Ясно, что каждое событие обладает той или иной степенью возможности своего наступления (своей реализации). Чтобы количественно сравнивать между собой события по степени их возможности, очевидно, нужно с каждым событием связать определенное число, которое тем больше, чем более возможно событие. Такое число называется вероятностью события.

Вероятность события – есть численная мера степени объективной возможности наступления этого события.

Рассмотрим стохастический эксперимент и случайное событие А, наблюдаемое в этом эксперименте. Повторим этот эксперимент n раз и пусть m(A) – число экспериментов, в которых событие А произошло.

Отношение (1.1)

называется относительной частотой события А в проведенной серии экспериментов.

Легко убедиться в справедливости свойств:

если А и В несовместны (АВ= ), то ν(А+В) = ν(А) + ν(В) (1.2)

Относительная частота определяется только после проведения серии экспериментов и, вообще говоря, может меняться от серии к серии. Однако опыт показывает, что во многих случаях при увеличении числа опытов относительная частота приближается к некоторому числу. Этот факт устойчивости относительной частоты неоднократно проверялся и может считаться экспериментально установленным.

Пример 1.19. . Если бросить одну монету, никто не сможет предсказать, какой стороной она упадет кверху. Но если бросить две тонны монет, то каждый скажет, что примерно одна тонна упадет кверху гербом, то есть относительная частота выпадения герба примерно равна 0,5.

Если при увеличении числа опытов относительная частота события ν(А) стремится к некоторому фиксированному числу, то говорят, что событие А статистически устойчиво , а это число называют вероятностью события А.

Вероятностью события А называется некоторое фиксированное число Р(А), к которому стремится относительная частота ν(А) этого события при увеличении числа опытов, то есть,

Это определение называют статистическим определением вероятности .

Рассмотрим некий стохастический эксперимент и пусть пространство его элементарных событий состоит из конечного или бесконечного (но счетного) множества элементарных событий ω 1 , ω 2 , …, ω i , … . предположим, что каждому элементарному событию ω i прописан некоторое число - р i , характеризующее степень возможности появления данного элементарного события и удовлетворяющее следующим свойствам:

Такое число p i называется вероятностью элементарного события ω i .

Пусть теперь А- случайное событие, наблюдаемое в этом опыте, и ему соответствует некоторое множество

В такой постановке вероятностью события А называют сумму вероятностей элементарных событий, благоприятствующих А (входящих в соответствующее множество А):

(1.4)

Введенная таким образом вероятность обладает теми же свойствами, что и относительная частота, а именно:

И если АВ= (А и В несовместны),

то P(А+В) = P(А) + P(В)

Действительно, согласно (1.4)

В последнем соотношении мы воспользовались тем, что ни одно элементарное событие не может благоприятствовать одновременно двум несовместным событиям.

Особо отметим, что теория вероятностей не указывает способов определения р i , их надо искать из соображений практического характера или получать из соответствующего статистического эксперимента.

В качестве примера рассмотрим классическую схему теории вероятностей. Для этого рассмотрим стохастический эксперимент, пространство элементарных событий которого состоит из конечного (n) числа элементов. Предположим дополнительно, что все эти элементарные события равновозможны, то есть вероятности элементарных событий равны p(ω i)=p i =p. Отсюда следует, что

Пример 1.20 . При бросании симметричной монеты выпадение герба и «решки» равновозможны, их вероятности равны 0,5.

Пример 1.21 . При бросании симметричного кубика все грани равновозможны, их вероятности равны 1/6.

Пусть теперь событию А благоприятствует m элементарных событий, их обычно называют исходами, благоприятствующими событию А . Тогда

Получили классическое определение вероятности : вероятность Р(А) события А равна отношению числа исходов, благоприятствующих событию А, к общему числу исходов

Пример 1.22 . В урне лежит m белых шаров и n черных. Чему равна вероятность вытащить белый шар?

Решение . Всего элементарных событий m+n. Они все равновероятны. Благоприятствующих событию А из них m. Следовательно, .

Из определения вероятности вытекают следующие ее свойства:

Свойство 1 . Вероятность достоверного события равна единице.

