L'espérance mathématique a=3 et l'écart type =5 d'une variable aléatoire X normalement distribuée sont donnés.

Notez la densité de distribution de probabilité et tracez-la schématiquement.

Trouvez la probabilité que x prenne une valeur de l'intervalle (2;10).

Trouvez la probabilité que x prenne une valeur supérieure à 10.

Trouver un intervalle symétrique par rapport à l'espérance mathématique, dans lequel les valeurs de la quantité x seront contenues avec une probabilité =0,95.

1). Composons la fonction de densité de distribution d'une variable aléatoire X avec les paramètres а=3, =5 en utilisant la formule

. Construisons un graphique schématique de la fonction
. Faisons attention au fait que la courbe normale est symétrique par rapport à la droite x = 3 et a en ce point max égal à
, c'est-à-dire
et deux points d'inflexion
avec ordonnée

Construisons un graphique

2) Utilisons la formule :

Les valeurs de la fonction se trouvent dans la table d'application.

4) Utilisons la formule
. Selon la condition, la probabilité de tomber dans un intervalle symétrique par rapport à l'espérance mathématique
. En utilisant le tableau, nous trouvons t auquel Ф(t)=0,475, t=2. Moyens
. Ainsi,
. La réponse est x(-1;7).

Aux problèmes 31-40.

Trouver un intervalle de confiance pour une estimation avec une fiabilité de 0,95 de l'espérance mathématique inconnue a d'une caractéristique X normalement distribuée population, si l'écart type général =5, la moyenne de l'échantillon
et taille de l'échantillon n = 25.

Nous devons trouver un intervalle de confiance
.

Toutes les quantités sauf t sont connues. Trouvons t à partir du rapport Ф(t)=0,95/2=0,475. En utilisant le tableau en annexe, nous trouvons t=1,96. En remplaçant, nous obtenons finalement l'intervalle de confiance souhaité de 12,04

Aux problèmes 41-50.

Le service de contrôle technique a vérifié 200 lots de produits identiques et a reçu la distribution empirique suivante, fréquence n i - le nombre de lots contenant x i produits non standards. Il est nécessaire de tester l'hypothèse au niveau de signification de 0,05 selon laquelle le nombre de produits non standards. les produits standards X sont distribués selon la loi de Poisson.

Trouvons la moyenne de l'échantillon :

Prenons la moyenne de l'échantillon =0,6 comme estimation du paramètre  de la distribution de Poisson. Par conséquent, la loi de Poisson supposée
on dirait
.

En fixant i=0,1,2,3,4, on retrouve les probabilités P i d'apparition de i produits non standards dans 200 lots :
,
,
,
,
.

Trouvons les fréquences théoriques à l'aide de la formule
. En substituant les valeurs de probabilité dans cette formule, nous obtenons
,
,
,
,
.

Comparons les fréquences empiriques et théoriques à l'aide du test de Pearson. Pour ce faire, nous allons créer une table de calcul. Combinons les petites fréquences (4+2=6) et les fréquences théoriques correspondantes (3,96+0,6=4,56).

En pratique, la plupart des variables aléatoires influencées par un grand nombre de facteurs aléatoires obéissent à la loi normale de distribution de probabilité. Par conséquent, dans diverses applications de la théorie des probabilités, cette loi revêt une importance particulière.

La variable aléatoire $X$ obéit à la loi de distribution de probabilité normale si sa densité de distribution de probabilité a la forme suivante

$$f\left(x\right)=((1)\over (\sigma \sqrt(2\pi )))e^(-(((\left(x-a\right))^2)\over ( 2(\sigma )^2)))$$

Le graphique de la fonction $f\left(x\right)$ est représenté schématiquement sur la figure et est appelé « courbe de Gauss ». À droite de ce graphique se trouve le billet de 10 marks allemand, utilisé avant l’introduction de l’euro. Si vous regardez bien, vous pourrez voir sur ce billet la courbe gaussienne et son découvreur, le plus grand mathématicien Carl Friedrich Gauss.

