Densidade de distribuição de uma variável aleatória discreta. Densidade de distribuição de probabilidade

O resultado de qualquer experimento aleatório pode ser caracterizado qualitativa e quantitativamente. Qualitativo o resultado de um experimento aleatório - aleatório evento. Qualquer característica quantitativa, que, como resultado de um experimento aleatório, pode assumir um dentre vários valores, - valor aleatório. Valor aleatório é um dos conceitos centrais da teoria da probabilidade.

Seja um espaço de probabilidade arbitrário. Variável aleatóriaé uma função numérica real x =x (w), w W tal que para qualquer real x .

Evento Costuma-se escrevê-lo na forma x< x. A seguir, as variáveis ​​​​aleatórias serão denotadas por letras gregas minúsculas x, h, z, ...

Uma variável aleatória é o número de pontos obtidos no lançamento de um dado ou a altura de um aluno selecionado aleatoriamente no grupo de estudo. No primeiro caso estamos lidando com discreto variável aleatória(leva valores de um conjunto de números discretos M =(1, 2, 3, 4, 5, 6); no segundo caso - com contínuo variável aleatória(leva valores de um conjunto numérico contínuo - do intervalo da reta numérica EU=).

Cada variável aleatória é completamente determinada por seu função de distribuição.

Se x é uma variável aleatória, então a função F(x) = FX(x) = P(x< x) é chamado função de distribuição variável aleatória x. Aqui P(x<x) - a probabilidade de a variável aleatória x assumir um valor menor que x.

É importante entender que a função de distribuição é o “passaporte” de uma variável aleatória: ela contém todas as informações sobre a variável aleatória e, portanto, o estudo de uma variável aleatória consiste em estudá-la funções de distribuição, que muitas vezes é chamado simplesmente distribuição.

A função de distribuição de qualquer variável aleatória possui as seguintes propriedades:

Se x é uma variável aleatória discreta que assume os valores x 1 <x 2 < … <XI < … с вероятностями p 1 <p 2 < … <eu < …, то таблица вида

x 1 x 2 XI
p 1 p 2 eu

chamado distribuição de uma variável aleatória discreta.

A função de distribuição de uma variável aleatória com tal distribuição tem a forma

Uma variável aleatória discreta tem uma função de distribuição escalonada. Por exemplo, para o número aleatório de pontos obtidos em um lançamento de um dado, a distribuição, a função de distribuição e o gráfico da função de distribuição são:

1 2 3 4 5 6
1/6 1/6 1/6 1/6 1/6 1/6

Se a função de distribuição FX(x) é contínua, então a variável aleatória x é chamada variável aleatória contínua.

Se a função de distribuição de uma variável aleatória contínua diferenciável, então uma representação mais visual da variável aleatória é dada por densidade de probabilidade da variável aleatória p x(x), que está relacionado à função de distribuição FX(x) fórmulas

E .

A partir daqui, em particular, segue-se que para qualquer variável aleatória.

Ao resolver problemas práticos, muitas vezes é necessário encontrar o valor x, em que a função de distribuição FX(x) a variável aleatória x assume um determinado valor p, ou seja equação precisa ser resolvida FX(x) = p. Soluções de tal equação (valores correspondentes x) na teoria da probabilidade são chamados quantil.

Quantil x p ( p-quantil, quantil de nível p) variável aleatória com função de distribuição FX(x), chamada de solução XP equações FX(x) = p, p(0, 1). Para alguns p a equação FX(x) = p pode haver várias soluções, para alguns - nenhuma. Isto significa que para a variável aleatória correspondente, alguns quantis não são definidos exclusivamente e alguns quantis não existem.

  • Grupo completo de eventos. Eventos opostos. A relação entre as probabilidades de eventos opostos (com conclusão).
  • Eventos dependentes e independentes. Produzindo eventos. O conceito de probabilidade condicional. Teorema da multiplicação de probabilidades (com prova).
  • Fórmulas de probabilidade total e Bayes (com prova). Exemplos.
  • Testes independentes repetidos. Fórmula de Bernoulli (com conclusão). Exemplos.
  • Teorema local de Moivre-Laplace, condições para sua aplicabilidade. Propriedades da função Dx). Exemplo.
  • Fórmula de Poisson assintótica e condições para sua aplicabilidade. Exemplo.
  • O teorema integral de Moivre-Laplace e condições para sua aplicabilidade. Função de Laplace f(x) e suas propriedades. Exemplo.
  • Corolários do teorema integral de Moivre-Laplace (com conclusão). Exemplos.
  • Expectativa matemática de uma variável aleatória discreta e suas propriedades (com derivação). Exemplos.
  • Dispersão de uma variável aleatória discreta e suas propriedades (com derivação). Exemplos.
  • Função de distribuição de uma variável aleatória, sua definição, propriedades e gráfico.
  • Variável aleatória contínua (nova). A probabilidade de um único valor de nsv. Expectativa matemática e dispersão de nsv.
  • Densidade de probabilidade de uma variável aleatória contínua, sua definição, propriedades e gráfico.
  • Uma variável aleatória distribuída de acordo com a lei binomial, sua expectativa matemática e variância. Lei de distribuição de Poisson.
  • Expectativa matemática e dispersão do número e frequência de ocorrências de um evento em n tentativas independentes repetidas (com inferência).
  • Definição da lei de distribuição normal. Significado teórico e probabilístico dos seus parâmetros. A curva normal e a dependência de sua posição e forma dos parâmetros.
  • A função de distribuição de uma variável aleatória normalmente distribuída e sua expressão através da função de Laplace.
  • Fórmulas para determinar a probabilidade de: a) uma variável aleatória normalmente distribuída cair em um determinado intervalo; b) seus desvios da expectativa matemática. A regra dos Três Sigma.
  • O conceito de uma variável aleatória bidimensional (/7-dimensional). Exemplos. Tabela de sua distribuição. Distribuições unidimensionais dos seus componentes. Distribuições condicionais e sua determinação a partir da tabela de distribuição.
  • Covariância e coeficiente de correlação de variáveis ​​aleatórias. A relação entre ecorrelação e independência de variáveis ​​aleatórias.
  • O conceito de uma lei de distribuição normal bidimensional. Expectativas e variações matemáticas condicionais.
  • Desigualdade de Markov (lema de Chebyshev) (com derivação). Exemplo.
  • Desigualdade de Chebyshev (com derivação) e seus casos especiais para uma variável aleatória distribuída segundo a lei binomial e para a frequência de um evento.
  • Teorema de Chebyshev (com prova), seu significado e consequência. Exemplo.
  • Lei dos grandes números. Teorema de Bernoulli (com prova) e seu significado. Exemplo.
  • Desigualdade de Chebyshev para a média aritmética de variáveis ​​​​aleatórias (com derivação).
  • Teorema do limite central. O conceito do teorema de Lyapunov e seu significado. Exemplo.
  • Série de variações, suas variedades. Média aritmética e variância da série. Uma forma simplificada de calculá-los.
  • O conceito de estimativa dos parâmetros de uma população geral. Propriedades das avaliações: imparcial, consistente, eficaz.
  • Estimativa da participação geral com base em amostra aleatória. Imparcialidade e consistência da proporção da amostra.
  • Estimativa da média geral com base em amostra aleatória. Imparcialidade e consistência da média amostral.
  • Estimativa da variância geral com base em uma amostra aleatória. Viés e consistência da variância amostral (sem inferência). Variância amostral corrigida.
  • O conceito de estimativa de intervalo. Probabilidade de confiança e intervalo de confiança. Erro amostral marginal. Erros na representatividade da amostra (aleatórios e sistemáticos).
  • Fórmula de confiança para estimar a média geral. O erro quadrático médio de amostras repetidas e não repetidas e a construção de um intervalo de confiança para a média geral.
  • Determinação do volume necessário de amostras repetidas e não repetitivas ao estimar a média geral e a participação.
  • Hipótese estatística e teste estatístico. Erros de 1ª e 2ª espécie. Nível de significância e poder do critério. O princípio da certeza prática.
  • Construção de uma lei de distribuição teórica baseada em dados experimentais. O conceito de critérios de consentimento.
  • O critério de adequação de x2-Pearson e o esquema para sua aplicação.
  • Dependências funcionais, estatísticas e de correlação. Diferenças entre eles. Principais tarefas da teoria da correlação.
  • Regressão linear de pares. Sistema de equações normais para determinação dos parâmetros das retas de regressão. Covariância da amostra. Fórmulas para cálculo de coeficientes de regressão.
  • Maneira simplificada:
  • Avaliando o aperto da conexão. Coeficiente de correlação (amostra), suas propriedades e avaliação de confiabilidade.
    1. Densidade de probabilidade de uma variável aleatória contínua, sua definição, propriedades e gráfico.

