Мат ожидание больше 1. Математическое ожидание – это распределение вероятностей случайной величины
Основные числовые характеристики дискретных и непрерывных случайных величин: математическое ожидание, дисперсия и среднее квадратическое отклонение. Их свойства и примеры.
Закон распределения (функция распределения и ряд распределения или плотность веро-ятности) полностью описывают поведение случайной величины. Но в ряде задач доста-точно знать некоторые числовые характеристики исследуемой величины (например, ее среднее значение и возможное отклонение от него), чтобы ответить на поставленный во-прос. Рассмотрим основные числовые характеристики дискретных случайных величин.
Определение 7.1. Математическим ожиданием дискретной случайной величины называ-ется сумма произведений ее возможных значений на соответствующие им вероятности:
М (Х ) = х 1 р 1 + х 2 р 2 + … + х п р п. (7.1)
Если число возможных значений случайной величины бесконечно, то , если полученный ряд сходится абсолютно.
Замечание 1. Математическое ожидание называют иногда взвешенным средним , так как оно приближенно равно среднему арифметическому наблюдаемых значений случайной величины при большом числе опытов.
Замечание 2. Из определения математического ожидания следует, что его значение не меньше наименьшего возможного значения случайной величины и не больше наибольше-го.
Замечание 3. Математическое ожидание дискретной случайной величины есть неслучай-ная (постоянная) величина. В дальнейшем увидим, что это же справедливо и для непре-рывных случайных величин.
Пример 1. Найдем математическое ожидание случайной величины Х - числа стандартных деталей среди трех, отобранных из партии в 10 деталей, среди которых 2 бракованных. Составим ряд распределения для Х . Из условия задачи следует, что Х может принимать значения 1, 2, 3. Тогда
Пример 2. Определим математическое ожидание случайной величины Х - числа бросков монеты до первого появления герба. Эта величина может принимать бесконечное число значений (множество возможных значений есть множество натуральных чисел). Ряд ее распределения имеет вид:
| Х | … | п | … | ||
| р | 0,5 | (0,5) 2 | … | (0,5) п | … |
+ (при вычислении дважды использовалась формула суммы бесконечно убывающей геометрической прогрессии: , откуда ).
Свойства математического ожидания.
1) Математическое ожидание постоянной равно самой постоянной:
М (С ) = С. (7.2)
Доказательство. Если рассматривать С как дискретную случайную величину, принимающую только одно значение С с вероятностью р = 1, то М (С ) = С ?1 = С .
2) Постоянный множитель можно выносит за знак математического ожидания:
М (СХ ) = С М (Х ). (7.3)
Доказательство. Если случайная величина Х задана рядом распределения
Тогда М (СХ ) = Сх 1 р 1 + Сх 2 р 2 + … + Сх п р п = С ( х 1 р 1 + х 2 р 2 + … + х п р п ) = СМ (Х ).
Определение 7.2. Две случайные величины называются независимыми , если закон распределения одной из них не зависит от того, какие значения приняла другая. В противном случае случайные величины зависимы .
Определение 7.3. Назовем произведением независимых случайных величин Х и Y случайную величину XY , возможные значения которой равны произведениям всех возможных значений Х на все возможные значения Y , а соответствующие им вероят-ности равны произведениям вероятностей сомножителей.
3) Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий:
M (XY ) = M (X )M (Y ). (7.4)
Доказательство. Для упрощения вычислений ограничимся случаем, когда Х и Y принимают только по два возможных значения:
Следовательно, M (XY ) = x 1 y 1 ?p 1 g 1 + x 2 y 1 ?p 2 g 1 + x 1 y 2 ?p 1 g 2 + x 2 y 2 ?p 2 g 2 = y 1 g 1 (x 1 p 1 + x 2 p 2) + + y 2 g 2 (x 1 p 1 + x 2 p 2) = (y 1 g 1 + y 2 g 2) (x 1 p 1 + x 2 p 2) = M (X )?M (Y ).
