Приближённая формула Пуассона

Если при наличии схемы Бернулли число испытаний n велико, а вероятность наступления события p мала, то вместо формулы Бернулли используют формулу Пуассона:

Здесь вы можете найти таблицу распределения Пуассона. В Excel значения можно вычислить по формуле =ПУАССОН(k;λ;0)

Пример 9.1

Вероятность выпуска бракованного сверла (повышенной хрупкости) равна 0,02. Свёрла укладывают в коробки по 100 штук. Определить вероятность того, что число бракованных свёрл коробке не превосходит трёх.

Показать решение

14.

15 Дискретные случайных величин.

Под случайной величиной понимается величина, которая в результате опыта со случайным исходом принимает то или иное значение. Возможные значения случайной величины образуют множество Ξ, которое называется множеством возможных значений случайной величины. Обозначения случайной величины: X, Y, Z; возможные значения случайной величины: x, y, z.

В зависимости от вида множества Ξ случайные величины могут быть дискретными и недискретными. СВ Х называется дискретной, если множество ее возможных значений Ξ – счетное или конечное. Если множество возможных значений СВ несчетно, то такая СВ является недискретной.

В теоретико-множественной трактовке основных понятий теории вероятностей случайная величина Х есть функция элементарного события: X=φ(ω), где ω – элементарное событие, принадлежащее пространству Ω. При этом множество Ξ возможных значений СВ Х состоит из всех значений, которые принимает функция φ(ω).

Ряд распределения дискретной случайной величины.

Наиболее простую форму можно придать закону распределения дискретной случайной величины. Рядом распределения дискретной случайной величины называется таблица, в которой перечислены в порядке возрастания все возможные значения случайной величины X: x₁, x₂, …, x_n, … и вероятности этих значений p₁, p₂, …, p_n, …, где p_i=P{X=x_i} – вероятность того, что в результате опыта СВ Х примет значение x_i (i=1,2,…, n, …).

Ряд распределения записывается в виде таблицы:

X	x₁	x₂	…	x_n	…
P	p₁	p₂	…	p_n	…

Так как события {X=x1}, {X=x2}, … несовместны и образуют полную группу, то сумма всех вероятностей, стоящих в нижней строке равна единице:

(5.1)

Функция распределения и ее свойства.

Наиболее общей формой закона распределения, пригодной для всех случайных величин (как дискретных, так и недискретных) является функция распределения.

Функцией распределения случайной величины X называется вероятность того, что она примет значение меньшее, чем аргумент функции x:

F(x)=P{X<x}.

Геометрически функция распределения интерпретируется как вероятность того, что случайная точка X попадет левее заданной точки X (рис. 5.1). Из геометрической интерпретации наглядно можно вывести основные свойства функции распределения.

F(-¥) = 0. (5.2)

2. F(+¥) = 1. (5.3)

F(x) – неубывающая функция своего аргумента, т.е. при x₁ < x₂

F(x₁) £ F(x₂).

Доказательство этого свойства иллюстрируется рис. 5.2.

Представим событие C={X<x₂} как сумму двух несовместных событий С=A+B, где A={X<x₁} и B={x₁£X<x₂}.

По правилу сложения вероятностей

P(C)=P(A)+P(B),

т.е. P{X<x₂}=P{X<x₁}+P{ x₁£X<x₂}, или

F(x₂)=F(x₁)+P{x₁£X<x₂}.

Но P{x₁£X<x₂}£0, следовательно, F(x₁) £ F(x₂)

4. P(α£ X < β) = F(β) - F(α), для "[α,β[ÎR. (5.4)

Доказательство этого свойства вытекает из предыдущего доказательства.

Вероятность того, что случайная величина Х в результате опыта попадет на участок от α до β (включая α) равна приращению функции распределения на этом участке.

Таким образом, функция распределения F(x)любой случайной величины есть неубывающая функция своего аргумента, значения которой заключены между 0 и 1: 0≤F(x)≤1, причем F(-∞)=0, F(+∞)=1.