Revenons à notre fonction de densité $f\left(x\right)$ et donnons quelques explications concernant les paramètres de distribution $a,\ (\sigma )^2$. Le paramètre $a$ caractérise le centre de dispersion des valeurs d'une variable aléatoire, c'est-à-dire qu'il a le sens d'une espérance mathématique. Lorsque le paramètre $a$ change et que le paramètre $(\sigma )^2$ reste inchangé, on peut observer un déplacement du graphique de la fonction $f\left(x\right)$ en abscisse, tandis que le graphique de densité lui-même ne change pas de forme.

Le paramètre $(\sigma )^2$ est la variance et caractérise la forme de la courbe du graphique de densité $f\left(x\right)$. En modifiant le paramètre $(\sigma )^2$ avec le paramètre $a$ inchangé, nous pouvons observer comment le graphique de densité change de forme, en se comprimant ou en s'étirant, sans se déplacer le long de l'axe des abscisses.

Probabilité qu'une variable aléatoire normalement distribuée tombe dans un intervalle donné

Comme on le sait, la probabilité qu'une variable aléatoire $X$ tombe dans l'intervalle $\left(\alpha ;\ \beta \right)$ peut être calculée $P\left(\alpha< X < \beta \right)=\int^{\beta }_{\alpha }{f\left(x\right)dx}$. Для нормального распределения случайной величины $X$ с параметрами $a,\ \sigma $ справедлива следующая формула:

$$P\gauche(\alpha< X < \beta \right)=\Phi \left({{\beta -a}\over {\sigma }}\right)-\Phi \left({{\alpha -a}\over {\sigma }}\right)$$

Ici, la fonction $\Phi \left(x\right)=((1)\over (\sqrt(2\pi )))\int^x_0(e^(-t^2/2)dt)$ est la Fonction de Laplace. Les valeurs de cette fonction sont tirées de . Les propriétés suivantes de la fonction $\Phi \left(x\right)$ peuvent être notées.

1 . $\Phi \left(-x\right)=-\Phi \left(x\right)$, c'est-à-dire que la fonction $\Phi \left(x\right)$ est impaire.

2 . $\Phi \left(x\right)$ est une fonction croissante de façon monotone.

3 . $(\mathop(lim)_(x\to +\infty ) \Phi \left(x\right)\ )=0,5$, $(\mathop(lim)_(x\to -\infty ) \ Phi \ gauche(x\droite)\ )=-0,5$.

Pour calculer les valeurs de la fonction $\Phi \left(x\right)$, vous pouvez également utiliser l'assistant de fonction $f_x$ dans Excel : $\Phi \left(x\right)=NORMDIST\left(x ;0;1;1\droite )-0,5$. Par exemple, calculons les valeurs de la fonction $\Phi \left(x\right)$ pour $x=2$.

La probabilité qu'une variable aléatoire normalement distribuée $X\in N\left(a;\ (\sigma )^2\right)$ tombe dans un intervalle symétrique par rapport à l'espérance mathématique $a$ peut être calculée à l'aide de la formule

$$P\left(\left|X-a\right|< \delta \right)=2\Phi \left({{\delta }\over {\sigma }}\right).$$

Règle des trois sigma. Il est presque certain qu'une variable aléatoire normalement distribuée $X$ tombera dans l'intervalle $\left(a-3\sigma ;a+3\sigma \right)$.

Exemple 1 . La variable aléatoire $X$ est soumise à la loi de distribution de probabilité normale avec les paramètres $a=2,\ \sigma =3$. Trouvez la probabilité que $X$ tombe dans l'intervalle $\left(0,5;1\right)$ et la probabilité de satisfaire l'inégalité $\left|X-a\right|< 0,2$.

Utiliser la formule

$$P\gauche(\alpha< X < \beta \right)=\Phi \left({{\beta -a}\over {\sigma }}\right)-\Phi \left({{\alpha -a}\over {\sigma }}\right),$$

on trouve $P\left(0.5;1\right)=\Phi \left(((1-2)\over (3))\right)-\Phi \left(((0.5-2)\ over (3 ))\right)=\Phi \left(-0.33\right)-\Phi \left(-0.5\right)=\Phi \left(0.5\right)-\Phi \ left(0.33\right)=0.191- 0,129=0,062$.

