![](/user_photo/2706_HbeT2.jpg)
- •Качественные данные. Шкала классификации (номинальная).
- •Порядковые данные. Шкала порядка.
- •Количественные данные. Шкала интервалов и шкала отношений.
- •Статистический анализ данных.
- •Функция распределения
- •Законы распределения дискретных случайных величин
- •Биномиальное распределение (распределение Бернулли)
- •Распределение Пуассона
- •Законы распределения непрерывных случайных величин
- •Нормальный закон распределения (Гаусса)
- •Распределение
- •Распределение Стьюдента (Госсета)
- •Эмпирические законы распределения случайных величин
- •Практические задания.
-
Законы распределения дискретных случайных величин
-
Биномиальное распределение (распределение Бернулли)
-
Дискретная случайная величина х, которая может принимать только целые значение с вероятностями
т=0,1,...,n,
где р - вероятность появления события в каждом испытании, т - количество благоприятных событий, n - общее количество испытаний, q=1-p,
называется распределенной по биномиальному закону с математическим ожиданием nр, и дисперсией - npq.
Закон Бернулли используется тогда, когда необходимо найти вероятность появления случайного события, которое реализуется ровно т из серии n испытаний.
Биномиальному закону распределения подчиняются случайные события такие, как число вызовов скорой помощи за определенный промежуток времени, очереди к врачу в поликлинике, эпидемии и т.п..
Пример 1
Пусть
Х – число рецесивов среди n потомков
полученных при скрещивании двух гибридов
g
g. По теории Менделя вероятность того,
что потомок двух гибридов будет рецесивом
равняется 0,25, в рамках теории Менделя
Х есть
биномиальной случайно изменяющейся
с вероятностью:
,
Т.е. подставляя определенные значения т получим вероятность рецесивов среди n потомков.
-
Распределение Пуассона
Дискретная случайная величина Х, которая может принимать только целые значения с вероятностями
,
называется распределенной по закону
Пуассона с математическим ожиданием
и дисперсией
,
где
.
Рассматриваются маловероятные события, которые происходят в длинной серии независимых испытаний несколько раз.
Распределение Пуассона, как предельный биномиальный используется при решении задач надежности медицинского оборудования и аппаратуры, распространение эпидемии, вызовов к больному участковых врачей и в других задачах массового обслуживания.
Пример 2
Вакцина формирует иммунитет от некоторого заболевания с вероятностью 0,999. Подверглись вакцинации 4000 жителей города. Какая вероятность того, что двое из них не приобрели иммунитета.
-
-
.
-
Законы распределения непрерывных случайных величин
-
Нормальный закон распределения (Гаусса)
-
В биологии и медицине чаще всего рассматривают случаю величине, которые имеют нормальный закон распределения, например, частота дыхания, частота сердечных сокращений, динамика роста популяции и т.п..
Для нормального закона распределения плотность распределения задается уравнением:
где m – математическое
ожидание, а σ
– среднее квадратичное отклонение (
– дисперсия).
Стандартным нормальным распределением называют распределение с нулевым математическим ожиданием и единичной дисперсией, плотность распределения которого имеет следующий вид:
Плотность вероятности стандартного нормального распределения имеет вид, представленный на рис. 6.1, функция его распределения представлена на рис. 6.2.
Рис. 6.1. Плотность вероятности стандартной нормальной случайной величины |
Рис. 6.2. Функция распределения стандартной нормальной случайной величины |
Дисперсия
характеризует квадрат рассеивания
случайной величины. Для того чтобы
получить характеристику рассеивания,
которая имеет такую же самую размерность
что и случайная величина используют
стандартное отклонение
И
зменение
математического ожидания не изменяет
форму кривой, а лишь перемещает ее по
оси Х. При изменении дисперсии форма
кривой изменяется
Из рисунка видно, что чем большее значение дисперсии, т.е. чем большая степень рассеивания случайных величин, тем более пологой и растянутой становится кривая и наоборот.
Площадь под графиком функции плотности (рис. 6.4.) равняется 1 - это вероятность достоверного события.
Основное количество полученных результатов группируется вокруг наиболее вероятного значения. В практических применение важным есть правило “трех сигм”:
,
Т.е. вероятность того, что нормально распределенная случайная величина отличается от своего математического ожидания больше чем на три сигма приблизительно равняется 0,0027, такое событие есть практически невозможным.