Professional Documents
Culture Documents
ТЙ конспект лекцій
ТЙ конспект лекцій
4
Кілька подій утворюють повну групу, якщо поява хоч однієї з них – вірогідна
подія. Наприклад, поява аверса і реверса при киданні монети, поява числа очок від
одиниці до шести при киданні гральної кості, попадання і промах.
Кілька подій називають рівноможливими, якщо при випробуванні вони
з’являються однаково часто. Так, аверс і реверс- рівноможливі, але попадання і
промах, як правило, - ні.
Деякі події наступають досить часто, а деякі – навпаки, дуже рідко. Введемо
числову характеристику показника настання події.
Означення Ймовірністю Р даної події А називається відношення числа
результатів випробувань m, які сприяють появі даної події, до загального числа n
рівноможливих і єдино можливих результатів випробувань, які утворюють повну
групу, тобто
Р (А) = m / n (1.1)
Наведене означення називається класичним.
З означення випливають властивості ймовірності: для вірогідних подій Р = 1
( m = n ), для неможливих Р = 0 ( m = 0), для випадкових 0 < P < 1 (0 < m < n).
Приклад
У групі з 25 студентів п’ять дівчат. Знайти ймовірність того, що з цієї групи
першою до аудиторії зайде дівчина.
Розв’язування. Маємо Р (А) = 5 / 25 = 0,2
Приклад
Знайти ймовірність того , що при киданні гральної кості випаде грань з парною
кількістю очок .
Розв’язування. Маємо n = 6, m = 3. Отже, Р (А) = 0,5.
де mes g і mes G - міри ( довжини, площі, об’єми) простору всіх (G) результатів і
сприятливих (g) результатів.
Приклад
Два студенти домовилися зустрітися в певному місці між 15-ю та
16-ю год. Перший, хто прийде, чекає на другого не більше 20 хв. Яка ймовірність
їхньої зустрічі?
Розв’язування. Нехай х – час приходу першого, а у – другого студента. Тоді
mes G = 1 - площа квадрата зі стороною, яка дорівнює одиниці (рис. 1). Умова
зустрічі має вигляд у - х , тобто звідки маємо
mes g = 5/9. Отже, Р (А) = 5 / 9.
5
у 16
15 16 x
Рисунок 1
Наведемо статистичне означення ймовірності: основним поняттям тут є відносна
частота появи подій в результаті проведених випробувань
6
Домашнє завдання
7
Лекція 2 Операції над подіями. Теорема додавання ймовірностей. Умовні
ймовірності. Теорема множення ймовірностей. Ймовірність здійснення
принаймні однієї з незалежних подій
Рис. 1
Рисунок 2
Прикладом А і є поява аверса і реверса при киданні монети.
Означення Добутком подій А і В називається подія А·В, яка полягає в
одночасній появі А і В (рис.3).
А
В
А·В
Рисунок 3
Означення Сумою подій А і В називається подія А + В , яка полягає в появі
А або В ( або АВ ) (рис.4).
А В
А+В
Рисунок 4
Аналогічно визначаються добуток і сума більшого числа подій.
Теорема 1 Імовірність суми сумісних подій А і В дорівнює сумі ймовірностей
цих подій без ймовірності їх добутку
Р ( А + В) = Р (А) + Р (В ) - Р ( А·В)
8
Н а с л і д о к 1. Якщо події А1, А2, . . . Аn попарно несумісні, то
Р (А1 + А2 + . . .+ Аn ) = Р (А1) + Р ( А2) + . . . + Р ( Аn)
(треття аксіома А. Колмогорова).
Приклад
У ящику чотири білих і три чорних кулі. В результаті першого випробування
( вилучення кулі з ящика) з’явилася чорна куля ( подія А). Знайти ймовірність появи
білої кулі ( подія В) в другому випробуванні, якщо: а) кулю повертають в ящик, в)
кулю не повертають після першого випробування.
Розв’язування. Маємо а) Р(В) = 4 / 7 – незалежна подія;
в) Р ( В/А ) = 4 / 6 = 2 / 3 – залежна подія.
Н а с л і д о к. Р (В / А ) = Р ( А·В) / Р ( А ).
9
Р(А) =1 - q1q2…qn, де q1 = 1-р1; q2 = 1-р2; qn = 1- рn.
Зокрема, якщо всі n подій мають однакову ймовірність, рівну р, тоді
ймовірність появи хоч би однієї з цих подій
Р(А) =1 – qn , де q = 1 ─ р.
Приклад
У електричний ланцюг послідовно ввімкнені 3 елементи, що працюють незалежно
один від іншого. Ймовірність відмови першого, другого і третього елементів
відповідно рівні р1 = 0,1; р2 = 0,15; р3 = 0,2. Знайти ймовірність того, що струму в
ланцюгу не буде.
Розв’язування. Оскільки елементи ввімкнені послідовно, то струму в ланцюгу
не буде (подія А), якщо відмовить хоча б один з елементів.
Шукана ймовірність
Р(А) = 1─ q1q2q3 = 1─ ( 1─ 0,1)(1─ 0,15)(1 ─ 0,2) = 0,388.
