- •Теория вероятностей и математическая статистика. Часть 1
- •Введение
- •1.Основные понятия теории вероятностей
- •1.1. Понятие вероятности
- •1.2. События. Пространство элементарных исходов.
- •1.3.Вероятностное пространство
- •1.4. Условные вероятности
- •2.1. Виды случайных величин. Распределение дискретных случайных величин.
- •Независимость событий
- •2. Случайные величины. Распределение вероятностей
- •2.2. Характеристики дискретной случайной величины и их свойства.
- •2.3.Непрерывные случайные величины. Функция плотности вероятностей.
- •2.4.Интегральная функция распределения
- •2.5. Нормальный закон распределения. Асимметрия. Эксцесс.
- •2.6.Функция от случайных величин
- •Двумерные случайные величины
- •Условные законы распределения.
- •Корреляционный момент. Коэффициент корреляции.
- •3.Основы статистической методологии. Статистическое оценивание.
- •3.1. Выборочные статистики. Функция правдоподобия.
- •3.2. Эмпирическая функция распределения. Гистограмма. Свойства оценок
- •Общие свойства оценок параметров
- •Неравенство Крамера-Рао в частном случае
- •Достаточные оценки параметров.
- •Оценивание параметров методом максимального правдоподобия.
- •Интервальные оценки параметров распределения
- •3.7.1. Доверительный интервал для оценки математического ожидания
- •3.7.2 Доверительный интервал для оценки дисперсии
- •Статистическая проверка гипотез
- •Заключение
- •Литература
2.4.Интегральная функция распределения
Законы распределения вероятностей дискретных и непрерывных величин задаются разными способами: для дискретных величин - плотностью распределения вероятностей р(х). Можно ввести единый способ задания распределения с помощью функции распределения вероятностей F(x).
Интегральной функцией распределения (функцией распределения) вероятностей называют функцию F(x), определяющую для каждого значения х вероятность того, что случайная величина примет значение, меньшее х:
F(x)=p( <x).
Функция F(x) обладает следующими свойствами:
Значение F(x) принадлежит отрезку [0,1].
Свойство вытекает из определения функции F(x) как вероятности.
F(x)-неубывающая функция, т.е. F(x2)
F(x1),
если x2> x1.
Доказательство.
Пусть x2> x1.
Событие, состоящее в том, что
примет значение х2, можно
подразделить на два несовместимых
события.
<x1
с вероятностью Р(
<x2);x1
<x2 с вероятностью
р(x1
<x2).
По теореме сложения вероятностей имеем
р( <x2)=p( <x1)+p(x1 <x2), (2.12)
отсюда
р( <x2)- р( <x1)= p(x1 <x2);
р(х2)-F(x1)= p(x1 <x2),
так как любая вероятность есть число неотрицательное, то
F(x2)-F(x1)
,следовательно
F(x2)
F(x1).
Следствие. Вероятность того, что непрерывная случайная величина примет значение в интервале ( , равна
Р(
)=F(
Если возможные значения случайной величины принадлежат интервалу ( ,то
1)F(x)=0 при
х
;
2)F(x)=1 при
х
.
Действительно, при х1 событие <x1 невозможно, а при х2 событие <x2-достоверно.
Следствие.
Если возможные значения случайной
величины принадлежат всему отрезку
числовой оси (-
,
то
lim F(x)=0, limF(x)=1.
x
x
Если F(x) мы называем интегральной функцией распределения, то Р(х) можно назвать дифференциальной функцией распределения или плотностью распределения:
Р(х)=F’(x)
Действительно,
Р(х)=lim
Учитывая (1.23), перепишем последнее выражение в виде
Р(х)=lim
(2.14)
Следовательно, по определению производной
Р(х)=
2.5. Нормальный закон распределения. Асимметрия. Эксцесс.
Среди всех непрерывных законов распределения особую роль играет нормальный закон распределения. Нормальным называется распределение, которое описывается функцией плотности вида
Р(х)=
(2.15)
Множитель
удовлетворяет условию нормировки
Важность нормального закона распределения определяется тем, что к нему обычно приводят задачи, связанные с распределением сумм большого числа случайных величин (центральная предельная теорема).
Обычно выделяют стандартное нормальное распределение, имеющее
mn=0,
:
pH(x)=
.
Кривая стандартного нормального распределения симметрична относительно оси ординат и имеет вид, представленный на рис. 2.4.
Рис. 2.4. Стандартное нормальное распределение
Интеграл от плотности вероятностей не выражается через элементарные функции. Для расчета вероятностей случайных величин с нормальным распределением составлены таблицы специальной функции, известной как Лапласа:
Ф(х)=
dx.
(2.16)
Поскольку вычислить некоторую
вероятность Р(
)=
для
нормального распределения невозможно,
используются некоторые специальные
преобразования, которые позволяют найти
искомую вероятность
Р(
)=Ф(
.
(2.17)
На практике (например, в задачах
контроля качества) часто необходимо
определить вероятность, с которой
некоторый контролируемый параметр не
выходит за границу допусков. Иными
словами, найти р(
,
где
-отклонение
параметра от его номинального значения.
Эта задача решается при помощи функции
Лапласа, для которой вычислены табличные
значения. Действительно, выражение
равносильно
такому. Используя формулу (1.27), имеем
(2.18)
Учитывая, что mk=a, окончательно получим
(2.19)
или, используя свойство функции Лапласа, Ф(-х)=-Ф(х),
.
Пример
10. Случайная величина
распределена
нормально. Математическое ожидание и
среднее квадратичное отклонение
соответственно равны mk=20,
=10.
Найти вероятность того, что абсолютная
величина отклонения будет меньше 3.
Решение. Следует воспользоваться формулой
и, подставив известные исходные данные,
получим
(2.20)
Табличное значение Ф(0.3)=0.118. Следовательно, искомая вероятность равна 0.236.
С помощью функции Лапласа установлено важное правило, получившее название «правило трех сигм».
Если в формуле
,
t,
то имеем
.
Оказывается, что в случае t=3
,т.е.
(2.21)
Иными словами, вероятность того, что абсолютная величина отклонения превысит устроенное среднее квадратичное отклонение менее 0.003. Формула (2.21) и выражает правило трех сигм, которое гласит: «Если случайная величина распределена нормально, то абсолютная величина её отклонения от математического ожидания не превосходит устроенного среднего квадратичного отклонения».
При изучении распределений, отличных
от нормального, возникает необходимость
количественно оценить его различие. С
этой целью вводят две характеристики:
асимметрию и эксцесс. Асимметрией
теоретического распределения называют
величину Аs=
,
где
-называется
центральным моментом третьего порядка:
Практически определяют знак асимметрии
по расположению кривой распределения
относительно моды (для нормального
распределения мода-значение аргумента
х, при котором
совпадает с математическим ожиданием).
Если длинная часть кривой распределения
расположена правее моды, то асимметрия
положительна, в противном случае -
отрицательна (рис. 2.5.).
Р(х)
Рис.2.5. Распределение с положительной и отрицательной асимметрией
Эксцессом теоретического распределения называют характеристику, которая определяется равенством
Ек=
,
где
.
Для нормального распределения
Если эксцесс Ек>0, то распределение имеет более «высокую» и «острую» вершину, чем нормальное распределение и наоборот, если Ек<0 (рис. 2.6).
Теорема Ляпунова (общие положения)
Нормальное распределение случайных величин широко распространено на практике. Объяснение этому факту можно дать при помощи центральной предельной теоремы в форме Ляпунова, которая формулируется следующим образом.
Если взаимно независимые случайные
величины χ1, χ2,…, χn
имеют конечные абсолютные моменты
третьего порядка М
,
i=
и эти моменты удовлетворяют условию
при
,
то Zn=
χ1+ χ2+…+ χn
имеет асимптотически нормальное
распределение с центром
Zn и
средним квадратичным отклонением
.
