УМК по ТВ и МС
.pdfДоверительная область (12.10) определяет границы, за пределами которых могут оказаться не более 100α% точек независимой переменной при X = xp. Он шире доверительной области (12.9) для условного математического ожидания.
Анализ построенных доверительных областей (12.9), (12.10) позволяет сделать следующие выводы:
1. Прогноз значений зависимой переменной Y по уравнению регрессии оправдан, если значение xp объясняющей переменной X не выходит за диапазон ее значений по выборке, т.е. xmin < xp < xmax . Причем, чем ближе xp к x , тем уже доверительный интервал (точнее прогноз).
2. Использование регрессионной модели вне обследованного диапазона зна-
чений объясняющей переменной (даже если оно оправдано, исходя из смысла решаемой задачи) может привести к значительным погрешностям.
Пример 12.2. Для данных из примера 12.1 построить доверительные интервалы для коэффициентов регрессии для уровня значимости α = 0,05 и оценить их значимость.
Решение. Определим вначале
sε2 = n −1 2 ∑12i=1( yi − b0 − b1xi )2 =101 ∑12i=1e2 = 3510,249 = 3,525, т.е. sε = 1,714.
Отсюда стандартные ошибки коэффициентов регрессии:
sb |
= |
|
sε |
= |
1,714 |
|
=0,0386, |
∑12 |
|
|
|
||||
1 |
|
(xi − x)2 |
(107 −125,25)2 +... +(150 −125,25)2 |
||||
|
|
i=1 |
|
|
|
|
|
sb |
= |
x2 sb |
= |
15884,75 0,0386 = 4,8644 . |
|
|
|
0 |
|
1 |
|
|
|
|
|
Далее найдем tα/ 2 100% (n − 2) = t2,5% (10) = 2,228 . |
|
||||||
Тогда |
t2,5% |
(10) sb |
= 2,228 |
4,864 =10,837 , t0,025 |
(10) sb |
= 2,228 0,0386 = 0,086 . |
|
|
|
|
0 |
|
|
1 |
Отсюда доверительные интервалы для параметров β0, β1 при надежности оцен-
ки 1 − α = 0,95 равны: −7,414 < β0 < 14,260 и 0,850 < β1 < 1,022.
Т.к. 0 входит в доверительную область для коэффициента β0, то он является статистически не значимым.
Проверим теперь значимость коэффициентов регрессии по t−критерию: tb0 = 34,,864423 = 0,704 < 2,228 = t2,5% (10) , т.е. коэффициент β0, является статистиче-
ски не значимым;
tb1 = 00,,03869361 = 24,25 > 2,228 = t2,5% (10) , т.е. коэффициент β1, является статистиче-
ски значимым.
12.2.3. Оценка значимости уравнения регрессии
Проверить значимость уравнения регрессии – значит, установить, соответствует ли математическая модель, выражающая зависимость между пе-
161
ременными, экспериментальным данным и достаточно ли включенных в уравнение объясняющих переменных для описания зависимой переменной.
Проверка значимости уравнения регрессии производится на основе дисперсионного анализа.
Для оценки значимости в предположении нормальной однофакторной модели регрессии вида ϕ(x) проверяется гипотеза о равенстве коэффициентов b0, b1, … нулю, H0: b0 = b1 = … = 0, что эквивалентно гипотезе о равенстве нулю индекса корреляции, H0: Ryx = 0. Для проверки нулевой гипотезы используется
основное тождество дисперсионного анализа (10.2) о разбиении суммы квад-
ратов на слагаемые.
