- •78 Елементи диференціального числення Розділ 1. Математична обробка медико-біологічної інформації
- •Елементи диференціального числення
- •1.1.1.Похідна та диференціал функції
- •Геометричне тлумачення похідної і диференціала
- •Фізичне тлумачення похідної і диференціала
- •1.1.2. Основні правила диференціювання
- •1.1.3. Таблиця похідних основних елементарних функцій
- •1.1.4. Правило диференціювання складної функції
- •1.1.5. Похідні вищого порядку
- •1.1.6. Дослідження функцій на монотонність.Максимуми та мінімуми функцій
- •1.1.7. Випуклість та увігнутість графіка функції.Точки перегину
- •1.1.8. Побудова графіків функцій
- •1.1.9. Практичне заняття
- •1.1.10. Завдання для самостійної роботи
- •Функції декількох змінних
- •1.2.1. Частинні похідні і диференціали функції декількох змінних
- •1.2.2. Повний диференціал
- •1.2.3. Застосування диференціала функції для обчислення похибок
- •Правила визначення похибок
- •1.2.4. Практичне заняття
- •1.2.5. Завдання для самостійної роботи
- •Елементи інтегрального числення
- •1.3.1. Первісна.Невизначений інтеграл
- •1.3.2. Властивості невизначеного інтегралу
- •1.3.3. Таблиця найпростіших інтегралів
- •1.3.4. Основні методи інтегрування
- •1.3.5.Визначений інтеграл
- •1.3.6. Властивості визначеного інтеграла
- •1.3.7. Формула Ньютона–Лейбніца
- •1.3.8. Практичне заняття
- •1.3.9. Завдання для самостійної роботи
- •Елементи теорії Звичайних диференціальних рівнянь
- •1.4.1. Поняття про диференціальні рівняння
- •1.4.2. Лінійні диференціальні рівняння
- •Лінійні диференціальні рівняння першого порядку
- •1.4.3. Диференціальні рівняння зі змінними,що розділяються
- •1.4.4. Лінійні диференціальні рівняння другого порядку з постійними коефіцієнтами
- •1.4.5.Практичне заняття
- •1.4.6. Завдання для самостійної роботи
- •Основи теорії йМовірностей та математичної статистики
- •1.5.1. Класифікація явищ.Частота та ймовірність події
- •1.5.2. Теорема додавання ймовірностей
- •1.5.3. Теорема множення ймовірностей
- •1.5.4. Формула повної ймовірності.Формули Байєса
- •1.5.5. Повторні випробування. Формула Бернуллі
- •1.5.6. Випадкова величина,дискретні та неперервні випадкові величини
- •1.5.7. Інтегральна та диференціальна функції розподілу
- •1.5.8. Основні кількісні характеристики розподілу випадкових величин
- •1.5.9. Основні закони розподілу випадкових величин
- •1.5.10. Кореляційна залежність
- •1.5.11. Практичне заняття
- •1.5.12. Завдання для самостійної роботи
1.5.5. Повторні випробування. Формула Бернуллі
Припустимо, що проводиться декілька випробувань, причому ймовірність подіїAу кожному випробуванні не залежить від результатів інших випробувань. Знайдемо ймовірність того, що подія А реалізується рівноmразів у серії зnвипробувань. Ця ймовірність визначаєтьсяформулою Бернуллі:
, (1.27)
де p– ймовірність появи подіїАв одному досліді; q = 1 – p– ймовірність того, що подіяА не з’явиться в одному досліді; – число можливих комбінацій ізnелементів поm:
.
Зауважимо, що n! (читаєтьсяn-факторіал) дорівнює добутку всіх чисел від 1 доn, тобтоn! = 1234...(n – 1)n.
1.5.6. Випадкова величина,дискретні та неперервні випадкові величини
Статистична обробка медико-біологічних даних базується на використанні методів математичної статистики, основними поняттями якої є випадкові величини та їх характеристики (математичне сподівання, дисперсія, середнє квадратичне відхилення, закони розподілу випадкових величин, довірчі інтервали тощо).
Випадковиминазиваються величини, які у результаті випробувань (вимірювань, спостережень) можуть набувати різних числових значень за однакових умов випробувань. Випадкові величини бувають:
1. Дискретними, тобто такими, які набувають скінченну множину значень і їх можна пронумерувати.
2. Неперервними, тобто такими, які набувають будь-які значення всередині заданого інтервалу.
Розподілом дискретної випадкової величиниXназивається множина її можливих значеньX1, X2, X3, ..., Xni ймовірностейP1, P2, P3, ..., Pn, які відповідають цим значенням випадкової величини. Як правило, розподіл випадкової дискретної величини характеризується таблицею:
-
Xi
X1
X2
…
Xn–1
Xn
Pi
P1
P2
…
Pn–1
Pn
Зрозуміло, що сума всіх ймовірностей дорівнює 1, тобто .
1.5.7. Інтегральна та диференціальна функції розподілу
Інтегральною функцією розподілу (інтегральним законом розподілу) випадкової величиниХназивається функціяF(x),яка дорівнює ймовірності того,що випадкова величина Х прийме значення менше,ніжх:F(x) = P(X < x),де x –дійсне число.
Побудуємо, як приклад, функціюрозподілу дискретної випадкової величини. Розглянемо однорідний тетраедр, грані якого пронумеровані. Випадкова величинаX, яка дорівнює кількості очок, що випадають з однаковою ймовірністю (), може приймати значення: 1; 2; 3; 4.
Очевидно, що на проміжку функція розподілу, оскільки рівною нулю є ймовірність того, що випадкова величинаX прийме значення менше за одиницю (X < x = 1). Імовірність, що X набуде значення менше за 2 , тому на інтервалі (1; 2].Продовжуючи міркування, матимемо:
Мал.
1.15.
Графік цієї функції подано на мал. 1.15.
Розглянемо основні властивості інтегральної функції розподілу:
1. 0 F(x) 1.
2. F(x) – неспадна функція, тобто, якщоx1 > x2, то F(x1) F(x2).
3. Ймовірність потрапляння випадкової величини в півінтервал [a;b) дорівнює різниці значень інтегральної функції розподілу на кінцях цього інтервалу: P(a X < b) = F(b) – F(a).
4. Ймовірність того, що неперервна випадкова величина Х прийме будь-яке наперед задане значення, дорівнює нулю:F(X = x0) = 0.
5. Ймовірність попадання неперервної випадкової величини в інтервал, сегмент і напівінтервал з одними і тими ж значеннями кінців однакова:
P(a < X < b) = P(a X b) = P(a X < b) = P(a < X b).
6. Якщо всі можливі значення випадкової величини Хналежать деякому інтервалу(a; b), то
F(x) = 0приx a;
F(x) = 1 приx b.
В
Мал.
1.16.
Диференціальною функцією розподілу (щільністю розподілу) називається функціяf (x),яка дорівнює похідній інтегральної функції розподілу:
f (x) = F'(x).
Оскільки F(x) – неспадна функція, тоf (x) 0. Поняття диференціальної функції розподілу вводиться лише для неперервних випадкових величин.
Ймовірність того, що неперервна випадкова величина Х набуватиме значення з деякого інтервалу (a; b), дорівнює визначеному інтервалу від її щільності розподілу f (x) з межами інтегрування a і b:
.
Г
Мал. 1.17.