Функция распределения никогда не равна. Функция распределения и плотность вероятности в MS EXCEL

Пример 1. Найдите функцию распределения

дискретной случайной величины х из примера 1§ 13.

Используя функцию распределения, вычислите

вероятности событий: х < 3, 1 £ x < 4, 1 £ x £ 3.

полученной в § 13, и формулу (5), получим

функцию распределения:

По формуле (1) Р(x < 3) = F(3) = 0,1808; по формуле (2)

р(1 £ x < 4) = F (4) – F(1) = 0,5904 – 0,0016 = 0,5888;

p (1 £ x £ 3) = p (1 £ x <3) + p(x = 3) = F(3) – F(1) + F(3+0) – F(3) =

F(3+0) – F(1) = 0,5904 – 0,0016 = 0,5888.

Пример 2. Дана функция

Является ли функция F(x) функцией распределения некоторой случайной величины? В случае положительного ответа найдите . Построить график функции F(x).

Решение. Для того чтобы наперед заданная функция F(x) являлась функцией распределения некоторой случайной величины х, необходимо и достаточно выполнение следующих условий (характеристических свойств функции распределения):

1. F(x) – неубывающая функция.

3. При любом х Î R F(x – 0) = F(x ).

Для заданной функции F(x) выполнение

этих условий очевидно. Значит,

F(x) – функция распределения.

Вероятность вычисляем по

формуле (2):

График функции F(x ) представлен на рисунке 13.

Пример 3. Пусть F 1 (x ) и F 2 (x ) – функции распределения случайных величин х 1 и х 2 соответственно, а 1 и а 2 – неотрицательные числа, сумма которых равна 1.

Доказать, что F(x ) = a 1 F 1 (x ) + a 2 F 2 (x ) является функцией распределения некоторой случайной величины х .

Решение. 1) Так как F 1 (x ) и F 2 (x ) – неубывающие функции и а 1 ³ 0, а 2 ³ 0, то a 1 F 1 (x ) и a 2 F 2 (x ) - неубывающие, следовательно, их сумма F(x ) тоже неубывающая.

3) При любом х Î R F(x - 0) = a 1 F 1 (x - 0) + a 2 F 2 (x - 0)= a 1 F 1 (x ) + a 2 F 2 (x ) = F(x ).

Пример 4. Дана функция

Является ли F(x) функцией распределения случайной величины?

Решение. Легко заметить, что F(1) = 0,2 > 0,11 = F(1,1). Следовательно, F(x ) не является неубывающей, а значит, не является функцией распределения случайной величины. Заметим, что остальные два свойства для данной функции справедливы.

Контрольное задание №11

1. Дискретная случайная величина х

x ) и, используя ее, найдите вероятности событий: а) –2 £ х < 1; б) ½х ½£ 2. Постройте график функции распределения.

3. Дискретная случайная величина х задана таблицей распределения:

Найдите функцию распределения F(x ) и найдите вероятности следующих событий: а) x < 2; б) 1 £ х < 4; в) 1 £ х £ 4; г) 1 < x £ 4; д) х = 2,5.

4. Найдите функцию распределения дискретной случайной величины х , равной числу выпавших очков при одном бросании игральной кости. Используя функцию распределения, найдите вероятность того, что выпадет не менее 5 очков.

5. Производятся последовательные испытания 5 приборов на надежность. Каждый следующий прибор испытывается только в том случае, если предыдущий оказался надежным. Составьте таблицу распределения и найдите функцию распределения случайного числа испытаний приборов, если вероятность выдержать испытания для каждого прибора 0,9.

6. Задана функция распределения дискретной случайной величины х :

а) Найдите вероятность события 1 £ х £ 3.

б) Найдите таблицу распределения случайной величины х .

7. Задана функция распределения дискретной случайной величины х :

Составьте таблицу распределения данной случайной величины.

8. Монету бросают n раз. Составьте таблицу распределения и найдите функцию распределения числа появлений герба. Постройте график функции распределения при n = 5.

9. Монету бросают, пока не выпадет герб. Составьте таблицу распределения и найдите функцию распределения числа появлений цифры.

10. Снайпер стреляет по цели до первого попадания. Вероятность промаха при отдельном выстреле равна р . Найдите функцию распределения числа промахов.

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

\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

\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

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,

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,

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)).

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,

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.

Содержание статьи

ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ – плотность вероятности распределения частиц макроскопической системы по координатам, импульсам или квантовым состояниям. Функция распределения является основной характеристикой самых разнообразных (не только физических) систем, которым свойственно случайное поведение, т.е. случайное изменение состояния системы и, соответственно, ее параметров. Даже в стационарных внешних условиях само состояние системы может быть таким, что результат измерения некоторого его параметра является случайной величиной. Функция распределения в подавляющем большинстве случаев содержит в себе всю возможную и потому исчерпывающую информацию о свойствах таких систем.

В математической теории вероятностей и математической статистике функция распределения и плотность вероятности отличаются друг от друга, но однозначно связаны между собой. Ниже речь пойдет почти исключительно о плотности вероятности, которую (согласно принятой в физике давней традиции) называют плотностью распределения вероятности или функцией распределения, ставя знак равенства между этими двумя терминами.

Случайное поведение в той или иной мере характерно для всех квантовомеханических систем: элементарные частицы, атомы молекулы и т.п. Однако случайное поведение – это не специфическая черта только квантовомеханических систем, многие чисто классические системы обладают этим свойством.

Примеры.

При бросании монеты на твердую горизонтальную поверхность, неясно, как она ляжет: цифрой вверх или гербом. Известно, что вероятности этих событий, при определенных условиях, равны 1/2. При бросании игральной кости нельзя с уверенностью сказать, какая из шести цифр окажется на верхней грани. Вероятность выпадения каждой из цифр при определенных предположениях (кость – однородный куб без сколотых ребер и вершин падает на твердую, гладкую горизонтальную поверхность) равна 1/6.

Хаотичность движения молекул в наибольшей степени проявляется в газе. Даже в стационарных внешних условиях, флуктуируют (меняются случайным образом) точные значения макроскопических параметров, и только их средние значения при этом постоянны. Описание макроскопических систем на языке средних значений макропараметров и составляет суть термодинамического описания ().

Пусть есть идеальный одноатомный газ и три его (еще не усредненных) макроскопических параметра: N – число атомов, движущихся внутри сосуда, занятого газом; P –давление газа на стенку сосуда и – внутренняя энергия газа. Газ идеальный и одноатомный, поэтому его внутренняя энергия есть просто сумма кинетических энергий поступательного движения атомов газа.

Число N флуктуирует, по крайней мере, из-за процесса сорбции (прилипания к стенке сосуда при соударении с ней) и десорбции (процесса отлипания, когда молекула отрывается от стенки сама по себе или в результате удара по ней другой молекулы), наконец, процесса образования кластеров – короткоживущих комплексов из нескольких молекул. Если бы Можно было измерять N мгновенно и точно, то полученная зависимость N (t ) была бы похожей на изображенную на рисунке.

Размах флуктуаций на рисунке для наглядности сильно завышен, но при небольшом среднем значении (бN с ~ 10 2) числа частиц в газе он примерно таким и будет.

Если выбрать маленькую площадку на стенке сосуда измерять силу, действующую на эту площадку в результате ударов молекул газа, находящегося в сосуде, то отношение среднего значения нормальной к площадке компоненты этой силы к площади площадки и принято называть давлением. В разные моменты времени к площадке будет подлетать разное количество молекул, причем с разными скоростями. В результате, если бы можно было измерять эту силу мгновенно и точно, была бы картина, подобная изображенной на рисунке, нужно только изменить обозначения по вертикальной оси:

N (t ) Ю P (t ) и бN (t )с Ю бP (t )с.

Практически все то же справедливо и для внутренней энергии газа , только процессы, приводящие к случайным изменениям данной суммы другие. Например, подлетая к стенке сосуда, молекула газа сталкивается не с абстрактной абсолютно упруго и зеркально отражающей стенкой, а с одной из частиц, составляющих материал этой стенки. Пусть стенка стальная, тогда это ионы железа, колеблющиеся около положений равновесия – узлов кристаллической решетки. Если молекула газа подлетает к стенке на той фазе колебаний иона, когда он движется ей навстречу, то в результате соударения молекула отлетит от стенки со скоростью большей чем подлетала. Вместе с энергией этой молекулы увеличится и внутренняя энергия газа E . Если молекула сталкивается с ионом, движущемся в том же направлении, что и она, то отлетит эта молекула со скоростью меньшей, чем та, с которой она полетала. Наконец, молекула может попасть в междуузелье (пустое место между соседними узлами кристаллической решетки) и застрять там, так, что даже сильным нагревом ее не извлечь оттуда. В последних двух случаях внутренняя энергия газа E уменьшится. Следовательно, E (t ) – также случайная функция времени и – среднее значение этой функции.

