- •СОДЕРЖАНИЕ
- •ЛЕКЦИЯ 1
- •Введение
- •Основные понятия
- •Аксиомы теории вероятностей
- •Непосредственный подсчет вероятностей
- •Основные комбинаторные формулы
- •ЛЕКЦИЯ 2
- •Геометрическое определение вероятностей
- •Теоремы сложения вероятностей
- •Тогда на основании второй аксиомы
- •Условная вероятность
- •Зависимые и независимые события
- •Теоремы умножения вероятностей
- •Вероятность безотказной работы сети
- •ЛЕКЦИЯ 3
- •Формула полной вероятности
- •Формула Байеса
- •Теорема о повторении опытов
- •Функция распределения
- •Ряд распределения
- •Плотность распределения
- •ЛЕКЦИЯ 5
- •Числовые характеристики случайной величины
- •ЛЕКЦИЯ 6
- •Типовые законы распределения
- •ЛЕКЦИЯ 7
- •Функции одного случайного аргумента
- •Закон распределения функции случайного аргумента
- •Числовые характеристики функции случайного аргумента
- •Характеристическая функция случайной величины
- •Двухмерная функция распределения
- •Матрица распределения
- •Двухмерная плотность распределения
- •Зависимые и независимые случайные величины
- •Условные законы распределения
- •ЛЕКЦИЯ 9
- •Числовые характеристики двухмерных величин
- •Условные числовые характеристики
- •ЛЕКЦИЯ 10
- •Нормальный закон распределения на плоскости
- •Закон распределения функции двух случайных величин
- •Многомерные случайные величины
- •Числовые характеристики суммы случайных величин
- •Числовые характеристики произведения случайных величин
- •ЛЕКЦИЯ 12
- •Закон больших чисел
- •Центральная предельная теорема
- •ЛЕКЦИЯ 13
- •Математическая статистика. Основные понятия
- •Оценка закона распределения
- •ЛЕКЦИЯ 14
- •Точечные оценки числовых характеристик
- •Оценка параметров распределения
- •Интервальные оценки числовых характеристик
- •ЛЕКЦИЯ 15
- •Проверка статистических гипотез
- •Критерии согласия
- •Статистические критерии двухмерных случайных величин
- •ЛЕКЦИЯ 17
- •Оценка регрессионных характеристик
- •Метод наименьших квадратов
- •ЛИТЕРАТУРА
ЛЕКЦИЯ 3
Формула полной вероятности
Следствием обеих теорем вероятности: теоремы сложения и теоремы умножения – является формула полной вероятности.
Пусть проводится опыт, об условиях которого можно сделать n исключающих друг друга предположений (гипотез), образующих полную группу:
n
H1, H2 , ..., Hn , Hi H j = , i ≠ j ,∑Hi = Ω.
i=1
Каждая из гипотез осуществляется случайным образом и представляет собой случайное событие. Вероятности гипотез известны и равны:
n
p(H1), p(H2 ), ..., p(Hn ),∑p(Hi ) =1.
i=1
Рассмотрим некоторое событие А, которое может появиться только вместе с одной из гипотез. Известны условные вероятности события А для каждой из гипотез:
P(A/H1), p(A/H2), …, p(A/Hn).
Требуется определить полную (безусловную) p(А) вероятности события А. Представим событие А как сумму из n несовместимых вариантов:
A = AΩ = A(H1 + H2 + … + Hn) = A H1 + A/H2 + … + A/Hn.
На основании второй аксиомы
p ( A ) = ∑n p ( H i A ) .
i=1
Сучетом теоремы умножения вероятностей p(HiA) = p(Hi)p(A/Hi), тогда
n |
|
p(A) = ∑p(Hi ) p(A/ Hi ) . |
(3.1) |
i=1
Формула Байеса
Базируется на формуле полной вероятности и теореме умножения вероятностей.
Пусть до проведения некоторого опыта об его условиях n можно сделать n исключающих друг друга предположений (гипотез), образующих полную группу:
n
H1, H2 , ..., Hn , Hi H j = , i ≠ j ,∑Hi = Ω.
i=1
Вероятности гипотез до опыта (априорные вероятности) известны: p(H1), p(H2), …, p(Hn).
Опыт произведен, и произошло некоторое событие А. Требуется определить вероятности гипотез с учетом того, что произошло событие А, т.е. определить апостериорные вероятности: p(H1/A), p(H2/A), …, p(Hn/A).
