Слайд 1Теория вероятностей и математическая статистика
Слайд 2Предмет теории вероятностей
Достоверным называют событие, которое обязательно произойдет, если будет
осуществлена определенная совокупность условий S. Например, если в сосуде содержится
вода при нормальном атмосферном давлении и температуре 20°, то событие «вода в сосуде находится в жидком состоянии» есть достоверное. В этом примере заданные атмосферное давление и температура воды составляют совокупность условий S.
Невозможным называют событие, которое заведомо не произойдет, если будет осуществлена совокупность условий S. Например, событие «вода сосуде находится в твердом состоянии» заведомо не произойдет, если будет осуществлена совокупность условий предыдущего примера.
Случайным называют событие, которое при осуществлении условий S может либо произойти, либо не произойти. Например, если брошена монета, то она может упасть так, что сверху будет либо герб, либо надпись. Поэтому событие «при бросании монеты выпал «герб»- случайное.
Слайд 3Предмет теории вероятностей
Если рассматриваются случайные события, которые могут многократно, наблюдаться
при осуществлении одних и тех же условий S, т.е. если
речь идет о массовых однородных случайных событиях. Оказывается, что достаточно большое число однородных случайных событий независимо от их конкретной природы подчиняется определенным закономерностям, а именно вероятностным закономерностям. Установлением этих закономерностей и занимается теория вероятностей.
Предметом теории вероятностей является изучение вероятностных закономерностей массовых однородных случайных событий.
Слайд 4ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ ВЕРОЯТНОСТЕЙ
Событие будем рассматриваться как результата испытания.
Пример. Стрелок
стреляет по мишени, разделенной на четыре области. Выстрел- это испытание.
Попадание в определенную область мишени - событие.
Пример. В урне имеются цветные шары. Из урны наудачу берут один шар. Извлечение шара из урны есть испытание. Появление шара определенного цвета – событие.
Слайд 5Виды случайных событий
События называют несовместными, если появление одного из них
исключает появление других событий в одном и том же испытании.
Пример.
Из ящика с деталями наудачу извлечена деталь. Появление стандартной детали исключает появление нестандартной детали. События «появилась стандартная деталь» и «появилась нестандартная деталь» - несовместные.
Пример. Брошена монета. Появление «герба» исключает появление надписи. События «появился герб» и «появилась надпись» - несовместные.
Слайд 6Виды случайных событий
Несколько событий образуют полную группу, если в результате
испытания появится хотя бы одно из них. Другими словами, появление
хотя бы одного из событий полной группы есть достоверное событие.
Пример. Приобретены два билета денежно – вещевой лотереи. Обязательно произойдет одно и только одно из следующих событий: «выигрыш выпал на первый билет и не выпал на второй», «выигрыш не выпал на первый билет и выпал на второй», «выигрыш выпал на оба билета», «на оба билета выигрыш не выпал». Эти события образуют полную группу попарно несовместных событий.
Пример. Стрелок произвел выстрел по цели. Обязательно произойдет одно из следующих двух событий: попадание, промах. Эти два несовместных события образуют полную группу.
Слайд 7Виды случайных событий
События называют равновозможными, если есть основания считать, что
ни одно из них не является более возможным, чем другое.
Пример. Появление «герба» и появление надписи при бросании монеты – равновозможные события. Действительно, предполагается, что монета изготовлена из однородного материала, имеет правильную цилиндрическую форму и наличие чеканки не оказывает влияние на выпадение той или иной стороны монеты.
Пример. Появление того или иного числа очков на брошенной игральной кости – равновозможные события. Действительно, предполагается, что игральная кость изготовлена из однородного материала, имеет форму правильного многогранника и наличие очков не оказывает влияние на выпадение любой грани.
Слайд 8Классическое определение вероятности
Пусть в урне содержится 6 одинаковых, тщательно перемешанных
шаров, причем 2 из них – красные, 3 – синие
и 1- белый. Очевидно, возможность вынуть наудачу из урны цветной (т.е. красный или синий) шар больше, чем возможность извлечь белый шар. Можно ли охарактеризовать эту возможность числом? Оказывается, можно. Это число и называют вероятностью события (появления цветного шара). Таким образом, вероятность есть число, характеризующее степень возможности появления события.
Поставим перед собой задачу дать количественную оценку возможности того, что взятый на удачу шар цветной.
Слайд 9Классическое определение вероятности
Появление цветного шара будем рассматривать в качестве события
A.Каждый из возможных результатов испытания (испытание состоит в извлечении шара
из урны) назовем элементарным исходом (элементарным событием). Элементарные исходы обозначим через w1, w2, w3 и т.д. В нашем примере возможны следующие 6 элементарных исходов: w1 - появился белый шар; w2, w3 – появился красный шар; w4, w5, w6 – появился синий шар. Легко видеть, что эти исходы образуют полную группу попарно несовместных событий (обязательно появится один только шар) и они равновозможны (шар вынимают наудачу, шары одинаковы и тщательно перемешаны).
Слайд 10Классическое определение вероятности
Те элементарные исходы, в которых интересующее нас событие
наступает, назовем благоприятствующими этому событию. В нашем примере благоприятствуют событию
A (появлению цветного шара) следующие 5 исходов: w2, w3, w4, w5, w6.
Таким образом событие A наблюдается, если в испытании наступает один, безразлично какой, из элементарных исходов, благоприятствующих A; в нашем примере A наблюдается, если наступит w2, или w3, или w4, или w5, или w6. В этом смысле событие A подразделяется на несколько элементарных событий (w2,w3,w4,w5,w6); элементарное же событие не подразделяется на другие события. В этом состоит различие между событием A и элементарным событием (элементарным исходом).
Слайд 11Классическое определение вероятности
Отношение числа благоприятствующих событию A элементарных исходов к
их общему числу называют вероятностью события A и обозначают через
P (A). В рассматриваемом примере всего элементарных исходов 6; из них 5 благоприятствуют событию A. Следовательно, вероятность того, что взятый шар окажется цветным, равна P (A) = 5/6.
Вероятностью события A называют отношение числа благоприятствующих этому событию исходов к общему числу всех равновозможных несовместных элементарных исходов, образующих полную группу. Итак, вероятность события A определяется формулой
P (A) = m/n, где m – число элементарных исходов, благоприятствующих A; n – число всех возможных элементарных исходов испытания. Здесь предполагается, что элементарные исходы несовместны, равновозможны и образуют полную группу.
Слайд 12Классическое определение вероятности
Свойство 1. Вероятность достоверного события равна единице. Действительно,
если событие достоверно, то каждый элементарный исход испытания благоприятствует событию.
В этом случае m = n,следовательно,
P (A) = m/n = n/n = 1.
Свойство 2. Вероятность невозможного события равна нулю. Действительно, если событие невозможно, то ни один из элементарных исходов испытания не благоприятствуют событию. В этом случае m=0, следовательно,
P (A) = m/n = 0/n = 0.
Свойство 3. Вероятность случайного события есть положительное число, заключенное между нулем и единицей.
Вероятность любого события удовлетворяет двойному неравенству 0≤ P (A) ≤1.
Слайд 13Классическое определение вероятности
Приведем аксиомы, определяющие вероятность:
Каждому событию A поставлено в
соответствие неотрицательное действительное число P(A). Это число называется вероятностью события
A.
Вероятность достоверного события равна единице:
P (W) = 1.
Вероятность наступления хотя бы одного из попарно несовместных событий равна сумме вероятностей этих событий.
Слайд 14Основные формулы комбинаторики
Перестановками называют комбинации, состоящие из одних и тех
же n различных элементов и отличающиеся только порядком их расположения.
Число всех возможных перестановок
Pn = n!,
где n! = 1*2*3 … n.
Заметим, что удобно рассматривать 0!, полагая, по определению, 0! = 1.
Пример. Сколько трехзначных чисел можно составить из цифр 1,2,3, если каждая цифра входит в изображение числа только один раз?
Решение. Искомое число трехзначных чисел
P3 = 3! = 1*2*3 = 6.
Слайд 15Основные формулы комбинаторики
Размещениями называют комбинации, составленные из n различных элементов
по m элементов, которые отличаются либо составом элементов либо их
порядком. Число всех возможных размещений
Пример. Сколько можно составить сигналов из 6 флажков различного цвета, взятых по 2?
Решение. Искомое число сигналов
Слайд 16Основные формулы комбинаторики
Сочетаниями называют комбинации, составленные из n различных элементов
по m элементов, которые отличаются хотя бы одним элементом. Число
сочетаний
Пример. Сколькими способами можно выбрать две детали из ящика, содержащего 10 деталей?
Решение. Искомое число способов
Подчеркнем, что числа размещений, перестановок и сочетаний связаны равенством
Слайд 17Примеры непосредственного вычисления вероятностей
Набирая номер телефона, абонент забыл последние
две цифры и, помня лишь, что эти цифры различны, набрал
их наудачу. Найти вероятность того, что набраны нужные цифры.
