Входим через Telegram…
Конспект и транскрипт одним файлом
Загрузите его в ChatGPT, Claude или NotebookLM и спрашивайте по занятию: что говорили про задания и сроки, объясни непонятную тему, составь вопросы для повторения.
Непрерывная случайная величина принимает значения из числового промежутка — их бесконечно много и они несчётны, поэтому ряд распределения не работает.
Её описывают двумя связанными функциями:
Вероятность попасть в интервал: $P(a<X<b)=\int_a^b f(x),dx = F(b)-F(a)$.
Числовые характеристики (как у дискретной, но сумма заменяется интегралом): мат. ожидание $M(X)=\int x f(x),dx$, дисперсия $D(X)$, СКО $\sigma=\sqrt{D(X)}$, мода (точка максимума $f(x)$), медиана (делит вероятность пополам) и квантили уровня $p$.
Раньше мы разбирали дискретные случайные величины — их значения можно перенумеровать (счётны), даже если их бесконечно много. Их удобно задавать рядом распределения — табличкой «значение — вероятность».
Теперь переходим к непрерывным случайным величинам. Их принципиальное отличие: множество значений бесконечно и несчётно — значения заполняют целый числовой промежуток (конечный, полубесконечный или бесконечный), и даже на коротком отрезке их бесконечно много. Перенумеровать их нельзя, поэтому ряд распределения здесь не применим.
💡 Определение: непрерывной называется случайная величина, множество значений которой бесконечно и несчётно.
Это универсальная характеристика — годится и для дискретных, и для непрерывных величин. Обозначается $F(x)$ (большая буква) и означает вероятность того, что величина примет значение меньше заданного:
$$F(x) = P(X < x).$$
📐 Разбор формулы:
- F(x) — интегральная функция распределения, заданная для каждого числа x;
- X — случайная величина (большая буква);
- x — фиксированное число для сравнения (малая буква);
- P(X < x) — вероятность того, что величина окажется меньше x.
Как работает: F(x) накапливает всю вероятность левее точки x. С ростом x она растёт от 0 (левее всех значений) до 1 (правее всех). Это универсальная характеристика, годная и для дискретных, и для непрерывных величин.
Слово «интегральная» — это про суммирование (накопление). Из математического анализа: интеграл — это предел бесконечной суммы. Функция как бы накапливает вероятность по мере роста $x$.
Её свойства (те же, что и для дискретной):
Вторая характеристика — функция плотности распределения вероятностей $f(x)$ (малая буква). По определению это предел отношения вероятности попадания величины в маленький промежуток $[x;,x+\Delta x]$ к длине этого промежутка при $\Delta x \to 0$:
$$f(x) = \lim_{\Delta x \to 0} \frac{P(x < X < x+\Delta x)}{\Delta x}.$$
📐 Разбор формулы:
- f(x) — функция плотности распределения вероятностей (малая буква);
- Δx («дельта икс») — малый прирост аргумента (длина маленького промежутка);
- P(x < X < x+Δx) — вероятность попасть в этот маленький промежуток;
- lim (Δx → 0) — предел при стягивании промежутка в точку.
Как работает: плотность показывает, насколько «густо» вероятность сосредоточена вблизи точки x. Берут вероятность попасть в крошечный промежуток и делят на его длину — получают «вероятность на единицу длины». Это и есть плотность: где она выше, там значения встречаются чаще.
🗣️ Преподаватель предлагает приглядеться: предел отношения приращения функции к приращению аргумента — это же производная.
И действительно: плотность — это производная интегральной функции распределения:
$$f(x) = F'(x).$$
📐 Разбор формулы:
- f(x) — плотность распределения;
- F(x) — интегральная функция распределения;
- F'(x) — производная функции F по x.
Как работает: плотность — это производная функции распределения, то есть скорость, с которой накапливается вероятность. Где F(x) растёт круто, плотность велика (значения встречаются часто); где F(x) почти не меняется, плотность близка к нулю.
Обратная связь идёт через первообразную: раз $F(x)$ — первообразная для $f(x)$, то
$$F(x) = \int_{-\infty}^{x} f(t),dt.$$
📐 Разбор формулы:
- F(x) — функция распределения в точке x;
- ∫ — знак интеграла (непрерывного суммирования);
- −∞ (нижний предел) и x (верхний предел) — интегрируем от минус бесконечности до x;
- f(t) — плотность распределения; t — переменная интегрирования (взята другой буквой, чтобы не путать с верхним пределом x);
- dt — бесконечно малый элемент длины.
