Замечание. В частности, если события, образующие полную группу, попарно несовмест-ны, то в результате опыта произойдет одно и только одно из них. Такие события называют элементарными событиями

Замечание. В частности, если события, образующие полную группу, попарно несовмест-ны, то в результате опыта произойдет одно и только одно из них. Такие события называют элементарными событиями

3) Статистичесоке определения вероятности, частота события

понятие относительной частоты P(A) события A как отношения числа опытов, в которых наблюдалось событие А, к общему количеству проведенных испытаний:

Где N – общее число опытов, М – число появлений события А.

Статистической вероятностью события считают его относительную частоту или число, близкое к ней.

Замечание 1. Из формулы следует, что свойства вероятности, доказанные для ее классического определения, справедливы и для статистического определения вероятности.

Замечание 2. Для существования статистической вероятности события А требуется:

возможность производить неограниченное число испытаний;

Устойчивость относительных частот появления А в различных сериях достаточно большого числа опытов.

Замечание 3. Недостатком статистического определения является неоднозначность статистической вероятности.

Основные формулы комбинаторики. Размещения, сочетания, перестановки

Перестановки – это комбинации, составленные из всех п элементов данного множества и отличающиеся только порядком их расположения. Число всех возможных перестановок

Рп = п! (1.3)

Размещения – комбинации из т элементов множества, содержащего п различных элементов, отличающиеся либо составом элементов, либо их порядком. Число всех возможных размещений

Сочетания – неупорядоченные наборы из т элементов множества, содержащего п различных элементов (то есть наборы, отличающиеся только составом элементов). Число сочетаний

5)

6) Теорема умножения вероятностей. Зависимые и независимые события. Условная вероятность
(теорема умножения). Вероятность произведения двух событий равна произведению вероятности одного из них на условную вероятность другого при условии, что первое событие произошло:

р (АВ) = р (А) · р (В/А). (2.6)

Доказательство.

Воспользуемся обозначениями теоремы 2.1. Тогда для вычисления р(В/А) множеством возможных исходов нужно считать тА (так как А произошло), а множеством благоприятных исходов – те, при которых произошли и А, и В ( тАВ ). Следовательно,

откуда следует утверждение теоремы.

Назовем условной вероятностью р(В/А) события В вероятность события В при условии, что событие А произошло.

Доказательство.

Докажем теорему сложения для схемы случаев. Пусть п – число возможных исходов опыта, тА – число исходов, благоприятных событию А, тВ – число исходов, благопри-ятных событию В, а тАВ – число исходов опыта, при которых происходят оба события (то есть исходов, благоприятных произведению АВ). Тогда число исходов, при которых имеет место событие А + В, равно тА + тВ – тАВ (так как в сумме (тА + тВ) тАВ учтено дважды: как исходы, благоприятные А, и исходы, благоприятные В). Следовательно, вероятность суммы можно определить по формуле (1.1):

Что и требовалось доказать.

Следствие 1. Теорему 2.1 можно распространить на случай суммы любого числа событий. Например, для суммы трех событий А, В и С

Р(А + В + С) = р(А) + р(В) + р(С) – р(АВ) – р(АС) – р(ВС) + р(АВС) (2.3)

И т.д.

Следствие 2. Если события А и В несовместны, то тАВ = 0, и, следовательно, вероятность суммы несовместных событий равна сумме их вероятностей:

Р(А + В) = р(А) + р(В).

8) Формула полной вероятности и формула Байеса. Произведение событий.
Вероятность события А, наступающего совместно с гипотезами Н1, Н2,…, Нп, равна:

Доказательство.

Можно считать событие А суммой попарно несовместных событий АН1, АН2,…, АНп. Тогда из теорем сложения и умножения следует, что

Что и требовалось доказать.

Пусть известен результат опыта, а именно то, что произошло событие А. Этот факт может изменить априорные (то есть известные до опыта) вероятности гипотез. Для переоценки вероятностей гипотез при известном результате опыта используется формула Байеса:

(3.2)

Произведение событий. Произведением двух событий А и В называют событие АВ, состоящее в совместном появлении (совмещении) этих событий. Например, если А — деталь годная, В — деталь окрашенная, то АВ — деталь годна и окрашена.

Закон распределения дискретной случайной величины. Примеры.

Для задания дискретной случайной величины нужно знать ее возможные значения и вероятности, с которыми принимаются эти значения. Соответствие между ними называется законом распределения случайной величины. Он может иметь вид таблицы, формулы или графика.

