- •1. Классификация случайных событий: возможные и невозможные события, совместные и несовместные, противоположные и достоверные события. Примеры.
- •2. Полная группа событий. Пространство элементарных исходов. Примеры.
- •3. Классическое определение вероятности события. Свойства вероятности события. Примеры.
- •4. Статистическое определение вероятности события. Примеры. Теорема Бернулли (с доказательством).
- •5. Геометрическое определение вероятности. Примеры.
- •6. Сумма событий и ее свойства. Примеры.
- •7. Теорема сложения вероятностей (с доказательством) и ее следствия. Примеры. 8 Произведение событий и его свойства.
- •9. Условная вероятность. Зависимые и независимые события. Теорема умножения вероятностей (с доказательством). Примеры
- •11. Случайная величина (определение). Дискретная случайная величина и ее закон (ряд) распределения. Основное свойство закона распределения. Примеры.
- •Определение независимости случайных величин.
- •13.* Математические операции над дискретными случайными величинами. Примеры.
- •14. Функция распределения случайной величины, ее определение, свойства и график. Примеры.
- •15. Функция распределения дискретной случайной величины. Примеры.
- •16. Теорема о существовании случайной величины с заданной функцией распределения. Непрерывная случайная величина. Вероятность отдельно взятого значения непрерывной случайной величины. Примеры.
- •18. Математическое ожидание случайной величины и его свойства. Примеры
- •Свойства математического ожидания
- •Доказательство:
- •19. Дисперсия случайной величины и ее свойства. Среднее квадратическое отклонение случайной величины. Примеры.
- •1. Дискретная случайная величина, закон и функция распределения
- •2. Числовые характеристики дискретных случайных величин
- •20. Закон распределения Бернулли, его определение, свойства и примеры.
- •21. Биномиальный закон распределения, его определение, свойства и примеры.
- •22.Закон распределения Пуассона, его определение, свойства и примеры.
- •25. Нормальный (гауссовский) закон распределения.
- •26. Стандартный нормальный закон распределения. Функция Гаусса, ее свойства и график. Теорема о связи плотности нормального закона распределения и функции Гаусса.
- •27. Функция Лапласа, ее свойства, график и геометрический смысл. Теорема о связи функции распределения нормального закона и функции Лапласа. Примеры.
- •28.* Свойства случайной величины, распределенной по нормальному закону. Правило трех сигм. Примеры.
- •29.* Показательный (экспоненциальный) закон распределения, его определение, свойства и примеры.
- •34. Лемма Чебышева. Примеры
- •35. Неравенство Чебышева. Примеры
- •36. Понятие двумерной (n-мерной) случайной величины. Примеры. Одномерные распределения ее составляющих. Условные распределения.
- •37. Ковариация и коэффициент корреляции случайных величин. Связь между некоррелированностью и независимостью случайных величин
2. Полная группа событий. Пространство элементарных исходов. Примеры.
Полная группа событий. Полной группой событий называется совокупность всех возможных результатов опыта. Теорема. Сумма вероятностей событий А1 , А2 , ..., Аn , образующих полную группу, равна единице:
Р (A1) + Р (А2) + ... + Р (Аn) = 1.
Пространство элементарных исходов
Теория вероятностей изучает случайные явления не непосредственно, а с помощью идеализированных математических моделей случайных опытов.
Всякий случайный опыт (испытание, эксперимент) состоит в осуществлении некоторого комплекса условий и наблюдении результата. Любой наблюдаемый результат опыта интерпретируется как случайный исход (случайное событие). Случайное событие в результате опыта может произойти, а может и не произойти.
Каждому опыту ставится в соответствие пространство элементарных исходов . Это множество простейших (т.е. неразложимых в рамках данного опыта на более простые) взаимоисключающих исходов, таких, что результатом эксперимента всегда является один и только один исход.
Пример 1.1.1.
Опыт состоит в бросании одной правильной шестигранной игральной кости и наблюдении числа выпавших очков.
Элементарные исходы: {выпалоочков},.
Неэлементарные исходы (события): ={выпало чётное число очков},={выпало число очков, большее, чем 2} и т.п. Исходне является элементарным, т.к. он разлагается на более простые исходы.
Пространство элементарных исходов данного случайного опыта состоит из шести элементов.
3. Классическое определение вероятности события. Свойства вероятности события. Примеры.
Вероятностью события называется отношение числа элементарных исходов, благоприятствующих данному событию, к числу всех равновозможных исходов опыта, в котором может появиться это событие. Вероятность события А обозначают через Р (А). В соответствии с определением P(A)=m/n , где m - число элементарных исходов, благоприятствующих событию А; n - число всех равновозможных элементарных исходов опыта, образующих полную группу событий. Это определение вероятности называют классическим.
Основные свойства вероятности. Пусть задано пространство элементарных событий Е , а вероятности Р определены на событиях из Е . Тогда:
Пример 1.
В урне 10 одинаковых по размерам и весу шаров, из которых 4 красных и 6 голубых. из урны извлекается один шар. Какова вероятность того, что извлеченный шар окажется голубым?
Решение. Событие "извлеченный шар оказался голубым" обозначим буквой А. Данное испытание имеет 10 равновозможных элементарных исходов, из которых 6 благоприятствуют событию А. В соответствии с формулой P(A)=m/n , получаем P(A)=6/10=0,6
4. Статистическое определение вероятности события. Примеры. Теорема Бернулли (с доказательством).
Статистической вероятностью события А называется относительная частота (частость) появления этого события в n произведенных испытаниях, т.е.
w(A) – относительная частота (частость) события А;
m – число испытаний, в которых появилось событие А;
n – общее число испытаний.
Статистическое определение вероятности, как и понятия и методы теории вероятности, применимы только к тем событиям, которые обладают свойствами:
Рассматриваемые события должны быть исходами только тех испытаний, которые могут быть воспроизведены неограниченное число раз при одном и том же комплексе условий.
События должны обладать статистической устойчивостью, или устойчивостью относительных частот. Это означает, что в серии испытаний относительная частота события меняется незначительно.
Число испытаний, в результате которых появляется событие А, должно быть достаточно велико, ибо только в этом случае можно считать вероятность события Р(А) приближенно равной ее относительной частоте.
Пример. Английский учёный Пирсон произвел 23000 бросаний монеты, герб появился 11512 раз.
W(A) = = 0.5005
Теорема Бернулли.
Частость события в n повторных независимых испытаниях в каждом из которых оно может произойти с одной и той же вероятностью p, при неограниченном увеличении числа n сходится по вероятности к вероятности р этого события в отдельном испытании:
Cмысл теоремы состоит в том, что при большом числе n повторных независимых испытаний практически достоверно, что частость события m/n – величина случайная, как угодно мало отличается от неслучайной величины p – вероятности события, т.е. практически перестает быть случайной.
Доказательство:
0 |
1 | |
q |
p |
г
E(=p ; D(=pq
Таким образом, выполняются все условия теоремы Чебышева, т.е.
.