Замечание 1. Аналогично можно доказать это свойство для большего количества возможных значений сомножителей.
Замечание 2. Свойство 3 справедливо для произведения любого числа независимых случайных величин, что доказывается методом математической индукции.
Определение 7.4. Определим сумму случайных величин Х и Y как случайную величину Х + Y , возможные значения которой равны суммам каждого возможного значения Х с каждым возможным значением Y ; вероятности таких сумм равны произведениям вероятностей слагаемых (для зависимых случайных величин - произведениям вероятности одного слагаемого на условную вероятность второго).
4) Математическое ожидание суммы двух случайных величин (зависимых или незави-симых) равно сумме математических ожиданий слагаемых:
M (X + Y ) = M (X ) + M (Y ). (7.5)
Доказательство.
Вновь рассмотрим случайные величины, заданные рядами распределения, приведен-ными при доказательстве свойства 3. Тогда возможными значениями X + Y являются х 1 + у 1 , х 1 + у 2 , х 2 + у 1 , х 2 + у 2 . Обозначим их вероятности соответственно как р 11 , р 12 , р 21 и р 22 . Найдем М (Х +Y ) = (x 1 + y 1)p 11 + (x 1 + y 2)p 12 + (x 2 + y 1)p 21 + (x 2 + y 2)p 22 =
= x 1 (p 11 + p 12) + x 2 (p 21 + p 22) + y 1 (p 11 + p 21) + y 2 (p 12 + p 22).
Докажем, что р 11 + р 22 = р 1 . Действительно, событие, состоящее в том, что X + Y примет значения х 1 + у 1 или х 1 + у 2 и вероятность которого равна р 11 + р 22 , совпадает с событием, заключающемся в том, что Х = х 1 (его вероятность - р 1). Аналогично дока-зывается, что p 21 + p 22 = р 2 , p 11 + p 21 = g 1 , p 12 + p 22 = g 2 . Значит,
M (X + Y ) = x 1 p 1 + x 2 p 2 + y 1 g 1 + y 2 g 2 = M (X ) + M (Y ).
Замечание . Из свойства 4 следует, что сумма любого числа случайных величин равна сумме математических ожиданий слагаемых.
Пример. Найти математическое ожидание суммы числа очков, выпавших при броске пяти игральных костей.
Найдем математическое ожидание числа очков, выпавших при броске одной кости:
М (Х 1) = (1 + 2 + 3 + 4 + 5 + 6)Тому же числу равно математическое ожидание числа очков, выпавших на любой кости. Следовательно, по свойству 4 М (Х )=
Дисперсия .
Для того, чтобы иметь представление о поведении случайной величины, недостаточно знать только ее математическое ожидание. Рассмотрим две случайные величины: Х и Y , заданные рядами распределения вида
| Х | |||
| р | 0,1 | 0,8 | 0,1 |
| Y | ||
| p | 0,5 | 0,5 |
Найдем М (Х ) = 49?0,1 + 50?0,8 + 51?0,1 = 50, М (Y ) = 0?0,5 + 100?0,5 = 50. Как видно, мате-матические ожидания обеих величин равны, но если для Х М (Х ) хорошо описывает пове-дение случайной величины, являясь ее наиболее вероятным возможным значением (при-чем остальные значения ненамного отличаются от 50), то значения Y существенно отсто-ят от М (Y ). Следовательно, наряду с математическим ожиданием желательно знать, на-сколько значения случайной величины отклоняются от него. Для характеристики этого показателя служит дисперсия.
Определение 7.5. Дисперсией (рассеянием) случайной величины называется математическое ожидание квадрата ее отклонения от ее математического ожидания:
D (X ) = M (X - M (X ))². (7.6)
Найдем дисперсию случайной величины Х (числа стандартных деталей среди отобранных) в примере 1 данной лекции. Вычислим значения квадрата отклонения каждого возможно-го значения от математического ожидания:
(1 - 2,4) 2 = 1,96; (2 - 2,4) 2 = 0,16; (3 - 2,4) 2 = 0,36. Следовательно,
Замечание 1. В определении дисперсии оценивается не само отклонение от среднего, а его квадрат. Это сделано для того, чтобы отклонения разных знаков не компенсировали друг друга.
