- •1. Визначення ф-ції двох незалежних змінних. Геометричне зображення ф-ції двох змінних.
- •2.Повний приріст. Повний диференціал ф-ції 2-х незалежних змінних;його застосування в наближених обчисленнях.
- •3.Частинні похідні вищих порядків.
- •4.Екстремум ф-ї 2х змінних. Необхідна і достатня умови екстремуму.
- •5.Умовний екстремум ф-ї 2х змінних. Метод множників Лагранжа.
- •6. Найбільше і найменше значення функції 2-ох змінних у замкнутій області
- •7.Похідні за напрямками. Градієнт ф-ї декількох змінних.
- •8. Метод найменших квадратів
- •9.Поняття про подвійні інтеграли та методи їх обчислення.
- •10. Диференціальні рівняння. Основні поняття і означення. Задача Коші.
- •13.Лінійні однорідні диф. Р-ня 2-го пор. Зі сталими коефіцієнтами
- •18.Неоднорідні лінійні диференціальні рівняння 2-го порядку. Метод варіації довільних сталих.
- •15. Системи диференціальних рівнянь 1-го порядку. Метод виключення змінних.
- •17. Ряди з додатними членами. Достатні умови збіжності рядів: ознаки порівняння збіжності ряду. Приклади
- •29. Степеневі ряди. Інтервал збіжності.
- •20.Ряд Тейлора і Маклорена.
- •21.Предмет теорії ймовірностей. Поняття «випробування» та «подія». Класифікація подій.
- •22. Елементи комбінаторики. Перестановки. Перестановки, розміщення,
- •23.Класичне означення ймовірності. Властивості ймовірностей
- •24.Теорема додавання ймовірностей сумісних подій.
- •25.Залежні і незалежні події. Умовна ймовірність. Теореми множення для залежних і незалежних подій.
- •26.Формула повної ймовірності.
- •27.Формула Бернуллі.
- •28. Граничні випадки формули Бернуллі: локальна теорема Муавра-Лапласа.
- •29.Формула Пуассона .
- •30.Формула обчислення ймовірності відхилення відносної частоти від заданої ймовірності в незалежних випробуваннях.
- •31.Поняття випадкової величини. Класифікація випадкових величин. Функція розподілу ймовірностей випадкових величин, її властивості.
- •Класифікація випадкових величин
- •32. Дискретні випадкові величини. Закони розподілу дискретних випадкових величин.
- •33.Числові характеристики дискретної випадкової величини m(X),d(X), ∂(X) та їх властивості .
- •34. Приклади законів розподілу дискретних випадкових величин: біноміальний розподіл, розподіл Пуассона, геометричний розподіл
- •35. Неперервні випадкові величини. Інтегральна та диференціальна функції розподілу неперервної випадкової величини.
- •36. Числові характеристики неперервної випадкової величини
- •37. Приклади законів розподілу неперервних випадкових величин: рівномірний, показниковий,нормальний розподіл.
- •38. Двовимірні випадкові величини. Функції розподілу. Залежні і незалежні випадкові величини. Умовні закони розподілу.
- •39. Числові характеристики двовимірних випадкових величин. Коефіцієнт кореляції.
- •8.8 Лекция
24.Теорема додавання ймовірностей сумісних подій.
25.Залежні і незалежні події. Умовна ймовірність. Теореми множення для залежних і незалежних подій.
26.Формула повної ймовірності.
Нехай подія А може наступити при умові появи однієї з несумісних подій які утворюють повну групу подій. Нехай відомі ймовірності цих подій і умовні ймовірності.
Необхідно знайти ймовірність події .
Теорема
Ймовірність події , яка може наступити лише при умові появи однієї з несумісних подійщо утворюють повну групу подій дорівнює сумі добутків з цих подій на відповідному умовну ймовірностей події, тобто
-
Формула повної ймовірності
Доведення
Нехай подія може наступити тільки із однією із подійякі утворюють повну групу подій, тобтоможе наступити
Із малюнка видно, що події є попарно несумісними, а тому попарно несумісними будуть і події.
Застосувавши до кожного доданку останньої рівності теорему множення ймовірностей одержимо:
Формула Бейєса.
Баєсів підхід не робить припущень про ймовірності елементарних подій, а намагається отримати їх із аналізу попереднього досвіду, спираючись на теорему Баєса і на попередні гіпотези. Оскільки ці ймовірності наперед невідомі, результати серії дослідів розбиваються на сприятливі й несприятливі, і експериментально визначена ймовірність дорівнює відношенню числа сприятливих подій до числа дослідів, тобто частоті подій. Теорема Байєса – одна з осн. теорем елементарної теорії ймовірності, яка визначає ймовірність настання події в умовах, коли на основі спостережень відома лише деяка часткова інформація про події. За допомогою формули Байєса можно більш точно обчислювати ймовірність, взявши до уваги як і раніше відому інформацію так і дані нових спостережень.
27.Формула Бернуллі.
Формула Бернуллі.
Імовірність того, що в n незалежних випробуваннях, у кожному з яких імовірність Р(А) = р, подія А відбудеться m раз, подається так:
Формула застосовується, якщо
Імовірність того, що в результаті n незалежних експериментів подія А з’явиться від mi до mj раз, обчислюється так:
Наймовірніше число появи події в незалежних випробуваннях.
У формулі Бернуллі параметр m може змінюватися від 0 до n, тобто в n-випробуваннях подія А може зявитися 0 (жодного разу) до n (зявится в кожному випробуванні) з різними ймовірностями обчисленими за формулою Бернуллі.
Число m для якого ймовірність Pn(m) є найбільшой називаєтся наймовірнішим числом настання події. Наймовірніше число настання події знаходиться: np-q ≤ m0 ≤ np+p
Зауваження:
1.) Якщо np-q – число дробове, то існує одне наймовірніше число n0, воно =найближчому цілому до m0 зправа;
2.) Якщо np-q – є ціле, то існує два наймовірніші числа m0 та m0+1, де m0= np-q
28. Граничні випадки формули Бернуллі: локальна теорема Муавра-Лапласа.
Рассмотрим последовательность из n независимых опытов, в каждом из которых событие A может произойти с вероятностью p,либо не произойти — с вероятностью q = 1 − p. Обозначим через Pn(k)вероятность того, что событие A произойдет ровно k раз из n возможных. В таком случае величину Pn(k) можно найти по теореме Бернулли
Эта теорема прекрасно работает, однако у нее есть недостаток. Если n будет достаточно большим, то найти значение Pn(k) становится нереально из-за огромного объема вычислений. В этом случае работает Локальная теорема Муавра — Лапласа, которая позволяют найти приближенное значение вероятности. Імовірність того, що в n незалежних випробуваннях, у кожному з яких Р(А) = р, подія А відбудеться m раз, подається такою наближеною залежністю:
Локальна теорема Лапласа дає змогу обчислювати ймовірності , якщо n > 10 i p > 0,1.