База рефератов

Случайные события и их виды, понятие вероятности.

Случайным естественно называть такое событие, которое при заданном комплексе условий может, как произойти так и не произойти. Мера возможности осуществления такого события и есть его вероятность. Достоверное и невозможное события могут рассматриваться как крайние частные случаи случайных событий. Достоверным называют событие, которое обязательно произойдет при осуществлении определенного комплекса условий. Так, например, вода при нормальных атмосферных условиях и 0 замерзает. Невозможным является событие, которое при заданном комплексе условий никогда не произойдет. Таким образом, вероятность – это шансы осуществления любого составного события, состоящего из нескольких элементарных.

Классическая формула подсчета вероятностей. Комбинаторика.

В общем случае, когда имеется n равновозможных элементарных событий w1,…,wn, вероятность любого составного события А, состоящего из m элементарных событий wi1,…,wim, определяется как отношение числа элементарных событий, благоприятствующих событию А, к общему числу элементарных событий, т.е. P(A)=m/n.

Понятие геометрической и статистической вероятностей.

Пусть отрезок l составляет часть отрезка L. На отрезок L наудачу поставлена точка. Если предположить, что вероятность попадания точки на отрезок l пропорциональна длине этого отрезка и не зависит от его расположения относительно отрезка L, то вероятность попадания точки  на отрезок l определяется равенством:  P=Длина l/Длина L. Пусть плоская фигура g составляет часть плоской фигуры G. На фигуру G наудачу брошена точка. Если предположить, что вероятность попадания брошенной точки на фигуру g пропорциональна площади этой фигуры и не зависит ни от ее расположения относительно G, ни от формы g, то вероятность попадания точки в фигуру g определяется равенством: P=площадь g/площадь G. Аналогично определяется вероятность попадания точки в пространственную фигуру v, которая составляет часть фигуры V: P=Объем v/Объем V.

Пространство элементарных событий, операции над событиями.

При общем определении вероятности используется пространство элементарных событий, при этом элементарные события являются неопределяемым понятием, но относительно них предполагается, что в результате испытаний обязательно происходит одно из этих элементарных событий. Элементарные события попарно не совместны и образуют группу событий. События, не являющиеся элементарными, отождествляются с теми элементарными событиями, которые благоприятствуют ему, следовательно, случайные события можно рассматривать как подмножество в пространстве элементарных событий, поэтому операции над случайными событиями: объединение (сложение), пересечение (умножение), эквивалентность, отрицание – полностью совпадают с соответствующими операциями над множествами. Операции объединения и пересечения множеств симметричны, т.е.

A B = B A                     A B = B A

Аксиоматическое определение вероятности.

Вероятностью называется числовая функция, определенная на поле событий S и обладающая следующими свойствами: Аксиома 1. Для любого события A прин. S Р(А)>=0. Аксиома 2. Вероятность достоверного события равна единице Р (омега)=1. Аксиома 3. Вероятность объединения двух несовместных событий равна сумме вероятностей этих событий: А прин. S, В прин. S, А*В=0, Р(А+В)=Р(А)+Р(В). Док-во: Событие А является подмножеством омега, так как А={wi1,…,wim},то, согласно конечной схеме, Р(А)=сумме по l от 1 до m рil, 0<=pil<=1, l=1,…,m, поэтому Р(А)>=0, т.е. условие аксиомы 1 выполняется. Условие аксиомы 2 выполняется, поскольку омега={w1,…,wn}и на основании того, что Р(А)=сумме по l от 1 до m рil, то Р(омега)=сумма по i от 1 до n pi=1. Условие аксиомы 3 также выполняется, так как оно представляет собой содержание теоремы сложения для конечной схемы. Итак, конечная схема является примером объекта, для которого выполняется система аксиом теории вероятностей.

Теорема сложения вероятностей.

Вероятность появления хотя бы одного из двух совместных событий равна сумме вероятностей этих событий без вероятности их совместного появления: Р(А+В)=Р(А)+Р(В)-Р(АВ). Теорема может быть обобщена на любое конечное число совместных событий. Например, для трех совместных событий Р(А+В+С)=Р(А)+Р(В)+Р(С)-Р(АВ)-Р(АС)-Р(ВС)+Р(АВС). Если два составных события А={wi1,…,wim}и В={wj1,…,wjk} являются несовместными, то вероятность объединенного события С=А+В равна сумме вероятностей этих двух событий.

Условная вероятность. Теорема умножения вероятностей.

1) Условная вероятность события А при условии В равна Р(А/B)=P(A*B)/P(B), Р(В)>0. 2) Событие А не зависит от события В, если Р(А/B)=P(A). Независимость событий взаимна, т.е. если событие А не зависит от В, то событие В не зависит от А. В самом деле при Р(А)>0 имеем Р(B/A)=P(A*B)/P(A)=P(A/B)*P(B)/P(A)=P(A)*P(B)/P(A)=P(B). Вытекает следующая формула умножения вероятностей: Р(А*В)=Р(А)*Р(В/A). Для независимых событий вероятность произведения событий равна произведению их вероятностей: Р(А*В)=Р(А)*Р(В). 3) События А1,А2,…,Аn образуют полную группу событий, если они попарно несовместны и вместе образуют достоверное событие, т.е. Аi*Aj=0, i не=j, U по i от 1 до n Аi=омега.

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). В частности для независимых событий Р(АВ)=Р(А)*Р(В), т.е. вероятность совместного появления двух независимых событий равна произведению вероятностей этих событий.

Формула полной вероятности.

Вероятность события А, которое может наступить лишь при появлении одного из несовместных событий (гипотез) В1,В2,…,Вn , образующих полную группу, равна сумме произведений вероятностей каждой из гипотез на соответствующую условную вероятность события А: Р(А)=Р(В1)*Рb1(A)+P(B2)*Pb2(A)+…+P(Bn)=1. Если события А1,…,Аn, P(Ai)>0 образуют полную группу событий, то вероятность события В может быть представлена как сумма произведений безусловных вероятностей событий полной группы на условные вероятности события В: Р(В)=сумма по i от 1 до n P(Ai)*P(B/Ai).

Формула Байеса.

Из формулы полной вероятности легко получить формулу Байеса: для события В с Р(В)>0 и для системы попарно несовместных событий Аi, P(Ai)>0, B прин. U по i  от 1 до n Аi . Р(Аk/B)=P(Ak)*P(B/Ak)/сумма по i от 1 до n P(Ai)*P(B/Ai).

Определение дискретной случайной величины. Ряд распределения.

Случайной величиной называется функция Х=Х(w), определенная на множестве элементарных событий омега, w прин. омега. С.В. дискретна, если она принимает значения  только из некоторого  дискретного множества, или, точнее, С.В. дискретна, если существует конечное или счетное множество чисел х1, х2, х3,… таких, что P{X=xn}=pn>=0, n=1,2,3… и р1+р2+р3+…=1. Закон распределения Д.С.В. Х определен, если известны все хn и вероятности рn=P{X=xn} такие, что р1+р2+р3+…=1. Если составить таблицу, в верхней строке которой поместить значения Д.С.В. , а в нижней – соответствующие вер-ти, то получим ряд распределения С.В.

Функция распределения С.В. и ее свойства.

Функция распределения Fx(x) C.В. Х определяется формулой Fx(x)=P{w:X(w)<x}. Последнее равенство обычно записывается короче в виде Fx(x)=P{X<x}. Для простоты в тех случаях, когда это не может привести к неточности, будем писать F(x) вместо Fx(x). Рассмотрим свойства функции распределения: 1) Ф.Р. принимает значения из промежутка [0,1]: 0<=F(x)<=1. Данное свойство вытекает из того, что Ф.Р. – это вер-ть события {X<x}, а значение вер-ти любого события неотрицательно и не превышает единицы. 2) Вер-ть того, что С.В. примет значение из полуинтервала [x1,x2), равна разности F(x2) – F(x1): Р{x1<=X<=x2}= F(x2) – F(x1). 3) Ф.Р. – неубывающая функция, т.е. F(x2)>=F(x1),если х2>х1. 4) Р{X>=x}=1 – F(x). 5) Если х стремится к бесконечности, то F(x) к 1. 6) Если х стремится к – бесконечности, то F(x) к нулю. 7) Ф.Р. непрерывна слева, т.е. lim при дельта стрем. к +0 F(x – дельта)=F(x).

Математическое ожидание Д.С.В. и его свойства.

