- •Томский государственный университет систем управления и радиоэлектроники с.И. Колесникова высшая математика III
- •Общие методические указания
- •Предмет теории вероятностей и математической статистики
- •Случайные события
- •Испытания и события
- •Виды событий
- •Классическое определение вероятности
- •Основные формулы комбинаторики
- •Произведение и сумма событий
- •Условная вероятность. Вероятность произведения событий
- •Вероятность суммы событий
- •Формула полной вероятности
- •Формула байеса
- •Последовательности испытаний. Формула бернулли
- •Предельные теоремы в схеме бернулли
- •Случайные величины
- •Понятие случайной величины
- •Закон распределения дискретной случайной величины
- •Функция распределения
- •Вероятность попадания случайной величины на заданный интервал
- •Плотность распределения
- •Числовые характеристики случайной величины
- •Примеры дискретных распределений
- •Примеры непрерывных распределений
- •Элементы математической статистики
- •Выборочный метод
- •Генеральная совокупность и выборочная
- •Вариационный ряд. Полигон частот и гистограмма эмпирическая функция распределения
- •Статистическое оценивание
- •Оценка параметров генеральной совокупности. Точечная оценка и ее свойства
- •Оценка с помощью интервалов
- •Проверка статистических гипотез
- •Проверка гипотез о виде распределения. Критерий согласия пирсона
- •Контрольная работа 3.1
- •Контрольная работа 3.2
- •Пример выполнения контрольной работы 3 (ч.2)
- •Алгоритм выполнения задания по проверке статистической гипотезы о виде распределения4
- •Рекомендуемая основная литература
- •Дополнительная литература
- •Критические точки распределения
- •Критические точки распределения Стьюдента
Примеры дискретных распределений
1. Биномиальное распределение. Случайная величина , равная числу «УСПЕХОВ» в схеме Бернулли, имеет биномиальное распределение: , .
Математическое ожидание случайной величины, распределённой по биноминальному закону, равно
.
Дисперсия этого распределения равна .
2. Распределение Пуассона ,
Математическое ожидание и дисперсия случайной величины с распределением Пуассона , .
Распределение Пуассона часто используется, когда мы имеем дело с числом событий, появляющихся в промежутке времени или пространства, например: число машин, прибывших на автомойку в течении часа, число остановок станков в неделю, число дорожных происшествий и т.д.
3. Геометрическое распределение
Случайная величина имеет геометрическое распределение с параметром , если принимает значения с вероятностями . Случайная величина с таким распределением имеет смысл номера первого успешного испытания в схеме Бернулли с вероятностью успеха . Таблица распределения имеет вид:
Примеры непрерывных распределений
Равномерное распределение. Плотность равномерного или прямоугольного распределения:
,
т.е. вероятности всех возможных значений случайной величины одинаковы и равны .
Математическое ожидание случайной величины с равномерным распределением равно
,
дисперсия .
Функция распределения имеет вид , (Рисунок 3.5).
Рисунок 3.5. Графики плотности и функции равномерного распределения
Показательное (экспоненциальное) распределение закон, функция плотности распределения которого имеет вид: , где параметр распределения есть действительное число (постоянный параметр) (Рисунок 3.6).
Функция распределения показательного закона имеет вид:
Математическое ожидание и дисперсия случайной величины, распределенной по показательному закону, равны соответственно , .
Рисунок 3.6. Графики плотности и функции показательного распределения
Нормальное распределение. Нормальный закон распределения вероятностей занимает особое место среди других законов распределения. В теории вероятности доказывается, что плотность вероятности суммы независимых или слабо зависимых, равномерно малых (т.е. играющих примерно одинаковую роль) слагаемых при неограниченном увеличении их числа как угодно близко приближается к нормальному закону распределению независимо от того, какие законы распределения имеют эти слагаемые (центральная предельная теорема А. М. Ляпунова).
Плотность вероятности нормально распределенной случайной величины имеет вид: , где и – вещественные параметры распределения, имеющие конечные значения, при этом часто используют обозначение .
Функция распределения записывается в виде
,
Здесь – табулированный интеграл вероятности (значения интеграла можно найти во всех учебниках и задачниках по теории вероятностей). Функция и плотность нормального распределения изображены на Рисунок 3.7.
Рисунок 3.7. Графики плотности и функции нормального распределения
Математическое ожидание нормально распределенной случайной величины равно , дисперсия . Таким образом, параметры и имеют смысл математического ожидания и среднеквадратического значения (отклонения) случайной величины.
Распределение, описываемое функцией , называется нормальным или распределением Гаусса.
На Рисунок 3.8 изображены кривые нормального распределения случайных погрешностей для различных значений среднеквадратического отклонения .
Рисунок 3.8. Кривые плотности нормального распределения, .
Из Рисунок 3.8 видно, что по мере увеличения среднеквадратического отклонения распределение все более и более расплывается, вероятность появления больших значений погрешностей возрастает, а вероятность меньших погрешностей сокращается, т.е. увеличивается рассеивание результатов наблюдений.
Широкое распространение нормального распределения погрешностей в практике измерений объясняется центральной предельной теоремой теории вероятностей, являющейся одной из самых замечательных математических теорем, в разработке которой принимали участие многие крупнейшие математики – Муавр, Лаплас, Гаусс, Чебышев и Ляпунов.
Центральная предельная теорема утверждает, что распределение случайных погрешностей будет близко в нормальному всякий раз, когда результаты наблюдения формируются под влиянием большого числа независимо действующих факторов, каждый из которых оказывает лишь незначительное действие по сравнению с суммарным действием всех остальных.
Свойства нормального распределения.
А. Если случайная величина .
В. Если случайная величина то
В частности, .
Таким образом, вычисление любых вероятностей для нормально распределённой случайной величины сводится к вычислению функции распределения . Она обладает следующими свойствами:
С. Если , то для любого
D. Правило трех сигм. Если то
Большого смысла в запоминании числа 0.0027 нет, но полезно помнить, что почти вся масса нормального распределения сосредоточена в границах от до .
Пример 3.7. Дана случайная величина . Найти .
Решение. По формуле свойства В при получаем По таблице для функции Лапласа находим .
Пример 3.8. Случайная величина X – отклонение размера изделия от нормы – нормально распределенная, причём М (Х)= 0. Найти (Х), если известно, что Р(– 3 < X < 3) = 0.7.
Решение. Р(– 3 < X < 3) = Р( | X | < 3) = = 0.7. Отсюда следует, что , и, используя табличные данные (приложение 1), получаем 3/ =1.4, или = 3/1.4 2.14.