Вопрос 21: непрерывное равномерное распределение. Параметры распр-ия, числовы хар-ки

Равномерным наз-ся распр-ие таких случайных величин, все значения которых лежат на некотором отрезке [a,b] и имеют постоянную плотность вероятности на этом отрезке:

таким образом:

F(x)={0 при x<a; h при a<=x<=b; 0 при x>b. Так как h(b-a)=1, то h=1/(b-a) и, следовательно, f(x)= {0 при x<a; 1/(b-a) при a<=x<=b; 0 при x>b.

Вопрос 22: нормальное распределение. Стандартное нормальное распределение. Правило трёх сигм

Нормальным называют распределение вероятностей непрерывной случайной величины, которое описывается плотностью , зависящее от двух параметров: и .

,

Замена: ; ; .

;

.

Тогда . М(Х)=а.

Учитывая, что М(Х)=а:

;

Правило трёх сигм: Для нормально распределенной с.в.Х справедлива формула

Преобразуем эту формулу, приняв В итоге получим

Если t=3 и, следовательно, , то , т.е. вероятность того, что отклонение по абсолютной величине будет меньше утроенного среднего квадратического отклонения, равна 0,9973. Другими словами, вероятность того, что абсолютная величина отклонения превысит утроенное среднее квадратическое отклонение, очень мала, а именно равна 0,0027. Это означает, что лишь в 0,27% случаев так может произойти. Такие события исходя из принципа невозможности маловероятных событий можно считать практически невозможным. В этом и состоит сущность правила трех сигм: если случайная величина распределена нормально, то абсолютная величина ее отклонения от математического ожидания не превосходит утроенного среднего квадратического отклонения. На практике правило трех сигм применяют так: если распределение изучаемой случайной величины неизвестно, но условие, указанное в приведенном правиле, выполняется, то есть основание предполагать, что изучаемая величина распределена нормально.

Вопрос 24. Коэффициент корреляции, его свойства.

1.

По определению

т.к. всегда неотрицательна, то

2. Если , то с вероятность 1 X и Y связаны линейно.

Рассмотрим X*-Y*, отсюда M(X*-Y*)=0.

Если X и Y дискретные случайные величины, и дисперсия равна 0, то их сумма (разность) является постоянной

Пусть X и Y непрерывные случайные величины, то в соответствии с неравенством Чебышева

т.к.

Это неравенство и обозначает, что с вероятностью 1

откуда y=ax+b, где

Если коэффициент корреляции , то результаты опыта лежат на прямой

В общем случае Y можно представить в виде

Коэффициент корреляции является мерой близости линейной связи между случайными величинами X и Y: чем ближе коэффициент корреляции по модулю к 1, тем более тесно результаты конкретного испытания над X и Y соотносятся с прямой ax+b.

Вопрос 25: закон больших чисел. Лемма о среднем арифметическом случайных величин. Теорема Бернулли. Центральная предельная теорема

Лемма: Пусть Хi взаимонезависимые случайные величины i=1,…,n, с одной и той же дисперсией и мат. ожиданием M(x)=m

, тогда

Из Леммы следует:

- Мат. ожидание среднего арифметического и значение случайной величины не зависят от числа опытов

- Дисперсия среднего арифметического в n раз меньше дисперсии каждой из этих случайных величин, зависит от числа опытов

Т еорема Чебышева. Если Х1, Х2,…,Хn,…- попарно независимые случайные величины, причем дисперсии их равномерно ограничены (не превышают постоянного числа С), то, как бы мало ни было положительное число , вероятность неравенства

будет как угодно близка к единице, если число случайных величин достаточно велико.

Другими словами, в условиях теоремы

.

Таким образом, теорема Чебышева утверждает, что если рассматривается достаточно большое число незави­симых случайных величин, имеющих ограниченные ди­сперсии, то почти достоверным можно считать событие, состоящее в том, что отклонение среднего арифметического случайных величин от среднего арифметического их ма­тематических ожиданий будет по абсолютной величине сколь угодно малым.

Доказательство. Введем в рассмотрение новую случайную величину—среднее арифметическое случайных величин

Найдем математическое ожидание . Пользуясь свойствами математического ожидания (постоянный множи­тель можно вынести за знак математического ожидания, математическое ожидание суммы равно сумме математи­ческих ожиданий слагаемых), получим

. (*)

Применяя к величине неравенство Чебышева, имеем

,

или, учитывая соотношение (*),

. (**).

