1
Теория вероятностей
Случайные события. Пространство элементарных событий. Алгебра событий.
Событие – любой исход эксперимента (всякий факт, который в результате опыта может произойти или не произойти).
Случайные – не можем предвидеть (подбрасывание монеты).
А – появление герба при бросании монеты;
В – попадание в цель при выстреле;
С – появление туза при вынимании карты из колоды.
Пространство элементарных событий.
I эксперемент эл.исходы: W1 – вып. «1»
W2 – вып. «2»
W6 – вып. «6»
Сложн.событ. (выпис.четное): А=
Выпадение очков кратное 3: В=
Пространство эл-ных событий – множество всех элемент.исходов данного эксперемента.
II эксперимент – подбрас.2 игр.кости
(1,1) (1,2) … (1,6) Ω
(2,1) (2,2) … (2,6)
. . . . . . . .
(6,1) (6,2) … (6,6)
Сложное соб.А – подмн-во Ω
Алгебра событий – совокупность событий, на кот.опр-ны операции:
А+В – событие, состоящее в том, что либо происходит А, либо В, либо А и В.
АВ – событие, состоящее в том, что А и В происходят вместе.
Ā – (отрицание) – событие, состоящее в том, что А не происходит.
Пример:
А+В=
AB=
Ā=
Ω - достовер.соб., кот.происходит всегда
Ø = ᾯ (напр. Выпадение «7» на кубике)
2
Вероятность соб. –численная мера степени объективной возможности этого события. (связано с понятием частоты соб-я)
Более вероятные – кот. происходят чаще;
Мало вероятные – кот. почти никогда не происходят.
Два события А и В назыв. несовместимыми если они не могут одновременно произойти.
Вероятность – некот.число, кот.лежит от 0 до 1, показывает насколько часто происходит событие в серии экспериментов.
Вероятность в дискретных и непрерывных пространствах элем.событий.
Пр.: монета подбрасываемая до появления герба
Ω=
Р(А) – вероятность соб.А
(числ.мера степени объективной возможности того события – частота)
Аксиоматически:
экспер→дискр.пр.эл.соб.→
Свойства:
P(
Свойства вероятности:
Р(Ø)
Р(Ω)=1
n
P(A+B) = P(A) + P(B) – P(AB)
AB=Ø P(A+B) = P(A) + P(B)
P(Ā) = 1 – P(A)
Классическая схема равновероятных событий
Равновероятные события
Если Wi новероятны или равновозможные (ни одно из этих событий не явл.объективно более возможным, чем другое)
=N – число эл.иск. в Ω
i=1,2,…N
P(A)== ← Формула классической вероятности
Р(А)=
0
Благопр.случай – появление этого случая влечет за собой появление данного соб.
Комбинаторика
Выборки: Упорядоченные:
С возвращением (с повторением)
Без возвращения
Неупорядоченные
С возвращением (с повторением)
Без возвращения
3
Теоремы сложения и умножения вероятности.
Р(А+В) = Р(А) + Р(В) – вероятность суммы 2-ух несовместных событий равна сумме вероятностей этих событий.
;
Нет случаев, кот.благопр. и А, и В вместе →
P(A+B+C) = P(A) + P(B) + P(C)
)
Следствие 1. Если соб. образуют полную группу несовместимых событий, то сумма их вер-тей равна 1.
Следствие 2. Сумма вероятностей противоположных событий равна 1;
Р(А) + Р(Ā) = 1
Р(А+В) = Р(А)+Р(В)-Р(АВ) – для совместимых
Р(А+В+С)= Р(А)+Р(В)+Р(С)–Р(АВ)–Р(АС)–Р(ВС)+Р(АВС)
Р(АВ)=Р(А)+Р(В)+Р(С)-Р(А+В)-Р(А+С)-р(В+С)+Р(А+В+С)
2)Соб.А назыв. независимым от соб.В, если вер-сть соб.А не зависит от того, произошло соб.В или нет.
