Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
shpor.doc
Скачиваний:
1
Добавлен:
01.07.2025
Размер:
2 Мб
Скачать
☆

2 Вариационные и статистические ряды. Полигон частот и гистограмма.

Определение 4. Вариационным рядом выборки называется способ её записи, при котором элементы упорядочиваются по величине, т.е. записываются в виде: где

Пусть в выборке объема n элемент встречается раз, то число называется частотой элемента , тогда

Определение 5. Статистическим рядом называется последовательность пар

Обычно статистический ряд записывается в виде таблицы, первая строка содержит значения х, а вторая – соответствующие частоты. Статистическое распределение выборки можно задать также в виде последовательности интервалов и соответствующих им частот (суммы частот вариант, попавших в этот интервал).

Пример 2. Дана выборка 3,8,1,3,6,5,2,2,7. Записать в виде вариационного ряда и статистического распределения.

Решение. Используя определение вариационного ряда, записываем 1,2,2,3,3,5,6,7,8.

Статистическое распределение, учитывая объем n=9, будет вида:

Х

1

2

3

5

6

7

8

n

1

2

2

1

1

1

1

Или с относительными частотами:

Х

1

2

3

5

6

7

8

1/9

2/9

2/9

1/9

1/9

1/9

1/9

Контроль:

Пример 3. Представить выборку 55 наблюдений в виде таблицы частот, используя 7 интервалов группировки. Выборка:

17

19

23

18

21

15

16

13

20

18

15

20

14

20

16

14

20

19

15

19

16

19

15

22

21

12

10

21

18

14

14

17

16

13

19

18

20

24

16

20

19

17

18

18

21

17

19

17

13

17

11

18

19

19

17

Решение. Разность между наибольшим и наименьшим элементом равна 24-10=14, тогда шаг интервала будет 14/ 7=2, объем выборки 55. Составим таблицу:

Номер интервала

границы

частота

Относительная частота

1

10 - 12

2

0,0364

2

12 - 14

4

0,0727

3

14 - 16

8

0,1455

4

16 - 18

12

0,2182

5

18 – 20

16

0,2909

6

20 – 22

10

0,1818

7

22 - 24

3

0,0545

Σ=55

Σ=1

Полигон и гистограмма

Кроме эмпирической функции распределения бывает полезно изобразить аналог функции плотности вероятности. Это делают двумя способами. Для каждого подсчитывают частоту . Откладывая на координатную плоскость эти значения, проводят ломанную, которая называется полигон частот. Это график дает понятие о том, насколько часто встречается каждое значение. Вместо частоты часто берут относительную частоту и строится соответствующий полигон. Он отличается от предыдущего только изменением масштаба по оси ОУ.

Более наглядное представление случайной величины дает гистограмма частот (относительных частот). Для ее построения весь промежуток разбивается на равные промежутки длины . Для каждого из них подсчитывается число наблюденных значений, в него попавших. Если на промежутке число значений , то строится прямоугольник с основанием и высотой . Получается совокупность прямоугольников, называемая гистограммой частот. Площадь всего многоугольника равна числу всех наблюдаемых явлений, т.е. объему выборки.

Определение 7. Гистограммой частот называют ступенчатую фигуру, состоящую из прямоугольников, основаниями которых служат частичные интервалы длины , а высотами - (плотность частоты). Площадь гистограммы частот равна объему выборки.

По гистограмме уже можно себе представить плотность вероятности случайной величины, а по эмпирическим функциям распределения – приближенную теоретическую функцию распределения.

Пример 6. Построить полигон частот по данному распределению выборки:

2

3

5

6

10

15

5

20

Решение. Отложим на оси ОХ значения , а на оси ординат – соответствующие им частоты . Соединив полученные точки отрезками прямых, получим искомый полигон частот

Пример 7. Построить гистограмму частот распределения по данной выборке:

Значение

-2

0

1

2

3

5

7

Частота

4

5

7

8

6

2

1

Промежуток

[-2;0,25]

[0,25;2,5]

[2,5;4,75]

[4,75;7]

9

15

6

3

4

По оси ОХ отложим частичные интервалы - вычисленные промежутки, а по оси ОУ значения , по которым строим прямоугольники. Совокупность прямоугольников является искомой гистограммой с площадью, равной объему выборки (рис.27.3).

7. Построить гистограмму частот по данному распределению выборки объема n=100:

Номер интервала

Частичный интервал

Сумма частот вариант

Плотность частоты

1

1 - 5

10

2,5

2

5 - 9

20

5

3

9 - 13

50

12,5

4

13 - 17

12

3

5

17 - 21

8

2

На рисунке 27.4 по оси ОХ откладываем частичные интервалы , а по оси - ОУ значения , по которым строим прямоугольники. Совокупность прямоугольников является искомой гистограммой с площадью, равной объему выборки.

Билет №3

1 Случайные события. Теоремы сложения и умножения Противоположные события.

2 Выборочные числовые характеристики. Понятие точечной статистической оценки. Требования к оценкам.

1. Случайные события.

1. Случайные события. Частота. Вероятность.     Теория вероятностей — математическая наука, изучающая закономерности массовых случайных явлений (событий).      Случайным событием (или просто событием) называется всякое явление, которое может произойти или не произойти при осуществлении определенной совокупности условий. Теория вероятностей имеет дело с такими событиями, которые имеют массовый характер. Это значит, что данная совокупность условий может быть воспроизведена неограниченное число раз. Каждое такое осуществление данной совокупности условий называют испытанием (или опытом).      Если, например, испытание состоит в бросании монеты, то выпадение герба является событием; если испытание — изготовление подшипника данного типа, то соответствие подшипника стандарту — событие; если испытание — бросание игральной кости, т. е. кубика, на гранях которого проставлены цифры (очки) от 1 до 6, to выпадение пятерки — событие.      События будем обозначать заглавными буквами латинского алфавита: A, В, С, ... .      Пусть при n испытаниях событие A появилось m раз.      Отношение m/n называется частотой (относительной частотой) события A и обозначается Р*(А)=m/n      Опыт показывает, что при многократном повторении испытаний частота Р*(А) случайного события обладает устойчивостью. Поясним это на примере.      Пусть при бросании монеты 4040 раз герб выпал 2048 раз. Частота появления герба в данной серии опытов равна Р*(А)=m/n=2048/4040=0,5069. При бросании той же монеты 12000 раз герб выпал 6019 раз. Следовательно, в этом случае частота Р*(А)=6019/12000=0,5016. Наконец, при 24000 бросаний герб появился 12012 раз с частотой Р*(А)=0,5005. Таким образом, мы видим, что при большом числе бросаний монеты частота появления герба обладает устойчивостью, т. е. мало отличается от числа 0,5. Как показывает опыт, это отклонение частоты от числа 0,5 уменьшается с увеличением числа испытаний. Наблюдаемое в этом примере свойство устойчивости частоты является общим свойством массовых случайных событий, а именно, всегда существует такое число, к которому приближается частота появления данного события, мало отличаясь от него при большом числе испытаний. Это число называется вероятностью события. Оно выражает объективную возможность появления события. Чем больше вероятность события, тем более возможным оказывается его появление. Вероятность события A будем обозначать через Р(А). В рассмотренном выше примере вероятность появления герба, очевидно, равна 0,5.      Событие называется достоверным, если оно в данном опыте обязательно должно произойти; наоборот, событие называется невозможным, если оно в данном опыте не может произойти.      Пусть, например, из урны, содержащей только черные шары, вынимают шар. Тогда появление черного шара — достоверное событие; появление белого шара — невозможное событие.      Если событие достоверно, то оно произойдет при каждом испытании (m=n). Поэтому частота достоверного события всегда равна единице. Наоборот, если событие невозможно, то оно ни при одном испытании не осуществится (m=0). Следовательно, частота невозможного события в любой серии испытаний равна нулю. Поэтому вероятность достоверного события равна единице, а вероятность невозможного события равна нулю.      Если событие A не является ни достоверным, ни невозможным, то его частота m/n при большом числе испытаний будет мало отличаться от некоторого числа p (где 0 < p < 1 ) — вероятности события A.      Совмещением (или произведением) двух событий A и В называется событие, состоящее в совместном наступлении как события A, так и события В. Это событие будем обозначать АВ или ВА.      Аналогично, совмещением нескольких событий, например A, В и С, называется событие D=ABC, состоящее в совместном наступлении событий A, В и С.      Объединением (или суммой) двух событий A и В называется событие С, заключающееся в том, что произойдет по крайней мере одно из событий A или В. Это событие обозначается так: С=А+В.      Объединением нескольких событий называется событие, состоящее в появлении по крайней мере одного из них. Запись D=A+B+C означает, что событие D есть объединение событий A, В и С.  Случайное событие, его частота и вероятность

