Вероятность попадания случайной величины в интервал: 9 вариантов интерпретации

Вопрос «найти вероятность того, что в результате испытания случайная величина примет значение, принадлежащее интервалу» встречается в учебных заданиях, на ЕГЭ, в олимпиадных задачах и в практических проектах (статистика, машинное обучение, финансовый риск). На первый взгляд кажется, что задача однозначна: нужно вычислить интеграл плотности или воспользоваться формулой Бернулли. На деле же существует несколько смысловых вариантов, каждый из которых требует собственного подхода.

В этой статье мы подробно разберём девять вариантов толкования этой формулировки, покажем, какие математические инструменты к ним применимы, и проиллюстрируем каждый вариант практическим примером.

Содержание

1. Классический дискретный случай (биномиальное распределение)
2. Биномиальная модель с «псевдо‑непрерывным» интервалом
3. Непрерывное распределение с известной плотностью (интеграл)
4. Нормальное распределение – стандартные Z‑таблицы
5. Т‑распределение Стьюдента (малые выборки)
6. Экспоненциальное и пуассоновское распределения (время до события)
7. Геометрическое распределение (дискретный интервал)
8. Симуляционный (монте‑карло) подход
9. Эмпирическая оценка на основе наблюдательных данных

Классический дискретный случай (биномиальное распределение)

Самый «твердый» вариант – когда случайная величина X измеряется в целых количествах успехов в серии независимых испытаний с одинаковой вероятностью p (схема Бернулли). В этом случае интервал (a, b) обычно задаётся целыми числами, например a = 2, b = 5. Требуется найти

P(a ≤ X ≤ b) = Σ_k=a^b C_n^k·p^k·(1‑p)^n‑k

где n – число испытаний, Cnk – биномиальные коэффициенты.

Пример

В урне 20 белых и 10 чёрных шаров. При каждом извлечении шар возвращают в урну (с заменой). Вероятность вытащить белый шар = 20/30 = 2/3. Нужно найти вероятность того, что за 4 извлечения будет ровно 2 белых шара.

Здесь n = 4, p = 2/3, a = b = 2. Подставляем в формулу:

P(X = 2) = C₄²·(2/3)²·(1/3)² = 6·4/9·1/9 = 24/81 ≈ 0.2963.

Биномиальная модель с «псевдо‑непрерывным» интервалом

Иногда интервал задаётся не целыми, а дробными границами, например (1.5, 3.7). Поскольку X принимает только целые значения, интервал трактуется как набор целых точек, попадающих в него: {2, 3}. Формула остаётся той же, но границы «округляются» к ближайшим целым.

Пусть n = 10, p = 0;4. Нужно найти P(1.5 < X < 3.7). Это эквивалентно P(2 ≤ X ≤ 3):

P = C₁₀²·0.4²·0.6⁸ + C₁₀³·0.4³·0.6⁷ ≈ 0.214 + 0.214 = 0.428.

Непрерывное распределение с известной плотностью

Если случайная величина X имеет непрерывную плотность f(x), то вероятность того, что её значение попадает в интервал (a, b), вычисляется интегралом:

P(a < X < b) = ∫_a^b f(x) dx.

Это основной случай, когда говорят «интервал» в классическом смысле.

Пусть f(x) = 2x, 0 ≤ x ≤ 1 (равномерно распределённая случайная величина, но с линейным ростом плотности). Требуется P(0.3 < X < 0.7):

∫_0.3^0.7 2x dx = [x²]₀.₃⁰.⁷ = 0.7² – 0.3² = 0.49 – 0.09 = 0.40.

Нормальное распределение – стандартные Z‑таблицы

Для большинства практических задач случайные величины приближаются к нормальному распределению N(μ, σ²). Вероятность попадания в интервал (a, b) находится через стандартизацию:

Z₁ = (a‑μ)/σ, Z₂ = (b‑μ)/σ, P(a < X < b) = Φ(Z₂) – Φ(Z₁),

где Φ – функция распределения стандартного нормального закона (таблица или калькулятор).

Случайная величина X ~ N(20, 4²). Найти P(18 ≤ X ≤ 24):

Т‑распределение Стьюдента (малые выборки)

Если известна только дисперсия выборки и размер n мал (n < 30), используют t‑распределение с ν = n‑1 степенями свободы:

P(a < X̄ < b) = T_ν( (b‑μ)/(s/√n) ) – T_ν( (a‑μ)/(s/√n) ),

где s – выборочное стандартное отклонение, Tν – кумулятивная функция t‑распределения.

