Лекции / Лекции (ЭКТ-2, Бардушкин) / Лекции в Word (2003) / Лекция 10,11
.docКУРС ЛЕКЦИЙ ПО ТЕОРИИ ВЕРОЯТНОСТЕЙ
Лекция № 10
Схемы независимых испытаний, служат вероятностной моделью многих реальных случайных явлений.
. Однако использовать ее при больших значениях n и m затруднительно. Поэтому приходится следить, чтобы результаты промежуточных вычислений, не выходили за диапазон допустимых значений, если такие вычисления производятся на компьютере.
Есть таблицы для вычисления , они имеют 3 входа (n, p, m), а еще хуже обстоит дело, когда требуется вычислять вероятность.
, которая зависит от 4 параметров . Поэтому значительный интерес представляет задача о нахождении ассимптотических формул, которая позволяет приблизительно вычислять биномиальные вероятности.
Рассмотрим 2 теоремы (локальную и интегральную теорему Муавра-Лапласа).
§ 4. Локальная предельная теорема Муавра-Лапласа
Биномиальное распределение имеет МО равное np .
Пусть p – не близко к 0 и 1.
Теорема.
Если в схеме независимых испытаний , то для любого равномерно по всем вида , где m – неотрицательные целые числа
Замечание.
– затабулирована.
Эти таблицы даются, только для .
Пример.
Вероятность изделию некоторого производства оказаться бракованным равна 0,005 (p = 0,005). Чему равна вероятность того, что из n = 10000 наудачу взятых изделий, бракованных изделий окажется равно .
Решение
1) .
2)
§ 5. Интегральная предельная теорема Муавра-Лапласа
Теорема.
При равномерно по
Замечание.
– затабулирована.
Ее значения приводятся только для .
Пример.
Вероятность изделию некоторого производства оказаться бракованным равна 0,005 (p = 0,005).Чему равна вероятность, что из n = 10000 наудачу взятых изделий, бракованных окажется не более 70 (m = 70).
– ?
§ 6. Геометрическое распределение
Определение. СВДТ Х имеет геометрическое распределение, если ее возможные значения 0, 1, 2, …, m, …, а вероятности этих значений
Комментарий
Вероятности для последовательных значений m образуют геометрическую прогрессию с первым членом p и знаменателем q.
На практике геометрическое распределение появляется в следующих условиях. Пусть производится ряд независимых испытаний (опытов) с целью получения какого-то результата (“успеха”) А. При каждом опыте “успех” достигается с вероятностью p.
СВ Х – это число безуспешных опытов до первой попытки, в которой появляется результат А.
Ряд распределения имеет следующий вид.
-
X
0
1
2
…
m
…
P
p
qp
q2p
…
qmp
…
Найдем числовые характеристики СВ Х распределенной по геометрическому закону.
На практике чаще приходится рассматривать не СВ Х, имеющую геометрическое распределение, а .
– это число попыток до первого успеха, включая удавшуюся.
Ряд распределения
-
Y
1
2
…
m
…
P
p
qp
…
qm-1p
…
– геометрическое распределение, сдвинутое на 1 (геометрическое плюс 1).
Пример.
Стрелку выдаются патроны до тех пор, пока он не промахивается.
Вероятность попадания при каждом выстреле
. Какова вероятность того, что он получит не менее трех патронов.
Решение.
Пусть Х – это количество патронов, которое получит стрелок.
-
X
1
2
3
…
P
0,1
0,90,1
0,920,1
…
Лекция № 11
Глава VI. Некоторые важные для практики распределения непрерывных СВ
§ 1. Равномерное распределение
Определение. СВНТ Х называется распределенной равномерно на , если , .
Найдем константу С.
;
;
.
Пример.
Шкала измерительного прибора проградуированных в некоторых единицах. СВ Х – ошибка при округлении отсчета до ближайшего целого деления, то она будет иметь равномерное распределение на . Найдем – ?
Решение.
Замечание.
Моды равномерное распределение не имеет, а медиана совпадает с МО.
.
Найдем функцию распределения и построим ее график.
I Случай
.
II Случай
.
III Случай
.
§ 2. Показательное (экспоненциальное) распределе-ние
Определение. СВНТ Х называется распределенной по показательному (экспоненциальному) закону с параметром , если .
Найдем – ?
Замечание.
Среднее квадратическое отклонение для экспоненциального распределения совпадает с МО.
Найдем и построим ее график
I Случай
.
II Случай
Показательное распределение тесно связано с простейшим стационарным Пуассоновским потоком событий.
Покажем, что интервал времени Т между двумя соседними событиями в простейшем потоке, имеет показательное распределение с параметром равным интенсивности потока.
Найдем .
Для того, чтобы подсчитать эту вероятность нужно, чтобы хотя бы одно событие потока попало на участок длины t.
Продифференцировав , получим
Показательное распределение играет большую роль в Марковских случайных процессах, теории массового обслуживания и теории надежности.
Пример.
Время безотказной работы ЭВМ – это СВ Т, имеющая показательное распределение с параметром . Физический смысл – это среднее число отказов в единицу времени, если не учитывать простоев ЭВМ. Известно, что ЭВМ уже проработало без отказов время . Найти при этом условии плотность распределения времени (время, которое ЭВМ проработает после момента , до ближайшего отказа).
Решение.
Так как простейший поток отказов не имеет последствия, то вероятность появления хотя бы одного отказа на участке (, + t) не зависит от того, появлялись ли отказы ранее момента .
Найдем .
Вывод:
Таким образом распределение времени, оставшегося до следующего отказа, не зависит от того, сколько времени ЭВМ уже отработало без отказов.
§ 3. Нормальное распределение
Определение. СВНТ Х называется распределенной по нормальному (Гауссовскому) закону с параметрами , если плотность распределения вероятности имеет вид.
Нормальное распределение задается двумя параметрами m и .
Докажем, что – ?
Доказательство:
.
.