Таблица, в которой перечислены возможные значения дискретной случайной величины и соответствующие им вероятности, называется рядом распределения:

Заметим, что событие, заключающееся в том, что случайная величина примет одно из своих возможных значений, является достоверным, поэтому

Пример. . Два стрелка делают по одному выстрелу по мишени. Вероятности их попадания при одном выстреле равны соответственно 0,6 и 0,7. Составить ряд распределения случайной величины Х – числа попаданий после двух выстрелов.

Решение. Очевидно, что Х может принимать три значения: 0, 1 и 2. Их вероятности найдены в примере, рассмотренном в лекции 3. Следовательно, ряд распределения имеет вид:

хi
pi	0,12	0,46	0,42

xi	x1	x2	…	xn	…
pi	p1	p2	…	pn	…

Определение 7.2. Две случайные величины называются независимыми, если закон распределения одной из них не зависит от того, какие значения приняла другая. В противном случае случайные величины зависимы.

Определение 7.3. Назовем произведением независимых случайных величин Х и Y случайную величину XY, возможные значения которой равны произведениям всех возможных значений Х на все возможные значения Y, а соответствующие им вероят-ности равны произведениям вероятностей сомножителей.

Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий:

M(XY) = M(X)M(Y). (7.4)

Доказательство. Для упрощения вычислений ограничимся случаем, когда Х и Y принимают только по два возможных значения:

xi	x1	x2
pi	p1	p2

уi	у1	у2
gi	g1	g2

Тогда ряд распределения для XY выглядит так:

ХY	x1y1	x2y1	x1y2	x2y2
p	p1g1	p2 g1	p1g2	p2g2

Следовательно, M(XY) = x1y1·p1g1 + x2y1·p2g1 + x1y2·p1g2 + x2y2·p2g2 = y1g1(x1p1 + x2p2) + + y2g2(x1p1 + x2p2) = (y1g1 + y2g2) (x1p1 + x2p2) = M(X)·M(Y).

Доказательство.

Вновь рассмотрим случайные величины, заданные рядами распределения, приведен-ными при доказательстве свойства 3. Тогда возможными значениями X + Y являются х1 + у1, х1 + у2, х2 + у1, х2 + у2. Обозначим их вероятности соответственно как р11, р12, р21 и р22. Найдем М( Х +Y ) = (x1 + y1)p11 + (x1 + y2)p12 + (x2 + y1)p21 + (x2 + y2)p22 =

= x1(p11 + p12) + x2(p21 + p22) + y1(p11 + p21) + y2(p12 + p22).

Докажем, что р11 + р22 = р1. Действительно, событие, состоящее в том, что X + Y примет значения х1 + у1 или х1 + у2 и вероятность которого равна р11 + р22, совпадает с событием, заключающемся в том, что Х = х1 (его вероятность – р1). Аналогично дока-зывается, что p21 + p22 = р2, p11 + p21 = g1, p12 + p22 = g2. Значит,

M(X + Y) = x1p1 + x2p2 + y1g1 + y2g2 = M (X) + M (Y).

16)

17)Функция распределения непрерывной случайной величины и ее свойства .
Определение и свойства функции распределения сохраняются и для непрерывной случайной величины, для которой функцию распределения можно считать одним из видов задания закона распределения. Но для непрерывной случайной величины вероятность каждого отдельного ее значения равна 0. Это следует из свойства 4 функции распределения: р(Х = а) = F(a) – F(a) = 0. Поэтому для такой случайной величины имеет смысл говорить только о вероятности ее попадания в некоторый интервал.

Вторым способом задания закона распределения непрерывной случайной величины является так называемая плотность распределения (плотность вероятности, дифферен-циальная функция).

Определение 5.1. Функция f(x), называемая плотностью распределения непрерывной случайной величины, определяется по формуле:

f (x) = F′(x),

20)

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

Числовые характеристики геометрического распределения:

24)Закон нормального распределения непрерывной случайной величины.

Определение 6.1. Непрерывная случайная величина называется распределенной по нормальному закону, если ее плотность распределения имеет вид:

(6.1)

Замечание. Таким образом, нормальное распределение определяется двумя параметрами: а и σ.

Распределение «хи-квадрат».

