![](/user_photo/2706_HbeT2.jpg)
- •Вопросы для подготовки к зачёту 21.06.2012 г. По дисциплине «Теория вероятностей и математическая статистика» (гр.Соэ 111 - 2012 год) Теоретическая часть
- •Виды случайных событий: зависимые и независимые, достоверные и невозможные, равновозможные, противоположные – их примеры.
- •Понятие комбинаторики, её основные определения и формулы, примеры основных понятий комбинаторики. Правила суммы и произведения комбинаторики.
- •Теорема умножения для двух зависимых событий, её условия и доказательство, следствие данной теоремы для нескольких событий, примеры применения данной теоремы и её следствия.
- •Теорема о формуле полной вероятности: её условие применения, словесная формулировка, математическая запись, её доказательство.
- •Понятие гипотез. Постановка задачи и вывод формул Бейеса. Что позволяют формулы Бейса?
- •Постановка задачи на ввод и вывод формулы Бернулли. Необходимые условия для применения формулы Бернулли.
- •Локальная теорема Лапласа: условия её применения, математическая запись теоремы, математическая формула и основное свойство функции используемой в этой теореме.
- •Интегральная теорема Лапласа: условия её применения, словесная формулировка, математическая запись теоремы, вывод формулы с использованием функции Лапласа, основные два свойства функции Лапласа.
- •Понятие случайной величины (св), правила обозначения св и возможных значений св. Понятие дискретной и непрерывной св, их примеры.
- •Понятие закона распределения дискретной случайной величины (дсв), способы задания закона дсв и их особенности, примеры способов задания законов дсв.
- •Распределение Пуассона для дискретной случайной величины (дсв): постановка задачи, условия применения, вывод аналитического выражения.
- •Геометрическое распределение дискретной случайной величины (дсв): постановка задачи, условия применения, вывод аналитического выражения, причина данного названия распределения.
- •Математическое ожидание (мож) числа появления события в одном испытании – словесная формулировка, доказательство. Вероятностный смысл мож – словесная формулировка, доказательство, два замечания.
- •Третье свойство мож (мож произведения 2-х независимых случ.Величин) – словесная формулировка, мат.Запись, доказательство, следствие.
- •Четвёртое свойство мож (мож суммы 2-х случ.Величин) - словесная формулировка, мат.Запись, доказательство, следствие.
- •Теорема о мож биномиального закона распределения – условия её применения, словесная формулировка, математическая запись, доказательство, замечание.
- •Необходимость введения и понятие ско случайных величин. Теорема о ско суммы взаимно независимых случайных величин (словесная формулировка, мат.Запись, доказательство).
- •Плотность распределения случайной величины: определение, мат.Запись, 2 свойства (словесная формулировка, математическая запись, доказательство). Примеры кривых распределения случайных величин.
Необходимость введения и понятие ско случайных величин. Теорема о ско суммы взаимно независимых случайных величин (словесная формулировка, мат.Запись, доказательство).
Для
оценки рассеяния возможных значений
случайной величины вокруг ее среднего
значения кроме дисперсии служат и
некоторые другие характеристики. К их
числу относится среднее квадратическое
отклонение.Средним
квадратическим отклонением
св Х называют квадратный корень из
дисперсии:
Легко
показать, что дисперсия имеет размерность,
равную квадрату размерности св. Так как
среднее квадратическое отклонение
равно квадратному
с
размерностью X.
Поэтому в тех случаях, когда желательно,
чтобы оценка рассеяния имела размерность
случайной величины, вычисляют среднее
квадратическое отклонение, а не
дисперсию. Например, если Х
выражается
Пример.
Случайная величина Х
задана законом распределения
Искомое среднее
квадратическое отклонение
Среднее
квадратическое отклонение суммы взаимно
независимых св. Теорема.
Среднее
квадратическое отклонение суммы
конечного числа взаимно независимых
случайных величин равно квадратному
корню из суммы квадратов средних
квадратических отклонений этих
величин:
Доказательство.