      Случайными событиями называются такие события, которые могут произойти или не произойти при осуществлении совокупности условий, связанных с возможностью появления данных событий.       Случайные события обозначают буквами A, B, C,... . Каждое осуществление рассматриваемой совокупности называется испытанием. Число испытаний может неограниченно возрастать. Отношения числа m наступлений данного случайного события A в данной серии испытаний к общему числу n испытаний этой серии называется частотой появления события A в данной серии испытаний (или просто частотой события А) и обозначается Р*(А). Таким образом, P*(A)=m/n.       Частота случайного события всегда заключена между нулем и единицей: 0 ≤ P*(A) ≤ 1.       Массовые случайные события обладают свойством устойчивости частоты: наблюдаемые в различных сериях однородных испытаний (с достаточно большим числом испытаний в каждой серии) значения частоты данного случайного события колеблются от серии к серии в довольно тесных пределах.       Именно это обстоятельство позволяет при изучении случайных событий применять математические методы, приписывая каждому массовому случайному событию его вероятность, за которую принимается то (вообще говоря заранее неизвестное) число, около которого колеблется наблюдаемая частота события.       Вероятность случайного события А обозначается через Р(А).

Вероятность случайного события, как и его частота, заключена между нулем и единицей: 0 ≤ P(A) ≤ 1.       Достоверному событию (т.е. событию, которое должно произойти при каждом испытании) приписывают вероятностьР(А)=1.       Невозможному событию (т.е. событие, которое не может произойти ни при одном испытании) приписывают вероятность Р(А)=0.       В некоторых простейших случаях вероятность случайного события может быть определена заранее. Это можно сделать, например, тогда, когда возможные результаты каждого из однородных испытаний могут быть представлены в виде n единственно возможных, несовместных друг с другом и равновозможных исходов ("случаев") (т.е. кроме этих n исходов не может быть никаких других, никакие два из них не могут произойти одновременно и есть основания считать, что любой из них не является более возможным, чем другие). Если из этих n единственно возможных, несовместных и равновозможных случаев m случаев связаны с наступлением события А (или, как говорят в теории вероятностей, "благоприятствуют" А), то за вероятность события А принимается отношение m к n:  P(A)=m/n. 

Теоремы сложения и умножения Противоположные события.

Тема "Теоремы сложения и умножения вероятностей"

События называют несовместными, если появление одного из них исключает появление других событий в одном и том же испытании. Несколько событий образуют полную группу, если в результате испытания появится хотя бы одно из них. Суммой   двух событий   и   называют событие, состоящее в появлении события  , или события  , или обоих этих событий. Суммой нескольких событий называют событие, состоящее в появлении хотя бы одного из этих событий. Теорема. Вероятность появления одного из двух несовместных событий, безразлично какого, равна сумме вероятностей этих событий: . Другими словами, вероятность суммы двух несовместных событий равна сумме вероятностей этих. Следствие. Вероятность появления одного из нескольких попарно несовместных событий, безразлично какого, равна сумме вероятностей этих событий: . Теорема. Сумма вероятностей попарно несовместных событий  , образующих полную группу, равна единице:   

Противоположными называют два единственно возможных события, образующих полную группу. Событие, противоположное событию  , принято обозначать  . Теорема. Сумма вероятностей противоположных событий равны единице: . Произведением двух событий   и   называют событие  , состоящее в совместном появлении этих событий. Произведением нескольких событий называют событие, состоящее в совместном появлении всех этих событий. Два события называют совместными, если появление одного из них не исключает появление другого события в одном и том же испытании. Теорема. Вероятность появления хотя бы одного из двух совместных событий равна сумме вероятностей этих событий без вероятности их совместного появления: .

 Условной вероятностью   называют вероятность события  , вычисленную в предположении, что событие   уже наступило. Условная вероятность события   при условии, что событие   уже наступило, по определению, равна: . Теорема. Вероятность совместного появления двух событий равна произведению вероятности одного из них на условную вероятность другого, вычисленную в предположении, что первое событие уже наступило: . Следствие. Вероятность совместного появления нескольких событий равна произведению вероятности одного из них на условные вероятности всех остальных, причем вероятности каждого последующего события вычисляются в предположении, что все предыдущие события уже появились: . Событие называют   независимым от события  , если появление события   не меняет вероятности появления события  , то есть если условная вероятность события равна его безусловной вероятности:

Свойство независимости событий взаимно: если событие   не зависит от события  , то и событие   не зависит от события  . Теорема. Вероятность совместного появления двух независимых событий равна произведению вероятности этих событий: . Несколько событий называют попарно независимыми, если каждые два из них независимы. Несколько событий называют независимыми в совокупности, если независимы каждые два из них и независимы каждое событие и все возможные произведения остальных. Следствие. Вероятность совместного появления нескольких событий, независимых в совокупности, равна произведению вероятностей этих событий: . Теорема. Вероятность появления хотя бы одного из событий  , независимых в совокупности, равна разности между единицей и произведением вероятностей противоположных событий  : .

Теоремы сложения и умножения вероятностей

Суммой двух событий А и В называется событие С, состоящее в появлении хотя бы одного из событий А или В.

