02 АЗЭ Лекционный материал / лекция 12
.pdfческое определение вероятности как отношение числа случаев, при которых имеет место событие М, к общему числу случаев N.
Событием будем считать принятие случайной величиной определенного значения. Тогда М = 1, но общее число таких случаев даже в ограниченном интервале равно бесконечности, так как бесконечно велико число возможных значений. Поэтому N = ∞. Вероятность принятия случайной величиной опре-
деленного значения по формуле классической вероятности равна 1 0 , т. е.
бесконечно мала. В данном случае нулевое значение вероятности попадания в определенную точку связано не с невозможностью самого события (отсут-
ствие случаев, когда оно может произойти), а с бесконечно большим числом возможных случаев. Поэтому для непрерывных случайных величин опреде-
ляют вероятности попадания не в точку, а в некоторый интервал. Этот интер-
вал можно, однако, принять сколь угодно малым.
Следует напомнить, что точно измерить какую-либо величину практиче-
ски нельзя, поэтому измерение проводят в некотором интервале.
Для количественной оценки вероятностей как непрерывных, так и дис-
кретных случайных величин вводят функцию распределения F(х), которая,
по определению, равна вероятности того, что данная случайная величина η
(непрерывная или дискретная) попадает в интервал значений от ∞ до некото-
рого значения х, т. е. она меньше, чем х:
F(x) P( x ). |
(12.12) |
Из данного определения следует, что F( - ∞)=0 и F(+∞)=1.
Для определения функции распределения дискретной случайной величи-
ны можно использовать таблицы распределения, производя суммирование вероятностей слева направо.
Для непрерывных случайных величин функция распределения задается аналитически, если это возможно, или графически. Задание функции распре-
деления дает возможность вычислить вероятности попадания случайной ве-
личины в определенный интервал значений x1÷ x2. Если известны значения
F(x1) и F(x2) для случайной величины η, то искомая вероятность попадания в интервал
P(x1 x2 ) F(x2 ) F(x1 ) |
(12.13) |
т. е. для того, чтобы определить вероятность попадания непрерывной слу-
чайной величины η в интервал x1÷ x2 (где x1< x2), достаточно взять разность функции распределения при значениях x1 и x2.
Закон распределения вероятностей непрерывных случайных величин мо-
жет быть определен заданием не функции распределения, а плотности рас-
пределения вероятностей. Плотность распределения вероятностей φ(х) пред-
ставляет собой производную от функции распределения по значению слу-
чайной величины х: |
|
||
(х) |
dF (x) |
(12.14) |
|
dx |
|||
|
|
||
поэтому |
|
||
X |
|
||
F (x) (x)dx |
(12.15) |
||
|
|
Если плотность распределения вероятностей задана аналитически, то ве-
роятность попадания непрерывной случайной величины в какой-либо, интер-
вал x1 - x2 (x1< x2)
X1 |
X 2 |
|
P(x1 x2 ) F (x2 ) F (x1 ) |
(x)dx (x)dx |
(12.16) |
|
|
|
т. е. равна интегралу от плотности распределения вероятностей, взятому в пределах искомого интервала.
В энергетике находят широкое применение случайные величины со сле-
дующими распределениями вероятностей: равномерное, простейшее нор-
мальное, общее нормальное, биноминальное, по закону Пуассона. В прило-
жении-2 для них даны формулы функций, и плотности распределения веро-
ятностей, а также формулы, определяющие вероятность попадания случай-
ной величины в заданный интервал.
Нормальное распределение, как простейшее, так и общее, используется при определении вероятностей ошибок прогнозирования нагрузки потреби-
телей энергосистемы и отклонения нагрузки энергосистемы и отдельных ее узлов от средних значений и т. п.
Биноминальное распределение и распределение по закону Пуассона нахо-
дят применение при определении вероятностей различных значений аварий-
ных снижений мощности в энергосистеме и аварийного выхода различного числа агрегатов в группе однотипных и т. д.
