- •Теорема сложения вероятностей
- •Условная вероятность Условная вероятность — вероятность одного события при условии, что другое событие уже произошло.
- •Независимые события
- •Дискретные случайные величины
- •Примеры дискретных случайных величин:
- •2) Дискретная биномиальная случайная величина(биномиальное распределение). Закон распределения данной дискретной случайной величины запишется следующим образом:
- •3) Дискретная случайная величина Пуассона(пуассоновское распределение с параметром ). Закон распределения дискретной случайной величины Пуассона задается следующим образом:
- •4) Дискретная геометрическая случайная величина (геометрическое распределение). Закон распределения геометрической дискретной случайной величины имеет вид
- •Непрерывные случайные величины
- •Примеры непрерывных случайных величин:
- •3) Равномерная на [a;b] непрерывная случайная величина(равномерное на отрезке [a;b] распределение).
- •Биномиальное распределение
- •Распределение Пуассона
- •Простейшие свойства математического ожидания
- •[Править]Тождества
- •Описание
- •Характеристики
- •Графическое изображение рядов распределения
- •Полигон
- •6.1. Распределение домохозяйств по размеру
- •Статистическая таблица
- •Гистограмма
- •8.1 Определения и основные свойства точечных оценок
- •8.3. Метод максимального правдоподобия
- •3. Интервальные оценки
Независимые события
Будем считать, что дано фиксированное вероятностное пространство .
Определение 1. Два события независимы, если
Вероятность появления события A не меняет вероятности события B.
Замечание 1. В том случае, если вероятность одного события, скажем , ненулевая, то есть , определение независимости эквивалентно:
то есть условная вероятность события при условии равна безусловной вероятности события .
Определение 2. Пусть есть семейство (конечное или бесконечное) случайных событий , где — произвольное индексное множество. Тогда эти события попарно независимы, если любые два события из этого семейства независимы, то есть
Определение 3. Пусть есть семейство (конечное или бесконечное) случайных событий . Тогда эти события совместно независимы, если для любого конечного набора этих событий верно:
Замечание 2. Совместная независимость, очевидно, влечет попарную независимость. Обратное, вообще говоря, неверно.
Пример 1. Пусть брошены три уравновешенные монеты. Определим события следующим образом:
: монеты 1 и 2 упали одной и той же стороной;
: монеты 2 и 3 упали одной и той же стороной;
: монеты 1 и 3 упали одной и той же стороной;
Легко проверить, что любые два события из этого набора независимы. Все же три в совокупности зависимы, ибо зная, например, что события произошли, мы знаем точно, что также произошло.
11.Формула полной вероятности
Пусть событие В может наступать только при условии появления одного из событий Аi, образующих полную систему событий. Тогда вероятнсть события В равна сумме произведений вероятностей каждого из событий Аi на соответствующую условную вероятность события А:
Эта формула носит название формулы полной вероятности.
12.Формула Байеса
Если вероятности событий до опыта были Р(А), то с учетом появления в результате опыта события В условная вероятность Р(A|B) вычисляется по формуле Байеса:
13.формула Бернулли
Формулировка
Теорема: Если Вероятность p наступления события Α в каждом испытании постоянна, то вероятность того, что событие A наступит k раз в n независимых испытаниях, равна: , где .
[править]Доказательство
Так как в результате независимых испытаний, проведенных в одинаковых условиях, событие наступает с вероятностью , следовательно противоположное ему событие с вероятностью .
Обозначим — наступление события в испытании с номером . Так как условия проведения опытов одинаковые, то эти вероятности равны. Пусть в результате опытов событие наступает раз, тогда остальные раз это событие не наступает. Событие может появиться раз в испытаниях в различных комбинациях, число которых равно количеству сочетаний из элементов по . 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 .
14.локальная теорема Лапласа.
Локальная теорема Лапласа
где - вероятность появления события A ровно k раз при n независимых испытаниях; p - вероятность появления события A при каждом испытании; .
15.интегральная теорема Лапласа
Интегральная теорема Лапласа
где - вероятность того, что в n независимых испытаниях событие A появится не менее k1 и не более k2 раз; - функция Лапласа; ; .
Оценка отклонения относительной частоты от постоянной вероятности
Наивероятнейшее число k0 появления события A при n независимых испытаниях
(n - число испытаний; p - вероятность появления события при одном испытании).
16.дискретные и непрерывные случайные величины
Одним из основных в теории вероятностей является понятие случайной величины. Случайная величина - это величина, принимающая те или иные значения в зависимости от случая. Примерами случайных величин могут быть: число выпавших очков, при подбрасывании игральной кости; число попаданий в цель при k выстрелах и т.д. Множества всех случайных величин в зависимости от типа их распределения делится на три класса: дискретные случайные величины, непрерывные случайные величины исингулярные случайные величины. В этой статье мы рассмотрим первые два класса:дискретные случайные величины и непрерывные случайные величины.