- •Классификация случайных событий. Классическое определение вероятности. Свойства вероятности события, непосредственный подсчет вероятности. Примеры.
- •Свойства вероятности события:
- •Статистическое определение вероятности события и условия его применимости. Пример.
- •Несовместные и совместные события. Сумма событий. Теорема сложения вероятностей (с доказательством).
- •Полная группа событий. Противоположные события. Соотношение между вероятностями противоположных событий (с выводом).
- •Зависимые и независимые события. Произведение событий. Понятие условной вероятности. Теорема умножения вероятностей (с доказательством).
- •Формулы полной вероятности и Байеса (с доказательством). Примеры.
- •Повторные независимые испытания. Формула Бернулли (с выводом). Примеры.
- •Локальная теорема Муавра-Лапласа, условия ее применимости. Свойства функции Дх). Пример.
- •Асимптотическая формула Пуассона и условия ее применимости. Пример.
- •Интегральная теорема Муавра-Лапласа и условия ее применимости. Функция Лапласа ф(х) и ее свойства. Пример.
- •Следствия из интегральной теоремы Муавра-Лапласа (с выводом). Примеры.
- •Математическое ожидание дискретной случайной величины и его свойства (с выводом). Примеры.
- •Дисперсия дискретной случайной величины и ее свойства (с выводом). Примеры.
- •Функция распределения случайной величины, ее определение, свойства и график.
- •Непрерывная случайная величина (нов). Вероятность отдельно взятого значения нсв. Математическое ожидание и дисперсия нсв.
- •Плотность вероятности непрерывной случайной величины, ее определение, свойства и график.
- •Случайная величина, распределенная по биномиальному закону, ее математическое ожидание и дисперсия. Закон распределения Пуассона.
- •Математическое ожидание и дисперсия числа и частости наступлений события в п повторных независимых испытаниях (с выводом).
- •Определение нормального закона распределения. Теоретико-вероятностный смысл его параметров. Нормальная кривая и зависимость ее положения и формы от параметров.
- •Функция распределения нормально распределенной случайной величины и ее выражение через функцию Лапласа.
- •Формулы для определения вероятности: а) попадания нормально распределенной случайной величины в заданный интервал; б) ее отклонения от математического ожидания. Правило «трехсигм».
- •Понятие двумерной (/7-мерной) случайной величины. Примеры. Таблица ее распределения. Одномерные распределения ее составляющих. Условные распределения и их нахождение по таблице распределения.
- •Ковариация и коэффициент корреляции случайных величин. Связь между екоррелированностью и независимостью случайных величин.
- •Понятие о двумерном нормальном законе распределения. Условные математические ожидания и дисперсии.
- •Неравенство Маркова (лемма Чебышева) (с выводом). Пример.
- •Неравенство Чебышева (с выводом) и его частные случаидля случайной величины, распределенной по биномиальному закону, и для частости события.
- •Теорема Чебышева (с доказательством), ее значение и следствие. Пример.
- •Закон больших чисел. Теорема Бернулли (с доказательством) и ее значение. Пример.
- •Неравенство Чебышева для средней арифметической случайных величин (с выводом).
- •Центральная предельная теорема. Понятие о теореме Ляпунова и ее значение. Пример.
- •Вариационный ряд, его разновидности. Средняя арифметическая и дисперсия ряда. Упрощенный способ их расчета.
- •Понятие об оценке параметров генеральной совокупности. Свойства оценок: несмещенность, состоятельность, эффективность.
- •Оценка генеральной доли по собственно-случайной выборке. Несмещенность и состоятельность выборочной доли.
- •Оценка генеральной средней по собственно-случайной выборке. Несмещенность и состоятельность выборочной средней.
- •Оценка генеральной дисперсии по собственно-случайной выборке. Смещенность и состоятельность выборочной дисперсии (без вывода). Исправленная выборочная дисперсия.
- •Понятие об интервальном оценивании. Доверительная вероятность и доверительный интервал. Предельная ошибка выборки. Ошибки репрезентативности выборки (случайные и систематические).
- •Формула доверительной вероятности при оценке генеральной средней. Средняя квадратическая ошибка повторной и бесповторной выборок и построение доверительного интервала для генеральной средней.
- •Определение необходимого объема повторной и бесповторной выборок при оценке генеральной средней и доли.
- •Статистическая гипотеза и статистический критерий. Ошибки 1-го и 2-го рода. Уровень значимости и мощность критерия. Принцип практической уверенности.
- •Построение теоретического закона распределения по опытным данным. Понятие о критериях согласия.
- •Критерий согласия х2-Пирсона и схема его применения.
- •Функциональная, статистическая и корреляционная зависимости. Различия между ними. Основные задачи теории корреляции.
- •Линейная парная регрессия. Система нормальных уравнений для определения параметров прямых регрессии. Выборочная ковариация. Формулы для расчета коэффициентов регрессии.
