Одним из важнейших основных понятий теории вероятностей является понятие о случайной величине.

Случайной величиной называется величина, которая в результате опыта может принять то или иное значение, причем неизвестно заранее, какое именно.

Примеры случайных величин:

1) число попаданий при трех выстрелах;

2) число вызовов, поступавших на телефонную станцию за сутки;

3) частота попадания при 10 выстрелах.

Во всех трех приведенных примерах случайные величины могут принимать отдельные, изолированные значения, которые можно заранее перечислить.

Так, в примере 1) эти значения:

в примере 2):

в примере 3)

0; 0,1; 0,2; …; 1,0.

Такие случайные величины, принимающие только отделенные друг от друга значения, которые можно заранее перечислить, называются прерывными или дискретными случайными величинами.

Существуют случайные величины другого типа, например:

1) абсцисса точки попадания при выстреле;

2) ошибка взвешивания тела на аналитических весах;

3) скорость летательного аппарата в момент выхода на заданную высоту;

4) вес наугад взятого зерна пшеницы.

Возможные значения таких случайных величин не отделены друг от друга; они непрерывно заполняют некоторый промежуток, который иногда имеет резко выраженные границы, а чаще – границы неопределенные, расплывчатые.

Такие случайные величины, возможные значения которых непрерывно заполняют некоторый промежуток, называются непрерывными случайными величинами.

Понятие случайной величины играет весьма важную роль в теории вероятностей. Если «классическая» теория вероятностей оперировала по преимуществу с событиями, то современная теория вероятностей предпочитает, где только возможно, оперировать со случайными величинами.

Приведем примеры типичных для теории вероятностей приемов перехода от событий к случайным величинам.

Производится опыт, в результате которого может появиться или не появиться некоторое событие. Вместо события можно рассмотреть случайную величину , которая равна 1, если событие происходит, и равна 0, если событие не происходит. Случайная величина, очевидно, является прерывной; она имеет два возможных значения: 0 и 1. Эта случайная величина называется характеристической случайной величиной события . На практике часто вместо событий оказывается удобнее оперировать их характеристическими случайными величинами. Например, если производится ряд опытов, в каждом из которых возможно появление события , то общее число появлений события равно сумме характеристических случайных величин события во всех опытах. При решении многих практических задач пользование таким приемом оказывается очень удобным.

С другой стороны, очень часто для вычисления вероятности события оказывается удобно связать это событие с какой-то непрерывной случайной величиной (или системой непрерывных величин).

Пусть, например, измеряются координаты какого-то объекта О для того, чтобы построить точку М, изображающую этот объект на панораме (развертке) местности. Нас интересует событие , состоящее в том, что ошибка R в положении точки М не превзойдет заданного значения (рис. 2.4.1). Обозначим случайные ошибки в измерении координат объекта. Очевидно, событие равносильно попаданию случайной точки М с координатами в пределы круга радиуса с центром в точке О. Другими словами, для выполнения события случайные величины и должны удовлетворять неравенству

Вероятность события есть не что иное, как вероятность выполнения неравенства (2.4.1). Эта вероятность может быть определена, если известны свойства случайных величин .

Такая органическая связь между событиями и случайными величинами весьма характерна для современной теории вероятностей, которая, где только возможно, переходит от «схемы событий» к «схеме случайных величин». Последняя схема сравнительно с первой представляет собой гораздо более гибкий и универсальный аппарат для решения задач, относящихся к случайным явлениям.

Случайная величина - величина, значение которой получается в результате пересчета или измерений и не может быть однозначно определено условиями его возникновения.

То есть случайная величина представляет собой числовые случайные события.

Случайные величины подразделяют на два класса:

Дискретные случайные величины - значения этих величин представляют собой натуральные числа, которым как отдельным событиям сопоставляются частоты и вероятности.

Непрерывные случайные величины - могут принимать любые значения из некоторого промежутка (интервала). Учитывая, что на промежутке от Х1 до Х2 числовых значений бесконечное множество, то вероятность того, что случайная величина ХiЄ(Х1,Х2) примет определенное значение, бесконечно мала. Учитывая, что невозможно перечислить все значения непрерывной случайной величины, на практике пользуются средним значением интервала (Х1,Х2).

Для дискретных случайных величин функция у=Р(х) - называется функцией распределения случайной величины и имеет график - его называют многоугольник распределения.

Различают следующие группы числовых характеристик: характеристики положения (математическое ожидание, мода, медиана, квантиль и др.), рассеивания (дисперсия, среднеквадратичное отклонение и др.), характеристики формы плотности распределения (показатель асимметрии, эксцесса и др.).

