Функция распределения вероятностей случайной величины и ее свойства.

Рассмотрим функцию F(х) , определенную на всей числовой оси следующим образом: для каждого х значение F(х) равно вероятности того, что дискретная случайная величина примет значение, меньшее х , т. е.

(18)

Эта функция называется функцией распределения вероятностей , или кратко, функцией распределения .

Пример 1. Найти функцию распределения случайной величины , приведенной в примере 1, п. 1.

Решение: Ясно, что если , то F(x)=0 , так как не принимает значений, меньших единицы. Если , то ; если , то . Но событие <3 в данном случае является суммой двух несовместных событий: =1 и =2. Следовательно,

Итак для имеем F(x)=1/3 . Аналогично вычисляются значения функции в промежудках , и . Наконец, если x>6 то F(x)=1 , так как в этом случае любое возможное значение (1, 2, 3, 4, 5, 6) меньше, чем x . График функции F(x) изображен на рис. 4.

Пример 2. Найти функцию распределения случайной величины , приведенной в примере 2, п. 1.

Решение: Очевидно, что

График F(x) изображен на рис. 5.

Зная функцию распределения F(x) , легко найти вероятность того, что случайная величина удовлетворяет неравенствам .
Рассмотрим событие, заключающееся в том, что случайняя величина примет значение, меньшее . Это событие распадается на сумму двух несовместных событий: 1) случайная величина принимает значения, меньшие , т.е. ; 2) случайная величина принимает значения, удовлетворяющие неравенствам . Используя аксиому сложения, получаем

Но по определению функции распределения F(x) [см. формулу (18)], имеем , ; cледовательно,

(19)

Таким образом, вероятность попадания дискретной случайной величины в интервал равна приращению функции распределения на этом интервале.

Рассмотрим основные свойства функции распределения.
1°. Функция распределения является неубывающей.
В самом деле, пусть < . Так как вероятность любого события неотрицательна, то . Поэтому из формулы (19) следует, что , т.е. .

2°. Значения функции распределения удовлетворяют неравенствам .
Это свойство вытекает из того, что F(x) определяется как вероятность [см. формулу (18)]. Ясно, что * и .

3°. Вероятность того, что дискретная случайная величина примет одно из возможных значений xi, равна скачку функции распределения в точке xi .
Действительно, пусть xi - значение, принимаемое дискретной случайной величиной, и . Полагая в формуле (19) , , получим

Т.е. значение p(xi) равно скачку функции ** xi . Это свойство наглядно иллюстрируется на рис. 4 и рис. 5.

* Здесь и в дальнейшем введены обозначения: , .
** Можно показать, что F(xi)=F(xi-0) , т.е. что функция F(x) непрерывна слева в точке xi .

3. Непрерывные случайные величины.

Кроме дискретных случайных величин, возможные значения которых образуют конечную или бесконечную последовательность чисел, не заполняющих сплошь никакого интервала, часто встречаются случайные величины, возможные значения которых образуют некоторый интервал. Примером такой случайной величины может служить отклонение от номинала некоторого размера детали при правильно налаженном технологическом процессе. Такого рода, случайные величины не могут быть заданы с помощью закона распределения вероятностей р(х) . Однако их можно задать с помощью функции распределения вероятностей F(х) . Эта функция определяется точно так же, как и в случае дискретной случайной величины:

Таким образом, и здесь функция F(х) определена на всей числовой оси, и ее значение в точке х равно вероятности того, что случайная величина примет значение, меньшее чем х .
Формула (19) и свойства 1° и 2° справедливы для функции распределения любой случайной величины. Доказательство проводится аналогично случаю дискретной величины.
Случайная величина называется непрерывной , если для нее существует неотрицательная кусочно-непрерывная функция* , удовлетворяющая для любых значений x равенству

Исходя из геометрического смысла интеграла как площади, можно сказать, что вероятность выполнения неравенств равна площади криволинейной трапеции с основанием , ограниченной сверху кривой (рис. 6).

Так как , а на основании формулы (22)

Заметим, что для непрерывной случайной величины функция распределения F(х) непрерывна в любой точке х , где функция непрерывна. Это следует из того, что F(х) в этих точках дифференцируема.
На основании формулы (23), полагая x 1 =x , , имеем

В силу непрерывности функции F(х) получим, что

Следовательно

Таким образом, вероятность того, что непрерывная случайная величина может принять любое отдельное значение х, равна нулю .
Отсюда следует, что события, заключающиеся в выполнении каждого из неравенств

Имеют одинаковую вероятность, т.е.

