Все ответы к экзамену по Теории Вероятностей, страница 2
Описание файла
Документ из архива "Все ответы к экзамену по Теории Вероятностей", который расположен в категории "". Всё это находится в предмете "теория вероятностей и математическая статистика" из 6 семестр, которые можно найти в файловом архиве НИУ «МЭИ» . Не смотря на прямую связь этого архива с НИУ «МЭИ» , его также можно найти и в других разделах. Архив можно найти в разделе "к экзамену/зачёту", в предмете "теория вероятностей и математическая статистика" в общих файлах.
Онлайн просмотр документа "Все ответы к экзамену по Теории Вероятностей"
Текст 2 страницы из документа "Все ответы к экзамену по Теории Вероятностей"
Свойство равновозможности исходов эксперимента часто встречается в практических задачах. Однако недостаток классического определения состоит в конечности множества исходов. Откажемся от этого ограничения. Будем предполагать, что эксперимент можно представить как бросание точки наудачу в область n -мерного пространства. Пространством элементарных исходов Ω является область D. Слово «наудачу» будем понимать следующим образом: вероятность случайной точке попасть в g, , не зависит от формы и расположения g, а зависит только от размера g (от mes g): Р (попасть в g) =f(mes g).
Можно показать (используя аксиомы вероятности), что в этом случае вероятность попадания в g равна отношению «размеров»:
(1)
Это соотношение является аналогом .
Задача о встрече
Д ва человека договорились встретиться в определенном месте в интервале от 12 до 13 ч (будем считать от 0 до 1), причем момент прихода каждый выбирает случайно на отрезке [0, 1] и ждет 20 мин (1/3 ч). Какова вероятность события А = {встреча произойдет}?
Решение. Эксперимент мы представляем как бросание 2-х точек на отрезок [0, 1]. Пусть х — момент прихода 1-го, у — момент прихода 2-го. Множество всех исходов , т.е. квадрат на плоскости. Множество А исходов, благоприятствующих наступлению А, состоит из тех исходов (х, у), для которых |х—у|≤1/3: .
Соответствующая область показана на рисунке. В силу (1):
.
3.Условная вероятность. Основные формулы ТВ.
1.Определение условной вероятности
Пример: 10 пронум. шаров
Выберем 1 шар «наудачу»
Случайное событие A={номер шара нечётный}; A={1,3,5,7,9};P(A)=0.5
Случайное событие B={номер шара делится нацело на 3};B={3,6,9};P(B)=0.3
Эксперимент проведён, но исход неизвестен. Но известно, что B наступило.
Определение: Отношение называется условной вероятностью A при наступлении B и обозначается P(A|B).
Замечание: B фиксируем; A варьируется; . Аксиомы выполняются.
-
-
-
.
Следовательно все формулы справедливы для условной вероятности. Например:
2. Формула умножения вероятностей
.
Обобщение: ;
3. Независимость случайных событий
Определение: Событие А независимо по отношению к событию В, если
Следствие:
-
Если А независимо относительно В, то В независимо относительно А
. Т.е. свойство независимости взаимно.
-
Если А и В независимы, то
2.1 независимы ( )
2.2 независимы (аналогично)
2.3 независимы (аналогично)
-
Если А и В независимы, то
;
Определение: 1б: Случайные события А и В называются независимыми, если (3*)
Замечание: Случайные события А и В физически независимы, след. (3) выполняется и тогда (3*) используется для определения вероятности двух событий, т.е. Р(АВ)
Пример: Бросание 2-х монет
Случайное событие А={появление герба на 1-ой монете} Р(А)=1/2
Случайное событие В={появление герба на 2-ой монете} Р(В)=1/2
;
Определение 2: Случайные события называются независимыми в совокупности, если
Определение 3: Случайные события называются попарно зависимыми, если
Из независимости совокупностей следует независимость попарно. Но обратное неверно.
Пример. 4 карты, на которых написаны числа 2,3,5,30.
Извлекается 1 карточка
A1={результат делится на 2};A2={результат делится на 3};A3={результат делится на 5};
P(A1A2)=P(A1)*P(A2)=1/4=1/2*1/2; P(A1A3)=P(A1)*P(A3)=1/4=1/2*1/2;P(A2A3)=P(A2)*P(A3)=1/4=1/2*1/2;
Но: P(A1A2 A3)=P(A1)*P(A2)*P(A3)=1/4
4. Формула полной вероятности
Эксперимент, Ω.
Случайные события являются полной группой событий, если
Пусть имеется В – случайное событие и известны P(B|An)=>
(1)
Замечание: Для справедливости (*) должно выполняться условие
5. Формула для апостериорных вероятностей гипотез (формула Байеса).