Равномерное распределение служит основой метода статистических ис-
пытаний (метод Монте-Карло), Применяющегося при определении резерва мощности, отказа в срабатывании автоматики и т. п.
Из-за отсутствия соответствующих статистических материалов не всегда можно задать таблицы распределения вероятностей.
Для дискретных случайных величин или функции распределения и плот-
ности распределения вероятностей для непрерывных случайных величин.
Однако и не для всех практических задач требуется знать полные вероят-
ностные характеристики случайной величины. Во многих случаях достаточ-
но знать некоторые числовые характеристики случайных величин, характе-
ризующих их основные свойства. К числу основных характеристик относятся математическое ожидание, дисперсия, стандартное отклонение и моменты случайной величины.
Так как случайная величина может приобретать различные значения, то большую роль имеет ее среднее значение. Однако, если известна совокуп-
ность значений случайной величины, то простое среднее значение, опреде-
ляемое как сумма возможных значений, разделенная на их число, еще не ха-
рактеризует действительных условий. Ведь различные значения случайной величины могут иметь различные вероятности, и поэтому более вероятные значения будут чаще встречаться на практике и в большей мере определять истинное среднее значение случайной величины.
Поэтому для оценки среднего (в вероятностном смысле) значения случай-
ной величины вводится понятие математического ожидания, представляюще-
го собой действительно среднее значение случайной величины, определяемое
с учетом различных вероятностей отдельных значений. Математическое ожидание (в дальнейшем сокращенно м. о.) случайной величины η будем обозначать через М (η).
Определим м. о. для случайной дискретной величины. Пусть задана таб-
лица вероятностей различных значений случайной дискретной величины:
Таблица 1.
Значения случайных дискретных величин
Значение η |
х1 |
х2 |
х3 |
|
… |
|
|
|
|
|
|
Вероятность |
р1 |
р1 |
р1 |
|
|
|
|
|
|
|
|
Примем, что общее число испытаний составляет п, причем m1 |
раз получи- |
лась величина х1, m1 раз х2 и т. п.
Тогда м. о., представляющее собой действительное среднее значение
случайной величины, будет
M ( ) |
m1 x1 m2 x |
x1 p1 |
x2 p2 |
... |
(12.17) |
|||
|
|
|
|
|||||
|
|
n |
||||||
|
|
|
|
|
|
|
||
так как вероятность |
p |
m1 |
, и т. д. |
|
|
|
|
|
|
|
|
|
|
||||
|
1 |
n |
|
|
|
|
||
Таким образом, для дискретной случайной величины |
|
|||||||
|
|
M ( ) xk pk |
|
|
(12.18) |
|||
|
|
|
k |
|
|
|
|
причем суммирование происходит по всем значениям дискретной вели-
чины- хk, имеющей вероятность рk..
Для непрерывной случайной величины из аналогичных соображений
|
|
M ( ) x( )dx |
(12.19) |
где φ(х) — плотность вероятности.
В теории вероятностей доказывается ряд теорем, связанных с м. о., кото-
рые здесь приводятся без доказательств.
1. М. о. постоянной величины С равно этой величине, т. е.М(С) = С, так как вероятность постоянной величины равна единице.
2. М.о.произведения случайной величины на постоянную С равно произ-
ведению постоянной величины С на м. о. случайной величины:
M(Cη)=CM(η) (12.20) 3. М. о. суммы случайных величин равно сумме м. о. каждой из величин в
отдельности:
M(α+β)=M(α)+M(β). |
(12.21) |
4. М. о. произведения независимых случайных величин равно произве-
дению м. о. каждой из величин: |
|
M(αβ)=M(α)M(β). |
(12.22) |
Статистическое среднее, т. е. м. о. случайной величины, характеризует действительное среднее значение случайной величины, но этого недостаточ-
но для ее полной характеристики. Следует знать, насколько отклоняется слу-
чайная величина от своего м. о.
Если эти отклонения очень невелики, то м. о. достаточно хорошо пред-
ставляет случайную величину; если же отклонения очень велики, т. е. раз-
брос значений случайной величины или их рассеяние велико, то одно м. о.
уже не характеризует данную величину. Нельзя определять степень отклоне-
ния случайной величины от ее м. о. по среднему значению отклонения слу-
чайной величины от ее м. о., так как эта величина всегда равна нулю. Дей-
ствительно, так как функция М(η) постоянна.
(12.23)
Это объясняется тем, что м. о. является как бы центром всех значений случайной величины, и отклонения одного знака компенсируют отклонения другого знака.
Поэтому в качестве меры отклонений случайной величины от ее м. о.
принимают величину, равную м. о. квадрата отклонения случайной величины от ее м. о., которую называют дисперсией случайной величины т) и обозна-
чают через D(η).
По определению, дисперсия
D() M[ M ()]2 0 |
(12.24) |
Квадратный корень из величины дисперсий называется среднеквадра-
тичным, или стандартным отклонением случайной величины:
|
|
|
|
( ) |
D( ) M[ M ( ) M ( )]2 |
(12.25) |
|
Для дискретных случайных величин |
|
||
|
D( ) [xk M (x)]2 pk |
(12.26) |
где суммирование распространяется на все значения случайной величины
хk, имеющие соответствующую вероятность pk..
Для непрерывной случайной величины
D( ) [х М (x)2 (x)dx |
(12.27) |
В теории вероятностей доказывается ряд теорем о дисперсии случайных величин, которые здесь приводятся без доказательств.
1.Дисперсия постоянной величины С равна нулю:
D(C)=0 (12.28) 2.Дисперсия произведения постоянной величины С на случайную η рав-
на произведению квадрата постоянной величины С на дисперсию случайной величины η:
D(C ) С 2 D( ) |
(12.29) |
3.Дисперсия суммы постоянной С и случайной η величин равна дис- |
|
пепсии случайной величины: |
|
D(C+η)=D(η) |
(12.30) |
4.Дисперсия суммы независимых случайных величине ε и η равна сумме
дисперсий этих величин: |
|
D(ε+η)=D(ε)+D(η) |
(12.31) |
5. Дисперсия среднеарифметического от ряда п случайных величин с оди-
наковой дисперсией в п раз меньше дисперсии каждой из этих величин в от-
дельности:
1 2 |
) |
1 |
[D( 1 ) D( 2 ) D( )] |
D( i ) |
|
||
D( |
|
|
|
(12.32) |
|||
n |
n2 |
n |
|||||
|
|
|
|
В энергетике иногда представляет интерес определение не дисперсии
, т. е. квадрата среднеквадратичного отклонения от м.о., а момента вто-
рого порядка относительно некоторой величины С, т. е. м.о. квадрата откло-
нения случайной величины от данной неизменной величины С. Обозначим
такой момент через DC ( ) , тогда |
|
|
D ( ) M[( C)2 ] |
|
(12.33) |
C |
|
|
где М — символ м.о., а η — случайная величина. |
|
|
Выразим момент DC ( ) через дисперсию D( ) : |
|
|
D ( ) M[( C)2 ] M[( a) (C a)]2 |
где |
a M ( ) |
C |
|
|
тогда |
|
|
D ( ) M ( a)2 M (C a)2 2M ( a)(C a) |
(12.34) |
|
C |
|
|
Первый член равен дисперсии D(η), а третий — нулю, так как |
||
M[( a) (C a) (C a)[M ( ) a] 0 . |
|
|
Поэтому |
|
|
D ( ) D( ) M (C a)2 ] D( ) (C a)]2 |
|
(12.35) |
C
Определим, чему равно м.о. отклонения случайной величины η от вели-
чины С, т. е. среднее отклонение η от С. Очевидно,
M(η-C)=a-C
поэтому
M (а C)2 (a С)2 [M ( C)]2
Итак,
(12.36)
Из полученного соотношения следует, что, зная дисперсию D(η) и сред-
нее отклонение случайной величины от некоторой постоянной С, можно найти момент 2-го порядка относительно С,DC(η),т.е. м.о.квадрата средне-
квадратичного отклонения случайной величины от постоянной С.