Мат. Ожиданием Д.С.В. называют сумму произведений  всех ее возможных значений на их вероятности: М(Х)=х1р1+х2р2+…+хnpn. Если Д.С.В. принимает счетное множество возможных значений, то М(Х)=сумма по i от 1 до бесконечности xipi, причем мат. ожидание существует, если ряд в правой части равенства сходится абсолютно. Мат. ожидание обладает следующими свойствами: 1) Мат. ожидание постоянной величины равно самой постоянной: М(С)=С. 2) Постоянный множитель можно выносить за знак мат. ожидания: М (СХ)=СМ (Х). 3) Мат. ожидание произведения взаимно независимых С.В. равно произведению мат. ожиданий сомножителей: М (Х1,Х2…Хn)=M(X1)*M(X2)…M(Xn). 4) Мат. ожидание суммы С.В. равно сумме мат. ожиданий слагаемых: М (Х1+Х2+Х3+…+Хn)=M(X1)+M(X2)+M(X3)+…+M(Xn).

Дисперсия Д.С.В. и ее свойства.

Дисперсией С.В. Х называют мат. ожидание квадрата отклонения С.В. от ее мат. ожидания: D (X)=M[X – M(X)]*2. Дисперсию удобно вычислять по формуле: D (X)=M (X*2) – [M (X)]*2. Дисперсия обладает следующими свойствами: 1) Д. постоянной равна нулю: D(C)=0. 2) Постоянный множитель можно выносить за знак Д., предварительно возведя его в квадрат: D (CX)=C*2D(X). 3) Д. суммы независимых С.В. равна сумме Д. слагаемых: D (X1+X2+…+Xn) =D(X1)+D(X2)+…+D(Xn).

Схема опытов Бернулли. Биномиальный закон распределения.

Биномиальным называют закон распределения Д.С.В.  Х - числа появлений события в n независимых испытаниях, в каждом из которых вероятность появления события равна р, вер-ть возможного значения Х=k (числа k появлений события) вычисляют по формуле Бернулли: Pn (k)=Cn*k p*k q*n-k.

Закон распределения Пуассона, пуассоновское распределение как предельное для биномиального.

Если число испытаний велико, а вероятность р появления события в каждом испытании очень мала, то используют приближенную формулу: Pn (k)=лямда*k e*-лямда/k!, где к – число появлений события в n независимых испытаниях, лямда=np (среднее число появлений события в n испытаниях), и говорят, что С.В. распределена по закону Пуассона.

Геометрический закон распределения Д.С.В.

С.В. Х имеет геометрическое распределение, если Pm=P{X=m}=q*m p, m=0,1,2,…, 0<p<1, q=1-p. Просуммировав бесконечно убывающую геометрическую прогрессию, легко убедиться в том, что сумма по m от 0 до бесконечности Pm=1: сумма по m от 0 до бесконечности Pm=сумма по m от 0 до бесконечности pq*m=p*1/1-q=1. Геометрическое распределение имеет С.В. Х, равная числу испытаний Бернулли до первого успеха с вероятностью успеха в единичном испытании р.

Определение непрерывной С.В. Плотность распределения и ее свойства.

С.В. Х называется непрерывной, если существует неотрицательная функция рх(х) такая, что при любых х функцию распределения Fx(x) можно представить в виде: Fx(x)=интеграл от –бесконечности до х px(y)dy. Рассматривают только такие С.В., для которых рх(х) непрерывна всюду, кроме, может быть, конечного числа точек. Плотностью распределения вероятностей непрерывной С.В. называют первую производную от функции распределения: f(x)=F’(x). Вероятность того, что Н.С.В. Х примет значение, принадлежащее интервалу (а,b), определяется равенством P(a<X<b)=интервал  от а до b f(x)dx. Зная плотность распределения можно найти функцию распределения F(x)=интеграл от –бесконечности до х f(x)dx. Плотность распределения обладает следующими свойствами: 1) П.Р. неотрицательна, т.е. f(x)>=0. 2) Несобственный интеграл от плотности распределения в пределах от –бесконечности до бесконечности равен единице: интеграл от –бесконечности до бесконечности f(x)dx=1.

Математическое ожидание Н.С.В. и его свойства.

Мат. ожидание Н.С.В. Х, возможные значения которой принадлежат всей оси ОХ, определяется равенством: М(Х)=интеграл от –бесконечности до бесконечности хf(x)dx, где f(x) - плотность распределения С.В. Х. Предполагается, что интеграл сходится абсолютно. В частности, если все возможные значения принадлежат интервалу (а,b), то М(Х)=интеграл от а до b xf(x)dx. Все свойства мат. ожидания, указаны выше, для Д.С.В. Они сохраняются и для Н.С.В.