Пусть имеется несколько нормированных нормально распределенных случайных величин: Х1, Х2,…, Хп (ai = 0, σi = 1). Тогда сумма их квадратов

(12.1)

является случайной величиной, распределенной по так называемому закону «хи-квадрат» с k = n степенями свободы; если же слагаемые связаны каким-либо соотношением (например, ), то число степеней свободы k = n – 1.

Распределение Стьюдента.

Рассмотрим две независимые случайные величины: Z, имеющую нормальное распределение и нормированную (то есть М( Z ) = 0, σ( Z) = 1), и V, распределенную по закону «хи-квадрат» с k степенями свободы. Тогда величина

(12.3)

Рис.1.

Это означает, что точка (X, Y) попадет в область, заштрихованную на рис. 1, если вершина прямого угла располагается в точке (х, у).

Или

(11.10)

Расчетные формулы для определения ковариации:

(11.11)

Для характеристики связи между случайными величинами Х и Y в чистом виде переходят к безразмерной характеристике, которая называетсяКоэффициент корреляции rxyхарактеризует степень линейной зависимости величин:

Свойства коэффициента корреляции:

1. Абсолютная величина коэффициента корреляции двух случайных величин не превышает единицы:

2. │rxy│=1 если Y=aХ+b

Доказательство:

Подставим в выражение

т.к.

Найдем дисперсию Y: , т.е.

, коэффициент корреляции: Þ

Коэффициент корреляции служит для оценки тесноты линейной связи между Х и Y: чем ближе абсолютная величина коэффициента корреляции к 1, тем связь сильнее, чем ближе к 0, тем слабее.
Доказательство. Докажем сначала, что Действительно, если рассмотреть случай-ную величину и найти ее дисперсию, то получим: . Так как дисперсия всегда неотрицательна, то откуда Отсюда что и требовалось доказать.

3. Если величины X и Y независимы, то rxy = 0.

33. Двумерный нормальный закон распределения

Систему случайных величин можно интерпретировать как случайную точку на плоскости. Нормальный закон распределения для системы (Х,У) называется двумерным нормальным законом распределения и имеет плотность вероятности

Используя формулу (6) и f(x,y) можно вычислить вероятность попадания ХУ в любую область плотности. Особенно просто это сделать, если Х и У независимы, а область представляет собой прямоугольник со сторонами параллельными осям координат.

34).Задачи математической статистики

Установление закономерностей, которым подчи­нены массовые случайные явления, основано на изучении методами теории вероятностей статистических данных — результатов наблюдений.

Первая задача математической статистики—указать способы сбора и группировки статистических сведений, полученных в результате наблюдений или в результате специально поставленных экспериментов.

Вторая задача математической статистики — разрабо­тать методы анализа статистических данных в зависи­мости от целей исследования. Сюда относятся:

а)оценка неизвестной вероятности события; оценка неизвестной функции распределения; оценка параметров распределения, вид которого известен; оценка зависи­мости случайной величины от одной или нескольких случайных величин и др.;

б)проверка статистических гипотез о виде неизвест­ного распределения или о величине параметров распре­деления, вид которого известен.

Современная математическая статистика разрабатывает способы определения числа необходимых испытаний до начала исследования (планирование эксперимента), в ходе исследования (последовательный анализ) и решает многие Другие задачи. Современную математическую статистику определяют как науку о принятии решений в условиях неопределенности.

Итак, задача математической статистики состоит в создании методов сбора и обработки статистических данных для получения научных и практических выводов.

35). Генеральная и выборочная совокупности

Пусть требуется изучить совокупность однород­ных объектов относительно некоторого качествен­ного или количественного признака, характе­ризующего эти объекты. Например, если имеется партия деталей, то качественным признаком может служить стандартность детали, а количественным — контролируе­мый размер детали.

Иногда проводят сплошное обследование, т. е. обсле­дуют каждый из объектов совокупности относительно признака, которым интересуются. На практике, однако, сплошное обследование применяют сравнительно редко. Например, если совокупность содержит очень большое число объектов, то провести сплошное обследование фи­зически невозможно. Если обследование объекта связано с его уничтожением или требует больших материальных затрат, то проводить сплошное обследование практически не имеет смысла. В таких случаях случайно отбирают из всей совокупности ограниченное число объектов и подвергают их изучению.

Выборочной совокупностью или просто выборкой назы­вают совокупность случайно отобранных объектов.

Генеральной совокупностью называют совокупность объектов, из которых производится выборка.

Объемом совокупности (выборочной или генеральной) называют число объектов этой совокупности.

