ФЭФ заочн. ТеорВер и МатСтат / Краткий конспект лекций по ТВ и МС
.pdfn |
Р( А/ H i |
) |
|
|
Р( А) = ∑ P(H i )P( A / H i ) Р(Нi/A) = P(H i ) |
= |
|||
P( A) |
|
|||
i=1 |
|
|
P(H i )P( A / H i )
n
∑ P(H i )P( A / H i )
i=1
Это следствие из теоремы умножения и формулы полной вероятности называется формулой Байеса или теоремой гипотез.
Вероятности гипотез Р(Нi), входящие в формулу полной вероятности, называют априорными, т.е. «до опытными». Пусть опыт произведен и его результат известен, т.е. мы знаем, произошло или не произошло событие А. Получившийся результат мог произойти при осуществлении какой-то одной гипотезы Нi. Дополнительная информация об исходе опыта перераспределяет вероятности гипотез. Эти перераспределенные вероятности гипотез Р(Нi/A) называют апостериорными , т.е. «после опытными».
Пример В одной из корзин 1 камешек и 4 кусочка хлеба, во второй – 4 камешка и 1 кусочек хлеба. Мышка наугад выбирает корзину, бежит к ней и вытаскивает кусочек хлеба - событие А (предполагается, что он затем вновь возвращается в корзину). Какова вероятность события А? Каковы вероятности того, что второй раз мышка побежит к первой корзине, ко второй корзине? Какова вероятность того, что она второй раз вытащит кусочек хлеба?
Рассмотрим гипотезы Н1 – мышка бежит к первой корзине,
Н2 – мышка бежит ко второй корзине.
Р(Н1) =1/2 = Р(Н2) (априорные вероятности)
Р( А/ H1 ) = 4 / 5 P( A / H 2 ) = 1/ 5 . P(A) = 4 / 5 1/ 2 + 1/ 5 1/ 2 = 1/ 2
Р(Н1/A) = |
P(H1 )P( A / H1 ) |
2 |
|
|
∑ P(H i )P( A / H i ) |
|
i=1 |
= 1/ 2 4 / 5 =
4 / 5
1/ 2
Р(Н2/A) = |
P(H 2 )P( A / H 2 ) |
= |
1/ 2 1/ 5 |
= 1/ 5 |
(апостериорные вероятности). |
|
2 |
|
1/ 2 |
||||
|
∑ P(H i )P( A / H i ) |
|
|
|
||
|
|
|
|
|
|
i=1
При втором подходе P(A) = 4 / 5 4 / 5 + 1/ 5 1/ 5 = 16 / 25 > 1/ 2
Мышка обучилась, второй раз она выберет первую корзину с большей вероятностью и добьется большего успеха.
Заметим, что это – один из основных принципов обучения кибернетических систем.
Лекция 3. Случайные величины
Случайная величина – это величина (число), которая в результате опыта может принимать то или иное значение.
Более строго, случайная величина – это числовая функция случайного события.
X = X (ω ), ω Ω Β
Случайная величина называется дискретной, если множество ее значений конечно или счетно. Здесь Β - алгебра событий. Например, число очков на грани брошенной кости, число бросков монеты до появления герба – дискретные случайные величины.
Случайная величина называется непрерывной, если ее значения заполняют некоторый интервал, возможно, бесконечный. Здесь Β - сигма - алгебра событий. Например, расстояние от центра мишени при стрельбе, время до отказа прибора, ошибка измерения – непрерывные случайные величины.
11
Рассмотрим дискретную случайную величину, принимающую значения x1 ,...xn . Имеем полную группу (иначе, не все значения учтены) несовместных событий X = x1 ,...,X = xn .
Вероятности этих событий равны соответственно p1 ,... pn (p1 + ... + pn = 1). Будем говорить,
что дискретная случайная величина X принимает значения x1 ,...xn с вероятностями p1 ,... pn .
Законом распределения дискретной случайной величины называется любое соотношение, устанавливающее зависимость между ее значениями x1 ,...xn и вероятностями p1 ,... pn , с которыми эти значения достигаются.
Основные формы закона распределения дискретной случайной величины: ряд
распределения – таблица |
|
|
|
|
|
|
|
|
|
xi |
x1 |
|
….. |
xn |
|
|
|
|
|
|
|
|
|
|
|
pi |
p1 |
|
….. |
pn |
|
|
|
|
|
|
|
|
|
многоугольник распределения |
|
|
|
|
|
||
|
p3 |
|
|
|
|
|
|
|
p2 |
|
|
|
|
|
|
|
p1, pn |
|
|
|
|
|
|
|
|
x1 |
x2 |
x3 …x |
n |
||
Можно задать закон распределения в виде аналитической зависимости, связывающей |
|||||||
значения x1 ,...xn и вероятности |
p1 ,... pn . |
|
|
|
|
|
|
Рассмотрим непрерывную случайную величину. Для непрерывной случайной величины |
|||||||
P(X = x) = 0 , поэтому рассматривают события X < x и вероятности этих событий. |
|||||||
Функцией распределения непрерывной случайной величины F (x) называется |
|||||||
вероятность события X < x . |
F (x)= P(X < x). |
|
|
|
|
|
Свойства функции распределения.
1)0 ≤ F (x) ≤ 1 по аксиомам вероятности,
2)F (x1 ) ≤ F (x2 ) , если x1 ≤ x2 , т.е. функция распределения – неубывающая
функция. |
В |
самом |
деле, |
X < x1 X < x2 , |
следовательно, |
F (x1 ) = P(X < x1 ) ≤ P(X < x2 ) = F (x2 ).
3) |
lim x→−∞ F (x) = 0, |
lim x→+∞ F (x) = 1 В |
самом |
деле, |
событие |
X < −∞ |
- |
|
|
невозможное, и его вероятность нулевая. Событие |
X < +∞ - достоверное, и его |
||||||
|
вероятность равна 1. |
|
|
|
|
|
|
|
4) |
P(a ≤ X ≤ b) = F (b) − F (a). |
Так как |
события |
A = (X < a)и B = (a ≤ X ≤ b) |
||||
|
несовместны и |
событие |
C = (X < b) |
есть |
сумма |
этих |
событий, |
то |
F (b) = P(X < b) = P(C ) = P(A) + P(B) = F (a) + P(a ≤ X ≤ b) .
График функции распределения имеет, примерно, следующий вид
F(x)
1
x
12
Функцию распределения можно определить и для дискретной случайной величины. Ее график будет графиком ступенчатой функции со скачками в pi в точках xi , непрерывной слева в этих точках.
F(x)
|
1 |
|
|
|
|
|
p2 |
p3 |
|
|
p1 |
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
x1 |
x2 |
x3 |
xn |
Для непрерывной случайной величины вводится плотность распределения |
||||
вероятностей. |
|
|
|
|
Плотностью распределения |
(вероятностей) называется производная функции |
|||
распределения |
′ |
|
|
|
p(x) = F (x). |
|
|
|
|
|
x |
|
|
b |
Ясно, что |
F (x) = ∫ p(x)dx, т.к. F (- ¥) = 0, |
P(a < X < b) = F (b)- F (a) = ∫ p(x)dx . |
||
|
−∞ |
|
|
a |
Часто функцию распределения называют интегральным законом распределения, а
плотность распределения – дифференциальным законом распределения. Так как
|
x+ x |
|
|
|
|
|
P(x < X < x + Dx) = |
∫ p(x)dx » p(x)Dx , то p(x)dx называется элементом вероятности. |
|||||
|
|
x |
|
|
|
|
Свойства плотности распределения. |
|
|
|
|||
1) p(x) ³ 0 , так как функция распределения – |
неубывающая функция, |
|
||||
|
+∞ |
|
|
|
|
|
2) |
∫ p(x)dx = 1 (условие нормировки) , так как F (+ ¥) = 1. |
|
||||
|
−∞ |
|
|
|
|
|
Числовые характеристики случайных величин. |
|
|||||
Начальный момент s-го порядка |
|
|
|
|
||
|
|
|
n |
|
|
|
Для дискретных случайных величин α s = ∑ xis pi . |
|
|||||
|
|
|
i=1 |
|
|
|
|
|
|
|
+∞ |
|
|
Для непрерывных случайных величин α s = ∫ x s p(x)dx . |
|
|||||
|
|
|
|
−∞ |
|
|
Математическим ожиданием случайной величины называется ее первый начальный |
||||||
момент mx = M(x) = α1 (x) . |
|
|
|
|
||
Для дискретных случайных величин mx |
= x1 p1 + ... + xn pn . Если на |
числовой оси |
||||
расположить точки |
x1 ,...xn с массами |
p1 ,... pn , |
то |
mx - абсцисса центра тяжести системы |
||
|
|
|
|
|
+∞ |
|
точек. |
Аналогично, |
для непрерывных |
случайных |
величин mx = ∫ xp(x)dx |
имеет смысл |
−∞
центра тяжести кривой распределения.
Свойства математического ожидания.
13
1) M (C ) = C.
Для дискретных случайных величин x = C, p = 1, M (C ) = x p =С.