Вероятность того, что событие А произошло совместно с Нi, на основании теоремы умножения вероятностей равна p(HiA) = p(Hi)p(A/Hi) = p(A)p(Hi/A). Отбросим левую часть равенства и выразим p(Нi/А):
p(Hi / A) = p(Hi ) p(A / Hi ) .
Раскроем p(A) по формуле полной вероятности (3.1) и получим формулу Байеса
p(Hi / A) = |
p(Hi ) p(A / Hi ) |
. |
(3.2) |
n |
|||
|
∑p(H j ) p(A / H j ) |
|
|
j=1
Формула Байеса позволяет пересчитать априорные вероятности гипотез с учетом того, что опыт завершился событием А.
Теорема о повторении опытов
Пусть проводятся n независимых одинаковых опытов, в каждом из которых событие А появляется с вероятностью р. Вероятность P(n, k) того, что событие А произойдет ровно в k опытах, равна (формула Бернулли):
P(n,k) =Ck pk qn−k = |
n! |
pk qn−k ,0 |
≤ k ≤ n |
, |
(3.3) |
|
|
|
|||||
n |
k! (n −k)! |
|
|
|||
|
|
|
|
|
где q = 1 – р – вероятность того, что А не появится в одном опыте. Доказательство. Обозначим через Вk появление события А в k опытах и
появление А в n – k опытах. Событие Вk представляет собой сумму несовместимых событий:
Bk = A1 |
A2 |
|
Ak |
|
k +1 |
|
|
k +2 |
|
n + |
+ |
|
|
|
|
2 |
|
|
n−k |
|
n−k +1 |
|
|
k +2 |
|
|
n |
||
A |
A |
A |
A1 |
A |
A |
A |
A |
A |
|||||||||||||||||||||
1 44 2 4 43 |
1 4 4 2 4 4 3 |
|
1 4 4 2 4 |
43 |
1 4 44 2 4 4 43 |
|
|||||||||||||||||||||||
|
|
k |
|
|
|
|
|
n−k |
|
|
|
|
|
|
|
n−k |
|
|
|
|
|
|
|
k |
|
|
|
где Аi Ai – появление и не появление событие А в i-м опыте.
Определим вероятность одного из слагаемых. Так как все опыты одинаковы, то вероятности всех вариантов одинаковы и равны
P( A A |
A |
|
|
|
|
|
|
) = p p pq q q = pk qn−k . |
||
A |
A |
A |
||||||||
1 2 |
k k +1 |
|
k +2 |
n |
14 2 43 14 2 43 |
|||||
|
|
|
|
|
|
|
|
|
k |
n−k |
Количество вариантов таких сложных событий равно числу выборок к номеров опытов из n возможных, в которых произойдут события А, т.е. равно
числу сочетаний без повторения элементов C nr . Так как эти события
несовместимы, то на основании второй аксиомы : p(Bk ) = P(n, k) = Cnk pk qn−k .
Свойства формулы Бернулли:
1. Правая часть формулы (3.3) представляет собой общий член разложения бинома Ньютона:
n |
|
n |
|
|
(q + p)n = ∑P(n, k) = ∑Cnk pk qn−k =1. |
(3.4) |
|||
k =0 |
k =0 |
|
||
2. Рекуррентная формула P(n, k)имеет вид |
|
|||
P(n, k +1) = n − k |
|
p |
Pn (n, k) . |
(3.5) |
|
||||
k +1 |
|
q |
|
|
3. Число к0, которому соответствует максимальная вероятность |
P ( n , k 0 ) , |
называется наивероятнейшим числом появления события А и определяется неравенствами
|
|
|
|
|
|
|
|
|
|
np − q ≤ k0 ≤ np + p . |
|
|
|
|
Доказательство: |
|
|
|
|
|
|
|
|||||
|
Pn (k + 1) |
|
= |
n − k |
|
p |
Pn |
(k + 1) ≥ Pn (k ) |
n − k |
|
p |
||
|
Pn (k ) |
k + 1 |
q |
k + 1 |
q |
||||||||
|
|
|
|
|
|
|
|
||||||
а Pn (k +1) |
≤ Pn (k ) n − k |
|
p |
≤1 k ≥ np − q . |
|
|
|
||||||
q |
|
|
|
||||||||||
|
|
|
|
|
|
k +1 |
|
функция P(n,k) возрастает, |
|||||
|
Итак, |
при k < np − q |
(3.6)
≥ 1 k ≤ np − q ,
а при k > np − q –
убывает. Тогда существует точка k0, в которой P(n,k) достигает максимума, т.е.
P (n, k 0 ) ≥ P (n, k 0 |
− 1) |
. |
|
|
|
|
|
|
+ 1) |
|
|
|
|
|
|
P (n, k 0 ) ≤ P (n, k 0 |
|
|
|
|
|
|
|
Решив данную систему неравенств относительно k0, получим (3.6). |
|
||||||
4. Вероятность |
Pn ( k1 ≤ k ≤ k2 ) того, что |
в n опытах схемы Бернулли |
|||||
событие А появится от k1 до k2 |
раз (0 ≤ k1 ≤ k2 ≤ n ), равна: |
|
|||||
|
|
|
k |
|
k |
|
|
P(n, k1 ≤ k ≤ k2 ) = ∑2 |
P(n, k) = |
∑2 |
Cnk pk qn−k . |
(3.7) |
|||
|
|
|
k =k1 |
|
k =k1 |
|
|
5 Вероятность |
P(n,1≤k ≤n) |
того, что в n опытах событие А появится хотя |
|||||
бы один раз, равна |
|
P(n,1≤k ≤n) =1−P(n,0) =1−qn . |
|
||||
|
|
(3.8) |
Пусть производится n независимых опытов, каждый из которых имеет r (r > 2) попарно несовместных и единственно возможных исходов A1, A2, …, Ar с
вероятностями p1 = p(A1), p2 = p(A2), …, pr = p(Ar).
Требуется определить вероятность того, что из серии n независимых опытов исход A1 наступит k1 раз, A2 −k2 ,..., Ar −kr (k1 + k2 +.....+ kr = n), то
P( n,k1 ,k2 ,.....kr ) = |
(k1 + k2 +.....kr )! |
p1k1 |
p2k2 ... prkr . |
(3.9) |
|
k1 ! k2 !.....kr ! |
|
|
|
Вычисление вероятностей P( n,k ) при больших значениях n по формуле
Бернулли проблематично. Поэтому вычисление соответствующих вероятностей |
|||||||||||
проводится с помощью следующих приближенных формул. |
|||||||||||
Если количество испытаний велико n → ∞ , |
а вероятность события мала |
||||||||||
p →0 , так что np → a, 0 < a < ∞ |
и |
p << |
1 |
, |
то используется формула |
||||||
|
|
||||||||||
Пуассона: |
|
|
|
|
|
|
n |
|
|||
|
|
|
|
|
|
|
|
|
|
||
|
ak |
|
−a |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
||||
P(n,k) ≈ |
|
|
e |
, k =0,n . |
(3.10) |
||||||
k! |
|||||||||||
|
|
|
|
|
|
|
|
|
Если количество испытаний n велико, вероятности p и q не малы, так что выполняются следующие условия:
|
|
|
|
0 |
< |
np |
|
− 3 |
npq , np + 3 |
npq |
< n , |
||||||
то применяются приближенные формулы Муавра–Лапласа: |
|||||||||||||||||
– локальная |
|
|
|
|
|
|
P(n,k) ≈ |
|
ϕ(x) |
, |
|
(3.11) |
|||||
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
npq |
|
|
|
где ϕ(x) = |
1 |
|
|
|
x2 |
x = |
k − np |
|
|
|
|
||||||
|
|
exp − |
|
|
|
, |
|
|
; |
|
|
|
|||||
π |
2 |
|
npq |
|
|
|
|||||||||||
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|||
– интегральная |
|
P(n,k1 ≤k ≤k2) ≈Φ(x2)−Φ(x1), |
(3.12) |
||||||||||||||
где x1 = ( k1 − np ) , |
x2 |
= ( k2 − np ) , |
|
|
|
|
|
|
|||||||||
|
|
npq |
|
|
|
|
|
npq |
|
|
|
|
|
|
|
||
|
|
1 |
|
x |
|
|
x2 |
|
|
|
|
|
|
|
|||
Φ(x) = |
|
|
|
∫exp − |
|
|
dx – функция Лапласа. |
|
|
||||||||
|
π |
2 |
|
|
|
||||||||||||
|
|
2 |
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Функции |
ϕ ( x) и |
|
Φ(x) |
табулированы. |
При |
использовании таблиц |
следует помнить, что ϕ( x) является четной (ϕ(−x) =ϕ(x) ), а функция
Лапласа – нечетной ( Φ(−x)= − Φ(x) ). Доказательство формул (3.11) и (3.12)
будет приведено в лекции 12 (Центральная предельная теорема).