Cтраница 1
Распределение случайной величины, соответствующее этому более общему случаю, представлено на рис. 3.3. На этом рисунке видно, что оценка истинного значения MX отличается от истинного значения Q на некоторую Ат, представляющую собой математическое ожидание погрешности измерения. [1]
Распределение случайной величины л ( теорема 4.4) называется биномиальным. Оно определяется двумя числами ( параметрами): п - число испытаний и р - - вероятность успеха при одном испытании. [2]
Распределения случайных величин, встречающиеся на практике в технических приложениях, нередко отличаются от своих теоретических прообразов, несмотря на то, что теоретическая схема возникновения распределения соответствует действительности, а количество практически наблюденных значений величины достаточно велико для того, чтобы имело смысл сопоставлять практические наблюдения с теоретическими. Часто встречающимися причинами этого является, например: 1) то, что практические данные относятся не ко всему распределению, а - к некоторой его части, полученной путем механического разделения исходного распределения, так называемые усеченные распределения, 2) то, что практические данные относятся к совокупности, образованной из нескольких механически объединенных вместе распределений ( по типу смешения нескольких партий изготовленных деталей), так называемые смешанные распределения. [3]
Распределение случайной величины tn не является нормальным, так как D не число, а случайная величина. Если бы значение стандартного отклонения было известно и мы подставили бы это значение вместо D, то распределение случайной величины tn стало бы стандартным нормальным. [4]
Распределение случайных величин uk и vk можно найти статистическим путем, разлагая в ряд Фурье различные реализации процесса. [5]
Распределение случайной величины ( 40) оказывается близким к нормальному при выполнении перечисленных условий центральной предельной теоремы при любом распределении каждого слагаемого. Приближение к нормальному распределению оказывается тем точнее, чем больше слагаемых в сумме и чем меньше влияние на сумму оказывает каждое слагаемое при их примерной равнозначности. Удовлетворительное приближение к нормальному распределению практически получается при сравнительно небольшом числе слагаемых - порядка десяти и даже меньше. Однако, если одно из слагаемых оказывает на сумму значительно большее влияние, чем другие, то это слагаемое определит в основных чертах распределение суммы. Очевидно, что сумма любого числа нормально распределенных величин всегда имеет нормальное распределение. [6]
Распределение случайной величины tn не является нормальным, так как D не число, а случайная величина. Если бы значение стандартного отклонения было известно, и мы подставили бы это значение вместо D, то распределение случайной величины tn стало бы стандартным нормальным. [7]
Распределение случайной величины может обладать как дискретной, так и абсолютно непрерывной компонентами. [8]
Распределение случайной величины с несчетным множеством возможных значений невозможно задать вероятностями отдельных значений. Поэтому необходим другой подход к таким случайным величинам. [9]
Распределение случайной величины х асимптотически приближается к нормальному при k - со. [10]
Распределение случайной величины характеризует связь между ее возможными значениями и соответствующими этим значениям вероятностями. Характеристики надежности элементов и систем определяются на основании экспериментальных данных. При этом возможны два пути исследования. [11]
Распределение случайной величины с несчетным множеством возможных значений невозможно задать вероятностями отдельных значений. Поэтому необходим другой подход к таким случайным величинам. [12]
Распределение случайной величины с единственным максимумом называется одномодалъным. [13]
Распределение случайных величин, наряду с математическим ожиданием, характеризуется также модой и медианой. [14]
Распределение случайной величины tn не является нормальным, так как D не число, а случайная величина. [15]