Теория вероятности Примеры решения задач

История искусства
Живопись Франции
Живопись Испания
Курбе и реализм
Промышленная архитектура и
эстетика века машин
Архитектура во время перемен
Русские художники начала 20 века
Василий Васильевич Кандинский
Баухаус
Архитектура Москвы
История абстрактного искусства
Импрессионизм
художественная школа
Новая техника живописи
выставки импрессионистов
Импрессионисты и символисты
Ван Гог
Гоген Поль Дега Эдгар
Мане Эдуард Моне Клод
Революция соборов
Энергетика
Экология энергетики
Анализ работы электрофильтров
Регенеративные методы
Ядерное топливо
Математическое моделирование экологических систем
Ядерные топливные циклы
Графика
Выполнение графических работ
Машиностроительное черчение
Инженерная графика
Изучаем ArchiCAD
Строительное проектирование
Трехмерная проекция
Maya 3D
Трехмерное объектно-ориентированное
программное обеспечение CAD
Математика решение задач
Функция нескольких переменных
Интеграл Типовые задачи
Системы линейных уравнений
Предел функции
Производная и дифференциал
Неопределенный интеграл
Теория вероятности
Математика примеры решения задач
Обыкновенные дифференциальные
уравнения
Функция комплексной переменной
Дифференциальное исчисление
Элементы линейной алгебры
Пределы и непрерывность функции
Векторная алгебра
Математический анализ
Исследование функций
аналитическая геометрия
Числовые последовательности
Графические методы решения задач
Информатика
Диспетчер доступа
Межсетевое экранирование
Центральный процессор
персонального компьютера
История развития ПК
Сетевые службы Active Directory
Дополнительные сетевые службы
Физика решение задач
Квантовая и атомная физика
Решение задач по физике примеры
Курс лекций по физике
Расчет электрических цепей.
Исследование линейной цепи
Линейные электрические цепи
Методика расчёта электрических цепей
Физика Кинематика
примеры решения задач
Лекции по физике теория газов

 

Комбинаторные формулы

Пусть имеется множество, состоящее из n элементов. Обозначим его . Перестановкой из n элементов называется заданный порядок во множестве .

Примеры перестановок:

1)распределение n различных должностей среди n человек;

2)расположение n различных предметов в одном ряду.

Сочетаниями из n элементов по k элементов называются подмножества, состоящие из k элементов множества  (множества, состоящего из n элементов).

Одно сочетание от другого отличается только составом выбранных элементов (но не порядком их расположения, как у размещений).

Число сочетаний из n элементов по k элементов обозначается   (читается "C из n по k").

Примеры задач, приводящих к подсчету числа сочетаний:

1) Сколько существует вариантов выбора 6-ти человек из 15 кандидатов для назначения на работу в одинаковых должностях?

2) Сколькими способами можно из 20 книг отобрать 12 книг?

Задачи на подсчет числа подмножеств конечного множества называются комбинаторными. Рассмотрим некоторые комбинаторные задачи.

1.Из семи заводов организация должна выбрать три для размещения трех различных заказов. Сколькими способами можно разместить заказы?

Так как из условия ясно, что каждый завод может либо получить один заказ, либо не получить ни одного, и что выбрав три завода, можно по-разному разместить среди них заказы, здесь нужно считать число размещений

Задачи для самостоятельного решения.

1) Автокомбинат получил заявку от строительной фирмы на 5 тяжёлых грузовиков для работы на стройке. Тяжёлый грузовик можно заменить двумя лёгкими грузовиками. На автокомбинате в настоящий момент имеется 5 свободных тяжёлых грузовиков и 5 свободных лёгких грузовиков. Сколько вариантов составления колонны грузовиков для работы на стройке имеет автокомбинат? (Учесть, что каждая машина закреплена за своим шофёром).

Ответ: 101.

2) Сколькими способами можно разложить 7 одинаковых шаров по 4-м ящикам, если в каждый ящик должен попасть хотя бы один шар?

Ответ: 20.

3) Сколькими способами можно разложить 5 разноцветных шаров по 3-м ящикам?

Ответ: 243.

4) Директор фирмы составил список из 5-ти человек, которых он может назначить на вакантную должность своего заместителя, и список из 4-х человек, которых он может назначить на вакантную должность главного бухгалтера. В оба списка вошёл сотрудник Иванов. Других пересечений этих списков не оказалось. Сколько вариантов заполнения двух вакантных должностей имеет директор?

Случайный эксперимент, элементарные исходы, события.

Случайным (стохастическим) экспериментом или испытанием называется осуществление какого-либо комплекса условий, который можно практически или мысленно воспроизвести сколь угодно большое число раз.

Примеры случайного эксперимента: подбрасывание монеты, извлечение одной карты из перетасованной колоды.

Явления, происходящие при реализации этого комплекса условий, то есть в результате случайного эксперимента, называются элементарными исходами. Считается, что при проведении случайного эксперимента реализуется только один из возможных элементарных исходов.

Если монету подбросить один раз, то элементарными исходами можно считать выпадение герба (Г) или цифры (Ц).

Если случайным экспериментом считать троекратное подбрасывание монеты, то элементарными исходами можно считать следующие:

Приведем пример объединения событий. Пусть два стрелка стреляют в мишень одновременно, и событие А состоит в том, что в мишень попадает 1-й стрелок, а событие B – в том, что в мишень попадает 2-й. Событие означает, что мишень поражена, или, иначе, что в мишень попал хотя бы один из стрелков.

