- •Лекция 1
- •Лекция 2
- •Лекция 3
- •Основные теоремы Теории Вероятностей
- •Лекция 5
- •Лекция 6 Законы распределения случайных величин
- •Лекция 8
- •Вероятность попадания случайной величины на интервал альфа, бета, выраженное через плотность распределения f(X).
- •Выражение функции распределения f(X) через плотность f(X).
- •Основные свойства плотности распределения
- •Некоторые практически важные законы распределения.
- •Закон редких явлений. Распределение Пуассона.
- •Лекция 11 от 23.11.11
- •Основные свойства функции Лапласа:
- •Лекция 13 от 07.12.2011
- •Центральная предельная теорема.
- •Лекция 14
- •Лекция 15 от 21.12.11 Основные понятия математической статистики.
- •Выборка
- •Оценки числовой характеристики распределения
- •Три основных свойства оценки
- •Оценки математического ожидания и дисперсии.
Основные свойства функции Лапласа:
Ф(-Z)=1-Ф(Z) 1/2
Ф (0)=1/2
Ф (-∞)=0
Ф(+∞)=1 0 Z
Рассмотрим вероятность случ. величины Х на участок m-e<x<m+e
Э то неравенство эквивалентно |x-m|<e
m-e m m+e
имеем P(m-e<x<m+e)=P(|x-m|<e)=2Ф(e/δ)-1
Лекция 12 от 30.11.11.
Теорема о числовых характеристиках.
Если c – не случайное (детерминированная величина), то:
а) M[c]=c
б) D[c]=0
2. Если c - не случайная величина, а Х- случайная, то:
а. M[cx]= ∫(от -∞ до +∞)cxf(x)dx=c∫(от -∞ до +∞)xf(x)dx=cM[x]
3. Математическое ожидание линейной функции равно той же линейной функции от математического ожидания аргументов.
MƩ(i=1 от n)ai*Xi+b=Ʃ(i=1 от n)ai*M[Xi]+b
Рассмотрим две СВ X и Y. Рассмотрим событие А=(a1<X<a2) и B=(b1<X<b2)
По определению СВ Х и Y называются независимыми, если вероятность произведения этих событий P(AB)=P(A)*P(B)
В общем случае, для зависимых СВ X и Y, равенство нарушается:
P(AB)=P(A)P(B|A)
На практике желательно знать степень их зависимости, связи друг с другом. Наиболее употребительными моментами связи являются корреляционные моменты ковариации
Определение:
Корреляционным моментом или ковариацией СВ X и Y называют Kxy=cov(X,Y)=M[(x-mx)(y-my)]=M[ẊẎ]
Очевидно Kxy=Kyx
Можно показать, что для независимых СВ Kxy=cov(X,Y)=0
Величина ковариации зависит от единиц изменения СВ. В качестве меры стохастической связи между СВ обычно используют независящую от единиц измерения (безразмерную) СВ, называемую коэффициентом ковариации:
Rxy=Kxy/ϛxϛy=cov(X,Y)/ ϛxϛy
Определение:
X1, X2, …, Xn называются некоррелированными , если Kij=cov(xi,xj)=0
rij=Kij/ ϛiϛj=cov(xi,xj)/ϛiϛj=0
Обратное утверждение неверно. Если моменты ковариации равны нулю, то в общем случае СВ могут быть зависимыми.
Пусть имеется линейная функция нескольких случайных величин.
Y=∑(i=1 от n) ai*Xi+b, где ai и b неслучайные величины, тогда дисперсия этой линейной функции выражается формулой.
D[Y]=D[∑(i=1 от n) ai*Xi+b]=∑(i=1 от n) ai2*D[Xi]+2∑(i<j)aiajKij,
Если Xi и Xj не коррелируемые, то D[Y]=∑(i=1 от n) ai2*D[Xi]
Предельные теоремы теории вероятностей
Закон больших чисел и центральная предельная теорема
Под законом больших чисел понимается ряд математических теорем, в которых устанавливаются факты приближения средних характеристик большого числа опытов к некоторым определенным постоянным.
Лекция 13 от 07.12.2011
Другая группа предельных теорем касается уже не предельных значений СВ, а предельных законов распределений. Эта группа теорем известна под названием «Центральной предельной теоремы».
Закон больших чисел.
Неравенство Чебышева: При доказательстве теорем, относящихся к группе «Закона больших чисел», используется одно весьма общее неравенство, известное, как Неравенство Чебышева.
P[|x-mx|>=E]<=Dx/E²
mx-E mx mx+E x
Правило трех ϛ:
Пусть E=3ϛx, тогда P[|x-mx|>=3ϛx]<=Dx/E²=ϛ²x/9 ϛ²x=1/9
Для реальных законов распределения, например нормального: P[|x-mx|>=3ϛx]
На практике мы как правило имеем значение мы имеем дело со СВ, значение которых выходит за mx+-3 ϛx крайне редко, поэтому на практике этот отрезок считают участком практически возможных значений величины – так называемое «Правило трех ϛ»
Теорема Чебышева: Она дает одну из наиболее важных форм «Закона больших чисел», а именно: Устанавливает связь между средним арифметическим наблюденных значений СВ и ее мат. ожиданием (МО).
Теорема Чебышева устанавливает в точной количественной форме это свойство устойчивости среднего арифметического.
Теорема Чебышева: При достаточно большом числе n независимых опытов, среднее арифметическое наблюденных значений СВ сходится по вероятности к ее МО. (Понятия о сходимости по вероятности см. учебник)
В аналитической форме Теорема Чебышева записывается:
P[|1/nƩ(от n до i=1) xi-mx|<E]>=1-δ
Следствие закона больших чисел – Теорема Бернулли.
Теорема. При неограниченном увеличении числа опытов n, частота событий А сходится по вероятности к его вероятности р. Обозначим частоту события А в n опытах через Pn*.
P[|Pn*-p|<E]>=1-δ