Реферат Курсовая Конспект
КОНСПЕКТ ЛЕКЦИЙ ПО МАТЕМАТИКЕ ТЕОРИЯ ВЕРОЯТНОСТЕЙ МАТЕМАТИЧЕСКАЯ СТАТИСТИКА - Конспект Лекций, раздел Информатика, Самарский Государственный Университет ...
|
САМАРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
КАФЕДРА ВЫСШЕЙ МАТЕМАТИКИ И ИНФОРМАТИКИ
КОНСПЕКТ ЛЕКЦИЙ
ПО МАТЕМАТИКЕ
ТЕОРИЯ ВЕРОЯТНОСТЕЙ
МАТЕМАТИЧЕСКАЯ СТАТИСТИКА
САМАРА 2006
СОДЕРЖАНИЕ
1. ТЕОРИЯ ВЕРОЯТНОСТЕЙ. 3
1.1. Статистическое определение вероятности. 3
1.2. Пространство элементарных событий. 3
1.3. Действия на событиями. 4
1.4. Элементы комбинаторики. 5
1.4.1. Перестановки. 5
1.4.2. Размещения. 5
1.4.3. Сочетания. 6
1.5. Классическое определение вероятности. 6
1.6. Формула сложения вероятностей для несовместных событий. 7
1.7. Формула сложения вероятностей для произвольных событий. 7
1.8. Формула умножения вероятностей. 8
1.9. Формула полной вероятности. 10
1.10. Формула вероятностей гипотез (Байеса). 11
1.11. Повторение опытов. 12
1.11.1. Схема Бернулли. 12
1.11.2. Асимптотическая формула Муавра – Лапласа. 14
1.11.3. Асимптотическая формула Пуассона. 15
1.12. Случайные дискретные величины. 15
1.13. Случайные непрерывные величины. 16
1.14. Функция плотности вероятности случайной непрерывной величины. 17
1.15. Числовые характеристики случайных величин. 18
1.15.1.Мода случайных величин. 18
1.15.2. Квантили случайных величин. 19
1.15.3. Математическое ожидание случайных величин. 19
1.15.4. Среднеквадратичное отклонение и дисперсия случайных величин. 20
1.15.4. Моменты случайных величин. 21
1.16. Теоремы о числовых характеристиках случайных величин. 23
1.17. Законы распределения случайных величин. 24
1.17.1. Биномиальный закон распределения. 24
1.17.2. Закон распределения Пуассона. 25
1.17.3. Равномерный закон распределения. 26
1.17.4. Нормальный закон распределения. 27
1.17.5. Экспоненциальный закон распределения. 30
1.17.6. Гамма – распределение. 31
1.18. Системы случайных величин. 33
1.18.1. Система двух случайных дискретных величин. 34
1.18.2. Система двух случайных непрерывных величин. 35
1.18.3. Условные законы распределения. 37
1.18.4. Числовые характеристики системы двух случайных величин. 39
1.18.5. Система нескольких случайных величин. 41
1.18.6. Нормальный закон распределения системы двух случайных величин. 43
1.19. Предельные теоремы теории вероятностей. 45
1.19.1. Неравенство Чебышева. 45
1.19.2. Закон больших чисел. 46
1.19.3. Центральная предельная теорема. 47
2. МАТЕМАТИЧЕСКАЯ СТАТИСТИКА. 47
2.1. Основные задачи математической статистики. 47
2.2. Простая статистическая совокупность. Статистическая функция распределения. 48
2.3. Статистический ряд. Гистограмма. 49
2.4. Числовые характеристики статистического распределения. 51
2.5. Выбор теоретического распределения по методу моментов. 52
2.6. Проверка правдоподобия гипотезы о виде закона распределения. 55
2.7. Критерии согласия. 56
2.8. Точечные оценки для неизвестных параметров распределения. 59
2.9. Оценки для математического ожидания и дисперсии. 59
2.10. Доверительный интервал. Доверительная вероятность. 62
Элементы комбинаторики.
Классическое определение вероятности.
