- •Предмет теории вероятностей
- •2. Понятие события. Виды событий.
- •Виды случайных событий
- •3. Классическое и статистическое определение вероятности. Основные формулы комбинаторики
- •3.1 Классическое определение вероятности.Свойства вероятности.
- •3.2 Относительная частота. Устойчивость относительной частоты
- •3.3 Ограниченность классического определения вероятности. Статистическая вероятность.
- •3.4 Основные формулы комбинаторики
- •Решение. Искомое число способов
- •1. Понятие суммы и произведения событий.
- •2. Теоремы сложения вероятностей несовместных событий и событий, образующих полную группу событий
- •Теорема сложения вероятностей несовместных событий
- •2.2. Полная группа событий
- •Теорема сложения вероятностей противоположных событий. Принцип практической невозможности маловероятных событий.
- •3.1 Противоположные события
- •3.2. Принцип практической невозможности маловероятных событий
- •2. Теоремы умножения для зависимых и независимых событий.
- •Теорема о вероятности появления хотя бы одного независимого
- •Теорема сложения вероятностей совместных событий
- •2. Формула полной вероятности
- •Деталь может быть извлечена , либо из первого набора (событие в1), либо из второго (событие в2).
- •3. Вероятность гипотез. Формулы Бейеса
- •1) Деталь проверил первый контролер (гипотеза в1);
- •2) Деталь проверил второй контролер (гипотеза b2).
- •1. Формула Бернулли
- •2. Локальная теорема Лапласа
- •3. Интегральная теорема Лапласа
- •Случайная величина
- •Дискретные и непрерывные случайные величины
- •2. Закон распределения вероятностей дискретной случайной величины .
- •3. Биномиальный закон распределения .
- •4 . Распределение Пуассона
- •5 . Геометрическое распределение .
- •Понятие и вероятностный смысл математического ожидания дискретной случайной величины
- •Вероятностный смысл математического ожидания Пусть произведено «n» испытаний, в которых слу-
- •2. Свойства математического ожидания
- •Математическое ожидание случайной величины сх:
- •3. Теорема о математическом ожидании биномиального закона распределения
- •Дисперсия дискретной случайной величины и формула для ее вычисления.
- •1.1 Целесообразность введения числовой характеристики рассеяния случайной величины
- •1.2 Отклонение случайной величины от ее математического ожидания
- •1.3 Дисперсия дискретной случайной величины
- •1.4. Формула для вычисления дисперсии
- •2. Свойства дисперсии и их следствия.
- •Доказательство. По формуле для вычисления дисперсии имеем
- •Дисперсия числа появлений события в независимых испытаниях (дисперсия биномиального закона распределения)
- •3. Среднеквадратическое отклонение одной и суммы независимых случайных величин.
- •Среднее квадратическое отклонение суммы взаимно независимых случайных величин
- •4. Сущность и значение для практики теоремы Чебышева.
- •2. Свойства функции распределения
- •3. График функции распределения
- •1. Определение и свойства плотности распределения.
- •Свойства плотности распределения
- •2. Взаимосвязь функции и плотности распределения вероятностей.
- •Вероятностный смысл плотности распределения.
- •Вероятность попадания непрерывной случайной величины в заданный интервал
2. Локальная теорема Лапласа
Выше была выведена формула Бернулли, позволяющая вычислить вероятность того, что событие появится в п испытаниях ровноkраз. При выводе мы предполагали, что вероятность появления события в каждом испытании постоянна. Легко видеть, что пользоваться формулой Бернулли при больших значениях «п» достаточно трудно, так как формула требует выполнения действий над громадными числами. Например, если п=50 , к =30.
вычисления, пользуясь специальными таблицами логарифмов факториалов. Однако и этот путь остается громоздким и к тому же имеет существенный недостаток:
таблицы содержат приближенные значения логарифмов , поэтому в процессе вычислений накапливаются погрешности; в итоге окончательный результат может значительно отличаться от истинного.
Естественно возникает вопрос: нельзя ли вычислить интересующую нас вероятность, не прибегая к формуле Бернулли? Оказывается, можно.
Локальная теорема Лапласа дает асимптотическую формулу, которая позволяет приближенно найти вероятность появления события ровно k раз в п испытаниях, если число испытаний достаточно велико.
Заметим, что для частного случая, а именно для р= 1/2, асимптотическая формула была найдена в 1730 г. Муавром; в 1783 г. Лаплас обобщил формулу Муавра для произвольного «р», отличного от 0 и 1. Поэтому теорему, о которой здесь идет речь, иногда называюттеоремой Муавра—Лапласа.
Доказательство локальной теоремы Лапласа довольно сложно, поэтому мы приведем лишь формулировку теоремыи примеры, иллюстрирующие ее использование.
Локальная теорема Лапласа.Если вероятность «р» появления события А в каждом испытании постоянна и отлична от нуля и единицы, то вероятность того, что событие А появится в «n» испытаниях ровно «k» раз приближенно равна (тем точнее, чем больше «n») значению функции
ным значениям аргумента х(см. приложение 1). Для отрицательных значений аргумента пользуются теми же
Итак, вероятность того, что событие А появится в пнезависимых испытаниях ровно k раз, приближенно равна
Пример 1. Найти вероятность того, что событиеА наступит ровно 80 раз в 400 испытаниях, если вероятность появления этого события в каждом испытании равна 0,2.
Решение. По условию, п==400; к==80; р==0,2; q==0,8. Воспользуемся асимптотической формулой Лапласа:
Вычислим определяемое данными задачи значение х:
Искомая вероятность
Формула Бернулли приводит примерно к такому же результату (выкладки ввиду их громоздкости опушены):
р400(80) =0,0498.
Пример 2. Вероятность поражения мишени стрелком при одном выстреле р==0,75. Найти вероятность того, что при 10 выстрелах стрелок поразит мишень 8 раз.
Вычислим определяемое данными задачи значениех:
По таблице приложения 1 находим φ (0,36) ==0,3739. Искомая вероятность
Формула Бернулли приводит к иному результату, а, именно Р10 (8) =0,282. Столь значительное расхождение ответов объясняется тем, что в настоящем примере п имеет малое значение (формула Лапласа дает достаточно хорошие приближения лишь при достаточно больших значениях п).