Дисперсия Н.С.В. и ее свойства.

Дисперсия Н.С.В. Х, возможные значения которой принадлежат всей оси ОХ, определяется равенством: D(X)=интеграл от –бесконечности до бесконечности [x-M(X)]*2f(x)dx, или равносильным равенством: D(X)=интеграл от –бесконечности до бесконечности x*2f(x)dx – [M(X)]*2. В частности, если все возможные значения х принадлежат интервалу (a,b),то D(X)=интервал от а до b [x – M(X)]*2f(x)dx,или D(X)=интеграл от a до b x*2f(x)dx – [M(X)]*2. Все свойства дисперсии Д.С.В. сохраняются и для Н.С.В.

Равномерный закон распределения.

Равномерным называют распределение вероятностей Н.С.В. Х, если на интервале (а,b), которому принадлежат все возможные значения Х, плотность сохраняет постоянное значение, а именно f(x)=1/(b-a); вне этого интервала f(x)=0. Нетрудно убедиться, что интеграл от –бесконечности до бесконечности  р(х)dx=1. Для С.В., имеющей равномерное распределение , вероятность того, что С.В. примет значения из заданного интервала (х,х+дельта) прин. [a,b], не зависит от положения этого интервала на числовой оси и пропорциональна длине этого интервала дельта: P{x<X<x+дельта}=интеграл от х до х+дельта 1/b-adt=дельта/b-a. Функция распределения Х имеет вид: F(x)=0, при х<=a, x-a/b-a,при a<x<=b,1при х>b.

Показательный закон распределения.

Н.С.В. Х, принимающая неотрицательные значения, имеет показательное распределение с параметром лямда, если плотность распределения С.В. при x>=0 равна р(х)=лямда*е в степени  - лямда*х и при x<0 р(х)=0. Функция распределения С.В. Х равна  F(x)=интеграл от –бесконечности до х р(t)dt=0, при x<=0,1-е в степени –лямда*х при x>

Н.С.В. Х имеет нормальное распределение вероятностей с параметром а и сигма>

f(x)=(1/sÖ(2p))*e-(x-a)2/2s2; s>

Функция монотонно возрастает, т.е. х2>x1 следовательно, Ф(х2)>

—> Ф(х2)>

Пусть x—НРСВ с пар. а и s(s>

Если известна дисперсия С.В., то с ее помощью можно оценить вероятность отклонения этой величины на заданное значение от своего мат. ожидания, причем оценка вероятности отклонения зависит лишь от дисперсии. Соответствующую оценку вероятности дает неравенство Чебышева. Неравенство Чебышева является частным случаем более общего неравенства, позволяющего оценить вероятность события, состоящего в том, что С.В. Х превзойдет по модулю произвольное число t>0. P{|X – MX|>

Теорема Чебышева.  Если последовательность попарно независимых С.В. Х1,Х2,Х3,…,Xn,… имеет конечные мат. ожидания и дисперсии этих величин равномерно ограничены (не превышают постоянного числа С), то среднее арифметическое С.В. сходится по вероятности к среднему арифметическому их мат. ожиданий, т.е. если эпселен – любое положительное число, то: lim при n стремящемся к бесконечности P(|1/n сумма по i от 1 до n Xi – 1/n сумма по i от 1 до n M(Xi)|<эпселен)=1. В частности, среднее арифметическое последовательности попарно независимых величин, дисперсии которых равномерно ограничены и которые имеют одно и тоже мат. ожидание а, сходится по вероятности к мат. ожиданию а, т.е. если эпселен – любое положительное число, то: lim при n  стремящемся к бесконечности P(|1/n сумма по i от 1 до n Xi – a|<эпселен)=1. Теорема Маркова. P{|X|>=t}<=1/tM|X| - неравенство Маркова. Док-во: 1) Для Д.С.В. Х. Пусть Х – Д.С.В., Р{X=xi}=pi, i=1,2,3,…,сумма по i от 1 до бесконечности pi=1. Тогда вероятность события {|X|>=t} равна сумме вероятностей  pi, для которых xi находится вне промежутка (-t,t). Очевидно, для всех xi, не принадлежащих промежутку (-t,t), имеет место неравенство |xi|/t>=1. Учитывая это неравенство получаем: P{|X|>=t}=сумма по i: |xi|>=t     pi <=сумма по i:|xi|>=t  |xi|/t pi<=сумма по i:|xi|>=t |xi|/t pi+сумма по i:|xi|<t  |xi|/t*pi =1/t сумма по i  от 1 до бесконечности  |xi|*pi=1/t*M|X|. 2) Для Н.С.В. Х. Пусть Х – Н.С.В. с плотностью вероятности р(х). Вероятность того, что |X|>=t, равна сумме интегралов от плотности вероятности по промежуткам (-бесконечность, -t) и (t,бесконечность). На этих промежутках |x|/t*t>=1.  Так как  |x|/t*p(x)>=0,  то интеграл от –t  до t  по |x|/t*p(x)dx>