Теорема сложения вероятностей

Вероятность суммы двух несовместимых событий равна сумме вероятностей этих событий:

Р (А + В) = Р (А) + Р (В).

В случае, когда события А и В совместны, вер-ть их суммы выражается формулой

Р (А +В) = Р (А) + Р (В) – Р (АВ), где АВ – произведение событий А и В.

Два события называются зависимыми, если вероятность одного из них зависит от наступления или не наступления другого. в случае зависимых событий вводится понятие условной вероятности события.

Условной вероятностью Р(А/В) события А называется вероятность события А, вычисленная при условии, что событие В произошло. Аналогично через Р(В/А) обозначается условная вероятность события В при условии, что событие А наступило.

Произведением двух событий А и В называется событие С, состоящее в совместном появлении события А и события В.

Теорема  умножения вероятностей

Вероятность произведения двух событий равна вер-ти одного из них, умноженной на условную вероятность другого при наличии первого: Р (АВ) = Р(А) · Р(В/А), или Р (АВ) = Р(В) · Р(А/В).

Следствие. Вероятность совместного наступления двух независимых  событий А и В равна произведению вероятностей этих событий: Р (АВ) = Р(А) · Р(В).

Следствие. При производимых n одинаковых независимых испытаниях, в каждом из которых событияА появляется с вероятностью р, вероятность появления события А хотя бы один раз равна 1 - (1 - р)n

Теорема сложения вероятностей и ее следствия                               

            Теорема (сложения вероятностей). Вероятность суммы двух случайных событий равна сумме вероятностей этих событийминус вероятность их пересечения: .           

 Доказательство. Очевидно: ;

Тогда .

Поскольку события   и   несовместны, то по аксиоме  :

.

События   и   несовместны, и по аксиоме  :

.

События  и   несовместны, по  аксиоме  :

.

Итак,

            Следствие 1: Верно следующее обобщение формулы для трех слагаемых:

            Следствие 2: Верно следующее обобщение формулы для  слагаемых:

- формула включений и исключений. 

            Определение. Событие А называется независимым от события В, вероятность события А не зависит от того, произошло событие В или нет. Событие А называетсязависимым от события В, если вероятность события А меняется в зависимости от того, произошло событие В или нет.

 Условная вероятность

           Наступление события   может повлиять на вероятность появления события  . Для учета таких случаев вводится понятие условной вероятности события  .

Определение. Вероятность события  , вычисленная при условии, что имело место событие  , называется условной вероятностью события    и обозначается .

            Пример. Пусть событие   - означает, что при бросании двух кубиков на первом выпала 1, а событие   - означает, что сумма очков, выпавших на двух костях больше 5. Найти вероятность  .

            Решение. Если на первом кубике выпала 1, то возможными исходами опыта являются исходы  . Событию   при этом благоприятствуют исходы  , т.е. два из 6, значит, 

Теорема умножения вероятностей.

            Вероятность произведения двух событий (совместного появления этих событий) равна произведению вероятности одного из них на условную вероятность другого, вычисленную при условии, что первое событие уже наступило:

            Доказательство. Докажем теорему для случая, когда опыт имеет конечное число несовместных равновероятных исходов. Пусть:

        событие   появилось в    исходах опыта;

        событие   появилось в    исходах опыта;

        событие   появилось в    исходах опыта.

Вероятность события   вычислим по классическому определению. Поскольку событие   произошло, то всего возможных в этом случае исходов -  ; при этом  из этих   возможных исходов  благоприятны событию   те исходы, которые составляют событие  , т.е.   исходов: ,

Или .

Следствие 1. Обобщим теорему на случай трех событий:

Следствие 2. Обобщим теорему на случай   событий: в случае произведения нескольких зависимых событий вероятность равна произведению одного из них на условные вероятности всех остальных при условии, что вероятность каждого последующего вычисляется в предположении, что все остальные события уже совершились: .

Пример. В группе 20 студентов. Из них двое курят, 12 – в очках, 6 – курят и носят очки. Найти вероятность того, что студент курит, если он носит очки.

Решение. Пусть событие   - студент курит;   - студент носит очки.

Тогда .

Заметим, что условная и безусловная вероятности события   в данной задаче различны: .

  События называются независимыми, если появление одного из них не влияет на вероятность появления другого:  .

   Если события независимые, то теорема умножения вероятностей принимает вид:

- критерий независимости событий.

В рассмотренном примере события   и   - зависимы, поскольку

.

3) Если события   и   независимы, то по 2) события   и   независимы; и по 1)   и   независимы.

Определение. События   независимы в совокупности, если 

.

Определение. События   попарно независимы, если в любой паре   события   и   независимы.

Независимость в совокупности и попарная независимость событий – понятия разные.

Пример. Три грани треугольной пирамиды окрашены соответственно в  белый, зеленый, желтый цвета. На последней грани присутствуют все три цвета. Случайным образом выбирают грань. Найти вероятности событий:  =«на грани есть желтый цвет»;

    =«на грани есть белый цвет»;

=«на грани есть зеленый цвет»;

Решение. Желтый цвет имеется на двух гранях из четырех, т.о.  ; аналогично:  .  Вероятность того, что на выпавшей грани есть два цвета -  , т.е. . Таким образом,

,

Т.е. все события попарно независимы. Однако события не являются независимыми в совокупности:

 

            Теорема. (О появлении хотя бы одного из независимых событий)

            Пусть вероятность появления каждого из  п событий  , независимых в совокупности, равна . Вероятность появления хотя бы одного события,  равна

, 

Доказательство. Поскольку по закону Де Моргана

,

то

.

           

            Пример.  Из полной колоды карт (52 шт.) одновременно вынимают четыре карты. Найти вероятность того, что среди этих четырех карт будет хотя бы одна бубновая карта.

            Решение. Пусть событие   означает «среди четырех вынутых карт есть хотя бы одна бубновая карта». Тогда  . Событие   означает, что все четыре карты не бубновой масти. Вероятность того, что случайно взятая из колоды карта не бубновая -   и  , тогда  ,  

Пример. Вероятность хотя бы одного попадания в мишень стрелком при трех выстрелах равна 0,875. Найти вероятность попадания в мишень при одном выстреле.

 

            Если обозначить р – вероятность попадания стрелком в мишень при одном выстреле, то вероятность промаха при одном выстреле, очевидно, равна (1 – р).

            Вероятность трех промахов из трех выстрелов равна (1 – р)3. Эта вероятность равна 1 – 0,875 = 0,125, т.е. в цель не попадают ни одного раза.

            Получаем: 

            Пример.  Чему равна вероятность того, что при бросании трех игральных костей 6 очков появится хотя бы на одной из костей?

            Решение.

            Вероятность выпадения 6 очков при одном броске кости (событие  ) равна  . Вероятность того, что не выпадет 6 очков (событие  ) -  . Вероятность того, что при броске трех костей не выпадет ни разу 6 очков равна  .

 

            Тогда вероятность того, что хотя бы один раз выпадет 6 очков, равна  .