Решение. Обозначим через B событие – набраны две нужные цифры. Всего можно набрать столько различных цифр, сколько может быть составлено размещений из десяти цифр по две, т.е.
Таким образом . общее число возможных элементарных исходов равно 90. Эти исходы несовместны, равновозможны и образуют полную группу. Благоприятствует событию B лишь один исход. Искомая вероятность равна отношению числа исходов, благоприятствующих событию, к числу всех элементарных исходов: P(B) = 1/90.
Слайд 18Примеры непосредственного вычисления вероятностей
В партии из 10 деталей 7
стандартных. Найти вероятность того, что среди шести взятых наудачу деталей
4 стандартных.
Решение. Общее число возможных элементарных исходов испытания равно числу способов, которыми можно извлечь 6 деталей из 10, т.е. числу сочетаний из 10 элементов по 6 элементов Определим число исходов, благоприятствующих интересующему нас событию A (среди шести взятых деталей 4 стандартных). Четыре стандартные детали можно взять из семи стандартных деталей способами
; при этом остальные 6 – 4 = 2 детали должны быть нестандартными; взять же 2 нестандартные детали из 10 -7 = 3 нестандартных деталей можно способами . Число благоприятствующих исходов равно
P(A) = ( )/ = 1/2
Слайд 19Относительная частота
Относительной частотой события называют отношение числа испытаний, в которых
событие появилось, к общему числу фактически произведенных испытаний. Таким образом,
относительная частота события A определяется формулой W(A) = m/n, где m – число появлений события, n – общее число испытаний.
Сопоставляя определения вероятности и относительной частоты, заключаем: определение вероятности не требует, чтобы испытания производились в действительности; определение же относительной частоты, предполагает, что испытания были произведены фактически. Другими словами, вероятность вычисляют до опыта, относительную частоту - после опыта.
Слайд 20Относительная частота
Пример. Отдел технического контроля обнаружил 3 нестандартные детали в
партии из 80 случайно отобранных деталей. Относительная частота появления нестандартных
деталей W(A) =3/80.
Длительные наблюдения показали, что если в одинаковых условиях производят опыты, в каждом из которых число испытаний достаточно велико, то относительная частота обнаруживает свойство устойчивости. Это свойство состоит в том, что в различных опытах относительная частота изменяется мало (тем меньше, чем больше произведено испытаний), колеблясь около некоторого постоянного числа. Оказалось, что это постоянное число есть вероятность появления события. Таким образом, если опытным путем установлена относительная частота, то полученное число можно принять за приближенное значение вероятности.
Слайд 21Статистическая вероятность
Наряду с классическим определением вероятности используют и другие определения
в частности статистическое определение: в качестве статистической вероятности события принимают
относительную частоту или число, близкое к ней.
Например, если в результате достаточно большого числа испытаний оказалось , что относительная частота весьма близка к числу 0,4, то это число можно принять за статистическую вероятность события.
Слайд 22Теорема сложения вероятностей несовместных событий
Суммой A + B двух событий
A и B называют событие, состоящее в появления события A,
или события B, или обоих этих событий. Если из орудия произведены два выстрела и A – попадание при первом выстреле, B – попадание при втором выстреле, то A + B – попадание при первом выстреле, или при втором, или в обоих выстрелах. Если два события A и B – несовместные, то A + B – событие, состоящее в появлении одного из этих событий, безразлично какого.
Суммой нескольких событий называют событие, которое состоит в появлении хотя бы одного их этих событий. Например, событие A + B + C состоит в появлении одного из следующих событий: A, B, C, A и B, A и C, B и C, A и B и C.
Слайд 23Теорема сложения вероятностей несовместных событий
Вероятность появления одного из двух несовместных
событий, безразлично какого, равна сумме вероятностей этих событий: P(A
+ B) = P(A) + P(B).
Доказательство. Введем обозначения: n – общее число возможных элементарных исходов испытания; m1 – число исходов, благоприятствующих событию A; m2 – число исходов, благоприятствующих событию B.
Следствие. Вероятность появления одного из нескольких попарно несовместных событий, безразлично какого, равна сумме вероятностей этих событий:
P(A1 + A2 + … + An) = P(A1) + P(A2) + … + P(An).
Слайд 24Теорема сложения вероятностей несовместных событий
Пример. В урне 30 шаров: 10
красных, 5 синих и 15 белых. Найти вероятность появления цветного
шара.
Решение. Появление цветного шара означает появление либо красного, либо синего шара.
Вероятность появления красного шара (событие A)
P(A) = 10/30 = 1/3.
Вероятность появления синего шара (событие B)
P(B) = 5/30 = 1/6.
События A и B несовместны (появление шара одного цвета исключает появление шара другого цвета), поэтому теорема сложения применима.
Искомая вероятность
P(A + B) = P(A) + P(B) = 1/3 + 1/6 = 1/2.
Слайд 25Полная группа событий
Теорема. Сумма вероятностей событий A1, A2, … ,
An, образующих полную группу, равна единице:
P(A1) + P(A2) +
… + P(An) = 1.
Доказательство. Так как появление одного из событий полной группы достоверно, а вероятность достоверного события равна единице, то P(A1) + P(A2) + … + P(An) = 1
Противоположные события
Противоположными называют два единственно возможных события, образующих полную группу. Если одно из двух противоположных событий обозначено через A, то другое принято обозначать .
Пример. Попадание и промах при выстреле по цели – противоположные события. Если A – попадание, то - промах.
Слайд 26Полная группа событий
Пример. Из ящика наудачу взята деталь. События «появилась
стандартная деталь» и «появилась нестандартная деталь» - противоположные.
Теорема. Сумма вероятностей
противоположных событий равна единице: P(A ) + P( ) = 1.
Доказательство. Противоположные события образуют полную группу, а сумма вероятностей событий, образующих полную группу, равна единице.
Замечание 1. Если вероятность одного из двух противоположных событий обозначена через p, то вероятность другого события обозначают через q. Таким образом, в силу предыдущей теоремы p + q =1.
Слайд 27Произведение событий
Произведением двух событий А и В называют событие АВ,
состоящее в совместном появлении (совмещении) этих событий. Например, если A—деталь
годная, B - деталь окрашенная, то АВ—деталь годна и окрашена.
Произведением нескольких событий называют событие, состоящее в совместном появлении всех этих событий. Например, если А, В, С — появление «герба» соответственно в первом, втором и третьем бросаниях монеты, то ABC — выпадение «герба» во всех трех испытаниях.
Слайд 28Условная вероятность
Случайное событие – это событие, которое при осуществлении совокупности
условий S может произойти или не произойти. Если при вычислении
вероятности события никаких других ограничений, кроме условий S, не налагается, то такую вероятность называют безусловной; если же налагаются и другие дополнительные условия, то вероятность события называют условной. Например, часто вычисляют вероятность события В при дополнительном условии, что произошло событие А. Заметим, что и безусловная вероятность, строго говоря, является условной, поскольку предполагается осуществление условий S.
Условной вероятностью РА (В) называют вероятность события В, вычисленную в предположении, что событие А уже наступило.
Слайд 29
Пример. В урне 3 белых и 3 черных шара. Из
урны дважды вынимают по одному шару, не возвращая их обратно.
Найти вероятность появления белого шара при втором испытании (событие В), если при первом испытании был извлечен черный шар (событие А).
Решение. После первого испытания в урне осталось 5 шаров, из них 3 белых. Искомая условная вероятность РА (В) =3/5.
Этот же результат можно получить по формуле
Ра(В)=Р(АВ)/Р(А) Р(А)>0).
Действительно, вероятность появления белого шара при первом испытании Р (А) = 3/6 =1/2. Найдем вероятность Р (АВ) того, что в первом испытании появится черный шар, а во втором—белый. Общее число исходов — совместного появления двух шаров, безразлично какого цвета, равно числу размещений =6*5 = 30. Из этого числа исходов событию AВ благоприятствуют 3*3=9 исходов. Следовательно, Р(AB)=9/30 =3/10.
Искомая условная вероятность
Ра (В)=Р (АВ)/Р (A) = (3/10)/(1/2)=3/5.
Слайд 30Теорема умножения вероятностей
Теорема. Вероятность совместного появления двух событий равна произведению
вероятности одного из них на условную вероятность другого, вычисленную в
предположении, что первое событие уже наступило:
Р(АВ) = Р(А) РА (В).
Доказательство. По определению условной вероятности,
Ра(В)=Р(АВ)/Р(А). Отсюда Р(АВ)=Р(А)РА(В).
Следствие. Вероятность совместного появления нескольких событий равна произведению вероятности одного из них на условные вероятности всех остальных, причем вероятность каждого последующего события вычисляется в предположении, что все предыдущие события уже появились:
Р (А1 А2 А3 ...Ап) = Р(А1) PAl (A2) PAlA2 (А3)...Ра1а2...ап-1(Ап),
где Ра1а2...ап-1(Ап) — вероятность события Ап, вычисленная в предположении, что события А1,А2, …, Ап-1 наступили. В частности, для трех событий P(ABC)= Р(А)РА(В)РАВ(С).
