- •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
1.3.1 Классический метод вычисления вероятностей
Из аксиоматического определения вероятности следует, что вероятность существует для любого события А , но как ее вычислить, об этом ничего не говорится, хотя известно, что для каждого элементарного события i существует вероятность рi, такая, что сумма вероятностей всех элементарных событий пространства равна единице, то есть
.
На использовании этого факта основан классическийметод вычисления вероятностей случайных событий, который в силу своей специфичности, дает способ нахождения вероятностей этих событий непосредственно из аксиом.
Пусть дано фиксированное вероятностное пространство (,ℱ,Р), в котором:
а) состоит изконечногочислаnэлементарных событий,
б) каждому элементарному событию iпоставлена в соответствие вероятность
,.
Рассмотрим событие А , которое состоит изmэлементарных событий:, тогда из аксиомы 3 вероятностей, в силу несовместности элементарных событий, следует, что
.
Тем самым имеем формулу
, (2)
которую можно интерпретировать следующим образом: вероятность событию Апроизойти равна отношению числа элементарных событий, благоприятствующих появлению событиюА, к числу всех элементарных событий из.
В этом суть классического метода вычисления вероятностей событий.
Замечание. Приписав одинаковую вероятность каждому из элементарных событий пространства, мы, с одной стороны, имея вероятностное пространство и опираясь на аксиомы теории вероятностей, получили правило вычисления вероятностей любых случайных событий из пространствапо формуле (2), с другой стороны, это дает нам основание считать все элементарные событияравновозможнымии вычисление вероятностей любых случайных событий изсвести к «урновой» схеме независимо от аксиом.
Из формулы (2) следует, что вероятность события Азависит только от числа элементарных событий, из которых оно состоит и не зависит от их конкретного содержания. Таким образом, чтобы воспользоваться формулой (2), необходимо найти число точек пространстваи число точек, из которых состоит событиеА , но тогда это уже задача комбинаторного анализа.
Рассмотрим несколько примеров.
Пример 8. В урне из n шаров - k красных и (n - k) черных. Наудачу извлекаем без возвращения r шаров. Какова вероятность того, что в выборке из r шаров s шаров – красных?
Решение. Пусть событие {А} {в выборке из r шаров s - красных}. Искомая вероятность находится по классической схеме, формула (2):
,
где - число возможных выборок объема r, которые различаются хотя бы одним номером шара, а m – число выборок объема r, в которых s шаров красных. Для , очевидно, число возможных вариантов выборки равно , а m, как следует из примера 7, равно . Таким образом, искомая вероятность равна
.
Пусть дан набор попарно несовместных событий As, , образующих полную группу, тогда
.
В этом случае говорят, что имеем распределение вероятностей событий As.
Распределения вероятностей является одним из фундаментальных понятий современной теории вероятностей и составляет основу аксиомами Колмагорова.
Определение. Распределение вероятностей
, , (3)
определяется гипергеометрическое распределение.
Боровков А.А. в своей книге [2] на примере формулы (3) поясняет природу задач теории вероятностей и математической статистики следующим образом: зная состав генеральной совокупности, мы с помощью гипергеометрического распределения можем выяснить, каким может быть состав выборки – это типичная задача теории вероятностей (прямая задача). В естественных науках решают обратную задачу: по составу выборок, определяют природу генеральных совокупностей – это обратная задача, и она, образно говоря, составляет содержание математической статистики.
Обобщением биномиальных коэффициентов (сочетаний) являются полиномиальныекоэффициенты, которые своим названием обязаны разложению полинома вида
,
где
, (4)
по степеням слагаемых.
Полиномиальные коэффициенты(4) часто применяются при решении комбинаторных задач.
Теорема. Пусть имеется k различных ящиков, по которым раскладываются пронумерованные шары. Тогда число размещений шаров по ящикам так, чтобы в ящике с номером r находилось ri шаров, i = 1,2,…k, , определяется полиномиальными коэффициентами (4).
Доказательство. Поскольку порядок расположения ящиков важен, а шаров в ящиках - не важен, то для подсчета размещений шаров в любом ящике можно воспользоваться сочетаниями.
В первом ящике r1 шаров из n можно выбрать способами, во втором ящике r2 шаров, из оставшихся (n - r1) можно выбрать способами и так далее, в (k – 1) ящик rk-1 шаров выбираем способами; в ящик k – оставшиеся шаров попадают автоматически, одним способом.
Таким образом, всего размещений будет
.▼