+∞ |
+∞ |
Для непрерывных случайных величин M (X ) = ∫Cp(x)dx = C ∫ p(x)dx = C по условию |
|
−∞ |
−∞ |
нормировки для плотности вероятностей.
2)M(CX) = С M(X). В самом деле, константу можно вынести из суммы в дискретном случае и из под интеграла в непрерывном случае.
3)M(X+Y) = M(X) + M(Y). (без доказательства).
4) M(|X|) = |M(X)| (без доказательства).
Математическое ожидание функции случайной величины вычисляют по формулам
n
M ( f (X )) = ∑ f (xi )pi для дискретной случайной величины,
i=1
+∞
M ( f (X )) = ∫ f (x)p(x)dx для непрерывной случайной величины.
−∞
|
0 |
Центрированной случайной величиной называется x = x - mx |
|
Центральный момент s-го порядка |
|
n |
0 |
Для дискретной случайной величины μs = ∑(x)is pi . |
|
i=1 |
|
+∞ |
0 |
Для непрерывной случайной величины μs = ∫ (x) s p(x)dx . μs =
−∞
= x - M (X ).
0
M ((x) s )
Дисперсией |
называется |
второй центральный |
момент случайной |
величины. |
|
0 |
|
|
|
|
|
Dx = D( X ) = M ((x)2 ) = M ((x |
- mx )2 ) |
|
|
||
По |
свойствам |
|
математического |
ожидания |
получим |
Dx = M ( X 2 ) - 2(mx ) 2 + (mx )2 |
= M ( X 2 ) - (mx )2 . Эта формула часто применяется. Дисперсия |
||||
– это характеристика рассеяния, |
она характеризует концентрацию кривой распределения |
(графика плотности распределения) около математического ожидания. Если на числовой оси расположить точки xi с массами pi, то дисперсия – это момент инерции системы материальных точек относительно центра тяжести mx.
n
Для дискретных случайных величин Dx = ∑(xi - mx )2 pi .
i=1
+∞
Для непрерывных случайных величин Dx = ∫ (x - mx ) 2 p(x)dx .
−∞
Свойства дисперсии.
1)Dx ³ 0 (под интегралом стоит квадрат функции).
2)DC = 0 ( mC = C) .
3)DCx = C 2 Dx (выведите сами, вынося C 2 из под суммы или из под интеграла).
Средним квадратическим отклонением называется σ (x) = Dx .
Кроме этих основных числовых характеристик используются коэффициент
асимметрии sk |
= |
|
μ3 |
, эксцесс – |
мера островершинности распределения Ex = |
μ4 |
- 3 , |
|
σ 3 |
σ 4 |
|||||||
|
|
|
|
|
||||
|
|
|
|
|
0 |
|
|
среднее арифметическое отклонение M (| x |) , мода – наиболее вероятное значение для
14
дискретных величин или значение, где плотность максимальна для непрерывных величин, медиана Me – абсцисса точки, в которой площадь, ограниченная кривой плотности распределения, делится пополам (точка, в которой F(x) = ½).
Пример. Стрелок делает один выстрел и с вероятностью p попадает в мишень. Пусть X
– количество попаданий в мишень. Это – дискретная случайная величина, принимающая два значения х1 = 0 и х2 = 1 с вероятностями q = 1-p, p соответственно. Построим ряд распределения Х
|
xi |
0 |
1 |
|
|
pi |
q |
p |
|
|
|
|
0, |
− ∞ < x ≤ 0 |
Функция распределения равна F (x) = q, |
0 < x ≤ 1 , |
|||
|
|
|
1 |
1 < x < +∞ |
|
|
|
|
|
Математическое ожидание равно M(X) = mx = 0 q + 1 p = p.
Если составить ряд распределения для случайной величины X2, то мы получим ту же таблицу (так как 02 = 0 и 12 =1). Поэтому M(X2) = p, а дисперсию можно вычислить по формуле D(X) = M(X2) – (m x)2 = p – p 2 = p(1-p) = pq.
Распределение называется равномерным на отрезке [a,b], если плотность случайной величины X постоянна на отрезке [a,b] p(x) = p и равна нулю вне этого отрезка.
