- •1. Предмет теории вероятностей. Понятие случайного события.
- •2. Основные типы событий(1 билет). Алгебра событий.
- •Статистическое определение вероятности
- •4. Теорема сложения вероятностей.
- •Теорема сложения вероятностей совместных событий.
- •7.Формула полной вероятности.
- •8. Формула Бейеса.
- •9. Формула Бернулли.
- •10. Формула Пуассона и условия ее применимости.
- •11. Дискретные случайные события и возможности их описания.
- •12. Закон распределения дискретной случайной величины. Многоугольник распределения.
- •18.Непрерывная случайная величина. Числовые характеристики непрерывных случайных величин.
- •Способы отбора:
- •29. Статистические оценки параметров распределения.
- •30. Выборочная средняя и выборочная дисперсия.
- •32. Проверка статистических гипотез.
7.Формула полной вероятности.
Опр.: пусть событие А может произойти только совместно с одним из событий Н1, Н2,…,Нn образующих полную группу несовместных событий, тогда соб. Н1, Н2,…,Нn называются гипотезами.
Теорема: вероятность соб.А наступающего совместно с гипотезами Н1, Н2,…,Нn равна:
- формула полной вероятности
где, Р(Нi) – вероятность i-той гипотезы
РНi(А) – вероятность соб.А при условии реализации гипотезы Нi
Доказательство: соб.А можно считать суммой попарно несовместных событий АН1, АН2, …АНn несовместные события, тогда из теорем сложения вероятностей:
Р(А)+Р(АН1+…+ АНn)=Р(АН1)+…+Р(АНn)=
=РНi(А)* Р(Н1)+…+ РНn(А)* Р(Нn)=
8. Формула Бейеса.
Теорема гипотез (формула Байеса) – следствие теоремы умножения и ф-лы полной вероятности. Имеется группа несовместных гипотез H1,H2...Hn, чьи вероятности равны соответственно P(H1),P(H2)...P(Hn). В рез. Σ происходит событие А. Как следует изменить вероятности гипотез в связи с появлением А (найти условную вероятность P(Hi|A))? Выражая P(A) из ф-лы полной вероятности, имеем соотношение Байеса: .Док-во: вероятность появления А опред. по ф-ле полной вероятности: . Поищем условные вероятности при условии, что произошло событие А. По теореме умножения имеем . Подставим P(A), получим . чтд. Ф-лы Байеса позволяют переоценить вероятности после того, как становится известным результат испытания, в итоге которого появилось событие А.
9. Формула Бернулли.
Пусть производится серия из n независимых испытаний и в каждом испытании событие А наступает с одной и той же вероятностью P(A)=p и не наступает с вероятностью . Условно появление события А называется «успехом», а не появление - «неудачей». Испытания называются независимыми, если исход каждого последующего не зависит от исходов предыдущих испытаний. Последовательность независимых испытаний такого рода называется схемой Бернулли. Вероятность того, что в n независимых испытаниях событие А произойдет ровно m раз – Pn (m). Тогда имеет место формула Бернулли: Pn (m)=.
Доказательство: Рассмотрим серию из n испытаний, в которых событие А произошло m раз: .Вычислим вероятность этого произведения: P (==pmqn – m . Pn (m)=.
10. Формула Пуассона и условия ее применимости.
Использование формулы Бернулли при больших n и m вызывает трудности из-за громоздких вычислений => возникает необходимость в отыскании вероятности обеспечивающих необходимую точность.
Теорема: если число испытаний неограниченно увеличивается n и вероятность р наступления соб.А в каждом испытании уменьшается р, но так что их произведение n*p остается величиной постоянной (λ=np=const), то вероятность
Доказательство: λ=np => p=λ/n подставляем это равенство в формулу:
===
Перейдем к пределу в обеих частях неравенства при n:
,
=>
Формулу Пуассона применяют обычно когда n≥50, np≤10
11. Дискретные случайные события и возможности их описания.
Опр.: СВ- это переменная, которая в результате испытания в зависимости от случая принимает одно из возможного множества своих значений. (Примеры: число бракованных изделий в данной партии, расход электроэнергии предприятия)
Опр.: ДСВ – это СВ с конечным или бесконечным, но счетным множеством её значений (см.выше 1-ый пример)
Для случайных величин (далее - СВ) приходится использовать особые, статистические методы их описания.
Дискретное описание заключается в том, что указываются все возможные значения данной величины (например - 7 цветов обычного спектра) и для каждой из них указывается вероятность или частота наблюдений именного этого значения при бесконечно большом числе всех наблюдений.
Доказанно, что при увеличении числа наблюдений в определенных условиях за значениями некоторой дискретной величины частота повторений данного значения будет все больше приближаться к некоторому фиксированному значению - которое и есть вероятность этого значения.