Главная / Рефераты / Рефераты по математике

Диплом: Теория вероятности и математическая статистика

Notice: Undefined variable: ref_img in /home/area7ru/area7.ru/docs/referat.php on line 323

Киевский политехнический институт
Кафедра КСОИУ

Конспект лекций

по дисциплине:

”Теоpия веpоятности и математическая статистика”

Преподаватель: Студент II курса
ФИВТ, гр. ИС-41
проф. Павлов А. А. Андреев А. С.

Киев - 1996 г.
Введение.
Теория вероятности возникла как наука из убеждения, что в основе массовых случайных событий лежат детерминированные закономерности. Теория вероятности изучает данные закономерности.
Например: определить однозначно результат выпадения “орла” или “решки” в результате подбрасывания монеты нельзя, но при многократном подбрасывании выпадает примерно одинаковое число “орлов” и “решек”.
Испытанием называется реализация определенного комплекса условий, который может воспроизводиться неограниченное число раз. При этом комплекс условий включает в себя случайные факторы, реализация которого в каждом испытании приводит к неоднозначности исхода испытания.
Например: испытание - подбрасывание монеты.
Результатом испытания является событие. Событие бывает:
Достоверное (всегда происходит в результате испытания);
Невозможное (никогда не происходит);
Случайное (может произойти или не произойти в результате испытания).
Например: При подбрасывании кубика невозможное событие - кубик станет на ребро, случайное событие - выпадение какой либо грани.
Конкретный результат испытания называется элементарным событием.
В результате испытания происходят только элементарные события.
Совокупность всех возможных, различных, конкретных исходов испытаний называется пространством элементарных событий.
Например: Испытание - подбрасывание шестигранного кубика. Элементарное событие - выпадение грани с “1” или “2”.
Совокупность элементарных событий это пространство элементарных событий.
Сложным событием называется произвольное подмножество пространства элементарных событий.
Сложное событие в результате испытания наступает тогда и только тогда, когда в результате испытаний произошло элементарное событие, принадлежащее сложному.
Таким образом, если в результате испытания может произойти только одно элементарное событие, то в результате испытания происходят все сложные события, в состав которых входят эти элементарные.
Например: испытание - подбрасывание кубика. Элементарное событие - выпадение грани с номером “1”. Сложное событие - выпадение нечетной грани.
Введем следующие обозначения:
А - событие;
w - элементы пространства W ;
W - пространство элементарных событий;
U - пространство элементарных событий как достоверное событие;
V - невозможное событие.
Иногда для удобства элементарные события будем обозначать Ei, Qi.

Операции над событиями.
1. Событие C называется суммой A+B, если оно состоит из всех элементарных событий, входящих как в A, так и в B. При этом если элементарное событие входит и в A, и в B, то в C оно входит один раз. В результате испытания событие C происходит тогда, когда произошло событие, которое входит или в A или в B. Сумма произвольного количества событий состоит из всех элементарных событий, которые входят в одно из Ai, i=1, ..., m.

2. Событие C произведением A и B, если оно состоит из всех элементарных событий, входящих и в A, и в B. Произведением произвольного числа событий называется событие состоящее из элементарных событий, входящих во все Ai, i=1, ..., m.

4. Событие называется противоположным событию A, если оно удовлетворяет двум свойствам.
Формулы де Моргана: и

5. События A и B называются несовместными, если они никогда не могут произойти в результате одного испытания.
События A и B называются несовместными, если они не имеют общих элементарных событий.
C=A× B=V
Тут V - пустое множество.
Частость наступления события.
Пусть пространство элементарных событий конечно и состоит из m элементарных событий. В этом случае в качестве возможных исходов испытаний рассматривают 2m событий - множество всех подмножеств пространства элементарных событий W и невозможное событие V.
Пример:
W =(w 1, w 2, w 3)
A1=V
A2=(1)
A3=(2)
A4=(3)
A5=(1, 2)
A6=(2, 3)
A7=(1, 3)
A8=(w 1, w 2, w 3)
Обозначим систему этих событий через F. Берем произвольное событие AÎ F. Проводим серию испытаний в количестве n. n - это количество испытаний, в каждом из которых произошло событие A.
Частостью наступления события A в n испытаниях называется число

Свойства частости.

