- •Вопрос 1
- •1.1. Размещения
- •1.2. Понятие факториала
- •1.3. Размещения с повторениями
- •1.4. Сочетания
- •1.5. Сочетания с повторениями
- •1.6. Перестановки
- •1.7. Перестановки с повторениями
- •Вопрос 3 Классическое, статистическое, геометреческое и аксеоматическое определение вероятности события
- •Вопрос4 Теорема сложения вероятностей несовместных событий. Следствие:Теорема сложения вероятностей совместных событий.
- •Вопрос 5 Условная вероятность. Независимые события. Теорема умножения вероятностей. Вероятность произведения конечного числа событий.
- •Вопрос 6 Формула полной вероятности. Формула Байеса.
- •2) Формула Байеса
- •Вопрос 7 Испытания Бернулли. Формула Бернулли. Локальная и интегральная теоремы Муавра-Лапласа.
- •1)Два испытания, b: “только в одном успех”
- •Вопрос 8 Формула Пуассона
- •Вопрос 9 Понятие случайной величины. Дискретная случайная величина. Закон распределения дискретной случайной величины. Функция распределения дискретной случайной величины.
- •Вопрос 10 Математическое ожидание дискретной случайной величины. Свойства математического ожидания. Дисперсия дискретной случайной величины и ее свойства.
- •Вопрос 11 Основные законы распределения вероятностей дискретной случайной величины: Бернулли, биномиальное, геометрическое, распределение Пуассона, (гипергеометрическое)
- •Вопрос 12 Функция распределения вероятностей непрерывной случайной величины и ее свойства
- •Вопрос 13 Плотность распределения вероятностей непрерывной случайно величины и ее свойства.
- •Вопрос 14 Математическое ожидание и дисперсия непрерывной случайной величины.
- •Вопрос 15 Числовые характеристики случайной величины: центральные и начальные моменты, среднее квадратическое отклонение, мода и медиана, асимметрия и эксцесс, квантиль, процентная точка.
Вопрос 8 Формула Пуассона
Часто интерес представляет случай большого числа n и малой вероятности p успеха в одном отдельном испытании. В этом случае удобно воспользоваться приближением Пуассона.
Теорема
Если вероятность p наступления события А в каждом испытании постоянна, близка к нулю, а число независимых испытаний n достаточно велико, то вероятность Pn(k) того, что в n независимых испытаниях событие А наступит k раз, приближенно равна:
Pn(k) = (lke-l )/k!
где l = np.
Эта формула называется формулой Пуассона. Обычно приближенную формулу Пуассона применяют, когда р <0,1, а npq < 10.
Функция (lk e-l )/ k! затабулирована, т.е. имеет таблицу.
Значения функции (lk e-l )/ k!
k |
1 | |||
1 |
2 |
5 |
8 | |
1 |
0,36 |
0,27 |
0,0337 |
0,0027 |
2 |
0,18 |
0,27 |
0,084 |
0,0107 |
3 |
0,06 |
0,18 |
0,14 |
0,028 |
5 |
0,0031 |
0,036 |
0,175 |
0,0916 |
Формула Пуассона используется в задачах, относящихся к редким событиям.
Вопрос 9 Понятие случайной величины. Дискретная случайная величина. Закон распределения дискретной случайной величины. Функция распределения дискретной случайной величины.
Понятие случайной величины
Случайной величиной (СВ) называют такую величину, которая в результате опыта может принимать те или иные значения, причем до опыта мы не можем сказать какое именно значение она примет. (Более точно, СВ - это действительная функция, определенная на пространстве элементарных событий W).
Строго понятие "случайная величина" определяется так:
Пусть имеется пространство элементарных событий U, на нем построено поле событий и для каждого события А из этого поля определена вероятность Р(А). Каждому элементарному событию gi из U сопоставим число ξi. Потребуем, чтобы для любого х (-∞ < x < +∞) множество А тех g, для которых ξ < x , принадлежало полю событий, т.е. для него определена вероятность Р{ξ < x} = P(A) = F(x). Тогда ξ называется случайной величиной, а F(x) - ее функцией распределения.
Проще можно сказать, что случайная величина - это величина, значение которой зависит от случая, если для всех х известна функция распределения F(x), т.е. вероятность того, что это значение меньше х.
В строгом определении задание пространства элементарных событий означает по существу задание условий, в которых возникают те или иные значения случайной величины, а если эти условия заданы, то тем самым определена и F(x). Например, нельзя сказать, что "температура - случайная величина". Но "температура воздуха, измеряемая на данной метеостанции в случайный момент времени в течение года" - случайная величина, "температура воздуха в случайно выбранной точке земного шара 1 января 2001г. в 12.00 по Московскому времени" - другая случайная величина.
Свойства функции распределения:
1) F(-∞) = 0
2) F(+∞) = 1
3) F(x) - не убывающая функция х
Случайные величины могут быть непрерывными, т.е. принимать любые значения в некотором интервале (например, упомянутые выше температуры). У них F(x) - непрерывная функция.
Дискретная случайная величина.
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 1: 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:
Рисунок 5.1 Функция распределения числа очков при бросании кости
Обратите внимание: Хотя случайная величина принимает только дискретные значения ее функция распределения определена для любых х.
Например: 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 функци распределения.
Вероятность того, что случайная величина ξ примет значение, лежащее в интервале (а,b) равна разности значений функции распределения на концах интервала
P{ a≤ ξ <b } = F(b) - F(a)
Для непрерывных случайных величин
Важно помнить, что всегда для дискретных распределений сумма р(хi) по всем возможным значениям хi равна 1;
для непрерывных распределений
Закон распределения дискретной случайной величины.
Пусть X - дискретная случайная величина, которая принимает значения х1, х2,..., xn,... с некоторой вероятностью pi, где i = 1, 2,..., n,... Тогда можно говорить о вероятности того, что случайная величина X приняла значение хi: рi=Р(Х=хi).
Значения xi и соответствующие Pi представляют в виде таблицы:
xi x1 x2 x3 ... xn ...
pi p1 p2 p3 ... pn ...
Эта таблица является одной из форм задания ДСВ.
Обычно случайные величины располагаются в возрастающем порядке.
Основное свойство таблицы заключено в том, что сумма вероятностей равна 1:
Дискретная случайная величина может также представляться в виде многоугольника распределения - фигуры, состоящей из точек (хi, рi), соединенных отрезками (рис. 6).
Рис. 6. Многоугольник распределения
Над случайными величинами устанавливаются операции сложения и умножения.
1) Суммой двух случайных величин X и Y называется случайная величина, которая получается в результате сложения всех значений случайной величины X и всех значений случайной величины Y, соответствующие вероятности перемножаются.
1) Произведением двух случайных величин X и Y называется случайная величина, которая получается в результате перемножения всех значений случайной величины X и всех значений случайной величины Y, соответствующие вероятности перемножаются.
Функция распределения дискретной случайной величины.
Если x - дискретная случайная величина, принимающая значения x1 < x2 < … < xi < … с вероятностями p1 < p2 < … < pi < …, то таблица вида
x1 x2 … xi …
p1 p2 … pi …
называется распределением дискретной случайной величины.
Функция распределения случайной величины, с таким распределением, имеет вид.
У дискретной случайной величины функция распределения ступенчатая. Например, для случайного числа очков, выпавших при одном бросании игральной кости, распределение, функция распределения и график функции распределения имеют вид:
1 |
2 |
3 |
4 |
5 |
6 |
1/6 |
1/6 |
1/6 |
1/6 |
1/6 |
1/6 |