Приклад
Ймовірність хоч би одного попадання стрільцем в мішень при трьох пострілах
дорівнює 0,875 . Знайти ймовірність попадання при одному пострілі.
Розв’язування. Ймовірність попадання в мішень хоч би при одному з трьох
пострілів (подія А) дорівнює Р(А) = 1-q3 , де q – ймовірність промаху.
По умові Р(А) = 0,875. Отже, 0,875= 1-q3 , або q3 =1 - 0,875 = 0,125.
Звідси
Шукана ймовірність p = 1 – q = 1 – 0,5 = 0,5.
Домашнє завдання
10
Лекція 3 Формула повної ймовірності. Формули Байєса
Нехай задані випадкові події Н1, Н2, . . . Нn такі, що виконуються дві умови
1) Н1 + Н 2 + . . . . + Нn = U ;
2) Нj ·Нk = V j ≠ k
Перша з цих умов означає, що за умов даного комплексу хоч одна з подій Нk,
k = 1….n, відбудеться. Друга умова означає, що події Нk попарно несумісні між
собою. За виконання умов 1), 2 ) множина подій Н1, Н 2 . . . . Нn називається
повною групою подій.
Теорема Якщо Н1, Н 2 . . . . Нn - повна група подій, Р (Нk)> 0 для k= 1, 2,
…..n, то для будь-якої випадкової події А виконується рівність
А
H3 H4
Рисунок 5
Події АН1, ..... АНn несумісні і в сумі дають подію А, тому використовуючи теореми
про ймовірність суми та добутку подій, маємо
Теорему доведено.
Приклад
Одну і ту ж деталь виготовляють на трьох верстатах. Ймовірність браку на першому
верстаті дорівнює 0,010, на другому – 0,015, на третьому – 0,020. Продуктивність
першого верстата у 1,5 рази більша за продуктивність другого, продуктивність
третього верстата у 2,5 рази більша за продуктивність другого. Усі деталі
складаються до одного ящика. Чому дорівнює ймовірність того, що взята навмання
деталь з ящику буде бракованою?
Розв’язування. Розглянемо такі випадкові події:
А – деталь бракована;
Н1- деталь виготовлена на першому верстаті;
Н2 - деталь виготовлена на другому верстаті;
Н3 - деталь виготовлена на третьому верстаті.
Спочатку обчислимо ймовірності Р (Нk). Покладемо Р (Н2) = p. Тоді за
умовою маємо, що Р (Н1) = 1,5p; Р (Н 3)= 2,5p. Звідси випливає ( враховуючи, що
Р(Н1) + Р(Н2) +Р(Н3) =1 ) 1,5p + p + 2,5p = 1, тобто 5p =1, p = 0,2. Тому
Р (Н2 ) = p =0,2; P (H1) = 1,5p = 1,5 • 0,2 = 0,3; P (H3) = 2,5 p =2,5 • 0,2 = 0,5.
11
За умовою задачі Р (А/Н1 ) = 0,010; Р (А/Н2 ) = 0,015; Р (А/Н3) = 0,020.
Тому маємо Р (А ) = Р(Н1) Р (А/Н1 ) + P (H2) Р (А/Н2 ) + +P (H3) Р (А/Н3)
= 0,3• 0,010 + 0,2• 0,015 +0,5• 0,020 = 0,016.
Іноді у ситуації, про яку сказано в теоремі, відомо, що подія А вже відбулася,
і запитується, яка ймовірність того, що при цьому відбулася випадкова подія Нk .
Відповідь на це питання дає
Теорема ( формули Байєса). Якщо Н1, Н 2 . . . . Нn - повна група подій,
то
12
Домашнє завдання
3.1 У збиральника є 85 деталей, 31 з яких виготовлено у першому цеху, 2 9 -
у другому і 25 - у третьому. Ймовірність того, що деталь виготовлена у
першому цеху стандартна, дорівнює 0,9, для другого цеху - 0,8 і для третього -
0,85. Яка ймовірність того, що навмання взята збиральником деталь не стандартна?
3.2 Є дві урни: в першій 30 білих і 20 чорних кульок, в другій 40 білих і 35
чорних. З першої урни в другу перекладають не дивлячись одну кульку. Після
цього з другої урни беруть одну кульку. Знайти ймовірність того, що кулька чорна.
3.3 Деталі для збірки вузлу виготовляються на двох станках, з яких перший
виробляє 80% деталей, а другий - 20%. Перший станок виробляє в середньому 4%
бракованих деталей, а другий - 3%. Знайти ймовірність того, що навмання взята
деталь доброякісна.
3.4 При розриві снаряду виникає 6% крупних осколків, 57% - середніх і
37% -дрібних. Ймовірність пробивання броні крупним осколком дорівнює 0,7,
середнім — 0,2, дрібним 0,001 Відомо, що у броню потрапив один осколок.
Визначіть ймовірність того, що броня пробита.
