- •Кафедра “Прикладная и вычислительная математика”
- •Е.А. Коган
- •Москва 2007
- •Теорема сложения вероятностей для несовместных событий.
- •3.6. Показательный (экспоненциальный ) закон распределения
- •5. ПРЕДЕЛЬНЫЕ ТЕОРЕМЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ
- •Пусть имеется последовательность независимых случайных величин
- •Теорема Бернулли
- •Часть вторая
- •МАТЕМАТИЧЕСКАЯ СТАТИСТИКА
- •В настоящем пособии рассмотрены основные понятия математической статистики, наиболее часто используемые и определяемые в процессе статистической обработки опытных данных. Даны 30 вариантов домашнего задания для самостоятельной работы студентов.
- •6. ОСНОВНЫЕ ПОНЯТИЯ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ
- •Свойства
- •По формуле (7.3) имеем
- •При этом
- •Замечания.
- •Итак, выборки должны содержать не менее 60 лампочек.
- •Плотность вероятностей распределения Стьюдента равна
- •Поэтому вероятность осуществления неравенства (7.10) равна
- •Сумма всех частот (общее число наблюдений) равна
- •Интервалы Δ, мк
- •Значения Y
- •Согласно методу наименьших квадратов неизвестные параметры ai выбираются так, чтобы сумма квадратов отклонений была минимальной
- •Из (10.9) следует, что
- •ВАРИАНТ 1
- •ВАРИАНТ 2
- •ВАРИАНТ 3
- •ВАРИАНТ 4
- •ВАРИАНТ 5
- •ВАРИАНТ 6
- •ВАРИАНТ 7
- •ВАРИАНТ 8
- •ВАРИАНТ 9
- •ВАРИАНТ 10
- •ВАРИАНТ 12
- •ВАРИАНТ 13
- •ВАРИАНТ 14
- •ВАРИАНТ 15
- •ВАРИАНТ 16
- •ВАРИАНТ 17
- •ВАРИАНТ 18
- •ВАРИАНТ 19
- •ВАРИАНТ 20
- •ВАРИАНТ 21
- •ВАРИАНТ 22
- •ВАРИАНТ 23
- •ВАРИАНТ 24
- •ВАРИАНТ 25
- •ВАРИАНТ 26
- •ВАРИАНТ 27
- •ВАРИАНТ 28
- •ВАРИАНТ 29
- •ВАРИАНТ 30
86
Пусть имеется последовательность независимых случайных величин
X1, X 2 , X 3 , X n , ≡{X n }.
Говорят, что последовательность {X n } сходится по вероятности к величине a (случайной или неслучайной), если при любом ε > 0 имеет место равенство
Lim P( X n − a <ε) =1.
n→∞
Теорема Чебышëва
Если {X n } - последовательность попарно независимых случайных величин, дисперсии которых равномерно ограничены одним и тем же постоянным числом С : D(X1)≤ C, D(X 2 )≤ C, D(X n )≤ C, , то каково бы
ни было малое положительное число |
ε , |
имеет место равенство |
|||||||||
|
|
|
|
1 |
n |
− 1 |
n |
|
|
|
=1, |
|
|
|
|
||||||||
|
lim P |
|
∑X k |
∑M (X k ) |
|
<ε |
|||||
|
n→∞ |
|
|
n |
k=1 |
n k=1 |
|
|
|
|
|
то есть при |
n → ∞ |
среднее арифметическое |
случайных величин |
|
|
|
1 |
n |
|
|
X = |
сходится по вероятности к их общему математическому |
|||||
|
∑X k |
|||||
|
|
|
n k=1 |
|
ожиданию.
Хотя случайные отклонения отдельных величин Xk от своих математических ожиданий могут быть существенны и разного знака (как больше, так и меньше нуля), но в среднем арифметическом (это тоже случайная величина), они взаимно погашаются. Поэтому при достаточно большом n среднее арифметическое значение случайных величин X практически уже не случайно и с вероятностью, близкой к достоверности, может приниматься в качестве приближенной оценки математического
|
|
|
1 |
n |
|
ожидания М(X ) = |
|||||
|
∑M (X k ). Этим и объясняется рекомендуемый в |
||||
|
|
|
n k=1 |
практической деятельности способ многократного измерения изучаемой случайной вели-чины с тем, чтобы получить ее значение, близкое к истинному.
87
Теорема Бернулли
Если в каждом из n независимых испытаний вероятность появления события постоянна, то с вероятностью, близкой к достоверности, можно утверждать, что при неограниченном увеличении числа испытаний относительная частота W появления события сходится по вероятности к его вероятности p:
lim P(W − p <ε =1.
n→∞
Следовательно, теоремой Бернулли доказывается свойство устойчивости относительной частоты, которое раньше (см. пример с многократным подбрасыванием монеты) рассматривалось как эмпирический факт.