Математическим ожиданием (средним значением по распределению) называется действительное число, определяемое в зависимости от типа СВ Х формулой:

Математическое ожидание существует, если ряд (соответственно интеграл) в правой части формулы сходится абсолютно. Если mX = 0, то СВ Х называется центрированной (обозначается ).

Свойства математического ожидания:

где С - константа;

M = C×M[X];

M = M[X]+M[Y],

для любых СВ X и Y;

M = M[X]×M[Y] + KXY,

где KXY = M - ковариация СВ X и Y.

Начальным моментом k-го порядка (k = 0, 1, 2, ...) распределения СВ Х называется действительное число, определяемое по формуле:

nk = M =

Центральным моментом k-го порядка распределения СВ Х называется число, определяемое по формуле:

mk = M[(X-mX)k]=

Из определений моментов, в частности, следует, что: n0 = m0 = 1, n1 = mX, m2 = DX = sX2.

Модой СВНТ называется действительное число Mo(X) = x*, определяемое как точка максимума ПР f(x). Мода может иметь единственное значение (унимодальное распределение) или иметь множество значений (мультимодальное распределение).

Медианой СВНТ называется действительное число Mе(X) = x0, удовлетворяющее условию: P{X < x0} = P{X ³ x0} или F(x0) = 0,5.

Квантилем уровня р называется действительное число tp, удовлетворяющее уравнению: F(tp) = p. В частности, из определения медианы следует, что x0 = t0,5.

Дисперсией СВ Х называется неотрицательное число D[X] = DХ, определяемое формулой:

DX = M[(X-mX)2] = M - mX2 =

Дисперсия существует, если ряд (соответственно интеграл) в правой части равенства сходится. Свойства дисперсии:

D[C] = 0, где С - константа;

D = C2×D[X];

дисперсия, очевидно, не меняется от смещения СВ X;

D = D[X] + D[Y] + 2×KXY,

где KXY = M - ковариация СВ X и Y;

Неотрицательное число sХ = называется среднеквадратичным отклонением СВ X. Оно имеет размерность СВ Х и определяет некоторый стандартный среднеквадратичный интервал рассеивания, симметричный относительно математического ожидания. (Величину sХ иногда называют стандартным отклонением). СВ Х называется стандартизованной, если mX = 0 и sХ = 1. Если величина Х = const (т.е. Х не случайна), то D[X] = 0.

Показателем асимметрии ПР является коэффициент асимметрии (“скошенности”) распределения: A = m3/s3X. Показателем эксцесса ПР является коэффициент эксцесса (“островершинности”) распределения: E = (m4/s4X)-3. В частности, для нормального распределения E = 0.

Упорядочная совокупность n случайных величин (СВ) Х1, Х2, ..., Хn, рассматриваемых совместно в данном опыте, называется n-мерной СВ или случайным вектором и обозначается = (Х1, Х2, ..., Хn).

Функцией распределения (ФР) n-мерного случайного вектора называется функция n действительных переменных х1, x2, ..., xn, определяемая как вероятность совместного выполнения n неравенств: F(x1, x2, ... xn) = P{ X1 < x1, X2 < x2,..., Xn < xn}. В частности, для двумерного случайного вектора (X, Y) по определению ФР имеем: F(x, y) = P{X < x, Y < y}. ФР F (х, у) обладает следующими свойствами:

1 0 £ F(x, у) £ 1;

2 F(x, у) - неубывающая функция своих аргументов;

4.

Свойство 4 обычно называют условием согласованности. Оно означает, что ФР отдельных компонент случайного вектора могут быть найдены предельным переходом из функции совместного распределения этих компонент. Вероятность попадания случайной точки на плоскости (X, Y) в прямоугольник со сторонами, параллельными осям координат, может быть вычислена с помощью ФР по формуле:

P{x1 £ X < x2, y1 £ Y < y2} = F(x1, y1)+ F(x2, y2)- F(x1, y2)- F(x2, y1).

Двумерный случайный вектор (X,Y) называется случайным вектором дискретного типа (СВДТ), если множество его возможных значений G(x, y) не более чем счетно. Ее закон распределения можно задать двумерной таблицей из перечня возможных значений пар компонент {(хi, yi) | (хi, yi) Î G(x, y)} и соответствующих каждой такой паре вероятностей pij = P{X = xi, Y = yj}, удовлетворяющих условию

Двумерный случайный вектор (X, Y) называется случайным вектором непрерывного типа (СВНТ), если существует такая неотрицательная функция f(x, y) называемая плотностью распределения (ПР) вероятностей случайного вектора, что:

f(x, y) = , тогда F(x, y) = .