 

Пример. Один из трех стрелков производит два выстрела. Вероятность попадания в цель при одном выстреле для первого стрелка равна 0,4, для второго – 0,6, для третьего – 0,8. Найти вероятность того, что в цель попадут два раза.

            Вероятность того, что выстрелы производит первый, второй или третий стрелок равна  .

            Вероятности того, что один из стрелков, производящих выстрелы, два раза попадает в цель, равны:

Противоположные события

Два события называются совместными, если появление одного из них не исключает появление другого в одном и том же испытании.

Два события называются противоположными, если в данном испытании они несовместны и одно из них обязательно происходит. Вероятности противоположных событий в сумме дают  .

Если событие   может произойти с вероятностью   и опыт повторяют   раз, то вероятность, что оно наступит хотя бы один раз, есть:  , где  . 

Противоположные события. Противоположными называют два единственно возможных события, образующих полную группу. Если одно из двух противоположных событий обозначено через A, то другое принято обозначать

примеры противоположных событий

Теорема. Сумма вероятностей противоположных событий равна единице:

.

Доказательство базируется на том, что противоположные события образуют полную группу, а сумма вероятностей событий, образующих полную группу, равна единице (см. Теорему о полной группе событий).

З а м е ч а н и е 1. Если вероятность одного из двух противоположных событий обозначена через р, то вероятность другого события обозначают через q. Таким образом, в силу предыдущей теоремы

p + q = l

З а м е ч а н и е 2. При решении задач на отыскание вероятности события А часто выгодно сначала вычислить вероятность противоположного события, а затем найти искомую вероятность по формуле

.

2. Выборочные числовые характеристики. Понятие точечной статистической оценки. Требования к оценкам.

ее выборочное  – среднее значение выборки

 

Выборочная дисперсия  – среднее значение квадрата отклонения значений выборки от выборочного среднего.

Часто используют более простую формулу для вычисления выборочной дисперсии: 

Исправленная выборочная дисперсия   : 

(является лучшей оценкой дисперсии генеральной совокупности)

Исправленное выборочное среднее квадратическое отклонение S 

Для расчёта числовых характеристик в случае интервального статистического ряда используется дискретный ряд, вариантами которого являются середины интервалов.

Точечная оценка и ее свойства

Распределение случайной величины (распределение генеральной совокупности) характеризуется обычно рядом числовых характеристик:

для нормального распределения N(a, σ) — это математическое ожидание a и среднее квадратическое отклонение σ ;

для равномерного распределения R(a,b) — это границы интервала [a;b], в котором наблюдаются значения этой случайной величины.

Такие числовые характеристики, как правило, неизвестные, называются параметрами генеральной совокупности. Оценка параметра — соответствующая числовая характеристика, рассчитанная по выборке. Оценки параметров генеральной совокупности делятся на два класса: точечные и интервальные.

Когда оценка определяется одним числом, она называется точечной оценкой. Точечная оценка, как функция от выборки, является случайной величиной и меняется от выборки к выборке при повторном эксперименте.  К точечным оценкам предъявляют требования, которым они должны удовлетворять, чтобы хоть в каком-то смысле быть «доброкачественными». Это несмещённость, эффективность и состоятельность.

Интервальные оценки определяются двумя числами – концами интервала, который накрывает оцениваемый параметр. В отличие от точечных оценок, которые не дают представления о том, как далеко от них может находиться оцениваемый параметр, интервальные оценки позволяют установить точность и надёжность оценок.

В качестве точечных оценок математического ожидания, дисперсии и среднего квадратического отклонения используют выборочные характеристики соответственно выборочное среднее, выборочная дисперсия и выборочное среднее квадратическое отклонение.

Требования к оценкам

Точечная оценка параметров может быть получена приравниванием выборочных моментов моментам совокупности. [1]

Точечная оценка параметра 6 связана с оценкой интервального типа [ 0Н, 6В ], где 6И - нижняя, а 0В - верхняя граница. Они дают некоторую степень уверенности в том, что истинное значение параметра лежит внутри определенного интервала. [2]

Точечная оценка параметров может быть получена приравниванием выборочных моментов моментам совокупности. [3]

Точечная оценка параметра 6 связана с оценкой интервального типа [ Э, 0В ], где 6Н - нижняя, а Эв - верхняя граница. Они дают некоторую степень уверенности в том, что истинное значение параметра лежит внутри определенного интервала. [4]

К построению довери-тельних интервалов ( и проверке гипотеы для неизвестного мате-магического ожидания выборки из нормальной совокупности при неизвестной дисперсии.

Точечная оценка параметров без указания степени ее достоверности дает мало информации, так как представляет собой частное значение случайной величины. [5]

Точечные оценки параметров аг к 0 ] определяются по вероятностной бумаге логарифмически нормального распределения аналогично рассмотренному выше нормальному распределению. [6]

Если точечная оценка параметра а совпадает с серединой доверительного интервала о ( & % ai) / 2, то ответ часто записывают в виде а о Ар, где Ар ( а2 - c i) / 2 - половина длины доверительного интервала. [7]

Найдены точечные оценки параметров для каждого из законов по каждой совокупности. Получены интервальные оценки изучаемых величин и их математических ожиданий. Это позволяет судить - о вариации как самих величин, так и их математических ожиданий в случае принятия той или ино & гипотезы о законе распределения рассматриваемого показателя. [8]

Разобранные выше точечные оценки параметров распределения ( математического ожидания и дисперсии) могут быть приняты в качестве первоначальных ориентировочных результатов обработки наблюдений. Их недостаток в том, что неизвестно, с какой точностью они дают оцениваемый параметр. Если для большого числа наблюдений точность обычно бывает достаточной для практических выводов ( в силу несмещенности, состоятельности и эффективности сделанных оценок), то для выборок небольшого объема вопрос о точности оценок очень существен. [9]

За точечную оценку параметра в берут такое его значение в, при котором функция правдоподобия достигает максимума. [10]

Функции плотности вероятности / ( 9, 9о с различными свойствами оценок.

Под точечной оценкой параметра распределения понимают оценку одним числом. К точечным оценкам предъявляются следующие требования: состоятельность, несмещенность, эффективность, устойчивость, надежность, смысл и необходимость которых будут обсуждены ниже. [11]

Биномиальное распределение с параметрами р 0 2 и п10.

В качестве точечной оценки параметра р ( вероятности) используют относительную частость hn k / n [ см. формулу (1.1) ], с которой k раз появилось событие А. [12

Билет №4

1.Виды распределений непрерывных случайных величин

2. Основные задачи теории корреляции.

3. Задач

1.Виды распределений непрерывных случайных величин

Распределения непрерывных случайных величин

Равномерное распределение. Непрерывная величина  Х  распределена равномерно на интервале (a, b), если все ее возможные значения находятся на этом интервале и плотность распределения вероятностей постоянна:

            (29)

Для случайной величины Х , равномерно распределенной в интервале (a, b) (рис. 4), вероятность попадания в любой интервал (x1, x2), лежащий внутри интервала (a, b), равна:

           (30)   Рис. 4. График плотности равномерного распределения

 

Примерами равномерно распределенных величин являются ошибки округления. Так, если все табличные значения некоторой функции округлены до одного и того же разряда  , то выбирая наугад табличное значение, мы считаем, что ошибка округления выбранного числа есть случайная величина, равномерно распределенная в интервале   

Показательное распределение. Непрерывная случайная величина  Х  имеет показательное распределение, если плотность распределения ее вероятностей выражается формулой:

          (31)

График плотности распределения вероятностей (31) представлен на рис. 5.

  Рис. 5. График плотности показательного распределения

 

Время Т безотказной работы компьютерной системы есть случайная величина, имеющая показательное распределение с параметром λ , физический смысл которого – среднее число отказов в единицу времени, не считая простоев системы для ремонта.

Нормальное (гауссово) распределение. Случайная величина  Х  имеет нормальное (гауссово) распределение, если плотность распределения ее вероятностей определяется зависимостью:

            (32)

где m = M(X) ,  .

При    нормальное распределение называется стандартным.

График плотности нормального распределения (32) представлен на рис. 6.

  Рис. 6. График плотности нормального распределения 

Нормальное распределение является наиболее часто встречающимся в различных случайных явлениях природы. Так, ошибки выполнения команд автоматизированным устройством, ошибки вывода космического корабля в заданную точку пространства, ошибки параметров компьютерных систем и т.д. в большинстве случаев имеют нормальное или близкое к нормальному распределение. Более того, случайные величины, образованные суммированием большого количества случайных слагаемых, распределены практически по нормальному закону.

Гамма-распределение. Случайная величина  Х  имеет гамма-распределение, если плотность распределения ее вероятностей выражается формулой:

              (33)

где      – гамма-функция Эйлера. 

Основные свойства гамма-функции:

Параметры   – любые положительные числа. Гамма-распределение является также распределением Пирсона типа III [3]. При  гамма-распределение превращается в показательное распределение с параметром λ, так как Г(1) = 1. Гамма-распределение широко используется в математической статистике. Hа рис. 7 представлены графики плотности гамма-распределения (33) при  .

  Рис. 7. Графики плотности гамма-распределения

2. Основные задачи теории корреляции.

Основные задачи теории корреляции.

Первая задача теории корреляции — установить фор­му корреляционной связи, т. е. вид функции регрессии (ли­нейная, квадратичная показательная и т. д.). Наиболее часто функции регрессии оказываются линейными. Если обе функции регрессии /(*) и ф((/) линейны, то корреляцию называют линейной-, в противном случае — нелинейной. Очевидно, при линейной корреляции обе линии регрессии являются прямыми линиями.

Вторая задана теории корреляции — оценить тесноту {силу) корреляционной связи. Теснота корреляционной за­висимости К от X оценивается по величине рассеяния зна­чений У вокруг условного среднего ух. Большое рассеяние свидетельствует о слабой зависимости К от X либо об отсутствии зависимости. Малое рассеяние указывает на­личие достаточно сильной зависимости; возможно даже, что У и X связаны функционально, но под воздействием второстепенных случайных факторов эта связь оказалась размытой, в результате чего при одном и том же значении х величина Y принимает различные значения.

Аналогично (по величине рассеяния значений X во­круг условного среднего ху) оценивается теснота корре­ляционной связи X от У.

Билет №5

Случайные события.

Формула полной вероятности

Пусть событие А может осуществляться лишь вместе с одним из событий Н1, H2, H3,..., Hn, образующих полную группу, т. е. эти события являются единственно возможными и несовместными. Так как заранее неизвестно, какое из событий Н1, H2, H3,..., Hn наступит, то их называют гипотезами. Пусть также известны вероятности гипотез Р(Н1), Р(Н2),…, Р(Hn) и условные вероятности события А, а именно: Р(А/Н1), Р(А/Н2),…, Р(А/Нn).

Так как гипотезы образуют полную группу, то

Рассмотрим событие А – это или Н1·А, или … Нn·А. События Н1·А, Н2·А, …, Нn·А – несовместные попарно, так как события Н1, H2, H3,..., Hn попарно несовместны. К этим событиям применяем теорему сложения вероятностей для несовместных событий:

Р(А)=Р(Н1·А)+Р(Н2·А) +…+ Р(Нn ·А) = .

События Н1 и А, Н2 и А,..., Нn и А – зависимые. Применив теорему умножения вероятностей для зависимых событий, получим:

(1)

Пример 1. В цехе типа станков с одинаковой производительностью изготавливают один и те же детали. Станки первого типа производят 0,94 деталей стандартного качества, 2-го типа-0,9, 3-го типа –0,85, которые в нерассортированном виде лежат на складе. Какова вероятность того, что наудачу взятая деталь стандартного качества, если станков 1-го типа 5,2-го, 3-го –2.

Решение. Пусть - наудачу взятая деталь стандартного качества. Тогда гипотезы: - деталь произведена станком 1-го типа, - 2-го типа, - 3-го типа. Так как производительность станков одинакова, то . Если деталь произведена станком 1-го типа, то . Аналогично

Формула Бейеса

.

2. Статистическая проверка статистических гипотез

Статистическая проверка статистических гипотез. Общие принципы проверки гипотез. Понятия статистической гипотезы (простой и сложной), нулевой и конкурирующей гипотезы, ошибок первого и второго рода,  уровня значимости, статистического критерия, критической области, области принятия гипотезы. Наблюдаемое значение критерия. Критические точки. Мощность критерия. Критерии для проверки гипотез о вероятности события, о математическом ожидании, о сравнении двух дисперсий.

Определение 19.1. Статистической гипотезой называют гипотезу о виде неизвестного распределения генеральной совокупности или о параметрах известных распределений.

Определение 19.2. Нулевой (основной) называют выдвинутую гипотезу Н0. Конкурирую-щей (альтернативной)  называют гипотезу Н1, которая противоречит нулевой.

Пример. Пусть Н0 заключается в том, что математическое ожидание генеральной совокупности а = 3. Тогда возможные варианты Н1: а) а ≠ 3;  б) а > 3; в) а < 3.

Определение 19.3. Простой называют гипотезу, содержащую только одно предположение,сложной – гипотезу, состоящую из конечного или бесконечного числа простых гипотез.

Пример. Для показательного распределения гипотеза Н0: λ = 2 – простая, Н0: λ > 2 – сложная, состоящая из бесконечного числа простых ( вида λ = с, где с – любое число, большее 2).

В результате проверки правильности выдвинутой нулевой гипотезы ( такая проверка называется статистической, так как производится с применением методов математичес-кой статистики) возможны ошибки двух видов: ошибка первого рода, состоящая в том, что будет отвергнута правильная нулевая гипотеза, и ошибка второго рода, заключаю-щаяся в том, что будет принята неверная гипотеза.

Билет №6

Дисркетные случайные величины и их законы распределения. Привести примеры

Законы распределения дискретных случайных величин.