Частость достоверного события равна 1. n(U)=1.
Частость суммы попарно несовместных событий равна сумме частостей.
Рассмотрим систему Ai, i=1, ..., k; события попарно несовместны, т.е.
Событие
Пусть в результате некоторого испытания произошло событие A. По определению сумы это означает, что в этом испытании произошло некоторое событие Ai. Так как все события попарно несовместны, то это означает, что никакое другое событие Aj (i¹ j) в этом испытании произойти не может. Следовательно:
nA=nA1+nA2+...+nAk

Теория вероятности используется при описании только таких испытаний, для которых выполняется следующее предположение: Для любого события A частость наступления этого события в любой бесконечной серии испытаний имеет один и тот же предел, который называется вероятностью наступления события A.
Следовательно, если рассматривается вероятность наступления произвольного события, то мы понимаем это число следующим образом: это частость наступления события в бесконечной (достаточно длинной) серии испытаний.
К сожалению, попытка определить вероятность как предел частости, при числе испытаний, стремящихся к бесконечности, закончилась неудачно. Хотя американский ученый Мизес создал теорию вероятности, базирующуюся на этом определении, но ее не признали из-за большого количества внутренних логических несоответствий.
Теория вероятности как наука была построена на аксиоматике Колмогорова.
Аксиоматика теории вероятности.
Построение вероятностного пространства.
Последовательно строим вероятностное пространство.
Этап 1:
Имеется испытание. В результате проведения испытания может наблюдаться одно событие из серии событий e . Все события из системы e называются наблюдаемыми. Введем предположение, что если события A Ì e , B Ì e наблюдаемы, то наблюдаемы и события .
Система событий F называется полем событий или алгеброй событий, если для двух произвольных событий A, B Ì F выполняется:
Дополнения
(A+B) Î F, (A× B) Î F
все конечные суммы элементов из алгебры принадлежат алгебре
все конечные произведения элементов из алгебры принадлежат алгебре
все дополнения конечных сумм и произведений принадлежат алгебре.
Таким образом, систему e мы расширяем до алгебры или поля F путем включения всех конечных сумм, произведений, и их дополнений. Т.е. считаем, что в результате проведения испытания наблюдаемая система является полем или алгеброй.
Множество всех подмножеств конечного числа событий является наблюдаемой системой - алгеброй, полем.
Этап 2:
Каждому событию A Î F ставим в соответствие число P(A), которое называется вероятностью наступления события A. Такая операция задает вероятностную меру.
Вероятностная мера - числовая скалярная функция, аргументами которой являются элементы из системы алгебры F. Введенная вероятностная мера удовлетворяет системе из трех аксиом.

P(U)=1.
Рассмотрим конечную или бесконечную систему попарно несовместных событий, каждое из которых принадлежит алгебре F.
. Если , то .
Алгебра событий называется s - алгеброй, если эта система событий содержит в себе все конечные суммы и произведения из алгебры F и их дополнения, а также все бесконечные суммы и произведения из алгебры и их дополнения.
Пример: В пространстве R1 зададим в качестве поля событий все конечные интервалы вида a³ x> b, b¹ a.
Распространение этой алгебры на s - алгебру приводит к понятию борелевской алгебры, элементы которой называются борелевскими множествами. Борелевская алгебра получается не только расширением поля вида a³ x> b, но и расширением полей вида a> x³ b, a³ x³ b.
Над наблюдаемым полем событий F задается счетно-аддитивная мера - числовая скалярная функция, элементами которой являются элементы поля F, т.е. события. Она удовлетворяет следующим трем условиям-аксиомам теории вероятности.
. P(A) - число, принадлежащее сегменту [0, 1] и называющееся вероятностью наступления события A.
P(A) Î [0, 1] P(U)=1.
Пусть имеется A1, A2, A3,..., Ak - система попарно несовместных событий
Если , то .
Теорема о продолжении меры.
Построим минимальную s - алгебру, которой принадлежит поле событий F (например, борелевская s - алгебра - это минимальная s - алгебра, которая содержит поле всех полуинтервалов ненулевой длины).
Тогда доказывается, что счетно-аддитивная функция P(A) однозначно распространяется на все элементы минимальной s - алгебры и при этом ни одна из аксиом не нарушается.
Таким образом, продленное P(A) называется s - аддитивной мерой.
s - алгебра содержит ненаблюдаемые события наряду с наблюдаемыми.
Но в аксиоматической теории вероятности считается, что может произойти любое событие из s - алгебры.
Расширение поля наблюдаемых событий на s - алгебру связано с невозможностью получить основные результаты теории вероятности без понятия s - алгебры.
Определение вероятностного пространства.
Вероятностным пространством называется тройка (W , s , P), где
W - пространство элементарных событий, построенное для данного испытания;
s - s -алгебра, заданная на W - системе возможных событий, которая интересует исследователя, в результате проводимых испытаний;
P - s - аддитивная мера, т.е. s - аддитивная неотрицательная функция, аргументами которой являются аргументы из s - алгебры и удовлетворяющая трем аксиомам теории вероятности.
. P(A) - называется вероятностью наступления события A.
Вероятность достоверного события равна 1 P(W )=1.
Вероятность суммы несовместных событий равна сумме вероятностей