Замечание 2. Из определения дисперсии следует, что эта величина принимает только неотрицательные значения.
Замечание 3. Существует более удобная для расчетов формула для вычисления дисперсии, справедливость которой доказывается в следующей теореме:
Теорема 7.1. D (X ) = M (X ²) - M ²(X ). (7.7)
Доказательство.
Используя то, что М (Х ) - постоянная величина, и свойства математического ожидания, преобразуем формулу (7.6) к виду:
D (X ) = M (X - M (X ))² = M (X ² - 2X?M (X ) + M ²(X )) = M (X ²) - 2M (X )?M (X ) + M ²(X ) =
= M (X ²) - 2M ²(X ) + M ²(X ) = M (X ²) - M ²(X ), что и требовалось доказать.
Пример. Вычислим дисперсии случайных величин Х и Y , рассмотренных в начале этого раздела. М (Х ) = (49 2 ?0,1 + 50 2 ?0,8 + 51 2 ?0,1) - 50 2 = 2500,2 - 2500 = 0,2.
М (Y ) = (0 2 ?0,5 + 100²?0,5) - 50² = 5000 - 2500 = 2500. Итак, дисперсия второй случайной величины в несколько тысяч раз больше дисперсии первой. Таким образом, даже не зная законов распределения этих величин, по известным значениям дисперсии мы можем утверждать, что Х мало отклоняется от своего математического ожидания, в то время как для Y это отклонение весьма существенно.
Свойства дисперсии.
1) Дисперсия постоянной величины С равна нулю:
D (C ) = 0. (7.8)
Доказательство. D (C ) = M ((C - M (C ))²) = M ((C - C )²) = M (0) = 0.
2) Постоянный множитель можно выносить за знак дисперсии, возведя его в квадрат:
D (CX ) = C ²D (X ). (7.9)
Доказательство. D (CX ) = M ((CX - M (CX ))²) = M ((CX - CM (X ))²) = M (C ²(X - M (X ))²) =
= C ²D (X ).
3) Дисперсия суммы двух независимых случайных величин равна сумме их дисперсий:
D (X + Y ) = D (X ) + D (Y ). (7.10)
Доказательство. D (X + Y ) = M (X ² + 2XY + Y ²) - (M (X ) + M (Y ))² = M (X ²) + 2M (X )M (Y ) +
+ M (Y ²) - M ²(X ) - 2M (X )M (Y ) - M ²(Y ) = (M (X ²) - M ²(X )) + (M (Y ²) - M ²(Y )) = D (X ) + D (Y ).
Следствие 1. Дисперсия суммы нескольких взаимно независимых случайных величин равна сумме их дисперсий.
Следствие 2. Дисперсия суммы постоянной и случайной величин равна дисперсии случайной величины.
4) Дисперсия разности двух независимых случайных величин равна сумме их дисперсий:
D (X - Y ) = D (X ) + D (Y ). (7.11)
Доказательство. D (X - Y ) = D (X ) + D (-Y ) = D (X ) + (-1)²D (Y ) = D (X ) + D (X ).
Дисперсия дает среднее значение квадрата отклонения случайной величины от среднего; для оценки самого отклонения служит величина, называемая средним квадратическим отклонением.
Определение 7.6. Средним квадратическим отклонением σ случайной величины Х называется квадратный корень из дисперсии:
Пример. В предыдущем примере средние квадратические отклонения Х и Y равны соответственно
Математическим ожиданием случайной величины X называется среднее значение .
1. M(C) = C
2. M(CX) = CM(X) , где C = const
3. M(X ± Y) = M(X) ± M(Y)
4. Если случайные величины X и Y независимы, то M(XY) = M(X)·M(Y)
Дисперсия
Дисперсией случайной величины X называется
D(X) = S(x – M(X)) 2 p = M(X 2 ) – M 2 (X) .
