Функции распределения. Нормальное распределение

Виды распределения, его законы. Дискретное и непрерывное распределение. Свойства случайных величин. Эмпирические функции распределения. Параметры функции нормального распределения. Вычисление выравнивающих частот кривой нормального распределения.

Рубрика Математика
Вид реферат
Язык русский
Дата добавления 29.03.2018
Размер файла 783,1 K

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.

18

Размещено на http://www.allbest.ru/

Функции распределения. Нормальное распределение

Содержание

  • 1. Понятие о видах распределения
  • 2. Эмпирические функции распределения
  • 3. Функция нормального распределения и ее параметры
  • 4. Вычисление выравнивающих частот кривой нормального распределения

1. Понятие о видах распределения

Массивы случайных величин обычно распределяются не хаотично, а по некоторому закону. Эти законы распределения приводят к разным видам распределений. Все распределения можно выразить графически, что в основном и делали в лесном хозяйстве до 50-60 годов XX века. В то же время наиболее корректно выражать распределение через некоторые математические функции. В настоящее время это стало основным методом описания распределений, т.к. применение компьютеров сделало такую работу простой, быстрой и доступной. В то же время мы должны ясно понимать суть изучаемого явления. Этого не достичь, если исследователь использует компьютер только как пользователь.

Распределения могут быть дискретными и непрерывными. Так, если мы рассматриваем некоторое распределение, например, деревья в древостое, выражаемое конкретными числами: 4, 8, 12,., то оно будет дискретным. При описании распределения непрерывной функцией распределение становится непрерывным. Часто между ними трудно провести грань: все зависит от цели исследования, величины классового промежутка и т.д.

Все, что может быть измерено или исчислено в живой природе, называют величиной постоянной или переменной. В зависимости от обстоятельств эти величины могут принимать разные значения. Переменную величину считают определенной, если заранее, до опыта можно указать ее значение. Если же в одних и тех же условиях переменная величина может принимать разные значения, которые заранее указать нельзя, она называется случайной величиной. Понятие случайной величины, как и понятие случайного события, относится к фундаментальным в теории вероятностей.

Случайные величины бывают зависимыми и независимыми. Случайные величины называют независимыми, если вероятность любого значения одной величины (Х) не зависит от того, какие значения принимает другая величина (У). В противном случае эти величины находятся в зависимости одна от другой и называются взаимозависимыми случайными величинами. Например, мы изучаем некоторый участок леса. Там имеется определенная почва, на которой растут деревья. На одной и той же почве могут расти разные деревья: сосна, береза, ель и другие. Механический состав почвы не зависит от того, какой древесный вид сегодня здесь растет. Таким образом при рассмотрении системы почва-дерево характеристики почвы, скажем, процент физической глины, будет величиной независимой. В то же время высота дерева, да и сам породный состав лесного участка определяется почвенными условиями, т.е. показатели роста деревьев зависят от почвенных характеристик и являются величиной зависимой. Если мы будем рассматривать диаметр и высоту дерева, то обнаружим, что с изменением одного показателя меняется и второй. Это величины взаимозависимые.

Существуют разные типы случайных величин. Для лесовода и биолога наиболее существенное значение имеют дискретные и непрерывные случайные величины. С ними мы уже встречались выше при рассмотрении эмпирических распределений. Дискретная случайная величина принимает лишь отдельные счетные значения, для которых можно указать вероятности, или частоты. Непрерывная случайная величина может принимать любые значения в некотором заданном интервале. Указать вероятности или частоты ее отдельных значений, вообще говоря, невозможно, поэтому они относятся к тем значениям, которые эта величина принимает в интервале (от - до), причем этот интервал может быть каким угодно - и большим и малым.

2. Эмпирические функции распределения

В лесной биометрии мы, как правило, имеем дело с эмпирическими функциями распределения. Это значит, что, выполняя некоторые измерения случайной величины, например, диаметры деревьев в лесу, получаем распределение и определяем вид этого распределения, руководствуясь графиком некоторой функции распределения.

