TViMS_shpora

1.Случайные события,их вероятность.Случайным называют событие, которое при осуществлении совокупности условий S может либо произойти, либо не произойти. Каждое случайное событие есть следствие действия многих случайных причин Таким образом, события будет рассматривается как результат испытания.Классификация случайных событий. Полной группой событий называются несколько событий таких, что в результате опыта непременно должно произойти хотя бы одно из них. События называют несовместными, если появление одного из них исключает появления других событий в одном и том же испытании. События называют равновозможными, если есть основания считать, что ни одно из них не является более возможным, чем другое.Классическая формула вероятности Вероятностью события А называют отношение числа благоприятствующих этому событию исходов к общему числу всех равновозможных несовместных элементарных исходов, образующих полную группу. Итак, вероятность события А определяется формулой P(A) = m/n, где m-число элементарных исходов, благоприятствующих А; n-число всех возможных элементарных исходов испытания. Здесь предполагается, что элементарные исходы не совместны, равновозможные и образуют полную группу. Из определения вероятности вытекает следующие свойства: 1.Вероятность достоверного события равна единице. 2.Вероятность невозможного события равна нулю. 3.Вероятность случайного события есть положительное число, заключенное между нулем и единицей. Действительно, случайному событию благоприятствует лишь часть из общего числа элементарных исходов испытания. В этом случае 0<m<n, значит, 0 <m/n<1, следовательно, 0<P(A)<1. Итак, вероятность любого события удовлетворяет двойному неравенству 0 <= P(A)<= 1.

2.Геометрическая вероятность Чтобы преодолеть недостаток классического определения вероятности, состоящий в том, что оно неприменимо к испытаниям с бесконечным числом исходов, вводят геометрические вероятности -вероятность попадания точки в область(отрезок, часть плоскости и т.д.). Пусть отрезок l составляет часть отрезка L. На отрезок L на удачу поставлена точка. Это означает выполнение следующих предположений: поставленная точка может оказаться в любой точке отрезка L, вероятность попадания точки на отрезок l пропорциональна длине этого отрезка и не зависит от его расположения относительно отрезка L. В этих предположениях вероятность попадания точки на отрезок l определяется равенством. P= Длинаl/длинаL

3.Вероятность суммы событий. Сумма случайных событий. Суммой А + В двух событий А и В называют событие, состоящее в появлении события А, или события В, или обоих этих событий другими словами логическое ИЛИ. В частности, если два события А и В - несовместные, то А + В - событие, состоящее в появлении одного из этих событии, безразлично какого. Теорема сложения вероятностей Вероятность суммы двух совместных событий равна сумме вероятностей этих событий без вероятности их совместного появления.

Р(А)+Р(В)=Р(А)+Р(В)-Р(А*В)

4.Вероятность произведения событий Произведением двух событий А и В называют событие АВ, состоящее в совместном появлении (совмещении) этих событий другими словами логическое И. Событие А называется зависимым от события В если его вероятность меняется в зависимости от того произошло событие В или нет. Для независимых событий условная и безусловная вероятность совпадают.Вероятность появления двух зависимых событий равна произведению вероятностей одного из них на вероятность другого вычисленную при условии, что первое событие имело место.

Р(А*В)=Р(А)*Р(В/А)=Р(В)*Р(В/А)

Вероятность произведения нескольких событий равна произведению вероятностей этих событий причем вероятность каждого следующего события вычисляется при условии, что все предыдущие имели место. Р(А₁;А₂…А_n)=Р(А₁)*Р(А₂/А₁)*… *Р(А_n/А₁,А₂…А_n-1)

5.Формула полной вероятности Пусть событие А может появиться вместе с одним из образующих полную группу попарнонесовместных событий Н₁,Н₂…Н_n называемых гипотезами, тогда вероятность события А вычисляется как сумма произведений вероятностей каждой гипотезы на вероятность события А при этой гипотезе

6.Формула Бейса Пусть имеется полная группа попарнонесовместных гипотез Н₁,Н₂…Н_n с известными вероятностями появления. В результате проведения опыта появилось некоторое события А, требуется переоценить вероятности гипотез при условии, что событие А произошло

7.Формула Бернулли . Если производится несколько испытаний, причем вероятность события А в каждом испытании не зависит от исходов других испытаний, то такие испытания называют "независимыми относительно события А"(Событие А имеет одну и ту же вероятность) "Сложное событие"- совмещение нескольких отдельных событий, которые называют "простыми". Пусть производится n независимых испытаний, в каждом из которых событие А может появиться либо не появиться. Теорема. Если производится n независимых опытов в каждом из которых событие А появляется с одинаковой вероятностью р, причем то тогда вероятность того, что событие А появится ровно m раз определяется по формуле.

