- •Теория вероятностей и математическая статистика
- •Теория вероятностей и математическая статистика Программа курса
- •Случайные события
- •Классическое определение вероятности
- •Вероятность произведения событий
- •Вероятность суммы двух событий
- •Формула полной вероятности. Формула Байеса
- •Вероятность появления хотя бы одного из n независимых событий
- •Общая теорема сложения
- •Формула Бернулли
- •Формула Пуассона
- •Простейший поток событий
- •Случайные величины Закон распределения дискретной случайной величины
- •Математическое ожидание и дисперсия
- •Биномиальное распределение. Распределение Пуассона
- •Функция распределения и ее свойства Плотность распределения
- •Математическое ожидание и дисперсия непрерывной случайной величины
- •Нормальный закон распределения
- •Понятие о центральной предельной теореме Ляпунова Интегральная теорема Муавра-Лапласа
- •Элементы математической статистики Эмпирическая функция распределения
- •Генеральное и выборочное среднее Генеральная и выборочная дисперсии
- •Интервальные оценки параметров распределения Оценка неизвестного математического ожидания нормально распределенной с.В. При известном среднем квадратичном отклонении
- •Элементы теории корреляции Выборочное уравнение регрессии
- •Пример контрольной работы (дневное отделение)
- •Примеры контрольных тестов тест 1
- •1) Несовместные; 2) невозможные; 3) независимые равновозможные; 4) достоверные; 5)независимые
- •1) Нельзя определить; 2) 16 или 17; 3)18; 4) 15; 5) 16.5
- •43.4; 2) 1; 3) 12.04; 4) 5.6; 5) Данных недостаточно
- •1) 1; 2) 0; 3) Данных недостаточно; 4) 0.5; 5) 6
- •Равновозможные; 2) достоверные; 3) независимые; 4) несовместные;
- •5) Невозможные.
- •1) 1; 2) 0; 3) Данных недостаточно; 4) 2; 5) 0.5
- •1) 3; 2) 2.5; 3) 0.6; 4) 1; 5) Данных недостаточно
- •1) Данных недостаточно; 2) 1; 3) 0; 4) 0.5; 5) 17
- •1)Данных недостаточно; 2) 50; 3) 3; 4) 7; 5) 25
- •Литература
Нормальный закон распределения
Случайная величина называется распределенной по нормальному закону (нормальная с.в.), если ее дифференциальная функция распределения имеет следующий вид:
|
(29) |
Математическое ожидание и дисперсия нормальной случайной величины соответственно равны а и :
;
Величина называется средним квадратичным отклонением. Введем в рассмотрение функцию Лапласа:
|
(30) |
Известны следующие свойства функции Лапласа:
т.е. функция Лапласа является нечетной функцией;
если x1 < x2, т.е. функция Лапласа – монотонно возрастающая функция;
.
Значения функции Лапласа находят при помощи таблиц, причем при x > 5 (иногда и при x > 3) полагают .
Вероятность попадания нормального распределения с.в. в интервал от до вычисляется с помощью функции Лапласа по формуле
|
(31) |
Вероятность отклонения нормального распределения случайной величины от ее математического ожидания меньше чем на равна:
|
(32) |
Пример 26. Случайная величина распределена по нормальному закону. По результатам наблюдаемых значений: 35, 15, 5, 25, 5 – оценить параметр распределения a.
Решение. Параметр a нормального распределения имеет смысл математического ожидания, которое, в свою очередь, равно среднему значению случайной величины, следовательно,
Пример 27. Случайная величина имеет плотность вероятности
Вычислить:
Решение. Математическое ожидание случайной величины равно 3, среднее квадратичное отклонение равно 2, следовательно, дисперсия Тогда, пользуясь свойствами математического ожидания и дисперсии, получим
Понятие о центральной предельной теореме Ляпунова Интегральная теорема Муавра-Лапласа
Необходимость изучения нормально распределенных с.в. вытекает из следующей центральной предельной теоремы Ляпунова.
Если случайная величина Х представляет собой сумму достаточно большого числа независимых, одинаково распределенных случайных величин, причем влияние каждого из слагаемых на всю сумму мало, то закон распределения такой случайной величины близок к нормальному.
Пусть имеется некоторое случайное событие А, вероятность появления которого в каждом из независимых испытаний одинаково и равна р. Производится n независимых испытаний. Случайная величина Х – число появлений события А в n независимых испытаниях. Данная с.в. распределена по биноминальному закону и
M(X) = n р; D(X) = n р q,
где q = 1 – p = p( ). Если число испытаний велико, а вероятность наступления события А – р > 0, то на основании центральной предельной теоремы Ляпунова можно считать, что с.в. Х распределена по нормальному закону с параметрами а = n р, = n р q. Тогда, как следует из формулы (30), вероятность того, что в n независимых испытаниях событие А наступит не менее k1 и не более k2 раз может быть вычислено по формуле
|
(33) |
Последняя формула носит название интегральной теоремы Муавра-Лапласа. (Заметим, что в случае редких событий, т.е. для малых вероятностей, нужно пользоваться формулой Пуассона и распределением Пуассона, а при небольшом числе испытаний биноминальным распределением (14)).
Пример 28. В магазин приходит в день 1200 покупателей, каждый из которых с вероятностью p=0.6 покупает электрическую лампочку. Определить вероятность того, что будет куплено от 680 до 760 электрических лампочек.
Решение. Здесь р = 0.6, q = 0.4, n р = 1200 0.6 = 720, n р q = 720 0.4 = 288. Пусть X –число купленных лампочек. По интегральной теореме Муавра – Лапласа получаем