- •Введение
- •Операции над событиями.
- •Частость наступления события.
- •Аксиоматика теории вероятности.
- •Вероятностные меры
- •Построение вероятностных пространств Вероятностная модель эксперимента с конечным или счетным числом исходов
- •Классическое определение вероятности.
- •Построение вероятностных моделей для экспериментов с несчетным числом исходов.
- •Условные вероятности
- •Независимые события.
- •Формула сложения вероятностей
- •Формула Байеса* .
- •Композиция независимых испытаний.
- •Композиция n независимых испытаний.
- •Биномиальное распределение.
- •Случайные величины.
- •1. Основные определения.
- •2. Свойства функции распределения.
- •3. Теорема Колмогорова.
- •4. Функции от случайных величин.
- •Характеристики дискретных случайных величин
- •Производящая функция.
- •Свойства производящей функции
- •Первая модель распределения Пуассона*.
- •Вторая модель распределения Пуассона.
- •Непрерывные случайные величины.
- •Вероятностные характеристики непрерывных случайных величин.
- •Распределение Гаусса* (нормальное распределение).
- •Функция Лапласа* .
- •Распределение функций от случайной величины
- •Неравенство Чебышева*.
- •Многомерные случайные величины
- •Свойства m-мерной функции распределения
- •Теорема Колмогорова (без доказательства)
- •Двумерные дискретные случайные величины
- •Двумерные непрерывные случайные величины
- •Вычисление одномерных плотностей вероятности по двумерной плотности вероятности
- •Условные плотности вероятности
- •Независимые двумерные дискретные случайные величины
- •Двумерные непрерывные независимые случайные величины
- •Многомерные дискретные случайные величины
- •Многомерные непрерывные случайные величины
- •Мерные независимые величины
- •Математическое ожидание скалярной функции случайной величины
- •Коэффициент ковариации, коэффициент корреляции двух случайных величин
- •Свойства коэффициентов корреляции (ковариации)
- •Сумма двух независимых случайных величин
- •Двумерное нормальное распределение
- •Многомерное нормальное распределение
- •Свойства многомерного нормального распределения
- •Теорема Бернулли
- •Трактовка теоремы Бернулли
- •Закон больших чисел
- •Усиленный закон больших чисел
- •Математический аппарат характеристических функций
- •Комплексная случайная величина
- •Математическое ожидание комплексной случайной величины
- •Свойства характеристической функции
- •Примеры характеристических функций (хф)
- •Центральная предельная теорема.
- •Теорема Муавра-Лапласа
- •Общий случай центральной предельной теоремы. (без доказательства)
- •Инженерная трактовка общего случая цпт
- •Векторный аналог цпт
Формула сложения вероятностей
По третьей аксиоме теории вероятностей вероятность суммы несовместных событий равна сумме вероятностей слагаемых. Однако, когда слагаемые совместны, подобное соотношение, вообще говоря, неверно.
Пусть даны два события А и В. Покажем, что
Р(АВ)=Р(А)+Р(В)-P(АВ).
Заметим, что АВ можно представить в виде суммы трех несовместных слагаемых
Ранее было показано, что
Используя эти соотношения и третью аксиому теории вероятностей, получаем
Используя метод математической индукции, самостоятельно докажите формулу сложения для произвольного количества слагаемых
Формула полной вероятности.
Рассмотрим
систему k событий В1,
В2,
..., Вk.
Пусть ВiBj=Æ,
i¹j,
т.е. события системы попарно несовместны,
и пусть Р(Вi)¹0,
i=1,k. Если некоторое событие А удовлетворяет
условию
(сумма Вi
накрывает А), то имеет место формула
полной вероятности
.
Bi W
A
Действительно, т.к. В1, В2, ..., Вk несовместны, то несовместны и АВ1, АВ2, ..., АBk. Тогда из третьей аксиомы теории вероятностей и формулы умножения вероятностей следует
.
Пример. Пусть имеются урны трех составов
1. 5 урн содержит 6 белых и 3 черных шара.
2. 3 урны содержат 10 белых и 1 черный шар.
3. 7 урн содержат 0 белых и 10 черных шаров.
Наугад выбирается урна, а затем наугад из нее извлекается шар. Определить вероятность того, что этот шар белый.
Введем события (гипотезы):
В1 - выбрана урна первого состава;
В2 - выбрана урна второго состава;
В3 - выбрана урна третьего состава;
Событие А-извлечен белый шар.
Очевидно, В1,В2,B3 попарно несовместны и В1В2В3=W - достоверное событие (накрывает А). Тогда Р(А)=Р(В1)Р(А/В1)+Р(В2)Р(А/В2)+Р(В3)Р(А/В3).
Т.к. Р(В1)=5/15=1/3, Р(В2)=3/15=1/5, Р(В3)=7/15, Р(А/В1)=6/9=2/3, Р(А/В2)=10/11, Р(А/В3)=0, то Р(А)=1/3*2/3+1/5*10/11+7/15*0=40/99»0,4.
Формула Байеса* .
Условия те же, что и при выводе формулы полной вероятности (дополнительно предполагается Р(А)>0). Однако известно, что в испытании событие А произошло. Ищется вероятность того, что в этом испытании произошло событие Вi. Ответ дает так называемая формула Байеса
Для доказательства используем тот факт, что
Р(АВi)=P(A)P(Bi/A)=P(Bi)P(A/Bi).
Тогда (используется еще одна формула полной вероятности)
.
Вероятности P(Bi) событий Bi называются априорными вероятностями, а вероятности P(Bi/A) - апостериорными вероятностями.
Пример. В одной урне находится 3 белых и 3 черных шара, а в другой-1 белый и 5 черных шаров. Наугад выбирается урна, а затем из нее извлекается шар. Вынутый шар оказался белым. Определить вероятность того, что была выбрана первая урна.
Введем события:
В1–выбрана первая урна;
В2–выбрана вторая урна;
А –вынут белый шар.
Тогда
Р(В1)=1/2, P(B2)=1/2, Денис! если эти формулы есть у Саши, то вставь их сюда
P(A/B1)=3/6=1/2, P(A/B2)=1/6.
По формуле Байеса
Р(В1/А)=
.