36. Повторная и бесповторная выборки.

Репрезентативная выборка

При составлении выборки можно поступать двумя способами: после того как объект отобран и над ним произведено наблюдение, он может быть возвращен либо не возвращен в генеральную совокупность. В соответствии со сказанным выборки подразделяют на повторные и бес­повторные.

Повторной называют выборку, при которой отобран­ный объект (перед отбором следующего) возвращается в генеральную совокупность.

Бесповторной называют выборку, при которой отобран­ный объект в генеральную совокупность не возвращается.

На практике обычно пользуются бесповторным слу­чайным отбором.

Для того чтобы по данным выборки можно было до­статочно уверенно судить об интересующем признаке генеральной совокупности, необходимо, чтобы объекты выборки правильно его представляли. Другими словами, выборка должна правильно представлять пропорции гене­ральной совокупности. Это требование коротко формули­руют так: выборка должна быть репрезентативной (пред­ставительной ).

В силу закона больших чисел можно утверждать, что Выборка будет репрезентативной, если ее осуществить случайно: каждый объект выборки отобран случайно из Генеральной совокупности, если все объекты имеют оди­наковую вероятность попасть в выборку.

Если объем генеральной совокупности достаточно велик, выборка составляет лишь незначительную часть от совокупности, то различие между повторной и бесповторной выборками стирается; в предельном случае,

когда рассматривается бесконечная генеральная совокупность, а выборка имеет конечный объем, это различие исчезает.

37. Способы отбора

На практике применяются различные способы отбора. Принципиально эти способы можно подразделить на два вида:

Отбор, не требующий расчленения генеральной со­вокупности на части. Сюда относятся: а) простой случайный бесповторный отбор; б) простой случайный повторный отбор.

Отбор, при котором генеральная совокупность разбивается на части. Сюда относятся: а) типический отбор; б) механический отбор; в) серийный отбор.

Простым случайным называют такой отбор, при ко­тором объекты извлекают по одному из всей генераль­ной совокупности. Осуществить простой отбор можно различными способами. Например, для извлечения n объ­ектов из генеральной совокупности объема N поступают так: выписывают номера от 1 до N на карточках, которые тщательно перемешивают, и наугад вынимают одну кар­точку; объект, имеющий одинаковый номер с извлеченной карточкой, подвергают обследованию; затем карточку возвращают в пачку и процесс повторяют, т. е. карточки перемешивают, наугад вынимают одну из них и т. д. Так поступают n раз; в итоге получают простую случайную повторную выборку объема п..

Если извлеченные карточки не возвращать в пачку, то выборка является простой случайной бесповторной.

При большом объеме генеральной совокупности опи­санный процесс оказывается очень трудоемким. В этом случае пользуются готовыми таблицами «случайных чисел», в которых числа расположены в случайном порядке. Для того чтобы отобрать, например, 50 объектов из пронуме­рованной генеральной совокупности, открывают любую страницу таблицы случайных чисел и выписывают под­ряд 50 чисел; в выборку попадают те объекты, номера которых совпадают с выписанными случайными числами. Если бы оказалось, что случайное число таблицы превышает число N, то такое случайное числопропускают при осуществлении бесповторной выборки случайные числа таблицы, уже встречавшиеся ранее, следует также пропустить.

Типическим называют отбор, при котором объекты отбираются не из всей генеральной совокупности, а из каждой ее «типической» части. Например, если детали изготовляют на нескольких станках, то отбор производят не из всей совокупности деталей, произведенных всеми станками, а из продукции каждого станка в отдельности. Типическим отбором пользуются тогда, когда обследуемый признак заметно колеблется) в различных типических частях генеральной совокупности. Например, если про­дукция изготовляется на нескольких машинах, среди которых есть более и менее изношенные, то здесь типи­ческий отбор целесообразен.

Механическим называют отбор, при котором генераль­ную совокупность «механически» делят на столько групп, сколько объектов должно войти в выборку, а из каждой группы отбирают один объект.

Серийным называют отбор, при котором объекты от­бирают из генеральной совокупности не по одному, а «сериями», которые подвергаются сплошному обследова­нию.

38.Статистическое распределение выборки

Пусть из генеральной совокупности извлечена выборка, причем xt наблюдалось пг раз, хг— п2 раз, xk-nk раз и —объем выборки. Наблюдаемые значения хi, называют вариантами, а последовательность вариант, записанных в возрастающем порядке— вариационным рядом.