В самом деле, например,

Так как

Замечание. Как мы знаем, если событие невозможно, то вероятность его наступления равна нулю. При классическом определении вероятности, когда число исходов испытания конечно, имеет место и обратное предложение: если вероятность события равна нулю, то событие невозможно, так как в этом случае ему не благоприятствует ни один из исходов испытания. В случае непрерывной случайной величины число возможных ее значений бесконечно. Вероятность того, что эта величина примет какое-либо конкретное значение x 1 как мы видели, равна нулю. Однако отсюда не следует, что это событие невозможно, так как в результате испытания случайная величина может, в частности, принять значение x 1 . Поэтому в случае непрерывной случайной величины имеет смысл говорить о вероятности попадания случайной величины в интервал, а не о вероятности того, что она примет какое-то конкретное значение.
Так, например, при изготовлении валика нас не интересует вероятность того, что его диаметр будет равен номиналу. Для нас важна вероятность того, что диаметр валика не выходит из поля допуска.

Определение функции распределения

Пусть $X$ – случайная величина, а $x$ – вероятность распределения этой случайной величины .

Определение 1

Функцией распределения называется функция $F(x)$ удовлетворяющая условию $F\left(x\right)=P(X

Также иначе функцию распределения иногда называются интегральной функцией распределения или интегральным законом распределения.

В общем виде график функции распределения представляет собой график неубывающей функции с областью значений, принадлежащей отрезку $\left$ (причем 0 и 1 обязательно входят в область значений). При этом функция может, как иметь, так и не иметь скачков функции (рис. 1)

Рисунок 1. Пример графика функции распределения

Функция распределения дискретной случайной величины

Пусть случайная величина $X$ является дискретной. И пусть для нее дан ряд её распределения. Для такой величины функцию распределения вероятностей можно записать в следующем виде:

Функция распределения непрерывной случайной величины

Пусть случайная величина $X$ теперь является непрерывной.

График функции распределения такой случайной величины всегда представляет собой неубывающую непрерывную функцию (рис. 3).

Рассмотрим теперь случай, где случайная величина $X$ является смешанной.

График функции распределения такой случайной величины всегда представляет собой неубывающую функцию, которая имеет минимальное значение в 0, максимальное значение в 1, но которая не на всей области определения является непрерывной функцией (то есть имеет скачки в отдельных точках) (рис. 4).

Рисунок 4. Функция распределения смешанной случайной величины

Примеры задач на нахождение функции распределения

Пример 1

Приведен ряд распределений появления события $A$ в трех опытах

Рисунок 5.

Найти функцию распределения вероятностей и построить её график.

Решение.

Так как случайная величина является дискретной, то мы можем пользоваться формулой $\ F\left(x\right)=\sum\limits_{x_i

При $x>3$, $F\left(x\right)=0,2+0,1+0,3+0,4=1$;

Отсюда получаем следующую функцию распределения вероятностей:

Рисунок 6.

Построим ее график:

Рисунок 7.

Пример 2

Проводится один опыт, в котором событие $A$ может, как произойти, так и не произойти. Вероятность того, что данное событие произойдет равно $0,6$. Найти и построить функцию распределения случайной величины.

Решение.

Так как вероятность того, что событие $A$ произойдет равно $0,6$, то вероятность того, что данное событие не произойдет равно $1-0,6=0,4$.

Построим для начала ряд распределения данной случайной величины:

Рисунок 8.

Так как случайная величина является дискретной, найдем функцию распределения по аналогии с задачей 1:

При $x\le 0$, $F\left(x\right)=0$;

При $x>1$, $F\left(x\right)=0,4+0,6=1$;

Таким образом, получаем следующую функцию распределения:

Рисунок 9.

Построим ее график:

Рисунок 10.

Определение функции случайных величин. Функция дискретного случайного аргумента и ее числовые характеристики. Функция непрерывного случайного аргумента и ее числовые характеристики. Функции двух случайных аргументов. Определение функции распределения вероятностей и плотности для функции двух случайных аргументов.

Закон распределения вероятностей функции одной случайной величины

При решении задач, связанных с оценкой точности работы различных автоматических систем, точности производства отдельных элементов систем и др., часто приходится рассматривать функции одной или нескольких случайных величин. Такие функции также являются случайными величинами. Поэтому при решении задач необходимо знать законы распределения фигурирующих в задаче случайных величин. При этом обычно известны закон распределения системы случайных аргументов и функциональная зависимость.

