- •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.
5.4. Эмпирическая оценка параметров случайной величины
Подведем основные итоги предыдущих параграфов.
Во-первых, вероятность отдельного события можно оценить, проведя большое число испытаний и найдя относительную частоту его появления (теорема Бернулли)
Во-вторых, согласно центральной предельной теореме, если случайная величина складывается из большого числа независимых случайных величин (формируется под влиянием многих факторов)– она должна быть распределена по нормальному закону.
Эмпирический закон распределения случайной величины можно построить, если провести большое количество испытаний и найти относительную частоту появления каждого значения случайной величины. Например, случайная величина равна k - числу появлений события A в серии из n независимых испытаний, при условии, что вероятность появления A в одном испытании равна p (испытание Бернулли). Если мы повторим серию из n испытаний достаточно много раз и сосчитаем, сколько раз реализовалось каждое значение k, мы сможем построить эмпирический закон распределения, который должен быть близок к биномиальному. Напомним, что при бесконечно большом числе испытаний n этот закон переходит в нормальное распределение.
В третьих, из теоремы Чебышева следует, что для оценки математического ожидания величины можно использовать ее среднее значение.
_
M(X) (X1 +X2 +... +Xn)/n= X
Попробуем применить это свойство для оценки других характеристик
Так, для любого центрального момента порядка k
________
M([X-M(X)]k)([X1-M(X)]k+[X2-M(X)]k+...+[Xn-M(X)]k)/n=[X-M(X)]k
Например, для дисперсии
________
M([X-M(X)]2) ([X1-M(X)]2+[X2-M(X)]2+...+[Xn-M(X)]2)/n=[X-M(X)]2
Обычно, при эмпирической оценке дисперсии, математическое ожидание неизвестно и его заменяют средним арифметическим значением случайной величины. Такая замена приводит к дополнительной ошибке и в этом случае говорят, что оценка дисперсии является смещенной. Можно показать, что несмещенная оценка дисперсии может быть получена, если внести поправочный множитель n/(n-1)
_____
D(X)=M([X-M(X)]2)n/(n-1)[X-X]2=
_ _ _
=([X1- X]2+[X2-X]2+...+[Xn-X]2)/(n-1)
Написанные соотношения можно использовать для оценки параметров закона распределения. Например для распределения Пуассона оценив математическое ожидание можно найти параметр , а для нормальномго распределения – a = M(X) и = D(X)0.5
Система двух случайных величин
6.1. Закон распределения дискретной двумерной случайной величины
До сих пор нами рассматривались случайные величины, значения которых определялись только одной переменной. Такие величины называются одномерными. Однако возможны ситуации, когда для описания исхода испытания может понадобиться использовать несколько числовых значений. Например, в качестве случайной величины можно выбрать размеры производимой детали. Если нас интересует ее длина – случайная величина “размер” будет одномерной, если необходимо фиксировать ширину (и высоту) – двумерной (или трехмерной). В общем случае величина может быть n-мерной, где n - любое натуральное число.Двумерную случайную величину обозначим (X, Y), где X и Y – ее составляющие (компоненты). Поскольку величины X и Y рассматриваются вместе, о них можно говорить также как о системе двух случайных величин.
Закон распределения дискретной величины (X, Y) – перечень ее значений (xi, yj) с указанием вероятностей их совместного появления p(xi, yj)=pij. Обычно, закон распределения задают в виде таблицы:
-
x1
x2
...
xn
y1
p11
p21
pn1
y2
p12
p22
...
...
...
ym
p1m
p2m
pnm
События (X= xi, Y= yj) образуют полную группу, поэтому сумма их вероятностей равна 1.
pij=1
i,j
Зная закон распределения двумерной случайной величины, всегда можно найти законы распределения и для каждой ее компоненты
P(xi)= pij , P(yj)= pij
j i
Например, закон распределения величины задан в виде (X, Y)
-
x1
x2
x3
y1
0.1
0.3
0.2
y2
0.06
0.18
0.16
Тогда для компонент получим законы распределения:
X
-
xi
x1
x2
x3
pi
0.16
0.48
0.36
Y
-
yi
y1
y2
Pi
0.6
0.4