Пусть – пространство из элементарных событий. Если при этом все элементарные события являются равновозможными (равновероятными), то их называют случаями. Такой опыт называется схемой случаев. Пусть некоторому событию благоприятствует случаев. Классической вероятностью события называется отношение числа благоприятствующих случаев событию к общему числу опытов.
(1.5.1)
Классическое определение вероятности не требует опытных данных (в этом его преимущество), но оно пригодно только для схемы случаев (в этом его недостаток). Логически статистическое и классическое определение вероятности независимы, но хорошо согласуются.
Пример 1.5.1. В урне находится 2 белых и 3 черных шара. Наугад вынимается один шар. Какова вероятность того, что этот шар будет белым?
Пример 1.5.2. Выбрасываются две игральные кости. Какова вероятность того, что выпадет сумма 7?
.
Пример 1.5.3. В партии из изделий бракованных. Из партии наугад выбирается изделий. Какова вероятность, что среди этих будет ровно бракованных?
Повторение опытов.
Схема Бернулли.
Пусть производится n независимых опытов, в каждом из которых может появиться некоторое событие с одной и той же вероятностью . Такой опыт носит название – схема Бернулли. Требуется вычислить вероятность появления события в n опытах m раз. Обозначается такая вероятность – . Рассмотрим сначала пример.
Пример 1.11.1.Производится три выстрела по мишени. Вероятность попадания при каждом выстреле равна . Какова вероятность двух попаданий?
Решение.Обозначим – попадания при первом, втором и третьем выстрелах, – соответственно промахи. Причем
.
Событие – два попадания при трех выстрелах конструируется следующим образом:
Тогда вероятность .
В общем случае конструкция события выглядит следующим образом
. (1.11.1)
Общее число слагаемых равно (число сочетаний из n по m), поэтому
(1.11.2)
Выражение (9.2) называется – формула Бернулли. Следует обратить внимание на тот факт, что вероятности представляют собой члены разложения бинома . Распределение вероятностей (9.2) называют биномиальным.
Результаты (1.11.1), (1.11.2) можно обобщить на случай, когда событие появляется в каждом опыте со своей вероятностью. В опыте с номером i вероятность появления равна , а вероятность не появления равна . Конструкция события усложнится и примет вид
(1.11.3)
Формула для вероятности принимает вид
(1.11.4)
Таким образом, в формуле (1.11.4) искомая вероятность равна сумме всевозможных произведений, в которые буквы с разными индексами входят m раз, а буквы с разными индексами входят n-m раз. Для удобного вычисления вероятностей (1.11.4) воспользуемся функцией
(1.11.5)
Легко видеть, что коэффициент при функции (1.11.5) и есть вероятность .
(1.11.6)
Многочлен (1.11.5), (1.11.6) называется производящей функцией. В частном случае, когда все вероятности равны , формула (1.11.6) принимает вид
(1.11.7)
откуда следует формула (1.11.2).
Если в формулах (1.11.6), (1.11.7) положить , то получим, что сумма всех вероятностей равна единице .
Пример 1.11.2.Производится четыре независимых выстрела по мишени с различных расстояний. Вероятности попаданий при этих выстрелах равны . Найти вероятности ни одного, одного, двух, трех и четырех попаданий.
Решение:Составляем производящую функцию:
Таким образом
1.11.2. Асимптотическая формула Муавра – Лапласа.
Если число испытаний n в схеме Бернулли велико, то применение на практике формулы Бернулли (1.11.2) становится затруднительным при вычислении факториалов больших чисел.
В таких случаях целесообразно воспользоваться асимптотическими (приближенными) формулами. Одной их таких формул является локальная формула Муавра – Лапласа.
. (1.11.8)
Формула (1.11.8) приближенно рассчитывает вероятность появления события в n опытах раз. Иногда на практике требуется вычислить вероятность того, что число появлений события будет заключено между числами и . Для такого расчета существует интегральная формула Муавра – Лапласа
. (1.11.9)
Если ввести вспомогательную функцию
, (1.11.10)
то формула (1.11.9) принимает вид
. (1.11.11)
Замечание:
Формулы Муавра – Лапласа (1.11.8) – (1.11.11) целесообразно применять при и .
Мода случайных величин.