, .
k - возможно бесконечное число.
Следствие:
Вероятность невозможного события равна 0.
По определению суммы имеет место неравенство W +V=W . W и V несовместные события.
По третей аксиоме теории вероятности имеем:
P(W +V)=P(Q)=P(U)=1
P(W )+P(V)=P(W )
1+P(V)=1
P(V)=1
Пусть W состоит из конечного числа элементарных событий W ={E1, E2,..., Em} тогда по определению . Элементарные события несовместны, тогда по третей аксиоме теории вероятности имеет место
Пусть некоторое событие AÌ W состоит из k элементарных событий, тогда {Ei1, Ei2,..., Eik}
Доказать: Если AÌ B, то P(B)³ P(A), B=A+C, A и C несовместны.
* Пусть B=A+C, A и B несовместны. Тогда по третей аксиоме теории вероятности P(B)=P(A+C)=P(A)+P(C) т.к. 1³ P(C)³ 0 - положительное число, то P(B)³ P(A).
Классическое определение вероятности.
Пусть W состоит из конечного числа элементарных событий и все элементарные события равновероятны, т.е. ни одному из них из них нельзя отдать предпочтения до испытания, следовательно, их можно считать равновероятными.
Тогда достоверное событие m - количество равновероятных событий
, ,
Пусть произвольное событие Тогда , т.е. событие A состоит из k элементарных событий.
Если элементарные события являются равноправными, а, следовательно, и равновероятными, то вероятность наступления произвольного события равна дроби числитель которой равен числу элементарных событий, входящих в данное, а знаменатель - общее число элементарных событий.
Условная вероятность.
P(A/B)
Условной вероятностью наступления события A, при условии события B, называется вероятность наступления события A в результате испытаний, если известно, что в это испытании произошло событие B.
Вывод формулы условной вероятности для случая равновероятных элементарных событий

Действительно, в данном испытании произошло одно из t событий, входящих в B. Все элементарные события равновероятны, следовательно, для данного испытания вероятность наступления произвольного элементарного события, входящего в B равна 1/t. Тогда по классическому определению вероятности, в данном испытании событие A произойдет с вероятностью r/t.

В общем случае доказать эту формулировку невозможно, в теории вероятности она вводится как правило. Существует лишь толкование этой формулы.
Обоснование формулы условной вероятности в общем случае.
Пусть в nB испытаниях произошло событие B, а в nA испытаниях произошло событие A. Найдем условную частость наступления события A при условии, что произошло событие B. Мы можем сделать это для обоснования формулы, т.к. под вероятностью наступления события понимается предел частости наступления события при условии, что серия испытаний достаточно длинная.
Условная частость

Рассматривая AB как одно событие D имеем: с другой стороны
Рассмотрим систему событий A1, A2,...,Ak. Покажем, что вероятность их совместного наступления равна:
Доказательство проведем по мат индукции.
Формула равна для 2 и 3 (см. ранее)
Пусть формула верна для k-1.

Введем событие B.

P(A1A2...Ak-1)=P(B)
P(A1A2...Ak)=P(AkB)=P(B)× P(AkB)
Независимые события.
Два события A и B называются независимыми, если P(A/B)=P(A); P(B)=P(B/A) - доказать.
В этом случае вероятность наступления двух событий A и B равна P(AB)=P(B)P(A/B)=P(A)P(B),
при этом покажем, что P(B/A)=P(B); P(AB)=P(B)P(A)=P(A)P(B/A)
События A1A2...Ak называются независимыми между собой, если вероятность их совместного наступления ; . Два независимых события совместны.
* Если бы события были несовместны, то P(A/B)=0 и P(B/A)=0, т.к. они независимы, то P(A/B)=P(A) и P(B/A)=P(B), т.е. утверждение “независимые события несовместны”, т.к. P(A)=0 и P(B)=0, то это утверждение неверно.
Формула сложения вероятностей.

U - достоверное событие

Покажем, что события несовместны.
* Если события несовместны, то ; ;
т.е. события несовместны.
Тогда по третей аксиоме теории вероятности

Справедливо следующее тождество на основании (1) и закона дистрибутивности

Показать самим, что все три множества попарно несовместны.

На основании первой и третей аксиомы теории вероятности получаем:

Имеет место тождество , показать самим, что несовместны

По третей аксиоме:

Для экзамена доказать самим формулу суммы произвольного числа событий

Формула полной вероятности.
Рассмотрим систему A из k попарно несовместных событий.
B1, B2, ..., Bk
Пусть дано событие A, удовлетворяющее равенству A=B1A+B2A+...+BkA.
Показать, что события B1A, B2A, BkA попарно несовместны. BiABjA=BiBjAA=VAA=V
Найти вероятность наступления события A. Любое событие входящее в A, обязательно входит в некоторое, но одно Bi, т.к. B1, B2, ..., Bk образуют полную группу.
Т.к. B1, B2, ..., Bk несовместны, то по третей аксиоме теории вероятности имеем:
; т.е.

