1. Определение вероятности (классическое, статистическое, геометрическое) в классической
![]()
|
1. Определение вероятности (классическое, статистическое, геометрическое) В классической модели вероятность любого события А равна отношению числа М случаев, благоприятствующих этому событию, к общему числу N всех случаев: ![]() Отношение числа появлений m события А к общему числу испытаний n называется относительной частотой события А: ![]() ![]() Геометрическая вероятность – вероятность попадания точки в область (отрезок, часть плоскости и т. д.). 2. Элементы комбинаторики (сочетание, размещение, перестановка (без схем с повторениями)) Размещениями из n элементов по m называются такие соединения, которые различаются самими элементами или их порядком. Число всех размещений из n элементов по m равно: ![]() Перестановками из n элементов называются их соединения, различающиеся только порядком входящих в них элементов. Число всех перестановок из n различных элементов равно: ![]() Сочетаниями из n элементов по m называются такие их соединения, которые различаются только своими элементами. Число сочетаний из n элементов по m равно: ![]() 3. Формула полной вероятности/Байеса (определение, ч. т. условная вероятность и т. д.) Вероятность события А при условии, что произошло событие В, называется условной вероятностью события А и обозначается: ![]() Случайные события образуют полную группу, если они попарно несовместны и, если при каждом повторении испытания должно произойти хотя бы одно из них. Пусть событие A может произойти в результате появления одного и только одного события Hi ( i 1 , 2 , ... , n )) из некоторой полной группы несовместных событий H1 , H2 , ..., H n . События этой группы обычно называются гипотезами. Вероятность события A равна сумме произведений вероятностей всех гипотез, образующих полную группу, на соответствующие условные вероятности данного события A , т. е.: ![]() Формула выше называется формулой полной вероятности. Одно из интересных применений формулы полной вероятности связано с формулами Байеса (Бейеса). Если в выражении для условной вероятности ![]() заменить вероятность P(A) по формуле полной вероятности, можно получить формулу Байеса ![]() Эта формула применяется для вычисления условной вероятности PA(H1) гипотезы H1 после испытания, при котором произошло событие A. Аналогичные формулы имеют место для условных вероятностей PA(Hk) всех гипотез Hk: ![]() Другими словами формулы Байеса позволяют переоценить вероятности гипотез, принятые до испытания (априорные), по результатам уже произведенного испытания. 4. Схема Бернулли (формула) Два события А и В называются независимыми, если вероятность каждого из них не зависит от появления или непоявления другого. Если производится n независимых испытаний, в каждом из которых событие А появляется с вероятностью р и не появляется с вероятностью q, то вероятность наступления события А m раз в этих n испытаниях вычисляется по формуле Бернулли: ![]() 5. Предельные теоремы в схеме Бернулли (где применяются) 1) Формула Пуассона Предположим, что произведение np является постоянной величиной, когда n неограниченно возрастает. Обозначим np . Тогда для любого фиксированного : ![]() 2) Теорема Муавра-Лапласа (локальная и интегральная) Локальная теорема Муавра-Лапласа: если число испытаний велико, а вероятность наступления события отлична от 0 и 1, то вероятность наступления события m раз в n испытаниях вычисляют по формуле: ![]() Интегральная теорема Муавра-Лапласа: если вероятность наступления события в испытаниях постоянна и отлична от 0 и 1, то вероятность того, что событие Pn(k1≤m≤k2) наступит вычисляется по формуле: ![]() 6. Определение случайной величины. Многоугольник распределения Величина называется случайной, если она принимает свои значения в зависимости от исходов некоторого испытания, причем для каждого элементарного исхода она имеет единственное значение. Графически дискретная случайная величина может быть представлена в виде многоугольника распределения ![]() 7. Функция распределения (определение и смысл), плотность распределения (как связаны), их свойства Соответствие между всеми возможными значениями дискретной случайной величины и их вероятностями называется законом распределения данной случайной величины. ![]() Функцией распределения случайной величины ξ называется функция: ![]() Функцией распределения случайной величины ξ называют функцию F(x), определяющую вероятность того, что случайная величина ξ в результате испытания примет значение, меньшее x, т. е. F(x)=P(ξ Свойства функции распределения Свойство 1. F(x) – неубывающая функция. Свойство 2. F(−∞)=0, F(+∞)=1. Свойство 3. Функция F(x) непрерывна слева. Свойство 4. Для любых a ![]() Свойство 5. 0≤F(x)≤1. Плотностью распределения случайной величины ξ называется производная от функции распределения f(x)=F′(x). Свойства плотности вероятности Свойство 1. Плотность распределения есть функция неотрицательная: f(x)≥0. Свойство 2. ![]() Следствие 1. ![]() Следствие 2. ![]() 8. НСВ, ДСВ (непрерывная и дискретная случайная величина), их определение Случайная величина называется дискретной, если множество всех возможных значений ее конечно. Случайная величина называется непрерывной, если множество всех возможных значений её бесконечно. 9. Числовые характеристики: математическое ожидание, дисперсия, среднеквадратическое отклонение, мода, медиана. Нарисовать картинки Математическим ожиданием дискретной случайной величины называют сумму произведений всех её возможных значений на их вероятности: ![]() Математическое ожидание приблизительно равно среднему арифметическому наблюдаемых значений случайной величины. Математическим ожиданием непрерывной случайной величины ξ называется число: ![]() ![]() Дисперсией случайной величины ξ называется математическое ожидание квадрата отклонения случайной величины от своего математического ожидания: ![]() Среднее квадратичное отклонение – корень из дисперсии. ![]() Модой M0x случайной величины называют значение этой случайной величины, наибольшее по сравнению с двумя соседними значениями, т. е. некоторый локальный максимум. ![]() Медианой Mеx называют значение случайной величины xp , что выполняет равенство: p{x ![]() 10. Законы распределения - понимание, что это такое, формулы учить необязательно (7 штук) 1. Биномиальное распределение. Дискретная случайная величина имеет биномиальный закон распределения с параметрами n и p, если она принимает значения 0, 1, 2…, k с вероятностями: ![]() 2. Распределение Пуассона. Дискретная случайная величина имеет распределение Пуассона с параметром >0, если она принимает значения 0, 1, 2…, m с вероятностями: ![]() Распределение Пуассона часто встречается в задачах, связанных с простейшим потоком событий. Под потоком событий следует понимать последовательность событий, наступающих одно за другим в случайные моменты времени. Примерами могут служить: поток вызовов на телефонной станции, поток заявок в системе массового обслуживания, последовательность радиоактивного распада частиц. 3. Геометрическое распределение. Дискретная случайная величина имеет геометрическое распределение с параметром p, если она приминает значения 0, 1, 2…, k с вероятностями: ![]() 4. Гипергеометрическое распределение. Дискретная случайная величина имеет гипергеометрическое распределение с параметрами n, M, N, если она принимает значения 0, 1, 2…, m… min(n, M) с вероятностями: ![]() 5. Нормальное распределение (Гаусса). Непрерывная случайная величина имеет нормальное распределение, если ее плотность распределения имеет вид: ![]() где a и некоторые постоянные, называемые параметрами распределения. 6. Равномерное распределение. Непрерывная случайная величина имеет равномерное распределение на интервале [a, b], если плотность её вероятности на этом отрезке постоянна и имеет вид: ![]() 7. Показательное (экспоненциальное) распределение. Непрерывная случайная величина имеет показательное распределение с параметром >0, если плотность её вероятности имеет вид: ![]() |