Закон распределения дискретной случайной величины. Примеры решения задач

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

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

Пример 1 . Приведем примеры дискретных случайных величин:

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

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

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

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

1. Закон распределения вероятностей дискретной случайной величины.

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

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

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

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

\hline
\end{array}$

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

2. Математическое ожидание дискретной случайной величины.

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

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

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

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

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

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

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

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

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

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

3. Дисперсия дискретной случайной величины.

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

Дисперсия дискретной случайной величины $X$ равна:

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

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

Свойства дисперсии $D\left(X\right)$:

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

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

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

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

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

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

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

4. Функция распределения дискретной случайной величины.

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

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

Свойства функции распределения :

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

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

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

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

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

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

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

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

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

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

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

Определение 2.3. Случайная величина, обозначаемая X, называется дискретной, если она принимает конечное либо счетное множество значений, т.е. множество – конечное либо счетное множество.

Рассмотрим примеры дискретных случайных величин.

1. Однократно бросают две монеты. Число выпадений гербов в этом эксперименте – случайная величина Х . Ее возможные значения 0,1,2, т. е. – конечное множество.

2. Регистрируется число вызовов "Скорой помощи" в течение некоторого заданного промежутка времени. Случайная величина Х – число вызовов. Ее возможные значения 0, 1, 2, 3, ...,т.е. ={0,1,2,3,...}– счетное множество.

3. В группе 25 студентов. В какой-то день регистрируется число студентов, пришедших на занятия, – случайная величина Х . Ее возможные значения: 0, 1, 2, 3, ...,25 т.е. ={0, 1, 2, 3, ..., 25}.

Хотя все 25 человек в примере 3 пропустить занятия не могут, но случайная величина Х принимать это значение может. Это означает, что значения случайной величины обладают различной вероятностью.

Рассмотрим математическую модель дискретной случайной величины.

Пусть проводится случайный эксперимент, которому соответствует конечное или счетное пространство элементарных событий . Рассмотрим отображение этого пространства на множество действительных чисел, т. е. каждому элементарному событию поставим в соответствие некоторое действительное число , . Множество чисел при этом может быть конечным или счетным, т. е. или

Система подмножеств, в которую входит любое подмножество , в том числе одноточечное, образует -алгебру числового множества ( – конечно или счетно).

Поскольку любому элементарному событию поставлены в соответствие определенные вероятности р i (в случае конечного все ), причем , то и каждому значению случайной величины можем поставить в соответствие определенную вероятность р i , такую, что .

Пусть х – произвольное действительное число. Обозначим Р Х (х) вероятность того, что случайная величина Х приняла значение, равное х , т.е. Р Х (х)=Р(Х=х) . Тогда функция Р Х (х) может принимать положительные значения лишь при тех значениях х , которые принадлежат конечному либо счетному множеству , а при всех остальных значениях вероятность этого значения Р Х (х)=0.

Итак, мы определили множество значений , -алгебру как систему любых подмножеств и каждому событию {X = х } сопоставили вероятность дпя любых , т.е. построили вероятностное пространство .

Например, пространство элементарных событий эксперимента, состоящего в двукратном подбрасывании симметричной монеты, состоит из четырех элементарных событий: , где

При двукратном подбрасывании монеты выпали две решетки ; при двукратном подбрасывании монеты выпали два герба ;

При первом подбрасывании монеты выпала решетка, а при втором – герб ;

При первом подбрасывании монеты выпал герб, а при втором – решетка .

Пусть случайная величина Х – число выпадений решетки. Она определена на и множество ее значений . Все возможные подмножества , в том числе и одноточечные, образуют - алгебру, т.е. ={Ø, {1}, {2}, {0,1}, {0,2}, {1,2}, {0,1,2}}.

Вероятность события {Х=х i }, і = 1,2,3 , определим как вероятность появления события, являющегося его прообразом:

Таким образом, на элементарных событиях {X = х i } задали числовую функцию Р Х , так, что .