Слайд 31Теорема умножения вероятностей
Пример. В урне 5 белых, 4 черных и
3 синих шара. Каждое испытание состоит в том, что наудачу
извлекают один шар, не возвращая его обратно. Найти вероятность того, что при первом испытании появится белый шар (событие А), при втором — черный (событие В) и при третьем—синий (событие С).
Решение. Вероятность появления белого шара в первом испытании Р (А) = 5/12. Вероятность появления черного шара во втором испытании, вычисленная в предположении, что в первом испытании появился белый шар, т, е. условная вероятность РА (В) =4/11. Вероятность появления синего шара в третьем испытании, вычисленная в предположении, что в первом испытании появился белый шар, а во втором — черный, т. е. условная вероятность РAB (С) =3/10.
Искомая вероятность
P(ABC) = P(A)PA(B)PAB(C) = (5/12)*(4/11)*(3/10)=1/22.
Слайд 32Независимые события
Событие В называют независимым от события А, если появление
события А не изменяет вероятности события В, т.е. если условная
вероятность события В равна его безусловной вероятности: Ра(В)=P(B). Если событие В не зависит от события A, то и событие А не зависит от события В; это означает, что свойство независимости событий взаимно.
Для независимых событий теорема умножения P(AB)= Р(А)РА(В) имеет вид Р(АВ)=Р(А)Р(В),
т.е. вероятность совместного появления двух независимых событий равна произведению вероятностей этих событий.
Слайд 33Независимые события
Два события называют независимыми, если вероятность их совмещения равна
произведению вероятностей этих событий; в противном случае события называют зависимыми.
Пример.
Найти вероятность совместного поражения цели двумя орудиями, если вероятность поражения цели первым орудием (событие A) равна 0,8, а вторым (событие В) - 0,7.
Решение. События А и В независимые, поэтому, по теореме умножения, искомая вероятность
Р(АВ) = Р(А)Р (В) = 0,7 • 0,8 = 0,56.
Замечание 1. Если события А и В независимы, то независимы также события А и , и В, и .
Несколько событий называют попарно независимыми, если каждые два из них независимы. Например, события А, В, С попарно независимы, если независимы события А и В, А и С, В и С.
Слайд 34
Следствие из теоремы умножения.
Вероятность совместного появления нескольких событий, независимых в
совокупности равна произведению вероятностей этих событий:
Р(A1,A2.. .Ап)=Р(А1) Р(А2).. .Р(Ап).
Пример. Имеется
3 ящика, содержащих по 10 деталей. В первом ящике 8, во втором 7 и в третьем 9 стандартных деталей. Из каждого ящика наудачу вынимают по одной детали. Найти вероятность того, что все три вынутые детали окажутся стандартными. Решение. Вероятность того, что из первого ящика вынута стандартная деталь (событие А), Р (А) = 8/10 = 0,8. Вероятность того, что из второго ящика вынута стандартная деталь (событие В), Р (В) =7/10 = 0,7.
Вероятность того, что из третьего ящика вынута стандартная деталь (событие С), Р (С) =9/10 = 0,9. Так как события А, В и С независимые в совокупности, то искомая вероятность равна Р (ABC) = Р(А)Р(В)Р(С) = 0,8 • 0,7 • 0,9 = 0,504.
Слайд 35Вероятность появления хотя бы одного события
Теорема. Вероятность появления хотя бы
одного из событий А1, А2, ..., Ап, независимых в совокупности,
равна разности между единицей и произведением вероятностей противоположных событий :
Доказательство. Обозначим через А событие, состоящее в появлении хотя бы одного из событий А1, А2, ..., Ап, События А и (ни одно из событий не наступило) противоположны, следовательно, сумма их вероятностей равна единице:
P(A)+P( )=1.
Отсюда, пользуясь теоремой умножения, получим
P(A)=1- P( )=1-P( )P( )…P( ),
или P(A)=1 — q1q2 ... qn.
Слайд 36Вероятность появления хотя бы одного события
Пример. Вероятности попадания в цель
при стрельбе из трех орудий таковы: р1 = 0,8; р1=
0,7; р3 = 0,9. Найти вероятность хотя бы одного попадания (событие А) при одном залпе из всех орудий.
Решение. Вероятность попадания в цель каждым из орудий не зависит от результатов стрельбы из других орудий, поэтому рассматриваемые события А1 (попадание первого орудия), А2 (попадание второго орудия) и А3 (попадание третьего орудия) независимы в совокупности.
Вероятности событий, противоположных событиям А1, А2, А3, (т. е. вероятности промахов), соответственно равны:
q1=1-p1= 1—0,8 = 0,2; q2=1-p2= 1-0,7 = 0,3;
q3=1-р3= 1-0,9 = 0,1.
Искомая вероятность
Р (A) = 1 — q1q2q3 = 1 — 0,2• 0,3• 0,1 = 0,994.
Слайд 37Вероятность появления хотя бы одного события
Пример. Вероятности попадания в цель
при стрельбе первого и второго орудий соответственно равны: p1 =
0,7; p2 = 0,8. Найти вероятность попадания при одном залпе (из обоих орудий) хотя бы одним из орудий.
Решение. Вероятность попадания в цель каждым из орудий не зависит от результата стрельбы из другого орудия, поэтому события А (попадание первого орудия) и В (попадание второго орудия) независимы.
Вероятность события АВ (оба орудия дали попадание)
Р (АВ)=Р (А) Р (В) = 0,7*0,8 = 0,56.
Искомая вероятность
Р(А+В)=Р(А) + Р(В)—Р(АВ) = 0,7 + 0,8 — 0,56=0,94.
Слайд 38Формула полной вероятности
Теорема. Вероятность события А, которое может наступить лишь
при условии появления одного из несовместных событий B1,В2,.. ., Вп,
образующих полную группу, равна сумме произведений вероятностей каждого из этих событий на соответствующую условную вероятность события А:
Р (A) = Р (B1) (А) + P (В2) (А)+... +Р(Вп) (А).
Эту формулу называют «формулой полной вероятности».
Слайд 39Формула полной вероятности
Пример. Имеется два набора деталей. Вероятность того, что
деталь первого набора стандартна, равна 0,8, а второго—0,9. Найти вероятность
того, что взятая наудачу деталь (из наудачу взятого набора) — стандартная.
Слайд 40Вероятность гипотез. Формулы Бейеса
Пусть событие A может наступить при условии
появления одного из несовместных событий B1,В2,.. ., Вп, образующих полную
группу. Поскольку заранее не известно, какое из этих событий наступит, их называют гипотезами. Вероятность появления события A определяется по формуле полной вероятности:
Р (А) = Р (В1) PB1 (А)+ Р (В2) PB2 (А)+ ...+ Р (Вn) PBn (А).
Допустим, что произведено испытание, в результате которого появилось событие А. Поставим своей задачей определить, как изменились вероятности гипотез, т.е. будем искать условные вероятности РА(В1), РА(В2), ..., РА(Вп).
Найдем сначала условную вероятность Pa(B1).По теореме умножения имеем Р (АВ1) = Р (А) РА (В1) = Р (B1) PB1 (A).
Отсюда
РА (В1)=
Слайд 41Вероятность гипотез. Формулы Бейеса
Аналогично выводятся формулы, определяющие условные вероятности остальных
гипотез, т. е. условная вероятность любой гипотезы Bi (i=1, 2,
..., п) может быть вычислена по формуле
PBi (А) =
Полученные формулы называют формулами Бейеса (по имени английского математика, который их вывел; опубликованы в 1764 г.). Формулы Бейеса позволяют переоценить вероятности гипотез после того, как становится известным результат испытания, в итоге которого появилось событие А.
Слайд 42Вероятность гипотез. Формулы Бейеса
Пример. Детали, изготовляемые цехом завода, попадают для
проверки их на стандартность к одному из двух контролеров. Вероятность
того, что деталь попадает к первому контролеру, равна 0,6, а ко второму — 0,4. Вероятность того, что годная деталь будет признана стандартной первым контролером, равна 0,94, а вторым—0,98. Годная деталь при проверке была признана стандартной. Найти вероятность того, что эту деталь проверил первый контролер.
Решение. Обозначим через А событие, состоящее в том, что годная деталь признана стандартной. Можно сделать два предположения:
1)деталь проверил первый контролер (гипотеза B1);
2)деталь проверил второй контролер (гипотеза В2). Искомую вероятность того, что деталь проверил первый контролер, найдем по формуле Бейеса.