Действительно, если событие достоверно, то каждый элементарный исход испытания благоприятствует собы­тию. В этом случае т=п, следовательно,

P(A)=m/n=n/n=1. (1.6)

Свойство 2. Вероятность невозможного события равна нулю.

Действительно, если событие невозможно, то ни один из элементарных исходов испытания не благоприятствует событию. В этом случае т = 0, следовательно, P(A)=m/n=0/n=0. (1.7)

Свойство 3. Вероятность случайного события есть положительное число, заключенное между нулем и единицей.

Действительно, случайному событию благоприятствует лишь часть из общего числа элементарных исходов испы­тания. То есть, 0≤m≤n, значит, 0≤m/n≤1, следовательно, вероятность любого события удовлетворяет двойному неравенству 0≤P(A) ≤1. (1.8)

Сопоставляя определения вероятности (1.5) и относительной частоты (1.1), 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, а относительную частоту - после опыта.

Однако, вычисление вероятности требует наличия предварительной информации о количестве или вероятностях благоприятствующих данному событию элементарных исходов. В случае отсутствия такой предварительной информации для определения вероятности прибегают к эмпирическим данным, то есть, по результатам стохастического эксперимента определяют относительную частоту события.

Пример 1.23 . Отдел технического контроля обнаружил 3 нестандартных детали в партии из 80 случайно отобранных деталей. Относительная частота появления нестандартных деталей r (А) = 3/80.

Пример 1.24 . По цели.произвели 24 выстрела, причем было зарегистрировано 19 попаданий. Относительная частота поражения цели. r (А) =19/24.

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 можно принять за приближенное значение вероятности.

Подробнее и точнее связь между относительной частотой и вероятностью будет изложена далее. Теперь же проиллюстрируем свойство устойчивости на примерах.

Пример 1.25 . По данным шведской статистики, относительная частота рождения девочек за 1935 г. по месяцам характеризуется сле­дующими числами (числа расположены в порядке следования месяцев, начиная с января): 0,486; 0,489; 0,490; 0.471; 0,478; 0,482; 0.462; 0,484; 0,485; 0,491; 0,482; 0,473

Относительная частота колеблется около числа 0,481, которое можно принять за приближеннее значение вероятности рождения девочек.

Заметим, что статистические данные различных стран дают примерно то же значение относительной частоты.

Пример 1.26. Многократно проводились опыты бросания монеты, в которых подсчитывали число появление «герба». Результаты нескольких опытов приведены в таблице.

Хотите узнать, какие математические шансы на успех вашей ставки? Тогда для вас есть две хорошие новости. Первая: чтобы посчитать проходимость, не нужно проводить сложные расчеты и тратить большое количество времени. Достаточно воспользоваться простыми формулами, работа с которыми займёт пару минут. Вторая: после прочтения этой статьи вы с лёгкостью сможете рассчитывать вероятность прохода любой вашей сделки.

Чтобы верно определить проходимость, нужно сделать три шага:

• Рассчитать процент вероятности исхода события по мнению букмекерской конторы;
• Вычислить вероятность по статистическим данным самостоятельно;
• Узнать ценность ставки, учитывая обе вероятности.

Рассмотрим подробно каждый из шагов, применяя не только формулы, но и примеры.

Быстрый переход

Подсчёт вероятности, заложенной в букмекерские коэффициенты

Первый шаг – необходимо узнать, с какой вероятностью оценивает шансы на тот или иной исход сам букмекер. Ведь понятно, что кэфы букмекерские конторы не ставят просто так. Для этого пользуемся следующей формулой:

P Б =(1/K)*100%,

где P Б – вероятность исхода по мнению букмекерской конторы;

K – коэффициент БК на исход.

Допустим, на победу лондонского Арсенала в поединке против Баварии коэффициент 4. Это значит, что вероятность его виктории БК расценивают как (1/4)*100%=25%. Или же Джокович играет против Южного. На победу Новака множитель 1.2, его шансы равны (1/1.2)*100%=83%.

Так оценивает шансы на успех каждого игрока и команды сама БК. Осуществив первый шаг, переходим ко второму.

Расчёт вероятности события игроком

Второй пункт нашего плана – собственная оценка вероятности события. Так как мы не можем учесть математически такие параметры как мотивация, игровой тонус, то воспользуемся упрощённой моделью и будем пользоваться только статистикой предыдущих встреч. Для расчёта статистической вероятности исхода применяем формулу:

P И =(УМ/М)*100%,

где P И – вероятность события по мнению игрока;

УМ – количество успешных матчей, в которых такое событие происходило;

М – общее количество матчей.

Чтобы было понятней, приведём примеры. Энди Маррей и Рафаэль Надаль сыграли между собой 14 матчей. В 6 из них был зафиксирован тотал меньше 21 по геймам, в 8 – тотал больше. Необходимо узнать вероятность того, что следующий поединок будет сыгран на тотал больше: (8/14)*100=57%. Валенсия сыграла на Месталье против Атлетико 74 матча, в которых одержала 29 побед. Вероятность победы Валенсии: (29/74)*100%=39%.

И это все мы узнаем только благодаря статистике предыдущих игр! Естественно, что на какую-то новую команду или игрока такую вероятность просчитать не получится, поэтому такая стратегия ставок подойдет только для матчей, в которых соперники встречаются не первый раз. Теперь мы умеем определять букмекерскую и собственную вероятности исходов, и у нас есть все знания, чтобы перейти к последнему шагу.

Определение ценности ставки

Ценность (валуйность) пари и проходимость имеют непосредственную связь: чем выше валуйность, тем выше шанс на проход. Рассчитывается ценность следующим образом:

V= P И *K-100%,

где V – ценность;

P И – вероятность исхода по мнению беттера;

K – коэффициент БК на исход.

Допустим, мы хотим поставить на победу Милана в матче против Ромы и подчитали, что вероятность победы «красно-черных» 45%. Букмекер предлагает нам на это исход коэффициент 2.5. Будет ли такое пари ценным? Проводим расчёты: V=45%*2.5-100%=12.5%. Отлично, перед нами ценная ставка с хорошими шансами на проход.

Возьмём другой случай. Мария Шарапова играет против Петры Квитовой. Мы хотим заключить сделку на победу Марии, вероятность которой по нашим расчетам 60%. Конторы предлагают на этот исход множитель 1.5. Определяем валуйность: V=60%*1.5-100=-10%. Как видим, ценности эта ставка не представляет и от неё следует воздержаться.

Профессиональный беттер должен хорошо ориентироваться в коэффициентах, быстро и правильно оценивать вероятность события по коэффициенту и при необходимости уметь перевести коэффициенты из одного формата в другой . В данном мануале мы расскажем о том, какие бывают виды коэффициентов, а так же на примерах разберём, как можно высчитывать вероятность по известному коэффициенту и наоборот.

Какие бывают типы коэффициентов?

Существует три основных вида коэффициентов, которые предлагают игрокам букмекеры: десятичные коэффициенты , дробные коэффициенты (английские) и американские коэффициенты . Наиболее распространённые коэффициенты в Европе - десятичные. В Северной Америке популярны американские коэффициенты. Дробные коэффициенты - наиболее традиционный вид, они сразу же отражают информацию о том сколько нужно поставить, чтобы получить определённую сумму.

Десятичные коэффициенты

Десятичные или еще их называют европейские коэффициенты - это привычный формат числа, представленный десятичной дробью с точностью до сотых, а иногда даже до тысячных. Пример десятичного коэффициента - 1.91. Рассчитать прибыль в случае с десятичными коэффициентами очень просто, достаточно лишь умножить сумму вашей ставки на этот коэффициент. Например, в матче "Манчестер Юнайтед" - "Арсенал" победа "МЮ" выставлена с коэффициентом - 2.05, ничья оценена коэффициентом - 3.9, а победа "Арсенала" равняется - 2.95. Предположим, что мы уверены в победе "Юнайтед" и ставим на них 1000 долларов. Тогда наш возможный доход рассчитывается следующим образом:

2.05 * $1000 = $2050;

Правда ведь ничего сложного?! Точно так же рассчитывается возможный доход при ставке на ничью и победу "Арсенала".