ПР вероятностей обладает следующими свойствами:

f(x, y) ³ 0, (x, y) Î R2;

- условие нормировки.

ПР вероятностей отдельных компонент случайного вектора выражаются в виде интегралов от совместной плотности:

f(x) = f(y) = .

Вероятность попадания случайной точки в произвольную квадрируемую область S на плоскости определяется по формуле

P{(X, Y) Î S}= .

Условной плотностью распределения вероятностей случайной компоненты X при условии, что компонента Y приняла определенное значение у, называется функция f(x/y) действительной переменной х Î R: f(x/y) = f(x, y)/f(y). Аналогично определяется условная плотностью распределения вероятностей случайной компоненты Y при условии, что компонента X приняла определенное значение x: f(y/x) = f(x, y)/f(x). СВ X1, X2, ..., Хn называются независимыми (в совокупности), если для событий {Xi Î Bi}, i = 1, 2, ..., n, где B1, B2, ... Bn - подмножества числовой прямой, выполняется равенство: P{X1 Î B1, X2 Î B2, ... Xn Î Bn} = P{X1 Î B1}× P{X2 Î B2}× ... ×P{Xn Î Bn}.

Теорема: СВ X1, Х2, .... Хn независимы тогда и только тогда, когда в любой точке x = (x1, x2, ..., xn) имеет место равенство: F(x1, x2, ..., xn) = F(x1) × F (x2) × ... × F (xn) (или f(x1, x2, ..., xn) = f(x1) × f(x2) × ... × f(xn)).

Для двумерного случайного вектора (X, Y) вводятся следующие числовые характеристики.

Начальным моментом порядка r + s случайного вектора (X, Y) называется действительное число nr,s, определяемое формулой:

nr,s = M =

Начальный момент nr,s существует, если интеграл (соответственно ряд) в правой части равенства абсолютно сходится. В частности, nr,0 = M - соответствующие начальные моменты компоненты X. Вектор с неслучайными координатами (mX, mY) = (n1,0, n0,1) называется математическим ожиданием случайного вектора (X, Y) или центром рассеивания.

Центральным моментом порядка r + s случайного вектора (X, Y) называется действительное число mr,s определяемое формулой

mr,s = M[(X-mX)r (Y-mY)s] =

Центральный момент mr,s существует, если интеграл (соответственно ряд) в правой части равенства абсолютно сходится. Вектор с неслучайными координатами (DX, DY) = (m2,0, m0,2) называется дисперсией случайного вектора.

Центральный момент m1,1 называется корреляционным моментом (ковариацией): KXY = M = M[(X-mX)×(Y-mY)] = M-mX mY.

Коэффициентом корреляции двух случайных компонентов X и Y случайного вектора является нормированная ковариация

rXY = KXY/(sXsY).

Свойства ковариации (и коэффициента корреляции).

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Министерство образования и науки Российской Федерации

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«Южно-Уральский государственный университет

(национальный исследовательский университет)»

Факультет «Приборостроительный (КТУР)»

Кафедра «Информационно-измерительная техника»

Реферат на тему

«Что такое случайная величина?»

по дисциплине «Теория вероятностей и математическая статистика»

Проверил:

______________/ А.П. Лапин

Выполнил:

студент группы ПС-236

_______________/Загоскин Я.С./

Челябинск 2015

ВВЕДЕНИЕ

1. СЛУЧАЙНАЯ ВЕЛИЧИНА

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ВВЕДЕНИЕ

Теория вероятностей - относительно молодая, но уже ставшая классической, ветвь математики. Развитие ее как отдельной науки пришлось на середину XVII века, и началось с переписки двух известных во всем мире французских математиков: Блеза Паскаля и Пьера де Ферма. Однако задачами, относящимися к просчету вероятностей в азартных играх, ученые начали интересоваться значительно раньше. Так, например, итальянский математик Лука Пачоли еще в 1494 в своем труде «Сумма арифметики, геометрии, отношений и пропорций» («Summa de arithmetica, geometria, proportioni et proportionalitа»), рассмотрел одну из задач о вероятностях, но, к сожалению, привел ошибочное решение.

Сегодня методы теории вероятностей и математической статистики являются неотъемлемой частью практически любой дисциплины, как технической, так и гуманитарной направленности. Законы распределения случайных величин оказались применимыми не только к математике, физике, химии, и так далее, но и к дисциплинам, носящим отчасти прогностический характер, таким как социология, экономика, политология, etc.

