
- •А.А. Халафян
- •Лекция 1. Теории вероятностей. История возникновения. Классическое определение вероятности
- •Классическое определение вероятности
- •Лекция 2. Теоремы сложения и умножения вероятностей. Статистическое, геометрическое определение вероятности
- •Статистическое определение вероятности
- •Геометрическое определение вероятности
- •Последовательность испытаний. Формула Бернулли
- •Лекция 3. Аксиоматическое построение теории вероятностей. Аксиоматика колмогорова
- •Лекция 4. Случайная величина. Функция распределения
- •Основные свойства функции распределения
- •X1 x2 … xn …, причём xn→-∞, n→∞.
- •Лекция 6. Интегральная теорема муавра–лапласа, теорема бернулли
- •Лекция 7. Непрерывные случайные величины
- •Свойства непрерывной случайной величины
- •Законы распределения непрерывных случайных величин Равномерное распределение
- •Экспоненциальное распределение
- •Нормальное распределение
- •Лекция 8. Понятие многомерной случайной величины
- •Аналогично закон распределения y имеет вид
- •Лекция 9. Функция распределения многомерной случайной величины
- •Плотность вероятностей двумерной случайной величины
- •Лекция 10. Свойства плотности вероятностей двумерной случайной величины
- •Лекция 11. Функции от случайных величин
- •Лекция 12. Теорема о плотности суммы двух случайных величин
- •Лекция 13. Распределения стьюдента, фишера .Числовые характеристики случайных величин
- •Числовые характеристики случайных величин
- •Свойства математического ожидания случайной величины
- •Лекция 14. Числовые характеристики случайных величин (продолжение)
- •Другие характеристики центра группирования случайной величины
- •Характеристики вариации случайной величины
- •Свойства дисперсии
- •Свойства среднеквадратического отклонения
- •Лекция 15. Вычисление дисперсии основных распределений
- •Лекция 16. Числовые характеристики меры связи случайных величин
- •Лекция 17. Предельные теоремы теории вероятностей. Неравенство чебышева. Закон больших чисел
- •Неравенство Чебышева
- •Закон больших чисел
- •Закон больших чисел для одинаково распределенных случайных величин
- •Закон больших чисел в форме Бернулли
- •Лекция 18. Центральная предельная теорема
- •Лекция 19. Математическая статистика. Предмет математической статистики. Вариационные ряды
- •Лекция 20. Средние величины. Показатели вариации
- •Свойства среднего арифметического
- •Показатели вариации (изменчивости) вариационного ряда
- •Свойства дисперсии
- •Статистическая выборка
- •Лекция 21. Оценка параметров генеральной совокупности
- •Лекция 22. Точечные и интервальные оценки параметров распределения Метод наибольшего правдоподобия
- •Метод моментов
- •Интервальная оценка
- •Лекция 23. Проверка статистических гипотез
- •Лекция 24. Проверка гипотезы о равенстве средних
- •Проверка гипотезы о равенстве дисперсий
- •Проверка гипотезы о законе распределения
- •Лекция 25. Элементы регрессионного и корреляционного анализов
- •Линеаризующие преобразования
- •Линейный множественный регрессионный анализ
- •Множественный корреляционный анализ
- •Библиографические ссылки
Лекция 3. Аксиоматическое построение теории вероятностей. Аксиоматика колмогорова
Классическое определение вероятности является весьма ограниченным. Ограниченность проявляется хотя бы в том, что события рассматриваются равновозможные, дискретные, число которых конечно. Рассмотрим, например, стрельбу по мишени. Если нас интересует только сам факт попадания по мишени, то элементарными исходами служат ω1=1 и ω2 = 0. Если нас интересует попадание в различные области мишени, то элементарными событиями могут быть ω10 = 10, ω9 = 9,… ω0 = 0. В обоих случаях вероятности элементарных событий не одинаковы. Если нас интересует, в какую конкретно точку мишени попал стрелок, то произвольный элементарный исход ω = {X, Y} – представляет координаты точки попадания, а множество элементарных событий – это множество точек плоскости. Число точек плоскости не конечно и даже несчетно. Поэтому нужно так определить вероятность, чтобы это определение было одинаково пригодным для объектов различной природы.
При классическом определении вероятности в качестве события рассматривалось любое подмножество конечного множества элементарных событий и вероятность события определялась как сумма вероятностей входящих в него элементарных событий. Если же непрерывно, то имеет место континуум элементарных исходов. Попытка считать событием любое подмножество непрерывного множества сопряжена с большими трудностями.
Поэтому в общем случае приходится иметь дело не со всеми подмножествами , а лишь с определенным классом, замкнутым относительно операций объединения и пересечения.
Определение 1. Класс подмножеств из , замкнутый относительно операций объединения, дополнения и пересечения, а также содержащий множества , , называется полем.
Будем обозначать поле буквой S. Минимальное поле состоит из полного и пустого множества S0 = {, }. Другим примером поля событий служит класс из четырех событий S1 = {, , А , }. Доказать самостоятельно.
Определение 2. Вероятностью называется числовая функция, определенная на поле событий S и обладающая следующими свойствами:
аксиома 1. Для любого события А S, Р(А) 0;
аксиома 2. Вероятность достоверного события равна единице, P(Ω)=1;
аксиома 3. Вероятность объединения двух несовместных событий равна сумме вероятностей этих событий, т.е.
если АS, BS, А∩B = , то P(АB) = P(А+B) = P(А) +P(B).
Во многих случаях выполнение аксиомы 3 требуется в расширенном варианте, а именно, аксиома 3 постулирует сложение вероятностей для конечного числа несовместных событий, в то время как в расширенном варианте речь идет о счетном числе несовместных событий –
аксиома
3'.
Если Аi
S,
Аi
∩
Аj
=
,
i
≠ j
, то
.
Определение 3. Набор объектов {Ω,S,P} называется вероятностным пространством, где Ω – множество всех элементарных событий, S – поле, P – вероятность, определенная на поле S.
В лекции 2 формула условной вероятности (4) была выведена на основе классического определения вероятности, для общего случая эта формула является определением условной вероятности.
Определение 4. Условная вероятность наступления события А при условии В равна
P(a/b) = Р(АВ)/Р(В) = Р(АВ)/Р(В).
Определение 5. Событие А не зависит от события В, если
Р(А/В) = Р(А).
Теорема 1. Независимость событий взаимна, т.е. если событие А не зависит от В, то и событие В не зависит от А.
Доказательство.
Р(В/А) = Р(ВА)/Р(А) = Р(АВ)/Р(А) = P(a/b)Р(В)/Р(А) = Р(А)Р(В)/Р(А) = Р(В).
Из определения 4 вытекают формулы умножения вероятностей для зависимых и независимых событий.
Следствие 1. Вероятность совместного появления нескольких событий равна произведению вероятности одного из них на условные вероятности всех остальных, причем вероятность каждого последующего события вычисляется в предположении, что все предыдущие события уже появились:
P(A1A2… An) = P(A1)PA1(A2)PA1A2(A3)… PA1A2… An-1(An).
Определение 6. События A1, A2, …, An независимы в совокупности, если независимы любые два из них и независимы любое из этих событий и любые комбинации (произведения) остальных событий.
Следствие 2. Вероятность совместного появления нескольких событий, независимых в совокупности, равна произведению вероятностей этих событий:
P(A1A2… An) = P(A1)P(A2)… P(An).
Доказательство.
P(A1A2… An) = P(A1·A2… An) = P(A1)P(A2… An).=…= P(A1)P(A2)… P(An).
Определение
7.
Событие
А1,А2,…
Аn
образуют
полную группу событий, если они попарно
несовместны
(Аi∩Аj
=
Ø, для любого i
≠ j)
и
в совокупности образуют
Ω, т.е.
.
Теорема 2. Если события А1,A2,… Аn образуют полную группу событий, Р(Аi) 0 (так как не будет определено P(B/Ai)), то вероятность некоторого события B S определяется, как сумма произведений безусловных вероятностей наступления события Аi на условные вероятности наступления события B, т.е.
.
(1)
Доказательство.
Так
как события Аi
попарно
несовместны, то их пересечение с событием
B
также попарно несовместны, т.е. B∩Аi
и
B∩Аj
–
несовместны при i
j.
Используя
свойство дистрибутивности ((Аi)В
= (АiВ)),
событие B
можно представить как
.
Воспользуемся аксиомой сложения 3 и
формулой умножения вероятностей, получим
.
Формула (1) называется формула полной вероятности.
Из формулы полной вероятности легко получить формулу Байеса, при дополнительном предположении, что P(B)>0
,
где k = 1, 2, …, n.
Доказательство.
P(Аk/B)
= P(Аk
∩
B)/P(B)
Вероятности событий P(Аi ), i =1, 2, …, n называются априорными вероятностями, т.е. вероятностями событий до выполнения опыта, а условные вероятности этих событий P(Аk/B), называются апостериорными вероятностями, т.е. уточненными в результате опыта, исходом которого послужило появление события В.
Задача. В торговую фирму поступили сотовые телефоны последних моделей от трех производителей Alcatel, Siemens, Motorola в соотношении 1 : 4 : 5. Практика показала, что телефоны, поступившие от 1-го, 2-го, 3-го производителя, не потребуют ремонта в течение гарантийного срока соответственно в 98 %, 88 % и 92 % случаев. Найти вероятность того, что поступивший в продажу телефон не потребует ремонта в течение гарантийного срока, проданный телефон потребовал ремонта в течение гарантийного срока, от какого производителя вероятнее всего поступил телефон.