Общая сумма квадратов отклонений отклика (зависимой переменной)
Q = ∑n |
( yi − y)2 |
относительно его среднего значения y разлагается на сумму |
i=1 |
|
|
QX, характеризующую влияние фактора X, т.е. обусловленную регрессионной моделью ϕ(x) и остаточную сумму квадратов Qε, характеризующую влияние неучтенных факторов, т.е. обусловленную случайными ошибками относительно модели регрессии. Формальный вид разложения для однофакторной модели:
|
|
n |
|
|
n |
|
|
|
n |
|
|
|
|
|||
Q = ∑( yi |
− y)2 |
= ∑[ϕ(xi ) − y]2 + ∑[yi − ϕ(xi )]2 = QX + Qε . |
(12.11) |
|||||||||||||
|
i=1 |
|
|
i=1 |
|
|
i=1 |
|
|
|
|
|||||
Для проверки гипотезы об адекватности предлагаемой модели ϕ(x) исполь- |
||||||||||||||||
зуется F−отношение |
|
|
|
|
|
|
|
|
||||||||
|
|
1 |
|
∑n |
[ϕ(xi ) − y]2 |
n − l |
|
|
QX |
|
2 |
|
|
|||
|
|
|
l −1 |
|
|
|
|
|||||||||
F = |
|
|
i=1 |
|
|
= |
|
|
= |
sX |
|
(12.12) |
||||
|
1 |
|
|
|
|
l −1 |
|
Qη |
sε2 |
|||||||
|
|
∑n |
[yi − ϕ(xi )]2 |
|
|
|
|
|||||||||
|
|
n − l |
|
|
|
|||||||||||
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
с числом степеней свободы (l − 1, n − l), где l − число коэффициентов модели ϕ(x) (число связей). По величине F−отношения проверяется гипотеза H0. Когда коэффициенты bj отличны от нуля, F−отношение имеет тенденцию к возрастанию. При F > Fα100% (l −1, n − l) , значения коэффициентов bj отличаются от нуля и регрессионная зависимость значима на уровне значимости α.
Еще одним показателем качества является коэффициент детерминации
R2 = |
QX |
=1 − |
Qε |
, |
(12.13) |
Q |
|
||||
|
|
Q |
|
показывающий, какая часть (доля) вариации зависимой переменной обусловлена вариацией объясняющих переменных.
Чем ближе R2 к 1, тем лучше подобранная модель описывает анализируемую зависимость, тем выше ее информационная способность. Если R2 = 1, то эмпирические точки (xi, yi) лежат на линии регрессии и между переменными Y и X существует функциональная зависимость. Если R2 = 0, то вариация зависимой переменной полностью обусловлена воздействием неучтенных в модели переменных, и линия регрессии параллельна оси абсцисс.
162
Замечание 12.2. Коэффициент R2 имеет смысл рассматривать только при наличии в уравнении регрессии свободного члена b0, т.к. в противном случае не будет выполняться равенство (12.11), а, следовательно, и (12.13).
Если известен коэффициент детерминации, то критерий значимости (12.12) уравнения регрессии (или самого коэффициента R2) примет вид:
F = |
n − l |
|
R2 |
> F (l −1,n − l) . |
|
|
|||
|
l −1 |
|
1 − R2 |
α |
|
|
|
Предложение 12.2. В случае парной линейной регрессионной модели ко-
эффициент детерминации равен квадрату коэффициента корреляции, R2 = r2 . Доказательство. Действительно, учитывая (12.5), (12.6), имеем
|
|
|
|
|
|
Q |
|
|
|
|
|
n |
|
|
) |
|
− y) |
2 |
|
n |
|
2 |
(xi − x) |
2 |
|
b12 |
1 |
|
∑n |
(xi − x)2 |
|
||||||||||||
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
X |
|
|
|
∑= |
( yi |
|
|
∑= |
b1 |
|
|
|
|
|
n −1 |
|
i=1 |
|
|
|
|
|||||||||||||||||
|
R |
|
= |
|
|
|
|
|
= |
|
i 1 |
|
|
|
|
|
|
|
|
= |
i 1 |
|
|
|
|
|
= |
|
|
|
|
|
|
|
|
= |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
Q |
|
|
|
∑n |
( yi |
− y)2 |
|
∑n |
|
( yi − y)2 |
|
|
|
|
1 |
|
∑ |
n |
|
( yi − y) |
2 |
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
n −1 |
i=1 |
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
b2 s2 |
b s |
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
= |
1 |
|
x |
= |
1 |
|
|
|
= r 2 . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
sy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
sy |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
Пример 12.3. Для данных из примера 12.1 оценить значимость уравнения |
||||||||||||||||||||||||||||||||||||||||||
