- •Теория вероятностей
- •§ 1. Предмет теории вероятностей
- •§ 2. Случайные события или исходы. Множество элементарных событий. Основные понятия
- •Примеры на построение множества ω.
- •Алгебраические операции над событиями
- •Диаграмма Венна.
- •Свойства операций
- •§ 3. Различные подходы к определению вероятности
- •П. 1. Аксиоматическое определение вероятности
- •П. 2. Классическое определение вероятности
- •Решение.
- •Решение.
- •Пп. 1. Комбинаторный метод вычисления вероятностей в классической схеме
- •Решение.
- •Решение.
- •Решение.
- •Решение.
- •Решение.
- •Решение.
- •Решение.
- •Решение.
- •Решение.
- •Пп. 2. Геометрические вероятности в классической схеме
- •Решение.
- •П. 3. Статистическое определение вероятности
- •§ 4. Основные теоремы теории вероятностей п.1. Теоремы сложения вероятностей
- •Доказательство.
- •Доказательство (методом математической индукции).
- •Доказательство.
- •Доказательство.
- •Решение.
- •Д оказательство (геометрическое)
- •П.2. Теоремы умножения вероятностей
- •Доказательство.
- •Решение.
- •Решение.
- •§ 5. Формулы полной вероятности и формула Байеса п. 1. Формула полной вероятности (следствие обеих основных теорем сложения и умножения)
- •Решение.
- •П. 2. Формула Байеса (Бейеса) (следствие теоремы умножения и формулы полной вероятности)
- •Решение.
- •§ 6. Последовательность независимых испытаний п. 1. Независимые испытания
- •П. 2. Формулы Бернулли.
- •Решение.
- •Решение.
- •Замечания.
- •Решение.
- •П. 3. Предельные теоремы в схеме Бернулли
- •Решение.
- •Решение.
- •Доказательство.
- •Решение.
- •П. 4. Наивероятнейшее число появления события в независимых испытаниях
- •Решение.
- •§ 7. Случайные величины п. 1. Основные определения
- •П. 2. Законы распределения случайных величин. Законы распределения дискретных случайных величин. Функция распределения
- •Формы закона распределения дсв.
- •Решение.
- •Решение.
- •3. Функция распределения – универсальный закон распределения (для дсв и нсв).
- •Свойства f(X).
- •Доказательство.
- •Графики функции распределения.
- •Решение.
- •Решение.
- •П. 3. Плотность распределения вероятностей нсв
- •Свойства плотности распределения
- •2. Условие нормировки: интеграл в бесконечных пределах от плотности распределения равен 1: . (4) Доказательство
- •Решение.
- •Решение.
- •П. 4. Числовые характеристики случайных величин, их роль и назначение
- •Пп 1. Характеристики положения (математическое ожидание, мода, медиана)
- •1. Математическое ожидание или среднее значение случайной величины
- •2. Мода случайной величины
- •3. Медиана случайной величины
- •Пп 2. Моменты
- •Доказательство.
- •И эксцесс
- •Решение.
- •Решение.
- •Решение.
- •П. 5. Законы распределения вероятностей дискретных случайных величин: биномиальный, Пуассона, гипергеометрический. Пп 1. Биномиальное распределение
- •Решение.
- •Пп 2. Распределение Пуассона
- •Решение.
- •Решение.
- •Пп 3. Гипергеометрическое распределение
- •Решение.
- •П. 6. Законы распределения вероятностей непрерывных случайных величин: равномерный, показательный, нормальный Пп 1. Равномерное распределение или закон равномерной плотности
- •Решение.
- •Пп 2. Показательное или экспоненциальное распределение
- •Решение.
- •Пп 3. Нормальный закон распределения
- •Смысл параметров m и σ
- •Решение.
- •§ 8. Системы случайных величин или случайные векторы п. 1. Основные понятия.
- •П. 2. Законы распределения свдт и свнт
- •Закон. Таблица распределения – закон распределения свдт.
- •Решение.
- •Решение.
- •Закон. Функция распределения – закон распределения свдт и свнт.
- •Решение.
- •3. Плотность распределения (для свнт)
- •Решение.
- •Решение.
- •П. 4. Плотности распределения отдельных величин, входящих в систему. Равномерное и нормальное распределения. Условные законы распределения
- •Решение.
- •Решение.
- •П. 5. Числовые характеристики системы. Корреляция. Линии регрессии
- •Решение.
- •Решение.
- •Решение.
- •Решение.
- •§ 9. Закон больших чисел. Предельные теоремы теории вероятностей
Решение.
По условию задачи, центр иглы может лежать между параллельными прямыми или на одной из прямых. То есть игла может выглядывать из-за прямой ровно наполовину.
х – расстояние от центра иглы до ближайшей параллели, φ – угол, составленный иглой с параллелью (рис. 1). Причем . (*)
Величины х и φ полностью определяют положение иглы.
φ
х
С
2а
2l
необходимо и достаточно, чтобы выполнялось неравенство:
Рис. 1 .
х
а
х=lsinφ
Вероятность пересечения иглы и параллели равна отношению
φ
π
О
Рис. 2
.
Замечание. Существует ряд задач на геометрическую вероятность, в которых результат зависит от метода решения. Одна из таких задач – парадокс Бертрана: найти вероятность того, что длина наудачу взятой хорды в круге превосходит длину стороны вписанного в этот круг равностороннего треугольника. В условии задачи не определено понятие проведения хорды наудачу, что и привело к 3-м различным решениям.
П. 3. Статистическое определение вероятности
Определение вероятности, отправляющееся от частоты появления события в большом количестве испытаний.
Не всякий опыт может быть сведен к схеме случаев. Например, вероятность выпадения определенной грани у неправильной несимметричной игральной кости не будет равна , то есть исходы не равновозможны (нельзя применить классическую теорию вероятностей). Но все же выпадение этой грани обладает некоторой вероятностью, указывающей, насколько часто в среднем должна появляться данная грань при многократном бросании. Примеры подобных случаев: 1) выход из строя радиолампы в течение одного часа работы, 2) попадание в цель при выстреле, 3) пробивание брони танка осколком снаряда.
Каждое из перечисленных событий обладает определенной степенью объективной возможности, которую можно измерить численно и которая при повторении подобных опытов будет отражаться в относительной частоте соответствующих событий.
Пусть опыт может быть воспроизведен многократно, в каждом из которых по воле случая происходит или не происходит событие А. Обозначим за
n – число всех опытов в серии одинаковых и независимых друг от друга испытаний,
m – число опытов, в которых осуществляется событие А.
Определение 20. Отношение называется частотой события А в данной серии одинаковых и независимых друг от друга опытов.
При небольшом числе опытов частота события носит случайный характер и может заметно изменяться. Если количество опытов бесконечно много, то применима теорема Бернулли.
Теорема Бернулли (закон больших чисел). При неограниченном увеличении числа однородных независимых опытов с практической достоверностью можно утверждать, что частота события будет сколь угодно мало отличаться от некоторого постоянного значения – вероятности события в отдельном опыте: .
Если , то формула статистической вероятности.
Частоты удовлетворяют всем аксиомам Колмогорова.
Примеры.
Устойчивость частот доказана на явлениях демографического характера: а) в древнем Китае за 2238 лет до нашей эры было посчитано, что отношение числа рождений мальчиков к числу всех рождений равно , б) в настоящее время это цифра равна .
Устойчивость частот доказана на примере бросания монеты:
Фамилия бросавшего ученого |
Число бросаний |
Частота выпадения орла |
|
4040 |
0,5080 |
|
12000 |
0,5016 |
|
24000 |
0,5005 |