Из условия нормировки для плотности вероятности следует
b |
1 |
|
|
1 = ∫ pdx = p(b − a) . Отсюда следует, что p = |
- плотность равномерного |
||
|
|||
|
|||
a |
b − a |
||
|
|
распределения. Функция распределения величины, распределенной равномерно на отрезке [a,b], равна
|
0, |
x ≤ a |
|
||
x |
|
− a |
|
||
|
x |
|
|||
F (x) = ∫ p(x)dx = |
|
|
a |
< x ≤ b . Вычислим математическое ожидание и дисперсию |
|
|
|
||||
−∞ |
b |
− a |
|
||
|
1 |
x > b |
|
||
|
|
|
|
|
величины, распределенной равномерно на отрезке [a,b].
|
|
|
|
|
|
m |
|
= b |
|
|
x |
|
|
dx = |
1 x 2 |
b |
= |
b 2 − a 2 |
|
|
= |
a + b |
, |
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
∫ b − a |
b − a 2 |
a 2(b − a) |
2 |
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(a +b) |
|
|
|
|
b −a (a +b)(b −a ) (a +b) (b −a) |
||||||||||||
|
|
|
|
|
|
|
|
|
a +b |
2 |
|
|
|
2 |
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
b |
|
|
|
|
|
|
|
|
|
|
|
|
b |
|
|
|
−(a +b)x + |
|
|
|
|
|
|
3 3 |
|
|
2 2 |
|
2 |
|
||||||||
|
Dx = ∫ x − |
|
|
|
|
|
p dx = p∫ x |
|
|
|
|
|
|
|
dx = p( |
|
− |
|
|
+ |
|
) = |
|||||||||||||||||||||
|
2 |
|
|
|
4 |
|
|
|
3 |
2 |
|
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
a |
|
|
|
|
|
|
|
|
|
|
a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
||||||||||
|
2 |
+ ab |
+ b |
2 |
|
|
a |
2 |
+ 2ab + b |
2 |
|
|
|
a |
2 |
+ 2ab + b |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
a |
|
|
|
− |
|
|
+ |
|
|
|
= |
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
3 |
|
|
|
|
|
|
2 |
|
|
|
|
4 |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
1 |
|
(4a 2 + 4ab + 4b 2 − 6a 2 − 12ab − 6b2 + 3a 2 + 6ab + 3b 2 ) = |
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
12 |
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(b − a)2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
= |
1 |
(b2 − 2ab + a 2 ) = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
12 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
12 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
15
Лекция 4
Повторяющиеся испытания.
Пусть производится n опытов (испытаний), в каждом из которых может наступить один из N исходов. Если результаты одного испытания не зависят от результатов других испытаний, то такие испытания называются независимыми.
Например, стрелок делает n выстрелов в мишень, в которой N колец: десятка, девятка и т.д. Возможны две ситуации: условия проведения испытаний не меняются (ситуация А)
или меняются от испытания к испытанию (ситуация В).
Рассмотрим ситуацию А.
Пусть число исходов равно двум (N = 2). Схема независимых испытаний с двумя исходами называется схемой Бернулли.
Два исхода соответствуют в приведенном примере попаданию (успеху) или не попаданию в мишень, причем в каждом выстреле вероятность попадания равна p, а вероятность промаха равна q = 1 – p. Обозначим вероятность попасть m раз из n выстрелов
P(m,n). |
P(0, n) = q n , |
так как в каждом опыте стрелок промахивается. Вероятность попасть |
|||
один раз равна P(1, n) = npq n−1 , так как стрелок может попасть при первом, втором, |
… n |
ом |
|||
выстреле. P(2, n) = Cn2 p 2 q n−2 ,так |
как два попадания (порядок не важен) должны быть |
||||
размещены (выборки без возвращения) среди n выстрелов. Аналогично |
|
|
|||
P(m, n) = P (m) = C m p m q n−m |
- формула Бернулли. |
|
|
||
|
n |
n |
|
|
|
Само распределение P (m) = C m p m q n−m называют биномиальным. |
|
|
|||
|
|
n |
n |
|
|
В самом деле, это – коэффициенты при z m в разложении по степеням z |
|
|
|||
производящей функции ϕ (z) = (q + pz)n . |
|
|
|||
Из формулы Бернулли вытекают два следствия: |
|
|
|||
1) |
Вероятность появления успеха в n испытаниях не более m1 раз и не менее |
m2 раз |
|||
|
равна P(m1 |
|
m2 |
|
|
|
£ m £ m2 ) = ∑Cnm p m q n−m , |
|
|
||
|
|
|
m=m1 |
|
|
2) |
Вероятность хотя бы |
одного успеха в n испытаниях равна (m1 = 1, m2 |
= n) |
n
P(m ³ 1) = ∑Cnm p m q n−m = 1 - Cn0 p 0 q n = 1 - q n .
m=1
Если Х имеет биномиальное распределение, то Мх = np, Dx = npq.
Пусть в ситуации А число исходов равно N, а их вероятности равны p1…p N .
