27. Непрерывные случайные величины. Функция распределения. Интегральный закон распределения.
Закон распределения непрерывной случайной величины нельзя задать также, как для дискретной. Он неприменим в силу того, что нельзя перечислить все бесконечное несчетное множество значений, а вероятности каждого отдельно взятого значения непрерывной случайной величины равны нулю. Для описания закона распределения непрерывной случайной величины Х предлагается другой подход: рассматривать не вероятности событий Х=х для разных х, а вероятности события Х<х. При этом вероятность P(X Функцией распределения случайной величины Х называется функция F(x), выражающая для каждого х вероятность того, что случайная величина Х примет значение, меньшее х:
![](23962_html_m63c702fc.png)
Функцию F(x) называют интегральной функцией распределения или интегральным законом распределения. Способ задания непрерывной случайной величины с помощью функции распределения не является единственным. Необходимо определить некоторую функцию, отражающую вероятности попадания случайной точки в различные участки области возможных значений непрерывной случайной величины. Т. е. представить некоторую замену вероятностям pi для дискретной случайной величины в непрерывном случае. Такой функцией является плотность распределения вероятностей. Плотностью вероятности (плотностью распределения, дифференциальной функцией) случайной величины Х называется функция f(x), являющаяся первой производной интегральной функции распределения:
![](23962_html_d5166b5.png)
Про случайную величину Х говорят, что она имеет распределение (распределена) с плотностью f(x) на определенном участке оси абсцисс. Равномерный закон распределения. Непрерывная случайная величину Х имеет равномерный закон распределения (закон постоянной плотности) на отрезке [a; b], если на этом отрезке функция плотности вероятности случайной величины постоянна, т.е. f(x) имеет вид: ![](23962_html_m25ad4d34.png)
34.Интегральная и дифференциальная ф-ии нормального распределения.Кривая Гаусса.
Интегральной функцией распределения непрерывной случайной величины X называется ф-ия F(x),равная вероятности того,что X приняла значение,меньше x:F(x)=P(X F(x)-геометрический смысл этого равенства,это вер-ть того,что случ.величина X примет значение,которое изображается на числовой оси точкой,лежащей левее точки x.Функция распределения совершенно так же определяется для дискретных случайных величин.
Плотностью распределения вероятностей непрерывной случ.величины(дифференц.ф-ей распр-я)называют первую производную от ф-ии распределения: F’(x)=f(x)
Ф-ия F(x) общего нормального распределения F(x)= ,а ф-ия нормированного распределения (x)= .Ф-ия (x) табулирована.Легко проверить,что F(x)=F((x-a)/σ)
Нормальной кривой Гаусса назыв. график плотности нормального распределения.
35. Понятие и примеры системы случаиных величин.
Случайной величиной называют величину, которая в результате испытания примет одно и только одно возможное значение,наперед не известное и зависящее от случайных причин, которые заранее не могут быть учтены. Более строгое определение случайной величины можно дать следующим образом: Случайной величиной называется функция X(ω), определенная на некотором множестве элементарных событий Ω. Случайные величины обычно обозначают большими буквами X, Y, Z, а их возможные значения – соответствующими строчными буквами x, y, z.Пример 1 Число родившихся мальчиков (или девочек) среди ста новорожденных. Пример2 Число появлений герба при четырех бросаниях монеты. Пример3 Время безотказной работы некоторого прибора.
| 28. Непрерывные случайные величины. Плотность распределения вероятностей непрерывной случайной величины. Дифференциальная функция распределения.
Функцией распределения вероятностей называют функцию , определяющую вероятность того, что случайная величина в результате испытания примет значение, меньшее , то есть:
.![](23962_html_55bd25ea.png)
Случайную величину называют непрерывной, если ее функция распределения вероятностей есть непрерывная, кусочно-дифференцируемая функция с непрерывной производной.
![](23962_html_m317b1d7.png)
Свойства функции распределения вероятностей случайной величины
Значения функции распределения вероятностей принадлежат отрезку :
![](23962_html_m75df8951.png)
Функция распределения вероятностей – неубывающая функция, то есть:
![](23962_html_f45615b.png)
Следствие 1. Вероятность того, что случайная величина примет значение, заключенное в интервале , равна приращению функции распределения вероятностей на этом интервале:
![](23962_html_m258b7187.png)
Следствие 2. Вероятность того, что непрерывная случайная величина примет одно определенное значение, равна нулю.![](23962_html_m4d8897ec.png)
Используя последнее следствие, легко убедиться в справедливости следующих равенств:
Если возможные значения непрерывной случайной величины принадлежат интервалу , то:
![](23962_html_6b3d1532.png)
Следствие. Если возможные значения непрерывной случайной величины расположены на всей числовой оси, то справедливы следующие предельные соотношения:
;![](23962_html_m686fe930.png)
Плотностью распределения вероятностей непрерывной случайной величины называют функцию – первую производную от функции распределения вероятностей :
.![](23962_html_m2216a345.png)
Таким образом, функция распределения вероятностей является первообразной для плотности распределения вероятностей.
