- •А.П. Бырдин н.В. Заварзин а.А. Сидоренко л.П. Цуканова
- •А.П. Бырдин н.В. Заварзин а.А. Сидоренко л.П. Цуканова
- •Введение
- •1. Ортогональные системы функций и обобщенные ряды фурье. Интегралы фурье
- •1.1. Исторические замечания
- •1.2. Гильбертово пространство. Ряды Фурье в гильбертовом пространстве
- •1.3. Тригонометрические ряды Фурье
- •Интегральная формула Фурье.
- •Условия представимости функции интегралом Фурье
- •2. Преобразование лапласа
- •2.1. Определение преобразования Лапласа
- •Свойства преобразования Лапласа
- •2.3. Применения преобразования Лапласа к решению дифференциальных уравнений и систем
- •4. Решение систем линейных дифференциальных уравнений с постоянными коэффициентами.
- •3. Событие и вероятность
- •3.1. Основные понятия. Определение вероятности
- •3.2. Свойства вероятности
- •2. Теорема умножения вероятностей.
- •3. Теорема сложения вероятностей совместимых событий.
- •4. Формула полной вероятности.
- •3.3. Приложения в биологии
- •4. Дискретные и непрерывные случайные величины
- •4.1. Случайные величины
- •1. Понятие «случайные величины».
- •4.2. Математическое ожидание дискретной случайной величины
- •Решение. Используя полученную там таблицу, имеем
- •2. Свойства математического ожидания дискретной случайной величины.
- •4.3. Дисперсия дискретной случайной величины
- •2. Свойства дисперсии дискретной случайной величины.
- •3. Среднее квадратическое отклонение.
- •4. Понятие о моментах распределения.
- •Следовательно, если X имеет распределение
- •4.4. Непрерывные случайные величины
- •3. Математическое ожидание и дисперсия непрерывной случайной величины.
- •4.5. Некоторые законы распределения случайных величин
- •Справедлива следующая приближенная формула
- •Введем функцию
- •Решение. Используя формулу (11), имеем
- •4.6. Закон больших чисел
- •Элементы математической статистики
- •5.1. Генеральная совокупность и выборка
- •5.2. Оценки параметров генеральной совокупности по ее выборке
- •5.3. Доверительные интервалы для параметров нормального распределения
- •5.4. Проверка статистических гипотез
- •Задачи к п. 2
- •Задачи к п. 3
- •Ответы к п. 3
- •Задачи к п. 4
- •Ответы к п. 4
- •Приложение 2
- •Приложение 3
- •Приложение 4
- •Приложение 5
- •Вопросы к экзамену
- •Библиографический список
- •Оглавление
- •Ортогональные системы функций и обобщенные ряды Фурье. Интегралы Фурье …………...………………..….4
- •Преобразование Лапласа…………………………….….20
- •Событие и вероятность……...………………………….73
- •Дискретные и непрерывные случайные величины…94
- •Элементы математической статистики……………...130
- •394026 Воронеж, Московский просп., 14
3. Математическое ожидание и дисперсия непрерывной случайной величины.
Определение 1. Математическим ожиданием непрерывной случайной величины X с плотностью вероятности f(х) называют величину несобственного интеграла (если он сходится):
Определение 2. Дисперсией непрерывной случайной величины X, математическое ожидание которой М(Х) = а и функция f(х) является ее плотностью вероятности, называется величина несобственного интеграла (если он сходится):
Можно показать, что математическое ожидание и дисперсия непрерывной случайной величины имеют те же свойства, что и математическое ожидание и дисперсия дискретной случайной величины.
Для непрерывной случайной величины X среднее квадратическое отклонение (Х) определяется, как и для дискретной величины, формулой .
Пример 4. Случайная величина X задана плотностью вероятности
Определить математическое ожидание, дисперсию и среднее квадратическое отклонение величины X.
Решение. Согласно определениям 1 и 2
и, наконец,
4.5. Некоторые законы распределения случайных величин
1. Биномиальное распределение. Пусть производится п испытаний, причем вероятность появления события А в каждом испытании равна р и не зависит от исхода других испытаний (независимые испытания). Так как вероятность наступления события А в одном испытании равна р, то вероятность его ненаступления равна q = 1 р.
Найдем вероятность того, что при n испытаниях событие А наступит т раз (т п).