регрессии для уровня значимости α = 0,05. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
Спрогнозировать потребление при доходе xp = 160 у.е. и построить довери- |
||||||||||||||||||||||||||||||||||||||||||
тельный интервал для прогноза. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
Решение. Определим согласно (12.13) расчетное значение F−отношения: |
||||||||||||||||||||||||||||||||||||||||||
|
|
|
1 |
10 |
) |
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
∑ |
( yi − y) |
|
|
|
|
|
10 |
|
(103,58 −120,67) |
2 |
+K+ (143,83 |
−120,67) |
2 |
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||
F = |
|
2 −1 i=1 |
|
|
|
|
|
|
|
|
|
|
= |
|
|
=588,22. |
|||||||||||||||||||||||||||
|
|
1 |
10 |
|
|
|
|
) |
|
|
2 |
|
1 |
|
(102 −103,58)2 |
+L+ (144 −143,83)2 |
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
∑( yi − yi |
) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
12 − 2 i=1 |
|
|
|
|
|
|
|
|
Fα100% (l −1, n − l) = F5% (1,10) = 4,965 . Т.к. 588,22 > 4,965, |
|||||||||||||||||||||||||||||||||
Критическое значение |
то полученное уравнение регрессии значимо для α = 0,05.
Для прогнозирования подставим интересуемое нас значение объясняющей переменной в найденное уравнение регрессии:
y)(xp ) = b0 +b1xp = 3,423 + 0,9361 160 =153,199 .
Определим дисперсию |
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
1 |
|
(xp |
− x)2 |
|
|
|
|
|
|
|
1 |
|
|
2 |
|
2 |
|
|
|
|
|
|
|
|
|
||||||
syp |
= sε 1 |
+ |
|
+ |
|
|
|
|
= 3,525 |
1 |
+ |
|
|
|
|
+ |
|
n |
∑(xi − x) |
2 |
12 |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
+ |
|
|
|
|
(160 |
−125,25)2 |
|
|
|
|
|
|
= 4,071, |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
−125,25)2 |
+L+ (150 −125,25)2 |
|
|||||||||||||
|
(107 |
|
|
|
отсюда tα/ 2100% (n − 2) syp =t2,5% (10) 4,071 = 2,228 4,071 =9,070 .
163
В результате, доверительный интервал для прогнозов индивидуальных значений yp при xp = 160 равен: 144,13 < yp < 162,27. Видим, что, как и следовало ожидать, доверительный интервал получился слишком большим для достоверных прогнозов.
12.3. Общий случай регрессии
Выше мы рассмотрели парную линейную регрессию. Это самый простой частный случай. В общем случае задача регрессии может быть:
-множественной линейной при выборе многофакторной линейной модели за-
висимой переменной Y от нескольких объясняющих переменных
X= ( X1,K, X p ) ;
-нелинейной, если рассматривается одноили многофакторная нелинейная регрессионная модель.
12.3.1. Множественный линейный регрессионный анализ
Рассмотрим случай несгруппированных данных. Обозначим i-е наблюдение зависимой переменной yi, а объясняющих переменных xi1, xi2, …, xip. Тогда модель множественной линейной регрессии можно представить в виде:
yi =β0 +β1xi1 +β2 xi2 +K+βxip + εi = yx |
+ εi , i = 1, 2, …, n, |
(12.14) |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
где εi удовлетворяют предпосылкам 1°−5° регрессионного анализа. |
|
|||||||||||||||||
Введем обозначения: |
y =(y , y |
2 |
,..., y |
n |
)T |
− вектор-столбец значений зависи- |
||||||||||||
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
||
мой переменной размера n; β = (β |
0 |
,β ,...,β |
p |
)T − вектор-столбец параметров раз- |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
||
мера p+1; ε = (ε , ε |
2 |
,..., ε |
n |
)T |
− вектор-столбец случайных ошибок размера n; |
|||||||||||||
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
1 |
x |
|
x |
|
|
K |
x |
|
|
|
|
|
|
|
|
|
|
|
|
11 |
|
12 |
|
|
|
1 p |
|
|
|
|
|
|
|
|||
X = |
1 |
x21 |
|
x22 |
|
K x2 p |
|
|
|
|
|
|
||||||
K |
K |
|
K |
|
K |
K |
|
|
|
|
|
|
|
|||||
|
1 |
xn1 |
|
xn2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K xnp |
|
|
|
|
|
|
− матрица значений объясняющих переменных размера n×(p+1).