Как работает: F(x) — это «накопленная» площадь под графиком плотности слева от точки x. Интеграл складывает бесконечно много узких полосок f(t)·dt, давая суммарную вокруг них вероятность. Отсюда название «интегральная»: F получается интегрированием плотности.
Вот откуда название «интегральная»: $F(x)$ получается интегрированием (бесконечным суммированием) плотности. Внутри интеграла используют другую букву ($t$), чтобы не путать с переменным верхним пределом $x$.
Главная рабочая формула:
$$P(a < X < b) = \int_a^b f(x),dx = F(b) - F(a).$$
📐 Разбор формулы:
- X — непрерывная случайная величина; a, b — границы интервала;
- P(a < X < b) — вероятность попадания величины в интервал (a; b);
- ∫ (от a до b) f(x) dx — интеграл плотности по этому интервалу (площадь под графиком);
- F(b), F(a) — значения функции распределения в концах интервала.
Как работает: вероятность попасть в интервал — это площадь под кривой плотности между a и b. По формуле Ньютона–Лейбница определённый интеграл равен разности первообразной на концах, поэтому вероятность = F(b) − F(a) (накопление до правой границы минус до левой).
По формуле Ньютона–Лейбница определённый интеграл — это разность значений первообразной на концах отрезка (из верхнего вычитаем нижнее). То есть вероятность интервала = значение $F$ справа минус значение $F$ слева.
⚠️ Тонкий момент на стыке участков составной функции. Когда величина непрерывна, граничную точку (например, $x=3$) включают только в один из соседних промежутков. Иначе в точке стыка одному значению аргумента отвечали бы два значения функции — а это нарушение самого определения функции.
Они такие же по смыслу, как у дискретной величины, но сумма заменяется интегралом, а роль вероятностей играет плотность $f(x)$.
Математическое ожидание — ожидаемое (среднее) значение:
$$M(X) = \int_{-\infty}^{+\infty} x, f(x),dx.$$
📐 Разбор формулы:
- M(X) — математическое ожидание (среднее значение) непрерывной величины;
- ∫ (от −∞ до +∞) — интеграл по всей числовой оси;
- x — значение величины; f(x) — плотность в этой точке; dx — элемент длины.
Как работает: это аналог суммы x·p для дискретной величины, где сумму заменили интегралом, а вероятность — плотностью. Каждое значение x «взвешивается» плотностью f(x) и интегрируется. Если величина задана только на отрезке [a; b], интегрируют по нему.
Дисперсия — степень рассеивания вокруг среднего:
$$D(X) = \int_{-\infty}^{+\infty} (x - M(X))^2 f(x),dx,$$
или удобная вычислительная формула
$$D(X) = M(X^2) - \big(M(X)\big)^2.$$
📐 Разбор формул:
- D(X) — дисперсия непрерывной величины (мера разброса вокруг среднего);
- M(X) — матожидание; x − M(X) — отклонение от среднего; (x − M(X))² — его квадрат;
- f(x) — плотность; ∫ — интеграл по всей оси (или по отрезку задания);
- M(X²) — матожидание квадрата величины, равное ∫ x²·f(x) dx; (M(X))² — квадрат среднего.
Как работает: дисперсия — это среднее квадратов отклонений от M(X), где сумма заменена интегралом, а вероятность — плотностью. Вторая формула «матожидание квадрата минус квадрат матожидания» даёт тот же результат и удобнее, когда M(X) уже найдено.
Если величина задана только на отрезке $[a;b]$, интеграл берут по этому отрезку. Вторую формулу удобно применять, когда $M(X)$ уже посчитано.
Среднее квадратическое отклонение — корень из дисперсии:
$$\sigma = \sqrt{D(X)}.$$
📐 Разбор формулы:
- σ («сигма») — среднее квадратическое отклонение;
- D(X) — дисперсия; √ — квадратный корень.
Как работает: так как дисперсия выражена в квадрате размерности величины, из неё извлекают корень, чтобы вернуться к исходным единицам. σ характеризует типичный разброс значений вокруг среднего в той же размерности, что и сама величина.
➕ Его плюс в том, что оно имеет ту же размерность, что и сама случайная величина, тоже характеризуя рассеивание.
Мода $Mo$ — наиболее вероятное значение, то есть точка максимума плотности $f(x)$. Если максимумов несколько, распределение называют полимодальным.
Медиана $Me(X)$ — значение, которое делит вероятность пополам: вероятность оказаться левее медианы равна вероятности оказаться правее и обе равны $1/2$.
Квантили различают по уровням. Квантиль уровня $p$ — это такое значение $x_p$, при котором функция распределения равна $p$: $F(x_p)=p$. Здесь $p$ по смыслу — вероятность.
📐 Разбор формулы:
- p — уровень квантиля (число от 0 до 1, по смыслу — вероятность);
- x_p — квантиль уровня p (значение величины, отвечающее этому уровню);
- F(x_p) — функция распределения в точке x_p;
- = p — она равна заданному уровню.
Как работает: квантиль x_p — это «порог», левее которого лежит ровно доля p всей вероятности. Например, квантиль уровня 0,25 отсекает слева 25 % значений. Медиана — это квантиль уровня 0,5 (делит вероятность пополам).
🗣️ Ещё две характеристики (моменты) преподаватель оставила на следующую лекцию.
Продолжение раздела «Случайные величины». На прошлых занятиях разбирались дискретные случайные величины; эта лекция — про непрерывные случайные величины, далее курс переходит к математической статистике.
В отличие от дискретной (значения счётны, можно перенумеровать), непрерывная случайная величина имеет бесконечное и несчётное множество значений: они заполняют некоторый числовой промежуток (конечный, полубесконечный или бесконечный). Даже на конечном отрезке значений бесконечно много, перенумеровать их нельзя.
Определение: непрерывной называется случайная величина, множество значений которой бесконечно и несчётно.
Ряд распределения (табличка) для неё неприменим — используется функция распределения.
$$F(x) = P(X < x)$$
📐 Разбор формулы:
- F(x) — интегральная функция распределения, заданная для каждого x;
- X — случайная величина; x — фиксированное число для сравнения;
- P(X < x) — вероятность того, что величина окажется меньше x.
Как работает: F(x) накапливает всю вероятность левее точки x, набирая значение от 0 до 1 по мере роста x. Это универсальная характеристика для дискретных и непрерывных величин.
— вероятность того, что случайная величина примет значение, меньшее заданного $x$. Термин «интегральная» означает суммирование (накопление): интеграл — предел бесконечной суммы. Функция универсальна (для дискретных и непрерывных).
Свойства:
$$f(x) = \lim_{\Delta x \to 0} \frac{P(x < X < x + \Delta x)}{\Delta x}.$$
📐 Разбор формулы:
- f(x) — функция плотности распределения вероятностей;
- Δx — малый прирост аргумента (длина маленького промежутка);
- P(x < X < x+Δx) — вероятность попасть в этот промежуток;
- lim (Δx → 0) — предел при стягивании промежутка в точку.
Как работает: плотность — это «вероятность на единицу длины» вблизи точки x. Берут вероятность попасть в крошечный промежуток и делят на его длину. Где плотность выше, там значения встречаются чаще.
Это предел отношения приращения функции распределения к приращению аргумента, то есть производная интегральной функции распределения:
$$f(x) = F'(x).$$
📐 Разбор формулы:
- f(x) — плотность; F(x) — функция распределения; F'(x) — производная F.
Как работает: плотность — производная функции распределения, то есть скорость накопления вероятности. Где F(x) растёт круто, плотность велика; где F почти не меняется, плотность близка к нулю.
Обратно, $F(x)$ — первообразная для $f(x)$, поэтому
$$F(x) = \int_{-\infty}^{x} f(t),dt$$
📐 Разбор формулы:
- F(x) — функция распределения в точке x; ∫ — знак интеграла;
- −∞ и x — нижний и верхний пределы интегрирования;
- f(t) — плотность; t — переменная интегрирования (чтобы не путать с пределом x); dt — элемент длины.
Как работает: F(x) — накопленная площадь под графиком плотности слева от x. Интеграл складывает бесконечно много узких полосок f(t)·dt. Отсюда название «интегральная»: F получается интегрированием плотности.
