Задан закон распределения дискретной случайной величины в виде таблицы. Закон распределения случайной величины
На этой странице мы собрали примеры решения учебных задач о дискретных случайных величинах . Это довольно обширный раздел: изучаются разные законы распределения (биномиальный, геометрический, гипергеометрический, Пуассона и другие), свойства и числовые характеристики, для каждого ряда распределения можно строить графические представления: полигон (многоугольник) вероятностей, функцию распределения.
Ниже вы найдете примеры решений о дискретных случайных величинах, в которых требуется применить знания из предыдущих разделов теории вероятностей для составления закона распределения, а затем вычислить математическое ожидание, дисперсию, среднее квадратическое отклонение, построить функцию распределения, дать ответы на вопросы о ДСВ и т.п.
Примеры для популярных законов распределения вероятностей:
Калькуляторы на характеристики ДСВ
- Вычисление математического ожидания, дисперсии и среднего квадратического отклонения ДСВ .
Решенные задачи о ДСВ
Распределения, близкие к геометрическому
Задача 1. На пути движения автомашины 4 светофора, каждый из которых запрещает дальнейшее движение автомашины с вероятностью 0,5. Найти ряд распределения числа светофоров, пройденных машиной до первой остановки. Чему равны математическое ожидание и дисперсия этой случайной величины?
Задача 2. Охотник стреляет по дичи до первого попадания, но успевает сделать не более четырех выстрелов. Составить закон распределения числа промахов, если вероятность попадания в цель при одном выстреле равна 0,7. Найти дисперсию этой случайной величины.
Задача 3. Стрелок, имея 3 патрона, стреляет в цель до первого попадания. Вероятности попадания при первом, втором и третьем выстрелах соответственно 0,6, 0,5, 0,4. С.В. $\xi$ - число оставшихся патронов. Составить ряд распределения случайной величины, найти математическое ожидание, дисперсию, среднее квадратичное отклонение с.в., построить функцию распределения с.в., найти $P(|\xi-m| \le \sigma$.
Задача 4.
В ящике содержится 7 стандартных и 3 бракованных детали. Вынимают детали последовательно до появления стандартной, не возвращая их обратно. $\xi$ - число извлеченных бракованных деталей.
Составить закон распределения дискретной случайной величины $\xi$, вычислить ее математическое ожидание, дисперсию, среднее квадратическое отклонение, начертить многоугольник распределения и график функции распределения.
Задачи с независимыми событиями
Задача 5. На переэкзаменовку по теории вероятностей явились 3 студента. Вероятность того, что первый сдаст экзамен, равна 0,8, второй - 0,7, третий - 0,9. Найдите ряд распределения случайной величины $\xi$ числа студентов, сдавших экзамен, постройте график функции распределения, найдите $М(\xi), D(\xi)$.
Задача 6. Вероятность попадания в цель при одном выстреле равна 0,8 и уменьшается с каждым выстрелом на 0,1. Составить закон распределения числа попаданий в цель, если сделано три выстрела. Найти математическое ожидание, дисперсию и С.К.О. этой случайной величины. Построить график функции распределения.
Задача 7. По цели производится 4 выстрела. Вероятность попадания при этом растет так: 0,2, 0,4, 0,6, 0,7. Найти закон распределения случайной величины $X$ - числа попаданий. Найти вероятность того, что $X \ge 1$.
Задача 8. Подбрасываются две симметричные монеты, подсчитывается число гербов на обеих верхних сторонах монет. Рассматривается дискретная случайная величина $X$- число выпадений гербов на обеих монетах. Записать закон распределения случайной величины $X$, найти ее математическое ожидание.
Другие задачи и законы распределения ДСВ
Задача 9. Два баскетболиста делают по три броска в корзину. Вероятность попадания для первого баскетболиста равна 0,6, для второго – 0,7. Пусть $X$ - разность между числом удачных бросков первого и второго баскетболистов. Найти ряд распределения, моду и функцию распределения случайной величины $X$. Построить многоугольник распределения и график функции распределения. Вычислить математическое ожидание, дисперсию и среднее квадратичное отклонение. Найти вероятность события $(-2 \lt X \le 1)$.