Например: Имеются урны трех составов

1	5 урн	6 белых и 3 черных шара
2	3 урны	10 белых и 1 черный
3	7 урн	0 белых и 10 черных

Все шары в каждой урне перемешаны.
Испытание - извлекается шар. Какая вероятность того, что при этом будет извлечен белый шар.
B1 - Вытащить любой шар из урны 1.
B2 - Вытащить любой шар из урны 2.
B3 - Вытащить любой шар из урны 3.
A - Извлечь белый шар.
A=B1A+B2A+B3A
B1, B2, B3 - попарно несовместны.
Формула полной вероятности: P(A)=P(B1)P(A/B1)+P(B2)P(A/B2)+P(B3)P(A/B3)

P(B1)=1/3	P(A/B1)=6/9=2/3
P(B2)=1/5	P(A/B2)=10/11
P(B3)=7/15	P(A/B3)=0

P(A)=1/3× 2/3+1/5× 11/10+7/15× 0=2/9+2/11=40/99» 0.4
Формула Байеса.
Постановка задачи та же, но решаем обратную задачу.
Проводится испытание, в результате которого произошло событие A. Какова вероятность того, что в этом испытании произошло событие Bi.
Условные вероятности называются апостериорными, а безусловные - априорными вероятностями.
P(ABi)=P(A)P(Bi/A)=P(Bi)P(A/Bi)
Откуда,
Таким образом, формула Байеса:
Композиция испытаний.
Имеется вероятностное пространство, которое порождает испытание 1.

где Ei, i=1, ..., m1 - пространство элементарных событий в результате испытания.
P(Ei), i=1, ..., m1 - вероятности элементарных событий.
Испытание 2 порождает вероятностное пространство вида

P(Ei), P(Qj) - разные вероятностные меры.
Композицией двух испытаний называется сложное испытание, состоящее в поведении первого и второго испытания.
Композиция испытаний порождает вероятностное пространство вида:

EiQj - композиционное событие.
В общем случае по P(Ei) и P(Qj) найти P(EiQj) невозможно.
Рассмотрим один частный случай, когда это можно сделать.
Два испытания называются независимыми, если различные исходы обоих испытаний определяются несвязанными между собой случайными факторами.
Из определения независимости испытания вытекает, что условные частости наступления события в одном испытании, при условии, что во втором испытании произошло фиксированное число событий равны безусловным частостям, если они существуют.
Пусть испытания независимы. В результате проведения первого испытания произошло элементарное событие Ei, в результате второго испытания может произойти все что угодно.
Тогда сложное событие, определяющее исход первого и второго испытания имеет вид:
и равно сумме комбинаций исходов первого и второго испытаний.
Вероятность сложного события A.
, т.е. результаты второго испытания не зависят от результатов первого.
Если в результате второго испытания произошло событие Qj, а в результате первого испытания могло произойти все что угодно, то сложное событие B имеет вид: .
Вероятность сложного события B равна сумме вероятностей комбинаций вида EiQj, i=1, ..., m1
, т.к. исходы первого испытания не влияют на исходы второго испытания. Из факта: P(AB)=P(A)P(B/A); P(B/A)=P(B); AB=EiQj (надо доказать)
A={EiQ1, EiQ2, ..., EiQj, ..., EiQm2}
B={E1Qj, E2Qj, ..., EiQj, ..., Em1Qj}
По определению произведения AB в него входят только те события, которые входят и в A, и в B. Из приведенных выше формул следует, что только событие EiQj входит и в A, и в B, то AB= EiQj. Следует:

Композиционное пространство имеет вид:
Общая структура независимых событий в композиционном пространстве, порожденном композицией испытаний:

т.е. в результате первого испытания произошли элементарные события: .
В результате второго испытания события: .
Сложное событие B определяет все возможные комбинации исходов двух испытаний независимо друг от друга. В результате первого испытания произошли элементарные события: .
В результате второго испытания события: .
Тогда:
, т.к. второе испытание не влияет на результаты первого.

т.к. , (надо доказать)
то
При решении практических задач, связанных с независимыми испытаниями обычно не требуется строить композиционных пространств элементарных событий, а использовать формально неверную запись: P(A× B)=P(A)× P(B).
Композиция n испытаний.
Имеется n испытаний. Зададим для i-го испытания вероятностное пространство:
i=1, ..., n
Композицией n испытаний называется сложное испытание, состоящее в совместном проведении n испытаний. Задается n испытаний, вероятностное пространство каждого из которых имеет вид:
i=1, ..., n
Композиционное пространство имеет вид:
j1=1, ..., m1; j2=1, ..., m2; jn=1, ..., mn;

Композиция n независимых испытаний.
Испытания (n - испытаний) называются независимыми, если неоднозначность исхода каждого из испытаний определена не связанными между собой группами факторов.
Событие A1: в результате проведения композиционного испытания в первом испытании произошло событие . Тогда
Событие An: в результате проведения композиционного испытания в первом испытании произошло событие . Тогда

i=1, ..., n
Рассмотрим событие:
В силу определения независимости испытаний очевидно, что:

.
Следовательно: .
На практике не строят композиционных пространств, а записывают формально неправильную формулу: P(A1A2...An)=P(A1)P(A2)...P(An).
Композиционное пространство имеет вид:
j1=1, ..., m1; j2=1, ..., m2; jn=1, ..., mn;
Общая структура независимых событий в композиционном пространстве имеет вид:

1-е событие -	это событие, которое происходит в 1-м вероятностном пространстве
2-е событие -	это событие, которое происходит во 2-м вероятностном пространстве
n - событие -	это событие, которое происходит в n-м вероятностном пространстве

Рассмотрим два вероятностных пространства.