Определение 2.4. Законом распределения дискретной случайной величины называется совокупность пар чисел (х i , р i), где х i – возможные значения случайной величины, а р i – вероятности, с которыми она принимает эти значения, причем .

Простейшей формой задания закона распределения дискретной случайной величины является таблица, в которой перечислены возможные значения случайной величины и соответствующиеим вероятности:

			…		…
			…		…

Такая таблица называется рядом распределения. Чтобы придать ряду распределения более наглядный вид, его изображают графически: на оси Ох наносят точки х i и проводят из них перпендикуляры длиной р i . Полученные точки соединяют и получают многоугольник, который является однойиз форм закона распределения (рис. 2.1).

Таким образом, для задания дискретной случайной величины нужно задать ее значения и соответствующиеим вероятности.

Пример 2.2. Денежный приемник автомата срабатывает при каждом опускании монеты с вероятностью р . Как только он сработал, монеты не опускают. Пусть Х – число монет, которые надо опустить до срабатывания денежного приемника автомата. Построить ряд распределения дискретной случайной величины Х .

Решение. Возможные значения случайной величины Х : х 1 = 1, х 2 = 2,..., х к =к, … Найдем вероятности этих значений: р 1 – вероятность того, что денежный приемник сработает при первом опускании, и р 1 =р; р 2 – вероятность того, что будут произведены две попытки. Для этого нужно, чтобы: 1) при первой попытке денежный приемник не сработал; 2) при второй попытке – сработал. Вероятность этого события равна (1–р)р . Аналогично и так далее, . Ряд распределения Х примет вид

	1	2	3	…	к	…
	р	qp	q 2 p		q r -1 p

Заметим, что вероятности р к образуют геометрическую прогрессию со знаменателем: 1–p=q , q<1, поэтому такое распределение вероятностей называется геометрическим .

ІІредположим далее, что построена математическая модель эксперимента, описываемого дискретной случайной величиной Х , и рассмотрим вычисление вероятностей наступления произвольных событий .

Пусть произвольное событие содержит конечное либо счетное множество значений х i : A= {х 1 , х 2 ,..., х i , ... } .Событие А можно представить в виде объединения несовместных событий вида : . Тогда, применяя аксиому Колмогорова 3, получаем

так как вероятности наступления событий мы определили равными вероятностям появления событий, являющихся их прообразами. Это значит, что и вероятность любого события , , можно вычислить по формуле , так как это событие представимо в виде, объединения событий , где .

Тогда и функция распределения F(х) = Р(– <Х<х) находится по формуле . Отсюда следует, что функция распределения дискретной случайной величины Х разрывна и возрастает скачками, т. е. является ступенчатой функцией (рис. 2.2):

Если множество конечно, то число слагаемых в формуле конечно, если же счётно, то и число слагаемых счетно.

Пример 2.3. Техническое устройство состоит из двух элементов, работающих независимо друг от друга. Вероятность выходаиз строя первого элемента за время Т равна 0,2, а вероятность выхода второго элемента – 0,1. Случайная величина Х – число отказавших элементов за время Т. Найти функцию распределения случайнойвеличины и построить ее график.

Решение. Пространство элементарных событий эксперимента, состоящего в исследовании надежности двух элементов технического устройства, определяется четырьмя элементарными событиями , , , : – оба элемента исправны; – первый элемент исправен, второй неисправен; – первый элемент неисправен, второй исправен; – оба элемента неисправны. Каждоеиз элементарных событий можно выразить через элементарные события пространств и , где – первый элемент исправен; – первый элемент вышел из строя; – второй элемент исправен; – второй элемент вышел из строя. Тогда , и таккак элементы технического устройства работают независимо друг от друга, то

8. Чему равна вероятность того, что значения дискретной случайной величины принадлежат промежутку ?