Таким образом, возникает задача, которую можно сформулировать так.

Дана система случайных величин (X_1,X_2,\ldots,X_n) , закон распределения которой известен. Рассматривается некоторая случайная величина Y как функция данных случайных величин:

Y=\varphi(X_1,X_2,\ldots,X_n).

Требуется определить закон распределения случайной величины Y , зная вид функций (6.1) и закон совместного распределения ее аргументов.

Рассмотрим задачу о законе распределения функции одного случайного аргумента

Y=\varphi(X).

\begin{array}{|c|c|c|c|c|}\hline{X}&x_1&x_2&\cdots&x_n\\\hline{P}&p_1&p_2&\cdots&p_n\\\hline\end{array}

Тогда Y=\varphi(X) также дискретная случайная величина с возможными значениями . Если все значения y_1,y_2,\ldots,y_n различны, то для каждого k=1,2,\ldots,n события \{X=x_k\} и \{Y=y_k=\varphi(x_k)\} тождественны. Следовательно,

P\{Y=y_k\}=P\{X=x_k\}=p_k

и искомый ряд распределения имеет вид

\begin{array}{|c|c|c|c|c|}\hline{Y}&y_1=\varphi(x_1)&y_2=\varphi(x_2)&\cdots&y_n=\varphi(x_n)\\\hline{P}&p_1&p_2&\cdots&p_n\\\hline\end{array}

Если же среди чисел y_1=\varphi(x_1),y_2=\varphi(x_2),\ldots,y_n=\varphi(x_n) есть одинаковые, то каждой группе одинаковых значений y_k=\varphi(x_k) нужно отвести в таблице один столбец и соответствующие вероятности сложить.

Для непрерывных случайных величин задача ставится так: зная плотность распределения f(x) случайной величины X , найти плотность распределения g(y) случайной величины Y=\varphi(X) . При решении поставленной задачи рассмотрим два случая.

Предположим сначала, что функция y=\varphi(x) является монотонно возрастающей, непрерывной и дифференцируемой на интервале (a;b) , на котором лежат все возможные значения величины X . Тогда обратная функция x=\psi(y) существует, при этом являясь также монотонно возрастающей, непрерывной и дифференцируемой. В этом случае получаем

G(y)=f\bigl(\psi(y)\bigr)\cdot |\psi"(y)|.

Пример 1. Случайная величина X распределена с плотностью

F(x)=\frac{1}{\sqrt{2\pi}}e^{-x^2/2}

Найти закон распределения случайной величины Y , связанной с величиной X зависимостью Y=X^3 .

Решение. Так как функция y=x^3 монотонна на промежутке (-\infty;+\infty) , то можно применить формулу (6.2). Обратная функция по отношению к функции \varphi(x)=x^3 есть \psi(y)=\sqrt{y} , ее производная \psi"(y)=\frac{1}{3\sqrt{y^2}} . Следовательно,

G(y)=\frac{1}{3\sqrt{2\pi}}e^{-\sqrt{y^2}/2}\frac{1}{\sqrt{y^2}}

Рассмотрим случай немонотонной функции. Пусть функция y=\varphi(x) такова, что обратная функция x=\psi(y) неоднозначна, т. е. одному значению величины y соответствует несколько значений аргумента x , которые обозначим x_1=\psi_1(y),x_2=\psi_2(y),\ldots,x_n=\psi_n(y) , где n - число участков, на которых функция y=\varphi(x) изменяется монотонно. Тогда

G(y)=\sum\limits_{k=1}^{n}f\bigl(\psi_k(y)\bigr)\cdot |\psi"_k(y)|.

Пример 2. В условиях примера 1 найти распределение случайной величины Y=X^2 .

Решение. Обратная функция x=\psi(y) неоднозначна. Одному значению аргумента y соответствуют два значения функции x

Применяя формулу (6.3), получаем:

\begin{gathered}g(y)=f(\psi_1(y))|\psi"_1(y)|+f(\psi_2(y))|\psi"_2(y)|=\\\\=\frac{1}{\sqrt{2\pi}}\,e^{-\left(-\sqrt{y^2}\right)^2/2}\!\left|-\frac{1}{2\sqrt{y}}\right|+\frac{1}{\sqrt{2\pi}}\,e^{-\left(\sqrt{y^2}\right)^2/2}\!\left|\frac{1}{2\sqrt{y}}\right|=\frac{1}{\sqrt{2\pi{y}}}\,e^{-y/2}.\end{gathered}

Закон распределения функции двух случайных величин

Пусть случайная величина Y является функцией двух случайных величин, образующих систему (X_1;X_2) , т. е. Y=\varphi(X_1;X_2) . Задача состоит в том, чтобы по известному распределению системы (X_1;X_2) найти распределение случайной величины Y .

