- •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
Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
Решение. Так как по определению любой изkшаров в размещениях может быть повторен от 1 доkраз, то всего вариантов выбора естьnk, то есть имеет место простой случайный выбор (см. пример 1).
Пример 6.Сколько существует сочетаний с повторениями при выбореkшаров изn?
Решение. Расположимn шаров на прямой и ограничим их слева и справа вертикальными черточками | 00 ... 0| (шару соответствует 0).
Возьмем еще (k-1) черточку и произвольно распределим черточки между шарами, причем, между соседними шарами может находиться одна или более черточек. Интерпретируя две соседние черточки как ящик, получим, что число шаров между соседними черточками – это число повторных шаров в ящике. Перечисляя возможные расположения (k- 1) черточек между шарами, получим число сочетаний с повторениями.
Итак, задача свелась к следующей: имеется (n+k - 1) – мерный вектор, координаты которого состоят изnшаров и (k - 1) черточек. Так как число способов расположения (k - 1) черточек по (n+k- 1) месту равно (см. пример 4), то это и есть искомое число вариантов выбораkшаров изnс повторениями.
Замечание. Формула сочетаний с повторениями используется, например, при подсчете числа решений (в целых числах, включая ноль) диофантова уравнения
.
Число mчастных производных порядкаkот функцииnпеременных также вычисляется по формуле .
Приведем некоторые свойства сочетаний.
Рассмотрим бином Ньютона
, (1)
где , 0! = 1.
Благодаря формуле бинома Ньютона, сочетания иногда называют биномиальными коэффициентами.
Если в (1) а=b = 1, то получаем
,
если а= -b, будем иметь
.
Если kn, то для вычисления сочетаний имеем формулу
.
В самом деле,
.▼
Отсюда следует, что
.
Для любого целого kиnимеем
.
В самом деле,
.▼
Пример 7. В урне находятсяnпронумерованных шаров, из которыхk красные и (n -k) черные. Наудачу выбираем без возвращенияr шаров. Сколько различных выборок объемаrможно получить, если среди выбранныхrшаровs– красных?
Решение. Разделим урну условно на две половины так, что в одной находятсяkкрасных шаров, а в другой (n-k) черных. Средиkкрасных шаровsшаров можно выбрать способами, а среди (n-k) черных шаров (r–s) шаров можно выбрать способами. Поскольку на каждую фиксированную выборку красных шаров приходится выборок черных, то всего выборок объемаrбудет ,.
Замечание.Если в предыдущей задаче мы выбирали быrшаров изn без учета их цвета, то всего различных выборок было бы . С другой стороны, если учесть все возможные варианты выбора красных шаровs, то получаем, что всего их будет .
Таким образом, имеем формулу
.
1.3 Вычисление вероятностей событий
Для вычисления вероятности Р А события А необходимо построить математическую модель изучаемого объекта, которая содержит событие А. Основой модели является вероятностное пространство (,ℱ,Р), где - пространство элементарных событий , ℱ – класс событий с введенными над ними операциями композиции, р = Р {A} – вероятность любого события А, имеющего смысл в и входящего в класс событий ℱ 25. Если, например, , то из аксиомы 3, вероятностей, следует, что
Таким образом, вычисление вероятности события А, сведено к вычислению вероятностей элементарных событий, его составляющих, а так как они являются «базовыми», то методы их вычисления не обязаны зависить от аксиоматики теории вероятностей.
Здесь рассмотрены три подхода к вычислению вероятностей элементарных событий:
классический;
геометрический;
статистический или частотный.