- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
2.1 Числовые характеристики случайных величин
Случайная величина полностью определяется своей функцией распределения (или плотностью, если она существует). Однако, чтобы эту функцию найти, требуется иметь не только большой объем статистических данных, но и быть уверенным в том, что они отражают все существенные свойства случайной величины. К сожалению, это бывает редко, а во многих случаях в этом нет необходимости. Достаточно бывает проанализировать часть свойств случайной величины.
Рассмотрим некоторые типичные плотности, и определим по ним числовые характеристики, знание которых поможет получить информацию о случайной величине, без знания вида самой плотности.
Рис. 13
Из графиков плотностей (рис. 13, 14) видно, что желательно знать абсциссу центра тяжести х0, сгруппированность большей части площади около центра1,2, асимметричность3, крутость4, число максимумовх1,х2, вероятность максимального значения плотностих0(рис.13),х1, и другие.
Рис. 14
Знание хотя бы части этих характеристик позволяет достичь желаемой цели без знания плотности. Наконец, при исследовании какой-либо проблемы, мы начинаем ее изучение с общих позиций, оцениваем ее в среднем. Именно для изучения этих сторон, в первую очередь, и предназначены числовые характеристики случайных величин. Мы рассмотрим здесь лишь некоторые из них.
2.1.1 Математическое ожидание, мода, медиана
Пусть имеем произвольное вероятностное пространство (ℱ,Р), на котором определена случайная величина.
Определение.Математическим ожиданиемилисредним значениемслучайной величиныназывается числоМ, которое находится по формуле:
а) если случайная величина дискретна, то есть задана табл. 2,
Таблица 2
|
x1 |
x2 |
… |
xn |
… |
|
|
p |
p1 |
p2 |
… |
pn |
… |
(pi=1), |
iN, |
то
, (30)
и существует, при условии, что ряд в правой части (30) сходится;
б) если случайная величина непрерывна с плотностью(х), то
, (31)
и существует, при условии, что несобственный интеграл в правой части (31) сходится.
Математическое ожидание аналогично понятию средне-взвешенного и интерпретируется как абсцисса центра тяжести распределения массы на прямой.
Свойства.
Если =а –const, тоМа=а.
В самом деле, рассматривая акак дискретную случайную величину с законом распределения
Ра=1,Р а,
получаем по формуле (30):
М = 0Ра+аРа=а1=а.▼
Постоянную можно выносить за знак математического ожидания
М(а)=аМ.
В самом деле, если , например, непрерывная случайная величина, то
.▼
Для любых случайных величин ,
М(+) =М+М
Если случайные величины , независимы, то
М() =ММ.
В самом деле, если случайные величины независимы, то их совместная плотность, равна произведению плотностей случайных величин*, то есть
(х,у) =(х) (у),
тогда
= ММ.▼
Всегда .
В самом деле, имеем
. ▼
Пример. Найти математическое ожидание индикатора событияА .
Решение. По определениюI()=IA() =, тогда для любого
М(I()) =Р()1(1Р()).
Так как , тоМI(А)) =М(.
Таким образом, вероятность события А можно записать через математическое ожидание индикатора событияА.
Математическое ожидание случайной величины является важнейшей, среди ее «линейных характеристик». На практике, в качестве характеристик, дополняющих математическое ожидание, используютмодуимедиану [3].
Определение.МодойМ0дискретной случайной величиныназывается ее наивероятнейшее значениек0.
Модой непрерывной случайной величины называется любое из значенийх, в котором плотность имеет максимум.
Графическая интерпретация моды приведена на рис. 14.
Определение.Медианойнепрерывной случайной величиныназывается ее значениеМе, для которого
РМеРМе.
Рис. 15
На рис. 15 изображена плотность вероятности, где медиана есть абсцисса Ме =х, для которой
Можно определить медиану и для дискретной случайной величины, например, как среднее арифметическое наименьшего и наибольшего ее значений [1], однако обычно медиана используется при изучении непрерывных случайных величин.