Ничья: 3.9 * $1000 = $3900;
Победа "Арсенала": 2.95 * $1000 = $2950;

Как рассчитать вероятность события по десятичным коэффициентам?

Представим теперь что нам нужно определить вероятность события по десятичным коэффициентам, которые выставил букмекер. Делается это так же очень просто. Для этого мы единицу делим на этот коэффициент.

Возьмем уже имеющиеся данные и посчитаем вероятность каждого события:

Победа "Манчестер Юнайтед": 1 / 2.05 = 0,487 = 48,7%;
Ничья: 1 / 3.9 = 0,256 = 25,6%;
Победа "Арсенала": 1 / 2.95 = 0,338 = 33,8%;

Дробные коэффициенты (Английские)

Как понятно из названия дробный коэффициент представлен обыкновенной дробью. Пример английского коэффициента - 5/2. В числителе дроби находиться число, являющееся потенциальной суммой чистого выигрыша, а в знаменателе расположено число обозначающее сумму которую нужно поставить, чтобы этот выигрыш получить. Проще говоря, мы должны поставить $2 доллара, чтобы выиграть $5. Коэффициент 3/2 означает что для того чтобы получить $3 чистого выигрыша нам придётся сделать ставку в размере $2.

Как рассчитать вероятность события по дробным коэффициентам?

Вероятность события по дробным коэффициентам рассчитать так же не сложно, нужно всего на всего разделить знаменатель на сумму числителя и знаменателя.

Для дроби 5/2 рассчитаем вероятность: 2 / (5+2) = 2 / 7 = 0,28 = 28%;
Для дроби 3/2 рассчитаем вероятность:

Американские коэффициенты

Американские коэффициенты в Европе непопулярны, зато в Северной Америке очень даже. Пожалуй, данный вид коэффициентов самый сложный, но это только на первый взгляд. На самом деле и в этом типе коэффициентов ничего сложного нет. Сейчас во всем разберёмся по порядку.

Главной особенностью американских коэффициентов является то, что они могут быть как положительными , так и отрицательными . Пример американских коэффициентов - (+150), (-120). Американский коэффициент (+150) означает, что для того чтобы заработать $150 нам нужно поставить $100. Иными словами положительный американский коэффициент отражает потенциальный чистый заработок при ставке в $100. Отрицательный же американский коэффициент отражает сумму ставки, которую необходимо сделать для того чтобы получить чистый выигрыш в $100. Например коэффициент (- 120) нам говорит о том, что поставив $120 мы выиграем $100.

Как рассчитать вероятность события по американским коэффициентам?

Вероятность события по американскому коэффициенту считается по следующим формулам:

(-(M)) / ((-(M)) + 100) , где M - отрицательный американский коэффициент;
100 / (P + 100) , где P - положительный американский коэффициент;

Например, мы имеем коэффициент (-120), тогда вероятность рассчитывается так:

(-(M)) / ((-(M)) + 100); подставляем вместо "M" значение (-120);
(-(-120)) / ((-(-120)) + 100 = 120 / (120 + 100) = 120 / 220 = 0,545 = 54,5%;

Таким образом, вероятность события с американским коэффициентом (-120) равна 54,5%.

Например, мы имеем коэффициент (+150), тогда вероятность рассчитывается так:

100 / (P + 100); подставляем вместо "P" значение (+150);
100 / (150 + 100) = 100 / 250 = 0,4 = 40%;

Таким образом, вероятность события с американским коэффициентом (+150) равна 40%.

Как зная процент вероятности перевести его в десятичный коэффициент?

Для того чтобы рассчитать десятичный коэффициент по известному проценту вероятности нужно 100 разделить на вероятность события в процентах. Например, вероятность события составляет 55%, тогда десятичный коэффициент этой вероятности будет равен 1,81.

100 / 55% = 1,81

Как зная процент вероятности перевести его в дробный коэффициент?