В данной работе, познакомимся с основными понятиями, терминами и законами теории вероятностей и математической статистики, а так же с применением последних на практике.

1. СЛУЧАЙНАЯ ВЕЛИЧИНА

1.1 Определение случайной величины

Случайная величина - это фундаментальное понятие теории вероятностей и математической статистики.

Каждый автор по-своему формулирует понятие случайной величины. Е.С. Вентцель, например, определяет случайную величину, как величину, которая в результате опыта может принять то или иное значение, причем неизвестно заранее, какое именно .

Иначе говоря, случайная величина это величина, имеющая целый набор допустимых значений, но принимающая лишь одно, и какое именно, заранее точно сказать нельзя.

Формальное математическое определение случайной величины звучит следующим образом:

Пусть (Щ, F, P) - вероятностное пространство, тогда случайной величиной называют функцию X: Щ > R .

Случайную величину на практике обычно обозначают заглавными буквами, например: X, Y, Z, тогда, как возможные значения самой величины определяются строчными знаками: x, y, z.

1.2 Виды и примеры случайных величин

Различают два вида случайных величин: дискретные и непрерывные.

К дискретным относятся те случайные величины, множество значений которых конечно или фиксировано. Примером дискретной случайной величины, можно считать количество попаданий в цель при заранее определенном числе выстрелов.

Непрерывная случайная величина это такая величина, множество значений которой несчётно или бесконечно. В качестве примера для непрерывной случайной величины, можно взять количество кругов на воде, после попадания в нее камня, или расстояние, которое пролетит стрела, прежде чем упасть на землю.

Все случайные величины, ко всему прочему, имеют еще одну важную характеристику - ряд допустимых значений, который, в свою очередь, может как ограниченным, так и неограниченным. Отсюда, имеем, в зависимости от числа допустимых значений, ограниченные случайные величины, ряд допустимых значений конечен или фиксирован, и неограниченные, количество допустимых значений которых бесконечно.

Дискретные случайные величины могут иметь ограниченный и неограниченный ряд возможных значений, когда как непрерывные - только неограниченный.

На практике в теории вероятностей и математической статистике, как правило, имеют дело только с непрерывными случайными величинами.

2. ЗАКОНЫ РАСПРЕДЕЛЕНИЯ СЛУЧАЙНОЙ ВЕЛИЧИНЫ

2.1 Закон распределения дискретной случайной величины

Любое соотношение между допустимыми значениями случайной величины и вероятностями их наступления называют законом распределения дискретной случайной величины.

Существует два способа задания закона распределения:

· Аналитически, когда закон распределения задается в виде таблицы соответствия значений случайной величины и их вероятностью, именуемой рядом распределения:

Таблица 1 - ряд распределения случайной величины

Здесь, в первой строке располагаются возможные значения случайной величины, а во второй - их вероятности, при этом сумма всех вероятностей равна единице:

· Графически, когда таблица распределения случайно величины принимает многоугольника распределения:

Рисунок 1 - многоугольник распределения случайной величины

Где сумма всех ординат многоугольника является вероятностью всех допустимых значений случайной величины, следовательно, также равна единице.

Существует также биномиальный закон распределения дискретной случайной величины или, второе название - закон распределения Бернулли.

Определение: дискретная случайная величина о распределена по биномиальному закону, если вероятность того, что событие A наступит ровно m раз в серии из n испытаний по схеме Бернулли, равна:

Или в виде таблицы:

Таблица 2 - ряд биномиального распределения

Примером является выборочный контроль качества производственных изделий, при котором отбор изделий для пробы производится по схеме случайной повторной выборки, т.е. когда проверенные изделия возвращаются в исходную партию. Тогда количество нестандартных изделий среди отобранных есть случайная величина с биномиальным законом распределения вероятностей.

Дискретная случайная величина называется распределенной по закону Пуассона, если она имеет неограниченное счетное множество допустимых значений 0, 1, 2, …, m, … Тогда соответствующие вероятности определяются формулой (3):

M = 0, 1, 2,…; (3)

Примером явления, распределенного по закону Пуассона, является последовательность радиоактивного распада частиц.

2.2 Законы распределения непрерывной случайной величины

случайный величина теория вероятность

Рассмотренные выше правила распределения случайной величины являются справедливыми лишь по отношению к дискретным величинам, в силу того, что все перечисленные законы строятся исключительно из соображения, что количество возможных значений случайной величины конечно и строго фиксировано. Именно поэтому, например, распределить непрерывную случайную величину по закону Пуассона или Бернулли не получится, так как невозможно перечислить количество допустимых значений данной величины - оно бесконечно.

Для описания распределения непрерывных случайных величин существуют следующие законы:

Рассмотрим значения случайной величины Х такие, что Х<х. Вероятность события X<х зависит от x, т.е. является функцией x. Эта функция и называется интегральной функцией распределения и обозначается через F(x):

Равенство (4) читается:

Вероятность того, что случайное значение X находится левее значения х, определяется функцией распределения F(x).

Рисунок 2 - Графическое представление функции распределения с.в.

Стоит отметить, что в виде функции распределения, можно описывать как непрерывную, так и дискретную случайные величины - это универсальная характеристика.

Для непрерывных случайных величин на практике, наравне с функцией распределения F(x), также принято использовать другой закон распределения - плотность распределения вероятностей случайной величины:

Равенство (5) - дифференциальный закон распределения случайной величины, который выражает крутизну функции распределения F(x).

Рисунок 3 - Графическое представление дифференциального закона распределения с.в.

Заметим, что дифференциальный закон распределения случайной величины не является универсальным - он применим исключительно к непрерывным случайным величинам.

Одним из часто используемых на практике законов, является нормальный закон распределения - закон распределения Гаусса. Закон характеризует плотность вероятности нормально распределенной случайной величины X и имеет вид:

Где a и у параметры распределения имеют значения:

Кривая распределения (рисунок 4а), или кривая Гаусса, получается симметричной относительной точки x = a - точки максимума. При уменьшении значения у ордината точки максимума безгранично возрастает, кривая же при этом пропорционально расходится вдоль оси абсцисс, сохраняя площадь графика постоянной величиной, равной единице (рисунок 4б).

Рисунок 4 - Кривые распределения:

4а - кривая Гаусса,

4б - поведение кривой Гаусса при изменении параметра у;

На практике, нормальное распределение играет значимую роль во многих областях знаний, но особенное внимание ей уделяют в физике. Физическая величина подчиняется закону Гаусса, когда она подвергается влиянию большого числа случайных помех, что является крайне распространенной ситуацией, вследствие чего нормальное распределение чаще всего встречается в природе, и именно отсюда пошло ее название.

Непрерывная случайная величина называется равномерно распределенной на промежутке (a, b), если все ее возможные значения принадлежат этому промежутку и плотность распределения вероятностей постоянна - закон равномерного распределения непрерывной случайной величины, имеющий вид:

Для случайной величины Х, равномерно распределенной в интервале (a, b) (рисунок 5), вероятность попадания в любой интервал (x1, x2), лежащий внутри интервала (a, b), равна:

Рисунок 5 - График плотности равномерного распределения

В качестве примера равномерно распределенных величин, можно взять ошибки округления. Так, если все табличные значения некоторой функции округлены до одного и того же разряда, то выбирая наугад табличное значение, мы считаем, что ошибка округления выбранного числа - случайная величина, равномерно распределенная в интервале, где.

Непрерывная случайная величина X называется показательно распределенной, если плотность распределения ее вероятностей имеет вид:

В качестве примера, возьмем время Т безотказной работы компьютерной системы, где Т - случайная величина, имеющая показательное распределение с параметром л, физический смысл которого - среднее число отказов в единицу времени, не считая простоев системы для ремонта.

Рисунок 6 - График плотности показательного распределения

ЗАКЛЮЧЕНИЕ

Методы, средства и законы теории вероятностей и математической статистики на протяжении всех этапов формирования дисциплины, являлись актуальным, какими и остаются вплоть до наших дней. Главный принцип методов, позволивший затронуть столь огромное количество отраслей и сфер знания - универсальность. Их с легкостью можно применять в любой дисциплине, и при этом они не теряют своей силы, остаются справедливыми.

Но никогда еще теория вероятностей не была столь востребована, как сегодня. Связано это в первую очередь с невероятными темпами развития и роста вычислительной техники. С каждым годом она становится все сложнее, повышается быстродействие, количество производимых в секунду операций, и все это происходит не без участия математической статистики, которая, в свою помогает оптимизировать работу вычислительных систем и комплексов, повышает точность расчетов, осуществляет прогностическую функцию.

Данная работа частично помогает разобраться в азах дисциплины. Знакомит с фундаментальными понятиями, такими как дискретные и непрерывные случайные величины, поясняет разницу между последними. Знакомит с законами их распределения, с дальнейшим применением всех полученных знаний на практике.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Вентцель, Е.С. Теория вероятностей/ Е.С. Вентцель - М.:Наука, 1969г.

2. Смирнов, Н.В. Курс теории вероятностей и математической статистики для технических приложений./ Н.В. Смирнов, И.В. Дунин-Барковский - М.: «Наука», 1969г.

3. Пустыльник, Е.И. Статистические методы анализа и обработка наблюдений: учебное пособие/ Е.И. Пустыльник. - М.:«Наука», 1968г.

4. Джонсон, Н. Статистика и планирование в науке и технике./ Н. Джонсон, Ф. Лион - М.: «Мир», 1969г.

5.http://www.wikipedia.org/

Аннотация

Загоскин Я.С. «Что такое случайная величина?»

Челябинск: Юургу

Библиогр. Список - 5 наим.

Цель реферата: Познакомиться с базовыми терминами теории вероятностей и математической статистики.

Задачи реферата: Разобраться с понятием случайной величины.

Рассмотрено понятие случайной величины, определена классификация случайных величин, рассмотрены законы их распределения, примеры применения законов и методов на практике, а также проанализирована перспективность дисциплины.

Размещено на Allbest.ru

Подобные документы

Вероятность попадания случайной величины Х в заданный интервал. Построение графика функции распределения случайной величины. Определение вероятности того, что наудачу взятое изделие отвечает стандарту. Закон распределения дискретной случайной величины.

контрольная работа , добавлен 24.01.2013


Непрерывная случайная величина и функция распределения. Математическое ожидание непрерывной случайной величины. Среднее квадратичное отклонение. Кривая распределения для непрерывной случайной величины. Понятие однофакторного дисперсионного анализа.

контрольная работа , добавлен 03.01.2012


Описание случайных ошибок методами теории вероятностей. Непрерывные случайные величины. Числовые характеристики случайных величин. Нормальный закон распределения. Понятие функции случайной величины. Центральная предельная теорема. Закон больших чисел.

реферат , добавлен 19.08.2015


Случайные величины. Функция и плотность распределения вероятностей дискретной случайной величины. Сингулярные случайные величины. Математическое ожидание случайной величины. Неравенство Чебышева. Моменты, кумулянты и характеристическая функция.

реферат , добавлен 03.12.2007


Задачи математической статистики. Распределение случайной величины на основе опытных данных. Эмпирическая функция распределения. Статистические оценки параметров распределения. Нормальный закон распределения случайной величины, проверка гипотезы.

курсовая работа , добавлен 13.10.2009


Математическое ожидание случайной величины. Свойства математического ожидания, дисперсия случайной величины, их суммы. Функция от случайных величин, ее математическое ожидание. Коэффициент корреляции, виды сходимости последовательности случайных величин.

лекция , добавлен 17.12.2010


Дискретные системы двух случайных величин. Композиция законов распределения, входящих в систему. Определение вероятности попадания случайной величины в интервал; числовые характеристики функции; математическое ожидание и дисперсия случайной величины.

контрольная работа , добавлен 22.11.2013


Плотность распределения непрерывной случайной величины. Характеристика особенностей равномерного и нормального распределения. Вероятность попадания случайной величины в интервал. Свойства функции распределения. Общее понятие о регрессионном анализе.

контрольная работа , добавлен 26.04.2013


Вычисление математического ожидания, дисперсии, функции распределения и среднеквадратического отклонения случайной величины. Закон распределения случайной величины. Классическое определение вероятности события. Нахождение плотности распределения.

контрольная работа , добавлен 25.03.2015


Функция распределения непрерывной случайной величины. Математическое ожидание непрерывной случайной величины, плотность распределения вероятностей системы. Ковариация. Коэффициент корреляции.

– количество мальчиков среди 10 новорождённых.

Совершенно понятно, что это количество заранее не известно, и в очередном десятке родившихся детей может оказаться:

Либо мальчиков – один и только один из перечисленных вариантов.

И, дабы соблюсти форму, немного физкультуры:

– дальность прыжка в длину (в некоторых единицах) .

Её не в состоянии предугадать даже мастер спорта:)

Тем не менее, ваши гипотезы?

2) Непрерывная случайная величина – принимает все числовые значения из некоторого конечного или бесконечного промежутка.

Примечание : в учебной литературе популярны аббревиатуры ДСВ и НСВ

Сначала разберём дискретную случайную величину, затем – непрерывную .

Закон распределения дискретной случайной величины

– этосоответствие между возможными значениями этой величины и их вероятностями. Чаще всего закон записывают таблицей:

Довольно часто встречается термин ряд распределения , но в некоторых ситуациях он звучит двусмысленно, и поэтому я буду придерживаться «закона».

А теперь очень важный момент : поскольку случайная величина обязательно примет одно из значений , то соответствующие события образуют полную группу и сумма вероятностей их наступления равна единице:

или, если записать свёрнуто:

Так, например, закон распределения вероятностей выпавших на кубике очков имеет следующий вид:

Без комментариев.

Возможно, у вас сложилось впечатление, что дискретная случайная величина может принимать только «хорошие» целые значения. Развеем иллюзию – они могут быть любыми:

Пример 1

Некоторая игра имеет следующий закон распределения выигрыша:

…наверное, вы давно мечтали о таких задачах:) Открою секрет – я тоже. В особенности после того, как завершил работу над теорией поля .

Решение : так как случайная величина может принять только одно из трёх значений, то соответствующие события образуют полную группу , а значит, сумма их вероятностей равна единице:

Разоблачаем «партизана»:

– таким образом, вероятность выигрыша условных единиц составляет 0,4.

Контроль: , в чём и требовалось убедиться.

Ответ :

Не редкость, когда закон распределения требуется составить самостоятельно. Для этого используют классическое определение вероятности , теоремы умножения / сложения вероятностей событий и другие фишки тервера :

Пример 2

В коробке находятся 50 лотерейных билетов, среди которых 12 выигрышных, причём 2 из них выигрывают по 1000 рублей, а остальные – по 100 рублей. Составить закон распределения случайной величины – размера выигрыша, если из коробки наугад извлекается один билет.

Решение : как вы заметили, значения случайной величины принято располагать в порядке их возрастания . Поэтому мы начинаем с самого маленького выигрыша, и именно рублей.

Всего таковых билетов 50 – 12 = 38, и по классическому определению :
– вероятность того, что наудачу извлечённый билет окажется безвыигрышным.

С остальными случаями всё просто. Вероятность выигрыша рублей составляет:

Проверка: – и это особенно приятный момент таких заданий!

Ответ : искомый закон распределения выигрыша:

Следующее задание для самостоятельного решения:

Пример 3

Вероятность того, что стрелок поразит мишень, равна . Составить закон распределения случайной величины – количества попаданий после 2 выстрелов.

…я знал, что вы по нему соскучились:) Вспоминаем теоремы умножения и сложения . Решение и ответ в конце урока.

Закон распределения полностью описывает случайную величину, однако на практике бывает полезно (а иногда и полезнее) знать лишь некоторые её числовые характеристики .

Математическое ожидание дискретной случайной величины

Говоря простым языком, это среднеожидаемое значение при многократном повторении испытаний. Пусть случайная величина принимает значения с вероятностями соответственно. Тогда математическое ожидание данной случайной величины равно сумме произведений всех её значений на соответствующие вероятности:

или в свёрнутом виде:

Вычислим, например, математическое ожидание случайной величины – количества выпавших на игральном кубике очков:

Теперь вспомним нашу гипотетическую игру:

Возникает вопрос: а выгодно ли вообще играть в эту игру? …у кого какие впечатления? Так ведь «навскидку» и не скажешь! Но на этот вопрос можно легко ответить, вычислив математическое ожидание, по сути – средневзвешенный по вероятностям выигрыш:

Таким образом, математическое ожидание данной игры проигрышно .

Не верь впечатлениям – верь цифрам!

Да, здесь можно выиграть 10 и даже 20-30 раз подряд, но на длинной дистанции нас ждёт неминуемое разорение. И я бы не советовал вам играть в такие игры:) Ну, может, только ради развлечения .

Из всего вышесказанного следует, что математическое ожидание – это уже НЕ СЛУЧАЙНАЯ величина.

Творческое задание для самостоятельного исследования:

Пример 4

Мистер Х играет в европейскую рулетку по следующей системе: постоянно ставит 100 рублей на «красное». Составить закон распределения случайной величины – его выигрыша. Вычислить математическое ожидание выигрыша и округлить его до копеек. Сколько в среднем проигрывает игрок с каждой поставленной сотни?

Справка : европейская рулетка содержит 18 красных, 18 чёрных и 1 зелёный сектор («зеро»). В случае выпадения «красного» игроку выплачивается удвоенная ставка, в противном случае она уходит в доход казино

Существует много других систем игры в рулетку, для которых можно составить свои таблицы вероятностей. Но это тот случай, когда нам не нужны никакие законы распределения и таблицы, ибо доподлинно установлено, что математическое ожидание игрока будет точно таким же. От системы к системе меняется лишь

ЗАКОН РАСПРЕДЕЛЕНИЯ И ХАРАКТЕРИСТИКИ

СЛУЧАЙНЫХ ВЕЛИЧИН

Случайные величины, их классификация и способы описания.