$$P\left(\left|X-a\right|< 0,2\right)=2\Phi \left({{\delta }\over {\sigma }}\right)=2\Phi \left({{0,2}\over {3}}\right)=2\Phi \left(0,07\right)=2\cdot 0,028=0,056.$$

Exemple 2 . Supposons qu'au cours de l'année le prix des actions d'une certaine société soit une variable aléatoire distribuée selon la loi normale avec une espérance mathématique égale à 50 unités monétaires conventionnelles et un écart type égal à 10. Quelle est la probabilité que sur une valeur sélectionnée au hasard jour de la période en discussion, le prix de la promotion sera :

a) plus de 70 unités monétaires conventionnelles ?

b) inférieur à 50 par action ?

c) entre 45 et 58 unités monétaires conventionnelles par action ?

Supposons que la variable aléatoire $X$ soit le prix des actions d'une certaine entreprise. Par condition, $X$ est soumis à une distribution normale avec des paramètres $a=50$ - espérance mathématique, $\sigma =10$ - écart type. Probabilité $P\left(\alpha< X < \beta \right)$ попадания $X$ в интервал $\left(\alpha ,\ \beta \right)$ будем находить по формуле:

$$P\gauche(\alpha< X < \beta \right)=\Phi \left({{\beta -a}\over {\sigma }}\right)-\Phi \left({{\alpha -a}\over {\sigma }}\right).$$

$$а)\ P\left(X>70\right)=\Phi \left(((\infty -50)\over (10))\right)-\Phi \left(((70-50)\ sur (10))\right)=0,5-\Phi \left(2\right)=0,5-0,4772=0,0228.$$

$$b)\P\gauche(X< 50\right)=\Phi \left({{50-50}\over {10}}\right)-\Phi \left({{-\infty -50}\over {10}}\right)=\Phi \left(0\right)+0,5=0+0,5=0,5.$$

$$in)\ P\gauche(45< X < 58\right)=\Phi \left({{58-50}\over {10}}\right)-\Phi \left({{45-50}\over {10}}\right)=\Phi \left(0,8\right)-\Phi \left(-0,5\right)=\Phi \left(0,8\right)+\Phi \left(0,5\right)=$$

Loi de distribution de probabilité normale

Sans exagération, on peut parler de loi philosophique. En observant divers objets et processus dans le monde qui nous entoure, nous constatons souvent que quelque chose ne suffit pas et qu'il existe une norme :


Voici une vue de base fonctions de densité distribution de probabilité normale, et je vous souhaite la bienvenue dans cette leçon intéressante.

Quels exemples pouvez-vous donner ? Il y a simplement de l'obscurité parmi eux. Il s'agit par exemple de la taille, du poids des personnes (et pas seulement), de leur force physique, de leurs capacités mentales, etc. Il y a une "masse principale" (pour une raison ou une autre) et il y a des écarts dans les deux sens.

Ce sont des caractéristiques différentes des objets inanimés (même taille, même poids). Il s'agit d'une durée aléatoire de processus, par exemple le temps d'une course d'une centaine de mètres ou la transformation de la résine en ambre. De la physique, je me suis souvenu des molécules d'air : certaines d'entre elles sont lentes, d'autres rapides, mais la plupart se déplacent à des vitesses « standard ».

Ensuite, nous nous écartons du centre d'un écart type supplémentaire et calculons la hauteur :

Marquer des points sur le dessin (vert) et nous voyons que cela suffit amplement.

Au stade final, dessinez soigneusement un graphique et particulièrement attentivement reflète-le convexe/concave! Eh bien, vous avez probablement réalisé il y a longtemps que l'axe des x est asymptote horizontale, et il est absolument interdit de « grimper » derrière !

Lors du dépôt d'une solution par voie électronique, il est facile de créer un graphique dans Excel, et de manière inattendue pour moi, j'ai même enregistré une courte vidéo sur ce sujet. Mais d'abord, parlons de la façon dont la forme de la courbe normale change en fonction des valeurs de et.

