Xreferat.com » Рефераты по математике » Серьёзные лекции по высшей экономической математике

Серьёзные лекции по высшей экономической математике

натуральных чисел от 1 до n, называется "n-факториал" и обозначается n!. Отсюда Pn =n!

Пример. .

По определению считается: 1!=1; 0!=1.

Размещениями из n элементов по k элементов будем называть упорядоченные подмножества, состоящие из k элементов, множества Un - (множества, состоящего из n элементов). Число размещений из n элементов по k элементов обозначается (читается "А из n по k").

Примеры задач, приводящих к необходимости подсчета

1) Сколькими способами можно выбрать из 15 человек 5 кандидатов и назначить их на 5 различных должностей?

2) Сколькими способами можно из 20 книг отобрать 12 и расставить их в ряд на полке?

В задачах о размещениях полагается k<n. В случае, если k=n, то легко получить

Для подсчета используем тот же метод, что использовался для подсчета Pn ,только здесь возьмем лишь k ячеек. Первую ячейку можно заполнить n способами, вторую, при заполненной первой, можно заполнить n-1 способами. Можно продолжать этот процесс до заполнения последней k-й ячейки. Эту ячейку при заполненных первых k-1 ячейках можно заполнить n-(k-1) способами (или n-k+1). Таким образом все k ячеек заполняются числом способов, равным

Отсюда получаем:

Пример. Сколько существует различных вариантов выбора 4-х кандидатур из 9-ти специалистов для поездки в 4 различных страны?

Сочетаниями из n элементов по k элементов называются подмножества, состоящие из k элементов множества Un (множества, состоящего из n элементов).

Одно сочетание от другого отличается только составом выбранных элементов (но не порядком их расположения, как у размещений).

Число сочетаний из n элементов по k элементов обозначается (читается "C из n по k").

Примеры задач, приводящих к необходимости подсчета числа сочетаний:

1) Сколькими способами можно из 15 человек выбрать 6 кандидатов для назначения на работу в одинаковых должностях?

2) Сколькими способами можно из 20 книг отобрать 12 книг?

Выведем формулу для подсчета числа сочетаний. Пусть имеется множество Un и нужно образовать упорядоченное подмножество множества Un, содержащее k элементов (то есть образовать размещение). Делаем это так:

1) выделим какие-либо k элементов из n элементов множества Un Это, согласно сказанному выше, можно сделать способами;

2) упорядочим выделенные k элементов, что можно сделать способами. Всего можно получить вариантов (упорядоченных подмножеств), откуда следует: ,то есть

Пример: 6 человек из 15 можно выбрать числом способов, равным

Задачи на подсчет числа подмножеств конечного множества называются комбинаторными. Рассмотрим некоторые комбинаторные задачи.

1.Из семи заводов организация должна выбрать три для размещения трех различных заказов. Сколькими способами можно разместить заказы?

Так как все заводы различны, и из условия ясно, что каждый завод может либо получить один заказ, либо не получить ни одного, здесь нужно считать число размещений

2.Если из текста задачи 1 убрать условие различия трех заказов, сохранив все остальные условия, получим другую задачу. Теперь способ размещения заказов определяется только выбором тройки заводов, так как все эти заводы получат одинаковые заказы, и число вариантов определяется как число сочетаний.

3.Имеются 7 заводов. Сколькими способами организация может разместить на них три различных производственных заказа? (Заказ нельзя дробить, то есть распределять его на несколько заводов).

В отличие от условия первой задачи, здесь организация может отдать все три заказа первому заводу или, например, отдать два заказа второму заводу, а один - седьмому.

Задача решается так. Первый заказ может быть размещен семью различными способами (на первом заводе, на втором и т.д.). Разместив первый заказ, имеем семь вариантов размещения второго (иначе, каждый способ размещения первого заказа может сопровождаться семью способами размещения второго). Таким образом, существует 77=49 способов размещения первых двух заказов. Разместив их каким-либо образом, можем найти 7 вариантов размещения третьего (иначе, каждый способ размещения первых двух заказов может сопровождаться семью различными способами распределения третьего заказа). Следовательно, существуют 497=73 способов размещения трех заказов. (Если бы заказов было n, то получилось бы 7n способов размещения).

4.Как решать задачу 3, если в ее тексте вместо слов "различных производственных заказа" поставить "одинаковых производственных заказа"?

5.Добавим к условию задачи 1 одну фразу: организация также должна распределить три различных заказа на изготовление деревянных перекрытий среди 4-х лесопилок. Сколькими способами могут быть распределены все заказы?

Каждый из способов распределения заказов на заводах может сопровождаться способами размещения заказов на лесопилках. Общее число возможных способов размещения всех заказов будет равно

Случайный эксперимент, элементарные исходы, события.

Случайным (стохастическим) экспериментом или испытанием называется осуществление какого-либо комплекса условий, который можно практически или мысленно воспроизвести сколь угодно большое число раз.

Примеры случайного эксперимента: подбрасывание монеты, извлечение одной карты из перетасованной колоды, подсчет числа автомобилей в очереди на бензоколонке в данный момент.

Явления, происходящие при реализации этого комплекса условий, то есть в результате случайного эксперимента, называются элементарными исходами. Считается, что при проведении случайного эксперимента реализуется только один из возможных элементарных исходов.

Если монету подбросить один раз, то элементарными исходами можно считать выпадение герба (Г) или цифры (Ц).

Если случайным экспериментом считать троекратное подбрасывание монеты, то элементарными исходами можно считать следующие:

ГГГ, ГГЦ, ГЦГ, ЦГГ, ГЦЦ, ЦГЦ, ЦЦГ, ЦЦЦ.

Множество всех элементарных исходов случайного эксперимента называется пространством элементарных исходов . Будем обозначать пространство элементарных исходов буквой  (омега большая) i-й элементарный исход будем обозначатьi (-омега малая).

Если пространство элементарных исходов содержит n элементарных исходов, то

=(1, 2 ,..., n ).

Для троекратного подбрасывания монеты,

=(ГГГ, ГГЦ,...ЦЦЦ).

Если случайный эксперимент - подбрасывание игральной кости, то =(1,2,3,4,5,6).

Если конечно или счетно, то случайным событием или просто событием называется любое подмножество .

Множество называется счетным, если между ним и множеством N натуральных чисел можно установить взаимно-однозначное соответствие.

Пример счетного множества: множество возможных значений времени прилета инопланетян на Землю, если время отсчитывать с настоящего момента и исчислять с точностью до секунды.

Примеры несчетных множеств: множество точек на заданном отрезке, множество чисел x, удовлетворяющих неравенству 1< x 2.

В случае несчетного множества  будем называть событиями только подмножества, удовлетворяющие некоторому условию (об этом будет сказано позже).

Приведем примеры событий. Пусть бросается игральная кость, и элементарным исходом считается выпавшее число очков: =(1,2,3,4,5,6). A — событие, заключающееся в том, что выпало четное число очков: А=(2,4,6); B  — событие, заключающееся в том, что выпало число очков, не меньшее 3-х: B=(3,4,5,6).

Говорят, что те исходы, из которых состоит событие А, благоприятствуют событию А.

Рис.1

События удобно изображать в виде рисунка, который называется диаграммой Венна. На рисунке 1 пространство элементарных исходов  изображено в виде прямоугольника, а множество элементарных исходов, благоприятствующих событию A, заключено в эллипс. Сами исходы на диаграмме Венна не изображаются, а информация о соотношении между их множествами содержится в расположении границ соответствующих областей.

Суммой (объединением) двух событий А и B (обозначается AUB) называется событие, состоящее из всех элементарных исходов, принадлежащих по крайней мере одному из событий А или B. Событие AUB происходит, если происходит по крайней мере одно из событий А или B.

Рис.2

Приведем пример объединения событий. Пусть два стрелка стреляют в мишень одновременно, и событие А состоит в том, что в мишень попадает 1-й стрелок, а событие B - в том, что в мишень попадает 2-й. Событие AUBозначает, что мишень поражена, или, иначе, что в мишень попал хотя бы один из стрелков.

Рис.3

Произведением (пересечением) A∩B событий А и B называется событие, состоящее из всех тех элементарных исходов, которые принадлежат и А и B. На рисунке 3 пересечение событий А и B изображено в виде заштрихованной области. В условиях приведенного выше примера событие A∩B заключается в том, что в мишень попали оба стрелка.

Разностью АB или А-B событий А и B называется событие, состоящее из всех исходов события А, не благоприятствующих событию B. Диаграмма Венна разности событий А и B изображена на рисунке 4.

Рис.4

В условиях рассмотренного выше примера событие АB заключается в том, что первый стрелок попал в мишень, а второй промахнулся.

Событие  называется достоверным (оно обязательно происходит в результате случайного эксперимента).

Пустое множество  называется невозможным событием. Событие =A называется противоположным событию А или дополнением события А.

События А и B называются несовместными, если нет исходов, принадлежащих и А и B, то есть A∩B = . На рисунке 5 изображены несовместные события А и B.

Рис.5

Непосредственно из введенных определений следуют равенства: AU=; A∩=; ∩; =. Два последних равенства называются формулами Де'Моргана.

Вероятностное пространство Случай конечного или счетного числа исходов.

Для построения полной и законченной теории случайного эксперимента или теории вероятностей, помимо введенных исходных понятий случайного эксперимента, элементарного исхода, пространства элементарных исходов, события, введем аксиому (пока для случая конечного или счетного пространства элементарных исходов).

Каждому элементарному исходу i пространства соответствует некоторая неотрицательная числовая характеристика Pi шансов его появления, называемая вероятностью исхода i , причем

(здесь суммирование ведется по всем i, для которых выполняется условие: i).

Отсюда следует, что 0  Pi 1для всех i.

Вероятность любого события А определяется как сумма вероятностей всех элементарных исходов, благоприятствующих событию А. Обозначим ее Р(А).

(*)

Отсюда следует, что

1) 0  P(A) 1;

2) P()=1;

3) P()=0.

Будем говорить, что задано вероятностное пространство, если задано пространство элементарных исходов и определено соответствие

i P(i ) =Pi.

Возникает вопрос: как определить из конкретных условий решаемой задачи вероятность P(i ) отдельных элементарных исходов?

Классическое определение вероятности.

Вычислять вероятности P(i ) можно, используя априорный подход, который заключается в анализе специфических условий данного эксперимента (до проведения самого эксперимента).

Возможна ситуация, когда пространство элементарных исходов состоит из конечного числа N элементарных исходов, причем случайный эксперимент таков, что вероятности осуществления каждого из этих N элементарных исходов представляются равными. Примеры таких случайных экспериментов: подбрасывание симметричной монеты, бросание правильной игральной кости, случайное извлечение игральной карты из перетасованной колоды. В силу введенной аксиомы вероятности каждого элементарного исхода в этом случае равны . Из этого следует, что если событие А содержит NA элементарных исходов, то в соответствии с определением (*)

В данном классе ситуаций вероятность события определяется как отношение числа благоприятных исходов к общему числу всех возможных исходов.

Пример. Из набора, содержащего 10 одинаковых на вид электроламп, среди которых 4 бракованных, случайным образом выбирается 5 ламп. Какова вероятность, что среди выбранных ламп будут 2 бракованные?

Прежде всего отметим, что выбор любой пятерки ламп имеет одну и ту же вероятность. Всего существует способов составить такую пятерку, то есть случайный эксперимент в данном случае имеет равновероятных исходов.

Сколько из этих исходов удовлетворяют условию "в пятерке две бракованные лампы", то есть сколько исходов принадлежат интересующему нас событию?

Каждую интересующую нас пятерку можно составить так: выбрать две бракованные лампы, что можно сделать числом способов, равным . Каждая пара бракованных ламп может встретиться столько раз, сколькими способами ее можно дополнить тремя не бракованными лампами, то есть раз. Получается, что число пятерок, содержащих две бракованные лампы, равно .

Отсюда, обозначив искомую вероятность через P, получаем:

7


Лекция 10.

Распределение 2.

Пусть имеется n независимых случайных величин 1, 2, ..., n, распределенных по нормальному закону с математическим ожиданием, равным нулю, и дисперсией, равной единице. Тогда случайная величина распределена по закону, который называется “распределение 2” или “распределение Пирсона”. Очевидно, что она может принимать лишь неотрицательные значения. Число n называется числом степеней свободы.

При n > 1 график плотности распределения случайной величины 2 представляет собой кривую, изображенную на рисунке 1.

Для того, чтобы определить вероятность попадания случайной величины 2 в какой-либо промежуток из множества положительных чисел, пользуются таблицей распределения 2. Обычно такая таблица позволяет

q

n

0,99 0,975 0,95 ... 0,1 0,05 0,01
1

0,0315

0,0398

0,0239

... 2,71 3,84 6,63
... ... ... ... ... ... ... ...
10 2,56 3,25 3,94 ... 16,0 18,3 23,2
... ... ... ... ... ... ... ...

Таблица 1.


по вероятности q и по числу степеней свободы n определить так называемый квантиль q2, если q и q2 связаны соотношением

P(2 > q2) = q.

Эта формула означает: вероятность того, что случайная величина 2 примет значение, большее чем определенное значение q2, равна q.

Таблица 1 представляет собой фрагмент таблицы распределения 2. Из него видно, что случайная величина 2 с 10-ю степенями свободы с вероятностью q = 0,95 принимает значение, большее 3,94, а та же величина с одной степенью свободы с вероятностью q = 0,975 превышает 0,00098.

Задача. Найти интервал (12, 22), в который случайная величина 2 с 10-ю степенями свободы попадает с вероятностью, равной 0,9.

Решение. График плотности распределения 2 с 10-ю степенями свободы схематично изображен на рисунке 2. Будем считать, что площади заштрихованных областей (правая область не ограничена справа) равны между собой. Примем условия:

P(2 < 12) = P(2 > 22) = (1 - 0,9)/2 = 0,05, (1)

тогда P(12 < 2 < 22) = 0,9.

Равенства (1) сразу позволяют по таблице определить: 22 = 18,3. Для определения левой границы интересующего нас интервала придется воспользоваться очевидным равенством P(2 > 12) = 0,95. Из таблицы 1. определяем: 12 = 3,94 , и теперь можно сформулировать ответ задачи: значение случайной величины 2 с вероятностью 0,9 принадлежит интервалу (3,94; 18,3).

Распределение Стьюдента.

Многие задачи статистики приводят к случайной величине вида

,

где  и – независимые случайные величины, причем – нормально распределенная случайная величина с параметрами M = 0 и D = 1, а распределена по закону 2 c k степенями свободы.

Закон распределения случайной величины t называется закономраспределения Стьюдента с k степенями свободы.

График плотности распределения для закона Стьюдента схематически изображен на рисунке 3. Кривая плотности распре­деления схожа с аналогичной кривой для нормального распределения.

Таблицы распределения Стьюдента позволяют при данном числе степеней свободы k по вероятности q определить значение tq, для которого выполняется соотношение P(t > tq) = q. Фрагмент такой таблицы представляет собой таблица 2.


q

k

0,1 0,05 ... 0,01 0,005 ...
1 6,314 12,71 ... 63,57 318 ...
... ... ... ... ... ... ...
12 1,782 2,179

...

3,055 3,428 ...
... ... ... ... ... ... ...
Таблица 2

Задача. Найти симметричный интервал, в который случайная величина, распределенная по закону Стьюдента с 12-ю степенями свободы, попадает вероятностью 0,9.

Решение. Очевидны соотношения:

P(–x < t < x) = P(t < x) = 1 – P(t x) = 0,9.

Из последнего равенства следует:

P(t x) = 0,1 , (n = 12).

Определяем из таблицы: x = 1,782. Нестрогое неравенство в скобках в левой части последней формулы нас не должно смущать, так как мы имеем дело с непрерывной случайной величиной, и вероятность того, что она примет конкретное значение, равна нулю.

Задача. Найти значение x из условия P(t > x) = 0,995 , где t – случайная величина, распределенная по закону Стьюдента с 12-ю степенями свободы.

Решение. На рисунке 4 изображен график плотности распределения Стьюдента с 12-ю степенями свободы. Вероятность того, что случайная величина примет значение из области справа от точки x1 равна 0,995 , следовательно в область левее этой точки случайная величина попадает с вероятностью 0,005. Чтобы найти x1, рассмотрим две симметричные области, изображенные на рисунке 5. Допустим, что в каждой из этих областей значение случайной величины оказывается с вероятностью 0,005. Тогда получаем: x1= – x,
x2 = x, причем x определяется из условия
P(t > x) = 0,01. Из таблицы 2 находим: x = 3,055. Теперь можно выписать ответ задачи:

P(t > –3,055) = 0,995.

Распределение Фишера.

Важные приложения имеет в статистике случайная величина

,

где  – случайная величина, распределенная по закону 2 с k1 степенями свободы, а – случайная величина, распределенная по закону 2 с k2 степенями свободы.

Случайная величина F распределена по закону, называемому законом распределения Фишера с k1 и k2 степенями свободы. При заданных числах k1 и k2 и по вероятности q по таблице определяется значение Fq такое, что

P(F > Fq) = q.

Обычно таблицы составляются для значений q, равных 0,05 или 0,01, а иногда для обоих этих значений. Фрагмент такой таблицы представляет собой таблица 3.


k1

k2


1 ... 10 ... 20 ...
1

161,4

647,8

...

241,9

6056

...

248

6209

...
... ... ... ... ... ... ...
10

4,96

10,04

...

2,97

4,85

...

2,77

4,41

...
... ... ... ... ... ... ...
Таблица 3.

В этой таблице в верхней части каждой клетки дается значение Fq при q = 0,05 , а в нижней части — при q = 0,01.

6



Лекция 11.

Математическая статистика.

Основной задачей математической статистики является разработка методов получения научно обоснованных выводов о массовых явлениях и процессах из данных наблюдений и экспериментов. Эти выводы и заключения относятся не к отдельным испытаниям, из повторения которых складывается данное массовое явление, а представляют собой утверждения об общих вероятностных характеристиках данного процесса, то есть о вероятностях, законах распределения, математических ожиданиях, дисперсиях и т. д. Такое использование фактических данных как раз и является отличительной чертой статистического метода.

Пусть мы располагаем сведениями (обычно довольно ограниченными), например, о числе дефектных изделий в изготовленной в определенных условиях продукции или о результатах испытаний материалов на разрушение и т. п. Собранные нами данные могут представлять непосредственный интерес в смысле информации о качестве той или иной партии продукции. Статистические же проблемы возникают тогда, когда мы на основе той же информации начинаем делать выводы относительно более широкого круга явлений. Так например нас может интересовать качество технологического процесса, для чего мы оцениваем вероятность получения в нем дефектного изделия или среднюю долговечность изделия. В этом случае мы рассматриваем собранный материал не ради его самого, а лишь как некую пробную группу или выборку, представляющую только серии из возможных результатов, которые мы могли бы встретить при продолжении наблюдений массового процесса в данной обстановке. Выводы и оценки, основанные на материале наблюдений, отражают случайный состав пробной группы и поэтому считаются приблизительными оценками вероятностного характера. Во многих случаях теория указывает, как наилучшим способом использовать имеющуюся информацию для получения по возможности более точных и надежных характеристик, указывая при этом степень надежности выводов, объясняющуюся ограниченностью запаса сведений.

В математической статистике рассматриваются две основные категории задач: оценивание и статистическая проверка гипотез. Первая задача разделяется на точечное оценивание и интервальное оценивание параметров распределения. Например может возникнуть необходимость по наблюдениям получить точечные оценки параметров Mx и Dx. Если мы хотим получить некоторый интервал, с той или иной степенью достоверности содержащий истинное значение параметра, то это задача интервального оценивания.

Вторая задача – проверка гипотез – заключается в том, что мы делаем предположение о распределении вероятностей случайной величины (например, о значении одного или нескольких параметров функции распределения) и решаем, согласуются ли в некотором смысле эти значения параметров с полученными результатами наблюдений.

Выборочный метод.

Пусть нам нужно обследовать количественный признак в партии экземпляров некоторого товара. Проверку партии можно проводить двумя способами:

1) провести сплошной контроль всей партии;

2) провести контроль только части партии.

Первый способ не всегда осуществим, например, из–за большого числа экземпляров в партии, из–за дороговизны проведения операции контроля, из–за того, что контроль связан с разрушением экземпляра (проверка электролампы на долговечность ее работы).

При втором способе множество случайным образом отобранных объектов называется выборочной совокупностью или выборкой. Все множество объектов, из которого производится выборка, называется генеральной совокупностью. Число объектов в выборке называется объемом выборки. Обычно будем считать, что объем генеральной совокупности бесконечен.

Выборки разделяются на повторные (с возвращением) и бесповторные (без возвращения).

Обычно осуществляются бесповторные выборки, но благодаря большому (бесконечному) объему генеральной совокупности ведутся расчеты и делаются выводы, справедливые лишь для повторных выборок.

Выборка должна достаточно полно отражать особенности всех объектов генеральной совокупности, иначе говоря, выборка должна быть репрезентативной (представительной).

Выборки различаются по способу отбора.

1. Простой случайный отбор.

Все элементы генеральной совокупности нумеруются и из таблицы случайных чисел берут, например, последовательность любых 30-ти идущих подряд чисел. Элементы с выпавшими номерами и входят в выборку.

2. Типический отбор.

Такой отбор производится в том случае, если генеральную совокупность можно представить в виде объединения подмножеств, объекты которых однородны по какому–то признаку, хотя вся совокупность такой однородности не имеет (партия товара состоит из нескольких групп, произведенных на разных предприятиях). Тогда по каждому подмножеству проводят простой случайный отбор, и в выборку объединяются все полученные объекты.

3. Механический отбор.

Отбирают каждый двадцатый (сотый) экземпляр.

4. Серийный отбор.

В выборку подбираются экземпляры, произведенные на каком–то производстве в определенный промежуток времени.

В дальнейшем под генеральной совокупностью мы будем подразумевать не само множество объектов, а множество значений случайной величины, принимающей числовое значение на каждом из объектов. В действительности генеральной совокупности как множества объектов может и не существовать. Например имеет смысл говорить о множестве деталей, которые можно произвести, используя данный технологический процесс. Используя какие–то известные нам характеристики данного процесса, мы можем оценивать параметры этого несуществующего множества деталей. Размер детали – это случайная величина, значение которой определяется воздействием множества факторов, составляющих технологический процесс. Нас, например, может интересовать вероятность, с которой эта случайная величина принимает значение, принадлежащее некоторому интервалу. На этот вопрос можно ответить, зная закон распределения этой случайной величины, а также ее параметры, такие как Mx и Dx.

Итак, отвлекаясь от понятия генеральной совокупности как множества объектов, обладающих некоторым признаком, будем рассматривать генеральную совокупность как случайную величину x, закон распределения и параметры которой определяются с помощью выборочного метода.

Рассмотрим выборку объема n, представляющую данную генеральную совокупность. Первое выборочное значение x1 будем рассматривать как реализацию, как одно из возможных значений случайной величины x1, имеющей тот же закон распределения с теми же параметрами, что и случайная величина x. Второе выборочное значение x2 – одно из возможных значений случайной величины x2 с тем же законом распределения, что и случайна величина x. То же самое можно сказать о значениях x3, x4,..., xn .

Таким образом на выборку будем смотреть как на совокупность независимых случайных величин x1, x2, ..., xn, распределенных так же, как и случайная величина x, представляющая генеральную совокупность. Выборочные значения x1, x2, ..., xn – это значения, которые приняли эти случайные величины в результате 1-го, 2-го, ..., n-го эксперимента.

Вариационный ряд.

Пусть для объектов генеральной совокупности определен некоторый признак или числовая характеристика, которую можно замерить (размер детали, удельное количество нитратов в дыне, шум работы двигателя). Эта характеристика – случайная величина x, принимающая на каждом объекте определенное числовое значение. Из выборки объема n получаем значения этой случайной величины в виде ряда из n чисел:

x1, x2,..., xn. (*)

Эти числа называются значениями признака.

Среди чисел ряда (*) могут быть одинаковые числа. Если значения признака упорядочить, то есть расположить в порядке возрастания или убывания, написав каждое значение лишь один раз, а затем под

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: