
- •Содержание
- •Предисловие
- •1) Теория вероятностей;
- •I. Теория вероятностей
- •1.1. Случайные события
- •1.1.1. Предмет теории вероятностей
- •1.1.2. Классификация событий
- •1.1.3. Вычисление вероятности
- •1.1.3.1. Классическая вероятность
- •1.1.3.2. Элементы комбинаторики
- •1.1.4. Геометрическая вероятность
- •1.1.5. Частота события. Статистическое определение вероятности
- •1.1.6. Основные теоремы теории вероятностей
- •1.1.6.1. Операции над событиями
- •1.1.6.2. Условная вероятность. Теорема умножения вероятностей
- •1.1.6.3. Независимые события. Теорема умножения для независимых событий
- •1.1.6.4. События, независимые в совокупности. Вероятность появления хотя бы одного события
- •1.1.6.5. Теорема сложения вероятностей совместных событий
- •1.1.7. Формула полной вероятности
- •1.1.8. Вероятности гипотез. Формула Байеса
- •1.1.9. Схема независимых последовательных испытаний
- •1.1.9.1. Схема Бернулли. Формула Бернулли
- •1.1.9.2. Локальная теорема Муавра-Лапласа
- •1.1.9.3. Интегральная теорема Лапласа
- •1.2. Случайные величины
- •1.2.1. Дискретная случайная величина и ее закон распределения
- •1.2.2. Биномиальное распределение
- •1.2.3. Распределение Пуассона (пуассоновское приближение биномиального распределения)
- •1.3. Математическое ожидание дискретной случайной величины
- •1.4. Дисперсия дискретной случайной величины
- •1.5. Математические ожидания и дисперсии некоторых случайных величин
- •1.6. Непрерывные случайные величины
- •1.6.1. Функция распределения случайной величины
- •1.6.2. Плотность распределения вероятностей непрерывной случайной величины
- •1.6.3. Математическое ожидание, дисперсия и среднеквадратическое отклонение непрерывной случайной величины
- •1.6.4. Наиболее распространенные распределения непрерывных случайных величин
- •1.7. Закон больших чисел. Теорема Ляпунова
- •1.7.1. Неравенство Чебышева
- •1.7.2. Теорема Чебышева
- •1.7.3. Теорема Бернулли
- •1.7.4. Понятие о центральной предельной теореме (о теореме Ляпунова)
- •1.8. Понятие о случайном векторе и законе распределения его координат
- •1.8.1. Примеры случайных векторов
- •1.8.2. Закон распределения и функция распределения двумерной случайной величины
- •1.8.3. Функция распределения двумерной случайной величины и ее свойства
- •1.8.4. Плотность распределения двумерной случайной величины и ее свойства
- •1.8.5. Корреляционный момент и коэффициент корреляции
- •1.8.6. Двумерное нормальное распределение
- •1.8.7. Линейная регрессия. Прямые линии среднеквадратической регрессии
- •1.9. Элементы теории массового обслуживания
- •II. Математическая статистика
- •Список литературы
1.1.9.2. Локальная теорема Муавра-Лапласа
Если пользоваться формулой Бернулли для больших n, приходится оперировать с громадными числами. Например, если n=50, m=30, р=0,1, то
Р50(30)=
(0,1)30(0,9)20,
где 50!3,041064; 30!2,651032; 20!2,431018.
При
еще в 1730 году Муавром была найдена
асимптотическая формула, справедливая
при больших n.
В 1783 году Лаплас обобщил эту формулу на произвольные значения р, отличные от 0 и 1. В литературе эту теорему обычно называют теоремой Муавра-Лапласа.
Доказательство теоремы выходит за рамки нашего курса. Приведем ее формулировку и примеры.
Теорема. Если вероятность р события А в каждом испытании постоянна и отлична от 0 и 1, то вероятность Рn(m) того, что событие А появится в n испытаниях m раз, приближенно равна (тем точнее, чем больше n) значению функции
(1.1.9.2)
при
,
.
Итак,
.
Пример 1. Найти вероятность того, что событие А наступит ровно 80 раз в серии из 400 независимых испытаний, если вероятность этого события в каждом испытании равна 0,2.
Решение. n=400; m=80; p=0,2; q=0,8.
По формуле Муавра-Лапласа:
,
(0)=0,3989 (это значение вычисляется либо на калькуляторе, либо берется из специальных таблиц для функции (х), имеющихся в любой литературе по теории вероятностей).
Р400(80)0,04986.
Заметим, что точное значение, вычисленное по формуле Бернулли, равно 0,0498.
1.1.9.3. Интегральная теорема Лапласа
В предыдущих параграфах мы научились вычислять вероятность того, что в n независимых испытаниях событие произойдет m раз. Однако чаще бывает так, что необходимо знать не вероятность наступления события какое-то определенное число раз, а вероятность того, что это число заключено в некоторых границах.
Например, пусть требуется найти вероятность того, что из 1000 новорожденных окажется от 450 до 550 мальчиков включительно. Очевидно, искомое событие состоит в том, что мальчиков окажется 450, или 451, или 452 и т.д. вплоть до 550. По теореме сложения вероятность такого события равна сумме вероятностей:
Р1000(450m550)=P1000(450)+P1000(451)+…+P1000(550). (*)
Каждое слагаемое несложно вычислить по формуле Бернулли или по локальной теореме Муавра-Лапласа при известной вероятности рождения мальчика. Но вычисление 101 слагаемого, входящего в выражение (*) и их сложение – довольно длительная процедура, вряд ли удовлетворительная на практике. Поэтому возникает необходимость найти какой-то иной метод, который с помощью достаточно простых вычислений обеспечил бы достаточно точный результат. Ответ на этот вопрос дается так называемой интегральной теоремой Лапласа (дается без доказательства).
Теорема. Если вероятность р наступления события А в каждом испытании постоянна и отлична от нуля и единицы, то вероятность Рn(m1,m2) того, что событие А появится в n испытаниях от m1 до m2 раз, приблизительно равна определенному интегралу
(1.1.9.3)
где
При практическом
решении задач с использованием формулы
(1.1.9.3) пользуются специальными таблицами,
т.к. интеграл
через элементарные функции не выражается.
Обычно в таблице даются значения так
называемой функции Лапласа:
. (**)
При этом (–х)=–(х).
Обычно таблицы приводятся для х[0;5],
т.к. при х>5 с
высокой точностью (х)
.
Чтобы воспользоваться функцией Лапласа
(**), выражение (1.1.9.3) надо преобразовать:
Итак,
Pn(m1,m2)=(x'')–(x'), (1.1.9.4)
где (1.1.9.5)
Пример. Найти вероятность того, что в серии из 1000 бросаний монеты число выпадения герба будет заключено в интервале от 475 до 525.
Решение. В этой задаче р= ; q= ; n=1000; np=500; npq=250; m1=475, m2=525.
Р1000(475; 525)=(х'')–(x')=(1,58)–(–1,58)=
=2(1,58)=20,4429=0,8858.