- •Теория вероятностей и математическая статистика
- •Теория вероятностей
- •1. Общие понятия
- •1.1. Предмет теории вероятностей
- •1.2. Пространство элементарных событий
- •1.3. Операции над событиями
- •1.4. Статистический подход к понятию вероятности
- •1.5. Элементы комбинаторики
- •1. Перестановки.
- •2. Сочетания.
- •3. Размещения.
- •1.6. Классическое определение вероятности
- •1.7. Аксиоматическое определение вероятности
- •2. Основные теоремы теории вероятностей
- •2.1. Теорема умножения вероятностей
- •2.2. Теорема сложения вероятностей
- •2.3. Формула полной вероятности
- •2.4. Формула Бейеса
- •3. Повторение испытаний
- •3.1. Независимые испытания. Формула Бернулли
- •3.2. Локальная теорема Муавра – Лапласа
- •3.3. Интегральная теорема Лапласа
- •3.4. Теорема Пуассона
- •3.5. Вероятность отклонения частоты от постоянной вероятности в независимых испытаниях
- •4. Случайные величины и функции распределения
- •4.1. Случайные величины
- •4.2. Функция распределения вероятностей для дискретной св
- •4.3. Функция распределения вероятностей для непрерывной св.
- •4.4. Функция плотности распределения вероятностей
- •5. Числовые характеристики случайных величин
- •5.1. Математическое ожидание случайной величины
- •5.2. Дисперсия и среднее квадратическое отклонение св
- •5.3. Моменты и другие числовые характеристики случайной величины
- •6. Основные законы распределения случайных величин
- •6.1. Законы распределения дискретных случайных величин
- •6.1.1. Биномиальное распределение
- •6.1.2. Распределение Пуассона
- •6.1.3. Геометрическое распределение
- •6.2. Законы распределения непрерывных случайных величин
- •6.2.1. Равномерное распределение
- •6.2.2. Показательное распределение
- •6.2.3. Нормальное распределение
- •7. Закон больших чисел
- •7.1. Неравенства Чебышева
- •7.2. Теорема Чебышева
- •8. Многомерные случайные величины
- •8.1. Многомерные случайные величины и их функции распределения
- •X и y независимые случайные величины.
- •8.2. Вероятность попадания двумерной случайной величины
- •8.3. Числовые характеристики двумерной случайной величины
- •Математическая статистика
- •1. Статистические законы распределения выборки
- •1.1. Вариационный ряд
- •1.2. Полигон и гистограмма
- •1.3. Эмпирическая функция распределения
- •2. Статистические оценки параметров распределения
- •2.1. Точечные оценки
- •2.2. Интервальные оценки
- •2.3. Оценка вероятности появления события через его частоту
- •3. Проверка статистических гипотез.
- •3.1. Статистические гипотезы
- •3.2. Критерии проверки гипотезы
- •3.3. Критерий согласия Пирсона
- •3.4. Критерий согласия Романовского
- •4. Элементы теории корреляции
- •4.1. Статистические зависимости
- •4.2. Линейная регрессия
- •4.3. Корреляционная таблица
- •4.4. Выборочный коэффициент корреляции
- •Литература
- •С о д е р ж а н и е
6.2.3. Нормальное распределение
Определение 6.5. Случайная величина X называется распределённой по нормальному закону, если функция плотности распределения имеет
вид .
Определим смысл параметров a и . Для этого вычислим:
,
так как первый интеграл равен нулю, как интеграл от нечетной функции в симметричных пределах, а второй (интеграл Пуассона) равен
Таким образом, . Аналогично можно показать, что, т.е..
График функции нормального распределения имеет вид
f(х)
О а х
Здесь точкаmax, точки перегиба, .
Если вычислить значения центральных моментов
,
то получим
Тогда для нормального распределения коэффициент асимметрии As и эксцесс Ex будут равны:
Таким образом, эти коэффициенты определяют степень отклонения распределения от нормального.
Вероятность попадания в заданный интервал случайной величины, имеющей нормальное распределение, определяется по формуле
(6.1)
Следствие 1. При ииз формулы (6.1) получаем
. (6.2)
Следствие 2. Если положить в формуле (6.2) и учесть, что при, то получим
. (6.3)
Выражение (6.3) представляет собой так называемое правило трёх сигм. Оно означает, что практически в интервале находятся все возможные значения нормально распределённой случайной величины.
Нормальный закон распределения играет в теории вероятностей важную роль, так как является предельным законом, к которому приближаются многие другие законы. Это отражено в центральной предельной теореме Ляпунова.
Теорема. Если Х сумма большого числа независимых случайных величин , которые имеют различные распределения и их влияние на случайную величинуХ незначительно, то Х имеет распределение близкое к нормальному. А в пределе распределение случайной величины Х стремится к нормальному закону.
Нормальный закон широко используется в теории ошибок, в теории стрельбы, теории надёжности и т.д.
Пример 6.8. По цели, имеющей вид полосы, ширина которой 20 м, ведётся стрельба в направлении перпендикулярном полосе. Прицеливание ведётся по средней линии. Среднее квадратическое отклонение (точность прицела) в направлении стрельбы равна . Найти вероятность попадания в цель при одном выстреле.
у
10 а = 0 10 х
Здесь
Полагая в формуле (6.2) эти значения, получаем
7. Закон больших чисел
Этот закон обосновывает устойчивость средних, т.е. при очень большом числе случайных событий их средний результат практически перестаёт быть случайным и может быть предсказан с большой точностью. Какие условия необходимы для этого?
7.1. Неравенства Чебышева
Теорема 7.1. Если случайная величина Х имеет конечную дисперсию, то справедливо неравенство
.
Доказательство проведём для непрерывной случайной величины.
Из рисунка
х
следует
что и требовалось доказать.
Пример 7.1. Дана случайная величина Х с математическим ожиданием и дисперсией. Оценить вероятность того, что случайная величина Х отклонится от своего математического ожидания не менее, чем на .
Положим в неравенстве Чебышева , тогда
,
что верно для всех законов распределения случайной величины.
Теорема 7.2. Если случайная величина Х принимает только неотрица-тельные значения и имеет конечное математическое ожидание, то для лю-бого числа выполняется неравенство
Доказательство проведём для дискретной СВ. Имеем
откуда, воспользовавшись свойством математического ожидания, получим
Это другая форма неравенства Чебышева.
Пример 2. Среднее число некондиционных устройств в одной партии равно 4. Оценить вероятность того, что в следующей партии устройств будет не больше 12 некондиционных.
Подставив в неравенстве Чебышева и, получим
и