Матем анализ 3 семестр вероятность (Лекции 1), страница 4
Описание файла
Файл "Матем анализ 3 семестр вероятность" внутри архива находится в папке "lekcii". Документ из архива "Лекции 1", который расположен в категории "". Всё это находится в предмете "теория вероятностей и математическая статистика" из , которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "лекции и семинары", в предмете "теория вероятности и математическая статистика" в общих файлах.
Онлайн просмотр документа "Матем анализ 3 семестр вероятность"
Текст 4 страницы из документа "Матем анализ 3 семестр вероятность"
Для непрерывных случайных величин по условию нормировки для плотности вероятностей.
-
M(CX) = С M(X). В самом деле, константу можно вынести из суммы в дискретном случае и из под интеграла в непрерывном случае.
-
M(X+Y) = M(X) + M(Y). (без доказательства).
-
M(|X|) = |M(X)| (без доказательства).
Математическое ожидание функции случайной величины вычисляют по формулам
для дискретной случайной величины,
для непрерывной случайной величины.
Центрированной случайной величиной называется .
Центральный момент s-го порядка
Для дискретной случайной величины .
Для непрерывной случайной величины .
Дисперсией называется второй центральный момент случайной величины.
По свойствам математического ожидания получим . Эта формула часто применяется. Дисперсия – это характеристика рассеяния, она характеризует концентрацию кривой распределения (графика плотности распределения) около математического ожидания. Если на числовой оси расположить точки xi с массами pi, то дисперсия – это момент инерции системы материальных точек относительно центра тяжести mx.
Для дискретных случайных величин .
Для непрерывных случайных величин .
Свойства дисперсии.
Средним квадратическим отклонением называется .
Кроме этих основных числовых характеристик используются коэффициент асимметрии , эксцесс – мера островершинности распределения , среднее арифметическое отклонение , мода – наиболее вероятное значение для дискретных величин или значение, где плотность максимальна для непрерывных величин, медиана Me – абсцисса точки, в которой площадь, ограниченная кривой плотности распределения, делится пополам (точка, в которой F(x) = ½).
Пример. Стрелок делает один выстрел и с вероятностью p попадает в мишень. Пусть X – количество попаданий в мишень. Это – дискретная случайная величина, принимающая два значения х1 = 0 и х2 = 1 с вероятностями q = 1-p, p соответственно. Построим ряд распределения Х
xi | 0 | 1 |
pi | q | p |
Математическое ожидание равно M(X) = mx = 0 q + 1 p = p.
Если составить ряд распределения для случайной величины X2, то мы получим ту же таблицу (так как 02 = 0 и 12 =1). Поэтому M(X2) = p, а дисперсию можно вычислить по формуле D(X) = M(X2) – (mx)2 = p – p2 = p(1-p) = pq.
Пример. Пусть плотность случайной величины X постоянна на отрезке [a,b] p(x) = p и равна нулю вне этого отрезка. Такое распределение называется равномерным на отрезке [a,b]. Из условия нормировки для плотности вероятности следует
. Отсюда следует, что - плотность равномерного распределения. Функция распределения величины, распределенной равномерно на отрезке [a,b], равна
. Вычислим математическое ожидание и дисперсию величины, распределенной равномерно на отрезке [a,b].
Лекция 4
Повторные испытания.
Пусть производится n опытов (испытаний), в каждом из которых может наступить один из N исходов. Если результаты одного испытания не зависят от результатов других испытаний, то такие испытания называются независимыми.
Например, стрелок делает n выстрелов в мишень, в которой N колец: десятка, девятка и т.д.
Возможны две ситуации: условия проведения испытаний не меняются (ситуация А) или меняются от испытания к испытанию (ситуация В).
Рассмотрим ситуацию А.
Пусть число исходов равно двум (N = 2). Такая схема испытаний называется схемой Бернулли.
Два исхода соответствуют в приведенном примере попаданию (успеху) или не попаданию в мишень, причем в каждом выстреле вероятность попадания равна p, а вероятность промаха равна q = 1 – p. Обозначим вероятность попасть m раз из n выстрелов P(m,n). , так как в каждом опыте стрелок промахивается. Вероятность попасть один раз равна , так как стрелок может попасть при первом, втором, … n ом выстреле. ,так как два попадания (порядок не важен) должны быть размещены (выборки без возвращения) среди n выстрелов. Аналогично
Само распределение называют биномиальным.
В самом деле, это – коэффициенты при в разложении по степеням
Из формулы Бернулли вытекают два следствия:
Если Х имеет биномиальное распределение, то Мх = np, Dx = npq.
Пусть в ситуации А число исходов равно N, а их вероятности равны p1…pN . Вычислим вероятность того, что после n испытаний i – тый исход наступит раз
Поэтому . Это – полиномиальное распределение.
Заметим, что - это коэффициенты при в разложении по степеням производящей функции .
Рассмотрим ситуацию В. Здесь вероятность того или иного исхода зависит от номера испытания, так как условия испытаний различны. - это коэффициенты при в разложении по степеням производящей функции при N исходах.
При двух исходах - это коэффициент при в разложении производящей функции
Примеры.
-
Какова вероятность с пяти раз вытащить из колоды в 36 карт а)три туза, б)не менее одного туза?
-
Мишень для опытного стрелка содержит три круговых кольца: 10, 9, пусто. Вероятность попасть при одном выстреле в десятку – 0,2, в девятку – 0,7, в «пусто» – 0,1. Какова вероятность в серии из 10 выстрелов попасть в «пусто» два раза, в девятку 4 раза, в десятку 4 раза?
-
Производится три выстрела в мишень. При первом выстреле вероятность попасть в мишень равна 0,5, не попасть 0.5. При втором выстреле – соответственно 0,4 и 0.6, при третьем выстреле 0,3 и 0,7. Какова вероятность два раза попасть в мишень?
Вероятность не попасть ни разу равна 0,21, один раз – 0,44, два раза – 0,29, три раза – 0,06.
Распределения, связанные с повторными испытаниями.
Геометрическое распределение.
Рассмотрим схему Бернулли. Обозначим Х – число испытаний до первого успеха, если вероятность успеха в одном испытании р. Если первое испытание успешно, то Х = 0. Следовательно, . Если Х = 1, т.е. первое испытание неудачно, а второе успешно, то по теореме умножения . Аналогично, если Х = n , то все испытания до n-ого неудачны и . Составим ряд распределения случайной величины Х
0 | 1 | 2 | … | … | ||
… | … |
Случайная величина с таким рядом распределения имеет геометрическое распределение.
Гипергеометрическое распределение.
Рассмотрим схему испытаний, обобщающую задачу о выборке бракованных деталей и похожую на ситуацию А с N исходами. Пусть имеется n элементов, разделенных на группы: n1 элементов первого типа, n2 – второго типа и т.д., nN – N-ого типа. Какова вероятность, выбрав m элементов, получить среди них m1 элементов из первой группы, m2 – из второй и т.д. mN - из N-ой?
Ее легко вычислить по классическому определению вероятностей с учетом теоремы умножения:
В частности, при N=2 (m2=m-m1, n2=n-n1) (задача о бракованных деталях)
Формула Пуассона и распределение Пуассона.
Пусть число испытаний n велико, вероятность p мала и np мало. Тогда вероятность наступления m успехов в n испытаниях можно приближенно определить по формуле Пуассона:
Заметим, что по формуле Пуассона можно считать вероятность неуспеха, если q мало, приняв
Случайная величина с рядом распределения m, имеет распределение Пуассона. Чем больше n, тем формула Пуассона точнее. Для грубых расчетов формулу применяют при n =10, 0 – 2, при n = 100 0 – 3. При инженерных расчетах формулу применяют при n = 20, 0 – 3, n =100, 0 – 7. При точных расчетах формулу применяют при n = 100, 0 – 7, n =1000, 0 – 15.
Вычислим математическое ожидание и дисперсию случайной величины, имеющей распределение Пуассона.
Лекция 5
Экспоненциальное и нормальное распределения.
Экспоненциальное распределение.