- •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.
Гистограмма.
Статистический ряд часто оформляется графически в виде гистограммы.
Гистограммой частот называют ступенчатую фигуру, состоящую из прямоугольников, основаниями которых служат частичные интервалы Δ, а высоты равны отношению (плотность частоты). Площадь гистограммы частот равна сумме частот, т.е. объему выборки.
Гистограммой относительных частот, называют ступенчатую фигуру, состоящую из прямоугольников, основаниями которых служат частичные интервалы , а высоты равны отношению (плотность относительной частоты). Площадь гистограммы относительных частот равна сумме всех относительных частот, т.е. единице.
Очевидно, при увеличении числа опытов можно выбирать все более и более мелкие разряды; при этом гистограмма будет все более приближаться к некоторой кривой, ограничивающей площадь, равную единице. Нетрудно убедиться, что эта кривая представляет собой график плотности распределения величины Х
Полигоном частот называют ломаную, соединяющую точки с координатами , , …, .
Полигоном относительных частот называют ломанную, отрезки которой соединяют точки с координатами , , …, .
Эмпирическая функция распределения
Номер интервала
1
-54,202
-42,971
-48,586
0,02
0,02
0,02
2
-42,971
-31,739
-37,355
0
0,02
0
3
-31,739
-20,508
-26,123
0,03
0,05
0,03
4
-20,508
-9,276
-14,892
0,06
0,11
0,06
5
-9,276
1,955
-3,660
0,17
0,28
0,17
6
1,955
13,187
7,571
0,14
0,42
0,14
7
13,187
24,418
18,802
0,21
0,63
0,21
8
24,418
35,650
30,034
0,12
0,75
0,12
9
35,650
46,881
41,265
0,08
0,83
0,08
10
46,881
58,113
52,497
0,09
0,92
0,09
11
58,113
69,344
63,728
0,05
0,97
0,05
12
69,344
80,575
74,960
0,03
1
0,03
Всего
1
1
Статистическая функция распределения.
Статистической функцией рапределения случайной величины Х называется частота события Х<х в данном статистическом материале
F*(x)=P*(X<x)
Для токо чтобы найти значение статистической функции распределения при данном х, достаточно подсчитать число опытов, в которых величина Х приняла значение, меньше чем х, и разделить на общее число n произведенных опытов.
Статистическая функция распределения любой случайной величины – прерывной или непрерывной – представляет собой прерывноую ступенчатую функцию, скачки которой соответствуют наблюденным значениям случайной величины и по величине равны частотам этих значений. При увеличении числа опытов n, согласно теореме Бернулли, при любом х частота события Х<х приближается (сходится по вероятности) к вероятности этого события. Следовательно, при увеличении n статистическая функция распределения F*(x) прближается (сходится по вероятности) к подлинной функции распределения случайной величины Х.
Если Х – непрерывная случайная величина, то при увеличении числа наблюдений n число скачков функции F*(x) увеличивается, сами скачки уменьшаются и график функции F*(x) неограниченно приближается к плавной кривой F(x) – функции распределения величины Х.
Числовые характеристики статистического распределения.
Каждой числовой характеристике случайной величины Х соответствует ее статистическая аналогия. Для математического ожидания случайной величины аналогией является среднее арифметическое наблюденных значений случайной величины:
где xi– значение случайной величины, наблюденное в i–м опыте, n– число опытов.
Эта характеристика называется статистическим средним случайной величины.
Согласно закону больших чисел, при неограниченном увеличении числа опытов статистическое среднее приближается (сходится по вероятности) к математическому ожиданию. При достаточно большом n статистическое среднее может быть принято приближенно математическому ожиданию. При ограниченном числе опытов статистическое среднее является случайной величиной, которая, тем не менее, связана с математическим ожиданием и может дать о нем известное представление.
Подобные статистические аналогии существуют для всех числовых характеристик. Будем обозначать эти статстические аналогоии теми же буквами, что и соответствующие числовые характеристики, но снабжать их значком *.
Рассмотрим, например, дисперсию случайной величины. Она представляет собой математическое ожидание случайной величины :
Если в этом выражении заменить математическое ожидание его статистической аналогией – средним арифметическим, мы получим статистическую дисперсию случайной величины Х:
где mx*=M*[X]– статистическое среднее.
Аналогично определяются статистические начальные и центральные моменты любых порядков:
Все эти определения полностю аналогичны определениям числовых характеристик случайной величины. С той разницей, что в них везде вместо математического ожидания фигурирует среднее арифметическое. При увеличении числа наблюдений, очевидно, все статистические характеристики будут сходиться по вероятности к соответствующим математическим характеристикам и при достаточном n могут быть приняты приближенно равными им.
Нетрудно доказать, что для статистических начальных и центральных моментов справедливы те же свойства, которые были выведены для математических моментов. В частности, статистический первый центральный момент всегда равен нулю:
Соотношения между центральными и начальными моментами также сохраняются:
При очень большом количестве опытов вычисление характеристик по приведенным выше формулам становится чрезмерно громоздким, и можно применить следующий прием: воспользоваться теми же разрядами, на которые был расклассифицирован статистический материал для построения статистического ряда или гистограммы, и считать приближенно значение случайной величины в каждом разряде постоянным и равным среднему значению, которое выступает в роли «представителя» разряда. Тогда статистические числовые характеристики будут выражаться приближенными формулами:
где – «представитель» i-го разряда, pi*– частота i–го разряда, k – число разрядов.
Как видно, эти формулы полностью аналогичны формулам, определяющим математическое ожидание, дисперсию, начальные и центральные моменты дискретной случайной величины Х, с той только разницей, что вместо вероятностей в них стоят частоты, вместо математического ожидания – статистическое среднее , вместо числа возможных значений случайной величины – число разрядов.