3.5 На двох автоматах виготовляються однакові деталі, які надходять на
загальний конвейєр. Продуктивність першого автомату втричі більше
продуктивності другого. Перший автомат в середньому виготовляє 95%
деталей першого гатунку, а другий 97%. Взята навмання деталь опинилась
першогу гатунку. Знайти ймовірність того, що ця деталь виготовлена другим
автоматом.
3.6 Є три партії деталей по 50 штук у кожній. Кількість стандартних
деталей упершій, другій і третій партіях відповідно дорівнює 49, 48, 40.
З довільно вибраної партії навмання витягнута деталь, яка опинилася
стандартною. Знайти ймовірність того, що деталь була витягнута з третьої партії.
13
Лекція 4 Схема незалежних випробувань. Формула Бернуллі.
Локальна та інтегральна теореми Муавра - Лапласа. Формула Пуассона
Приклад
У цеху п’ять верстатів. Ймовірність того, що кожен з них працює, p=0,8. Знайти
ймовірність того, що з них працює k =0, 1, 2, 3 , 4, 5 верстатів.
Розв’язування. Згідно з формулою Бернуллі
Р5 (0) = ; Р5 (1) = ;
Р5 (2) = ; Р5 (3) = ;
Р5 (4) = ; Р5 (5) = ;
Приклад
У мисливця п’ять патронів . Він стріляє до першого влучення. Знайти ймовірність
того, що буде витрачено k =1, 2, 3 патрони, якщо ймовірність влучення p = 0,8.
Розв’язування. Наведена схема - це не схема Бернуллі, оскільки вилучений
випадок k = 0, тому формулу Бернуллі застосовувати не можна.
За умовою задачі маємо Р3 (1) = р = 0,8. Далі знаходимо
Р3 (2) = (перший патрон – промах, другий – влучення). Нарешті,
14
ймовірність за схемою Бернуллі. Такими є формули Лапласа, які задаються
відповідними теоремами (подаємо їх без доведення):
Локальна теорема Муавра-Лапласа Якщо ймовірність появи події в схемі
Бернуллі дорівнює р ( р ≠ 0, р ≠ 1), а n велике, то
Приклад
Знайти імовірність того ,що з n= 100 зернин зійде рівно k = 80, якщо їх схожість р =
0,8.
Розв’язування. Згідно з формулою Лапласа, а також з таблицею , маємо
i= 1, 2 ,
Приклад
Металургійний завод дістав замовлення, для виконання якого необхідно
провести 90 кондиційних плавок. Ймовірність того, що плавка буде кондиційною, р
= 0,9. Тому вирішили зробити n =100 плавок. Йдеться про ймовірність Р100 (90,100) ,
для якої ,згідно з інтегральною теоремою, маємо
15
Формула Пуассона. Якщо в схемі випробувань Бернуллі р мале
( р< 0,1), n велике, тобто n p < 10, то
Рn (k) ≈ е- а аk / k !, а = np
Домашнє завдання
4.1 Робітник обслуговує 7 однакових верстатів. Ймовірність того, що верстат
поламається на протязі 1 год. дорівнює 0,04. Знайти ймовірність того, що за 1 год.
поламається не більше двох верстатів.
4.2 Ймовірність влучення в ціль при одному пострілі 0,83. Яка ймовірність того,
що при 5 пострілах буде 4 влучення?
4.3 Для прядіння змішали порівну білий та пофарбований хлопок. Яка
ймовірність того, що між 5 випадково одібраних волокон буде більше 3 білих?
4.4 В середньому 93% виробів не має дефектів. Яке найбільш ймовірне число
виробів з дефектами буде серед 40 виробів?
4.5 Відділ технічного контролю перевіряє 35 деталей. Ймовірність того, що
деталь стандартна 0,83. Знайти найбільш ймовірне число деталей, які будуть визнані
стандартними
4.6 Ймовірність влучення в ціль при кожному пострілі 0,96. Скільки треба
зробити пострілів щоб набільш йморвіне число було 30?
4.7 Знайти ймовірність того, що між 200 випадково взятих деталей 100 будуть
відполірованими, якщо у загальній масі деталей є однакова кулькість
відполірованих та не відполірованих.
4.8 Ймовірність того, що деталь не стандартна 0,04. Яка ймовірність того, що
серед 200 деталей буде 190 стандартних?
4.9 Завод відправив на базу 500 виробів. Ймовірність пошкодження в дорозі
0,001. Знайти ймовірність того, що пошкоджено буде 5 виробів.
4.10 Знайти ймовірність того, що серед 250 виробів буде від 10 до 15 бракованих,
якщо брак в середньому становить 5%.
4.11 Ймовірність появи події в кожному із 45 незалежних випробівань 0,85.
Знайти ймовірність того, що подія з’явиться в більшості випробувань.
4.12 Монету пидкинули 4000 разів. Знайти ймовірність того, що «герб» випаде
2000 разів.
4.13 Знайти ймовірність того, що в партії із 800 виробів число першосортних буде
від 600 до 700, якщо ймовірність того, що окремо взятий вироб буде першосортний
дорівнює 0,6.
4.14 Під час випробувань 0,7% виробів виходить з ладу. Яка ймовірність того, що
серед 1000 виробів буде 8 бракованих?
