Какова вероятность что случайная величина примет значение — 10 вариантов толкования приметы

Вопрос о вероятностях случайных величин часто встречается в психологии, экономике, биологии и даже в повседневной жизни․
В этой статье мы рассмотрим конкретный случай: у нас есть случайная величина, которая может принимать десять различных значений, каждое из которых соответствует одному из возможных толкований приметы․ Мы разберём, как определить вероятность того, что величина примет конкретное значение, как построить распределение, и какие дополнительные свойства (математическое ожидание, дисперсия) можно вычислить․

Что такое случайная величина и её распределение?

Случайная величина X – это функция, назначающая числовое значение каждому исходу случайного эксперимента․ Если эксперимент может дать конечное число исходов, то X называется дискретной случайной величиной․

Для дискретной случайной величины важна вероятностная масса (PMF) – таблица или функция p(x) = P(X = x), где p(x) ≥ 0 и ∑ p(x) = 1 по всем возможным x․

Варианты толкования приметы

Допустим, у нас есть 10 возможных толкований приметы․ Мы обозначим ими:

1. Счастливая примета
2. Плохой сигнал
3. Нейтральная
4. Ожидание перемен
5. Предупреждение
6. Вдохновение
7. Сомнения
8. Удача
9. Потеря
10. Новый старт

Тогда случайная величина X принимает значения из множества {1, 2, …, 10}, где i – номер толкования․

Пример равновероятного распределения

Если все толкования одинаково вероятны (нет фактического предвзятого мнения), то:

p(i) = 1/10 = 0․1 для любого i = 1 … 10․

То есть вероятность того, что X примет конкретное значение, например, 1 (Счастливая примета), равна 0․1․

Как посчитать вероятность конкретного результата?

Для дискретной величины X:

П( X = x ) = p(x)

Если у нас есть таблица вероятностей, просто найдите нужную строку․ В примере выше, если вы хотите знать вероятность того, что примета даст толкование «Плохой сигнал» (число 2), то:

П( X = 2 ) = 0․1

Если распределение неравномерное, то нужно задать конкретные значения p(i)․ Ниже приведён общий пример, где p(i) задаются случайными коэффициентами, суммирующимися до 1․

p(1) = 0․05
p(2) = 0․15
p(3) = 0․08
p(4) = 0․12
p(5) = 0․10
p(6) = 0․10
p(7) = 0․07
p(8) = 0․12
p(9) = 0․10
p(10)= 0․05

Проверка: ∑ p(i) = 1․ Теперь вероятность «Плохой сигнал» (i = 2) – 0․15․

Свойства распределения

Математическое ожидание

Для дискретной случайной величины:

E[X] = ∑ x · p(x)

В нашем примере с равновероятным распределением:

E[X] = (1+2+…+10) / 10 = 55 / 10 = 5․5

Если использовать неравномерное распределение из предыдущего примера, то:

E[X] = 1·0․05 + 2·0․15 + 3·0․08 + 4·0․12 + 5·0․10 + 6·0․10 + 7·0․07 + 8·0․12 + 9·0․10 + 10·0․05
 = 5․27

Дисперсия и стандартное отклонение

Дисперсия:

Var(X) = E[(X ─ E[X])²] = ∑ (x ─ E[X])² · p(x)

В равновероятном случае:

Var(X) = [(1-5․5)² + (2-5․5)² + … + (10-5․5)²] / 10
 = 8․25

Стандартное отклонение – корень из дисперсии:

σ = √Var(X) ≈ 2․87

Квантиль и медиана

Квантиль – это значение x, при котором функция распределения F(x) ≥ q, где q – заданная вероятность (например, 0․5 для медианы)․ Для дискретных случайных величин можно найти минимальное x, удовлетворяющее условию․

В равновероятном случае медиана — это любой из двух средних значений (5, 6), так как P(X ≤ 5) = 0․5․

Практический пример: подсчёт вероятности для психологического эксперимента

Предположим, психолог проводит эксперимент, в котором участник видит «примету» и записывает своё толкование․ После 1000 наблюдений статистик получил следующие частоты:

Толкование (i)	Частота	Вероятность p(i)
Счастливая примета	80	0․08
Плохой сигнал	150	0․15
Нейтральная	70	0․07
Ожидание перемен	120	0․12
Предупреждение	95	0․095
Вдохновение	90	0․09
Сомнения	60	0․06
Удача	110	0․11
Потеря	50	0․05
Новый старт	85	0․085

Теперь можно быстро ответить на вопрос: какова вероятность того, что участник выберет «Удачу»? Ответ: 0․11 (или 11 %)․

Как расширить модель? Нормальное приближение

Если количество возможных толкований велико и мы считаем их непрерывными, можно использовать нормальное распределение․ Однако в нашем случае 10 вариантов – это дискретная случайная величина, и непрерывные модели не нужны․ Тем не менее, если бы у нас было, скажем, 1000 разных толкований, можно было бы перейти к непрерывному описанию․

В таком случае вероятность попадания X в интервал (a, b) рассчитывается через функцию распределения:

P(a < X < b) = Φ((b ─ μ)/σ) ⎻ Φ((a ⎻ μ)/σ)

где Φ – стандартная нормальная функция распределения, μ – математическое ожидание, σ – стандартное отклонение․

Для того, чтобы ответить на вопрос «какова вероятность того, что случайная величина примет конкретное значение?» нужно:

1. Определить множество возможных значений (в нашем случае 10 толкований)․
2. Собрать таблицу вероятностей p(i) либо предположить равновероятное распределение․
3. Найти нужное p(i) – это и есть искомая вероятность․
4. При желании вычислить дополнительные статистические характеристики (математическое ожидание, дисперсия, медиана)․

Таким образом, вероятность того, что случайная величина примет конкретное значение в рамках 10 вариантов толкования приметы, определяется простым правилом дискретного распределения и может быть как 0․1 (для равновероятных вариантов), так и любым другим числом, если распределение неравномерное․

Надеемся, что эта статья помогла разобраться в основных понятиях и расчётах, связанных с вероятностями дискретных случайных величин․