16. Дисперсия суммы двух случайных величин равна сумме их дисперсий плюс удвоенный их корреляционный момент.

17. Числовые характеристики дискретных случайных величин

Числа, которые описывают случайную величину суммарно, называют числовыми характеристиками случайной величины.
Математическим ожиданием дискретной случайной величины называют сумму произведений всех ее возможных значений на их вероятности:
,
где – возможные значения случайной величины , а – соответствующие вероятности.
Замечание. Вышеприведенная формула справедлива для дискретной случайной величины, число возможных значений которой конечно. Если же случайная величина имеет счетное число возможных значений, то для нахождения математического ожидания используют формулу:
,
причем это математическое ожидание существует при выполнении соответствующего условия сходимости числового ряда в правой части равенства.
Вероятностный смысл математического ожидания: математическое ожидание приближенно равно (тем точнее, чем больше число испытаний) среднему арифметическому наблюдаемых значений случайной величины.

18.Непрерывная случайная величина. Плотность распределения случайной величины и ее свойства.

Случайная величина Х называется непрерывной, если ее функция распределения F(x) есть непрерывная, кусочно-дифференцируемая функция с непрерывной производной.

Так как для таких случайных величин функция F(x) нигде не имеет скачков, то вероятность любого отдельного значения непрерывной случайной величины равна нулю

P{X=α}=0 для любого α.

В качестве закона распределения, имеющего смысл только для непрерывных случайных величин существует понятие плотности распределения или плотности вероятности.

Вероятность попадания непрерывной случайной величины X на участок от x до x+Dx равна приращению функции распределения на этом участке:

P{x£ X <x+Dx}=F(x+Dx) - F(x).

Плотность вероятности на этом участке определяется отношением

(5.6)

Плотностью распределения (или плотностью вероятности) непрерывной случайной величины X в точке x называется производная ее функции распределения в этой точке и обозначается f(x). График плотности распределения называется кривой распределения.

Пусть имеется точка x и прилегающий к ней отрезок dx. Вероятность попадания случайной величины X на этот интервал равна f(x)dx. Эта величина называется элементом вероятности.

Вероятность попадания случайной величины X на произвольный участок [a, b[ равна сумме элементарных вероятностей на этом участке:

(5.7)

В геометрической интерпретации P{α≤X<β} равна площади, ограниченной сверху кривой плотности распределения f(x) и опирающейся на участок (α,β) (рис. 5.4).

Это соотношение позволяет выразить функцию распределения F(x) случайной величины X через ее плотность:

(5.8)

В геометрической интерпретации F(x) равна площади, ограниченной сверху кривой плотности распределения f(x) и лежащей левее точки x (рис. 5.5).

Основные свойства плотности распределения:

Плотность распределения неотрицательна: f(x) ³ 0.

Это свойство следует из определения f(x) – производная неубывающей функции не может быть отрицательной.

2. Условие нормировки: Это свойство следует из формулы (5.8), если положить в ней x=∞.

Геометрически основные свойства плотности f(x) интерпретируются так:

вся кривая распределения лежит не ниже оси абсцисс;
полная площадь, ограниченная кривой распределения и осью абсцисс, равна единице.

19.Числовые характеристики случайных величин.

Законы распределения случайной величины являются исчерпывающими характеристиками. Каждый закон распределения представляет собой некоторую функцию, указание которой полностью описывает случайную величину с вероятностной точки зрения.

Однако часто закон распределения неизвестен и приходится ограничиваться меньшими сведениями; зачастую достаточно бывает только отдельные числовые параметры, характеризующие отдельные черты распределения; например, среднее значение или разброс случайной величины («степень случайности»). Такие числа называются числовыми характеристиками случайной величины.

Рассмотрим случайную величину Y, зависящую функционально от случайной величины X с известным законом распределения F(x): Y=φ(X).

Если Х – дискретная случайная величина и известен ее ряд распределения имеет вид:

X_i	x₁	x₂	…	x_n
p_i	p₁	p₂	…	p_n

Определяем вероятности появления различных значений случайной величины У

φ(X)_i	φ(x₁)	φ(x₂)	…	φ(x_n)
p_i	p₁	p₂	…	p_n

Тогда математическое ожидание случайной величины Y определяется так:

(9.1)

Если случайная величина X непрерывна и имеет плотность распределения f(x), то заменяя в формуле (9.1) вероятности p_i элементом вероятности f(x)dx, а сумму – интегралом, получаем:

. (9.2)

Для смешанной случайной величины выражение для математического ожидания преобразуется к виду:

(9.3)

Соотношения (9.1), (9.2) и (9.3) – общее понятие математического ожидания, позволяющее вычислить математическое ожидание для неслучайных функций случайного аргумента.

20 Биномиальное распределение.

Дискретная случайная величина X имеет биноминальное распределение, если ее закон распределения описывается формулой Бернулли:

где p – параметр распределения

Распределение загасит от двух параметров п и р.

На практике биноминальное распределение возникает при следующих условиях. Пусть производится серия из п испытании, в каждом из которых некоторое событие появляется с вероятностьюр. Случайная величина X, равная числу наступлений события в п опытах, имеет биноминальное распределение.

Числовые характеристики: М [Х] = n, D[X]= npq.

Название объясняется тем, что правую часть равенства можно рассматривать как общий член разложения Бинома Ньютона:

т.е. .

22.Геометрическое распределение.

Дискретная случайная величина X имеет геометрическое распределение, если вероятности ее возможных значений 0,1,….,k,.. определяются так:

где p – параметр распределения, а q=1-p.

				…	k	…
	p			…		…

На практике геометрическое распределение появляется при следующих условиях. Пусть производится некоторый опыт, в котором некоторое событие появляется с вероятностью p. Опыты производятся последовательно, до наступления события. Случайная величина X, равная числу неудачных опытов, имеет геометрическое распределение.

Числовые характеристики геометрического распределения:

Смещенное геометрическое распределение.

“Смещенное” геометрическое распределение получается из геометрического путем преобразования СВ X и СВ Y=X+1.

Дискретная случайная величина Y имеет смещенное геометрическое распределение если вероятности ее возможных значений 1,…,k, определяются так

где p – параметр распределения а q=1-p.

				…	k	…
	p			…		…

Числовые характеристики смещенного геометрического распределения определяются с использованием их свойств:

24. Нормальное распределение

Непрерывная случайная величина Х имеет нормальное распределение, если ее плотность вероятности имеет вид:

(8.12)

Определим числовые характеристики нормально распределенной случайной величины Х. Математическое ожидание:

Применяя замену переменной

(8.13)

получим

В полученном выражении первый интеграл равен нулю (интеграл в симметричных пределах от нечетной функции), а второй интеграл есть интеграл Эйлера-Пуассона:

(8.14)

Таким образом, математическое ожидание величины Х равно m:

M[X]=m.

Вычислим дисперсию СВ Х:

Применяя замену переменной (8.13) получим:

Интегрируя по частям, получим:

Первое слагаемое в фигурных скобках равно нулю (т.к. при t→∞ убывает быстрее, чем возрастает любая степень t), второе слагаемое, согласно (8.14), равно , откуда

Таким образом, нормальное распределение случайной величины полностью описывается двумя числовыми характеристиками: математическим ожиданием M[X] и средним квадратичным отклонением σ.

Рассмотрим влияние параметров m и σ на кривую распределения. При изменении параметра m кривая f(x), не изменяя формы, будет смещаться вдоль оси абсцисс. Изменение σ равносильно изменению масштаба кривой по обеим осям; например, при удвоении σ масштаб по оси абсцисс удвоится, а по оси ординат уменьшится в два раза (рис. 8.3).

