- •Принцип практической невозможности маловероятных событий
- •Независимые и зависимые события, условная вероятность события
- •Независимые события. Теорема умножения для независимых событий
- •Вероятность появления хотя бы одного независимого события из совокупности.
- •Теорема сложения вероятностей совместных событий
- •Формула полной вероятности
- •Вероятность гипотез. Формулы Бейеса
- •Формула Бернулли
- •Локальная теорема Лапласа
- •Интегральная теорема Лапласа
- •Понятие и разновидности случайных величин.
- •Закон распределения вероятностей дискретной случайной величины .
- •Биномиальный закон распределения .
- •25. Распределение Пуассона
- •Геометрическое распределение
- •Понятие и вероятностный смысл мож дискретной случайной величины
- •Вероятностный смысл мож и мож в 1м испытании
- •Свойства 1, 2
- •Теорема о математическом ожидании биномиального закона распределения
- •Целесообразность введения рассеяния, отклонения…
- •Дисперсия
- •Свойства 1,2 дисперсии
- •Свойства 3,4 дисперсии
- •Среднеквадратическое отклонение суммы независимых случайных величин.
- •Моменты распределения дискретных случайных величин
- •Коэффициент ассиметрии.
- •Теорема Чебышева.
- •Функция распределения
- •Свойства функции распределения
- •3 Свойство функции распределения
- •Взаимосвязь функции и плотности распределения.
Теорема о математическом ожидании биномиального закона распределения
Чему равно среднее число появлений А в n независимых испытаниях? Теорема. М(Х) числа появлений А в n независимых испытаниях равно произведению числа испытаний на вероятность появления события в каждом испытании: M(X)=np. Доказательство. Пусть случайная величина Х - число наступления А в n испытаниях. Очевидно, число Х появлений А в этих испытаниях складывается из чисел появлений события в отдельных испытаниях. Поэтому, если X1 – число появлений события в 1м испытании, Х2 – во 2м, …Хn – в «n» - м, то общее число появления события Х = X1 + Х2 + …. + Хn. По 3му свойству МОЖ, М(Х)=М(Х1)+М(Х2)+…+М(Хn). Каждое из слагаемых правой части равенства есть МОЖ числа появлений события в 1м испытании. Т.к. МОЖ числа появлений события в 1м испытании равно вероятности события p, то М(Х1) = М(Х2) =… = М(Хn) = p. Подставляя в правую часть равенства вместо каждого слагаемого р, получим М(Х)=np.
Замечание. Т.к. величина Х распределена по биномиальному закону, то доказанную теорему можно сформулировать так: МОЖ биномиального распределения с параметрами «n» и «р» равно произведению «nр».
Целесообразность введения рассеяния, отклонения…
Легко указать такие случайные величины, которые имеют одинаковые МОЖ, но различные возможные значения. Рассмотрим, например, дискретные случайные величины Х и Y, заданные законами распределения:
Найдем МОЖ этих величин:
Здесь МОЖ одинаковы, а возможные значения различны. Т.о., зная лишь МОЖ, еще нельзя судить о том, какие возможные значения случайная величина может принимать и как они рассеяны вокруг МОЖ. Другими словами, МОЖ полностью случайную величину не характеризует. Поэтому вводят др.числовые характеристики.
Пусть Х—случайная величина, М (X)—МОЖ. Рассм. в качестве новой случайной величины разность Х—М(Х). Отклонением называют разность между случайной величиной и ее МОЖ. Закон распределения отклонения:
Х - М(Х) х1 – М(Х) х2 – М(Х) … хn – М(Х)
Р р1 р2 … рn
Теорема. МОЖ отклонения равно нулю: M[X-M(X)]=0. Доказательство. Пользуясь свойствами МОЖ (МОЖ разности равно разности МОЖ, МОЖ постоянной равно самой постоянной) и приняв во внимание, что М (X) — постоянная величина, имеем M[X-M(X)] = M(X) – M[M(X)] = M(X)-M(X) = 0.
Замечание. Наряду с термином «отклонение» используют термин «центрированная величина».
Центрированной случайной величиной Ӿ называют разность между случайной величиной и ее МОЖ:
Ӿ=Х-М(Х) Название «центрированная величина» связано с тем, что МОЖ - центр распределения.
Дисперсия
Н а практике часто требуется оценить рассеяние возможных значений случайной величины вокруг ее среднего значения. Для этого целесообразно заменить возможные отклонения их абсолютными значениями или их квадратами. Правда, в случае, когда возможные отклонения заменяют их абсолютными значениями, приходится оперировать с абсолютными величинами, что приводит иногда к серьезным затруднениям. Поэтому чаще всего идут по другому пути, т. е. вычисляют среднее значение квадрата отклонения, которое и называют дисперсией. Дисперсией дискретной случайной величины называют МОЖ квадрата отклонения случайной величины от ее МОЖ: D(X)=M[X-M(X)]2. Пусть случайная величина задана законом распределения
Т огда квадрат отклонения имеет
закон распределения:
По определению дисперсии, D(X)=M[X-M(X)]2 = [x1-M(X)]2p1+ [x2-M(X)]2p2+…+[xn-M(X)]2pn.
Т.о., для того чтобы найти дисперсию, достаточно вычислить сумму произведений возможных значений квадрата отклонения на их вероятности.
Замечание. Из определения следует, что дисперсия дискретной случайной величины есть неслучайная (постоянная) величина.
Теорема. Дисперсия равна разности между МОЖ квадрата случайной величины Х и квадратом ее МОЖ: D(X)=M(X2)-[M(X)]2. Доказательство. М(Х) – постоянная величина, значит, 2М(Х) и М2(Х) также постоянные величины. Приняв это во внимание и пользуясь свойствами МОЖ, упростим формулу: D(X) = M[X-M(X)]2 = M[X2-2XM(X)+M2(X)] = M(X2)-2M2(X)+M2(X) = M(X2)-M2(X). Итак, D(X) = M(X2) – [M(X)]2
Замечание. Казалось бы, если Х и Y имеют одинаковые возможные значения и одно и то же МОЖ, то и дисперсии этих величин равны. Однако в общем случае это не так. Дело в том, что одинаковые возможные значения рассматриваемых величин имеют различные вероятности, а величина дисперсии определяется не только самими возможными значениями, но и их вероятностями.