- •Пример: Игла Бюффона.
- •Положение иглы можно характеризовать двумя параметрами:
- •Задача о встрече
- •Вероятность зависит от выбора
- •Вероятность зависит от выбора
- •Если события А и В принадлежат одному полю событий и вероятность В не
- •Пример : Пусть в области, представленной на рисунке , задана геометрическая вероятность. Событие
- •Пусть событие А может произойти только совместно с одним из несовместных между собой
- •Пример1: Магазин закупает оптом половину всех компьютеров у фирмы LLL, треть - у
- •Пример2:
- •Доля выигрышей у комбинаций , стоящих в вер строке по сравнению с комбинацией
- •В предыдущем примере можно поставить и другой вопрос. Обнаружен компьютер с браком, какова
- •Пример 3: Студент приходит в медпункт и жалуется на плохое самочувствие, хотя по
- •Эксперимент, результат которого существенно изменяет априорные вероятности гипотез, называют
- •Пусть имеется пространство
- •В строгом определении задание пространства элементарных событий означает по существу задание условий, в
- •Случайные величины могут быть непрерывными, т.е. принимать любые значения в некотором интервале (например,
- •Пример: число очков при бросании кости
- •Для непрерывных случайных величин вводится понятие плотности распределения р(х), которая
- •Для непрерывных распределений всегда
- •Вид функций F(x), р(х), или перечисление р(хi) называют законом распределения случайной величины.
- •Во-вторых, очень часто случайные
- •Так называют распределение случайной величины, которая может принимать любые значения в интервале (a,b),
- •Распределение с плотностью, описываемой формулой
- •Если производится серия n независимых испытаний, в каждом из который событие А может
- •Пример : Кость бросают 5 раз, какова вероятность того, что 6 очков выпадет
- •Распределение Пуассона получается как предельный случай распределения Бернулли, если устремить р к нулю,
- •Пример1 : число вызовов, поступающих на станцию скорой помощи в течение часа.
- •Пример 2: число молекул идеального газа в некотором фиксированном объеме V.
- •Определение:
- •- для непрерывной случайной величины:
- •d. Вводится понятие условного
- •Если известны вероятности событий Hj, может быть найдено полное математическое ожидание:
- •Рассмотрим гипотезы Н1 - герб выпал в первый
- •Рассмотрим более общий случай: сколько пройдет испытаний до первого появления события, если его
- •e . Если f(x) - есть функция случайной величины
- •Определение: Дисперсией случайной величины х называется математическое ожидание квадрата отклонения значения величины от
- •- для непрерывной случайной величины:
- •Связь числовых характеристик
Случайные величины могут быть непрерывными, т.е. принимать любые значения в некотором интервале (например, упомянутые выше температуры). У них F(x) - непрерывная функция.
Случайные величины могут быть дискретными т.е. принимать только конечное или счетное множество определенных значений (например, число очков при бросании игральной кости; число телефонных звонков, поступающих конкретному абоненту в течение суток). У таких величин F(x) имеет разрывы в точках, соответствующих принимаемым значениям. Такие величины удобнее характеризовать указанием возможных значений и их вероятностей.
Пример: число очков при бросании кости
Значения хi: |
1 |
2 |
3 |
4 |
5 |
6 |
Вероятности р(хi) 1/6 1/6 1/6 1/6 1/6 |
1/6 |
|
||||
Функция распределения: |
|
|
|
|
|
Хотя случайная величина принимает только дискретные значения ее функция распределения определена для любых х.
F(-1) = 0, F(0) = 0, F(0.999) = 0, F(1.001) = 1/6, F(3.5) = 3/6, F(7) = 1.
Для непрерывных случайных величин вводится понятие плотности распределения р(х), которая
есть производная от функции распределения.
Вероятность того, что случайная величина ξ при значение, лежащее в интервале (а,b) равна раз значений функции распределения на концах интервала
Для непрерывных случайных величин
Для непрерывных распределений всегда
Для дискретных распределений умма р(хi) по всем возможным значениям хi
всегда равна 1;
Вид функций F(x), р(х), или перечисление р(хi) называют законом распределения случайной величины.
Хотя можно представить себе бесконечное разнообразие случайных величин, законов распределения гораздо меньше. Во-первых, различные случайные величины могут иметь совершенно одинаковые законы распределения.
Например: пусть y принимает всего 2 значения 1 и -1 с вероятностями 0.5; величина z = -y имеет точно такой же закон распределения.
Во-вторых, очень часто случайные
величины имеют подобные законы распределения, т.е., например, р(х) для них выражается формулами одинакового вида, отличающимися только одной или несколькими постоянными. Эти постоянные называются параметрами распределения.
Хотя в принципе возможны самые разные законы распределения, обычно рассматривают несколько наиболее типичных законов. Важно обратить внимание на условия, в которых они возникают, параметры и свойства этих распределений.
Так называют распределение случайной величины, которая может принимать любые значения в интервале (a,b), причем вероятность попадания ее в любой отрезок внутри (a,b) пропорциональна длине отрезка и не зависит от его положения, а вероятность значений вне (a,b) равна 0.
Параметры распределения: a , b
Распределение с плотностью, описываемой формулой
называется нормальным. Параметры распределения: a , σ
Если производится серия n независимых испытаний, в каждом из который событие А может появиться с одинаковой вероятностью р, то число m появлений события есть случайная величина.
Один возможный исход серии n независимых испытаний :
Исходы, при которых А произошло в разные моменты
испытаний, |
,поэтому |
несовместны и число таких вариантов |
Распределение называется распределением Берн или биномиальным распределением
Его параметры n и p