Двумерной называют С.В. (Х,Y), возможные значения которой есть пары чисел (x,y). Составляющие Х и Y, рассматриваемые одновременно, образуют систему двух С.В. Дискретной называют двумерную величину, составляющие которой дискретны. Непрерывной называют двумерную величину, составляющие которой непрерывны. Законом распределения Д.С.В. называют соответствие между возможными значениями и их вероятностями. Функция распределения вероятностей Д.С.В. называют функцию F(X,Y), определяющую для каждой пары чисел (х,y) вероятность того, что Х примет значение, меньшее х, при этом Y примет значение, меньшее y: F(x,y)=P(X<x,Y<y). Свойства:1) Значения функции распределения удовлетворяют двойному неравенству: 0<=F(x,y)<=1. 2) Функция распределения есть неубывающая функция по каждому аргументу:F(x2,y)>=F(x1,y), если х2>x1. F(x,y2)>=F(x,y1), если y2>

Кxh>

Интервальной называют оценку, которая определяется двумя числами – концами интервала, покрывающего оцениваемый параметр. Доверительный интервал – это интервал, который с заданной надежностью гамма покрывает заданный параметр. 1. Интервальной оценкой с надежностью гамма мат. ожидания а нормально распределенного количественного признака Х по выборочной средней Хв при известном среднем квадратическом отклонении сигма генеральной совокупности служит доверительный интервал: Хв – t(сигма/корень из n)<a<Хв+t(сигма/корень из n), где t(сигма/корень из n)=дельта – точность оценки, n – объем выборки, t – значение аргумента функции Лапласа Ф(t), при котором Ф(t)=гамма/2; при неизвестном сигма (и объеме выборки n<30) Хв – t гамма (s/корень из n)<a<Хв+t гамма (s/корень из n), где s-исправленное выборочное среднее квадратическое отклонение. 2. Интервальной оценкой (с надежностью гамма) среднего квадратического отклонения сигма нормально распределенного количественного признака  Х по «исправленному» выборочному среднему квадратическому отклонению s служит доверительный интервал s(1-q)<сигма<s(1+q), при q<1; 0<сигма<s(1+q), при q>

K^=X=1/n сумма по i от 1 до n Xi является наилучшей несмещенной оценкой для мат. ожидания МХ=K нормального распределения f(x,K)=1/(корень из 2пи сигма в квадрате)*е –(х-K)*2/(2сигма в квадрате) по выборке объема n. Пусть дисперсия Хi Dxi=сигма в квадрате известна, где сигма в квадрате – некоторое конкретное число.  Предполагается, что для нормально распределенного признака x, дисперсия которого известна равна s2. По выборке объема n получены выборочные значения x1, x2, ... , xn. Требуется получить интервальную оценку неизвестного нам математического ожидания этого признака. M |x| >

H1: M(x) >

P(0 < Z < Zкр.) + P(Z >

|Zнабл.| < Zкр.прав. Þ Н0  |Zнабл.| >

Ткр. прав. = - Ткр. лев.  | Тнабл. | < Ткр. двуст. Þ Н0 | Тнабл. | >

d Рi(t)/dt=å( от i<>k,k=1 до n) lki* Рi(t)—å( от j<>

 (a >

Пусть число мест в очереди не ограничено. Хар-ки этой СМО получим из характеристик СМО с ограниченным количеством мест в очереди, предполагая, что m—>

При m —>¥ å1+e+e2+...+em-1 сходится только в том случае, если 0<e<1; если e>

Будем считать, что при m—>