Дисперсия представляет собой мерой отклонения значений случайной величины от своего среднего значения.
1. D(C) = 0
2. D(X + C) = D(X)
3. D(СX) = C 2 D(X) , где C = const
4. Для независимых случайных величин
D(X ± Y) = D(X) + D(Y)
5. D(X ± Y) = D(X) + D(Y) ± 2Cov(x, y)
Квадратный корень из дисперсии случайной величины X называется средним квадратичным отклонением 
.
@ Задача 3 : Пусть случайная величина X принимает всего два значения (0 или 1) с вероятностями q, p , где p + q = 1 . Найти математическое ожидание и дисперсию.
Решение:
M(X) = 1·p + 0·q = p; D(X) = (1 – p) 2 p + (0 – p) 2 q = pq.
@ Задача 4 : Математическое ожидание и дисперсия случайной величины X равны 8. Найти математическое ожидание и дисперсия случайных величин: а) X – 4 ; б) 3X – 4 .
Решение: M(X – 4) = M(X) – 4 = 8 – 4 = 4; D(X – 4) = D(X) = 8; M(3X – 4) = 3M(X) – 4 = 20; D(3X – 4) = 9D(X) = 72.
@ Задача 5 : Совокупность семей имеет следующее распределение по числу детей:
| x i | x 1 | x 2 | ||
| p i | 0,1 | p 2 | 0,4 | 0,35 |
Определить x 1 , x 2 и p 2 , если известно, что M(X) = 2; D(X) = 0,9 .
Решение: Вероятность p 2 равна p 2 = 1 – 0,1 – 0,4 – 0,35 = 0,15. Неизвестные x находятся из уравнений: M(X) = x 1 ·0,1 + x 2 ·0,15 + 2·0,4 + 3·0,35 = 2; D(X) = ·0,1 + ·0,15 + 4·0,4 + 9·0,35 – 4 = 0,9. x 1 = 0; x 2 = 1.
Генеральная совокупность и выборка. Оценки параметров
Выборочное наблюдение
Статистическое наблюдение можно организовать сплошное и не сплошное. Сплошное наблюдение предусматривает обследование всех единиц изучаемой совокупности (генеральной совокупности). Генеральная совокупность это множество физических или юридических лиц, которую исследователь изучает согласно своей задачи. Это часто экономически невыгодно, а иногда и невозможно. В связи с этим изучается только часть генеральной совокупности – выборочная совокупность .
Результаты, полученные на основе выборочной совокупности, можно распространить на генеральную совокупность, если следовать следующим принципам:
1. Выборочная совокупность должна определяться случайным образом.
2. Число единиц выборочной совокупности должно быть достаточным.
3. Должна обеспечиваться репрезентативность ( представительность) выборки. Репрезентативная выборка представляет собой меньшую по размеру, но точную модель той генеральной совокупности, которую она должна отражать.
Типы выборок
В практике применяются следующие типы выборок:
а) собственно-случайная, б) механическая, в) типическая, г) серийная, д) комбинированная.
Собственно-случайная выборка
При собственно-случайной выборке отбор единиц выборочной совокупности производится случайным образом, например, посредством жеребьевки или генератора случайных чисел.
Выборки бывают повторные и бесповторные. При повторной выборке единица, попавшая в выборку, возвращается и сохраняет равную возможность снова попасть в выборку. При бесповторной выборке единица совокупности, попавшая в выборку, в дальнейшем в выборке не участвует.
Ошибкиприсущие выборочному наблюдению, возникающие в силу того, что выборочная совокупность не полностью воспроизводит генеральную совокупность, называются стандартными ошибками . Они представляют собой среднее квадратичное расхождение между значениями показателей, полученных по выборке, и соответствующими значениями показателей генеральной совокупности.
