- •3. Классическое определение вероятности
- •3. Классическое определение вероятности
- •6 Формула полной вероятности
- •7 Случайные величины и законы их распределения
- •10. Основные дискретные распределения.
- •11. Основные непрерывные распределения.
- •12. Закон больших чисел.
- •12.Правило трех сигм.
- •12.Теорема Бернулли.
- •12.Центральная предельная теорема.
- •12.Локальная предельная теорема Муавра-Лапласса.
- •12.Интегральная теорема Муавра-Лапласса.
- •13.Векторные случайные величины.
- •14. Условные распределения двумерной случайной величины.
- •15.Многомерные случайные величины.
- •18 Статистические оценки Точечные
12.Интегральная теорема Муавра-Лапласса.
Теорема. Пусть производится n независимых опытов, в каждом из которых вероятность наступления события А одна и та же и равна . Пусть m - число появления события A в n опытах. Тогда для достаточно больших n случайная величина m имеет распределение, близкое к нормальному с параметрами a=M(m)=np, . Доказательство. Пусть - число наступления события A в i-м опыте. Тогда , (cм. § 4, п. 2, пример 2). Так как может принимать только два значения 0 и 1, то для любого i имеем . Кроме того, величина стремится к бесконечности при . Итак, последовательность случайных величин удовлетворяет условиям следствия из теоремы Ляпунова. Поэтому сумма этих величин достаточно больших n имеет распределение, близкое к нормальному, что и требовалось доказать. Вычислим вероятность того, что случайная величина m, т. е. число наступлений события А в n опытах, удовлетворяет неравенствам , где x1 и x2 - данные числа. Так как a=M(m)=np, (cм. § 4, п. 2, пример 2). То согласно формуле (32) получим
(57) |
где Ф(х) - интеграл вероятностей.
13.Векторные случайные величины.
Двумерным случайным вектором (или двумерной СВ) называется совокупность случайных величин :
Z |
Δ = |
col(X,Y), |
где X и Y - СВ.
Двумерной случайной величиной называют систему из двух случайных величин , для которой определена вероятность совместного выполнения неравенств и , где x и y - любые действительные числа. Функция двух переменных
(34) |
определенная для любых x и y, называется функцией распределения системы двух случайных величин
Свойства двумерной случайной величины.
(lk)
-матрицу распределения. геометр интерпретац двумер дискретн вечличи двумер непрерыв..
16. основные задачи математической статистики.Занимается методами обработки опытных данных, полученных в рез-те наблюдения над случайными явлениями. Задачи мат стата:1)указать способы сбора и группировки стат. сведений, полученных в рез-те наблюдения за случ. процессами. 2)Разработка методов анализа стат. Данных в зависимости от цели исследования. Генеральная и выборочная совокупность. Ген совокупность-множество объектов, из которых производится выборка.Выборочная совокупность-сов-ть случайно отобранных объектов из генеральной совокупности. Повторная и бесповторная выборка.Повторная – при которой отобранный объект возвращается в ген совокупность. Бесповторная – при которой отобранный объект не возвращается в ген совокупность.Репрезентативность выборки.Выборка является репрезентативной, когда достаточно полно представлены изучаемые признаки генеральной совокупности.Условием обеспечения репрезентативности выборкия явл, соблюдение случайности отбора, т.е. все обекты ген выборки имеют равную возм попать в выборку. Теоретическая ФР. по определению, F(x)= mх/n, где n - объем выборки, mх - число выборочных значений величины X, меньших х. В отличие от выборочной функции F(x) интегральную функцию F(x) генеральной совокупности называют теоретической дикцией распределения. Главное различие функций F(x) и F(x) состоит в том, что теоретическая функция распределения F(x) определяет вероятность события Х<х, а выборочная функция - относительную частоту этого события. Статистическое распределение выборки. Распред в тоер вероят – соответствие м/у возможными значениями случ. вел-ны и их вероятностями. Распред в мат статист-соответствие м/у наблюдаемыми вариантами и их частотами.