Произведением (пересечением)  событий А и B называется событие, состоящее из всех тех элементарных исходов, которые принадлежат и А и B. На рисунке 3 пересечение событий А и B изображено в виде заштрихованной области. В условиях приведенного выше примера событие  заключается в том, что в мишень попали оба стрелка.

Вероятностное пространство Случай конечного или счетного числа исходов.

Для построения полной и законченной теории случайного эксперимента или теории вероятностей, помимо введенных исходных понятий случайного эксперимента, элементарного исхода, пространства элементарных исходов, события, введем аксиому (пока для случая конечного или счетного пространства элементарных исходов).

Классическое определение вероятности.

Вычислять вероятности P(wi ) можно, используя априорный подход, который заключается в анализе специфических условий данного эксперимента (до проведения самого эксперимента).

Возможна ситуация, когда пространство элементарных исходов состоит из конечного числа N элементарных исходов, причем случайный эксперимент таков, что вероятности осуществления каждого из этих N элементарных исходов представляются равными. Примеры таких случайных экспериментов: подбрасывание симметричной монеты, бросание правильной игральной кости, случайное извлечение игральной карты из перетасованной колоды. В силу введенной аксиомы

Задачи с решениями.

Задача I .Карты из колоды в 32 листа розданы трём игрокам: А, В и С. Игрок А получил 12 карт, среди которых 5 карт червовой масти: туз, король, валет, десятка и девятка. Остальные игроки получили по 10 карт. Найти вероятность того, что у игрока А или у игрока В на руках три оставшихся карты червовой масти: дама, восьмёрка и семёрка.

Задача II. На производственном совещании, на котором присутствовали 5 участников, было внесено 6 предложений по повышению эффективности работы предприятия. Найти вероятность того, что каждый из участников внёс, по крайней мере, одно предложение.

Задача III. Колода карт в 32 листа раздана 4-м игрокам, каждому по 8 карт. Найти вероятность того, что все четыре туза достались одному игроку.

Задача IV. 10 букв разрезной азбуки: А,А,А,Е,И,К,М,М,Т,Т произвольным образом выкладываются в ряд. Какова вероятность того, что получится слово МАТЕМАТИКА?

Задача V. Брошено 10 игральных костей. Предполагается, что все комби­нации выпавших очков равновероятны. Найти вероятность того, что выпала хотя бы одна шестёрка.

Задача VI. Бросается n игральных костей. Найти вероятность того, что на всех костях выпало одно и то же количество очков.

Статистическое определение вероятности.

Рассмотрим случайный эксперимент, заключающийся в том, что подбрасывается игральная кость, сделанная из неоднородного материала. Ее центр тяжести не находится в геометрическом центре. В этом случае мы не можем считать исходы (выпадение единицы, двойки и т.д.) равновероятными. Из физики известно, что кость более часто будет падать на ту грань, которая ближе к центру тяжести. Как определить вероятность выпадения, например, трех очков? Единственное, что можно сделать, это подбросить эту кость n раз (где n-достаточно большое число, скажем n=1000 или n=5000), подсчитать число выпадений трех очков n3 и считать вероятность исхода, заключающегося в выпадении трех очков, равной n3/n – относительной частоте выпадения трех очков. Аналогичным образом можно определить вероятности остальных элементарных исходов – единицы, двойки, чет­верки и т.д. Теоретически такой образ действий можно оправдать, если ввести статистическое определение вероятности.

Сформулируем аксиому, называемую аксиомой А.Н. Колмогорова.

Каждому событию соответствует неотрицательное и не превосходящее единицы число P(А), называемое вероятностью события А, причем функция P(А) обладает следующими свойствами:

1) Р()=1

2) если события A1, A2,..., An, ¼ несовместны, то

  =

Если задано пространство элементарных исходов , алгебра событий и определенная на ней функция Р, удовлетворяющая условиям приведенной аксиомы, то говорят, что задано вероятностное пространство.

Задачи с решениями.

Задача I.

На шахматную доску с шириной клетки 5 см брошена монета радиуса 1,5 см. Найти вероятность того, что монета не попадёт ни на одну границу клетки.

Задача II.

Через реку шириной 100 м перекинут мост. В некоторый момент, когда на мосту находятся два человека, мост рушится, и оба они падают в реку. Первый умеет плавать и спасётся. Второй плавать не умеет, и спасётся, только если упадёт не далее 10-ти метров от берега или не далее, чем в 10-ти метрах от первого. Какова вероятность, что второй человек спасётся?

По условию задачи положение танка на промежутке между двумя соседними минами полностью определяется положением прямой линии, равноотстоящей от бортов танка. Эта линия перпендикулярна линии, по которой установлены мины, и танк подрывается на мине, если эта линия расположена ближе, чем в 1-м метре от края промежутка. Таким образом, всё множество исходов отображается в промежуток длиной 15, а множество благоприятных исходов отображается в промежуток длиной 13, как показано на рисунке 3, Искомая вероятность равна 13/15.

Задача IV.