Расчетные формулы стандартной ошибки при случайном повторном отборе следующая: , а при случайном бесповторном отборе следующая: 
, где S 2 – дисперсия выборочной совокупности, n/N –
доля выборки, n, N
- количества единиц в выборочной и генеральной совокупности. При n = N
стандартная ошибка m = 0.
Механическая выборка
При механической выборке генеральная совокупность разбивается на равные интервалы и из каждого интервала случайным образом отбирается по одной единице.
Например, при 2%-ной доли выборки из списка генеральной совокупности отбирается каждая 50-я единица.
Стандартная ошибка механической выборки определяется как ошибка собственно-случайной бесповторной выборки.
Типическая выборка
При типической выборке генеральная совокупность разбивается на однородные типические группы, затем из каждой группы случайным образом производится отбор единиц.
Типической выборкой пользуются в случае неоднородной генеральной совокупности. Типическая выборка дает более точные результаты, потому что обеспечивается репрезентативность.
Например, учителя, как генеральная совокупность, разбиваются на группы по следующим признакам: пол, стаж, квалификация, образование, городские и сельские школы и т.д.
Стандартные ошибки типической выборки определяются как ошибки собственно-случайной выборки, с той лишь разницей, что S 2 заменяется средней величиной от внутригрупповых дисперсий.
Серийная выборка
При серийной выборке генеральная совокупность разбивается на отдельные группы (серии), затем случайным образом выбранные группы подвергаются сплошному наблюдению.
Стандартные ошибки серийной выборки определяются как ошибки собственно-случайной выборки, с той лишь разницей, что S 2 заменяется средней величиной от межгрупповых дисперсий.
Комбинированная выборка
Комбинированная выборка является комбинацией двух или более типов выборок.
Точечная оценка
Конечной целью выборочного наблюдения является нахождение характеристик генеральной совокупности. Так как этого невозможно сделать непосредственно, то на генеральную совокупность распространяют характеристики выборочной совокупности.
Принципиальная возможность определения средней арифметической генеральной совокупности по данным средней выборки доказывается теоремой Чебышева . При неограниченном увеличении n вероятность того, что отличие выборочной средней от генеральной средней будет сколь угодно мало, стремится к 1.
Это означает, что характеристика генеральной совокупности с точностью . Такая оценка называется точечной .
Интервальная оценка
Базисом интервальной оценки является центральная предельная теорема .
Интервальная оценка позволяет ответить на вопрос: внутри какого интервала и с какой вероятностью находится неизвестное, искомое значение параметра генеральной совокупности?
Обычно говорят о доверительной вероятности p = 1 – a, с которой будет находиться в интервале – D < < + D, где D = t кр m > 0 предельная ошибка выборки, a - уровень значимости (вероятность того, что неравенство будет неверным), t кр - критическое значение, которое зависит от значений n и a. При малой выборке n < 30 t кр задается с помощью критического значения t-распределения Стъюдента для двустороннего критиерия с n – 1 степенями свободы с уровнем значимости a (t кр (n – 1, a) находится из таблицы «Критические значения t–распределения Стъюдента», приложение 2). При n > 30, t кр - это квантиль нормального закона распределения (t кр находится из таблицы значений функции Лапласа F(t) = (1 – a)/2 как аргумент). При p = 0,954 критическое значение t кр = 2 при p = 0,997 критическое значение t кр = 3. Это означает, что предельная ошибка обычно больше стандартной ошибки в 2-3 раза.
Таким образом, суть метода выборки заключается в том, что на основании статистических данных некоторой малой части генеральной совокупности удается найти интервал, в котором с доверительной вероятностью p находится искомая характеристика генеральной совокупности (средняя численность рабочих, средний балл, средняя урожайность, среднее квадратичное отклонение и т.д.).
@ Задача 1. Для определения скорости расчетов с кредиторами предприятий корпорации в коммерческом банке была проведена случайная выборка 100 платежных документов, по которым средний срок перечисления и получения денег оказался равным 22 дням ( = 22) со стандартным отклонением 6 дней (S = 6). С вероятностью p = 0,954 определить предельнуюошибку выборочной средней и доверительный интервал средней продолжительности расчетов предприятий данной корпорации.