Выборка из 12 измерений имеет ̄x = 15, s = 2.5. Предположим, что истинное среднее μ = 14. Найти вероятность того, что ̄x окажется в интервале (13, 16):

Стандартизация: t₁ = (13‑14)/(2.5/√12) ≈ -1.39, t₂ = (16‑14)/(2.5/√12) ≈ 2.77. По таблице t‑распределения с ν=11, T(2.77)≈0.987, T(-1.39)≈0.106. Поэтому P ≈ 0.987‑0.106 = 0.881.

Экспоненциальное и пуассоновское распределения (время до события)

В задачах, где измеряется время до наступления события (например, «время до отказа», «время ожидания в очереди»), часто используют экспоненциальное распределение с параметром λ. Вероятность того, что время T окажется в интервале (a, b):

P(a < T < b) = e^-λa – e^-λb.

Если интересует количество событий за фиксированный промежуток, применяется распределение Пуассона:

P(k₁ ≤ K ≤ k₂) = Σ_k=k₁^k₂ e^-λt(λt)^k/k!.

Среднее время между звонками в кол‑центр = 5 мин (λ = 1/5 = 0.2 мин⁻¹). Найти вероятность того, что промежуток между двумя подряд звонками будет от 3 до 8 минут:

П= e^-0.2·3 – e^-0.2·8 = e^-0.6 – e^-1.6 ≈ 0.5488 – 0.2019 = 0.3469.

Геометрическое распределение (дискретный интервал)

Когда эксперименты продолжаются до первого успеха, а интересует «сколько испытаний понадобится», используется геометрическое распределение. Вероятность того, что число испытаний Y окажется в интервале (a, b) (целые границы) задаётся:

P(a ≤ Y ≤ b) = Σ_k=a^b (1‑p)^k‑1·p.

Вероятность выпадения «шестерки» при броске честной кости = 1/6. Какова вероятность того, что понадобится от 2 до 4 бросков, чтобы впервые увидеть шестерку?

П = (5/6)·(1/6) + (5/6)²·(1/6) + (5/6)³·(1/6) ≈ 0.1389 + 0.1157 + 0.0964 = 0.351.

Симуляционный (монте‑карло) подход

Если аналитическая формула слишком сложна (неизвестное распределение, многомерные зависимости), можно оценить вероятность путём моделирования:

1. Сгенерировать большое количество случайных значений X₁, X₂, …, X_N согласно заданному закону.
2. Подсчитать, сколько из них попадают в интервал (a, b).
3. Оценка: ̂P = (число попаданий) / N.

Точность растёт как 1/√N, поэтому для 10 000 симуляций обычно достигается погрешность ≈ 1 %.

Пример (Python‑псевдокод)

import random, math

N = 100000
a, b = 1.5, 3.7
count = 0
for _ in range(N):
 # пример: X ~ экспоненциальное распределение с λ=0.5
 X = -math.log(1-random.random)/0.5
 if a < X < b:
 count += 1
print("Оценка P =", count/N)

Эмпирическая оценка на основе наблюдательных данных

Когда имеется реальная выборка {x₁, …, x_n}, но распределение неизвестно, используют эмпирическую функцию распределения (ЭФР):

F̂(a) = (1/n)·|{i : x_i ≤ a}|, P̂(a < X < b) = F̂(b‑) – F̂(a).

Это «непараметрический» способ, применимый в статистических тестах (Кольмогорова‑Смирнова) и в анализе надёжности.

Из 30 измерений времени отклика сервера получены значения (в секундах): 0.9, 1.2, 1.5, …, 4.8. Чтобы оценить вероятность того, что отклик будет между 2 и 3 сек., считаем, сколько измерений попадают в этот диапазон (например, 12 из 30). Тогда ̂P = 12/30 = 0.40.

Сводная таблица 9 вариантов толкования

Как выбрать подходящий вариант?

• Знание закона распределения. Если в условии явно указано Binomial, Normal, Poisson — используем соответствующий пункт.
• Тип интервала. Дискретные границы → пункт 1‑2, непрерывные → пункт 3‑4‑6.
• Размер выборки. При небольшом n и неизвестной дисперсии — пункт 5.
• Сложность модели. Если распределение «неизвестно» или имеет несколько переменных → пункт 8.
• Наличие реальных данных. При наличии наблюдений без теоретической модели — пункт 9.

Фраза «найти вероятность того, что в результате испытания случайная величина примет значение, принадлежащее интервалу» скрывает в себе до девяти разных математических задач. Правильное толкование зависит от:

1. Типа случайной величины (дискретная vs непрерывная);
2. Наличия параметров распределения;
3. Формы интервала (целый, дробный, бесконечный);
4. Доступных данных (теоретические модели vs эмпирические наблюдения).

Освоив каждый из перечисленных вариантов, вы сможете уверенно решать любые задачи на вероятность, будь то школьный урок, подготовка к ЕГЭ, исследовательская работа или профессиональный анализ данных.

Если остались вопросы – пишите в комментариях, и мы разберём ваш конкретный пример!