Пусть A1…An …– полная группа событий, т.е. совокупность взаимоисключающих предположений (гипотез). Р(А1)… Р(Аn)… - доопытные вероятности.
Эксперимент проведён, но ω – неивестна. Известно, что В наступило + известны Р(В|An). P(An|B)-?
Замечание:
Пример: 5 ящиков с шарами
2 ящика состава : 2 белых и 1 черный шар.
1 ящика состава : 10 черных шаров.
2 ящика состава : 3 белых и 1 черный шар.
Эксперимент: 1 шаг: выбор случайного ящика; 2 шаг: выбор из ящика случайного шара.
1)P {выбранный шар - белый} = P(B) = (**) =
P{выбран ящик состава }=P(A1)=2/5; P{из ящика состава выбран белый шар}= P(B|A1)=2/3
P{ выбран ящик состава }= P(A2)=1/5; P{ из ящика состава выбран белый шар }= P(B|A2)=0
P{ выбран ящик состава }= P(A3)=2/5; P{ из ящика состава выбран белый шар }=P(B|A3)=3/4
2)Эксперимент проведён, ящик неизвестен. P(Ak|B) - ?
5. Одномерные случайные величины. Независимые испытания Бернулли.
Пусть имеется некоторый эксперимент, множество исходов Ω = {ω}, и на Ω задана вероятность Р(А), . Исход ω - это элемент любой природы. Теперь будем полагать, что исход эксперимента - число.
Определение 1а. Случайной величиной называется числовой исход эксперимента.
Поскольку Ω — числовое множество, случайное событие определяется множеством А точек на вещественной оси. Предполагается, что заданы вероятности Р{А) = Р{ }.
Случайные величины будем обозначать ξ, η, ζ, α, β и т.д. в отличие от ω - элемента произвольной природы.
Обобщим понятие случайной величины. Пусть {Ω, S, РΩ} — вероятностное пространство, Ω = {ω} — множество элементов произвольной природы.
Определение 16. Вещественнозначная функция ξ=f(ω), заданная на вероятностном пространстве, называется случайной величиной.
При таком введении случайной величины вероятность события Р{ }, где , определяется следующим образом: Ω содержит множество СА тех исходов ω, для которых :
О пределение 2. Случайная величина называется дискретной, если множество ее значений конечно или счетно. Такую случайную величину можно задать множеством значений x1, x2. …, xk, … и соответствующими вероятностями:
Дискретную случайную величину можно представить графически (рис. 3.1). Вероятность любого события Р{ }, , определяется очевидным образом:
т.е. суммируются вероятности тех хk, которые находятся в А.
Последовательность независимых испытаний Бернулли (биномиальный закон распределения)
Пусть имеется некоторый элементарный опыт. В результате опыта может произойти или не произойти некоторое событие А с вероятностью P(A)=p, P( )=q=1-p.
Появление А будем считать "успехом", а непоявление А — «неуспехом». Повторим этот элементарный опыт n раз, в этом n - кратном повторении состоит основной эксперимент, который назовем независимыми испытаниями Бернулли. Введем случайную величину ξ — количество «успехов» в n испытаниях случайного события А. Ясно, что ξ может принимать значения 0, 1, ..., n. Оказывается, вероятность получить k "успехов" равна
Покажем справедливость этой формулы для n = 3 и k = 2. Для эксперимента, состоящего из n = 3 испытаний, имеем 8 исходов: ω1=(0,0,0); ω2=(0,0,1); …; ω8=(1,1,1);
Событию {ξ = 2} благоприятствует исхода (1,1,0), (1,0,1) и (0,1,1), причем в силу независимости трех испытаний P(1,1,0)=P(1,0,1)=P(0,1,1)=p2q, и потому .
Рассуждая аналогично, для произвольных n и k получим требуемую формулу.
Нетрудно видеть, что
Действительно, это выражение совпадает с биномиальным разложением: .
Совокупность {k, рk}, определенных формулой (1), называется биномиальным распределением вероятностей. Случайная величина ξ, для которой верно (1), обозначается: ξ ~ Bi(n,p) и читается так: случайная величина подчиняется биномиальному закону с параметрами n и p (n — число испытаний, р — вероятность "успеха" в одном испытании).
Типичная зависимость вероятности Р(k) от k показана на рис. 3.3.
6. Теоремы Муавра-Лапласа.
7. Теорема Пуассона.
8. Однородный пуассоновский поток случайных точек.
9. Функции распределения и их свойства. Дискретные и непрерывные случайные величины.
10. Преобразование случайных величин. Примеры: линейное преобразование, логарифмически нормальное распределение.
11. Числовые характеристики случайных величин: математическое ожидание, дисперсия. Примеры: распределение Бернулли, Пуассона, нормальное, равномерное.