18. Формулы Байеса, Бернулли, Пуассона.

Формулы Байеса: Предположим, что событие A может наступить лишь при появлении одного из несовместных событий (гипотез) H1, H2, ..., Hn, образующих полную группу. Событие A уже произошло. Требуется вычислить условные вероятности гипотез (при условии, что событие А произошло).

Формула Бернулли

Пусть проводятся независимые испытания (такие, при которых вероятность появления события в каждом испытании не зависит от результатов предыдущих испытаний). Далее, вероятность наступления интересующего нас события в каждом испытании постоянна и равна p. Тогда вероятность того, что рассматриваемое событие появится ровно k раз при n испытаниях (безразлично, в каком порядке), равна

В формуле Бернулли используется число сочетаний.

Повторюсь, что для реализации схемы Бернулли необходимы два условия:

1) независимость проводимых испытаний;

2) p = const (постоянное значение вероятности появления события)

Распределение вероятностей в схеме Бернулли - биномиальное. Наивероятнейшее число появления события (мода) при n испытаниях заключено в пределах np-q ≤ Mo ≤ np+p.

Приближённая формула Пуассона

Если при наличии схемы Бернулли число испытаний n велико, а вероятность наступления события p мала, то вместо формулы Бернулли используют формулу Пуассона:

18. Дискретные и непрерывные случайные величины.

Дискретной называют случайную величину, значения которой изменяются не плавно, а скачками, т.е. могут принимать только некоторые заранее определённые значения. Например, денежный выигрыш в какой-нибудь лотерее, или количество очков при бросании игральной кости, или число появления события при нескольких испытаниях. Число возможных значений дискретной случайной величины может быть конечным или бесконечным (счётным множеством)

Функция распределения случайной величины - это вероятность того, что случайная величина (назовём её ξ) примет значение меньшее, чем конкретное числовое значение x:

F(X) = P(ξ < X).

Для дискретной случайной величины функция распределения вычисляется для каждого значения как сумма вероятностей, соответствующих всем предшествующим значениям случайной величины. Ниже будет приведён пример, разъясняющий смысл сказанного.

Непрерывной называют случайную величину, которая может принимать любые значения из некоторого заданного интервала, например, время ожидания транспорта, температура воздуха в каком-либо месяце, отклонение фактического размера детали от номинального, и т.д. Интервал, на котором она задана, может быть бесконечным в одну или обе стороны.

18. Закон распределения дискретной случайной величины.

Закон распределения дискретной случайной величины представляет собой перечень всех её возможных значений и соответствующих вероятностей. Сумма всех вероятностей Σpi = 1. Закон распределения также может быть задан аналитически (формулой) и графически (многоугольником распределения, соединяющим точки (xi; pi)

18. Математическое ожидание, дисперсия, их свойства. Математическое ожидание – это распределение вероятностей случайной величины.

Математическое ожидание не всегда является разумной оценкой какой-нибудь случайной величины. Так, для оценки средней заработной платы разумнее использовать понятие медианы, то есть такой величины, что количество людей, получающих меньшую, чем медиана, зарплату и большую, совпадают.

Дисперсией случайной величины x называется среднее значение квадрата отклонения случайной величины от её математического ожидания: 

Свойства математического ожидания

• Математическое ожидание суммы независимых случайных величин равно сумме их математических ожиданий:  M _x  +  y  =  M _x  +  M _y .

• Математическое ожидание произведения независимых случайных величин равно произведению их математических ожиданий:  M _x  ·  y  =  M _x  ·  M _y .

 Свойства дисперсии

Дисперсия суммы независимых случайных величин равно сумме дисперсий:  D _x  +  y  =  D _x  +  D _y .

Теорема. Дисперсия постоянной величины равна нулю.

.

Теорема. Постоянный множитель можно выносить за знак дисперсии, возводя его при этом в квадрат .

Теорема. Дисперсия случайной величины равна разности математического ожидания ее квадрата и квадрата математического ожидания самой величины: .

Теорема. Дисперсия суммы двух независимых случайных величин равна сумме дисперсий этих величин:

.

Следствие 1. Дисперсия суммы нескольких взаимно независимых случайных величин равна сумме дисперсий этих величин.

Следствие 2. Если – постоянная величина, то .

Следствие 3. Дисперсия разности двух независимых случайных величин равна сумме дисперсий этих величин, т.е. если случайные величины и независимы, то