- •1. Предмет комбінаторики. Правила суми і добутку. Перестановки без повторення . Перестановки з повтореннями.
- •2.Розміщення без повторення. Розміщення з повтореннями.
- •5. Трикутник Паскаля, біном Ньютона. Число всіх підмножин множини.
- •6.Комбінації з повтореннями.
- •7. Формули включень та виключень; вміти записати для 2 і 3.
- •8.Простір елементарних подій. Операції над подіями. Класичне означення ймовірності. Статистичне означення ймовірності.
- •9.Теорема додавання ймовірностей для несумісних подій. Теорема додавання ймовірностей для сумісних подій.
- •10.Залежні та незалежні події, умовна ймовірність.
- •11.Теорема множення для двох випадкових подій. Теорема множення для довільних випадкових подій.
- •12.Попарно залежні та незалежні у сукупності події. Приклад Бернштейна.
- •13.Геометричні ймовірності. Задача про зустріч. Задача Бюффона.
- •14. Ймовірність появи хоча б однієї випадкової події. Задача про товсту монету.
- •15.Формула повної ймовірності. Формула Бейеса.
- •1.Формула повної ймовірності
- •16. Формула Бернулі. Найймовірніше число “успіхів” у схемі Бернулі.
- •17.Теорема Пуассона
- •18. Локальна теорема Муавра-Лапласа. Функція Гаусса.
- •19. Інтегральна теорема Муавра-Лапласа. Функція Лапласа.
- •20.Поняття випадкової величини. Функція розподілу. Приклади. Властивості функцій розподілу.
- •21.Закон розподілу дискретної випадкової величини. Математичне сподівання двв та його властивості.
- •Дисперсія двв та його властивості. Середнє квадратичне відхилення.
- •Математичне сподівання та дисперсія біномного розподілу двв.
- •24.Диференціальна функція розподілу неперервної випадкової величини, її властивості та ймовірносний смисл.
- •25. Відшукання інтегральної функції неперервної випадкової величини за відомою диференціальною функцією. Доведення рівності та її геометричний зміст.
- •26.Числові характеристики неперервної випадкової величини.
- •27. Нормальний закон розподілу, його параметри та графік. Зв’язок між функцією розподілу нормального закону та функцією Лапласа.
- •28.Ймовірність попадання нормально розподіленої величини в заданий інтервал.
- •29. Правило трьох сигм.
- •30. Поняття про закон великих чисел. Нерівності Чебишева.
- •31.Мода та медіана, квантилі.
- •32.Рівномірний розподіл та його числові характеристики.
- •Показниковий розподіл та його числові характеристики.
- •34. Закон розподілу Пуассона
- •35.Геометричний розподіл та його числові характеристики.
- •36. Початкові та центральні моменти. Асиметрія та ексцес.
- •37.Приклади: асиметрія показникового розподілу; асиметрія розподілу Пуассона.
- •Розподіл Пуассона
- •38.Теорема Чебишова.
- •39.Теорема Бернуллі
- •40. Центральна гранична теорема.
- •Классическая формулировка ц.П.Т.
- •41. Випадковий процес та його характеристики.
- •42.**Ланцюгі Маркова
- •Формальне визначення Послідовність дискретних випадкових величин називається ланцюгом Маркова (з дискретним часом), якщо
- •43.**Марківський випадковий процес. Потоки подій.
- •**Пуассонівський випадковий процес.
- •45. Поняття про генеральну сукупність та вибірку. Емпірична формула розподілу.
- •46. Вибіркові характеристики. Варіаційний ряд, таблиці частот, гістограма.
- •47.Полігон частот. Статистичне та інтервальне оцінювання параметрів розподілу.
- •48. Вибіркове середнє, вибіркова дисперсія. Інтервальні оцінки параметрів розподілу.
- •49.Надійні межі для математичного сподівання у випадку нормального розподілу.