Обозначим через Х
сумму рассматриваемых взаимно
независимых величин:
Дисперсия
суммы нескольких взаимно независимых
св равна сумме дисперсий слагаемых
поэтому
Отсюда
или
окончательно
Понятие момента: к-го порядка, начального, абсолютного, центрального – их математическая запись. С какими моментами и какого порядка связаны понятия математического ожидания и дисперсии случайной величины. Формулы вычисления центральных моментов 2-го, 3-го и 4-го порядков через начальные моменты.
мож М(Х) и дисперсия D(Х) являются частными случаями более общего понятия, называемого моментом распределения случайной величины.. Моментом распределения k-го порядка случайной величины X относительно некоторой постоянной С называется математическое ожидание k-й степени отклонения X oт постоянной С: M(X – C)k
Начальный
момент k-го
порядка абсолютной величины называется
абсолютным моментом:
Если
в качестве С берется математическое
ожидание
тх
случайной величины X, т.е. центр ее
распределения, то момент называется
центральным:
При
к =
1 имеем:
,
т.е. начальный момент первого порядка
есть не что иное, как мож св;
=
М(Х-тх)
=
0 — центральный момент первого порядка,
равен нулю.При
к
= 2: начальный момент второго порядка
ν2
= М(Х2)
— мож квадрата св X; μ2
=
М(Х— тх)2
=
D(X)
— центр.
момент 2 порядка есть дисперсия случайной
величины X..
Центральные моменты целесообразно
вычислять, используя формулы, выражающие
центральные моменты через начальные:
39.Понятие коэффициента ассиметрии случайной величины, формула его вычисления. Примеры многоугольников распределения дискретных случайных величин, поясняющие влияние знака центрального момента 3-го порядка и коэффициента ассиметрии на их симметричность. Необходимые пояснения к этим многоугольникам.
Отношение
центрального момента третьего порядка
μ3
к кубу среднеквадратичного отклонения
называют
коэффициентом асимметрии
закона распределения вероятностей св:
Коэффициент асимметрии является мерой
симметричности ряда распределения
относительно математического ожидания.
приведены графики многоугольников
распределения дсв.Для случайной величины
X, математическое ожидание будет равно
тх
= 4. Из графика закона распределения что
он симметричен относительно математического
ожидания. Если для данного закона
распределения вероятности посчитать
μ3
и коэффициент асимметрии a,
то увидим, что μ3
= 0, а
=
0. То есть при
график закона распределения является
симметричным относительно математического
ожидания тх
.
Из приведенных графиков на Рис. 1 б и 1 в видно, что закон распределения вероятностей для этих случайных величин является несимметричным относительно математического ожидания.Для закона распределения вероятностей, приведенного на рис. 1, в, центральный момент третьего порядка μ3 и коэффициент асимметрии будут иметь отрицательные значения. Для закона распределения вероятностей, приведенного на рис. 1, б, центральный момент третьего порядка и коэффициент асимметрии будут иметь положительные значения.
Сущность и значение для практики теоремы Чебышева для достаточно большого числа независимых случайных величин. Основное неравенство данной теоремы и пояснения к нему. Пример(ы) применения данной теоремы из жизнедеятельности человечества.
Сущность
доказанной теоремы такова: хотя отдельные
независимые случайные величины могут
принимать значения, далекие от своих
математических ожиданий, среднее
арифметическое достаточно большого
числа случайных величин с большой
вероятностью принимает значения,
близкие к определенному постоянному
числу, а именно
в
частном случае). Иными словами, отдельные
случайные величины могут иметь
значительный разброс, а их среднее
арифметическое рассеянно мало.Итак,
среднее арифметическое достаточно
большого числа независимых случайных
величин (дисперсии которых равномерно
ограничены) утрачивает характер случайной
величины.
Объясняется это тем, что отклонения
каждой из величин от своих математических
ожиданий могут быть как положительными,
так и отрицательными, а в среднем
арифметическом они взаимно погашаются.
Теорема Чебышева справедлива не только
для дискретных, но и для непрерывных
случайных величин; Значение теоремы
Чебышева для практики. Приведем примеры
применения теоремы Чебышева к решению
практических задач.Обычно для измерения
некоторой физической величины производят
несколько измерений и их среднее
арифметическое принимают в качестве
искомого размера. При каких условиях
этот способ измерения можно считать
правильным? Ответ на этот вопрос дает
теорема Чебышева (ее частный
случай).Действительно, рассмотрим
результаты каждого измерения как
случайные величины X1,
X1,
….
Xn.
К этим величинам можно применить теорему
Чебышева, если: 1)
они попарно независимы,
2) имеют одно и то же математическое
ожидание, 3) дисперсии их равномерно
ограничены. Первое требование
выполняется, если результат каждого
измерения не зависит от результатов
остальных. Второе требование выполняется,
если измерения произведены без
систематических (одного знака) ошибок.
В этом случае математические ожидания
всех случайных величин одинаковы и
равны истинному размеру а. Третье
требование выполняется, если прибор
обеспечивает определенную точность
измерений. Хотя при этом результаты
отдельных измерений различны, но
рассеяние их ограничено. Если все
указанные требования выполнены, мы
вправе применить к результатам измерений
теорему Чебышева: при достаточно большом
п
вероятность неравенства
как
угодно близка к единице. Другими словами,
при
достаточно большом числе измерений
почти достоверно, что их среднее
арифметическое как угодно мало отличается
от истинного значения измеряемой
величины.Итак,
теорема Чебышева указывает условия,
при которых описанный способ измерения
может быть применен. Однако ошибочно
думать, что, увеличивая число измерений,
можно достичь сколь угодно большой
точности. Дело в том, что сам прибор
дает показания лишь с точностью +-
α
; поэтому каждый из результатов
измерений, а следовательно, и их
среднее арифметическое будут получены
лишь с точностью, не превышающей точности
прибора.На теореме Чебышева основан
широко применяемый в статистике
выборочный метод, ( по сравнительно
небольшой случайной выборке судят о
всей совокупности исследуемых объектов).
Для практики теорема Чебышева имеет
неоценимое значение.
Функция распределения случайной величины: необходимость её введения, определение; математическая запись; геометрическое толкование её понятия, второе название этой функции и её причина. Точное понятие непрерывной случайной величины.
Вспомним, что дискретная случайная величина может быть задана перечнем всех ее возможных значений и их вероятностей.Такой способ задания не является общим: он неприменим, например, для непрерывных случайных величин.
Действительно, рассмотрим случайную величину X, возможные значения которой сплошь заполняют интервал (а,b). Можно ли составить перечень всех возможных значений X? Этот пример указывает на целесообразность дать общий способ задания любых св. С этой целью и вводят понятие функции распределения вероятностей случайной величины.
Пусть х — действительное число. Вероятность события, состоящего в том. что Х примет значение, меньшее х. т. е.
Функцией
распределения называют функцию F
(х),
определяющую вероятность того, что
случайная величина Х
в
результате испытания примет значение,
меньшее х,
т. е.
Геометрически
это равенство можно истолковать так:
F
(х)
есть вероятность того, что случайная
величина примет значение, которое
изображается на числовой оси точкой,
лежащей левее точки х.
«функция распределения= «интегральная
функция». Теперь можно дать более точное
определение непрерывной св: св
называют непрерывной,
если ее функция распределения есть
непрерывная, кусочно-дифференцируемая
функция с непрерывной производной.
Первое и второе свойства функции распределения случайной величины – словесная формулировка, математическая запись, доказательство, 2 следствия для второго свойства и их доказательство. Способы задания функции распределения.
Свойство
1. Значения
функции распределения принадлежат
отрезку
[a,
b]:
Доказательство. Свойство вытекает из
определения функции распределения
как вероятности: вероятность всегда
есть неотрицательное число, не превышающее
единицы. Свойство
2. F
(х) —неубывающая функция, т. е.
