8)
Если количество опытов с д.с.в. ξ достаточно велико, тогда
среднее арифметическое наблюдаемых результатов приближенно
равно ее математическому ожидани. Это и есть вероятностный
смысл математического ожидания.
2) Мода Называем модой д.с.в. ее возможное значение которой
соответствует наибольшая вероятность в ряде распределения.
Моду д.с.в. ξ обозначаем Mo[ξ]. Из определения следует что
, где . (8.2.9)
3) Центрированные случайные величины. Дисперсия.
Среднее квадратичное отклонение. Пусть ξ д.с.в. с
математическим ожиданием mξ. Выражение
ξo = ξ − mξ (8.2.10)
называется центрированной случайной величиной . Математическое
ожидание центрированной случайной величины равна нулю.
Называется дисперсией случайной величины ξ
математическое ожидание квадрата центрированной случайной
величины ξo. Дисперсия случайной величины ξ обозначается
D[ξ], или Dξ, или Var[ξ] . Из определения дисперсии следует,что
D[ξ] = M[(ξo)2]. (8.2.11)
Формула удобная для вычисления дисперсии случайной величины ξ
. (8.2.12)
Дисперсия характеризует степень рассеивания (отклонения) в
квадрате возможных значений случайной величины от ее
математического ожидания. Называется средним квадратичным
отклонением случайной величины корень квадратный из
дисперсии. Среднее квадратическое отклонение случайной
величины ξ обозначается σ[ξ] или σξ. Из определения следует
. (8.2.13)
4) Начальные моменты. Называем начальным моментом s- го
порядка случайной величины математическое ожидание от ее s-ой
степени. Начальный момент s-го порядка случайной величины ξ
обозначается αs[ξ]. По определению :
αs[ξ] = M[ξs], s = 1, 2,... (8.2.14)
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 47
А формула для вычисления начального момента s- го порядка
случайной величины
, s = 1, 2,... (8.2.15)
Заметим что математическое ожидание случайной величины
совпадает с ее начальным моментом первого порядка.
5) Центральные моменты. Называем центральным моментом s-
го порядка случайной величины математическое ожидание от s-ой
степени ее соответствующей центрированной случайной
величиной, обозначенной через μs[ξ]. Из определения следует
μs[ξ] = M[(ξo)s], s = 1, 2,... (8.2.16)
Формула для вычисления центрированного момента s-го порядка
случайной величины имеет вид
, s = 1, 2,... (8.2.17)
Справедливы равенства μ1[ξ] = 0, μ2[ξ] = D[ξ].
Соотношения между центрированными моментами и начальными
момнтами vb:
1) μ2 = α2 − α12;
2) μ3 = α3 − 3α1α2 + 2α13;
3) μ4 = α4 − 4α3α1 + 6α2α12 − 3α14.
6) Асиметрия. Называется асиметрией (коэфициентом
асиметрии) случайной величины ξ число обозначенное через Sk
определенным равенством
μ
Sk [ξ ]= 33
σ . (8.2.18)
7) Эксцесс. Называется эксцессом случайной величины ξ число
обозначенное через Ex[ξ] определенное равенством
μ
Ex [ξ ]= 44 −3
σ . (8.2.19)
5. Примеры определения функции распрееления и
вычисления числовых характеристик Д.С.В.
Пример2. Дана ДСВ рядом распределения
ξ:
(0,30 2 5 7
)
0,4 0,1 0,2 . (8.2.20)
Требуется: 1) Определить в системе Mathematica случайную
величину ξ; 2) Определить функцию распределения F(x); 3) Ввести в
системе Mathematica функцию распределения 4) построить график
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 48
функции F(x); 5) вычислить вероятность того, что случайная
величина ξ примет значения в интервале [3, 8).
Решение. 1) Введем ДСВ ξ в виде списка элементы которой
являются списки элементов линий матрицы (8.2.20).
In[6]:=p={{0,2,5,7},{0.3,0.4,0.1,0.2}}
Напишем p в матричной форме с помощью функции MatrixForm.
In[7]:=MatrixForm[p]
Out[7]=
(0.30 2 5 7
0.4 0.1 0.2 )
2)Применяя формулу (8.2.7), находим функцию распределения
{
0 , x≤0 ,
0,3 , 0<x ≤2 ,
F( x )= 0,7 , 2<x≤5 ,
0,8 , 5<x≤7 ,
1 , x>7 .
3) Вводим функцию F(x) в системе Mathematica с помощью
функции Condition, обозначеной через /;.
In[8]:=F[x_]:=0/;x≤0;F[x_]:=0.3/;0<x≤2;F[x_]:=0.7/;2<x≤
5;F[x_]:=0.8/;5<x≤7;F[x_]:=1/;7<x;
4) Строим график функции распределения с помощью функции
Plot.
In[9]:=Plot[F[x],{x,−1,8}]
Out[9]=Graphics
5)Используем формулу (8.2.3).
In[10]:=P(3≤ξ<8)=F[8]−F[3]
Out[10]=0.3
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 49
Решение примера закончелось, но так как функция распредеения
F(x) не используется в последующих примерах но ее обозначения
используются необходимо вывести ее определение из системы.