En augmentant ou en diminuant "a" (avec un « sigma » constant) le graphique conserve sa forme et se déplace à droite/à gauche respectivement. Ainsi, par exemple, lorsque la fonction prend la forme et notre graphique « se déplace » de 3 unités vers la gauche - exactement jusqu'à l'origine des coordonnées :


Une quantité normalement distribuée avec une espérance mathématique nulle a reçu un nom tout à fait naturel - centré; sa fonction de densité – même, et le graphique est symétrique par rapport à l'ordonnée.

En cas de changement de "sigma" (avec un « a » constant), le graphique « reste le même » mais change de forme. Lorsqu'il s'agrandit, il devient plus bas et allongé, comme une pieuvre étirant ses tentacules. Et inversement, en diminuant le graphique devient de plus en plus étroit- il s'avère que c'est une « pieuvre surprise ». Oui, quand diminuer« sigma » deux fois : le graphique précédent se rétrécit et s’étire deux fois :

Tout est en parfaite conformité avec transformations géométriques de graphiques.

Une distribution normale avec une valeur sigma unitaire est appelée normalisé, et si c'est aussi le cas centré(notre cas), alors une telle distribution est appelée standard. Il a une fonction de densité encore plus simple, déjà trouvée dans Théorème local de Laplace: . La distribution standard a trouvé une large application dans la pratique, et très bientôt nous comprendrons enfin son objectif.

Eh bien, regardons maintenant le film :

Oui, tout à fait raison - d'une manière ou d'une autre, il est resté injustement dans l'ombre fonction de distribution de probabilité. Souvenons-nous d'elle définition:
– la probabilité qu’une variable aléatoire prenne une valeur INFÉRIEURE à la variable qui « parcourt » toutes les valeurs réelles jusqu’à « plus » l’infini.

À l'intérieur de l'intégrale, une lettre différente est généralement utilisée afin qu'il n'y ait pas de « chevauchement » avec la notation, car ici chaque valeur est associée à intégrale impropre , ce qui est égal à certains nombre de l'intervalle.

Presque toutes les valeurs ne peuvent pas être calculées avec précision, mais comme nous venons de le voir, avec la puissance de calcul moderne, cela n'est pas difficile. Donc pour la fonction distribution standard, la fonction Excel correspondante contient généralement un argument :

=LISTENORMES(z)

Un, deux - et le tour est joué :

Le dessin montre clairement la mise en œuvre de tous propriétés de la fonction de distribution, et parmi les nuances techniques ici, vous devriez faire attention à asymptotes horizontales et le point d'inflexion.

Rappelons maintenant l'une des tâches clés du sujet, à savoir découvrir comment trouver la probabilité qu'une variable aléatoire normale prendra la valeur de l'intervalle. Géométriquement, cette probabilité est égale à zone entre la courbe normale et l'axe des x dans la section correspondante :

mais à chaque fois j'essaye d'avoir une valeur approximative n'est pas raisonnable, et il est donc plus rationnel d'utiliser formule "légère":
.

! Se souvient également , Quoi

Ici, vous pouvez à nouveau utiliser Excel, mais il y a quelques « mais » importants : d'une part, il n'est pas toujours à portée de main, et d'autre part, les valeurs « toutes faites » soulèveront très probablement des questions de la part de l'enseignant. Pourquoi?

J'en ai déjà parlé à plusieurs reprises : à une époque (et il n'y a pas si longtemps), une calculatrice ordinaire était un luxe, et la méthode « manuelle » pour résoudre le problème en question est encore préservée dans la littérature pédagogique. Son essence est de standardiser valeurs « alpha » et « bêta », c'est-à-dire réduire la solution à la distribution standard :

Note : la fonction est facile à obtenir à partir du cas généralen utilisant linéaire remplaçants. Puis aussi :

et du remplacement effectué la formule suit : passage des valeurs d'une distribution arbitraire aux valeurs correspondantes d'une distribution standard.

Pourquoi est-ce nécessaire ? Le fait est que les valeurs ont été méticuleusement calculées par nos ancêtres et compilées dans un tableau spécial, qui figure dans de nombreux livres sur terwer. Mais il existe encore plus souvent une table de valeurs, dont nous avons déjà parlé dans Théorème intégral de Laplace:

Si on a à notre disposition un tableau des valeurs de la fonction de Laplace , puis nous résolvons à travers lui :

Les valeurs fractionnaires sont traditionnellement arrondies à 4 décimales, comme cela se fait dans le tableau standard. Et pour le contrôle, il y a Point 5 mise en page.

je te rappelle que , et pour éviter toute confusion toujours contrôler, un tableau de QUELLE fonction est devant vos yeux.

