Гусев / Методы научных исследований
.pdfЧетвертый центральный момент μ4 участвует в вычислении коэффициента эксцесса распределения случайной величины γ2 (рис. 2.4.):
γ2 = μ4 σx4 −3 .
Рис. 2.4. Плотность распределения случайной величины x с различными коэффициентами эксцесса
и одинаковыми μ1 и μ2
Кроме моментов функции распределения характеризуются отдельными значениями - квантилями. Квантилем xp распределения случайной величины x с функцией распределения F(x) называется такое значение случайной величины x , для которой выполняется условие:
P(x < xp )= p .
Например, квантиль x0,5 называется медианой и рассекает площадь между кривой плотности вероятности и осью абсцисс пополам (рис. 2.5).
31
Рис. 2.5. Графическое представление медианы распределения
Для характеристики случайной величины x часто используют понятие о нормированной случайной величине - x0 : x0 = (x − mx )/σ x , тогда mx.0 = 0 и σx2.0 =1.
2.2. Свойства математического ожидания и дисперсии
Математическое ожидание (обозначается M (x) или mx ) дискретной случайной величины x равно:
n
M (x) = ∑xi pi ,
i =1
где pi - вероятность случайной величины xi .
Для непрерывных случайных величин математическое ожидание выражается интегралом:
+∞
M (x) = mx = ∫xf (x)dx .
−∞
Математическое ожидание и дисперсия обладают следующими свойствами:
1. Математическое ожидание неслучайной величины с равно значению этой величины:
М(с)= с;
32
2. Неслучайную величину можно вынести за знак математического ожидания:
M(cx)= cM (x).
3.Математическое ожидание суммы случайных величин равно сумме математических ожиданий этих случайных величин:
M (x1 + x2 + x3 +.... + xi )= M (x1 )+ M (x2 )+ M (x3 )+... + M (xi ).
4. Математическое ожидание произведения случайных величин равно произведению математических ожиданий этих случайных величин:
M(x1 * x2 * x3 *....* xi )= M (x1 )* M (x2 )* M (x3 )*...* M (xi ).
1.Дисперсия неслучайной величины с равна 0:
σc2 = D(c)= 0 .
2.Неслучайную величинус можно выносить за знак дисперсии; возведя ее в квадрат:
D(cx)= c2 D(x)= c2σx2 .
3.Дисперсия случайной величины x равна математическому ожиданию квадрата случайной величины минус квадрат ее математического ожидания
σx2 = D(x)= M (x2 )− mx2 .
4.Дисперсия суммы независимых случайных величин равна сумме дисперсий этих величин:
D(x + x |
2 |
+.... + x )= D(x )+ D(x |
)+... + D(x )=σ2 |
+σ2 |
+... +σ2 |
|||
1 |
i |
1 |
2 |
i |
x1 |
x2 |
xi |
2.3. Виды распределения случайной величины
Распределение случайной величины в некотором интервале возможных значений может быть произвольным. В практическом использовании теории вероятности применяются только наиболее изученные законы распределения. К ним относятся: равномерное, биноминальное (Бернулли), нормальное, экспоненциальное.
33
2.3.1. Равномерное распределение
Равномерным, называется распределение, для которого плотность вероятности постоянна в определенном интервале значений случайной величины и равна нулю вне этого интер-
вала (рис. 2.6.).
f(x) |
а) |
|
F(x) |
|
|
б) |
|
|
|
|
|
|
|
|
|||
с= |
1 |
|
|
1.0 |
|
|
|
|
|
b − a |
|
|
|
|
|
|
|
|
0 |
a1 |
b2 |
x |
0 |
a1 |
b2 |
x |
|
|
|
Рис. 2.6. Графики плотности вероятности а) и функции б) равномерного распределения
f (x)
F(x)
|
1 |
|
при |
a ≤ |
|||
|
|
|
|
||||
|
|
|
|||||
= b − a |
|
|
|
||||
0 |
при |
x |
< a |
||||
|
|
|
|
|
|
||
x − a |
|
при |
a ≤ |
||||
|
|
|
|||||
b − a |
|
||||||
|
при |
x |
< a |
||||
= 0 |
|||||||
1 при x > b |
|
||||||
|
|
|
|
|
|
||
|
|
|
|
|
|
x ≤ b
x> b
x≤ b
Математическое ожидание случайной величины x , равномерно распределенной в интервале ( a,b ) равно:
mx = |
b |
xf (x)dx = |
b |
x |
dx = |
a +b |
||
|
|
|
|
|
||||
∫ |
∫b − a |
2 . |
||||||
|
|
|
||||||
|
a |
|
a |
|
|
|
|
34
Дисперсия σx2 |
равна: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
b |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
b |
|
|
|
|
|
|
a + b |
|
|
|
|
(b − a)2 |
|
||||||||
|
σx2 = ∫ f (x)(x − m)2 dx = |
|
|
|
|
|
∫ |
(x − |
)2 dx = |
. |
||||||||||||||||||||||||||||||||||||
|
b |
|
|
|
|
|
|
|
12 |
|||||||||||||||||||||||||||||||||||||
|
|
|
|
a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
