- •3. Классическое определение вероятности
- •3. Классическое определение вероятности
- •6 Формула полной вероятности
- •7 Случайные величины и законы их распределения
- •10. Основные дискретные распределения.
- •11. Основные непрерывные распределения.
- •12. Закон больших чисел.
- •12.Правило трех сигм.
- •12.Теорема Бернулли.
- •12.Центральная предельная теорема.
- •12.Локальная предельная теорема Муавра-Лапласса.
- •12.Интегральная теорема Муавра-Лапласса.
- •13.Векторные случайные величины.
- •14. Условные распределения двумерной случайной величины.
- •15.Многомерные случайные величины.
- •18 Статистические оценки Точечные
12.Теорема Бернулли.
Определение 1. Числом сочетаний Cnm из n элементов по m (m ≤ n) называется количество всех возможных способов, которыми можно выбрать m различных элементов из n, вычисляемое по формуле:
Cnm |
Δ = |
|
n! m!(n-m)! |
. |
Теорема 1. Пусть опыт G производится независимо n раз в одних и тех же условиях, причем некоторое событие A при каждом повторении опыте появляется с одной и той же вероятностью p = P(A). Тогда вероятность Pn(m) события Bn(m), состоящего в том, что при n повторениях опыта G событие A произойдет ровно m раз, вычисляется по формуле Бернулли:
Pn(m) |
Δ = |
P(Bn(m)) = Cnm pm(1-p)n-m . |
Замечание 1. Проверим справедливость этой формулы для n = 3 и m = 1. В этом случае
P3(1) |
Δ = |
P(B3(1)) = C31 p1(1-p)2 = 3p(1 - p) 2. |
Представим событие B3(1) в виде суммы трёх несовместных событий:
B3(1) = A1A2A3 + A1A2A3 + A1A2A3, |
где события Ai и Ai состоят в том, что событие A произойдёт или не произойдёт в i-м опыте, i = 1,2,3. Поэтому по замечанию Л3.Р2.З2:
P3(1) |
Δ = |
P(B3(1)) = P(A1A2A3) + P(A1A2A3) + P(A1A2A3). |
Так как события A1, A2, A3, а так же A1, A2, A3 независимы, то
P3(1) = P(A1)P(A2)P(A3) + P(A1)P(A2)P(A3) + P(A1)P(A2)P(A3). |
Поэтому P3(1) = 3p(1 - p)2. В общем случае формуле Бернулли доказывается аналогично.
Пример 1. Монету бросают 5 раз. Найти вероятность того, что "герб" выпадет ровно три раза. В этом случае
n = 5, m = 3, p = 1/2, q |
Δ = |
1 - p = 1/2. |
Тогда по формуле Бернулли
P5(3) = C53 (1/2)3(1/2)2 = 5/16.
12.Центральная предельная теорема.
Примером центральной предельной теоремы (для последовательности независимых случайных величин) является интегральная теорема Муавра-Лапласа.
Теорема 1. Пусть производится n независимых опытов в каждом из которых вероятность наступления события А равна p (не наступление q=1 p¹0 p¹1). Если К- число появления событий А в серии из n испытаний, то при достаточно больших n СВК можно считать нормально распределённой ()
.
где - функция Лапласа.
В более общем случае верна следующая теорема.
Теорема 2. Если случайные величины Х1, Х2, ..., Хn независимы, одинаково распределены и имеют конечную дисперсию, то при n→¥:
где M(Xi)=a, s2=D(Xi).
U - нормально распределенная случайная величина, М(U)=0, D(U)=1.
12.Локальная предельная теорема Муавра-Лапласса.
Локальная теорема Лапласа. Вероятность того, что в n независимых испытаниях, в каждом из которых вероятность появления события равна р(0<p<1), событие наступит ровно k раз (безразлично, в какой последовательности), приближенно равна (тем точнее, чем больше n). Pn(k)=1/(корень из npq)*фи(х). Здесь Фи(х)=1/(корень из 2пи)*е в степени –х*2/2, x=k – np/(корень из npq). Интегральная теорема Лапласа. Вероятность того, что в n независимых испытаниях, в каждом из которых вероятность появления события равна р(0<p<1), событие наступит не меньше k1 раз и не более k2 раз, приближенно равна: P(k1;k2)=Ф(х’’) – Ф(х’). Здесь Ф(х)=1/(корень из 2пи) * интеграл от0 до х е в степени –(z*2/2)dz – функция Лапласа, х’=(k1 – np)/(корень из npq), х’’=(k2 – np)/(корень из npq).