Тогда в матричной форме модель (12.14) примет вид: |
|
y = Xβ + ε. |
(12.15) |
Оценкой модели (12.15) по выборке данных является |
y = Xb + e, где |
b= (b0 ,b1,...,bp )T , e = (e1, e2 ,..., en )T . Для оценки вектора неизвестных параметров
βприменим МНК:
n
Qε = ∑( yxi
i=1
− yi )2 |
n |
|
= ∑ei2 = eT e = (y − Xb)T (y − Xb) → min . |
(12.16) |
i=1
Учитывая, что транспонирование произведения матриц равносильно произведению транспонированных матриц, т.е. (Xb)T = bTXT, получим
(y − Xb)T (y − Xb) = yT y − 2bT XT y + bT XT Xb .
164
Произведение yTXb есть матрица размера 1×1, т.е. скалярная величина, следовательно, оно не меняется при транспонировании: yTXb = (yTXb)T = bTXTy. Поэтому условие минимизации (12.16) примет вид:
Qε = yT y − 2bT XT y + bT XT Xb → min .
На основании необходимого условия экстремума функции нескольких переменных Qε = Qε (b0 ,b1,K,bp ) , представляющей (12.16), необходимо прирав-
нять нулю вектор частных производных
∂Q |
|
∂Q |
|
∂Q |
|
∂Q |
|
|
||
= |
, |
,..., |
. |
(12.17) |
||||||
∂b |
∂b |
∂b |
∂b |
|
||||||
|
|
|
|
|
|
|||||
|
|
0 |
|
1 |
|
|
p |
|
Предложение 12.3. Для вектора частных производных справедливы сле-
дующие формулы: |
∂ |
(bT c) = c, |
|
∂ |
(bT Ab) = 2Ab , где b и c – вектор-столбцы, |
|
|
||||
|
∂b |
|
∂b |
||
A – симметрическая матрица (симметричные относительно главной диагонали |
|||||
элементы равны). # |
|
|
|
||
Поэтому, полагая c = XTy, |
A = XTX, запишем (12.17) в виде |
|
∂Qε |
= −2XT y + 2XT Xb = 0 , |
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|||||
|
∂b |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
откуда получаем систему уравнений для определения вектора b: |
|||||||||||||||
XT Xb = XT y . |
|
|
|
|
|
|
|
|
|
|
|
|
(12.18) |
||
Найдем матрицы, входящие в систему (12.18): |
|
|
|
|
|||||||||||
|
|
1 |
1 |
K 1 |
1 |
x |
|
K x |
|
|
|
||||
|
|
x |
x |
|
K x |
|
|
1 |
x11 |
K x1p |
|
= |
|||
|
XT X = 11 |
|
|
21 |
|
n1 |
|
|
|
21 |
2 p |
||||
|
|
K K |
K K |
|
K K |
K K |
|
|
|||||||
|
|
x |
x |
2 p |
K x |
np |
|
1 |
x |
n1 |
K x |
np |
|
|
|
|
|
1p |
|
|
|
|
|
|
|
|
|
n |
|
∑xi1 |
K ∑xip |
|
|
|
|
|||||
|
|
∑xi1 |
|
2 |
|
|
|
|
|
|
|
|
|
= |
|
|
∑xi1 |
K ∑xi1xip |
, |
|
(12.19) |
||||||
|
K |
|
K |
K |
|
K |
|
|
|
||||
|
|
|
|
|
|
|
|||||||
|
∑xip |
∑xi1xip |
K ∑xip2 |
|
|
|
|||||||
|
1 |
1 |
K 1 y1 |
|
|
∑yi |
|
|
|||||
XT Y = |
x11 |
x21 |
K xn1 |
y |
2 |
|
|
∑yi xi1 |
|
(12.20) |
|||
|
|
|
|
|
|
= |
|
|
K |
. |
|||
|
K K K K |
K |
|
|
|
|
|||||||
|
|
|
x2 p |
|
|
|
|
|
|
|
|
|
|
|
x1 p |
K xnp yn |
|
∑yi xip |
|
В частном случае из системы (12.18) с учетом (12.19), (12.20) для одной объясняющей переменной (p = 1) нетрудно получить уже рассматривавшуюся систему нормальных уравнений (12.3) в матричном виде:
165
|
n |
∑xi |
b0 |
|
|
∑yi |
|
|
2 |
|
|
= |
. |
∑xi |
∑xi |
b1 |
|
∑yi xi |
Для решения системы (12.18) необходимо ввести еще одну предпосылку 6 для множественного регрессионного анализа: определитель матрицы XTX не должен равняться нулю. Решением системы (12.19) является вектор
b = (XT X)−1(XT y) .
Значимость множественной регрессии проверяется аналогично критерию (12.12) для одномерного случая. Отличие заключается в том, что число связей множественной регрессии l = p + 1 > 2.
12.3.2. Нелинейные модели регрессии
Многие экономические процессы не являются линейными по сути. Их моделирование линейными уравнениями не даст положительного результата. Так, например, нелинейными оказываются производственные функции (зависимости между объемом произведенной продукции и основными факторами производства), функции спроса (зависимость между спросом на товары или услуги и их ценами или доходом) и т.д. Примером нелинейной модели является производственная функция Кобба–Дугласа Y = AKαLβ, где Y – объем выпуска; K, L – затраты капитала и труда; α, β – параметры модели.
Различают два класса нелинейных регрессий:
1.Регрессии, нелинейные относительно объясняющих переменных, но линейные по оцениваемым параметрам.
2.Регрессии, нелинейные относительно оцениваемых параметров.
Для оценки параметров нелинейных моделей используются два подхода. Первый подход основан на линеаризации модели. Он заключается в том, что с помощью подходящих преобразований зависимой и объясняющих переменных исследуемую зависимость представляют в виде линейного соотношения между преобразованными переменными.
Второй подход применяется, если не удается подобрать соответствующее линеаризующее преобразование.
Нелинейные регрессионные модели и другие аспекты регрессионного анализа подробно рассматриваются в курсах «Статистика» и «Эконометрика».
166
ЗАДАЧИ ДЛЯ САМОСТОЯТЕЛЬНОЙ РАБОТЫ
1.Случайные события. Алгебра событий
1.1.Имеем событие A. Найти: 1) А + Ω; 2) А + ; 3) А + A; 4) А А; 5) АΩ; 6) А ;
7)A + A; 8) A A ; 9) A .
1.2.Доказать, используя графическое представление событий A и B в виде диа-
грамм Эйлера–Венна формулы де Моргана: A + B = A + B , A B = A + B .
1.3. Имеем |
события A, B. |
Верны или |
нет равенства: |
1) A B = B A; |
|
2) |
A A + B; |
3) A A + B ; |
4) A A B ; |
5) A B A ; |
6) A B A + B ; |
7) |
A + B A B . |
|
|
|
2.Классическое определение вероятности. Основные теоремы
2.1.В ящике имеется 4 белых и 7 черных шаров. Какова вероятность, что наудачу вынутый шар: а) окажется белым; б) окажется черным?
2.2.Брошены две монеты. Какова вероятность, что на обеих монетах выпадут гербы?
2.3.Из 10 билетов выигрышными являются 2. Определить вероятность того, что среди взятых наудачу 5 билетов: а) 1 выигрышный; б) 2 выигрышных; в) хотя бы 1 выигрышный?
2.4.Среди 22 сотрудников фирмы 10 менеджеров, 5 агентов по рекламе, 7 – по маркетингу. Какова вероятность, что среди наугад отобранных 15 сотрудников окажется 8 менеджеров, 2 агента по рекламе, 5 – по маркетингу?
2.5.На полке в кабинете в случайном порядке расставлены 12 учебников по математике, среди которых 7 по теории вероятностей. Студент берет наугад 4 учебника. Какова вероятность, что хотя бы 1 учебник окажется по теории вероятностей?
2.6.Вероятность попадания в мишень для первого спортсмена 0,75, а для второго – 0,85. Спортсмены независимо друг от друга сделали по одному выстрелу. Найти вероятность того, что в мишень попадет хотя бы один спортсмен?
2.7.На перевозку груза направлены четыре автомобиля. Вероятность нахождения каждой из машин в исправном состоянии равна 0,8. Найти вероятность того, что в работе участвует хотя бы один из выделенных для этого автомобилей.
167
2.8.Предприниматель решил вложить свои средства поровну в два контракта, каждый из которых принесет ему прибыль в размере 100%. Вероятность того, что любой из контрактов не «лопнет», равна 0,8. Какова вероятность того, что по истечении контрактов предприниматель, по меньшей мере, ничего не потеряет?
2.9.На склад 3/4 комплектующих элементов поступает с первого предприятия, на котором вероятность выпуска годной продукции равна 0.98 и 1/4 элементов
– со второго предприятия, на котором вероятность выпуска годной продукции равна 0.96. Какова вероятность того, что полученный со склада элемент окажется годным?
2.10.В группе из 10 студентов, пришедших на экзамен, 3 подготовлены отлично; 4 - хорошо; 2 - посредственно; 1 - плохо. В экзаменационных билетах имеется 20 вопросов. Отлично подготовленный студент может ответить на все 20 вопросов, хорошо подготовленный – на 16, посредственно – на 10, плохо – на 5.Вызванный наугад студент ответил на три произвольно заданных вопроса. Найти вероятность того, что этот студент подготовлен: а) отлично; б) плохо?
2.11.1/3 ламп производится на первом заводе, 1/4 – на втором, остальные – на третьем. Вероятности брака в продукции первого, второго и третьего заводов соответственно равны 0,2, 0,15 и 0,05. Найдите вероятность того, что бракованная лампа произведена; а) на первом заводе; б) на втором заводе; в) на третьем заводе.
3.Дискретные случайные величины
3.1.Вероятность покупки бракованного комплекта посуды равна 0,1. Найти вероятность того, что из 7 купленных комплектов 5 будет без брака.
3.2.Контрольный тест состоит из 4 вопросов. На каждый вопрос предлагается 4 варианта ответа, среди которых только один правильный. Найти вероятность правильного ответа на два, три и четыре вопроса теста для неподготовленного человека (выбор ответа наудачу).
3.3.Вероятность изготовления годного изделия равна 0.8. Найти вероятность того, что из 100 изготовленных изделий годными окажутся 75 шт.
3.4.30% изделий данного предприятия – это продукция высшего сорта. Некто приобрел 6 изделий, изготовленных на этом предприятии. Чему равна вероятность, что 4 из них – высшего сорта.
3.5. Пусть случайная величина ξ имеет биномиальное распределение. P(vn = k) = Ckpk(1−p)n−k, k = 0, 1, … , n. Определть ее дисперсию.
168
3.6.Вероятность поломки одного из пяти работающих независимо друг от друга станков равна 0,2. Если происходит поломка, станок до конца дня работает. Какова вероятность того, что: а) 2 станка сломаются в течение дня; б) не менее одного станка будут работать исправно?
3.7.В пачке из 10 накладных имеется 6 правильных. Наудачу отобраны 3 накладных. Составить закон распределения числа правильных накладных среди отобранных.