Можно выделить наиболее часто встречающиеся законы распределения дискретных случайных величин:

• Биномиальный закон распределения
• Пуассоновский закон распределения
• Геометрический закон распределения
• Гипергеометрический закон распределения

Для данных распределений дискретных случайных величин расчет вероятностей их значений, а также числовых характеристик (математическое ожидание, дисперсия, и т.д.) производится по определенных «формулам». Поэтому очень важно знать данные типы распределений и их основные свойства.

1. Биномиальный закон распределения.

Дискретная случайная величина $X$ подчинена биномиальному закону распределения вероятностей, если она принимает значения $0,\ 1,\ 2,\ \dots ,\ n$ с вероятностями $P\left(X=k\right)=C^k_n\cdot p^k\cdot {\left(1-p\right)}^{n-k}$. Фактически, случайная величина $X$ - это число появлений события $A$ в $n$ независимых испытаний . Закон распределения вероятностей случайной величины $X$:

$\begin{array}{|c|c|}
\hline
X_i & 0 & 1 & \dots & n \\
\hline
p_i & P_n\left(0\right) & P_n\left(1\right) & \dots & P_n\left(n\right) \\
\hline
\end{array}$

Для такой случайной величины математическое ожидание $M\left(X\right)=np$, дисперсия $D\left(X\right)=np\left(1-p\right)$.

Пример . В семье двое детей. Считая вероятности рождения мальчика и девочки равными $0,5$, найти закон распределения случайной величины $\xi $ - числа мальчиков в семье.

Пусть случайная величина $\xi $ - число мальчиков в семье. Значения, которые может принимать $\xi:\ 0,\ 1,\ 2$. Вероятности этих значений можно найти по формуле $P\left(\xi =k\right)=C^k_n\cdot p^k\cdot {\left(1-p\right)}^{n-k}$, где $n=2$ - число независимых испытаний, $p=0,5$ - вероятность появления события в серии из $n$ испытаний. Получаем:

$P\left(\xi =0\right)=C^0_2\cdot {0,5}^0\cdot {\left(1-0,5\right)}^{2-0}={0,5}^2=0,25;$

$P\left(\xi =1\right)=C^1_2\cdot 0,5\cdot {\left(1-0,5\right)}^{2-1}=2\cdot 0,5\cdot 0,5=0,5;$

$P\left(\xi =2\right)=C^2_2\cdot {0,5}^2\cdot {\left(1-0,5\right)}^{2-2}={0,5}^2=0,25.$

Тогда закон распределения случайной величины $\xi $ есть соответствие между значениями $0,\ 1,\ 2$ и их вероятностями, то есть:

$\begin{array}{|c|c|}
\hline
\xi & 0 & 1 & 2 \\
\hline
P(\xi) & 0,25 & 0,5 & 0,25 \\
\hline
\end{array}$

Сумма вероятностей в законе распределения должна быть равна $1$, то есть $\sum _{i=1}^{n}P(\xi _{{\rm i}})=0,25+0,5+0,25=1 $.

Математическое ожидание $M\left(\xi \right)=np=2\cdot 0,5=1$, дисперсия $D\left(\xi \right)=np\left(1-p\right)=2\cdot 0,5\cdot 0,5=0,5$, среднее квадратическое отклонение $\sigma \left(\xi \right)=\sqrt{D\left(\xi \right)}=\sqrt{0,5}\approx 0,707$.

2. Закон распределения Пуассона.

Если дискретная случайная величина $X$ может принимать только целые неотрицательные значения $0,\ 1,\ 2,\ \dots ,\ n$ с вероятностями $P\left(X=k\right)={{{\lambda }^k}\over {k!}}\cdot e^{-\lambda }$, то говорят, что она подчинена закону распределения Пуассона с параметром $\lambda $. Для такой случайной величины математическое ожидание и дисперсия равны между собой и равны параметру $\lambda $, то есть $M\left(X\right)=D\left(X\right)=\lambda $.

Замечание . Особенность этого распределения заключается в том, что мы на основании опытных данных находим оценки $M\left(X\right),\ D\left(X\right)$, если полученные оценки близки между собой, то у нас есть основание утверждать, что случайная величина подчинена закону распределения Пуассона.

Пример . Примерами случайных величин, подчиненных закону распределения Пуассона, могут быть: число автомашин, которые будут обслужены завтра автозаправочной станцией; число бракованных изделий в произведенной продукции.

Пример . Завод отправил на базу $500$ изделий. Вероятность повреждения изделия в пути равна $0,002$. Найти закон распределения случайной величины $X$, равной числу поврежденных изделий; чему равно $M\left(X\right),\ D\left(X\right)$.

Пусть дискретная случайная величина $X$ - число поврежденных изделий. Такая случайная величина подчинена закону распределения Пуассона с параметром $\lambda =np=500\cdot 0,002=1$. Вероятности значений равны $P\left(X=k\right)={{{\lambda }^k}\over {k!}}\cdot e^{-\lambda }$. Очевидно, что все вероятности всех значений $X=0,\ 1,\ \dots ,\ 500$ перечислить невозможно, поэтому мы ограничимся лишь первыми несколькими значениями.

$P\left(X=0\right)={{1^0}\over {0!}}\cdot e^{-1}=0,368;$

$P\left(X=1\right)={{1^1}\over {1!}}\cdot e^{-1}=0,368;$

$P\left(X=2\right)={{1^2}\over {2!}}\cdot e^{-1}=0,184;$

$P\left(X=3\right)={{1^3}\over {3!}}\cdot e^{-1}=0,061;$

$P\left(X=4\right)={{1^4}\over {4!}}\cdot e^{-1}=0,015;$

$P\left(X=5\right)={{1^5}\over {5!}}\cdot e^{-1}=0,003;$

$P\left(X=6\right)={{1^6}\over {6!}}\cdot e^{-1}=0,001;$

$P\left(X=k\right)={{{\lambda }^k}\over {k!}}\cdot e^{-\lambda }$

Закон распределения случайной величины $X$:

$\begin{array}{|c|c|}
\hline
X_i & 0 & 1 & 2 & 3 & 4 & 5 & 6 & ... & k \\
\hline
P_i & 0,368; & 0,368 & 0,184 & 0,061 & 0,015 & 0,003 & 0,001 & ... & {{{\lambda }^k}\over {k!}}\cdot e^{-\lambda } \\
\hline
\end{array}$

Для такой случайной величины математическое ожидание и дисперсия равным между собой и равны параметру $\lambda $, то есть $M\left(X\right)=D\left(X\right)=\lambda =1$.

3. Геометрический закон распределения.

Если дискретная случайная величина $X$ может принимать только натуральные значения $1,\ 2,\ \dots ,\ n$ с вероятностями $P\left(X=k\right)=p{\left(1-p\right)}^{k-1},\ k=1,\ 2,\ 3,\ \dots $, то говорят, что такая случайная величина $X$ подчинена геометрическому закону распределения вероятностей. Фактически, геометрическое распределения представляется собой испытания Бернулли до первого успеха.

Пример . Примерами случайных величин, имеющих геометрическое распределение, могут быть: число выстрелов до первого попадания в цель; число испытаний прибора до первого отказа; число бросаний монеты до первого выпадения орла и т.д.

Математическое ожидание и дисперсия случайной величины, подчиненной геометрическому распределению, соответственно равны $M\left(X\right)=1/p$, $D\left(X\right)=\left(1-p\right)/p^2$.

Пример . На пути движения рыбы к месту нереста находится $4$ шлюза. Вероятность прохода рыбы через каждый шлюз $p=3/5$. Построить ряд распределения случайной величины $X$ - число шлюзов, пройденных рыбой до первого задержания у шлюза. Найти $M\left(X\right),\ D\left(X\right),\ \sigma \left(X\right)$.

Пусть случайная величина $X$ - число шлюзов, пройденных рыбой до первого задержания у шлюза. Такая случайная величина подчинена геометрическому закону распределения вероятностей. Значения, которые может принимать случайная величина $X:$ 1, 2, 3, 4. Вероятности этих значений вычисляются по формуле: $P\left(X=k\right)=pq^{k-1}$, где: $p=2/5$ - вероятность задержания рыбы через шлюз, $q=1-p=3/5$ - вероятность прохода рыбы через шлюз, $k=1,\ 2,\ 3,\ 4$.

$P\left(X=1\right)={{2}\over {5}}\cdot {\left({{3}\over {5}}\right)}^0={{2}\over {5}}=0,4;$

$P\left(X=2\right)={{2}\over {5}}\cdot {{3}\over {5}}={{6}\over {25}}=0,24;$

$P\left(X=3\right)={{2}\over {5}}\cdot {\left({{3}\over {5}}\right)}^2={{2}\over {5}}\cdot {{9}\over {25}}={{18}\over {125}}=0,144;$

$P\left(X=4\right)={{2}\over {5}}\cdot {\left({{3}\over {5}}\right)}^3+{\left({{3}\over {5}}\right)}^4={{27}\over {125}}=0,216.$

$\begin{array}{|c|c|}
\hline
X_i & 1 & 2 & 3 & 4 \\
\hline
P\left(X_i\right) & 0,4 & 0,24 & 0,144 & 0,216 \\
\hline
\end{array}$

Математическое ожидание:

$M\left(X\right)=\sum^n_{i=1}{x_ip_i}=1\cdot 0,4+2\cdot 0,24+3\cdot 0,144+4\cdot 0,216=2,176.$

Дисперсия:

$D\left(X\right)=\sum^n_{i=1}{p_i{\left(x_i-M\left(X\right)\right)}^2=}0,4\cdot {\left(1-2,176\right)}^2+0,24\cdot {\left(2-2,176\right)}^2+0,144\cdot {\left(3-2,176\right)}^2+$

$+\ 0,216\cdot {\left(4-2,176\right)}^2\approx 1,377.$

Среднее квадратическое отклонение:

$\sigma \left(X\right)=\sqrt{D\left(X\right)}=\sqrt{1,377}\approx 1,173.$

4. Гипергеометрический закон распределения.

Если $N$ объектов, среди которых $m$ объектов обладают заданным свойством. Случайных образом без возвращения извлекают $n$ объектов, среди которых оказалось $k$ объектов, обладающих заданным свойством. Гипергеометрическое распределение дает возможность оценить вероятность того, что ровно $k$ объектов в выборке обладают заданным свойством. Пусть случайная величина $X$ - число объектов в выборке, обладающих заданным свойством. Тогда вероятности значений случайной величины $X$:

$P\left(X=k\right)={{C^k_mC^{n-k}_{N-m}}\over {C^n_N}}$

Замечание . Статистическая функция ГИПЕРГЕОМЕТ мастера функций $f_x$ пакета Excel дает возможность определить вероятность того, что определенное количество испытаний будет успешным.

$f_x\to $ статистические $\to $ ГИПЕРГЕОМЕТ $\to $ ОК . Появится диалоговое окно, которое нужно заполнить. В графе Число_успехов_в_выборке указываем значение $k$. Размер_выборки равен $n$. В графе Число_успехов_в_совокупности указываем значение $m$. Размер_совокупности равен $N$.

Математическое ожидание и дисперсия дискретной случайной величины $X$, подчиненной геометрическому закону распределения, соответственно равны $M\left(X\right)=nm/N$, $D\left(X\right)={{nm\left(1-{{m}\over {N}}\right)\left(1-{{n}\over {N}}\right)}\over {N-1}}$.

Пример . В кредитном отделе банка работают 5 специалистов с высшим финансовым образованием и 3 специалиста с высшим юридическим образованием. Руководство банка решило направить 3 специалистов Для повышения квалификации, отбирая их в случайном порядке.

