
- •Лекция 1. Основные понятия теории вероятности
- •Вопросы для самопроверки
- •Лекция 2. Теоремы о вероятностях
- •Теорема умножения вероятностей
- •Краткая классификация событий
- •Теорема о полной вероятностей
- •Теорема (формула) Байеса
- •Теорема сложения вероятностей
- •Принцип практической невозможности редких событий
- •Вопросы для самопроверки
- •Лекция 3. Случайные величины
- •Дискретная случайная величина
- •Числовые характеристики случайных величин
- •Характеристики положения
- •Характеристики разброса
- •Характеристики формы
- •Свойства математического ожидания
- •Свойства дисперсии
- •Правило "3-х сигм"
- •Вопросы для самопроверки
- •Лекция 4. Распределение Бернулли, Пуассона, Лапласа Распределение Бернулли
- •Биномиальные коэффициенты
- •Распределение Пуассона
- •Вопросы для самопроверки
- •Лекция 5. Распределение Лапласа
- •И нтегральная теорема Лапласа
- •Три основных формы интегральной теоремы Лапласа
- •Вопросы для самопроверки
- •Лекция 6. Непрерывная случайная величина
- •Нормальный закон распределения Гаусса
- •Показательный или экспоненциальный закон распределения
- •Квантили распределения
- •Вопросы для самопроверки
- •Лекция 7. Предельные теоремы теории вероятностей
- •Закон больших чисел
- •Центральная предельная теорема
- •Композиция распределений случайных величин
- •Функции случайного аргумента
- •Вопросы для самопроверки
- •Лекция 8. Система случайных величин
- •Закон распределения дискретной двумерной случайной величины
- •Характеристики дискретной двумерной случайной величины
- •Закон распределения непрерывной двумерной случайной величины
- •Характеристики непрерывной двумерной величины
- •Двумерный нормальный закон
- •Вопросы для самопроверки
- •Лекция 9. Проблемы математической статистики
- •Способы составления выборочных подсовокупностей
- •Статистичекое оценивание
- •Вопросы для самопроверки
- •Лекция 10. Свойства статистических оценок
- •Оценка параметров распределения
- •Статистические критерии
- •Вопросы для самопроверки
- •Лекция 11. Критерии согласия Критерий согласия Пирсона
- •Критерий согласия Колмогорова – Смирнова
- •Интервальные оценки характеристик и параметров
- •Вопросы для самопроверки
- •Лекция 12. Проверка статистических гипотез Распределение Стьюдента
- •Интервальная оценка для математического ожидания
- •Проверка гипотезы о равенстве центров двух совокупностей
- •Сравнение двух дисперсий
- •Вопросы для самопроверки
- •Лекция 13. Дисперсионный анализ
- •Ранговый дисперсионный анализ Краскала–Уоллиса
- •Время появления реакции в 4-х группах
- •Ранжированнае данные
- •Дополнение к выводу формул Краскала–Уоллиса
- •Вопросы для самопроверки
- •Лекция 14. Регрессионный анализ
- •Метод наименьших квадратов (мнк)
- •Пример расчета мнк-оценок параметров
- •Оценка тесноты принятой формы связи.
- •Однофакторная линейная зависимость
- •Нелинейные двухпараметрические модели
- •Вопросы для самопроверки
- •Лекция 15. Проблема значимости и адекватности регрессионной модели Оценка значимости регрессионной модели
- •Оценка значимости корреляционной связи
- •Проверка адекватности модели
- •Коэффициент ранговой корреляции Спирмена
- •Вывод формулы для коэффициента ранговой корреляции Спирмена
- •Вопросы для самопроверки
- •Лекция 16. Линейный регрессионный анализ в стандартизованных переменных
- •Способы составления многофакторных моделей
- •Коэффициенты частной корреляции
- •Вывод формул для дисперсий коэффициентов регрессии и расчетных значений
- •Вопросы для самопроверки
Теорема о полной вероятностей
Данная теорема применяется для решения часто встречающейся специфичной задачи, поэтому сочтено полезным запомнить конечный результат в виде отдельной теоремы:
Событие А появляется совместно с одним из событий Нi , которые называются "гипотезами" и составляют полную группу несовместных событий. Даны вероятности гипотез p(Нi) и условные вероятности появления события А в присутствии каждой гипотезы p(A|Нi). Требуется найти вероятность события А.
Составим
полную группу несовместных событий для
случая 3-х гипотез Н1 ,
Н2 ,
Н3 ,
в присутствии которых может появиться
или не появиться событие А. Эти три
гипотезы сочетаются с двумя альтернативами
– А или
.
Всего событий в полной группе будет
3 2 = 6.
Вероятности каждой такой комбинации
вычисляем по теореме умножения.
№ |
Н |
А |
Вер. |
1 |
Н1 |
A |
р(Н1)p(A|H1) |
2 |
Н2 |
A |
р(Н2)p(A|H2) |
3 |
Н3 |
A |
р(Н3)p(A|H3) |
4 |
Н1 |
|
|
5 |
Н2 |
|
|
6 |
Н3 |
|
|
p(A) = p(H1)p(A|H1) + p(H2)p(A|H2) + p(H3)p(A|H3).
Полученная формула составляет суть теоремы о полной вероятности.
Пример 1. Студент знает ответы на m билетов из n. Что для него выгоднее – сдавать экзамен первым, или последним?
Если он идет сдавать первым, то вероятность успешной сдачи экзамена равна р(А) = m/n .
Если
же студент идет сдавать экзамен вторым,
то предшествующий студент уже получил
один билет. Какой именно? Имеют место
две гипотезы: или изъят билет "хороший"
(вероятность этой гипотезы р(H1) = m/n ),
или изъят "плохой" билет (вероятность
этой гипотезы р(H2) = (n–m)/n ).
Шансы второго студента на успех
существенно зависят от того, какая
гипотеза будет реализована в
действительности: р(A|H1) = (m–1)/(n–1) ;
р(A|H2) = m/(n–1) .
Согласно теореме о полной вероятности,
p(A) = p(H1)p(A|H1) + p(H2)p(A|H2) =
.
Шансы на успех для 2-го студента не
изменились.
В качестве полезного упражнения предлагается вычислить полную вероятность успеха для 3-го студента.
Пример
2. На конвейер детали
поступают от 3-х поставщиков. Первый
поставщик (гипотеза H1)
поставляет m1
деталей, второй (гипотеза H2)
– m2
деталей, третий (гипотеза H3)
– m3
деталей; всего n = m1 + m2 + m3 .
Известны вероятности брака (доля
бракованных изделий) для каждого
поставщика: для 1-го поставщика она равна
,
для 2-го –
,
для 3-го –
.
Какова вероятность брака на конвейере?
Эту
задачу можно решить, не обращаясь к
теореме о полной вероятности (естественно,
получим тот же самый результат). Найдем
количество поставленных бракованных
изделий от каждого поставщика:
;
всего на конвейере k = k1 + k2 + k3
бракованных деталей. Вычисляем вероятность
брака на конвейере:
.
В результате опять получена формула полной вероятности. Из вышеприведенного выражения также следует, что полная вероятность р(А) есть среднее взвешенное из условных вероятностей р(A|Hi) с весовыми коэффициентами mi или р(Hi).