Слайд 43Вероятность гипотез. Формулы Бейеса
По условию задачи имеем:
Р(В1)=0,6 (вероятность того,
что деталь попадает к первому контролеру);
P(В2) = 0,4 (вероятность
того, что деталь попадет ко второму контролеру);
(A)= 0,94 (вероятность того, что годная деталь будет признана первым контролером стандартной);
(А) = 0,98 (вероятность того, что годная деталь будет признана вторым контролером стандартной).
Искомая вероятность
РА (В1)= (0,6*0,94)/(0,6*0,94 + 0,4*0,98) ≈ 0,59.
PB1
PB2
Слайд 44Формула Бернулли
Пусть производится п независимых испытаний, в каждом из которых
событие А может появиться либо не появиться. Условимся считать, что
вероятность события А в каждом испытании одна и та же, а именно равна р. Следовательно, вероятность ненаступления события А в каждом испытании также постоянна и равна q=1— p.
Поставим перед собой задачу вычислить вероятность того, что при п испытаниях событие А осуществится ровно k раз и, следовательно, не осуществится п—k раз. Важно подчеркнуть, что не требуется, чтобы событие А повторилось ровно к раз в определенной последовательности.
Слайд 45Формула Бернулли
Вероятность одного сложного события, состоящего в том, что в
п испытаниях событие А наступит k раз и не наступит
п—k раз, по теореме умножения вероятностей независимых событий равна pkqn-k. Таких сложных событий может быть столько, сколько можно составить сочетаний из п элементов по k элементов, т. е. . Так как эти сложные события несовместны, то по теореме сложения вероятностей несовместных событий искомая вероятность равна сумме вероятностей всех возможных сложных событий. Поскольку же вероятности всех этих сложных событий одинаковы, то искомая вероятность (появления k раз события А в п испытаниях) равна вероятности одного сложного события, умноженной на их число: Pn(k)=
или Pn(k)=
Полученную формулу называют формулой Бернулли.
Слайд 46Формула Бернулли
Пример. Вероятность того, что расход электроэнергии в продолжение одних
суток не превысит установленной нормы, равна р=0,75. Найти вероятность того,
что в ближайшие 6 суток расход электроэнергии в течение 4 суток не превысит нормы.
Решение. Вероятность нормального расхода электроэнергии в продолжение каждых из 6 суток постоянна и равна р = 0,75. Следовательно, вероятность перерасхода электроэнергии в каждые сутки также постоянна и равна q=1-p=1—0,75=0,25.
Искомая вероятность по формуле Бернулли равна
P6 (4)= p4q2= (0,75)4*(0,25)2 = 0,30.
Слайд 47Локальная теорема Лапласа
Если вероятность р появления события А в каждом
испытании постоянна и отлична от нуля и единицы, то вероятность
Рn (k) того, что событие А появится в п испытаниях ровно k раз, приближенно равна (тем точнее, чем больше п) значению функции
y=
при x= (k-np)/ .
Имеются таблицы с значениями функции ϕ (х)= ,
соответствующие положительным значениям аргумента х. Для отрицательных значений аргумента пользуются теми же таблицами, так как функция (х) четна, т. е. ϕ (-х)= ϕ (х).
Итак, вероятность того, что событие А появится в п независимых испытаниях ровно k раз, приближенно равна
Pn(k) ≈ где x = (k — np)/
.
Слайд 48Локальная теорема Лапласа
Пример. Найти вероятность того, что событие А наступит
ровно 80 раз в 400 испытаниях, если вероятность появления этого
события в каждом испытании равна 0,2.
Решение. По условию, п = 400; k = 80; р = 0,2; q = 0,8. Воспользуемся асимптотической формулой Лапласа:
Р400(80)
Вычислим определяемое данными задачи значение х:
x=(k- пр)/ x = (80 — 400• 0,2)/8 = 0.
По таблице находим ϕ(0) = 0,3989.
Искомая вероятность
P400(80) = (1/8) • 0,3989 = 0,04986.
Формула Бернулли приводит примерно к такому же результату P400(80) = 0,0498.
Слайд 49Интегральная теорема Лапласа
Если вероятность р наступления события А в каждом
испытании постоянна и отлична от нуля и единицы, то вероятность
Рп (k1, k2) того, что событие А появится в п испытаниях от k1 до k2 раз, приближенно равна определенному интегралу
Pn(k1,k2) ≈ (*)
где x' =(k1—np)/ и x′′=k2—np)/
При решении задач, требующих применения интегральной теоремы Лапласа, пользуются специальными таблицами, так как неопределенный интеграл не выражается через
элементарные функции. В таблице даны значения функции
Ф(х) = для положительных значений х и для х = 0;
для х < 0 пользуются той же таблицей (Ф(—х) = — Ф(х)). В
таблице приведены значения интеграла лишь до х=5так как для х > 5 можно принять Ф(x) = 0,5. Функцию Ф(х) часто называют функцией Лапласа.
Слайд 50Интегральная теорема Лапласа
Для того чтобы можно было пользоваться таблицей функции
Лапласа, преобразуем соотношение (*) так:
Pn(k1,k2)
+ = -
= Ф(x”)- Ф(x’).
Итак, вероятность того, что событие А появится в п независимых испытаниях от k1 до k2 раз
Pn(k1,k2) Ф(x”)- Ф(x’)
где х' = (k1 — пр)/ и x" = (k2—np)/ .
Интегральную теорему Лапласа можно записать и так:
Слайд 51Интегральная теорема Лапласа
Пример. Вероятность того, что деталь не прошла проверку
ОТК, равна р = 0,2. Найти вероятность того, что среди
400 случайно отобранных деталей окажется непроверенных от 70 до 100 деталей.
Решение. По условию, р = 0,2; q = 0,8; п = 400; k1 = 70; k2=100. Воспользуемся интегральной теоремой Лапласа:
Р400 (70, 100) Ф (х")-Ф (х').
Вычислим нижний и верхний пределы интегрирования:
х’= х"=
Таким образом, имеем
Р400(70, 100) = Ф(2,5)-Ф(-1,25) = Ф(2,5) + Ф(1,25).
По таблице находим: Ф (2,5) =0,4938; Ф (1,25) =0,3944.
Искомая вероятность
P400 (70, 100) =0,4938+ 0,3944 = 0,8882.
Слайд 52Вероятность отклонения относительной частоты от постоянной вероятности в независимых испытаниях
Производится
п независимых испытаний, в каждом из которых вероятность появления события
А постоянна и равна р (0<р<1). Поставим перед собой задачу найти вероятность того, что отклонение относительной частоты т/п от постоянной вероятности р по абсолютной величине не превышает заданного числа e> 0. Другими словами, найдем вероятность осуществления неравенства |т/п-p| ε (*)
Эту вероятность будем обозначать так: Р(|т/п-p| ε). Заменим неравенство (*) ему равносильными:
- ε m/n-p ε или — ε (т — пр)/п ε .
Слайд 53Вероятность отклонения относительной частоты от постоянной вероятности в независимых испытаниях
Слайд 54Вероятность отклонения относительной частоты от постоянной вероятности в независимых испытаниях
Слайд 55Случайная величина
Случайной называют величину, которая в результате испытания примет одно
и только одно возможное значение, наперед не известное и зависящее
от случайных причин, которые заранее не могут быть учтены.
Пример. Число родившихся мальчиков среди ста новорожденных есть случайная величина, которая имеет следующие возможные значения: 0, 1, 2, ..., 100.
Пример. Расстояние, которое пролетит снаряд при выстреле из орудия, есть случайная величина. Действительно, расстояние зависит не только от установки прицела, но и от многих других причин (силы и направления ветра, температуры и т. д.), которые не могут быть полностью учтены. Возможные значения этой величины принадлежат некоторому промежутку (а, b).
Будем далее обозначать случайные величины прописными буквами X, Y, Z, а их возможные значения — соответствующими строчными буквами х, у, z.
Слайд 56Дискретные и непрерывные случайные величины
Дискретной (прерывной) называют случайную величину, которая
принимает отдельные, изолированные возможные значения с определенными вероятностями. Число возможных
значений дискретной случайной величины может быть конечным или бесконечным.
Непрерывной называют случайную величину, которая может принимать все значения из некоторого конечного или бесконечного промежутка. Очевидно, число возможных значений непрерывной случайной величины бесконечно.
Слайд 57Закон распределения вероятностей
дискретной случайной величины
Законом распределения дискретной случайной величины
называют соответствие между возможными значениями и их вероятностями; его можно
задать таблично, аналитически (в виде формулы) и графически.
При табличном задании закона распределения дискретной случайной величины первая строка таблицы содержит возможные значения, а вторая — их вероятности:
Приняв во внимание, что в одном испытании случайная величина принимает одно и только одно возможное значение, заключаем, что события X = х1, X = х2, . .., X = хп образуют полную группу; следовательно, сумма вероятностей этих событий, т. е. сумма вероятностей второй строки таблицы, равна единице p1+p2+ …+pn=1.
Слайд 58Закон распределения вероятностей
дискретной случайной величины
Если множество возможных значений X
бесконечно (счетно), то ряд p1+p2+ … сходится и его сумма
равна единице.
Пример. В денежной лотерее выпущено 100 билетов. Разыгрывается один выигрыш в 50 руб. и десять выигрышей по 1 руб. Найти закон распределения случайной величины X — стоимости возможного выигрыша для владельца одного лотерейного билета.
Решение. Напишем возможные значения X: x1 = 50, x2= 1, x3 = 0. Вероятности этих возможных значений таковы: p1=0,01, p2=0,01,p3=1-(p1+p2)=0,89.
Напишем искомый закон распределения:
Контроль: 0,01+0,1+0,89=1.
Слайд 59Закон распределения вероятностей
дискретной случайной величины
Для наглядности закон распределения дискретной
случайной величины можно изобразить и графически, для чего в прямоугольной
системе координат строят точки (xi pi), а затем соединяют их отрезками прямых. Полученную фигуру называют многоугольником распределения.
Слайд 60Биномиальное распределение
Пусть производится п независимых испытаний, в каждом из которых
событие А может появиться либо не появиться. Вероятность наступления события
во всех испытаниях постоянна и равна р (следовательно, вероятность непоявления q=1—р). Рассмотрим в качестве дискретной случайной величины X число появлений события А в этих испытаниях.
Найдем закон распределения величины X. Для ее решения требуется определить возможные значения X и их вероятности. Очевидно, событие А в п испытаниях может либо не появиться, либо появиться 1 раз, либо 2 раза, ..., либо п раз. Таким образом, возможные значения X таковы: х1 = 0, x2=1, х3= 2, ..., хп+1 = п. Воспользуемся формулой Бернулли: Pn(k)= (*)
где k = 0, 1, 2, .... п.
Слайд 61Биномиальное распределение
Биномиальным называют распределение вероятностей, определяемое формулой Бернулли. Закон назван
«биномиальным» потому, что правую часть равенства (*) можно рассматривать как
общий член разложения бинома Ньютона:
(p + q)n = pn+ pn-1q +… + pkqn-k+…+ qn
Таким образом, первый член разложения рп определяет вероятность наступления рассматриваемого события п раз в п независимых испытаниях; второй член npn-1q определяет вероятность наступления события п—1 раз; . . .; последний член qn определяет вероятность того, что событие не появится ни разу.
Слайд 63Распределение Пуассона
Пусть производится п независимых испытаний, в каждом из которых
вероятность появления события А равна р. Для определения вероятности k
появлений события в этих испытаниях используют формулу Бернулли. Если же п велико, то пользуются асимптотической формулой Лапласа. Однако эта формула непригодна, если вероятность события мала (р 0,1). В этих случаях (п велико, р мало) прибегают к асимптотической формуле Пуассона.
Сделаем важное допущение: произведение пр сохраняет постоянное значение, а именно пр = λ . Это означает, что среднее число появлений события в различных сериях испытаний, т. е. при различных значениях п, остается неизменным.
Слайд 64Распределение Пуассона
Воспользуемся формулой Бернулли.
Pn(k)=
Так как рп =λ , то
р=λ /п. Следовательно,
Pn(k)=
Приняв во внимание, что п имеет очень
большое значение, вместо Рn (к) найдем Pn (k). При этом будет найдено лишь приближенное значение отыскиваемой вероятности: п хотя и велико, но конечно, а при отыскании предела мы устремим п к бесконечности.
Слайд 66Распределение Пуассона
Пример. Завод отправил на базу 5000 доброкачественных изделий. Вероятность
того, что в пути изделие повредится, равно 0,0002. Найти вероятность
того, что на базу прибудут 3 негодных изделия.
Решение. По условию, n = 5000, р = 0,0002, k = 3.
Найдем : λ=np=5000* 0,0002=1.
По формуле Пуассона искомая вероятность приближенно равна
P5000(3)= =e-1/3!=1/6e =0,06.
Слайд 67Простейший поток событий
Потоком событий называют последовательность событий, которые наступают в
случайные моменты времени. Примерами потоков служат: поступление вызовов на АТС,
на прибытие самолетов в аэропорт и многие другие.
Свойство стационарности характеризуется тем, что вероятность появления k событий на любом промежутке от времени зависит только от числа k и от длительности t промежутка и не зависит от начала его отсчета; при этом различные промежутки времени предполагаются непересекающимися. Например, вероятности появления k событий на промежутках времени (1; 7), (10; 16), (Т; T + 6) одинаковой длительности t = 6 ед. времени равны между собой. Если поток обладает свойством, стационарности, то вероятность появления k событий за промежуток времени длительности t есть функция, зависящая только от k и t.
Слайд 68Простейший поток событий
Свойство отсутствия последействия характеризуется тем, что вероятность появления
k событий на любом промежутке времени не зависит от того,
появлялись или не появлялись события в моменты времени, предшествующие началу рассматриваемого промежутка. Другими словами, условная вероятность появления k событий на любом промежутке времени, вычисленная при любых предположениях о том, что происходило до начала рассматриваемого промежутка (сколько событий появилось, в какой последовательности), равна безусловной вероятности. Таким образом, предыстория потока не сказывается на вероятности появления событий в ближайшем будущем.
Если поток обладает свойством отсутствия последействия, то имеет место взаимная независимость появлений того или иного числа событий в непересекающиеся промежутки времени.
Слайд 69Простейший поток событий
Свойство ординарности характеризуется тем, что появление двух и
более событий за малый промежуток времени практически невозможно. Другими словами,
вероятность появления более одного события пренебрежимо мала по сравнению с вероятностью появления только одного события.
Итак, если поток обладает свойством ординарности, то за бесконечно малый промежуток времени может появиться не более одного события.
Простейшим (пуассоновским) называют поток событий, который обладает свойствами стационарности, отсутствия последействия и ординарности.
Слайд 70Простейший поток событий
Интенсивностью потока называют среднее число событий, которые появляются
в единицу времени.
Можно доказать, что если постоянная интенсивность потока известна,
то вероятность появления k событий простейшего потока за время длительностью t определяется формулой Пуассона Pt (k)= .
Эта формула отражает все свойства простейшего потока.
Слайд 71Геометрическое распределение
Пусть производятся независимые испытания, в каждом из которых вероятность
появления события А равна р (0 < р < 1)
и, следовательно, вероятность его непоявления q=1—р. Испытания заканчиваются, как только появится событие А. Таким образом, если событие А появилось в k-м испытании, то в предшествующих k—1 испытаниях оно не появлялось.
Обозначим через X дискретную случайную величину — число испытаний, которые нужно провести до первого появления события А. Очевидно, возможными значениями X являются натуральные числа: x1=1, х2=2, … Пусть в первых k -1 испытаниях событие А не наступило, а в k-м испытании появилось. Вероятность этого «сложного события», по теореме умножения вероятностей независимых событий, P(X=k)=qk-1p. Полагая k=1,2, ... , получим геометрическую прогрессию с первым членом р и знаменателем q (0< q<1): p,qp,q2p, … ,qk-1p,… По этой причине распределение называют геометрическим.
Слайд 72Геометрическое распределение
Пример. Из орудия производится стрельба по цели до первого
попадания. Вероятность попадания в цель р = 0,6. Найти вероятность
того, что попадание произойдет при третьем выстреле.
Решение. По условию, р=0,6, q = 0,4, k=3. Искомая вероятность по формуле
P= qk-1p =042* 0,6 = 0,096.
Слайд 73Числовые характеристики дискретных случайных величин
Математическим ожиданием дискретной случайной величины называют
сумму произведений всех ее возможных значений на их вероятности.
Пусть случайная
величина X может принимать только значения х1, х2, ..., хп, вероятности которых соответственно равны р1, р2, . . ., рп. Тогда математическое ожидание М (X) случайной величины X определяется равенством
М (X) = х1р1 + х2р2 + … + xnpn.
Если дискретная случайная величина X принимает счетное множество возможных значений, то
М(Х)=
причем математическое ожидание существует, если ряд в правой части равенства сходится абсолютно.
Слайд 74Числовые характеристики дискретных случайных величин
Найти математическое ожидание случайной величины X,
зная закон ее распределения:
Решение. Искомое математическое ожидание равно сумме
произведений всех возможных значений случайной величины на их вероятности:
M(X)=3*0,1+5*0,6+2*0,3=3,9.
Слайд 75Вероятностный смысл математического ожидания
Математическое ожидание приближенно равно (тем точнее, чем
больше число испытаний) среднему арифметическому наблюдаемых значений случайной величины. Замечание
1. Легко сообразить, что математическое ожидание больше наименьшего и меньше наибольшего возможных значений. Другими словами, на числовой оси возможные значения расположены слева и справа от математического ожидания. В этом смысле математическое ожидание характеризует расположение распределения и поэтому его часто называют центром распределения.
