- •Минобрнауки россии
- •Содержание
- •Раздел I теория вероятностей 8
- •Раздел II математическая статистика 73
- •Введение
- •Раздел I теория вероятностей
- •Правило суммы
- •Правило произведения
- •Формулы комбинаторики
- •Размещения без повторения
- •Перестановки без повторений
- •Сочетания без повторений
- •Размещения с повторением
- •Сочетания с повторением
- •Перестановки с повторением
- •Лекция 2. Пространство элементарных событий. Классическое определение вероятности
- •Пространство элементарных событий
- •Свойства вероятности
- •Лекция 3. Различные определения вероятностей Статистическое определение вероятности
- •Геометрическая вероятность
- •Парадокс Бертрана
- •Аксиоматическое построение теории вероятностей
- •Лекция 4. Условная вероятность. Теорема умножения. Независимые события. Формула полной вероятности
- •Независимые события. Теорема умножения
- •Формула полной вероятности
- •Формула Бейеса
- •Лекция 5. Независимые испытания. Формула Бернулли.
- •Формула Бернулли
- •Наивероятнейшее число
- •Локальная предельная теорема Муавра-Лапласа
- •Интегральная предельная теорема Лапласа
- •Лекция 6. Дискретная случайная величина и ее числовые характеристики Виды случайных величин. Способы описания дискретной случайной величины
- •Функция распределения
- •Свойства функции распределения
- •Математическое ожидание и дисперсия дискретной случайной величины
- •Свойства математического ожидания дискретной случайной величины
- •Математическое ожидание и дисперсия некоторых случайных величин
- •Лекция 7. Непрерывная случайная величина и её распределения
- •Нормальное (гауссовское) распределение
- •Равномерное распределение
- •Лекция 8. Математическое ожидание, дисперсия, моменты непрерывной случайной величины
- •Закон больших чисел. Теорема Чебышева. Центральная предельная теорема
- •Лекция 9. Некоторые модели законов распределений, наиболее распространенных в практике статистических исследований
- •1. Биномиальное распределение
- •2. Распределение Пуассона
- •3. Нормальное (гауссовское) распределение
- •4. Логарифмически-нормальное распределение
- •5. Экспоненциальное распределение
- •7. Распределение Стьюдента с степенями свободы
- •8. Распределение Фишера-Снедекора (f-распределение).
- •Раздел II математическая статистика Лекция 1. Генеральная совокупность. Выборка. Способы образования выборки. Статистическая оценка параметров распределения.
- •Задача статистической оценки параметров
- •Точечные оценки основных параметров распределений
- •Лекция 2. Законы распределения выборочных характеристик, используемые при оценке параметров. Интервальные оценки параметров распределения.
- •1. Распределение средней арифметической.
- •2. Распределение Пирсона (- хи квадрат).
- •3. Распределение Стьюдента (t-распределение).
- •Интервальная оценка параметра распределения. Понятие доверительного интервала.
- •Интервальные оценки для генеральной средней.
- •Интервальные оценки для генеральной доли
- •Интервальные оценки для генеральной дисперсии и среднего квадратического отклонения
- •Лекция 3. Проверка статистических гипотез о значении параметров распределения. Понятие статистической гипотезы и статистического критерия.
- •1. Проверка гипотезы о значении генеральной средней нормально распределённой совокупности
- •2. Проверка гипотезы о значении генеральной дисперсии нормально распределённой совокупности.
- •3. Вычисление мощности критерия
- •Мощность критерия при проверке гипотезы о значении генеральной средней
- •Мощность критерия при проверке гипотезы о значении генеральной дисперсии
- •Лекция 4 Гипотезы о виде закона распределения генеральной совокупности
- •Вычисление теоретического ряда частот
- •Понятие о критериях согласия
- •Критерий согласия Пирсона
- •Лекция 5. Элементы корреляционного анализа Задачи корреляционного анализа. Двумерная корреляционная модель
- •Примерные вопросы к экзамену
- •Задачи к экзамену
Лекция 7. Непрерывная случайная величина и её распределения
Уточним определение непрерывной случайной величины.
Случайную величину Х назовем непрерывной, если её интегральная функция распределения непрерывна.
Класс непрерывных случайных величин, функции распределения которых всюду непрерывны и дифференцируемы, имеет и другую, удобную форму задания распределения, с помощью, так называемой функции плотности вероятности f(x), определяемой как предел
Или, что то же самое,
(1)
Из определения и свойств функции распределения следует
С учетом формулы (1), получим
(2)
В связи с введенными формулами, F(x) и f(x) получили названия интегральной и дифференциальной функций распределения соответственно.
Отметим один интересный факт: вероятность того, что непрерывная случайная величина примет какое-либо конкретное значение Х = а равна нулю:
Свойства функции плотности:
1. . Это свойство следует из того,F(x)-неубывающая функция.
2. ,
3. . Это свойство следует из формулы Лагранжа для функцииF(x).
В частности при малых значениях , приближенно выполняется равенство
.
4. .
Прокомментируем некоторые из этих свойств функции плотности:
Свойство 3) позволяет пояснить вероятностный смысл функции плотности. Так, предположив для определенности область возможных значений случайной величины Х конечной и разбив её на одинаковые, достаточно малые интервалы группированияс центрами в точках
и т.д.,
мы можем поставить в соответствие каждому i-му интервалу вероятность события
,
равную величине . Таким образом,значения функции f(x) пропорциональны вероятности того, что исследуемая случайная величина примет значения в непосредственной близости от точки х. Отсюда следует, что наиболее вероятным (модальным) значением случайной величины является такое значение , в котором функция плотности достигает своего максимума, т.е.
.
Геометрическая интерпретация свойства 2) непосредственно следует из геометрического смысла определенного интеграла.
Нормальное (гауссовское) распределение
Это распределение занимает центральное место в теории и практике вероятностно-статистических исследований. В качестве непрерывной аппроксимации к биномиальному распределению оно впервые рассматривалось А. Муавром еще в 1733 году. Некоторое время спустя нормальное распределение было снова открыто и изучено независимо друг от друга К. Гауссом (1809 г.) и П. Лапласом (1813 г.). Оба ученых пришли к нормальному закону в связи со своей работой по теории ошибок наблюдений. Идея их объяснения механизма формирования нормально распределенных случайных величин заключается в следующем. Постулируется, что значения исследуемой непрерывной случайной величины формируются под воздействием очень большого числа независимых случайных факторов, причем сила воздействия каждого отдельного фактора мала и не может превалировать среди остальных, а характер воздействия – аддитивный. Можно показать, что функция плотности распределения случайных величин подобного типа имеет вид
, (3)
где , а – любое действительное число. Само распределение называют нормальным. Проведя исследование функцииметодами дифференциального исчисления, легко убедиться, что её график имеет вид:
Рис. 7.1. график функции плотности нормального распределения
Найдем функцию нормального распределения. Запишем по определению (формула (2)):
.
Выполним замену переменной интегрирования по формуле
, .
Тогда интеграл примет вид:
.
Первый интеграл в полученной формуле есть интеграл Пуассона и равен
,
второй интеграл – значение интегральной функции Лапласа в точке :
.
Тогда
(4)
Как следствие из формулы (4) отметим следующие формулы:
(5)
(6)
В частности, если , то из формулы (6) следует
(7)
Формулу (7) часто называют «Правилом трех сигм», которое означает, что с достаточно большой вероятностью P = 0,9973, можно утверждать, что почти все значения случайной величины находятся в интервале с центром М(Х) = а и радиусом .