Броуновское движение.

Определив положение броуновской частицы в некоторый момент времени t 1, можно точно предсказать только то, что ее положение в последующий момент времени t 2 не превышает (t 2 – t 1)·c , где c – скорость света в вакууме.

Различают случаи дискретного и непрерывного спектра состояний и, соответственно, переменной x . Под спектром значений некоторой переменной понимается вся совокупность возможных ее значений.

В случае дискретного спектрасостояний для задания распределения вероятностей нужно, во-первых, указать полный набор возможных значений случайной переменной

x 1, x 2, x 3,… x k,… (1)

и, во-вторых, их вероятности:

W 1, W 2, W 3,… W k,… (2)

Сумма вероятностей всех возможных событий должна быть равна единице (условие нормировки)

Описание распределения вероятностей соотношениями (1) – (3) невозможно в случае непрерывного спектра состояний и, соответственно, непрерывного спектра возможных значений переменной x . Пусть x принимает все возможные действительные значения в интервале

x О [a , b ] (4)

где a и b необязательно конечны. Например, для модуля вектора скорости молекулы газа V О , лежащему внутри всего интервала возможных значений, т.е. x О [x , x + Dx ] О [a , b ] (5)

Тогда вероятность DW (x , Dx ) попадания x в интервал (5) равна

Здесь N – полное число измерений x , а Dn (x , Dx ) – число результатов, попавших в интервал (5).

Вероятность DW естественно зависит от двух аргументов: x – положения интервала внутри [a , b ] и Dx – его длины (предполагается, хотя это совершенно необязательно, что Dx > 0). Например, вероятность получения точного значения x , другими словами, вероятность попадания x в интервал нулевой длины есть вероятность невозможного события и потому равна нулю: DW (x , 0) = 0

С другой стороны, вероятность получить значение x где-то (все равно где) внутри всего интервала [a , b ] есть вероятность достоверного события (уж что-нибудь всегда получается) и потому равна единице (принимается, что b > a ): DW (a , b – a ) = 1.

Пусть Dx мало. Критерий достаточной малости зависит от конкретных свойств системы, которую описывает распределение вероятностей DW (x , Dx ). Если Dx мало, то функцию DW (x , Dx ) можно разложить в ряд по степеням Dx :

Если нарисовать график зависимости DW (x , Dx ) от второго аргумента Dx , то замена точной зависимости приближенным выражением (7) означает замену (на небольшом участке) точной кривой куском параболы (7).

В (7) первое слагаемое равно нулю точно, третье и последующие слагаемые при достаточной малости Dx можно опустить. Введение обозначения

дает важный результат DW (x , Dx ) » r(x )·Dx (8)

Соотношение (8), выполняемое тем точнее, чем меньше Dx означает, что при малой длине интервала, вероятность попадания в этот интервал пропорциональна его длине.

Можно еще перейти от малого, но конечного Dx к формально бесконечно малому dx , с одновременной заменой DW (x , Dx ) на dW (x ). Тогда приближенное равенство (8) превращается в точное dW (x ) = r(x )·dx (9)

Коэффициент пропорциональности r(x ) имеет простой смысл. Как видно из (8) и (9), r(x ) численно равно вероятности попадания x в интервал единичной длины. Поэтому одно из названий функции r(x ) – плотность распределения вероятностей для переменной x .

Функция r(x ) содержит в себе всю информацию о том, как вероятность dW (x ) попадания x в интервал заданной длины dx зависит от местоположения этого интервала, т.е. она показывает, как вероятность распределена по x . Поэтому функцию r(x ) принято называть функцией распределения для переменной x и, тем самым, функцией распределения для той физической системы, ради описания спектра состояний которой была введена переменная x . Термины «плотность распределения вероятностей» и «функция распределения» в статистической физике используются как эквивалентные.

