- •Общая постановка задачи оптимизации.
- •Классическая задача на условный экстремум. Необходимые и достаточные условия условного экстремума.
- •Метод множителей Лагранжа для решения классической задачи на условный экстремум.
- •Линейные неравенства и область решений системы линейных неравенств.
- •5. Общая задача линейного программирования. Геометрическая интерпретация задачи.
- •Графический метод решения задачи линейного программирования для двух переменных.
- •Решение задачи линейного программирования симплекс–методом. Симплексные таблицы. Алгоритм симплекс–метода.
- •Решение задачи оптимизации выпуска продукции симплекс–методом.
- •Модель оптимизации плана перевозок (транспортная задача). Экономическая постановка задачи.
- •9.2 Основные свойство транспортной задачи
- •9.3 Двойственная задача
- •9.4 Теоремы двойственности
- •9.5 Построение опорного плана транспортной задачи
- •9.6 Метод севево-западного угла
- •Математическая модель транспортной задачи. Открытые и закрытые задачи. Допустимый, опорный и оптимальный планы перевозок.
- •11. Построение начального (опорного) плана перевозок по методу северо–западного угла и по методу наименьшей стоимости.
- •12. Теорема о потенциалах. Метод потенциалов. Транспортные таблицы. Понятие цикла. Сущность метода потенциалов.
- •13.Критерий оптимальности и неоптимальности опорного плана. Критерий единственности оптимального опорного плана.
- •14. Понятия испытания и случайного события. Частота и относительная частота появления события в серии испытаний. Вероятность случайного события.
- •15. Совместные и несовместные события. Полная группа событий. Событие, благоприятствующее данному. Равновозможные события. Совокупность элементарных исходов.
- •16.Классическое определение вероятности. Простейшие свойства вероятности.
- •17. Основные правила комбинаторики. Сочетания, перестановки, размещения.
- •18. Частота и относительная частота появления события в серии испытаний. Стохастическая устойчивость случайного события. Статистическое определение вероятности.
- •19. Вероятность противоположного события. Условная вероятность.
- •20. Сумма и произведение случайных событий. Теорема сложения вероятностей: для двух произвольных событий, для двух несовместных.
- •21. Теорема умножения вероятностей: для двух произвольных событий; для двух независимых событий; для нескольких событий, независимых в совокупности.
- •22. Формула полной вероятности.
- •23. Теорема Байеса.
- •24. Формула Бернулли
- •25. Локальная и интегральная теоремы Лапласа. Функции Гаусса и Лапласа.
- •26. Понятие случайной величины. Закон распределения случайной величины. Функция распределения и ее свойства.
- •1) Биномиальное распределение (дискретное)
- •2) Пуассоновское распределение (дискретное)
- •3) Показательное распределение (непрерывное)
- •4) Равномерное распределение (непрерывное)
- •5) Нормальное распределение или распределение Гаусса (непрерывное)
- •27. Дискретная случайная величина. Способы задания закона распределения дискретной случайной величины.
- •28. Числовые характеристики дискретной случайной величины: математическое ожидание, дисперсия, среднее квадратическое отклонение. Их основные свойства.
- •29. Биномиальный закон распределения.
- •30. Распределение Пуассона. Простейший поток событий.
- •Ц.П.Т. Ляпунова
- •Слабый закон больших чисел
- •Усиленный закон больших чисел
- •Значение теоремы Чебышева для практики.
- •51. Понятие критерия. Критическая область и область принятия гипотезы. Односторонняя и двусторонняя критическая область, критические точки. Мощность критерия.
- •56. Коэффициенты регрессии. Линии регрессии.
- •59. Эмпирическая и теоретическая линии регрессии.
21. Теорема умножения вероятностей: для двух произвольных событий; для двух независимых событий; для нескольких событий, независимых в совокупности.
Для двух произвольных событий
Вероятность произведения двух произвольных событий равна произведению вероятности одного из них на условную вероятность другого, в предположении, что первое имеет место, т.е.
P(AB) = P(A)P(B|A) = P(B)P(A|B).
Следствие. Для любых двух событий А и В справедливо равенство
P(A)P(B|A) = P(B)P(A|B).
Теорема умножения произвольных событий допускает обобщение на случай нескольких событий.
Для двух независимых событий
Вероятность совместного появления двух независимых событий А и В равна произведению вероятностей этих событий:
P(AB) = P(A)P(B).
Для нескольких событий, независимых в совокупности.
Вероятность произведения конечного числа независимых в совокупности событий равна произведению вероятностей этих событий:
P(A1 x A2 x...x An) = P(A1) x P(A2) x...x P(An).
Формула полной вероятности. Вероятность события В, появляющегося в результате реализации одной и только одной гипотезы Ai(i = 1, 2,..., n) из некоторой группы несовместных гипотез A1, A2,..., An равна сумме парных произведений вероятностей всех гипотез, образующих полную группу, на соответствующие условные вероятности события В, т.е.
,
причем .
В теоретико-вероятностных приложениях часто требуется найти вероятность события Ai, если известно, что В произошло. Общая схема решения подобных практических задач сводится к применению формулы Байеса:
.
Принцип использования формулы Байеса можно пояснить следующим образом.
Пусть событие В может быть реализовано в различных условиях, относительно характера которых можно сделать n гипотез: A1, A2,...,An.
По тем или иным причинам вероятности P(Ai) этих гипотез известны до испытания (априорные вероятности). Известно также, что гипотеза Ai сообщает событию В вероятность P(B|Ai). Произведен опыт, в котором событие В наступило. Это должно вызвать переоценку вероятностей гипотез Ai. Переоценка указанных вероятностей производится по формуле Байеса. Переоцененные вероятности гипотез называются апостериорными вероятностями.
Сама по себе формула Байеса теоретически бесспорна, но во многих случаях ее применения априорные вероятности P(Ai) неизвестны. Некоторые исследователи в таких случаях считают возможным предполагать равные вероятности всех гипотез Ai. Однако в общем случае такой подход неверен].
Другим выходом из проблемной ситуации, связанной с незнанием априорных вероятностей, явился метод последовательного применения формулы Байеса, когда апостериорные вероятности многократно пересчитываются и на каждом последующем шаге используются как априорные. При этом неизвестные априорные гипотезы также принимаются равновероятными, но многократный пересчет значительно снижает влияние данного предположения на конечные.
22. Формула полной вероятности.
Пусть событие A может произойти только вместе с одним из попарно несовместных событий H1, H2, ..., Hn, образующих полную группу. Тогда, если произошло событие A, то это значит, что произошло одно из попарно несовместных событий H1A, H2A, ..., HnA. Следовательно,
Применяя аксиому сложения вероятностей, имеем
Но (i=1, 2, ..., n), поэтому
|
|
Эта формула называется формулой полной вероятности. События H1, H2, ..., Hn часто называют «гипотезами».