Очень важно знать распределения признаков, наиболее часто встречающиеся в лесных исследованиях. Это позволяет применять различные способы обработки выборочных данных не слепо, а осмысленно, а также правильно оценивать результаты опытов и наблюдений, объективно и точно сравнивать их между собой.

В эмпирических распределениях, т.е. тех, которые наблюдаем, проводя измерения в лесу, бросается в глаза одна важная особенность - преимущественное накапливание вариант в центральных классах и постепенное убывание их числа по мере удаления от средней арифметической вариационного ряда. Эта особенность, составляющая одну из характерных черт варьирования биологических признаков вообще и лесохозяйственных в частности, факт фундаментального значения, имеющий широкое распространение в природе.

Такую картину получаем, если проанализируем распределение людей по росту, диких животных, например зайцев, по весу, величину ступни у взрослых людей одного пола и т.д. На рисунке 6.1 в качестве классического примера показано распределение размеров мужской обуви среди жителей Восточной Европы, приводимое в большинстве учебников по биометрии.

Рисунок 1. Гистограмма распределения размеров мужской обуви среди населения в Восточной Европе (на оси абсцисс - номера обуви, на оси ординат - проценты)

Именно такие закономерности распределения являются основными для заказов обувным фабрикам на пошив обуви определенного размера, чтобы полностью удовлетворить спрос и избежать потерь от нераспроданных экземпляров.

Такую закономерность, т.е. концентрацию наибольших численностей в середине ряда распределения, впервые описал бельгийский статистик А. Кетле в 1835 году, исследовавший распределение нескольких тысяч солдат американской армии по росту.

Деревья в лесу распределяются по толщине, высоте и другим признакам аналогично. Если построим график по данным перечета 120 стволов сосны (таблица 4.1.), то увидим, что он одновершинный, наибольшая концентрация деревьев наблюдается в средних ступенях толщины (рисунок 6.2).

N

D

Рисунок 2. Распределение 120 деревьев сосны в древостое в возрасте 100 лет

распределение нормальное дискретное непрерывное

3. Функция нормального распределения и ее параметры

Выше показано, что распределение случайных величин в биологических, в том числе и лесных, совокупностях носит закономерный характер. Есть много функций, которыми описывают названные распределения. Наиболее универсальной и используемой чаще других является уравнение кривой нормального распределения или функция Гаусса-Лапласса. Ее суть заключается в том, что частота отклонения отдельных вариант от средней арифметической данной совокупности есть функция их величины. Вероятность частоты той или иной варианты в генеральной совокупности и определяется этой функцией.

Графически функция нормального распределения схожа с графиками на рисунках 1 и 2 В то же время график, который строго соответствует уравнению кривой нормального распределения, выглядит следующим образом (рисунок 3.).

Рисунок 3. Кривая нормального распределения

Уравнение кривой нормального распределения выражает зависимость теоретических численностей f (x) или y от значений x, являющейся непрерывно распределяющейся случайной величиной. Есть разные формы выражения этой кривой. Основная форма написания этого выражения

(1)

Здесь y - ордината или высота кривой на любом расстоянии от , т.е. центра распределения. Вправо от этого центра случайная величина хi имеет положительные, а влево - отрицательные значения.

у или среднеквадратическое отклонение характеризует амплитуду колебания отдельных значений случайной величины около средней арифметической;

() - отклонение варианты от средней арифметической, являющейся серединой ряда;

выражение - максимальная ордината, соответствующая точке .

По мере удаления от этой точки, т.е. центра распределения, плотность значений случайной величины падает и кривая асимптотически приближается к оси абсцисс;

Так как р - 3,14593 и e - основание натуральных логарифмов, равное 2,7183, являются постоянными величинами, следовательно величина есть не что иное как нормированное отклонение. Эта величина имеет большое значение для исследования свойств нормального распределения.

Найденные для различных значений t величины У дают ординаты нормальной кривой. Непременным условием нормирования служит требование, чтобы вся площадь, заключенная под кривой вероятности (нормальной кривой), равнялась единице.

Если принять =1, то уравнение (1) будет иметь следующий вид:

(2)

Кривая, описываемая этим уравнением, получила название стандартизованной кривой распределения, или кривой Гаусса-Лапласа. Она выражает закон нормального распределения с площадью под кривой, равной единице.

