- •А.А. Халафян
- •Лекция 1. Теории вероятностей. История возникновения. Классическое определение вероятности
- •Классическое определение вероятности
- •Лекция 2. Теоремы сложения и умножения вероятностей. Статистическое, геометрическое определение вероятности
- •Статистическое определение вероятности
- •Геометрическое определение вероятности
- •Последовательность испытаний. Формула Бернулли
- •Лекция 3. Аксиоматическое построение теории вероятностей. Аксиоматика колмогорова
- •Лекция 4. Случайная величина. Функция распределения
- •Основные свойства функции распределения
- •X1 x2 … xn …, причём xn→-∞, n→∞.
- •Лекция 6. Интегральная теорема муавра–лапласа, теорема бернулли
- •Лекция 7. Непрерывные случайные величины
- •Свойства непрерывной случайной величины
- •Законы распределения непрерывных случайных величин Равномерное распределение
- •Экспоненциальное распределение
- •Нормальное распределение
- •Лекция 8. Понятие многомерной случайной величины
- •Аналогично закон распределения y имеет вид
- •Лекция 9. Функция распределения многомерной случайной величины
- •Плотность вероятностей двумерной случайной величины
- •Лекция 10. Свойства плотности вероятностей двумерной случайной величины
- •Лекция 11. Функции от случайных величин
- •Лекция 12. Теорема о плотности суммы двух случайных величин
- •Лекция 13. Распределения стьюдента, фишера .Числовые характеристики случайных величин
- •Числовые характеристики случайных величин
- •Свойства математического ожидания случайной величины
- •Лекция 14. Числовые характеристики случайных величин (продолжение)
- •Другие характеристики центра группирования случайной величины
- •Характеристики вариации случайной величины
- •Свойства дисперсии
- •Свойства среднеквадратического отклонения
- •Лекция 15. Вычисление дисперсии основных распределений
- •Лекция 16. Числовые характеристики меры связи случайных величин
- •Лекция 17. Предельные теоремы теории вероятностей. Неравенство чебышева. Закон больших чисел
- •Неравенство Чебышева
- •Закон больших чисел
- •Закон больших чисел для одинаково распределенных случайных величин
- •Закон больших чисел в форме Бернулли
- •Лекция 18. Центральная предельная теорема
- •Лекция 19. Математическая статистика. Предмет математической статистики. Вариационные ряды
- •Лекция 20. Средние величины. Показатели вариации
- •Свойства среднего арифметического
- •Показатели вариации (изменчивости) вариационного ряда
- •Свойства дисперсии
- •Статистическая выборка
- •Лекция 21. Оценка параметров генеральной совокупности
- •Лекция 22. Точечные и интервальные оценки параметров распределения Метод наибольшего правдоподобия
- •Метод моментов
- •Интервальная оценка
- •Лекция 23. Проверка статистических гипотез
- •Лекция 24. Проверка гипотезы о равенстве средних
- •Проверка гипотезы о равенстве дисперсий
- •Проверка гипотезы о законе распределения
- •Лекция 25. Элементы регрессионного и корреляционного анализов
- •Линеаризующие преобразования
- •Линейный множественный регрессионный анализ
- •Множественный корреляционный анализ
- •Библиографические ссылки
Лекция 2. Теоремы сложения и умножения вероятностей. Статистическое, геометрическое определение вероятности
Если события рассматривать как подмножества множества событий, то введенные в лекции 2 отношения между событиями можно интерпретировать как отношения между множествами:
– несовместные события – это такие события (подмножества), которые не содержат общих элементов;
– сумме и произведению событий соответствуют объединение и пересечение
A + B = A B, AB = A B;
– противоположное событие к А – это дополнение подмножества А, ;
– запись А В означает, что в В содержатся все элементарные события из А и могут содержаться элементарные события, не входящие в А. Если A В и В А, то А = В.
Теорема 1 (сложения вероятностей). Если два составных события А = i1, i2… im и В = i1, i2… iк являются несовместными, то
P(A + B) = P(A B) = P(A) + P(B) (1)
Доказательство. Так как события A и B несовместны, событие A + B состоит из m + k элементов. При этом все множество элементарных событий состоит из n элементов. Тогда по классическому определению вероятности
P(A + B) = (m + k)/n = m/n + k/n = P(A) + P(B).
