
- •1.1 Случайные события: элементарные, достоверные, невозможные, несовместные, совместные, равновозможные. Попарно-несовместные, образующие полную группу. Пространство элементарных событий. Случай.
- •1.2. Сумма, произведение, разность, отрицание. Теоретико-множественная трактовка. Диаграммы Эйлера-Венна. Алгебра событий. Понятие сигма-алгебры.
- •1.3. Частота события. Свойство статистической устойчивости. Статистическое определение вероятности.
- •1.4. Классическое определение вероятности события. Непосредственное вычисление вероятностей.
- •1.5. Комбинаторика: правило умножения и сложения. Основные схемы: с возвращением, без возвращения. Понятия размещения, сочетания, перестановки.
- •1.6. Геометрическое определение вероятности.
- •1.7. Аксиоматическое определение вероятности. Свойства вероятностей.
- •1.8. Вероятностное пространство.
- •Независимые случайные величины Определения
- •1.12 Вероятность суммы событий
- •1.13 Формула полной вероятности.
- •1.14 Формула Байеса
- •1.15.Однородная цепь Маркова
- •1.16. Независимые испытания. Схема и формула Бернулли. Многоугольник распределения вероятностей.
- •1.17 . Предельные теоремы в схеме Бернулли: формула Пуассона, локальная и интегральная теоремы Муавры-Лапласа.
- •1.18 Схема Бернулли. Наивероятнейшее число
- •2.1.Понятие и определение случайной величины.
- •2.2. Закон распределения случайной величины. Многоугольник распределения.
- •2.3. Дискретные и непрерывные случайные величины
- •2.4.Дискретные случайные величины. Сумма, разность, произведение на число.
- •2.5. Произведение д.С.В. Независимость.
- •2.9. Числовые характеристики случайных величин. Мат ожидание. Свойства мат ожидания.
- •2.10. Числовые характеристики случайных величин. Дисперсия. Свойства. Среднее квадратное отклонение
- •2.11. Числовые характеристики случайных величин. Квантили. Мода, медиана. Начальные и центральные моменты.
- •2.12. Производящая функция (случай целочисленных случайных величин).
- •3.1. Понятие системы случайных величин. Закон распределения в дискретном случае.
- •3.8 Числовые характеристики. Математическое ожидание и дисперсия. Центр рассеивания.
- •3.9 Корреляционный момент. Свойства ковариации. Ковариационная матрица.
- •3.10 Коэффициент корреляции. Свойства. Линейная корреляционная зависимость.
- •3.11 Двумерное нормальное распределение. Центр рассеивания. Формула вероятности
- •3.12 Условное мат. Ожидание. Регрессия. Коэффициент линейной регрессии.
- •5.1 Неравенство Чебышёва
- •5.2 Неравенство Маркова для с.В. Принимающих неотрицательные значения
- •5.3 Сходимость по вероятности
- •5.4 Закон больших числе в форме Чебышёва
- •5.5 Закон больших чисел в форме Бернулли (схема Бернулли)
- •5.6 Центральная предельная теорема (формулировка, пример применения для решения задач)
- •5.7 Центральная предельная теорема в случае схемы Бернулли (теорема Муавра-Лапласа).
- •Глава 1. Случайные события
- •Глава 2. Случайные величины
- •Глава 3. Системы случайных величин
- •Глава 5. Предельные теоремы
1.17 . Предельные теоремы в схеме Бернулли: формула Пуассона, локальная и интегральная теоремы Муавры-Лапласа.
Локальная
теорема Лапласа.
Пользоваться формулой Бернулли при
больших значениях очень
трудно. Например, еслиn=50,
m=30,
p=0,1,
то для отыскания вероятности P30,50 надо
вычислить значение выражения
Естественно,
возникает вопрос: нельзя ли вычислить
интересующую вероятность, не используя
формулу Бернулли? Оказывается, можно.
Локальная теорема Лапласа дает
асимптотическую формулу, которая
позволяет приближенно найти вероятность
появления событий ровно раз
в
испытаниях,
если число испытаний достаточно велико.
Теорема 3.1. Если вероятность P появления события A в каждом испытании постоянна и отлична от нуля и единицы, то вероятность Pm,n того, что событие A появится в n испытаниях ровно m раз, приближенно равна (тем точнее, чем больше n) значению функции
при .
Существуют таблицы, которые содержат
значения функции
,
соответствующие положительным значениям
аргумента
.
Для отрицательных значений аргумента
используют те же таблицы, так как
функция
четна,
т. е.
.
Итак, приближенно вероятность того, что событие A появится в n испытаниях ровно m раз,
где
.
Интегральная теорема Лапласа
Предположим, что проводится n независимых испытаний, в каждом из которых вероятность появления события A постоянна и равна P. Необходимо вычислить вероятность P(m1,m2),n того, что событие A появится в n испытаниях не менее m1 и не более m2 раз (для краткости будем говорить "от m1 до m2 раз"). Это можно сделать с помощью интегральной теоремы Лапласа.
Теорема 3.2. Если вероятность p наступления события A в каждом испытании постоянна и отлична от нуля и единицы, то приближенно вероятность P(m1,m2),n того, что событие A появится в испытаниях от m1 до m2 раз,
где .
Формула Пуассона для маловероятных событий
Если вероятность P наступления события в отдельном испытании близка к нулю, то даже при большом числе испытаний n, но при небольшом значении произведения np получаемые по формуле Лапласа значения вероятностей Pm,n оказываются недостаточно точными и возникает потребность в другой приближенной формуле.
Теорема 3.3. Если вероятность p наступления события A в каждом испытании постоянна, но мала, число независимых испытаний n достаточно велико, но значение произведения np=𝜆 остается небольшим (не больше десяти), то вероятность того, что в этих испытаниях событие A наступит m раз,
1.18 Схема Бернулли. Наивероятнейшее число
Вероятности Рn(k) при данном n сначала увеличиваются при увеличении k от 0 до некоторго значения k0, а затем уменьшаются при изменении k от k0 до n. Поэтому k0 называют наивероятнейшим числом наступления события А в n испытаниях.
Наивероятнейшее
число k0
определяется
из неравенств np-q≤k≤np+p.
В
этом неравенстве k
может быть только целым числом.
Когда np целое
число, то k=np.
Если np+p
и np-q
целые числа, то наивероятнейших чисел
наступления события будет два k0
(1)=
np-q
и k0
(2)=np+p
и их вероятности будут равны Рn
(k0
(1))=
Рn
(k0
(2)).