Чтобы ордината У выражала не вероятностные, а абсолютные численности, т.е. частоты вариант, нужно в числитель правой части уравнения (1) ввести в качестве дополнительных множителей N - общее число вариант данной совокупности и i - величину классового интервала (если вариация разбита на классы).

Тогда уравнение (1.) принимает следующий вид:

(3)

Здесь У обозначает теоретическую частоту вариационного ряда, соответствующую нормированному отклонению t.

Кривая нормального распределения обладает следующими свойствами:

· Однозначно определяется двумя параметрами: - средним значением и у - среднеквадратическим отклонением.

· Кривая симметрична относительно среднего значения () и имеет колоколообразную форму, которая зависит от величины у, являющейся параметром масштаба, а положение определяется .

· Кривая имеет один максимум, равный и две точки перегиба на расстоянии ±у от .

· Ветви кривой асимптотически приближаются к оси абсцисс на расстояние ±?.

Итак, нормальный закон распределения выражает функциональную зависимость между величиной признака и его частотой в генеральной совокупности. Чем больше отклонение варианты от средней величины, тем меньше ее частота, и наоборот, чем меньше варианта отклоняется от средней арифметической, тем больше ее частота в данной совокупности. Следовательно, вероятность отклонения любой варианты от средней арифметической есть функция нормированного отклонения. Эта функция выражается с помощью асимптотических, т.е. приближенных формул (6.1), а также графически (см. рисунок 6.3) и в форме таблиц. Таблица значений вероятности, соответствующие разным значениям нормированного отклонения t приведена в приложении А. Пользуясь этой таблицей, можно по двум параметрам - и - построить теоретический вариационный ряд, что имеет значение при сравнительной оценке эмпирических распределений.

Выше было показано, что нормальное распределение является широко распространенной закономерностью в живой природе, в том числе и в лесных насаждениях. Такому явлению должно быть некоторое убедительное основание. Его привел известный русский математик и механик А.М. Ляпунов (1857 - 1918), доказав в 1901 году предельную теорему Ляпунова, которая относится к области теории вероятностей.

Учитывая фундаментальность нормального закона распределения и его большую практическую значимость, приведем краткое изложение теоремы Ляпунова в интерпретации известного советского математика А.К. Митропольского.

Теорема Ляпунова утверждает, что если значения независимых случайных величин будут малы в сравнении с их суммой, то при неограниченном возрастании числа этих величин распределение их суммы становится приближенно нормальным.

Условия теоремы Ляпунова являются настолько широкими, что во многих случаях их можно предполагать выполняющимися. Поэтому, если есть основание рассматривать изучаемую величину как сумму многих независимых случайных величин, влияние каждой из которых на эту сумму практически ничтожно, то, если даже распределения составляющих величин нам неизвестны, можно часто заранее быть уверенным, что изучаемая величина имеет нормальное распределение.

Благодаря этому становится ясным, что, например, распределение случайных ошибок при измерениях будет нормальным. Точно так же нормальным будет распределение физических признаков людей, распределение механических свойств материалов и т.д. Этот вывод полностью подтверждается многочисленными исследованиями.

Таким образом, теорема Ляпунова дает объяснение тому важному положению, что во многих случаях величины имеют нормальное распределение.

Причину такого соответствия нормальной кривой полученным при наблюдении рядам распределения можно видеть в выполнении тех самых условий, на основании которых теоретически появляется нормальная кривая. Можно предположить, что отдельные наблюденные значения являются результатом бесчисленного множества весьма незначительных независимых между собой причин, каждая из которых может произвести очень малое положительное или отрицательное отклонение от среднего значения исследуемой величины.

Для наглядного выяснения тех условий, при которых возникает нормальное распределение, построен прибор Гальтона. Этот прибор представляет ящик, изображенный на рисунке 6.4 Вверху прибора устроено отверстие в виде воронки, которое ведет в узкое пространство между доской и стеклом. Внизу прибора помещены перегородки, образующие несколько отделений. Все пространство между воронкой и отделениями занято рядами игл, расставленных в шахматном порядке. Если прибор поставить в наклонном положении и сыпать в воронку мелкую дробь, то иглы будут делить эту дробь на отдельные потоки. Вследствие этого дробинки расположатся не равномерно, а образуют в своей совокупности нормальную кривую.

Рисунок 4. Прибор Гальтона

Рассматриваемый прибор ясно показывает то действие, которое оказывает множественность причин на возникновение явления. В самом деле, при отсутствии игл в приборе весь поток дроби шел бы без отклонений вниз, и в результате дробь скопилась бы между двумя - тремя соседними вертикальными полосками против отверстия воронки. Однако препятствия в виде игл отклоняют дробинки в разные стороны, причем для большей части дробинок эти отклонения взаимно уравновешиваются, и все распределение принимает характерный вид: в отделении против воронки скопляется наибольшее количество дроби, а в остальных отделениях будет дроби тем меньше, чем дальше они отстоят от среднего отделения, так как для того чтобы отклониться от него далеко, необходимо встретить много односторонних препятствий, а это случается только с небольшим числом дробинок.

Картина распределения, подобная описанной выше, наблюдается при изучении случайных величин, взятых из любой области.

Примеров, когда применим закон, вскрытый теоремой Ляпунова, множество. Проанализируем действие этого закона в лесу. Так, на древостой, растущий без вмешательства человека, действует множество абиотических и биотических факторов. Ресурсы роста дерева определяются наследственными свойствами конкретного семени, места, где оно произрастает (условия произрастания имеют определенную неоднородность даже в пределах одного таксационного участка), соседними деревьями, случайными повреждениями (снегом, животными, молнией и т.д.) и многими другими причинами. Каждая из причин носит случайный характер и ее влияние на их совокупный результат приводит к нормальному распределению. Здесь мы исключаем антропогенный фактор, особенно рубки ухода, воздействие которых велико и целенаправленно, что имеет следствием другие распределения диаметров деревьев, о чем будет сказано ниже.

Нормальное распределение можем наблюдать, если проанализируем отклонение длины реальных сортиментов, заготовленных в лесу, от заданной их длины. Например, мы выпиливаем еловые пиловочные бревна длиной 6,5м. По действующему стандарту здесь допустимо отклонение в большую сторону (припуск) до 1%. В нашем случае это составит 6,5 см. При реальной раскрижевке из-за разных случайных причин припуски получаются неодинаковой длины. Средний припуск здесь будет отклоняться от средней величины (примерно 4 см) на ± 3 см, а весь массив чисел, характеризующих отклонения от 6,5 см будет распределен нормально.

Основные свойства нормального распределения. Теоретически случайная величина Х, распределенная по нормальному закону, может принимать любые значения, меняясь от - до +. На самом же деле, как это видно из графика нормальной кривой (см. рисунок 6.3), значения вероятности по мере удаления от центра распределения быстро убывают.

Если в обе стороны от отложить отрезки, равные 3, то получатся точки -3 и +3; их можно выразить в нормированной форме:

Сделаем анализ вероятности того, что значение случайной величины окажется в данном интервале, т.е. между -3 и +3. Как утверждает теория вероятностей, искомая вероятность приближенно равна:

Р (х1 Х х2) [Ф (t2) - Ф (t1)], (4)

где выражение Р (х1 Х х2) обозначает вероятность (Р) того, что случайная величина Х находится между заданными пределами (х1 - ) и (х2 - );

t1 и t2 - нормированное отклонение, т.е. t1 = и t2 = ;

символ Ф (t), читаемый как “фи от t”, называется интегральной функцией Лапласа. Одно из важных свойств этой функции заключается в том, что она стремится к единице, если t неограниченно возрастает. Значения этой функции, соответствующие разным значениям t, и составляют содержание таблицы, приведенной в приложении А.

Подставим в уравнение (6.4) взятые значения t1 и t2:

Р ( - 3) Х ( + 3) = [Ф (3) - Ф (-3)] = Ф (3).

Вычисления показывают, что Ф (3) = 0,9973 1. Это значит, что случайная величина, распределенная по нормальному закону, практически не отклонится от центра распределения , т.е. средней арифметической генеральной совокупности, более чем на 3. Этот важный для нас вывод известен в биометрии под названием “правила плюс - минус трех сигм”. Например, мы изучили расперделение по весу самцов разновозрастной популяции дикого кабана на территории некоторого лесхоза. Это распеределение будет близким к нормальному. Допустим, что средний вес кабана () в этой популяции составил 100 кг, а среднеквадратическое отклонение () равно 30 кг, т.е. изменчивость (коэффициент вариации (V) составит 30%. Тогда 68% кабанов будут иметь вес от 70 до 130 кг. Для 95% этой популяции колебания составят от 40 до 160 кг. При анализе 99,9% этой популяции вес отдельных особей может колебаться от 10 до 190 кг. Только очень малое их количество (отдельные особи) могут иметь больший вес, что мы и наблюдаем в природе.

Из таблицы в приложении А видно, что между пределами от - t до +t находится 0,6828, или 68,28%, всей площади, заключенной под кривой вероятности. Площадь этой кривой, ограниченная пределами от - 2t до +2t, составляет 0,9545 долей единицы, или 95,45%, а в пределах от - 3t до +3t находится 0,9973, или 99,73% всей площади нормальной кривой. Выражаясь более конкретным языком, правило “плюс - минус трех сигм” гласит, что в пределах 1 находится 68,28% всех вариант эмпирической совокупности, распределяющейся по нормальному закону; в пределах 2 заключено 95,45%, а в пределах 3 содержится 99,73% всех вариант совокупности.

Таким образом, нормальную кривую можно разделить на три участка или “сигмальные зоны”, каждая из которых содержит определенное число вариант. Границы этих “зон” приблизительно совпадают с наиболее заметными изгибами нормальной кривой (рисунок 4.).

Рисунок 4 Графическая иллюстрация “правила плюс - минус трех сигм”

Обобщая изложенное, можно сказать, что, как указывают известные советские ученые-лесоводы К.Е. Никитин и А.З. Швиденко, в процессе статистического анализа лесоводственной информации, относящейся к некоторой случайной величине, теорию распределений применяют в двух основных направлениях:

· Как основу статистических выводов, в частности, оценки параметров и проверки статистических гипотез;

· Как средство и метод представления выборочных распределений.

В первом случае часто основополагающую роль играет нормальный закон распределения, во втором - в качестве модели можно применять самые различные типы распределений. При этом в сходных практических ситуациях при изучении одной и той же величины возможно использование разных теоретических схем, что объясняется неполнотой соответствия реальной ситуации теоретическим предпосылкам, необходимым для формирования того или иного распределения, и ограниченностью объема выборки. Последнее предопределяет приближенный характер решения задачи, необходимость статистической оценки ее результатов и объясняет обычно применяемые термины: “аппроксимация распределений”, или “подгонка”.

4. Вычисление выравнивающих частот кривой нормального распределения

Вычисление выравнивающих частот с помощью кривой нормального распределения начинают с нахождения статистик вероятностного ряда: , у, б, Е. Затем анализируем величины асимметрии и эксцесса. Теоретически для кривой Гаусса-Лапласа они равны 0. Но на практике такое наблюдается редко. В то же время, если б и Е относительно невелики, то аппроксимацию оправдано делать с помощью нормального распределения.

При относительной ассиметрии (б?0), распределение скошено влево, т.е. более длинная ветвь кривой расположена слева и наоборот - при б<0 распределение скошено вправо. Знак показателя эксцесса (крутости) ряда распределения характеризует степень сосредоточения частот в центральной части распределения. При Е>0 вершина кривой будет более высокая и острая, т.е. большее число вариант сосредоточено в центральных разрядах и наоборот, при Е<0 кривая выглядит более плоской.

Для оценки возможности использования нормального распределения, когда и е 0, можно оценить, используя следующие признаки.

Отнесение распределения к нормальному можно оценить с помощью вычисления t-критерия Стьюдента для и Е и сравнения его с табличными значениями этого критерия при некотором числе степеней свободы (приложение Е). Обычно нормальное распределение применяют, если модуль и . Расчет теоретических частей проводят по формуле

= , где N - объем ряда распределения, с - величина интервала; t - нормированное отклонение классовых вариант xi от среднего значения .

Остальные обозначения (t, , е) показаны в формулах 6.1 - 6.2

При расчетах с помощью моментов

, где

- условные отклонения;

- первый начальный момент;

- среднее квадратическое отклонение в единицах интервала:

.

Для класса, в котором наблюдается наибольшее количество исследуемых величин, т.е., там, где xi = , а , теоретическая частота равна

Множитель называется функцией нормированного отклонения. Эта функция показывает значение вероятностей распределения величины xi в зависимости от t. Значения =0,39894*получаем из специальных таблиц (приложение Б). В результате получается следующий рабочий вид уравнения кривой нормального распределения

или .

Пример расчета выравнивающих частот по кривой Гаусса-Лапласа приведен в таблице 6.1 Вычисления , у, б, Е и т сделаны по формулам, приведенным в главе 5 и здесь опущены.

Таблица 6.1 - Вычисление выравнивающих частот кривой нормального распределения для древостоя ольхи черной в возрасте 60 лет

; ; ; ; E=-0.51; m1=0

xi

ступени

толщины

ni

численности

x*k

f (x)

Округление

8

2

-5

-2,459

0,0196

1,74

2

12

5

-4

-1,967

0,0570

5,05

5

16

15

-3

-1,476

0,1392

12,32

12

20

22

-2

-0,984

0,2468

21,85

22

24

28

-1

-0,443

0,3530

31,25

31

28

33

0

0

0,3989

35,5

35

32

31

1

0,443

0,3530

31,25

31

36

23

2

0,984

0,2468

21,85

22

40

15

3

1,476

0,1392

12,32

12

44

5

4

1,967

0,0570

5,05

5

48

1

5

2,454

0,0196

1,74

2

ИТОГО

180

179,74

180

Графически настоящее распределение показано на рисунке 6.5

N

Д

Рисунок 5. Экспериментальное и выравненное распределение в древостое ольхи черной

Приведенный в таблице 6.1 ряд распределения характеризуется высокой концентрацией численностей в средних ступенях толщины, о чем свидетельствует значительный отрицательный эксцесс Е=-0,51. Ряд незначительно скошен вправо, т.е. справа от среднего значения насчитывается 75 дерева, а справа только 72, о чем свидетельствует небольшая величина б = - 0,07.

Приведенное распределение характерно для приспевающих и спелых древостоев, которые в незначительной степени затронуты антропогенным влиянием, особенном рубками ухода. Древостои ольхи черной, произрастающие на низинных болотах относятся именно к таким насаждениям.

Для других лесных насаждений характерны скошенные ряды распределения. Биометрические методы изучения их строения, т.е. распределения числа стволов по некоторым таксационным показателям, приводятся ниже.

Размещено на Allbest.ru

...

Подобные документы

  • Распределения случайных величин и функции распределения. Нормальное распределение и центральная предельная теорема, направления и особенности их применения в вероятностно-статистических методах принятия решений. Типичное поведение интенсивности отказа.

    курсовая работа [859,1 K], добавлен 02.01.2013

  • Вероятность совместного выполнения двух неравенств в системе двух случайных величин. Свойства функции распределения. Определение плотности вероятности системы через производную от соответствующей функции распределения. Условия закона распределения.

    презентация [57,9 K], добавлен 01.11.2013

  • Пространства элементарных событий. Совместные и несовместные события. Функция распределения системы случайных величин. Функции распределения и плотности распределения отдельных составляющих системы случайных величин. Условные плотности распределения.

    задача [45,4 K], добавлен 15.06.2012

  • Закон и свойства нормального распределения случайной величины. На основе критерия согласия Пирсона построение гистограммы, статистической функции и теоретической кривой и определение согласованности теоретического и статистического распределения.

    курсовая работа [894,5 K], добавлен 30.10.2013

  • Классическое, статистическое и геометрическое определения вероятности. Дискретные случайные величины и законы их распределения. Числовые характеристики системы случайных величин. Законы равномерного и нормального распределения систем случайных величин.