Обозначим одно из чисел х, а другое – у. Всё множество возможных исходов отображается в квадрат ОBCD , две стороны которого совпадают с осями координат и имеют длину, равную 2, как показано на рисунке 4. Допустим, что у – меньшее число. Тогда множество исходов отображается в треугольник ОCD с площадью, равной 2. Выбранные числа должны удовлетворять двум неравенствам:

Задачи для самостоятельного решения.

1. Два парохода должны подойти к одному и тому же причалу. Время прихода обоих пароходов независимо и равновозможно в течение данных суток. Определить вероятность того, что одному из пароходов придется ожидать освобождения причала, если время стоянки первого парохода – один час, а второго – два часа. Ответ: 139/1152.

2. На перекрестке установлен автоматический светофор, в котором одну минуту горит зеленый свет и полминуты красный, затем снова одну минуту - зеленый и полминуты красный и т.д. В случайный момент времени к перекрестку подъезжает автомобиль. Какова вероятность того, что он проедет перекресток без остановки? Ответ: 2/3

3. На бесконечную шахматную доску с шириной клетки 5 см брошена монета радиуса 1,5 см. Найти вероятность того, что монета расположится не более чем в двух клетках шахматной доски. Ответ: 16/25.

Условные вероятности.

Рассмотрим задачу. Студент перед экзаменом выучил из 30 билетов билеты с номерами с 1 по 5 и с 26 по 30. Известно, что студент на экзамене вытащил билет с номером, не превышающим 20. Какова вероятность, что студент вытащил выученный билет?

Определим пространство элементарных исходов: W=(1,2,3,...,28,29,30). Пусть событие А заключается в том, что студент вытащил выученный билет: А = (1,...,5,25,...,30,), а событие В — в том, что студент вытащил билет из первых двадцати: В = (1,2,3,...,20)

Событие  состоит из пяти исходов: (1,2,3,4,5), и его вероятность равна 5/30. Это число можно представить как произведение дробей 5/20 и 20/30. Число 20/30 – это вероятность события B. Число 5/20 можно рассматривать как вероятность события А при условии, что событие В произошло (обозначим её Р(А/В)). Таким образом, решение задачи определяется формулой

Рассмотрим некоторые задачи на применение теорем сложения и умножения вероятностей.

1. Три стрелка стреляют в мишень. Каждый попадает в мишень или не попадает в мишень независимо от результатов выстрелов остальных стрелков. Первый стрелок попадает в мишень с вероятностью 0,9, второй – с вероятностью 0,8, а третий – с вероятностью 0,7. Найти вероятность того, что мишень будет поражена?

Вопрос можно поставить иначе: какова вероятность того, что хотя бы один стрелок попадёт в мишень? Очевидно, что мишень будет поражена, если все трое попадут в мишень, если в мишень попадут любые двое стрелков, а третий не попадёт и т. д. Пусть событие А состоит в том, что хотя бы один из стрелков попал в мишень. Тогда противоположное событие  заключается в том, что все трое не попали в мишень. Если первый не попадает в мишень с вероятностью 0,1, второй – с вероятностью 0,2, а третий – с вероятностью 0,3, то по теореме умножения вероятностей Р() = 0,1×0,2×0,3 = 0,006. Тогда Р(А) = 1 – Р() = 0,994.

Задачи для самостоятельного решения.

1) Доказать формулу

 Р(АÈВÈС) = Р(А) +  Р(В) + Р(С) – Р(АÇВ) – Р(АÇС) – Р(ВÇС) + Р(АÇВÇС)

2) Вероятность попасть в самолёт равна 0,4, вероятность его сбить равна 0,1. Найти вероятность того, что при попадании в самолёт он будет сбит.

3) Из урны, содержащей 6 белых и 4 чёрных шара, наудачу извлекают по одному шару до появления чёрного шара. Найти вероятность того, что придётся производить четвёртое извлечение, если выборка производится а) с возвращением; б) без возвращения.

4) а) В условиях задачи 1 найти вероятность того, что в мишень попали двое стрелков. б) В условиях задачи 1 найти вероятность того, что в мишень попали не менее двух стрелков.

5) По самолёту производится три выстрела. Вероятность попадания при первом выстреле равна 0,5, при втором – 0,6, при третьем – 0,8. При одном попадании самолёт будет сбит с вероятностью 0,3, при двух – с вероятностью 0,6, при трёх самолёт будет сбит наверняка. Какова вероятность того, что самолёт будет сбит?

6) В условиях задачи 4 найти вероятность того, что на всех костях выпала шестёрка, если известно, что а) по крайней мере, на двух костях выпало одинаковое число очков; б) на всех костях выпало одинаковое число очков.

Формула полной вероятности.

Пусть имеется группа событий H1, H2,..., Hn, обладающая следую­щими свойствами:

1) все события попарно несовместны: Hi  Hj =Æ; i, j=1,2,...,n; i¹j;

2) их объединение образует пространство элементарных исходов W:

Формула Байеса

Пусть H1,H2,...,Hn - полная группа событий и А Ì W – некоторое событие. Тогда по формуле для условной вероятности

   (*)

Здесь P(Hk /A) – условная вероятность события (гипотезы) Hk или вероятность того, что Hk реализуется при условии, что событие А произошло.