формула Бернули применяется в тех случаях, когда число опытов невелико, а вероятности появления достаточно велики.

8.Дискретная случайная величина. Функция распределения Опытом называется всякое осуществление определенных условий и действий при которых наблюдается изучаемое случайное явление. Опыты можно характеризовать качественно и количественно. Случайной называется величина, которая в результате опыта может принимать то или иное значение., причем заранее не известно какое именно. Случайные величины принято обозначать (X,Y,Z), а соответствующие им значения (x,y,z)

Дискретными называются случайные величины принимающие отдельные изолированные друг от друга значения, которые можно переоценить. Непрерывными величины возможные значение которых непрерывно заполняют некоторый диапазон. Законом распределения случайной величины называется всякое соотношение устанавливающее связь между возможными значениями случайных величин и соответствующими им вероятности. Ряд и многоугольник распределения. Простейшей формой закона распределения дискретной величины является ряд распределения. Графической интерпретацией ряда распределения является многоугольник распределения.

Функция распределения случайной величины.

Для непрерывных случайных величин применяют такую форму закона распределения, как функция распределения. Функция распределения случайной величины Х, называется функцией аргумента х, что случайная величина Х принимает любое значение меньшее х (Х<х) F(х)=Р(Х<х) F(х) - иногда называют интегральной функцией распределения или интегральным законом распределения. Функция распределения обладает следующими свойствами:

1. 0<F(х)<1

2. если х₁>х₂,то F(х₁)>F(х₂)

3. 

функция может быть изображена в виде графика. Для непрерывной величины это будет кривая изменяющееся в пределах от 0 до 1, а для дискретной величины - ступенчатая фигура со скачками.С помощью функции распределения легко находится вероятность попадания величины на участок от α до β

Р(α<х<β) рассмотрим 3 события

А - α<Х

В - α<Х<β

С - Х<β

С=А+В

Р(С)=Р(А)+Р(В)

Р(α<х<β)=Р(α)-Р(β)

9.Числовые характеристики дискретных случайных величин Модой (Мо) случайной величины х называется наиболее вероятное ее значение. Это определение строго относится к дискретным случайным величинам. Для непрерывной величины модой называется такое ее значение для которого ф-ция плотности распределения имеет максимальную величину. Медианой (Ме) случайной величины называется такое ее значение для которого окажется ли случайная величина меньше этого значения. Для непрерывной случайной величины медиана это абсцисса точки в которой площадь под кривой распределяется пополам. Для дискретной случайной величины значение медианы зависит от того четное или нечетное значение случайной величины n=2k+1, то Ме=х_к+1 (среднее по порядку значение) Если значение случайных величин четное, т.е n=2k, то

Математическое ожидание случайной величины. Математическим ожиданием случайной величины х (M[x])называется средне взвешенно значение случайной величины причем в качестве весов выступают вероятности появления тех или иных значений. Для дискретной случайной величины

Для непрерывной

С механической точки зрения мат. Ожидание это абсцисса центра тяжести системы точек расположенных по одноименной оси. Размерность мат. Ожидания совпадает с размерностью самой случайной величины. Математическое ожидание случайной величины всегда больше наименьшего значения и меньше наибольшего

10.Непрерывная случайная величина. Дифференциальные и интегральные функции. Интегральная функция F(x)=P(X < x) Геометрический смысл интегральной функции распределения – это вероятность того, что случайная величина X примет значение, которое на числовой оси лежит левее точки x.

Свойства интегральной функции распределения: Значения интегральной функции распределения принадлежат отрезку [0;1]: .Вероятность того, что случайная величина X примет значение, заключенной в интервале (a,b), равна приращению интегральной функции распределения на этом интервале Если все возможные значения x случайной величины принадлежат интервалу (a, b), то , если ,если

Для описания распределения вероятностей непрерывной случайной величины используется дифференциальная функция распределения. Дифференциальная функция распределения (ДФР) (или плотность вероятности) – это первая производная от интегральной функции. Интегральная функция распределения является первообразной для дифференциальной функции распределения. Тогда Вероятность того, что непрерывная случайная величина X примет значение, принадлежащее интервалу (a,b), равна определенному интегралу от дифференциальной функции, взятому в пределах от a до b: Геометрический смысл ДФР состоит в следующем: вероятность того, что непрерывная случайная величина X примет значение, принадлежащее интервалу (a, b), равна площади криволинейной трапеции, ограниченной осью x, кривой распределения f(x) и прямыми x = a и x = b

Свойства дифференциальной функции распределения: Дифференциальная функция распределения неотрицательна. Если все возможные значения случайной величины принадлежат интервалу (a, b), то Так как дифференциальная функция распределения равна f(x)=F’(x), то можно записать (6.1) т. е. предел отношения вероятности того, что непрерывная случайная величина примет значение, принадлежащее интервалу к длине этого интервала (при ), равен значению дифференциальной функции распределения в точке x. Аналогичное (6.1) определение дается в механике для определения плотности массы в точке (если масса распределена вдоль оси X по закону F(x)), поэтому в теории вероятности для дифференциальной функции распределения f(x) часто используется термин "плотность вероятности в точке". На основании (6.1) запишем: (6.2)Вероятностный смысл дифференциальной функции распределения на основании (6.2) таков: вероятность того, что случайная величина примет значение принадлежащее интервалу приближенно равна произведению плотности вероятности в точке x на длину интервала или (на графике) площади прямоугольника с основанием и высотой f(x). Дифференциальную функцию распределения часто называют законом распределения вероятностей непрерывных случайных величин.

11.Численные характеристики непрерывных случайных величин Математическим ожиданием Дисперсия

12.Мода и медиана случайной величины Модой (Мо) случайной величины х называется наиболее вероятное ее значение. Это определение строго относится к дискретным случайным величинам. Для непрерывной величины модой называется такое ее значение для которого ф-ция плотности распределения имеет максимальную величину. Медианой (Ме) случайной величины называется такое ее значение для которого окажется ли случайная величина меньше этого значения. Для непрерывной случайной величины медиана это абсцисса точки в которой площадь под кривой распределяется пополам. Для дискретной случайной величины значение медианы зависит от того четное или нечетное значение случайной величины n=2k+1, то Ме=х_к+1 (среднее по порядку значение) Если значение случайных величин четное, т.е n=2k, то 13.Равномерное распределение Закон равномерного распределения вероятностей непрерывной случайной величины используется при имитационном моделировании сложных систем на ЭВМ как первоначальная основа для получения всех необходимых статистических моделей. При этом, если специально не оговорен закон распределения случайных чисел, то имеют ввиду равномерное распределение. Распределение вероятностей называют равномерным, если на интервале (a,b), которому принадлежат все возможные значения случайной величины, дифференциальная функция распределения имеет постоянное значение, т. е. f(x) = C. Так как то Отсюда закон равномерного распределения аналитически можно записать так: График дифференциальной функции равномерного распределения вероятностей представлен на рис. 6.5 Рис. 6.5. Интегральную функцию равномерного распределения аналитически можно записать так: График интегральной функции равномерного распределения вероятностей представлен на рис. 6.6

14.Биномиальное распределение. Биномиальным называют законы распределения случайной величины Х числа появления некоторого события в n опытах если вероятность р появления события в каждом опыте постоянна

Сумма вероятностей представляют собой бином Ньютона

Для определения числовых характеристик в биномиальное распределение подставить вероятность которая определяется по формуле Бернули.

При биномиальном распределении дисперсия равна мат. Ожиданию умноженному на вероятность появления события в отдельном опыте.

15. Распределение Пуассона Когда требуется спрогнозировать ожидаемую очередь и разумно сбалансировать число и производительность точек обслуживания и время ожидания в очереди. Пуассоновским называют закон распределения дискретной случайной величины Х числа появления некоторого события в n-независимых опытах если вероятность того, что событие появится ровно m раз определяется по формуле.

a=np

n-число проведенных опытов

р-вероятность появления события в каждом опыте

В теории массового обслуживания параметр пуассоновского распределения определяется по формуле

а=λt , где λ - интенсивность потока сообщений t-время

Необходимо отметить, что пуассоновское распределение является предельным случаем биномиального, когда испытаний стремится к бесконечности, а вероятность появления события в каждом опыте стремится к 0. Пуассоновское распределение является единичным распределением для которого такие характеристики как мат. Ожидание и дисперсия совпадают и они равны параметру этого закона распределения а.

16. Нормальный закон распределения В начале XIX века нормальное распределение затмило собой все остальные, поскольку в работах Гаусса и Лежандра утверждалось о нормальном законе распределения ошибок наблюдений. Нормальный закон распределения (или распределение Гаусса) задается следующей дифференциальной функцией параметры .

( - max = а - , x = а + - точки перегиба.

17. Правило трех сигм При рассмотрении нормального закона распределения выделяется важный частный случай, известный как правило трех сигм. Запишем вероятность того, что отклонение нормально распределенной случайной величины от математического ожидания меньше заданной величины D: Если принять D = 3s, то получаем с использованием таблиц значений функции Лапласа: Т.е. вероятность того, что случайная величина отклонится от своего математического ожидание на величину, большую чем утроенное среднее. На практике считается, что если для какой – либо случайной величины выполняется правило трех сигм, то эта случайная величина имеет нормальное распределение.

18. Закон больших чисел Неравенство Чебышева На практике сложно сказать какое конкретное значение примет случайная величина, однако, при воздействии большого числа различных факторов поведение большого числа случайных величин практически утрачивает случайный характер и становится закономерным. Этот факт очень важен на практике, т.к. позволяет предвидеть результат опыта при воздействии большого числа случайных факторов.Однако, это возможно только при выполнении некоторых условий, которые определяются законом больших чисел. К законам больших чисел относятся теоремы Чебышева (наиболее общий случай) и теорема Бернулли (простейший случай), которые будут рассмотрены далее.

Рассмотрим дискретную случайную величину Х (хотя все сказанное ниже будет справедливо и для непрерывных случайных величин), заданную таблицей распределения Требуется определить вероятность того, что отклонение значения случайной величины от ее математического ожидания будет не больше, чем заданное число e. Теорема. (Неравенство Чебышева) Вероятность того, что отклонение случайной величины Х от ее математического ожидания по абсолютной величине меньше положительного числа e, не меньше чем

19. Локальная и интегральная теорема Лапласа Если число опытов достаточно велико но не бесконечно, а вероятность появления события А в каждом опыте не стремится к 0, применяют локальную и интегральную теоремы Лапласа Локальная теорема Лапласа. Вероятность того, что в n независимых испытаниях в каждом из которых вероятность появления события А равно р причем 1>р>0, то это событие наступает ровно m раз приблизительно равна Интегральная теорема Лапласа. Вероятность того, что в n независимых испытаниях в каждом из которых вероятность появления события А равно р, причем 1>р>0, то событие А наступит не менее m₁ раз и не более m₂ раза приблизительно равно

20. Совместное распределение случайных величин Совместной функцией распределения случайных величин , назовем функцию , зависящую от n вещественных переменных, такую, что Предложение 4.1 (Без доказательства) . Перечислим некоторые свойства функций распределения нескольких случайных величин: Монотонность по каждой переменной, например,

Пределы на ``минус бесконечности'': если в совместной функции распределения зафиксировать все переменные, кроме одной, а оставшуюся переменную устремить к , то предел равен нулю. Например, для фиксированных Пределы на ``плюс бесконечности''.Если все переменные устремить к ,в пределе получится единицаЕсли зафиксируем все переменные, кроме одной, которую устремим к , получим функцию распределения меньшего набора случайных величин. Например,

21.Линии регрессии, корелляции Если две случайные величины Х и Y имеют в отношении друг друга линейные функции регрессии, то говорят, что величины Х и Y связаны линейной корреляционной зависимостью. Теорема. Если двумерная случайная величина (X, Y) распределена нормально, то Х и Y связаны линейной корреляционной зависимостью.

22. «Хи-квадрат» распределение с f степенями свободы, распределение вероятностей суммы квадратов c^2 = X1^2+...+Xf^2, независимых случайных величин X1,..., Xf, подчиняющихся нормальному распределению с нулевым математическим ожиданием и единичной дисперсией. Функция «Х.-к.» р. выражается интегралом

Первые три момента (математическое ожидание дисперсия и третий центральный момент) суммы c2 равны соответственно f, 2f, 8f. Сумма двух независимых случайных величин c1^2 и c2^2, с f^1 и f^2 степенями свободы подчиняется «Х.-к.» р. с f^1 + f^2 степенями свободы. Примерами «Х.-к.» р. могут служить распределения квадратов случайных величин, подчиняющихся Рэлея распределению и Максвелла распределению. В терминах «Х.-к.» р. с чётным числом степеней свободы выражается Пуассона распределение: Если количество слагаемых f суммы c2 неограниченно увеличивается, то согласно центральной предельной теореме распределение нормированного отношения сходится к стандартному нормальному распределению: где

Следствием этого факта является другое предельное соотношение, удобное для вычисления Ff (x) при больших значениях f:

23. Распределение Стьюдента - распределение получило свое название от псевдонима Student, которым английский ученый Госсет подписывал свои работы по статистике. Пусть -- независимые стандартные нормальные случайные величины. Распределением Стьюдента с степенями свободы называется распределениеследующей случайной величины: (46) Если вспомнить введенную формулой (44) случайную величину , то можно сказать, что отношение имеет распределение Стьюдента. Плотность этого распределения представляет собой симметричную функцию, задаваемую формулой По форме график функции напоминает график плотности стандартного нормального закона, но с более медленным убыванием ``хвостов''. При последовательность функций сходится к функции , которая есть плотность распределения . Чтобы понять, почему этот факт имеет место, следует обратить внимание на то, что по закону больших чисел знаменатель выражения (46) при стремится к