- •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
1.5.8. Основні кількісні характеристики розподілу випадкових величин
1. Математичне сподівання абосереднє значеннявипадкової величини
. (1.28)
Якщо всі випадкові події рівноймовірні, тобто P1 = P2 = = ... , де n– повне число випадкових подій, то в цьому окремому випадку математичне сподівання зводиться до середнього арифметичного:
.
У випадку неперервної випадкової величини .
2. Дисперсія D(X) випадкової величини X
. (1.29)
З формули випливає, що дисперсія – це математичне сподівання квадрата відхилення випадкової величини X від її математичного сподівання.
Іншийвираз для дисперсії має вигляд
. (1.30)
Таким чином, дисперсія – це різниця математичного сподівання квадрата випадкової величини і квадрата математичного сподівання цієї величини.
Для неперервних випадкових величин , деa – середнє значення M(x). Зрозуміло, що дисперсія характеризує відхилення випадкових величин відносно їх середнього значення (математичного сподівання). Розмірність дисперсії збігається з розмірністю квадрата величини, яка досліджується. Тому для характеристики відхилення не середнього квадрата, а самої випадкової величини вводиться поняття середнього квадратичного відхилення.
Середнє квадратичне відхилення(X) пов’язане з дисперсією формулою
.
Видно, що розмірність збігається з розмірністю самої випадкової величиниX.
1.5.9. Основні закони розподілу випадкових величин
Біноміальний розподіл. Припустимо, що проводитьсяnнезалежних випробувань, у кожному з яких може реалізуватись подіяА, ймовірність появи якоїpпостійна у всіх випробуваннях (імовірність непояви подіїA: q = 1 – p). Розглянемо як дискретну випадкову величинуХчисло появ подіїАу цих випробуваннях. Оскільки подіяАу випробуваннях може не з’явитись або з’явитись 1 раз, або 2 рази, …, абоnразів, то можливими значеннямиХє: 0, 1, 2, 3, …,nвипробувань. Імовірності цих значень визначаються формулою 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:
.
Отже, біноміальним називають розподіл імовірностей, які визначаються формулою Бернуллі. Подамо його у вигляді таблиці:
X |
0 |
1 |
… |
m |
… |
n |
P |
qn |
|
… |
|
… |
pn |
Математичне сподівання випадкової величини Х, розподіленої за біноміальним законом, дорівнює
.
Дисперсія, а, значить,.
Біноміальному розподілу підпорядковуються такі випадкові події, як виклик швидкої допомоги, число операцій, ріст бактерій, деякі характеристики епідемій тощо. Якщо число дослідів велике, то обчислення ймовірностей за формулою Бернуллі громіздкі, тоді використовують пуассонівське наближення.
Розподіл Пуассона(для рідкісних подій). Для визначення ймовірності того, що подія, ймовірність якої мала (), відбудетьсяkразів у серії зnвипробувань (n –достатньо велике), використовують формулу Пуассона:
, (1.31)
де = np– середнє значення числа випадків, в яких реалізується дана подія. Це наближення є особливо вдалим, коли ймовірність подіїАневелика, тому формулу Пуассона часто називають законом рідкісних подій.
Говорять, що випадкова величина Хрозподілена за законом Пуассона, якщо ця величина задана таблицею:
X |
0 |
1 |
2 |
3 |
… |
P |
|
|
|
|
… |
Розподіл Пуассона використовується у теорії масового обслуговування, теорії надійності, у проблемах використання медичної апаратури тощо.
Математичне сподівання дискретної величини Х, розподіленої за законом Пуассона, дорівнює
.
Дисперсія
= .
Н
Мал. 1.18.
. (1.32)
Графік розподілу Гаусса описується симетричною відносно a = M(Х)кривою (див. мал. 1.18),має зміст середньоквадратичного відхилення . Приx = aордината кривої нормальної густини ймовірності дорівнює.
При зменшенні ця ордината необмежено зростає. При цьому крива пропорційно витягується вздовж осі ординат, так що її площа залишається рівною одиниці (мал. 1.19). Іншими словами, “розкид”можливих значень випадкової величини зменшується при зменшенні.
Нормальний розподіл з параметрами a = 0та = 1називаютьнормованим. Щільність розподілу в такому випадку дорівнює
.
Нормальному закону підпорядковується розподіл таких величин, як ріст, вага, артеріальний тиск, довжина судин, частота серцевих скорочень тощо.
П
Мал.
1.19.
Припустимо, що випадкова величина розподілена за нормальним законом. Тоді ймовірність того, що Хнабуде значення з інтервалу (, ), дорівнює
. (1.33)
Той факт, що нормальний закон розподілу повністю описується математичним сподіванням M(Х) = aі дисперсією випадкової величиниD(Х),дозволяє перетворити вираз (1.33) таким чином, щоб можна було користуватись готовими таблицями:
Ф() –Ф() =Ф(t2) –Ф(t1). (1.34)
Функція Ф(Х)називаєтьсяфункцією Лапласа, за її допомогою можна знайти ймовірність потрапляння значень нормально розподіленої випадкової величини у будь-який відрізок(, )числової осі. Для функції Лапласа складені таблиці, схожі з широко відомими таблицями логарифмів чи тригонометричних функцій.