I	II

Очевидно, что неопределенность испытания до испытания в первом вероятностном пространстве выше, чем во втором. Действительно, до испытания в I нельзя ни одному из событий отдать предпочтения, а во II событие E3 происходит чаще.

Энтропия - мера неопределенности исхода испытания (до испытания).

Первым, кто функционально задал выражение для энтропии был Шеннон.

,

Для вероятностного пространства:

Энтропия задается выражением: . Если P1=0, то Pi× logPi=0.
Самим показать, что:
Если вероятностное пространство не имеет определенности, т.е. какое-то из Pi=1, а остальные равны 0, то энтропия равна нулю.
Если элементарный исход равновероятен, т.е. , то энтропия принимает максимальное значение.
0£ Pi£ 1,

,
т.о. вероятности p1, p2, ..., ps обращаются в ноль, например pi, которая равна 1. Но log1=0. Остальные числа также обращаются в 0, т.к. .
Докажем, что энтропия системы с конечным числом состояний достигае максимума, когда все состояния равновероятны. Для этого рассмотрим энтропию системы как функцию вероятностей p1, p2, ..., ps и найдем условный экстремум этой функции, при условии, что .
Пользуясь методом неопределенных множителей Лагранжа, будем искать экстремум функции: .
Дифференцируя по p1, p2, ..., ps и приравнивая производные нулю получим систему:
i=1, ..., s
Откуда видно, что экстремум достигается при равных между собой p1.
Т.к. , то p1= p2=, ..., = ps= 1/s.
Еденицей измерения энтропии является энтропия вероятностного пространства вида:
, которая называется 1 бит.
Неопределенность исхода испытания до испытания автоматически определяет информативность исхода испытания после испытания. Поэтому в битах также измеряется информативность исхода.
Рассмотрим два вероятностных пространства:

Проводим композицию двух испытаний. Композиционное пространство имеет вид:
i=1, ..., s1 j=1, ..., s2
С точки зрения качественного анализа максимальная энтропия композиционного вероятностного пространства достигается тогда, когда испытания независимы. Найдем энтропию композиционного пространства для случая независимых испытаний.

Биномиальное распределение.
n испытаний называются системой испытаний Бернулли, если испытания независимы, в каждом из них происходит событие , либо с вероятностью наступления P(A) = p;
Найдем вероятность того, что в результате проведенных n испытаний событие А произошло m раз:

Рассмотрим композицию n независимых испытаний и построим композиционное пространство элементарных событий.
Общий вид элемента этого пространства следующий:

где

При этом вероятность наступления такого события равна:
(умножение при независимых событиях)

Найдем вероятность наступления любого элементарного события из композиционного пространства:

Рассмотрим в композиционном вероятностном пространстве событие: в n испытаниях событие A произошло m раз.
Событие A состоит из - общее кол-во элементарных событий, в которое входит событие А. А произошло m раз, - n-m раз. Вероятность каждого из этих элементарных событий одинакова и равна:

Следовательно, на основании III аксиомы теории вероятности результат равняется:

(сложение вероятностей)

Случайная величина

Пусть имеется вероятностное пространство вида .
Случайной величиной называется измеримая числовая скалярная функция , элементами которой являются элементарные события.
Числовая скалярная функция - это функция, удовлетворяющая следующему условию:
событие - алгебре и, следовательно, имеет вероятность наступления.
Если произведено испытание, в результате которого произошло некоторое элементарное событие . В соответствии с функцией этому элементарному событию соответствует число, которое называется реализацией случайной величины x в данном испытании.
В соответствии с определением случайной величины вводится числовая скалярная функция F(x), , определенная для каждого действительного x и по определению равная вероятности наступления события:

Эта функция называется функцией распределения случайной величины .
Рассмотрим три события:

где a<b, a, b - действительные числа.
Свойства:

Покажем, что из факта
A2  -алгебре
A1  -алгебре
и равенства следует, что A3  .

По определению -алгебры A3 измерима, поэтому можно принять III аксиому теории вероятности:

F(x) - неубывающая функция
Если x<y, то

т.к. , то преобразования верны.
Для всех технических приложений функцию распределения можно считать направленной слева.
В силу того, что функция распределения не убывает, она однозначно задает стчетно-аддитивную меру на поле, порожденном всеми полуинтервалами ненулевой длины.
По введенному полю построим борелевскую алгебру. Обозначим ее . Возьмем произвольное число B не принадлежащее полю. Это точка или сегмент. Т.к. множество получено с помощью счетной суммы или счетного пересечения множеств принадлежащих -алгебре, то и это множество принадлежит -алгебре и, следовательно, существует вероятность наступления события B. Следовательно, имеет место следующее эквивалентное определение измеримой функции.
Функция называется измеримой, если для любого BО множество
алгебре
где
множество, полученное следующим образом:

Функция g(x) называется борелевской функцией, если для любого B множество

Борелевская функция - функция, определяемая на системе борелевских множеств.
В функциональном анализе показано, что все известные аналитические функции являются борелевскими.
ТЕОРЕМА:
Пусть g(x) борелевская функция, - случайная величина, т.е. измеримая функция. Тогда функция

является измеримой и, следовательно, случайной величиной.
Берем произвольное B. по определению борелевской функции.
Рассмотрим множество

т.к. измеримая функция и , то A-алгебре
Следовательно, функция - измеримая функция, т.е. случайная величина.
Теорема Колмогорова

Любая числовая скалярная функция, которая удовлетворяет свойствам, которым удовлетворяет функция распределения, является функцией распределения и однозначно задает вероятностное пространство вида:

 - борелевская алгебра;
P - мера на борелевской алгебре;
R1 - числовая скалярная ось.
Введем функцию F(x)

Эта функция определена для всех x, неубывающая, непрерывная сверху. Показать самим, что такая функция однозначно задает счетно-аддитивную меру на поле, порожденном всеми полуинтервалами ненулевой длины.
Докажем, что 0<F(x)<1
Согласно терминологии, если функция y=f(x) непрерывна на отрезке [a, b], то она ограничена. Поскольку наша функция не убывающая, то максимум и минимум она соответственно будет иметь такой:

т.е. 0<F(x)<1.

2. Пусть имеем следующие функции.
Построим борелеву алгебру на поле, тогда по теореме о продолжении счетно-аддитивная функция, определенная на поле, без изменения аксиом теории вероятности, однозначно распространяется на все элементы борелевой алгебры, не принадлежащие полю. Т.о. вероятностное пространство построено, теорема доказана.
Смысл теоремы.
Теорема Колмогорова позволяет утверждать, что если вы исследуете случайную величину, то не надо строить абстрактное пространство элементарных событий, -алгебру, счетно-аддитивную меру, конкретный вид функции . Нашей задачей будет лишь то, что считая R1 - числовой скалярной осью - пространство элементарных событий, мы должны найти функцию распределения F(x), использую статистику: результата конкретного испытания над случайной величиной:
X1, X2, ..., Xn
Дискретные случайные величины

Случайная величина называется дискретной, если в результате испытания она может принять значение из конечного либо счетного множества возможных числовых значений.
Случайные величины в дальнейшем будем обозначать большими буквами:
X, Y, Z
Вероятностное пространство дискретной случайной величины задается в виде:
, n - конечное или бесконечное.
Пример:
Испытание - композиция n-независимых испытаний, в каждом из которых происходит событие A с вероятностью p, либо с вероятностью 1-p.
Вероятностное пространство

В этом примере -алгеброй является множество всех подмножеств пространства элементарных событий. Введенную нами случайную величину x по определению можно задать:

- верхняя строчка - это совокупность возможных числовых значений, которые может принимать случайная величина;
- нижняя строчка - вероятность наступления этих числовых значений.
Практически во всех задачах естествознания отсутствует промежуточный этап: испытание,  - пространство всех возможных исходов испытания, - числовая скалярная функция, элементы которой w .
На самом деле структура:
- испытание;
- исход испытания;
- число на числовой оси.
Вероятностные характеристики дискретных случайных величин.

Математическим ожиданием случайной величины X называется число вида

xi - все возможные различные конкретные исходы испытания;
pi - вероятности их наступления.
Математическое ожидание является как бы аналогом центра масс точечной механической системы:

Как центр масс:

Смысл характеристики мат.ожидания заключается в следующем: это точка на числовой оси, относительно которой группируются результаты конкретных испытаний над дискретной случайной величиной.
Свойства математического ожидания

1. MC=C

2. MCX=CMX
Построим таблицу для случайной величины CX:

по определению математического ожидания:

3. M(X+a)=MX+a, a=const
Построим таблицу для случайной величины x+a

Доказать следствие

4. M(aX+b)=aMX+b, где a, b - константы

Пусть случайная величина Y является функцией f(x) от случайной величины X. Построим вероятностное пространство случайной величины Y.

Верхняя строчка является пространством элементарных событий для случайной величины Y. В противном случае верхняя строчка является пространством элементарных событий для величины Y.
Все одинаковые числа в верхней строчке заменяется одним, вероятность наступления которого равна сумме соответствующих вероятностей.
Следствие.
Математическое ожидание случайной величины Y равняется:

Начальным моментом К-го порядка случайной величины X называется математическое ожидание случайной величины Xk.

Центрированная случайная величина - это величина, равная X’=X-MX
Покажем, что математическое ожидание MX’ равно 0.

Центральным моментом К-го порядка называется начальный момент К-го порядка случайной величины X’

при решении реальных задач практические вероятности рi неизвестны, но считая, что вероятность - это частость, при большом числе испытаний

Дисперсией случайной величины X, называется центральный момент второго порядка случайной величины X.

Дисперсия является мерой концентрации результатов конкретных испытаний над случайной величиной X.
Свойства.
1. Чем меньше дисперсия, тем более тесно группируются результаты конкретных испытаний относительно математического ожидания.
Пусть дисперсия мала, тогда мало каждое слагаемое суммы (xi-)2pi. Тогда для , xi которое по модулю резко отличается от математического ожидания , pi - мало. Следовательно, большую вероятность наступления могут иметь лишь те xi, которые по модулю мало отличаются от математического ожидания.

2. Если дисперсия равна 0, то X - const.

3.
D(X+C)=DX
Y=X+C
Y’=Y-MY=X+C-M(X+C)=X+C-MX-C=X-MX=X’
DY=M(Y’)2=M(X’)2=DX

4.
DCX=C2DX
Y=CX
DY= M(Y’)2=M(Y’)2
Y’=Y-MY=CX-MCX=CX-MCX=C(X-MX)=CX’
DY= M(Y’)2=M(CX’)2=C2M(X’)2=C2DX

5.

Построим функцию распределения для дискретной случайной величины. Для удобства договоримся, что случайные величины располагаются в порядке возрастания.

т.е. по определению для любого действительного X, F(x) численно равно вероятности наступления следующего события: в результате испытаний над X оно приняло значение строго меньше x.

Производная функция

Характеристической функцией случайной величины X называется функция действительного аргумента вида
Производящей функцией называется скалярная функция вида:

Свойства производящей функции

1.

2.

3. Разложение производящей функции в ряд Маклорена имеет вид

Формула Тейлора имеет вид

при to=0 она носит название формулы Маклорена

Пример:
Рассмотрим случайную величину, распределенную по биноминальному закону распределения:

Найдем производящую функцию:

Найти DX и MX

Первая модель распределения Пуассона

Проведена неограниченно большая серия испытаний, в результате каждого испытания случайным образом появляется точка на числовой оси. Случайное распределение точек на числовой оси удовлетворяет следующим трем свойствам.
1. Стационарность. Вероятность того, что на отрезок данной длины попадает данное количество точек определяется только длиной этого отрезка и не зависит от расположения этого отрезка на числовой оси.
2. Ординарность. Вероятность того, что на достаточно малый отрезок длины x попадает одна точка, является бесконечно малой x порядка. Вероятность того, что на этот отрезок попадает более, чем одна точка, является бесконечно малой более высокого порядка, чем x.
3. Свойство без последействия. Вероятность того, что на данный отрезок попало определенное количество точек не зависит от того, сколько точек в результате проведенной бесконечно серии испытаний попало на отрезок, не пересекающийся с данным.
Найти вероятность того, что на данный отрезок длина l попадает m точек.

Обозначим через xl - случайная величина, равная численности точек, выпавших на отрезок длины l.

На числовой оси рассмотрим отрезок длины 1 и обозначим:
MX1=
Математическое ожидание числа точек, попавших на отрезок длины 1. По свойству стационарности l одинаково для всех отрезков.

MX1=ll - доказать
Пусть l - целое число. Разобьем отрезок длины l на l отрезков единой длины. Тогда количество точек, попавших на отрезок длины l будет равно числу точек, попавших на каждый из непересекающихся отрезков длины 1 (тут использовалось свойство беспоследействия).
Используя формулу

имеем
MX1=ll
Математическое ожидание числа точек, попавшие на отрезок длины l равно мат. ожиданий точек, попавших на непересекающиеся отрезки. Пусть l - не целое число. Выделяем целую часть. Тогда

На числовой оси рассмотрим отрезок длины l, разобьем его на n отрезков данной длины

такой, что позволит использовать свойство ординарности. Тогда с определенной погрешностью, которая тем меньше, чем больше n можно считать

т.е. на отрезок длины x попадает не более, чем одна точка, тогда

Для достаточного малого отрезка длины lx вероятность попадания в него одной точки x, а вероятность того, что ничего не произойдет 1- x.
В сделанных предположениях m точек попадает на отрезок длины l только в одном случае, когда в m отрезках попадает по одной точке. Тогда на основании 3-го свойства искомая вероятность равна

Точную вероятность получим путем предельного перехода при числе разделений отрезка

Тут мы разложили в ряд Маклорена.
Найдем производящую функцию распределения Пуассона

Найти MX и DX

Вторая модель распределения Пуассона

Рассматривается обычная схема биноминального распределения, в котором n - велико, а p - достаточно мало. Тогда точная формула для вероятности появления события A в m испытаниях имеет вид

Эта формула при больших n вычисляется сложно. Такую вероятность заменяют приближенной

Для найденного a построим гипотетический ряд вероятностей

Предполагается, что для достаточно больших n и малых p искомая вероятность

является членом построенного гипотетического ряда вероятностей, а во вторых находится в малой окрестности предельного значения этого ряда. И, следовательно, это значение можно взять в качестве допустимой хорошей аппроксимации значений искомой вероятности.
Непрерывные случайные величины.
Будем рассматривать пространство элементарных событий как совокупность всех точек числовой оси. В этом случае введенная ранее функция распределения имеет вид: .
Пусть функция распределения является непрерывной. Найдем вероятность того, что в результате испытаний случайная величина X примет значение a, где a - произвольное действительное число.
P(X=a).
Рассмотрим неравенство:
Доказать самим.