4.15 Ймовірність того що будь-який абонент подзвонить на комунатор за 1 год.,
дорівнює 0,004. Телефона станція обслуговує 500 абонентів. Яка ймовірність того
що за 1 годину подзвонить 4 абонента.
16
Лекція 5 Означення випадкової величини. Функція розподілу випадкової
величини та її властивості. Дискретні випадкові величини та їх розподіли
Приклад
У лотереї 100 білетів. Випадкова величина Х – сума виграшу по одному білету
набуває таких вартостей 10 гривень (1 білет), 5 гривень (3 білети), 1 гривня (10
білетів). Знайти закон розподілу Х.
Розв’язування. Маємо
Х 10 5 1 0
Р 0,01 0,03 0,1 0,86
17
для 2 < х 3 маємо F (х) = 0,2 +0,3 = =0,5 ( у цьому інтервалі Х може набувати або
значення 1 з імовірністю 0,2 ,або значення 2 з імовірністю 0,3).
Нарешті, при х > 3 маємо F (Х) = 0,2 + 0,3 + 0,5 = 1.
Отже,
0, якщо -∞< х ≤ 1;
F(x) = 0,2, якщо 1< х ≤ 2;
0,5, якщо 2 < х ≤3 ;
1, якщо х > 3.
Властивості F (х):
1. 0 ≤ F(x) ≤ 1 ( випливає з означення F (х)).
2. Р ( х1< Х < x2) = F (х2) - F (х1).
3. F(х) - неспадна функція, ( х2 > х1) = > (F (х2) ≥F (х1).).
4. Для неперервної випадкової величини ймовірність прийняти окреме
значення дорівнює нулю:
Р ( Х = х0 ) = 0.
5. Якщо значення Х зосереджені на [ a, b ], то F (X) = 0 при x ≤ а і F (X) = 1
при х > b.
Застосовуємо ймовірність неможливої й вірогідної події.
1. Рівномірний розподіл
P{X = m} = 1/n; m= 1,2,3. . .n
2. Гіпергеометричний розподіл
Р{X = m} = , m = 0,1…. min ( M, n)
Гіпергеометричний розподіл характерний для такої задачі: в партії з N виробів М
виробів першого ґатунку і N- М виробів другого ґатунку. З партії для контролю
відбирається n виробів. Закон розподілу кількості m-виробів першого ґатунку у
відібраній партії є гіпергеометричним.
3. Геометричний розподіл
Р{ X = m} = q m-1 • p, m = 1, 2, 3…; 0 < p < 1.
Геометричний розподіл має випадкова величина Х, що дорівнює кількості
випробувань в схемі Бернуллі до першого успіху ( невдачі). Наприклад, якщо р –
ймовірність влучити в мішень при одному пострілі, то Х – це кількість патронів, що
була витрачена до першого влучного пострілу.
18
4. Біноміальний розподіл
Р{ X = m}= Рn (m) = C ; m = 0, 1, 2, …n
Цей закон описує ймовірність для випадкової величини Х, яка відповідає
кількості успіхів (невдач) у схемі Бернуллі. Цим законом описуються, наприклад,
кількість випадань герба при фіксованій кількості підкидань монети або кількість
бракованих виробів у вибірці з обмеженої партії продукції. Тоді n – кількість
підкидань монети або деталей у відібраній партії, р – ймовірність випадання герба
при одному підкиданні (1 /2) або ймовірність браку у загальній партії деталей,
m- значення величини Х, що змінюється від 0 до n, q =1-р.
5. Розподіл Пуассона ( закон розподілу рідкісних подій)
Приклад
В партії з 5 виробів є 3 дефектних. Випадково відбираємо 3 деталі. Скласти закон
розподілу випадкової величини Х – кількості стандартних деталей серед відібраних.
Розв’язування. Випадкова величина може набути значень 0, 1, 2 з
ймовірностями
Р {X=0} =
Р {X=1} =
Р {X= 2} =
Маємо гіпергеометричний розподіл випадкової величини
Х 0 1 2
19
Домашнє завдання
5.1 В ремонтну майстерню за день поступає не більше двох заявок на ремонт
обладнання. За 100 спостережень дві заявки поступили 35-разів, одна заявка – 45
разів, ні одної не поступило -20 разів. Складіть закон розподілу числа заявок в день.
5.2 У партії з 30 деталей є 27 стандартних. Навмання відібрані 2 деталі.
Скласти закон розподілу кількості нестандартних деталей серед відібраних.
5.3 У партії 5% нестандартних деталей. Випадково відібрані 3 деталі.
Скласти закон розподілу випадкової величини X – кількості стандартних
деталей серед 3 відібраних.
5.4 Ймовірність того, що студент знайде у бібліотеці потрібну йому книжку
дорівнює 0,45. Скласти закон розподілу кількості бібліотек, які він відвідає, якщо у
місті є п’ять бібліотек.
5.5 Підкидають гральний кубик до появи числа 5. Скласти закон розподілу
випадкової величини X - кількості підкидань.
5.6 Скласти закон розподілу квадратів числа очок при одному підкиданні
грального кубика.