По теореме умножения вероятностей числитель формулы (*) можно представить в виде

  P = P= P(A /Hk) P(Hk)

Для представления знаменателя формулы (*) можно использовать формулу полной вероятности

Если реализовалась гипотеза Н1, то во второй урне оказалось 10 белых и 2 черных шара. Обозначим через А событие, заключающееся в том, что из второй урны выкатился белый шар. Тогда Р(А/Н1) =  = 5/33. Если реализовалась гипотеза Н2, то во второй урне оказалось 8 белых и 4 чёрных шара, и Р(А/Н2) =  = 4/33. Легко показать, что Р(А/Н3) =  = 3/22. Теперь можно воспользоваться формулой полной вероятности:

 Р(А) = (5/33)×(7/15) + (4/33) (1/15) + (3/22) (7/15) = 47/330

2. В условие задачи №1 внесем изменение. Пусть после того, как из первой урны во вторую перекатились два шара и шары во второй урне перемешались, из неё выкатился белый шар. Найти вероятность того, что из первой урны во вторую перекатились разноцветные шары.

Вычисления предыдущей задачи подставим в формулу Байеса

 Р(Н3/А) = Р(А/Н3)Р(Н3)/ Р(А) = (3/22)(7/15)/( 47/33) = 7/47

3. В ящике лежат 20 теннисных мячей, в том числе 15 новых и 5 играных. Для игры выбираются 2 мяча и после игры возвращаются обратно. Затем для второй игры также наудачу извлекаются ещё два мяча. Найти вероятность того, что вторая игра будет проводиться новыми мячами.

Повторные независимые испытания. Формула Бернулли.

Рассмотрим случай многократного повторения одного и того же испытания или случайного эксперимента. Результат каждого испытания будем считать не зависящим от того, какой результат наступил в предыдущих испытаниях. В качестве результатов или элементарных исходов каждого отдельного испытания будем различать лишь две возможности:

1) появление некоторого события А;

По формуле Бернулли рассчитывается вероятность появления события A "x" раз в n повторных независимых испытаниях, где p – вероятность  появления события A в одном испытании, q - вероятность появления события  в одном испытании.

Сформулированные условия проведения испытаний иногда называются "схемой повторных независимых испытаний" или "схемой Бернулли"

Число x появления события A в n повторных независимых испытаниях называется частотой.

Пример. Из урны, содержащей 2 белых и 6 черных шаров, наудачу выбирается с возвращением 5 раз подряд один шар. Подсчитать вероятность того, что 4 раза появится белый шар.

В приведенных выше обозначениях n=8; p=1/4; q=3/4; x=5. Искомую вероятность вычисляем по формуле Бернулли:

1. Каждый день акции корпорации АВС поднимаются в цене или падают в цене на один пункт с вероятностями соответственно 0,75 и 0,25. Найти вероятность того, что акции после шести дней вернутся к своей первоначальной цене. Принять условие, что изменения цены акции вверх и вниз – независимые события.

Решение. Для того, чтобы акции вернулись за 6 дней к своей первоначальной цене, нужно, чтобы за это время они 3 раза поднялись в цене и три раза опустились в цене. Искомая вероятность рассчитывается по формуле Бернулли

Математическое ожидание дискретной случайной величины.

Пусть задан закон распределения случайной величины x.

Свойства математического ожидания.

Если случайная величина x принимает одно и то же значение при всех исходах случайного эксперимента, то есть x º С, то её математическое ожидание равно С.

Если Мx = а, и k – константа, то М(kx) = kа (математическое ожидание случайной величины, умноженной на число, равно математическому ожиданию случайной величины, умноженному на это число).

Если Мx = а, и k – константа, то М(k + x) = k + а (математическое ожидание суммы случайной величины и числа равно сумме этого числа и математического ожидания случайной величины).

Выведем формулу для математического ожидания суммы двух случайных величин x и h, определённых на одном и том же пространстве элементарных исходов и заданных законами распределения

Дисперсия случайной величины.

Дисперсия Dx случайной величины x определяется формулой

  Dx = M(x – Mx)2.

Дисперсия случайной величины — это математическое ожидание квадрата отклонения случайной величины от её математического ожидания.

Рассмотрим случайную величину x с законом распределения

Свойства дисперсии.

Если с – число, то D(x + с) = D(x)

Если k – число, то D(kx) = k2 Dx.

Доказательство.

D(kx) = M(kx – M(kx))2 = M(kx – k Mx)2 = M(k2 (x – Mx)2) = k2M(x – Mx)2 =

 = k2 Dx

Для попарно независимых случайных величин x1, x2,¼, xn справедливо равенство

 

Это свойство оставим без доказательства. Из этого свойства, в частности, следует, что дисперсия суммы n независимых случайных величин xi с законом распределения, заданным таблицей 1, равна npq. Теперь можно сделать важный вывод. Пусть проводится п повторных независимых испытаний, в каждом из которых событие А происходит с вероятностью р. Число k появлений события А можно рассматривать как случайную величину. Обозначим эту случайную величину x. Как уже говорилось ранее, эта случайная величина называется бернуллиевской случайной величиной. Несложно понять, что имеет место

Непрерывные случайные величины.

Случайная величина, значения которой заполняют некоторый промежуток, называется непрерывной.

В частных случаях это может быть не один промежуток, а объединение нескольких промежутков. Промежутки могут быть конечными, полу­бесконечными или бесконечными, например: (a; b], (–µ ; a), [b;µ), (–µ; µ).

