- •Содержание
- •1.Теория вероятностей
- •1.1. Случайные события. Вероятность события
- •Основные комбинаторные формулы
- •1.2. Теоремы сложения и умножения вероятностей
- •1.3. Формула полной вероятности. Формула байеса
- •1.4. Повторение независимых опытов
- •Локальная теорема Лапласа
- •Интегральная теорема Лапласа
- •1.5. Случайная величина. Закон распределения
- •1.6. Числовые характеристики случайной величины
- •1.7. Типовые законы распределения
- •1.9. Двумерные случайные величины
- •1.10. Числовые характеристики двумерных величин
- •1.11. Контрольные задачи
- •2.Математическая статистика
- •2.1. Оценка закона распределения
- •2.1.1. Эмпирическая функция распределения
- •2.1.2. Гистограмма распределения случайной величины
- •2.2. Точечные оценки параметров и числовых характеристик
- •2.2.1. Точечные оценки числовых характеристик
- •2.2.2. Методы получения оценок параметров распределения
- •2.3. Проверка статистических гипотез
- •2.3.1 Критерий согласия c2
- •2.3.2. Критерий согласия Колмогорова
- •2.4. Оценка коэффициентов линейной регрессии
- •2.5. Контрольные задачи
- •Литература
- •Приложение
1.4. Повторение независимых опытов
Пусть производится n независимых опытов. В результате каждого опыта событие A появляется с вероятностью р и не появляется с вероятностью 1-р . Вероятность P(n,k) того, что в последовательности из n опытов интересующее нас событие А произойдет ровно k раз (формула Бернулли) равна
(1.21)
Пусть производится серия из n независимых испытаний, в результате каждого из которых может появиться одно из событий A1, A2, ..., Ar с вероятностями p1, p2, ..., pr соответственно.
Вероятность того, что в серии из n испытаний событие A1 наступит ровно k1 раз, событие A2 — k2 раз, ... , событие Ar — kr раз (k1 + ... + kr = n) равна
(1.22)
Локальная теорема Лапласа
Вероятность того, что в n независимых испытаниях (n-достаточно большое число), в каждом из которых вероятность появления события равна p, событие наступит ровно k раз, приближенно равна
(1.23)
где
Интегральная теорема Лапласа
Вероятность того, что в n независимых испытаниях, в каждом из которых некоторое событие появляется с вероятностью p , событие наступит не менее k1 и не более k2 раз, приближенно равна
P(n, k1 £ k £ k2) = (F(x2) - F(x1))/2, (1.24)
где
- функция Лапласа,
.
Пример 4.1. По каналу связи передается n = 6 сообщений, каждое из которых независимо от других, с вероятностью p = 0,2 оказывается искаженным. Найти вероятности следующих событий:
A = {ровно два сообщения из 6 искажены},
B = {не менее двух сообщений из 6 искажены},
C = {все сообщения будут переданы без искажений},
D = {все сообщения будут искажены}.
Решение. По формуле Бернулли (1.21)
,
P(B) = P(6,2) + P(6,3) + P(6,4) + P(6,5) + P(6,6) = 1- P(6,0) - P(6,1) =
,
, .
Пример 4.2. Вероятность появления события A за время испытаний равна 0,8. Определить вероятность того, что в 100 испытаниях событие A появится: а) 80 раз; б) не менее 75 и не более 90 раз; в) не менее 75 раз.
Решение
1) Воспользуемся локальной теоремой Муавра-Лапласа:
j(0) = 0,3989, тогда P(100,80) = 0,0997.
2) Согласно интегральной теореме Муавра-Лапласа
P(100,75<k< 90) =(F(2,5)-F(-1,25))/2=(F(2,5)+
+ F(1,25))/2.
Значение функции Лапласа определяем по таблице Лапласа F(2,5)=0,9876;
F(1,25) = 0,7888. P(100, 75<k<90)=0,8882.
1.5. Случайная величина. Закон распределения
Под случайной величиной (СВ) понимается величина, которая в результате опыта со случайным исходом принимает то или иное значение, причем, заранее до опыта неизвестно какое именно. Обозначения случайной величины: X, Y; значения случайной величины: x, y.
Случайные величины могут быть дискретными или непрерывными, а область возможных исходов может быть представлена конечным множеством, счетным или бесконечным.
Закон распределения случайной величины — любое правило, устанавливающее соответствие между значениями случайной величины и вероятностями ее наступления.
Рядом распределения дискретной СВ X называется таблица, в верхней строке которой перечислены все возможные значения СВ x1, x2, ..., xn (xi-1 < xi), а в нижней — вероятности их появления p1, p2, ... , pn , где pi=P{X=xi}.
x1 |
x2 |
... |
xn |
p1 |
p2 |
... |
pn |
Так как события {X=x1}, ... ,{X=xn} ... несовместны и образуют полную группу, то справедливо контрольное соотношение
p1 + p2 + ... + pn = 1. (1.25)
Функцией распределения случайной величины X называется вероятность того, что она примет значение меньшее, чем аргумент функции x: F(x)=P{X<x}.
Свойства функции распределения:
1. F(-¥ ) = 0.
2. F(+¥ ) = 1.
3. F(x1) £ F(x2), при x1 < x2.
4. P(a £ X < b) = F(b) - F(a). (1.26)
Функция распределения дискретной случайной величины
Исходной информацией для построения функции распределения дискретной случайной величины X является ряд распределения этой СВ.
xi |
x1 |
x2 |
x3 |
... |
xn |
>xn |
pi |
p1 |
p2 |
p3 |
... |
pn |
0 |
F(xi) |
0 |
p1 |
p1+p2 |
|
p1+…+pn-1 |
1 |
F(xi)=P{X<xi}=P{(X=x1)È(X=x2)È ... È(X=xi-1)}= p1+...+pi-1.
Функция распределения любой дискретной СВ есть разрывная ступенчатая функция, скачки которой происходят в точках, соответствующих возможным значениям случайной величины, и равны вероятностям этих значений.
Непрерывная случайная величина (НСВ). Плотность вероятности
Вероятность попадания непрерывной случайной величины X на участок от x до x+Dx равна приращению функции распределения на этом участке:
P{x£ X <x+Dx}=F(x+Dx) - F(x).
Плотность вероятности на этом участке определяется отношением
. (1.27)
Плотностью распределения (или плотностью вероятности) непрерывной случайной величины X в точке x называется производная ее функции распределения в этой точке и обозначается f(x). График плотности распределения называется кривой распределения.
Пусть имеется точка x и прилегающий к ней отрезок dx. Вероятность попадания случайной величины X на этот интервал равна f(x)dx. Эта величина называется элементом вероятности.
Вероятность попадания случайной величины X на произвольный участок
[a, b[ равна сумме элементарных вероятностей на этом участке:
(1.28)
Это соотношение позволяет выразить функцию распределения F(x) случайной величины X через ее плотность:
(1.29)
В геометрической интерпретации F(x) равна площади, ограниченной сверху кривой плотности распределения f(x) и лежащей левее точки x.
Основные свойства плотности распределения:
1. Плотность распределения неотрицательна: f(x) ³ 0.
2. Условие нормировки: (1.30)
Пример 5.1. По одной и той же стартовой позиции противника производится пуск из пяти ракет, причем вероятность попадания в цель при каждом пуске одной ракеты равна 0,8. Построить ряд распределения числа попаданий.
Решение. Случайная величина X (число попаданий в цель) может принимать следующие значения: 0, 1, 2, 3, 4, 5. Найдем вероятность принятия величиной X этих значений, используя формулу Бернулли:
,
,
,
,
,
.
Ряд распределения имеет вид:
xi |
0 |
1 |
2 |
3 |
4 |
5 |
pi |
0,00032 |
0,0064 |
0,0512 |
0,2048 |
0,4096 |
0,32768 |
Пример 5.2. Случайная величина X распределена по закону, определяемому плотностью вероятности вида
Найти константу c, функцию распределения F(x) и вычислить P{|x| < p/4}.
Решение. Константу с вычислим исходя из условия нормировки:
,
откуда с = 0,5.
Так как плотность вероятности задана различными формулами на разных интервалах, то и функцию распределения будем искать для каждого интервала в отдельности.
Для x < -p/2 ,
для -p/2£x£p/2 ,
для x > p/2 .
Окончательно имеем
Вероятность P{|x| < p/4}=.