Пусть f(x_1;x_2) - плотность распределения системы случайных величин (X_1;X_2) . Введем в рассмотрение новую величину Y_1 , равную X_1 , и рассмотрим систему уравнений

Будем полагать, что эта система однозначно разрешима относительно x_1,x_2

и удовлетворяет условиям дифференцируемости.

Плотность распределения случайной величины Y

G_1(y)=\int\limits_{-\infty}^{+\infty}f(x_1;\psi(y;x_1))\!\left|\frac{\partial\psi(y;x_1)}{\partial{y}}\right|dx_1.

Заметим, что рассуждения не изменяются, если введенную новую величину Y_1 положить равной X_2 .

Математическое ожидание функции случайных величин

На практике часто встречаются случаи, когда нет особой надобности полностью определять закон распределения функции случайных величин, а достаточно только указать его числовые характеристики. Таким образом, возникает задача определения числовых характеристик функций случайных величин помимо законов распределения этих функций.

Пусть случайная величина Y является функцией случайного аргумента X с заданным законом распределения

Y=\varphi(X).

Требуется, не находя закона распределения величины Y , определить ее математическое ожидание

M(Y)=M[\varphi(X)].

Пусть X - дискретная случайная величина, имеющая ряд распределения

\begin{array}{|c|c|c|c|c|}\hline{x_i}&x_1&x_2&\cdots&x_n\\\hline{p_i}&p_1&p_2&\cdots&p_n\\\hline\end{array}

Составим таблицу значений величины Y и вероятностей этих значений:

\begin{array}{|c|c|c|c|c|}\hline{y_i=\varphi(x_i)}&y_1=\varphi(x_1)&y_2=\varphi(x_2)&\cdots&y_n=\varphi(x_n)\\\hline{p_i}&p_1&p_2&\cdots&p_n\\\hline\end{array}

Эта таблица не является рядом распределения случайной величины Y , так как в общем случае некоторые из значений могут совпадать между собой и значения в верхней строке не обязательно идут в возрастающем порядке. Однако математическое ожидание случайной величины Y можно определить по формуле

M[\varphi(X)]=\sum\limits_{i=1}^{n}\varphi(x_i)p_i,

так как величина, определяемая формулой (6.4), не может измениться от того, что под знаком суммы некоторые члены будут заранее объединены, а порядок членов изменен.

Формула (6.4) не содержит в явном виде закон распределения самой функции \varphi(X) , а содержит только закон распределения аргумента X . Таким образом, для определения математического ожидания функции Y=\varphi(X) вовсе не требуется знать закон распределения функции \varphi(X) , а достаточно знать закон распределения аргумента X .

Для непрерывной случайной величины математическое ожидание вычисляется по формуле

M[\varphi(X)]=\int\limits_{-\infty}^{+\infty}\varphi(x)f(x)\,dx,

где f(x) - плотность распределения вероятностей случайной величины X .

Рассмотрим случаи, когда для нахождения математического ожидания функции случайных аргументов не требуется знание даже законов распределения аргументов, а достаточно знать только некоторые их числовые характеристики. Сформулируем эти случаи в виде теорем.

Теорема 6.1. Математическое ожидание суммы как зависимых, так и независимых двух случайных величин равно сумме математических ожиданий этих величин:

M(X+Y)=M(X)+M(Y).

Теорема 6.2. Математическое ожидание произведения двух случайных величин равно произведению их математических ожиданий плюс корреляционный момент:

M(XY)=M(X)M(Y)+\mu_{xy}.

Следствие 6.1. Математическое ожидание произведения двух некоррелированных случайных величин равно произведению их математических ожиданий.

Следствие 6.2. Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий.

Дисперсия функции случайных величин

По определению дисперсии имеем D[Y]=M[(Y-M(Y))^2]. . Следовательно,

D[\varphi(x)]=M[(\varphi(x)-M(\varphi(x)))^2] , где .

Приведем расчетные формулы только для случая непрерывных случайных аргументов. Для функции одного случайного аргумента Y=\varphi(X) дисперсия выражается формулой

D[\varphi(x)]=\int\limits_{-\infty}^{+\infty}(\varphi(x)-M(\varphi(x)))^2f(x)\,dx,

где M(\varphi(x))=M[\varphi(X)] - математическое ожидание функции \varphi(X) ; f(x) - плотность распределения величины X .

Формулу (6.5) можно заменить на следующую:

D[\varphi(x)]=\int\limits_{-\infty}^{+\infty}\varphi^2(x)f(x)\,dx-M^2(X)

Рассмотрим теоремы о дисперсиях , которые играют важную роль в теории вероятностей и ее приложениях.

Теорема 6.3. Дисперсия суммы случайных величин равна сумме дисперсий этих величин плюс удвоенная сумма корреляционных моментов каждой из слагаемых величин со всеми последующими:

D\!\left[\sum\limits_{i=1}^{n}X_i\right]=\sum\limits_{i=1}^{n}D+2\sum\limits_{i

Следствие 6.3. Дисперсия суммы некоррелированных случайных величин равна сумме дисперсий слагаемых:

D\!\left[\sum\limits_{i=1}^{n}X_i\right]=\sum\limits_{i=1}^{n}D \mu_{y_1y_2}= M(Y_1Y_2)-M(Y_1)M(Y_2).

\mu_{y_1y_2}=M(\varphi_1(X)\varphi_2(X))-M(\varphi_1(X))M(\varphi_2(X)).

т. е. корреляционный момент двух функций случайных величин равен математическому ожиданию произведения этих функций минус произведение из математических ожиданий.

Рассмотрим основные свойства корреляционного момента и коэффициента корреляции .

Свойство 1. От прибавления к случайным величинам постоянных величин корреляционный момент и коэффициент корреляции не изменяются.

Свойство 2. Для любых случайных величин X и Y абсолютная величина корреляционного момента не превосходит среднего геометрического дисперсий данных величин:

|\mu_{xy}|\leqslant\sqrt{D[X]\cdot D[Y]}=\sigma_x\cdot \sigma_y,

Функция распределения вероятностей и ее свойства.

Функцией распределения вероятностей F(x) случайной величины Х в точке х называется вероятность того, что в результате опыта случайная величина примет значение, меньше, чем х, т.е. F(x)=P{X < х}.
Рассмотрим свойства функции F(x).

1. F(-∞)=lim (x→-∞) F(x)=0. Действительно, по определению, F(-∞)=P{X < -∞}. Событие (X < -∞) является невозможным событием: F(-∞)=P{X < - ∞}=p{V}=0.

2. F(∞)=lim (x→∞) F(x)=1, так как по определению, F(∞)=P{X < ∞}. Событие Х < ∞ является достоверным событием. Следовательно, F(∞)=P{X < ∞}=p{U}=1.

3. Вероятность того, что случайная величина примет значение из интервала [Α Β] равна приращению функции распределения вероятностей на этом интервале. P{Α ≤X<Β}=F(Β)-F(Α).

4. F(x 2)≥ F(x 1), если x 2, > x 1 , т.е. функция распределения вероятностей является неубывающей функцией.

5. Функция распределения вероятностей непрерывна слева. FΨ(x o -0)=limFΨ(x)=FΨ(x o) при х→ x o

Различия между функциями распределения вероятностей дискретной и непрерывной случайных величин хорошо иллюстрировать графиками. Пусть, например, дискретная случайная величина имеет n возможных значений, вероятности которых равны P{X=x k }=p k , k=1,2,..n. Если x ≤ x 1 , то F(Х)=0, так как левее х нет возможных значений случайной величины. Если x 1 < x ≤ x 2 , то левее х находится всего одно возможное значение, а именно, значение х 1 .

Значит, F(x)=P{X=x 1 }=p 1 .При x 2 < x ≤ x 3 слева от х находится уже два возможных значения, поэтому F(x)=P{X=x 1 }+P{X=x 2 }=p 1 +p 2 . Рассуждая аналогично,приходим к выводу, что если х k < x≤ x k+1 , то F(x)=1, так как функция будет равна сумме вероятностей всех возможных значений, которая по условию нормировки равна еденице. Таким образом, график функции распределения дискретной случайной величины является ступенчатым. Возможные значения непрерывной величины располагаются плотно на интервале задания этой величины, что обеспечивает плавное возрастания функции распределения F(x), т.е. ее непрерывность.

Рассмотрим вероятность попадания случайной величины в интервал , Δx>0: P{x≤X< x+Δx}=F(x+ Δx)-F(x). Перейдем к пределу при Δx→0:

lim (Δx→0) P{x≤ X < x+Δx}=lim (Δx→0) F(x+Δx)-F(x). Предел равен вероятности того, что случайная величина примет значение, равное х. Если функция F(x) непрерывна в точке х, то lim (Δx→0) F(x+Δx)=F(x), т.е. P{X=x}=0.

Если F(x) имеет разрыв в точке х, то вероятность P{X=x} будет равна скачку функции в этой точке. Таким образом, вероятность появления любого возможного значения для непрерывной величины равна нулю. Выражение P{X=x}=0 следует понимать как предел вероятности попадания случайной величины в бесконечно малую окрестность точки х при P{Α< X≤ Β},P{Α ≤ X< Β},P{Α< X< Β},P{Α ≤ X≤ Β} равны, если Х - непрерывная случайная величина.

Для дискретных величин эти вероятности неодинаковы в том случае, когда границы интервала Α и(или) Β совпадают с возможными значениями случайной величин. Для дискретной случайной величины необходимо строго учитывать тип неравенства в формуле P{Α ≤X<Β}=F(Β)-F(Α).

Функция распределения является наиболее общей формой задания закона распределения. Она используется для задания как дискретных, так и непрерывных случайных величин. Обычно ее обозначают .Функция распределения определяет вероятность того, что случайная величина принимает значения, меньшие фиксированного действительного числа, т. е.. Функция распределения полностью характеризует случайную величину с вероятностной точки зрения. Ее еще называют интегральной функцией распределения.

Геометрическая интерпретация функции распределения очень проста. Если случайную величину рассматривать как случайную точку оси(рис. 6), которая в результате испытания может занять то или иное положение на этой оси, то функция распределенияесть вероятность того, что случайная точкав результате испытания попадет левее точки.

Для дискретной случайной величины , которая может принимать значения,, … ,, функция распределения имеет вид

,

где неравенство под знаком суммы означает, что суммирование распространяется на все те значения, которые по своей величине меньше. Из этой формулы следует, что функция распределения дискретной случайной величиныразрывна и возрастает скачками при переходе через точки,, … ,, причем величина скачка равна вероятности соответствующего значения (рис. 7). Сумма всех скачков функции распределения равна единице.

Непрерывная случайная величина имеет непрерывную функцию распределения, график этой функции имеет форму плавной кривой (рис. 8).

Рис. 7. Рис. 8.

Рассмотрим общие свойства функций распределения.

Свойство 1. Функция распределения есть неотрицательная функция, заключенная между нулем и единицей:

Справедливость этого свойства вытекает из того, что функция распределения определена как вероятность случайного события, состоящего в том, что.

Свойство 2. Вероятность попадания случайной величины в интервал равна разности значений функции распределения на концах этого интервала, т. е.

Отсюда следует, что вероятность любого отдельного значения непрерывной случайной величины равна нулю.

Свойство 3. Функция распределения случайной величины есть неубывающая функция, т. е. при .

Свойство 4. На минус бесконечности функция распределения рана нулю, а на плюс бесконечности функция распределения рана единице, т. е. ,.

Пример 1. Функция распределения непрерывной случайной величины задана выражением

Найти коэффициент и построить график. Определить вероятность того, что случайная величинав результате опыта примет значение на интервале.

Решение. Так как функция распределения непрерывной случайной величины непрерывна, то приполучим:. Отсюда. График функцииизображен на рис. 9.

Исходя из второго свойства функции распределения, имеем:

.

4. Плотность распределения вероятности и ее свойства.

Функция распределения непрерывной случайной величины является ее вероятностной характеристикой. Но она имеет недостаток, заключающийся в том, что по ней трудно судить о характере распределения случайной величины в небольшой окрестности той или другой точки числовой оси. Более наглядное представление о характере распределения непрерывной случайной величины дает функция, которая называется плотностью распределения вероятности или дифференциальной функцией распределения случайной величины.

Плотность распределения равна производной от функции распределения, т. е.

.

Смысл плотности распределения состоит в том, что она указывает на то, как часто появляется случайная величинав некоторой окрестности точкипри повторении опытов. Кривая, изображающая плотность распределенияслучайной величины, называетсякривой распределения .

Рассмотрим свойства плотности распределения.

Свойство 1. Плотность распределения неотрицательна, т. е.

Свойство 2. Функция распределения случайной величины равна интегралу от плотности в интервале от до, т. е.