- •Глава 4. Повторные независимые испытания
- •§ 4.1. Формула Бернулли
- •§ 4.2. Локальная теорема Муавра – Лапласа
- •§ 4.3. Интегральная теорема Муавра – Лапласа
- •§ 4.4. Теоремы Пуассона3
- •Раздел 2 случайные величины
- •Глава 5. Дискретная случайная величина
- •§ 5.1. Функция распределения дискретной случайной величины
- •§ 5.2. Основные числовые характеристики дискретной случайной величины
- •§ 5.3. Основные законы распределения случайных величин
- •§ 5.3.1. Биномиальный закон распределения
- •§ 5.3.2. Закон распределения Пуассона
- •Глава 6. Непрерывная случайная величина
- •§ 6.1. Функция распределения непрерывной случайной величины
- •§ 6.2. Функция плотности вероятности непрерывной случайной величины
- •§ 6.3. Основные числовые характеристики непрерывной случайной величины
- •§ 6.4. Основные законы распределения непрерывных случайных величин
- •§ 6.4.1. Равномерный закон распределения
- •Глава 7. Нормальный закон распределения
- •§ 7.1. Свойства функции плотности вероятности (кривой Гаусса) нормального закона распределения
- •§ 7.2. Математическое ожидание и дисперсия нормальной случайной величины
- •§ 7.3. Функция распределения случайной величины, распределенной по нормальному закону
- •§ 7.4. Свойства случайной величины, имеющей нормальный закон распределения
- •Глава 8. Предельные теоремы теории вероятности
- •§ 8.1. Закон больших чисел. Основные теоремы
- •1. Лемма Маркова
- •2. Неравенство Чебышева
- •§ 8.2. Центральная предельная теорема
§ 4.4. Теоремы Пуассона3
При большом числе испытаний , постоянной малой вероятности наступления события А в каждом испытании , и при выполнении условия , вероятность того, что в n независимых испытаниях событие А наступит ровно m раз, определяется соответствии с теоремой Пуассона:
(1.31)
где n — число испытаний Бернулли;
m — число испытаний, в которых наступило событие А;
— параметр Пуассоновского распределения, называемый еще средней интенсивностью.
Теорему можно доказать путем замены в формуле Бернулли вероятности р на вычисления ее предела при /
Значения функции Пуассона также могут быть определены по табл. 8 Приложения для заданных значений m и .
С лучайные события, к которым может быть применена теорема Пуассона, называют еще редкими событиями ввиду малой вероятности наступления события А в каждом испытании.
Пример 4.4. Вероятность изготовления бракованной отливки равна 0,002. Определить вероятность того, что из выпущенных 500 отливок количество бракованных составит:
а) 2;
б) более двух.
Решение.
Проводится 500 независимых испытаний, состоящих в проверке брака отливки. Для каждой из 500 отливок вероятность события А – отливка бракованная - по условию постоянна и равна:
В задаче число испытаний велико n=500, р=0,002 – мала, параметр Пуассона
А. Требуется определить вероятность того, что из 500 отливок ровно 2 будут бракованными, т. е. вероятность
Так как испытания удовлетворяют условиям схемы Бернулли, n>>100, р – мала, то эту вероятность можно определить по формуле Пуассона (1.31):
(вероятность можно определить и по табл. 8 Приложений значений функции Пуассона для и m=2).
Б. Требуется определить вероятность того, что из 500 отливок более 2 будут бракованные, т. е. вероятность
При этом по теореме сложения для несовместных событий (1.13):
так как события несовместны. В данном случае целесообразно перейти к противоположному событию (что будет не больше 2 бракованных отливок, ), и воспользоваться следствием (1.15):
Так как испытания удовлетворяют условиям схемы Бернулли, n>>100, р – мала, , то вероятности можно определить по формуле Пуассона (1.31):
Раздел 2 случайные величины
Дискретная случайная величина
Непрерывная случайная величина
Нормальный закон распределения
Предельные теоремы теории вероятностей
Одним из основных понятий теории вероятностей является, наряду со случайным событием, понятие случайной величины.
• Случайная величина — это переменная, которая в результате испытания принимает одно из своих возможных значений, причем заранее не известно, какое именно, так как оно зависит от случая.
Связь случайной величины и случайного события заключается в том, что принятие случайной величиной некоторого числового значения из набора возможных (т. е. выполнение равенства )4 есть случайное событие, характеризующееся вероятностью .
Примеры случайных величин:
число очков, выпавших на верхней грани игрального кубика;
число студентов, пришедших на лекцию;
расстояние от центра мишени до точки попадания при выстреле;
сумма выплаты по очередному страховому случаю и т. п.
Для определения случайной величины необходимо задать ее закон распределения.
• Закон распределения — соотношение, устанавливающее связь между возможными значениями случайной величины и соответствующими вероятностями, с которыми случайная величина принимает эти значения.
Для практического применения не всегда необходимо иметь полное представление о случайной величине, достаточно знать некоторые ее числовые характеристики, дающие суммарное представление о случайной величине, к которым, прежде всего, относятся математическое ожидание и дисперсия.
• Математическое ожидание М(Х) — это число, характеризующее среднее значение случайной величины X.
Свойства математического ожидания:
математическое ожидание постоянной величины С=const равно этой величине:
М(С)=С;
математическое ожидание произведения постоянной величины С=const и случайной величины X равно произведению этой константы на математическое ожидание случайной величины (константу можно вынести за знак математического ожидания):
М(С*Х)=С*М(Х);
математическое ожидание алгебраической суммы п случайных величин равно алгебраической сумме математических ожиданий этих случайных величин:
математическое ожидание произведения n независимых случайных величин равно произведению математических ожиданий этих случайных величин:
математическое ожидание алгебраической суммы случайной величины X и постоянной величины С=const равно алгебраической сумме этой константы и математического ожидания случайной величины:
в частности,
математическое ожидание среднего арифметического значения n одинаково распределенных (имеющих одинаковые законы распределения) взаимно независимых случайных величин равно математическому ожиданию этих величин:
Дисперсия характеризует разброс или рассеяние значений случайной величины около ее математического ожидания.
Дисперсия — это математическое ожидание квадрата отклонения случайной величины от ее математического ожидания:
Свойства дисперсии:
дисперсия постоянной величины C=const равна нулю:
дисперсия произведения постоянной величины С=const и случайной величины X равна произведению квадрата этой константы на дисперсию случайной величины (константу можно вынести за знак дисперсии, возведя ее в квадрат):
дисперсия алгебраической суммы или разности n независимых случайных величин равна сумме дисперсий этих случайных величин:
дисперсия алгебраической суммы случайной величины Х и постоянной величины С=const равна дисперсии случайной величины:
в частности,
дисперсии суммы и среднего арифметического значения n одинаково распределенных (имеющих одинаковые законы распределения) взаимно независимых случайных величин , дисперсия каждой из которых равна , равны и соответственно:
Формула упрощенного вычисления дисперсии имеет вид:
(1.32)
Действительно,
В зависимости от характера области возможных значений выделяют два типа случайных величин: дискретные и непрерывные.