Этот термин заимствован из механики: если массы р1, р2, ..., рп расположены в точках с абсциссами x1, х2,..., хn, причем если то абсцисса центра тяжести xc=
Учитывая, что = M (X) и получим М(Х) = хс.
Математическое ожидание - абсцисса центра тяжести системы материальных точек, абсциссы которых равны возможным значениям случайной величины, а массы — их вероятностям.
Слайд 76Свойства математического ожидания
Свойство 1. Математическое ожидание постоянной величины равно самой
постоянной: М (С) = С.
Доказательство. Будем рассматривать постоянную С как
дискретную случайную величину, которая имеет одно возможное значение С и принимает его с вероятностью р = 1. Следовательно, М (С) = С*1= С.
Свойство 2. Постоянный множитель можно выносить за знак математического ожидания.
Свойство 3. Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий. Следствие. Математическое ожидание произведения нескольких взаимно независимых случайных величин равно произведению их математических ожиданий. Например, для трех случайных величин имеем:
М (XYZ) = М (XY*Z) = M (XY) M(Z) = M (X) М (Y) M(Z)
Слайд 77Свойства математического ожидания
Свойство 4. Математическое ожидание суммы двух случайных величин
равно сумме математических ожиданий слагаемых: М (X + Y)
= М (X) + М (Y).
Пример. Производится 3 выстрела с вероятностями попадания в цель, равными р1 = 0,4; р2 = 0,3 и р3 =0,6. Найти математическое ожидание общего числа попаданий.
Решение. Число попаданий при первом выстреле есть случайная величина X1 которая может принимать только два значения: 1 (попадание) с вероятностью р1 = 0,4 и 0 (промах) с вероятностью q=1—0,4 = 0,6. Математическое ожидание числа попаданий при первом выстреле равно вероятности попадания, т. е. М (X1) = 0,4. Аналогично математические ожидания числа попаданий при 2 и 3 выстрелах: М(Х2)=0,3, М (Х3) = 0,6. Общее число попаданий есть также случайная величина, состоящая из суммы попаданий в каждом из трех выстрелов: X = X1 + Х2 + Х3.Искомое математическое ожидание находим по теореме о математическом ожидании суммы: М (X) = M(X1+Х2+ X3) = М (Х1)+ М (Х2) + М (Х3) = 0,4+0,3+0,6=1,3 (попаданий).
Слайд 78Математическое ожидание числа появлений события в независимых испытаниях
Пусть производится п
независимых испытаний, в каждом из которых вероятность появления события А
постоянна и равна р. Чему равно среднее число появлений события А в этих испытаниях?
Теорема. Математическое ожидание М (X) числа появлений события А в п независимых испытаниях равно произведению числа испытаний на вероятность появления события в каждом испытании: M(X)=np.
Пример. Вероятность попадания в цель при стрельбе из орудия р = 0,6. Найти математическое ожидание общего числа попаданий, если будет произведено 10 выстрелов.
Решение. Попадание при каждом выстреле не зависит от исходов других выстрелов, поэтому рассматриваемые события независимы и, следовательно, искомое математическое ожидание М (Х)=пр = 10*0,6 = 6 (попаданий).
Слайд 79Дисперсия дискретной случайной величины
Пусть Х - случайная величина и М
(X) — ее математическое ожидание. Рассмотрим в качестве новой случайной
величины разность X—М(Х).
Отклонением называют разность между случайной величиной и ее математическим ожиданиям.
Пусть закон распределения X известен:
Слайд 80Дисперсия дискретной случайной величины
Напишем закон распределения отклонения. Для того чтобы
отклонение приняло значение х1-М (X), достаточно, чтобы случайная величина приняла
значение х1. Вероятность же этого события равна р1; следовательно, и вероятность того, что отклонение примет значение x1—М (X), также равна р1. Аналогично обстоит дело и для остальных возможных значений отклонения.
Слайд 81Дисперсия дискретной случайной величины
Теорема. Математическое ожидание отклонения равно нулю:
М[Х—М(Х)] = 0.
Пример. Задан закон распределения дискретной случайной величины X:
Убедиться,
что математическое ожидание отклонения равно нулю. Решение. Найдем математическое ожидание X: М (Х)=1 •0,2 + 2•0,8= 1,8.
Найдем возможные значения отклонения, для чего из возможных значений X вычтем математическое ожидание М(Х): 1 - 1,8 = - 0,8; 2 - 1,8 = 0,2.
Слайд 82Дисперсия дискретной случайной величины
Напишем закон распределения отклонения:
Найдем математическое ожидание отклонения:
М
[Х — М (Х)] = (—0,8) • 0,2 + 0,2•0,8
= 0.
Итак, математическое ожидание отклонения равно нулю, как и должно быть.
Замечание. Наряду с термином «отклонение» используют термин «центрированная величина». Центрированной случайной величиной X называют разность между случайной величиной и ее математическим ожиданием:
Х = Х — М(Х).
Слайд 83Дисперсия дискретной случайной величины
На практике часто требуется оценить рассеяние возможных
значений случайной величины вокруг ее среднего значения. Например, в артиллерии
важно знать, насколько кучно лягут снаряды вблизи цели, которая должна быть поражена. На первый взгляд может показаться, что для оценки рассеяния проще всего вычислить все возможные значения отклонения случайной величины и затем найти их среднее значение. Однако такой путь ничего не даст, так как среднее значение отклонения, т. е. М [X — М (X)], для любой случайной величины равно нулю.
Дисперсией (рассеянием) дискретной случайной величины называют математическое ожидание квадрата отклонения случайной величины от ее математического ожидания:D(X) = M[X — M(X)]2
Слайд 84Дисперсия дискретной случайной величины
Пусть случайная величина задана законом распределения
Тогда квадрат
отклонения имеет следующий закон распределения:
По определению дисперсии,
D(X) = M [Х
— М (X)]2 = [xi-M (X)]2pl + [x2-M (X)]2 р2 + ... +[хп-М (Х)]2рп.
Таким образом, для того чтобы найти дисперсию, достаточно вычислить сумму произведений возможных значений квадрата отклонения на их вероятности.
Слайд 85Дисперсия дискретной случайной величины
Пример. Найти дисперсию случайной величины X, которая
задана следующим законом распределения:
Решение. Найдем математическое ожидание:
M(X)=1*0,3+2*0,5+5*0,2=2,3
Найдем все возможные значения
квадрата отклонения:
[х1 — М(Х)]2 = (1 — 2,3)2 = 1,69;
[х2 — М(Х)]2 = (2 — 2,3)2 = 0,09;
[х3 — М(Х)]2 = (5 — 2,3)2 = 7,29;
Напишем закон распределения квадрата отклонения:
Слайд 86Дисперсия дискретной случайной величины
По определению,
D(X)=l,69*0,3 + 0,09*0,5 + 7,29*0,2 =
2,01.
Формула для вычисления дисперсии
Теорема. Дисперсия равна разности между математическим ожиданием
квадрата случайной величины X и квадратом ее математического ожидания:
D (X) = М (X2) — [M (X)]2.
Слайд 87Свойства дисперсии
Свойство 1. Дисперсия постоянной величины С равна нулю: D
(С) = 0.
Свойство 2. Постоянный множитель можно выносить за
знак дисперсии, возводя его в квадрат: D(CX)=C2D(X).
Свойство 3. Дисперсия суммы двух независимых случайных величин равна сумме дисперсий этих величин:
D(X + Y) = D(X) + D(Y).
Следствие 1. Дисперсия суммы нескольких взаимно независимых случайных величин равна сумме дисперсий этих величин. Например, для трех слагаемых имеем
D(X+Y+Z)=D[X+(Y+Z)]=D(X)+D(Y+Z)=D(X)+D(Y)+D(Z)
Следствие 2. Дисперсия суммы постоянной величины и случайной равна дисперсии случайной величины:
D(C+X)=D(X).
Слайд 88Свойства дисперсии
Свойство 4. Дисперсия разности двух независимых случайных величин равна
сумме их дисперсий:
D(X-Y)=D(X)+D(Y).
Дисперсия числа появлений события в независимых испытаниях
Теорема. Дисперсия
числа появлений события А в п независимых испытаниях, в каждом из которых вероятность р появления события постоянна, равна произведению числа испытаний на вероятности появления и непоявления события в одном испытании:
D(X) = npq.
Слайд 89
Пример. Производятся 10 независимых испытаний, в каждом из которых вероятность
появления события равна 0,6. Найти дисперсию случайной величины X—числа появлений
события в этих испытаниях.
Решение. По условию, n =10, р = 0,6. Очевидно, вероятность непоявления события
q =1—0,6 = 0,4.
Искомая дисперсия
D(X) = npq = 10 • 0,6• 0,4 = 2,4.
