- •Глава 1. Основные понятия теории вероятностей
- •1.1 Классификация событий. Действия над событиями
- •1.2. Относительная частота
- •1.3. Классическое определение вероятности
- •1.4. Элементы комбинаторики
- •Примеры решения задач
- •Глава 2. Основные теоремы теории вероятностей
- •2.1 Сложение и умножение вероятностей
- •Теорема умножения вероятностей: Вероятность произведения двух событий равна произведению вероятности одного из них на условную вероятность другого, при условии, что первое событие уже произошло:
- •Свойства:
- •1. Вероятность произведения n событий равна произведению одного из них на условные вероятности всех остальных, вычисленные в предположении, что все предыдущие события наступили:
- •2.2 Формула полной вероятности. Формула Байеса
- •Примеры решения задач
- •Глава 3. Повторные испытания
- •3.1 Формула Бернулли
- •3.2 Предельные теоремы Лапласа и Пуассона
- •Примеры решения задач
- •Глава 4. Дискретные случайные величины
- •4.1. Дискретные случайные величины.
- •4.2. Числовые характеристики дискретных случайных величин.
- •1. Математическое ожидание.
- •2. Дисперсия случайной величины.
- •3. Среднее квадратическое (стандартное) отклонение.
- •4. Моменты случайных величин.
- •5. Характеристики формы распределения.
- •4.3. Числовые характеристики меры связи случайных величин.
- •1. Ковариация.
- •2. Корреляция.
- •4.4. Распределения дискретных случайных величин.
- •1. Равномерное распределение.
- •2. Геометрическое распределение.
- •4. Биномиальное распределение.
- •5. Распределение Пуассона.
- •Примеры решения задач
- •Глава 5. Непрерывные случайные величины.
- •5.1. Функция распределения случайной величины
- •5.2. Плотность распределения вероятностей.
- •Связь между функцией распределения и плотностью распределения вероятностей.
- •5.3. Числовые характеристики непрерывных случайных величин
- •Примеры решения задач
- •Глава 6. Распределения непрерывных случайных величин
- •6.1. Равномерное распределение.
- •6.2. Показательное (экспоненциальное) распределение.
- •6.3. Нормальное распределение
- •Примеры решения задач
6.3. Нормальное распределение
Нормальный закон распределения получен в связи с разработкой теории ошибок наблюдения. Случайные ошибки складываются из множества различных неконтролируемых причин: температурных колебаний, вибраций в окружающей среде, неточности измерительной шкалы прибора и т. д. Если каждая из этих случайных причин оказывает на результаты измерений незначительное влияние по сравнению с общим эффектом, то их сумма (случайная ошибка) подчинена закону, близкому к нормальному (для появления нормального распределения необходимо выполнение дополнительных условий). Например, рост большого числа лиц одного и того же пола, национальности и возраста, размеры органов животных также подчиняются нормальному распределению.
Н епрерывная случайная величина имеет нормальное распределение вероятностей с параметрами а и >0, если её плотность распределения вероятностей имеет вид:
(6.7)
Кривая распределения – это кривая Гаусса, которая имеет симметричный колоколообразный вид (рис. 6.5). Из формулы (6.7) следует, что кривая f(x) достигает максимум в точке ( ) и имеет две точки перегиба ( ) Плотность распределения f(x) симметрична относительно прямой , т.е. f(a+y)=f(a-y). Если , то .
Функция распределения F(x) нормально распределенной случайной величины Х имеет вид:
(6.8)
Полученный интеграл нельзя выразить через элементарные функции, но его можно вычислить через специальную функцию:
,
называемую нормированной функцией нормального распределения с параметрами а=0 и =1 или через функцию Лапласа:
.
Значения функции Лапласа приведены в Приложении. Её график изображен на рисунке 6.6.
Математическое ожидание нормально распределенной случайной величины равны . Дисперсия – , стандартное отклонение . Коэффициент асимметрии и эксцесс равны нулю.
Вероятность попадания случайной величины, подчиненной нормальному закону, на заданный интервал определяется с помощью нормированной функции нормального распределения по формуле:
, (6.10)
где .
Вероятность того, что отклонение нормально распределенной случайной величины Х по абсолютной величине меньше заданного положительного числа равна:
(6.11)
Из полученных формул следует, что чем меньше , тем больше вероятность принять значение, принадлежащее интервалу .
Правило 3-х (трех “сигм”). Пусть имеется нормально распределённая случайная величина Х с математическим ожиданием, равным а и дисперсией 2. Определим вероятность того, что Х принимает значения, отличающиеся от математического ожидания не более, чем на три среднеквадратических отклонения.
P(а – 3< Х < а + 3)=Ф(3) – Ф(–3)=2Ф(3) (6.12)
Таким образом, можно сделать важный вывод: нормальная случайная величина принимает значения, отклоняющиеся от ее математического ожидания не более чем на 3.
Нормальное распределение играет большую роль в теории вероятностей и ее применениях. Это связано с тем, чтов соответствии с центральной предельной теоремой теории вероятностей при выполнении определенных условий сумма большого числа случайных величин имеет “примерно” нормальное распределение.