Задача 10.
Число иногородних судов, прибывающих ежедневно под погрузку в определенный порт – случайная величина $X$, заданная так:
0 1 2 3 4 5
0,1 0,2 0,4 0,1 0,1 0,1
А) убедитесь, что задан ряд распределения,
Б) найдите функцию распределения случайной величины $X$,
В) если в заданный день прибывает больше трех судов, то порт берет на себя ответственность за издержки вследствие необходимости нанимать дополнительных водителей и грузчиков. Чему равна вероятность того, что порт понесет дополнительные расходы?
Г) найдите математическое ожидание, дисперсию и среднее квадратическое отклонение случайной величины $X$.
Задача 11. Бросают 4 игральные кости. Найти математическое ожидание суммы числа очков, которые выпадут на всех гранях.
Задача 12. Двое поочередно бросают монету до первого появления герба. Игрок, у которого выпал герб, получает от другого игрока 1 рубль. Найти математическое ожидание выигрыша каждого игрока.
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 $M\left(X\right)$:
- $M\left(X\right)$ заключено между наименьшим и наибольшим значениями случайной величины $X$.
- Математическое ожидание от константы равно самой константе, т.е. $M\left(C\right)=C$.
- Постоянный множитель можно выносить за знак математического ожидания: $M\left(CX\right)=CM\left(X\right)$.
- Математическое ожидание суммы случайных величин равно сумме их математических ожиданий: $M\left(X+Y\right)=M\left(X\right)+M\left(Y\right)$.
- 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 $D\left(X\right)$:
- Дисперсия всегда больше или равна нулю, т.е. $D\left(X\right)\ge 0$.
- Дисперсия от константы равна нулю, т.е. $D\left(C\right)=0$.
- Постоянный множитель можно выносить за знак дисперсии при условии возведения его в квадрат, т.е. $D\left(CX\right)=C^2D\left(X\right)$.
- Дисперсия суммы независимых случайных величин равна сумме их дисперсий, т.е. $D\left(X+Y\right)=D\left(X\right)+D\left(Y\right)$.
- 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 :
- $0\le F\left(x\right)\le 1$.
- Вероятность того, что случайная величина $X$ примет значения из интервала $\left(\alpha ;\ \beta \right)$, равна разности значений функции распределения на концах этого интервала: $P\left(\alpha < X < \beta \right)=F\left(\beta \right)-F\left(\alpha \right)$
- $F\left(x\right)$ - неубывающая.
- ${\mathop{lim}_{x\to -\infty } F\left(x\right)=0\ },\ {\mathop{lim}_{x\to +\infty } F\left(x\right)=1\ }$.
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, $F(x)=\left\{\begin{matrix}
0,\ при\ x\le 1,\\
1/6,при\ 1 < x\le 2,\\
1/3,\ при\ 2 < x\le 3,\\
1/2,при\ 3 < x\le 4,\\
2/3,\ при\ 4 < x\le 5,\\
5/6,\ при\ 4 < x\le 5,\\
1,\ при\ x > 6.
\end{matrix}\right.$
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.
