![](/user_photo/2706_HbeT2.jpg)
- •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.
Математическое ожидание.
Рассмотрим
предварительно случайную величину Хi
– число появлений события А
в i-м
опыте,
.
Ряд
распределения рассматриваемой величины
имеет вид:
.
Математическое ожидание случайной величины Хi определим по формуле (4.9): mi = 0*(1–p) + 1*p = p .
Биномиальная случайная величина представляет собой сумму величин Хi. Тогда её математическое ожидание определится следующим преобразованием:
то есть
.
(7.3)
Дисперсия.
i
= 02*(1–p)
+ 12*p
= p
.
Дисперсия биномиальной случайной величины Х как сумма дисперсий независимых случайных величин Хi определится с помощью следующего преобразования:
т.е.
.
(7.4)
Среднее квадратичное отклонение.
(7.5)
Задача 7.1.
Определить
математическое ожидание mх,
дисперсию Dx
и среднее
квадратичное отклонение
случайной
величины Х
– числа
появлений “орла” при 10 бросаниях
монеты.
Решение. Подбрасывание монеты – события независимые. Вероятность появления “орла” при каждом подбрасывании монеты одинакова и равна 0,5. Следовательно, случайная величина Х распределена по биномиальному закону. А это значит, что её математическое ожидание определяется формулой (7.3):
mx = np = 10*0,5 = 5 ;
дисперсия формулой (7.4):
Dx = np(1–р) = 10*0,5*(1–0,5) = 2,5 ;
среднее квадратичное отклонение формулой (7.5):
1.2. Закон распределения Пуассона Закон распределения Пуассона связан с редкими событиями, составляющими простейший поток событий.
Определение 7.1.
Случайным потоком событий называются события, следующие друг за другом в случайные моменты времени.
Определение 7.2.
Простейшим потоком событий называется поток событий, обладающий следующими тремя свойствами:
стационарностью;
ординарностью;
отсутствием последействия.
Примером простейшего потока событий может служить поток заявок, поступающих по телефону в кассу театра на приобретение билетов.
Определение 7.3.
Случайный поток событий называется стационарным, если вероятность попадания определенного числа событий на заданный временной участок зависит только от длины участка Т и не зависит от того, где на временной оси t расположен этот участок.
Определение 7.4.
Случайный поток событий называется ординарным, если вероятность попадания двух и более событий на бесконечно малый участок Δt несоизмеримо мала по сравнению с вероятностью попадания одного события на этот участок.
т.е. имеет место
предел
.
(7.6)
Таким образом, два и более событий на одном бесконечно малом участке произойти не могут.
Определение 7.5.
Случайный поток событий называется потоком без последействия, если вероятность попадания определенного числа событий на участок длиной Т не зависит от того, сколько событий попало на любой другой участок, не пересекающийся с ним.
Данное свойство потока говорит о том, что все последующие события в потоке не зависят от предыдущих.
Для простейшего потока событий случайная величина Х – количество событий попавших на интервал Т – распределена по закону Пуассона
(7.7)
где а = λТ – среднее число событий, попадающих на интервал Т (единственный параметр закона распределения);
λ – интенсивность наступления событий (количество событий в единицу времени);
Т – некоторый период времени.
Ряд распределения пуассоновской случайной величины имеет вид
xi |
0 |
1 |
. . . |
m |
. . . |
pi |
е–а |
а е–а |
. . . |
(а е–а)/m! |
. . . |
Доказательство формулы Пуассона (7.7).
Введем обозначения:
λ – интенсивность событий;
Т – заданный участок временной оси.
Разобьем участок длины Т на участки Δt в количестве n.
Причем
.
В силу стационарности и ординарности потока вероятность того, что на участке Δt произойдет одно событие, определится следующим образом:
а вероятность того, что на участке Δt не произойдет ни одного события:
При условии
вероятность
Вероятность того, что за период времени
Т
произойдет
ровно m
событий
можно рассматривать как вероятность
появления m
событий в n
независимых испытаниях при
,
т.е. вычислять ее по формуле Бернулли:
Поскольку
=
е–а как замечательный
предел, то
что и требовалось доказать.
Убедимся, что сумма
вероятностей во второй строке ряда
распределения равна единице, т.е.
.
Для доказательства
данного равенства преобразуем его левую
часть:
Здесь сумма
представляет собой функциональный
бесконечный
ряд, сходящийся
к функции еа
.
Преобразуем исходную сумму:
Таким образом, равенство доказано.
Числовые характеристики пуассоновской случайной величины