- •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
Справедлива следующая приближенная формула
(3)
где
(4)
Это составляет содержание интегральной предельной теоремы Лапласа.
Введем функцию
(5)
называемую функцией Лапласа или интегралом вероятностей. Очевидно, Ф(х) есть первообразная для функции (х). Так как (х) > 0 в ( ), то Ф(х) возрастающая функция в этом интервале. На основании формулы Ньютона-Лейбница из формулы (3) получаем
(6)
Это интегральная формула Лапласа.
Как известно, интеграл не берется в элементарных функциях. Поэтому для функции (5) составлена таблица ее значений для положительных значений х, так как Ф(0) = 0 и функция Ф(х) нечетная,
Пример 5. Вероятность того, что изделие не прошло проверку ОТК, равна 0,2. Найти вероятность того, что среди 400 случайно отобранных изделий окажутся непроверенными от 70 до 100 изделий.
Решение. Здесь n = 400, k = 70, l = 100, р = 0,2, q = 0,8. Поэтому, в силу равенств (4) xk = 1,25, x1 = 2,5 и согласно формуле (6),
P400(70, 100) = Ф(2,5) Ф(1,25) = Ф(2,5) + Ф(1,25) =
= 0,4938 + 0,3944 = 0,8882.
3. Распределение Пуассона. Пусть производится серия п независимых испытаний (п = 1, 2, 3, ...), причем вероятность появления данного события А в этой серии Р(А) = рn > 0 зависит от ее номера п и стремится к нулю при п (последовательность «редких событий»). Предположим, что для каждой серии среднее значение числа появлений события А постоянно, т.е. прn = = const. Отсюда
Исходя из формулы Бернулли (1), для вероятности появления события А в n-й серии ровно т раз имеем выражение
Пусть т фиксировано. Тогда
(здесь использован второй замечательный предел). Поэтому
Если п велико, то в силу определения предела, вероятность Рп(т) сколь угодно мало отличается от . Отсюда при больших п для искомой вероятности Рn(т) имеем приближенную формулу Пуассона (для простоты знак приближенного равенства опущен)
Определение. Говорят, что случайная величина X распределена по закону Пуассона, если эта величина задана таблицей:
X |
0 |
1 |
2 |
3 |
… |
p |
|
|
|
|
… |
Здесь фиксированное положительное число (разным значениям отвечают разные распределения Пуассона).
Найдем математическое ожидание дискретной величины X, распределенной по закону Пуассона. Согласно определению математического ожидания
Найдем далее D(X). Сначала найдем М(Х 2):
Теперь по известной формуле
Распределение Пуассона крайне важно во многих физических и биологических задачах. Оно представляет собой грубую модель частоты встречаемости катастрофических наводнений при довольно длительном периоде наблюдений. Распределение микроэлементов в образце почвы может также приближаться к пуассоновскому. Возможности приложений распределения Пуассона в естествознании иллюстрируют два следующих примера.
Пример 6. (радиоактивный распад). Рассмотрим пробу радиоактивного вещества, которое в среднем дает r импульсов радиоактивности в одну секунду. Ожидаемое число импульсов за t секунд есть rt. Этот процесс можно описать распределением Пуассона. Проба состоит из очень большого числа п радиоактивных атомов, причем каждый атом имеет крайне малую вероятность р распада в течение одной секунды. Ожидаемое число распадов за 1 секунду есть r = пр. Ожидаемое число распадов за t секунд есть rt = npt. Это является математическим ожиданием распределения Пуассона, которое дает вероятность k распадов за t секунд:
Если, например, имеется три импульса радиоактивности в 1 секунду, то вероятность возникновения 10 импульсов за 5-секундный интервал составляет
Пример 7. (подсчет клеток под микроскопом). Предположим, что n клеток определенного типа распределены случайным образом по площади предметного стекла, которое разбито квадратной решеткой на 900 (3030) равных участков. Вероятность того, что конкретная клетка лежит в данном участке решетки, есть р =1/900. Процесс размещения п клеток на предметном стекле можно рассматривать как п повторных испытаний для биномиального эксперимента, где «успех» определяется как попадание клетки в конкретный участок решетки. Если п велико, то для вычисления вероятности того, что конкретный участок решетки содержит k клеток, можно воспользоваться пуассоновским приближением биномиального распределения: = np = n/900. Значит,
Величина P(k) дает долю тех из 900 участков, в которых содержится по k клеток. Общее число участков, содержащих по k клеток, равно 900 P(k). Например, ожидается, что в среднем участков не содержат ни одной клетки.
Это дает нам метод оценки общего числа имеющихся клеток путем определения числа тех участков квадратной решетки, которые не содержат этих клеток. Если, например, мы видим, что клеток нет в 75 участках квадратной решетки, то Отсюда
Основное допущение, сделанное нами, состоит в том, что п клеток распределены по площади стекла случайно. Если это допущение справедливо, то распределение Пуассона дает весьма эффективное средство оценки числа клеток на стекле.
4. Равномерное распределение. Распределение вероятностей непрерывной случайной величины X, принимающей все свои значения из отрезка [а; b], называется равномерным, если ее плотность вероятности на этом отрезке постоянна, а вне его равна нулю, т.е.
Отсюда
(7)
Но, как известно, . Из сравнения этого равенства с (7) получаем
Итак, плотность вероятности непрерывной случайной величины X, распределенной равномерно на отрезке [а;b], имеет вид
Покажем, что Действительно,
Далее,
Пример 8. На отрезке [а;b] наугад указывают точку. Какова вероятность того, что эта точка окажется в левой половине отрезка?
Решение. Пусть X - случайная величина, равная координате выбранной точки. X распределена равномерно (в этом и состоит точный смысл слов: «наугад указывают точку»), а так как середина отрезка [а;b] имеет координату , то искомая вероятность равна
5. Закон нормального распределения. Центральная предельная теорема. Закон распределения вероятностей непрерывной случайной величины X называется нормальным, если ее дифференциальная функция f(х) определяется формулой
(8)
где параметр а совпадает с математическим ожиданием величины X: а = М(Х), параметр является средним квадра-тическим отклонением величины
График функции (8) будет иметь вид, как на рис. 18. Причем его максимальная ордината равна ). Значит, эта ордината убывает с возрастанием значения (кривая «сжимается» к оси Ох) и возрастает с убыванием значения (кривая «растягивается» в положительном направлении оси Оу), что отражено на рис. 19. Изменение значений параметра а (при неизменном значении ) не влияет на форму кривой.
Рис. 18
Нормальное распределение с параметрами а = 0 и = 1 называют нормированным. Дифференциальная функция в случае такого распределения
Пусть случайная величина X распределена по нормальному закону. Тогда вероятность того, что X примет значение, принадлежащее интервалу ( ), согласно известной теореме,
Сделаем в этом интеграле замену переменной, полагая . Тогда x = a+ и
(9)
Используя функцию (5), получаем
Итак,
(10)
Часто требуется вычислить вероятность того, что отклонение нормально распределенной случайной величины X от ее математического ожидания по абсолютной величине меньше заданного положительного числа , т.е. найти . Используя формулу (10) и нечетность функции Ф(х), имеем
т.е.
(11)
Пример 9. Пусть случайная величина Х распределена по нормальному закону с параметрами а = 20 и = 10. Найти .