Матрица p еще остается в системе тк будет использована в
дальнейшем.
In[10]:=Clear[F].Δ
Пример 3. Пусть дана ДСВ ξ рядом распределения (8.2.20), и
требуется найти: 1) Математическое ожидание; 2) Дисперсию;
3) Среднее квадратичное отклонение; 4)Начальные моменты до
чеветого порядка включительно; 5) Центрированные моменты до
чеветого порядка включительно;6)Асиметрию; 7) Эксцесс.
Решение. 1) Вычисляем математическое ожидание с помощью
формулы (8.2.8)
4
mξ=∑ j=1 p[[1, j ]] p[[2, j ]]
In[11]:=
Out[11]=2.7
Получили mξ=2,7. Здесь p[i,j] обозначение элемента pij матрицы p.
2) Вычисляем дисперсию с помощью формулы (8.2.12).
4
Dξ=∑ j=1 (( p [[1 , j ]]−mξ ) 2^ ) p [[2 , j ]]
In[12]:=
Out[12]=6.61
Получилм Dξ=6,61.
3) Применяя формулу (8.2.13).
In[13]:= ξ
σ =√ D
ξ
Out[13]=2.57099
Получили σξ=2,57099.
4) Для вычисления начаьных моментов применяем формулы
(8.2.15).
4
α 1=∑ j=1 (( p[[1, j]]) 1)
^ p[[2 , j ]]
In[14]:=
Out[14]=2.7
4
α 2=∑ j=1 (( p [[1, j ]]) 2)
^ p [[2 , j ]]
In[15]:=
Out[15]=13.9
4
α 3=∑ j=1 (( p [[1 , j ]]) 3)
^ p[[ 2, j]]
In[16]:=
Out[16]=84.3
4
α 4 =∑ j=1 (( p[[ 1, j]]) 4^ ) p [[2 , j ]]
In[17]:=
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 50
Out[17]=549.1
Получили α1=2,7; α2=13,9; α3=84,3; α4=549,1.
5) Для вычисления центрированных моментов применяем
формулы (8.2.17).
4
μ1 =∑ j=1 (( p [[1 , j ]]−mξ ) 1^ ) p [[2 , j ]]
In[18]:=
Out[18]=−1.11022×10−16
Известно что μ1 = 0. Здесь мы получили очень близкое число
которое все таки отлично от нуля. Это случается когда производятся
лействияс приближенными числами. После округления получаем то
же значение 0.
4
μ2 =∑ j=1 (( p [[1 , j ]]−mξ ) 2)
^ p [[2 , j ]]
In[19]:=
Out[19]=6.61
4
μ3 =∑ j=1 (( p[[1 , j ]]−mξ ) 3)
^ p[[ 2, j ]]
In[20]:=
Out[20]=11.076
4
μ4 =∑ j=1 (( p [[1 , j ]]−mξ ) 4^ ) p[[ 2 , j]]
In[21]:=
Out[21]=87.2137
Получили μ1=0; μ2=6,61; μ3=11;076, μ4=87,2137.
6) Вычисляем ассиметрию по формуле (8.2.18).
In[22]:=Sk[ξ]=μ3/σ3
Out[22]=0.65175
7) Вычисляем эксцесс по формуле (8.2.19).
In[22]:=Ex[ξ]=μ4/σ4 −3
Out[22]=−1.0039
Решение примера закончилось. Освоождаем параметры от
значений присвоенных в этом примере
In[23]:=Clear[p,mξ,Dξ,σξ,α1,α2,α4, μ1,μ2,μ3,μ4,Sk[ξ],Ex[ξ]].Δ
ξ: 0
( p0 1 2 . . . k . ..
p 1 p2 . . . p k . ..
(8.2.21)
)
Называем функцией генерирования случайной величины (8.2.21)
функцию ϕ(z) определеннуюнством
, (8.2.22)
где z некоторый параметр из интервала (0;1].
В случае когда ДСВ принимае конечное множество значений в
формуле (8.2.22) коффициенты pk, начиная с некоторого индекса
равны нулю. Доказано что
α1[ξ] = M[ξ] = ϕ′(1). (8.2.23)
α2[ξ] = ϕ′′(1) + ϕ′(1). (8.2.24)
α3[ξ] = ϕ′′′(1) + 3ϕ′′(1) + ϕ′(1). (8.2.25)
D[ξ] = ϕ′′(1) + ϕ′(1) − [ϕ′(1)] .
2
(8.2.26)
2. Биномиальное распределение
Определение. Говорят что ДСВ ξ имеет биномиальное
распределение с параметрами n и p если ее возможные значения
являются 0, 1, 2, ..., n, а соответствующие вероятности этих
значений:
, 0 < p < 1, q = 1−p, k = 0, 1,..., n. (8.2.27)
Биномиальное распределение с параметрами n и p обозначается
B(n, p). Из опрделения следует что ряд распределения для случайной
величины с биномиальным расредлением имеет вид:
( )
0 1 . .. k . .. n
C 0n p0 q n−0 C1n p 1 qn−1 k k n−k
. .. C n p q n n 0
. .. C n p q
ξ: . (8.2.28)
Биномиальное расредлением появляется например в случае когда
производятся n независимых опытов и в каждом из них некоторое
событие А может появится с вероятностью p = P(A) ≠ 0, где ДСВ
это число реализаций события A.