- •50.Статистична гіпотеза та загальна схема її перевірки. Критерій Пірсона.
10.Залежні та незалежні події, умовна ймовірність.
Означення 1. Подія А називається незалежною (independent) від події В, якщо ймовірність появи подіїА не залежить від того, відбулась подія В чи не відбулась.
Теорема 1. Якщо випадкові події А і В незалежні, то імовірність суміщення подій А і В дорівнює добутку ймовірностей появи цих подій.
Означення 2. Подія А називається залежною (dependent) від події В, якщо ймовірність події Азмінюється в залежності від того, відбулась подія В чи не відбулась.
Розглянемо два приклади:
I. Дослідом є кидання двох монет.
Розглядаються події:
А – поява герба на одній монеті;
В – поява герба на другій монеті.
В цьому випадку ймовірність події А не залежить від того, відбулась подія В чи не відбулась; подія А не залежить від події В.
Означення 3. Ймовірність події А, обчислена при умові, що мала місце інша подія В, називається умовною ймовірністю (conditional probability) події А і позначається .
Умову незалежності події А від події В можна записати у вигляді:
.
Теорема 2. Імовірність добутку двох подій дорівнює добутку імовірності однієї з них на умовну імовірність другої, яка обчислена при умові, що перша мала місце:
.
Доведення. Нехай можливі виходи досліду зводяться до n випадків.
Нехай появі події А сприяють m випадків. Існують випадки, які сприяють і події А, і події В одночасно. Нехай число таких випадків l. Тоді
;
Якщо відомо, що А відбулась, то можливих випадків, при яких відбувається А і з них l сприяють подіїВ, а значить .
Тоді одержимо :
,
що й потрібно було довести.
Теорему можна записати так: .
Якщо ж А не залежить від В, то і і одержимо результат теореми 1: .
11.Теорема множення для двох випадкових подій. Теорема множення для довільних випадкових подій.
Пересечением (произведением) двух событий C и D называется событие F, происходящее тогда и только тогда, когда наступают одновременно оба события C и D: F = C · D
Вероятность совместного появления двух событий равна произведению вероятности одного из них на условную вероятность другого, вычисленную в предположении, что первое событие уже наступило.
В частности, для независимых событий
События являются независимыми, если факт появления одного из них не влияет на вероятность появления другого.
12.Попарно залежні та незалежні у сукупності події. Приклад Бернштейна.
Дві події називаються несумісними – якщо їх перетин є неможливою подією. А∩В=V. Дві події називаються сумісними, якщо їх перетин не є неможливою подією. А∩В≠V. Події А1, А2, ..., Аn називаються попарно несумісними, якщо кожні дві з них є несумісними. Приклад: несумісні - В результаті одного підкидання монети не може результатом бути і герб і цифра
Випадкові події А1 , А2 , …, Аn (Аi ( (, i = 1, 2, …, n) називається незалежними в сукупності, якщо при будь-яких k=1, 2, …, n та ( ( і1 ( і2 ( …( іk ( n. Якщо ці рівності виконуються при к=2, то події А1, А2,.., Аn називаються попарно незалежні.
Приклад Бернштейна показує що попарна незалежність подій ще не означає їх незалежність в сукупності.
Підкидається правильний тетраедр, три грані якого пофарбовано відповідно в червоний, синій і зелений кольори, а в розфарбуванні четвертої грані є всі три кольори. Події R (червоний), G (зелений), B(синій) означають, що в розфарбуванні грані, яка стикається з поверхнею, є відповідні кольори. Перевірити, що події R,G,B попарно незалежні, але не незалежні в сукупності.
Розв'язання
Оскільки тетраедр правильний, то беремо класичну модель.Кожен колір наявний на двох гранях, тому .
Два і більше кольорів наявні в розфарбуванні лише однієї грані, тому .Звідси,
Тому, події R,G,B - попарно незалежні за означенням. Але
що означає, що вони не є незалежними в сукупності.