Случайной называется величина, которая в результате опыта может принимать то или иное значение, но какое именно заранее не известно. Для случайной величины, таким образом, можно указать только значения, одно из которых она обязательно примет в результате опыта. Эти значения в дальнейшем будем называть возможными значениями случайной величины. Так как случайная величина количественно характеризует случайный результат опыта, она может рассматриваться как количественная характеристика случайного события.

Случайные величины обычно обозначаются заглавными буквами латинского алфавита, например, X..Y..Z, а их возможные значения- соответствующими малыми буквами.

Различают три типа случайных величин:

Дискретные; Непрерывные; Смешанные.

Дискретной называется такая случайная величина, число возможных значений которой образует счетное множество. В свою очередь, счетным называется множество, элементы которого можно пронумеровать. Слово «дискретный» происходит от латинского discretus , что означает «прерывистый, состоящий из отдельных частей» .

Пример 1. Дискретной случайной величиной является число бракованных деталей Х в партии из nтук. Действительно, возможными значениями этой случайной величины является ряд целых чисел от 0 до n.

Пример 2. Дискретной случайной величиной является число выстрелов до первого попадания в цель. Здесь, как и в примере 1, возможные значения можно пронумеровать, хотя в предельном случае возможное значение является бесконечно большим числом.

Непрерывной называется случайная величина, возможные значения которой непрерывно заполняют некоторый интервал числовой оси, называемый иногда интервалом существования этой случайной величины. Таким образом, на любом конечном интервале существования число возможных значений непрерывной случайной величины бесконечно велико.

Пример 3. Непрерывной случайной величиной является расход электроэнергии на предприятии за месяц.

Пример 4. Непрерывной случайной величиной является ошибка измерения высоты с помощью высотомера. Пусть из принципа работы высотомера известно, что ошибка лежит в пределах от 0 до 2 м. Поэтому интервалом существования данной случайной величины является интервал от 0 до 2 м.

Закон распределения случайных величин.

Случайная величина считается полностью заданной, если на числовой оси указаны ее возможные значения и установлен закон распределения.

Законом распределения случайной величины называется соотношение, устанавливающее связь между возможными значениями случайной величины и соответствующими вероятностями.

Про случайную величину говорят, что она распределена по данному закону, или подчинена данному закону распределения. В качестве законов распределения используются ряд вероятностей, функция распределения, плотность вероятности, характеристическая функция.

Закон распределения дает полное вероятное описание случайной величины. По закону распределения можно судить до опыта о том какие возможные значения случайной величины будут появляться чаще, а какие – реже.

Для дискретной случайной величины закон распределения может быть задан в виде таблицы, аналитически (в виде формулы) и графически.

Простейшей формой задания закона распределения дискретной случайной величины является таблица (матрица), в которой перечислены в порядке возрастания все возможные значения случайной величины и соответствующие их вероятности, т.е.

Такая таблица называется рядом распределения дискретной случайной величины. 1

События Х 1 , Х 2 ,..., Х n , состоящие в том, что в результате испытания случайная величина X примет соответственно значения х 1 , x 2 ,...х n являются несовместными и единственно возможными (ибо в таблице перечислены все возможные значения случайной величины), т.е. образуют полную группу. Следовательно, сумма их вероятностей равна 1. Таким образом, для любой дискретной случайной величины

(Эта единица как-то распределена между значениями случайной величины, отсюда и термин «распределение»).

Ряд распределения может быть изображен графически, если по оси абсцисс откладывать значения случайной величины, а по оси ординат - соответствующие их вероятности. Соединение полученных точек образует ломаную, называемую многоугольником или полигоном распределения вероятностей (рис. 1).

Пример В лотерее разыгрывается: автомобиль стоимостью 5000 ден. ед., 4 телевизора стоимостью 250 ден. ед., 5 видеомагнитофонов стоимостью 200 ден. ед. Всего продается 1000 билетов по 7 ден. ед. Составить закон распределения чистого выигрыша, полученного участником лотереи, купившим один билет.

Решение . Возможные значения случайной величины X - чистого выигрыша на один билет - равны 0-7 = -7 ден. ед. (если билет не выиграл), 200-7 = 193, 250-7 = 243, 5000-7 = 4993 ден. ед. (если на билет выпал выигрыш соответственно видеомагнитофона, телевизора или автомобиля). Учитывая, что из 1000 билетов число невыигравших составляет 990, а указанных выигрышей соответственно 5, 4 и 1, и используя классическое определение вероятности, получим.