Вообще непрерывная случайная величина – это абстракция. Снаряд, выпущенный из пушки, может пролететь любое расстояние, скажем, от 5 до 5,3 километров, но никому не придёт в голову измерять эту величину с точностью до 0,0000001 километра (то есть до миллиметра), не говоря уже об абсолютной точности. В практике такое расстояние будет дискретной случайной величиной, у которой одно значение от другого отличается по крайней мере на 1 метр.

Последнее свойство называется свойством нормировки. Можно задавать случайную величину, задавая функцию р(х), удовлетворяющую этим условиям.

В качестве примера рассмотрим случайную величину x, равномерно распределённую на промежутке [a; b]. В этом случае р(х) постоянна внутри этого промежутка:

 

По свойству 2) функции р(х)

 

Подпись: Рис. 2Отсюда . График функции р(х) представлен на рисунке 2.

Во многих практических задачах встречаются случайные величины, у которых возможные значения не ограничены сверху и снизу. В этом случае кривая распределения располагается над осью х и при х ® ¥ и х ® – ¥ асимптотически приближается к этой оси, как изображено на рисунке 1. Вероятность того, что случайная величина x примет значение, меньшее некоторого числа а, равна площади фигуры, заключённой между кривой распределения и горизонтальной координатной осью слева от точки а. Будем считать, что такая площадь существует.

Пусть x – непрерывная случайная величина. Функция F(x), которая определяется равенством

Математическое ожидание и дисперсия непрерывной случайной величины.

Математическое ожидание непрерывной случайной величины x определяется равенством

 

в предположении, что интеграл существует (сходится). Здесь сохраняется смысл математического ожидания как среднего значения случайной величины.

Все свойства математического ожидания, приведённые ранее для дискретных случайных величин, имеют место и для непрерывных случайных величин.

Отметим два важных свойства математического ожидания непрерывных случайных величин.

Дисперсия непрерывной случайной величины имеет те же свойства, что и дисперсия дискретной случайной величины. Величина  называется среднеквадратическим отклонением.

Подпись: Рис. 4Если график плотности распределения случайной величины x имеет единственный ярко выраженный пик в точке х = n, как на рисунке 4, то это означает, что x принимает с большой вероятностью значения из малого промежутка около х = n (или, иначе, возможные значения x тесно скон­центрированы около числа n). Такая случайная величина имеет относительно малую дисперсию.

Нормальный закон распределения.

Если плотность распределения случайной величины x определяется формулой

 , (1)

где а – произвольное число, а s – положительное число, то говорят, что x распределена по нормальному закону или что x “нормальная” случайная величина.

Значения а и s полностью определяют функцию р(х). Для неё иногда вводится обозначение: p(x) = n(x;a;s).

График плотности распределения нормальной случайной величины при некоторых значениях а и s представлен на рисунке 6.

Правило 3-х s (трех “сигм”).

Пусть имеется нормально распределённая случайная величина x с математическим ожиданием, равным а и дисперсией s2. Определим веро­ятность попадания x в интервал (а – 3s; а + 3s), то есть вероятность того, что x принимает значения, отличающиеся от математического ожидания не более, чем на три среднеквадратических отклонения.

P(а – 3sx < а + 3s)=Ф(3) – Ф(–3)=2Ф(3)

По таблице находим Ф(3)=0,49865, откуда следует, что 2Ф(3) практи­чески равняется единице. Таким образом, можно сделать важный вывод: нормальная случайная величина принимает значения, отклоняющиеся от ее математического ожидания не более чем на 3s.

Совместное распределение двух случайных величин.

Пусть пространство элементарных исходов W случайного эксперимента таково, что каждому исходу wij ставиться в соответствие значение случайной величины x, равное xi и значение случайной величины h, равное yj.

1. Представим себе большую совокупность деталей, имеющих вид стержня. Эксперимент заключается в случайном выборе одного стержня. Этот стержень имеет длину, которую будем обозначать x и толщину—h (можно указать другие параметры—объем, вес, чистота обработки, выраженная в стандартных единицах).

Аналогичные условные законы распределения случайной величины x можно построить при всех остальных значениях h, равных y2; y3,¼, yn ,ставя в соответствие числу xi условную вероятность pi/j = ().

В таблице приведён условный закон распределения случайной величины x при h=yj

x

x1

x2

¼

xi

¼

xn

pi/j

¼

¼

Можно ввести понятие условного математического ожидания x при h = yj

Полигоны условных распределений можно изобразить на трехмерном графике (рис. 1).

Здесь явно просматри­вается зависимость услов­ного закона распределения x от величины h.

Пример II. (Уже встре­чавшийся).

Пусть даны две неза­висимые случайные вели­чины x и h с законами распределения

x

0

1

h

1

2

Р

1/3

2/3

Р

3/4

1/4

Найдем законы распределений случайных величин a=x+h и b=x*h

Эту формулу можно интерпретировать так. Если при больших значениях x более вероятны большие значения h, а при малых значениях x более вероятны малые значения h, то в правой части формулы (2) положительные слагаемые доминируют, и ковариация принимает положительные значения.

Если же более вероятны произведения (xi – Mx)(yj – Mh), состоящие из сомножителей разного знака, то есть исходы случайного эксперимента, приводящие к большим значениям x в основном приводят к малым значениям h и наоборот, то ковариация принимает большие по модулю отрицательные значения.

В первом случае принято говорить о прямой связи: с ростом x случайная величина h имеет тенденцию к возрастанию.

Во втором случае говорят об обратной связи: с ростом x случайная величина h имеет тенденцию к уменьшению или падению.

Коэффициент корреляции.

Величина cov(x;h) зависит от единиц измерения, в которых выражаются x и h. (Например, пусть x и h—линейные размеры некоторой детали. Если за единицу измерения принять 1 см, то cov(x;h) примет одно значение, а если за единицу измерения принять 1 мм, то cov(x;h) примет другое, большее значение (при условии cov(x;h)¹0)). Поэтому cov(x;h) неудобно принимать за показатель связи.

Чтобы иметь дело с безразмерным показателем, рассмотрим случайные величины

Такие случайные величины называются нормированными отклонениями случайных величин x и h.

Можно дать определение корреляционной зависимости двух случайных величин x и h как связи между тенденциями роста x и h. Например, между x и h существует прямая корреляционная зависимость, если с ростом x случайная величина h имеет тенденцию возрастать. (Это означает, что при больших значениях x с большей вероятностью встречаются большие значения h). Если большим значениям x с большей вероятностью соответствуют меньшие значения h, то есть с ростом x случайная величина h имеет тенденцию убывать, говорят, что между x и h существует обратная корреляционная зависимость.

Глубина (или теснота) корреляционной зависимости (или связи) характеризуется коэффициентом rxh. Чем ближе êrxh ê к единице, тем теснее корреляционная зависимость.

Чем ближе зависимость между условным математическим ожиданием x и случайной величиной h к линейной, и чем теснее значения x группируются около условных математических ожиданий, тем глубже (теснее) корреляционная связь.

Можно говорить о совместном распределении двух непрерывных случайных величин. В большинстве случаев возможен переход от непрерывных случайных величин к совместному распределению двух дискретных случайных величин следующим образом.

Нужно разбить отрезок [a; b] изменения случайной величины x на равные отрезки [c0=a; c1]; [c1; c2]; [c2; c3],¼,[cn-1; cn=b]. За значение случайной величины x принять середину каждого отрезка.

Распределение Стьюдента.

Многие задачи статистики приводят к случайной величине вида

,

где x и h – независимые случайные величины, причем x – нормально распределенная случайная величина с параметрами Mx = 0 и Dx = 1, а h распределена по закону c2 c k степенями свободы.

Закон распределения случайной величины t называется законом распределения Стьюдента с k степенями свободы.

Распределение Фишера.

Важные приложения имеет в статистике случайная величина

,

где x – случайная величина, распределенная по закону c2 с k1 степенями свободы, а h – случайная величина, распределенная по закону c2 с k2 степенями свободы, причём x и h –независимые случайные величины.

Случайная величина F распределена по закону, называемому законом распределения Фишера с k1 и k2 степенями свободы. При заданных числах k1 и k2 и по вероятности q по таблице определяется значение Fq такое, что

Математическая статистика.

Основной задачей математической статистики является разработка методов получения научно обоснованных выводов о массовых явлениях и процессах из данных наблюдений и экспериментов. Эти выводы и заключения относятся не к отдельным испытаниям, из повторения которых складывается данное массовое явление, а представляют собой утверждения об общих вероятностных характеристиках данного процесса, то есть о вероятностях, законах распределения, математических ожиданиях, дисперсиях и т. д. Такое использование фактических данных как раз и является отличительной чертой статистического метода.

Выборки различаются по способу отбора.

1. Простой случайный отбор.

Все элементы генеральной совокупности нумеруются и из таблицы случайных чисел берут, например, последовательность любых 30-ти идущих подряд чисел. Элементы с выпавшими номерами и входят в выборку.

2. Типический отбор.

Такой отбор производится в том случае, если генеральную совокупность можно представить в виде объединения подмножеств, объекты которых однородны по какому–то признаку, хотя вся совокупность такой однородности не имеет (партия товара состоит из нескольких групп, произведенных на разных предприятиях). Тогда по каждому подмножеству проводят простой случайный отбор, и в выборку объединяются все полученные объекты.

Вариационный ряд.

Пусть для объектов генеральной совокупности определен некоторый признак или числовая характеристика, которую можно замерить (размер детали, удельное количество нитратов в дыне, шум работы двигателя). Эта характеристика – случайная величина x, принимающая на каждом объекте определенное числовое значение. Из выборки объема n получаем значения этой случайной величины в виде ряда из n чисел:

Точечные оценки параметров генеральной совокупности.

Во многих случаях мы располагаем информацией о виде закона распределения случайной величины (нормальный, бернуллиевский, равномерный и т. п.), но не знаем параметров этого распределения, таких как Mx, Dx. Для определения этих параметров применяется выборочный метод.

Пусть выборка объема n представлена в виде вариационного ряда. Назовем выборочной средней величину

 

Величина  называется относительной частотой значения признака xi. Если значения признака, полученные из выборки не группировать и не представлять в виде вариационного ряда, то для вычисления выборочной средней нужно пользоваться формулой

Для доказательства несмещённости некоторых точечных оценок будем рассматривать выборку объема n как систему n независимых случайных величин x1, x2,... xn , каждая из которых имеет тот же закон распределения с теми же параметрами, что и случайная величина x, представляющая генеральную совокупность. При таком подходе становятся очевидными равенства: Mxi = Mxi =Mx;
Dxi = D
xi =Dx для всех k = 1,2,...n.

Теперь можно показать, что выборочная средняя есть несмещенная оценка средней генеральной совокупности или , что то же самое, математического ожидания интересующей нас случайной величины x :

Интервальные оценки.

Точечные оценки параметров генеральной совокупности могут быть приняты в качестве ориентировочных, первоначальных результатов обработки выборочных данных. Их недостаток заключается в том, что неизвестно, с какой точностью оценивается параметр. Если для выборок большого объема точность обычно бывает достаточной (при условии несмещенности, эффективности и состоятельности оценок), то для выборок небольшого объема вопрос точности оценок становится очень важным.

Введем понятие интервальной оценки неизвестного параметра генеральной совокупности (или случайной величины x, определенной на множестве объектов этой генеральной совокупности). Обозначим этот параметр через D. По сделанной выборке по определенным правилам найдем числа D1 и D2, так чтобы выполнялось условие:

Задача. Пусть имеется генеральная совокупность с некоторой характеристикой, распределенной по нормальному закону с дисперсией, равной 6,25. Произведена выборка объема n = 27 и получено средневыборочное значение характеристики = 12. Найти доверительный интервал, покрывающий неизвестное математическое ожидание исследуемой характеристики генеральной совокупности с надежностью g =0,99.

Решение. Сначала по таблице для функции Лапласа найдем значение t из равенства F (t) = g / 2 = 0,495. По полученному значению t = 2,58 определим точность оценки (или половину длины доверительного интервала) d: d = 2,5´2,58 / » 1,24. Отсюда получаем искомый доверительный интервал: (10,76; 13,24).

Доверительный интервал для математического ожидания нормального распределения при неизвестной дисперсии.

Пусть x – случайная величина, распределенная по нормальному закону с неизвестным математическим ожиданием Mx, которое обозначим буквой a . Произведем выборку объема n. Определим среднюю выборочную  и исправленную выборочную дисперсию s2 по известным формулам.

Доверительный интервал для дисперсии нормального распределения.

Пусть случайная величина x распределена по нормальному закону, для которого дисперсия Dx неизвестна. Делается выборка объема n . Из нее определяется исправленная выборочная дисперсия s2. Случайная величина  распределена по закону c2 c n –1 степенями свободы. По заданной надежности g можно найти сколько угодно границ c12 и c22 интервалов, таких, что

Задачи статистической проверки гипотез.

Статистическая проверка гипотез является вторым после статистического оценивания параметров распределения и в то же время важнейшим разделом математической статистики.

Методы математической статистики позволяют проверить предположения о законе распределения некоторой случайной величины (генеральной совокупности), о значениях параметров этого закона (например Mx, Dx ), о наличии корреляционной зависимости между случайными величинами, определенными на множестве объектов одной и той же генеральной совокупности.

Пусть по некоторым данным имеются основания выдвинуть предположения о законе распределения или о параметре закона распределения случайной величины (или генеральной совокупности, на множестве объектов которой определена эта случайная величина). Задача заключается в том, чтобы подтвердить или опровергнуть это предположение, используя выборочные (экспериментальные) данные

Вид критической области зависит от того, какая гипотеза выдвинута в качестве конкурирующей.

Чем меньше уровень значимости, тем меньше вероятность отвергнуть проверяемую гипотезу H0, когда она верна, то есть совершить ошибку первого рода. Но с уменьшением уровня значимости расширяется область принятия гипотезы H0 и увеличивается вероятность принятия проверяемой гипотезы, когда она неверна, то есть когда предпочтение должно быть отдано конкурирующей гипотезе.

  Пусть при справедливости гипотезы H0 статистический критерий K имеет плотность распределения p0(x), а при справедливости конкурирующей гипотезы H1 – плотность распределения p1(x). Графики этих функций приведены на рисунке 4. При некотором уровне значимости находится критическое значение Kкр и правостороняя критическая область. Если значение Kв, определенное по выборочным данным, оказывается меньше, чем Kкр, то гипотеза H0 принимается. Предположим, что справедлива на самом деле конкурирующая гипотеза H1. Тогда вероятность попадания критерия в область принятия гипотезы H0 есть некоторое число b, равное площади фигуры, образованной графиком функции p1(x) и полубесконечной частью горизонтальной координатной оси, лежащей слева от точки Kкр. Очевидно, что b – это вероятность того, что будет принята неверная гипотеза H0.

Принятие неверной гипотезы называется ошибкой второго рода. В рассмотренном случае число b – это вероятность ошибки второго рода. Число 1 – b, равное вероятности того, что не совершается ошибка второго рода, называется мощностью критерия. На рисунке 4 мощность критерия равна площади фигуры, образованной графиком функции p1(x).и полубесконечной частью горизонтальной координатной оси, лежащей справа от точки Kкр.

Выбор статистического критерия и вида критической области осуществляется таким образом, чтобы мощность критерия была максимальной.

Проверка гипотезы о равенстве дисперсий.

Гипотезы о дисперсии играют очень важную роль в экономико–математическом моделировании, так как величина рассеяния экспериментальных выборочных данных относительно рассчитанных теоретических значений соответствующих параметров, характеризующаяся дисперсией, дает возможность судить о пригодности (адекватности) теории или модели, на основании которой строится теория.

Пусть нормально распределенная случайная величина x определена на некотором множестве, образующем генеральную совокупность, а нормально распределенная случайная величина h определена на другом множестве, которое тоже составляет генеральную совокупность. Из обеих совокупностей делаются выборки: из первой – объема n1, а из второй – объема n2 (отметим, что объем выборки не всегда можно определить заранее, как например в случае, если он равен количеству рыб, попавших в сеть). По каждой выборке рассчитывается исправленная выборочная дисперсия: s12 для выборки из первой совокупности и s22 для выборки из второй совокупности.

Проверка статистической значимости выборочного коэффициента корреляции.

Проверкой статистической значимости выборочной оценки d параметра D генеральной совокупности называется проверка статистической гипотезы H0: D = 0, при конкурирующей гипотезе
H1:
D ¹ 0. Если гипотеза H0 отвергается, то оценка d считается статистически значимой.

Пусть имеются две случайные величины x и h, определенные на множестве объектов одной и той же генеральной совокупности, причем обе имеют нормальное распределение. Задача заключается в проверке статистической гипо­тезы об отсутствии корреляционной зависимости между случайными величинами x и h: H0: rxh = 0; H1: rxh ¹ 0. Здесь rxh – коэффициент линейной корреляции.

Проверка гипотезы о равенстве дисперсий.

Гипотезы о дисперсии играют очень важную роль в экономико–математическом моделировании, так как величина рассеяния экспериментальных выборочных данных относительно рассчитанных теоретических значений соответствующих параметров, характеризующаяся дисперсией, дает возможность судить о пригодности (адекватности) теории или модели, на основании которой строится теория.

Пусть нормально распределенная случайная величина x определена на некотором множестве, образующем генеральную совокупность, а нормально распределенная случайная величина h определена на другом множестве, которое тоже составляет генеральную совокупность. Из обеих совокупностей делаются выборки: из первой – объема n1, а из второй – объема n2 (отметим, что объем выборки не всегда можно определить заранее, как например в случае, если он равен количеству рыб, попавших в сеть). По каждой выборке рассчитывается исправленная выборочная дисперсия: s12 для выборки из первой совокупности и s22 для выборки из второй совокупности.

Случайная величина, распределенная по закону Бернулли.

При двух заданных числах:

1) n – количество повторных независимых испытаний,

2) p – вероятность события A в одном испытании

можно по формуле Бернулли подсчитать значение вероятности каждого целого числа x , где x – число появлений события A в n испытаниях (частота появления события A).

Таким образом, каждому исходу случайного эксперимента, заключающегося в серии из n испытаний по схеме Бернулли, соответствует определенное число x, рассматриваемое как случайная величина, принимающая значения 0, 1, 2,...n. Соответствие между значениями x и их вероятностями (рассчитанными по формуле Бернулли) называется законом распределения Бернулли. Строгое определение случайной величины и закона распределения будет дано позже.

Асимптотические формулы для формулы Бернулли.

В практических задачах часто приходится вычислять вероятности различных событий, связанных с числом успехов в n испытаниях при больших значениях n. В этих случаях вычисления по формуле по формуле Бернулли становятся затруднительными. Трудности возрастают, когда приходится суммировать вероятности . К суммированию сводится вычисление вероятностей событий вида k £ x£ l, как, например, в такой задаче:

Проводится 70 испытаний по схеме Бернулли с вероятностью появления события А в одном испытании, равной 0,4. Найти вероятность того, что событие А произойдет от 25 до 35 раз, то есть найти Pn(25£ x £ 35).

В отдельных случаях при больших n удается заменить формулу Бернулли приближенными формулами. Такие формулы, которые получаются при условии, п ®µ называются асимптотическими.

Если n достаточно велико, а p – величина очень малая, причём произведение np – тоже малая величина, для формулы Бернулли имеет место приближенная (асимптотическая) формула

Заметим, что вычислений можно использовать стандартную функцию Excel. Для этого нужно среди статистических функций выделить функцию НОРМРАСП, задать значение аргумента (t = b или t = a), положить среднюю равной 0, стандартное отклонение равным 1, а в строку “интегральный” ввести 1. После этого будет вычислено значение функции Лапласа F*(t)

 

Искомая вероятность будет равна F*(b) – F*(a).

Задача. Игральную кость бросают 800 раз. Какова вероятность того, что число очков, кратное 3, выпадает не менее 280 и не более 294 раз?

4. Самолёты авиакомпаний А и В одновременно вылетают в одном направлении. На эти рейсы рассчитывают 400 пассажиров, причём каждый выбирает любую из этих авиакомпаний независимо один от другого с вероятностью 0,5. Самолёт авиакомпании А имеет 230 посадочных мест. С какой вероятностью авиакомпания А не сможет удовлетворить всех заказов на билеты?

5. В баскетбольной команде процент реализации штрафных бросков равен 60. Найдите вероятность того, что из 100 бросков от 70 до 80 бросков будут успешными.

6. С вероятностью 0,65 орудие при выстреле поражает цель. Произведено 400 выстрелов;

а) найти вероятность того, что при этом произошло не менее 200 и не более 250 попаданий;

б) найти вероятность того, что число попаданий не меньше 265;

в) найти вероятность того, что число попаданий не больше 240.

Русские художники