- •Принцип практической невозможности маловероятных событий
- •Независимые и зависимые события, условная вероятность события
- •Независимые события. Теорема умножения для независимых событий
- •Вероятность появления хотя бы одного независимого события из совокупности.
- •Теорема сложения вероятностей совместных событий
- •Формула полной вероятности
- •Вероятность гипотез. Формулы Бейеса
- •Формула Бернулли
- •Локальная теорема Лапласа
- •Интегральная теорема Лапласа
- •Понятие и разновидности случайных величин.
- •Закон распределения вероятностей дискретной случайной величины .
- •Биномиальный закон распределения .
- •25. Распределение Пуассона
- •Геометрическое распределение
- •Понятие и вероятностный смысл мож дискретной случайной величины
- •Вероятностный смысл мож и мож в 1м испытании
- •Свойства 1, 2
- •Теорема о математическом ожидании биномиального закона распределения
- •Целесообразность введения рассеяния, отклонения…
- •Дисперсия
- •Свойства 1,2 дисперсии
- •Свойства 3,4 дисперсии
- •Среднеквадратическое отклонение суммы независимых случайных величин.
- •Моменты распределения дискретных случайных величин
- •Коэффициент ассиметрии.
- •Теорема Чебышева.
- •Функция распределения
- •Свойства функции распределения
- •3 Свойство функции распределения
- •Взаимосвязь функции и плотности распределения.
Вероятность гипотез. Формулы Бейеса
Пусть событие А может наступить при появлении 1го из несовместных событий В1,…Вn,образующих полную группу. Т.к. заранее неизвестно, какое из этих событий наступит, их называют гипотезами. Вероятность появления А определяется по формуле полной вероятности: P(A)=P(B1)*PB1(A)+ P(B2)*PB2(A)+…+ P(Bn)*PBn(A). Допустим, что произведено испытание, в результате которого появилось А. Задача: определить, как изменились (в связи с тем, что событие А уже наступило) вероятности гипотез. Др.словами, будем искать условные вероятности PA(B1),…PA(Bn). Найдем сначала условную вероятность PA(B1). По теореме умножения имеем P(AB1)=P(A)*PA(B1)=P(B1)*PB1(A). Отсюда PA(B1)= . Заменяем P(A) по 1й формуле и получаем PA(B1) =[P(B1)*PB1(A)] / {P(B1)*PB1(A)+ P(B2)*PB2(A)+…+ P(Bn)*PBn(A)}. Аналогично выводятся формулы, определяющие условные вероятности остальных гипотез, т.е. условная вероятность любой гипотезы Вi может быть вычислена как: PA(Bi) =[P(Bi)*PBi(A)] / {P(B1)*PB1(A)+ P(B2)*PB2(A)+…+ P(Bn)*PBn(A)}. Полученные формулы называют формулами Бейеса. Формулы Бейеса позволяют переоценить вероятности гипотез после того, как становится известным результат испытания, в итоге которого появилось А.
Формула Бернулли
Если производится несколько испытаний, причем вероятность А в каждом из них не зависит от исходов других, то такие испытания называют независимыми относительно события А.
С помощью формулы Бернулли можно решить задачу на нахождение вероятности появления в n испытаниях А ровно k раз и непояления n—k раз. Важно подчеркнуть, что не требуется, чтобы А повторилось ровно k раз в определенной последовательности. Искомую вероятность обозначим Pn(k). Например символ P5(3) означает вероятность того, что в 5 испытаниях событие появится ровно 3 раза (и не наступит 2 раза).
Вывод формулы. Вероятность 1го сложного события, состоящего в том, что в n испытаниях событие А наступит k раз и не наступит n—k раз, по теореме умножения вероятностей независимых событий равна pkqn-k. Таких сложных событий может быть столько, сколько можно составить сочетаний из n элементов по k элементов, т.е. Cnk. Т.к. эти сложные события несовместны, то по теореме сложения вероятностей несовместных событий искомая вероятность равна сумме вероятностей всех возможных сложных событий. Поскольку вероятности их всех одинаковы, то искомая вероятность (появления А k раз в n испытаниях) равна вероятности 1го сложного события, умноженной на их число: Pn(k)=Cnkpkqn-k или Pn(k)= pkqn-k.
Локальная теорема Лапласа
Локальная теорема Лапласа дает формулу, которая позволяет приближенно найти вероятность появления события ровно k раз в n испытаниях, если число испытаний достаточно велико.
Теорема. Если вероятность «р» появления А в каждом испытании постоянна и ≠0 и ≠1, то вероятность того, что А появится в «n» испытаниях ровно «k» раз приближенно равна (и чем больше «n», тем точнее) значению функции y = e-x2/2 = (x) при x=(k-np) / . Имеются таблицы, в которых помещены значения функции (x)= e-x2/2, соответствующие положительным значениям аргумента х. Для отрицательных значений аргумента пользуются теми же таблицами, т.к. (x) четная функция.