Мода случайной дискретной величины есть ее значение, отвечающее наибольшей вероятности
(1.15.1)
Мода случайной непрерывной величины есть ее значение, отвечающее локальному максимуму функции плотности вероятности. Различают унимодальные, полимодальные и антимодальные распределения
Законы распределения случайных величин.
Рассмотрим несколько классических законов распределения случайных величин, которые наиболее часто встречаются на практике при решении различного рода задач по теории вероятностей.
Пример.
На АТС поступают вызовы со средней плотностью 90 вызовов в час. Считая, что число вызовов на любом участке времени распределено по закону Пуассона, найти вероятность того, что за две минуты на станцию поступит ровно 3 вызова.
Решение:
Среднее число вызовов (математическое ожидание) за две минуты равно
.
По формуле (1.17.2) вероятность поступления ровно 30 вызовов равна
0,224.
Пример 1.18.1.
Проводится два испытания Бернулли с вероятностью успеха и вероятностью неудачи . Число успехов в первом испытании – , число успехов во втором испытании – . Случайные величины и могут принимать значения 0 и 1. Построить матрицу распределения для системы случайных дискретных величин .
Решение:
Применим формулу Бернулли (1.11.2)
.
,
,
,
.
Строим таблицу
Закон больших чисел.
МАТЕМАТИЧЕСКАЯ СТАТИСТИКА.
Пример 2.5.1.
Произведено 500 измерений боковой ошибки наводки при стрельбе с самолета по наземной цели. Результаты измерений (в тысячных долях радиана) сведены в статистический ряд
-4;-3 | -3;-2 | -2;-1 | -1;0 | 0;1 | 1;2 | 2;3 | 3;4 | |
Требуется:
1. Вычислить относительные частоты боковой ошибки .
2. Выровнять это распределение с помощью нормального закона
.
3. Построить сравнительные диаграммы для функций теоретического и экспериментального распределений и .
Решение:
Нормальный закон зависит от двух параметров . Подберем эти параметры так, чтобы сохранить первые два момента (математическое ожидание и дисперсию статистического распределения).
1. Вычислим сначала относительные частоты боковой ошибки по формуле.
2. Вычислим приближенно статистическое среднее ошибки наводки, причем за представителя каждого разряда примем его середину.
3. Для определения дисперсии вычислим сначала второй начальный момент по формуле .
4. Вычислим приближенно дисперсию по формуле и среднеквадратичное отклонение по формуле .
Результаты расчетов сведем в таблицу.
Число опытов | ||||||||
Начало разряда | -4 | -3 | -2 | -1 | ||||
Конец разряда | -3 | -2 | -1 | |||||
0,012 | 0,050 | 0,144 | 0,266 | 0,240 | 0,176 | 0,092 | 0,020 | |
-3,500 | -2,500 | -1,500 | -0,500 | 0,500 | 1,500 | 2,500 | 3,500 | |
-0,042 | -0,125 | -0,216 | -0,133 | 0,120 | 0,264 | 0,230 | 0,070 | |
12,250 | 6,250 | 2,250 | 0,250 | 0,250 | 2,250 | 6,250 | 12,250 | |
0,147 | 0,313 | 0,324 | 0,067 | 0,060 | 0,396 | 0,575 | 0,245 | |
0,168 | ||||||||
2,126 | ||||||||
2,098 | ||||||||
1,448 |
Выберем параметры нормального закона так, чтобы выполнялись условия . Таким образом .
Построим теперь сравнительные диаграммы функций распределения и . Для этого вычислим значения законов теоретических и экспериментальных распределений в границах разрядов и построим таблицу:
-4 | -3 | -2 | -1 | ||||||
0,012 | 0,050 | 0,144 | 0,266 | 0,240 | 0,176 | 0,092 | 0,020 | 0,000 | |
0,012 | 0,062 | 0,206 | 0,472 | 0,712 | 0,888 | 0,980 | 1,000 | 1,000 | |
0,004 | 0,025 | 0,090 | 0,199 | 0,274 | 0,234 | 0,124 | 0,041 | 0,008 | |
0,002 | 0,014 | 0,067 | 0,210 | 0,454 | 0,717 | 0,897 | 0,975 | 0,996 |
Для вычисления значений функции следует использовать встроенную функцию EXCEL НОРМРАСП(x;0,168;1,448;ИСТИНА), а для вычисления значений функции – НОРМРАСП(x;0,168;1,448;ЛОЖЬ).
В качестве значений функции следует выбирать частоты , так как все длины разрядов равны единице. Значения функции вычисляются по формуле .
Диаграммы с графиками этих функций имеют вид
Пример 2.7.1.
Проверим теперь правдоподобие гипотезы о виде закона распределения по критерию согласия Пирсона для примера 2.5.1. Заданное статистическое распределение аппроксимировано теоретической кривой.
Проверим согласованность теоретического и статистического законов распределения:
1. Находим вероятности попадания в разряды по формуле
. (2.7.5)
2. Составляем сравнительную таблицу чисел попаданий в разряды и соответствующих значений .
3. Вычисляем значение меры расхождения .
4. Определяем число степеней свободы: .
5. Результаты вычислений вносим в таблицу.
Число опытов | ||||||||
Начало разряда | -4 | -3 | -2 | -1 | ||||
Конец разряда | -3 | -2 | -1 | |||||
Число попаданий | ||||||||
0,012 | 0,053 | 0,143 | 0,244 | 0,263 | 0,180 | 0,078 | 0,021 | |
6,171 | 26,413 | 71,387 | 121,939 | 131,698 | 89,942 | 38,828 | 10,588 | |
0,005 | 0,076 | 0,005 | 1,003 | 1,039 | 0,042 | 1,325 | 0,033 | |
3,527 | ||||||||
Вероятность | 0,619 |
Примечания:
1. Функция – встроена в EXCEL под именем НОРМСТРАСП.
2. Для определения искомой вероятности следует воспользоваться встроенной функцией EXCEL ХИ2РАСП(;).
Расчет вероятности по таблице дает = 0,619. Эта вероятность малой не является; поэтому гипотезу о том, что величина распределена по нормальному закону, можно считать правдоподобной.
Рассмотрим еще один критерий согласия Колмогорова А.Н.. В качестве меры расхождения между теоретическим и статистическим распределениями в нем принимается максимальное значение модуля разности между статистической функцией распределения и соответствующей теоретической функцией распределения : .
Основанием для выбора в качестве меры расхождения величины D является простота ее вычисления. Можно показать, что, какова бы ни была функция распределения случайной непрерывной величины X, при неограниченном возрастании числа независимых наблюдений n вероятность неравенства
стремится к пределу
Схема применения критерия Колмогорова А.Н. следующая: строятся статистическая функция распределения и предполагаемая теоретическая функция распределения , и определяется максимум модуля разности между ними. Далее, определяется величина
и вычисляется вероятность . Если вероятность весьма мала, гипотезу следует отвергнуть как неправдоподобную; при сравнительно больших значениях ее можно считать совместимой с опытными данными.
Критерий Колмогорова А.Н. своей простотой выгодно отличается от описанного ранее критерия; поэтому его весьма охотно применяют на практике.
Следует, однако, оговорить, что этот критерий можно применять только в случае, когда гипотетическое распределение полностью известно заранее из каких-либо теоретических соображений, т. е. когда известен не только вид функции распределения , но и все входящие в нее параметры.
Свойство состоятельности.
При увеличении числа опытов величина должна сходится по вероятности к параметру .
Свойство несмещенности.
При использовании величины вместо не должна накапливаться ошибка в одну или другую сторону
(2.8.2)
Свойство эффективности.
Выбранная несмещенная оценка должна обладать наименьшей дисперсией.
(2.8.3)
Величину , называют иногда точечной оценкой для параметра .
– Конец работы –
Используемые теги: Конспект, лекций, математике, Теория, вероятностей, Математическая, Статистика0.095
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: КОНСПЕКТ ЛЕКЦИЙ ПО МАТЕМАТИКЕ ТЕОРИЯ ВЕРОЯТНОСТЕЙ МАТЕМАТИЧЕСКАЯ СТАТИСТИКА
Если этот материал оказался полезным для Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов