Math

Непрерывные случайные величины: плотность вероятности До этого мы говорили о дискретных случайных величинах. Число орлов, сумма очков на кубиках, выигрыш в лотерее — всё это примеры, где возможные значения можно пересчитать по пальцам. Для таких величин мы строили закон распределения: таблицу, где каждому значению сопоставлена его вероятность. С непрерывными величинами этот подход не работает. Возьмём случайную величину — время ожидания автобуса. Автобус приходит строго каждые 10 минут. Вы приходите на остановку в случайный момент. Сколько времени ждать? Возможные значения — любое число от 0 до 10 минут. Это не 0, 1, 2 и так далее. Это 0, потом 0.1, потом 0.01, потом 0.001. Между любыми двумя числами можно вставить ещё бесконечно много других. Значений бесконечно много, они идут сплошным интервалом. Теперь спросим: какова вероятность, что время ожидания составит ровно 2 минуты? Ровно две, не 2.000001 и не 1.999999. Поскольку вариантов бесконечно много, вероятность каждого конкретного значения равна нулю. Это не означает, что событие невозможно. Оно возможно, но его вероятность равна нулю из-за бесконечной точности. Поэтому для непрерывных величин вместо вероятности конкретного значения вводят плотность вероятности. Это ключевое понятие. Идея такая: Вероятность попасть в точку равна нулю, но можно измерить вероятность попасть в интервал. Например, какова вероятность, что время ожидания будет от 2 до 3 минут? Или от 5 до 7? Или от 9.5 до 10? Чем шире интервал, тем больше вероятность. Плотность вероятности описывает, как эта вероятность распределена по числовой оси. Если в каком-то месте плотность высокая, значит значения около этой точки выпадают часто. Если низкая — редко. Формально плотность вероятности — это функция f(x). Она обладает двумя свойствами.

1. Она неотрицательна: f(x) ≥ 0 для любого x. Отрицательная плотность не имеет смысла, как и отрицательная вероятность. 2. Полная площадь под графиком f(x) равна единице. Потому что суммарная вероятность всех возможных исходов всегда равна 1. Событие «величина примет хоть какое-то значение» достоверно.

Теперь главное. Вероятность того, что величина попадёт в интервал от a до b, равна площади под графиком f(x) на этом интервале. Это записывается через интеграл: P(a ≤ X ≤ b) равен интегралу от f(x) по x от a до b. Для простого равномерного распределения на интервале от 0 до 10 всё устроено наглядно. Плотность постоянна и равна 0.1 на всём промежутке от 0 до 10. Вне этого промежутка она равна нулю. Полная площадь: ширина 10 умножить на высоту 0.1 даёт 1. Всё сходится. Вероятность попасть в интервал от 2 до 3: ширина интервала 1, умножаем на высоту 0.1, получаем 0.1. Вероятность попасть в интервал от 5 до 7: ширина 2, умножаем на 0.1, получаем 0.2. Логично: интервал вдвое шире, вероятность вдвое больше. Математическое ожидание и дисперсия для непрерывных величин тоже считаются, но вместо сумм используются интегралы. Смысл остаётся тем же: ожидание — это центр тяжести распределения, дисперсия — мера разброса. Формулы будут позже. Главное, что нужно вынести сейчас. Плотность вероятности — это не сама вероятность. Нельзя подставить x в f(x) и получить вероятность этого x. Вероятность конкретного значения равна нулю. Плотность нужна для вычисления вероятностей интервалов через площадь под графиком. Это аналог закона распределения для дискретных величин, но адаптированный под непрерывный случай. В следующий раз разберём нормальное распределение — самое известное непрерывное распределение, которое встречается повсюду: от роста людей до ошибок измерений. #простым_языком