Из 10 системы в двоичную. Как переводить из двоичной системы в десятичную. Перевод целых десятичных чисел в любую другую систему счисления

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 .

Как известно, случайной величиной называется переменная величина, которая может принимать те или иные значения в зависимости от случая. Случайные величины обозначают заглавными буквами латинского алфавита (X, Y, Z), а их значения – соответствующими строчными буквами (x, y, z). Случайные величины делятся на прерывные (дискретные) и непрерывные.

Дискретной случайной величиной называется случайная величина, принимающая лишь конечное или бесконечное (счетное) множество значений с определенными ненулевыми вероятностями.

Законом распределения дискретной случайной величины называется функция, связывающая значения случайной величины с соответствующими им вероятностями. Закон распределения может быть задан одним из следующих способов.

1 . Закон распределения может быть задан таблицей:

где λ>0, k = 0, 1, 2, … .

в) с помощью функции распределения F(x) , определяющей для каждого значения x вероятность того, что случайная величина X примет значение, меньшее x, т.е. F(x) = P(X < x).

Свойства функции F(x)

3 . Закон распределения может быть задан графически – многоугольником (полигоном) распределения (смотри задачу 3).

Отметим, что для решения некоторых задач не обязательно знать закон распределения. В некоторых случаях достаточно знать одно или несколько чисел, отражающих наиболее важные особенности закона распределения. Это может быть число, имеющее смысл «среднего значения» случайной величины, или же число, показывающее средний размер отклонения случайной величины от своего среднего значения. Числа такого рода называют числовыми характеристиками случайной величины.

Основные числовые характеристики дискретной случайной величины :

• Mатематическое ожидание (среднее значение) дискретной случайной величины M(X)=Σ x i p i .
  Для биномиального распределения M(X)=np, для распределения Пуассона M(X)=λ
• Дисперсия дискретной случайной величины D(X)= M 2 или D(X) = M(X 2)− 2 . Разность X–M(X) называют отклонением случайной величины от ее математического ожидания.
  Для биномиального распределения D(X)=npq, для распределения Пуассона D(X)=λ
• Среднее квадратическое отклонение (стандартное отклонение) σ(X)=√D(X) .

Примеры решения задач по теме «Закон распределения дискретной случайной величины»

Задача 1.

Выпущено 1000 лотерейных билетов: на 5 из них выпадает выигрыш в сумме 500 рублей, на 10 – выигрыш в 100 рублей, на 20 – выигрыш в 50 рублей, на 50 – выигрыш в 10 рублей. Определить закон распределения вероятностей случайной величины X – выигрыша на один билет.

Решение. По условию задачи возможны следующие значения случайной величины X: 0, 10, 50, 100 и 500.

Число билетов без выигрыша равно 1000 – (5+10+20+50) = 915, тогда P(X=0) = 915/1000 = 0,915.

Аналогично находим все другие вероятности: P(X=0) = 50/1000=0,05, P(X=50) = 20/1000=0,02, P(X=100) = 10/1000=0,01, P(X=500) = 5/1000=0,005. Полученный закон представим в виде таблицы:

Найдем математическое ожидание величины Х: М(Х) = 1*1/6 + 2*1/6 + 3*1/6 + 4*1/6 + 5*1/6 + 6*1/6 = (1+2+3+4+5+6)/6 = 21/6 = 3,5

Задача 3.

Устройство состоит из трех независимо работающих элементов. Вероятность отказа каждого элемента в одном опыте равна 0,1. Составить закон распределения числа отказавших элементов в одном опыте, построить многоугольник распределения. Найти функцию распределения F(x) и построить ее график. Найти математическое ожидание, дисперсию и среднее квадратическое отклонение дискретной случайной величины.

Решение. 1. Дискретная случайная величина X={число отказавших элементов в одном опыте} имеет следующие возможные значения: х 1 =0 (ни один из элементов устройства не отказал), х 2 =1 (отказал один элемент), х 3 =2 (отказало два элемента) и х 4 =3 (отказали три элемента).

Отказы элементов независимы друг от друга, вероятности отказа каждого элемента равны между собой, поэтому применима формула Бернулли . Учитывая, что, по условию, n=3, р=0,1, q=1-р=0,9, определим вероятности значений:
P 3 (0) = С 3 0 p 0 q 3-0 = q 3 = 0,9 3 = 0,729;
P 3 (1) = С 3 1 p 1 q 3-1 = 3*0,1*0,9 2 = 0,243;
P 3 (2) = С 3 2 p 2 q 3-2 = 3*0,1 2 *0,9 = 0,027;
P 3 (3) = С 3 3 p 3 q 3-3 = р 3 =0,1 3 = 0,001;
Проверка: ∑p i = 0,729+0,243+0,027+0,001=1.

Таким образом, искомый биномиальный закон распределения Х имеет вид:

По оси абсцисс откладываем возможные значения х i , а по оси ординат – соответствующие им вероятности р i . Построим точки М 1 (0; 0,729), М 2 (1; 0,243), М 3 (2; 0,027), М 4 (3; 0,001). Соединив эти точки отрезками прямых, получаем искомый многоугольник распределения.

3. Найдем функцию распределения F(x) = Р(Х

Для x ≤ 0 имеем F(x) = Р(Х<0) = 0;
для 0 < x ≤1 имеем F(x) = Р(Х<1) = Р(Х = 0) = 0,729;
для 1< x ≤ 2 F(x) = Р(Х<2) = Р(Х=0) + Р(Х=1) =0,729+ 0,243 = 0,972;
для 2 < x ≤ 3 F(x) = Р(Х<3) = Р(Х = 0) + Р(Х = 1) + Р(Х = 2) = 0,972+0,027 = 0,999;
для х > 3 будет F(x) = 1, т.к. событие достоверно.

График функции F(x)

4. Для биномиального распределения Х:
- математическое ожидание М(X) = np = 3*0,1 = 0,3;
- дисперсия D(X) = npq = 3*0,1*0,9 = 0,27;
- среднее квадратическое отклонение σ(X) = √D(X) = √0,27 ≈ 0,52.

4. Плотность распределения вероятностей непрерывной случайной величины

Непрерывную случайную величину можно задать с помощью функции распределения F (x ) . Этот способ задания не является единственным. Непрерывную случайную величину можно также задать, используя другую функцию, которую называют плотностью распределения или плотностью вероятности (иногда её называют дифференциальной функцией).

Определение4.1: Плотностью распределения непрерывной случайной величины Х называют функцию f (x ) - первую производную от функции распределения F (x ) :

f ( x ) = F "( x ) .

Из этого определения следует, что функция распределения является первообразной для плотности распределения. Заметим, что для описания распределения вероятностей дискретной случайной величины плотность распределения неприменима.

Вероятность попадания непрерывной случайной величины в заданный интервал

Зная плотность распределения, можно вычислить вероятность того, что непрерывная случайная величина примет значение, принадлежащее заданному интервалу.

Теорема: Вероятность того, что непрерывная случайная величина Х примет значение, принадлежащие интервалу (a , b ), равна определённому интегралу от плотности распределения, взятому в пределах от a до b :

Доказательство: Используем соотношение

P (a ≤ X b ) = F (b ) – F (a ).

По формуле Ньютона-Лейбница,

Таким образом,

.

Так как P (a ≤ X b )= P (a X b ) , то окончательно получим

.

Геометрически полученный результат можно истолковать так: вероятность того, что непрерывная случайная величина примет значение, принадлежащее интервалу (a , b ), равна площади криволинейной трапеции, ограниченной осью Ox , кривой распределения f (x ) и прямыми x = a и x = b .

Замечание: В частности, если f (x ) – чётная функция и концы интервала симметричны относительно начала координат, то

.

Пример. Задана плотность вероятности случайной величины Х

Найти вероятность того, что в результате испытания Х примет значение, принадлежащие интервалу (0,5; 1).

Решение: Искомая вероятность

.

Нахождение функции распределения по известной плотности распределения

Зная плотность распределения f (x ) , можно найти функцию распределения F (x ) по формуле

.

Действительно, F (x ) = P (X x ) = P (-∞ X x ) .

Следовательно,

.

Таким образом, зная плотность распределения, можно найти функцию распределения. Разумеется, по известной функции распределения можно найти плотность распределения , а именно:

f (x ) = F "(x ).

Пример. Найти функцию распределения по данной плотности распределения:

Решение: Воспользуемся формулой

Если x ≤ a , то f (x ) = 0 , следовательно, F (x ) = 0 . Если a , то f(x) = 1/(b-a) ,

следовательно,

.

Если x > b , то

.

Итак, искомая функция распределения

Замечание: Получили функцию распределения равномерно распределенной случайной величины (см. равномерное распределение).

Свойства плотности распределения

Свойство 1: Плотность распределения - неотрицательная функция:

f ( x ) ≥ 0 .

Свойство 2: Несобственный интеграл от плотности распределения в пределах от -∞ до ∞ равен единице:

.

Замечание: График плотности распределения называют кривой распределения .

Замечание: Плотность распределения непрерывной случайной величины также называют законом распределения.

Пример. Плотность распределения случайной величины имеет следующий вид:

Найти постоянный параметр a .

Решение: Плотность распределения должна удовлетворять условию , поэтому потребуем, чтобы выполнялось равенство

.

Отсюда
. Найдём неопределённый интеграл:

.

Вычислим несобственный интеграл:

Таким образом, искомый параметр

.

Вероятный смысл плотности распределения

Пусть F (x ) – функция распределения непрерывной случайной величины X . По определению плотности распределения, f (x ) = F "(x ) , или

Разность F (x +∆х) - F (x ) определяет вероятность того, что X примет значение, принадлежащее интервалу (x , x +∆х) . Таким образом, предел отношения вероятности того, что непрерывная случайная величина примет значение, принадлежащее интервалу (x , x +∆х) , к длине этого интервала (при ∆х→0 ) равен значению плотности распределения в точке х .

Итак, функция f (x ) определяет плотность распределения вероятности для каждой точки х . Из дифференциального исчисления известно,что приращение функции приближенно равно дифференциалу функции, т.е.

Так как F "(x ) = f (x ) и dx = ∆ x , то F (x +∆ x ) - F (x ) ≈ f (x )∆ x .

Вероятностный смысл этого равенства таков: вероятность того, что случайная величина примет значение принадлежащее интервалу (x , x +∆ x ) ,приближенно равна произведению плотности вероятности в точке х на длину интервала ∆х .

Геометрически этот результат можно истолковать так : вероятность того, что случайная величина примет значение принадлежащее интервалу (x , x +∆ x ) ,приближенно равна площади прямоугольника с основанием ∆х и высотой f (x ).

5. Типовые распределения дискретных случайных величин

5.1. Распределение Бернулли

Определение5.1: Случайная величина X , принимающая два значения 1 и 0 с вероятностями (“успеха”) p и (“неуспеха”) q , называется Бернуллиевской :

, где k =0,1.

5.2. Биномиальное распределение

Пусть производится n независимых испытаний, в каждом из которых событие A может появиться или не появиться. Вероятность наступления события во всех испытаниях постоянна и равна p (следовательно, вероятность непоявления q = 1 - p ).

Рассмотрим случайную величину X – число появлений события A в этих испытаниях. Случайная величина X принимает значения 0,1,2,… n с вероятностями, вычисленными по формуле Бернулли: , где k = 0,1,2,… n .

Определение5.2: Биномиальным называют раcпределение вероятностей, определяемое формулой Бернулли.

Пример. По мишени производится три выстрела, причем вероятность попадания при каждом выстреле равна 0,8. Рассматривается случайная величина X – число попаданий в мишень. Найти ее ряд распределения.

Решение: Случайная величина X принимает значения 0,1,2,3 с вероятностями, вычисленными по формуле Бернулли, где n = 3, p = 0,8 (вероятность попадания), q = 1 - 0,8 = = 0,2 (вероятность непопадания).

Таким образом, ряд распределения имеет следующий вид:

Пользоваться формулой Бернулли при больших значениях n достаточно трудно, поэтому для подсчета соответствующих вероятностей используют локальную теорему Лапласа, которая позволяет приближенно найти вероятность появления события ровно k раз в n испытаниях, если число испытаний достаточно велико.

Локальная теорема Лапласа : Если вероятность p появления события A
того, что событие A появится в n испытаниях ровно k раз, приближенно равна (тем точнее, чем больше n ) значению функции
, где
, .

Замечание1: Таблицы, в которых помещены значения функции
, даны в приложении 1, причем
. Функция является плотностью стандартного нормального распределения (смотри нормальное распределение).

Пример: Найти вероятность того, что событие A наступит ровно 80 раз в 400 испытаниях, если вероятность появления этого события в каждом испытании равна 0,2.

Решение: По условию n = 400, k = 80, p = 0,2 , q = 0,8 . Вычислим определяемое данными задачи значение x :
. По таблице приложения 1 находим
. Тогда искомая вероятность будет:

Если нужно вычислить вероятность того, что событие A появится в n испытаниях не менее k 1 раз и не более k 2 раз, то нужно использовать интегральную теорему Лапласа:

Интегральная теорема Лапласа : Если вероятность p появления события A в каждом испытании постоянна и отлична от нуля и единицы, то вероятность того, что событие A появится в n испытаниях от k 1 до k 2 раз, приближенно равна определенному интегралу

, где
и
.

Другими словами, вероятность того, что событие A появится в n испытаниях от k 1 до k 2 раз, приближенно равна

где
, и .

Замечание2: Функцию
называют функцией Лапласа (смотри нормальное распределение). Таблицы, в которых помещены значения функции , даны в приложении 2, причем
.

Пример: Найти вероятность того, что среди 400 случайно отобранных деталей окажется непроверенных от 70 до 100 деталей, если вероятность того, что деталь не прошла проверку ОТК, равна 0,2.

Решение: По условию n = 400, p = 0,2 , q = 0,8, k 1 = 70, k 2 = 100 . Вычислим нижний и верхний пределы интегрирования:

;
.

Таким образом, имеем:

По таблице приложения 2 находим, что
и
. Тогда искомая вероятность равна:

Замечание3: В сериях независимых испытаний (когда n велико, p мало) для вычисления вероятности наступления события ровно k раз используют формулу Пуассона (смотри распределение Пуассона).

5.3. Распределение Пуассона

Определение5.3: Дискретную случайную величину называют Пуассоновской, если ее закон распределения имеет следующий вид:

, где
и
(постоянное значение).

Примеры Пуассоновских случайных величин:

Число вызовов на автоматическую станцию за промежуток времени T .

Число частиц распада некоторого радиоактивного вещества за промежуток времени T .

Число телевизоров, которые поступают в мастерскую за промежуток времени T в большом городе.

Число автомобилей, которые поступят к стоп-линии перекрестка в большом городе.

Замечание1: Специальные таблицы для вычисления данных вероятностей приведены в приложении 3.

Замечание2: В сериях независимых испытаний (когда n велико, p мало) для вычисления вероятности наступления события ровно k раз используют формулу Пуассона:
, где
, то есть среднее число появлений событий остается постоянным.

Замечание3: Если есть случайная величина, которая распределена по закону Пуассона, то обязательно есть случайная величина, которая распределена по показательному закону и, наоборот (см. Показательное распределение).

Пример. Завод отправил на базу 5000 доброкачественных изделий. Вероятность того, что в пути изделие повредится, равна 0,0002 . Найти вероятность, что на базу прибудут ровно три негодных изделия.

Решение: По условию n = 5000, p = 0,0002, k = 3. Найдем λ: λ = np = 5000·0,0002 = 1 .

По формуле Пуассона искомая вероятность равна:

, где случайная величина X – число негодных изделий.

5.4. Геометрическое распределение

Пусть производятся независимые испытания, в каждом из которых вероятность появления события А равна p (0 p

q = 1 - p . Испытания заканчиваются, как только появится событие А . Таким образом, если событие А появилось в k -м испытании, то в предшествующих k – 1 испытаниях оно не появлялось.

Обозначим через Х дискретную случайную величину – число испытаний, которые нужно провести до первого появления события А . Очевидно, возможными значениями Х являются натуральные числа х 1 = 1, х 2 = 2, …

Пусть в первых k -1 испытаниях событие А не наступило, а в k -м испытании появилось. Вероятность этого “сложного события”, по теореме умножения вероятностей независимых событий, P (X = k ) = q k -1 p .

Определение5.4: Дискретная случайная величина имеет геометрическое распределение , если ее закон распределения имеет следующий вид:

P ( X = k ) = q k -1 p , где
.

Замечание1: Полагая k = 1,2,… , получим геометрическую прогрессию с первым членом p и знаменателем q (0q . По этой причине распределение называют геометрическим.

Замечание2: Ряд
сходится и сумма его равна единице. Действительно сумма ряда равна
.

Пример. Из орудия производится стрельба по цели до первого попадания. Вероятность попадания в цель p = 0,6 . Найти вероятность того, что попадание произойдет при третьем выстреле.

Решение: По условию p = 0,6, q = 1 – 0,6 = 0,4, k = 3. Искомая вероятность равна:

P (X = 3) = 0,4 2 ·0,6 = 0,096.

5.5. Гипергеометрическое распределение

Рассмотрим следующую задачу. Пусть в партии из N изделий имеется M стандартных (M N ). Из партии случайно отбирают n изделий (каждое изделие может быть извлечено с одинаковой вероятностью), причем отобранное изделие перед отбором следующего не возвращается в партию (поэтому формула Бернулли здесь не применима).

Обозначим через X случайную величину – число m стандартных изделий среди n отобранных. Тогда возможными значениями X будут 0, 1, 2,…, min ; обозначим их и, ... по значениям независимой переменной (Fonds) воспользуемся кнопкой (раздел ...

Учебно-методический комплекс по дисциплине «Общий психологический практикум»

Учебно-методический комплекс

... методические указания по выполнению практических работ 5.1 Методические рекомендации по выполнению учебных проектов 5.2 Методические рекомендации по ... чувствительности), одномерного и многомерного... случайного компонента в величине ... с разделом «Представление...

Учебно-методический комплекс по дисциплине физика (название)

Учебно-методический комплекс

... разделов в учебниках. Решение задач по каждой теме. Проработка методических указаний к лабораторным работам по ... случайной и приборной погрешности измерений 1.8 Тематика контрольных работ и методические указания по ... Частица в одномерной потенциальной яме. ...

Методические указания к лабораторным работам по дисциплине информатика

Методические указания

... Методические указания к ЛАБОРАТОРНым РАБОТАМ по ... величиной , а наибольшей суммой величин ... массива случайными числами... 3.0 4.0 3.0 -2.5 14.3 16.2 18.0 1.0 а) одномерный массив б) двумерный массив Рис. 2– Файлы... описываются в разделе реализации после...