- •Введение
- •Операции над событиями.
- •Частость наступления события.
- •Аксиоматика теории вероятности.
- •Вероятностные меры
- •Построение вероятностных пространств Вероятностная модель эксперимента с конечным или счетным числом исходов
- •Классическое определение вероятности.
- •Построение вероятностных моделей для экспериментов с несчетным числом исходов.
- •Условные вероятности
- •Независимые события.
- •Формула сложения вероятностей
- •Формула Байеса* .
- •Композиция независимых испытаний.
- •Композиция n независимых испытаний.
- •Биномиальное распределение.
- •Случайные величины.
- •1. Основные определения.
- •2. Свойства функции распределения.
- •3. Теорема Колмогорова.
- •4. Функции от случайных величин.
- •Характеристики дискретных случайных величин
- •Производящая функция.
- •Свойства производящей функции
- •Первая модель распределения Пуассона*.
- •Вторая модель распределения Пуассона.
- •Непрерывные случайные величины.
- •Вероятностные характеристики непрерывных случайных величин.
- •Распределение Гаусса* (нормальное распределение).
- •Функция Лапласа* .
- •Распределение функций от случайной величины
- •Неравенство Чебышева*.
- •Многомерные случайные величины
- •Свойства m-мерной функции распределения
- •Теорема Колмогорова (без доказательства)
- •Двумерные дискретные случайные величины
- •Двумерные непрерывные случайные величины
- •Вычисление одномерных плотностей вероятности по двумерной плотности вероятности
- •Условные плотности вероятности
- •Независимые двумерные дискретные случайные величины
- •Двумерные непрерывные независимые случайные величины
- •Многомерные дискретные случайные величины
- •Многомерные непрерывные случайные величины
- •Мерные независимые величины
- •Математическое ожидание скалярной функции случайной величины
- •Коэффициент ковариации, коэффициент корреляции двух случайных величин
- •Свойства коэффициентов корреляции (ковариации)
- •Сумма двух независимых случайных величин
- •Двумерное нормальное распределение
- •Многомерное нормальное распределение
- •Свойства многомерного нормального распределения
- •Теорема Бернулли
- •Трактовка теоремы Бернулли
- •Закон больших чисел
- •Усиленный закон больших чисел
- •Математический аппарат характеристических функций
- •Комплексная случайная величина
- •Математическое ожидание комплексной случайной величины
- •Свойства характеристической функции
- •Примеры характеристических функций (хф)
- •Центральная предельная теорема.
- •Теорема Муавра-Лапласа
- •Общий случай центральной предельной теоремы. (без доказательства)
- •Инженерная трактовка общего случая цпт
- •Векторный аналог цпт
Независимые события.
Определение 1: Пусть (W,F,Р) - вероятностное пространство. Случайные события А и В (AÎF, BÎF) называются независимыми, если
Р(АВ)=Р(А)×Р(В).
Если это равенство не выполняется, то события называются зависимыми.
Такое определение независимых событий, на первый взгляд носит чисто формальный характер. Если, однако, отказаться от рассмотрения случайных событий нулевой вероятностной мерой введенное понятие независимости имеет близкую к естественным представлениям трактовку. Докажем следующее утверждение.
Пусть Р(В)>0. Случайные события А и В независимы тогда и только тогда, когда Р(А/В)=Р(А) (появление события В не изменяет вероятности события А).
Действительно, если А и В независимы и Р(В)>0, то
.
Если же известно, что
,
то
,
а это означает , что А и В независимы.
Таким образом, для событий с ненулевой вероятностной мерой имеем эквивалентное определение независимости: два события А и В независимы, когда условная вероятность наступления одного из них, при условии, что второе событие произошло, равняется безусловной вероятности первого события.
Имеют место следующие свойства независимых событий: если А и В независимы, то события А и , и В, и также независимы.
Докажем,
что А и
независимы (остальное доказать
самостоятельно). Заметим, что
Поэтому
.
Если А и В независимы, то
.
Следовательно А и независимы.
Доказать самостоятельно, что в случае, если А и В независимы и Р(А)>0, P(B)>0, то А и В обязательно несовместны.
Определение 2. Случайные события А1, А2, ... , Аn независимы в совокупности, если для произвольного k, 1£ k £ n, и для произвольного набора индексов і1, і2,..., іk, 1 £ і1 < і2 < ... < іk £ n,
.
В частности, если А1, А2, ... , Аn независимы в совокупности, то произвольные два события Аі и Аj, і¹j, независимы. Однако из попарной независимости независимость в совокупности не следует.
Пусть
для любого набора указанных индексов
і1,
і2,
... , іk
.
Тогда для произвольного j¹
,
1£
j £
n
(1)
Действительно, из независимости в совокупности {Ai} имеем:
.
Наоборот,
если для произвольных событий из {Ai}
имеет место (1), то Аі,
і=
,
независимы в совокупности (доказать
самостоятельно, используя индукцию по
k).
Таким
образом для событий Аі,
і=
,
таких что для любой последовательности
индексов і1,
і2,
... , іk
,
можно дать эквивалентное определение
независимости: события Аі,
і=
,
независимы
в совокупности,
если вероятность наступления одного
(произвольного) из них, при условии
наступления произвольной совокупности
других событий из {Ai},
равна безусловной вероятности.
Пример (С.Н.Берштейна*). На плоскость бросают тетраэдр, три грани которого покрашены соответственно в красный, зеленый, синий цвета, а на четвертую грань нанесены все три цвета.
Пусть событие К состоит в том, что выпадает грань красного цвета, и пусть аналогично определены события З и С. Так как каждый из трех цветов нанесен на 2 грани, то
Р(К)=Р(З)=Р(С)=2/4=1/2.
Далее
Р(КЗ) = Р(КС) = Р(ЗС) = 1/4,
и, следовательно, события К, З, С попарно независимы. Однако эти события не являются независимыми в совокупности, потому что
Р(КЗС) = 1/4 ¹ Р(К)Р(З)Р(С) =1/8.