20
Лекція 6 Неперервні випадкові величини та їх розподіли
Властивості f (x)
1. f (x ) = F′ (x).
Справді,
2. f ( x ) ≥ 0 ( оскільки f (x ) = F′ (x), F ( x ) - неспадна ).
3. Р ( х1 ≤ Х < х2 ) =
4. F (x ) =
Справді, F(x)=P(X<x)=P(-
5. . Справді, 1=Р(
Означення Випадкова величина Х називається рівномірно розподіленою,
якщо її щільність стала.
21
Означення Випадкова величина Х називається розподіленою за
експоненціальним законом, якщо щільність розподілу має вигляд
F (x ) = = . Зробимо заміну
F (x ) = = Ф( ), де
P{x1
Ймовірність того, що Х N ( a ,σ ) набуде значення, які відповідають умові
P{
22
З цієї формули виходить дуже важливий наслідок
якщо Е =3σ , то P{ <3σ} =2Ф(3) = 0,9973
Це означає, що практично все розсіяння нормально розподіленої випадкової
величини вкладається в інтервал α ±3σ (правило трьох сигм). Ймовірність того, що
Х набуде значень за межами цього інтервалу, настільки мала (0, 0027),що таку
подію можна вважати практично неможливою.
Нормальний закон розподілу зустрічається найчастіше. За цим законом
розподілені точність вимірювання практично всіх фізичних величин, параметри
технологічних режимів, багато біологічних, демографічних та економічних
покажчиків і т.д. Аналіз загальних умов формування нормального розподілу
показує, що найважливішим фактором є формування величини як суми великої
кількості взаємно незалежних складників, жоден з яких не має набагато більшої, ніж
інші, дисперсії. Такі умови часто мають місце у виробничих, економічних,
демографічних та інших процесах. Як буде показано далі, нормальний закон є
граничним законом, до якого наближаються інші види розподілу.
23
Домашнє завдання
6.1 Щільність розподілу випадкової величини має вигляд
.
Знайти функцію розподілу F(x), обчислити P(0,6<x<0,8).
6.2 Щільність розподілу випадкової величини має вигляд
.
Знайти функцію розподілу F(x), обчислити .
6.3 Функція розподілу має вигляд . Знайти
щільність розподілу f(х), обчислити . Побудувати графіки f(х), F(х).
6.4 Функція розподілу має вигляд . Знайти
параметр а, щільність розподілу f(х), обчислити . Побудувати графіки
f(х), F(х).
6.5 Функція розподілу має вигляд .
Знайти щільність розподілу f(х), обчислити . Побудувати графіки
f(х), F(х).
6.6 Випадкова величина рівномірно розподілена на відрізку [2;5]. Знайти
щільність розподілу f(х), функцію розподілу F(x), обчислити ймовірність попадання
величини у проміжок [3;3,5].
6.7 Випадкова величина Х розподілена за нормальним законом з параметрами
a=3 і σ=0,3. Знайти щільність розподілу f(х), функцію розподілу F(x), обчислити
ймовірність попадання величини у проміжок [2,8;3,5].
6.8 Випадкова величина Х розподілена за експоненціальним законом з
параметром λ=2. Знайти щільність розподілу f(х), функцію розподілу F(x), обчислити
ймовірність попадання величини у проміжок [1,8;2,3].
24
Лекція 7 Числові характеристики випадкової величини
М (Х) = , М (Х) =
(7.1)
відповідно для дискретних і неперервних величин, тут х і – значення величини, рі –
ймовірність цих значень, - щільність імовірності величини.
Математичне сподівання характеризує середнє значення випадкової величини і
зберігає її розмірність. Математичне сподівання є аналогією центра мас систем
матеріальних точок.
Властивості математичного сподівання
1. М (С) = С.
Справді, розглядаючи сталу як випадкову величину, яка набуває єдиного значення
з імовірністю, яка дорівнює одиниці, маємо М (С) = С·1 = С.
2. М (ХY) = М (Х) М (Y) для незалежних Х і Y.
Н а с л і д о к 1. М (СХ) = СМ (Х).
Н а с л і д о к 2. М (Х – М (Х)) = 0.
Справді М (Х - М (Х))= М (Х) – М (М (Х))= М (Х) – М (Х) = 0.
Приклад
Знайти М (Х), якщо Х розподілена за біноміальним законом, тобто Х є кількістю
появ деякої події при n випробуваннях за умови, що ймовірність появи події в
кожному випробуванні дорівнює р. Нехай Хі – кількість появ події в і-му
випробуванні. Значення Хі – це 0 або 1, ймовірності q і р, отже,
M (Xi) = 0 · q + 1 · p = p.
Далі знаходимо
М (Х)= М (Х1 + Х2 + . . . + Хn ) = М (Х1) + М (Х2) + . . . +. М(Хn)=np
Приклад
Знайти М (Х), якщо Х розподілено за законом Пуассона.
Розв’язування. Маємо
25
Для розподілу Пуассона М (Х) = λ (λ – параметр розподілу).
Для нормального розподілу М (Х) = а (а – параметр розподілу).
