Матем анализ 3 семестр вероятность (Лекции 1), страница 5
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 5 страницы из документа "Матем анализ 3 семестр вероятность"
Непрерывная случайная величина имеет экспоненциальное распределение, если ее плотность распределения задается формулой
, - параметр экспоненциального распределения.
Для случайной величины, имеющей экспоненциальное распределение, , .
Если времена между последовательными наступлениями некоторого события – независимые, экспоненциально распределенные случайные величины с параметром , то число наступлений этого события за время t имеет пуассоновское распределение с параметром . Геометрическое распределение является дискретным аналогом экспоненциального распределения.
Нормальное распределение (распределение Гаусса).
Непрерывная случайная величина имеет нормальное распределение (распределена нормально или по Гауссу), если ее плотность имеет вид
Вычислим математическое ожидание и дисперсию нормально распределенной случайной величины.
Обозначим плотность стандартного нормального распределения (при ) ,
обозначим функцию распределения стандартного нормального распределения
где - интеграл Лапласа. Значения можно найти в стандартных таблицах.
Вычислим вероятность попадания нормально распределенной случайной величины на отрезок [a,b].
. При вычислении вероятности полезно учитывать нечетность функции :
Локальная и интегральная формулы Муавра – Лапласа.
Если в схеме Бернулли число испытаний n велико, причем p и q=1-p велики, то для всех m справедлива локальная формула Муавра – Лапласа
Если в схеме Бернулли число испытаний n велико, причем p и q=1-p велики, то для всех m справедлива интегральная формула Муавра – Лапласа
Это означает, что при большом числе испытаний распределение числа успехов становится нормальным.
Иногда приходится оценивать вероятность отклонения частоты события от вероятности. Покажем, как можно использовать для этого интегральную формулу Муавра – Лапласа.
Запишем интегральную формулу Муавра – Лапласа
в виде
Поэтому
Если интервал симметричен, , то по нечетности
Примеры.
-
(3.42) Телефонная станция обслуживает 1000 абонентов. Вероятность вызова за минуту 0,0005. Какова вероятность, что за минуту поступит не менее двух вызовов? Здесь n = 1000, p = 0,0005, = np =0.5. (по таблице ).
-
(3.43) Известно, что 20% автомобилей нарушают скоростной режим. Какова вероятность того, что из 1000 автомобилей 210 нарушат правила? Здесь надо пользоваться локальной формулой Муавра-Лапласа при n=1000, p=0,2, m=300.
3) (3.44) Монету подбрасывают 10000 раз. Найти вероятность того, что частота выпадения герба будет отличаться от 0,5 не более, чем на 2%. Здесь надо пользоваться интегральной формулой Муавра-Лапласа при n=10000, р=1/2, m1=400, m2=600. Тогда
Другие распределения, часто используемые в инженерных расчетах.
Распределение Вейбулла. Это распределение с плотностью
и функцией распределения
Если , то распределение Вейбулла превращается в экспоненциальное, а при - в распределение Релея.
Достаточно близкую к распределению Вейбулла плотность имеет гамма – распределение:
Если - целое число, то гамма-распределение превращается в распределение Эрланга порядка k. Если k – нечетное число, , то гамма-распределение превращается в распределение (хи-квадрат) распределение с k степенями свободы. При (так как ) гамма-распределение переходит в экспоненциальное. Для всех рассмотренных распределений составлены таблицы, по которым можно определять значения функций распределения.
Лекция 6.
Двумерные случайные величины
Совокупность двух случайных величин (X,Y), заданных на вероятностном пространстве , называют двумерной случайной величиной или двумерным случайным вектором, X,Y называют координатами случайного вектора.
Это определение можно обобщить и на совокупность n случайных величин.
Функцией распределения случайного вектора (X,Y) или совместной функцией распределения случайных величин X,Y называется
Свойства функции распределения.
-
- неубывающая функция по каждому из своих аргументов. (В самом деле, если , то событие включено в событие , следовательно, его вероятность меньше)
мы два раза вычтем площадь
Для того, чтобы получить
площадь прямоугольника –
левую часть равенства, надо
вычитать эту площадь один раз,
п оэтому надо добавить ее, т.е.
6. непрерывна слева по каждому из аргументов
7. . Так как событие достоверно, то пересечение событий и есть событие . Поэтому первое равенство справедливо. Аналогично доказывается справедливость второго равенства.
Двумерная случайная величина (X,Y) дискретна, если X, Y - дискретные случайные величины. Для нее составляется таблица распределения – аналог ряда распределения для одномерной случайной величины.
X | Y | ||||
y1 | y2 | ….. | ym | PX | |
x1 | p11 | p12 | … | p1m | pX1 |
x2 | p21 | p22 | … | p2m | pX2 |
……. | … | … | … | … | … |
xn | pn1 | pn2 | … | pnm | pXn |
PY | pY1 | pY2 | … | pYm |
Здесь pnm = , pYm = = p1m+ p2m +…+pnm,
pXn = pn1 + pn2 + … +pnm.
График функции распределения для двумерной случайной величины напоминает «лестницу», уровень ступеней которой изменяется скачком на pij при переходе через точку (xi , yj) в положительном направлении по оси OX и по оси OY. Если зафиксировать x = xi, то при увеличении y эти скачки будут на pi1, pi2, … pim (от нуля до pXi ). Если зафиксировать y = yj, то при увеличении x скачки будут на p1j, p2j, … pnj (от нуля до pYj). Нижние ступени (при x x1 и y y1) находятся на нулевом уровне, самая верхняя ступень (при x>xn, y>ym) находится на уровне 1. Если зафиксировать x > xn то при увеличении y эти скачки будут на pY1, pY2, … pYm (от нуля до 1). Если зафиксировать y > ym, то при увеличении x скачки будут на pX1, pX2, … pXn (от нуля до 1).
Пример. Проводятся два выстрела в мишень. При каждом выстреле вероятность попадания p, вероятность промаха q = 1- p. Случайная величина Xi – число попаданий при i – том выстреле. Найдем закон распределения случайного вектора (X1, X2)= .
X | Y | ||
y1=0 | y2=1 | PX | |
x1=0 | q2 | qp | pX1=q |
x2=1 | pq | p2 | pX2=p |
PY | pY1=q | pY2=p |
Построим функцию распределения
. В самом деле, при – событие{X<x,Y<y} - невозможное, при (x>1, y>1) событие {X<x,Y<y} – достоверное.
При событие {X<x,Y<y} представляет собой событие {X=0,Y=0}. Поэтому при F(x) = P{X=0,Y=0}= q2.
При событие {X<x,Y<y} представляет собой объединение несовместных событий {X=0,Y=0} и {X=0,Y=1}. Поэтому при F(x) =. P{X=0,Y=0}+ P{X=0,Y=1}= q2 + pq = q(p+q)=q.Аналогично, в случае F(x) = P{X=0,Y=0}+ P{X=1,Y=0}= q2 + pq = q(p+q)=q
Двумерная случайная величина непрерывна, если X, Y, непрерывные случайные величины и ее функцию распределения можно представить в виде сходящегося несобственного интеграла от плотности распределения.
Двойной интеграл можно записать в виде повторных (внешний по x, внутренний по y и наоборот). Если предполагать непрерывность плотности по x и y, то, дифференцируя по переменным верхним пределам, получим
Свойства плотности.
Независимость случайных величин.
Случайные величины X, Y называются независимыми, если , где - функции распределения случайных величин X, Y.
Если случайные величины непрерывны, то, дифференцируя это соотношение по x, y, получим .
Соотношение поэтому можно считать определением независимости непрерывных случайных величин.
Для дискретных случайных величин определение независимости можно записать в виде .
Математическое ожидание.
Математическим ожиданием функции двумерной случайной величины называется
Свойства математического ожидания
Ковариация (корреляционный момент).