Событие , противоположное событию А, можем определить как подмножество, в которое входят все элементарные события, не входящие в А, т.е. А = и А = . Тогда из теоремы сложения вероятностей вытекает, что Р() = Р(А) + Р( ) = 1, следовательно,
Р( ) = 1– Р(А) (2)
Из (2) следует, что вероятность невозможного события, являющегося противоположным к достоверному событию ( = + , =), равна 0, так как
Р() = 1 – Р() = 0.
Теорема 2 (сложения вероятностей совместных событий). Если два составных события являются совместными, то вероятность появления хотя бы одного из двух совместных событий равна сумме вероятностей этих событий без вероятности их совместного появления:
P(A + B) = P(A B) = P(A) + P(B) – Р(АВ).
Доказательство. Нетрудно видеть, что А + В можно представить в виде суммы трех несовместных событий (рис.1): А + В = А + В + АВ.
Рис. 1
Тогда по теореме 1 имеем
Р(А + В) = Р(А ) + Р( В) + Р(АВ) (3)
Учитывая, что
А = А + АВ, Р(А) = Р(А ) + Р(АВ),
имеем
Р(А ) = Р(А) - Р(АВ),
аналогично
Р( В) = Р(В) – Р(АВ).
Подставляя полученные выражения в (3), получим
Р(А + В) = Р(А) – Р(АВ) + Р(В) – Р(АВ) + Р(АВ) = P(A) + P(B) – Р(АВ).
Можно доказать иначе. Нетрудно видеть, что событие A + B состоит из (m + + k – r) элементов, тогда по формуле (1, лекция 1):
P(A + B) = (m + k - r)/n = m/n + k/n – r/n = P(A) + P(B) – P(AB).
При определении вероятности наступления события A предполагается выполнение определённого комплекса условий. Очевидно, что при изменении комплекса условий изменится и вероятность Р(А). Так, если к комплексу условий, при котором определяли Р(А), добавить новое условие, состоящее в появлении события В, то получим другое значение вероятности, которое обозначим P(A/B) = PB(A). Вероятность P(A/B) называется условной вероятностью наступления события A, при условии, что произойдет событие В. Вероятность Р(А) называется безусловной вероятностью.
Пусть A и В – подмножества элементарных событий, состоящие из m и k элементов (рис. 2).
Рис.2
Тогда по классическому определению вероятностей Р(А) = m/n, Р(В) = k/n.
Пусть событию А при условии, что произойдет событие В благоприятствует r исходов, очевидно, что такими исходами могут быть только исходы принадлежащие А В. Тогда, согласно формуле (1, лекция 1)
P(a/b) = r/k . (4)
Разделим числитель и знаменатель полученной дроби на n
P(a/b) = (r/n)/(k/n) = Р(АВ)/Р(В), т.е.
P(a/b) = Р(АВ)/Р(В). (5)
Формула (5) называется формулой нахождения условной вероятности наступления события А при условии, что произойдет событие В.
Пример. Бросаем игральную кость. Пусть событие А состоит в выпадении числа очков, кратных 3, т.е. А = 3, 6, а событие В – в выпадении четного числа очков, т.е. В = 2, 4, 6. Тогда А В =6, Р(А В) = 1/6, Р(В) = 3/6 =1/2 и P(a/b) = (1/6)/(1/2) = 1/3. В то же время r = 1, k = 3 и если считать по формуле (3), также получим P(a/b) = r/k = 1/3.
Определение 1. Событие A называется независимым от события B, если его условная вероятность равна безусловной, т.е.
P(A) = PB(A) = P(a/b). (6)
Из (5) следует
P(AB) = Р(АВ) = P(A/B)P(B). (7)
Фрмула (7) называется формулой умножения для зависимых событий.
Из (6) и (7) следует
P(AB) = P(A) P(B) (8)
Формула (8) называется теоремой умножения для независимых событий.