- •Конспект лекцій з курсу
- •Математичної статистики “ Розділ “теорія ймовірностей”.
- •Передмова
- •1.Основні поняття теорії ймовірностей
- •1.1. Випадкові події та їх алгебра
- •1.1.1. Первісні поняття. Подія
- •1.1.2. Алгебра випадкових подій.
- •1.2. Аксіоми та властивості ймовірності
- •1.2.1. Частота та ймовірність випадкової події
- •1.2.2. Аксіоми ймовірності та її властивості.
- •1.2.3. Принцип практичної вірогідності
- •1.3. Теорема множення та її наслідки
- •1.3.1. Умовна ймовірність
- •1.3.2. Формула повної ймовірності
- •1.3.3. Теорема гіпотез (формулиБейєса)
- •1.4. Випробування із скінченною кількістю наслідків
- •1.4.1. Класичне означення ймовірності
- •1.4.2. Комбінаторні методи підрахунку кількості наслідків
- •1.5. Повторні випробування
- •1.5.1. Схема я.Бернуллі. Узагальнення а.Маркова
- •1.5.2. Асимптотичні формули для схеми Бернуллі.
- •2.Випадкові величини
- •2.1. Одновимірні випадкові величини
- •2.1.1. Випадкова величина та її функція розподілу
- •2.1.2. Дискретні випадкові величини
- •2.1.3. Неперервні випадкові величини
- •2.1.4. Перетворення розподілів
- •2.2. Випадкові вектори
- •2.2.1. Функція розподілу випадкового вектора
- •2.2.2. Дискретний випадковий вектор
- •2.2.3. Неперервний випадковий вектор
- •2.2.4. Найважливіші види двовимірних розподілів.
- •2.2.5. Закон розподілу суми випадкових величин
- •2.2.6. Ентропія і інформація
- •3.Числові характеристики випадкових величин
- •3.1. Математичне сподівання та його властивості
- •3.1.1. Стійкість середнього арифметичного
- •3.1.2. Математичне сподівання випадкової величини
- •3.1.3. Математичне сподівання функції випадкової величини
- •3.1.4. Математичне сподівання функції випадкового вектора
- •3.1.5. Кореляційний момент випадкових величин
- •3.2. Дисперсія випадкової величини
- •3.2.1. Дисперсія випадкової величини та її властивості
- •3.2.2. Дисперсія суми випадкових величин
- •3.2.3. Нерівність п.Чебишева
- •3.3. Кореляція
- •3.3.1.Коефіцієнт кореляції та кореляційна матриця
- •3.3.2. Регресія
- •3.4. Прикладні задачі
- •3.4.1. Теорія масового обслуговування.
- •3.4.2. Найпростіші задачі теорії надійності
- •Додатки
- •Література
2.1.2. Дискретні випадкові величини
Випадкова величина Xназиваєтьсядискретною, якщо: 1) сукупність її можливих значень можна перерахувати –x1, x2,..., xn(абоx1, x2,..., xn,...); 2) можна знайти відповідні ймовірностіpk = P{X = xk} того, що випадкова величинаXприймає ці значення.
Набір ймовірностей pk називають розподілом випадкової величини X. Розподіл містить вичерпну інформацію про випадкову величину. Якщо у проміжок[c; d)попадають лише значенняxi, xi+1,..., xjвипадкової величиниX, то подіяX[c; d)є сумою попарно несумісних подійX= xi, X= xi+1,…, X=xj. Тому на підставі формули (1) розділу 1.2 одержимо:
. (3)
Із формули (3) виходять такі наслідки:
1) – умова нормування;
2) FX (x) = pk, де знак суми стосується лише тих значеньk, для якихxk < x. Звідси випливає, що значення функції розподілу дискретної випадкової величини у проміжку (xk; xk+1] дорівнюєp1+p2+...+pk. Приблизний графік функції розподілу дискретної випадкової величини зображено на мал.2.2.
Відзначимо слідуючий факт: будь-яка сукупність чисел pk 0, таких, що pk = 1, визначає розподіл деякої випадкової величини.
Приклад 1. Дискретна випадкова величинаXзадається таблицею розподілу
X |
-1 |
0 |
2 |
5 |
P |
0.3 |
0.1 |
a |
0.35 |
Знайти: 1) a; 2)FX (x); 3)P{X > – 0.3}; 4)P{X≤ 1.7}.
Розв‘язок. 1) Значення a знаходиться із умови нормування:
0.3+0.1+a+0.35=1a=0.25.
2) Функцію розподілу знаходимо на основі наслідку 2, а її графік приведено на мал.2.3.
3) P{X > – 0.3} = P{X = 0} + P{X = 2} + P{X = 5} = 0.7.
4) P{X≤ 1.7} = P{X = 0} + P{X = – 1} = 0.4.
Розглянемо кілька найбільш важливих дискретних розподілів.
1) Біноміальний розподіл (розподіл Я. Бернуллі).Випадкова величинаXприймає значення 0,1,...,nі при цьому
. (4)
Біноміальний розподіл має випадкова величина, що дорівнює кількості появ подіїA у серії зnнезалежних випробувань при ймовірностіpїї появи в одному експерименті. На малюнку 2.4.а) наведено графік біноміального розподілу приn=20,p=0.5.
2) Геометричний розподіл.Випадкова величинаXприймає значення 0,1,... і при цьомуpk = p(1– p) k–1(k =1,2,...). Геометричний розподіл має випадкова величина, що дорівнює кількості повторень випробувань до першої появи подіїA при ймовірностіpїї появи в одному експерименті.
3) Рівномірний дискретний розподіл.Випадкова величинаXприймаєnзначень з відповідними ймовірностями, що дорівнюють 1/n(мал.2.4.б).
4) Розподіл Пуассона.Випадкова величинаXприймає значення 0,1,... з ймовірностями
. (5)
На малюнку 2.4.в) наведено графік розподілу Пуассона з параметром =1.5. На підставі формули (2) розділу 1.5 кількість рідкісних подій має розподіл Пуассона.
2.1.3. Неперервні випадкові величини
Випадкова величина Xназиваєтьсянеперервною, якщо: 1) множина її значень співпадає з проміжком (кількома проміжками) числової осі; 2) ймовірність того, що випадкова величина набуває будь-якого наперед заданого значенняx0дорівнює нулю:P{X= x0}= 0 (взагалі кажучи, із 2) випливає 1)). Зауважимо, що хочаP{X=x0}=0, подіяX=x0є можливою.
Випадкові величини, описані вище у прикладах 3), 4), 5) пункту 2.1.1, є неперервними.
Означення 1.Невід’ємна функціяpX(x)називаєтьсящільністю ймовірності(щільністю розподілу) випадкової величиниX,якщо ймовірність попадання випадкової величини у довільний проміжок [x0; x0+x) малої довжини приблизно дорівнює pX (x0)·x:
P{X[x0; x0+x)} ~ pX (x0)·x (x0). (6)
Таким чином, число pX (x0)·x характеризує долю тих випробувань у достатньо довгій серії, в яких випадкова величина X попадає у проміжок [x0; x0+x).
Щільність ймовірності pX(x)випадкової величиниXмає розмірність, обернену доX.
Щільність ймовірності pX (x)випадкової величиниX має таку характерну властивість, яку сформулюємо у вигляді теореми.
Теорема.Ймовірність попадання неперервної випадкової величиниXу проміжок [c; d) знаходиться за формулою
. (7)
Для доведення формули (7) потрібно розбити проміжок [c; d) на велику кількість відрізків[xk; xk+1) малої довжиниxk (відрізки не перетинаються). Ймовірність попадання випадкової величиниX у проміжок[xk; xk+1) на підставі (6) приблизно дорівнюєpX (xk)xk. Підсумовуючи ці ймовірності і переходячи до границі приmax xk 0, одержуємо формулу (7). У лівій частині формули (7) можна замінити проміжок [c; d) на [c; d], (c; d). Геометричний зміст теореми дає малюнок 2.5.
Із співвідношення (7) випливають такі наслідки:
(умова нормування);
.
Наслідок 2) у точках неперервності функціїpX (x)має таку еквівалентну форму запису:
.
Функція розподілу неперервної випадкової величини є неперервною кусково-гладкою функцією. Характерний вигляд функції розподілу приведено на мал.2.6.
Приклад 1. Щільність ймовірності неперервної випадкової величиниXмає вигляд
Знайти: 1) a; 2)FX (x); 3)P{X[1 ∕ 3; 4]} .
Розв’язок. 1) Коефіцієнт a знаходимо із умови нормування:
.
2)
Графік функції розподілу приведено на мал.2.7.
3) .
Розглянемо деякі найбільшважливі неперервні розподіли.
