Вы находитесь на странице: 1из 7

1. СЛУЧАЙНЫЕ СОБЫТИЯ И ИХ КЛАССИФИКАЦИЯ. ДЕЙСТВИЯ НАД СОБЫТИЯМИ.

КЛАССИЧЕСКОЕ, ГЕОМЕТРИЧЕСКОЕ И СТАТИСТИЧЕСКОЕ ОПРЕДЕЛЕНИЕ ВЕРОЯТНОСТИ


СЛУЧАЙНОГО СОБЫТИЯ. СВОЙСТВА ВЕРОЯТНОСТИ.
Событие – всякий результат, который в данном опыте может произойти или не произойти.
Достоверное событие – событие, которое неизбежно происходит в реализации данных условий.
Случайное событие – событие, которое при реализации данных условий может произойти, а может
не произойти. Невозможное событие – событие, которое заведомо не может произойти при
реализации данных условий. Совместные события – два или несколько событий, при появлении
одного, не исключается появление второго. Несовместные события – два или несколько событий,
при появлении одного исключается появление другого.
Суммой двух событий называется третье событие, состоящее в том, что произойдет или одно, или
второе событие. Произведением двух событий называется третье событие, состоящее в том, что
произойдет и одно, и второе событие.
Классический способ. P ( A )=m/n, где m – число элементарных событий, благоприятствующих
появлению события А, n – общее число событий. Статистический способ. Он применяется в тех
случаях, когда до опыта не представляется возможным определить число событий,
благоприятствующих появлению события А, тогда P=z =m/n, где m – число испытаний, в которых
появилось событие А, n – общее число испытаний. Геометрический способ. Пусть точка М бросается
в некоторую область Q, считается, что вероятность попадания точки М в любую часть области Q
равна возможной. Требуется найти вероятность попадания точки М в область q, принадлежащую
области Q, P=S q / S Q
Свойства вероятности:
 Вероятность достоверного события равна единице;
 Вероятность невозможного события равна нулю;
 Вероятность случайного события есть положительное число, заключенное между нулем и
единицей.
2. ТЕОРЕМЫ СЛОЖЕНИЯ И УМНОЖЕНИЯ ВЕРОЯТНОСТЕЙ. ФОРМУЛА ПОЛНОЙ
ВЕРОЯТНОСТИ. ФОРМУЛА БАЙЕСА.
Теорема сложения вероятностей несовместных событий. Вероятность суммы двух несовместных
событий равна сумме вероятностей этих событий. P ( A +B )=P ( A ) + P( B).
Теорема сложения вероятностей совместных событий. Вероятность суммы двух совместных
событий равна сумме вероятностей этих событий без вероятности их совместного появления.
P ( A +B )=P ( A ) + P ( B ) −P( AB).
Теорема умножения вероятностей двух независимых событий. Вероятность произведения двух
независимых событий равна произведению вероятностей этих событий. P ( AB ) =P ( A )∗P( B).
Теорема умножения вероятностей двух зависимых событий. Вероятность произведения двух
зависимых событий равна произведению вероятностей одного из этих событий на условную
вероятность второго события. P ( AB ) =P (n A )∗P(B/ A )=P(B)∗P( A /B).
Формула полной вероятности. P ( A )=∑ P ( Bi )∗P (A / Bi), то есть вероятность события А, которое
i=1
может наступить с появлением одного из совместных событий Bi равна сумме произведений
вероятностей событий P(Bi ) на условную вероятность P( A /Bi ).
P ( Bi )∗P( A /Bi )
P( Bi / A )= n
Формула Байеса. .
∑ P ( B j )∗P( A /B j )
j =1

3. ПОВТОРНЫЕ НЕЗАВИСИМЫЕ ИСПЫТАНИЯ. ФОРМУЛА БЕРНУЛЛИ. ФОРМУЛА


ПУАССОНА. ЛОКАЛЬНАЯ И ИНТЕГРАЛЬНАЯ ТЕОРЕМЫ МУАВРА-ЛАПЛАСА.
Повторные независимые испытания – испытания, в которых вероятность появления события А
всегда одинакова и она не зависит от исходов остальных испытаний, и эти испытания
осуществляются друг за другом.
k k n−k
Формула Бернулли. Pn . k ( A ) =Cn∗p ∗q . Все испытания проводятся в одинаковых условиях и
требуется найти вероятность того, что событие А появится ровно k раз в n испытаниях, не важно в
какой последовательности.
Формула Пуассона. Пусть n → ∞ и p →0 , тогда вероятность того, что событие А появится m раз из n

λm e−λ
вычисляется по формуле: Pm , n ( A )=
m!
Локальная теорема Муавра-Лапласа. Если вероятность наступления события А одинакова во всех
1
опытах и равна p (в пределах десятых), то при n → ∞ вероятность равна: Pk , n ( A ) = φ(x ),
√ npq
k −np
где x= , а φ ( x ) – табличное значение.
√ npq
Интегральная теорема Муавра-Лапласа. Пусть событие А в каждом из n независимых испытаний
может наступить с одной и той же вероятностью p, тогда вероятность того, что событие А появится в
k 1.2 −np
интервале от k 1 до k 2 вычисляется по формуле: Pk , k2 ( A )=Ф ( x2 ) −Ф( x 1), где x 1.2= , а Ф(x) –
1
√ npq
табличное значение.
4. ДИСКРЕТНАЯ СЛУЧАЙНАЯ ВЕЛИЧИНА. ЗАКОН РАСПРЕДЕЛЕНИЯ СЛУЙЧАЙНОЙ
ВЕЛИЧИНЫ. РЯД РАСПРЕДЕЛЕНИЯ, ПОЛИГОН, ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ.
Дискретная случайная величина – это величина, у которой множество ее возможных значений
конечно или счетно, то есть возможные значения случайной величины можно пронумеровать. Закон
распределения – это полное описание дискретной случайной величины, включающее в себя все
возможные ее значения и их вероятности, с которыми они появляются.
Ряд распределения – таблица из ее возможных значений и их вероятностей:
x x1 x2
p p1 p2
Полигон распределения – график, соединяющий точки из таблицы распределения.
Функция распределения – функция F (x), равную вероятности p, что случайная величина X примет
значение меньше x. F ( x )=P( X < x).
5. НЕПРЕРЫВНАЯ СЛУЧАЙНАЯ ВЕЛИЧИНА. ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ И ЕЕ СВОЙСТВА.
ПЛОТНОСТЬ ВЕРОЯТНОСТЕЙ И ЕЕ СВОЙСТВА.
Непрерывная случайная величина – случайная величина, возможные значения которой составляют
конечный или бесконечный промежуток. Функция распределения непрерывной случайной
величины напрерывна. Свойства функции:
 0 ≤ F ( x ) ≤ 1; F (−∞ )=0 ; F ( +∞ )=1.
 F ( x 2 ) ≥ F ( x1 ) , если x 2 ≥ x 1
 P ( a ≤ x ≤b )=F ( b )−F (a)
Плотность распределения вероятности – первая производная от функции распределения:
f ( x )=F ' (x )
Свойства плотности:
 f (x) ≥ 0, так как производная от неубывающей
+∞ x

 ∫ f ( x ) dx=1, F ( x )= ∫ f ( t ) dt
−∞ −∞
b

 P ( a ≤ x ≤b )=∫ f ( x ) dx=F ( b )−F (a), с геометрической точки зрения означает, что случайная
a

величина x попадет в интервал от a до b равна площади криволинейной трапеции.


6. МАТЕМАТИЧЕСКОЕ ОЖИДАНИЕ И ДИСПЕРСИЯ СЛУЧАЙНОЙ ВЕЛИЧИНЫ, ИХ
СВОЙСТВА. СРЕДНЕЕ КВАДРАТИЧЕСКОЕ ОТКЛОНЕНИЕ.
Математическое ожидание – действительное число, которое можно сравнить со средним
арифметическим наблюдаемых значений случайной величины, вычисляемое по формуле:
n

M ( x )=
{i=1
+∞
∑ x i∗P i , если x – дискретная случайная величина
∫ xf ( x ) dx , если x – непрерывная случайная величина
−∞

Свойства математического ожидания:


 M (C )=const , C=const
 M (CX )=C∗M (x )
 M ( x + y )= M ( x )+ M ( y)
 M ( x∗y )=M ( x )∗M ( y ) , если x и y независимые случайные величины
Дисперсия случайной величины – характеристика отклонения случайной величины x от
математического ожидания, неотрицательное число, вычисляемое по формуле:
n

D ( x) =
{+∞

∫x
−∞
i=1

2
∑ (xi −M ( x ))2∗Pi , если x – дискретная случайная величина
2
f ( x ) dx−( M ( x ) ) , если x – непрерывная случайная величина

Свойства дисперсии случайной величины:


 D ( C ) =0
2
 D ( Cx )=C D ( x )
 D ( x ± y )=D ( x )+ D( y)
Среднее квадратическое отклонение – число σ ( x )=√ D(x )
7. ОСНОВНЫЕ ЗАКОНЫ РАСПРЕДЕЛЕНИЯ ДИСКРЕТНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ:
БИНОМИНАЛЬНОЕ, ПУАССОНА, ГИПЕРГЕОМЕТРИЧЕСКОЕ.
Биноминальный закон распределения – закон распределения дискретной случайной величины,
определяемый формулой Бернулли. Постоянные n и p, входящие в формулу Бернулли, называются
параметрами биномиального распределения. Можно показать, что для случайной величины Х,
распределенной по биномиальному закону, математическое ожидание равно произведению
параметров M ( x )=n∗p , D ( x ) =npq , σ ( x )=√ D(x )=√ npq.
Случайная величина x, принимающая целые значения, имеет распределение Пуассона, если
вероятность того, что x примет значение k вычисляется по формуле:
k λ
λ e
P ( k )= , где λ=np , M ( x )=D ( x )=λ=np .
k!
Дискретная случайная величина имеет гипергеометрическое распределение, если она принимает
значения т с вероятностями:
C kM ∗C n−k
N− M
Pk ( x=k ) = n
CN
Где M ( x )=np, где k – целое число,
Вероятность Pk является вероятностью выбора k объектов, обладающих заданным свойством, из
множества п объектов, случайно извлеченных (без возврата) из совокупности N объектов, среди
которых М объектов обладают заданным свойством.
8. РАВНОМЕРНОЕ И ПОКАЗАТЕЛЬНОЕ РАСПРЕДЕЛЕНИЕ НЕПРЕРЫВНОЙ СЛУЧАЙНОЙ
ВЕЛИЧИНЫ.
Равномерное распределение случайной величины. Распределение вероятностей случайной
величины Х называется равномерным на отрезке [a, b], если плотность вероятностей этой величины
постоянна на данном отрезке и равна нулю вне этого отрезка:
f ( x )= {O ,Cпри, приx <aaили
≤ x ≤b
x >b
Функция распределения:
0 , при x ≤ a

{
F ( x )= x −a ,при a< x< b
b−a
1 , при x ≥b
Вероятность попадания значений случайной величины x в интервал:
' ' b ' −a '
P ( a < x <b )=
b−a
Математическое ожидание и дисперсия случайной величины:
2
b+ a (b−a)
M ( x )= , D ( x )=
2 12
Показательное распределение случайной величины. Показательным (экспоненциальным)
называют распределение вероятностей непрерывной случайной величины Х, которое описывается
плотностью вероятностей:
0 , при x< 0
f ( x )=
{ λ e− λx ,при x ≥0
Функция распределения:
F ( x )=
{1−e0 ,при, приx <0x ≥0
−λx

Вероятность попадания значений случайной величины x в интервал:


P ( a< x <b ) =F ( b ) −F ( a ) =e−λa −e− λb
Математическое ожидание, дисперсия и сигма случайной величины:
1 1 1
M ( x )= , D ( x )= 2 , σ ( x ) =
λ λ λ
9. НОРМАЛЬНОЕ РАСПРЕДЕЛЕНИЕ: ФОРМУЛЫ ПЛОТНОСТИ И ФУНКЦИИ
РАСПРЕДЕЛЕНИЯ, ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ, УСЛОВИЯ ПРИМЕНИМОСТИ. ПРАВИЛО
ТРЕХ СИГМ.
Нормальным распределением, или распределением Гаусса, называется распределение с плотностью
вероятностей:
2
− ( x−a )
1 2σ
2

f ( x )= e ( σ >0)
σ √2 π
Функция распределения:
2
x −t
1 2
Ф ( x )= ∫e dt
√2 π 0
Числовые характеристики:
Вероятность попадания значений нормальной случайной величины в интервал:

P ( α < x < β )=Ф ( β −a


σ ) −Ф (
α −a
σ )
Математическое ожидание и дисперсия случайной величины:
M ( x )=a , D ( x )=σ 2
Правило трех сигм. Правило, утверждающее, что вероятность
того, что случайная величина отклонится от
своего математического ожидания более чем на
три среднеквадратических отклонения, практически равна нулю.
Правило справедливо только для случайных
величин, распределенных по нормальному закону.
10.ГЕНЕРАЛЬНАЯ СОВОКУПНОСТЬ И ВЫБОРКА. СТАТИСТИЧЕСКОЕ РАСПРЕДЕЛЕНИЕ
ВЫБОРКИ.
Генеральная совокупность – вся исследуемая совокупность однородных объектов, с которыми
связана конкретная проблема. Выборка – набор объектов, случайно отобранных из генеральной
совокупности.
Статистическое распределение выборки – последовательность вариантов x i и соответствующих им
частот ni или относительных частот w i. Различают дискретное и непрерывное распределения.
 Дискретное распределение.
Составление дискретного распределения начинается с определения максимального и минимального
значений x i выборки. Остальные располагаются в порядке возрастания между ними и получается
вариационный ряд. Затем находят ni – частоту встречаемости x i в выборке. После находят w i=ni /n –
относительную частоту. Затем определяют n x – накопленную частоту или частоту наблюдений в
nx
выборке, меньших или равных x. Находим F n= она является функцией от x и называется
n
выборочной или эмпирической функцией распределения случайной величины x, вычисленной по
выборке. Составляем таблицу и строим полигон.
X ni wi nx F n (x) Полигон
x1 n1 w1 n1 w1
x2 n2 w2 n1 +n 2 w 1+ w 2
Σ 1
 Непрерывное распределение.
Построение распределения начинается с нахождения максимального и минимального значений x i
выборки. Затем мы задаем количество интервалов с помощью формулы k =[ log 2 n ] +1, где [ x ] – целая
часть числа x, округленная до ближайшего целого числа в меньшую сторону. После определяем
x max −x min
длину частичного интервала группировки: h= . Выбираем границы каждого из
k
непересекающихся частичных интервалов ¿. Например,
h + ¿=a −¿ +h¿
¿
−¿= xmin − , a1 1
¿
2
a 1
−¿ +hит .д. ¿
+¿ =a ¿
2
+ ¿,a 2 ¿
−¿=a 1 ¿
a 2
+¿
ai
−¿+ ¿
Затем определяем середины частичных интервалов a =a 2
¿
i i
Составляем таблицу и строем гистограмму.
Нижняя Верхняя
Середина ni
граница граница ni w i= nx F n (x) Гистограмма
интервала n
интервала интервала
a−¿¿
1 a+1 ¿¿ a1 n1 w1 n1 w1

a−¿¿
2 a+2 ¿¿ a2 n2 w2 n1 +n 2 w 1+ w 2