![](/user_photo/2706_HbeT2.jpg)
- •ПРЕДИСЛОВИЕ
- •ОСНОВНЫЕ ОБОЗНАЧЕНИЯ
- •1. КОМБИНАТОРИКА
- •2. ТЕОРИЯ ВЕРОЯТНОСТЕЙ
- •2.1. Классическое определение вероятности
- •2.2. Геометрические вероятности
- •2.3. Теоремы сложения и умножения вероятностей
- •2.4. Формула полной вероятности
- •2.5. Формулы Байеса
- •2.6. Повторные независимые испытания
- •2.6.1. Формула Бернулли
- •2.6.2. Обобщенная формула Бернулли
- •2.7. Простейший (пуассоновский) поток событий
- •2.8. Случайные величины. Функция распределения. Функция плотности вероятности. Числовые характеристики
- •2.8.1. Случайные величины
- •2.8.2. Функция распределения
- •2.8.3. Функция плотности вероятности
- •2.8.4. Числовые характеристики случайных величин
- •2.9. Нормальный закон распределения
- •2.10. Асимптотика схемы независимых испытаний
- •2.10.2. Формула Пуассона
- •2.11. Функции случайных величин
- •2.12. Функции нескольких случайных аргументов
- •2.12.1. Свертка
- •2.12.2. Распределение системы двух дискретных случайных величин
- •2.12.3. Распределение функции двух случайных величин
- •2.13. Центральная предельная теорема
- •2.14. Ковариация
- •2.14.1. Корреляционная зависимость
- •2.14.2. Линейная корреляция
- •2.15. Функциональные преобразования двухмерных случайных величин
- •2.16. Правило «трех сигм»
- •2.17. Производящие функции. Преобразование Лапласа. Характеристические функции
- •2.17.1. Производящие функции
- •2.17.2. Преобразование Лапласа
- •2.17.3. Характеристические функции
- •3. МАТЕМАТИЧЕСКАЯ СТАТИСТИКА
- •3.1. Точечные оценки
- •3.1.1. Свойства оценок
- •3.1.2. Оценки для математического ожидания и дисперсии
- •3.1.3. Метод наибольшего правдоподобия для оценки параметров распределений
- •3.1.4. Метод моментов
- •3.2. Доверительный интервал для вероятности события
- •3.3. Проверка гипотезы о равенстве вероятностей
- •3.4. Доверительный интервал для математического ожидания
- •3.4.1. Случай большой выборки
- •3.4.2. Случай малой выборки
- •3.5. Доверительный интервал для дисперсии
- •3.6. Проверка статистических гипотез
- •3.6.1. Основные понятия
- •3.6.2. Критерий согласия «хи-квадрат»
- •3.6.3. Проверка гипотезы о независимости двух случайных величин
- •3.6.4. Проверка параметрических гипотез
- •3.6.5. Проверка гипотезы о значении медианы
- •3.6.6. Проверка гипотезы о равенстве математических ожиданий
- •3.7. Регрессионный анализ. Оценки по методу наименьших квадратов
- •3.8. Статистические решающие функции
- •4. СЛУЧАЙНЫЕ ПРОЦЕССЫ
- •4.1 Стационарные случайные процессы
- •4.2. Преобразование случайных процессов динамическими системами
- •4.3. Процессы «гибели и рождения»
- •4.4. Метод фаз Эрланга
- •4.5. Марковские процессы с дискретным множеством состояний. Цепи Маркова
- •4.6. Марковские процессы с непрерывным временем и дискретным множеством состояний
- •4.7. Модели управления запасами
- •4.8. Полумарковские процессы
- •5. НЕКОТОРЫЕ ИНТЕРЕСНЫЕ ЗАДАЧИ
- •БИБЛИОГРАФИЧЕСКИЙ СПИСОК
- •ПРИЛОЖЕНИЯ
- •ОГЛАВЛЕНИЕ
![](/html/2706/141/html_Ff3kRTa2Do.6Gen/htmlconvd-i5xD1t156x1.jpg)
|
|
|
|
|
æ |
|
X |
|
|
|
|
|
Y |
|
|
ö |
|
|
|
|
||
|
|
2 |
|
2 |
|
|
|
|
|
|
|
|
|
|||||||||
I (t) = |
X |
|
+ Y |
|
ç |
|
|
|
cos wt + |
|
|
|
|
|
sin wt ÷ . |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
X 2 + Y 2 |
|
X 2 + Y 2 |
|
|
|
|||||||||||||||
|
|
|
|
|
è |
|
|
|
|
|
|
ø |
|
|
|
|
||||||
Тогда можно считать (см. рис. 2.15.2), что |
|
|
X |
|
= sin j, а |
|
Y |
|
= |
|||||||||||||
|
|
|
|
|
|
|
|
|||||||||||||||
X 2 + Y 2 |
X 2 + Y 2 |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= cos j, где j –– некоторый угол.
