- •Вероятность событий
- •1.1 Элементарные понятия теории вероятности.
- •1.2 Операции над случайными событиями
- •1.3 Вероятность случайного события
- •1.4 Формулы комбинаторики
- •1.5 Вероятность произведения событий
- •1.6 Вероятность суммы событий
- •1.7 Формула полной вероятности. Формула Байеса.
- •Независимые повторные испытания
- •2.1 Формула Бернулли
- •2.2 Наивероятнейшее число появлений успеха в n независимых испытаниях.
- •2.3 Обобщение формулы Бернулли
- •2.4 Формула Пуассона
- •2.5 Локальная теорема Лапласа.
- •2.6 Интегральная теорема Лапласа
- •2.7 Вероятность отклонения относительной частоты от вероятности события a
- •Дискретные случайные величины
- •3.1 Основные определения
- •3.1.1.Дискретная случайная величина
- •3.1.2 Функция дискретной случайной величины
- •3.2 Законы распределения случайной дискретной величины
- •3.2.1. Биномиальное распределение
- •3.2.2. Распределение Пуассона
- •3.2.3. Геометрическое распределение
- •3.2.4. Гипергеометрическое распределение
- •3.3 Числовые характеристики дискретной случайной величины.
- •3.3.1. Математическое ожидание дискретной случайной величины
- •3.3.2. Математическое ожидание функции дискретной случайной величины
- •3.3.3. Свойства математического ожидания
- •3.3.4. Дисперсия дискретной случайной величины
- •3.3.5. Основные свойства дисперсии
- •3.4 Другие числовые характеристики дискретной случайной величины
- •3.4.1 Среднеквадратическое отклонение
- •3.4.2. Моменты k-го порядка
- •3.4.3. Нормированная случайная величина
- •3.4.4. Функция распределения дискретной случайной величины.
- •3.4.5. Мода и медиана дискретной случайной величины
- •3.4.6. Ковариация и коэффициент корреляции
- •Непрерывные случайные величины.
- •4.1. Функция распределения и плотность вероятности непрерывной случайной величины
- •5.2. Функция непрерывной случайной величины
- •5.3. Основные характеристики непрерывной случайной величины
- •5.3.1. Математическое ожидание
- •5.3.2. Дисперсия
- •5.3.3. Мода и медиана
- •5.3.4. Моменты k-го порядка
- •5.3.5. Асимметрия и эксцесс.
- •5.3. Законы распределения непрерывной случайной величины
- •5.3.1. Равномерное распределение
- •5.3.2. Показательное распределение
- •5.3.3. Нормальное распределение
- •5. Закон больших чисел
- •5.1. Центральная предельная теорема
- •5.2. Неравенство и теорема Чебышева.
- •5.3. Теорема Бернулли (Закон больших чисел)
- •5.4. Эмпирическая оценка параметров случайной величины
- •Система двух случайных величин
- •6.1. Закон распределения дискретной двумерной случайной величины
- •6.2. Функция распределения двумерной случайной величины
- •6.3. Свойства функции распределения двумерной случайной величины
- •6.4. Функция плотности вероятности непрерывной двумерной случайной величины
- •6.5. Функция двумерной случайной величины
- •6.6. Условные законы распределения составляющих двумерной случайной величины
- •6.6.1. Условные законы распределения дискретной случайной величины
- •6.6.2. Условные законы распределения непрерывной случайной величины
- •6.6.3. Условное математическое ожидание
- •6.7. Корреляция случайных величин
- •6.7.1 Независимость компонент двумерной случайной величины
- •6.7.2. Корреляционный момент и коэффициент корреляции
- •6.7.3. Линейная регрессия, линейная корреляционная зависимость.
2.3 Обобщение формулы Бернулли
Пусть последовательно проводятся n одинаковых независимых испытаний, однако исходов каждого испытания теперь не два, а m - A1, A2, ...Am, m2. Согласно принципу умножения число число различных последовательностей длиной n, состоящих из событий Ai равно m n.