Перечень вариантов и соответствующих частот или частостей назыв статистическим распред выборки. Эмпирическая функция распределения называется функция определяющая для каждого значения х частость события {X<x}: =p*{X<x}. Для нахожд значений эмпирической ф-ии удобно записать в виде=Nx/n, n-объем выборки,Nx-число наблюдений, меньших х. Эмпирическая функция распределения явл оценкой вероятности события {X<x},т.е. оценкой теоретической функции распределения F(x) с.в.Х Гистограмма, полигон относительных частот.Гистограммой частот называют ступнчатую фигуру, состоящую из прямоугольников, основаниями которых служат частичные интервалы длины h, а высоты равны отношению Ni/h-Плотность частоты.)площадь гистограммы частот равна объему выборки, а площадь гистограммы частостей равна единице. Полигон относит частот- ломаная, отрезки которой соединяют точки(xi p* i;) Статистические оценки параметров распределения (выборочная средняя, групповая, общая среднее, выборочная дисперсия.) Выборочным средним ¯xв называется среднее арифметическое всех значений выборки: ¯xв= 1/n∑хini ; Групповая средняя – ср. арифметическое значение признака,
i=1
принадлежащее группе. Общая средняя – ср. арифметическое знач. признака, принадлежащее всей сов-ти. Выборочная дисперсия – ср. арифметическое квадратов отклонения наблюдаемых значений признака от их ср. значения. .Если данные наблюдений представлены в виде дискретного вариационного ряда, причем x1, x2, x3, ..., xn - наблюдаемые варианты, a m1, m2, m3, ..., mv - соответствующие им частоты, то выборочная дисперсия определяется формулой:
Формула для вычисления дисперсии. Dв=х¯2-[х¯]2 (ср.арифметический квадрат значений выборки-квадрат общей средней) Док-во:
Двумерные дискретные случайные величина, ее геометрич интерпретация.
Двумерная случайная величина называется дискретной, если и - дискретные величины. Пусть возможные значения и образуют, например, конечные последовательности x1, x2, ..., xn и y1, y2, ..., ys. Возможные значения двумерной случайной величины имеют вид (xi, yj), где i=1, 2, ..., n; j=1, 2, ..., s. Обозначим через pij вероятность того, что
функция распределения и ее свойства.
Функция распределения F(х, у) имеет вид
где двойная сумма распространена на те i и j, для которых xi<x и yj<y. Двумерную случайную величину так же, как и одномерную, можно задавать таблицей. Первая строка таблицы содержит возможные значения случайной величины , а первый столбец — возможные значения . В остальных клетках таблицы указаны соответствующие вероятности, причем их сумма всегда равна единице. В качестве примера рассмотрим двумерную случайную величину, заданную следующей таблицей:
\ |
-1 |
0 |
1 |
0,1 |
p11=0,05 |
p12=0,20 |
p13=0,30 |
0,2 |
p21=0,10 |
p22=0,20 |
p23=0,15 |
Сумма всех вероятностей
1) F(x,y) определена для всех (x,y) О R2, так как вероятность P{X ≤ x, Y ≤ y} определена для всех x,y О R1.
2) 0 ≤ F(x,y) ≤ 1 для всех x,y О R1. По аксиоме A1 и свойству 5)P для любого события выполняется 0 ≤ P(A) ≤ 1 , поэтому по определению F(x,y) О [0,1].
3) F(-∞,y) = F(x,-∞) = F(-∞,-∞) = 0 для всех x,y О R1. Например, рассматривая
Bn |
Δ = |
{ω : Y(ω) ≤ -n}, где n = 1, 2, ... , |
можно по аналогии с доказательством свойства 3)F(x) установить, что
F(-∞,y) ≤ |
l i m n→∞ |
P(Bn) = P( Ж ) = 0. |
4) FY(y) = F(+∞,y), FX(x) = F(x,+∞) для всех x,y О R1, где FX(y) и FY(x) - функции распределения СВ X и Y соответственно. Это свойство можно установить, следуя доказательству свойства 3)F(x), т.к. {ω : X(ω) ≤ +∞} = {ω : Y(ω) ≤ +∞} = Ω.
5) F(+∞,+∞) = 1. В силу свойства 4)F(x,y) имеем
F(+∞,+∞) = FX(+∞) |
3)F(x) = |
1. |
6) F(x,y) - монотонно неубывающая по каждому из аргументов. Т.к. для Δx > 0 имеем
F(x+Δx,y) |
Δ = |
P{X ≤ x+Δx, Y ≤ y} |
A3 = |
= P{X ≤ x,Y ≤ y} + P{x < X ≤ x + Δx, Y ≤ y},
так как рассматриваемые события несовместны. По аксиоме A1 имеем F(x + Δx,y) ≥ F(x,y). Монотонность F(x,y) по y доказывается аналогично.
7) Если F(x,y) непрерывна по x и y, то вероятность попадания СВ Z в прямоугольник D = {x1 ≤ x ≤ x2, y1 ≤ y ≤ y2} равна
P(D) |
Δ = |
F(x2,y2) + F(x1,y1) - F(x1,y2) - F(x2,y1), |
где F(xi,yj), (i,j = 1,2) - вероятности попадания СВ Z в квадранты Dij с соответствующими вершинами (xi,yj), i,j = 1,2
Матрица распределения.
Двумерная непрерывная случайная величина. ее геометр интерпретация.
Двумерная св (х;у) явл непрерывной, если ее ф-я распределения F(x;y) представляет собой дифференцируемую ф-ю по каждому из аргументов.
Плотность распределения двумерной случайной величины и ее свойства.
Неотрицательная функция f(x,y) называется плотностью распределения (плотностью вероятности) двумерной непрерывной СВ
Z |
Δ = |
col(X,Y), |
если
F(x,y) = |
x ∫ -∞ |
( |
y ∫ -∞ |
f(x, y) dy |
) |
dx = 1. |
При этом двумерная СВ Z называется непрерывной.
1) f(x, y) ≥ 0 для всех x, y О R1. Это вытекает из определения 1.
2)
P(D) = |
x2 ∫ x1 |
y2 ∫ y1 |
f(x, y) dy dx , где |
D |
Δ = |
{x1 ≤ x ≤ x2, y1 ≤ y ≤ y2} . |
По свойству 7)F(x,y) и определению 1 имеем
P(D) = F(x2,y2) - F(x2,y1) - F(x1,y2) + F(x1,y1) |
Δ = |
Δ = |
x2 ∫ -∞ |
y2 ∫ -∞ |
f(x, y) dy dx - |
x2 ∫ -∞ |
y1 ∫ -∞ |
f(x, y) dy dx - |
x1 ∫ -∞ |
y2 ∫ -∞ |
f(x, y) dy dx + |
+ |
x1 ∫ -∞ |
y1 ∫ -∞ |
f(x, y) dy dx = |
x2 ∫ x1 |
y2 ∫ y1 |
f(x, y) dy dx . |
3)
P(D) = |
∫ ∫ D |
f(x, y) dx dy , |
где D - произвольная область на плоскости R2. Доказательство проведем для непрерывной f(x,y). Рассмотрим бесконечно малый прямоугольник
ΔD |
Δ = |
{x ≤ X ≤ x + Δx, y ≤ Y ≤ y + Δy}. |
Согласно свойству 2)f(x,y) можно записать
P(ΔD) = |
x+Δx ∫ x |
y+Δy ∫ y |
f(x, y) dx dy = |
| |
по теореме о среднем значении |
| |
≈ f(x, y) Δy Δx. |
Таким образом, элемент вероятности f(x,y)dxdy с точностью до бесконечно малых высшего порядка равен вероятности попадания двумерной СВ Z = col(X,Y) в бесконечно малый прямоугольник, прилегающий к точке (x,y). Так как произвольную область D М R2 можно представить с любой степенью точности в виде объединения конечного числа непересекающихся бесконечно малых прямоугольников ΔD, то из аксиомы A3 (см. замечание Л3.Р2.З2) следует формула для вероятности попадания СВ (X,Y) в D.
4)
+∞ ∫ -∞ |
+∞ ∫ -∞ |
f(x, y) dy dx = 1, |
поскольку
+∞ ∫ -∞ |
+∞ ∫ -∞ |
f(x, y) dy dx |
Δ = |
F(+∞,+∞) |
5)F(x,y) = |
1 . |
5)
FX(x) = |
x ∫ -∞ |
+∞ ∫ -∞ |
f(t, y) dy dt , FY(y) = |
y ∫ -∞ |
+∞ ∫ -∞ |
f(x,y) dx dy; , |
где FX(x), FY(y) - функции распределения СВ X и Y. Например,
FX(x) |
4)F(x,y) = |
F(x,+∞) |
Δ = |
x ∫ -∞ |
+∞ ∫ -∞ |
f(x, y) dy dx . |
Для FY(y) утверждение доказывается аналогично.
6)
fX(x) = |
+∞ ∫ -∞ |
f(x, y) dy , fY(y) = |
+∞ ∫ -∞ |
f(x, y) dx. |
Это вытекает из свойства 5) и определения Л4.Р3.О2.
7) Пусть СВ
V |
Δ = |
φ(X,Y), |
где φ(x, y) - заданная скалярная функция аргументов x, y О R1 , такая что
+∞ ∫ -∞ |
+∞ ∫ -∞ |
|φ(x, y)|f(x, y) dx dy < +∞. |
Тогда можно показать, что
M[V] = |
+∞ ∫ -∞ |
+∞ ∫ -∞ |
φ(x, y)f(x, y) dx dy. |
8) Для независимости непрерывных СВ X и Y необходимо и достаточно, чтобы выполнялось равенство
f(x, y) = fX(x)fY(y)
во всех точках непрерывности этих функций. Действительно, по определению плотности
y ∫ -∞ |
x ∫ -∞ |
f(x, y) dx dy = F(x, y) = |
|| |
в силу незави- симости |
|| |
= FX(x)FY(y) = |
Л4.Р3.О2 = |
x ∫ -∞ |
fX(x) dx |
y ∫ -∞ |
fY(y) dy = |
x ∫ -∞ |
y ∫ -∞ |
fX(x)fY(y) dx dy . |
Откуда следует свойство 8).
Замечание 2. Свойство 6)f(x,y) позволяет по плотности вероятности двумерной СВ Z найти плотность вероятности СВ X и Y.
9) Если непрерывные СВ X и Y независимы, то справедлива формула свертки плотностей, т.е. плотность распределения СВ
V |
Δ = |
X + Y |
имеет вид
fV(v) = |
+∞ ∫ -∞ |
fX(x) fY(v-x) dx , |
где fX(x), fY(y) -- плотность распределения СВ X и Y. Пусть
D |
Δ = |
{x, y : x + y ≤ v} . |
Тогда
FV(v) |
Δ = |
P{X + Y ≤ v} |
2)f(x,y) = |
∫ ∫ D |
f(x, y) dx dy |
8)f(x,y) = |
= |
∫ ∫ D |
fX(x),fY(y) dx dy = |
+∞ ∫ -∞ |
fX(x) ( |
v-x ∫ -∞ |
fY(y) dy) dx = |
|| |
y |
Δ = |
t - x |
|| |
= |
= |
+∞ ∫ -∞ |
fX(x) ( |
v ∫ -∞ |
fY(t-x) dt) dx = |
v ∫ -∞ |
+∞ ∫ -∞ |
fX(x)fY(t-x) dx dt . |
Понятие независимости для двумерных случайных величин.
Две дискретные случайные величины и называются независимыми, если для всех пар i, j выполняется соотношение