− a a |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|||||||||||
Коэффициент асимметрии γ3 : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
b |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
b |
|
|
|
|
|
|
a + b |
|
|
|
|
||||
|
|
|
|
|
|
|
∫ |
(x |
= mx )3 |
|
f (x)dx |
|
|
|
|
|
|
|
∫ |
(x |
− |
)3 dx |
||||||||||||||||||||||||
|
|
|
μ |
|
|
|
|
|
|
|
b |
− a |
|
|
||||||||||||||||||||||||||||||||
γ |
|
= |
3 |
|
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
= |
|
|
|
|
|
2 |
|
|
|
= |
|
||||||||||||||||
3 |
|
|
a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a |
|
|
|
|
|
|
|
|
|
|
|
||||||||
σ |
3 |
|
|
|
|
|
|
σ |
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
σ3 |
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
x |
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
. |
|
||||||
|
|
|
1 |
|
|
|
|
|
( |
b − a |
) |
4 |
|
− ( |
a − b |
) |
4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
= |
|
|
|
|
|
|
2 |
|
|
|
|
2 |
|
|
|
|
|
= 0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
(b − a)σx3 |
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
Коэффициент эксцесса |
γ4 : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
γ 4 = μ4 σx4 − 3; |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
b |
|
|
a |
+ b |
|
|
|
|
|
|
|
|
|
|
(b − a)4 |
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∫a (x − |
|
|
|
4 |
dx |
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
μ4 = |
|
|
|
|
|
|
|
|
) |
|
= |
|
|
|
|
; |
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
b − a |
|
|
2 |
|
|
|
|
|
|
80 |
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
γ4 = |
|
(b − a)4 144 |
|
|
−3 = −1,2 . |
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
80 (b − a) |
4 |
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Медиана случайной величины х будет равна математическому ожиданию:
x0,5 = mx = a +2 b
2.3.2. Биноминальное распределение (Бернулли)
Если осуществление некоторого события происходит с постоянной вероятностью p и эта вероятность не зависит от результата предыдущих испытаний, то вероятность наступления m событий при n испытаниях (m и n - целые числа) вычисляется по формуле, предложенной швейцарским математиком Я. Бернулли:
Pn (m) = n(n −1)......(n − m +1) pm (1− p)n−m m!
35
и такое распределение называется биноминальным или Бернулли.
Наиболее распространенным примером биноминального распределения является бросание монеты. В этом случае p = 0,5 . Естественно, что биноминальное распределение относится к дискретным величинам.
2.3.3. Нормальное распределение случайных величин
Случайная величина x называется распределенной по нормальному закону, если ее плотность распределения имеет
вид: |
|
|
|
|
|
|
|
|
|
1 |
|
|
(x − m |
x |
)2 |
|
|
f (x) = |
|
EXP |
− |
|
|
|
,−∞ < x < +∞ |
|
|
2 |
|
||||||
|
2πσx2 |
|
|
|
|
|
||
|
|
|
2σx |
|
|
|
где mx и σx2 - математическое ожидание и дисперсия случайной величины x .
Функция распределения:
|
1 |
+∞ |
− |
( x−mx )2 |
||
F(x) = |
e |
2σx2 |
dx . |
|||
|
|
|||||
2πσx2 |
−∞∫ |
|
|
|
В природе множество событий происходит случайно, вследствие воздействия на них большого числа относительно «равновеликих» независимых возмущений. У таких явлений закон распределения близок к нормальному. График плотности нормального распределения называется нормальной кривой или кривой Гаусса.
36
f(x)
x1
|
|
|
x |
|
0 |
|
|
||
|
|
|||
mx |
||||
|
Рис. 2.7. График плотности нормального распределения
Центральные моменты μs (x) случайной величины, вероятность которой имеет нормальное распределение, определяются следующим образом [3]:
∞ |
1 |
( x − m )s e− |
( x−m )2 |
||
μs [ x ] = ∫( x − m )s f ( x )dx = |
2σ 2 |
dx , |
|||
σ 2π |
|||||
−∞ |
|
|
|
или после преобразований получается:
μs = (s −1)σ 2 μs−2 ,
где s = 0,1,2,3….
Эта формула представляет собой простое рекуррентное соотношение, позволяющее выражать центральные моменты более высоких четных порядков через центральные моменты более низких. В частности, учитывая, что для любой случайной величины μ0 =1, получается: μ2 =σ 2 ; μ4 =3σ 2 ; μ6 =3 5σ 2 и т.д.
Следовательно, эксцесс нормального распределения равен нулю:
γ 2 = σμ44 −3 = 0
37
Нормальное распределение для нормированной случайной величины называется стандартным. Его функция распределения имеет вид:
|
|
|
1 |
x |
− |
x2 |
|
x −m |
|
|
F0 = |
|
−∞∫e |
2 dx , x0 = |
|
||||||
|
|
|
x |
. |
|
|||||
|
2π |
σx |
|
|||||||
Вероятность попадания случайной величины x |
со стан- |
|||||||||
дартным нормальным распределением в интервал |
(x1 − x2 ) |
|||||||||
вычисляется через F0 : |
|
|
|
|
|
|
|
|
||
P(x1 ≤ x0 ≤ x2 )= F0 (x2 )− F0 (x1 )= Ф(x2 )−Ф(x1 ), |
||||||||||
где Ф(x)= F0 (x)−1 2 |
- Функция Лапласа. |
|
|
|
||||||
Если принять, |
что |
x1 |
и |
x2 симметричны относительно |
математического ожидания mx , то функцию Лапласа можно использовать для исключения грубой ошибки (результат измерений, содержащий заведомый промах и, как следствие, необъективно оценивающий физический эффект) в опытах.
Допуская, что результаты измерений содержат случайные ошибки, величина которых подчиняется нормальному закону, проверяют условие попадания результата опыта в заранее назначенный интервал. Величину интервала удобно привязывать к стандартному отклонению σ .
Абсолютное отклонение x результата измерения (случайная величина) x от математического ожидания mx составляет ошибку измерения: x = x − mx .
Требуется найти вероятность того, что абсолютные отклонения случайной величины не превысит некоторого заданного числа ε :
P( x ≤ ε)= P(mx −ε ≤ x ≤ mx +ε).
Для нормированной случайной величины mx = 0 :
P( x0 ≤ ε)= P(−ε ≤ x ≤ +ε)= Ф(+ε)−Ф(−ε)= 2Ф(ε)
38
Для случайной величины, имеющей нормальное распределение с параметрами mx и σ x :
P( |
|
|
ε |
|
|
ε |
|
|
x0 ≤ |
|
|
|
|
|
|
|
|
||||||
x ≤ ε)= P |
|
|
= 2Ф |
|
|
||
|
|
|
σ x |
|
σ x |
Вводя обозначение ε σ = k , |
получаются соотношения: |
|
P( x ≤ kσ x )= 2Ф(k ); |
P( |
x ≤ σ x )= 2Ф(1)= 0,628 ; |
P( x ≤ 2σ x )= 2Ф(2)= 0,954 ; |
P( x ≤ 3σ x )= 2Ф(3)= 0,9973 |
Таким образом, вероятность появления отклонения больше чем утроенный стандарт (среднеквадратичное отклонение) составляет всего 0,27% , что считается практически невозможным и позволяет сделать вывод о наличии в результате измерения грубой ошибки.
Основные характеристики нормального распределения mx иσ x определяются из функции распределения. График плотности нормального распределения имеет экстремум в точке mx и две точки перегиба x1 = mx −σ x и x2 = mx +σ x со
значением функции 1σ 2π e .
Изменение математического ожидания приводит к сдвигу кривой вдоль оси x , а с возрастанием дисперсии максимальная ордината нормальной кривой убывает и сам график становится более пологим (рис. 2.8.).
|
а) |
|
|
б) |
|
f(x) |
|
|
f(x) |
X1 |
x2 |
x3 |
|
σx1 |
|
|
|||
|
|
|
|
σx2 |
mx1<0 |
mx2=0 |
mx3>0 |
x |
x |
|
σx1 < σx2 |
Рис. 2.8. Изменение графика функции плотности нормального распределения при изменении ее численных характеристик а) mx ; б) σ x
39
Коэффициенты асимметрии и эксцесса нормального распределения равны нулю. Если искусственно ввести в функ-
цию |
нормального распределения изменения связанные с |
γ1 ≠ 0 |
и γ2 ≠ 0 , то это вызовет следующие преобразования |
(рис. 2.9).
Асимметрия вытягивает (удлиняет) одну из половин кривой (относительно mx ) по оси x .
Эксцесс изменяет «крутость» кривой распределения по отношению к стандартной. При γ2 >0 подъем вершины увеличивается, и наоборот если γ2 <0, то кривая имеет более плоскую и низкую вершину.
|
а) |
|
|
б) |
f(x) |
|
|
f(x) |
γ2>0 |
γ1<0 |
|
γ1=0 |
|
γ2=0 |
|
|
γ1>0 |
|
γ2<0 |
|
mx |
x |
|
x |
|
|
|
|
|
Рис. 2.9. График нормального распределения плотности |
||||
вероятности с ненулевыми значениями коэффициентов |
асимметрии а) и эксцесса б) при одинаковых mx и σ x
Коэффициенты асимметрии и эксцесса можно использовать для сравнения близости реального распределения к нормальному.
2.3.4. Распределение χ2 (хи - квадрат)
Если имеется n результатов независимых испытаний над случайной нормальной величиной x с математическим ожи-
40