Задание 1 . Плотность распределения непрерывной случайной величины Х имеет вид:
Найти:
а) параметр A ;
б) функцию распределения F(x) ;
в) вероятность попадания случайной величины X в интервал ;
г) математическое ожидание MX и дисперсию DX .
Построить график функций f(x) и F(x) .

Задание 2 . Найти дисперсию случайной величины X , заданной интегральной функцией.

Задание 3 . Найти математическое ожидание случайной величины Х заданной функцией распределения.

Задание 4 . Плотность вероятности некоторой случайной величины задана следующим образом: f(x) = A/x 4 (x = 1; +∞)
Найти коэффициент A , функцию распределения F(x) , математическое ожидание и дисперсию, а также вероятность того, что случайная величина примет значение в интервале . Построить графики f(x) и F(x) .

Задача . Функция распределения некоторой непрерывной случайной величины задана следующим образом:

Определить параметры a и b , найти выражение для плотности вероятности f(x) , математическое ожидание и дисперсию, а также вероятность того, что случайная величина примет значение в интервале . Построить графики f(x) и F(x).

Найдем функцию плотности распределения, как производную от функции распределения.
F′=f(x)=a
Зная, что найдем параметр a:

или 3a=1, откуда a = 1/3
Параметр b найдем из следующих свойств:
F(4) = a*4 + b = 1
1/3*4 + b = 1 откуда b = -1/3
Следовательно, функция распределения имеет вид: F(x) = (x-1)/3

Математическое ожидание .


Дисперсия .

1 / 9 4 3 - (1 / 9 1 3) - (5 / 2) 2 = 3 / 4
Найдем вероятность того, что случайная величина примет значение в интервале
P(2 < x< 3) = F(3) – F(2) = (1/3*3 - 1/3) - (1/3*2 - 1/3) = 1/3

Пример №1 . Задана плотность распределения вероятностей f(x) непрерывной случайной величины X . Требуется:

1. Определить коэффициент A .
2. найти функцию распределения F(x) .
3. схематично построить графики F(x) и f(x) .
4. найти математическое ожидание и дисперсию X .
5. найти вероятность того, что X примет значение из интервала (2;3).

f(x) = A*sqrt(x), 1 ≤ x ≤ 4.
Решение :

Случайная величина Х задана плотностью распределения f(x):

Найдем параметр A из условия:



или
14/3*A-1 = 0
Откуда,
A = 3 / 14

Функцию распределения можно найти по формуле.

Случайной величиной называется переменная, которая может принимать те или иные значения в зависимости от различных обстоятельств, и случайная величина называется непрерывной , если она может принимать любое значение из какого-либо ограниченного или неограниченного интервала. Для непрерывной случайной величины невозможно указать все возможные значения, поэтому обозначают интервалы этих значений, которые связаны с определёнными вероятностями.

Примерами непрерывных случайных величин могут служить: диаметр детали, обтачиваемой до заданного размера, рост человека, дальность полёта снаряда и др.

Так как для непрерывных случайных величин функция F (x ), в отличие от дискретных случайных величин , нигде не имеет скачков, то вероятность любого отдельного значения непрерывной случайной величины равна нулю.

Это значит, что для непрерывной случайной величины бессмысленно говорить о распределении вероятностей между её значениями: каждое из них имеет нулевую вероятность. Однако в некотором смысле среди значений непрерывной случайной величины есть "более и менее вероятные". Например, вряд ли у кого-либо возникнет сомнение, что значение случайной величины - роста наугад встреченного человека - 170 см - более вероятно, чем 220 см, хотя и одно, и другое значение могут встретиться на практике.

Функция распределения непрерывной случайной величины и плотность вероятности

В качестве закона распределения, имеющего смысл только для непрерывных случайных величин, вводится понятие плотности распределения или плотности вероятности. Подойдём к нему путём сравнения смысла функции распределения для непрерывной случайной величины и для дискретной случайной величины.

Итак, функцией распределения случайной величины (как дискретной, так и непрерывной) или интегральной функцией называется функция , которая определяет вероятность, что значение случайной величины X меньше или равно граничному значению х .

Для дискретной случайной величины в точках её значений x 1 , x 2 , ..., x i ,... сосредоточены массы вероятностей p 1 , p 2 , ..., p i ,... , причём сумма всех масс равна 1. Перенесём эту интерпретацию на случай непрерывной случайной величины. Представим себе, что масса, равная 1, не сосредоточена в отдельных точках, а непрерывно "размазана" по оси абсцисс Оx с какой-то неравномерной плотностью. Вероятность попадания случайной величины на любой участок Δx будет интерпретироваться как масса, приходящаяся на этот участок, а средняя плотность на этом участке - как отношение массы к длине. Только что мы ввели важное понятие теории вероятностей: плотность распределения.