Можно рассмотреть обобщение определения вероятности (6) и функции распределения (9) на случай, к примеру, трех переменных. Обобщение на случай произвольно большого числа переменных выполняется точно также.

Пусть случайно меняющееся во времени состояние физической системы определяется значениями трех переменных x , y и z с непрерывным спектром:

x О [a , b ]

y О [c , d ]

z О [e , f ] (10)

где a , b ,…, f , как и ранее, не обязательно конечны. Переменные x , y и z могут быть, например, координатами центра масс молекулы газа, компонентами вектора ее скорости x Ю V x , y Ю V y и z Ю V z или импульса и т.д. Под событием понимается одновременное попадание всех трех переменных в интервалы длины Dx , Dy и Dz соответственно, т.е.:

x О [x , x + Dx ]

y О [y , y + Dy ]

z О [z , z + Dz ] (11)

Вероятность события (11) можно определить аналогично (6)

с тем отличием, что теперь Dn – число измерений x , y и z , результаты которых одновременно удовлетворяют соотношениям (11). Использование разложения в ряд, аналогичного (7), дает

dW (x , y , z ) = r(x , y , z )·dx dy dz (13)

где r(x , y , z ) – функция распределения сразу для трех переменных x , y и z .

В математической теории вероятностей термин «функция распределения» используется для обозначения величины отличающейся от r(x ), а именно: пусть x – некоторое значение случайной переменной x . Функция Ф(x), дающая вероятность того, что x примет значение не большее, чем x и называется функцией распределения. Функции r и Ф имеют разный смысл, но они связаны между собой. Использование теоремы сложения вероятностей дает (здесь а – левый конец интервала возможных значений x (см. ВЕРОЯТНОСТЕЙ ТЕОРИЯ): , (14) откуда

Использование приближенного соотношения (8) дает DW (x , Dx ) » r(x )·Dx .

Сравнение с точным выражением (15) показывает, что использование (8) эквивалентно замене интеграла, входящего в (16), произведением подынтегральной функции r(x ) на длину промежутка интегрирования Dx :

Соотношение (17) будет точным, если r = const , следовательно, ошибка при замене (16) на (17) будет невелика, когда подынтегральная функция слабо меняется на длине промежутка интегрирования Dx .

Можно ввести Dx эфф – длину интервала, на котором функция распределения r(x ) меняется существенно, т.е. на величину порядка самой функции, или величина Drэфф по модулю порядка r. Используя формулу Лагранжа, можно написать:

откуда следует, что Dx эфф для любой функции r

Функцию распределения можно считать «почти постоянной» на некотором промежутке изменения аргумента, если ее приращение |Dr| на этом промежутке по модулю много меньше самой функции в точках этого промежутка. Требование |Dr| эфф| ~ r (функция распределения r і 0) дает

Dx x эфф (20)

длина промежутка интегрирования должна быть мала по сравнению с той, на которой подынтегральная функция меняется существенно. Иллюстрацией служит рис. 1.

Интеграл в левой части (17) равен площади под кривой. Произведение в правой части (17) – площадь заштрихованного на рис. 1 столбика. Критерием малости отличия соответствующих площадей является выполнение неравенства (20). В этом можно убедиться, подставляя в интеграл (17) первые члены разложения функции r(x ) в ряд по степеням

Требование малости поправки (второго слагаемого в правой части (21) по сравнению с первым и дает неравенство (20) с Dx эфф из (19).

Примеры ряда функций распределения, играющих важную роль в статистической физике.

Распределение Максвелла для проекции вектора скорости молекулы на заданное направление (для примера, это направление оси OX ).

Здесь m – масса молекулы газа, T – его температура, k – постоянная Больцмана.

Распределение Максвелла для модуля вектора скорости :

Распределение Максвелла для энергии поступательного движения молекул e = mV 2/2

Распределение Больцмана , точнее, так называемая барометрическая формула, которая определяет распределение концентрации молекул или давления воздуха по высоте h от некоторого «нулевого уровня» в предположении, что температура воздуха от высоты не зависит (модель изотермической атмосферы). В действительности температура в нижних слоях атмосферы заметно падает с ростом высоты.