Скачать 2.66 Mb.
|
3. A и A . Поэтому по аксиомам III и II: P(A)P( )P()1. Отсюда: P( )1P(A). 4. По аксиоме I:P(A)0.Так какP(A)P( )P()1,и, ввиду аксиомы I:P( )0,тоP(A)1.Итак, для любого события A:0P(A)1. 5. ЕслиAB,тоBA B,и слагаемые здесь несовместимы. По аксиоме III:P(B)P(A)P( B);по I аксиоме:P( B)0;поэтомуP(B)P(A). 6. Для любых двух событий A и B:P(AB)P(A). Действительно:AABA и по аксиомам III и I: P(A)P(AB)P(A )P(AB). 7. ФормулаP(AB)P(A)P(B)в случае, когдаAB,верна по аксиоме III. 8. Докажем теорему сложения для двух событий: P(AB)P(A)P(B)P(AB). Очевидно, ABAB , BABB , причём в обоих равенствах справа слагаемые несовместимы. По III аксиоме: P(AB)P(A)P(B ), P(B)P(AB)P(B ). Вычитая почленно нижнее равенство из верхнего, получим теорему сложения. 9. Теорема сложения для n событий P(A1A2An) (1)k1 P(Aj1Aj2Ajk) является прямым следствием теоремы сложения для двух событий. 10. Формула для условной вероятности P(A|B) является определением условной вероятности в предположении, что вероятность P(B) ненулевая:P(B)0.Вероятность P(A|B) показывает, какая часть вероятности P(B) приходится на долю события A. 11. Прямым следствием определения условной вероятности оказывается формула: P(AB)P(B)P(A|B)P(A)P(B|A). 12. Совершенно так же, как и в классической схеме, на основе последних формул строится понятие независимости событий: события A и B независимы в том и только в том случае, когдаP(AB)P(A)P(B). 13. Теорема умножения для n событий P(A1A2An)P(A1)P(A2|A1)P(A3|A1A2)P(An|A1A2An1) является прямым следствием теоремы умножения для двух событий. 14, 15. Выводы формулы полной вероятности и формул вероятностей гипотез воспроизводятся без изменений: для любого события B и любого разбиения пространства (A1A2An): P(B) P(Ak)P(B|Ak), P(Ak|B) , k1, 2, , n. В более полных, чем наш, курсах теории вероятностей приходится рассматривать также и суммы бесконечного числа событий и, соответственно, требовать, чтобы эта операция не выводила из поля событий: для бесконечной последовательности попарно несовместимых событий A1, A2, , An, требуют, чтобы An. Такие поля событий называются борелевскими полями или сигма-алгебрами. Приходится для борелевского поля событий усиливать аксиому III, распространяя её и на бесконечные суммы попарно несовместимых событий: P( An) P(An). Любопытно отметить, что в изложенном аксиоматическом построении теории вероятностей не нашлось места такому понятию, как событие "произошло" или "не произошло". Теория вероятностей оказывается частью теории меры, причём характерными свойствами вероятностной меры оказываются её неотрицательность:P(A)0и нормированность на единицу:P()1.Просматривая выведенные свойства вероятностной функции P(), можно заметить, что она ведёт себя подобно массе: единичная "масса вероятности" распределяется в пространстве . Если нас интересует вероятность некоторого события A, то мы должны подсчитать, сколько этой массы досталось множеству A. Одномерные случайные величины Пусть имеется вероятностное пространство (, , P()) Определим на числовую функцию XX(): каждому элементарному событию приведено в соответствие вещественное число X(). Такая функция называется случайной величиной. Мы ставим опыт, получаем элементарное событие , смотрим, какое число X()x было приведено ему в соответствие, и говорим: в опыте случайная величина X приняла значение x. Рассмотрим простейший случай: число возможных значений случайной величины X конечно или счётно: x1, , xk, Такую случайную величину называют дискретной. Законом распределения дискретной случайной величины называют совокупность вероятностей её возможных значений:pkP{Xxk}. Будем предполагать, что события {Xxk} содержатся в поле событий , и тем самым вероятности pk определены. Очевидно, одно и только одно из своих значений случайная величина обязательно примет. Поэтому выполняется равенство pk1, называемое иногда условием нормировки в дискретном случае. Задать