- •Лекция 1. Предмет теории вероятностей и математической статистики и их роль в экономике и менеджменте
- •Лекция 2. Аксиоматика теории вероятности Понятие случайного эксперимента.
- •Пространство элементарных событий.
- •Совместные и несовместные события.
- •Операции над событиями (сумма, разность, произведение).
- •Свойства операций над событиями.
- •Алгебра и сигма-алгебра событий.
- •Лекция 3. Методы определения вероятностей событий
- •Классическое определение вероятности события. Случаи равновероятных исходов.
- •Статистическое определение вероятности события. Случаи неравновероятных исходов.
- •Геометрические вероятности.
- •Аксиоматическое построение теории вероятностей.
- •Вероятностное пространство
- •Лекция 4. Основные теоремы теории вероятностей. Формула полной вероятности и формула Байеса Полная группа событий.
- •Условная вероятность.
- •Формула умножения вероятностей.
- •Формула сложения вероятностей.
- •Независимость событий.
- •Формула полной вероятности.
- •Формула Байеса
- •Основные понятия комбинаторики.
- •Правила суммы и произведения.
- •Лекция 5. Схема независимых испытаний Бернулли
- •Случай непостоянной вероятности появления события в опытах
- •Наивероятнейшее число наступления событий в схеме Бернулли.
- •Предельные теоремы для схемы Бернулли.
- •Теорема Пуассона.
- •Понятие потока событий.
- •Локальная теорема Муавра –Лапласа.
- •Интегральная (глобальная) теорема Муавра – Лапласа.
- •Лекция 6. Виды случайных величин и расчет вероятностей событий с использованием функций и плотностей распределения
- •Закон распределения дискретной случайной величины.
- •Функция распределения случайной величины и ее свойства.
- •Свойства функции распределения
- •Плотность распределения вероятностей.
- •Лекция 7. Основные параметры распределений одномерных случайных величин.
- •Математическое ожидание случайной величины
- •Свойства математического ожидания:
- •Дисперсия случайной величины и ее свойства.
- •Среднее квадратическое отклонение.
- •Лекция 8. Основные законы распределений случайных величин
- •Биномиальное распределение, его математическое ожидание и дисперсия.
- •Распределение Пуассона.
- •Геометрическое распределение
- •Гипергеометрическое распределение (урновая схема)
- •Равномерное распределение.
- •Показательное распределение.
- •Лекция 9. Нормальное распределение и его свойства
- •Свойства функции Гаусса.
- •Вероятность попадания нормальной случайной величины в заданный интервал.
- •Функция Лапласа и ее свойства.
- •О тклонение нормальной случайной величины от ее математического ожидания. Правило «трех сигм».
- •Лекция 10. Многомерные случайные величины
- •Закон распределения вероятностей двумерной случайной величины
- •Совместная функция распределения двух случайных величин
- •Свойства совместной функции распределения двух случайных величин
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Свойства двумерной плотности вероятности
- •Независимые случайные величины
- •Для независимых случайных величин справедливы соотношения
- •Числовые характеристики системы двух случайных величин
- •Корреляционный момент
- •Коэффициент корреляции
- •Свойства коэффициента корреляции
- •Лекция 11. Предельные теоремы теории вероятностей.
- •Неравенство Чебышева
- •Теорема Чебышева.
- •Центральная предельная теорема.
- •Лекция 12. Выборочный метод анализа свойств генеральной совокупности.
- •Выборочный метод и его основные понятия. Случайная выборка и ее объем
- •Способы отбора
- •Вариационный ряд для дискретных и непрерывных случайных величин.
- •Полигон и гистограмма
- •Лекция 13. Понятие о статистических оценках случайных величин Эмпирическая функция распределения
- •Важнейшие свойства статистических оценок
- •Надежность и доверительный интервал.
- •Лекция 14. Доверительные интервалы для математического ожидания и дисперсии Доверительный интервал для математического ожидания нормального распределения при известной дисперсии.
- •Доверительный интервал для математического ожидания нормального распределения при неизвестной дисперсии
- •. Доверительный интервал для оценки среднего квадратического отклонения нормального распределения
- •Лекция 15. Проверка статистических гипотез.
- •Статистический критерий
- •Критическая область. Область принятия гипотезы. Критические точки.
- •Критерий согласия Пирсона о виде распределения.
- •Лекция 16. (уир) Понятие о регрессионном анализе
- •Понятие о регрессионном анализе
- •Выборочные уравнения регрессии.
- •Линейная регрессия
- •Множественная линейная регрессия
- •Нелинейная регрессия
- •Логарифмическая модель.
- •Обратная модель.
- •Степенная модель.
- •Показательная модель.
- •Лекция 17 (уир). Понятие о корреляционном анализе.
- •А. Парная корреляция
- •Б. Множественная корреляция
- •Лекция 18 (уир). Цепи Маркова с дискретным временем
- •Однородные цепи Маркова
- •Переходные вероятности. Матрица перехода.
- •Равенство Маркова
- •Лекция 19 (уир). Цепи Маркова с непрерывным временем.
- •Уравнения Колмогорова
- •Финальные вероятности состояний системы
- •Лекция 20 (уир). Системы массового обслуживания.
- •Расчет характеристик систем массового обслуживания Одноканальные модели а. Одноканальная модель с отказами
- •Б. Одноканальная модель с ожиданием
- •Многоканальные модели
Независимость событий.
Если при наступлении события вероятность события не меняется, то события и называются независимыми.
Теорема: Вероятность совместного появления двух независимых событий и (произведения и ) равна произведению вероятностей этих событий.
Действительно, так как события и независимы, то . В этом случае формула вероятности произведения событий и принимает вид .
События называются попарно независимыми, если независимы любые два из них.
События называются независимыми в совокупности (или просто независимыми), если независимы каждые два из них и независимы каждое событие и все возможные произведения остальных.
Теорема: Вероятность произведения конечного числа независимых в совокупности событий равна произведению вероятностей этих событий.
.
Проиллюстрируем различие в применении формул вероятности произведения событий для зависимых и независимых событий на примерах
Пример 1. Вероятность попадания в цель первым стрелком равна 0,85, вторым 0,8. Орудия сделали по одному выстрелу. Какова вероятность того, что в цель попал хотя бы один снаряд ?
Решение: P(A+B) = P(A) +P(B) –P(AB) Так как выстрелы независимы, то
P(A+B) = P(A) +P(B) –P(A)*P(B) = 0.97
Пример 2. В урне находится 2 красных и 4 черных шара. Из нее вынимают подряд 2 шара. Какова вероятность того, что оба шара красные.
Решение: 1 случай. Событие А – появление красного шара при первом вынимании, событие В – при втором. Событие С – появление двух красных шаров.
P(С) = P(A)*P(B/A) = (2/6)*(1/5) = 1/15
2 случай. Первый вынутый шар возвращается в корзину
P(С) = P(A)*P(B) = (2/6)*(2/6) = 1/9
Формула полной вероятности.
Пусть событие может произойти только с одним из несовместных событий , образующих полную группу. Например, в магазин поступает одна и та же продукция от трех предприятий и в разном количестве. Вероятность выпуска некачественной продукции на этих предприятиях различна. Случайным образом отбирается одно из изделий. Требуется определить вероятность того, что это изделие некачественное (событие ). Здесь события – это выбор изделия из продукции соответствующего предприятия.
В этом случае вероятность события можно рассматривать как сумму произведений событий .
По теореме сложения вероятностей несовместных событий получаем . Используя теорему умножения вероятностей, находим
.
Полученная формула называется формулой полной вероятности.
Формула Байеса
Пусть событие происходит одновременно с одним из несовместных событий , вероятности которых ( ) известны до опыта (вероятности априори). Производится опыт, в результате которого зарегистрировано появление события , причем известно, что это событие имело определенные условные вероятности ( ). Требуется найти вероятности событий если известно, что событие произошло (вероятности апостериори).
Задача состоит в том, что, имея новую информацию (событие A произошло), нужно переоценить вероятности событий .
На основании теоремы о вероятности произведения двух событий
,
откуда
или
.
Полученная формула носит название формулы Байеса.