- •Лекция № 1 Основные понятия теории вероятностей. Классическое определение вероятности. Элементы комбинаторики.
- •1. Основные понятия теории вероятностей.
- •2. Классическое определение вероятности.
- •3. Элементы комбинаторики.
- •Лекция № 2 Алгебра событий. Аксиомы тв. Основные теоремы теории вероятностей. Модели надежности технических систем
- •1. Алгебра событий.
- •3. Основные теоремы теории вероятностей
- •Определение 4.
- •4. Модели надежности технических систем
- •Лекция № 3 Формула полной вероятности. Формула Бейеса.
- •1. Формула полной вероятности.
- •2. Формула Байеса.
- •1. Повторение опытов (схема Бернулли).
- •2. Формула Бернулли
- •3. Локальная теорема Лапласа
- •4. Интегральная теорема Лапласа
- •5. Наивероятнейшее число наступления событий.
- •Лекция № 5 Случайные величины.
- •1. Дискретные случайные величины.
- •Формы задания закона распределения дискретной случайной величины
- •2.1. Ряд распределения.
- •2.2. Многоугольник распределения.
- •2.3. Интегральная функция распределения.
- •2. Многоугольник распределения
- •3. Интегральная функция распределения
- •3. Вероятность попадания случайной величины на заданный участок
- •Лекция № 6 Числовые характеристики случайных величин.
- •1. Характеристики положения случайной величины на числовой оси.
- •Математическое ожидание не случайное число, которое в зависимости от типа случайной величины определяется по формуле:
- •На рис.6.2 показана мода непрерывной унимодальной (с одной модой) случайной величины, заданной плотностью распределения.
- •2. Моменты случайных величин. Для характеристики различных свойств случайных величин используются начальные и центральные моменты.
- •3. Свойства моментов случайных величин. Особого внимания заслуживают свойства начальных и центральных моментов первого и второго порядков.
- •Первый центральный момент μ1 любой случайной величины равен нулю.
- •Математическое ожидание.
- •Дисперсия.
- •Среднее квадратичное отклонение.
- •1.2. Закон распределения Пуассона Закон распределения Пуассона связан с редкими событиями, составляющими простейший поток событий.
- •1. Математическое ожидание.
- •2. Дисперсия.
- •3. Среднее квадратичное отклонение.
- •4. Вероятность попадания пуассоновской случайной величины на заданный участок.
- •2. Законы распределения непрерывных случайных величин.
- •2.1. Равномерный закон распределения
- •Если участок [α,β] не входит в диапазон [a,b], то выражение (7.17) не является справедливым. В этом случае необходимо руководствоваться выражением если (7.18)
- •2.2. Показательный закон распределения
- •2.3. Нормальный закон распределения
- •1. Математическое ожидание.
- •2. Дисперсия.
- •3. Среднее квадратичное отклонение.
- •Поскольку 2-й центральный момент
- •4. Вероятность попадания случайной величины на заданный участок
- •Поскольку то (7.31) перепишется как
- •3. Правило трех сигм
- •Лекция № 8 Основные задачи математической статистики. Определение законов распределения случайных величин на основе экспериментальных данных.
- •Предмет и задачи математической статистики.
- •Основные понятия.
- •3. Простейшие приемы обработки результатов наблюдений.
- •3.1 Статистическое распределение выборки.
- •Гистограмма.
- •Эмпирическая функция распределения
- •Лекция №2. Выравнивание статистических рядов. Проверка статистических гипотез.
- •Лекция №3. Оценка параметров случайных величин.
2.1. Ряд распределения.
Наиболее простой и понятной формой задания закона распределения дискретной случайной величины является ряд распределения.
Ряд распределения представляет собой таблицу, состоящую из двух строк. В первой строке располагаются в порядке возрастания все возможные значения дискретной случайной величины. Во второй – соответствующие им вероятности p1, p2, ..., pn , где pi = Р{Х = xi }.
В результате опыта дискретная случайная величина должна принять одно из возможных значений. Поскольку события {Х = x1}, {Х = x2}, ... несовместны и образуют полную группу, то сумма соответствующих вероятностей должна быть равна единице (условие нормировки)
. (5.1)
2.2. Многоугольник распределения.
Многоугольник распределения – это диаграмма зависимости вероятностей pi возможных значений случайной величины от самих этих значений xi .
P
Pi
P2
P1
P3
x1
x2
x3
xn
x
xi
2.3. Интегральная функция распределения.
Определение 5.4.
Интегральная функция распределения случайной величины X – это функция F(x), которая при каждом значении своего аргумента x численно равна вероятности того, что случайная величина X окажется меньше, чем значение аргумента x, т.е.
F(x) = P { X < x } . (5.2)
Интегральная функция обладает тремя свойствами:
F(– ) = P { X < – }= 0 .
F(+ ) = P { X < + }= 1 .
если х2 > х1, то F(х2) F(х1) , т.е. интегральная функция – неубывающая функция:
.
Задача 1.
Построить закон распределения случайной величины Х – количества домов, сданных в эксплуатацию в срок, из 3 строящихся. Вероятность сдачи в эксплуатацию в срок для каждого дома одинакова и равна 0,9 .
Решение.
Случайная величина Х – количество домов, сданных в эксплуатацию в срок.
С.в. Х может принимать значения 0, 1, 2 или 3.
Общее число строящихся домов (число опытов) n = 3,
вероятность построить каждый дом в срок (наступления события А в одном опыте) р = 0,9 .
Тогда вероятности рi (i = 0,1,2,3) – вероятности того, что из 3 строящихся домов в срок будут сдано ровно 0, 1, 2 или 3 дома определяются с помощью формулы Бернулли :
;
;
;
.
1. Ряд распределения случайной величины Х имеет следующий вид
xi |
0 |
1 |
2 |
3 |
pi |
0,001 |
0,027 |
0,243 |
0,729 |
Условие нормировки .
2. Многоугольник распределения
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0,001
1
2
3
4
x
0
3. Интегральная функция распределения
Аналитическую запись интегральной функции F(x) =P{X < x} представим в виде таблицы.
Индекс диапазона i |
Диапазон х |
Значения интегральной функции F(x) |
0 |
х 0 |
F(x(0)) = P{X<0}= 0 |
1 |
0 < х 1 |
F(x(1)) = P{X<1}= P(X=0) = 0,001 |
2 |
1 < х 2 |
F(x(2)) = P{X<2}= P(X=0) + P(X=1) = = 0,001 + 0,027 = 0,028 |
3 |
2 < х 3 |
F(x(3)) = P{X<3}= P(X=0) + P(X=1) + P(X=2) = = 0,001 + 0,027 + 0,243 = 0,271 |
4 |
х > 3 |
F(x(4)) = P{X<4} = P(X=0) + P(X=1) + P(X=2) + P(X=3) = = 0,001 + 0,027 + 0,243 + 0,729 = 1 |