случайную величину значит задать закон её распределения: т. е. указать её возможные значения и распределение вероятностей между ними. В общем случае общепринятый способ задания случайной величины даёт так называемая функция распределения: F(x)P{Xx}. Она указывает, какая вероятность досталась не отдельным точкам, а полуоси левее точки x, не включая саму точку x. Приходится дополнительно предполагать, что событие {Xx}, в противном случае функция распределения была бы не определена. Дискретную случайную величину можно задавать её функцией распределения. Нетрудно сообразить, что это будет ступенчатая функция с разрывами в точках xk и скачками pk в этих точках: F(x)P{Xx} P{Xxk} pk, где суммирование ведётся по всем тем возможным значениям X, которые оказались меньше x. Если существует такая функция p(x), которая позволяет представить функцию распределения интегралом: F(x) p(x)dx, то случайная величина X называется непрерывной, а p(x) – плотностью вероятности случайной величины X. Функция распределения F(x) непрерывной случайной величины является непрерывной функцией (отсюда и название случайной величины), и, более того, – дифференцируемой функцией: F(x)p(x). В более общем случае случайная величина X может принадлежать к смешанному типу: вероятность распределяется как между отдельными точками (дискретная составляющая), так и на интервалах (непрерывная составляющая). Если отдельным точкам xk достались вероятности pk, а остальная вероятность пошла на непрерывное распределение с линейной плотностью p(x), то: F(x)P{Xx} P{Xxk} p(x)dx. Если суммарная вероятность, доставшаяся точкам xk случайной величины X смешанного типа, равна A( pkA),а на непрерывное распределение X уходит вероятность B,( p(x)dxB),то AB1. Можно считать, что случайная величина X является смесью двух случайных величин: дискретной Y с возможными значениями xk и вероятностями pk и непрерывной Z с плотностью p(x). Функция распределения X имеет вид: F(x)AFY(x)BFZ(x). Вообще, если имеются случайные величины Xi, i1, 2, , nс функциями F(x) AiFXi(x), где числа Ai удовлетворяют условиям:0Ai1,A1A2An1,и играют роль весовых множителей, они регулируют вклад в смесь отдельных составляющих. Функция F(x), очевидно, обладает необходимыми свойствами функции распределения и может задавать случайную величину. Основные свойства функции распределения F(x) и плотности вероятности p(x) 1. Считаем, что случайная величина X или совсем не принимает значений или почти наверное их не принимает: P{X}P{X}0. При этом предположении: F(x)F()0, F(x)F()1. 2. F(x) – монотонно-неубывающая функция: x1x2F(x1)F(x2). Действительно: {Xx2}{Xx1}{x1Xx2}. Справа стоит сумма двух несовместимых событий. Поэтому: P{Xx2}P{Xx1}P{x1Xx2}, или: F(x2)F(x1)P{x1Xx2} и неравенство F(x2)F(x1) следует из неотрицательности вероятности P{x1X x2}. 3. В доказательстве второго свойства мы выразили через функцию распределения вероятность попадания случайной величины X в полуоткрытый интервал: P{x1Xx2}F(x2)F(x1). 4. Перепишем последнее равенство, взяв x1x, x2x, >0: P{xXx}F(x)F(x). Перейдём здесь к пределу при 0:P{Xx} F(x)F(x)F(x0)F(x). Таким образом, для любой случайной величины X вероятность любого конкретного значения равна скачкуF(x0)F(x)её функции распределения в точке x. Во всех точках непрерывности F(x) этот скачок и, следовательно, вероятность P{Xx}, равны нулю. Для непрерывных случайных величин все точки таковы, и ни одной из них не досталось положительной вероятности. Если мы наблюдаем непрерывную случайную величину и получили значение Xx, то мы получили пример событияA{Xx},вероятность которого равна нулю, которое, однако, произошло, а событие {Xx},вероятность которого рана единице, не произошло. Ясно, что повторить появление события A почти наверное не удастся. Так как функция распределения определена равенством F(x)P{Xx}, где под знаком вероятности стоит строгое неравенство, то вероятность, возможно сосредоточенная в точке x, не учитывается, поэтому F(x) – функция, непрерывная слева: F(x)F(x0)F(x). 