
- •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
4.3. Локальная и интегральная теоремы Муавра-Лапласа
В тех случаях, когда число испытаний n велико, а вероятность р не близка к нулю (р 0, р 1), для вычисления биномиальных вероятностей используют теоремы Муавра – Лапласа. Локальная теорема Лапласа дает асимптотическую формулу, которая позволяет приближенно найти вероятность появления события ровно m раз в n испытаниях, если число испытаний достаточно велико.
(Напомним,
что функцию (х)
называют асимптотическим приближением
функции f(x),
если
).
Заметим, что для частного случая, а именно для р = 1/2, асимптотическая формула была найдена в 1730 г. Муавром; в 1783 г. Лаплас обобщил формулу Муавра для произвольного р, отличного от 0 и 1. Поэтому теорему, о которой здесь идет речь, иногда называют теоремой Муавра-Лапласа.
Доказательство локальной теоремы Лапласа довольно сложно, поэтому приведем лишь формулировку теоремы и примеры, иллюстрирующие ее использование.
Локальная теорема Лапласа. Если вероятность р появления события А в каждом испытании постоянна и отлична от нуля и единицы, то вероятность Pn(m) того, что событие А появится в n испытаниях ровно m раз, приближенно равна (тем точнее, чем больше n) значению функции
, (4.6)
где
.
Выражение
(4.7)
называется функцией Гаусса, а ее график – кривой вероятностей (рис. 4.2).
Рис. 4.2.
Для функции (х) составлены таблицы значений, соответствующие положительным значениям аргумента х. Пользуясь таблицей, следует учитывать, что:
а) функция (х) четная, то есть (- х) = (х);
б) при х 4 можно считать, что (х) = 0.
Для отрицательных значений аргумента пользуются теми же таблицами, так как функция (х) четна.
Пример. Найти вероятность того, что событие А наступит ровно 80 раз в 400 испытаниях, если вероятность появления этого события в каждом испытании равна 0,2.
Решение. По условию, n = 400; m = 80; р = 0,2; q = 0,8. Воспользуемся асимптотической формулой Лапласа:
.
Вычислим определяемое данными задачи значение х:
.
По таблице приложения 1 находим (0) = 0,3989. Искомая вероятность
.
Формула Бернулли приводит примерно к такому же результату (выкладки ввиду их громоздкости опущены):
Р400(80) = 0,0498.
Пример. Вероятность попадания в мишень при одном выстреле для данного стрелка равна 0,7. Найти вероятность того, что при 200 выстрелах мишень будет поражена 160 раз.
Решение.
Здесь n
= 200; m
= 160; р
= 0,7; q
= 0,3. Применим фориулу (4.6). Имеем
,
следовательно,
,
учитывая, что(3,09)
0,0034, получаем
.
Пример. Вероятность поражения мишени стрелком при одном выстреле р = 0,75. Найти вероятность того, что при 10 выстрелах стрелок поразит мишень 8 раз.
Решение. По условию, n = 10; m = 8; р = 0,75; q = 0,25. Воспользуемся асимптотической формулой Лапласа:
.
Вычислим определяемое данными задачи значение х:
.
По таблице приложения 1 находим (0,36) = 0,3739. Искомая вероятность
Р10(8) = 0,73010,3739 = 0,273.
Формула Бернулли приводит к иному результату, а именно Р10(8) = 0,282. Столь значительное расхождение ответов объясняется тем, что в настоящем примере n имеет малое значение (формула Лапласа дает достаточно хорошие приближения лишь при достаточно больших значениях n).
Интегральная теорема Лапласа. Вновь предположим, что производится n испытаний, в каждом из которых вероятность появления события А постоянна и равна р (0 < р < 1). В тех случаях, когда требуется вычислить верятностьтого, что в n независимых испытаниях событие А появится не менее k1 раз, но не более k2 раз, то есть Pn(k1 m k2) или Pn(k1; k2), используют интегральную теорему Муавра-Лапласа (является частным случаем более общей теоремы – центральной предельной теоремы).
Теорема (Интегральная теорема Муавра-Лапласа). Если вероятность р наступления события А в каждом испытании постоянна и отлична от нуля и единицы, то вероятность Pn(k1 m k2) того, что событие А появится в n испытаниях от k1 до k2 раз, может быть найдена по приближенной формуле
, (4.8)
где
.
Равенство (4.8) тем точнее, чем большеn.
Используя функцию Гаусса (4.7), равенство (4.8) можно записать в виде
.
При решении задач, требующих применения интегральной теоремы Лапласа, пользуются специальными таблицами, так как этот неопределенный интеграл не выражается через элементарные функции. Для упрощения вычислений, при использовании формулы (4.8), вводят специальную функцию
, (4.9)
называемую нормированной функцией Лапласа.
Функция (4.9) нечетна:
.
При х 5 можно считать, что Ф0(х) = 0,5, график функции Ф0(х) приведен на рис. 4.3.
Рис. 4.3.
Выразим правую часть равенства (4.8) через функцию Лапласа (4.9):
.
Равенство (4.8) принимает вид
, (4.10)
где
.
Формулу (4.10) обычно используют на практике. Наряду с нормированной функцией Лапласа (4.9) использую функцию
, (4.11)
называемую также функцией Лапласа. Для нее справедливо равенство Ф(-х) + Ф(х) = = 1. Она связана с функцией Ф0(х) формулой
. (4.12)
Имеются таблицы приближенных значений функций Ф0(х) и Ф(х) (интеграл не берется в элементарных функциях), которые приводятся в большинстве учебников по теории вероятностей.
Приближенную формулу для вычисления вероятности Pn(k1 m k2) (4.8) можно записатьв виде
, (4.13)
где
.
Приведем примеры, иллюстрирующие применение интегральной теоремы Лапласа.
Пример. Проверкой установлено, что цех в среднем выпускает 96% продукции высшего сорта. На базе приемщик проверяет 200 изделий этого цеха. Если среди них окажется более 10 изделий не высшего сорта, то вся партия изделий бракуется, то есть возвращается в цех. Какова вероятность того, что партия будет принята?
Решение. Здесь n = 200, p = 0,04 (вероятность негодного изделия), q = 0,96. Вероятность принятия всей партии, то есть P200(0 m 10), можно найти по формуле (4.13); здесь k1 =0, k2 = 10. Находим, что
,
.
.
Заметим, что
.
Пример. Вероятность того, что деталь не прошла проверку ОТК, равна р = 0,2. Найти вероятность того, что среди 400 случайно отобранных деталей окажется непроверенных от 70 до 100 деталей.
Решение. По условию, р = 0,2; q = 0,8; n = 400; k1 = 70; k2 = 100. Воспользуемся интегральной теоремой Лапласа:
Р400(70, 100) Ф(х2) – Ф(х2).
Вычислим нижний и верхний пределы интегрирования:
;
.
Таким образом, имеем
Р400(70, 100) = Ф(2,5) – Ф(–1,25) = Ф(2,5) + Ф(1,25).
По таблице приложения находим:
Ф(2,5) = 0,4938; Ф(1,25) = 0,3944.
Искомая вероятность
Р400(70, 100) = 0,4938 + 0,3944 = 0,8882.
Замечание.
Обозначим через m
число появлений события А
при n
независимых испытаниях, в каждом из
которых вероятность наступления события
А
постоянна и равна р.
Если число m
изменяется от k1
до k2,
то дробь
изменяется от
до
.
Следовательно, интегральную теорему
Лапласа можно записать и так:
. (4.14)
Эта форма записи используется ниже.