- •2. События. Сумма событий, произведение, разность
- •Сумма событий, произведение, разность
- •3. Условная вероятность.
- •4. Формула полной вероятности, формула Байеса. Формула полной вероятности
- •Формула Байеса
- •5. Схема испытаний Бернулли.
- •6. Теорема Пуассона.
- •7. Локальная теорема Лапласа.
- •8. Интегральная теорема Лапласа. Отклонение относительной частоты от постоянной вероятности. Интегральная теорема Лапласа
- •Отклонение относительной частоты от постоянной вероятности
- •9. Дискретные случайные величины. Закон распределения дискретной случайной величины (ряд распределения, многоугольник распределения).
- •Дискретные случайные величины
- •Закон распределения дискретной случайной величины (ряд распределения, многоугольник распределения)
- •10. Функция распределения вероятностей и ее свойства. Функция распределения вероятностей
- •Свойства функции
- •11. Плотность распределения вероятностей и ее свойства.
- •12. Математическое ожидание и его свойства. Математическое ожидание
- •Свойства математического ожидания
- •13. Дисперсия и ее свойства. Среднеквадратическое отклонение. Дисперсия
- •Свойства дисперсии
- •Среднеквадратическое отклонение
- •Пример дисперсии
- •14. Мода. Медиана, начальные и центральные моменты. Мода
- •Медиана
- •Начальные и центральные моменты
- •15. Биномиальное распределение.
- •16. Распределение Пуассона.
- •17. Геометрическое распределение.
- •18. Непрерывные случайные величины. Плотность распределения. Функция распределения.
- •19. Числовые характеристики непрерывной случайной величины. Математическое ожидание
- •Дисперсия
- •20. Коэффициент асимметрии. Эксцесс.
- •25. Закон больших чисел. Неравенство Чебышева. Теорема Чебышева.
- •26. Усиленный закон больших чисел, теорема Бернулли. Теорема Пуассона.
- •27. Центральная предельная теорема.
- •28. Многомерные случайные величины. Функция распределения и плотность распределения.
- •33. Задачи математической статистики.
- •34. Выборка. Типы выбора. Виды выбора. Свойства выбора.
- •35. Вариационный ряд и его свойства. Гистограмма
- •36. Эмпирическая функция распределения.
- •37. Выборочные числовые характеристики: выборочная средняя, выборочная дисперсия, исправленная выборочная дисперсия.
- •38. Точечное оценивание неизвестного параметра. Свойства оценок: состоятельность, несмещенность, эффективность.
- •39. Интервальные оценки. Доверительный интервал. Доверительный интервал для оценки математического ожидания нормально распределенной случайной величины.
- •40. Метод моментов.
- •41. Метод максимального правдоподобия.
- •42. Метод наименьших квадратов.
- •43. Проверка статистических гипотез. Ошибки первого и второго рода.
- •44. Критерий согласия Пирсона 𝜒2.
- •45. Критерий Стьюдента.
- •Сравнение выборочного среднего с заданным значением
- •Сравнение двух выборочных средних при известных дисперсиях
- •Сравнение двух выборочных средних при неизвестных равных дисперсиях
- •Сравнение двух выборочных средних при неизвестных неравных дисперсиях
- •Сравнение двух выборочных средних в связанных выборках
- •Сравнение разности средних с заданным значением
- •46. Точный критерий Фишера.
- •47. Непараметрический критерий Вилкоксона.
4. Формула полной вероятности, формула Байеса. Формула полной вероятности
Пример. Имеются три одинаковые урны. В первой урне находятся 4 белых и 7 черных шаров, во второй – только белые и в третьей – только черные шары. Наудачу выбирается одна урна и из неё наугад извлекается шар. Какова вероятность того, что этот шар чёрный?
Решение: Рассмотрим событие A – из наугад выбранной урны будет извлечён чёрный шар. Данное событие может произойти или не произойти в результате осуществления одной из следующих гипотез: B1 – будет выбрана 1-я урна; B2 – будет выбрана 2-я урна; B3 – будет выбрана 3-я урна. Так как урна выбирается наугад, то выбор любой из трёх урн равновозможен, следовательно:
В первой урне 4 белых + 7 черных = 11 шаров, по классическому определению:
Во второй урне только белые шары, поэтому в случае её выбора появление чёрного шара становится невозможным: PB2(A) = 0.
И, наконец, в третьей урне одни чёрные шары, а значит, соответствующая условная вероятность извлечения чёрного шара составит PB3(A) = 1 (событие достоверно).
(хз, нужно ли это)Эта формула называется формулой полной вероятности. Формула полной вероятности позволяет вычислить вероятность интересующего события A через вероятности его произойти при выполнении гипотез с заданной вероятностью. Формула полной вероятности требуется, когда необходимо узнать вероятность совершения некоторого события, если его совершение зависит от нескольких условий. Например, можно узнать вероятность принятия законопроекта, зная, с какой вероятностью его примет каждая партия. Ещё формула применяется в задачах о нахождении среднего качества продукции, выпускаемой цехом.
Формула Байеса
По формуле Байеса можно более точно пересчитать вероятность, беря в расчет как ранее известную информацию, так и данные новых наблюдений. Формула Байеса позволяет «переставить причину и следствие»: по известному факту события вычислить вероятность того, что оно было вызвано данной причиной. События, отражающие действие «причин», в данном случае называют гипотезами, так как они — предполагаемые события, повлекшие данное.
Пример. На склад поступило 2 партии изделий: первая – 4000 штук, вторая – 6000 штук. Средний процент нестандартных изделий в первой партии составляет 20%, а во второй – 10%. Наудачу взятое со склада изделие оказалось стандартным. Найти вероятность того, что оно: а) из первой партии, б) из второй партии.
Первая часть решения состоит в использовании формулы полной вероятности. Иными словами, вычисления проводятся в предположении, что испытание ещё не произведено и событие «изделие оказалось стандартным» пока не наступило.
Рассмотрим две гипотезы:
B1 – наудачу взятое изделие будет из 1-й партии;
B2 – наудачу взятое изделие будет из 2-й партии.
Всего: 4000 + 6000 = 10000 изделий на складе. По классическому определению:
Рассмотрим зависимое событие: A – наудачу взятое со склада изделие будет стандартным.
В первой партии 100% – 20% = 80% стандартных изделий, поэтому:
Аналогично, во второй партии 100% – 10% = 90% стандартных изделий и
PB2(A) = 0,9 – вероятность того, что наудачу взятое на складе изделие будет стандартным при условии, что оно принадлежит 2-й партии.
Часть вторая. Пусть наудачу взятое со склада изделие оказалось стандартным. Эта фраза прямо прописана в условии, и она констатирует тот факт, что событие A произошло. По формулам Байеса:
Понять смысл переоценки гипотез нам поможет Иван Васильевич, которой снова сменил профессию и стал директором завода. Он знает, что сегодня 1-й цех отгрузил на склад 4000, а 2-й цех – 6000 изделий, и приходит удостовериться в этом. Предположим, вся продукция однотипна и находится в одном контейнере. Естественно, Иван Васильевич подсчитал, что изделие, которое он сейчас извлечёт для проверки, с вероятностью P(B1) = 0,4 выпущено первым цехом и с вероятностью P(B2) = 0,6 – вторым.
Но после того как выбранное изделие оказывается стандартным, он восклицает: «Какое же классное изделие! – его скорее выпустил 2-й цех». Таким образом, вероятность второй гипотезы переоценивается в лучшую сторону PA(B2) ≈ 0,63 , а вероятность первой гипотезы занижается: PA(B1) ≈ 0,37 . И эта переоценка небезосновательна – ведь 2-й цех произвёл не только больше изделий, но и работает в 2 раза лучше!