Плотность вероятности является одним из центральных понятий в теории вероятностей и статистике, позволяя описать вероятностные распределения непрерывных случайных величин. Она представляет собой функцию f(x), значение которой в данной точке не является вероятностью в строгом смысле слова, но позволяет определить вероятность того, что случайная величина попадёт в определённый интервал значений.
Для того чтобы понять сущность плотности вероятности, представим, что у нас есть непрерывная случайная величина, например, время ожидания автобуса на остановке. Невозможно точно сказать, что автобус прибудет ровно через пять минут после вашего прихода на остановку, но можно определить вероятность того, что он прибудет в интервале между пятью и шестью минутами. В этом и заключается роль плотности вероятности: она помогает найти вероятность попадания случайной величины в интервал значений.
Функция плотности вероятности характеризуется несколькими важными свойствами. Прежде всего, она всегда неотрицательна на всём протяжении своего определения. Это связано с тем, что отрицательная вероятность не имеет смысла в теории вероятностей. Кроме того, интеграл функции плотности вероятности по всей числовой прямой равен единице, что соответствует полной вероятности события.
Рассмотрим типичный пример плотности вероятности: нормальное распределение, также известное как гауссово распределение. Оно имеет колоколообразную форму и описывается двумя параметрами — математическим ожиданием и дисперсией, которые определяют центральное положение и степень разброса значений случайной величины соответственно. Нормальное распределение играет важную роль во многих областях науки и инженерии, поскольку многие случайные величины в природе распределены по нормальному закону.
В прикладных задачах часто встречается необходимость в вычислении вероятности того, что случайная величина примет значение в определённом интервале. Для этого используется интеграл от функции плотности вероятности по данному интервалу. Этот процесс наглядно демонстрирует, как плотность вероятности помогает перейти от непрерывной модели распределения к конкретным вероятностным оценкам.
Формулы
Функция плотности вероятности \( f(x) \) для непрерывной случайной величины \( X \) удовлетворяет следующим условиям:
1. \( f(x) \geq 0 \) для всех \( x \), что означает, что плотность вероятности не может быть отрицательной.
2. Интеграл плотности вероятности по всему пространству исходов равен 1:
\[
\int_{-\infty}^{\infty} f(x) \, dx = 1
\]
Это условие отражает тот факт, что вероятность того, что случайная величина \( X \) примет какое-либо значение, равна 1.
Для нормального распределения, которое является одним из наиболее распространённых в статистике и прикладной математике, плотность вероятности выражается следующей формулой:
\[
f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{1}{2} \left(\frac{x — \mu}{\sigma}\right)^2}
\]
где \( \mu \) — математическое ожидание (среднее значение) и \( \sigma \) — стандартное отклонение случайной величины \( X \), а \( e \) — основание натурального логарифма.
Эта формула показывает, как вероятность распределяется вокруг среднего значения для нормального распределения. Форма кривой плотности вероятности для нормального распределения — колоколообразная, и она симметрична относительно среднего значения \( \mu \).
Также, плотность вероятности используется для нахождения вероятностей того, что случайная величина попадёт в определённый интервал. Например, вероятность того, что \( X \) будет между \( a \) и \( b \) (где \( a < b \)), вычисляется как:
\[
P(a < X < b) = \int_a^b f(x) \, dx
\]
Этот интеграл представляет собой площадь под кривой плотности вероятности между точками \( a \) и \( b \) и даёт вероятность нахождения \( X \) в этом интервале.