Решение: Предельнаяошибка выборочной средней согласно (1) равна D = 2· 0,6 = 1,2, а доверительный интервал определяется как (22 – 1,2; 22 + 1,2), т.е. (20,8; 23,2).
§6.5 Корреляция и регрессия
Задача 1. Вероятность всхожести семян пшеницы равна 0,9. Какова вероятность того, что из четырех посеянных семян взойдут не менее трех?
Решение. Пусть событие А – из 4 семян взойдут не менее 3 семян; событие В – из 4 семян взойдут 3 семени; событие С – из 4 семян взойдут 4 семени. По теореме сложения вероятностей
Вероятности 
и 
определим по формуле Бернулли, применяемой
в следующем случае. Пусть проводится
серия п
независимых испытаний, при каждом из
которых вероятность наступления события
постоянна и равна р
,
а вероятность ненаступления этого
события равна 
.
Тогда вероятность того, что событие А
в п
испытаниях появится ровно 
раз, вычисляется по формуле Бернулли
,
где 
– число сочетаний из п
элементов по 
.
Тогда
Искомая вероятность
Задача 2. Вероятность всхожести семян пшеницы равна 0,9. Найти вероятность того, что из 400 посеянных семян взойдут 350 семян.
Решение. Вычислить
искомую вероятность 
по формуле Бернулли затруднительно
из-за громоздкости вычислений. Поэтому
применим приближенную формулу, выражающую
локальную теорему Лапласа:
,
где 
и 
.
Из условия задачи . Тогда
.
Из таблицы 1 приложений находим . Искомая вероятность равна
Задача 3. Среди семян пшеницы 0,02% сорняков. Какова вероятность того, что при случайном отборе 10000 семян будет обнаружено 6 семян сорняков?
Решение. Применение
локальной теоремы Лапласа из-за малой
вероятности 
приводит к значительному отклонению
вероятности от точного значения 
.
Поэтому при малых значениях р
для вычисления 
применяют асимптотическую формулу
Пуассона
,
где .
Эта формула
используется при 
,
причем чем меньше р
и больше п
,
тем результат точнее.
По условию задачи
;
.
Тогда
Задача 4. Процент всхожести семян пшеницы равен 90%. Найти вероятность того, что из 500 посеянных семян взойдут от 400 до 440 семян.
Решение. Если
вероятность наступления события А
в каждом из п
испытаний постоянна и равна р
,
то вероятность 
того, что событие А
в таких испытаниях наступит не менее 
раз и не более 
раз определяется по интегральной теореме
Лапласа следующей формулой:
,
где
, 
.
Функция 
называется функцией Лапласа. В приложениях
(табл. 2) даны значения этой функции для
.
При 
функция 
.
При отрицательных значениях х
в силу нечетности функции Лапласа 
.
Используя функцию Лапласа, имеем:
По условию задачи
.
По приведенным выше формулам находим
и 
:
Задача 5. Задан закон распределения дискретной случайной величины Х :
Найти: 1) математическое ожидание; 2) дисперсию; 3) среднее квадратическое отклонение.
Решение. 1) Если закон распределения дискретной случайной величины задан таблицей
|
| ||||||
Где в первой строке даны значения случайной величины х, а во второй – вероятности этих значений, то математическое ожидание вычисляется по формуле
2) Дисперсия 
дискретной
случайной величины Х
называется математическое ожидание
квадрата отклонения случайной величины
от ее математического ожидания, т.е.
Эта величина
характеризует среднее ожидаемое значение
квадрата отклонения Х
от 
.