Властивості дисперсії
1. D ( C ) = 0.
2. D ( CX ) = C2 D ( X ).
3. D ( X ± Y ) = D ( X ) + D ( Y ), X і У - незалежні.
4. D ( C + X ) = D ( X ).
Кілька слів з приводу властивостей дисперсії.
Властивість 4 означає, що зміщення величини не змінює її дисперсії. Дисперсія
добутку двох величин може не дорівнювати добутку дисперсій вихідних величин.
Можна довести , що для біноміального розподілу D (X ) = npq; для розподілу
Пуассона D (X ) = λ. Для геометричного розподілу D (Х) = .
26
D (X ) = ; для нормального розподілу D ( X ) = , де σ - параметр розподілу.
εk =
27
Домашнє завдання
7.1. Знайти: МХ і DX.
X 5 10 15 20
P 1/12 4/12 5/12 1/6
7.2. Дано: X Знайти:
7.3. Дано: , MX=3.4, DX=0.84. Знайти:
7.4. Сім разів підкинуто монету. Знайти математичне сподівання та середнє
квадратичне відхилення кількості появи герба.
7.5. Ймовірність того, що студент відповість на питання дорівнює 0,7. Білет
містить три питання. Знайти середнє значення кількості питань, на які студент
відповість.
7.6. У хімчистці стверджують, що 85% плям на вовняних речах відмиваються.
Ви здали в хімчистку 3 вовняні речі з плямами. Скласти закон розподілу кількості
ваших вовняних речей, що після хімчистки виявились без плям. Знайти математичне
сподівання і дисперсію.
7.7. Неперервна випадкова величина рівномірно розподілена на інтервалі
(4;6). Знайти М(Х), D(Х), σ(Х) цієї величини.
7.8. Обчислити М(Х), D(Х), σ(Х) випадкової величини Х, якщо щільність
розподілу відома :
0, x (– ∞ ; 0)
f(x) =
3e-3x, x [0 ;+ ∞)
7.9. Обчислити М(Х), D(Х), σ(Х) випадкової величини Х, якщо щільність
розподілу відома
.
7.10. Обчислити М(Х), D(Х), σ(Х), якщо відома функція розподілу випадкової
величини:
.
7.11. Знайти дисперсію та середнє квадратичне відхилення показникового
розподілу, заданого щільністю розподілу , .
28
Лекція 8 Закон великих чисел. Центральна гранична теорема
(8.1)
Це означає, що при використанні великої кількості доданків ймовірність
відхилення середнього арифметичного від математичного сподівання стає все
меншою.
Перша форма закону великих чисел належить Я.Бернуллі, вона стосується
“схеми Бернуллі”. Застосовуємо до цього випадку співвідношення (8.1). За величину
приймаємо одну з незалежних випадкових величин, що має розподіл
імовірностей
P (A) =
Маємо MX1 = р, DX1 = р(1-р); реалізація випадкової величини. – кількість
29
σk2 = dk = DXk, причому виконується умова
(8.2)
Позначимо (8.3)
(8.4)
Тоді випадкова величина при великих n наближено розподілена за
нормальним законом з математичним сподіванням m = 0 і σ = 1, а саме
30
Лекція 9 Завдання математичної статистики. Генеральна сукупність і вибірка.
Варіаційний ряд. Графічне зображення вибірки
відносними частотами.
31
Послідовність варіант, записаних у зростаючому порядку з вказівкою
відповідних їм частот, називається статистичним рядом розподілу.
Статистичний розподіл можна задати також у вигляді послідовності
інтервалів (розрядів) і відповідних їм частот (відносних частот), - частота,
відповідна інтервалові, дорівнює сумі частот варіант, що попали у цей інтервал. Так
роблять у випадку, коли число різних варіант дуже велике.
Наприклад,
1.
-1 2 5 8 10
xi
5 10 40 30 15 = 100
mi
0,05 0,1 0,4 0,3 0,15 =1
2.
(2;4) (4;6) (6;8) (8; 10)
20 40 3О 10 =100
mi
0,2 0,4 0,3 0,1 =1
32
Домашнє завдання
9.1 Задано вибірку, яка характеризує місячний прибуток підприємців( у тисячах
гривень). Скласти варіаційний ряд вибірки; побудувати гістограму та полігон
частот.
25, 34, 38, 28, 27, 26, 30, 25, 36, 34, 35, 27, 29, 30, 35, 31, 35, 29, 30, 31.
33
Лекція 10 Числові характеристики вибірки. Статистична функція розподілу
1. Вибіркове середнє
2. Мода - значення хі, яке має найбільшу частоту М0Х = xi.
3. Медіана - значення xi , яке ділить варіаційний ряд навпіл.
4. Вибіркова дисперсія .
6. Коефіцієнт варіації .
Е .
34
Домашнє завдання
35
Лекція 11 Точкові та інтервальні оцінки параметрів розподілу.