    дипломная работа [797,0 K], добавлен 25.02.2011

  • 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 [318,9 K], добавлен 26.04.2013

  • Двумерная функция распределения вероятностей случайных величин. Понятие условной функции распределения и плотности распределения вероятностей. Корреляция двух случайных величин. Система произвольного числа величин, условная плотность распределения.

    реферат [325,3 K], добавлен 23.01.2011

  • Нормальное распределение на прямой, нормальная кривая. Влияние параметров нормального распределения на форму нормальной кривой. Вероятность отклонения в заданный интервал нормальной случайной величины. Вычисление вероятности заданного отклонения.

    курсовая работа [1,7 M], добавлен 06.12.2012

  • Функция распределения вероятностей двух случайных величин. Функция и плотность распределения вероятностей случайного вектора. Многомерное нормальное распределение. Коэффициент корреляции. Распределение вероятностей функции одной случайной величины.

    реферат [241,8 K], добавлен 03.12.2007

  • Возможные варианты расчета вероятности событий. Выборочное пространство и события, их взаимосвязь. Общее правило сложения вероятностей. Законы распределения дискретных случайных величин, их математическое ожидание. Свойства биномиального распределения.

    презентация [1,4 M], добавлен 19.07.2015

  • Статистическая обработка данных контроля времени (в часах) работы компьютерного класса в день. Полигон абсолютных частот. Построение графика эмпирической функции распределения и огибающей гистограммы. Теоретическое распределение генеральной совокупности.

    контрольная работа [379,3 K], добавлен 23.08.2015

  • Проверка гипотезы о законе распределения. Определение значения вероятности по классам распределения случайных величин нефтеносных залежей. Расчет распределения эффективных мощностей месторождения, которое подчиняется нормальному закону распределения.

    презентация [187,0 K], добавлен 15.04.2019

  • Построение полигона относительных частот, эмпирической функции распределения, кумулянты и гистограммы. Расчет точечных оценок неизвестных числовых характеристик. Проверка гипотезы о виде распределения для простого и сгруппированного ряда распределения.

    курсовая работа [216,2 K], добавлен 28.09.2011

  • Область определения функции, которая содержит множество возможных значений. Нахождение закона распределения и характеристик функции случайной величины, если известен закон распределения ее аргумента. Примеры определения дискретных случайных величин.

    презентация [68,7 K], добавлен 01.11.2013

  • Оценки параметров распределения, наиболее важные распределения, применяемые в математической статистике: нормальное распределение, распределения Пирсона, Стьюдента, Фишера. Факторное пространство, формулирование цели эксперимента и выбор откликов.

    реферат [105,5 K], добавлен 01.01.2011

  • Пространство элементарных событий, математическое ожидание. Функции распределения и плотности распределения составляющих системы случайных величин. Числовые характеристики системы. Условия нормировки плотности системы случайных непрерывных величин.

    практическая работа [103,1 K], добавлен 15.06.2012

  • Классификация случайных событий. Функция распределения. Числовые характеристики дискретных случайных величин. Закон равномерного распределения вероятностей. Распределение Стьюдента. Задачи математической статистики. Оценки параметров совокупности.

    лекция [387,7 K], добавлен 12.12.2011

  • Пространство элементарных событий. Совместные и несовместные события. Плотность распределения вероятностей системы двух случайных величин. Эмпирическая функция распределения. Числовые характеристики случайной функции. Условие независимости двух событий.

    контрольная работа [30,0 K], добавлен 15.06.2012

  • Понятие и виды статистических рядов распределения, основные формы их представления. Расчет и анализ показателей, характеризующих центральную тенденцию, вариацию, структуру и форму ряда распределения. Проведение сглаживания эмпирического распределения.

    курсовая работа [698,3 K], добавлен 07.06.2011

  • Конечное или счетное множество как совокупность возможных значений дискретной случайной величины. Анализ закона распределения функции одного случайного аргумента. Характеристика условий, от которых зависит монотонное возрастание и убывание функции.

    презентация [443,3 K], добавлен 24.04.2019

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.