О
тсюда
и
ли
Так как любая вероятность есть число неотрицательное, точто и требовалось доказать.
Следствие
1. Вероятность
того, что случайная величина примет
значение, заключенное в интервале (а,
b),
равна приращению функции распределения
на этом интервале:
Это
важное следствие вытекает из формулы
(*), если
Пример. Случайная величина Х задана функцией распределения
Найти
вероятность того, что в результате
испытания Х
примет значение. принадлежащее
интервалу (0. 2):
Решение.
Так как на интервале (0, 2), по условию,
то
Итак,
Следствие 2. Вероятность того, что непрерывная случайная величина Х примет одно определенное значение, равна нулю.
Используя это положение, легко убедиться в справедливости равенств
Таким
образом, имеет смысл рассматривать
вероятность попадания ее в интервал,
пусть даже сколь угодно малый. Например,
интересуются вероятностью того, что
размеры деталей не выходят за дозволенные
границы, но не ставят вопроса о вероятности
их совпадения с проектным размером.
Заметим,
что было бы неправильным думать, что
равенство нулю вероятности
означает, что событие
невозможно (если, конечно, не ограничиваться
классическим определением вероятности).
Действительно, в результате испытания
случайная величина обязательно примет
одно из возможных значений, в частности,
это значение может оказаться равным
.
Третье свойство функции распределения случайной величины: словесная формулировка, математическая запись, следствие и его доказательство. График функции распределения для дискретной, непрерывной и кусочно-непрерывной случайных функций, его основные свойства.
Свойство
3. Если возможные значения случайной
величины «x»
принадлежат
интервалу
,
то: 1)
при
; 2)
при
.
довательно,
вероятность его равна единице.
Следствие.
Если возможные значения непрерывной
случайной величины расположены на всей
оси «х», то справедливы следующие
предельные соотношения:
График
функции распределения
График расположен в полосе, ограниченной прямыми у=0, у=1 (первое свойство).При возрастании «x» в интервале (a, b), в котором заключены все возможные значения случайной величины, график «подымается вверх» (второе свойство). График функции распределения непрерывной случайной величины изображен на рис 1.
При
ординаты
графика равны нулю; при
ординаты
графика равны единице (третье свойство).
Замечание. График функции распределения
дискретной случайной величины имеет
ступенчатый вид. Убедимся в этом на
примере. Пример. Дискретная случайная
величина Х
задана таблицей распределения
Найти
функцию распределения и начертить ее
график.
верно,
следовательно, его вероятность равна
единице. Итак, функция распределения
аналитически может быть записана
так:
График
этой функции приведен на рис. 3.
Функция распределения может быть задана в табличном, графическом или аналитическом виде.
В
соответствии с определением функции
распределения ,а также 3-го свойства
функции распределения, а именно, «если
возможные значения случайной величины
«x»
принадлежат
интервалу
,
то
при
»,
то для дискретной случайной величины
Х можно записать:
(****)
Пример.Закон распределения случайной величины Х в табличной форме
-
1
2
3
4
5
6
7
0,053
0,083
0,113
0,143
0,173
0,203
0,23
Представить функцию распределения дсв Х в табличной и графической форме представления.
Решение.
Подставляя в формулу (****) значения
вероятностей
из таблицы 3.1 получим для всех возможных
значений случайной величины Х значения
функции распределения
,
которые оформим в виде таблицы 3.2.
Табличная форма функции распределения дискретной случайной величины Х
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
|
0,053 |
0,136 |
0,249 |
0,392 |
0,565 |
0,768 |
1 |
Графическая форма представления функции распределения дискретной случайной величины Х, на основании результатов, представленных в таблице 3.2, изображена на Рис. 4.
В конечном итоге при текущих значениях х>7 получили, что функция распределения будет равна:F(X) = Р(Х> 7) = Р1+Р2+Р3 +Р4 + Р5 +Р6+Р7 = 1. (рисунок ступеньками - выше)