Рис. 2.15.2
Поэтому
I (t) = X 2 + Y 2 (sin j cos wt + cos jsin wt)
=X 2 + Y 2 sin(wt + j).
Величину Z = |
X 2 + Y 2 |
обычно трактуют как«амплитуду», а j |
считают «сдвигом по |
фазе». |
Найдите распределение случайного вектора |
(Z ,j). (См. пример 2.88. Величину w возьмите равной номеру варианта.)
2.16. Правило «трех сигм»
Пусть случайная величинаX имеет закон распределенияN (m;s2 ). Вероятность того, что эта случайная величина отклонится от своего математического ожидания не более, чем на три средних квадратических отклонения равна
P(| X – m |< 3s) = 2F(3s / s) = 2F(3)= 0,997 »1,
т.е. отклонения, большие 3s, имеют вероятность 0,003. Во многих приложениях такой вероятностью можно пренебречь и считать, что при единичном наблюдении нормально распределенной случайной величины
интервалом |
практически |
возможных |
|
значений |
является |
интервал |
|||
(m – 3s;m + 3s). Это утверждение обычно называют правилом «трех сигм». |
|||||||||
Заметим, что для любой случайной величины из неравенства Чебышева |
|||||||||
следует, что |
|
|
s2 |
|
|
|
|
|
|
|
P(| X - m |< 3s) ³1 - |
1 - |
1 |
» 0,9 . |
|
|
|||
|
= |
|
|
|
|
||||
|
9 |
|
|
||||||
|
|
|
(3s)2 |
|
|
|
|
Поэтому правилом «трех сигм» иногда пользуются не печалясь о том, что случайная величина вовсе не имеет нормального закона распределения.
156
![](/html/2706/141/html_Ff3kRTa2Do.6Gen/htmlconvd-i5xD1t157x1.jpg)
Замечание. Последние годы все чаще предпочитают брать не3s, а 3,9s. Тогда получается более «симпатичная» вероятность
|
P(| Х – m |< 3,9s) =2F(3,9s / s) =2F(3,9)= |
0,999 »1. |
|
||||
(Величина 0,999 впечатляет больше, нежели 0,997!) |
|
|
|
||||
Пример 2.89.1. |
Монета подброшена100 раз. Герб |
выпал 30 |
раз. |
||||
Можно ли считать, что монета было симметричной? |
|
|
|
||||
Решение. Подбрасывание монеты можно считать независимым опытом, |
|||||||
число которых n =100 . Число появлений события в большой серии опытов |
|||||||
имеет примерно нормальный закон распределения |
с параметрамиm = nр и |
||||||
s2 = nрq . |
Если монета |
симметрична, то р = 0,5 , |
q =1 – р = 0,5. |
Тогда |
|||
m =100 ×0,5 = 50 и s2 |
100= |
×0,5 ×0,5 = 25 , |
s = 5 . Поэтому для симметричной |
||||
монеты |
практически |
возможными |
значениями |
числа |
выпадений герба |
являются значения от 35 до 65. Число 30 к ним не принадлежит.
Ответ. При симметричной монете такой результат практически невозможен.
Пример 2.89.2. Некто утверждает, что он экстрасенс. Для проверки был проделан следующий опыт. Взято пять карточек с рисунками простейших геометрических фигур. Испытатель выбирает карточку наугад, а испытуемый, находясь в соседней комнате, пытается определить, руководствуясь сверхчувственным восприятием, какая карточка выбрана экспериментатором. Карточки перемешиваются. Затем опыт повторяется. Так проделали 100 раз. Оказалось, что в 28 случаях испытуемый правильно назвал карточку. Есть ли основания считать, что имело место сверхчувственное восприятие?
Решение. Естественно предположить, что 28 совпадений произошли случайно. Вероятность угадать нужную карточку равна1/5. Угадывание каждой карточки можно считать независимым опытом. Так как опытов много ( n =100 ), то число совпадений имеет близкий к нормальному закон
распределения |
с |
параметрамиm = nр =100 ×1 / 5 = 20 |
и |
s2 |
nр=q |
||
=100 ×1 / 5 × 4 / 5 =16. |
Тогда s = 4 |
,и согласно |
правилу «трех |
сигм», |
|||
практически возможно угадать от 20 – 3 × 4 = 8 до 20 + 3 × 4 = 32 |
раз. Число |
||||||
28 входит в интервал возможных значений при простом угадывании. |
|||||||
Следовательно, |
полученные |
опытные |
данные |
не |
подтверждают |
||
сверхчувственного восприятия. |
|
|
|
|
|
Замечание. Предположим, что экстрасенс все-таки настаивает на своем сверхчуственном восприятии. Серию опытов повторили. Совпадений
оказалось 31. В |
этом |
случае |
всего |
опытовn = 200 , np = 40 , |
|||
3s= |
|
»17. |
Интервал |
практически |
возможных |
значений: |
|
200 × 0, 2 ×0,8 |
|||||||
(23;57). Общее число совпадений равно 28 + 31 = 59. |
|
|
157
![](/html/2706/141/html_Ff3kRTa2Do.6Gen/htmlconvd-i5xD1t158x1.jpg)
Такое |
число |
совпадений |
при |
простом |
угадывании |
практически |
невозможно. Это может послужить поводом для |
тщательной проверки |
|||||
условий |
эксперимента (подавляющее |
большинство |
так |
называемых |
экстрасенсов –– откровенные жулики). Или следует настоять на лабораторном обследовании экстрасенса (от чего экстрасенсы всячески уклоняются, их стихия –– работа на публику).
Задача 2.89.1. Монета подброшена n раз. Герб выпал k раз. Можно ли считать, что монета было симметричной? (См. примеры 2.89.1 и 2.89.2 и исходные данные.)
Исходные данные к задаче 2.89.1.
№ |
n |
k |
№ |
n |
k |
№ |
n |
k |
№ |
n |
k |
№ |
n |
k |
1 |
144 |
95 |
7 |
144 |
55 |
13 |
144 |
86 |
19 |
144 |
53 |
25 |
324 |
145 |
2 |
256 |
100 |
8 |
256 |
105 |
14 |
256 |
150 |
20 |
256 |
145 |
26 |
400 |
175 |
3 |
324 |
132 |
9 |
324 |
180 |
15 |
324 |
140 |
21 |
324 |
182 |
27 |
484 |
272 |
4 |
400 |
232 |
10 |
400 |
175 |
16 |
400 |
228 |
22 |
400 |
180 |
28 |
900 |
401 |
5 |
484 |
210 |
11 |
484 |
270 |
17 |
484 |
212 |
23 |
144 |
56 |
29 |
400 |
168 |
6 |
900 |
402 |
12 |
900 |
491 |
18 |
900 |
489 |
24 |
256 |
110 |
30 |
256 |
112 |
Задача |
2.89.2. |
При |
изготовлении |
массовой |
продукци |
(шарикоподшипники, резисторы и т.д.) p% изделий оказываются высшего |
|
||||
сорта. Для текущего контроля за технологическим режимом время от |
|||||
времени отбирают наугадn изделий и проверяют. Среди проверенных |
|
||||
оказалось k |
изделий |
высшего |
сорта. Есть ли основания считать, что |
|
технологический режим разладился и требует вмешательства в него, или некоторое отклонение от ожидаемого результата можно объяснить случайностями выбора? Сохранятся ли ваши выводы, если при повторном обследовании n издений среди них оказалось k – 2 первосортных изделия?
(См. примеры 2.89.1, 2.89.2 и исходные данные; p –– в четных вариантах равно 90, в нечетных вариантах 80.)
Исходные данные к задаче 2.89.2.
№ |
n |
k |
№ |
n |
k |
№ |
n |
k |
№ |
n |
k |
№ |
n |
k |
1 |
100 |
72 |
7 |
100 |
69 |
13 |
144 |
105 |
19 |
144 |
104 |
25 |
144 |
105 |
2 |
144 |
121 |
8 |
144 |
124 |
14 |
100 |
84 |
20 |
100 |
80 |
26 |
100 |
85 |
3 |
121 |
83 |
9 |
121 |
86 |
15 |
121 |
85 |
21 |
121 |
84 |
27 |
196 |
141 |
4 |
100 |
82 |
10 |
100 |
83 |
16 |
144 |
123 |
22 |
144 |
126 |
28 |
144 |
127 |
5 |
144 |
102 |
11 |
144 |
100 |
17 |
100 |
71 |
23 |
100 |
73 |
29 |
196 |
139 |
6 |
121 |
98 |
12 |
121 |
103 |
18 |
121 |
100 |
24 |
121 |
100 |
30 |
144 |
127 |
158