Подбррас.2 монеты:
А – появление герба на 1ой монете.
В – появление герба на 2ой монете.
Условная вероятность – вер-сть соб.А при условии, что соб.В произошло. Р(А∕В)
Р(А∕В)=Р(А) – условия независимости.
Теорема умножения
Р(АВ)=Р(А)Р(В∕А) вероятность произведения 2ух событий равна произведению вер-сти одного из них на условную вер-сть другого, вычисл.при условии, что первое имело место. (для зависимых соб.)
Р(АВС)=Р(А) Р(В∕А)Р(С∕АВ)
Док-во:
Р(АВ)=Р(А)*Р(В) необх. и дост.усл.независ-ти.
Следствие 1. Если, соб.А не зависит от соб.В, то и соб.В не зависит от соб.А.
Следствие 2. Вероятность произведения 2ух независимых событий равна произведению вер-тей этих событий.
4
Формула полной вероятности и формула Байеса.
Формула полной вер-сти явл.следствием обеих основных теорем.
(гипотезы)
Н1, Н2, …Нк – полная группа событий или разбиение Ω, если:
Н1+ Н2,+ …+Нк=Ω
Не пересекаются между собой
Hi*Hj=Ø i≠j I,j=1,2,…k
A=AH1+AH2+AH3+…+AHk (все слагаемые АНi несовместны)
Р(А)=Р(АН1+АН2+…+АНк)=Р(АН1)+Р(АН2)+…+Р(РНк)=Р(Н1)Р(А∕Н2)+…+Р(Нк)Р(А∕Нк)
– формула полной вероятности.
Формула Бейеса (теорема гипотез) явл.следствием теоремы умножения и формулы полной вер-сти. (необх-мо найти усл.вер-сть Р(Нi∕A) для каждой гипотезы.
Пр. Из какой урны более вероятно вытащить бел.шар? (Н1 или Н2)?
Р(Н1∕A) V Р(Н2∕A)
Р(Нi∕A)= вычисл.по формуле полн.вер-сти
5
Дискретные сл.в. Ряд распределения. Числовые характеристики.
Ω=
Случайная величина
X=X(Wi)числ.ф-ция, определенная на каждом элементарном исходе. (пространстве элем.соб.)
X1=X(W1)
X2=X(W2)
Случайная величина – величина, которая в результате опыта может принять то или иное значение, причем неизвестно заранее, какое именно.
Пр.
-
число попаданий при 3х выстрелах (0;1;2;3)
-
число вызовов, поступивших на телефон.станцию за сутки (1;2;3;4….)
-
частота попаданий при 10 выстрелах (0;0,1;0,2;….10)
дискретные – можно заранее перечислить
непрерывные – непрерывно заполняют некоторый промежуток.
Пр.
-
абсцисса точки попадания при выстреле;
-
ошибка взвешивания тела на аналитич.весах;
-
скорость летат.аппарата в момент выходп на заданную высоту;
-
все наугад взятого зерна пшеницы.
(границы неопределенные, расплывчатые)
Производится опыт соб.А – может появиться, а может и нет.
Вместо соб.А расмотр.сл.вел.Х, кот.=1
Если соб.А не происходит Х=0
Х – характеристическая сл.вел.соб.А
Х – сл.вел.
Х1,Х2….Хn – возможные значения сл.вел.Х
Ряд распределения
Закон распределения – всякое соотношение, устанавливающее связь между возможными значениями сл.вел-ны и соответствующими им вероятностями.
Простейшей формой задания закона распределения дисер.сл.вел.Х явл. таблица, в кто.перечислены возможные значения сл.вел. и соответствующие им вероятности.
1) ряд распределения сл.вел.Х
2)
многоугольник распределения (один из форм закона распределения)
3)иногда удобной оказывается «механическая» интерпретация ряда распред-я (система матер.точек с какими-то массами, расп.на оси абсцисс)
Числовые характеристики дискр.сл.величины
Числ.хар-ки – хар-ки, кот.характер-ют различн.св-ва случ-ной вел.