Теорема. Вероятность того, что непрерывная случайная величина примет значение, принадлежащее интервалу , равна определенному интегралу от плотности распределения, взятому в соответствующих пределах:
.![](23962_html_m71d9fcce.png)
Следовательно, зная плотность распределения вероятности , можно найти функцию распределения по формуле
![](23962_html_m6b10bcda.png) 36. Характеристика закона больших чисел. Неравенство Чебышева. Теорема Чебышева. Теорема Бернулли.
Для практики очень важно знание условий, при выполнении которых совокупное действие очень многих случайных причин приводит к результату, почти не зависящему от случая, так как позволяет предвидеть ход явлений. Эти условия и указываются в теоремах, носящих общее название закона больших чисел. К ним относятся теоремы Чебышева и Бернулли. Теорема Чебышева является наиболее общим законом больших чисел, теорема Бернулли – простейшим. Приведем данные теоремы и неравенство Чебышева без доказательств.
Неравенство Чебышева (оценка снизу): Вероятность того, что отклонение случайной величины X от ее математического ожидания по абсолютной величине меньше положительного числа ε , не меньше, чем : . Неравенство Чебышева (оценка сверху): Вероятность того, что отклонение случайной величины X от ее математического ожидания по абсолютной величине не меньше положительного числа ε , меньше или равна : . Теорема Чебышева: Если X1, X2…..Xn,…- попарно независимые случайные величины, причем дисперсии их равномерно ограничены (не превышают постоянного числа C) ,то, как бы мало ни было положительное число ε, вероятность неравенства
будет как угодно близка к единице, если число случайных величин достаточно велико.Другими словами, в условиях теорем . Теорема Бернулли: Если в каждом из n независимых испытаний вероятность p появления события A постоянна, то как угодно близка к единице вероятность того, что отклонение относительной частоты от вероятности p по абсолютной величине будет сколь угодно малым, если число испытаний достаточно велико.
| 29.Нахождение интегральной функции распределения через дифференциальную ф-ию.Вероятность попадания непрерывной случ.величины в заданный интервал.
Теорема.В-ть попадания непрерывной случ.величины X в интервале(a,b) равна определенному интегралу от ее плотности вер-ти,взятому в пределах от a до b P(-a . В частности,если f(x)-четная ф-ия и концы интервала симметричны относительно начала координат,то P(-a
F(x)= позволяет найти интегральную ф-ию распределения F(x) по ее плотности вероятности. 30. Математическое ожидание непрерывнои случаинои величины.
Математическим ожиданием непрерывной случайной величины X, возможные значения которой принадлежат отрезку [a,b], называют определенный интеграл ![](23962_html_m36f1f095.gif)
Если возможные значения принадлежат всей оси Ox , то Замечание: Предполагается, что несобственный интеграл сходится абсолютно, то есть существует интеграл ![](23962_html_46c7329a.gif) 31. Дисперсия непрерывнои случ.величины. Стандартное отклонение.
Дисперсиеи непрерывнои случ.величины наз-ют мат.ожидание квадрата ее отклонения.Если возможные значения Х принадлежат отрезку [а,в], то: M(x)= . Если возможные значения принадлежат всеи оси, то: M(x)= . Так как D(X) = M(X2) – [M(X)]2, то можно использовать следующие формулы для вычисления дисперсии:
или .Замечание: Свойства математического ожидания и дисперсии дискретных случайных величин сохраняются и для непрерывных величин. Среднее квадратическое отклонение непрерывной случайной величины определяется аналогично дискретному случаю: .
| 32 Нормальное распределение непрерывнои случаинои величины и его параметры. Плотность вероятности нормированного нормального распределения таблица значении этои функции.
Нормальным называют распределение вероятностей непрерывной случайной величины, которое описывается следующей плотностью вероятностей: , где .Стандартным нормальным или нормированным называют нормальное распределение с параметрами и . Например, если X – нормальная величина с параметрами и , то - стандартная нормальная величина, причем и . Плотность стандартного нормального распределения имеет вид
.Функция распределения нормального распределения имеет вид: . Функция распределения стандартного нормального распределения имеет вид: .
33. Вероятность попадания нормального распределения случ.величины в заданный интервал.Вер-ть заданного отклонения.Правило трех сигм.
В-ть попадания нормально распределенной случайной величины X в интервале(α,β) определяется по формуле:P(αϕ
Вероятность отклонения нормально распределенной случ.величины от матем.ожидания по абсолютной величине меньше,чем на δ(δ>0),определяется по формуле:P(│x-a│<σ)=2ϕ( ) (3)
Правило трех сигм. Полагая в выражении (3)σ=3σ,получим P(│x-a│<3σ)=2ϕ(3)
39. Математическое ожидание и дисперсия функции одного случ.аргумента для двух случаев: аргумент – непрерывная случ.величина.
Мат.ожиданием непрерывнои случ.величины Х, возможные значения которои принадлежат отрезку [а,в], наз-ют определенныи интеграл.M(x)= . Если возможные значения принадлежат всеи оси Ох, то: M(x)= . Дисперсиеи непрерывнои случ.величины наз-ют мат.ожидание квадрата ее отклонения.Если возможные значения Х принадлежат отрезку [а,в], то: M(x)= . Если возможные значения принадлежат всеи оси, то: M(x)= . Среднее квадратическое отклонение равно корню из дисперсии. 40. Задачи мат.статистики. Генеральная и выборочная совокупности. Повторная и бесповторная выборки. Репрезентативная выборка.
Мат.статистика занимается обработкои результатов случ.эксперимента. ее задачи: 1)Разработка методологии сбора и группировки статистического материала, полученного в результате наблюдении за случ.процессами.2)разработка методов анализа получаемых статистических данных. Этот анализ включает оценку вероятностеи события, функции плотности вероятности, оценку параметров известного распредделения. Генеральнои совокупностью наз-ся множество объектов произвольнои природы, обладающих признаками, доступными для наблюдения и количественного изменения. Распределение Х часто наз-ют распределением генеральнои совокупности. Выборочная совокупность — множество случаев с помощью определённой процедуры выбранных из генеральной совокупности для участия в исследовании. Если выборки делают по одному объекту, которыи обследуют и снова возвращают в генеральную совокупность, то выборка наз-ся повторнои.Если объекты выборки уже не возвращают, то безповторнои. Репрезентативная выборка - это выборка из генеральной совокупности с распределением F(x), представляющая основные особенности генеральной совокупности.
| 37. Понятие функции одного случайного аргумента. Нахождение распределения функции по известному распределению дискретного и непрерывного аргумента.
Если каждому возможному значению случайной величины Х соответствует одно возможное значение случайной величины Y, тоY называют функцией случайного аргу-мента Х: Y = φ(X). Пусть задана функция Y = (X) случайного аргумента X, где аргумент X – дискретная случайная величина с возможными значениями x1, x2,…xn ,вероятности которых соответственно равны p1, p2,…pn. Очевидно, Y - также дискретная случайная величина с возможными значениями
А) Если различным возможным значениям аргумента X соответствуют различные возможные значения функции Y, то вероятности соответствующих значений X и Y между собой равны, так как событие “величина X приняла значение xi” влечет за собой событие “величина Y приняла значение (xi)”, то вероятности возможных значений Y соответственно равны p1, p2,…pn. b) Если различным возможным значениям X соответствуют значения Y, среди которых есть равные между собой, то следует складывать вероятности повторяющихся значений Y.
38. Математическое ожидание и дисперсия функции одного случ.аргумента для двух случаев: аргумент – дискретная случ величина.
Пусть некоторая дискретная случ величина Х с конечным числом своих значении задана законом распределения. Мат.ожиданием М(Х) дискретнои случ.величины Х наз-ся сумма произведении всех возможных значении величины Х на соответствующие вероятности. М(Х)=х1р1 + х2р2+… . Теорема: Мат.ожидание дискр.случ.величины Х приближенно равно среднему арифмет.всех ее значении(при достаточно большом числе испытании) Хср=М(Х). Матем.ожидание случ.величины можно приближенно считать ее средним значением, что и делают на практике. Дисперсиеи D(X) дискретнои случ.величины Х наз-ся мат.ожидание квадрата отклонения случ.величины от ее мат.ожидания. D(x)=M[(X – M(X) . Из закона распределения величины [X – M(X) следует, что D(x)=M[(X1 – M(X) p1 + M[(X2 – M(X) p2 +…. M[(Xn – M(X) pn. Теорема: Дисперсия равна разности между мат.ожид. квадрата случ.величины Х и квадратом ее мат.ожидания:
D(X)=M(![](23962_html_506cc9d5.gif)
| |