а) Составьте ряд распределения числа специалистов с высшим финансовым образованием, которые могут быть направлены на повышение квалификации;

б) Найдите числовые характеристики этого распределения.

Пусть случайная величина $X$ - число специалистов с высшим финансовым образованием среди трех отобранных. Значения, которые может принимать $X:0,\ 1,\ 2,\ 3$. Данная случайная величина $X$ распределена по гипергеометрическому распределению с параметрами: $N=8$ - размер совокупности, $m=5$ - число успехов в совокупности, $n=3$ - размер выборки, $k=0,\ 1,\ 2,\ 3$ - число успехов в выборке. Тогда вероятности $P\left(X=k\right)$ можно рассчитать по формуле: $P(X=k)={C_{m}^{k} \cdot C_{N-m}^{n-k} \over C_{N}^{n} } $. Имеем:

$P\left(X=0\right)={{C^0_5\cdot C^3_3}\over {C^3_8}}={{1}\over {56}}\approx 0,018;$

$P\left(X=1\right)={{C^1_5\cdot C^2_3}\over {C^3_8}}={{15}\over {56}}\approx 0,268;$

$P\left(X=2\right)={{C^2_5\cdot C^1_3}\over {C^3_8}}={{15}\over {28}}\approx 0,536;$

$P\left(X=3\right)={{C^3_5\cdot C^0_3}\over {C^3_8}}={{5}\over {28}}\approx 0,179.$

Тогда ряд распределения случайной величины $X$:

$\begin{array}{|c|c|}
\hline
X_i & 0 & 1 & 2 & 3 \\
\hline
p_i & 0,018 & 0,268 & 0,536 & 0,179 \\
\hline
\end{array}$

Рассчитаем числовые характеристики случайной величины $X$ по общим формулам гипергеометрического распределения.

$M\left(X\right)={{nm}\over {N}}={{3\cdot 5}\over {8}}={{15}\over {8}}=1,875.$

$D\left(X\right)={{nm\left(1-{{m}\over {N}}\right)\left(1-{{n}\over {N}}\right)}\over {N-1}}={{3\cdot 5\cdot \left(1-{{5}\over {8}}\right)\cdot \left(1-{{3}\over {8}}\right)}\over {8-1}}={{225}\over {448}}\approx 0,502.$

$\sigma \left(X\right)=\sqrt{D\left(X\right)}=\sqrt{0,502}\approx 0,7085.$

Дан ряд распределения дискретной случайной величины. Найти недостающую вероятность и построить график функции распределения. Вычислить математическое ожидание и дисперсию этой величины.

Случайная величина Х принимает только четыре значения: -4, -3, 1 и 2. Каждое из этих значений она принимает с определенной вероятностью. Так как сумма всех вероятностей должна быть равна 1, то недостающая вероятность равна:

0,3 + ? + 0,1 + 0,4 = 1,

Составим функцию распределения случайной величины Х. Известно, что функция распределения , тогда:

Следовательно,

Построим график функции F (x ) .

Математическое ожидание дискретной случайной величины равно сумме произведений значения случайной величины на соответствующую вероятность, т.е.

Дисперсию дискретной случайной величины найдем по формуле:

ПРИЛОЖЕНИЕ

Элементы комбинаторики Здесь: - факториал числа

Действия над событиями Событие – это всякий факт, который может произойти или не произойти в результате опыта. Объединение событий А и В – это событие С , которое состоит в появлении или события А , или события В , или обоих событий одновременно. Обозначение: ; Пересечение событий А и В – это событие С , которое состоит в одновременном появлении обоих событий. Обозначение: ;

Классическое определение вероятности Вероятность события А – это отношение числа опытов , благоприятствующих появлению события А , к общему числу опытов :

Формула умножения вероятностей Вероятность события можно найти по формуле: - вероятность события А, - вероятность события В, - вероятность события В при условии, что событие А уже произошло. Если события А и В – независимы (появление одного не влияет на появление другого), то вероятность события равна:

Формула сложения вероятностей Вероятность события можно найти по формуле: Вероятность события А, Вероятность события В, - вероятность совместного появления событий А и В . Если события А и В – несовместны (не могут появиться одновременно), то вероятность события равна:

Формула полной вероятности Пусть событие А может произойти одновременно с одним из событий , , …, - назовем их гипотезами. Также известны - вероятность выполнения i -ой гипотезы и - вероятность появления события А при выполнении i -ой гипотезы. Тогда вероятность события А может быть найдена по формуле:

Схема Бернулли Пусть проводится n независимых испытаний. Вероятность появления (успеха) события А в каждом из них постоянна и равна p , вероятность неудачи (т.е. не появления события А ) q = 1 - p . Тогда вероятность появления k успехов в n испытаниях можно найти по формуле Бернулли: Наивероятнейшее число успехов в схеме Бернулли – это число появлений некоторого события, которому соответствует наибольшая вероятность. Можно найти по формуле:

Случайные величины дискретные непрерывные (н-р, число девочек в семье с 5 детьми) (н-р, время исправной работы чайника) Числовые характеристики дискретных случайных величин Пусть дискретная величина задана рядом распределения: Х Р , , …, - значения случайной величины Х ; , , …, - соответствующие им значения вероятностей. Функция распределения Функцией распределения случайной величины Х называется функция , заданная на всей числовой прямой и равная вероятности того, что Х будет меньше х :

Вопросы к экзамену

Событие. Операции над случайными событиями.

Понятие вероятности события.

Правила сложения и умножения вероятностей. Условные вероятности.

Формула полной вероятности. Формула Байеса.

Схема Бернулли.

Случайная величина, ее функция распределения и ряд распределения.

Основные свойства функции распределения.

Математическое ожидание. Свойства математического ожидания.

Дисперсия. Свойства дисперсии.

Плотность распределения вероятностей одномерной случайной величины.

Виды распределений: равномерное, экспоненциальное, нормальное, биномиальное и распределение Пуассона.

Локальная и интегральные теоремы Муавра-Лапласа.

Закон и функция распределения системы двух случайных величин.

Плотность распределения системы двух случайных величин.

Условные законы распределения, условное математическое ожидание.

Зависимые и независимые случайные величины. Коэффициент корреляции.

Выборка. Обработка выборки. Полигон и гистограмма частот. Эмпирическая функция распределения.

Понятие оценки параметров распределения. Требования к оценке. Доверительный интервал. Построение интервалов для оценки математического ожидания и среднего квадратического отклонения.

Статистические гипотезы. Критерии согласия.

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

Примеры случайных величин:

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

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

3. Число осколков разорвавшегося снаряда.

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

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

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

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

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

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

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

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

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

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

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

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

Отметим свойства математического ожидания:

1. Математическое ожидание постоянной величины равно самой постоянной:

M (C ) = C .

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

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

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

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

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

M (X ) = пр .

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

Дисперсией случайной величины X называют математическое ожидание квадрата отклонения:

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

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

Из определения следует, что дисперсия может быть вычислена по формуле

.

Дисперсию удобно вычислять по другой формуле:

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

Дисперсия обладает следующими свойствами:

1. Дисперсия постоянной равна нулю:

D (C ) = 0.

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

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

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

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

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

D (X ) = npq .

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

.

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

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

Построить ряд распределения числа попаданий.

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

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

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

,

найдем вероятности возможных значений случайной величины:

Р 3 (0) = (0,7) 3 = 0,343,

Р 3 (1) =0,3(0,7) 2 = 0,441,

Р 3 (2) =(0,3) 2 0,7 = 0,189,

Р 3 (3) = (0,3) 3 = 0,027.

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

X n

Заметим, что сумма

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

.

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

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

По классической формуле вероятности получим

Аналогично,

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

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

.

Х имеет вид:

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

Решение . Закон распределения случайной величины может быть задан функцией распределения

F (x ) = P (X  x ).

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

F (- )= 0,F (+ )= 1.