Répondre doit être donné sous forme de pourcentage, la probabilité calculée doit donc être multipliée par 100 et le résultat doit être accompagné d'un commentaire significatif :

– avec un vol de 5 à 70 m, environ 15,87% des obus tomberont

Nous nous entraînons seuls :

Exemple 3

Le diamètre des roulements fabriqués en usine est une variable aléatoire, normalement distribuée avec une espérance mathématique de 1,5 cm et un écart type de 0,04 cm. Trouvez la probabilité que la taille d'un roulement sélectionné au hasard soit comprise entre 1,4 et 1,6 cm.

Dans l'exemple de solution et ci-dessous, j'utiliserai la fonction de Laplace comme option la plus courante. À propos, notez que selon le libellé, les extrémités de l'intervalle peuvent être incluses ici dans la considération. Cependant, ce n'est pas critique.

Et déjà dans cet exemple, nous avons rencontré un cas particulier - lorsque l'intervalle est symétrique par rapport à l'espérance mathématique. Dans une telle situation, il peut être écrit sous la forme et, en utilisant la bizarrerie de la fonction de Laplace, simplifier la formule de travail :

Le paramètre delta est appelé déviation de l’espérance mathématique, et la double inégalité peut être « conditionnée » en utilisant module:

– la probabilité que la valeur d'une variable aléatoire s'écarte de l'espérance mathématique de moins de .

C'est bien que la solution tienne sur une seule ligne :)
– la probabilité que le diamètre d'un roulement pris au hasard ne diffère pas de 1,5 cm de plus de 0,1 cm.

Le résultat de cette tâche s'est avéré proche de l'unité, mais j'aimerais une fiabilité encore plus grande - à savoir connaître les limites dans lesquelles se situe le diamètre presque tout le monde roulements. Y a-t-il un critère pour cela ? Existe ! La question posée trouve une réponse dans ce qu'on appelle

règle des trois sigma

Son essence est que pratiquement fiable est le fait qu'une variable aléatoire normalement distribuée prendra une valeur dans l'intervalle .

En effet, la probabilité d'écart par rapport à la valeur attendue est inférieure à :
soit 99,73%

Côté roulements, il s'agit de 9973 pièces d'un diamètre de 1,38 à 1,62 cm et seulement 27 exemplaires « de mauvaise qualité ».

Dans la recherche pratique, la règle des trois sigma est généralement appliquée dans le sens opposé : si statistiquement Il a été constaté que presque toutes les valeurs variable aléatoire à l'étude se situent dans un intervalle de 6 écarts types, alors il y a des raisons impérieuses de croire que cette valeur est distribuée selon une loi normale. La vérification est effectuée à l'aide de la théorie hypothèses statistiques.

Nous continuons à résoudre les graves problèmes soviétiques :

Exemple 4

La valeur aléatoire de l'erreur de pesée est distribuée selon la loi normale avec une espérance mathématique nulle et un écart type de 3 grammes. Trouvez la probabilité que la prochaine pesée soit effectuée avec une erreur ne dépassant pas 5 grammes en valeur absolue.

Solution très simple. Par condition, on constate immédiatement qu'à la prochaine pesée (quelque chose ou quelqu'un) nous obtiendrons le résultat à presque 100% avec une précision de 9 grammes. Mais le problème implique un écart plus étroit et selon la formule :

– la probabilité que la prochaine pesée soit effectuée avec une erreur n'excédant pas 5 grammes.

Répondre:

Le problème résolu est fondamentalement différent d’un problème apparemment similaire. Exemple 3 leçon sur répartition uniforme. Il y a eu une erreur arrondi résultats de mesure, nous parlons ici de l’erreur aléatoire des mesures elles-mêmes. De telles erreurs sont dues aux caractéristiques techniques de l'appareil lui-même. (la gamme d'erreurs acceptables est généralement indiquée dans son passeport), et aussi par la faute de l'expérimentateur - lorsque, par exemple, nous prenons « à l'œil » des lectures avec l'aiguille de la même balance.

