- •В.В. Нешитой
- •Введение
- •1. Основные понятия теории вероятностей и математической статистики
- •1.1. Случайные события. Испытания. Относительная частота и вероятность
- •1.2. Виды случайных событий
- •1.3. Определения вероятности
- •1.4. Основные формулы комбинаторики
- •1.5. Теорема сложения вероятностей (несовместных событий)
- •1.6. Теорема умножения вероятностей (независимых событий)
- •1.7. Закон распределения дискретной случайной величины
- •1.8. Числовые характеристики дискретной случайной величины
- •1.8.1. Математическое ожидание
- •1.8.2. Свойства математического ожидания
- •1.8.3. Дисперсия дискретной случайной величины
- •1.8.4. Свойства дисперсии
- •1.8.5. Среднее квадратическое отклонение
- •1.8.6. Одинаково распределенные взаимно независимые случайные величины
- •1.8.7. Моменты (начальные, центральные) дискретной случайной величины
- •1.10.2. Плотность распределения
- •1.11. Числовые характеристики непрерывных случайных величин
- •1.12. Примеры непрерывных распределений
- •1.12.1. Нормальный закон
- •1.12.2. Показательный закон
- •1.12.3. Закон Вейбулла
- •1.13. Элементы математической статистики
- •1.13.1. Генеральная и выборочная совокупности. Вариационный ряд. Характеристики вариационного ряда
- •1.13.2. Статистическое распределение выборки. Полигон. Гистограмма. Эмпирическая функция распределения
- •1.13.3. Статистические оценки параметров. Точность оценки, доверительная вероятность (надежность)
- •1.13.4. Метод моментов для точечной оценки параметров распределения
- •1.13.5. Метод наибольшего правдоподобия
- •2. Вероятностная модель текста и ее исследование
- •2.1. Понятие математического ожидания случайной функции, нового события и кривой роста новых событий
- •2.2. Математическое ожидание случайной функции и кривая роста новых событий. Связь с законами распределения вероятностей разных и новых событий
- •2.3. Установление статистической структуры выборки по кривой роста новых событий
- •2.4. Восстановление кривой роста новых событий по статистической структуре выборки
- •2.5. Построение систем кривых роста и непрерывных распределений новых событий
- •Построение систем кривых роста и непрерывных распределений новых событий
- •3. Обобщенные распределения. Системы непрерывных распределений
- •3.1. Методы построения обобщенных распределений
- •3.2. Построение системы непрерывных распределений методом обобщения
- •3.3. Классификация обобщенных распределений
- •Распределения группы а
- •Распределения группы б
- •Группа симметричных распределений
- •3.4. Распределения функций случайного аргумента
- •3.5. Три основные и три дополнительные системы непрерывных распределений в.Нешитого
- •3.6. Обобщение систем непрерывных распределений
- •3.6.1. Обобщение систем непрерывных распределений по первому варианту
- •Обобщение систем непрерывных распределений по первому варианту на базе четырехпараметрической плотности p(t)
- •3.6.2. Обобщение систем непрерывных распределений по второму варианту
- •Обобщение систем непрерывных распределений по второму варианту на базе четырехпараметрической плотности p(t)
- •4. Оценивание параметров обобщенных распределений. Критерии для классификации кривых. Центральная предельная теорема
- •4.1. Метод наименьших квадратов
- •Значение функции распределения f(tc)
- •4.2. Метод наибольшего правдоподобия
- •4.3. Классический метод моментов
- •4.3.3. Симметричные распределения Ic–iiIc типов
- •4.3.4. Критерии для классификации распределений по методу моментов
- •4.4. Универсальный метод моментов
- •4.4.1. Расширение трех систем непрерывных распределений
- •4.4.2. Законы распределения суммы независимых случайных величин
- •4.4.3. Центральная предельная теорема для трех систем непрерывных распределений
- •4.4.4. Законы распределения среднего выборочного
- •4.5. Устойчивый метод
- •5. Выравнивание и прогнозирование статистических распределений
- •5.1. Выбор системы непрерывных распределений для выравнивания статистических распределений
- •5.2. Вычисление выравнивающей кривой распределения по статистическим данным
- •5.2.1. Выравнивание по классическому методу моментов
- •5.2.2. Выравнивание по универсальному методу моментов
- •5.2.3. Выравнивание по устойчивому методу
- •Показатели статистического распределения (snr2v08a)
- •Распределение 3-го типа с параметрами
- •5.2.5. Выравнивающее распределение среднего выборочного
- •5.3. Прогнозирование распределений
- •5.3.1. Первая система непрерывных распределений
- •5.3.2. Вторая система непрерывных распределений
