Студопедия
Новини освіти і науки:
МАРК РЕГНЕРУС ДОСЛІДЖЕННЯ: Наскільки відрізняються діти, які виросли в одностатевих союзах


РЕЗОЛЮЦІЯ: Громадського обговорення навчальної програми статевого виховання


ЧОМУ ФОНД ОЛЕНИ ПІНЧУК І МОЗ УКРАЇНИ ПРОПАГУЮТЬ "СЕКСУАЛЬНІ УРОКИ"


ЕКЗИСТЕНЦІЙНО-ПСИХОЛОГІЧНІ ОСНОВИ ПОРУШЕННЯ СТАТЕВОЇ ІДЕНТИЧНОСТІ ПІДЛІТКІВ


Батьківський, громадянський рух в Україні закликає МОН зупинити тотальну сексуалізацію дітей і підлітків


Відкрите звернення Міністру освіти й науки України - Гриневич Лілії Михайлівні


Представництво українського жіноцтва в ООН: низький рівень культури спілкування в соціальних мережах


Гендерна антидискримінаційна експертиза може зробити нас моральними рабами


ЛІВИЙ МАРКСИЗМ У НОВИХ ПІДРУЧНИКАХ ДЛЯ ШКОЛЯРІВ


ВІДКРИТА ЗАЯВА на підтримку позиції Ганни Турчинової та права кожної людини на свободу думки, світогляду та вираження поглядів



Закони розподілу неперервної випадкової величини X

Закони розподілу дискретної випадкової величини X

 

1. Біноміальний розподіл ДВВ X – числа появи події в n незалежних випробуваннях, в кожному з яких імовірність появи події дорівнює p, а ймовірність можливого значення X = k (числа k появи події в n незалежних випробуваннях) обчислюють за формулою Бернуллі. За умови, коли число випробувань n велике (n ³100), а ймовірність появи подіїp в кожному випробуванні дуже мала (0; 0 £ n×p £ 10)то користуються наближеною формулою Pn(k) = ( ) / k! , де l – середнє число появи події в nвипробуваннях (l= n×p = const).

2. Розподіл Пуассона визначає імовірність появи k подій за проміжок часу t, тобто є математичною моделлю найпростішого потоку подій. Потік подій – послідовність подій, які наступають у випадкові моменти часу. Пуассонівський потік має такі три властивості: 1) стаціонарність – імовірність появи k подій за проміжок часу t є функція, яка залежить тільки від k і t, але не залежить від початку відліку часу; 2) відсутність післядії – імовірність появи k-ої події за будь-який проміжок часу t не залежить від того, з’являлися або не з’являлися події в моменти часу, які передували початку даного проміжку (передісторія потоку не впливає на ймовірність появи подій в найближчим майбутнім); 3) ординарність – поява двох або більш подій за малий проміжок часу практично неможливий. Імовірність появи k подій простішого потоку за проміжок часу t визначається формулою Пуассона:

Pt(k) = (lt)k × / k! ,

де l – інтенсивність потоку (середнє число подій, які з’являються в одиницю часу).

 

1. Рівномірний розподіл – розподіл імовірностей НВВ X, якщо на інтервалі (а, в), якому належать всі можливі значення X, диференціальна функція зберігає постійне значення, а саме

f (x) = = const,

 

а зовні цього інтервалу, тобто для x < а і для x > в, маємо f (x) = 0.

Інтегральна функція рівномірного розподілу має вигляд:

F(x) = 0, при x £ а ; F(x) = (x – a) / (b – a) при а < x £ b; F(x) = 1 при x > b.

2. Показниковий (експоненціальний) розподіл – розподіл імовірностей НВВ X, яке описується диференціальною функцією

f (x) =

де l – постійна додатна величина.

Інтегральна функція показникового розподілу має вигляд:

 

F(x) =

 

Імовірність попадання в в інтервал (а, в) неперервної випадкової величини X, розподіленої за показниковим законом

P (а <X <в) = .

3. Нормальний розподіл – розподіл імовірностей НВВ X, якщо диференціальна функція має вигляд

f (x) = ,

де а – математичне сподівання; – середнє квадратичне відхилення випадкової величини X. Якщо нормальний розподіл має параметри а = 0 та =1, то маємо нормалізований нормальний розподіл:

f (x) = 1/ × exp (– x2/2) .

Імовірність того, що X прийме значення, що належить інтервалу ( ) визначається співвідношенням

P ,

де F (x) = – функція Лапласа.

Імовірність того, що абсолютна величина відхилення менше додатнього числа >0 така

 

P .

Покладемо d/s = t, тоді будемо мати

P .

Це означає, що значення подвоєної функції Лапласа при заданому t визначає ймовірність того, що відхилення (X – a) нормально розподіленої випадкової величини X за абсолютною величиною буде менше st . Зокрема, при а = 0 слушна рівність

 

P .

Наведемо графік нормальної (гауссової) кривої, отриманої автором у праці [10].

 

Рис.1. Гістограма (1) і нормальна крива (2), що побудована за (завдання №16)

Числові характеристики випадкових величин (основні параметри теоретичного розподілу).

 

Нехайxi ,i – можливі значення ДВВ, pi – відповідні їм імовірності, тоді характеристикою середнього значення випадкової величини X служить математичне сподівання (генеральна середня):

m º M (X) =.

 

Властивості M (X) для ДВВ і для НВВ:

M (С) = С, де С = const;

M (X1 + X2+…+ Xn) = M (X1) + M (X2) + …+ M (Xn);

M (X1 × X2 × …× Xn) = M (X1) × M (X2) …× M (Xn);

Математичне сподівання біноміального розподілу:

M (X) = n × p,

де n – число випробувань, p – імовірність появи події в одному випробуванні.

Для НВВ X Î (-¥, ¥) або X Î [а, в ], диференціальна функція якої f (x) маємо відповідно:

M (X) =f(x) dx; M (X) =f(x) dx.

Можна довести, що для X, заданої диференціальною функцією f (x) ³ 0 на відрізку [а, в], а зовні відрізку f (x) = 0, виконується а £ M (X) £ в.

Генеральна дисперсія (розсіяння, розкид) Dг випадкової величини X – математичне сподівання квадрату відхилення:

Dг º D (X) = M [X – M (X)]2 º M (X2) – [M (X)]2 ; D (X) =

= (x – M (X))2f (x) dx º x2f (x) dx – [M (X)]2 ;

D (X) = (x – M (X))2f (x) dx,

де можливі значення X Î (–¥, ¥) або X Î (а, в).

Властивості дисперсії:

D (X) ³ 0; D (С) = 0; D (СX) = С2D (X); D (X ±Y) = D (X) + D (Y),

де X і Y – довільні незалежні випадкові величини. Розмірність (Dim) дисперсії дорівнює квадрату розмірності X. Дійсно, якщо X – випадкова сила F, то Dim X º Dim F = Н (Ньютон), то D (X) має розмірність Dim D (X) = Dim M [X – M (X)]2 = Н2. Ось чому уводиться поняття – середнє квадратичне відхилення

s (X) =, де s2 = Dг.

Теоретичний початковий момент порядку kвипадкової величини X – математичне сподівання величини Xk:

nk = M (Xk).

Зокрема, початковий момент першого порядку

n1 = M (X).

Центральний моментпорядку kвипадкової величини X – математичне сподівання величини: [X – M (X)]k :

mk = M [ X – M (X)]k.

Зокрема, m1 = M [ X – M (X)] = 0,

m2 = M [ X – M (X)]2 = D (X); m2 = n2 – .

Для НВВ:

nk = xk f (x) dx ; mk = (x – M (X))k f (x) dx .

Інші характеристики НВВ X:

Мода Мo(X) можливе значення x0 Î X, якому відповідає max диференціальної функції f (x).

Медіана Мd(X) – те можливе значення xe Î X, яке визначається рівністю:

P (X < Мe(X)) = P (X > Мe(X)).

Іншими словами, медіана тлумачиться як точка xe, в якій ордината f (xе) поділяє наполовину площу, яка обмежена кривою розподілу.

 


Читайте також:

  1. I. Доповнення до параграфу про точкову оцінку параметрів розподілу
  2. IV. Закони ідеальних газів.
  3. Абсолютні і відносні величини
  4. Абсолютні і відносні статистичні величини
  5. Абсолютні, відносні та середні величини.
  6. Авоматизація водорозподілу регулювання за нижнім б'єфом з обмеженням рівнів верхнього б'єфі
  7. Автоматизація водорозподілу з комбінованим регулюванням
  8. Автоматизація водорозподілу на відкритих зрошувальних системах. Методи керування водорозподілом. Вимірювання рівня води. Вимірювання витрати.
  9. Автоматизація водорозподілу регулювання зі сталими перепадами
  10. Автоматизація водорозподілу регулюванням з перетікаючими об’ємами
  11. Автоматизація водорозподілу регулюванням за верхнім б'єфом
  12. Автоматизація водорозподілу регулюванням за нижнім б'єфом




Переглядів: 1235

<== попередня сторінка | наступна сторінка ==>
Основні теореми теорії ймовірностей | Вибірковий метод

Не знайшли потрібну інформацію? Скористайтесь пошуком google:

  

© studopedia.com.ua При використанні або копіюванні матеріалів пряме посилання на сайт обов'язкове.


Генерація сторінки за: 0.005 сек.