Entre autres, il existe également ce qu'on appelle systématique erreurs de mesure. C'est déjà non aléatoire erreurs qui se produisent en raison d’une configuration ou d’un fonctionnement incorrect de l’appareil. Par exemple, les balances au sol non réglementées peuvent « ajouter » régulièrement des kilogrammes, et le vendeur alourdit systématiquement les clients. Ou cela peut être calculé de manière non systématique. Cependant, dans tous les cas, une telle erreur ne sera pas aléatoire et son espérance est différente de zéro.

…Je développe en urgence une formation commerciale =)

Résolvons nous-mêmes le problème inverse :

Exemple 5

Le diamètre du rouleau est une variable aléatoire normalement distribuée, son écart type est égal à mm. Trouvez la longueur de l'intervalle, symétrique par rapport à l'espérance mathématique, dans lequel la longueur du diamètre du rouleau est susceptible de tomber.

Point 5* disposition de conception pour aider. Veuillez noter que l'espérance mathématique n'est pas connue ici, mais cela ne nous empêche en rien de résoudre le problème.

Et une tâche d'examen que je recommande vivement pour renforcer la matière :

Exemple 6

Une variable aléatoire normalement distribuée est spécifiée par ses paramètres (espérance mathématique) et (écart type). Requis:

a) écrire la densité de probabilité et représenter schématiquement son graphique ;
b) trouver la probabilité qu'il prenne une valeur de l'intervalle ;
c) trouver la probabilité que la valeur absolue ne s'écarte pas de plus de ;
d) en utilisant la règle des « trois sigma », trouver les valeurs de la variable aléatoire.

De tels problèmes sont proposés partout et, au fil des années de pratique, j'en ai résolu des centaines et des centaines. Assurez-vous de vous entraîner à dessiner un dessin à la main et à utiliser des tableaux en papier ;)

Eh bien, je vais regarder un exemple de complexité accrue :

Exemple 7

La densité de distribution de probabilité d'une variable aléatoire a la forme . Trouver, espérance mathématique, dispersion, fonction de distribution, créer des graphiques de densité et des fonctions de distribution, trouver.

Solution: Tout d'abord, notons que la condition ne dit rien sur la nature de la variable aléatoire. La présence d'un exposant en soi ne veut rien dire : il peut s'avérer, par exemple, indicatif voire arbitraire distribution continue. Et donc la « normalité » de la distribution doit encore être justifiée :

Puisque la fonction déterminé à n'importe lequel valeur réelle, et elle peut être réduite à la forme , alors la variable aléatoire est distribuée selon la loi normale.

On y va. Pour ça sélectionner un carré complet et organiser fraction de trois étages:


Assurez-vous d'effectuer une vérification en remettant l'indicateur dans sa forme d'origine :

, c'est ce que nous voulions voir.

Ainsi:
- Par règle de fonctionnement avec pouvoirs"pincer" Et ici, vous pouvez immédiatement noter les caractéristiques numériques évidentes :

Trouvons maintenant la valeur du paramètre. Puisque le multiplicateur de distribution normale a la forme et , alors :
, d'où nous exprimons et substituons dans notre fonction :
, après quoi nous reviendrons sur l'enregistrement avec nos yeux et nous assurerons que la fonction résultante a la forme .

Construisons un graphique de densité :

et graphique de la fonction de distribution :

Si vous n'avez pas Excel ou même une calculatrice ordinaire à portée de main, le dernier graphique peut facilement être construit manuellement ! Au moment où la fonction de distribution prend la valeur et voilà

Comme mentionné précédemment, des exemples de distributions de probabilité variable aléatoire continue X sont :

• répartition uniforme
• distribution exponentielle probabilités d'une variable aléatoire continue ;
• distribution de probabilité normale d'une variable aléatoire continue.

Donnons le concept d'une loi de distribution normale, la fonction de distribution d'une telle loi et la procédure de calcul de la probabilité qu'une variable aléatoire X tombe dans un certain intervalle.

