- •Министерство образования и науки рф
- •1.2.Краткие исторические сведения
- •2.Основные понятия теории вероятностей
- •2.1.Событие. Вероятность события
- •2.2.Непосредственный подсчет вероятностей
- •2.3.Основные формулы комбинаторики
- •2.3.Частота и статистическая вероятность события
- •2.4.Случайная величина
- •3.Основные теоремы теории вероятностей
- •3.1. События как множества и операции над ними
- •3.2.Теорема сложения вероятностей
- •3.3.Теорема умножения вероятностей
- •3.4.Формула полной вероятности.
- •3.5.Формула Бейеса или теорема гипотез.
- •Случайные величины и их законы распределения
- •4.1.Ряд распределения
- •4.2.Функция распределения
- •4.3.Плотность распределения
- •5.Числовые характеристики случайных величин
- •5.1.Характеристики положения
- •5.2.Моменты, дисперсия, квадратичное отклонение
- •5.3.Закон равномерной плотности
- •5.4.Распределение Симпсона
- •5.5.Биномиальное распределение
- •5.6.Распределение Пуассона
- •5.7.Геометрическое распределение
- •5.5.Биномиальное распределение
- •5.6.Распределение Пуассона
- •5.7.Геометрическое распределение
- •5.8.Распределение Паскаля
- •5.9.Гипергеометрическое распределение
- •5.10.Формула Стирлинга
- •6.Непрерывные распределения
- •6.1.Нормальное распределение
- •6.2.Показательное распределение
- •6.3.Логарифмически нормальное распределение
- •7.Статистическая оценка параметров распределения
- •7.1.Статистическая функция распределения
- •7.2.Статистический ряд. Гистограмма
- •7.3.Числовые характеристики распределения
- •7.4.Оценка параметров распределения
- •7.4.1. Метод моментов.
- •8.Метод наибольшего правдоподобия
- •8.1.Случай дискретных распределений
- •8.2.Случай непрерывных распределений
- •8.3.Другие методы оценки параметров
- •9.Проверка статистических гипотез
- •9.1.Вводные замечания
- •9.2.Проверка гипотезы о законе распределения
- •10.Системы случайных величин
- •10.1.Понятие о системе случайных величин
- •10.2.Двумерные случайные величины и их законы распределения
- •10.3.Плотность распределения двумерной случайной величины
- •10.4. Условные законы распределения
- •10.5.Зависимость и независимость случайных величин
- •10.6.Числовые характеристики двумерных случайных величин
- •11.Двумерный нормальный закон распределения
- •12.Числовые характеристики функций случайных величин
- •12.1.Математическое ожидание и дисперсия функции
- •12.2.Теоремы о числовых характеристиках
- •13.Распределение функции случайных аргументов
- •13.1.Распределение функции одного аргумента
- •13.2.Распределение суммы случайных величин
- •13.3.Распределение суммы нормально распределенных случайных величин
- •13.Распределение функции случайных аргументов
- •13.1.Распределение функции одного аргумента
- •13.2.Распределение суммы случайных величин
- •13.3.Распределение суммы нормально распределенных случайных величин
- •14.Предельные теоремы
- •14.1.Понятие о законе больших чисел
- •14.2.Неравенство Чебышева
- •14.3.Закон больших чисел Чебышева
- •14.4.Центральная предельная теорема
6.2.Показательное распределение
Плотность и функция показательного распределенияположительной случайной величиныTвыражаются формулами:
(6.2.1)
соответственно, а– параметр распределения. График плотности представлен на рис.6.2.1. В литературе это распределение называют такжеэкспоненциальным.
Рис6.2.1. График плотности показательного распределения при различных значениях параметра a.
Математическое ожидание
.
Дисперсия
.
Квадратичное отклонение
,
то есть для показательного распределения математическое ожидание и квадратичное отклонение совпадают.
Этот закон широко используется в теории надежности благодаря свойству "отсутствия памяти" (марковскому свойству), которое значительно облегчает выкладки и упрощает расчетные формулы. Суть свойства в том, что вероятность безотказной работы объекта в заданном интервале не зависит от времени предшествующей работы.
Показательный закон является предельным для вероятности безотказной работы сложных систем, если система состоит из элементов, каждый из которых отказывает и восстанавливается независимо, но при отказе хотя бы одного элемента простаивает вся система. Такая ситуация на практике весьма распространена. Она имеет место, например, для сложных станков, автоматических линий и др.
6.3.Логарифмически нормальное распределение
Логарифмически нормальное распределение для положительной случайной величины Tимеет плотность
, (6.3.1)
где a иd- параметры распределения.
Рис.6.3.1.График плотности логарифмически нормального распределения при значениях параметров: a=1.0,d=(0.5, 1.0, 2.0)
Математическое ожидание
.
Дисперсия
Квадратичное отклонение
.
Коэффициент вариации
.
Ассиметрия
.
Мода
.
Функция распределения выражается через рассмотренную ранее функцию нормированного нормального распределенияследующим образом:
,
где
.
Здесь используется тот факт, что логарифм случайной величины T, распределенной по закону (6.3.1) имеет нормальное распределение с математическим ожиданиемa и дисперсиейd2, по этому это распределение и называется логарифмически нормальным.
Если X имеет нормированное нормальное распределение то
будет иметь логарифмически нормальное распределение. После логарифмирования получаем, что
.
Медиана определяется из следующего уравнения:
,
решение которого -
.
Таким образом, параметр распределения a численно равен медиане распределения.
7.Статистическая оценка параметров распределения
Теория вероятности лишь описывает закономерности, имеющие место в массовых случайных явлениях природы. Разработка методов регистрации, описания и анализа статистических экспериментальных данных, получаемых в результате наблюдения массовых случайных явлений, составляет предмет науки – математической статистики. Все задачи математической статистики касаются вопросов обработки наблюдений над случайными явлениями. Можно выделить три основных типа таких задач:
Задача определения закона распределения случайной величины
Задача проверки правдоподобия гипотез
Задача нахождения неизвестных параметров распределения
7.1.Статистическая функция распределения
Предположим, что изучается некоторая случайная величина Х, закон распределения которой в точности неизвестен, и требуется определить этот закон из опыта или проверить экспериментально гипотезу о том, что величинаХподчинена тому или иному закону. С этой целью над случайной величиной Х производятся ряд независимых опытов (наблюдений). В каждом из этих опытов величинаХпринимает определенное значение. Совокупность наблюдённых значений величины и представляет собой первичный статистический материал, подлежащий обработке, осмыслению и анализу. Такая совокупность называется «простой статистической совокупностью» или «простым статистическим рядом». В литературе используется так же термин «выборка», имея ввиду, что из генеральной совокупности объектов берется выборка из нескольких объектов и над ними производятся соответствующие испытания или измерения. Обычно простая статистическая совокупность оформляется в виде таблицы с одним входом, в первом столбце которой стоит номер опытаi, а во втором — наблюдённое значение случайной величины.
Пример 1. Случайная величинаT- время восстановления отказа станка. Восстановлено 10 отказов, при восстановлении каждого из них затраченоTiминут времени. Результаты наблюдений сведены в простой статистический ряд.
Табл.7.1.1.
Простой статистический ряд
i |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 | ||||||||||
Ti,мин |
35 |
15 |
66 |
43 |
21 |
165 |
300 |
247 |
52 |
35 |
Простой статистический ряд представляет собой первичную форму записи статистического материала и может быть обработан различными способами. Одним из способов такой обработки является построение статистической функции распределения случайной величины.
Статистической функцией распределенияслучайной величиныTназывается частота событияT<tв данном статистическом материале. То есть
.
Для того чтобы найти значение статистической функции распределения при данном t,достаточно подсчитать число опытов, в которых величинаTприняла значение, меньшее чемt,и разделить на общее числоNпроизведенных опытов. То есть
,
где n(t)- число опытов, в которыхT<t.
Для построения графикаопытные данные располагают в возрастающем порядке, то есть
.
Такой упорядоченный ряд статистических данных называется вариационным рядом.- наименьшее значение,- наибольшее значение ,
размах выборки.
Пример 2. Построим статистическую функцию распределения для случайной величиныT из предыдущего примера.
Табл.7.1.2
Вариационный ряд
i |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
T(i) |
15 |
21 |
35 |
35 |
43 |
52 |
66 |
165 |
247 |
300 |
Размах выборки R=300-15=285 мин
Рис.7.1.1.График статистической функции распределения