Слайд 90Среднее квадратическое отклонение
Средним квадратическим отклонением случайной величины X называют квадратный
корень из дисперсии:
s(X)=
Легко показать, что дисперсия имеет размерность, равную
квадрату размерности случайной величины. Так как среднее квадратическое отклонение равно квадратному корню из дисперсии, то размерность s (X) совпадает с размерностью X. Поэтому в тех случаях, когда желательно, чтобы оценка рассеяния имела размерность случайной величины, вычисляют среднее квадратическое отклонение, а не дисперсию. Например, если X выражается в линейных метрах, то а (X) будет выражаться также в линейных метрах, a D (X) — в квадратных метрах.
Слайд 91Среднее квадратическое отклонение
Пример. Случайная величина X задана законом распределения
Найти среднее
квадратическое отклонение s (X).
Решение. Найдем математическое ожидание X:
М (Х) =
2*0,1 +3*0,4+10*0,5 = 6,4.
Найдем математическое ожидание X2:
М (Х2) = 22*0,1+32*0,4+102*0,5 = 54.
Найдем дисперсию:
D (X) = М (X2) — [М (X)]2 = 54 — 6,42 = 13,04.
Искомое среднее квадратическое отклонение
s(X)= =
Слайд 92
Среднее квадратическое отклонение суммы взаимно независимых случайных величин
Теорема. Среднее квадратическое
отклонение суммы конечного числа взаимно независимых случайных величин равно квадратному
корню из суммы квадратов средних квадратических отклонений этих величин:
s (X1+X2+…+Xn)=
Рассмотрим связь между числовыми характеристиками среднего арифметического X и соответствующими характеристиками каждой отдельной величины.
1. Математическое ожидание среднего арифметического одинаково распределенных взаимно независимых случайных, величин равно математическому ожиданию а каждой из величин:
M( )=a
Слайд 93
2. Дисперсия среднего арифметического п одинаково распределенных взаимно независимых случайных
величии в п раз меньше дисперсии D каждой из величин:
D(
)=D/n. (*)
3. Среднее квадратическое отклонение среднего арифметического п одинаково распределенных взаимно независимых случайных величин в раз меньше среднего квадратического отклоненияs каждой из величин:
s( )=s / . (**)
Слайд 94Начальные и центральные теоретические моменты
Начальным моментом порядка k случайной величины
X называют математическое ожидание величины Xk:
vk = M(X).
В частности,
v1 =
M(X), v2 = M(X2).
Пользуясь этими моментами, формулу для вычисления дисперсии D(X) = M(X2) — [М (X)]2 можно записать так:
D(X)= v2 – . (*)
Центральным моментом порядка k случайной величины X называют математическое ожидание величины (Х-М(Х))k: В частности, (**)
(***)
Сравнивая (*) и (***), получим m2= v2 – .
m3= v3 – 3 v2 v1+2 ,
m4= v4 – 4 v3 v1 +6 v2 +3
Слайд 95ЗАКОН БОЛЬШИХ ЧИСЕЛ. Неравенство Чебышева
Неравенство Чебышева. Вероятность того, что отклонение
случайной величины X от ее математического ожидания по абсолютной величине
меньше положительного числа e, не меньше, чем 1—D (Х)/ ε 2:
Р(|Х —М(Х)|< ε ) 1—D(X)/ ε 2.
Теорема Чебышева. Если Х1, Х2,…, Хn, ...—попарно независимые случайные величины, причем дисперсии их равномерно ограничены (не превышают постоянного числа С), то, как бы мало ни было положительное число ε, вероятность неравенства
будет как угодно близка к единице, если число случайных величин достаточно велико.
Слайд 96Теорема Чебышева
Таким образом, теорема Чебышева утверждает, что если рассматривается достаточно
большое число независимых случайных величин, имеющих ограниченные дисперсии, то почти
достоверным можно считать событие, состоящее в том, что отклонение среднего арифметического случайных величин от среднего арифметического их математических ожиданий будет по абсолютной величине сколь угодно малым.
Итак, среднее арифметическое достаточно большого числа независимых случайных величин (дисперсии которых равномерно ограничены) утрачивает характер случайной величины.
Слайд 97Теорема Бернулли
Если в каждом из п независимых испытаний вероятность р
появления события А постоянна, то как угодно близка к единице
вероятность того, что отклонение относительной частоты от вероятности р по абсолютной величине будет сколь угодно малым, если число испытаний достаточно велико.
Другими словами, если ε — сколь угодно малое положительное число, то при соблюдении условий теоремы имеет место равенство
Теорема Бернулли утверждает, что при относительная частота стремится по вероятности к р. Коротко теорему Бернулли записывают так:
Слайд 98ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ
Пусть х—действительное число. Вероятность события, состоящего
в том, что X примет значение, меньшее х, т. е.
вероятность события X < х, обозначим через F (х). Разумеется, если х изменяется, то, вообще говоря, изменяется и F(x), т.е. F (х)—функция от х.
Функцией распределения называют функцию F(x), определяющую вероятность того, что случайная величина X в результате испытания примет значение, меньшее х, т. е.
F(x)=P(X < х).
Геометрически это равенство можно истолковать так: F (х) есть вероятность того, что случайная величина примет значение, которое изображается на числовой оси точкой, лежащей левее точки х.
Слайд 99Свойства функции распределения
Свойство 1. Значения функции распределения принадлежат отрезку [0,
1]: 0 ≤ F (х) ≤ 1.
Свойство 2. F
(х) - неубывающая функция, т. е. F (x2) ≥ F (х1), если х2 > х1.
Следствие 1. Вероятность того, что случайная величина примет значение, заключенное в интервале (а, b), равна приращению функции распределения на этом интервале:
P(a ≤ X
Следствие 2. Вероятность того, что непрерывная случайная величина X примет одно определенное значение, равна нулю.
Свойство 3. Если возможные значения случайной величины принадлежат интервалу (а, b), то: 1) F(x) = 0 при х≤ а;
2) F(x)=1 при х≥b.
Слайд 100Свойства функции распределения
Следствие. Если возможные значения непрерывной случайной величины расположены
на всей оси х, то справедливы следующие предельные соотношения:
Слайд 101График функции распределения
Cвойства позволяют представить, как выглядит график функции распределения
непрерывной случайной величины.
График расположен в полосе, ограниченной прямыми y =
0, у=1 (первое свойство).
При возрастании х в интервале (а,b), в котором заключены все возможные значения случайной величины, график «подымается вверх» (второе свойство).
При х ≤ а ординаты графика равны нулю; при x≥ b ординаты графика равны единице (третье свойство).
Слайд 102График функции распределения
Пример. Дискретная случайная величина X задана таблицей распределения
Найти
функцию распределения и вычертить ее график.
Решение. Если х≤1, то
F(x)=0 (третье свойство). Если 1< х ≤ 4, то F(х)=0,3. Действительно, X может принять значение 1 с вероятностью 0,3. Если 4 < х ≤ 8, то F (х)=0,4. Действительно, если х1 удовлетворяет неравенству 4 < x1 ≤ 8, то F (x1) равно вероятности события X < х1, которое может быть осуществлено, когда X примет значение 1 (вероятность этого события равна 0,3) или значение 4 (вероятность этого события равна 0,1). Поскольку эти два события несовместны, то по теореме сложения вероятность события X < х1 равна сумме вероятностей 0,3 + 0,1=0,4. Если х > 8, то F(x) = 1.
Слайд 104Определение плотности распределения
Плотностью распределения вероятностей непрерывной случайной величины X называют
функцию f (х) - первую производную от функции распределения F
(х):
f (х) = F' (х).
Из этого определения следует, что функция распределения является первообразной для плотности распределения.
Вероятность попадания непрерывной случайной величины в заданный интервал
Теорема. Вероятность того, что непрерывная случайная величина X примет значение, принадлежащее интервалу (а, b), равна определенному интегралу от плотности распределения, взятому в пределах от а до b:
Р(а<Х
Слайд 105
Пример. Задана плотность вероятности случайной величины X
Найти вероятность того, что
в результате испытания X примет значение, принадлежащее интервалу (0,5; 1).
Решение. Искомая вероятность
Р (0,5 < X < 1)=
Слайд 106Нахождение функции распределения по известной плотности распределения
Зная плотность распределения f(х),
можно найти функцию распределения F (х) по формуле F(x) =
Действительно, мы обозначили через F (х) вероятность того, что случайная величина примет значение, меньшее х, т. е. F(x) = P(X
Полагая в формуле (*) а=- ∞, b = х, имеем
Р(- ∞< X < х) =
Наконец, заменив Р (- ∞< X < х) на F (х), в силу (*), окончательно получим F(x) =
Разумеется, по известной функции распределения может
быть найдена плотность распределения, а именно:
f(x)=F’(x).
Слайд 107Свойства плотности распределения
Свойство 1. Плотность распределения - неотрицательная функция: f(x)≥0.
Геометрически
это свойство означает, что точки, принадлежащие графику плотности распределения, расположены
либо над осью Ох, либо на этой оси.
График плотности распределения называют кривой распределения.
