- •3. Вероятность на дискретном пространстве элементарных исходов. Классическое определение вероятности. Свойства вероятности.
- •4.Элементы комбинаторики и схемы выбора.
- •5. Геометрическая вероятность. Свойства вероятности.
- •7. Формула полной вероятности и формула Байеса.
- •8. Схема незовисимых испытаний Бернулли,формула Бернулли.Общая теорема о повторении опытов.
- •9. Общая теорема о повторении опытов. Наиболее вероятное число успехов в схеме Бернулли. Номер первого успешного испытания.
- •10. Предельные теоремы в схеме Бернулли. Локальная предельная теорема Муавра-Лапласа. Интегральная теорема Муавра-Лапласа.
- •11. Предельные теоремы в схеме Бернулли. Теорема Пуассона. Закон больших чисел в форме Бернулли.
- •12. Случайные величины и распределения вероятностей. Свойства функции распределения вероятностей.
- •13.Классификация случайных величин. Дискретные распределения (примеры основных распределений)
- •I.Дискретные распределения
- •14. .Классификация случайных величин. Абсолютно непрерывные распределения(примеры основных распределений).
- •I. . Абсолютно непрерывные распределения.
- •15.Нормальное распределение и его свойства.
- •16.Основные распределения случайных величин, применяемые в статистике.
- •17.Мат.Ожидание и его свойства.
- •18.Дисперсия и её свойства
- •20 Числовые характеристики системы двух случайных величин.Ковариация.
- •19.Мода,медиана,моменты,ассиметрия,эксцесс
- •21.Числовые характеристики системы двух случайных величин .Коэффициент корреляции.
- •22.Определение случайной последовательности . Определение сходимости по вероятности .Неравенство Маркова. Неравенство Чебышева.
- •24.Центральная предельная теорема для одинаково распределенных независимых слагаемых. (цпт)
- •25.Определение и описание случайного процесса
- •26.Статистические средние характеристики случайных процессов(сп).
- •27.Стационарные случайные процессы(сп)
- •28.Предмет мат. Статистики
- •29.Средние величины
- •30. Показатели вариации, моменты.
- •31. Статистические оценки параметров распределения. Методы нахождения оценок.
- •32.Метод моментов.
- •34.Интервальные оценки.
10. Предельные теоремы в схеме Бернулли. Локальная предельная теорема Муавра-Лапласа. Интегральная теорема Муавра-Лапласа.
При больших значениях n и m вычисление вероятностей Pn(m) превращается в технически сложную задачу.
Задача усложняется при расчете вероятности вида: В этих случаях пользуются приближенными асимптотическими формулами.
ТЕОРЕМА 1.(локальная предельная теорема Муавра-Лапласа):
Вероятность того, что в n-независимых испытаниях событие А наступит ровно m раз определяется по формуле: Pn(m)- (1), где,x=,
где p (0<p<1)- вероятность наступления A в отдельном испытании. q=1-p.
Замечание: равенство (1) тем точнее, чем больше n и ближе p к 0.5.
Свойства:
Значение можно найти по таблицам приложения.
–четная, .
Монотонно убывающая при x, . (она очень быстро стремиться), причемочень быстро, будем считать что приx,
Пример: найти вер-ть того, что при 600бросаниях игрального кубика выпадет ровно 120 шестерок.
n=600, m120, p=1/6, q=5/6.
P600(120= 0.004
X==2.19
ТЕОРЕМА 2.(интегральная предельная теорема Муавра-Лапласа):
Пусть вероятность появления события A в каждом из n независимых испытаний равна p (0<p<1). Тогда вер-ть того ,что в n-независимых испытаниях событие A появится от m₁ до m₂ раз (m₁≥ m₂) выражается формулой:
Pn(m₁≤m≤m₂)= Pn(m₁;m₂)Ф(x₁)- Ф(x₂),
где Ф(x)= 1/dt
x₁=,x₂=.
Свойства функции Ф(x):
Значение можно найти по таблицам приложения.
Эта функция нечетная, т.е. Ф(-x)=-Ф(x).
Монотонно возрастающая, при x, Ф(x), причем стремится быстро. Считают, что уже приx, Ф(x)
Пример: определить вероятность того, что число выпавших шестерок заключено в интервале от 90 до 120.
P600(90≤m≤120)Ф(2.19)- Ф(-1.1) =Ф(2.19)+ Ф(1.1)=0.85007
x₁==x=-1.10, x₂=2.19.
11. Предельные теоремы в схеме Бернулли. Теорема Пуассона. Закон больших чисел в форме Бернулли.
Закон больших чисел в форме Бернулли.
Пусть теоретическая вероятность наступления события A в каждом из n-испытаний равна p, тогда вероятность того, что относительная частота наступления события A отклонится от вероятности р по абсолютной величине меньше чем на приблизительно равна:
P(|-p|<)2Ф()
Пример: вероятность того, что деталь не стандартная равна 0.2. Сколько деталей нужно отобрать, чтобы с вероятностью 0.97 можно было утверждать, что относительная частота появления нестандартных деталей отклонится от вероятности p=0.2 по абсолютной величине не более чем на 0.01.
P=0.2, q=0.8, n-? P(|m/n-0.2|≤0.01)=0.97)2Ф()
m/n – относительная частота появления нестандартных деталей.
Ф(0.01)=0.485,n= 2.17*2.17*0.16/0.01*0.01
0.01= 2.17
В случаях, когда число испытаний n больше, а вероятность успеха в каждом испытании p пользуются теоремой Пуассона.
Теорема Пуассона.
Пусть вероятность появления события A в каждом из n-независимых испытаний равна p, причем n ,n , тогда справедлива следующая формула:
Pn(m)где λ=np.
На практике эта теорема дает хорошее приближение, когда λ≤10
Пример: вероятность выпуска бракованного сверла равна 0.015ю Найти вероятность того, что в партии из 100 изделий нет ни одного бракованного.
P=0.015, n= 100, λ=100*0.015=15
P100(0)*== 0.22313