Заказ работы

Заказать
Каталог тем

Самые новые

Значок файла Говорим по-английски: Учебно-методическая разработка. /Сост.: Та- расенко В.Е. и др. ГОУ ВПО «СибГИУ». – Новокузнецк, 2004. – 28с. (3)
(Методические материалы)

Значок файла Семина О.А. Учебное пособие «Неличные формы глагола» для студентов 1 и 2 курсов, изучающих английский язык (2)
(Методические материалы)

Значок файла Семина О.А. Компьютеры. Часть 1. Учебное пособие для студентов 1 и 2 курсов, изучающих английский язык. /О.А. Семина./ – ГОУ ВПО «СибГИУ». – Новокузнецк, 2005. – 166с. (2)
(Методические материалы)

Значок файла З. В. Егорычева. Инженерная геодезия: Методические указания для студентов специальности 170200 «Машины и оборудование нефтяных и газовых промыслов» дневной и заочной формы обучения. – Красноярск, изд-во КГТУ, 2002. – 60 с. (1)
(Методические материалы)

Значок файла СУЧАСНИЙ СТАН ДЕРЖАВНОЇ ПІДТРИМКИ РОЗВИТКУ АГРАРНОГО СЕКТОРА УКРАЇНИ (2)
(Статьи)

Значок файла ОРГАНІЗАЦІЙНО-ФУНКЦІОНАЛЬНІ ЗАСАДИ ДЕРЖАВНОГО ПРОТЕКЦІОНІЗМУ В АГРОПРОМИСЛОВОМУ КОМПЛЕКСІ УКРАЇНИ (4)
(Статьи)

Значок файла Характеристика контрольно-наглядових повноважень центральних банків романо-германської системи права (3)
(Рефераты)


Заказ научной авторской работы

Случайные величины

  Под случайными величинами понимают числовые характеристики
случайных событий. Другими словами, случайные величины – это
числовые результаты экспериментов, значения которых которые
невозможно (в данное время) предсказать заранее. 
     Например, следующие величины можно рассматривать как
случайные:
1. Напряжение в электросети в заданный момент времени.
2. Процент мальчиков среди детей, родившихся в заданном роддоме в
некоторый определенный день.
3. Число и площадь пятен на Солнце, видимых в некоторой
обсерватории в течение определенного дня.
4. Число студентов, опоздавших на данную лекцию.
5. Курс доллара на бирже (скажем, на ММВБ), хотя может быть он и
не так уж “случаен”, как это кажется обывателям.
6. Число отказов оборудования в заданный день на определенном
предприятии.
 
     Случайные величины делят на дискретные и непрерывные в
зависимости от того, каково множество всех возможных значений
соответствующей характеристики – дискретное или же непрерывное. 
Это деление довольно условно, но полезно при выборе адекватных
методов исследования. Если число возможных значений случайной
величины конечно или сопоставимо с множеством всех натуральных
чисел (т.е. может быть перенумеровано), то случайную величину
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
называют дискретной. В противном случае ее называют непрерывной,
хотя на самом деле как бы неявно предполагается, что фактически
непрерывные случайные величины принимают свои значение в некотором
простом числовом помежутке (отрезке, интервале). Например,
дискретными будут случайные величины, приведенные выше под
номерами 4 и 6, а непрерывными – под номерами 1 и 3 (площади
пятен). Иногда случайная величина имеет смешанный характер. Таков,
например, курс доллара (или какой-то другой валюты), который
фактически принимает лишь дискретный набор значений, но при этом
оказывается удобным считать, что множество его значений
«непрерывно».
     Случайные величины можно задавать разными  способами.
Дискретные случайные величины обычно задаются своим законом
распределения. Тут каждому возможному значению x1, x2,... случайной
величины X сопоставляется вероятность p1,p2,... этого значения. В
результате образуется таблица, состоящая из двух строк:
 
      x1  x2  x3  ...
 
      p1  p2  p3  ...
 
Это и есть закон распределения случайной величины.
     Непрерывные случайные величины законом распределения задать
невозможно, так как по самому своему определению их значения
невозможно перенумеровать и потому задание в виде таблицы тут
исключается. Однако для непрерывных случайных величин есть другой
способ задания (применимый, кстати, и для дискретных величин) –
это функция распределения:
       F(x)=P[X<x]
равная вероятности события [X<x], которое состоит в том, что
случайная величина X примет значение, меньшее заданного числа x.  
     Часто вместо функции распределения удобно использовать другую
функцию – плотность f(x) распределения случайной величины X. Ее
еще иногда называют дифференциальной функцией распределения, а
F(x) в этой терминологии называется интегральной функцией
распределния. Эти две функции взаимно определяют друг друга по
следующим формулам:
         f(x)=dF/dx
         F(x)=  . 
     Если случайная величина дискретна, то для нее понятие функции
распределения тоже имеет смысл, в этом случай график функции
распределения состоит из горизонтальных участков, каждый из
которых расположен выше предыдущего на величину, равную pi. 
     Важными примерами дискретных величин являются, например,
биномиально распределенные величины (распределение Бернулли), для
которых   
 
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
   pk=Ck
n pk(1-p)n-k= !( )!
!
k n k
n
-
k(1-p)n-k ,       
где p – вероятность отдельного события (ее иногда условно называют
“вероятностью успеха”). Так распределены результаты серии
последовательных однородных испытаний (схема Бернулли). Предельным
случаем биномиального распределения (при увеличении числа
испытаний) является распределение Пуассона, для которого
             pk=?k/k!·exp(-?),  
где ?>0 некоторый положительный параметр.
     Простейший пример непрерывного распределения – равномерное
распределение. Оно на отрезке [a,b] имеет постоянную плотность
распределения, равную 1/(b-a), а вне этого отрезка плотность равна
0.
     Чрезвычайно важным примером непрерывного распределения
является нормальное распределение. Оно задается двумя параметрами
m и ? (математическим ожиданием и среднеквадратичным отклонением –
см. ниже), его плотность распределения имеет вид:
          F(x)= s 2p
1 exp(-(x-m)2/2?2 )
     Фундаментальная роль нормального распределения в теории
вероятностей объясняется тем, что в силу Центральной Предельной
Теоремы (ЦПТ) сумма большого числа случайных величин, которые
являются попарно независимыми (о понятии независимости случайных
величин см. ниже) или слабо зависимыми, оказывается приближенно
распределенной по нормальному закону. Отсюда следует, что
случайная величина, случайность которой вызвана наложением
большого числа слабо зависимых между собой случайных факторов,
может рассматриваться приближенно как распределенная нормально (в
независимости от того, как были распределены слагающие ее
факторы). Другими словами – нормальный закон распределения весьма
универсален. 
     Имеется несколько числовых характеристик, которые удобно
использовать при изучении случайных величин. Среди них выделим
математическое ожидание
       M(X)= ?
+?
-?
xf (x)dx ,
 равное среднему значению случайной величины, дисперсию
       D(X)=M(X-M(X))2 ,
равную математическому ожиданию квадрата отклонения случайной
величины от среднего значения, и еще одну, удобную на практике
дополнительную величину (той же размерности, что и исходная
случайная величина):
       ?(X)= D(X ) ,
называемую среднеквадратичным отклонением. Будем предполагать (не
оговаривая этого в дальнейшем), что все выписанные интегралы
существуют (т.е. сходятся на всей числовой оси). Как известно,
дисперсия и среднеквадратичное отклонение характеризуют степень
рассеяния случайной величины вокруг ее среднего значения. Чем
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
меньше дисперсия, тем более тесно группируются значения случайной
величины вокруг ее среднего значения.
     Например, математическое ожидание для распределение Пуассона
равно ?, для равномерного распределения оно равно (a+b)/2, а для
нормального распределения оно равно m. Дисперсия для распределения
Пуассона равна ?, для равномерного распределения (b-a)2/12, а для
нормального распределения равна ?2.   
     В дальнейшем будут использоваться следующие свойства
математического ожидания и дисперсии:
1.  M(X+Y)= M(X)+M(Y). 
2.  M(cX)=cM(X).
3.  D(cX)=c2D(X), где c – произвольное постоянное число.
4.  D(X+A)=D(A) для произвольной постоянной (неслучайной)величины
A.
     Случайная величина ?=U-MU называется центрированной. Из
свойства 1 вытекает, что M?=M(U-MU)=M(U)-M(U)=0, то есть ее
среднее значение равно 0 (с этим и связано ее название). При этом
в силу свойства 4 имеем D(?)=D(U). 
     Имеется также полезное соотношение, которое удобно
использовать на практике для вычисления дисперсии и связаных с нею
величин:
5.  D(X)=M(X2)-M(X)2 
     Случайные величины X и Y называются независимыми, если для
произвольных их значений x и y соответственно события [X<x] и 
[Y<y] независимы. Например, независимы будут (по видимому...)
результаты измерения напряжения в электросети и рост главного
энергетика предприятия. А вот мощность этой электросети и зарплату
главного энергетика на предприятиях уже не всегда можно считать
независимыми.
     Если случайные величины X и Y независимы, то имеют место и
следующие свойства (которые для произвольных случайных величин
могут не выполняться):
5.  M(XY)=M(X)M(Y).
6.  D(X+Y)=D(X)+D(Y).
     Кроме отдельных случайных величин X,Y,... изучаются и системы
случайных величин. Например, пара (X,Y) случайных величин может
рассматриваться как новая случайная величина, значения которой
являются двумерными векторами. Аналогично можно рассматривать и
системы большего числа случайных величин, называемые многомерными
случайными величинами. Такого рода системы величин тоже задаются
своей функцией распределения. Например, для системы двух случайных
величин эта функция имеет вид 
                   F(x,y)=P[X<x,Y<y],
то есть она равна вероятности события, заключающегося в том, что
случайная величина X примет значение, меньшее заданного числа x, а
случайная величина Y – меньшее заданного числа y. Эту функцию 
называют еще функцией совместного распределения случайных величин
X и Y. Также можно рассматривать средний вектор - естественный
аналог математического ожидания, а вот вместо дисперсии приходится
изучать уже несколько числовых характеристик, называемых моментами
второго порядка. Это, во-первых, две частные дисперсии DX и DY
PDF created with FinePrint pdfFactory trial version http://www.fineprint.com
случайных величин X и Y, рассматриваемых по-отдельности, а, во-
вторых, ковариационный момент, более подробно рассмотренный ниже.
     Если случайные величины X и Y независимы, то F(x,y)=FX(x)FY(y)
– произведение функций распределения случайных величин X и Y и
потому изучение пары независимых случайных величин сводится во
многом просто к изучению X и Y по отдельности. 

     Ниже Вы можете заказать выполнение научной работы. Располагая значительным штатом авторов в технических и гуманитарных областях наук, мы подберем Вам профессионального специалиста, который выполнит работу грамотно и в срок.


* поля отмеченные звёздочкой, обязательны для заполнения!

Тема работы:*
Вид работы:
контрольная
реферат
отчет по практике
курсовая
диплом
магистерская диссертация
кандидатская диссертация
докторская диссертация
другое

Дата выполнения:*
Комментарии к заказу:
Ваше имя:*
Ваш Е-mail (указывайте очень внимательно):*
Ваш телефон (с кодом города):

Впишите проверочный код:*    
Заказ курсовой диплома или диссертации.

Горячая Линия


Вход для партнеров