- •Предмет теории вероятностей
- •Алгебра событий
- •Диаграммы Венна
- •Частота событий и ее свойства
- •Аксиоматическое определение вероятности
- •Независимость событий
- •Формулы для вычисления вероятностей
- •Формула полной вероятности
- •Формула Байеса (формула гипотез)
- •Формула Бернулли.
- •Случайные величины.
- •Функция распределения
- •Моменты случайных величин
- •Основные распределения вероятностей.
- •Биномиальное распределение.
- •Распределение Пуассона
- •Нормальное распределение
- •Нормированные величины
- •Случайные векторы Системы случайных величин
- •Условные законы распределения
- •Законы распределения функций случайных величин
- •Закон больших чисел. Неравенство Чебышева.
- •Теорема Чебышева
- •Центральная предельная теорема.
- •Формула Муавра-Лапласа
- •Случайные функции
Центральная предельная теорема.
- непрерывные случайные вектора
Они имеют произвольные, но одинаковые законы распределения.
Тогда при n->∞
к нормальному распределению.
Если случайные величины в последовательности независимы, одинаково распределены и имеют, то для любого действительного.
- чентральная предельная теорема.
Доказательство:
Используем аппарат характеристических функций:
Для характеристической функции случайной величины У:
- есть характеристическая функция нормированной нормальной величины, следовательно, закон распределения У0, а значит и У принеограниченно приближается к нормальному распределению.
У имеет приблизительно равные нормальные распределения (и тем точнее, чем больше n).
Примечание:
Доказанная центральная предельная теорема как это установил Ляпунов справедлива так же, когда случайные величины Х имеют произвольные и резные распределения вероятности. При этом требуется только чтобы Хкне доминировало в сумме над остальными. Эти и объясняется широкое распространение нормального распределения.
Формула Муавра-Лапласа
Пусть производится nнезависимых опытов в каждом из которых А наступит или не наступит.
Тогда по формуле Бернулли:
Обозначим через Хкчисло наступлений события А в к-ом опыте.
Y=X1+X2+…+Xn– общее число наступления события А вnопытах, а так как опыты независимы, то все Х независимы и имеют одинаковые распределения.
Поэтому согласно доказанной центральной предельной теоремы при достаточно больших nраспределениеYпримерно равно нормальному распределению.
При достаточно большом n:
(7)
Биномиальное распределение при больших nможет быть примерно заменено нормальным распределением с теми жеMиD.
Случайные функции
Случайной функцией X(t) называется функция, которая, при любом фиксированном значенииt, является случайной величиной, при этомtнеслучайная величина.
Далее t–время.
Пусть для исследуемой случайной функции проводится nопытов, в каждом опыте получают ту или иную заранее неизвестную определенную неслучайную функциональную зависимость, она называется реализацией случайных функций.
Если измеряется Uв сети 5 раз:
Априорные значения X(t1) – это случайная величина для случайной функцииX(t1) дляt1могут быть либо дискретными, либо непрерывными. Возможны различные сочитания дискретности и непрерывности.
непрерывный процесс
Х – непрерывная
t– дискретная
непрерывная последовательность
Х – дискретная
t– непрерывная
Дискретная последовательность