ЛЕКЦИЯ № 19 Формула полной вероятности, формула Байеса. Схема Бернулли. Понятия дискретной и непрерывной величин, их числовые
ЛИТЕРАТУРА
Теоремы о повторении опытов.
Приближенные формулы в схеме Бернулли
Формула Пуассона
Определение вероятности появления события не менее «m» раз и не менее одного раза в «n» опытах.
Отклонение относительной частоты от вероятности
УЧЕБНЫЙ ВОПРОС
Основные формулы, определяющие числовые характеристики С.В.
Функция распределения
Нормальное распределение
Задание на самоподготовку
579.00K
Category: mathematicsmathematics

Формула полной вероятности, формула Байеса. Схема Бернулли. Понятия дискретной и непрерывной величин, их числовые характеристики

1.

Дисциплина:
МАТЕМАТИКА
Лектор: Ахкамова Юлия Абдулловна
доцент кафедры математики и
методики обучения математике
ЮУрГГПУ
[email protected]

2. ЛЕКЦИЯ № 19 Формула полной вероятности, формула Байеса. Схема Бернулли. Понятия дискретной и непрерывной величин, их числовые

характеристики, виды .
распределений
.

3.

ЛИТЕРАТУРА
Гмурман В.Е.
Теория вероятностей
и математическая
статистика,
Высшее образование,
2006, с. 50-63.

4. ЛИТЕРАТУРА

Шолохович Ф.А. Высшая
математика в кратком изложении.
Баврин И.И. Высшая математика.
Данко П.Е., Попов А.Г и др. Высшая
математика в упражнениях и
задачах, часть II.

5.

УЧЕБНЫЕ ВОПРОСЫ
1.Теоремы о повторении опытов.
Определение вероятности
появления события не менее «m»
раз и не менее одного раза в «n»
опытах.
2.Теорема о полной вероятности,
формула Байеса.

6.

УЧЕБНЫй ВОПРОС
Теоремы о повторении опытов.
-Определение вероятности
появления события не менее «m»
раз и не менее одного раза в «n»
опытах.

7. Теоремы о повторении опытов.

Рассмотрим многократное повторение
одного и того же испытания, в
котором может либо наступить, либо
не наступить событие А. Вероятность
появления А в каждом из испытаний
постоянна, равна р.
Такие испытания называются "схемой
повторных независимых испытаний"
или "схемой Бернулли".

8.

Формула Бернулли.
Если вероятность появления события A в
каждом
испытании
постоянна,
то
вероятность
того,
что
событие
А
произойдёт ровно k раз в n независимых
испытаниях вычисляется по формуле
Бернулли
Pn (k )
k
Cn
p q
k
n k
,
где р – вероятность появления события
А,
q=1–p

9.

Пример.
Вероятность изготовления
стандартной детали равна 0,9.
Какова вероятность того, что среди
10 деталей окажется более 1
нестандартной?

10.

11. Приближенные формулы в схеме Бернулли

Локальная теорема Муавра-Лапласа
Если вероятность р наступления события А в каждом
испытании постоянна и отлична от 0 и 1, а число
испытаний достаточно велико, то вероятность
того, что событие А произойдёт ровно k раз в n
независимых испытаниях
k np
1
Рn ( k )
npq npq ,
x2
где
1
( x)
e 2
; φ(-х)=φ(х); для значений этой
2
функции составлены специальные таблицы.

12.

Пример.
Вероятность поражения мишени
стрелком равна р=0,8. Найти
вероятность того, что при n= 100
выстрелах мишень будет поражена
ровно k = 86 раз.

13.

14.

Интегральная теорема МуавраЛапласа
Если
вероятность
р
наступления
события А в каждом испытании
постоянна и отлична от 0 и 1, то
вероятность появления события А не
менее k1 раз и не более k2 раза при
достаточно
большом
количестве
испытаний n:
k 2 np
k1 np
Pn (k1 k k 2 )
npq
npq

15.

где
( х)
1
2
x
е
z2
2
dz
0
- функция Лапласа,
её значения приведены в
специальных таблицах;
Ф(-х) = - Ф(х);
Ф(х>5)=0,5.

16.

Пример.

17. Формула Пуассона

При большом числе n испытаний и
сравнительно малой вероятности р
наступления события А в каждом
испытании выполняется приближенное равенство
Pn (k )
где λ = np.
k
k!
e

18.

Пример.
Вероятность угадывания 6 номеров в
спортлото (6 из 49) равна 7,2· 10-8.
При подсчете оказались
заполненными 5 млн. карточек.
Какова вероятность того, что никто
не угадал все 6 номеров? Какое
наименьшее количество карточек
нужно заполнить, чтобы с
вероятностью не менее 0,9 хотя бы
один угадал 6 номеров?

19.

20.

21. Определение вероятности появления события не менее «m» раз и не менее одного раза в «n» опытах.

Вероятность того, что в n испытаниях
событие наступит:
не более m раз
Pn (k m) Pn (0) Pn (1) ... Pn (m)
Не менее m раз
Pn (k m) Pn (m) Pn (m 1) ... Pn (n)

22.

событие А не наступит ни разу
Pn (0) q
n
произойдет хотя бы раз ( не менее одного)
Pn (k 1) 1 Pn (0) 1 q
n

23. Отклонение относительной частоты от вероятности

24.

УЧЕБНЫЙ ВОПРОС
Теорема о полной вероятности,
формула Байеса.

25.

Теорема о полной вероятности.
Пусть имеется группа событий В1, В2,...,
Вn, обладающая следующими свойствами:
1) все события попарно несовместны:
Вi ∩ Вj = Ø ; i ≠ j;
2) их объединение образует пространство
элементарных исходов :
=В1 U В2 U ... U Вn.
В этом случае будем говорить,
что В1, В2,..., Вn образуют полную
группу событий. Такие события назовём
гипотезами.

26.

В1
В2
В3
В4
Вn
Пусть А - некоторое событие, которое
может наступить лишь при появлении
одного из событий Вi . Тогда имеет место
формула полной вероятности:
P(A)=P(В1)∙P(A/ В1)+P(В2)∙P(A/В2)+...+P(Вn)∙P(A/Вn)

27.

Пример.
На трех станках изготавливаются
одинаковые детали, причем на
первом вырабатывается 50% всех
деталей, на втором – 30% и на
третьем – 20%. При этом,
вероятность появления брака с
первого станка составляет 0,05, со
второго – 0,08, с третьего – 0,1.
Найти вероятность того, что наудачу
взятая деталь соответствует стандарту.

28.

Решение.
Обозначим через А событие –
наудачу взятая деталь соответствует
стандарту.
Возможны следующие
предположения (гипотезы):
В1- деталь изготовлена на первом
станке;
В2 - деталь изготовлена на втором
станке;
В3 - деталь изготовлена на третьем
станке.

29.

Найдем вероятности этих гипотез.
Поскольку на первом станке
вырабатывается 50% всех деталей,
то Р(В1) =0,5 ;
Р(В2) = 0,3; Р(В3) = 0,2.
Найдем условные вероятности
события А:
Р(А/В1) = 1 - 0,05 = 0,95.
Р(А/В2) = 1 - 0,08 = 0,92.
Р(А/В3) = 1 - 0,1 = 0,9.

30.

Искомую вероятность того, что
наудачу взятая деталь соответствует
стандарту, находим по формуле
полной вероятности:
Р(А)=Р(В1)·Р(А/В1)+Р(В2)·Р(А/В2)+
+Р(В3)·Р(А/В3)=
=0,5·0,95+0,3·0,92+0,2·0,9 =
=0,475 + 0,276 + 0,18 = 0,931.

31.

Пусть в результате проведения эксперимента
появилось событие A. Если необходимо
оценить вклад какого-либо события Вi в
реализацию события A, то используется
формула Байеса оценки вероятности
гипотезы после опыта
P ( Вk ) P ( A / Вk )
P( Вk / A)
P( A)
Используя для знаменателя формулу полной
вероятности, получим
P ( Вk ) P ( A / Вk )
P ( Вk / A) n
P( Вi ) P( A / Вi )
i 1

32.

Пример.
Рассмотрим приведенную выше
задачу о деталях, только изменим
вопрос задачи. Пусть наудачу взятая
деталь соответствует стандарту.
Найти вероятность того, что эта
деталь изготовлена на третьем
станке.

33.

Решение.
По формуле Байеса
P( В ) P( A / В )
3
3
P( В / A)
3
3
P( В ) P( A / В )
i
i
i 1
Имеем
0,2 0,9
P( В3 / A)
0,193
0,931

34. УЧЕБНЫЙ ВОПРОС

Виды случайных величин и их
числовые характеристики.

35.

Под случайной величиной
(С.В.) понимается числовая величина,
которая в результате опыта может принять
то или иное
значение, причем заранее
неизвестно какое именно.
Например:
1. Число родившихся детей в течение суток в
городе N.
2. Количество бракованных изделий в данной
партии.
3. Число произведённых выстрелов до первого
попадания.
4. Дальность полёта артиллерийского снаряда.

36.

Случайные величины
Дискретные
Непрерывные

37.

Определение. Дискретной С.В.
называют случайную величину,
которая прини-мает только конечное
или счетное число значений х1, х2,
... с вероятнос-тями р1, р2, ...
соответственно, при этом
р1+р2 + ... = 1.
Определение. Непрерывной
С.В.называют случайную величину,
возможные значения которой
непрерывно заполняют числовую ось
или некоторый её отрезок.

38.

Основные числовые
характеристики С.В.
Математическое
ожидание
М(Х)
Дисперсия
D(Х)
Среднее
квадратическое
отклонение
σ(Х)

39.

где :
Математическое ожидание С.В. Х
М(Х) называют средним значением С.В.
Математическое
ожидание
показывает
какое значение С.В. можно ожидать в
среднем при проведении серии опытов.
Дисперсией D(X) случайной величины Х
называется математическое ожидание её
отклонения от математического
ожидания

40. Основные формулы, определяющие числовые характеристики С.В.

Математическое
ожидание
Дисперсия
Среднее
квадратическое
отклонение
Дискретные случайные величины
n
М ( Х ) xi p i
i 1
n
D( Х ) ( xi M ( X )) 2 pi ( Х ) D( X )
i 1
Непрерывные случайные величины
М (Х )
2
D
(
Х
)
(
x
M
(
X
))
( х)dx
x
(
x
)
dx
( Х ) D( X )

41. Функция распределения

Универсальным законом
распределения С.В. любого типа
является функция распределения
С.В.– вероятность того, что значение
С.В. будет меньше некоторого
вполне определенного текущего
значения х:
F(x) = P(X < x).

42.

Определение.
Случайная
величина
Х
называется непрерывной, если её функция
распределения F(х) (интегральная функция
распределения) непрерывна в любой точке и
дифференцируема всюду, кроме, быть может,
отдельных точек.
Определение.
Плотностью
распределения
(дифференциальной функцией распределения)
непрерывной
случайной
величины
Х
называется
производная
её
функции
распределения х F x .

43. Нормальное распределение

С. В. имеет нормальное
распределение с параметрами а и σ,
если её плотность распределения
задаётся формулой
Функция распределения имеет вид

44.

45. Задание на самоподготовку

Гмурман В.Е. Теория вероятностей и
математическая статистика, Высшее
образование,2009, с. 30-51.
English     Русский Rules