- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
1.3.4 Условная вероятность
Пусть имеем вероятностное пространство – (ℱ,Р) и события А, В ,
Произвольны, причем рв.
Определение. Условной вероятностью называется число, определяемое формулой:
, . (6)
Следует читать:
Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
Рис. 3
Пусть пространство состоит из n ( m+k) точек, равноправных между собой. Событие А насчитывает m точек, событие В - k точек и событие А В – r точек. По определению, событие происходит, если в результате эксперимента реализовалась какая - либо из точек, составляющих это событие. Для условной вероятности (6), фраза: «Событие А произойдет при условии, что В произошло»,- означает, что должна реализоваться одна из точек события А В, где событие В играет роль вероятностного пространства. Следовательно, – есть оценка доли участия события А в реализации события В, то есть
.
С другой стороны, если рассматривать все пространство , то
, .
По формуле (6) получаем
.
Теорема умножения.ПустьА,в,тогда
Р А В} = P {B} Р А / В} = P {А} Р В / А}. (7)
Доказательство. ЕслиРB, то (7) сразу следует из (6). Если жеРB=0, тоРАВ} = 0 и, следовательно, (7) тривиально.▼
Определение. События А, В независимы, если
Р А / В} = P {А}. (8)
В самом деле, для независимых событий, по определению, имеем
Р А В}= P {А} P {B}.
Делая в (7) замену по формуле (8), получаем эквивалентность определений независимости событий.
Определение. События независимы в совокупности, если
.
Замечание. Попарной независимости событий (см. аксиому 3 вероятности) недостаточно для независимости их в совокупности (пример Бернштейна [2]).
1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
Пусть (ℱ,Р) произвольное вероятностное пространство, в котором события А, В1, В2, ..., Вn , удовлетворяют условиям:
события Вk, k = 1, 2, …, n, попарно несовместны, то есть
Вi Bj = , ij, i, j = 1, 2, …, n;
событие А происходит с одним, и только одним, из событий Вk, то есть ;
тогда имеет место формула полной вероятности
. (9)
Доказательство. Имеем , так как события , …,попарно несовместны, то по аксиоме 3:
.
Применяя теорему умножения получим
.▼
Замечание. События В1, В2, ..., Вn называют априорными гипотезами (apriory), и обычно, в литературе, на них накладывают еще дополнительное условие - они образуют полную группу событий [4]. Это условие не является обязательным, хотя и методически оправдано, в том смысле, что при решении задач, в целях проверки правильности выбора гипотез, должно выполняться
.
На самом деле для гипотез Вk выполняется неравенство .
Если заранее о вероятностях гипотез Вk,, ничего неизвестно, то каждой из n гипотез Вk приписывается одинаковая вероятность n-1.
Вышесказанное в замечании проиллюстрируем рисунком.
Пусть событие А область, представляющая собой круг малого диаметра (рис. 4) пространства .
Рис. 4
Под гипотезами Вk, k =1,2,3,4, можно считать области
а) из которых состоит событие А (как на рис. 4),
тогда
,
б) являющиеся секторами большого круга, граница которого помечена пунктиром, тогда
,
в) являющиеся треугольниками, из которых состоит пространство , тогда
.
В последнем случае несовместные события Вк образуют полную группу.
Пример. Применяя формулу полной вероятности, вычислить вероятность того, что при подбрасывании симметричного кубика выпадет четная грань.
Решение 1. Вероятностное пространство (ℱ,Р)дискретное,;ℱ- множество всех подмножеств пространства,,i= 1, 2, …, 6.
Пусть А = {2, 4, 6 - выпадение четной грани, А ℱ. В2i ( ℱ) – выпадение грани с цифрой 2i, i = 1, 2, 3,
Заметим, что здесь 1. Далее, P 2i= 1, i = 1, 2, 3. Применяя (9), получаем
Р {A} = .
Решение 2. Положим В2 = 2 В4 = 4, В6 = 1, 3, 5, 6.
Тогда Р{B2} = , P{B4}= , P{B6} =, (здесь = 1),
Р {A / B2 } = Р {A / B4 }= 1, Р {A / B6 }= .