(несобственный интеграл первого рода; $x$ — переменный верхний предел, $t$ — переменная интегрирования). Отсюда название «интегральная».
$$P(a < X < b) = \int_a^b f(x),dx = F(b) - F(a)$$
📐 Разбор формулы:
- X — непрерывная величина; a, b — границы интервала;
- P(a < X < b) — вероятность попадания в интервал (a; b);
- ∫ (от a до b) f(x) dx — площадь под графиком плотности на интервале;
- F(b), F(a) — значения функции распределения в концах.
Как работает: вероятность попасть в интервал — площадь под кривой плотности между a и b. По формуле Ньютона–Лейбница она равна разности первообразной на концах: F(b) − F(a).
(по формуле Ньютона–Лейбница — разность значений первообразной: из верхнего предела вычитается нижний).
📐 Разбор формулы:
- ∫ (от −∞ до +∞) — интеграл по всей числовой оси;
- f(x) — плотность распределения; dx — элемент длины;
- = 1 — полная площадь под графиком плотности равна единице.
Как работает: это условие нормировки для непрерывной величины (аналог Σ pᵢ = 1 у дискретной). Вся площадь под кривой плотности равна 1, потому что величина обязательно примет какое-то значение — это достоверное событие.
Случайная величина $X$ задана плотностью распределения:
$$f(x) = \begin{cases} 0, & x \le 3, \ \dfrac{7 - x}{8}, & 3 < x \le 7, \ 0, & x > 7. \end{cases}$$
Найти интегральную функцию распределения $F(x)$ и вероятность попадания в интервал $(2;,4)$.
Идём по участкам (накапливая интеграл, аналогично дискретной величине).
Участок $x \le 3$: $$F(x) = \int_{-\infty}^{x} 0,dt = 0.$$
Участок $3 < x \le 7$: $$F(x) = \int_{-\infty}^{3} 0,dt + \int_3^x \frac{7 - t}{8},dt = \frac{1}{8}\left(7t - \frac{t^2}{2}\right)\Big|_3^x.$$
Используются табличные интегралы: $\int dt = t$, $\int t^m,dt = \dfrac{t^{m+1}}{m+1}$ (степень повышается на единицу, на неё же делим — действие, обратное дифференцированию).
Подставляя пределы и упрощая:
$$F(x) = -\frac{1}{16}\left(x^2 - 14x + 33\right), \qquad 3 < x \le 7.$$
(в стандартной форме — по убыванию степеней, знак минус вынесен вперёд).
Участок $x > 7$: $$F(x) = \int_{-\infty}^{3} 0 + \int_3^7 \frac{7 - t}{8},dt + \int_7^{x} 0 = \frac{1}{8}\left(7t - \frac{t^2}{2}\right)\Big|_3^7 = 1.$$
Это согласуется со свойством: правее промежутка сосредоточения величины $F(x) = 1$.
Итог (составная функция):
$$F(x) = \begin{cases} 0, & x \le 3, \ -\dfrac{1}{16}\left(x^2 - 14x + 33\right), & 3 < x \le 7, \ 1, & x > 7. \end{cases}$$
Вероятность попадания в интервал $(2;4)$:
$$P(2 < X < 4) = F(4) - F(2).$$
$x=4$ попадает во второй участок, $x=2$ — в первый ($F(2)=0$):
$$F(4) = -\frac{1}{16}\left(4^2 - 14\cdot 4 + 33\right) = -\frac{1}{16}\left(16 - 56 + 33\right) = -\frac{1}{16}\cdot(-7) = \frac{7}{16}.$$
$$P(2 < X < 4) = \frac{7}{16} - 0 = \frac{7}{16}.$$
Контроль: вероятность не может быть отрицательной и лежит в пределах $[0;1]$.
По смыслу те же, что у дискретной; суммирование заменяется интегрированием, роль вероятностей играет плотность $f(x)$.
$$M(X) = \int_{-\infty}^{+\infty} x, f(x),dx$$
📐 Разбор формулы:
- M(X) — математическое ожидание (среднее) непрерывной величины;
- ∫ (от −∞ до +∞) — интеграл по всей оси; x — значение; f(x) — плотность; dx — элемент длины.
Как работает: аналог суммы x·p у дискретной величины, где сумму заменили интегралом, а вероятность — плотностью. Каждое x «взвешивается» плотностью и интегрируется. Если величина задана на отрезке [a; b], интегрируют по нему.
— ожидаемое (среднее) значение. (Дано без вывода; вывод есть в рекомендованном учебнике.)
Характеризует степень рассеивания относительно среднего:
$$D(X) = \int_{-\infty}^{+\infty} (x - M(X))^2 f(x),dx,$$
либо вычислительная формула
$$D(X) = M(X^2) - \big(M(X)\big)^2.$$
Если значения принадлежат отрезку $[a;b]$, интеграл берут по $[a;b]$:
$$D(X) = \int_a^b (x - M(X))^2 f(x),dx, \qquad M(X^2) = \int_a^b x^2 f(x),dx.$$
📐 Разбор формул:
- D(X) — дисперсия (мера разброса вокруг среднего);
- M(X) — матожидание; x − M(X) — отклонение от среднего; (x − M(X))² — его квадрат;
- f(x) — плотность; ∫ — интеграл (по всей оси или по отрезку [a; b]);
- M(X²) = ∫ x²·f(x) dx — матожидание квадрата величины; (M(X))² — квадрат среднего.
Как работает: дисперсия — среднее квадратов отклонений от M(X), где сумма заменена интегралом, а вероятность — плотностью. Вторая формула «матожидание квадрата минус квадрат матожидания» даёт тот же результат и удобнее, если M(X) уже найдено.
$$\sigma = \sqrt{D(X)}$$
📐 Разбор формулы:
- σ («сигма») — среднее квадратическое отклонение;
- D(X) — дисперсия; √ — квадратный корень.
Как работает: дисперсия выражена в квадрате размерности, поэтому из неё извлекают корень, возвращаясь к исходным единицам. σ показывает типичный разброс значений вокруг среднего в той же размерности, что и сама величина.
— характеристика рассеивания в размерности самой случайной величины.
$Mo$ — наиболее вероятное значение случайной величины, определяется через точку максимума функции плотности $f(x)$. При нескольких максимумах распределение называется полимодальным.
$Me(X)$ — значение, для которого вероятность того, что величина меньше медианы, равна вероятности того, что она больше, и обе равны $1/2$:
$$P(X < Me) = P(X > Me) = \frac{1}{2}.$$
📐 Разбор формулы:
- Me — медиана случайной величины; X — сама величина;
- P(X < Me) — вероятность оказаться левее медианы;
- P(X > Me) — вероятность оказаться правее;
- = 1/2 — обе равны половине.
Как работает: медиана делит распределение ровно пополам по вероятности: шансы попасть левее и правее неё одинаковы. В отличие от среднего, медиана устойчива к редким крупным выбросам.
Квантиль уровня $p$ — значение $x_p$, при котором интегральная функция распределения равна $p$:
$$F(x_p) = P(X < x_p) = p.$$
📐 Разбор формулы:
- p — уровень квантиля (число от 0 до 1, по смыслу вероятность);
- x_p — квантиль уровня p (значение величины для этого уровня);
- F(x_p) — функция распределения в точке x_p, равная p;
- P(X < x_p) — вероятность оказаться левее x_p.
Как работает: квантиль x_p — «порог», левее которого лежит доля p всей вероятности. Например, x₀,₂₅ отсекает слева 25 % значений, а медиана — это квантиль уровня 0,5.
Здесь $p$ по смыслу — вероятность.
Для величины из задачи 1 вычисляют $M(X)$ и $D(X)$. Поскольку значащие значения только на $[3;7]$, интегрируют по этому отрезку (нулевые участки опускают).
Математическое ожидание:
$$M(X) = \int_3^7 x\cdot\frac{7 - x}{8},dx = \frac{1}{8}\int_3^7 (7x - x^2),dx = \frac{1}{8}\left(\frac{7x^2}{2} - \frac{x^3}{3}\right)\Big|_3^7 \approx 4{,}1.$$
То есть наиболее ожидаемое значение около $4{,}1$.
Математическое ожидание квадрата (для второй формулы дисперсии):
$$M(X^2) = \int_3^7 x^2\cdot\frac{7 - x}{8},dx = \frac{1}{8}\int_3^7 (7x^2 - x^3),dx = \frac{1}{8}\left(\frac{7x^3}{3} - \frac{x^4}{4}\right)\Big|_3^7 \approx 19{,}2.$$
Дисперсия:
$$D(X) = M(X^2) - \big(M(X)\big)^2 = 19{,}2 - 4{,}1^2 = \frac{8}{9}.$$
Рассеивание в пределах единицы. СКО при желании: $\sigma = \sqrt{8/9}$.
Загружаю транскрипт…