Характеристики положения
(мат.ожид-е, мода, медиана)
Указывают некоторые среднее ориентировочное значение, около которого группируются все возможные значения случ.вел.
-
Мат.ожидание - сумма произведений всех возможных значений сл.вел. на вероятности этих значений.
при большом числе опытов среднее арифмет.наблюденных значений сл.вел.приближается (сходится по вероятности) к ее матем.ожиданию.
М(Х) – абсцисса центра тяжести системы матер.точек.
Свойства М(х):
1)М(Х+а)=М(х)+а, а =const
2)М(аХ)=аМ(х)
3)М(Х+Y)=M(X)+M(Y)
4)h(X) – ф-ция Х, тогда
5) M(a)=a
2)Мода – наиболее вероятное значение (М)
3)Медиана : Р(Х
Моменты. Дисперсия. Среднее квадратическое отклонение.
- определяет разброс отн-но (хар-ка рассеивания)
Дисперсия – мат.ожидание квадрата соответствующей центрированной величины.
Среднее квадратич.отклонение G=
(для наглядной характеристики рассеивания)
Размерность совпадает с размеренностью сл.вел.
Свойства :
-
Неотрицательная =0
-
С-константа,
-
-
Моменты (опис.св-ва распр-я):
Начальные
dk
k=0,1,2….
d=1
=m
= хар-ка формы распределения
Центральные
Мк
M0 = 1
M1 = M=0
M2 = M=Д
M3 - хар-ка формы распред-я
Хар-ка формы распределения:
Асимметрия
As(X)
As(X)=
Эксцесс
Ех(Х)
Центрированная сл.вел. – отклонение сл.вел.Х от ее мат.ожид-я Х=Х-Мх
6
Повторение испытаний. Схема Бернулли. Биномиальное распределение. Формула Пуассона.
Один и тот же опыт повторяется соб.А может появиться или нет.
Нас интересует не результат каждого отдельного опыта, а общее число появлений соб.А в резте серии опытов.
Пр.число попаданий среди группы выстрелов.
Х~В(n1,p) – случ.вел.Х имеет биноминал.распр-е с параметрами n и p.
Схема Бернулли: (идеализир.ситуация) (если n=1)
Исходы эксперемента: «успех» (А)
«неуспех» (Ā)
К- число успехов в n исп-нии.
Р(А)=р
Р(Ā)=1-р=q
Эксперимент повторяется n раз, р и q не изменяются.
Рассм.случ.вел.Х – число успехов в n испытаний по схеме Бернулли.
Х=0,1,2,…n (целочисл.дискр.знач-я)
M(X)=n*p
Д(Х)=n*p*q
P(AA….A ĀĀ….Ā)= (для конкр.посл-сти)
Если n большое, то в силу ЦПТ В(n,p)N(np;npq)
Если n большое, а - фикс.число, то
Приближенная формула Пуассона
n – велико
p – мало
0,1 n*p10
где =n*p
Док-во формулы
7
Распределение Пуассона. Геометрическое распределение.
Распределение Пуассона (Закон редких событий)
Дискр.сл.вел.Х=0,1,2,… имеет распр-е Пуассона с параметром , если вероят-сть того, что она примет определение значения к, выражается формулой.
К=0,1,2,…
=n*p
Редкое событие: стоим на перекрестке и подсчит.число столкновений.
Физич.модель, приводящ.к распределению Пуассона.
Поток событий – посл-сть некот.случ.соб-тий во времени.
Постулаты:
-
Поток явл.стационарным
-
Отсутствует последствие (т.е.без памяти)
-
Поток явл.ординарным
Вероятность того, что на интервале t произойдет к событий =
Поток явл.стационарным, если данная вер-сть произойдет независимо от времени.
Ординарность: можно найти столь малый интервал , для которого вер-сть того, что на произойдет 1 соб-е произойдет 2 и более событий при
Распр-е Пуассона играет ключ.роль в теории массового обслуживания.
