
- •0. Основные формулы комбинаторики
- •0/ /Выбор с возвращением и с учётом порядка.
- •| . . . | | . | . . | . . | | . |
- •| . . | . | . | . . | . . | | . | | | | | | | | . . . . . . . . . |
- •1. Классическое и геометрическое определения вероятности, примеры.
- •1//Геометрическое определение вероятности.
- •2. Дискретное вероятностное пространство, примеры.
- •3. Парадоксы доаксиоматической теории вероятностей.
- •4.Аксиоматика Колмогорова, вложение пред определений в аксиоматику.
- •5. Свойства вероятностей.
- •7. Условная вероятность. Теорема умножения вероятностей.
- •8. Независимость событий, примеры независимых и зависимых событий.
- •9. Формула полной вероятности, примеры.
- •10. Формула Байеса, примеры.
- •11. Схема Бернулли, примеры, полиномиальная схема.
- •12. Теорема Пуассона, примеры применения.
- •13. Теоремы Муавра-Лапласа, примеры применения.
- •14. Случайные величины, их распределения, функции распределения и их свойства.
- •15. Свойства плотностей распределения.
- •16. Математическое ожидание, механическая интерпретация, свойства.
- •17. Вычисление математических ожиданий функций от случайных величин с помощью дискретных и непрерывных плотностей распределения.
- •18. Свойства и статистический смысл дисперсии.
- •19. Математическое ожидание и дисперсия нормального закона.
- •20. Математическое ожидание и дисперсия биномиального распределения.
- •21. Математическое ожидание и дисперсия закона Пуассона.
- •22. Коэффициент корреляции и его свойства.
- •23. Двумерное нормальное распределение.
- •24. Случайные векторы, их распределения, функции и плотности распределения и их свойства.
- •25.Многомерный нормальный вектор
- •26. Теорема о плотности распределения преобразованной случайной величины.
- •27. Теорема о плотности распределения преобразованного случайного вектора. Примеры.
- •1. Преобразование случайных величин.
- •28. Неравенство Чебышева, закон больших чисел.
- •28//Закон больших чисел
- •29. Свойства характеристических функций.
- •30. Центральная предельная теорема Леви. Вывод из неё интегральной теоремы Муавра-Лапласа.
- •31. Свойства производящих функций, примеры их вычисления.
- •32. Примеры использования производящих функций для вычисления моментов.
- •33. Определение и свойства условного математического ожидания.
- •34. Условное мат ожидание и условное распределение одного подвектора норм случ вектора относит другого подвектора
- •34//Условная вероятность.
- •35. Задачи оценивания в математической статистике, состоятельность, несмещаемость, эффективность оценки.
- •36. Примеры построения оценок и исследования их свойств
- •36//Основные свойства
- •37. Критерий проверки гипотез.
- •38. Критерий Колиогорова и критерий χ², примеры.
- •39. Доверительные интервалы, примеры.
- •39//Пример:
- •40. Марковские цепи. Определения и основные характеристики.
- •41. Классификация состояний Марковских цепей. Период.
- •42. Уравнения Чупмена-Колмогорова.
- •43. Критерий возвратности и следствия из него.
- •44. Возвратность цепей Маркова
- •45. Эргодическая теорема для цепей Маркова.
5. Свойства вероятностей.
Нормировка вероятности:
0 ≤ p (A) ≤ 1 для любого события A
Вероятность противоположного события:
p(A)
+ p
= 1
Для независимых событий A и B:
p(A и B) = p(A)p(B)
p(A или B) = p(A) + p(B)
Условная вероятность:
p(AB) = p(B) · p(A|B)
Формула полной вероятности:
p (B) = p (B | A1) p (A1) + p (B | A2) p (A2) + p (B | A3) p (A3) +… + p (B | Ak) p (Ak)
6. Теорема сложения вероятностей, задача о рассеянной секретарше.
Пусть A, B, C — попарно несовместимые события и mA, mB, mc — соответственно числа их появлении в n испытаниях. Тогда событие A + B + C появится mA + mB + mc раз при этих n испытаниях и, следовательно, частость события A + B + C будет равна сумме частостей событии, так как
Поэтому и для средних значений этих частостей (когда производится несколько серий испытаний), или, другими словами, для вероятностей, следует положить
P (A + B + C) = P(A) + P(B) + P(C)
т. е. имеет место
Теорема сложения вероятностей (для попарно несовместимых событий). Вероятность того, что произойдет одно из попарно несовместимых событий, равна сумме вероятностей этих событий.