Свойство 2. Несобственный интеграл от плотности распределения в пределах от - до равен единице:
Геометрически это означает, что вся площадь криволинейной трапеции, ограниченной осью Ох и кривом распределения, равна единице. В частности, если все возможные значения случайной величины принадлежат интервалу (а, b), то
Слайд 109Вероятностный смысл плотности распределения
Пусть F (х)—функция распределения непрерывной случайной величины
X. По определению плотности распределения, f (х) = F' (х),
или в иной форме
Как уже известно, разность F(x+Δ x) - F (х) определяет вероятность того, что X примет значение, принадлежащее интервалу (х, x+ Δ x). Предел отношения вероятности того, что непрерывная случайная величина примет значение, принадлежащее интервалу (х,x+ Δ x), к длине этого интервала (при x-> 0) равен значению плотности распределения в точке х.
р (х) = Исходя из этого можно рассматривать значение функции f (х) в точке x как плотность вероятности в
этой точке.
Слайд 110Закон равномерного распределения вероятностей
Плотности распределений непрерывных случайных величин называют также
законами распределений.
Распределение вероятностей называют равномерным, если на интервале, которому принадлежат
все возможные значения случайной величины, плотность распределения сохраняет постоянное значение.
Слайд 111Числовые характеристики непрерывных случайных величин
Математическим ожиданием непрерывной случайной величины- X,
Возможные значения которой принадлежат отрезку [a,b], называют определенный интеграл
M(X)=
Если возможные значения принадлежат всей оси Ох, то
M(X)=
Дисперсией непрерывной случайной величины называют
математическое ожидание квадрата ее отклонения. Если возможные значения X принадлежат отрезку[a,b], то
D(X)= ,
если возможные значения принадлежат всей оси х, то
D(X)=
Слайд 112Числовые характеристики непрерывных случайных величин
Среднее квадратическое отклонение непрерывной случайной величины
определяется, как и для величины дискретной, равенством σ(X)=
Слайд 113Нормальное распределение
Нормальным называют распределение вероятностей непрерывной случайной величины, которое описывается
плотностью
Нормальное распределение определяется двумя параметрами: а и σ. Достаточно знать
эти параметры, чтобы задать нормальное распределение.
М(Х) = а, т. е. математическое ожидание нормального распределения равно параметру а.
Среднее квадратическое отклонение нормального распределения равно параметру σ.
График плотности нормального распределения называют нормальной кривой (кривой Гаусса). Исследуем функцию
y=
Слайд 114Нормальное распределение
Очевидно, функция определена на всей оси х.
При всех значениях
х функция
принимает положительные значения,
т. е. нормальная кривая расположена
над осью Ох.
Предел функции при неограниченном
возрастании х (по абсолютной величине) равен нулю:
т. е. ось Ох служит горизонтальной асимптотой графика.
При х = а функция имеет максимум, равный
Разность х-а содержится в аналитическом выражении функции в квадрате, т. е. график функции симметричен относительно прямой х= а.
Точки графика (а- σ, 1/ ( e)) и (а + σ, 1/( e)) являются точками перегиба.
Слайд 115Вероятность попадания в заданный интервал нормальной случайной величины
Если случайная величина
X задана плотностью распределения f (х), то вероятность того, что
X примет значение, принадлежащее интервалу (a,b), такова:
P(α
(a,b), равна P(α
Слайд 116Вероятность попадания в заданный интервал нормальной случайной величины
Пользуясь функцией Лапласа
окончательно
получим
Пример. Случайная величина X распределена по нормальному закону. Математическое ожидание
и среднее квадратическое отклонение этой величины соответственно равны 30 и 10. Найти вероятность, того, что X примет значение, принадлежащее интервалу (10, 50).
Решение. По условию, α=10, β=50, а = 30, σ =10,
следовательно, P(10
По таблице приложения 2 находим Ф (2) = 0,4772. Отсюда искомая вероятность
Р(10< X < 50) =2*0,4772 = 0,9544.
Слайд 117Вычисление вероятности заданного отклонения
Часто требуется вычислить вероятность того, что отклонение
нормально распределенной случайной величины X по абсолютной величине меньше заданного
положительного числа δ, т. е. требуется найти вероятность осуществления неравенства |Х - а|< δ. Заменим это неравенство равносильным ему двойным неравенством -- δ <Х – а < δ, или а - δ < X
Приняв во внимание равенство
(функция Лапласа — нечетная), окончательно имеем
Р (| X — а |< δ) = 2Ф (δ / σ). В частности, при а = 0
Р (| X |< δ) = 2Ф (δ / σ).
Ф( - δ / σ) = - Ф(δ / σ )
Слайд 118Правило трех сигм
Р (| X—а |< 3 σ) = 2Ф
(3) = 2 * 0,49865 = 0,9973,
т, е. вероятность того,
что отклонение по абсолютной величине будет меньше утроенного среднего квадратического отклонения, равна 0,9973. Другими словами, вероятность того, что абсолютная величина отклонения превысит утроенное среднее квадратическое отклонение, очень мала, а именно равна 0,0027. Это означает, что лишь в 0,27% случаев так может произойти. Такие события исходя из принципа невозможности маловероятных событий можно считать практически невозможными. В этом и состоит сущность правила трех сигм: если случайная величина распределена нормально, то абсолютная величина ее отклонения от математического ожидания не превосходит утроенного среднего квадратического отклонения.
Слайд 119Показательное распределение
Показательным (экспоненциальным) называют распределение вероятностей непрерывной случайной величины Х1
которое описывается плотностью
где λ — постоянная положительная величина, показательное распределение
определяется одним параметром λ. Примером непрерывной случайной величины, распределенной по показательному закону, может служить время между появлениями двух последовательных событий простейшего потока
Слайд 120Показательное распределение
Найдем вероятность попадания в интервал (а,b) непрерывной случайной величины
X, которая распределена по показательному закону, заданному функцией распределения
Используем формулу
P(a
Получим P(aМатематическое ожидание показательного распределения равно обратной величине параметра λ, т.е.
Дисперсия D(X)=1/λ2.
Найдем среднее квадратическое отклонение, для чего извлечем квадратный корень из дисперсии:
σ(X)=1/λ.
М (Х) =σ(X)=1/λ, т. е. математическое ожидание и среднее квадратическое отклонение показательного распределения равны между собой.
Слайд 121Функция надежности
Пусть элемент начинает работать в момент времени t0=0, а
по истечении времени длительностью t происходит отказ. Обозначим через Т
непрерывную случайную величину — длительность времени безотказной работы элемента. Если элемент проработал безотказно (до наступления отказа) время, меньшее t, то, следовательно, за время длительностью t наступит отказ. Таким образом, функция распределения F (t)= P(T
t, равна R(t)=P(T>t)=1-F(t).
Функцией надежности R (t) называют функцию, определяющую вероятность безотказной работы элемента за время длительностью t: R(t)=P(T>t).
Слайд 122Функция надежности
Часто длительность времени безотказной работы момента имеет показательное распределение,
функция распределения которого F(t)=1- . В случае
показательного распределения времени безотказной работы элемента имеет вид R (t) = 1 - F (t) = 1 - (1 - ) = .
Показательным законом надежности называют функцию надежности, определяемую равенством
R(t)= , где λ — интенсивность отказов.
![Дисперсия дискретной случайной величиныТеорема. Математическое ожидание отклонения равно нулю: М[Х—М(Х)] = 0.Пример. Задан закон распределения дискретной](/img/thumbs/524ddad62717b33abe02cf7b3778e37f-800x.jpg "Теория вероятностей и математическая статистика Дисперсия дискретной случайной величиныТеорема. Математическое ожидание отклонения равно нулю: М[Х—М(Х)] =")
![Дисперсия дискретной случайной величиныНапишем закон распределения отклонения:Найдем математическое ожидание отклонения:М [Х — М (Х)] = (—0,8) •](/img/thumbs/9e9e58b56f5c27c352d550a52188617d-800x.jpg "Теория вероятностей и математическая статистика Дисперсия дискретной случайной величиныНапишем закон распределения отклонения:Найдем математическое ожидание отклонения:М [Х")
![Свойства функции распределенияСвойство 1. Значения функции распределения принадлежат отрезку [0, 1]: 0 ≤ F (х) ≤](/img/thumbs/eacaaad296b1431ff07444e62fca029b-800x.jpg "Теория вероятностей и математическая статистика Свойства функции распределенияСвойство 1. Значения функции распределения принадлежат отрезку [0, 1]:")
![Числовые характеристики непрерывных случайных величинМатематическим ожиданием непрерывной случайной величины- X, Возможные значения которой принадлежат отрезку [a,b], называют](/img/thumbs/05b7adfd35b255cd63fe878362cd101a-800x.jpg "Теория вероятностей и математическая статистика Числовые характеристики непрерывных случайных величинМатематическим ожиданием непрерывной случайной величины- X, Возможные")