- •Распределение населения страны по среднедушевому совокупному доходу, в % к итогу (Расчет по данным обследования 90 тыс. Семейных бюджетов)
- •5.3.3. Показатели стабильности и качества выборки
- •5.4. Ранговые распределения
- •5.4.1. Форма представления ранговых распределений
- •5.4.2 Универсальный закон рассеяния публикаций
- •5.5.3. Универсальный закон старения публикаций
- •5.4.4. Ранговые распределения лексических единиц
- •6. Временные (динамические) ряды
- •6.1. Методы выделения тренда
- •6.2. Построение кривых роста для выравнивания временных рядов
- •6.2.1. Построение кривых роста с заданными свойствами
- •6.2.2. Метод обобщения
- •6.2.3. Кривые роста на базе обобщенных распределений
- •6.3. Оценивание параметров кривых роста
- •6.3.1. Уравнение прямой
- •6.3.2. Экспонента
- •6.3.3. Обобщенная кривая роста
- •6.4. Прогнозирование временных рядов
- •6.4.1. Параметрический метод прогнозирования
- •6.4.2. Непараметрический метод прогнозирования
- •Заключение
- •Приложения Приложение 1
- •Приложение 2
- •Приложение 5 Основные сведения о программах
- •Литература
- •Содержание
- •Математико-статистические
- •Методы анализа
- •В библиотечно-информационной
- •Деятельности
1.10.2. Плотность распределения
Плотностью распределения (дифференциальным законом распределения) непрерывной случайной величины Х называется первая производная от функции распределения
.
График плотности распределения называется кривой распределения.
Свойства плотности распределения.
Если между двумя случайными величинами Х и Y существует функциональная зависимость Y=φ(Х), то взаимосвязь между плотностями распределения р(х) и р(у) задается формулой
Действительно, пусть с ростом Х растет Y. Тогда F(x)=F(y)=F(φ(x)) (см. свойства функции распределения). По правилу дифференцирования сложной функции находим
или, поскольку y = φ(x),
В случае, если с ростом Х величина Y убывает, первая производная dy/dx < 0, но плотность p(x) > 0. Поэтому в общем случае первая производная берется по абсолютной величине.
Рассмотрим примеры.
Пример 1. Из равенства функций распределения F(x) = F(lnx) требуется найти соотношение между плотностями p(x) и p(lnx).
Дифференцируя последнее равенство по x, имеем:
откуда xp(x) = p(lnx).
Пример 2. Задана плотность распределения (показательный закон)
.
Найти: N – нормирующий множитель; F(x) – функцию распределения; вероятность попадания случайной величины Х на интервал 3<x<5.
Используем свойства плотности:
.
Отсюда N = , т.е.
.
Далее функция распределения равна
.
Вероятность попадания случайной величины Х на заданный интервал равна
.
Пусть далее некоторая случайная величина Y связана со случайной величиной Х зависимостью Y=1/X.
Найдем функцию распределения F(y) и плотность р(у).
Так как здесь с ростом Х величина Y убывает, то
.
Но Х=1/Y, поэтому
.
Отсюда плотность р(у) равна
.
Плотность р(у) можно найти непосредственно по плотности р(х).
Поскольку Х=1/Y, dх/dy=–1/y2, то
.
Пример 3. Случайная величина Х распределена по показательному закону с плотностью и функцией распределения
.
Рассмотрим случайную величину Y = lnX и найдем ее закон распределения. Имеем
Но в последних двух формулах величина y = lnx. Следовательно, их можно представить в виде
т.е. доказана справедливость равенств
Аналогично доказываются другие равенства, например, приx>0 и
при x > – . Они следуют непосредственно из определения функции распределения и свойств случайных величин. Покажем это на следующем примере.
Пример 4. На испытания поставлено 100 механизмов. Пусть за время t < 12 месяцев отказало 8 из них, т.е. доля отказавших механизмов равна 8/100 = 0.08. Эта величина является оценкой вероятности P(T < 12), или оценкой функции распределения
F(t) = P(T < t) = 0.08.
Если время наработки до отказа выразить в других единицах (сутках, неделях), то для нашего примера будет справедливо равенство
F(t) = F(ct),
поскольку доля отказавших механизмов за один и тот же период времени (12 месяцев, или 365 суток) одна и та же.
Дифференцируя последнее равенство по t, найдем соотношение между плотностями p(ct) и p(t)
Из последней формулы следует, что при увеличении случайной величины Т в С раз новая плотность p(ct) получается из предыдущей путем уменьшения плотности p(t) в С раз.
Итак, если имеется группированный вариационный ряд распределения случайной величины Т, то для построения нового ряда распределения случайной величины СТ достаточно увеличить в С раз границы интервалов, не изменяя их частот. При этом эмпирическая плотность будет вС раз меньше соответствующей плотности за счет увеличения ширины интервалов вС раз.