- •Кафедра информатики и прикладной математики математика
- •Часть 2
- •Теория вероятностей и элементы математической статистики учебно - методический комплекс
- •Санкт-Петербург
- •Информация о дисциплине
- •1.1. Предисловие
- •Содержание дисциплины и виды учебной работы Объем дисциплины и виды учебной работы
- •Перечень видов практических занятий и контроля:
- •2. Рабочие учебные материалы
- •2.1. Рабочая программа (объем 150 часов) Введение
- •Раздел 1. Случайные события (50 часов)
- •Раздел 2. Случайные величины ( 60 часов)
- •Раздел 3. Элементы математической статистики (40 часов)
- •2.2. Тематический план занятий Тематический план дисциплины
- •Тематический план дисциплины для студентов очно-заочной формы обучения
- •Тематический план дисциплины для студентов заочной формы обучения
- •2.3. Структурно-логическая схема дисциплины Математика ч.2. Теория вероятностей и элементы математической статистики Теория
- •Раздел 1 Случайные события Раздел 3 Элементы математической Статистики
- •Раздел 2 Случайные величины
- •2.4. Временной график изучения дисциплины
- •2.5. Практический блок Практические занятия (очно-заочная форма обучения)
- •Практические занятия (заочная формы обучения)
- •Практические занятия (очная форма обучения)
- •Лабораторные работы (очно-заочная форма обучения)
- •Лабораторные работы (очная форма обучения)
- •Лабораторные работы (заочная форма обучения)
- •2.6. Бально-рейтинговая система
- •Информационные ресурсы дисциплины
- •Библиографический список Основной:
- •3.2. Опорный конспект по курсу “ Математика ч.2. Теория вероятностей и элементы математической статистики” введение
- •Раздел 1. Случайные события
- •1.1. Понятие случайного события
- •1.1.1. Сведения из теории множеств
- •1.1.2. Пространство элементарных событий
- •1.1.3. Классификация событий
- •1.1.4. Сумма и произведение событий
- •1.2. Вероятности случайных событий.
- •1.2.1. Относительная частота события, аксиомы теории вероятностей. Классическое определение вероятности
- •1.2.2. Геометрическое определение вероятности
- •Вычисление вероятности события через элементы комбинаторного анализа
- •1.2.4. Свойства вероятностей событий
- •1.2.5. Независимые события
- •1.2.6. Расчет вероятности безотказной работы прибора
- •Формулы для вычисления вероятности событий
- •1.3.1. Последовательность независимых испытаний (схема Бернулли)
- •1.3.2. Условная вероятность события
- •Вероятность произведения событий
- •1.3.4. Формула полной вероятности и формула Байеса
- •Раздел 2. Случайные величины
- •2.1. Описание случайных величин
- •2.1.1. Определение и способы задания случайной величины Одним из основных понятий теории вероятности является понятие случайной величины. Рассмотрим некоторые примеры случайных величин:
- •2.1.2. Дискретные случайные величины
- •Рассмотрим события Ai , содержащие все элементарные события , приводящие к значению XI:
- •Пусть pi обозначает вероятность события Ai :
- •2.1.3. Непрерывные случайные величины
- •2.1.4. Функция распределения и ее свойства
- •2.1.5. Плотность распределения вероятности и ее свойства
- •2.2. Числовые характеристики случайных величин
- •2.2.1. Математическое ожидание случайной величины
- •2.2.2. Дисперсия случайной величины
- •2.2.3. Нормальное распределение случайной величины
- •2.2.4. Биномиальное распределение
- •2.2.5. Распределение Пуассона
- •Раздел 3. Элементы математической статистики
- •3.1. Основные определения
- •Систематизация выборки
- •Гистограмма
- •3.3. Точечные оценки параметров распределения
- •Основные понятия
- •Точечные оценки математического ожидания и дисперсии
- •3.4. Интервальные- оценки
- •Понятие интервальной оценки
- •Построение интервальных оценок
- •Основные статистические распределения
- •Интервальные оценки математического ожидания нормального распределения
- •Интервальная оценка дисперсии нормального распределения
- •4. Методические указания к выполнению лабораторных работ
- •Выполнение лабораторных работ в ms Excel
- •Лабораторная работа 1 статистическое оценивание параметров распределения
- •Порядок выполнения лабораторной работы
- •Лабораторная работа 2 проверка гипотезы о законе распределения. Критерий пирсона
- •Понятие статистической гипотезы о виде распределения
- •Порядок выполнения лабораторной работы
- •Ячейка Значение Ячейка Значение
- •5. Методические указания к выполнению контрольной работы Задание на контрольную работу
- •Методические указания к выполнению контрольной работы События и их вероятности
- •Случайные величины
- •Среднее квадратическое отклонение
- •Элементы математической статистики
- •6. Блок контроля освоения дисциплины Репетиционные вопросы Тест № 1
- •Вопрос 10
- •Вопрос 14
- •Вопрос 15
- •Вопрос 16
- •Вопрос 17
- •Вопрос 18
- •Вопрос 19
- •Вопрос 20
- •Тест № 2
- •Вопрос 1
- •Вопрос 7
- •Вопросы для экзамена по курсу «Теория вероятностей и элементы математической статистики»
- •Глоссарий
- •Продолжение таблицы в
- •Окончание таблицы в
- •Равномерно распределенные случайные числа
- •Содержание
- •Раздел 1. Случайные события………………………………………. 18
- •Раздел 2 . Случайные величины ..………………………… ….. 42
- •Раздел 3. Элементы математической статистики ............... 65
- •4. Методические указания к выполнению лабораторных
- •5. Методические указания к выполнению контрольной
Основные статистические распределения
Построение разного рода оценок и статистических критериев часто основывается на использовании ряда специальных распределений случайных величин.
Нормальное распределение. Случайная величина имеет нормальное распределение с параметрами и , что обозначается как , если плотность вероятности этой случайной величины имеет вид
. (3 .25)
График плотности вероятности случайной величины, имеющей нормальное распределение, представлен на рисунке 3.5, на котором видно, что максимум функции находится в точке .
Поскольку нормальное распределение подробно изучается в курсе теории вероятностей, напомним свойства нормальной случайной величины, которые будут использоваться в дальнейшем.
Р ис. 3.5
1) , .
2) Случайная величина называется центрированной, если ее математическое ожидание равно нулю. Для того чтобы центрировать случайную величину, надо вычесть из нее математическое ожидание:
.
Случайная величина называется нормированной, если ее дисперсия равна единице, а математическое ожидание равно нулю.
Для того чтобы нормировать случайную величину, надо ее поделить на среднее квадратическое отклонение:
.
Центрированная и нормированная нормальная случайная величина называется стандартной. Таким образом, стандартной будет случайная величина
~ . (3.26)
Вероятность попадания случайной величины в интервал (α,β) вычисляется по формуле
, (3.27)
где - интеграл вероятности, представляющий собой функцию распределения стандартной нормально распределенной случайной величины. Интеграл вероятности табулирован. Его значения приведены в таблице В Приложения.
Для стандартной нормальной случайной величины и симметричного промежутка формула (3.27) принимает следующий вид:
. (3.28)
Распределение (хи-квадрат). Если , независимые стандартные нормальные случайные величины, то говорят, что случайная величина
(3.29)
имеет распределение хи-квадрат с степенями свободы, что обозначается как . Графики плотности вероятности для двух значений степени свободы приведены на рис.3.6.
Рис. 3.6
С увеличением числа степеней свободы плотность вероятности стремится к нормальной. При плотность вероятности постоянно убывает, а при имеет единственный максимум , , .
Распределение Стьюдента. Пусть , , , - независимые стандартные нормальные случайные величины. Тогда случайная величина
(3.30)
имеет распределение Стьюдента с степенями свободы, что обозначается как , при этом
, .
На рис.3.7 приведены кривые стандартного нормального распределения (кривая 1) и плотности распределения Стьюдента (кривая 2).
Р ис. 3.7
При плотность распределения Стьюдента стремится к плотности стандартной нормальной случайной величины.
На практике, как правило, используется не плотность вероятности, а квантиль распределения. Напомним, что квантилью порядка (или уровня) непрерывной случайной величины называется такое ее значение , которое удовлетворяет равенству ,
где - функция распределения, а - заданное значение вероятности. Рис.3.8 поясняет понятие квантили порядка .
Р ис. 3.8
Следующая теорема устанавливает свойства основных выборочных характеристик, вычисленных по выборке, соответствующих нормальному распределению.
Теорема Фишера. Пусть - случайная выборка из генеральной совокупности , тогда выборочное среднее и несмещенная выборочная дисперсия независимы, и при этом
1) случайная величина имеет распределение ;
2) случайная величина имеет распределение ;
3) случайная величина имеет распределение .
Доказательство теоремы приведено в [2].