Используя понятие функции генерирования случайной величины
получаем:
M[ξ] = α1[ξ] = np, (8.2.29)
D[ξ] = npq, (8.2.30)
. (8.2.31)
Если np−q является целым числом, то максимальное значение
'
вероятности Pn(k) достигается при двух значениях k: k0 = np−q и k 0
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 52
= np−q+1 = np+p. Если np−q дробное, тогда максимальное значение
вероятности Pn(k) достигается при значениии k0 = [np−q]+1, где
[np−q] это целая часть числа np−q.
Пример 4. Случайное событие A может появится в одном опыте
с вероятностью p = 0,3. Производятся 1000 таких испытаний. Найти:
1) Ряд распределеня ДСВ ξ которое представляет колличество
появлений события A; 2) Mo[ξ], 3) M[ξ], 4) D[ξ]; 5) σ[ξ],
P(250≤ξ≤350).
Решение 1) Случайная величина ξ может принимать значения: 0,
1, 2,…, 1000. Вероятности этих значений вычисляются по формулам
Бернулли
k k 1000−k
pk =P(ξ=k )=P1000 (k )=C 1000 (0,3 ) (0,7 ) , k = 0, 1, 2,…, 1000.
2) Так ка np−q = 1000⋅0,3−0,7 = 299,3 является дробным
числом, следует что мода, т.е.возможное значение которое
соответствует наибольшей : Mo[ξ] = [299,3]+1 = 299+1 = 300.
3) M[ξ] = np = 1000⋅0,3 = 300.
4) D[ξ] = npq = 1000⋅0,3⋅0,7 = 210.
√
5) σ [ξ ]= npq= √ 210.
6) Вероятность
350
, k = 0, 1, 2,..., (8.2.32)
где a действительный положительный параметр.
Распределение Пуассона с параметром a P(a) имеет вид
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 53
( )
0 1 . .. k . ..
0 1 k
a −a a −a
a −a
e e . ..
e . ..
ξ: 0! 1! k ! . (8.2.33)
Если числа n и k относительно велики и npq < 9, тогда
биномиальное распределение параметров n и p может быть
приближенно выражена через распределение параметра a = np.
Используя понятие генерирующей фун плучаемкции:
M[ξ] = a; D[ξ] = a; σ[ξ] = . (8.2.34)
Если a целое число, тогда pk достигает своего максимума для k0 =
a и k0 = a−1. Если a дробное тогда Mo[ξ]=[a]+1.
Определение. Называем простейшим (Пуассоновским) потоком
случайных событий последовательность событий которые могут
реализоваться в случайные моменты времени.
Простейший (Пуассоновский) поток событий обладает свойствами
a) стационарности, если вероятность того,что за какой-то
временной интервал t произойдут k реализаций зависит только от t и
k и не завист от начала интервала;
b) отсуствия памяти т.е. появление k событий за данный
временной интервал не зависит от того если произошли или нет
раньше эти события;
c) ординарности,т.е. появление двух и более событий за малый
промежуток времени практически невозможно.
Среднее колличество событий которое появляется за единицу
времени в пуассоновском потоке называется интенсивностью потока
и обозначается через a. Колличество реализаций события в потоке
Пуассона за время t это случайная величина с распределением
k
(at ) −at
Pt (k )= e
k! , k = 0, 1, 2,…
При t = 1 получается формула Пуассона.
Рассмотрим несколько ДСВ имеющих распределение Пуассона:
1) Колличество частиц α (alfa) выделенных радиоактивным
веществом за какой-то временной интервал
2) количество автомобилей которые заправляются на некоторой
АЗС;
3) Колличество клиентов обратившихся за услугами в почтовое
отделение за сутки;
4) Колличество звонков на АТС за данные сутки и т д;
.
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 54
Пример 5. Среднее колличество обращений в диспечерскую
службу такси рано 2/мин. Найти вероятности событий : A = {за одну
минуту было одно обращение}, B = { за одну минуту было не более
двух обращений }, C = за три минуты было более двух обращений }.
Решение. Случайная величина ξ представляющее колличество
обращений в службу такси имеет распределение Пуассон с
параетром a = 2. Это ДСВ имеет ряд распределения
k
2 −2
pk =P(ξ=k )= e
k! , k = 0, 1, 2,… (8.2.35)
1
2 −2
P( A )=P(ξ=1)= e
1) так как 1! то:
1
2 −2
e
In[25]:=N[ 1! ]
Out[25]=0.270671
2так как P(B )=P( ξ=0)+P(ξ=1)+P(ξ=2 ) то иимеем(8.2.35) :
0 1 2
2 −2 2 −2 2 −2
e + e + e
In[26]:=N[ 0! 1! 2! ]
Out[26]=0.676676
3) Т.к. P(C) = 1 − P(B), то :
In[27]:=N[1−%]
Out[27]=0.323224
полуили P(A)=0,270671, P(B)=0,676676, P(C)=0,323224.Δ
4. Геометрическое распределение (Паскаля)
Definiţie. Определение. Говорят что ДСВ ξ имеет гео -
метрическое распределение с параметром p, если ее возможные
значения 0, 1, 2,…, k,.. и их вероятности
k
pk =P(ξ=k )=q p , 0 < p < 1, q = 1−p, k = 0, 1, 2,… (8.2.36)
Ряд распределения (8.2.36) в матричной форме
( 0 1 2 . . . k . ..
p pq pq 2 . . . pq k . .. . )
Это распределение встречается тогда, когда осуществляются
повторы до первой реализации некоторого соббытия А которое
может реализоваться в каждом опыте с вероятностью p, 0 < p < 1.
Если обзначить через ξ колличество неудач до первой реализации
события А тогда ξ имеет геометрическое распределение (8.2.36).
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 55
Доказано:
M [ξ ]=q/ p, D [ξ ]=q/ p2 , σ [ξ ]=√ q/ p .
(8.2.37)
Определение. Говорят что ДСВ ξ имеет геометрическое
распределение рлюс один с параметром p, если ее возможные
значения 1, 2,…, k,.. и их вероятности
pk = p q k−1 , k = 1, 2,…
Числовые характеристики
M[ξ] = 1/p, D[ξ] = q/p2. (8.2.38)
Пример 6. Из урны содержащей 2 белых и 8 черных шара
извлекается с возвращением по одному шару до первого появления
белого шара. Найти: 1)ряд распределения ДСВ ξ представляющей
собой колличество извлечений до первого появления белого шара;
2) M[ξ]; 3) D[ξ]; 4) минимальное число m достаточное для того
чтобы утверждать с вероятностью 0,7 что белый шар появится за
первые m извлечений.
Решение. 1) Обозначим через A событие состоящее в появление
белого шара при некотором извлечении и через N событие
состящее в извлечении черного. Очевидно что N = . Ā
P(A) = 0,2 и P(N) = P( Ā ) = 1−0,2 = 0,8.
Если белый шар появится при первом извлечении, тогда ξ
принимает значение 1 с вероятностью p1 = P(A) = 0,2. Если при
первом извлечении появится черный шар, а при втором –белый,
тогда ДСВξ примет значение 2 с вероятностью p2 = P(ξ=2) = P( Ā
∩A) = P( Ā )P(A) = 0,8⋅0,2 = 0,16. Вообще, когда белый шар
появляется первый раз при извлечении с номером k, njulf ДСВ ξ
примет значение k с вероятностью
P( ⏟
Ā∩. . .∩ Ā ∩A )
pk = P(ξ=k) = k −1 раз = 0,2⋅(0,8)k−1, k = 1, 2,…
Следовательно ДСВ ξ имеет геометрическое распределение плюс
один с параметром 0,2.
2) Из (1.7.19)имеем: M[ξ] = 1:0,2 = 5.
3) Из второй из формул (1.7.19) получаем:
D[ξ] = (1−0,2)/(0,2)2 = 20.
4) Определяем число m из условия
0,2 + 0,2⋅0,8 + … + 0,2⋅(0,8)m−1 > 0,7.
Откуда m > log0,80,3.
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 56
Применяя Mathematica.
In[28]:=N[Log[0.8,0.3]]
Out[28]=5.3955
Получили m = 6.Δ
4. Гипергеометрическое распределение.
Определение. Говорят что ДСВ ξ имеет гипергеометрическое
распределение с параметрами a, b, n , если ее возможные значения 0,
1, 2,…, k,.. ,min{a, n} c вероятностями
k n−k
Ca Cb
pk =P(ξ=k )= n
C a+b , k = 0, 1, 2, …, min{a,n}. (8.2.39)
Доказано
M[ξ] = na/(a+b). (8.2.40)
. (8.2.46)
2) f(x) ≥ 0, ∀x∈R;
3) ; (8.2.47)
x
F( x)=∫ f (t )dt
−∞
4) . (8.2.48)
5. Числовые характеристики непрерывных случайных
величин
Называем математическим ожиданием нсв ξ с плотностью
распределения f(x) число M[ξ] (или mξ) определенное равенством
. (8.2.49)
Называем Модой нсв число обозначенное через Mo[ξ], то
значение аргумента для которого плотность распределения имеет
максимум.
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 58
Называем медианой нсв ξ число обозначенное через xm (или
Me[ξ]),удовлетворяющее условию
P(ξ < xm) = P(ξ > xm) = 1/2. (8.2.50)
Условие (8.2.50) равносильно условию
. (8.2.51)
Уравнение (8.2.51) относительно переменной xm может быть
использовано при нахождении медианы.
Используя понятие математического ожидания вводятся, как и в
случае дсв понятия дисперсии, средним квадратическим
отклонением начальных и центрированных моментов.
. (8.2.52)
Формула вычислениясреднего квадратического отклонения
имеет вид
. (8.2.53)
Формула вычисления начального момента s-го порядка имеет вид
,, s = 1, 2,... (8.2.54)
Формула вычисления центрального момента s-го порядка
имеет вид
, s = 1, 2,... (8.2.55)
Соотношения между начальными и центральными моментами
являются те-же что и в случае дсв.
Пусть ξ случайная величина которая принимает только
неотрицательные значения. Называем коэффициентом вариации
этой случайной величины число v определенное равенством
v = σξ/mξ. (8.2.56)
Называем коэффициентом ассиметрии (или ассиметрией) нсв ξ
величину обозначенное через Sk, определенное равенством
Sk[ξ] = μ3/σ3. (8.2.57)
Называем эксцессом нсв ξ величину обозначенное через ε или Ex,
определенное равенством
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 59
Ex[ξ] = μ4/σ −3.
4
(8.2.58)
6. Примеры
Пример7. Случайная величина ξ задана ее плотностью
распределения:
Out[31] Graphics
2) Вычисляем требуемую вероятность по формуле (8.2.58).
In[32]:=NIntegrate[f[x],{x,5,8}]
Out[32]=0.75
3) Определяем функцию распределения. Так как все возможные
значения значения нсв ξ принадлежат отрезку[2,8], следует что
F(x)=0, x<2, şi F(x)=1, x>8. Определяем эту функцию на отрезке [2,8]
используя формулу (8.2.48).
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 60
x t−2
∫2 18 dt
In[33]:=F1[x]=
2
1 x x
− +
Out[33]= 9 9 36
Следовательно, функция распределения имеет вид
{
0 , x <0 ,
2
F( x )= 1 − x + x , 2≤x≤8 ,
9 9 36
1 , x> 8 .
Вводим эту функцию в систему Mathematica.
2
1 x x
− +
In[34]:=F[x_]:=0/;x<0;F[x_]:= 9 9 36 /;2≤x≤8/;F[x_]:=1/;x>8
;
Строим график функции F(x) с помощью функции Plot.
In[35]:=Plot[F[x],{x,2,9}]
Out[35]=Graphics
4) Вычисляем математическое ожидание по формуле (8.2.49).
In[36]:=mξ=NIntegrate[x*f[x],{x,2,8}]
Out[36]=6.
Получено mξ=6.
5) Вычисляем дисперсию по формуле (8.2.52).
8
∫ ( x−m )2 f (x )dx
In[37]:=N[ 2 ξ ]
Out[37]=2.
6) Вычисляем среднее квадратическое отклонение σ ξ по формуле
(8.2.53).
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 61
In[38]:=σξ= √ %
Out[38]=1.41421
7) Начальный момент α1 совпадает с математическим ожиданием
α1[ξ] = mξ = 6. Находим сотальные начальные моменты по (8.2.54).
8 2
In[39]:=N[
∫ 2
x f ( x)dx
]
Out[39]=38
8
In[40]:=N[
∫ 2
3
x f ( x)dx
]
Out[40]=250.4
8
In[41]:=N[
∫ 2
4
x f ( x)dx
]
Out[41]=1699.2
получено α1=6, α2=38, α3=250,4, α4=1699,2.
8) Центрированный момент I порядка равен нулю для любой св:
μ1 = 0. Центрированный момент II порядка равен дисперсии μ 2 = Dξ =
2. Вычисляем μ3 и μ4 по формулам (8.2.55).
8
In[42]:=μ =N[
3
∫ 2
3
( x−mξ ) f ( x)dx
]
Out[42]=−1.6
8
In[43]:=μ =N[
4
∫ 2
4
( x−mξ ) f ( x)dx
]
Out[43]=9.6
Получили μ1 = 0, μ2 = 2, μ3 = −1,6, μ4 = 9,6.
9) Вычисляем асимметрию по формуле (8.2.57):
In[44]:=Sk[ξ]=μ3/(σξ)3
Out[44]=−0.565685
10) Эксцесс по формуле (8.2.58).
In[45]:=Ex[ξ]=μ4/(σξ)4−3
Out[45]=−0.6
11) коэффициент вариации по формулам (8.2.56).
In[46]:=vξ=σξ/mξ
Out[46]=0.235702
Решение примера закончилось.Очищаем значения параметров из
этого примера
In[47} :=Clear[f,F,mξ,σξ,μ1, μ2, μ3, μ4,Sk[ξ],Ex[ξ],vξ].Δ
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 62
8.2.6. Классические непрерывные распределения
(8.2.59)
В качестве нсв с равномерным распределением может служить
длительность ожидания автобуса который приезжает на остановку
каждые 5 минут, в случае когда пассажир приходит на остановке в
случайный момент времени (независимо от расписания отправления
автобуса).
Используя формулу (8.2.48) определяем функцию распределения
F(x).
{
0 , x <a ,
F( x )= ( x−a )/(b−a ), a≤x≤b ,
1 , x>b . (8.2.60)
Математическое ожидание mξ = (b−a)/2, а дисперсия Dξ =
(b−a)2/12. Равномерное распределение не имеет моду. Медиана
равна (b+a)/2.
Пример 8. Троллейбус приезжает на остоновку каждые 5 минут.
Какова вероятность того, что пвссажир, случайно пришедший на
остановке, будет ждать троллейбус не более 2 минут (событие A)?
Решение. Плотность распределения случайной величины ξ,
представляющей собой длительность времени ожидания автобуса
имеет вид
{
f (x )= 1/5 , x ∈[ 0 ; 5 ],
0 , x ∉[0 ; 5].
2
P(0≤ξ≤2)=∫ 0 (1/5)dx
In[48]:=
Out[48[=2/5
Получен результат P(A)=2/5.Δ
2. Показательное распределение. Говорят что непреывная
случайная величина ξ имеет показательное распределение
параметра λ, λ>0, если ее полотность распределения имеет вид
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 63
(8.2.61)
Функция распределения имеет вид
(8.2.62)
Используя понятие функции распределения получаем
вероятность того, что случайная величина принимает значения на
отрезке [a; b], 0 < a < b:
P(a < ξ < b) = e−λa − e−λb.
Имеют место равенства:
M[ξ] = 1/λ. D[ξ] = 1/λ2; σ[ξ] = 1/λ. (8.2.63)
Примером случайной величины которая имеет показательное
распределение с параметром λ является длительность безотказной
работы некоторого электрического устройства. В этом случае
параметр λ представляет собой среднее количество отказов аппарата
за единицу времени. Функция
−λx
R( x)=e , x ≥ 0. (8.2.64)
Называется функцией надежности аппарата и ее значение в точке x
представляет вероятность того, что аппарат будет работать
безотказно x единиц времени. Из определения фкнкции надежности
следует, что
R( x)=1−F( x) , x ≥ 0.
Пример 9. Допустим что длительность (измеряемой в сутках)
безотказной работы некоторого телевизора есть случайная величина
ξ которая имеет показательное распределение с параметром λ =
0,001. Найти: 1) Плотность распределения; 2) функцию
распределения; 3) надежность; 4)математическое ожидание и
дисперсию; 5) вероятность безотказной работы не менее 2000 суток
(событие A).
Решение. 1) Так как λ = 0,001, из (8.2.61) следует что плотность
распределения н.с.в. ξ имеет вид
{
−0 , 001x
0,001e , x≥0,
f (x )=
0, x<0.
2) Согласно формуле (8.2.62) находим функцию распределения
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 64
{
−0 ,001 x
1−e , x≥0,
F( x)=
0 , x<0 .
3) Из (8.2.64) следует что функция надежности имеет вид
−0 ,001 x
R( x)=e , x ≥ 0.
4) Из (8.2.63) находим математическое ожидание M[ξ] = 1/0,001 =
1000 и дисперсию D[ξ] = 1/(0,001)2 = 1000000.
5) Используя (8.2.64).
In[49]:=P(ξ>2000)=N[e−0.001*2000]
Out[49]=0.135335
Получили P(A)=0,135335.Δ
3. Нормальное распределение. Говорят что нсв ξ имеет
нормальное распределение, если ее полотность распределения имеет
вид
, (8.2.65)
где σ > 0 и m действительные постоянные, названными параметрами
нормального распределения.
Примеры н.с.в.с нормальным распределением могут служить:
годовое количество осадков в некотором регионе, ошибка
допущенная при измерении некоторой величины аппаратом
имеющий градацию, высота взрослого мужчину и т.д..
График нормального распределения является график функции
Гаусса. Функцмя распределения (8.2.65) имеет вид
, (8.2.66)
где Φ(x) интегральная функция Лапласа
. (8.2.67)
Имеют место равенства:
mξ=m , Dξ=σ 2 , σ ξ =σ , (8.2.68)
. (8.2.69)
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 65
В системе Mathematica функция распределения F(x) нормального
распределения выражается через функцию Erf с помощью
равенства:
F( x )=
1
2 [ ( )]
1+Erf
x−m
σ √2 .
где
2 x −t 2
Erf ( x)= ∫ e dt
√π 0
называется функцией ошибок, или интенгралом вероятности.
Соотношеня между функциями Лапласа и Erf
1
Φ( x )= Erf (x √ 2)
Erf ( x)=2Φ( x √2) или 2 .
Пример 10. Пусть годовое количество осадков в некотором
регионе есть н.с.в.с нормальным распределением с параметрами m =
400 mm и σ = 100 mm. Найти вероятность того, что на следующий
год количество осадков будет больше чем 500 mm (событиеA).
Решение. Плотность распределения
.
Используя формулу (8.2.46).
∞ 1 2 2
∫500 100 √ 2π e−( x −400) /( 2∗100 ) dx
In[50]:=N[ ]
Out[50]=0.158655
Получили P(A)=0,158655.Δ
В системе математика Mathematica существует пакет программ
посвященный нормальному распределению. Этот пакет может быть
установлен с помощью функции
<<Statistics`NormalDistribution`. Приведен пример испоьзования
этого пакета
Пример 11. Пусть ξ представляет собой н.с.в. с нормальныи
распределением с параметрами m=3 σ=2. Найти: 1) установить
пакет програм Statistics`NormalDistribution` ; 2) определить
(ввести) данную н.с.в.; 3) определить плотность распределения; 4)
построить линию распределения ; 5)определить функцию
распределения ; 6) построить график функции распределения ; 7)
построить в одной и той же системе координат графики плотности
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 66
распределения и функции распределения; 8) построить график
функции распределения ; 9) построить в одной и той же системе
координат графики плотности распределения и функции
распределения так, чтобы толщина линии графика плотности
равнялась 0,5 от стандартной, а толщина графикф функции
распределения была равна 0,9 от стандартной толщины.
Решение. 1) Находимся (работаем с некоторым документом) в
системеMathematica. Устанавливаем требуемый пакет прграмм.
(8.2.70)
где Γ гамма функция определенная равенством
.
Имеют место равенства D[ξ] = b2a,
5. Распределение хи-квадрат (χ2). Говорят что нсв ξ имеет
распределение хи-квадрат (χ2) с параметрами r и σ , если ее
полотность распределения имеет вид
(8.2.71)
Распределение хи-квадрат является частным случаем гамма
распределения: функция (8.2.71) получается из (8.2.70) для a = r/2 и
b = 2σ2. Используя результаты предыдущего пункта, выводим что
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 69
для нсв ξ имеющее распределение хи-квадрат (χ ) с параметрами r
2
и σ из (8.2.71) получаем:
M[ξ] = rσ2, D[ξ] = 2rσ4, σ[ξ] = σ .
Доказано, что если ξ1, ξ2, ..., ξr н.с.в. с нормальным
распределением с параметрами m = 0 и σ = 1, тогда случайная
величина
2 2 2
ξ=ξ 1 + ξ2 +.. .+ξ r
Имеет распределение хи-квадрат с параметрами σ = 1 и r.
1)
{
f (x )= ( x−1)/2 , x ∈[1,3 ],
0 , x ∉[ 1,3 ]; 2)
{ 0 , x∉[ 1,4 ];
f (x )= 2(x−1)/9, x∈[1,4 ],
3)
{ 0 , x∉[ 1,2 ];
f (x )= 2 x−2 , x ∈[1,2 ],
4)
f (x )=
{( x−1)/8 , x ∈[ 1,5 ],
0 , x ∉[1,5 ];
5)
{ 0 , x ∉[1,6 ];
f (x )= 2(x −1)/25 , x ∈[1,6 ],
6)
{ 0 , x ∉[ 1,7 ];
f (x )= ( x−1)/18 , x ∈[1,7 ],
7)
f (x )=
{2(x−1)/49 , x∈[ 1,8 ],
0 , x ∉[ 1,8 ]; 8)
f (x )=
{2(x −2), x ∈[2,3 ],
0 , x ∉[2,3 ]; 9)
{ 0 , x ∉[ 2,4 ];
f (x )= ( x−2)/2 , x ∈[2,4 ],
10)
{ 0 , x ∉[ 2,5 ];
f (x )= 2(x −2)/9 , x ∈[ 2,5],
11)
{ 0 , x ∉[ 2,6 ];
f (x )= ( x−2 )/8 , x ∈[ 2,6 ],
12)
{ 0 , x ∉[2,7 ];
f (x )= 2(x −2)/25 , x ∈[2,7 ] ,
13)
{ 0 , x ∉[ 2,8 ];
f (x )= ( x−2)/18 , x ∈[ 2,8 ],
14)
{ 0 , x ∉[ 2,9 ];
f (x )= 2(x −2)/49 , x ∈[ 2,9 ],
15)
f (x )=
{ 0 , x ∉[3,4 ];
2 x−6 , x ∈[3,4 ],
16)
f (x )=
{ 0 , x ∉[ 3,5 ];
( x−3 )/2, x ∈[ 3,5 ],
17)
f (x )=
{ 0 , x∉[ 3,6 ];
2(x−3)/9 , x∈[ 3,6 ],
18)
f (x )=
{ 0 , x ∉[3,7 ];
( x−3 )/8 , x ∈[3,7 ],
19)
{ 0 , x∉[ 3,8 ];
f (x )= 2(x−3)/25 , x∈[ 3,8] ,
20)
{ 0 , x∉[ 3,9 ];
f (x )= ( x−3 )/18 , x∈[ 3,9 ],
21)
f (x )=
{(2−x0 , )/2x ∉[, 0,2x∈[]; 0,2], f (x )={(4−x0 , )/8x ∉[, 0,4x ∈[]; 0,4 ],
22) 23)
{ 0 , x ∉[0,6 ];
f (x )= (6−x )/18 , x ∈[0,6 ],
24)
{ 0 , x ∉[ 0,8 ];
f (x )= (8−x )/32, x ∈[ 0,8 ],
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 72
25)
{
f (x )= (10−x )/50 , x ∈[ 0 ,10 ],
0 , x∉[ 0 ,10 ]; 26)
{
f (x )= 2(1−x), x ∈[0,1 ],
0 , x∉[ 0,1];
27)
f (x )=
{2(3−x)/9 , x∈[ 0,3 ],
0 , x ∉[ 0,3 ]; 28)
f (x )=
{ 2(5−x )/25 , x ∈[ 0,5 ],
0 , x ∉[ 0,5 ];
29)
{ 0 , x ∉[ 0,7 ];
f (x )= 2(7−x )/49 , x ∈[0,7 ],
30)
{
f (x )= 2(9−x )/81 , x∈[ 0,9 ],
0, x ∉[ 0,9 ].
8.2.6. Случайная величина ξ имеет нормальное распределение с
математическим ожиданием m и со средним квадратическим
отклонением σ. Требуется: 1) установить пакет программ
Statistics`NormalDistribution` ; 2) определить (ввести) данное
н.с.в. ; 3) Определить плотность распределения ; 4) построить
линию распределения ; 5)определить функцию распределения ;
6) построить график функции распределения ; 7) построить в одной
и той же системе координат графики плотности распределения и
функции распределения; 8) построить в одной и той же системе
координат графики плотности распределения и функции
распределения так, чтобы толщина линии графика плотности
равнялась 0,5 от стандартной, а толщина графикф функции
распределения была равна 0,9 от стандартной толщины;
9) Вычислить вероятность того,что данное н.с.в ξ sпримет значения
из интервала [α, β]. Значения для m, σ, α и β даны по вариантам.
1)m=3, σ=2, α=2, β=8; 2)m=4, σ=2, α=2, β=7; 3)m=5, σ=2, α=2, β=6;
4)m=6, σ=2, α=4, β=9; 5)m=7, σ=2, α=4, β=8; 6)m=9, σ=2, α=6, β=9;
7)m=9, σ=2, α=7, β=12; 8)m=3, σ=3, α=2, β=5; 9)m=4, σ=3, α=2, β=7;
10)m=5, σ=3, α=4, β=7; 11)m=6, σ=3, α=4, β=9; 12)m=7, σ=3, α=6, β=9;
13)m=8, σ=3, α=5, β=9; 14)m=9, σ=3, α=7, β=10; 15)m=5, σ=4, α=4,
β=8; 16)m=6, σ=4, α=4, β=9; 17)m=7, σ=4, α=5, β=8; 18)m=8, σ=4, α=5,
β=9; 19)m=9, σ=4, α=7, β=10; 20)m=6, σ=5, α=4, β=7; 21)m=7, σ=5,
α=4, β=9; 22)m=8, σ=5, α=5, β=9; 23)m=8, σ=5, α=6, β=9; 24)m=8, σ=5,
α=7, β=9; 25)m=2, σ=2, α=1, β=3; 26)m=3, σ=2, α=1, β=4; 27)m=4, σ=2,
α=1, β=5; 28)m=4, σ=3, α=2, β=5; 29)m=5, σ=2, α=1, β=6; 30)m=6, σ=3,
α=2, β=8.
8.2.7. Высота взрослого мужчины – случайная величин а с
нормальным распределением. Пусть параметры этого распределения
будут m=175+(-1)n/n cm и σ=6-(-1)n/n cm, где n номер варианта.
Составить программу пошива мужских костюмов для швейной
фабрики специализируещейся на пошив мужских костюмов для
Moloşniuc A. SISTEMUL DE PROGRAME MATHEMATICA 73
обеспечения костюмами мужчин высота которых принадлежит
интервалам: [150, 155), [155, 160), [160, 165), [165, 170), [170, 175),
[175, 180), [180, 185), [185, 190), [190, 195), [195, 200].
8.2.8. Предположим что телефонный разговор длится в среднем
5 минут и является н.с.в. ξ с показательным распределением.
1) Ввести в систему Mathematica плотность распределения н.с.в. ξ.
2)Определить функцию распределения и построить ее
график ;3) Если приближаетесь к телефонной кабине сразу после
того как туда зашел человек, то какова вероятность того что будете
ждать не более 2+n/3 минут, где n este номер варианта?
8.2.9. Автобус курсирует регулярно с интервалом в 30 минут.
1) Написать в системе Mathematica плотность распределения н.с.в. ξ
представляющей время ожидания автобуса пассажиром
приходящим на остановке в случайный момент времени; 2)
Построить линию распределения; 3) Определить функцию
распределения и построить ее график; 4) Какова вероятность того,
что приходя на остановке, пассажир будет ждать автобус не больше
10+n/2 минут, где n este номер варианта.
8.2.10. Пусть годовое количество осадков в некотором регионе
это н.с.в. имеещее нормальное распределение с параметрами m =
500 (мм) şi σ = 150. Какова вероятность того,что в слудующем году
количество осадков будет заключена между 400+5n и 500+5n, где n
номер варианта. Если считать, что год засушливый если количество
осадков не превышает 300 мм, то какова вероятность того что два
из следующих десять годов будут засушливыми?