Вероятность того, что случайная величина примет значение меньшее некоторого числа
– 5 вариантов толкования

В теории вероятностей существует фундаментальный объект – функция распределения (CDF).
Она описывает вероятность того, что случайная величина X окажется меньше заданного
числа x:

F(x) = P(X < x)

Ниже мы рассмотрим пять различных способов интерпретировать эту вероятность,
учитывая как дискретные, так и непрерывные случайные величины, а также
связанные с ними понятия плотности и плотности вероятности.

Понятие «меньше» в дискретном случае

Если X принимает конечное (или счётное) множество значений, то
для любого x вероятность P(X < x) вычисляется как сумма вероятностей всех исходов, меньше x:

F(x) = Σ P(X = x_i) , где x_i < x

Например, при броске честной шестигранной кости:

• Вероятность P(X < 4) = P(1) + P(2) + P(3) = 3/6 = 0.5;
• Для x = 5 получаем P(X < 5) = 4/6 = 0.667.

Здесь «меньше» означает «строго меньше»; если нужно «меньше или равно»,
то используют P(X ≤ x).

Функция распределения как предел частот

При многократном проведении эксперимента вероятность P(X < x) может быть оценена эмпирически:

1. Провести n измерений.
2. Подсчитать количество наблюдений k, удовлетворяющих условию
   X_i < x.
3. Эмпирическая оценка: F̂(x) = k / n.

С ростом n эта оценка стремится к истинной функции распределения
по теореме Большого Числа.

Связь с плотностью вероятности (PDF)

Если X – непрерывная случайная величина, то вероятность
P(X < x) выражается через интеграл от плотности вероятности f(t):

F(x) = ∫_{-∞}^{x} f(t) dt

Отсюда следует, что f(x) = dF(x)/dx, то есть плотность – производная
CDF. Пример: для равномерного распределения на отрезке ([a,b])

• Плотность: f(x) = 1/(b-a) для a ≤ x ≤ b.
• CDF: F(x) = (x-a)/(b-a) для a ≤ x ≤ b.

Наличие f(x) ≠ 0 говорит о том, что вероятность принять конкретное
значение x равна нулю, но вероятность принять число меньше x
не нулевая.

Оценка вероятности в условиях независимости

При независимых наблюдениях случайной величины X вероятность
события «X < x» сохраняется неизменной независимо от того, какие значения приняла другая независимая величина Y:

P(X < x | Y = y) = P(X < x)

Это свойство следствие аксиом вероятности и ключевой для построения
моделей многомерных распределений. В прикладных задачах часто
используются условные вероятности, но при независимости они упрощаются
к простому значению F(x).

Инверсия: вероятность «больше» и «не меньше»

Функция распределения часто используется и для вычисления
других событий:

• P(X ≥ x) = 1 ⎻ P(X < x) = 1 — F(x).
• Для дискретных величин можно добавить вероятность точного
  значения: P(X > x) = 1 — F(x) — P(X = x).
• В непрерывных случаях P(X > x) = 1, F(x), так как
  P(X = x) = 0.

Таким образом, знание F(x) позволяет быстро получить
всех остальных вероятностей, связанных с порогом x.

Функция распределения F(x) = P(X < x) – фундаментальный инструмент для анализа случайных величин. Понимание её интерпретаций в дискретных и непрерывных случаях, связь с плотностью вероятности, роль независимости и возможность использовать её для расчёта других событий обеспечивают гибкость и эффективность работы с вероятностными моделями. Полученные пять вариантов толкования помогают ориентироваться в разных контекстах – от простых экспериментов до сложных статистических задач.

Надеемся, что данная статья поможет вам глубже понять и применить
концепцию вероятности «меньше» в ваших исследованиях и практических задачах.