Следовательно:

Мы впервые столкнулись с ситуацией, когда событие принципиально может произойти в результате испытания, но имеет вероятность равную 0 . В инженерном толковании это означает: в данной конечной серии испытаний данное событие никогда не произойдет.
Случайная величина X называется непрерывной, если ее пространством элементарных событий является вся числовая ось (либо отрезок (отрезки) числовой оси), а вероятность наступления любого элементарного события равна нулю.
P(a£ X<b)=P(a£ X£ b)=F(b)-F(a)
Если от сложного события вычесть конечное либо счетное множество, вероятность наступления нового события останется неизменной.
Функция f(x) - числовая скалярная функция действительного аргумента x называется плотностью вероятности, и существует в точке x, если в этой точке существует предел:

Свойства плотности вероятности.
Плотность вероятности является неотрицательной функцией.

Следствие: Если пространством элементарных событий является отрезок числовой оси, то пространство элементарных событий формально можно распространить на всю числовую ось, положив вне отрезка значение плотности вероятности равное 0.
Второе эквивалентное определение плотности вероятности.
Если плотность вероятности в точке x существует, то P(x£ X£ x+D x)=f(x)D x+о(D x). Вероятность того, что в результате испытания случайная величина примет значение в отрезке с точностью до о(D x) равна F(x)D x.

Пример:
Равномерное распределение.
тут p(x)=f(x).

т.к.

Экспоненциальное распределение.

Непрерывная случайная величина является математической абстракцией и в чистом виде на практике не встречается, хотя бы потому, что теоретически не может существовать измерительное устройство, вычисляющее это величину. Следовательно, всегда исследователь имеет дело со случайными дискретными величинами. На практике отрезок [a, b] разбивают на отрезки одинаковой длинны, длину устремляют к нулю. При этом x принадлежит отрезку. Вероятность того, что отрезок содержит x равна . При ситуация эквивалентна следующему: имеется бесконечное множество лотерейных билетов, один ваш. Ясно, что в конечной серии розыгрышей вы никогда не выиграете. Независимо от этого велико удобство работы с непрерывными величинами. Оно заключается в том, что вероятностные свойства задаются одной из двух функций - плотностью распределения либо плотностью вероятности.
Вероятностные характеристики непрерывных случайных величин.
Пусть имеется случайная величина, являющаяся функцией от непрерывной случайной величины X.
Y=x (x)
Математическим ожиданием непрерывной случайной величены является число:
, - плотность вероятности случайной величины.
Обоснование этой формулы.
Аппроксимируем непрерывную случайную величину Y случайной величены Y*, которая является дискретной. Пусть числовая ось - пространство элементарных событий случайной величены X, разобьем всю числовую ось на отрезки достаточно малой длины.

2n отрезков.
Если в результате испытания случайная величена X попала в отрезок с начальной вершиной xi, то случайная величена X* приняла значение x (xi) с точностью до бесконечно малой D x - длины i-го отрезка. Вероятность того, что Y* примет значение x (xi) с точностью до бесконечно малой более высокого порядка, чем D x, тем более точно Y* аппроксимирует Y.
Вероятность наступления x (xi) для Y* равна

, при эта сумма переходит в .
Тогда .
Самим показать, что все свойства мат. ожидания для дискретной случайной величены сохраняются для непрерывной случайной величены.

Доказать, что

Доказать самим, что свойство 1 и 2 для производящей функции в дискретном случае справедливы и для непрерывного.

Распределение Гаусса - нормальное

Случайная величина имеет нормальное распределение (распределение Гаусса) и называется нормально распределенной, если ее плотность вероятности

Из определения

функция распределения

Найдем выражение для производящей функции нормального распре...

ВНИМАНИЕ!
Текст просматриваемого вами реферата (доклада, курсовой) урезан на треть (33%)!

Чтобы просматривать этот и другие рефераты полностью, авторизуйтесь на сайте:

Простая ссылка на эту работу:

Ссылка для размещения на форуме:

HTML-гиперссылка:

Добавлено: 2010.10.21
Просмотров: 1242

Notice: Undefined offset: 1 in /home/area7ru/area7.ru/docs/linkmanager/links.php on line 21

При использовании материалов сайта, активная ссылка на AREA7.RU обязательная!