Плотностью вероятности f (x ) непрерывной случайной величины называется производная её функции распределения:

.

Зная функцию плотности, можно найти вероятность того, что значение непрерывной случайной величины принадлежит закрытому интервалу [a ; b ]:

вероятность того, что непрерывная случайная величина X примет какое-либо значение из интервала [a ; b ], равна определённому интегралу от её плотности вероятности в пределах от a до b :

.

При этом общая формула функции F (x ) распределения вероятностей непрерывной случайной величины, которой можно пользоваться, если известна функция плотности f (x ) :

.

График плотности вероятности непрерывной случайной величины называется её кривой распределения (рис. ниже).

Площадь фигуры (на рисунке заштрихована), ограниченной кривой, прямыми, проведёнными из точек a и b перпендикулярно оси абсцисс, и осью Ох , графически отображает вероятность того, что значение непрерывной случайной величины Х находится в пределах от a до b .

Свойства функции плотности вероятности непрерывной случайной величины

1. Вероятность того, что случайная величина примет какое-либо значение из интервала (и площадь фигуры, которую ограничивают график функции f (x ) и ось Ох ) равна единице:

2. Функция плотности вероятности не может принимать отрицательные значения:

а за пределами существования распределения её значение равно нулю

Плотность распределения f (x ), как и функция распределения F (x ), является одной из форм закона распределения, но в отличие от функции распределения, она не универсальна: плотность распределения существует только для непрерывных случайных величин.

Упомянем о двух важнейших в практике видах распределения непрерывной случайной величины.

Если функция плотности распределения f (x ) непрерывной случайной величины в некотором конечном интервале [a ; b ] принимает постоянное значение C , а за пределами интервала принимает значение, равное нулю, то такое распределение называется равномерным .

Если график функции плотности распределения симметричен относительно центра, средние значения сосредоточены вблизи центра, а при отдалении от центра собираются более отличающиеся от средних (график функции напоминает разрез колокола), то такое распределение называется нормальным .

Пример 1. Известна функция распределения вероятностей непрерывной случайной величины:

Найти функцию f (x ) плотности вероятности непрерывной случайной величины. Построить графики обеих функций. Найти вероятность того, что непрерывная случайная величина примет какое-либо значение в интервале от 4 до 8: .

Решение. Функцию плотности вероятности получаем, находя производную функции распределения вероятностей:

График функции F (x ) - парабола:

График функции f (x ) - прямая:

Найдём вероятность того, что непрерывная случайная величина примет какое либо значение в интервале от 4 до 8:

Пример 2. Функция плотности вероятности непрерывной случайной величины дана в виде:

Вычислить коэффициент C . Найти функцию F (x ) распределения вероятностей непрерывной случайной величины. Построить графики обеих функций. Найти вероятность того, что непрерывная случайная величина примет какое-либо значение в интервале от 0 до 5: .

Решение. Коэффициент C найдём, пользуясь свойством 1 функции плотности вероятности:

Таким образом, функция плотности вероятности непрерывной случайной величины:

Интегрируя, найдём функцию F (x ) распределения вероятностей. Если x < 0 , то F (x ) = 0 . Если 0 < x < 10 , то

.

x > 10 , то F (x ) = 1 .

Таким образом, полная запись функции распределения вероятностей:

График функции f (x ) :

График функции F (x ) :

Найдём вероятность того, что непрерывная случайная величина примет какое либо значение в интервале от 0 до 5:

Пример 3. Плотность вероятности непрерывной случайной величины X задана равенством , при этом . Найти коэффициент А , вероятность того, что непрерывная случайная величина X примет какое-либо значение из интервала ]0, 5[, функцию распределения непрерывной случайной величины X .

Решение. По условию приходим к равенству

Следовательно, , откуда . Итак,

.

Теперь находим вероятность того, что непрерывная случайная величина X примет какое-либо значение из интервала ]0, 5[:

Теперь получим функцию распределения данной случайной величины:

Пример 4. Найти плотность вероятности непрерывной случайной величины X , которая принимает только неотрицательные значения, а её функция распределения .

Случайной величиной Называется величина, которая в результате испытаний, проводимых в одних и тех же условиях, принимает различные, вообще говоря, значения, зависящие от не учитываемых случайных факторов. Примеры случайных величин: число выпавших очков на игральной кости, число дефектных изделий в партии, отклонение точки падения снаряда от цели, время безотказной работы устройства и т. п. Различают дискретные и непрерывные случайные величины. Дискретной Называется случайная величина, возможные значения которой образуют счетное множество, конечное или бесконечное (т. е. такое множество, элементы которого могут быть занумерованы).

Непрерывной Называется случайная величина, возможные значения которой непрерывным образом заполняют некоторый конечный или бесконечный интервал числовой оси. Число значений непрерывной случайной величины всегда бесконечно.

Случайные величины будем обозначать заглавными буквами конца латинского алфавита: X , Y , ...; значения случайной величины – строчными буквами: Х, у, ... . Таким образом, X Обозначает всю совокупность возможных значений случайной величины, а Х – Некоторое ее конкретное значение.

Законом распределения дискретной случайной величины называется задаваемое в любой форме соответствие между возможными значениями случайной величины и их вероятностями.

Пусть возможными значениями случайной величины X Являются . В результате испытания случайная величина примет одно из этих значений, т. е. Произойдет одно событие из полной группы попарно несовместных событий.

Пусть также известны вероятности этих событий:

Закон распределения случайной величины X Может быть записан в виде таблицы, которую называют Рядом распределения Дискретной случайной величины:

Для ряда распределения имеет место равенство (условие нормировки).

Пример 3.1. Найти закон распределения дискретной случайной величины X – числа появлений «орла» при двух бросаниях монеты.

Функция распределения является универсальной формой задания закона распределения как дискретных, так и непрерывных случайных величин.

Функцией распределения случайной величины X Называется функция F (X ), Определенная на всей числовой оси следующим образом:

F (X )= Р (Х < х ),

Т. е. F (X ) есть вероятность того, что случайная величина X Примет значение меньшее, чем X .

Функцию распределения можно представить графически. Для дискретной случайной величины график имеет ступенчатый вид. Построим, например, график функции распределения случайной величины, заданной следующим рядом (рис. 3.1):

Рис. 3.1. График функции распределения дискретной случайной величины

Скачки функции происходят в точках, соответствующих возможным значениям случайной величины, и равны вероятностям этих значений. В точках разрыва функция F (X ) непрерывна слева.

График функции распределения непрерывной случайной величины представляет собой непрерывную кривую.

X

Рис. 3.2. График функции распределения непрерывной случайной величины

Функция распределения обладает следующими очевидными свойствами:

1) , 2) , 3) ,

4) при .

Будем называть событие, состоящее в том, что случайная величина X Принимает значение Х, Принадлежащее некоторому полузамкнутому интервалу A £ х < B , Попаданием случайной величины на интервал [A , B ).

Теорема 3.1 . Вероятность попадания случайной величины на интервал [A , B ) равна приращению функции распределения на этом интервале:

Если уменьшать интервал [A , B ), Полагая, что , то в пределе формула (3.1) вместо вероятности попадания на интервал дает вероятность попадания в точку, т. е. вероятность того, что случайная величина примет значение A :

Если функция распределения имеет разрыв в точке A , То предел (3.2) равен значению скачка функции F (X ) в точке Х =A , Т. е. вероятности того, что случайная величина примет значение A (рис. 3.3, А ). Если же случайная величина непрерывна, т. е. непрерывна функция F (X ), то предел (3.2) равен нулю (рис. 3.3, Б )

Таким образом, вероятность любого конкретного значения непрерывной случайной величины равна нулю. Однако это не означает невозможности события Х= A , А лишь говорит о том, что относительная частота этого события будет стремиться к нулю при неограниченном увеличении числа испытаний.

А ) Б )

Рис. 3.3. Скачок функции распределения

Для непрерывных случайных величин наряду с функцией распределения используется еще одна форма задания закона распределения – плотность распределения.

Если – вероятность попадания на интервал , то отношение характеризует плотность, с которой вероятность распределена в окрестности точки X . Предел этого отношения при ,т. е. производная , называется Плотностью распределения (плотностью распределения вероятностей, плотностью вероятности) случайной величины X . Условимся плотность распределения обозначить

.

Таким образом, плотность распределения характеризует вероятность попадания случайной величины в окрестность точки Х.

График плотности распределения называют Кривой рас Пределения (Рис. 3.4).

Рис. 3.4. Вид плотности распределения

Исходя из определения и свойств функции распределения F (X ), нетрудно установить следующие свойства плотности распределения F (X ):

1) F (X )³0

2)

3)

4)

Для непрерывной случайной величины в силу того, что вероятность попадания в точку равна нулю, имеют место следующие равенства:

Пример 3.2. Случайная величина X Задана плотностью распределения

Требуется:

А) найти значение коэффициента А;

Б) найти функцию распределения;

В) найти вероятность попадания случайной величины на интервал (0, ).

Функция распределения или плотность распределения полностью описывают случайную величину. Часто, однако, при решении практических нет необходимости в полном знании закона распределения, достаточно знать лишь некоторые его характерные черты. Для этого в теории вероятностей используются числовые характеристики случайной величины, выражающие различные свойства закона распределения. Основными числовыми характеристиками являются Математическое Ожидание, дисперсия и среднее квадратическое отклонение .

Математическое ожидание Характеризует положение случайной величины на числовой оси. Это некоторое среднее значение случайной величины, около которого группируются все ее возможные значения.

Математическое ожидание случайной величины X Обозначают символами М (Х ) или Т . Математическим ожиданием дискретной случайной величины называется сумма парных произведений всех возможных значений случайной величины на вероятности этих значений:

Математическое ожидание непрерывной случайной величины определяется с помощью несобственного интеграла:

Исходя из определений, нетрудно убедиться в справедливости следующих свойств математического ожидания:

1. (математическое ожидание неслучайной величины С Равно самой неслучайной величине).

2. Если ³0, то ³0.

4. Если и Независимы , то .

Пример 3.3. Найти математическое ожидание дискретной случайной величины, заданной рядом распределения:

Решение .

=0×0.2 + 1×0.4 + 2×0.3 + 3×0.1=1.3.

Пример 3.4. Найти математическое ожидание случайной величины, заданной плотностью распределения:

.

Решение .

Дисперсия и среднее квадратическое отклонение Являются характеристиками рассеивания случайной величины, они характеризуют разброс ее возможных значений относительно математического ожидания.

Дисперсией D (X ) Случайной величины X Называется математическое ожидание квадрата отклонения случайной величины от ее математического ожидания Для дискретной случайной величины дисперсия выражается суммой:

(3.3)

А для непрерывной – интегралом

(3.4)

Дисперсия имеет размерность квадрата случайной величины. Характеристикой рассеивания, Совпадающей по размерно Сти со случайной величиной , служит среднее квадратическое отклонение.

Свойства дисперсии:

1) – постоянные. В частности,

3)

В частности,

Заметим, что вычисление дисперсии по формуле (3.5) часто оказывается более удобным, чем по формуле (3.3) или (3.4).

Величина называется Ковариацией случайных величин .

Если , то величина

Называется Коэффициентом корреляции случайных величин .

Можно показать, что если , то величины линейно зависимы: где

Отметим, что если независимы, то

Пример 3.5. Найти дисперсию случайной величины, заданной рядом распределения из примера 1.

Решение . Чтобы вычислить дисперсию, необходимо знать математическое ожидание. Для данной случайной величины выше было найдено: M =1.3. Вычисляем дисперсию по формуле (3.5):

Пример 3.6. Случайная величина задана плотностью распределения

Найти дисперсию и среднее квадратическое отклонение.

Решение . Находим сначала математическое ожидание:

(как интеграл от нечетной функции по симметричному промежутку).

Теперь вычисляем дисперсию и среднее квадратическое отклонение:

1. Биномиальное распределение . Случайная величина , равная числу «УСПЕХОВ» в схеме Бернулли, имеет биномиальное распределение: , .

Математическое ожидание случайной величины, распределённой по биноминальному закону, равно

.

Дисперсия этого распределения равна .

2. Распределение Пуассона ,

Математическое ожидание и дисперсия случайной величины с распределением Пуассона , .

Распределение Пуассона часто используется, когда мы имеем дело с числом событий, появляющихся в промежутке времени или пространства, например: число машин, прибывших на автомойку в течении часа, число остановок станков в неделю, число дорожных происшествий и т. д.

Случайная величина имеет Геометрическое распределение с параметром , если принимает значения с вероятностями . Случайная величина с таким распределением имеет смысл Номера первого успешного испытания в схеме Бернулли с вероятностью успеха . Таблица распределения имеет вид:

3. Нормальное распределение . Нормальный закон распределения вероятностей занимает особое место среди других законов распределения. В теории вероятности доказывается, что плотность вероятности суммы независимых или Слабо зависимых , равномерно малых (т. е. играющих примерно одинаковую роль) слагаемых при неограниченном увеличении их числа как угодно близко приближается к нормальному закону распределению независимо от того, какие законы распределения имеют эти слагаемые (центральная предельная теорема А. М. Ляпунова).

