
- •Теория вероятностей и математическая статистика Основные понятия теории вероятностей Рекомендуемая литература
- •1.1. Предмет теории вероятностей
- •1.2. Области применения теории вероятностей
- •1.3. Краткая историческая справка
- •1.4. Испытания и события. Виды событий
- •1.5. Алгебра событий
- •1.6. Классическое определение вероятности
- •1.7. Основные формулы комбинаторики
- •Лекция №2. Основные понятия и определения
- •2.1. Относительная частота. Устойчивость относительной частоты
- •2.2. Ограниченность классического определения вероятности. Статистическая вероятность
- •2.3. Геометрические вероятности
- •2.4. Теорема сложения вероятностей
- •2.5. Полная группа событий
- •2.6. Противоположные события
- •2.7. Принцип практической невозможности маловероятных событий
- •2.8. Произведение событий. Условная вероятность
- •2.9. Теорема умножения вероятностей
- •2.10. Независимые события. Теорема умножения для независимых событий
- •2.10. Вероятность появления хотя бы одного события
- •Лекция №3 следствия теорем сложения и умножения
- •3.1. Теорема сложения вероятностей совместных событий
- •3.2. Формула полной вероятности
- •3.3. Вероятность гипотез. Формулы Бейеса
- •4. Повторение испытаний
- •4.1. Формула Бернулли
- •4.2. Предельные теоремы в схеме Бернулли
- •4.3. Локальная и интегральная теоремы Муавра-Лапласа
- •4.3. Вероятность отклонения относительной частоты от постоянной вероятности в независимых испытаниях
- •5. Случайные величины
- •5.1. Понятие случайной величины. Закон распределения случайной величины
- •5.2. Закон распределения дискретной случайной величины. Многоугольник распределения
- •5.3. Биномиальное распределение
- •5.4. Распределение Пуассона
- •5.5. Геометрическое распределение
- •5.6. Гипергеометрическое распределение
- •6. Математическое ожидание дискретной случайной величины
- •6.1. Числовые характеристики дискретных случайных величин
- •6.2. Математическое ожидание дискретной случайной величины
- •6.3. Вероятностный смысл математического ожидания
- •6.4. Свойства математического ожидания
- •6.5. Математическое ожидание числа появлений события в независимых испытаниях
- •7. Дисперсия дискретной случайной величины
- •7.1. Целесообразность введения числовой характеристики рассеяния случайной величины
- •7.2. Отклонение случайной величины от ее математического ожидания
- •7.3. Дисперсия дискретной случайной величины
- •7.4. Формула для вычисления дисперсии
- •7.5. Свойства дисперсии
- •7.6. Дисперсия числа появлений события в независимых испытаниях
- •7.7. Среднее квадратическое отклонение
- •7.8. Среднее квадратическое отклонение суммы взаимно независимых случайных величин
- •7.9. Одинаково распределенные взаимно независимые случайные величины
- •7.10. Начальные и центральные теоретические моменты
- •8. Закон больших чисел
- •8.1. Предварительные замечания
- •8.2. Неравенство Чебышева
- •8.3. Теорема Чебышева
- •8.4. Сущность теоремы Чебышева
- •8.5. Значение теоремы Чебышева для практики
- •8.6. Теорема Бернулли
- •Функция распределения вероятностей случайной величины
- •9.1. Определение функции распределения
- •9.2. Свойства функции распределения
- •9.3. График функции распределения
- •10. Плотность распределения вероятностей непрерывной случайной величины
- •10.1. Определение плотности распределения
- •10.2. Вероятность попадания непрерывной случайной величины в заданный интервал
- •10.3. Закон равномерного распределения вероятностей
- •11. Нормальное распределение
- •11.1. Числовые характеристики непрерывных случайных величин
- •11.2. Нормальное распределение
- •11.3. Нормальная кривая
- •11.4. Влияние параметров нормального распределения на форму нормальной кривой
- •11.5. Вероятность попадания в заданный интервал нормальной случайной величины
- •11.6. Вычисление вероятности заданного отклонения
- •11.7. Правило трех сигм
- •11.8. Понятие о теореме Ляпунова. Формулировка центральной предельной теоремы
- •11.9. Оценка отклонения теоретического распределения от нормального. Асимметрия и эксцесс
- •11.10. Функция одного случайного аргумента и ее распределение
- •11.11. Математическое ожидание функции одного случайного аргумента
- •11.12. Функция двух случайных аргументов. Распределение суммы независимых слагаемых. Устойчивость нормального распределения
- •11.13. Распределение «хи квадрат»
- •11.14. Распределение Стьюдента
- •11.15. Распределение f Фишера – Снедекора
- •12. Показательное распределение
- •12.1. Определение показательного распределения
- •12.2. Вероятность попадания в заданный интервал показательно распределенной случайной величины
- •§ 3. Числовые характеристики показательного распределения
- •12.4. Функция надежности
- •12.5. Показательный закон надежности
- •12.6. Характеристическое свойство показательного закона надежности
4. Повторение испытаний
4.1. Формула Бернулли
Если производится некоторое количество испытаний, в результате которых может произойти или не произойти событие А, и вероятность появления этого события в каждом из испытаний не зависит от результатов остальных испытаний, то такие испытания называются независимыми относительно события А.