№	Indicateur	Loi de distribution normale	Note
	Définition	Appelé normal distribution de probabilité d'une variable aléatoire continue X, dont la densité a la forme
			où m x est l'espérance mathématique de la variable aléatoire X, σ x est l'écart type
2	Fonction de distribution
	Probabilité tomber dans l'intervalle (a;b)		- Fonction intégrale de Laplace
	Probabilité le fait que la valeur absolue de l'écart est inférieure à un nombre positif δ		à mx = 0

Un exemple de résolution d'un problème sur le thème « Loi de distribution normale d'une variable aléatoire continue »

Tâche.

La longueur X d'une certaine partie est une variable aléatoire distribuée selon la loi de distribution normale, et a une valeur moyenne de 20 mm et un écart type de 0,2 mm.
Nécessaire:
a) écrire l'expression de la densité de distribution ;
b) trouver la probabilité que la longueur de la pièce soit comprise entre 19,7 et 20,3 mm ;
c) trouver la probabilité que l'écart ne dépasse pas 0,1 mm ;
d) déterminer quel pourcentage représentent les pièces dont l'écart par rapport à la valeur moyenne ne dépasse pas 0,1 mm ;
e) trouver quel écart doit être défini pour que le pourcentage de pièces dont l'écart par rapport à la moyenne ne dépasse pas la valeur spécifiée augmente à 54 % ;
f) trouver un intervalle symétrique par rapport à la valeur moyenne dans lequel X se situera avec une probabilité de 0,95.

Solution. UN) On retrouve la densité de probabilité d'une variable aléatoire X distribuée selon une loi normale :

à condition que m x =20, σ =0,2.

b) Pour une distribution normale d'une variable aléatoire, la probabilité de tomber dans l'intervalle (19,7 ; 20,3) est déterminée par :
Ф((20,3-20)/0,2) – Ф((19,7-20)/0,2) = Ф(0,3/0,2) – Ф(-0,3/0, 2) = 2Ф(0,3/0,2) = 2Ф(1,5) = 2*0,4332 = 0,8664.
Nous avons retrouvé la valeur Ф(1,5) = 0,4332 en annexes, dans le tableau des valeurs de la fonction intégrale de Laplace Φ(x) ( tableau 2 )

V) On trouve la probabilité que la valeur absolue de l'écart soit inférieure à un nombre positif 0,1 :
R(|X-20|< 0,1) = 2Ф(0,1/0,2) = 2Ф(0,5) = 2*0,1915 = 0,383.
Nous avons retrouvé la valeur Ф(0,5) = 0,1915 en annexes, dans le tableau des valeurs de la fonction intégrale de Laplace Φ(x) ( tableau 2 )

g) Puisque la probabilité d'un écart inférieur à 0,1 mm est de 0,383, il s'ensuit qu'en moyenne 38,3 pièces sur 100 présenteront un tel écart, c'est-à-dire 38,3%.

d) Puisque le pourcentage de pièces dont l'écart par rapport à la moyenne ne dépasse pas la valeur spécifiée est passé à 54 %, alors P(|X-20|< δ) = 0,54. Отсюда следует, что 2Ф(δ/σ) = 0,54, а значит Ф(δ/σ) = 0,27.

Utilisation de l'application ( tableau 2 ), on trouve δ/σ = 0,74. D'où δ = 0,74*σ = 0,74*0,2 = 0,148 mm.

e) Puisque l'intervalle requis est symétrique par rapport à la valeur moyenne m x = 20, il peut être défini comme l'ensemble des valeurs de X satisfaisant l'inégalité 20 − δ< X < 20 + δ или |x − 20| < δ .

Selon la condition, la probabilité de trouver X dans l'intervalle souhaité est de 0,95, ce qui signifie P(|x − 20|< δ)= 0,95. С другой стороны P(|x − 20| < δ) = 2Ф(δ/σ), следовательно 2Ф(δ/σ) = 0,95, а значит Ф(δ/σ) = 0,475.

Utilisation de l'application ( tableau 2 ), on trouve δ/σ = 1,96. Donc δ = 1,96*σ = 1,96*0,2 = 0,392.
Intervalle de recherche : (20 – 0,392 ; 20 + 0,392) ou (19,608 ; 20,392).