Вычислим |
|
вероятность |
того, |
что |
после |
n |
|
испытаний i – |
тый |
исход |
наступит mi раз |
|||||||||||||
(m1 + ... + mN = n) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
P(m1 |
.....mN , n) = Cnm1 Cnm−2m |
... Cnm−Nm −m −...−m |
N |
|
p m1 p m2 ...p mN . |
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
1 |
|
|
1 2 |
|
−1 |
|
|
|
|
|
|
||||
|
Заметим, |
|
|
|
|
|
|
|
|
|
|
|
(n - m1 )! |
|
(n - m1 -...- mN −1 )! |
|
что |
|||||||
Cnm1 Cnm−2m ... Cnm−Nm −m −...−m |
|
= |
|
|
|
n! |
|
|
|
... |
|
= |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
1 |
1 |
2 N −1 |
|
m1!(n - m1 )! m2 !(n - m1 - m2 )! mN !(n - m1 -...mN )! |
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
n! |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m1!m2 !...mN ! |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
так как n = m1 +...+ mN . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
Поэтому |
P(m .....m |
|
, n) = |
|
|
|
n! |
|
|
|
p m1 p m2 ...p mN . |
Это |
– |
полиномиальное |
|||||||||
|
N |
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m1!m2 !...mN !
распределение.
16
|
|
Заметим, что P(m ,...m |
N |
,n) - это коэффициенты при z m1 ...z mN в разложении по степеням |
|||||||||||||||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
1 |
N |
|
|
z ...z |
n |
производящей функции ϕ (z ...z |
N |
) = (z |
p +...+ z |
N |
p |
N |
)n . |
|
|
||||||||
1 |
|
|
|
|
|
1 |
|
|
1 1 |
|
|
|
|
|
|||||
|
|
Рассмотрим ситуацию В. Здесь вероятность того или иного исхода зависит от номера |
|||||||||||||||||
испытания, так как условия испытаний различны. |
P(m1 ,...mN ,n) - это коэффициенты при |
||||||||||||||||||
z m1 ...z mN в |
разложении |
|
|
по |
степеням |
z ...z |
n |
|
производящей |
функции |
|||||||||
1 |
|
N |
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
||
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ϕ (z1...z N ) = ∏ (z1 p1i +...+ z N pNi ) при N исходах. |
|
|
|
|
|
|
|
||||||||||||
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
При двух исходах P(m,n) - |
это коэффициент при z m |
в разложении производящей |
|||||||||||||||
функции |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
ϕ (z) |
|
n |
(qi + pi z), где qi |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= ∏ |
+ pi = 1, i = |
|
. |
|
|
|
|
|
|
|
|
||||||||
1, n |
|
|
|
|
|
|
|
|
i=1
Примеры.
1)Какова вероятность с пяти раз вытащить из колоды в 36 карт а)три туза, б)не менее одного туза?
|
3 |
|
1 3 |
|
8 |
2 |
8 |
|
5 |
|||
а) P(3,5) = C |
5 |
|
|
|
|
|
|
, |
б) R(1,5) = 1 − P(0,5) = 1 − |
|
. |
|
|
|
9 |
||||||||||
|
|
9 |
|
9 |
|
|
|
|
2)Мишень для опытного стрелка содержит три круговых кольца: 10, 9, пусто. Вероятность попасть при одном выстреле в десятку – 0,2, в девятку – 0,7, в «пусто» – 0,1. Какова вероятность в серии из 10 выстрелов попасть в «пусто» два раза, в девятку 4 раза, в десятку 4 раза?
P(2,4,4, 10) = |
10! |
(0,1)2 (0,7)4 (0,2)4 |
|
||
|
2! 4! 4! |
3)Производится три выстрела в мишень. При первом выстреле вероятность попасть в мишень равна 0,5, не попасть 0.5. При втором выстреле – соответственно 0,4 и 0.6, при третьем выстреле 0,3 и 0,7. Какова вероятность два раза попасть в мишень?
ϕ (z) = (0,5 + 0,5z)(0,6 + 0,4z)(0,7 + 0,3z) = 0,21 + 0,44z + 0,29z 2 + 0,06z 3 .
Вероятность не попасть ни разу 0,21, один раз – 0,44, два раза – 0,29, три раза – 0,06.
Распределения, связанные с повторяющимися испытаниями.
Геометрическое распределение.
