- •Випадкові події та ймовірності
- •§ 1.1. Випадкові події. Класичне визначення ймовірності
- •2. Алгебра подій.
- •4. Застосування елементів комбінаторики до знаходження ймовірностей.
- •§ 1.2. Геометрична ймовірність. Статистичне й аксіоматичне визначення ймовірності
- •Властивості ймовірності
- •1.Теорема складання ймовірностей несумісних подій.
- •2.Теорема множення ймовірностей.
- •4.Формула повної ймовірності.
- •3.Теорема множення ймовірностей одночасних подій.
- •1.4. Випадкові події в фізиці , хімії, біології
- •Розділ іі випадкові величини
- •§ 2.1. Дискретні випадкові величини
- •1. Поняття «випадкові величини».
- •§ 2.2. Математичне сподівання дискретної випадкової величини
- •2. Властивості математичного сподіванняя дискретної випадкової величини.
- •§ 2.3. Дисперсія дискретної випадкової величини
- •3. Середнє квадратичне відхилення.
- •4. Поняття прo моменти розподілу.
- •§2.4. Основні закони розподілу дискретних випадкових величин.
- •§ 2.5. Неперервні випадкові величини
- •2.6. Математичне сподівання і дисперсія нескінченої випадкової величини
- •2.7.Основні закони розподілу нескінченних випадкових величин
- •2.8.Закон великих чисел
- •1.Нерівність Чебишева.
- •§ 2.9. Граничні теореми теорії ймовірності
- •§ 3.1. Поняття про двовимірну випадкову величину
- •§ 3.2. Функція розподілу двовимірної випадкової величини
- •Визначення функції розподілу двовимірної випадкової величини і її властивості.
- •2. Ймовірність попадання випадкової точки в напівсмугу і прямокутник.
- •§ 3.3. Щільність ймовірності двовимірної випадкової величини
- •Двовимірна щільність ймовірності і її властивості.
- •2. Знаходження функції розподілу двовимірної випадкової величини за допомогою двовимірної щільності імовірності.
- •§ 3.4. Знаходження щільності імовірності складових двовимірної випадкової величини
- •§ 3.5. Умовні закони розподілу складових двовимірних дискретних і неперервних випадкових величин
- •1. Умовні закони розподілу складових двовимірних дискретних випадкових величин.
- •2. Умовні закони розподілу складових двовимірних неперервних випадкових величин.
- •§ 3.6. Незалежність випадкових величин
- •§ 3.7. Елементи теорії кореляції
- •2. Кореляційний момент і коефіцієнт кореляції.
- •4. Нормальний розподіл двовимірної випадкової величини.
- •Елементи математичної статистики
- •§ 4.1. Генеральна сукупність і вибірка
- •2. Статистичний розподіл вибірки. Полігон. Гістограма.
- •§ 4.2. Оцінки параметрів генеральної сукупності по її вибірці
- •§ 4.3. Довірчі інтервали для параметрів нормального розподілу
3. Середнє квадратичне відхилення.
В
и з н а ч е н н я.
Середнім
квадратичним
відхиленням
(X)
випадкової
величини
X
називається
корінь квадратний з її дисперсії:
(X)
=
Необхідність введення середнього квадратичного відхилення пояснюється тим, що дисперсія вимірюється у квадратних одиницях щодо розмірності самої випадкової величини. Наприклад, якщо можливі значення деякої випадкової величини виміряються в метрах, то її дисперсія вимірюється у квадратних метрах. У тих випадках, коли потрібно мати числову характеристику розсіювання можливих значень у тій же розмірності, що й сама випадкова величина, і використовується середнє квадратичне відхилення.
П р и к л а д. Випадкова величина X - число балів, що випали при однократному киданні гральної кістки. Визначимо (X). Маємо:
M(X)
=
l
•
+
2
•
+
3 •
+
4
•
+
5
•
+
6 •
=
3,5;
D(X) = (1 - 3,5) 2 • + (2 - 3,5) 2 • + (3 - 3,5) 2 • +
+
(4 - 3,5)
2
•
+ (5 - 3,5)
2
•
+ (6 - 3,5)
2
•
=
=
2,92;
(X)
=
1,71.
4. Поняття прo моменти розподілу.
В и з н а ч е н н я 1. Початковим моментом порядку k випадкової величини X називається математичне сподівання випадкової величини Хk, де k - натуральне число:
vk = M(Xk).
Отже, якщо Х має розподілу
Х |
|
|
… |
|
р |
|
|
… |
|
то
.
Математичне сподівання і дисперсію випадкової величини Х можна виразити через початкові моменти першого і другого порядків:
(2.3)
Визначення
2.
Центральним
моментом порядку k
випадкової
величини Х
називається
математичне сподівання величини
:
.
Із визначення 2, згідно встановленої вище теореми (п. 1) і визначення дисперсії, слідує, що
(2.4)
Порівняв співвідношення (2.3) і (2.4), отримаємо
.
(2.5)
Приклад 1.нехай дискретна випадкова величина Х задана законом розподілу:
-
Х
1
9
р
0,4
0,6
Потрібно знайти початкові моменти першого і другого порядків.
Знайдемо початковий момент першого порядку:
Запишемо
закон розподілу випадкової величини
:
-
Х
1
9
р
0,4
0,6
Знайдемо початковий момент другого порядку:
Приклад 2.Нехай дискретна випадкова величина задана законом розподілу, наведеним в попередньому прикладі. Знайдемо центральний момент другого порядку.
Як
з’ясовано в попередньому прикладі,
і
.
Тому, згідно формули (2.5),
§2.4. Основні закони розподілу дискретних випадкових величин.
Біноміальний
розподіл. Нехай
виконується n
випробувань, при чому ймовірність появи
події А
в
кожному випробуванні дорівнює р
и
не залежить від результату інших
випробувань (незалежні випробування).
Така послідовність випробувань
називається схемою
Бернуллі. Так
як вірогідність того, що подія А
настане в одному випробуванні дорівнює
р
,
то ймовірність того, що не настане
дорівнює
.
Знайдемо
ймовірність того, що при n
випробуваннях подія
A
настане
m
разів
(m
n).
Нехай подія А настала в перших m випробуваннях m разів и не настала в усіх наступних випробуваннях. Цю складну подію можна записати у вигляді виразу:
.
Загальне
число складних подій, в яких подія А
наступає m
разів, дорівнює числу сполучень із n
елементів по m
елементів. При цьому ймовірність кожної
складної події виявляється рівною
.
Так як вказані складні події несумісні,
то ймовірність їх суми дорівнює сумі
їх ймовірностей. Отже, якщо
є ймовірність появи події А
m
разів в n
випробуваннях,
то
,
або
(2.6)
Формула (2.6) називається формулою Бернуллі.
Приклад 1.Нехай схожість насіння даної рослини становить 90%. Знайдемо ймовірність того, що із чотирьох посіяних насінин зійде: а) три; б) не менше трьох.
а) В даному випадку n=4, p=0,9, q=1-p=0,1.
Застосовуючи формулу Бернуллі, отримаємо
б) Шукана
подія А
полягає в тому, що із чотирьох насінин
зійдуть або три, або чотири. По теоремі
складання ймовірностей
Але
Тому
Розглянемо знову n незалежних випробувань, в кожному з яких настає подія А з ймовірністю р. Позначимо через Х випадкову величину, рівну числу появ події А в n випробуваннях.
Зрозуміло, що подія А може взагалі не настати, настати 1 раз, 2 рази і т.д. і, нарешті, настати n разів. Отже, можливими значеннями величини Х будуть числа 0, 1, 2, …, n-1, n.
По формулі Бернуллі можна знайти ймовірності цих значень:
…
Запишемо отримані дані у вигляді таблиці розподілу:
Х |
0 |
1 |
… |
m |
… |
n |
Р |
q |
|
… |
|
… |
|
Побудований закон розподілу дискретної випадкової величини Х називається законом біноміального розподілу.
Знайдемо
для біноміального розподілу. Очевидно,
що
- число появ події А
в кожному випробуванні – становить
собою випадкову величину з наступним
розподілом:
-
0
1
q
p
Тому,
Але так як
то
Далі
знайдемо
і
.
Так як величина
має
розподіл
-
q
p
то
Тому
Нарешті,
в силу незалежності величин
Звідси для біноміального розподілу
Приклад 2. Монета підкидається 2 рази. Запишемо у вигляді таблиці закон розподілу випадкової величини Х – числа випадання герба.
Ймовірність
появи герба в кожному підкиданні монети
Отже, ймовірність не появи герба
При двох підкиданнях монети герб може
або зовсім не з’явитися, або з’явитися
1 раз, або з’явитися 2 рази. Таким чином,
можливі значення Х
такі:
Знайдемо ймовірність цих можливих
значень за формулою Бернуллі:
Тоді шуканий закон розподілу буде мати вигляд:
Х |
0 |
1 |
2 |
Р |
|
|
|
Приклад 3.(перша гра де Мере.) Гральний кубик кидається чотири рази. Лицар бився об заклад, що при цьому хоча б один раз випаде шість очок. Яка ймовірність виграшу для лицаря?
Розв’язання.
Ймовірність випадання шістки при одному
викиданні грального кубика дорівнює
(див.
§ 1.1, п. 3, приклад 4). Отже, ймовірність іі
не випадання при одному викиданні
дорівнює
(протилежна подія). Тоді ймовірність не
випадання шістки при чотирьох викиданнях,
згідно формули Бернуллі,
Отже, ймовірність виграшу для лицаря
Це означає, що чим більше грав лицар, тим більше він вигравав. Опиняючись постійно в програші, суперники лицаря перестали з ним грати за цими правилами.
Приклад 4. (Друга гра де Мере.) Два гральні кубики викидаються 24 рази. Лицар бився об заклад, що при цьому хоча б один раз випадуть дві шістки. Яка ймовірність програшу для лицаря?
Розв’язання.
При одному одночасному викиданні двох
гральних кубиків ймовірність випадання
двох шісток дорівнює
,
а ймовірність того, що дві шістки не
випадуть, дорівнює
.
Тоді ймовірність того, що при 24-х
одночасних викиданнях двох гральних
кубиків жодного разу не випадуть дві
шістки, згідно формули Бернуллі,
Тобто ймовірність програшу для лицаря була більше . Це означає, що чим більше буде грати лицар, тим більше він буде програвати. Коли так і трапилось, лицар розізлився і звернувся до Паскаля за поясненнями. Паскаль успішно відкрив математичні таємниці правил двох ігор лицаря де Мере.
Приклад 5. Вживаний метод лікування призводить до одужання в 80% випадків Яка ймовірність того, що із 5 хворих одужають 4?
В даному випадку р=0,8, q = 1-p = 0,2, n = 5, m = 4. Тому за формулою Бернуллі
Приклад 6.В умові попереднього прикладу знайдемо ймовірність того, з 5 хворих одужають не менше 4.
Шукана
ймовірність – сума ймовірностей
Маємо:
Задача про екстрасенса. Звичайна людина приблизно в половині випадків правильно вгадує, в якій руці схований дрібний предмет.
Припустимо, що вірна відповідь отримана в трьох випадках з чотирьох. Чи це випадково? Чи при такому результаті можна казати, про незвичайні здібності того, хто вгадує?
Якщо
прийняти ймовірність здогадування в
нормі
то по формулі Бернуллі
де
або
Як бачимо, кожен четверта нормальна людина вірно вгадує в трьох випадках з чотирьох.
Припустимо, що правильна відповідь отримана в дев’яти випадках з десяти. Яка ймовірність такого вгадування у нормальної людини?
По формулі Бернуллі
Таким чином нормальна людина лише в одному випадку із 100 може випадково продемонструвати такий результат. І якщо подібне вгадування відбувається частіше, то можна, очевидно, казати, що той, хто вгадує – екстрасенс (або містифікатор).
2.
Розподіл Пуассона. Нехай
проходить серія n
незалежних випробувань (n
= 1, 2, 3, …), причому ймовірність появи
даної події А
в цій серії
залежить
від її номера n
і прямує до нуля при
(послідовність «рідких подій»). Припустимо,
що для кожної серії середнє значення
числа появ події А
постійно, тобто
const.
Звідси
На основі формули Бернуллі (2.6) для ймовірності появи події А в n-й серії дорівнює m разів має місце формула
Нехай m стала. Тоді
(тут
використовується друга чудова границя
).
Тому
Якщо n
велике, то в силу визначення границі
ймовірність
мало відрізняється від
.
Звідси при великих n
для шуканої ймовірності
маємо наближену формулу
Пуассона
(для спрощення знак наближеної рівності
опущений).
де
.
Приклад. Завод відправив на базу 500 високоякісних деталей. Ймовірність того, що в дорозі виріб пошкодиться 0,002. Знайдемо ймовірність того, що на базу прийдуть три непридатних виробу.
За умовою
n=500,
,
m=3.
Тому
і шукана ймовірність
Визначення. Говорять, що випадкова величина Х розподілена за законом Пуассона, якщо ця величина задана таблицею
Х |
0 |
1 |
2 |
3 |
… |
Р |
|
|
|
|
… |
де
-
фіксоване позитивне число (різним
значенням
відповідають різні розподіли Пуассона).
Корисно
перевірити, що для наведеної таблиці
сума всіх ймовірностей дорівнює одиниці.
Справді, враховуючи відомий розклад
для
маємо
Розподіл Пуассона вартий особливої уваги, так як із всіх дискретних розподілів він найбільш часто зустрічається в додатках.
Знайдемо математичне сподівання дискретної величини Х, розподіленої по закону Пуассона. Згідно визначенню математичного сподівання (§ 2.2, п. 2, примітка 2), маємо
Таким чином параметр в розподілі Пуассона є ніщо інше як математичне сподівання величини Х.
Знайдемо далі D(X). Спочатку знайдемо початковий момент другого порядку (§ 2.3, п. 4):
Запишемо
закон розподілу величини
:
|
0 |
1 |
4 |
9 |
… |
Р |
|
|
|
|
… |
Звідси
Потім за відомою формулою (§ 2.3, п. 4) обчислимо дисперсію
Задача. (Рідкі хвороби.) Численні хвороби дуже рідкі або стають такими після профілактичних дій. Але навіть при найпридатніших умовах в великих популяціях все ж зустрічається деяке число хворих на рідкі хвороби. Наприклад, при введенні вакцини проти поліомієліту імунітет створюється в 99,99% випадків. Яка ймовірність того, що зі 10 000 вакцинованих дітей захворіє один?
Ймовірність
захворіти р
=
1 – 0,9999
=
0,0001, число випробувань n
=
10 000.
Тому
,
і за формулою Пуассона маємо
Аналогічно, ймовірність, що захворіють дві дитини
а ймовірності захворювання 3 і 4 дітей відповідно дорівнюють