Пользуясь свойствами дисперсии (постоянный множитель можно вынести за знак дисперсии, возведя его в квадрат; дисперсия суммы независимых с.в. равна сумме дисперсий слагаемых), получим

.

По условию дисперсии всех с.в. ограничены постоянным числом С, т.е. имеют место неравенства: , поэтому (D(X1)+D(X2)+…+D(Xn))/n2 (C+C+…+C)/n2=nC/n2=c/n.

Итак, . (***)

Подставляя правую часть (***) в неравенство (**) (отчего последнее может быть лишь усилено), имеем

.

Отсюда, переходя к пределу при , получим

.

Наконец, учитывая, что вероятность не может превышать единицу, окончательно можем написать

.

Сущность доказанной теоремы такова: хотя от­дельные независимые случайные величины могут прини­мать значения, далекие от своих математических ожиданий, среднее арифметическое достаточно большого числа случай­ных величин с большой вероятностью принимает значе­ния, близкие к определенному постоянному числу, а именно к числу (M(X1)+M(X2)+…+M(Xn))/n (или к числу а в частном случае). Иными словами, отдельные случайные величины могут иметь значительный разброс, а их среднее арифметическое рассеянно мало.

Таким образом, нельзя уверенно предсказать, какое возможное значение примет каждая из случайных вели­чин, но можно предвидеть, какое значение примет их среднее арифметическое.

Итак, среднее арифметическое достаточно большого числа независимых случайных величин (дисперсии которых равномерно ограничены) утрачивает характер случайной величины. Объясняется это тем, что отклонения каждой из величин от своих математических ожиданий могут быть как положительными, так и отрицательными, а в среднем арифметическом они взаимно погашаются.

Теорема Чебышева справедлива не только для дискрет­ных, но и для непрерывных случайных величин; она является ярким примером, подтверждающим справедли­вость учения диалектического материализма о связи между случайностью и необходимостью.

Теорема Бернулли. Если в каждом из n независимых испытаний вероятность р появления события А постоянна, то как угодно близка к единице вероятность того, что отклонение относительной частоты от вероятности p по абсолютной величине будет сколь угодно малым, если число испытаний достаточно велико.

Другими словами, если - сколь угодно малое поло­жительное число, то при соблюдении условий теоремы имеет место равенство

.

Доказательство. Обозначим через Х1 дискретную случайную величину—число появлений события в первом испытании, через Х2—во втором, ..., Хn—в n-м испы­тании. Ясно, что каждая из величин может принять лишь два значения: 1 (событие А наступило) с вероят­ностью р и 0 (событие не появилось) с вероятностью 1—р=q.

Можно ли применить к рассматриваемым величинам теорему Чебышева? Можно, если случайные величины по­парно независимы и дисперсии их ограничены. Оба усло­вия выполняются. Действительно, попарная независимость величин X1, Х2, . . ., Хn следует из того, что испытания независимы. Дисперсия любой величины Xi (i= 1, 2, . .., n) равна произведению p*q, так как p+q=1,то произве­дение pq не превышает 1/4 и, следовательно, дисперсии всех величин ограничены, например, числом С =1/4.

Применяя теорему Чебышева (частный случай) к рас­сматриваемым величинам, имеем

Приняв во внимание, что математическое ожидание а каждой из величин Xi (т. е. математическое ожидание числа появлений события в одном испытании) равно ве­роятности р наступления события, получим

Остается показать, что дробь (X1+X2+…Xn)/n равна относительной частоте т/п появлений события А в испытаниях. Действительно, каждая из величин X1,X2,…Xn при появлении события в соответствующем испытании принимает значение, равное единице; следовательно, сумма X1+X2+…+Xn равна числу m появления события в n испытаниях, а значит,

Учитывая, это равенство, окончательно получим

.

Итак, теорема Бернулли утверждает, что при относительная частота стремится по вероятности к p.

Центральная предельная теорема

(количественная форма закона больших чисел)

Т-№1: Если х1,…,хn независимые случайные величины имеющие один и тот же закон распределения с мат. ожиданием равным , то при неограниченном увеличении n закон распределения n равен сумме неограниченно приближенной к нормальному.

Т-№2: Начало тоже, тогда при функция распределения стремится к функции распределения стандарт. Ф(х), при любом Х.