Теория вероятностей и математическая статистика. Нормальное распределение случайной величины.

Теория вероятностей и математическая статистика. Нормальное распределение случайной величины.

Видео лекция по теме "Нормальное распределение случайной величины". Читает доцент, кандидат физико-математических наук Бояршинов Б.С.

Комментарии преподавателя

8.1. Функция нормального распределения

Одним из наиболее часто встречающихся распределений является нормальное распределение. Оно играет большую роль в теории вероятностей и ее приложениях. Фундаментальная роль, которую играет нормальное распределение, объясняется тем, что суммы случайных величин с ростом числа слагаемых при довольно широких предположениях ведут себя асимптотически нормально (см. тему "Центральная предельная теорема").

Плотность функции нормального распределения имеет вид

. (8.1)

Функция нормального распределения имеет вид

. (8.2)

Однако часто вместо функции нормального распределения используется функция Лапласа.

Пусть a=0, =1, то получим

. (8.3)

Такая функция называется стандартным нормальным распределением. Запишем данную функцию в следующем виде

.

Поскольку F0(+)=1, то в силу симметрии первое слагаемое равно 0,5, а второе слагаемое есть функция Лапласа

. (8.4)

Таким образом,

.

Отсюда получаем равенство

, (8.5)

связывающее функцию нормального распределения и функцию Лапласа.

Для стандартного нормального распределения и функции Лапласа существуют обширные таблицы. Однако здесь нужно иметь в виду, что иногда вместо рассмотренных функций используют функции

. (8.6)

или интеграл ошибок

. (8.7)

Замечание.Открытие нормального распределения связано с именами
К. ГауссаиП. Лапласа, у которых оно впервые появилось связи с исследованием по теории ошибок и методу наименьших квадратов. Поэтому нормальное распределение называют ещераспределением Лапласа-Гаусса, или простораспределением ГауссаилиЛапласа.

Найдем математическое ожиданиенормального распределения:

.

Вычислим дисперсию:

.

Таким образом,

M[X] =a,D[X] =2,

т.е. нормальное распределение характеризуется двумя параметрами: a, имеющему смысл математического ожидания, и, имеющему смысл среднего квадратичного отклонения.

 

Рис. 8.1

График плотности функции нормального распределения имеет следующий вид (кривая Гаусса). Максимум будет при x=a, точки перегиба в точкахa– и a+. Кривая симметрична относительно прямой x=a. С уменьшением  кривая становится все более островершинной.

 

 Вероятность попадания нормально 
распределенной случайной величины
в заданный интервал

Известно, что если случайная величина X задана плотностью распределенияf(x), то вероятность того, что X примет значение, принадлежащее интервалу(,), имеет вид

.

В случае нормального распределения эта формула примет следующий вид

. (8.8)

Часто требуется вычислить вероятность того, что отклонение случайной величины X по абсолютной величине меньше заданного положительного числа , т.е. требуется найти вероятность осуществления неравенства|X–a|<. Заметим, что неравенство равносильным ему двойным неравенствомa–a+. Тогда

.

Таким образом,

. (8.9)

В частности, если , то

P(|X–a|<) = 2(1) = 0,6827;

если 2, то

P(|X–a|<2) = 2(2) = 0,9545;

если , то

P(|X–a|<3) = 2(3) = 0,9973.

Последнее равенство показывает, что во многих практических вопросах при рассмотрении нормального распределения можно пренебречь возможностью отклонения случайной величины от aбольше, чем 3 Это есть т.н. правило"трех сигм".

Например, каждому кто занимался измерениями, встречался с ситуацией, когда появляется "дикое значение". В связи с этим возникает проблема: исключать это значение или его следует оставить. Так, при разработке норматива времени для изготовления одной детали проделали следующие измерения: 5,0; 4,8; 5,2; 5,3; 5,0; 6,1. Последнее число сильно отличается от других. В связи с этим возникает вопрос, не скрыта ли здесь ошибка в измерениях. Вычислим среднее значениеи среднее квадратичное отклонение=0,46. После этого построим "трехсигмовый" интервал: (4,84; 6,61). Поскольку значениеx=6,1 не выходит за пределы трехсигмовой зоны, то его нельзя считать "диким".

Другой пример. На конвейере изготовляются детали. На основании статистических данных контроля деталей вычисляют среднее квадратичное отклонение. Затем строят прямую средней линии, окаймленную трехсигмовой полосой. Если точки контрольных измерений находятся внутри трехсигмовой полосы, то технологический процесс следует считать стабильным и качество продукции высоким. Если точки близки к контрольным линиям, но не выходят за пределы трехсигмовой зоны, то это указывает на разладку технологического процесса. Если же точки выходят за пределы трехсигмовой зоны, то это означает, что идет брак.

Пример 8.1.Автомат изготовляет шарики. Шарик считается годным, если отклонение диаметра шарикаX от проектного по абсолютной величине не превышает 0,7мм. Считая, что случайная величинаX распределена нормально со средним квадратичным отклонением 0,4мм, определить, сколько процентов годных шариков изготовляет автомат.

Решение.Поскольку=0,4 мми=0,7 мм, то

Следовательно, автомат изготовляет 92% годных деталей.

Источник конспекта: http://www.studfiles.ru/preview/2152499/

Источник видео: https://www.youtube.com/watch?v=TIzPI7cxe2E

Файлы

Нет дополнительных материалов для этого занятия.