Для того чтобы рассчитать дробный коэффициент по известному проценту вероятности нужно от деления 100 на вероятность события в процентах отнять единицу. Например, имеем процент вероятности 40%, тогда дробный коэффициент этой вероятности будет равен 3/2.

(100 / 40%) - 1 = 2,5 - 1 = 1,5;
Дробный коэффициент равен 1,5/1 или 3/2.

Как зная процент вероятности перевести его в американский коэффициент?

Если вероятность события больше 50%, то расчёт производится по формуле:

- ((V) / (100 - V)) * 100, где V - вероятность;

Например, имеем вероятность события 80%, тогда американский коэффициент этой вероятности будет равен (-400).

- (80 / (100 - 80)) * 100 = - (80 / 20) * 100 = - 4 * 100 = (-400);

В случае если вероятность события меньше 50%, то расчёт производиться по формуле:

((100 - V) / V) * 100 , где V - вероятность;

Например, имеем процент вероятности события 20%, тогда американский коэффициент этой вероятности будет равен (+400).

((100 - 20) / 20) * 100 = (80 / 20) * 100 = 4 * 100 = 400;

Как перевести коэффициент в другой формат?

Бывают случаи, когда необходимо перевести коэффициенты из одного формата в другой. Например, у нас есть дробный коэффициент 3/2 и нам нужно перевести его в десятичный. Для перевода дробного коэффициента в десятичный мы сначала определяем вероятность события с дробным коэффициентом, а затем эту вероятность переводим в десятичный коэффициент.

Вероятность события с дробным коэффициентом 3/2 равна 40%.

2 / (3+2) = 2 / 5 = 0,4 = 40%;

Теперь переведём вероятность события в десятичный коэффициент, для этого 100 делим на вероятность события в процентах:

100 / 40% = 2.5;

Таким образом, дробный коэффициент 3/2 равен десятичному коэффициенту 2.5. Аналогичным образом переводятся, например, американские коэффициенты в дробные, десятичные в американские и т.д. Самое сложное во всём этом лишь расчёты.

Теория вероятности - довольно обширный самостоятельный раздел математики. В школьном курсе теория вероятности рассматривается очень поверхностно, однако в ЕГЭ и ГИА имеются задачи на данную тему. Впрочем, решать задачи школьного курса не так уж сложно (по крайней мере то, что касается арифметических операций) - здесь не нужно считать производные, брать интегралы и решать сложные тригонометрические преобразования - главное, уметь обращаться с простыми числами и дробями.

Теория вероятности - основные термины

Главные термины теории вероятности - испытание, исход и случайное событие. Испытанием в теории вероятности называют эксперимент - подбросить монету, вытянуть карту, провести жеребьевку - все это испытания. Результат испытания, как вы уже догадались, называется исходом.

А что же такое случайность события? В теории вероятности предполагается, что испытание проводится ни один раз и исходов много. Случайным событием называют множество исходов испытания. Например, если вы бросаете монету, может произойти два случайных события - выпадет орел или решка.

Не путайте понятия исход и случайное событие. Исход - это один результат одного испытания. Случайное событие - это множество возможных исходов. Существует, кстати, и такой термин, как невозможное событие. Например, событие "выпало число 8" на стандартном игровом кубике является невозможным.

Как найти вероятность?

Все мы примерно понимаем, что такое вероятность, и довольно часто используем данное слово в своем лексиконе. Кроме того, мы можем даже делать некоторые выводы относительно вероятности того или иного события, например, если за окном снег, мы с большой вероятностью можем сказать, что сейчас не лето. Однако как выразить данное предположение численно?

Для того чтобы ввести формулу для нахождения вероятности, введем еще одно понятие - благоприятные исход, т. е. исход, который является благоприятным для того или иного события. Определение довольно двусмысленное, конечно, однако по условию задачи всегда понятно, какой из исходов благоприятный.

Например: В классе 25 человек, трое из них Кати. Учитель назначает дежурной Олю, и ей нужен напарник. Какова вероятность того, что напарником станет Катя?

В данном примере благоприятный исход - напарник Катя. Чуть позже мы решим эту задачу. Но сначала введем с помощью дополнительного определения формулу для нахождения вероятности.

• Р = А/N, где P - вероятность, A - число благоприятных исходов, N - общее количество исходов.

Все школьные задачи крутятся вокруг одной этой формулы, и главная трудность обычно заключается в нахождении исходов. Иногда их найти просто, иногда - не очень.

Как решать задачи на вероятность?

Задача 1

Итак, теперь давайте решим поставленную выше задачу.

Число благоприятных исходов (учитель выберет Катю) равно трем, ведь Кать в классе три, а общих исходов - 24 (25-1, ведь Оля уже выбрана). Тогда вероятность равна: P = 3/24=1/8=0,125. Таким образом, вероятность того, что напарником Оли окажется Катя, составляет 12,5%. Несложно, правда? Давайте разберем кое-что посложней.

Задача 2

Монету бросили два раза, какова вероятность выпадения комбинации: один орел и одна решка?

Итак, считаем общие исходы. Как могут выпасть монеты - орел/орел, решка/решка, орел/решка, решка/орел? Значит, общее число исходов - 4. Сколько благоприятных исходов? Два - орел/решка и решка/орел. Таким образом, вероятность выпадения комбинации орел/решка равна:

• P = 2/4=0,5 или 50 процентов.

А теперь рассмотрим такую задачу. У Маши в кармане 6 монет: две - номиналом 5 рублей и четыре - номиналом 10 рублей. Маша переложила 3 монеты в другой карман. Какова вероятность того, что 5-рублевые монеты окажутся в разных карманах?

Для простоты обозначим монеты цифрами - 1,2 - пятирублевые монеты, 3,4,5,6 - десятирублевые монеты. Итак, как могут лежать монеты в кармане? Всего есть 20 комбинаций:

• 123, 124, 125, 126, 134, 135, 136, 145, 146, 156, 234, 235, 236, 245, 246, 256, 345, 346, 356, 456.

На первый взгляд может показаться, что некоторые комбинации пропали, например, 231, однако в нашем случае комбинации 123, 231 и 321 равнозначны.

Теперь считаем, сколько у нас благоприятных исходов. За них берем те комбинации, в которых есть либо цифра 1, либо цифра 2: 134, 135, 136, 145, 146, 156, 234, 235, 236, 245, 246, 256. Их 12. Таким образом, вероятность равна:

• P = 12/20 = 0,6 или 60%.

Задачи по теории вероятности, представленные здесь, довольно простые, однако не думайте, что теория вероятности - это простой раздел математики. Если вы решите продолжать образование в вузе (за исключением гуманитарных специальностей), у вас обязательно будут пары по высшей математике, на которых вас ознакомят с более сложными терминами данной теории, и задачи там будут куда сложнее.

Раздел 1. Случайные события (50 часов)

Тематический план дисциплины для студентов очно-заочной формы обучения

Тематический план дисциплины для студентов заочной формы обучения

2.3. Структурно-логическая схема дисциплины

Математика ч.2. Теория вероятностей и элементы математической статистики Теория

Раздел 1 Случайные события

Раздел 3 Элементы математической статистики

Раздел 2 Случайные величины

2.5. Практический блок

2.6. Балльно-рейтинговая система

Информационные ресурсы дисциплины

Библиографический список Основной:

3.2. Опорный конспект по курсу “ Математика ч.2. Теория вероятностей и элементы математической статистики” введение

Раздел 1. Случайные события

1.1. Понятие случайного события

1.1.1. Сведения из теории множеств

1.1.2. Пространство элементарных событий

1.1.3. Классификация событий

1.1.4. Сумма и произведение событий

1.2. Вероятности случайных событий.

1.2.1. Относительная частота события, аксиомы теории вероятностей. Классическое определение вероятности

1.2.2. Геометрическое определение вероятности

Вычисление вероятности события через элементы комбинаторного анализа

1.2.4. Свойства вероятностей событий

1.2.5. Независимые события

1.2.6. Расчет вероятности безотказной работы прибора

Формулы для вычисления вероятности событий

1.3.1. Последовательность независимых испытаний (схема Бернулли)

1.3.2. Условная вероятность события

1.3.4. Формула полной вероятности и формула Байеса

Раздел 2. Случайные величины

2.1. Описание случайных величин

2.1.1. Определение и способы задания случайной величины Одним из основных понятий теории вероятности является понятие случайной величины. Рассмотрим некоторые примеры случайных величин:

Чтобы задать случайную величину, надо указать ее закон распределения. Случайные величины принято обозначать греческими буквами ,,, а их возможные значения – латинскими буквами с индексамиxi,yi,zi.

2.1.2. Дискретные случайные величины

Рассмотрим события Ai , содержащие все элементарные события , приводящие к значению XI:

Пусть pi обозначает вероятность события Ai:

2.1.3. Непрерывные случайные величины

2.1.4. Функция распределения и ее свойства

2.1.5. Плотность распределения вероятности и ее свойства

2.2. Числовые характеристики случайных величин

2.2.1. Математическое ожидание случайной величины

2.2.2. Дисперсия случайной величины

2.2.3. Нормальное распределение случайной величины

2.2.4. Биномиальное распределение

2.2.5. Распределение Пуассона

Раздел 3. Элементы математической статистики

3.1. Основные определения

Гистограмма

3.3. Точечные оценки параметров распределения

Основные понятия

Точечные оценки математического ожидания и дисперсии

3.4. Интервальные оценки

Понятие интервальной оценки

Построение интервальных оценок

Основные статистические распределения

Интервальные оценки математического ожидания нормального распределения

Интервальная оценка дисперсии нормального распределения

Заключение

Глоссарий

4. Методические указания к выполнению лабораторных работ

Библиографический список

Лабораторная работа 1 описание случайных величин. Числовые характеристики

Порядок выполнения лабораторной работы

Лабораторная работа 2 Основные определения. Систематизация выборки. Точечные оценки параметров распределения. Интервальные оценки.

Понятие статистической гипотезы о виде распределения

Порядок выполнения лабораторной работы

Ячейка Значение Ячейка Значение

5. Методические указания к выполнению контрольной работы Задание на контрольную работу

Методические указания к выполнению контрольной работы События и их вероятности

Случайные величины

Среднее квадратическое отклонение

Элементы математической статистики

6. Блок контроля освоения дисциплины

Вопросы для экзамена по курсу « Математика ч.2. Теория вероятностей и элементы математической статистики»

Продолжение таблицы в

Окончание таблицы в

Равномерно распределенные случайные числа

Содержание

Раздел 1. Случайные события………………………………………. 18

Раздел 2 . Случайные величины..………………………… ….. 41

Раздел 3. Элементы математической статистики............... . 64

4. Методические указания к выполнению лабораторных

5. Методические указания к выполнению контрольной

1. Формулы для вычисления вероятности событий

1.3.1. Последовательность независимых испытаний (схема Бернулли)

Предположим, что некоторый эксперимент можно проводить неоднократно при одних и тех же условиях. Пусть этот опыт производится n раз, т. е. проводится последовательность из n испытаний.

Определение. Последовательность n испытаний называют взаимно независимой , если любое событие, связанное с данным испытанием, не зависит от любых событий, относящихся к остальным испытаниям.

Допустим, что некоторое событие A может произойти с вероятностью p в результате одного испытания или не произойти с вероятностью q = 1- p .

Определение . Последовательность из n испытаний образует схему Бернулли, если выполняются следующие условия:

последовательность n испытаний взаимно независима,

2) вероятность события A не изменяется от испытания к испытанию и не зависит от результата в других испытаниях.

Событие A называют “ успехом” испытания, а противоположное событие - “неудачей”. Рассмотрим событие

={ в n испытаниях произошло ровно m “успехов”}.

Для вычисления вероятности этого события справедлива формула Бернулли

p () =
, m = 1, 2, …, n , (1.6)

где - число сочетаний из n элементов по m :

=
=
.

Пример 1.16. Три раза подбрасывают кубик. Найти:

а) вероятность того, что 6 очков выпадет два раза;

б) вероятность того, что число шестерок не появится более двух раз.

Решение . “Успехом” испытания будем считать выпадение на кубике грани с изображением 6 очков.

а) Общее число испытаний – n =3, число “успехов” – m = 2. Вероятность “успеха” - p =, а вероятность “неудачи” - q = 1 - =. Тогда по формуле Бернулли вероятность того, что результате трехразового бросания кубика два раза выпадет сторона с шестью очками, будет равна

.

б) Обозначим через А событие, которое заключается в том, что грань с числом очков 6 появится не более двух раз. Тогда событие можно представить в виде суммы трех несовместных событий А=
,

где В 3 0 – событие, когда интересующая грань ни разу не появится,

В 3 1 - событие, когда интересующая грань появится один раз,

В 3 2 - событие, когда интересующая грань появится два раза.

По формуле Бернулли (1.6) найдем

p (А ) = р (
) = p (
)=
+
+
=

=
.

1.3.2. Условная вероятность события

Условная вероятность отражает влияние одного события на вероятность другого. Изменение условий, в которых проводится эксперимент, также влияет

на вероятность появления интересующего события.

Определение. Пусть A и B – некоторые события, и вероятность p (B )> 0.

Условной вероятностью события A при условии, что “событие B уже произошло” называется отношение вероятности произведения данных событий к вероятности события, которое произошло раньше, чем событие, вероятность которого требуется найти. Условная вероятность обозначается как p (A  B ). Тогда по определению

p (A  B ) =
. (1.7)

Пример 1.17. Подбрасывают два кубика. Пространство элементарных событий состоит из упорядоченных пар чисел

(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)

(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)

(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)

(6,1) (6,2) (6,3) (6,4) (6,5) (6,6).

В примере 1.16 было установлено, что событие A ={число очков на первом кубике > 4} и событие C ={сумма очков равна 8} зависимы. Составим отношение

.

Это отношение можно интерпретировать следующим образом. Допустим, что о результате первого бросания известно, что число очков на первом кубике > 4. Отсюда следует, что бросание второго кубика может привести к одному из 12 исходов, составляющих событие A :

(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)

(6,1) (6,2) (6,3) (6,4) (6,5) (6,6) .

При этом событию C могут соответствовать только два из них (5,3) (6,2). В этом случае вероятность события C будет равна
. Таким образом, информация о наступлении событияA оказала влияние на вероятность события C .

Вероятность произведения событий

Теорема умножения

Вероятность произведения событий A 1 A 2  A n определяется формулой

p (A 1 A 2  A n ) = p (A 1) p (A 2  A 1)) p (A n  A 1 A 2  A n- 1). (1.8)

Для произведения двух событий отсюда следует, что

p (AB ) = p (A  B) p {B ) = p (B  A ) p {A ). (1.9)

Пример 1.18. В партии из 25 изделий 5 изделий бракованных. Последовательно наугад выбирают 3 изделия. Определить вероятность того, что все выбранные изделия бракованные.

Решение. Обозначим события:

A 1 = {первое изделие бракованное},

A 2 = {второе изделие бракованное},

A 3 = {третье изделие бракованное},

A = {все изделия бракованные}.

Событие А есть произведение трех событий A = A 1 A 2 A 3 .

Из теоремы умножения (1.6) получим

p (A ) = р( A 1 A 2 A 3 ) = p (A 1) p (A 2  A 1))p (A 3  A 1 A 2).

Классическое определение вероятности позволяет найти p (A 1) – это отношение числа бракованных изделий к общему количеству изделий:

p (A 1)= ;

p (A 2) – это отношение числа бракованных изделий, оставшихся после изъятия одного, к общему числу оставшихся изделий:

p (A 2  A 1))= ;

p (A 3) – это отношение числа бракованных изделий, оставшихся после изъятия двух бракованных, к общему числу оставшихся изделий:

p (A 3  A 1 A 2)=.

Тогда вероятность события A будет равна

p (A ) ==
.