3.8.Закон распределения P(X = x) приведен в таблице. Требуется:
а) определить математическое ожидание M[X], дисперсию D[X] и среднее квадратическое отклонение σX случайной величины X;
б) построить график функции распределения.
X |
0 |
1 |
2 |
3 |
4 |
5 |
P |
0,16 |
0,35 |
0,31 |
0,12 |
0,03 |
0,03 |
|
|
|
|
|
|
|
3.9.В среднем на телефонной станции заказывают три телефонных разговора в течение пяти минут. Какова вероятность, что в течение пяти минут будет заказано разговоров: а) 0; б) 1; в) 2; г) 3; д) 4; е) больше четырех?
3.10.Завод получает сырье на автомашинах от трех независимо работающих поставщиков. Вероятность прибытия автомашины от первого поставщика равна 0,2, от второго – 0,3, от третьего – 0,1. Составить распределение числа прибывших машин. Найти математическое ожидание и дисперсию полученной случайной величины. Построить график функции распределения.
4.Непрерывные случайные величины
4.1. Найти математическое ожидание и дисперсию случайной величины ξ, заданной плотностью распределения pξ(x). Найдите интегральную функцию распределения, постройте графики pξ(x), Fξ(x).
0, |
|
x ≤ 0, |
||
|
|
|
||
pξ (x) = |
x |
|
, |
0 < x ≤ 4, |
|
||||
8 |
|
x > 4. |
||
0, |
|
4.2. Функция распределения случайной величины ξ имеет вид
|
0 |
npu |
x ≤ 0, |
|
|
|
3 |
npu |
0 < x ≤1, |
Fξ (x) = ax |
||||
|
1 |
|
npu |
x >1. |
|
|
Найдите значение коэффициента а и плотность распределения вероятностей.
169
4.3.Случайная величина ξ распределена по нормальному закону с М[ξ] = 10, D[ξ] = 4. Найти вероятность того, что случайная величина ξ попадет в интерва-
лы: а) (12; 14); б) (8; 12).
4.4.Случайная величина ξ распределена по нормальному закону с М[ξ] = 10.
Найти P(0 < ξ < 10), если известно, что P(10 < X <20 ) = 0,3.
4.5.При измерении детали возникают случайные ошибки, подчиненные нормальному закону со средним квадратическим отклонениемв 10 мм. Найти вероятность того, что измерение произведено с ошибкой, не превосходящей 15 мм.
4.6.Работа машины, расфасовывающей сахар, подчиняется правилам нормального распределения со стандартным отклонением σ = 20 гр. Машина может быть настроена на любой средний вес упаковки с точностью до грамма. В данном случае требуемый вес упаковки составляет 1000 гр.Упаковка сахара должна удовлетворять трем условиям:
-средний вес упаковки – не менее 1000 гр.;
-вес не более чем 2,5% упаковок, может быть меньше 975 гр.;
-вес не более чем одной из 10000 упаковок, может быть меньше 950гр.
На данный момент машина налажена на средний вес упаковки - 1010 гр. а) Какова доля упаковок, содержащих менее 975 гр?
б) Какова доля упаковок, содержащих менее 950 гр?
4.7. Найти вероятность попадания в интервал (а, b) случайной величины ξ, распределенной по показательному закону с параметром λ.
5.Многомерные случайные величины
5.1.Распределение вероятностей двумерной случайной величины (X, Y) задано таблицей. Найти законы распределения составляющих величин X, Y и коэффи-
циент корреляции ρ(X, Y).
X |
0,1 |
0,2 |
0,3 |
|
Y |
||||
|
|
|
||
6,7 |
0,15 |
0,1 |
0,02 |
|
14 |
0,06 |
0,25 |
0,08 |
|
26 |
0,01 |
0,03 |
0,3 |
5.2. Случайная величина Х имеет распределение, заданное таблицей.
Xi |
-2 |
0 |
4 |
5 |
pi |
0,1 |
0,4 |
0,3 |
0,2 |
170