Пусть событие А наступило в первых т испытаниях т раз и не наступило во всех последующих испытаниях. Это сложное событие можно записать в виде произведения:
Общее число сложных событий, в которых событие А наступает т раз, равно числу сочетаний из п элементов по т элементов. При этом вероятность каждого сложного события равна: pmqn-m. Так как эти сложные события являются несовместимыми, то вероятность их суммы равна сумме их вероятностей. Итак, если Рп(т) есть вероятность появления события А т раз в п испытаниях, то или
(1)
Формулу (1) называют формулой Бернулли.
Пример 1. Пусть всхожесть семян данного растения составляет 90%. Найти вероятность того, что из четырех посеянных семян взойдут: а) три; б) не менее трех.
Решение. а) В данном случае n = 4, т = 3, р = 0,9, q = 1 p = 0,1. Применим формулу Бернулли (1):
б) Здесь событие А состоит в том, что из четырех семян взойдут или три, или четыре. По теореме сложения вероятностей . Но Р4(4) = (0,9)4 = 0,6561. Поэтому Р(А) = 0,2916 + 0,6561 = 0,9477.
Снова рассмотрим n независимых испытаний, в каждом из которых наступает событие А с вероятностью р. Обозначим через X случайную величину, равную числу появлений события А в п испытаниях.
Понятно, что событие А может вообще не наступить, наступить один раз, два раза и т.д. и, наконец, наступить п раз. Следовательно, возможными значениями величины X будут числа 0, 1, 2, ..., n 1, п. По формуле Бернулли можно найти вероятности этих значений:
Запишем полученные данные в виде таблицы распределения:
|
0 |
1 |
… |
m |
… |
n |
p |
qn |
|
… |
|
… |
pn |
Построенный закон распределения дискретной случайной величины X называют законом биномиального распределения.
Найдем М(Х). Очевидно, что Xi число появлений события А в каждом испытании представляет собой случайную величину со следующим распределением:
Xi |
0 |
1 |
pi |
q |
p |
Поэтому М(Хi) = . Но так как X = Х1 + ... +Хn, то М(Х) = пр. Найдем далее D(X) и (Х). Так как величина имеет распределение
Xi2 |
02 |
12 |
pi |
q |
p |
то M(Xi2)= . Поэтому
Наконец, в силу независимости величин X1, X2, ..., Хn,
Отсюда
Пример 2. Случайная величина X определена как число выпавших гербов в результате 100 бросаний монеты. Вычислить математическое ожидание, дисперсию и среднее квадратическое отклонение X.
Решение. Вероятность появления герба в каждом бросании монеты . Следовательно, вероятность непоявления герба . Случайная величина X имеет биномиальное распределение при п = 100 и . Поэтому
Пример 3. Допустим, что для хищника вероятность поимки отдельной жертвы составляет 0,4 при каждом столкновении с жертвой. Каково ожидаемое число пойманных жертв в 20 столкновениях?
Решение. Это пример биномиального распределения при п = 20 и р = 0,4. Ожидаемое число есть М(Х) = пр = = =8.
2. Локальная и интегральная предельные теоремы Лапласа. Если число испытаний п велико, то вычисления по формуле Бернулли становятся затруднительными. Лаплас получил важную приближенную формулу для вероятности Рn(т) появления события А точно m раз, если п достаточно большое число. Им же получена приближенная формула и для суммы вида .
Локальная предельная теорема Лапласа. Пусть р=Р(А) вероятность события А, причем 0 < р < 1. Тогда вероятность того, что в условиях схемы Бернулли событие А при п испытаниях появится точно т раз, выражается приближенной формулой Лапласа
(2)
где
Для функции имеется таблица (см. приложение 1) ее значений для положительных значений х (функция четная).
Пример 4. Вероятность поражения цели стрелком при одиночном выстреле равна р = 0,2. Какова вероятность того, что при 100 выстрелах цель будет поражена ровно 20 раз?
Решение. Здесь р = 0,2, q = 0,8, n = 100 и т = 20. Отсюда и, следовательно,
.
Учитывая, что , из формулы (2) получаем (для получения приближен-ного равенства можно использовать калькулятор).
Перейдем к интегральной предельной теореме Лапласа. Поставим следующий вопрос, какова вероятность того, что в условиях схемы Бернулли событие А, имеющее вероятность Р(А) = р (0 < р < 1), при п испытаниях (как и прежде, число испытаний велико) появится не менее k раз и не более l раз. Эту искомую вероятность обозначим через Pn(k, l).