- •Вероятность событий
- •1.1 Элементарные понятия теории вероятности.
- •1.2 Операции над случайными событиями
- •1.3 Вероятность случайного события
- •1.4 Формулы комбинаторики
- •1.5 Вероятность произведения событий
- •1.6 Вероятность суммы событий
- •1.7 Формула полной вероятности. Формула Байеса.
- •Независимые повторные испытания
- •2.1 Формула Бернулли
- •2.2 Наивероятнейшее число появлений успеха в n независимых испытаниях.
- •2.3 Обобщение формулы Бернулли
- •2.4 Формула Пуассона
- •2.5 Локальная теорема Лапласа.
- •2.6 Интегральная теорема Лапласа
- •2.7 Вероятность отклонения относительной частоты от вероятности события a
- •Дискретные случайные величины
- •3.1 Основные определения
- •3.1.1.Дискретная случайная величина
- •3.1.2 Функция дискретной случайной величины
- •3.2 Законы распределения случайной дискретной величины
- •3.2.1. Биномиальное распределение
- •3.2.2. Распределение Пуассона
- •3.2.3. Геометрическое распределение
- •3.2.4. Гипергеометрическое распределение
- •3.3 Числовые характеристики дискретной случайной величины.
- •3.3.1. Математическое ожидание дискретной случайной величины
- •3.3.2. Математическое ожидание функции дискретной случайной величины
- •3.3.3. Свойства математического ожидания
- •3.3.4. Дисперсия дискретной случайной величины
- •3.3.5. Основные свойства дисперсии
- •3.4 Другие числовые характеристики дискретной случайной величины
- •3.4.1 Среднеквадратическое отклонение
- •3.4.2. Моменты k-го порядка
- •3.4.3. Нормированная случайная величина
- •3.4.4. Функция распределения дискретной случайной величины.
- •3.4.5. Мода и медиана дискретной случайной величины
- •3.4.6. Ковариация и коэффициент корреляции
- •Непрерывные случайные величины.
- •4.1. Функция распределения и плотность вероятности непрерывной случайной величины
- •5.2. Функция непрерывной случайной величины
- •5.3. Основные характеристики непрерывной случайной величины
- •5.3.1. Математическое ожидание
- •5.3.2. Дисперсия
- •5.3.3. Мода и медиана
- •5.3.4. Моменты k-го порядка
- •5.3.5. Асимметрия и эксцесс.
- •5.3. Законы распределения непрерывной случайной величины
- •5.3.1. Равномерное распределение
- •5.3.2. Показательное распределение
- •5.3.3. Нормальное распределение
- •5. Закон больших чисел
- •5.1. Центральная предельная теорема
- •5.2. Неравенство и теорема Чебышева.
- •5.3. Теорема Бернулли (Закон больших чисел)
- •5.4. Эмпирическая оценка параметров случайной величины
- •Система двух случайных величин
- •6.1. Закон распределения дискретной двумерной случайной величины
- •6.2. Функция распределения двумерной случайной величины
- •6.3. Свойства функции распределения двумерной случайной величины
- •6.4. Функция плотности вероятности непрерывной двумерной случайной величины
- •6.5. Функция двумерной случайной величины
- •6.6. Условные законы распределения составляющих двумерной случайной величины
- •6.6.1. Условные законы распределения дискретной случайной величины
- •6.6.2. Условные законы распределения непрерывной случайной величины
- •6.6.3. Условное математическое ожидание
- •6.7. Корреляция случайных величин
- •6.7.1 Независимость компонент двумерной случайной величины
- •6.7.2. Корреляционный момент и коэффициент корреляции
- •6.7.3. Линейная регрессия, линейная корреляционная зависимость.
5.3.2. Показательное распределение
Показательное распределение задается функцией
e-x, x0
f(x)=
0, x0
Функция распределения
1-e-x, x0
F(x)=
0, x0
Зная функцию распределения легко определить вероятность попадания случайной величины в заданный интервал
P(axb)= F(b)- F(a)= e-a- e-b
Математическое ожидание и дисперсия для показательного распределения равны
M(x)=1/
D(x)=1/2
Из условия
F(xMe)=0.5=1- e-xMe
получим для медианы значение
xMe=ln(0.5)/(-)
Мода показательного распределения равна 0
5.3.3. Нормальное распределение
Нормальное распределение описывается законом
f(x)= 1//(2)0.5e-1/2(x-a)2/2
Данный закон распределения зависит отдвух праметров – a и . Можно показать, что
M(x)= a
D(x)= 2
График плотности нормального распределения называют нормальной кривой (кривой Гаусса), а соответствующую функцию - функцией Гаусса. Данная функция определена для всех значений x, симметрична относительно x=a, на бесконечности она стремится к 0, максимальна при x=a, f(a)= 1//(2)0.5. Точки перегиба - x=a+ и - x=a-.
Нормальное распределение называется нормированным при
M(x)= 0
D(x)= 1
Значения нормированной функции нормального распределения
(x)= 1/(2)0.5e-x2/2
затабулированы. Вероятность случайной величины оказаться в заданном интервале в случае ее нормированного нормального распределения определяется выражением
x2
P(x1xx2)= 1/(2)0.5∫ e-t2/2dt= (x2)- (x1),
x1
где
x
(x)= 1/(2)0.5∫ e-t2/2dt
0
- уже знакомая нам функция Лапласа. Если случайная величина распределена нормальным образом с параметрами a и (не нормирована), тогда
P(x1xx2)=((x2- a)/)- ((x1- a)/),
Используя эту формулу, легко найти вероятность того, что отклонение случайной величины от математического ожидания не превысит величину
P(|x -a|)= P(a -x a +)=(( a -- a)/)- (( a +- a)/)=2Ф(/)
В случае, если =3
P(a -3x a +3)=2Ф(3)= 20.49865=0.9973
Таким образом, с вероятностью 99.73% значения нормально распределенной случайной величины находятся в интервале (a -3, a +3). Данное утверждение получило название правила “трех сигм”. Вероятность того,что отклонение математического ожидания превысит 3 составляет всего 0.0027. На практике обычно предполагают, что если закон распределения случайной величины неизвестен, но правило трех сигм выполняется, распределение можно считать нормальным.
5. Закон больших чисел
5.1. Центральная предельная теорема
Нормальное распределение действительно очень часто встречается на практике. Объяснение этому факту дает теорема М. Ляпунова, которую также называют центральной предельной теоремой. Согласно этой теореме, если случайная величина X представляет сумму очень большого числа взаимно-независимых случайных величин, влияние каждой их которых на всю сумму ничножно мало, то эта случайная величина имет распределение, близкое к нормальному. Говорят, что к последовательности независимых случайных величин X1, X2, ... применима центральная предельная теорема, если функция распределения случайной величины X=X1 +X2 +... Xn при бесконечном числе входящих в нее слагаемых подчиняется нормальному закону распределения
x
limFn=limP[(X-An)/Bnx]=1/(2)0.5∫ e-t2/2dt
n n -
Здесь
Fn= P((X-An)/Bnx)
- функция распределения центрированной и нормированной случайной величины X=X1 +X2 +...+ Xn
An=a1+a2+...+an – сумма математических ожиданий величин, входящих в X,
Bn2=b12+b22+...+bn2 – сумма дисперсий этих случайных величин.
В общем случае условие применимости центральной предельной теоремы – ничтожно малое влияние каждого отдельного слагаемого на общую сумму (условие Ляпунова).
В частносм случае, если все случайные величины X1, X2, ... , Xn одинаково распределены и их дисперсии конечны и не равны нулю, то к этой последовательности применима центральная пределельная теорема. Если рассмотреть, например, испытания Бернулли, можно ввести X1, X2, ... – одинаково распределенные случайные величины, связанные с отдельным испытанием, в котором может появиться событие A. Распределение суммы этих величин (числа появления события A в n испытаниях) при бесконечно большом числе испытаний будет описываться нормальным законом (с математическим ожиданием An=np и дисперсией Bn2=npq). Для конечного, но достаточно большого числа испытаний закон нормального распределения можно использовать в качестве приближения, как это и сделано в локальной и интегральной теоремах Лапласа.