Центральные моменты нечетной степени для нормально распределенной случайной величины определяются равны нуню; для вычисления центральных моментов четной степени используется рекуррентное соотношение следующего вида:

(8.15)

Определим вероятность попадания нормально распределенной случайной величины в интервал от α до β:

Сделав замену переменной t=(x-m)/σ, получим:

Так как первообразная для e^-x не выражается через элементарные функции, то для вычисления вероятностей событий, связанных с нормальными случайными величинами используют табулированную функцию Лапласа:

С помощью этой функции вероятность попадания нормально распределенной случайной величины на интервал от α до β определится так:

(8.16)

Функция Лапласа обладает следующими свойствами:

Φ(0)=0;
Φ(-х)=-Φ(х);
Φ(-∞)=0,5.

Функция распределения нормально распределенной случайной величины через функцию Лапласа выражается так:

(8.16)

Нормально распределенная случайная величина возникает в тех случаях, когда складывается много независимых (или слабо зависимых) случайных величин Х₁, Х₂, …, X_n. Тогда, каковы бы не были законы распределения отдельных случайных величин X_i, закон распределения их суммы будет близок к нормальному распределению. В частности, ошибки измерений распределяются по закону, близкому к нормальному.

27 1. Вариационный ряд.

Результаты измерений, опытов и т.д (в математической статистике здесь употребляют слово выборка) являются труднообозримым набором данных. Для дальнейшего изучения выборку подвергают перегруппировке.

Вариационным рядом называется последовательность всех элементов выборки, расположенных в неубывающем порядке. Одинаковые элементы повторяются.

По этому ряду уже можно сделать несколько выводов. Например, средний элемент вариационного ряда (медиана) может быть оценкой наиболее вероятного результата измерения. Первый и последний элемент вариационного ряда (т.е. минимальный и максимальный элемент выборки) показывают разброс элементов выборки. Иногда если первый или последний элемент сильно отличаются от остальных элементов выборки, то их исключают из результатов измерений, считая, что эти значения получены в результате какого-то грубого сбоя, например, техники.

2. Группировочный статистический ряд.

Этот ряд даёт представление о том, как распределены результаты измерений между максимальным и минимальным значением. Для того чтобы дать строгое определение группированного статистического ряда, рассмотрим его построение.

Пусть N – число элементов выборки, x₀– минимальный элемент выборки, x_N – максимальный элемент выборки. Разобьем отрезок [x₀, x_N ] на nравных частей, где

n =1+3.31 lg N (формула Старджесса)

Таким образом, получим набор непересекающихся промежутков

Δ₁ = [x₀, x₁), Δ₂ = [x₁, x₂), …, Δ_{n -1} = [ x_{n -2}, x_{n - 1}), Δ_n = [ x_{n - 1}, x_N]

Длина каждого промежутка (шаг) Δ_k = [ x_k-1, x_k), где k = 1, 2, …, n, вычисляется по формуле

Найдём число элементов выборки, попадающих в каждый из промежутков. Пусть m_k – число элементов выборки, попавших в промежуток Δ_k. Это число также называют абсолютной частотой попадания в промежуток Δ_k.

Группировочный статистический ряд характеризуется также:

относительной частотой – отношение числа элементов выборки, попавших в промежуток Δ_k к общему числу элементов, т.е. m_k / N

Совокупность промежутков и соответствующих им частот (абсолютных и относительных) называют группированным статистическим рядом. Обычно сами промежутки заменяют их серединами, которые вычисляются по формуле , а в качестве частот берут приведённые частоты.

Полигоном частот (относительных частот) выборки называется ломаная с вершинами в точках (, ((, ).

Функция , где - объем выборки, а - число значений в выборке, меньших , называется эмпирической функцией распределения. Функция служит оценкой неизвестной функции распределения , т.е. .

Пусть теперь - непрерывная случайная величина с неизвестной плотностью вероятности . Для оценки по выборке разобьем область значений на интервалы длины . Обозначим через середины интервалов, а через число элементов выборки, попавших в указанный интервал. Тогда - оценка плотности вероятности в точке . В прямоугольной системе координат построим прямоугольники с основаниями и высотами , т.е. площади прямоугольника, равной относительной частоте данного разряда. Полученная таким образом фигура называется гистограммой выборки.