ТОР 5 статей: Методические подходы к анализу финансового состояния предприятия Проблема периодизации русской литературы ХХ века. Краткая характеристика второй половины ХХ века Характеристика шлифовальных кругов и ее маркировка Служебные части речи. Предлог. Союз. Частицы КАТЕГОРИИ:
|
Формула полной вероятности и формулы Байеса
Пусть наступление случайного события А влечёт наступление одного из попарно несовместных случайных событий Н 1, Н 2,…, Нn, и Р (Нi) > 0, i = 1,…, n, тогда справедлива формула полной вероятности: Р (А) = Р (Н 1) Р (А ï Н 1) + Р (Н 2) Р (А ï Н 2) +… + Р (Н n) Р (А ï Н n), а также формулы Байеса:
Р (Нi ï А) = , i = 1, 2, …, n,
в которых Р (А) вычисляется по формуле полной вероятности. Пример. В ящике пять деталей, изготовленных на заводе №1, и четыре детали, изготовленных на заводе №2. Каждая деталь завода №1 не имеет дефектов с вероятностью 0,8, а каждая деталь завода №2 − с вероятностью 0,9. Наугад взятая деталь не имеет дефектов. Найти вероятность того, что взятая деталь изготовлена на заводе №1. Решение. Рассмотрим случайные события А = {взятая деталь не имеет дефектов}, Н 1 = {взятая деталь изготовлена на заводе №1}, Н 2 = {взятая деталь изготовлена на заводе №2}. Нужно найти вероятность того, что взятая деталь изготовлена на заводе №1 при условии, что она не имеет дефектов, т.е. найти условную вероятность Р (Н 1| А). Случайные события Н 1 и Н 2 несовместны и образуют полную группу, т.е. в случайном эксперименте (наугад берут деталь) всегда наступает одно из этих событий. Значит, условную вероятность Р (Н 1| А) можно найти по формуле Байеса, а вероятность случайного события А по формуле полной вероятности
.
Используя классическое определение вероятности, найдем
, .
Из условия задачи и . Следовательно, , . Ответ: .
К задачам 431 − 450. Случайная величина Х − это функция, определенная на множестве элементарных исходов Ω случайного эксперимента, и принимающая значения во множестве действительных чисел.
.
Если случайная величина, имеет конечное или счетное число значений, то она называется дискретной. Чтобы задать закон распределения дискретной случайной величины Х, нужно указать все значения хi этой случайной величины и вероятности рi = Р (Х = хi) наступления случайных событий { Х = хi }, i = 1, 2,3, … Если все эти вероятности заданы правильно, то их сумма равна 1. Пусть случайная величина Х имеет конечное число значений х1, х2, …, хn и Р (Х = хi) = рi, i = 1, 2, …, n, тогда математическим ожиданием случайной величины Х называется число, обозначаемое М (Х) и определяемое формулой
.
Математическое ожидание случайной величины Х определяет центр, около которого расположены значения этой величины. Разброс значений относительно этого центра характеризуется другой числовой характеристикой, которая называется дисперсией и определяется формулой
.
Для вычисления дисперсии можно использовать формулу
,
где число называется вторым моментом случайной величины Х. Значит, дисперсия случайной величины равна разности второго момента и квадрата математического ожидания этой случайной величины. Пример. На одной грани кубика написано число 3, на двух − число 2 и на трех − число 1. Кубик бросили три раза. Найти математическое ожидание и дисперсию суммы выпавших чисел. Решение. Пусть случайная величина Хi − это число, выпавшее при i -ом бросании кубика, i = 1, 2, 3, а случайная величина Х − это сумма выпавших чисел. Тогда . Найдем закон распределения случайной величины Хi. Случайная величина Хi может принимать значения 1, 2 и 3. Используя классическое определение вероятности, найдем вероятности .
Следовательно, , , , i = 1, 2, 3. Математическое ожидание суммы случайных величин равно сумме математических ожиданий этих случайных величин, поэтому
.
Случайные величины Х1, Х2, Х3 связаны с независимыми экспериментами, поэтому эти случайные величины являются независимыми, а дисперсия суммы независимых случайных величин равна сумме дисперсий этих случайных величин. Используя это свойство дисперсии, получим, что
.
Ответ: . Функцией распределения случайной величины Х называется функция y = F (x) такая, что F (x) = P (X < x) для всех . Случайная величина Х называется абсолютно непрерывной, если ее функция распределения y = F (x) дифференцируема во всех точках за исключением, быть может, конечного числа точек, при этом функция называется плотностью распределения случайной величины Х. Пусть y = f (x) − плотность распределения абсолютно непрерывной случайной величины Х, тогда 1) ; 2) − функция распределения случайной величины Х; 3) − математическое ожидание случайной величины Х при условии, что несобственный интеграл сходится; 4) − второй момент случайной величины Х при условии, что несобственный интеграл сходится;
5) − дисперсия случайной величины Х; 6) любое решение уравнения , где y = F (x) − функция распределения случайной величины Х, является медианой случайной величины Х и обозначается Ме (Х). Пример. Дана плотность распределения случайной величины Х. Найти неизвестный параметр с, а также функцию распределения, медиану, математическое ожидание и дисперсию случайной величины Х. Решение. Найдем неизвестный параметр с из условия .
Поскольку плотность распределения должна быть неотрицательной, то . Найдем функцию распределения. Для этого рассмотрим несколько случаев. 1) ; 2) ; 3) ; 4) .
Найдем медиану. Если или , то уравнение решений не имеет. Пусть , тогда ,
Следовательно, . .
Ответ:
К задачам 451 − 460. Случайная величина Х имеет биномиальное распределение с параметрами и , если ее значения 0, 1, 2, …, n и вероятность вычисляется по формуле Бернулли:
, k = 0, 1, 2, …, n, где q = 1 − p.
Случайную величину Х, имеющую биномиальное распределение с параметрами р и n, можно рассматривать как число наступлений случайного события А в n независимых испытаниях, в каждом из которых случайное событие А наступает с вероятностью р и не наступает с вероятностью q = 1 − р. Если случайная величина Х имеет биномиальное распределение с параметрами p и n, где , то при большом числе испытаний n и малой вероятности p для вычисления вероятности применяется формула Пуассона , где .
Абсолютная погрешность формулы Пуассона не превосходит . Если это число не является малым, то для вычисления вероятности нужно использовать локальную теорему Муавра − Лапласа, согласно которой
,
где − плотность распределения случайной величины, имеющей стандартное нормальное распределение. Интегральная теорема Муавра − Лапласа дает формулу для приближенного вычисления вероятности :
,
где , и − функция Лапласа.
Заметим, что функция Лапласа является нечетной, т.е. для любого х.
Функция Лапласа табулирована. Укажем ее некоторые значения.
Если , то . Пример. Найти вероятность того, что из 100 проверенных изделий а) 90 изделий, б) не более 95 изделий окажутся изделиями первого сорта, если каждое проверяемое изделие является первосортным с вероятностью 0,9. Решение. Пусть Х − число изделий первого сорта из 100 проверенных изделий. Случайная величина Х имеет биномиальное распределение с параметрами и . а) Для нахождения вероятности используем локальную теорему Муавра-Лапласа ,
где , , , . Следовательно, и . б) Для нахождения вероятности используем интегральную теорему Муавра-Лапласа.
,
где , , , . Следовательно, . Ответ: а) 0,133; б) 0,4772.
Не нашли, что искали? Воспользуйтесь поиском:
|