- •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
3.2.2. Дисперсія суми випадкових величин
Теорема. 1) Якщо випадкові величини X та Y корельовані (отже, залежні), то
D(X+Y)=DX+DY+2K(X,Y); (4)
2) Якщо випадкові величини XтаY незалежні (отже, некорельовані), то
D(X+Y)=DX+DY. (5)
Доведення.
1) D(X+Y )= =
=DX+DY+2K(X,Y);
2) незалежність K(X,Y)=0.
Рівність (5) має місце для будь-якого скінченого числа незалежних (отже, попарно некорельованих) випадкових величин:
D(X1+X2+...+Xn)=DX1+DX2+...+DXn. (5´)
Зокрема, якщо всі випадкові величини Xiмають однаковий розподіл і незалежні, то D(X1+X2+...+Xn)=nDX1і внаслідок цього
.
Останній результат означає, що при великій кількості незалежних вимірювань (випробувань) середнє арифметичне результатів спостереження буде близьким до вимірюваної величини.
Приклад 1. Нехай випадкові величиниX1,...,Xnнезалежні і однаково розподілені (зокрема,MXi=a,DXi=2(i=1,..., n)). Знайти математичне сподівання і дисперсію випадкової величини .
Розв’язок. Використовуючи властивості математичного сподівання (формули (3) і (6) розділу 3.1) і дисперсії (формули (3) і (5)) одержимо
(тут незалежність випадкових величин не грає ніякої ролі),
.
Таким чином, відхилення випадкової величини від математичного сподіванняaіз зростаннямnспадає, при цьому її значення =(x1+x2+…+xn) ⁄n(середнє арифметичне результатів спостережень) приблизно дорівнюєa.
Приклад 2. Знайти дисперсію випадкової величиниX- кількості появ подіїA у серії зn незалежних випробувань.
Розв’язок. Застосуємо метод, використаний при розв’язанні прикладу 1 пункту 3.1.4, використаємо (5‘) і результат прикладу 1 пункту 3.2.1. ОскількиX=X1+X2+...+Xn, де незалежні випадкові величиниXi приймають значення0,1 з імовірностями відповідно 1–p, p, то DX=DX1+DX2+...+DXn= =nDX1= np(1–p).Звідси випливає, що дисперсія частотиX/nпояв подіїAтака
.
Приклад 3. В умовах прикладу 2 пункту 3.1.4 знайти дисперсію випадкової величини.
Розв’язок. На підставі (5‘) і результату прикладу 3 пункту 3.2.1Dη=n ∕ λ2.
Приклад 4. В умовах прикладу 1 знайти математичне сподівання випадкової величини .
Розв’язок. Перетворимо суму до зручного для обчислень вигляду:
Тому
і, таким чином,
.
Можна показати, що D(S 2) із зростаннямn прямує до нуля. З урахуванням одержаного вище результату, це означає, що числа , які є значеннями випадкової величиниS 2у конкретних серіях вимірювань, групуються навколо числа2.
Приклад 5. Нарівні з середнім квадратичним відхиленням мірою розсіювання випадкової величини є такожсереднє відхилення- математичне сподівання модуля флуктуації:
.
Знайти середнє відхилення випадкової величини XN(a;2).
Розв’язок.
3.2.3. Нерівність п.Чебишева
Нерівність П.Чебишева встановлює верхню межу для ймовірності відхилення випадкової величини від її математичного сподівання. А саме (мал.3.3),
. (6)
Ця оцінка ймовірності не залежить від закону розподілу випадкової величини X. Із (6) видно, що чим менше DX, тим менш ймовірні великі відхилення tX значень випадкової величини від математичного сподівання.
Поклавши в (6) t=3, одержимо
.
Нерівність Чебишева, як правило, завищує ймовірності великих відхилень. Наприклад, для закону Гауса
P{X[a–3; a+3]}=1–P{X[a–3; a+3]}=1– Ф(3)=0.0027.
Однак, можна навести приклади розподілів, для яких вона дає точну величину ймовірності відхилення (наприклад, P{X=-1}=P{X=1}=1/18, P{X=0}=8/9, t=3).
Приклад 1. Оцінити з допомогою нерівності Чебишева ймовірність відхилення частоти появи подіїA в серії зn випробувань Я.Бернуллі від ймовірностіpпояви події в одному випробуванні.
Розв’язок. Математичне сподівання і дисперсія чистотиX/nпояви події були знайдені відповідно у прикладах 1 пункту 3.1.4 та 2 пункту 3.2.2:M(X/n)=p,D(X/n)=p(1– p)/n. Отже, на підставі нерівності (6) одержуємо
.
Оскільки p(1–p)1/4, то з попередньої нерівності виходить грубіша оцінка
. (7)
При достатньо великому t>0права частина останньої нерівності як завгодно мала. Таким чином, довільно малою є ймовірність відхилення частоти подіїA від ймовірностіpна величину більшу за . Вибираючиnдостатньо великим, це відхилення можна зробити як завгодно малим. Інакше кажучи, при достатньо великомуnзначне відхилення частоти від ймовірності є практично неможливим. Це виправдовує підхід до визначення ймовірностіpяк деякого числа, навколо якого групуються частоти (див. пункт 1.2.1).
Нерівність (7) можна використати для розв’язку задачі перевірки гіпотези(докладно ця задача обговорюється у розділі 5.4).
Перевірка гіпотези. Нехай ймовірністьpпояви події Aв одному випробуванні невідома, а кількість появ подіїAу даній серії зn випробувань Я.Бернуллі дорівнюєk. Висунемо гіпотезу (припущення), що невідома ймовірність дорівнюєp0. Наскільки добре ця гіпотеза узгоджена з результатами експерименту? В основу розв’язку цієї задачі покладено такий принцип:якщо у даному випробуванні відбувається подія, яка при зробленому припущенні є практично неможливою, то це припущення суперечить результатам експерименту.
Вибираємо мале число >0(рівень значущості) і вважаємо практично неможливими події, ймовірність яких менша. Із (7) виходить, що для практично неможливої події і допустиме відхилення значення частоти від ймовірності дорівнює . Якщо одержане в експерименті відхилення| k/n–p0| перевищує допустиме, то висунута гіпотеза суперечить результатам експерименту.