Рассмотрим схему Бернулли. Обозначим Х – число испытаний до первого успеха, если вероятность успеха в одном испытании р. Если первое испытание успешно, то Х = 0. Следовательно, P(X = 0) = p . Если Х = 1, т.е. первое испытание неудачно, а второе успешно,
то по теореме умножения P(X = 1) = qp . Аналогично, если Х = n , то все испытания до n-ого неудачны и P(X = n) = q n p . Составим ряд распределения случайной величины Х
|
X |
0 |
1 |
2 |
… |
n |
… |
|
|
|
|
|
|
|
p |
p |
qp |
q 2 p |
… |
q n p |
… |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Случайная величина с таким рядом распределения имеет геометрическое |
|||||||||||||
распределение. |
|
|
|
|
|
|
|
|
|
|
|
|
|
Проверим условие нормировки p + qp + q 2 p +...+ q n p + ... = p(1 + q + q 2 +...) = |
|
p |
= |
p |
= 1. |
||||||||
|
− q |
|
|||||||||||
|
|
|
|
|
|
|
1 |
|
p |
Гипергеометрическое распределение.
Рассмотрим схему испытаний, обобщающую задачу о выборке бракованных деталей и похожую на ситуацию А с N исходами. Пусть имеется n элементов, разделенных на группы:
17
n1 элементов первого типа, n2 – второго типа и т.д., nN – N- ого типа. Какова вероятность, выбрав m элементов, получить среди них m1 элементов из первой группы, m2 – из второй и т.д. mN - из N-ой?
Ее легко вычислить по классическому определению вероятностей с учетом теоремы умножения:
|
|
|
|
m1 |
m2 |
mN |
|
P(m , m |
,...m |
|
,n) = |
Cn1 |
Cn2 |
...CnN |
. |
N |
|
|
|
||||
1 2 |
|
|
|
Cnm |
|||
|
|
|
|
|
В частности, при N=2 (m2=m-m1, n2=n-n1) (задача о бракованных деталях)
m m−m
P(m1 , n) = Cm1 Cn−m 1
Cnm
Формула Пуассона и распределение Пуассона.
Пусть число испытаний n велико, вероятность p мала и λ = np мало. Тогда вероятность наступления m успехов в n испытаниях можно приближенно определить по
формуле Пуассона: P(m, n) ≈ λm e−λ . m!
Заметим, что по формуле Пуассона можно считать вероятность неуспеха, если q мало, приняв λ = nq.
Случайная величина с рядом распределения m, P(m, n) » λm e −λ имеет распределение m!
Пуассона. Чем больше n, тем формула Пуассона точнее. Для грубых расчетов формулу применяют при n =10, λ = 0 – 2, при n = 100 λ = 0 – 3. При инженерных расчетах формулу применяют при n = 20, λ = 0 – 3, n =100, λ = 0 – 7. При точных расчетах формулу применяют при n = 100, λ = 0 – 7, n =1000, λ = 0 – 15.
Вычислим математическое ожидание и дисперсию случайной величины, имеющей распределение Пуассона.
M (X ) =
M (X (X
∞ |
λm |
|
∞ |
|
λm−1 |
||
∑m e−λ = λe−λ ∑ |
|
|
|||||
(m -1)! |
|||||||
m=0 |
m! |
m=1 |
|||||
|
∞ |
|
m |
e−λ = λ2 |
|||
-1)) = ∑m(m -1) λ |
|
||||||
|
m=0 |
m! |
|
|
|
= |
∞ |
λk |
λe−λ ∑ |
= λe−λ eλ = λ , |
|
|
k =0 |
k! |
∞ |
λm−2 |
|
m∑=2 (m - 2)! e−λ = λ2
M (X (X -1)) = M (X 2 )- M (X ) = λ2 , M (X 2 ) = λ2 + λ,
D(X ) = M (X 2 )- (M (X ))2 = λ2 + λ - λ2 = λ
Лекция 5
Экспоненциальное и нормальное распределения.
Экспоненциальное распределение.
Непрерывная случайная величина имеет экспоненциальное распределение, если ее
плотность распределения задается формулой
p(x) = 0, |
x < 0 |
, λ > 0 - параметр экспоненциального распределения. |
λe−λx , x ³ 0 |
|
|
|
|
|
18
Для |
случайной |
величины, |
имеющей экспоненциальное распределение, |
||||
|
1 |
|
1 |
|
0, |
|
x < 0 |
M (X ) = |
, D(X ) = |
|
, F (x) = |
|
. |
||
λ |
λ2 |
|
|||||
|
|
1 - e |
−λx , x ³ 0 |
Если времена между последовательными наступлениями некоторого события – независимые, экспоненциально распределенные случайные величины с параметром λ , то число наступлений этого события за время t имеет пуассоновское распределение с параметром λt . Геометрическое распределение является дискретным аналогом экспоненциального распределения.
Нормальное распределение (распределение Гаусса).