Следует особо подчеркнуть, что здесь речь идет о попарно несовместимых событиях. В противном случае данная формула не будет справедлива, так как при совместимости событий нельзя утверждать, что событие A + B + C появится mA + mB + mc раз.
Задача о рассеянной секретарше
Секретарша должна была разложить n писем по n конвертам. Каждому письму предназначался единственный конверт. Секретарша была занята и положила письма в конверты случайно, но так чтобы в каждом конверте было по одному письму.
Пусть Х количество писем положенных в свои конверты. Найти EХ и DX.
Посчитаем вероятность ровно k письмам попасть в свои конверты:
P(Y1+...+Yn=k)=C(n,k)/(n(n-1)...(n-k+1)) * (1/2! - 1/3! +...+(-1)n-k/(n-k)!) = 1/k! * (e—1+O(1/(n-k+1)!))
Вероятность сходится
при
к
,
где Z
имеет распределение Пуассона с параметром
1. Следовательно, имеет место сходимость
по распределению распределения суммы
к распределению Z.
6//Определение. Суммой А+В двух событий А и В называют событие, состоящее в появлении события А, или события В, или обоих этих событий.
Например, если из орудия произведены два выстрела и А – попадание при первом выстреле, В – попадание при втором выстреле, то событие А+В – попадание хотя бы при одном выстреле (или при первом выстреле, или при втором, или в обоих случаях).
Теорема 1.(теорема сложения вероятностей)
Вероятность появления одного из двух несовместных событий, безразлично какого, равна сумме вероятностей этих событий:
P(A+B)=P(A)+P(B)
Доказательство: Введем обозначения: n – общее число возможных элементарных исходов испытания; m1 – число исходов, благоприятствующих событию А; m2 – число исходов, благоприятствующих событию В.Число элементарных исходов, благоприятствующих наступлению либо события А, либо события В, равно m1+m2. Следовательно, P(A+B)=(m1+m2)/n=m1/n+m2/n. Приняв во внимание, что m1/n=P(A) и m2/n=P(B), окончательно получим P(A+B)=P(A)+P(B)
Следствие 1. Вероятность появления одного из нескольких попарно несовместных событий, безразлично какого, равна сумме вероятностей этих событий:
P(A1+A2+...+An)=P(A1)+P(A2)+...+P(An)
Пример. В урне 30 шаров: 10 красных, 5 синих и 15 белых. Найти вероятность появления цветного шара.
Появление цветного шара означает появление либо красного, либо синего шара. Вероятность появления красного шара (событие А) P(A)=10/30=1/3 Вероятность появления синего шара (событие В) P(B)=5/30=1/6 События А и В несовместны (появление шара одного цвета исключает появление шара другого цвета), поэтому теорема сложения применима. Искомая вероятность P(A+B)=P(A)+P(B)=1/3+1/6=1/2
Теорема 2. Сумма вероятностей событий А1, А2, …, Аn, образующих полную группу, равна единице:
P(A1)+P(A2)+...+P(An)=1
Доказательство: Так как появление одного из событий полной группы достоверно, а вероятность достоверного события равна единице, то:
P(A1+A2+...+An)=1
любые два события полной группы несовместны, поэтому можно применить теорему сложения:
P(A1+A2+...+An)=P(A1)+P(A2)+...+P(An)
Сравнивая выражения, получим P(A1+A2+...+An)=1
Определение:
Два несовместных события, образующие
полную группу называются противоположными
событиями. Если одно из двух противоположных
событий обозначено через А, то другое
принято обозначать .
Теорема 3. Сумма вероятностей противоположных событий равна единице:
P(A)+P()=1
или p+q=1, где P(A)=p, p(
)=q
Определение: Произведением двух событий А и В называют событие АВ, состоящее в совместном появлении (совмещении) этих событий. Например, если А – деталь годная, В – деталь окрашенная, то АВ – деталь годна и окрашена.
Определение: Условной вероятностью РА(В) называют вероятность события В, вычисленную в предположении, что событие А уже наступило.