Довірчі інтервали для параметрів нормального розподілу
Часто інженеру або досліднику треба подати інформацію про розподіл випад-
кової величини через декілька параметрів, що цей розподіл описують. Навіть тоді,
коли невідома формула функції або щільності розподілу, корисно обчислити головні
покажчики на базі тих даних, що одержані у експерименті.
Параметри статистичного розподілу є емпіричними аналогами відповідних те-
оретичних параметрів і служать їх точковими оцінками (точковою називають оцін-
ку, що визначається одним числом). Для МХ оцінкою є , для DХ - S2.
Точкові оцінки повинні бути незміщеними. Незміщеною називають статистичну
оцінку * , якщо її математичне сподівання дорівнює оцінюваному параметру при
будь-якому об'ємі вибірки, тобто
M(*)= ; M =MX; MS2= DX.
Вибіркове середнє та виправлена дисперсія , - незміщені оцінки.
Незміщена оцінка може давати добре, а може і не зовсім добре наближення до
оцінюваного параметра; треба щоб і дисперсія величини, що оцінюється була ма-
лою.
Ефективною називають статистичну оцінку, яка при заданому об'ємі вибірки
n має найменшу можливу дисперсію. Оцінки , являються ефективними.
Спроможною називають оцінку, яка при прямує по ймовірності до па-
раметра, що оцінюється. Спроможність оцінок , означає, що для будь-якого
>0
; .
Теорія математичної обробки даних має у своєму арсеналі два принципи оцінки
невідомих параметрів розподілу: точкове та інтервальне оцінювання. Недолік то-
чкових оцінок у тому, що невідомо, з якою точністю вони визначають шуканий па-
раметр. Якщо для великого числа спостережень (об'єму вибірки) точність звичайно
буває достатньою для практичних висновків (у силу незміщеності, ефективності і
спроможності), то для вибірок невеликого об'єму питання про точність оцінок яв-
ляється вельми істотним. Це свідчить про можливість другого підходу, зв'язаного з
інтервальними оцінками.
Нехай - шуканий параметр розподілу, а *- його точкова оцінка, знайдена за
даними досліду. Чим менше різниця |-*|, тим краще якість оцінки, тим точніша
оцінка. Точність оцінки характеризується числом таким, що |*--*|< . Параметр
невідомий, тому при заданому ставиться питання лише про ймовірність події
|-*|<
Довірчою ймовірністю або надійністю називають ймовірність виконання
нерівності |-*|< і позначають , тобто
(11.1)
36
Формула (11.1) означає, що з ймовірністю параметр попадає у інтервал
( *- ; *+ ). Цей інтервал називають довірчим інтервалом. Іншими словами,
- ймовірність того, що інтервал покриває невідомий параметр .
Довірчий інтервал для математичного сподівання нормальної випадкової ве-
личини при відомому середньому квадратичному відхиленні :
Так, як X N (;2), то . Дійсно, сума нормально розпо-
ділених величин нормально розподілена і
, (так як всі X і мають розподіл X),
37
Домашнє завдання
11.1 За даними вибірки
8,5 8,4 7,95 7,7 8,0 8,25 8,2 8,2 8,45 8,5 8,8 8,0 8,3 8,3 8,25 8,0 знайти
довірчі інтервали для оцінки математичного сподівання а нормального розподілу з
надійністю γ=0,95; 0,99; 0,999.
11.2 Відомі середнє квадратичне відхилення нормального розподілу
випадкової величини Х, вибіркова середня в, об’єм вибірки n. Знайти довірчий
інтервал для математичного сподівання а при заданій надійності = 0,99:
= 6; в = 20,2; n = 100.
11.3 Приведено дані виробітку на одного робітника із 65 робітників у звітному
році в процентах у відношенні з минулим роком: 105; 120; 97; 130; 80; 95; 100; 85;
115; 80; 105; 100; 105; 97; 80; 130; 97; 105; 100; 80; 120; 97; 195; 95; 97; 130; 100;
120; 80; 105; 100; 105; 97; 110; 115; 80; 97; 100; 110; 80; 130; 80; 97; 100; 105; 100;
80; 120; 97; 195;115; 105; 120; 97; 130; 80; 110; 105; 115; 97; 80; 105; 100; 100; 80.
Знайти довірчий інтервал для математичного сподівання при = 0,95.
38
Лекція 12 Поняття статистичної гіпотези. Статистичний критерій.
Критерій Пірсона. Критерій Колмогорова
39
Схема міркувань при перевірці гіпотези Н0 за допомогою критерію згоди Пір-
сона складається з подальшого: висуваємо гіпотезу Н0: X ~ N(α;σ) випадкова
величина розподілена за нормальним законом, при конкуруючій гіпотезі Н1: X ~
N(α;σ), випадкова величина не розподілена за нормальним законом.
Для перевірки гіпотези:
1) Складають згрупований статистичний ряд.
2) Обчислюють ймовірності попадання випадкової величини X у часткові
інтервали (xj-1; xj) ,для цього треба попередньо пронормувати величину, тобто знайти
значення . Pj = P{xj-1 < X < xj} = P{uj-1 <X <uj}= Ф(uj) –Ф(uj-1).
3) Визначають теоретичні частоти прі часткових інтервалів.
