
- •Раздел 1. Лекции
- •Тема 1. Случайные события
- •Лекция 1
- •Введение
- •Предмет теории вероятностей
- •Основные понятия и определения теории вероятностей
- •Действия над событиями Алгебра событий
- •Свойства событий
- •Частота события
- •Классическое определение вероятности
- •Полная группа событий
- •Геометрическое определение вероятности
- •Аксиоматическое определение вероятности
- •Свойства вероятности. Условная вероятность
- •Условная вероятность.
- •Лекция 2 Основные теоремы теории вероятностей
- •2.1. Теорема сложения вероятностей несовместных событий
- •2.2. Теорема сложения вероятностей совместных событий
- •Лекция 3 Основные формулы вычисления вероятностей сложных событий
- •3.1. Формула полной вероятности
- •3.2. Теорема гипотез. Формула Байеса
- •3.3. Частная теорема о повторении опытов. Теорема я. Бернулли
- •Тема 2. Случайные величины и их распределения Лекция 4 Закон распределения случайной величины
- •Лекция 5 Числовые характеристики случайных величин
- •5.1. Характеристики положения
- •5.2. Характеристики рассеивания и взаимодействия
- •Лекция 6 Основные дискретные и непрерывные распределения Основные дискретные распределения
- •6.1. Биномиальное распределение
- •6.2. Распределение Пуассона
- •Основные непрерывные распределения
- •6.3. Равномерное распределение
- •6.4. Показательное распределение
- •6.5. Нормальное распределение
- •6.6. Распределение "хи-квадрат"
- •6.7. Распределение Стьюдента
- •Тема 3. Случайные векторы. Законы распределения и числовые характеристики Лекция 7 Системы случайных величин (случайные векторы)
- •Функция распределения системы двух случайных величин
- •Числовые характеристики системы двух случайных величин
- •Лекция 8 Система произвольного числа случайных величин
- •Числовые характеристики системы нескольких случайных величин
- •Лекция 9 Законы распределения отдельных компонент, входящих в систему. Условные законы распределения
- •Тема 4. Зависимые и независимые случайные величины Лекция 10
- •Квантиль
- •Тема 7. Случайные последовательности и их сходимость Лекция 14 Виды сходимости последовательностей случайных величин
- •Тема 8. Закон больших чисел. Центральная предельная теорема Лекция 15 предельные теоремы теории вероятностей
- •7.1. Неравенство Чебышева
- •Лекция 16 предельные теоремы теории вероятностей
- •Лекция 17 центральная предельная теорема
- •Тема 9. Первичный статистический анализ результатов измерений случайной величины Лекция 18 Основные понятия математической статистики
- •Статистическое распределение выборки
- •Лекция 19 Полигон частот и гистограмма
- •Эмпирическая функция распределения
- •Тема 10. Точечное оценивание параметров распределений случайных величин Лекция 20 Точечные оценки параметров распределений
- •Оценка математического ожидания случайной величины
- •Оценка дисперсии наблюдаемой случайной величины
- •Оценка вероятности случайного события
- •Лекция 22 Метод наименьших квадратов
- •Метод моментов
- •Тема 11. Интервальное оценивание параметров распределений случайных величин Лекция 23 Построение интервальных оценок параметров распределений
- •Построение доверительного интервала для математического ожидания случайной величины при известной дисперсии
- •Лекция 24 Построение интервальной оценки для математического ожидания и дисперсии Построение доверительного интервала для математического ожидания случайной величины при неизвестной дисперсии
- •Тема 12. Проверка статистических гипотез Лекция 25 Критерий значимости проверки статистических гипотез при принятии решений
- •Критерии согласия Сравнение средних и дисперсии нормальных генеральных совокупностей (малые независимые выборки)
- •Лекция 26 Критерии согласия Сравнение дисперсий по выборкам одинакового объема (критерий Кочрена)
- •Определение типа распределения с помощью критерия Пирсона ("хи-квадрат")
- •Лекция 27 Критерии согласия Критерий согласия Колмогорова
- •Список литературы
3.3. Частная теорема о повторении опытов. Теорема я. Бернулли
При практическом применении теории вероятности приходится встречаться с задачами, в которых требуется определить вероятность любого заданного числа появлений события в результате серии опытов.
В большинстве случаев эти задачи решаются, когда опыты являются независимыми. Несколько опытов называются независимыми, если вероятность того или иного исхода каждого из опыта не зависит от того, какие исходы имели другие опыты.
Независимые опыты могут проводиться при одинаковых или различных условиях Q . В первом случае вероятность события A во всех опытах одна и та же. Во втором случае вероятность события A от опыта к опыту меняется. К первому случаю относится частная теорема, а ко второму - общая теорема о повторении опытов.
Теорема
3.3.
(теорема Я. Бернулли).
Если производится n
независимых опытов, в каждом из которых
событие A появляется с вероятностью p,
то вероятность
того, что событие A появится ровно m раз
в n
опытах, выражается формулой:
,
где q = 1– p.
Проведем доказательство этой формулы по методу индукции. Пусть производится n = 2 опытов, в каждом из которых может появиться или не появиться некоторое событие A . Вероятность появления события A в каждом опыте равна p , а вероятность не появления q = 1– p. Требуется определить вероятность p того, что событие A в этих двух опытах появится ровно m = 1 раз.
Рассмотрим событие B , состоящее в том, что событие A появится в n = 2 опытах ровно m = 1 раз. Это событие может произойти в двух несовместных случаях:
– событие
A
происходит в первом опыте и не происходит
во втором,
– событие
A
происходит во втором опыте и не происходит
в первом.
Следовательно, событие B можно представить как сумму двух несовместных событий В = + . Учитывая, что события, входящие в произведения событий, несовместны, по теоремам сложения и умножения независимых событий получим:
P(B)
= p(1
– p)
+ (1 – p)p
= pq
+ qp
= 2 p
q
=
p q
Рассмотрим теперь n = 3, m = 2. Событие B может произойти в трех случаях:
– событие
A
происходит в первом и во втором опыте
и не происходит в третьем.
– событие
A
происходит в первом и в третьем опыте
и не происходит во втором.
– событие
A
происходит во втором и в третьем опыте
и не происходит в первом.
Тогда B = + + и вероятность появления события A – m = 2 раза в n = 3 опытах будет равна
P(B)
= pp(1
- p)
+ p(1
- p)p
+ (1 - p)pp
= p
q + p q + p q
=
p
q
= 3 p
q.
Таким образом, в соответствии с методом полной индукции для события B, состоящего в том, что событие A появится в n опытах m раз, имеет место
B
=
,
причем
в каждое произведение событие A
должно входить m
раз, а
должно входить (n
–
m)
раз. Число слагаемых такого рода равно
числу сочетаний
по
m
из n
, т.е.
.
Полученную формулу называют формулой Бернулли. Она описывает, как распределяются вероятности между возможными значениями некоторой случайной величины m - числа появления события A при n независимых опытах.
В связи с тем, что вероятности теоремы 2.9 по форме представляют собой члены разложения бинома
распределение вероятностей теоремы 3.3 называется также биномиальным распределением.
Пример: Оптовая база снабжает 10 магазинов. От каждого магазина независимо от других с вероятностью 0,4 может поступить на очередной
день заявка.
Найти вероятность получения от 10 магазинов четырех заявок.
Решение. В данном случае n = 10, m = 4, p = 0,4. Вероятность получения четырех заявок из десяти согласно формуле Бернулли равна
=