Чтобы построить последовательность событий, случайным образом реализовавшихся в n испытаниях, необходимо на n позициях разместить элементы Ai, среди которых какое-то количество (обозначим его k1) относится к “первому сорту” (A1), какое-то количество (k2)– ко “второму сорту” (A2), а какое-то (km) – к “сорту m ” (Am). При заданных значениях k1, k2, ... km вероятность реализации конкретной последовательности равна p1k1p2k2 ...pmkm (pi - вероятность появления исхода Ai). Если же учесть все возможные перестановки при заданных k1, k2, ... km (см. формулу для перестановки с повторениями), для вероятности события, состоящего в том, что в n независимых испытаниях событие A1 появится k1 раз, A2 - k2 раз, Am - km раз, получим
Pn(k1, k2, ... km) = n!/(k1!k2!k3!...km!)p1k1p2k2...pmkm
2.4 Формула Пуассона
Рассмотрим n независимых одинаковых испытаний. Пусть число исходов одного испытания m=2 (A и Ā), вероятность появления события A равна p. Введем константу =np и найдем предел, к которому стремиться вероятность Pn(k)=Cnkpkq n-k при бесконечно большом числе испытаний
Pn(k)=Cnkpkq n-k= n!/(n-k)!/k!(/n)k(1-/n)n-k=
=k/k!n(n-1)(n-2)(n-(k-1))/nk(1-/n)-k(1-/n)n=k/k!11e-
n
Таким образом,
lim Pn(k)= k/k!e-
n
Данная выражение называется формулой Пуассона. С ее помощью можно вычислять приближенное значение вероятности появления k успехов в n одинаковых независимых испытаниях, при условии, что n достаточно велико, а вероятность мала (n100, p0.1).
Рассмотрим пример. Пусть одна рыба ловится в среднем при 200 забрасываниях удочки. Какова вероятность поймать хотя бы одну рыбу при 100 забрасываниях. n=100, p=1/200=0.05, =np=0.5
Противоположным событием для события “поймана хотя бы одна рыба” является событие “не поймано ни одной рыбы” Его вероятность P100(0)= C10000.500.955 100=0.955 100 0/0!e-= e-0.5
Таким образом, искомая вероятность, вычисленная с помощью формулы Пуассона Pn(k1)1- e-0.5=0.39347. Точный результат, полученный с помощью формулы Бернулли Pn(k1)=1- 0.955 100 =0.39423
2.5 Локальная теорема Лапласа.
Применять формулу Бернулли при достаточно больших значениях n может быть затруднительно, так как в этом случае требуется проводить вычисления для очень больших чисел. Например при n=50, k=30, p=0.2 вероятность появления успехов в 30 испытаниях P50(30)=50!/(30!20!)0.2300.820 и входящий в выражение факториал 20!=2432902008176640000. В таких случаях удобно использовать приближенные вычисления. Кроме формулы Пуассона существует еще несколько выражений для приближенного определения вероятности. К числу принадлежит локальная теорема Лапласа. О том, как ее можно доказать, мы поговорим позднее, а пока просто познакомимся с результатами. Согласно данной теореме, если вероятность p появления события A в каждом испытании постоянна и отлична от 0 и 1, то вероятность появления события A в n испытаниях ровно k раз при достаточно больших значениях n
Pn(k)1/(npq)0.51/(2)0.5e-x2/2=1/(npq)0.5(x)
Функция (x)= 1/(2)0.5e-x2/2 является четной, то есть (x)= (-x), x=(k-np)/(npq)0.5. Значения функции (x) затабулированы, поэтому при решении задач достаточноопределить x и, используя таблицы, найти искомую вероятность. Пусть, например, n=400, k=80, p=0.2, q=1-p=0.8. Найдем x=80-4000.2/(4000.20.8)0.5=0, (0)=0.3989 и P400(80)1/80.3989=0.0498.