$M\left(X\right)={{nm}\over {N}}={{3\cdot 5}\over {8}}={{15}\over {8}}=1,875.$
$D\left(X\right)={{nm\left(1-{{m}\over {N}}\right)\left(1-{{n}\over {N}}\right)}\over {N-1}}={{3\cdot 5\cdot \left(1-{{5}\over {8}}\right)\cdot \left(1-{{3}\over {8}}\right)}\over {8-1}}={{225}\over {448}}\approx 0,502.$
$\sigma \left(X\right)=\sqrt{D\left(X\right)}=\sqrt{0,502}\approx 0,7085.$
X
задана законом распределения вероятностей: Тогда ее среднее квадратическое отклонение равно … 0,80
Решение:
Среднее квадратическое отклонение случайной величины Х определяется как , где дисперсию дискретной случайной величины можно вычислить по формуле .Тогда , а
Решение:
A
(вынутый наудачу шар – черный) применим формулу полной вероятности: .Здесь вероятность того, что из первой урны переложили во вторую урну белый шар; – вероятность того, что из первой урны переложили во вторую урну черный шар; – условная вероятность того, что вынутый шар черный, если из первой урны во вторую был переложен белый шар; – условная вероятность того, что вынутый шар черный, если из первой урны во вторую был переложен черный шар.
Дискретная случайная величина Х задана законом распределения вероятностей: Тогда вероятность равна …
Решение:
Дисперсию дискретной случайной величины можно вычислить по формуле . Тогда
Или . Решив последнее уравнение, получаем два корня и
Тема: Определение вероятности
В партии из 12 деталей имеется 5 бракованных. Наудачу отобраны три детали. Тогда вероятность того, что среди отобранных деталей нет годных, равна …
Решение:
Для вычисления события А (среди отобранных деталей нет годных) воспользуемся формулой где n
m
– число элементарных исходов, благоприятствующих появлению события А. нашем случае общее число возможных элементарных исходов равно числу способов, которыми можно извлечь три детали из 12 имеющих, то есть .
А общее число благоприятствующих исходов равно числу способов, которыми можно извлечь три бракованные детали из пяти, то есть .
Банк выдает 44% всех кредитов юридическим лицам, а 56% – физическим лицам. Вероятность того, что юридическое лицо не погасит в срок кредит, равна 0,2; а для физического лица эта вероятность составляет 0,1. Тогда вероятность того, что очередной кредит будет погашен в срок, равна …
0,856 |
Решение:
Для вычисления вероятности события A
(выданный кредит будет погашен в срок) применим формулу полной вероятности: . Здесь – вероятность того, что кредит был выдан юридическому лицу; – вероятность того, что кредит был выдан физическому лицу; – условная вероятность того, что кредит будет погашен в срок, если он был выдан юридическому лицу; – условная вероятность того, что кредит будет погашен в срок, если он был выдан физическому лицу. Тогда
Тема: Законы распределения вероятностей дискретных случайных величин
Для дискретной случайной величины Х
0,655 |
Тема: Определение вероятности
Игральная кость бросается два раза. Тогда вероятность того, что сумма выпавших очков не меньше девяти, равна …
Решение:
Для вычисления события (сумма выпавших очков будет не меньше девяти) воспользуемся формулой , где – общее число возможных элементарных исходов испытания, а m
– число элементарных исходов, благоприятствующих появлению события A
. В нашем случае возможны элементарных исходов испытания, из которых благоприятствующими являются исходы вида , , , , , , , и , то есть . Следовательно,
Тема: Законы распределения вероятностей дискретных случайных величин
функция распределения вероятностей имеет вид:
Тогда значение параметра может быть равно …
0,7 | |||
0,85 | |||
0,6 |
Решение:
По определению . Следовательно, и . Этим условиям удовлетворяет, например, значение
Тема: Числовые характеристики случайных величин
Непрерывная случайная величина задана функцией распределения вероятностей:
Тогда ее дисперсия равна …
Решение:
Эта случайная величина распределена равномерно в интервале . Тогда ее дисперсию можно вычислить по формуле . То есть
Тема: Полная вероятность. Формулы Байеса
В первой урне 6 черных шаров и 4 белых шара. Во второй урне 2 белых и 8 черных шаров. Из наудачу взятой урны вынули один шар, который оказался белым. Тогда вероятность того, что этот шар вынули из первой урны, равна …
Решение:
A
(вынутый наудачу шар – белый) по формуле полной вероятности: . Здесь – вероятность того, что шар извлечен из первой урны; – вероятность того, что шар извлечен из второй урны; – условная вероятность того, что вынутый шар белый, если он извлечен из первой урны; – условная вероятность того, что вынутый шар белый, если он извлечен из второй урны.
Тогда .
Теперь вычислим условную вероятность того, что этот шар был извлечен из первой урны, по формуле Байеса:
Тема: Числовые характеристики случайных величин
Дискретная случайная величина X
задана законом распределения вероятностей:
Тогда ее дисперсия равна …
7,56 | |||
3,2 | |||
3,36 | |||
6,0 |
Решение:
Дисперсию дискретной случайной величины можно вычислить по формуле
Тема: Законы распределения вероятностей дискретных случайных величин
Решение:
По определению . Тогда
а) при , ,
б) при , ,
в) при , ,
г) при , ,
д) при , .
Следовательно,
Тема: Определение вероятности
Внутрь круга радиуса 4 наудачу брошена точка. Тогда вероятность того, что точка окажется вне вписанного в круг квадрата, равна …
Тема: Определение вероятности
В партии из 12 деталей имеется 5 бракованных. Наудачу отобраны три детали. Тогда вероятность того, что среди отобранных деталей нет бракованных, равна …
Решение:
Для вычисления события (среди отобранных деталей нет бракованных) воспользуемся формулой , где n
– общее число возможных элементарных исходов испытания, а m
– число элементарных исходов, благоприятствующих появлению события . В нашем случае общее число возможных элементарных исходов равно числу способов, которыми можно извлечь три детали из 12 имеющих, то есть . А общее число благоприятствующих исходов равно числу способов, которыми можно извлечь три небракованные детали из семи, то есть . Следовательно,
Тема: Полная вероятность. Формулы Байеса
0,57 | |||
0,43 | |||
0,55 | |||
0,53 |
Решение:
Для вычисления вероятности события A
Тогда
Тема: Законы распределения вероятностей дискретных случайных величин
Дискретная случайная величина задана законом распределения вероятностей:
Тогда вероятность равна …
Решение:
Воспользуемся формулой . Тогда
Тема: Полная вероятность. Формулы Байеса
0,875 | |||
0,125 | |||
0,105 | |||
0,375 |
Решение:
Предварительно вычислим вероятность события A
.
.
Тема: Числовые характеристики случайных величин
Тогда ее математическое ожидание равно …
Решение:
Воспользуемся формулой . Тогда .
Тема: Определение вероятности
Решение:
Тема: Числовые характеристики случайных величин
Непрерывная случайная величина задана плотностью распределения вероятностей . Тогда математическое ожидание a
и среднее квадратическое отклонение этой случайной величины равны …
Решение:
Плотность распределения вероятностей нормально распределенной случайной величины имеет вид , где , . Поэтому .
Тема: Законы распределения вероятностей дискретных случайных величин
Дискретная случайная величина задана законом распределения вероятностей:
Тогда значения a
и b
могут быть равны …
Решение:
Так как сумма вероятностей возможных значений равна 1, то . Этому условию удовлетворяет ответ: .
Тема: Определение вероятности
В круг радиуса 8 помещен меньший круг радиуса 5. Тогда вероятность того, что точка, наудачу брошенная в больший круг, попадет также и в меньший круг, равна …
Решение:
Для вычисления вероятности искомого события воспользуемся формулой , где – площадь меньшего круга, а – площадь большего круга. Следовательно, .
Тема: Полная вероятность. Формулы Байеса
В первой урне 3 черных шара и 7 белых шаров. Во второй урне 4 белых шара и 5 черных шаров. Из первой урны переложили один шар во вторую урну. Тогда вероятность того, что шар, вынутый наудачу из второй урны, будет белым, равна …
0,47 | |||
0,55 | |||
0,35 | |||
0,50 |
Решение:
Для вычисления вероятности события A
(вынутый наудачу шар – белый) применим формулу полной вероятности: . Здесь – вероятность того, что из первой урны переложили во вторую урну белый шар; – вероятность того, что из первой урны переложили во вторую урну черный шар; – условная вероятность того, что вынутый шар белый, если из первой урны во вторую был переложен белый шар; – условная вероятность того, что вынутый шар белый, если из первой урны во вторую был переложен черный шар.
Тогда
Тема: Законы распределения вероятностей дискретных случайных величин
Для дискретной случайной величины :
функция распределения вероятностей имеет вид:
Тогда значение параметра может быть равно …
0,7 | |||
0,85 | |||
0,6 |
ЗАДАНИЕ N 10 сообщить об ошибке
Тема: Полная вероятность. Формулы Байеса
Банк выдает 70% всех кредитов юридическим лицам, а 30% – физическим лицам. Вероятность того, что юридическое лицо не погасит в срок кредит, равна 0,15; а для физического лица эта вероятность составляет 0,05. Получено сообщение о невозврате кредита. Тогда вероятность того, что этот кредит не погасило юридическое лицо, равна …
0,875 | |||
0,125 | |||
0,105 | |||
0,375 |
Решение:
Предварительно вычислим вероятность события A
(выданный кредит не будет погашен в срок) по формуле полной вероятности: . Здесь – вероятность того, что кредит был выдан юридическому лицу; – вероятность того, что кредит был выдан физическому лицу; – условная вероятность того, что кредит не будет погашен в срок, если он был выдан юридическому лицу; – условная вероятность того, что кредит не будет погашен в срок, если он был выдан физическому лицу. Тогда
.
Теперь вычислим условную вероятность того, что этот кредит не погасило юридическое лицо, по формуле Байеса:
.
ЗАДАНИЕ N 11 сообщить об ошибке
Тема: Определение вероятности
В партии из 12 деталей имеется 5 бракованных. Наудачу отобраны три детали. Тогда вероятность того, что среди отобранных деталей нет годных, равна …
Решение:
Для вычисления события (среди отобранных деталей нет годных) воспользуемся формулой , где n
– общее число возможных элементарных исходов испытания, а m
– число элементарных исходов, благоприятствующих появлению события . В нашем случае общее число возможных элементарных исходов равно числу способов, которыми можно извлечь три детали из 12 имеющих, то есть . А общее число благоприятствующих исходов равно числу способов, которыми можно извлечь три бракованные детали из пяти, то есть . Следовательно,
ЗАДАНИЕ N 12 сообщить об ошибке
Тема: Числовые характеристики случайных величин
Непрерывная случайная величина задана плотностью распределения вероятностей:
Тогда ее дисперсия равна …
Решение:
Дисперсию непрерывной случайной величины можно вычислить по формуле
Тогда
Тема: Законы распределения вероятностей дискретных случайных величин
Дискретная случайная величина задана законом распределения вероятностей:
Тогда ее функция распределения вероятностей имеет вид …
Решение:
По определению . Тогда
а) при , ,
б) при , ,
в) при , ,
г) при , ,
д) при , .
Следовательно,
Тема: Полная вероятность. Формулы Байеса
Имеются три урны, содержащие по 5 белых и 5 черных шаров, и семь урн, содержащих по 6 белых и 4 черных шара. Из наудачу взятой урны вытаскивается один шар. Тогда вероятность того, что этот шар белый, равна …
0,57 | |||
0,43 | |||
0,55 | |||
0,53 |
Решение:
Для вычисления вероятности события A
(вынутый наудачу шар – белый) применим формулу полной вероятности: . Здесь – вероятность того, что шар извлечен из первой серии урн; – вероятность того, что шар извлечен из второй серии урн; – условная вероятность того, что вынутый шар белый, если из он извлечен из первой серии урн; – условная вероятность того, что вынутый шар белый, если из он извлечен из второй серии урн.
Тогда .