Статистическим распределением выборки называют пе­речень вариант и соответствующих им частот или относи­тельных частот. Статистическое распределение можно задать также в виде последовательности интервалов и соответ­ствующих им частот (в качестве частоты, соответствующей интервалу, принимают сумму частот, попавших в этот интервал).

Заметим, что в теории вероятностей под распределением понимают соответствие между возможными значениями случайной величины и их вероятностями, а в математи­ческой статистике—соответствие между наблюдаемыми вариантами и их частотами, или относительными частотами.

42) . Выборочным средним называется среднее арифметическое значений случайной величины, принимаемых в выборке:

, (16.1)

где xi – варианты, ni - частоты.

Метод моментов основан на том, что начальные и центральные эмпирические моменты являются состоятельными оценками соответственно начальных и центральных теоретических моментов, поэтому можно приравнять теоретические моменты соответствующим эмпирическим моментам того же порядка.

Если задан вид плотности распределения f(x, Θ), определяемой одним неизвестным параметром Θ, то для оценки этого параметра достаточно иметь одно уравнение. Например, можно приравнять начальные моменты первого порядка:

,

получив тем самым уравнение для определения Θ. Его решение Θ* будет точечной оценкой параметра, которая является функцией от выборочного среднего и, следовательно, и от вариант выборки:

Θ = ψ (х1, х2, …, хп).

Если известный вид плотности распределения f(x, Θ1, Θ2 ) определяется двумя неизвестными параметрами Θ1 и Θ2, то требуется составить два уравнения, например

ν1 = М1, μ2 = т2.

Отсюда - система двух уравнений с двумя неизвестными Θ1 и Θ2. Ее решениями будут точечные оценки Θ1* и Θ2* - функции вариант выборки:

Θ1 = ψ1 (х1, х2, …, хп),

Θ2 = ψ2(х1, х2, …, хп).

Выборочная средняя.

Выборочная дисперсия.

Если известно, что исследуемая случайная величина Х распределена по нормальному закону с неизвестным средним квадратическим отклонением, то для поиска доверительного интервала для ее математического ожидания построим новую случайную величину

, (18.2)

где - выборочное среднее, s – исправленная дисперсия, п – объем выборки. Эта случайная величина, возможные значения которой будем обозначать t, имеет распределение Стьюдента (см. лекцию 12) с k = n – 1 степенями свободы.

Поскольку плотность распределения Стьюдента , где , явным образом не зависит от а и σ, можно задать вероятность ее попадания в некоторый интервал (- tγ , tγ ), учитывая четность плотности распределения, следующим образом: . Отсюда получаем:

(18.3)

Таким образом, получен доверительный интервал для а, где tγ можно найти по соответствую-щей таблице при заданных п и γ.

В результате проверки правильности выдвинутой нулевой гипотезы ( такая проверка называется статистической, так как производится с применением методов математичес-кой статистики) возможны ошибки двух видов: ошибка первого рода, состоящая в том, что будет отвергнута правильная нулевая гипотеза, и ошибка второго рода, заключаю-щаяся в том, что будет принята неверная гипотеза.

Определение 19.4. Вероятность ошибки первого рода называется уровнем значимости α.

56)Основной принцип проверки статистических гипотез, критические области.
Основной прием проверки статистических гипотез заключается в том, что по имеющейся выборке вычисляется значение некоторой случайной величины, имеющей известный закон распределения.

Определение 19.6. Критической областью называют область значений критерия, при которых нулевую гипотезу отвергают, областью принятия гипотезы – область значений критерия, при которых гипотезу принимают.

Итак, процесс проверки гипотезы состоит из следующих этапов:

выбирается статистический критерий К;

вычисляется его наблюдаемое значение Кнабл по имеющейся выборке;

поскольку закон распределения К известен, определяется (по известному уровню значимости α) критическое значение kкр, разделяющее критическую область и область принятия гипотезы (например, если р(К > kкр) = α, то справа от kкр распо-лагается критическая область, а слева – область принятия гипотезы);

47-50)

51

Замечание. В частности, если события, образующие полную группу, попарно несовмест-ны, то в результате опыта произойдет одно и только одно из них. Такие события называют элементарными событиями

3) Статистичесоке определения вероятности, частота события

понятие относительной частоты P(A) события A как отношения числа опытов, в которых наблюдалось событие А, к общему количеству проведенных испытаний: