- •Введение
- •Основные понятия теории вероятностей
- •1.1. События и действия над ними
- •1.2. Определение вероятности
- •1.3. Элементы комбинаторики
- •1.4. Условная вероятность события
- •1.5. Вероятность суммы двух событий
- •1.6. Формула полной вероятности. Формула Байеса
- •Упражнения
- •2. Повторные независимые испытания
- •2.1. Формула Бернулли
- •2.2. Формула Пуассона
- •2.3. Локальная и интегральная формулы Муавра-Лапласа
- •2.4. Полиномиальная схема
- •Упражнения
- •3. Случайные величины
- •3.1. Закон распределения случайной величины
- •Математические операции над случайными величинами
- •3.3. Математическое ожидание и дисперсия дискретной случайной величины
- •3.4. Функция распределения случайной величины
- •3.5. Непрерывные случайные величины
- •Упражнения
- •4. Основные законы распределения
- •4.1. Биномиальное распределение
- •4.2. Закон распределения Пуассона
- •4.3. Равномерный закон распределения
- •4.4. Показательный закон распределения
- •4.5. Нормальный закон распределения
- •Упражнения
- •5. Закон больших чисел и предельные теоремы
- •5.1. Неравенство Маркова
- •5.2. Неравенство Чебышева
- •5.3. Теорема Чебышева
- •5.4. Центральная предельная теорема
- •Упражнения
- •6. Однородные цепи Маркова
- •Упражнения
- •7. Занимательная теория вероятностей
- •7.1. Занимательные задачи
- •7.2. Парадоксы теории вероятностей
- •Упражнения
- •9. Статистическое распределение выборки
- •Упражнения
- •Упражнения
- •11. Статистические оценки параметров распределения
- •11.1. Точечные оценки
- •Упражнения
- •11.2. Интервальные оценки
- •Упражнения
- •Упражнения
- •13. Статистическая проверка гипотез о вероятностях,
- •средних, дисперсиях. Критерий согласия Пирсона
- •Упражнения
- •14. Регрессия и корреляция
- •14.1. Функциональная, статистическая и корреляционная зависимости
- •14.2. Линейная модель парной регрессии
- •14.3. Корреляционная таблица. Коэффициент корреляции
- •Упражнения
- •Домашняя контрольная работа
- •Библиографический список
- •Приложения. Математико-статистические таблицы
4.6.Коробки с конфетами упаковываются автоматически. Их средняя масса равна 540 г. Известно, что масса коробок с конфетами имеет нормальное распределение, а 5 % коробок имеют массу, меньшую 500 г. Каков процент коробок, масса которых: а) менее 470 г; б) от 500 до 550 г; в) более 550 г; г) отличается от средней не более чем на 30 г (по абс о-
лютной величине)? Ответ: а) 0,05; б) 0,609; в) 0,341; г) 0,781.
4.7.Имеется случайная величина X , распределенная по нормаль-
ному закону с математическим ожиданием а и дисперсией σ 2 . Требуется приближенно заменить нормальный закон распределения равномерным законом в интервале (α ; β ); границы α , β подобрать так, чтобы сохранить неизменными математическое ожидание и дисперсию случайной величины X . Ответ: ; .
Контрольная работа по разделу 4
1.Случайная величина имеет нормальный закон распределения с параметрами . Необходимо: 1) найти и п о- строить графики плотности вероятности и функции распределения;
2)определить вероятность попадания случайной величины в интервал (2,5); 3) сформулировать «правило трех сигм».
5.Закон больших чисел и предельные теоремы
5.1.Неравенство Маркова
Теорема. Если случайная величина принимает только неотрицательные значения и имеет математическое ожидание, то для любого положительного числа выполняется неравенство
(5.1)
Следствие.
(5.2)
51
Пример 5.1. Среднее количество вызовов, поступающих на коммутатор завода в течение часа, равно 300. Оценить вероятность того, что в течение следующего часа число вызовов на коммутатор: а) превысит
400; б) будет не более 500. |
|
|
Решение. а) по условию задачи |
|
. Используя неравенст- |
во (5.1), получаем |
|
б) в соответствии с |
соотношением (5.2) имеем |
|
■ |
|
5.2. Неравенство Чебышева
Теорема. Для любой случайной величины, имеющей математическое ожидание и дисперсию, справедливо неравенство Чебышева:
|
|
|
|
|
|
|
|
|
|
|
(5.3) |
|||||
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
||||||
Здесь |
|
|
|
|
|
|
|
|
|
|
||||||
Следствие 1. Учитывая, что события |
|
|
|
|
и |
|
|
|
|
|
про- |
|||||
|
|
|
|
|
|
|||||||||||
|
|
|
|
тивоположны, неравенство (5.3) можно записать в следующем виде:
(5.4)
Следствие 2. Если случайная величина распределена по биномиальному закону, то выражение (5.4) принимает вид
(5.5)
Пример 5.2. Вероятность выхода с автомата стандартной детали равна 0,96. Оцените с помощью неравенства Чебышева вероятность того, что число бракованных среди 2000 деталей находится в границах от 60 до 100 включительно. Уточните вероятность того же события с помощью интегральной формулы Муавра-Лапласа. Объясните полученные результаты.
52
Решение. Вероятность выхода бракованной |
детали равна |
||
|
|
. Число бракованных деталей |
имеет биноми- |
|
|
||
альный закон распределения, при этом |
|
Поэтому в соответствии с неравенством (5.5) получаем
Применяя интегральную формулу Муавра-Лапласа (2.5), имеем
Различие результатов объясняется тем, что неравенство Чебышева дает оценку вероятности для любой случайной величины, а интегральная формула Муавра-Лапласа дает более точное значение именно для биномиального распределения, которое рассмотрено в данном примере. ■
5.3. Теорема Чебышева
Если дисперсии независимых случайных величин ограничены постоянной , то при неограниченном увеличении числа средняя арифметическая случайных величин сходится по вероятности к средней арифметической их математических ожиданий , т.е.
(5.6)
Для практических расчетов удобно использовать неравенство [10]
(5.7)
53
Пример 5.3. Сколько надо провести измерений данной величины, чтобы с вероятностью не менее 0,95 гарантировать отклонение средней арифметической этих измерений от истинного значения величины не более чем на 1 по абсолютной величине, если среднее квадратическое отклонение каждого из измерений не превосходит 5?
Решение. Обозначим через результат i-го измерения. Пусть – истинное значение, тогда Требуется найти значение, при котором будет выполняться неравенство
В соответствии с (5.7) это неравенство выполняется при
Решая последнее равенство, получаем
■
5.4. Центральная предельная теорема
Если представляет собой сумму достаточно большого числа независимых случайных величин, при этом влияние каждой из случайных величин на всю сумму мало, то закон распределения близок к нормальному с параметрами , , где
Таким образом, получаем, что при определенных условиях совокупное действие случайных величин приводит к нормальному закону распределения, в этом и состоит его особая роль.
Пример 5.4. Пусть в некотором учебном заведении вероятность получения студентом оценки «2» по высшей математике составляет 0,3, оценки «3» – 0,3, оценки «4» – 0,3, оценки «5» – 0,1. Составить закон распределения случайной величины – суммы оценок для группы из 20
54