Тема: Законы распределения вероятностей дискретных случайных величин
Дискретная случайная величина задана законом распределения вероятностей:
Тогда вероятность равна …
Тема: Определение вероятности
Игральная кость бросается два раза. Тогда вероятность того, что сумма выпавших очков – десять, равна …
Дискретной называют случайную величину, которая может принимать отдельные, изолированные значения с определенными вероятностями.
ПРИМЕР 1. Число появлений герба при трех бросаниях монеты. Возможные значения: 0, 1, 2, 3, их вероятности равны соответственно:
Р(0) = ; Р(1) = ; Р(2) = ; Р(3) = .
ПРИМЕР 2. Число отказавших элементов в приборе, состоящем из пяти элементов. Возможные значения: 0, 1, 2, 3, 4, 5; их вероятности зависят от надежности каждого из элементов.
Дискретная случайная величина Х может быть задана рядом распределения или функцией распределения (интегральным законом распределения).
Рядом распределения называется совокупность всех возможных значений х i и соответствующих им вероятностей р i = Р ( Х = х i ), он может быть задан в виде таблицы:
х i | х n |
|||
р i | р n |
При этом вероятности р i удовлетворяют условию
р i = 1 , потому, что
где число возможных значений n может быть конечным или бесконечным.
Графическое изображение ряда распределения называется многоугольником распределения . Для его построения возможные значения случайной величины (х i ) откладываются по оси абсцисс, а вероятности р i - по оси ординат; точки А i c координатами ( х i ,р i ) соединяются ломаными линиями.
Функцией распределения случайной величины Х называется функция F (х ), значение которой в точке х равно вероятности того, что случайная величина Х будет меньше этого значения х , то есть
F (х) = Р (Х< х).
ФункцияF (х ) для дискретной случайной величины вычисляется по формуле
F (х)= р i , (1.10.1)
где суммирование ведется по всем значениям i , для которых х i < х.
ПРИМЕР 3. Из партии, содержащей 100 изделий, среди которых имеется 10 дефектных, выбраны случайным образом пять изделий для проверки их качества. Построить ряд распределений случайного числа Х дефектных изделий, содержащихся в выборке.
Решение . Так как в выборке число дефектных изделий может быть любым целым числом в пределах от 0 до 5 включительно, то возможные значения х i случайной величины Х равны:
х 1 = 0, х 2 = 1, х 3 = 2, х 4 = 3, х 5 = 4, х 6 = 5.
Вероятность Р (Х = k ) того, что в выборке окажется ровно k (k = 0, 1, 2, 3, 4, 5) дефектных изделий, равна
Р (Х = k ) = .
В результате расчетов по данной формуле с точностью 0,001 получим:
р 1 = Р (Х = 0) @ 0,583; р 2 = Р (Х = 1) @ 0,340; р 3 = Р (Х = 2) @ 0,070;
р 4 = Р (Х = 3) @ 0,007; р 5 = Р (Х = 4) @ 0; р 6 = Р (Х = 5) @ 0.
Используя для проверки равенство р k =1, убеждаемся, что расчеты и округление произведены правильно (см. табл.).
х i | ||||||
р i |
ПРИМЕР 4. Дан ряд распределения случайной величины Х :
х i | |||||
р i |
Найти функцию распределения вероятности F (х ) этой случайной величины и построить ее.
Решение . Если х £ 10, то F ( х ) = Р (Х < х ) = 0;
если 10 < х £ 20 , то F ( х ) = Р (Х <х ) = 0,2 ;
если 20 < х £ 30 , то F ( х ) = Р ( Х < х ) = 0,2 + 0,3 = 0,5 ;
если 30 < х £ 40 , то F ( х ) = Р (Х < х ) = 0,2 + 0,3 + 0,35 = 0,85 ;
если 40 < х £ 50 , то F ( х ) = Р (Х < х ) = 0,2 + 0,3 + 0,35 + 0,1=0,95 ;
если х > 50 , то F ( х ) = Р ( Х < х ) = 0,2 + 0,3 + 0,35 + 0,1 + 0,05 = 1.