- •1. Классическое и геометрическое определение вероятности, элементы комбинаторики
- •2. Аксематическое определение вероятности. Свойства вероятности.
- •3. Формула полной вероятности. Формула Байеса.
- •4. Схема независимых испытаний Бернулли. Предельная теорема Пуассона.
- •5. Классификация случайных величин.
- •2) Непрерывные случайные величины.
- •6. Математическое ожидание и его свойства.
- •7. Дисперсия и ее свойства.
- •Свойства дисперсии:
- •8. Характеристические функции и их свойства.
- •Свойства характеристической функции :
- •Способы описания св:
- •9.Теорема об обращении характеристической функции.
- •1 1. Виды сходимости случайных последовательностей.
- •13.Критерий сходимости в среднем квадратичном.
- •15. Усиленный закон больших чисел.
- •16. Центральная предельная теорема.
- •10.Производящие функции и их свойства.
- •17. Определение случайного процесса.
- •19. Статистические средние характеристики случайных процессов.
- •20. Сходимость в среднем квадратичном для случайных процессов.
- •21. Непрерывность случайных процессов.
- •22. Дифференцируемость случайных процессов.
- •23. Интегрирование случайных процессов.
- •24. Стохастические обыкновенные дифференциальные уравнения.
- •25. Процессы с независимыми приращениями.
- •26. Гауссовский случайный процесс.
- •27. Винеровский случайный процесс.
- •28. Марковские случайные процессы и цепи маркова определения.
- •29. Однородные цепи Маркова.
- •32. Уравнения Чепмена-Колмогорова.
- •33. Нахождение вероятностей переходов с помощью производящих функций.
- •34. Классификация состояний цепи Маркова по арифметическим свойствам вероятностей перехода
- •35. Свойство периода состояния.
- •36. Классификация состояний по асимптотическим свойствам переходных вероятностей
- •37. Критерий возвратности состояний.
- •38.Эргодические цепи Маркова
- •40. О средних временах переходов между состояниями
- •41. Стационарные цепи Маркова
- •42. Оптимальные стратегии в марковских цепях
- •43. Система диф.Ур-ий Колмогорова для однородной цепи Маркова с конеч.Числом состояний.
- •44. Процесс гибели и размножения
- •49. Обобщенное уравнение Маркова
- •50.Диффузионные процессы
- •51. Обратное уравнение Колмогорова
- •45. Марковские системы массового обслуживания.
- •Рассмотрим систему с простейшим потоком и экспоненциальным обслуживанием
- •46. Система обслуживания м / м / 1
- •47.Система м / м / n / 0
- •48. Система обслуживания м / м / n
- •52.Прямое уравнение Колмогорова для диффузных процессов
- •53. Стохастический интеграл Ито
- •54. Стохастический интеграл в форме Стратоновича
- •55. Стохастические дифференциальные уравнения
- •39. Закон больших чисел для цепей Маркова с конечным числом состояний.
- •57. Стационарность гауссовского случ.Процесса.
- •58. Теорема Бохнера., спектральная плотность случ.Процесса.
- •60. Мартингалы.
- •18. Пуассоновский случ.Процесс
- •Классическое и геометрическое определение вероятности, элементы комбинаторики
2. Аксематическое определение вероятности. Свойства вероятности.
Рассматривали случай, когда мера множества элементарных событий была ограниченной и все элементарные события были равновозможные. В данном случае рассматривается определение вероятности свободное от этих ограничений, в основе которого лежит трактовка вероятности как неотрицательной, нормированной, счётно-аддитивной функции множеств, которые являются событиями. Таким образом, определим р(А), . Совокупность подмножеств пространства , на котором может быть определена вероятностная функция, должна быть построена специальным образом. События, которые имеют вероятность, образуют -алгебру или Борелевское множество, т.е. такую совокупность , которая является подмножеством множества и удовлетворяет следующим свойствам:
3) если случайное событие , то и .
Сформулируем аксематическое определение вероятности: вероятностью р, которая определяется на -алгебре событий , называется числовая функция р(А), где , которая удовлетворяет след. аксиомам:
1)
2)
3) если , то .
Из определения следует, что
а) ;
б) вероятность является нормированной мерой, т.е. для неё выполняются условия нормировки.
Совокупность называется аксематическое вероятностным пространством.
Свойства вероятности.
1)
Доказательство. Действительно,
2)
Доказательство.
3)
4)
Д оказательство.
5)
6) пусть , тогда
.
3. Формула полной вероятности. Формула Байеса.
Определение. Говорят, что события образуют полную группу событий, если имеют места следующие соотношения:
1) 2) 3)
Утверждение. Если события образуют полную группу событий, то имеет место следующая формула , где . Данная формула называется формулой полной вероятности.
Доказательство. Т.к. события образуют полную группу, то
.
Рассмотрим . Т.к. из определения условной вероятности имеет место, что
.
Из второго и третьего равенства получим:
.
Т.о. окончательно имеем . Данная формула называется формулой Байеса.
Пример.
Для контроля из трёх партий деталей взята для испытания 1 деталь. Какова вероятность обнаружения бракованной продукции, если в первой партии 2/3 деталей бракованные, а во второй и в третьей все детали доброкачественные.
.
4. Схема независимых испытаний Бернулли. Предельная теорема Пуассона.
Два случайных события А и В называются независимыми, если . Если события А и В независимы, то .
Случайные события называются независимыми в совокупности, если : имеет место следующее соответствие
.
Определение. Если , то события называются независимыми парами.
Из независимости в совокупности следует попарная независимость, а из попарной независимости независимость совокупности следует не всегда.
Схема независимых испытаний Бернулли.
Определение. Испытанием называется последовательность из двух актов:
создание комплекса условий;
наблюдение появившегося события.
Испытания будут независимыми, если наблюдаемые события являются независимыми.
Определение. Независимые испытаниями Бернулли называются такие независимые испытания, для которых вероятность появления события в каждом испытании одинакова и не меняется от испытания к испытанию.
В случае, когда число испытаний не велико на практике пользуются формулой Бернулли:
.
Помимо всего прочего имеет место следующее равенство: . Данное равенство называется условием нормировки.
Если же число испытаний велико, то используют следствия из предельных теорем.
Первая предельная теорема носит название предельная теорема Пуассона. Справедливо следующее предельное соотношение:
.
На практике данная теорема используется, когда .
Доказательство.
По формуле Бернулли:
.
, что и требовалось доказать.
Следствие. Из теоремы Пуассона вытекает, что при большом n справедлива следующая приближенная формула: , где .