Пример. Случайная величина Х имеет нормальное распределение
с параметрами a, |
σ . Оценить по неравенству Чебышёва P( |
|
X − a |
|
> 2σ). |
|||||||||||
|
|
|||||||||||||||
Сравнить с точным значением этой вероятности. |
|
|
|
|
|
|
||||||||||
Решение. |
Из неравенства Чебышёва следует, что |
|||||||||||||||
|
|
|
P( |
|
X − a |
|
>ε)≥ |
D(X ) |
. |
|||||||
|
|
|
||||||||||||||
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
ε 2 |
||||||
|
|
|
|
|
|
|
|
|||||||||
В рассматриваемом случае ε = 2σ, |
D(X ) =σ 2 , |
следовательно, |
||||||||||||||
|
P( |
|
X − a |
|
>ε)≥σ 2 |
= 0,25. |
|
|
|
|
||||||
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
4σ 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
По точной формуле P( X − a <δ) = 2Ф(δ σ) имеем
P( X − a >δ) =1− 2Ф(δ σ) =1− 2Ф(2σ σ) =1− 2Ф(2) = 0,045.
Пример. Событие А происходит в каждом опыте с вероятностью 0,2. Оценить (с помощью неравенства Чебышёва) вероятность того, что число появлений события А в 1000 независимых опытов будет заключено в пределах от 200 до 300.
Решение. Число появлений события А в 1000 независимых испытаний – случайная величина Х с математическим ожиданием
|
|
88 |
|
|
|
|
|
M (x) = np =1000 |
1 |
= 200 и дисперсией |
D(x) = npq =1000 |
1 |
|
4 |
=160. |
|
5 |
|
|
5 |
|
5 |
|
Наибольшая разность между заданным числом появлений события А и его средним значением М(Х) равна ε = 300 − 200 =100.
Применяя неравенство Чебышёва, получим
P( |
|
X − 200 |
|
<100)≥1− |
D(х) |
, |
P( |
|
X − 200 |
|
<100)≥1− |
160 |
= 0,984. |
|
|
|
|
||||||||||
|
|
ε 2 |
1002 |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
Пример. Среднее значение длины детали 50 см, а дисперсия 0,1. Пользуясь неравенством Чебышёва, оценить вероятность того, что случайно взятая деталь окажется по длине не меньше 49,5 см и не больше 50,5 см (в поле допуска).
Решение. По условию ε = 0,5.
|
P( |
|
|
X − 50 |
|
< 0,5)≥1− |
D(x) |
= |
1− |
0,1 |
= 0,6. |
||||||||||||||||
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ε 2 |
0,52 |
|
|
> 0,8, если Х – |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
Пример. Оценить вероятность того, что |
|
X − M (X ) |
|
||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||
дискретная случайная величина, имеющая ряд распределения |
|||||||||||||||||||||||||||
|
|
|
|
|
|
X |
|
|
1 |
|
2 |
|
|
|
3 |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
P |
|
|
0,5 |
|
0,3 |
|
|
0,2 |
|
|
|
|
|
|
|
|
|||||
Решение. Находим М(Х) и D(X): |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
M (X ) =1 0,5+ 2 0,3 + 3 0,2 =1,7, |
||||||||||||||||||||||
D(X ) = M (X 2 ) − M 2 (X ) = (1 0,5+ 22 0,3 + 32 0,2) −1,72 = 0,61. |
|||||||||||||||||||||||||||
Поэтому |
P( |
|
X − M (X ) |
|
> 0,8)≥ |
D(X ) |
= |
0,61 |
= 0,95. |
||||||||||||||||||
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ε 2 |
0,82 |
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5.2. Центральная предельная теорема (теорема Ляпунова)
В отличие от закона больших чисел, объектом рассмотрения которого являются случайные величины, центральная предельная теорема
89
рассматривает их законы распределения и устанавливает условия, при которых возникает нормальный закон распределения:
Если случайная величина Х представляет собой сумму большого числа взаимно независимых случайных величин, распределенных по различным законам, причем влияние каждой из них на всю сумму ничтожно мало, то Х имеет распределение, близкое к нормальному.
В частности, если X1, X 2 , X n - независимые случайные величины, имеющие один и тот же закон распределения (не важно какой) с
математическим |
ожиданием М(Х) и |
D(X), |
то при |
неограниченном |
||
|
|
|
n |
|
|
|
увеличении n |
закон распределения |
суммы |
S = ∑X k |
неограниченно |
||
|
|
|
k=1 |
|
|
|
приближается к нормальному с параметрами a = nM (X ), |
σ = |
|
. |
|||
nD(X ) |
Условия справедливости центральной предельной теоремы выполняются очень часто, например, в теории ошибок измерений, теории стрельбы и т.д., что и объясняет особую роль нормального закона.
В практических задачах центральная предельная теорема часто применяется для вычисления вероятности того, что сумма нескольких случайных величин окажется в заданных пределах.
Если {X k } -последовательность независимых случайных величин с
математическими ожиданиями |
M1, M2 , Mn |
и |
дисперсиями |
D1, D2 , Dn , причем n достаточно велико, а величины |
X1, X 2 , X n |
сравнимы по порядку своего влияния на сумму, то вероятность попадания
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
случайной величины |
Y = ∑X k |
на интервал (α, β) |
равна |
|
|
||||||||||
|
k=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
β − my |
|
|
α − my |
|
|
||||
|
P(α <Y < |
β)=Ф |
|
−Ф |
|
, |
|||||||||
|
σ |
|
|
|
|
||||||||||
|
|
|
|
|
|
y |
|
|
σ |
y |
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
||||
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
где my = ∑M (X i ), |
σ y = |
Dy |
= ∑D(Xi ), |
|
Ф(х) – функция Лапласа. |
||||||||||
i=1 |
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|