Из последней формулы имеем
Дисперсию 
можно найти другим способом, исходя из
следующего ее свойства: дисперсия 
равна разности между математическим
ожиданием квадрата случайной величины
Х
и квадратом ее математического ожидания
,
то есть
Для вычисления 
составим следующий закон распределения
величины 
:
3) Для характеристики
рассеяния возможных значений случайной
величины вокруг ее среднего значения
вводится среднее квадратическое
отклонение 
случайной величины Х
,
равное квадратному корню из дисперсии
,
то есть
.
Из этой формулы
имеем: 
Задача 6. Непрерывная случайная величина Х задана интегральной функцией распределения
Найти: 1)
дифференциальную функцию распределения
;
2) математическое ожидание 
;
3) дисперсию 
.
Решение. 1)
Дифференциальной функцией распределения
непрерывной случайной величины Х
называется производная от интегральной
функции распределения 
,
то есть
.
Искомая дифференциальная функция имеет следующий вид:
2) Если непрерывная
случайная величина Х
задана функцией 
,
то ее математическое ожидание определяется
формулой
Так как функция
при 
и при 
равна нулю, то из последней формулы
имеем
.
3) Дисперсию 
определим по формуле
Задача 7. Длина детали представляет собой нормально распределенную случайную величину с математическим ожиданием 40 мм и средним квадратическим отклонением 3 мм. Найти: 1) вероятность того, что длина произвольно взятой детали будет больше 34 мм и меньше 43 мм; 2) вероятность того, что длина детали отклонится от ее математического ожидания не более чем на 1,5 мм.
Решение. 1) Пусть
Х
– длина детали. Если случайная величина
Х
задана дифференциальной функцией 
,
то вероятность того, что Х
примет значения, принадлежащие отрезку
,
определяется по формуле
.
Вероятность
выполнения строгих неравенств 
определяется той же формулой. Если
случайная величина Х
распределена по нормальному закону, то
, (1)
где 
– функция Лапласа, 
.
В задаче . Тогда
2) По условию задачи
,
где 
.
Подставив в (1) ,
имеем
. (2)
Из формулы (2) имеем.
Математическое ожидание
Дисперсия
непрерывной случайной величины X , возможные значения которой принадлежат всей оси Ох, определяется равенством:
Назначение сервиса . Онлайн калькулятор предназначен для решения задач, в которых заданы либо плотность распределения f(x) , либо функция распределения F(x) (см. пример). Обычно в таких заданиях требуется найти математическое ожидание, среднее квадратическое отклонение, построить графики функций f(x) и F(x) .
Инструкция . Выберите вид исходных данных: плотность распределения f(x) или функция распределения F(x) .
Задана плотность распределения f(x): 
Задана функция распределения F(x): 
Непрерывная случайна величина задана плотностью вероятностей 
(закон распределения Релея – применяется в радиотехнике). Найти M(x) , D(x) .
Случайную величину X называют непрерывной
, если ее функция распределения F(X)=P(X < x) непрерывна и имеет производную.
Функция распределения непрерывной случайной величины применяется для вычисления вероятностей попадания случайной величины в заданный промежуток:
P(α < X < β)=F(β) - F(α)
причем для непрерывной случайной величины не имеет значения, включаются в этот промежуток его границы или нет:
P(α < X < β) = P(α ≤ X < β) = P(α ≤ X ≤ β)
Плотностью распределения
непрерывной случайной величины называется функция
f(x)=F’(x) , производная от функции распределения.
Свойства плотности распределения
1. Плотность распределения случайной величины неотрицательна (f(x) ≥ 0) при всех значениях x.2. Условие нормировки:
Геометрический смысл условия нормировки: площадь под кривой плотности распределения равна единице.
3. Вероятность попадания случайной величины X в промежуток от α до β может быть вычислена по формуле
Геометрически вероятность попадания непрерывной случайной величины X в промежуток (α, β) равна площади криволинейной трапеции под кривой плотности распределения, опирающейся на этот промежуток.
4. Функция распределения выражается через плотность следующим образом:
Значение плотности распределения в точке x не равно вероятности принять это значение, для непрерывной случайной величины речь может идти только о вероятности попадания в заданный интервал. Пусть }