1) Рівномірний (прямокутний) розподіл.Випадкова величинаXрівномірно розподілена у проміжку [c ; d], якщо її щільність ймовірності має вигляд (мал.2.8.а):
Цей розподіл є неперервним аналогом класичного означення ймовірності (відповідає припущенню про довільний вибір точки у проміжку [c ; d]). Графік функції розподілу приведено на мал.2.8.б.
Якщо при вимірюванні результат округляється до найближчого цілого значення, то помилка вимірювання є неперервною випадковою величиною, яка рівномірно розподілена у проміжку [– 0.5 ; 0.5].
Помилка, яка допускається при округленні числа з точністю до 10-m, рівномірно розподілена у проміжку [– 0.5·10-m ; 0.5·10-m].
2) Показниковий розподіл.Випадкова величинаXмає показниковий розподіл з параметром>0, якщо її щільність розподілу
, (8)
де 1(x)=– одинична функція.
Відповідна функція розподілу має вигляд
.
Графіки щільності ймовірності та функції розподілу приведені на мал.2.9.а і 2.9.б.
Показниковий розподіл (і тільки він серед неперервних розподілів) має властивість «відсутності післядії»:
P{X > x1+ x2 ⁄ X > x1} = P{X > x2} (x1, x2 > 0).
Дійсно,
Зауваження.Нехай кількість відмов приладу на проміжку часу [0 ; t] розподілена за законом Пуассона з параметромt:
і випадкова величина T –тривалість проміжку часу між двома послідовними відмовами приладу (мал.2.10). Тоді випадкова величинаTрозподілена за показниковим законом з параметром:
pT (t) =λe–λt ·1(t).
Дійсно,
FT (t) =P{T< t} =1–P{T ≥ t}.
Оскільки подія T tозначає, що на проміжку [0 ; t] прилад працює безвідмовно, тоP{T t} = p0(t) =e–λt. Отже,
FT (t) =1–e–λt(t ≥0)
і, таким чином,
.
Властивість відсутності післядії приводить до того, що ймовірність безвідмовної роботи приладу протягом проміжку часу тривалістюsне залежить від того, який проміжок часуt1прилад уже пропрацював (мал.2.11).
Функцією надійності P(t)називаєтьсяймовірністьP{T ≥ t} безвідмовної роботи приладу протягом проміжку часуt:
P(t)= P{T ≥ t}=1– P{T < t}=1–FT (t).
Таким чином, функція надійності дорівнює P(t)=e–λt·1(t), якщо відмови апаратури розподілені за законом Пуассона.
У деяких задачах (пов’язаних із старінням апаратури) вважають, що випадкова величина T– тривалість проміжку часу між двома послідовними відмовами приладу розподілена за законом Вейбулла-Гнеденко (приr =1 одержуємо показниковий розподіл). У цьому випадку функція надійності P(t) має вигляд:
P(t)=.
3) Нормальний (Гаусів) розподіл.Випадкова величинаXмає нормальний розподіл з параметрамиa та 2, якщо її щільність розподілу має вигляд (мал.2.12.а):
. (9)
У подальшому запис XN(a;2) означатиме, що випадкова величинаXмає розподіл Гауса з параметрамиa та 2. Графік розподілу Гауса є симетричним відносно прямоїx=a. Єдиний максимум досягається приx=aі дорівнює . Оскільки площа під графіком дорівнює 1, то при зменшенні графік стає більш «високим» та «вузьким».
Функція розподілу випадкової величини XN(a;2) виражається через функцію Лапласа Ф(x) (пункт 1.5.2). Дійсно,
Графік функції розподілу приведено на мал.2.12.б.
Розподіл Гауса відіграє фундаментальну роль в застосуваннях теорії ймовірності.
Оскільки ймовірність попадання випадкової величини у проміжок дорівнює різниці значень функції розподілу на кінцях проміжку, то
. (10)
Якщо проміжок [c;d] довжиною 2sрозташований симетрично відносно точкиx=a, то формула (10) набирає особливо простого вигляду
. (10)
Зокрема, ймовірність попадання у проміжок [a-3;a3] дорівнює 0.9973. Таким чином, можна стверджувати, що подія {X[a-3;a3]} є практично неможливою. У цьому полягає знамените правило «трьох сигм».
Приклад 2. Відхилення розміру деталі від стандартного розподілено за законом N(0;16 мм2). Деталь вважається придатною, якщо відхилення від стандарту не перевищує 6мм. Який відсоток випуску непридатних деталей?
Розв’язок. Нехай випадкова величина X – відхилення розміру деталі від номінального. Знайдемо ймовірність того, що деталь буде забраковано
Таким чином, брак складає майже 13.5%.