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

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.

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.