- •Лекция № 1 Основные понятия теории вероятностей. Классическое определение вероятности. Элементы комбинаторики.
- •1. Основные понятия теории вероятностей.
- •2. Классическое определение вероятности.
- •3. Элементы комбинаторики.
- •Лекция № 2 Алгебра событий. Аксиомы тв. Основные теоремы теории вероятностей. Модели надежности технических систем
- •1. Алгебра событий.
- •3. Основные теоремы теории вероятностей
- •Определение 4.
- •4. Модели надежности технических систем
- •Лекция № 3 Формула полной вероятности. Формула Бейеса.
- •1. Формула полной вероятности.
- •2. Формула Байеса.
- •1. Повторение опытов (схема Бернулли).
- •2. Формула Бернулли
- •3. Локальная теорема Лапласа
- •4. Интегральная теорема Лапласа
- •5. Наивероятнейшее число наступления событий.
- •Лекция № 5 Случайные величины.
- •1. Дискретные случайные величины.
- •Формы задания закона распределения дискретной случайной величины
- •2.1. Ряд распределения.
- •2.2. Многоугольник распределения.
- •2.3. Интегральная функция распределения.
- •2. Многоугольник распределения
- •3. Интегральная функция распределения
- •3. Вероятность попадания случайной величины на заданный участок
- •Лекция № 6 Числовые характеристики случайных величин.
- •1. Характеристики положения случайной величины на числовой оси.
- •Математическое ожидание не случайное число, которое в зависимости от типа случайной величины определяется по формуле:
- •На рис.6.2 показана мода непрерывной унимодальной (с одной модой) случайной величины, заданной плотностью распределения.
- •2. Моменты случайных величин. Для характеристики различных свойств случайных величин используются начальные и центральные моменты.
- •3. Свойства моментов случайных величин. Особого внимания заслуживают свойства начальных и центральных моментов первого и второго порядков.
- •Первый центральный момент μ1 любой случайной величины равен нулю.
- •Математическое ожидание.
- •Дисперсия.
- •Среднее квадратичное отклонение.
- •1.2. Закон распределения Пуассона Закон распределения Пуассона связан с редкими событиями, составляющими простейший поток событий.
- •1. Математическое ожидание.
- •2. Дисперсия.
- •3. Среднее квадратичное отклонение.
- •4. Вероятность попадания пуассоновской случайной величины на заданный участок.
- •2. Законы распределения непрерывных случайных величин.
- •2.1. Равномерный закон распределения
- •Если участок [α,β] не входит в диапазон [a,b], то выражение (7.17) не является справедливым. В этом случае необходимо руководствоваться выражением если (7.18)
- •2.2. Показательный закон распределения
- •2.3. Нормальный закон распределения
- •1. Математическое ожидание.
- •2. Дисперсия.
- •3. Среднее квадратичное отклонение.
- •Поскольку 2-й центральный момент
- •4. Вероятность попадания случайной величины на заданный участок
- •Поскольку то (7.31) перепишется как
- •3. Правило трех сигм
- •Лекция № 8 Основные задачи математической статистики. Определение законов распределения случайных величин на основе экспериментальных данных.
- •Предмет и задачи математической статистики.
- •Основные понятия.
- •3. Простейшие приемы обработки результатов наблюдений.
- •3.1 Статистическое распределение выборки.
- •Гистограмма.
- •Эмпирическая функция распределения
- •Лекция №2. Выравнивание статистических рядов. Проверка статистических гипотез.
- •Лекция №3. Оценка параметров случайных величин.
3. Вероятность попадания случайной величины на заданный участок
На практике при исследовании случайных величин довольно часто возникает задача определения вероятности попадания значений некоторой случайной величины Х на заданный участок [a,b), т.е. вероятности Р{a Х < b}. Такая вероятность легко определяется с помощью интегральной функции.
В ведем обозначения:
А – событие, которое заключается в том, что Х < а ;
В – событие, которое заключается в том, что Х < b ;
С – событие, которое заключается в том, что a Х < b .
Сложное случайное событие В представляет собой сумму событий А и С (см. рис.4.2): В = А + С.
Поскольку события А и С являются несовместными, то
Р(В) = Р(А) + Р(С).
Откуда
Р(С) = Р(В) – Р(А) = Р{Х < b} – Р{Х < а}.
По определению интегральной функции Р{Х<b} = F(b), Р{Х<а} = F(а). Следовательно,
Р(С) = F(b) – F(a).
Таким образом, вероятность попадания случайной величины на заданный участок определяется по формуле
. (4.2)
|
|
|
Пример 4.2. В условиях прим.4.1 определить вероятность попадания случайной величины Х на участок [2,5; 3,5), т.е. вероятность Р{2,5 X < 3,5}. |
|
Р ешение. В данном случае левая граница участка a = 2,5 , а правая b = 3,5. Подставляя в формулу (4.2) значения аргумента интегральной функции и вычисляя значения интегральной функции на границах заданного участка, получаем искомый результат:
Р{2,5 X < 3,5} = F(b) – F(a) =
=F(3,5) – F(2,5) = 1 – 0,271 = 0,729 .
Искомая вероятность и значения интегральной функции F(х) в условиях примера легко определяются по графику интегральной функции (см. рис.4.3).
Лекция № 6 Числовые характеристики случайных величин.
Полную информацию о случайной величине дает ее распределение вероятности. Однако, часто такими данными исследователи не располагают, да и оно не является обязательным. Достаточно охарактеризовать случайную величину несколькими числами. Числовые характеристики случайных величин количественно определяют их свойства, позволяют проводить сравнительный анализ случайных величин, давать оценку ожидаемым результатам опыта и многое другое.
1. Характеристики положения случайной величины на числовой оси.
К числовым характеристикам положения случайной величины на числовой оси относятся:
математическое ожидание;
мода;
медиана.
1. 1. Математическое ожидание
Определение 6.1.
Математическим ожиданием называется средневзвешенное по вероятностям значение случайной величины.
Математическое ожидание характеризует смещение значений случайной величины на числовой оси х относительно начала координат. Математическое ожидание иногда называют просто средним значением с. в.
Математическое ожидание случайной величины будем обозначать как mx или M(X).
Математическое ожидание не случайное число, которое в зависимости от типа случайной величины определяется по формуле:
(6.1)
Размерность математического ожидания совпадает с размерностью с. в. Х.
На рис.6.1. показаны две непрерывные случайные величины, заданные в виде плотности распределения и отличающиеся друг от друга математическими ожиданиями (mх2 > mх1).
1. 2. Мода
Определение 6.2.
Модой называют наиболее вероятное значение случайной величины (т.е. то для которого вероятность pi, или плотность распределения f(x) достигает максимального значения).
Обозначается мода случайной величины символом .
Таким образом мода случайной величины равна такому её значению, при котором:
(6.2)