Пр.
-
Поток входящих телефон.звонков;
-
Поломки оборудования;
-
Длит-сть исполнения ремонтных работ стабильно работающим сотрудником;
-
Ошибка печати;
-
Дефекты в длинной ленте или цепи.
Геометрическое распределение
p- вер-сть успеха
q- вер-сть неуспеха
p и q неизмен. Испытания независима дгур от друга.
Х – число эксперементов, кот. необх-мо произвести до появ-я 1-го успеха.
Х=1,2…..
K=1,2,3….
M
8
Непрерывные сл.вел. Функция распределения и плотность распределения и их свойства. Равномерное и экспоненц.распр-я.
Непрер.случ.вел. – числ.ф-ция, кот.задана на пространстве эл.событий.
Пример: время работы, время работы прибора.
Плотность распределения.
Берем еденич.массу и распределяем по мн-ву случ.вел.
F(x) – плотность распр-ния массы (вероятностей)
Свойства f(x):
1)ф-ция неотриц. f(x)0
2)
3)
Функция распределения.
Свойства f(x):
-
-
-
Механич. интерпретация f(x)
-
Равномерное распределение.
- интервал. (вероятность любого интервала зависит только от его длины)
F(x)=
Д(X)=M(
Применяется: ошибка округления.
Экспоненциальное распределение.
(моделирующее время между 2-мя последовательными свершениями одного и того же события)
Пр.
1)время отказа аппаратуры;
2)время между 2ух последовательных покупателей;
3)время ожидания автобуса на остановке
(отсутствие памяти – кол-во времени, затрач.на ожидание автобуса, не влияет на время, кот.ему придется прождать)
Д(Х)=
Ех( - частный случай распр-ния хи-квадрат
9
Свойства мат.ожидания и дисперсии. Квантили. Мода, медиана, асимметрия и эксцесс.
-
-
-
-
h(x) – ф-ция Х
-
-
Неотриц. Д(х)
-
Д
-
Д
-
Д
Квантиль
Пусть сл.вел.Х имеет f(x), F(x)
Квантилью порядка р(0р1) Хр назыв.абсцисса, кот.определяет от себя слева на графике плотности площадь = р.
Способы определения квантили
hx - квантиль порядка 0,5 (медиана)
Мода – значение, в котором плотность вероятности max.
Полимодальное распр.- более 1 max.
Антимодальное - посредине min.
Медиана – значение, для которого одинаково вероятно, окажется ли сл.вел.меньше или больше hx.
Геом.медиана – абсцисса точки, в кот.площадь, огранич.кривой распределения делится пополам.
Хар-ка формы распределения.
Асимметрия
Хар-ка «скошенности» распределения
Экцесс
Хар-ет форму распр-я в окр-сти вершин (хар-ка «крутости»)
Если m,r)
10
Нормальное распределение (Гаусса)
Вероятность попадания в интервал симметричный относительно М(х).
Ассиметрия и эксцесс распределения. Стандартизированное норм.распр-е и его свойство. Правило 3 сигм.
Явл.предельным законом, к котор.приближаются другие законы распр-я при весьма часто встречающихся типичных условиях.
Замена:
- центр рассеивания.(особенно в задачах стрельбы).
Вероятность попадания в интервал.
Замена:
X=
dx=
=
Свойства:
1)
2)
3)
4)
;
m=h=d
Стандартизованное нормальное распределение.
Стандартизация:
1 этап (центрированный): X-m
– стандартиз.сл.вел.
x) – плотность распр-я.
x)=
Функция распр-я: x)=
Правило 3 сигм:
P
11
Системы дискретных сл.вел.
Таблица распределения. Независимость. Ковариация. Условные распределения. Системы непрерыв.сл.вел.
Рез-т опыта описывается не 1 сл.вел., а 2умя или >сл.вел-нами, образующими комплекс или систему.
(напр.: точка попадания снаряда опр-тся абсциссой и ординатой)
При рассмотрении вопросов, связан.с сист.сл.вел.удобно пользоваться геом.интепретацией системы.
(напр.(X,Y) можно изобразить случайной точкой на плоскости с коорд-ми X и Y.
Часто вместо образа случ.точки пользуются образом случайного вектора.
(X,Y) – случ.вектор с коорд-ми
Х=Х1,Х2, …Хк
Y=Y1,Y2,…Yk - дискр.сл.вел.
- закон распр-я для (X,Y)
Ф-ция распр-я.
Y X |
X1 |
X2 |
… |
XK |
Σ |
Y1 |
P11 |
P21 |
… |
PK1 |
PY1 |
Y2 |
P12 |
P22 |
… |
PK2 |
PY2 |
… |
… |
… |
… |
… |
… |
yn |
P1n |
P2n |
… |
Pkn |
Pyn |
Σ |
Px1 |
Px2 |
… |
Pxk |
|
Крайние маргинальные распределения.
Ру1*Рх1=Р11
X и Y независимы.
(если хотя бы 1 невыполн., то зависимы)
Условные распределения.
Независимость случ.вел-н.
(не завис.от того, какое значение приняла др.величина)
X и Y независ.сл.вел., если:
, т.е.усл.вер-сть совпадает с безусловной.
Если X и Y независимы, то необх.и дост.усл-е независ-сти величин.
Ковариация.
Мат.ожидание произведения центрированных случ.величин.
Cov(X,Y)=M
Cov(X,Y)=
Свойство: если X и Y независимы, то
(однако обратное неверно, т.е. если , то не обязат.независ.)
- ковариац.мтр
=
Системы непр.сл.вел.
Распр.системы непр.вел.обычно хар-ют не ф-цией распр-, а плотностью распр-я.
F(X,Y) – плотность распр-я
-
F(X,Y)
-
12
Мат.ожидание и дисперсия суммы сл.в. Мат.ожидание произв-я сл.в.
Если зависимы
Если независ.
13
Коэф-т корреляции как хар-ка статистич.связи. Некоррелир-сть и независимость сл.вел.
Если X и Y независимы, то
Свойства:
1.
2. если , то между X и Y имеется лин.зависимость Х=a+b*Y
3. Показыв.степень лин.завис-ти, когда Чем ближе к 1, тем коэфф.корреляции. (мера (индикатор) лин.зав-сти между X и Y)
14
Законы больших чисел и предельные теоремы. Теорема Бернулли. Теорема Чебышева.
При очень большом числе сл.явлений средний их рез-т практически перестает быть случайным и может предсказан с большой степенью определенности.
-
Сходимость по вер-сти
Х1,Х2,…Хn
Посл-сть сходится по вер-сти к сл.в.А при
при большом числе опытов частота соб.приближается в вер-сти этого соб.
Если сущ. то и , что
-
Неравенство Чебышева
Пусть Х – любая сл.вел.
t0 – люб.число
=1
Каково бы ни было положит.число , вер-сть того, что вел.Х отклонится от своего мат.ожидания не меньше, чем на огранич.сверху.
Предельные теоремы дают возможность не только осущ-ть научн.прогнозы, в обл-сти сл.явл-ний, но и оценивать точность этих прогнозов.
(Закон больших чисел)
Предельные теоремы дают возможность не только осущ-ть научн.прогнозы, в обл-сти сл.явл-ний, но и оценивать точность этих прогнозов.
(Закон больших чисел)
Теорема Чебышева.
Пуст ь Х1, Х2, …Хn – незав.сл.вел. имеют одно и тоже расрп-е.
Тогда
При достаточно большом числе независ.опытов со.ариф-ое наблюденных значений сл.вел.сходятся по вер-сти к ее мат.ожид-ю.
Док-ство: воспольз.нер-вом Чебышева.