Так как дискретная случайная величина имеет конечное или счётное множество значений, то их можно просто перечислить и указать соответствующие вероятности. Это можно сделать, например, в форме таблицы

X

x1

x2

...

xn

...

P

p1

p2

 

pn

 



 

 где,   - вероятность того, что X примет значение x .

 Такую таблицу называют рядом распределения.

События  … несовместимы и в результате опыта одно из них обязательно происходит. Из этого следует

Для наглядности ряд распределения можно изобразить геометрически.

 

 

 

 

 Для этого из каждой точки   откладывают вверх отрезок равный  .На рисунке изображен многоугольник распределения.

Примеры дискретных сл.вел: 1). Индикатор события I. Эта случайная величина имеет закон распределения : Если вероятность появления события   в некотором опыте равна p, то I принимает значение 1, если событие произошло, и значение 0, если событие не произошло. I можно назвать числом появлений события в одном опыте.

I

0

1

P

q

р

 

 

 

2). Биномиальный закон распределения. Случайная величина может принимать значения 0,1,2,…,n и каждому значению X=m соответствует вероятность  , где p+q=1. Этот закон распределения считается заданным, если известны числа n и p, через которые выражаются все вероятности. Случайную величину подчинённою этому закону   можно назвать числом появле­нии события в n независимых опытах.

З). Пуассоновский закон распределения. Случайная велbчина имеет возможные значения 0,1,2,3,…… и каждому значению Х=m со­ответствует вероятность  ,где   - некоторый параметр, вероятностный смысл которого будет указан несколько страниц спустя.

4). Гипергеометрический закон распределения. Возможные значения X: 0,1,…,n. И каждому значению X=m соответ­ствует вероятность P(X=m)=P = .  Эта случайная величина, например, равна числу m бракованных изделий среди n взятых наугад из партии объёма N, содержащей M бракованных изделий.

5). Геометрический закон распределения.

X

1

2

3

…

n

…

P

p

qp

…

…

  q=1-p

Если, например, p – вероятность изготовления бракованной детали, то случайная величина X с этим законом распределения будет равна общему числу деталей     до момента изготовления первой бра­кованной детали.

Построение ряда распределения удобно лишь для дискретных случайных величин, так как можно перечислить их все возможные значения.

Закон больших чисел для последовательности независимых случайных величин.

Закон больших чисел

Как известно, нельзя заранее уверенно предвидеть какое из возможных значений примет случайная величина в итоге испытания. Но оказывается, что при некоторых сравнительно широких условиях, суммарное поведение достаточно большого числа случайных величин почти утрачивает случайный характер и становится закономерным, т.е. можно предвидеть ход явления. Эти условия и указываются в теоремах, носящие общее название закона больших чисел.

Теорема Чебышева

При неограниченном увеличении числа независимых испытаний среднее арифметическое наблюдаемых значений случайной величины, имеющей конечную дисперсию, сходится по вероятности к ее математическому ожиданию.

Обычно для измерения некоторой физической величины производят несколько измерений и их среднее арифметическое принимают в качестве искомого размера.

Ответ на то, при каких условиях это правомерно, дает теорема Чебышева, доказательство которой основано на неравенстве Чебышева.

Неравенство Чебышева. Вероятность того, что отклонение X от ее математического ожидания по абсолютной величине будет меньше данного положительного числа ε, ограничена снизу величиной 1–D(X)/ε2,

т.е. Р(|X – M(X)|< ε) ≥ 1–D(X)/ε2. (5)

Из (5) переходом к противоположному событию можно получить:

Р(|X–M(X) | ≥ ε) ≤ D(X)/ε2.

Рассмотрим результаты каждого измерения как случайные величины .

К этим величинам можно применить Теорему Чебышева, если:

1. Они попарно независимы - ( результат каждого измерения не зависит от результатов остальных).

2. Имеют одно и тоже МО – (измерения проведены без систематических (одного знака) ошибок). В этом случае МО всех случайных величин одинаковы и равны истинному размеру .

3. Дисперсии их равномерно ограничены (прибор обеспечивает определенную точность измерений (рассеивание ограничено)).

При этих условиях выполняется равенство при любом e>0:

. (6)

З а м е ч а н и е. Ошибочно думать, что увеличивая число измерений, можно достичь сколь угодно большой точности. Это ограничивается тем, что сам прибор дает показания с точностью .

На Теореме Чебышева основан широко применяемый в статистике выборочный метод,, суть которого в том, что по сравнительно небольшой случайной выборке судят о всей совокупности (генеральной совокупности) исследуемых объектов. Например, о качестве кипы хлопка заключают по небольшому пучку, состоящему из волокон наудачу отобранных из различных мест кипы. Хотя число волокон в пучке значительно меньше, чем в кипе, сам пучок содержит достаточно большое число волокон

Билет №7

Повторные независимые события. Локальная и интегральная теоремы Лапласа.

Локальная теорема Лапласа

Решим следующую задачу (задача Банаха). Некто носит в кармане две коробки спичек (по 60 спичек каждая) и всякий раз, когда нужна спичка, наугад берет коробку и вынимает спичку. Какова вероятность того, что когда первая коробка будет пуста, во второй все еще останется 20 спичек? Выбор коробки можно рассматривать как независимое испытание, в котором с вероятностью   выбирается первая коробка. Всего опытов производится   и в этих ста опытах первая коробка должна быть выбрана 60 раз. Вероятность этого равна  .

Из записи видно, что при больших   пользоваться формулой Бернулли затруднительно из-за громоздких вычислений. Существуют специальные приближенне формулы, которые позволяют находить вероятности  , если   велико. Одну из таких формул дает следующая теорема.

Теорема 1 Лапласа (локальная). Если в схеме Бернулли  , то вероятность того, что событие   наступит ровно   раз, удовлетворяет при больших   соотношению

 где  .

Для удобства вводится в рассмотрение функция   -- локальная функция Лапласа и с ее помощью утверждение теоремы Лапласа можно записать как

 (*)

Существуют специальные таблицы функции  , по которым для любого значения   можно найти соответствующее значение функции. Получены эти таблицы путем разложения функции    в ряд.

Геометрически этот результат означает, что для больших   многоугольник распределения хорошо вписывается в график функции (*) и вместо истинного значения вероятности   можно для каждого   брать значение функции в точке  .

 

Вернемся теперь к задаче:

,

где значение    (2) найдено по таблице.

Теорема 2 Лапласа (интегральная).

Вероятность того, что в схеме n независимых испытаний событие наступит от k  до k раз приближенно равна P (k k ) , где

 - интегральная функция Лапласа, для которой составлены таблицы. Функция нечетная: Ф(-х)=-Ф(х) и Ф(х 4)=0,5.

Рассмотрим пока без доказательства еще одно утверждение.

Отклонение относительной частоты    от вероятности p в n  независимых испытаниях равно P( < ) = 2 .