4) Обчислюють вибіркову статистику (критерій)
Якщо нульова гіпотеза вірна, то при n → ∞ закон розподілу даної статистики χ2,
незалежно від виду функції F (х), прямує до закону розділу χ2 з числом ступенів
вільності f = k - r - 1 (k – кількість інтервалів; r – кількість параметрів гіпотетичної
функції F (х)).
5) По таблицям χ2 – розподілу (див. додатки), по заданому рівню значущості і
кількості степенів вільності f = k - r - 1 (для нормального розподілу r = 2) знаходять
критичне значення χ 2(f) порівнюючи значення вибіркової статистики χ2, що
спостерігається з критичним значенням χα2 (f) і приймають одне з двох рішень:
- якщо χ2 < χα2 (f) , то не існує потреби для відхилення нульової гіпотези;
- якщо χ2 ≥ χα2 (f) , то приймається конкуруюча гіпотеза Н1.
40
Домашнє завдання
4 16 35 17 3
41
Лекція 13 Поняття про кореляційну залежність. Лінійна кореляція.
Метод найменших квадратів
(13.2)
Якщо обидві функції f(x) i φ(y) лінійні, то кореляцію між X i Y називають
лінійною. В протилежному випадку говорять про нелінійну кореляцію.
В теорії кореляції розглядають такі дві основні задачі:
1) встановити вигляд функції регресії f(x) i φ(y);
2) оцінити "тісноту" кореляційного зв’язку випадкових величин.
Якщо які-небудь теоретичні передумови відсутні, то вибір функцій (13.1) і
(13.2) можна здійснити у такий спосіб: припустимо, наприклад, що f(x) – лінійна
функція, що задовольняє рівнянню
, (13.3)
де параметри k і b треба знайти за вибірковими даними. Як правило, ці
параметри шукають методом найменших квадратів. У найпростішому випадку
залежність (13.3) дає нев’язку (відхил)
, (13.4)
яка у загальному випадку відмінна від нуля.
Величина
(13.5)
42
Для знаходження мінімуму функції (13.8) знайдемо частинні похідні функції F
за змінними k і b, а потім прирівняємо їх до нуля.
Маємо
або
(13.9)
Ця система зветься нормальною системою рівнянь, яку можна розв’язати
відносно k і b.
Домашнє завдання
43
Лекція 14 Поняття про дисперсійний аналіз. Однофакторний дисперсійний
аналіз
44
Однофакторний дисперсійний аналіз
Розглядається дія одиничного фактору А (кількісного чи якісного), котрий приймає
k різних значень (рівнів фактора). Найбільш прості розрахунки виходять при рівній
кількості дослідів на кожному рівні фактора А (табл. 1).
Таблиця 1
Вихідні дані для однофакторного дисперсійного аналізу
з рівним числом паралельних дослідів
Рівні фактора А
Номер
випробування, і
А1 А2 … Аk
sпом2=SSзал/(k(n-1)) (14.9)
Результати розрахунків, за звичай, представляють у вигляді таблиці
дисперсійного аналізу (табл. 2).
Таблиця 2
Однофакторний дисперсійний аналіз
45
(з рівним числом паралельних дослідів)
Джерело Число ступ. Сума Середній Мат. сподіван-
дисперсії вільності квадратів квадрат ня середнього
квадрату
SSA
А k-1 sA2 nσA2 +σпом 2
SSзал
Залишок k(n-1) sпом2 σпом 2
SSзаг SSзаг/(kn −1)
Загальна сума kn-1
фактора А.
Домашнє завдання
Проведено по п’ять випробувань на кожному з чотирьох рівній фактора F.
Методом дисперсійного аналізу при рівні значущості 0,05 перевірити нульову
гіпотезу про рівність групових середніх . Вважається, що вибірки вибрані з
нормальних сукупностей з однаковими дисперсіями. Результати випробувань
наведені в таблиці.
Номер Рівні фактора
випробування,
і F1 F2 F3 F4
1 36 56 52 39
2 47 61 57 57
3 50 64 59 63
4 58 66 58 61
5 67 66 79 65
51,6 62,6 61,0 57,0
46
Список літератури
1. Шкіль М.І. та ін. Алгебра і початки аналізу: Підручник для 10-11 класів серед.
закладів освіти/ М.І. Шкіль, З.І. Слєпкань, О.С. Дубинчук,– К.: Зодіак ̶ ЕКО,
1998. –608с.
2. Математика для техникумов. Алгебра и начала анализа: Учебник
Ч.2/Каченовский М.И. и др.; Под ред. Г.Н.Яковлева.– М.:Наука.Гл.ред.физ.-мат.лит.,
1988. – 272с.
3. Вища математика: спеціальні розділи: Підручник: У двох книгах.Книга 2/
Г.Л.Кулініч, Є.Ю. Таран та ін.; За ред. Г.І. Кулініча.– К.: Либідь, 1996, – 336 с.
4. Гмурман В.Є. Руководство к решению задач по теории вероятностей и
математической статистике. Учеб.пособие для втузов.– М.: „Высш. школа”,
1975, –333с.
47