- •Раздел VIII. Теория вероятностей
- •Глава 21. Случайные события
- •21.1. Понятие события
- •21.2. Классическое определение вероятности
- •21.3. Элементы комбинаторики
- •21.4. Геометрическая и статистическая вероятности
- •21.5. Теоремы умножения вероятностей
- •21.6. Вероятность появления хотя бы одного события
- •21.7. Теорема сложения вероятностей
- •21.8. Формула полной вероятности
- •21.9. Формула Байеса (Бейеса)
- •21.10. Повторение испытаний. Формула Бернулли
- •21.11. Локальная теорема Лапласа. Формула Пуассона
- •Формула Пуассона
- •21.12. Интегральная теорема Лапласа
- •Глава 22. Случайные величины
- •22.1. Понятие случайной величины. Закон распределения дискретной случайной величины
- •22.2. Биноминальное, геометрическое и гипергеометрическое распределения Биноминальное распределение
- •Геометрическое распределение
- •Гипергеометрическое распределение
- •22.3. Распределение Пуассона. Простейший поток событий
- •Простейший поток событий
- •22.4. Математическое ожидание дискретной случайной величины и его свойства
- •Вероятностный смысл математического ожидания
- •Свойства м(х)
- •22.5. Дисперсия случайной дискретной величины и ее свойства
- •Свойства дисперсии
- •22.6. Среднее квадратичное отклонение. Начальные и центральные теоретические моменты
- •Начальные и центральные теоретические моменты
- •22.7. Функция распределения вероятностей случайной величины
- •Свойства f(X)
- •22.8. Плотность распределения вероятностей непрерывной случайной величины
- •Свойства f(X)
- •22.9. Числовые характеристики непрерывных случайных величин
- •22.10. Закон равномерного распределения
- •22.11 Нормальное распределение
- •Вероятность попадания в заданный интервал
- •Вычисление вероятности заданного отклонения
- •22.12. Показательное распределение
- •Показательный закон надежности
- •Функция надежности
- •22.13. Закон больших чисел. Лемма Маркова
- •Лемма Маркова (лемма Чебышева)
- •22.14. Неравенство и теорема Чебышева
- •22.15. Теорема Бернулли
- •22.16. Функция одного случайного аргумента и ее распределение
- •Математическое ожидание функции одного случайного аргумента
- •22.17. Закон распределения вероятностей и функция распределения двумерных случайных величин
- •Закон распределения вероятностей дискретной двумерной величины
- •Функции распределения двумерной случайной величины
- •22.18. Вероятность попадания случайной величины в полуполосу и прямоугольник
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Вариационный ряд
- •23.2. Точечные оценки
- •Основные точечные оценки
- •23.3 Интервальные оценки для генеральной средней
- •Интервальные оценки для генеральной средней с известным s
- •Интервальная оценка для генеральной средней с неизвестным s
- •23.4. Интервальные оценки для генеральной дисперсии, среднего квадратического отклонения и генеральной доли
- •Интервальная оценка для генеральной доли
- •Глава 24. Статистическая проверка статистических гипотез
- •24.1. Статистическая проверка статистических гипотез
- •Проверка гипотезы о равенстве двух дисперсий нормальных генеральных совокупностей
- •24.3. Сравнение двух средних нормальных генеральных совокупностей с известными дисперсиями
- •. Сравнение двух средних нормальных генеральных совокупностей с неизвестными дисперсиями
- •24.5. Проверка гипотезы о нормальном законе распределения
- •Глава 25. Элементы теории корреляции.
- •25.1. Понятие корреляционной зависимости
- •25.2 Отыскание параметров выборочного уравнения регрессии по несгруппированным данным
- •25.3. Отыскание параметров выборочного уравнения прямой линии регрессии по сгруппирированным данным Корреляционная таблица
22.8. Плотность распределения вероятностей непрерывной случайной величины
Непрерывную случайную величину можно задать функцией распределения, однако можно использовать и плотностью распределения.
Плотностью распределениявероятностей непрерывной случайной величиныХназывают производную от функции распределения:
Для описания распределения вероятностей дискретной случайной величины плотность распределения неприменима.
Теорема.Вероятность того, что непрерывная случайная величинаХпримет значение, принадлежащее интервалу (a,b), равно, т.е.Р(a<Х<b) =.
Доказательство:
Если известна функция распределения, то Р(a X b) = F(b) – F(a). По формуле Ньютона-Лейбница:F(b) – F(a) = =,а Р(a X b) = Р(a < X < b).
Пример.Дана плотность вероятности:
.
Найти вероятность того, что в результате испытания Хпримет значение(0,5; 1).
Р(0,5 < X < 1) = =0,75.
Функцию распределения можно найти по плотности распределения: F(x)=.Действительно,F(x) = P(X<x) илиF(x) = P(–< X< x), тогда .
По известной функции распределения можно найти плотность: .
Пример. НайтиF(x), если.
Если x a,f(x) = 0, то, если: .Если, то.
Свойства f(X)
1 . f(x)0, т.к. F(x) – неубывающая функция, поэтому,0.
2. =1. Этот интеграл выражает вероятность события, состоящего в том, что случайная величина примет значение (–;) – достоверное событие, поэтомур = 1.
Вероятностный смысл , тогда:
– вероятность того, что случайная величина примет значение.
22.9. Числовые характеристики непрерывных случайных величин
Распространим определение числовых характеристик дискретных случайных величин на величины непрерывные.
Математическое ожидание М(x). ПустьХзадана плотностью распределенияf(x). Допустим, что все возможные значенияХ [a,b]. Разобьем его наnотрезкови выберем на каждом произвольную точку
Тогда . Переходя к пределу, получим:. Если возможные значения случайной величины принадлежатR, то, предполагаем, что этот интеграл сходится.
Дисперсия дискретной случайной величины: Поступим аналогично:. ЕслиХ (–;), то. Более удобная формула:.
Аналогично: – среднее квадратическое отклонение непрерывной случайной величины. СвойстваМ(X) иD(X) сохраняются для непрерывных случайных величин.
22.10. Закон равномерного распределения
При решении практических задач приходиться сталкиваться с различными распределениями непрерывных случайных величин. Плотности распределения непрерывных случайных величин называют также законами распределений. Часто встречаются законы равномерного, нормального и показательного распределений.
Рассмотрим равномерное распределение. Распределение вероятностей называется равномерным, если на интервале, которому принадлежат все возможные значения случайных величин, плотность распределения постоянная.
Пример. Шкала измерительного прибора. Ошибка при округлении отсчета – случайная величина Х, которая можно принимать с постоянной плотностью вероятности любое значение между двумя соседними целыми значениями, т.е.Химеет равномерное распределение.
Найдем f(x) считая, что все возможные значения случайной величины заключены в интервале (a,b).Хпринимает все значения(a,b), поэтомуf(x) = 0 приx < aиx > b. Значениеf =const= с найдем из условия нормировки:=1,,.
, функция распределения:.