Замечание. Обоснование этих фактов будет рассмотрено в разделе “ Предельные теоремы теории вероятностей”.

Пример. Вероятность появления события в каждом из 900 независимых испытаний равна 0.5. 1)Найти вероятность того, что событие произойдет от 400 до 500 раз:

Р (400<k<500) =  =

2)Найти вероятность того, что относительная частота появления события отклонится от его вероятности по абсолютной величине не более, чем на 0,02:

Р( = 2 2

Начальные и центральные теоретические моменты

Рассмотрим дискретную случайную величину X, заданную законом распределения:

X

1

2

5

100

р

0,6

0,2

0,19

0,01

 

 

Найдем математическое ожидание X:

 М(Х) = 1 • 0,6 + 2 • 0,2 + 50,19 + 100 • 0,01 = 2,95.

 Напишем закон распределения X2:

 X2

1

4

25

10000

р

0,6

0,2

0,19

0,01

 

Найдем математическое ожидание X2: 

М(Х2) = 1 • 0,6 + 4 • 0,2 + 25 • 0,19 + 10000 • 0,01 = 106,15. 

Видим, что М(X2) значительно больше М(X). Это объясняется тем, что после возведения в квадрат возможное значение величины X2, соответствующее значению х = 100 величины X, стало равным 10000, т.е. значительно увеличилось; вероятность же этого значения мала (0,01).

Таким образом, переход от М(X) к М(X2) позволил лучше учесть влияние на математическое ожидание того возможного значения, которое велико и имеет малую вероятность. Разумеется, если бы величина X имела несколько больших и маловероятных значений, то переход к величине X2, а тем более к величинам X3, X4 и т.д., позволил бы еще больше “усилить роль” этих больших, но маловероятных возможных значений. Вот почему оказывается целесообразным рассматривать математическое ожидание целой положительной степени случайной величины (не только дискретной, но и непрерывной).

Начальным моментом порядка k случайной величины X называют математическое ожидание величины Xk:

 vk = M(Xk).

 В частности, v1 = M(X), v2 = M(X2).

 Пользуясь этими моментами, формулу для вычисления дисперсии D(X) = M(X2) – [M (Х)]2 можно записать так:

 

 

Моменты более высоких порядков применяются редко.

Замечание. Моменты, рассмотренные здесь, называют теоретическими. В отличие от теоретических моментов, моменты, которые вычисляются по данным наблюдений, называют эмпирическими. Определения эмпирических моментов даны далее

Билет №8

Элементы комбинаторики. Классическое и геометрическое определения ввероятности.

Числовые характеристики случайных величин и их основные свойства

Основные формулы комбинаторики

Основные формулы комбинаторики

При вычислении вероятностей событий по классической формуле часто используются формулы комбинаторики. Комбинаторика изучает количество комбинаций, подчиненных определенным условиям, которые можно составить из элементов заданного конечного множества.

Рассмотрим основной принцип комбинаторики. Допустим, что требуется выполнить одно за другим k действий. Если первое действие можно выполнить способами, второе - способами и т.д., k действие способами, то все k действия могут быть выполнены способами.

Пусть дано множество из n элементов.

Определение 10. Произвольное k-элементное подмножество из n элементного множества, отличающиеся либо самими элементами, либо их порядком называются размещениями и обозначаются .

Число размещений вычисляется по формуле: = .

Пример 4. Дано множество {a‚b‚c}, число размещений из 3 по 2 будет:

{a‚b},{a‚c},{b‚c}‚{b‚a}‚{c‚a}‚{c‚b}, всего

Определение 11. Множества, которые отличаются только порядком элементов называются перестановками и обозначаются .

Число перестановок вычисляется по формуле: !.

Пример 5. Дано множество {a‚b‚c}, число перестановок из 3 элементов будет !=6.

Определение 12. Множества, которые отличаются только самими элементами и состоит из k элементов, взятых из данных n элементов, называются сочетаниями и обозначаются

Число сочетаний находится по формуле

Пример 6. Дано множество {a‚b‚c}, число сочетаний из 3 элементов по 2 в каждом будет {a‚b},{a‚c},{b‚c}. Всего

Пример 7. Сколько всего семизначных телефонных номеров, в каждом из которых ни одна цифра не повторяется.

Решение. Эта задача о размещении по 7 различным местам семи из 10 различных цифр, поэтому число номеров будет:

Пример 8. Сколькими различными способами можно разложить восемь различных писем по восьми различным конвкртам, если в конверте по одному письму.

Решение.

Пример 9. В городки играют 12 человек. Сколькими способами они могут набрать команду из 4 человек на соревнования?

Решение. Число способов равно

Пример10. Имеются изделия 4-х сортов, причем изделий i-ого сорта равно (i=1,2,3,4). Для контроля наудачу берут m изделий. Определить вероятность того, что среди них первосортных, второго, третьего, четвертого сортов соответственно ( ).

Решение. Вероятность вычисляется по классической формуле , где M- число благоприятные исходы (способов), N – общее число исходов (способов). Тогда они вычисляются по формулам:

.

Пример11. Среди n лотерейных билетов k выигрышных. Наудачу взяли m билетов. Определить вероятность того, что l выигрышных.

Решение. Вероятность вычисляется по классической формуле , где M- число благоприятные исходы (способов), N – общее число исходов (способов). В этом случае

Классическое определение вероятности

Вероятностью события   называется отношение числа исходов  , благоприятствующих его наступлению к числу всех исходов   (несовместных, единственно возможных и равновозможных):  .

Будем различать достоверные и невозможные события. По определению, их вероятности соответственно равны 1 и 0. 

Геометрическое определение вероятности

Если число исходов некоторого опыта бесконечно, то классическое определение вероятности не может служить характеристикой степени возможности наступления того или иного события. В этом случае пользуются геометрическим подходом к определению вероятности. При этом вероятность события   есть отношение меры   (длины, площади, объема) к мере  пространства элементарных событий. 

2 Числовые характеристики случайных величин и их основные свойства

ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ СЛУЧАЙНЫХ ВЕЛИЧИН

Закон распределения случайной величины дает исчерпывающую информацию о случайной величине. Однако, иногда можно охарактеризо­вать достаточно ярко случайную величину с помощью всего одного или нескольких чисел. Например, можно указать закон распределения количества осадков выпадающих в данной местности за определенный месяц, но проще и нагляднее указать среднее количество осадков в данном месяце.

Числа, назначение которых в сжатом виде характеризовать основные особенности распределений случайных величин, называются числовыми характеристиками. Рассмотрим некоторые из числовых характеристик и их основные свойства.

Математическое ожидание и его свойства.

Математическим ожиданием (или средним значением) дискретной случайной величины называется сумма произведений всех её возможных значение на соответствующие им вероятности.

X

…

P

…

 

 

 

 Т.е., если сл. величина имеет закон распределения, то

называется её математическим ожиданием. Если сл. величина имеет бесконечное число значений, то математическое ожидание определяется суммой бесконечного ряда  , при условии, что этот ряд абсолютно сходится (в противном случае говорят, что математическое ожидание не существует).

