- •3. Основные формулы комбинаторики
- •Теорема о перемножении шансов
- •Урны и шарики
- •Выбор без возвращения, с учётом порядка
- •Выбор без возвращения и без учёта порядка
- •Выбор с возвращением и с учётом порядка
- •Выбор с возвращением и без учёта порядка
- •4. Определения и примеры
- •Задача о встрече
- •Задача Бюффона(1)
- •5. 2.3. Частота, или статистическая вероятность, события
- •Формула полной вероятности и формула Байеса
- •[Формулировка
- •Доказательство
- •Закон распределения дискретной случайной величины
- •Определение
- •Свойства
- •17. 2.3. Числовые характеристики случайных величин и их свойства
- •Основные законы распределения целочисленных случайных величин
- •Производящие функции
- •Биномиальный закон (распределение Бернулли)
- •Закон распределения Пуассона (закон редких событий)
- •Геометрический закон распределения
- •Равномерный закон распределения
- •Гипергеометрический закон распределения
- •Формулировки
[Формулировка
Теорема: Если Вероятность p наступления события Α в каждом испытании постоянна, то вероятность Pk,n того, что событие A наступит k раз в n независимых испытаниях, равна: где q = 1-p
Доказательство
Так как в результате n независимых испытаний, проведенных в одинаковых условиях, событие A наступает с вероятностью , следовательно противоположное ему событие с вероятностью .
Обозначим Ai — наступление события A в испытании с номером i. Так как условия проведения опытов одинаковые, то эти вероятности равны. Пусть в результате n опытов событие A наступает k раз, тогда остальные n − k − раз это событие не наступает. Событие A может появиться k раз в n испытаниях в различных комбинациях, число которых равно количеству сочетаний из n элементов по k. Это количество сочетаний находится по формуле:
.
При этом вероятность каждой комбинации равна произведению вероятностей:
.
Применяя теорему сложения вероятностей несовместных событий, получим окончательную Формулу Бернулли:
где q = 1-p
12. Теорема Пуассона ~ Локальная теорема Муавра—Лапласа ~ Интегральная теорема Муавра—Лапласа ~ Теорема Бернулли
Если число испытаний n в схеме независимых испытаний Бернулли растет, а вероятность pуменьшается, то точная формула практически непригодна из-за громоздких вычислений и возникающих погрешностей округления. В этом случае пользуются приближенными формулами Пуассона (при npq < 9) и Муавра-Лапласа (npq > 9).
Теорема Пуассона
Если число испытаний n в схеме независимых испытаний Бернулли стремится к бесконечности и так, что , , то при любых
Это означает, что при больших n и малых p вместо громоздких вычислений по точной формуле можно воспользоваться приближенной формулой
, т.е. использовать формулу Пуассона для = np.
На практике пуассоновским приближением пользуются при npq < 9.
Локальная теорема Муавра-Лапласа
Пусть 0< p <1 и величина при n ограничена. Тогда .
На практике приближением Муавра-Лапласа пользуются при npq > 9.
Точность формулы растет, как с ростом величин n и k, так и по мере приближения величин p и q к 0.5.
Интегральная теорема Муавра-Лапласа
Пусть 0< p <1, тогда для схемы Бернулли при n для любых a и b справедлива формула
.
Отсюда, в частности, следует, что для вычисления вероятности того, что число успехов в nиспытаниях Бернулли заключено между k1 и k2, можно использовать формулу
,
где , , - функция Лапласа.
Точность этой приближенной формулы растет с ростом n.
Если npq сравнительно невелико, то лучшее приближение дает формула
и для вычисления вероятности того, что число успехов в n испытаниях Бернулли заключено между k1 и k2, можно использовать формулу
, где , .
Теорема Бернулли
Если - число успехов в n испытаниях Бернулли с вероятностью успеха в одном испытании p, 0 < p < 1, то для любого > 0 справедливо: .
Утверждение теоремы Бернулли означает, что с ростом числа испытаний n относительная частота успехов /n приближается к вероятности p успеха в одном испытании.
Достаточно часто возникает необходимость установить, сколько нужно произвести испытаний, чтобы отклонение относительной частоты успехов /n от вероятности p с вероятностью, больше или равной было меньше . Т.е. требуется найти n, для которого справедливо неравенство . Доказано, что число n, которое обеспечивает выполнение этого неравенства, удовлетворяет соотношению , где - решение уравнения . Следует обратить особое внимание на замечательный факт: искомое значениеn не зависит от p
14.
Случайная величина — это величина, которая принимает в результате опыта одно из множества значений, причём появление того или иного значения этой величины до её измерения нельзя точно предсказать.
Формальное математическое определение следующее: пусть — вероятностное пространство, тогда случайной величиной называется функция ,измеримая относительно и борелевской σ-алгебры на . Вероятностное поведение отдельной (независимо от других) случайной величины полностью описывается еёраспределением.
Случайные величины могут принимать дискретные, непрерывные и дискретно-непрерывные значения. Соответственно случайные величины классифицируют на дискретные, непрерывные и дискретно-непрерывные (смешанные).
На схеме испытаний может быть определена как отдельная случайная величина (одномерная/скалярная), так и целая система одномерных взаимосвязанных случайных величин (многомерная/векторная).
Пример смешанной случайной величины — время ожидания при переходе через автомобильную дорогу в городе на нерегулируемом перекрёстке.
В бесконечных схемах (дискретных или непрерывных) уже изначально элементарные исходы удобно описывать количественно. Например, номера градаций типов несчастных случаев при анализе ДТП; время безотказной работы прибора при контроле качества и т. п.
Числовые значения, описывающие результаты опытов, могут характеризовать не обязательно отдельные элементарные исходы в схеме испытаний, но и соответствовать каким-то более сложным событиям.
С одной стороны, с одной схемой испытаний и с отдельными событиями в ней одновременно может быть связано сразу несколько числовых величин, которые требуется анализировать совместно.
Например, координаты (абсцисса, ордината) какого-то разрыва снаряда при стрельбе по наземной цели; метрические размеры (длина, ширина и т. д.) детали при контроле качества; результаты медобследования (температура, давление, пульс и пр.) при диагностике больного; данные переписи населения (по возрасту, полу, достатку и пр.).
Поскольку значения числовых характеристик схем испытания соответствуют в схеме некоторым случайным событиям (с их определёнными вероятностями), то и сами эти значения являются случайными (с теми же вероятностями). Поэтому такие числовые характеристики и принято называть случайными величинами. При этом расклад вероятностей по значениям случайной величины называется законом распределения случайной величины
15.