Сл.в.Х
, t=const
Сколь угодна сход.по вер-сти близка к 1
Теорема Бернулли. (следствие т.Чебышева)
(устанавл.связь между астотой соб.и его вер-стью).
Пусть проводится (n) экспериментов. В каждом эксперименте появл.соб.А (успех) с вер-стью (р).
И появл.(Ā) (неуспех) с вер-тью q=1-p
Рез-ты экспер-тов не влияют друг на друга.
При неогранич.увеличении числа опытов h частота соб.А сходится по вер-сти к его вер-сти р.
k – число успехов в n испытаний; n –число экспер-тов.
15
Центральная предельная теорема. Теорема Муавра-Лапласа.
(колич-ная форма закона больших чисел)
Все формы ЦПТ посвящены установлению условий, при кот.возникает норм.закон распр.
N(m,
В теории стрельбы N(m, играет особо важную роль, т.к в боль-ве случаев практики корд-ты точек попадания и точек разрыва снарядов распределяются по норм. Закону.
Х1, Х2, …Хn – незав.сл.вел.с одним и тем же распр-ем
X= Х1+ …+Хn – сумма случ.вел.
Рассм.нормир-ную случ.вел. (
Ф-ция растр-я равномерно по х.
Ф-ция распр-я норм.зак.с пар-ми N(0;1)
Следствие ( ЦПТ)
-
Х=
)
-
Теорема Муавра-Лапласа.
Х=
Напр.число успехов лежит в интервале (a,b)
16
Распределение сред.ариф-го независ. с.в. и отн-ной частоты при большом числе наблюдений n.
Среднее ариф.сл.вел.
Х1, Х2, …Хn – незав.сл.вел., имеющ.одно и тоже распр-е
Среднее арифм.(выборочное среднее)
Относит.частота и свойства.
n – объем выборки
к – число эл-тов выборки, кот.облад.св-вом А относит.частота появления св-ва А
0 |
1 |
|
q |
p |
Статистика.
17
Предмет мат.статистики. Осн.понятия: выборка, генер.сов-сть статистики. Распр-е выборки, выборочные моменты. Выборочный вектор.
Мат.статистика позволяет получать обоснован.выводы о параметрах, видах распр-й и др.св-вах сл.вел.по конечной совокупности наблюдений над ними – выборке. (предмет: описание и анализ данных наблюдений).
Выборка – мн-во случаев, с помощью определен.процедуры выбран.из ген.сов-сти для участия в исследовании.
Ген.сов-сть – сов-сть всех объектов (единиц), отн-но которых ученый намерен делать выводы при изучении конкр.проблемы.
Мн-во всех обследуемых объектов.
Статистика – измеримая числовая ф-ция от выборки, не зависящих от неизвестных пар-ров распр-я.
-осн.хар-ки ген.сов-сти (среднее дисперсия, т.д.)
Выборка должна быть репрезентативной. (давать правильное представл-е о ген.сов-сти)
Простой случ.выбор – все эл-ты ген.сов-сти должны иметь равные шансы попасть в выборку.
Закон распр-я сл.вел.Х назыв. распределением ген.сов-сти, а случ.вектор (Х1,Х2,…Хn) – выборочным вектором.
Часто требуется охарак-ть ген.сов-сть некоторыми колич.показателями, кот.определяют положение центра распр-я, рассеяние (разброс) и асимметрию, что дает возможность сравнить одну сов-сть данных с другой.
По выборке можно определить приближенные значения (оценки) этих числ.хар-к, кот.называются выборочными характеристиками.
Оценки моментов:
+
Распр-е выборки – распр-е дискр.сл.вел., приним.значения Х1,Х2,….Хn с вероятностями 1∕n.
18
Задача стат.оценивания. Несмещенность и состоятельность оценок, эффективность оценок.
Задача – нахождение приближенных значений – оценок параметров распределения по выборке.
Статистика – некоторая ф-ция эл-тов выборки.
Вид распр-я известен
Критерии для выбора наилучшей оценки.