
- •Глава 1. Теория вероятностей 3
- •1.2 Перестановки, размещения и сочетания
- •§2. Классическое определение вероятности
- •2.1 Определение и примеры
- •2.2 Критика классического определения
- •§3. Дискретное вероятностное пространство
- •§4. Геометрическая вероятность
- •§5. Парадоксы Бертрана
- •§6. Аксиоматика Колмогорова
- •6.1 Аксиомы событий
- •6.2 Аксиомы вероятности
- •6.3 Свойства вероятности
- •§7. Условная вероятность. Независимость
- •§8. Формула полной вероятности. Формула Байеса
- •§9. Схема Бернулли
- •9.1 Основные определения и примеры
- •9.2 Предельные теоремы в схеме Бернулли
- •§10. Случайные величины и их распределения
- •10.1 Введение
- •10.2 Функция распределения случайной величины
- •10.3 Наиболее употребительные распределения. Замена переменных
- •§11. Распределение случайного вектора (совместное распределение)
- •11.1 Основные определения
- •11.2 Плотность распределения случайного вектора при замене переменных
- •§12. Математическое ожидание случайной величины
- •12.1 Основные определения
- •12.2 Интеграл Лебега (интеграл по вероятностной мере)
- •12.3 Свойства математического ожидания
- •§13. Дисперсия случайной величины
- •§14. Примеры вычисления математического ожидания и дисперсии
- •§15. Производящие функции
- •15.1 Основные определения
- •15.2 Свойства
- •15.3 Примеры задач
- •§15. Коэффициент корреляции
- •§16. Многомерное нормальное распределение
- •16.1 Основные определения
- •16.2 Плотность распределения двумерного нормального вектора
- •16.3 Примеры задач
- •§17. Неравенство Чебышева
- •19.2 Закон больших чисел Бернулли
- •§20. Характеристические функции
- •20.1 Определение и свойства
- •20.2 Примеры
- •§21. Центральная предельная теорема
- •21.1 Доказательство цпт
- •21.2 Усиление закона больших чисел (збч Хинчина)
- •§22. Типичные задачи
- •§23. Условное математическое ожидание
- •23.1 Основные определения
- •23.2 Методы вычисления. Примеры
- •23.2.1 Дискретный случай
- •23.2.2 Непрерывный случай
- •23.3 Свойства
- •23.4 Исследование нормального случайного вектора
- •§24 Цепи Маркова
- •24.1 Основные определения. Формула Чепмена–Колмогорова
- •24.2 Классификация состояний
- •24.3 Период марковской цепи
- •24.4 Предельная теорема для переходных вероятностей марковских цепей
- •24.5 Возвратность цепей Маркова
- •§25 Типичные задачи, 2
§6. Аксиоматика Колмогорова
Обозначим за Ω множество элементарных
событий (элементов произвольной природы).
Его элементы будем обозначать
.
Выделим некоторую совокупность подмножеств Ω — множество событий F, и введем операции над событиями3:
Сумма.
Cуммой событийAиBназывается событиеC, которое заключается в том, что либо произошлоA, либоB, либо иA, иBодновременно. (Т.е., произошло хотя бы одно из событий). Обозначения:A + B,A B.
Такое определение допускает обобщение на большее число событий. Суммой
называют событие C: хотя бы одно из событийAi(i= 1..n) произошло.
Произведение.
Произведением событий AиBназывается событиеC, которое заключается в том, что произошли одновременно иA, иB. Обозначения:AB,A · B,A B.
Такое определение также допускает обобщение. Произведением
называют событие C: всеAi(i= 1..n) произошли.
ОтрицаниемсобытияAназывают событие
:Aне произошло.
РазностьюсобытийAиBназывается событие, которое заключается в том, что произошлоA, аBне произошло. Обозначение:A − B, A \ B.
.
Следованиемназывают событиеAB. Другие обозначения:A B,A → B.
Правила де Моргана:
. Легко обобщаются на случай большего количества событий.
6.1 Аксиомы событий
, где Ω — достоверное событие.
.
(набор может быть и бесконечным).
Отсюда сразу же (по п. 2 и законам де
Моргана) получаем, что
.
Множество Fназываетсяσ-алгеброй событий.
6.2 Аксиомы вероятности
Любому событиюможет
быть поставлена в соответствие вероятностьP(A)
со следующими свойствами (аксиомами
вероятности):
P(A) ≥ 0 (нормировка).
P(Ω) = 1.
Счетная аддитивность. ПустьV= {A1, …,An, …} — счетное множество4, для которого справедливо
(событияпопарно несовместны). Тогда
.
Тройка (Ω, F,P) образуетвероятностное пространство.
6.3 Свойства вероятности
.
Доказательство. Рассмотрим событияA,B − A. Они попарно несовместны. Их объединение равноA+ (B−A). Согласно рисунку
.
Отсюда P(B) ≥P(A).
0 ≤ P(A) ≤ 1.
Доказательство.P(A) ≥ 0 по аксиоме 1 п. 6.2,P(A) ≤P(Ω) по свойству 1 (из любого события следует достоверное). АP(Ω) = 1по аксиоме 2.
.
Доказательство.— очевидно, несовместные события, а
.
С одной стороны,
;
с другой —
.
Это и доказывает требуемое.
Теорема сложения вероятностей.
.
Доказательство.P(A+B)
состоит из трех непересекающихся
событий:A−B,B−A,AB. Согласно рисунку,
справедливы равенства:
.
Из них получим:
.
Но тогда
.
Замечание. ЕслиAиBнесовместны, тоP(AB) = 0 иP(A+B) =P(A) +P(B).
Обобщение. Применим формулу из п. 4, чтобы найти
.
Можно по индукции доказать, что
.
Это утверждение часто называют принципом включения-исключения.
Пример. «Задача о рассеянной секретарше»
Есть nписем иnадресов. Конвертам с письмами случайно назначены адреса. Какова вероятность того, что хотя бы одно письмо найдет своего адресата?
Решение. СобытиеAi—i-й адресат получил свое письмо, событиеA — все адресаты получили свои письма:
.
Вероятность будет равна
.
Непрерывность вероятности
Пусть имеется бесконечная последовательность возрастающих событий
определим события
.
Тогда
.
Равносильная формулировка: пусть имеется бесконечная последовательность убывающих событий
определим события
.
Тогда
.
Доказательство. Сначала докажем пунктa).
СобытиеBNпроисходит, когда либо все события
произошли (B), либо
когдаBnпроизошло, аBn−1— нет, либоBn−1произошло, аBn−2— нет и т.д. ПосколькуBnиBn−1попарно несовместны, можно записать
.
Вероятность BNравна:
.
Теперь докажем пункт b). По свойству 3,
.