Для непрерывной сл. величины, заданной функцией плотности вероят­ности f(x), математическое ожидание определяется в виде интеграла

при условии, что этот интеграл существует (если интеграл расходится, то говорят, что математическое ожидание не существует).

Пример 1. Определим математическое ожидание случайной величины распределённой по закону Пуассона. По определению

или обозначим , 

Значит, параметр  ,определяющий закон распределения пуассоновской случайной величины равен среднему значению этой величины.

Пример 2. Для случайной величины, имеющей показательный закон распределения  , математическое ожидание равно( ):

(в интеграле пределы взять, с учётов того. что  f(x) отлична от нуля только при положительных x).

Пример 3. Случайная величина, распределенная по закону распределения Коши, не имеет среднего значения. Действительно

Свойства математического ожидания.

Свойство 1. Математическое ожидание постоянной равно самой этой постоянной.

Постоянная С принимает это значение с вероятностью единица и по определению М(С)=С1=С

Свойство 2. Математическое ожидание алгебраической суммы случайных величин равно алгебраической суме их математических ожиданий.

Ограничимся доказательством этого свойства только для суммы двух дискретных случайных величин, т.е. докажем, что

Под суммой двух дискретных сл. Величин понимается сл. Величина, которая принимает значения   с вероятностями

По определению

Но 

где   вероятность события  , вычисленная при условии, что  . В правой части последнего равенства перечислены все случаи появления события  , поэтому   равна полной вероятности появления события  , т.е.  . Аналогично  . Окончательно имеем

Свойство 3. Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий.

У

…

Q

…

Х

…

 

Р

…

 

 

  

Приведем доказательства этого свойства только для дискретных величин. Для непрерывных случайных величин оно доказывается аналогично. 

Пусть Х и У независимы и имеют законы распределения 

Произведением этих случайных величин будет случайная величина, которая принимает значения   с вероятностями равными, в силу независимости случайных величин,  . Тогда

Следствие. Постоянный множитель можно выносить за знак матема­тического ожидания. Так век постоянная С не зависит от того какое значение примет сл. величина X, то по   свойству 3. имеем

М(СХ)=М(С)М(Х)=СМ(Х)

Пример. Если a и b постоянные, то М(ах+b)=аМ(х)+b.

Математическое ожидание числа появления события в схеме независимых испытаний.  Пусть производится n независимых опытов, ве­роятность появления события в каждом из которых равна Р. Чис­ло появлений события в этих n опытах является случайной величиною Х распределённой по биномиальному закону. Однако, непосредственное вычисление её среднего значения громоздко. Для упрощения воспользуемся разложением, которым будем пользоваться в дальнейшем неоднократно:  Число   появления события в n опытах состоит из числа появлений события в отдельных опытах, т.е.

где   имеет закон распределения (принимает значение 1, если событие в данном опыте произошло, и значение 0, если событие в данном опыте не появилось).

0

1

Р

1-р

р

 

 

  

Поэтому

или

т.е. среднее число появлений события в n независимых опытах равно произведению числа опытов на вероятность появления события в одном опыте.

Например, если вероятность попадания в цель при одном выстреле равна 0,1, то среднее число попадания в 20 выстрелах равно 200,1=2.

 

Дисперсия и среднее квадратическое отклонение.

Названные числовые характеристики дают представление о разбросе случайных величин относительно их среднего значения.

Дисперсией (рассеянием) случайной величины называется математическое ожидание квадрата отклонения случайной величины от ее математического ожидания.

Для вычисления дисперсии можно использовать слегка преобразованную формулу

т.к. М(х), 2 и   постоянные величины, то

.

Свойства дисперсии.

Свойство 1. Дисперсия постоянной равна нулю. По определению

Свойство 2. Постоянную можно выносить за знак дисперсии с возведением в квадрат.

Доказательство:

Центрированной случайной величиной называется отклонение случайной величины от ее математического ожидания.

Центрированная величина обладает двумя удобными для преобразования свойствами:

Свойство 3. Если случайные величины Х и У независимы, то

Доказательство. Обозначим  . Тогда   и  . Поэтому

Во втором слагаемом в силу независимости случайных величин и свойств центрированных случайных величин

поэтому равенство можно продолжить

Пример. Если a и b – постоянные, то D(ax+b)=D(ax)+D(b)=

Дисперсия, как характеристика разброса случайной величины, имеет один недостаток. Если, например, Х – ошибка измерения имеет размерность ММ, то дисперсия имеет размерность  . Поэтому часто предпочитают пользоваться другой характеристикой разброса – средним квадратическим отклонением, которое равно корню квадратному из дисперсии.

Среднее квадратическое отклонение имеет ту же размерность, что и сама случайная величина.

Дисперсия числа появления события в схеме независимых испытаний.

 Производится n независимых испытаний и вероятность появления события в каждом испытании равна р. Выразим, как и прежде, число появления события Х через число появления события в отдельных опытах

Так как опыты независимы, то и связанные с опытами случайные величины   независимы. А в силу независимости   имеем

0

1

Р

1-р

р

 

 

Но каждая из случайных величин имеет закон распределения и  , поэтому по определению дисперсии

,

где q=1-p

В итоге имеем  , 

Среднее квадратическое отклонение числа появления событий в n независимых опытах равно  .

Дискретные и непрерывные случайные величины

Основные определения и примеры случайных величин

1. Случайной величиной называется величина, которая в результате опыта может принять то или иное (но только одно) значение, причем заранее до опыта неизвестное.

2. Величина, принимающая отдельные изолированные возможные значения, называется дискретной.

Примеры дискретных распределений.

1. Биноминальное распределение

2 . Распределение Пуассона

3. Геометрическое распределение

4.Гипергеометрическое распределение

5. а) Х – число нестандартных деталей в партии из штук. Х может принимать значения: .

б) Х – число выстрелов до первого попадания в цель .

3. Непрерывной случайной величиной называется величина, возможные значения которой, заполняют сплошь некоторый интервал.

Примеры непрерывных распределений

6.Равномерное распределение

, .

7. Нормальное распределение (с параметрами )

8. Показательное распределение

9. Распределение Коши

10. Распределение Пуассона

11. Х – расстояние, которое пролетит снаряд при выстреле из орудия: .

Определение 4. Функцией распределения непрерывной случайной величины Х называется вероятность того, что случайная точка Х в результате опыта попадает левее точки : и обозначается .

Для дискретной величины Х: .

Свойства

1.

2.

3. - неубывающая функция

4.

В дальнейшем величину Х считаем непрерывной, если - непрерывна.

Более наглядное представление, чем , о характере распределения непрерывной величины Х в окрестностях различных точек дается функция плотности распределения (дифференциальная функция) .

Свойства

1.

2.

3.

4.

Пример 14. Построить график и , если

Решение. Построим график заданной функции (рис.1). Найдем и построим её график (рис.2).

.

Рисунок 25.1 Рисунок 25.2

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]