ТВиМС (Теория вероятностей и математическая статистика. Теория и примеры решения задач), страница 7
Описание файла
Файл "ТВиМС" внутри архива находится в следующих папках: Теория вероятностей и математическая статистика. Теория и примеры решения задач, ТВиМС, Экзамен, Неплохая теория и примеры решения задач. Документ из архива "Теория вероятностей и математическая статистика. Теория и примеры решения задач", который расположен в категории "". Всё это находится в предмете "теория вероятностей и математическая статистика" из 4 семестр, которые можно найти в файловом архиве МАИ. Не смотря на прямую связь этого архива с МАИ, его также можно найти и в других разделах. Архив можно найти в разделе "остальное", в предмете "теория вероятности и математическая статистика" в общих файлах.
Онлайн просмотр документа "ТВиМС"
Текст 7 страницы из документа "ТВиМС"
Обратно, если задана функция распределения непрерывной случайной величины, то (см. теорему об интеграле с переменным верхним пределом) плотность распределения этой случайной величины будет определяться равенством
Таким образом, имеется два равноправных способа задания непрерывной случайной величины: с помощью или плотности распределения, или функции распределения.
Пример. Пусть плотность распределения непрерывной случайной величины Х имеет вид:
Найти функцию распределения.
Таким образом, окончательно, искомая функция распределения имеет вид
(см. рис. 6).
Математическое ожидание и дисперсия непрерывной случайной величины
Ф ормулы для вычисления математического ожидания и дисперсии непрерывной случайной величины аналогичны соответствующим формулам для дискретной случайной величины (см. § 3.3). Действительно, рассмотрим следующую таблицу.
Дискретная случайная величина | Непрерывная случайная величина | |
Способ описания | Закон распределения | Плотность распределения |
Таким образом, переходя при записи этих формул от дискретной к непрерывной случайной величине, суммирование заменяется интегрированием по всей числовой оси, а вместо вероятности используется плотность распределения .
Пример. Функция распределения непрерывной случайной величины Х имеет вид:
Найти математическое ожидание и дисперсию этой случайной величины.
Решение. Для нахождения и нам потребуется плотность распределения данной случайной величины (см. приведенные выше формулы). Получаем:
или
Тогда имеем
Геометрически, полученное значение математического ожидания есть абсцисса центра тяжести фигуры под графиком плотности распределения, т.е. абсцисса прямоугольного треугольника ОАВ (см. рис. 7; напомним, что центр тяжести треугольника есть точка пересечения медиан этого треугольника, а медианы в точке пересечения делятся в отношении 2:1, считая от вершины).
Завершая решение, найдем дисперсию рассматриваемой случайной величины.
-
Нормальный закон распределения
Определение. Непрерывная случайная величина имеет нормальный закон распределения с параметрами и , если ее плотность распределения имеет вид
Параметры а и нормального закона тесно связаны с параметрами распределения рассматриваемой случайной величины. Справедлива следующая теорема.
Теорема. Пусть случайная величина Х имеет нормальный закон распределения с параметрами а и . Тогда
Отметим, что график – результат деформации Гауссовой кривой (см. § 2.3). Рассмотрим, как изменяется этот график при изменении параметров а и нормального закона.
На рис. 8 изображены графики при одинаковом значении параметра : изменение параметра а нормального закона приводит к параллельному переносу графика плотности распределения вдоль оси абсцисс.
На рис. 9 изображены графики при одинаковом значении параметра а : изменение параметра нормального закона приводит к “растяжению” графика вдоль оси ординат при сохранении площади под кривой равной 1 (заметим, что на рис. 9 ).
Теорема. Пусть случайная величина Х имеет нормальный закон распределения с параметрами а и . Тогда справедливы формулы:
где – функция Лапласа, – функция распределения случайной величины Х.
Заметим, что график функции распределения нормально распределенной случайной величины получается в результате деформации из графика функции Лапласа (см. рис. 10 и 2).
П ример. Случайная величина Х – ошибка измерительного прибора распределена по нормальному закону с дисперсией равной 16 мк2.
Систематическая ошибка отсутствует. Найти вероятность того, что при одном измерении ошибка:
а) превзойдет по модулю 6 мк;
б) окажется в промежутке от 0,5 до 3,5 мк.
Решение. а) Отсутствие систематической ошибки означает, что значения случайной величины Х группируются около нуля, поэтому (см. § 3.3). Искомой является вероятность . Воспользуемся переходом к противоположному событию: . Так как ,
то , т.е. последняя вероятность точно того вида, что может быть вычислена по формуле (2). Используя формулу (2) при , , получаем
Окончательно имеем
б) Искомая вероятность вычисляется по формуле (1) при :
Упражнение. Пусть случайная величина Х нормально распределена с параметрами а и . Проверить, что Дать геометрическую интерпретацию этому результату.
Домашнее задание. 3.62, 3.63, 3.65, 3.66.
4.3. Центральная предельная теорема
и теоремы Муавра-Лапласа как следствия из нее
Центральная предельная теорема. Пусть случайные величины – независимы и одинаково распределены. Тогда закон распределения их суммы неограниченно приближается к нормальному при неограниченном увеличении числа n эти х случайных величин.
Отметим, что центральная предельная теорема является частным случаем более общего утверждения – теоремы Ляпунова (подробнее см. учебник Н.Ш. Кремера).
Следствие. Биномиальный закон распределения неограниченно приближается к нормальному при неограниченном увеличении параметра n этого закона.
Доказательство. Пусть случайная величина Х – биномиально распределена с параметрами n и p . Рассмотрим сначала тот конкретный пример, когда Х – число наступлений некоторого события А в n повторных независимых испытаниях, в каждом из которых это событие наступает с вероятностью p. Введем в рассмотрение случайные величины такие, что – число наступлений события А в i –ом испытании, где Случайная величина принимает значение 1, если в i –ом испытании событие А наступило и значение 0 – в противном случае. Сумма случайных величин принимает значение m тогда и только тогда, когда число Х наступлений события А в n испытаниях равно m., т.е.
Тогда по центральной предельной теореме для случайной величины Х получаем требуемое утверждение. Аналогично данное Следствие доказывается и в общем случае.
Данное Следствие при работе с биномиально распределенными случайными величинами (при достаточно больших n ) позволяет использовать формулы, известные для нормально распределенных случайных величин. Именно это и происходит при применении теорем Муавра-Лапласа. Так, заменяя в формуле (1) из § 4.2 а и математическим ожиданием и средне квадратическим отклонением биномиально распределенной случайной величины ( см. § 3.3), обозначая также , приходим к интегральной теореме Муавра-Лапласа.
Геометрически приближение биномиального распределения к нормальному означает, что с ростом n точки плоскости с координатами неограниченно приближаются к кривой плотности нормального закона (здесь m – неотрицательное целое, не превосходящее n, значение вычисляется по формуле Бернулли; см. рис. 11).
Т огда справедливо приближенное равенство
где , которое, записанное явно, и есть локальная теорема Муавра-Лапласа.
Тема 5. Двумерные случайные величины
5.1. Совместные распределения и их параметры
Определение. Вектор , компоненты Х и Y которого являются случайными величинами, называется случайным вектором или двумерной случайной величиной.
Пример. Пусть Х – рост человека, Y – вес человека. Тогда – (непрерывная) двумерная случайная величина.
Пример. Пусть Х и Y – числа попаданий в мишень первого и второго стрелков (соответственно). Тогда – (дискретная) двумерная случайная величина.
Сравнивая между собой одномерную (см. выше темы 3, 4) и двумерную случайные величины, заметим, что, если результат измерения первой – точка на прямой, то результат измерения второй – точка плоскости.
Определение. Закон распределения одной из переменных при фиксированном значении другой называется условным распределением.
Определение. Связь между переменными называется статистической, если каждому значению одной переменной ставится в соответствие условное распределение другой переменной.
Отметим, что задание двумерной случайной величины равносильно заданию статистической связи между переменными.
Рассмотрим сначала двумерную дискретную случайную величину.