Для дискретной случайной величины эта функция выражается формулой

.

Поэтому в данном случае

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

	F (x )

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

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

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

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

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

Для дискретной случайной величины дисперсия имеет вид

или она может быть вычислена по формуле

Подставляя числовые данные задачи в формулу, получим:

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

D (Х ) = 50,84-6,72 2 = 5,6816.

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

Решение . Введем в рассмотрение случайное событие

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

Используя классическое определение вероятности найдем

Р (А )= ,

где n - число всевозможных исходов испытания находим по правилу

умножения:

n = 6∙6 =36,

m - число благоприятствующих событиюА исходов - равно

m = 3∙6=18.

Таким образом, вероятность успеха в одном испытании равна

ρ = Р (А )= 1/2.

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

Р 2 (0) =,Р 2 (1) =∙,Р 2 (2) =

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

х n
ρ n

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

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

Р (Х =1) =
=1/5,

Р (Х= 2) =
= 3/5,

Р (Х =3) =
= 1/5.

Закон распределения случайной величины Х представим в виде ряда распределения:

х n
ρ n

Математическое ожидание

М (Х )=1 ∙ 1/5+2 ∙ 3/5+3 ∙ 1/5=2.

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

М (Х ) =n . ρ ,

а дисперсия

D (X ) =np .

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

Р (Х =к)=Р n (к)=ρ к (1-ρ ) n- к

Ряд распределения случайной величины Х имеет вид:

х n
ρ n	q n	ρq n- 1	ρq n- 2		ρ n

где q = 1- ρ .

Для математического ожидания имеем выражение:

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

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

х n
ρ n

M (X 1)= 0 ∙ q+ 1 ∙ p = p

D (X 1) = p – p 2 = p (1- p ) = pq .

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

Х=Х 1 +Х 2 +….+Х n .

Отсюда получаем

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

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

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

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

Найдем вероятность ρ по формуле Бернулли:

ρ=Р 5 (4)== 0,94∙0,1=0,32.

М (Х )= 50∙0,32=16.

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

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

Х = Х 1 + Х 2 + Х 3 .

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

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

Очевидно, что

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

Следовательно, математическое ожидание случайной величины Х i имеет вид

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

М (Х ) = 3∙7/2 = 10,5.

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

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

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

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

Х = Х 1 + Х 2 + … + Х n ,

X i =

Ясно, что

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

М (Х i )= 1∙Р i + 0∙(1–Р i )=Р i ,

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

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

Р i =p , i= 1, 2, … , n .

М (Х )= np .

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

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

Решение. Пусть

А ={выпадение четного числа на первой кости},

В = {выпадение четного числа на второй кости}.

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

Р (АВ ) = Р (А )∙Р (В ) =
.

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

n = 2, р = 1/4, q = 1 – р = 3/4.

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

Р (Х= 0) = Р 2 (0) = q 2 = 9/16,

Р (Х= 1) = Р 2 (1) = С , р ∙q = 6/16,

Р (Х= 2) = Р 2 (2) = С , р 2 = 1/16.

Ряд распределения случайной величины Х:

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

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

М (Х ) = np .

Поскольку вероятность отказа К элементов из n выражается формулой

Р n (К )
,

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

Р n (0) = е -  .

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

1 - е -  = 0,98,

е -  = 1 – 0,98 = 0,02,

отсюда  = -ln 0,02  4.

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

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

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

Р (Х= 1) = 1/6.

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

Р (Х= 2) = (5/6)∙(1/6)

Аналогично,

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

и т.д. Получим ряд распределения вероятностей:

					(5/6) к ∙1/6

Среднее число бросаний (испытаний) есть математическое ожидание

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

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

Найдем сумму ряда:

К g К -1 = (g К ) g 
.

Следовательно,

М (Х ) = (1/6) (1/ (1 – 5/6) 2 = 6.

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

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

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

D (Х ) = npq .

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

0,63 = 3∙р (1-р ),

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