Непрерывная случайная величина имеет нормальное распределение (распределена нормально или по Гауссу), если ее плотность имеет вид
p(x) = |
|
1 |
|
|
−(x−a )2 |
||
|
|
e |
2σ 2 |
. |
|||
|
|
|
|
||||
σ |
|
2π |
|||||
|
|
|
|
|
|
Вычислим математическое ожидание и дисперсию нормально распределенной случайной величины.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+∞ |
|
|
|
|
− (x−a )2 |
|
|
|
|
|
|
|
+∞ |
|
|
|
|
|
|
|
|
− |
y 2 |
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
M (X ) = |
|
|
|
1 |
|
|
|
|
xe |
|
|
2σ 2 |
|
|
dx |
=(x=σy +a ) = |
|
1 |
|
|
(σy |
+ a)e |
2 |
dy = |
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
σ |
|
|
2π −∞∫ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2π −∞∫ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
σ |
|
+∞ |
|
|
|
y 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
+∞ |
y 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
∫ ye− |
|
|
dy + a |
|
|
1 |
|
|
∫ e− |
|
dy = 0 + a |
|
|
1 |
|
|
|
|
|
= a . |
|
|
|
|||||||||||||||||||||||||||
|
|
2 |
|
|
|
|
2 |
|
|
|
|
|
2π |
|
|
|
||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
2π |
|
2π |
|
|
2π |
|
|
|
||||||||||||||||||||||||||||||||||||||||||
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
Вычислите аналогично D(X ) = σ 2 , |
СКО = σ . |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||
Обозначим |
|
|
плотность |
|
стандартного |
|
|
|
|
нормального |
распределения |
(при |
||||||||||||||||||||||||||||||||||||||||
M (X ) = a = 0, D(X ) = σ 2 = 1 ) |
|
|
ϕ (x) = |
|
|
1 |
|
|
|
− |
x2 |
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
, |
|
|
|
|||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
e 2 |
|
|
|
|||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||
|
|
2π |
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
обозначим функцию распределения стандартного нормального распределения |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||
|
F(x) = |
|
1 |
x − x2 |
dx = |
1 |
+ F0 (x), |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
e 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
2π |
−∞∫ |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
где F0 (x) = |
|
1 |
|
|
|
x |
− x 2 |
|
|
|
|
|
|
- интеграл Лапласа. Значения F0 (x) можно найти в стандартных |
||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
e 2 dx |
|
|
|||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||
2π ∫0 |
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
таблицах.
Вычислим вероятность попадания нормально распределенной случайной величины на отрезок [a,b].
P{a < X < b} = |
|
|
1 |
|
|
|
b |
|
− |
( y −m)2 |
1 |
(b−m )/ σ |
|
− |
x2 |
|||||||||
|
|
|
|
|
∫ |
|
|
|
dy ¾¾¾¾® |
|
∫ |
|
|
dx = |
||||||||||
|
|
|
|
e |
|
2σ 2 |
e |
|||||||||||||||||
|
|
|
|
|
|
2 |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
σ |
|
|
2π |
|
|
|
|
|
|
x=( y −m )/ σ |
2π |
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
a |
|
|
|
|
|
|
(a−m )/ σ |
|
|
|
|
||||
|
b - m |
|
|
|
a - m |
|
|
|
|
|
|
|
|
|
||||||||||
= F0 |
|
|
|
- F |
0 |
|
|
|
|
|
|
. При вычислении вероятности полезно учитывать нечетность |
||||||||||||
|
|
σ |
|
|||||||||||||||||||||
|
σ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
функции F0 (x):
|
|
1 |
|
− x |
− |
x 2 |
y |
− |
y 2 |
|
F0 (- x) = |
|
|
∫ e |
|
dx = y =− x = -∫ e |
|
dy = -F0 (x). |
|||
|
|
2 |
2 |
|||||||
|
|
|
|
|
||||||
2π |
|
|
||||||||
|
|
0 |
|
|
0 |
|
|
|
Локальная и интегральная формулы Муавра – Лапласа.
19
Если в схеме Бернулли число испытаний n велико, причем p и q=1-p велики, то для всех m
справедливы локальная формула Муавра – |
Лапласа |
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
P(m, n) |
|
|
|
≈ ϕ (x), |
|
x = |
m |
|
− np |
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
npq |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
npq |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
и интегральная формула Муавра – |
Лапласа |
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
m − np |
|
|
|
m − np |
|
m |
2 |
− np |
|
|
|
|
|
|
|
|
|||||||||||||
P(m ≤ m ≤ m |
|
) = P |
1 |
|
|
|
|
|
|
|
≤ |
|
|
|
|
|
≤ |
|
|
|
≈ Φ(x |
|
) − Φ(x ) = Φ |
|
(x |
|
) − Φ |
|
(x ), |
||||||
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
0 |
2 |
0 |
||||||||||||||
1 |
|
|
|
|
|
|
|
npq |
|
|
|
|
|
|
npq |
|
|
|
npq |
|
|
1 |
|
|
1 |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |
||||||||
|
m1 − np |
|
|
m2 − np |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
x1 = |
, x2 = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
npq |
|
|
|
|
npq |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Это означает, что при большом числе испытаний распределение числа успехов становится нормальным.
Иногда приходится оценивать вероятность отклонения частоты события от вероятности. Покажем, как можно использовать для этого интегральную формулу Муавра – Лапласа.
|
|
|
|
|
m − np |
|
m |
|
|
|
||||||||
Заметим, что |
|
|
|
|
= |
|
|
|
|
|
− p |
|
||||||
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
npq |
|
|
n |
|
|
|
||||||
|
m − np |
|
|
|
|
1 |
|
|
|
b − |
t 2 |
|
||||||
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∫ e |
2 |
|
||
P a < |
|
npq |
< b |
≈ |
|
2π |
|
|
|
dt |
||||||||
|
|
|
|
|
|
|
|
|
a |
|
|
|
n . Запишем интегральную формулу Муавра – Лапласа pq
в виде
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
b |
|
n |
|
|
|
|
|
||
|
|
|
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
− |
t 2 |
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
pq |
|
|
|
|||||||||||
|
n |
n |
|
|
|
|
|
n |
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∫ |
|
|
2 |
|
||||
|
|
|
|
< |
− p |
|
|
|
|
< b |
|
|
|
|
≈ |
|
|
|
|
|
|
dt . Поэтому |
||||||||||||
P a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
e |
|
|
|||||||||||||
|
|
pq |
n |
|
|
pq |
|
|
|
pq |
|
|
|
|
2π |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
a |
n |
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
pq |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
n |
|
|
|
|
|||||||||||||||
P a |
< |
|
− p |
< b |
≈ Φ |
0 |
b |
|
|
|
− Φ |
|
a |
|
|
|
|
|
|
|
|
. Если интервал симметричен, − ε = a, b = ε , |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
n |
|
|
|
|
|
|
pq |
|
|
|
|
0 |
|
|
pq |
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m |
|
|
|
|
|
|
|
n |
|
|
то по нечетности Φ |
0 |
(x) |
P |
|
|
|
− p |
|
< ε |
≈ 2Φ |
|
ε |
|
|
. |
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
pq |
||
|
|
|
|
|
|
|
|
Примеры.
1)(3.42) Телефонная станция обслуживает 1000 абонентов. Вероятность вызова за минуту 0,0005. Какова вероятность, что за минуту поступит не менее двух вызовов? Здесь n =
|
1000, |
|
p = |
0,0005, λ = |
np |
=0.5. |
P ≈ 1 − P(0, 0,5) − P(1, 0,5) = 1 − 0,606 − 0,303 = 0,091 (по |
|||||||||||||
|
таблице P(m, λ )). |
|
|
|
|
|
|
|
|
|
|
|||||||||
2) |
(3.43) |
Известно, что 20% автомобилей нарушают скоростной режим. Какова вероятность |
||||||||||||||||||
|
того, что из 1000 автомобилей 210 нарушат правила? Здесь надо пользоваться локальной |
|||||||||||||||||||
|
формулой |
Муавра-Лапласа |
|
при |
n=1000, |
|
p=0,2, |
m=300. |
||||||||||||
|
|
|
|
= |
|
|
|
= 12,65, |
x = |
210− 200 |
= 0,79, |
ϕ(0,79) = 0,292, P ≈ |
0,292 |
≈ 0,02 |
||||||
|
|
npq |
10000,2 0,8 |
|||||||||||||||||
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
12,65 |
|
|
12,65 |
|
||||
3) |
(3.44) |
|
Монету подбрасывают 10000 раз. Найти вероятность того, что частота выпадения |
|||||||||||||||||
герба будет отличаться от 0,5 не более, чем на 2%. |
Здесь |
надо |
пользоваться |
|||||||||||||||||
интегральной формулой Муавра-Лапласа при n=10000, р=1/2, |
m1=400, m2=600. Тогда |
|||||||||||||||||||
|
|
= |
|
= 50, |
|
= −2, |
x2 = 2, P ≈ Φ 0 (2) − Φ 0 (− 2) = 2 0,47725 = 0,9545. |
|||||||||||||
|
npq |
10000 0,5 0,5 |
x1 |
Другие распределения, часто используемые в инженерных расчетах.
20