- •Упрощенный способ:
- •Оценка тесноты связи. Коэффициент корреляции (выборочный), его свойства и оценка достоверности.
Формулы полной вероятности и Байеса (с доказательством). Примеры.
Формула полной вероятности. Теорема.
Теорема. Если событие F может произойти только при условии появления одного из событий (гипотез) A1,А2,…,Аn образующих полную группу, то вероятность события F равна сумме произведений вероятностей каждого из этих событий (гипотез) на соответствующие условные вероятности события F: |
□ По условию гипотезы А1,А2,…,Аn образуют полную группу, следовательно, они единственно возможные и несовместные. Т.к гипотезы А1,А2,…,Аn - единственно возможные, а событие F может произойти только вместе с 1 из гипотез, то
.
В силу того что гипотезы А1,А2,…,Аn несовместны, можно применить теорему сложения вероятностей:
По теореме умножения вероятностей .■
Следствием теоремы умножения и формулы полной вероятности является формула Байеса.
Она применяется, когда событие F, которое может появиться только с одной из гипотез А1,А2,…,Аn образующих полную группу событий, произошло и необходимо произвести количественную переоценку априорных вероятностей этих гипотез P(A1), Р(А2),..., Р(Аn), известных о испытания, Т.е. надо найти апостериорные (получаемые после проведения испытания) условные вероятности гипотез PF(A1),PF(А2),...,РF(Аn).
□ Для получения искомой формулы запишем теорему умножения вероятностей событий F и Аi в двух формах:
, откуда
или с учетом формулы полной вероятности: . ■
Значение формулы Байеса состоит в том, что при наступлении события Р, т.е. по мере получения новой информации, мы можем проверять и корректировать выдвинутые до испытания гипотезы. Такой подход, называемый байесовским, дает возможность корректировать управленческие решения в эк-ке, оценки неизвестных параметров распределения изучаемых признаков в статистическом анализе и т.п.
Пример: Два стрелка независимо друг от друга стреляют по мишени, делая каждый по одному выстрелу. Вероятность попадания в мишень для первого стрелка равна 0,8; для второго - 0,4. После стрельбы в мишени обнаружена одна пробоина. Какова вероятность того, что она принадлежит: а) l-му стрелку; б) 2-му стрелку?
Решение. Обозначим события:
А1 - оба стрелка не попали в мишень; А2 - оба стрелка попали в мишень; А3 - 1-й стрелок попал в мишень, 2-й нет; А4 - 1-й стрелок не попал в мишень, 2-й попал; F - в мишени одна пробоина (одно попадание).
Найдем вероятности гипотез и условные вероятности события F для этих гипотез:
Р(A1) = 0,2 · 0,6 = 0,12, РА1(F) = 0;
Р(А2) = 0,8 · 0,4 = 0,32, РА2(F) = 0;
Р(А3) = 0,8 · 0,6 = 0,48, РА3(F) = l;
Р(А4) = 0,2 · 0,4 = 0,08, РА4(F) = l.
Теперь по формуле Байеса:
, ,
Т.е. вероятность того, что попал в цель l-й стрелок при наличии одной пробоины, в 6 раз выше, чем для второго стрелка.
Повторные независимые испытания. Формула Бернулли (с выводом). Примеры.
Если вероятность наступления события А в каждом испытании не меняется в зависимости от исходов других, то такие испытания называются независимыми относительно события А. Если независимые повторные испытания проводятся при одном и том же комплексе условий, то вероятность наступления события А в каждом испытании одна и та же. Эта последовательность независимых испытаний получила название схемы Бернулли.
Формула Бернулли
Теорема. Если вероятность р наступления события А в каждом испытании постоянна, то вероятность Рm,n того, что событие А наступит m раз в n независимых испытаниях, равна
Где .
□ Пусть и- соответственно появление и непоявление событияА в i-ом испытании (i = 1,2,...,n), а - событие, состоящее в том, что вn независимых испытаниях событие А появилось m раз.
Представим событие через элементарные события.
Например, при n = 3, m = 2 событие ,
т.е. событие А произойдет 2 раза в 3 испытаниях, если оно произойдет в l-м и 2-м испытаниях (и не произойдет в 3-м), или в l-м и 3-м (и не произойдет во 2-м), или произойдет во 2-м и 3-м (и не произойдет в l-м).
В общем виде
,
Т.е. каждый вариант появления события Вm (каждый член суммы) состоит из m появлений события А и n-m непоявлений, т.е. из m событий А и из n-m событий с различными индексами.
Число всех комбинаций (слагаемых суммы) равно числу способов выбора из n испытаний m, в которых событие А произошло, т.е. числу сочетаний . Вероятность каждой такой комбинации (каждого варианта появления события Вm) по теореме умножения для независимых событий равна , т.к., а,i = 1,2,...,n. В связи с тем, что комбинации между собой несовместны, по теореме сложения вероятностей получим
.■