    Diz-se que uma variável aleatória X tem uma distribuição (distribuída) com densidade
    em uma determinada seção do eixo x. Densidade de probabilidade
    , como a função de distribuição F(x), é uma das formas da lei de distribuição, mas ao contrário da função de distribuição, existe apenas para contínuo variáveis ​​aleatórias . A densidade de probabilidade às vezes é chamada função diferencial ou lei de distribuição diferencial . Gráfico de densidade de probabilidade
    chamado curva de distribuição .

    Propriedades da densidade de probabilidade de uma variável aleatória contínua.



    como a derivada de uma função monotonicamente não decrescente F(x). ☻



    De acordo com a propriedade 4 da função de distribuição. Como F(x) é uma antiderivada para a densidade de probabilidade
    (porque
    , então de acordo com a fórmula de Newton-Leibniz, o incremento da antiderivada no segmento [a,b] é uma integral definida
    . ☻

    A probabilidade obtida geometricamente é igual à área da figura delimitada no topo pela curva de distribuição e baseada no segmento [a,b] (Fig. 3.8).

      A função de distribuição de uma variável aleatória contínua pode ser expressa em termos de densidade de probabilidade de acordo com a fórmula:

    .

    Geometricamente, a função de distribuição é igual à área da figura delimitada acima da curva de distribuição e situada à esquerda do ponto x (Fig. 3.9).


    Geometricamente, as propriedades 1 e 4 da densidade de probabilidade significam que seu gráfico - a curva de distribuição - não fica abaixo do eixo das abcissas, e a área total da figura delimitada pela curva de distribuição e pelo eixo das abcissas é igual a um.

    1. Uma variável aleatória distribuída de acordo com a lei binomial, sua expectativa matemática e variância. Lei de distribuição de Poisson.

    Definição. A variável aleatória discreta X tem lei de distribuição binomial com parâmetros npq, se assume valores 0, 1, 2,..., m,... ,n com probabilidades

    onde 0<р

    Como vemos, as probabilidades P(X=m) são encontradas usando a fórmula de Bernoulli, portanto, a lei de distribuição binomial é a lei de distribuição do número X=m ocorrências do evento A em n tentativas independentes, em cada uma das quais pode ocorrer com a mesma probabilidade p .

    A série de distribuição da lei binomial tem a forma:

    É óbvio que a definição da lei binomial está correta, porque propriedade principal de uma série de distribuição
    feito porque nada mais é do que a soma de todos os termos da expansão do binômio de Newton:

    Valor esperado variável aleatória X, distribuída de acordo com a lei binomial,

    e sua variação

    Definição. A variável aleatória discreta X tem Lei de distribuição de Poisson com parâmetro λ > 0, se assumir os valores 0, 1, 2,..., m, ... (um conjunto infinito mas contável de valores) com probabilidades
    ,

    A série de distribuição da lei de Poisson tem a forma:

    Obviamente, a definição da lei de Poisson está correta, uma vez que a propriedade principal da série de distribuição
    satisfeito, porque a soma da série.

    Na Fig. A Figura 4.1 mostra um polígono (polígono) da distribuição de uma variável aleatória distribuída de acordo com a lei de Poisson Р(Х=m)=Р m (λ) com parâmetros λ = 0,5, λ = 1, λ = 2, λ = 3,5.

    Teorema. Expectativa e variação de uma variável aleatória distribuída de acordo com a lei de Poisson coincidem e são iguais ao parâmetro λ desta lei, ou seja,

    E

    "

    Definição. Contínuo chamada de variável aleatória que pode assumir todos os valores de algum intervalo finito ou infinito.

    Para uma variável aleatória contínua, é introduzido o conceito de função de distribuição.

    Definição. Função de distribuição probabilidades de uma variável aleatória X é uma função F(x), que determina para cada valor x a probabilidade de a variável aleatória X assumir um valor menor que x, ou seja:

    F(x) = P(X< x)

    Freqüentemente, em vez do termo “função de distribuição”, é usado o termo “função de distribuição cumulativa”.

    Propriedades da função de distribuição:

    1. Os valores da função de distribuição pertencem ao segmento:

    0 ≤ F(x) ≤ 1.

    2. A função de distribuição é uma função não decrescente, ou seja:

    se x > x,

    então F(x) ≥ F(x).

    3. A probabilidade de uma variável aleatória assumir um valor contido no intervalo:

    a probabilidade de que uma variável aleatória contínua X assumirá qualquer valor do intervalo [ a; b], é igual a uma certa integral de sua densidade de probabilidade variando de a antes b:

    .

    Neste caso, a fórmula geral da função F(x) distribuição de probabilidade de uma variável aleatória contínua, que pode ser usada se a função densidade for conhecida f(x) :

    .

    O gráfico de densidade de probabilidade de uma variável aleatória contínua é chamado de curva de distribuição (figura abaixo).

    Área de uma figura (sombreada na figura) delimitada por uma curva, linhas retas desenhadas a partir de pontos a E b perpendicular ao eixo x, e o eixo Oh, exibe graficamente a probabilidade de que o valor de uma variável aleatória contínua X está dentro da faixa de a antes b.

    Propriedades da função densidade de probabilidade de uma variável aleatória contínua

    1. A probabilidade de uma variável aleatória assumir qualquer valor do intervalo (e a área da figura que é limitada pelo gráfico da função f(x) e eixo Oh) é igual a um:

    2. A função densidade de probabilidade não pode assumir valores negativos:

    e fora da existência da distribuição seu valor é zero

    Densidade de distribuição f(x), bem como a função de distribuição F(x), é uma das formas da lei de distribuição, mas diferentemente da função de distribuição, não é universal: a densidade de distribuição existe apenas para variáveis ​​aleatórias contínuas.

    Mencionemos os dois tipos mais importantes de distribuição de uma variável aleatória contínua na prática.

    Se a função densidade de distribuição f(x) variável aleatória contínua em algum intervalo finito [ a; b] assume um valor constante C, e fora do intervalo assume um valor igual a zero, então este a distribuição é chamada uniforme .

    Se o gráfico da função densidade de distribuição for simétrico em relação ao centro, os valores médios concentram-se próximos ao centro, e ao se afastar do centro, são coletados aqueles mais diferentes da média (o gráfico da função se assemelha a uma seção de um sino), então isso distribuição é chamada normal .

    Exemplo 1. A função de distribuição de probabilidade de uma variável aleatória contínua é conhecida:

    Função encontrar f(x) densidade de probabilidade de uma variável aleatória contínua. Construa gráficos de ambas as funções. Encontre a probabilidade de uma variável aleatória contínua assumir qualquer valor no intervalo de 4 a 8: .

    Solução. Obtemos a função de densidade de probabilidade encontrando a derivada da função de distribuição de probabilidade:

    Gráfico de uma função F(x) - parábola:

    Gráfico de uma função f(x) - direto:

    Vamos encontrar a probabilidade de uma variável aleatória contínua assumir qualquer valor no intervalo de 4 a 8:

    Exemplo 2. A função de densidade de probabilidade de uma variável aleatória contínua é dada como:

    Calcular coeficiente C. Função encontrar F(x) distribuição de probabilidade de uma variável aleatória contínua. Construa gráficos de ambas as funções. Encontre a probabilidade de uma variável aleatória contínua assumir qualquer valor no intervalo de 0 a 5: .

    Solução. Coeficiente C encontramos, usando a propriedade 1 da função de densidade de probabilidade:

    Assim, a função densidade de probabilidade de uma variável aleatória contínua é:

    Integrando, encontramos a função F(x) distribuições de probabilidade. Se x < 0 , то F(x) = 0 . Se 0< x < 10 , то

    .

    x> 10, então F(x) = 1 .

    Assim, o registro completo da função de distribuição de probabilidade é:

    Gráfico de uma função f(x) :

    Gráfico de uma função F(x) :

    Vamos encontrar a probabilidade de uma variável aleatória contínua assumir qualquer valor no intervalo de 0 a 5:

    Exemplo 3. Densidade de probabilidade de uma variável aleatória contínua Xé dado pela igualdade e . Encontrar coeficiente A, a probabilidade de que uma variável aleatória contínua X assumirá qualquer valor do intervalo ]0, 5[, a função de distribuição de uma variável aleatória contínua X.

    Solução. Por condição chegamos à igualdade

    Portanto, , de onde . Então,

    .

    Agora encontramos a probabilidade de que uma variável aleatória contínua X assumirá qualquer valor do intervalo ]0, 5[:

    Agora obtemos a função de distribuição desta variável aleatória:

    Exemplo 4. Encontre a densidade de probabilidade de uma variável aleatória contínua X, que assume apenas valores não negativos, e sua função de distribuição .