………………………………………………………

Аn - случайная величина Х приняла значение An.

Очевидно, что сумма событий A1 A2, . , An является достоверным событием, так как хотя бы одно из значений x1, x2, xn случайная величина обязательно принимает.

Поэтому P (A1 È А2 È . È Аn) = 1.

Кроме того, события А1, А2, ., An - несовместны, т. к. случайная величина при однократном осуществлении опыта может принять только одно из значений х1, х2, ., xn. По теореме сложения для несовместных событий получаем

Р(А1)+Р(А2)+ .+Р(Аn)=1,

т. е. p1+p2+ . +pn = 1, или, короче,

Следовательно, сумма всех чисел, расположенных во второй стро­ке Таблицы 1, дающей закон распределения случайной величины X, должна быть равна единице.

ПРИМЕР 1 . Пусть случайная величина Х - число очков, выпавших при подбрасывании игральной кости. Найти закон распределения (в виде таблицы).

Случайная величина Х принимает значения

x1=1, х2=2, … , x6=6

с вероятностями

р1= р2 = … = р6 =

Закон распределения задается таблицей:

Таблица 2

ПРИМЕР 2. Биноминальное распределение. Рассмотрим случайную величину Х - число появлений события А в серии из независимых опытов, в каждом из которых А насту­пает с вероятностью р.

Случайная величина Х может, очевидно, принимать одно из следующих значений:

0, 1, 2, ., k, ., n.

Вероятность события, состоящего в том, что случайная величина Х примет значение, равное k, определяется формулой Бернулли:

Рn(k)= где q=1- р.

Такое распределение случайной величины называется биномиальным распределением или распределением Бернулли. Распределение Бернулли полностью задается двумя параметрами: числом n всех опытов и вероятностью р, с которой событие происходит в каждом отдельном опыте.

Условие для биномиального распределения принимает вид:

Для доказательства справедливости этого равенства достаточно в тождестве

(q+рх)n=

положить x=1.

ПРИМЕР 3. Распределение Пуассона. Так называется распределение вероятностей вида:

Р(k)=.

Оно определяется одним единственным (положительным) параметром а. Если ξ – случайная величина, имеющая распределение Пуассона, то соответствующий параметр а - есть среднее значение этой случайной величины:

а=Мξ=, где М – математическое ожидание.

Случайная величина равна:

ПРИМЕР 4. Показательное распределение.

Если время является случайной величиной, обозначим его τ, таково, что

где 0<λ=const, t ³ 0, причем, если t=0, то P(t)=0.

Среднее значение случайной величины t есть:

Плотность распределения имеет вид:

4) Нормальное распределение

Пусть - независимые, одинаково распределенные случайные величины и пусть Если слагаемые достаточно малы, а число n достаточно велико, - если при n à ∞ математическое ожидание случайной величины Мξ и дисперсия Dξ равная Dξ=M(ξ–Мξ)2, таковы, что Мξ~а, Dξ~σ2, то

- нормальное или гауссово распределение

.

5) Геометрическое распределение. Обозначим ξ число испытаний, предшествующих наступлению первого "успеха". Если считать, что каждое испытание длится единицу времени, то можно считать ξ временем ожидания до первого "успеха". Распределение имеет вид:

Р(k)=p(1-p)k, (k=0, 1, 2) p>0

6) Гипергеометрическое распределение.

Имеется N – объектов среди которых n - "особых объектов". Среди всех объектов случайным образом выбирается k-объектов. Найти вероятность того, что среди отобранных объектов находится равно r - "особых объектов". Распределение имеет вид:

7) Распределение Паскаля.

Пусть x - общее число "неудач", предшествующих поступлению r-го "успеха". Распределение имеет вид:

Функция распределения имеет вид:

Равновероятностное распределение подразумевает, что случайная величина x может принимать любые значения на отрезке с одинаковой вероятностью. Плотность распределения при этом вычисляется как

Графики плотности распределения и функция распределения представлены ниже.

Перед тем, как объяснить понятие «белый шум», необходимо дать ряд определений.

Случайной функцией называют функцию неслучайного аргумента t, которая при каждом фиксированном значении аргумента, является случайной величиной. Например, если U – случайная величина, то функция X(t)=t2U – случайная.

Сечением случайной функции называют случайную величину, соответствующую фиксированному значению аргумента случайной функции. Таким образом, случайную функцию можно рассматривать как совокупность случайных величин {X(t)}, зависящих от параметра t.

Понятия математического ожидания М (Х ) и дисперсии D (X ), введенные ранее для дискретной случайной величины, можно распространить на непрерывные случайные величины.

· Математическое ожидание М (Х ) непрерывной случайной величины Х определяется равенством:

при условии, что этот интеграл сходится.

· Дисперсия D (X ) непрерывной случайной величины Х определяется равенством:

· Среднее квадратическое отклонение σ(Х ) непрерывной случайной величины определяется равенством:

Все свойства математического ожидания и дисперсии, рассмотренные ранее для дискретных случайных величин, справедливы и для непрерывных.

Задача 5.3. Случайная величина Х задана дифференциальной функцией f (x ):

Найти M (X ), D (X ), σ(Х ), а также P (1 < х < 5).

Решение:

M (X )= =

+ = 8/9 0+9/6 4/6=31/18,

D (X )=

= = /

P 1 =

Задачи

5.1. Х

f (x ), а также

Р (‒1/2 < Х < 1/2).

5.2. Непрерывная случайная величина Х задана функцией распределения:

Найти дифференциальную функцию распределения f (x ), а также

Р (2π /9 < Х < π /2).

5.3. Непрерывная случайная величина Х

Найти: а) число с ; б) М (Х ), D (X ).

5.4. Непрерывная случайная величина Х задана плотностью распределения:

Найти: а) число с ; б) М (Х ), D (X ).

5.5. Х :

Найти: а) F (х ) и построить ее график; б) M (X ), D (X ), σ(Х ); в) вероятность того, что в четырех независимых испытаниях величина Х примет ровно 2 раза значение, принадлежащее интервалу (1;4).

5.6. Задана плотность распределения вероятностей непрерывной случайной величины Х :

Найти: а) F (х ) и построить ее график; б) M (X ), D (X ), σ(Х ); в) вероятность того, что в трех независимых испытаниях величина Х примет ровно 2 раза значение, принадлежащее отрезку .

5.7. Функция f (х ) задана в виде:

с Х ; б) функцию распределения F (x ).

5.8. Функция f (x ) задана в виде:

Найти: а) значение постоянной с , при которой функция будет плотностью вероятности некоторой случайной величины Х ; б) функцию распределения F (x ).

5.9. Случайная величина Х , сосредоточенная на интервале (3;7), задана функцией распределения F (х )= Х примет значение: а) меньше 5, б) не меньше 7.

5.10. Случайная величина Х , сосредоточенная на интервале (-1;4), задана функцией распределения F (х )= . Найти вероятность того, что случайная величина Х примет значение: а) меньше 2, б) меньше 4.

5.11.

Найти: а) число с ; б) М (Х ); в) вероятность Р (Х > М (Х )).

5.12. Случайная величина задана дифференциальной функцией распределения:

Найти: а) М (Х ); б) вероятность Р (Х ≤ М (Х )).

5.13. Распределение Ремя задается плотностью вероятности:

Доказать, что f (x ) действительно является плотностью распределения вероятностей.

5.14. Задана плотность распределения вероятностей непрерывной случайной величины Х :

Найти число с .

5.15. Случайная величина Х распределена по закону Симпсона (равнобедренного треугольника) на отрезке [-2;2] (рис. 5.4). Найти аналитическое выражение для плотности вероятности f (x ) на всей числовой оси.

Рис. 5.4 Рис. 5.5

5.16. Случайная величина Х распределена по закону "прямоугольного треугольника" в интервале (0;4) (рис. 5.5). Найти аналитическое выражение для плотности вероятности f (x ) на всей числовой оси.

Ответы

P (-1/2<X <1/2)=2/3.

P (2π /9<Х < π /2)=1/2.

5.3. а) с =1/6, б) М (Х )=3 , в) D (X )=26/81.

5.4. а) с =3/2, б) М (Х )=3/5, в) D (X )=12/175.

б) M (X )= 3 , D (X )= 2/9, σ(Х )= /3.

б) M (X )=2 , D (X )= 3 , σ(Х )= 1,893.

5.7. а) с = ; б)

5.8. а) с =1/2; б)

5.9. а)1/4; б) 0.

5.10. а)3/5; б) 1.

5.11. а) с = 2; б) М (Х )= 2; в) 1-ln 2 2 ≈ 0,5185.

5.12. а) М (Х )= π /2 ; б) 1/2