- •Конспект лекцій з курсу « Теорія ймовірності та випадкові процеси» Розділ 1 Вступ. Поняття ймовірності.
- •Коротка історична довідка.
- •Непарні
- •Властивості ймовірності подій
- •2. Основні формули комбінаторики.
- •Статистичне визначення ймовірності подій
- •1. Для лінійного випадку
- •2. Для плоского випадку
- •1.Умовна ймовірність.
- •Л) незалежні події. Теорема множення незалежних подій.
- •Часто ймовірність події ā позначають
- •0) Наслідки із додавання і множення.
- •1)Теорема додавання ймовірностей сумісних подій.
- •Р(в) – ймовірність попадання другого.
- •Розділ 2: послідовності незалежних випробовувань. Формула бернуллі
- •Вивід формули Бернуллі:
- •Б) Локальна теорема Лапласа (без доведення)
- •Розділ 3. Основні поняття математичної статистики. Випадкові величини та їх числові характеристики. А. Поняття випадкової величини. Дискретні та неперервні випадкові величини.
- •В. Приклади: біноміальний закон розподілу. Закон розподілу Пуассона.
- •1) Біноміальний закон.
- •2) Розподіл Пуассона.
- •Г. Інтегральна та диференціальна функції розподілу випадкової величини, їх властивості та функція розподілу (крива розподілу).
- •Математичне сподівання та дисперсія випадкових величин.
- •Математичне сподівання має властивості:
- •Властивості дисперсії.
- •Сталий множник можна виключити
- •Якщо ξ: η- незалежні випадкові величини, то
- •Моменти к-того порядку.
- •Є. Ймовірність попадання випадкової величини в заданий інтервал. Нормальний закон розподілу неперервної випадкової величини
- •Правило трьох „σ”.
- •Ж. Поняття про функції випадкового аргументу і її закон розподілу.
- •Дискретна випадкова величина.
- •Неперервні випадкові величини
- •З. Закон великих чисел. Нерівність Чебишева , теореми Чебишева та Бернулі. Поняття про теорему Ляпунова.
- •Теорема Бернулі.
- •Теорема Ляпунова. (Поняття).
- •Теореми Чебишева, Бернулі. Та теорема Ляпунова складають закон великих чисел.
- •Вибірка з генеральної сукупності. Розподіл вибірки. Вибіркові характеристики. Загальні поняття математичної статистики.
- •Надійний інтервал для математичного сподівання ознаки γ нормальним законом розподілу і відомим середньоквадратичним відхиленням.
- •Приклад.
- •Інтервал надійності для оцінки математичного сподівання з нормальним розподілом випадкової величини та не відомим значенням σ.
- •Довірчий інтервал, інтервал надійності оцінки середньоквадратичного відхилення з нормальним законом розподілу.
- •В) .Поняття про умовні варіанти. Метод добутків для знаходження вибіркових середніх і дисперсії.
- •Дисперсія вибірки , де
- •Складаємо наступну розрахункову таблицю
- •Г)Багатовимірні випадкові величини.
- •Розділ 5. Елементи теорії кореляції. А. Функціональна та статистична залежності.
- •Б) Знаходження кореляційного зв‘язку між випадковими величинами у вигляді рівняння лінії регресії.
- •В. Додавання дисперсій
- •Перевірка статистичних гіпотез.
1.Умовна ймовірність.
При класичному визначенні ймовірності говорилось, що подія при виконанні умов “S” може або відбутись або ні. Окрім цих умов “S” інших умов не передбачалось. Якщо інших умов немає, то таку імовірність називають безумовною. При наявності обмежень - умовною.
Умовною ймовірністю РА(В) називається ймовірність події В якщо подія А відбулась.
Приклад1:
В коробці 3 білих кульки і 3 чорних. Із коробки послідовно виймають по одній кульці. Знайти ймовірність того, що витягнемо білу кульку (В), якщо першою уже витягли чорну (А).
Якщо чорну витягли, то залишилось 5 кульок із них 3 білих і дві чорних.
;
Цей же результат можна отримати із умови
,
Де р(АВ)- ймовірність добутку подій, - ймовірність події «А» появи чорної кульки в першій спробі :
.
Тоді:
.
Тому можна сформулювати наступну теорему:
Ймовірність сумісної появи двох подій рівна добутку ймовірності появи однієї із них на умовну ймовірність іншої події, вважаючи, що перша уже відбулась, тобто
Р(АВ)=Р(А)*РА(В).
Наслідок:
Ймовірність сумісної появи кількох подій рівна добутку ймовірності однієї з них на умовну ймовірність всіх інших, при чому ймовірність всякої наступної події обчислюється в припущені, що усі попередні події відбулись.
Р(А1А2…Аn)=Р(А1)*Р(А2)…РА1А2…Аn-1
Зазначимо, що порядок подій може бути обраний довільним чином.
Приклад 2:
У ящику 3 білих і 5 чорних кульок.
1) Знайдемо ймовірність того, що другою витягнемо білу (В), якщо першою була чорна (А) кулька.
;
;
Тоді
.
2) Знайдемо ймовірність того, що другою витягнемо чорну В кульку, якщо першою була біла (А)
; ;
Тобто Р(АВ)не залежить від послідовності подій.
Л) незалежні події. Теорема множення незалежних подій.
Подія В є незалежною від події А тоді, коли ймовірність події В не залежить від того, чи відбулась подія А чи ні.
Наприклад3:
В ящику 3 білих і 5 чорних кульок.
Подія А – виймаємо чорну кульку.
.
Але повернемо кульку назад в ящик.
Подія В – виймаємо білу кульку.
І повертаємо її перед спробою назад.
Легко бачити що подія А та В незалежні. Тоді
РА(В)=Р(В)
Рв(А)=Р(А)
А раз так, то Р(АВ)=Р(А)*Р(В).
Приклад незалежних подій: вибір групою із 5-ти студентів екзаменаційних білетів. Після здачі іспитів білети повертаються і наступна група з 5 студентів є в повністю еквівалентних умовах, як і попередня. Ці події не залежать від послідовності проходження кожної групи. Ці подій незалежні.
Якщо ж РА(В)≠Р(В) і Рв(А) ≠ Р(А) то події називаються залежними. Тобто ймовірність події РА(В) залежить від того чи відбулась подія А чи ні.
М) ПРОТИЛЕЖНІ ПОДІЇ
Якщо повною групою подій є дві події А1 і А2. Тобто універсум U= А1 А2 то А2=Ā1.
P(U)=P(А1+ Ā1 )=P(A1)+P(Ā1)=1
Наприклад: Стрілок вистрілює в мішень. Є дві можливості реалізації: попав – подія А; не попав – подія Ā.
P(A)+P(Ā)=1.
Часто ймовірність події ā позначають
q(A)=p(Ā); p(А)=q(Ā)
↑
не попав в не мішень.
Н) ЙМОВІРНІСТЬ ПОЯВИ ХОЧА Б ОДНІЄЇ ПОДІЇ
Нехай після спроби можуть появитись “n” подій. Ця сукупність подій створює повну групу. Якщо ймовірності кожної події відомі, тобто відомі Р1,Р2,...,Рn, то ймовірність появи хоча б однієї події незалежних в сукупності подій рівна
Р(А1)=1-q1*q2*….* qn ; де qі=1-pі. Бо добуток q1*….*qn описує ймовірність того, що жодна подія не реалізувалась!
Якщо, коли р1=р2=...=рn то і q1=q2=…=qn
тоді P(А)=1-q1n.