Высшая математика III основы теории вероятностей. Элементы математической статистики




НазваниеВысшая математика III основы теории вероятностей. Элементы математической статистики
страница5/9
Дата20.04.2013
Размер1.61 Mb.
ТипПрограмма курса
1   2   3   4   5   6   7   8   9
Пример 3.5. Найти дисперсию случайной величины, заданной рядом распределения из примера 1.

Решение. Чтобы вычислить дисперсию, необходимо знать математическое ожидание. Для данной случайной величины выше было найдено: m=1.3. Вычисляем дисперсию по формуле (3.5):



Пример 3.6. Случайная величина задана плотностью распределения



Найти дисперсию и среднее квадратическое отклонение.

Решение. Находим сначала математическое ожидание:



(как интеграл от нечетной функции по симметричному промежутку).

Теперь вычисляем дисперсию и среднее квадратическое отклонение:








    1. ПРИМЕРЫ ДИСКРЕТНЫХ РАСПРЕДЕЛЕНИЙ


1. Биномиальное распределение. Случайная величина , равная числу «УСПЕХОВ» в схеме Бернулли, имеет биномиальное распределение: , .

Математическое ожидание случайной величины, распределённой по биноминальному закону, равно

.

Дисперсия этого распределения равна .

2. Распределение Пуассона ,

Математическое ожидание и дисперсия случайной величины с распределением Пуассона , .

Распределение Пуассона часто используется, когда мы имеем дело с числом событий, появляющихся в промежутке времени или пространства, например: число машин, прибывших на автомойку в течении часа, число остановок станков в неделю, число дорожных происшествий и т.д.

3. Геометрическое распределение

Случайная величина имеет геометрическое распределение с параметром , если принимает значения с вероятностями . Случайная величина с таким распределением имеет смысл номера первого успешного испытания в схеме Бернулли с вероятностью успеха . Таблица распределения имеет вид:





    1. ПРИМЕРЫ НЕПРЕРЫВНЫХ РАСПРЕДЕЛЕНИЙ




  1. Равномерное распределение. Плотность равномерного или прямоугольного распределения:

,

т.е. вероятности всех возможных значений случайной величины одинаковы и равны .

Математическое ожидание случайной величины с равномерным распределением равно

,


дисперсия .

Функция распределения имеет вид , (рис. 3.5).



Рис. 3.5. Графики плотности и функции равномерного распределения


  1. Показательное (экспоненциальное) распределение закон, функция плотности распределения которого имеет вид: , где параметр распределения есть действительное число (постоянный параметр) (рис. 3.6).

Функция распределения показательного закона имеет вид:



Математическое ожидание и дисперсия случайной величины, распределенной по показательному закону, равны соответственно , .



Рис. 3.6. Графики плотности и функции показательного распределения


  1. Нормальное распределение. Нормальный закон распределения вероятностей занимает особое место среди других законов распределения. В теории вероятности доказывается, что плотность вероятности суммы независимых или слабо зависимых, равномерно малых (т.е. играющих примерно одинаковую роль) слагаемых при неограниченном увеличении их числа как угодно близко приближается к нормальному закону распределению независимо от того, какие законы распределения имеют эти слагаемые (центральная предельная теорема А. М. Ляпунова).

Плотность вероятности нормально распределенной случайной величины имеет вид: , где и – вещественные параметры распределения, имеющие конечные значения, при этом часто используют обозначение .

Функция распределения записывается в виде

,

Здесь – табулированный интеграл вероятности (значения интеграла можно найти во всех учебниках и задачниках по теории вероятностей). Функция и плотность нормального распределения изображены на рис. 3.7.







Рис. 3.7. Графики плотности и функции нормального распределения


Математическое ожидание нормально распределенной случайной величины равно , дисперсия . Таким образом, параметры и имеют смысл математического ожидания и среднеквадратического значения (отклонения) случайной величины.

Распределение, описываемое функцией , называется нормальным или распределением Гаусса.

На рис.3.8 изображены кривые нормального распределения случайных погрешностей для различных значений среднеквадратического отклонения .



Рис. 3.8. Кривые нормального распределения, .


Из рис. 3.8 видно, что по мере увеличения среднеквадратического отклонения распределение все более и более расплывается, вероятность появления больших значений погрешностей возрастает, а вероятность меньших погрешностей сокращается, т.е. увеличивается рассеивание результатов наблюдений.

Широкое распространение нормального распределения погрешностей в практике измерений объясняется центральной предельной теоремой теории вероятностей, являющейся одной из самых замечательных математических теорем, в разработке которой принимали участие многие крупнейшие математики – Муавр, Лаплас, Гаусс, Чебышев и Ляпунов.

Центральная предельная теорема утверждает, что распределение случайных погрешностей будет близко в нормальному всякий раз, когда результаты наблюдения формируются под влиянием большого числа независимо действующих факторов, каждый из которых оказывает лишь незначительное действие по сравнению с суммарным действием всех остальных.

Свойства нормального распределения.

А. Если случайная величина .

В. Если случайная величина то



В частности, .

Таким образом, вычисление любых вероятностей для нормально распределённой случайной величины сводится к вычислению функции распределения . Она обладает следующими свойствами:

С. Если , то для любого



D. Правило трех сигм. Если то



Большого смысла в запоминании числа 0.0027 нет, но полезно помнить, что почти вся масса нормального распределения сосредоточена в границах от до .

Пример 3.7. Дана случайная величина . Найти .

Решение. По формуле свойства В при получаем По таблице для функции Лапласа находим .



Пример 3.8. Случайная величина X – отклонение размера изделия от нормы – нормально распределенная, причём М (Х)= 0. Найти  (Х), если известно, что Р(– 3 < X < 3) = 0.7.

Решение. Р(– 3 < X < 3) = Р( | X | < 3) = = 0.7. Отсюда следует, что , и, используя табличные данные (приложение 1), получаем 3/ =1.4, или  = 3/1.4  2.14.


  1. ЭЛЕМЕНТЫ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ

Основные задачи математической статистики:

  1. Разработка методологии сбора и группировки статистического материала, полученного в результате наблюдений за случайными процессами.

  2. Разработка методов анализа полученных статистических данных. Этот анализ включает оценку вероятностей события, функции распределения вероятностей или плотности вероятности, оценку параметров известного распределения, а также оценку связей между случайными величинами.




    1. ВЫБОРОЧНЫЙ МЕТОД

        1. ГЕНЕРАЛЬНАЯ СОВОКУПНОСТЬ И ВЫБОРОЧНАЯ

Статистические данные представляют собой данные, полученные в результате обследования большого числа объектов или явлений.

Экспериментальные данные - это результаты измерения некоторых признаков объектов, выбранных из большой совокупности объектов.

Часть объектов исследования, определенным образом выбранная из более обширной совокупности, называется выборкой, а вся исходная совокупность, из которой взята выборка,- генеральной (основной) совокупностью.

Исследования, в которых участвуют все без исключения объекты, составляющие генеральную совокупность, называются сплошными исследованиями. Может использоваться выборочный метод, суть которого в том, что для обследования привлекается часть генеральной совокупности (выборка), но по результатам этого обследования судят о свойствах всей генеральной совокупности.

Предметом изучения в статистике являются варьирующиеся признаки (называемые статистическими). Они делятся на качественные и количественные.

Качественными признаками объект обладает либо не обладает. Они не поддаются непосредственному измерению (спортивная специализация, квалификация, национальность, территориальная принадлежность и т. п.).

Количественные признаки представляют собой результаты подсчета или измерения. В соответствии с этим они делятся на дискретные и непрерывные.

Например, измеряемая температура воздуха в некотором пункте – непрерывная случайная величина (может меняться на сколь угодно малую величину), и соответствующая генеральная совокупность представляет собой бесконечное множество значений.

Повторной
1   2   3   4   5   6   7   8   9

Похожие:

Высшая математика III основы теории вероятностей. Элементы математической статистики iconЭлективный курс «Элементы теории множеств, логики, комбинаторики, математической статистики и теории вероятностей»
Поэтому знание основ теории множеств, логики и теории вероятностей даёт возможность учащимся определиться в профессиональной деятельности,...
Высшая математика III основы теории вероятностей. Элементы математической статистики iconРуководство по решению задач по теории вероятностей и математической статистики : учебное пособие / В. Е. Гмурман. 11-е изд., перераб. М. Высшее образование, 2009. 404 с. (Основы наук)
Высшая математика для студентов экономических, технических, естественно-научных специальностей вузов / И. В. Виленкин, В. М. Гробер....
Высшая математика III основы теории вероятностей. Элементы математической статистики iconСамостоятельная работа 2 часа в неделю
Курс прикладной статистики является логичным продолжением курсов теории вероятностей, теории случайных процессов и математической...
Высшая математика III основы теории вероятностей. Элементы математической статистики iconПрограмма дисциплины «Обучение машин и восстановление зависимостей» для направления 010500. 68 «Прикладная математика и информатика»
«Математический анализ», «Линейная алгебра», «Основы теории вероятностей и математической статистики». Для выполнения самостоятельных...
Высшая математика III основы теории вероятностей. Элементы математической статистики iconМетодические подходы введения в содержание математического образования основной школы элементов комбинаторики, статистики и теории вероятностей о введении элементов комбинаторики, статистики
Российского образования в содержание школьного математического образования внесены изменения: впервые в курс основной и средней школы...
Высшая математика III основы теории вероятностей. Элементы математической статистики iconМетодика изучения темы: «Элементы статистики, комбинаторики и теории вероятностей в школьном курсе математики 7- 9 классов» Из опыта работы учителя математики моу сош №5
Методика изучения темы: «Элементы статистики, комбинаторики и теории вероятностей в школьном курсе математики 7- 9 классов»
Высшая математика III основы теории вероятностей. Элементы математической статистики iconТомский государственный университет факультет прикладной математики и кибернетики утверждаю
Для изучения курса необходимо усвоение студентами теории дифференциальных уравнений, линейной алгебры, теории вероятностей, теории...
Высшая математика III основы теории вероятностей. Элементы математической статистики iconРабочая программа дисциплины (модуля)
Цель освоения учебной дисциплины «Теория вероятностей и математическая статистика» – фундаментальная подготовка в области теории...
Высшая математика III основы теории вероятностей. Элементы математической статистики iconПрограмма дисциплины "Основы теории вероятностей и математической статистики" для направления 080200. 62 Менеджмент Профиль специальных дисциплин «Логистика и управление цепями поставок»
Государственное образовательное бюджетное учреждение высшего профессионального образования
Высшая математика III основы теории вероятностей. Элементы математической статистики iconПлан работы гоу цо «Школа здоровья» №2000 на октябрь 2007 г
Творческая мастерская учителей математики. Теория вероятностей и элементы математической статистики
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница