- •Введение
- •Глава 1. Основные понятия и теоремы теории вероятностей
- •1.4 Элементы комбинаторики
- •1) Правило суммы.
- •2) Правило произведения.
- •3) Перестановки.
- •1.5 Применение комбинаторики для подсчета вероятностей
- •1.7 Формула Байеса. Вероятность оценки гипотез
- •1.8 Независимые повторные испытания. Формула Бернулли
- •1.9 Наивероятнейшее число наступления события
- •1.10 Формула Пуассона
- •1.11 Локальная и интегральная теоремы Муавра-Лапласа
- •Глава 2. Случайные величины
- •2.1.2 Дискретные случайные величины
- •2.1.3 Числовые характеристики дискретной случайной величины
- •Свойства математического ожидания:
- •2.2 Биномиальное распределение дсв
- •Закон распределения такой дсв имеет вид:
- •2.3 Геометрическое распределение дсв
- •2.4 Закон распределения Пуассона
- •2.5 Непрерывные случайные величины и их числовые характеристики
- •2.5.1 Плотность распределения вероятностей
- •2.5.2 Числовые характеристики непрерывной случайной величины
- •2.6 Нормальное распределение и его числовые характеристики
- •2.8 Показательное распределение
- •2.9 Числовые характеристики случайной величины (продолжение). Моменты
- •2.10 Случайные векторы. Закон распределения
- •2.10.1 Случайные векторы
- •2.10.2 Зависимые и независимые случайные величины
- •2.11 Распределения, связанные с нормальными
- •2.11.1 Распределение 2 (распределение к. Пирсона)
- •Функция распределения случайной величины
- •2.11.3 Распределение Фишера-Снедекора (или f-распределение)
- •2.12 Понятие о законе больших чисел
- •2.12.1 Неравенство Маркова
- •2.12.2 Неравенство Чебышева
- •2.12.3 Теорема Чебышева
- •Но т.К. Вероятность не превышает единицы, то справедливо
- •2.12.4 Теорема Бернулли
- •2.12.5 Центральная предельная теорема
- •2.13 Марковские цепи
- •2.13.2 Марковские цепи
- •2.13.3 Пуассоновский процесс
- •Приложения
2.11 Распределения, связанные с нормальными
Нормальное распределение является исключительным в теории вероятностей, поскольку при достаточно общих условиях многие распределения стремятся по вероятности к нормальному (см. п. 2.5). В математической статистике на практике чаще всего используются три «специальных» закона распределения, получаемые из нормального – распределения Стъюдента, Пирсона и Фишера.
2.11.1 Распределение 2 (распределение к. Пирсона)
Пусть независимые случайные величины X1, X2, …, Xk являются стандартно нормально распределенными величинами, т.е.
XiN(0, 1), где i=1, 2, …k.
Распределение случайной величины
называется распределением «хи-квадрат» с k степенями свободы, а сама величина 2(k)0 – величиной «хи-квадрат с k степенями свободы». Если величины X1, X2, …, Xk не являются независимыми (т.е. между ними существует l1 функционально независимых уравнений связи), то число независимых случайных величин будет равно разности между числом суммируемых случайных величин и числом связей, ограничивавших свободу изменения этих величин, т.е. kl. Если все уравнения связи линейны, то тогда величина будет также распределена по2 , но с kl степенями свободы. Число степеней свободы является единственной числовой характеристикой таких случайных величин, следовательно, все числовые характеристики случайной величин 2(k) (функция распределения, математическое ожидание, дисперсия и т.д.) должны зависеть от единственного параметра k.
Функция распределения случайной величины
имеет довольно сложный вид:
. (2.57)
Функция распределения позволяет написать плотность вероятности, которая оказывается элементарной функцией:
(2.58)
Графики плотности вероятности для разных значений k представлены на рис. 24.
Рис.24
Из рис. 24 и уравнения (2.61) видно, что распределения с k=1 и k=2 являются особенными, т.к. не обращаются в ноль при x=0. При k=1 распределение не имеет моды вообще, при k=2 мода расположена в нуле: Mo(2(2))=0.
Свойства распределения :
1) 2(k)0;
2) M(2(k))=k;
3) D(2(k))=2k;
4) Mo(2(k))=k2;
5) асимметрия A(2(k))=;
6) эксцесс Е(2(k))=;
7) если СВ 2(k1) и 2(k2) независимые, то их сумма имеет «хи-квадрат» распределение с числом степеней свободы k1+ k2, т.е.
2(k1) +2(k2)=2( k1+k2).
Т.о., 2(k) – распределение, зависящее лишь от числа степеней свободы k, причем с увеличением k это распределение, согласно центральной предельной теореме (п. 2.12), медленно стремится к нормальному. Так, при k>30 распределение случайной величины Z= приближается к стандартному нормальному распределению N(0,1).
2.11.2 Распределение Стъюдента
Пусть Z и V независимые случайные величины, причем ZN(0,1), а V[2(k)].
Тогда распределение случайной величины называютt–распределением Стъюдента с k степенями свободы. С возрастанием числа степеней свободы это распределений быстро приближается к нормальному. График плотности вероятности распределения Стъюдента похож на нормальный и имеет вид (рис.25):
Рис.25
Свойства распределения Стьюдента:
1) М(Tk)=Мо(Tk)=Ме(Tk)=0;
2) D(Tk )= и существует только при k>2;
3) A(Tk)=0;
4) Е(Tk)=и существует только приk>4.
Значения 2-распределения и t-распределения (Стъюдента), зависящие лишь от степени свободы, затабулированы.