Примерами независимых испытаний могут служить: несколько (n раз) подбрасываний монеты: стрельба (n раз) по мишени без поправок на ранее допущенную ошибку при новом выстреле; несколько (n раз) выниманий из урны одинаковых на ощупь занумерованных шаров, если шары каждый раз (после просмотра) возвращаются в урну, и т.д.
В разных независимых испытаниях событие А может иметь либо различные вероятности, либо одну и ту же вероятность. Будем далее рассматривать лишь такие независимые испытания, в которых событие А имеет одну и ту же вероятность.
При практическом применении теории веоятностей часто используется стандартная схема, называемая схемой Бернулли или схемой независимых испытаний.
Определение.
Последовательность n
независмых испытаний, в каждом из котрых
может произойти некоторое событие А
(его называют успехом) с вероятностью
Р(А)
= р
или противоположное ему событие
(его называют неудачей) с вероятностью
,
называетсясхемой
Бернулли.
Часто успеху сопоставляют число 1, неудчае – число 0. Элементарным событием для n опытов будет последовательность из n нулей и единиц. Например, тройка чисел (0, 1, 0) означает, что событие А наступило во 2-м опыте, а в 1-м и 3-м – не наступило.
Ниже воспользуемся понятием сложного события, понимая под ним совмещение нескольких отдельных событий, которые называют простыми.
Простейшая
задача, относящаяся к схеме Бернулли,
состоит в определении вероятности того,
что в n
независмых испытанях событие А
наступит m
раз (0
m
n)
и, следовательно, не осуществится n
– m
раз. Важно подчеркнуть, что не требуется,
чтобы событие А
повторилось ровно m
раз в определенной последовательности.
Например, если речь идет о появлении
события А
три раза в четырех испытаниях, то возможны
следующие сложные события:
.
Запись
означает, что в первом, втором и третьем
испытаниях событиеА
наступило, а в четвертом испытании оно
не появилось, т.е. наступило противоположное
событие
;
соответственный смысл имеют и другие
записи.
Искомую вероятность обозначают Рn(m) или Pn,m или P(n = m), где n – число появления события А в серии из n опытов. Например, символ Р5(3) означает вероятность того, что в пяти испытаниях событие появится ровно 3 раза и, следовательно, не наступит 2 раза.
Эту вероятность в принципе можно посчитать, используя теоремы сложения и умножения вероятностей, как это делалось в рассмотренных выше примерах. Однако, при достаточно большом количестве испытаний это приводит к очень большим вычислениям. Таким образом, возникает необходимость разработать общий подход к решению поставленной задачи. Этот подход реализован в формуле Бернулли. (Якоб Бернулли (1654 – 1705) – швейцарский математик).
Вывод
формулы Бернулли.
Вероятность одного сложного события,
состоящего в том, что в n
испытаниях событие А
наступит m
раз и не наступит n
– m
раз, по теореме умножения вероятностей
независимых событий равна pmqn–m.
Таких сложных событий может быть столько,
сколько можно составить сочетаний из
n
элементов по m
элементов, т.е.
.
Так как эти сложные события несовместны,
то по теореме сложения вероятностей
несовместных событий искомая вероятность
равна сумме вероятностей всех возможных
сложных событий. Поскольку же вероятности
всех этих сложных событий одинаковы,
то искомая вероятность (появленияm
раз события А
в n
испытаниях) равна вероятности одного
сложного события, умноженной на их
число:
или
. (4.1)
Полученную формулу называют формулой Бернулли.
Теорема. Если призводится n независимых испытаний, в каждом из которых вероятность появления события А равна р, а вероятность его непоявления равна q = 1 – p, то вероятность того, что событие А произойдет m раз определеяется формулой Бернулли
,
m
= 0, 1, 2, …, n.
Доказательство.
Вероятность одного сложного события,
состоящего в том, что событие А
в n
независиымх опытах появится m
раз в первых m
опытах и не появится (n
– m)
раз в остальных опытах (это событие
)
по теореме умножения вероятностей равнаpmqn–m.
Вероятность появления события А
снова m
раз, но в другом порядке (например,
или
и т.д.) будет той же самойpmqn–m.
Число
таких сложных событий – в n
опытах m
раз встречается событие А в различном
порядке – равно числу сочетаний из n
элементов по m
элементов, т.е.
.
Так как все эти сложные события
несовместны, то по теореме сложения
вероятностей искомая вероятность равна
сумме вероятностей всех возможных
сложных событий, то есть
.
Можно
заметить, что вероятности
являются коэффициентами приxm
в разложении (q
+ px)n
по формуле бинома Ньютона:
.
Поэтому совокупность вероятностей Рn(m) называют биномиальным законом распределения вероятностей, а функцию (х) = (q + px)n – производящей функцией для последовательности независимых опытов.
Если в каждом из независимых испытаний вероятности наступления события А разные, то вероятность того, что событие А наступит m раз в n опытах, равна коэффициенту при m-й степени многочлена n(z) = (q1 + p1z)(q2 + p2z) …(qn + pnz), где n(z) – производящая функция.
Если в серии из n независимых опытов, в каждом из которых может произойти одно и только одно из k событий А1, А2, …, Ak с соответствующими вероятностями р1, р2, …, рk, то вероятность того, что в этих опытах событие А1 появится m1 раз, событие А2 – m2 раз,…, событие Аk – mk раз, равна
, (4.2)
где
.
Вероятности (4.2) называютсяполиномиальным
распределением.
Формула Бернулли важна тем, что справедлива для любого количества независимых испытаний, т.е. того самого случая, в котором наиболее четко проявляются законы теории вероятностей.
Пример. Вероятность того, что расход электроэнергии в продолжение одних суток не превысит установленной нормы, равна р = 0,75. Найти вероятность того, что в ближайшие 6 суток расход электроэнергии в течение 4 суток не превысит нормы.
Решение. Вероятность нормального расхода электроэнергии в продолжение каждых из 6 суток постоянна и равна р = 0,75. Следовательно, вероятность перерасхода электроэнергии в каждые сутки также постоянна и равна q=1 – р =1 – 0,75 = 0,25.
Искомая вероятность по формуле Бернулли равна
.
Пример. Производится 3 независимых выстрела по цели. Вероятности попадания при разных выстрелах одинаковы и равны р = 0,9. Какова вероятность: а) промаха; б) одного попадания; в) двух попаданий; г) трех попаданий? Решить задачу в случае, если вероятности попадания при разных выстрелах различны: р1 = 0,7, р2 = 0,8, р3 = 0,9.
Решение. В данном случае n = 3, p = 0,9, q = 0,1. Пользуясь формулой Бернулли (4.1), находим:
а)
– вероятность трех промахов;
б)
– вероятность одного попадания;
в)
– вероятность двух попаданий;
г)
– вероятность трех попаданий.
Эти результаты можно изобразить графически, отложив по оси Ох значения m, на оси Oy – значения Pn(m) (рис. 4.1).
Рис. 4.1
Ломаная, соединяющая точки (0; 0,001), (1; 0,027), (2; 0,243), (3; 0,729), называется многоугольником распределения вероятностей.
Если вероятности при разных выстрелах различны, то производящая функции имеет вид 3(z) = (0,3 + 0,7z)(0,2 + 0,8z)(0,1 + 0,9z) = 0,504z3 +0,398z2 +0,092z + 0,006. Откуда находим вероятность трех, двух, одного попаданий, промаха соответственно: Р3(3) = 0,504, Р3(2) = 0,398, Р3(1) = 0,092, Р3(0) = 0,006. (Контроль: 0,504 + 0,398 + 0,092 + 0,006 = 1).