- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
2.2 Вычисление числовых характеристик стандартных распределений
Вычислим математическое ожидание и дисперсию основных распределений.
1. Биномиальное распределение.
Имеем ,,тогда
.
Для вычисления дисперсии воспользуемся следующим приемом [5]. Введем независимые случайные величины i :
Тогда
,
.
В силу независимости случайных величин i :
.
Итак, для биноминального распределения
М=np,D=npq.
Распределение Пуассона.
Имеем ,к=0, 1, 2, … (см стр. 50), тогда
.
Далее,
.
Здесь мы воспользовались рядом Маклорена . Таким образом, для распределения Пуассона
M = ,D = .
Равномерное распределение.
Используя формулы (28) и (31), имеем
.
.
Таким образом, для равномерного распределения
,.
Экспоненциальное распределение.
Учитывая, что ,x0, получаем
,.
Нормальное распределение.
,
так как .
.
Итак, для нормального распределения
,.
Вычислим эксцесс Еk.
{учитывая вычисление дисперсии}.
Отсюда .
Итак, для нормального распределения
,,,.
Приложения нормального распределения
Пусть случайная величина имеет нормальное распределение. Вычислим вероятность события
Из свойств функции распределения (стр.53) имеем:
.
Введя новую переменную , получаем
, где.
В частности
, (39)
(или , если).
Так как на вероятность события не влияют неслучайные преобразования над случайной величиной, то, полагая а = 0, получим:
. (40)
Пример (правило трех ). Пусть случайная величина, характеризующая ошибки измерений, подчинена нормальному закону. Найти вероятность того, что ошибки измеренияне превзойдут 3.
Решение. Ошибкой измерения называется отклонение реального результата от истиного. Ошибка измерения является случайной величиной, если она есть результат действия только случайных факторов (в отличие от систематических ошибок, которые изменяются по определенному закону или постоянны во всей серии испытаний).
Если ошибки измерения случайны, то они симметричны относительно нуля, поскольку в силу их случайности, разумно предположить, что ошибки, равные по величине и противоположные по знаку, должны встречаться одинаково часто.
С учетом сказанного, воспользуемся формулой (40). Имеем
Р= 1 - 2Ф(-3) = 1 - 0,00135 = 0,9973.
Таблица 3
n |
|
2 |
3 |
4 |
P n |
0,6826 |
0,9544 |
0,9973 |
0,9997 |
% |
32% |
5% |
0,7% |
0,07% |
Важность «правила трех » в том, что ошибки измерения для нормально распределенных величин, превышающих 3практически невозможны, менее 3существенны (см. табл. 3).
2.3 Функции от случайных величин
2.3.1 Функции от одного случайного аргумента
Рассмотренные нами основные законы распределения случайных величин, в чистом виде, встречаются не так уж и часто. Область их применения можно значительно расширить, если случайные величины, описывающие случайные явления, выражать через функцию от других случайных величин или хотя бы, через неслучайную функцию одной случайной величины.
Пусть, например, нас интересует распределение случайной величины , которая связана функционально со случайной величинойпо формуле, для которой функция распределенияF(x) известна. Задача состоит в нахождении функции распределения случайной величины, где
,.
В некоторых случаях решение задачи может быть получено из здравого смысла, которое должно быть проверено формально.
Пример. Дискретная случайная величиназадана законом распределения
|
-1 |
0 |
1 |
р |
Построить закон распределения случайной величины .
Решение. Случайная величинанеотрицательна и, очевидно, принимает два значения. Закон распределения имеет вид:
|
0 |
1 |
р |
Замечание. Законы распределения для случайных величиниразличны. Это означает, что. В самом деле, слева мы над случайной величиной произвели неслучайную математическую операцию: возведение в квадрат и получили два значения, а справа стоит произведение двух случайных величин. Эта случайная величина, для которой имеем три различных значения. Закон распределения имеет вид:
|
-1 |
0 |
1 |
р |
Рассмотренный пример демонстрирует подход построения закона распределения для функции одного случайного аргумента дискретной случайной величины.
Проведем построение функции распределения случайной величины , являющейся функцией случайной величины, с заданным распределениемF(х).
Определение. Пусть функцияу=хстрого монотонна в областих)уУ), где символ «» читается как «и».
Функция -1 называется обратной к, если она определена на множествеУи
.
Если хвозрастающая иху, тох-1у, если хубывающая, то.
Рассмотрим случайную величину с функцией распределенияFхи плотностьюх. Пустьу= хстрого монотонная и дифференцируемая, вместе со своей обратной, функция. Пусть случайная величина. Требуется найтиFуиу, гдеуУ - значения случайной величины.
По определению, имеем
F у=Ру, тогда, если хвозрастающая, то
Р у=Р -1у.
Отсюда
Fу=F -1(у)),
или
.
Для плотности получаем:
. (42)
Если х- убывающая, то
, но тогда.
Отсюда
.
Для плотности, аналогично, получаем
(43)
Учитывая, что производная убывающей функции отрицательна, правая часть (43) положительна.
Объединяя (42) и (43), получаем:
(44)
Пример.Пусть случайная величинаимеет функцию распределенияF(х), а случайная величина, , R.
Найти F (y) и y, гдеу– значение случайной величиныиз области У.
Решение. Если, функцияу=хвозрастающая, тогда
,
отсюда
Если , тоу=х +- убывающая, тогда
,
отсюда
.
Учитывая (44), для плотности получаекм
.
Пример. Пусть случайная величинаимеет экспоненциальное распределение,х. Найти распределение случайной величины=е-,.
Решение. Имеем
F(y) =P y=Pe-y.
Если у0, то событиеневозможно, тогдаF(y) = 0. Еслиу1, то событие- достоверное, тогдаF (y) = 1.
Пусть теперь у, тогда
.
Таким образом, с учетом того, что имеем,