5. Теперь нетрудно выразить через F(x) вероятность попадания случайной величины в произвольный интервал: P{x1Xx2}F(x20)F(x1), P{x1Xx2}F(x2)F(x10), P{x1Xx2}F(x20)F(x10). 6. Плотность вероятности p(x) неотрицательна. Это следует из монотонного неубывания F(x). 7. Переходя к пределу приxв равенствеF(x) p(x)dx,и учитывая, чтоF()1,получим условие нормировки для непрерывной случайной величины: p(x)dx1. Геометрический смысл этого равенства: площадь под кривой плотности вероятности всегда равна единице. 8. Общее правило вычисления вероятностей для дискретной и непрерывной случайной величины: если A –– некоторое числовое множество на вещественной оси, то P{XA} P{Xxk}, P{XA} p(x)dx и ясно, что в непрерывном случае вероятность событий {XA} определена лишь для таких множеств A , для которых имеет смысл интеграл p(x)dx. |
Сборник задач по теории вероятностей и математической статистике. Москва, «Наука», 1970 656с Баврин И. И.: Теория вероятностей и математическая статистика, Москва, Высшая школа, 2005 -160с | Письменный Д. Т. Конспект лекций по теории вероятностей, математической... Письменный Д. Т. Конспект лекций по теории вероятностей, математической статистике и случайным процессам. 3-е изд. М.: Айрис-пресс,... | ||
Теория вероятностей и математическая статистика Вам предлагаются обучающие тестовые задания по теории вероятностей. В этих заданиях вы должны отметить правильный ответ | Темы самостоятельных работ Вид работы Треугольник Паскаля Подготовить доклад Гмурман В. Е. Руководство к решению задач по теории вероятностей и математической статистике. М.: Юрайт, 2011. 480с | ||
Введение элементов комбинаторики и теории вероятностей «Теория вероятностей и математическая статистика» студентами 22-ой группы специальностей средних профессиональных учебных заведений.... | Тесты по теории вероятностей. Уровень Условие Варианты ответов Вам предлагаются обучающие тестовые задания по теории вероятностей. В этих заданиях вы должны отметить правильный ответ | ||
Исследовательская работа тема: «Удача на егэ в формулах теории вероятностей» Вам предлагаются обучающие тестовые задания по теории вероятностей. В этих заданиях вы должны отметить правильный ответ | Темы рефератов Теория вероятностей Эбс университетская библиотека onlin гмурман В. Е. Теория вероятностей и математическая статистика : Учебное пособие для вузов. 12-е... | ||
Лекции по учебной дисциплине Теория вероятностей и математическая статистика | Вопросы по дисциплине «Теория вероятностей и математическая статистика»... «Теория вероятностей и математическая статистика» студентами 22-ой группы специальностей средних профессиональных учебных заведений.... | ||
Методичекские рекомендации по дисциплине б. 5 Теория вероятностей... Целями освоения дисциплины Теория вероятностей и математическая статистика являются | Конспект лекций по высшей математике. В 2 частях. Часть М.: Айрис-пресс,... Баранова Е. С., Васильева Н. В., Федотов В. Л. Практическое пособие по высшей математике. Типовые расчеты. Учебное пособие. — Спб:... | ||
Тема урока: Повторение материала по теме "Элементы теории вероятностей"... Разберём весьма частный, однако, часто встречающийся случай: состоит из конечного числа n равновероятных событий | Исф фгбоу впо «СПбгпу» И. И. Боголепов теория вероятностей и математическая статистика в технике Анонс книги: И. И. Боголепов. Теория вероятностей и математическая статистика к технике | ||
Рабочая программа дисциплины (модуля) «Математическая статистика и теория вероятностей» Целью освоения дисциплины «Математическая статистика и теория вероятностей» являются | Программа по формированию навыков безопасного поведения на дорогах... Основы дискретной математики, теории вероятностей, математической статистики и их роль в медицине и здравоохранении |