Погрешность не более 0,009 (при вероятности около 0,001). Во всяком случае, можно утверждать, что искомая вероятность никак не больше, чем 0,01=0,001+0,009.
Рассмотрим еще одну формулу приближенного вычисления pn (m) когда n велико. В отличии от предыдущего результата число успехов m в этом случае тоже растет с ростом n, а вероятность успеха постоянна.
Локальная теорема Муавра – Лапласа
Пусть
.Предположим, что и величины являются ограниченными. ТогдаВ частности, если
, тоДоказательство:
В силу ограниченности величин
разность вместе с n и mВоспользуемся формулой СтирлингаВ силу определения
Раздел 6. Случайные величины и их распределения
6.1 Случайные величины
Мы уже видели, что для очень многих экспериментов нет никаких различий в подсчете вероятностей событий, тогда как элементарные исходы в этих экспериментах очень различаются. Но нас и должны интересовать именно вероятности событий, а не структура пространства элементарных исходов. Поэтому пора во всех таких «похожих» экспериментах вместо самых разных элементарных исходов использовать, например, числа. То есть ввести соответствие (иначе говоря, отображение) между элементарными исходами и вещественными числами (с ними удобно работать).
Пусть имеется случайный эксперимент и задано вероятностное пространство (Ω, Ψ,Р).
Определение 23. Функция ξ: Ω →R называется случайной величиной, если для любого х ÎR множество { ξ < x} = {ω: ξ(ω) < x} является событием, то есть принадлежит σ-алгебре событий Ψ.
Замечание 10. Можно смело считать, что любое множество элементарных исходов есть событие, и, следовательно, случайная величина есть произвольная функция из Ω в R. Никаких неприятностей на практике это обычно не влечет.
Определение 24. Будем говорить, что функция ξ: Ω →R является Ψ -измеримой, если {ω: ξ(ω) < x} принадлежит Ψ для любого х ÎR.
Итак, случайная величина есть Ψ - измеримая функция, ставящая в соответствие каждому элементарному исходу ωÎ Ω число ξ(ω) ÎR.
Пример 21. Подбрасываем 1 раз кубик. Пусть Ω = {1, 2, 3, 4, 5, 6} , и две функции из Ω в заданы так: ξ(ω)= ω , η(ω)= ω2.
Если Ψ есть множество всех подмножеств Ω, то ξ и η являются случайными величинами, поскольку любое множество элементарных исходов принадлежит Ψ, в том числе и {ω: ξ(ω) < x} или {ω: η (ω) < x} . Можно записать соответствие между значениями случайных величин ξ и η вероятностями принимать эти значения в виде «таблицы распределения вероятностей» или, коротко, «таблицы распределения»:
ξ | 1 | 2 | 3 | 4 | 5 | 6 |
Р | 1/6 | 1/6 | 1/6 | 1/6 | 1/6 | 1/6 |
η | 1 | 4 | 9 | 16 | 25 | 36 |
Р | 1/6 | 1/6 | 1/6 | 1/6 | 1/6 | 1/6 |
Здесь 1/6 = Р(ξ=1)=…= Р(ξ=6) = Р(η =1)= …= Р(η =36)
Пусть σ -алгебра событий Ψ состоит всего из четырех множеств:
Ψ= { Ω ,Æ, {1,3,5},{2,4,6} }
то есть событием является, кроме достоверного и невозможного событий, выпадение четного (соответственно, нечетного) числа очков. Убедимся, что при такой «бедной» σ -алгебре ни ξ, ни η не являются случайными величинами, так как эти функции не Ψ - измеримы. Возьмем (например) x = 3,967. Видим, что
{ωÎ Ω: ξ(ω) < 3,967}= {1, 2, 3}ÏΨи{ωÎ Ω: η (ω) < 3,967}= {1}ÏΨ
Теперь попробуем понять, зачем нужна Ψ - измеримость и почему требуется, чтобы {ω: ξ(ω) < x} являлось событием.
Если задана случайная величина ξ, нам может потребоваться вычислить вероятности типа
P(ξ = 5) = P{ω: ξ(ω) = 5},
P (ξ Î [-3,7]),
P(ξ ³ 3,2),
P(ξ > 0)
(и вообще самые разные вероятности попадания в различные множества на прямой). Это возможно только если множества, стоящие под знаком вероятности, являются событиями (напомню, что вероятность есть функция из σ - алгебры событий в [0,1]).
Но если потребовать, чтобы Ax ={ω: ξ(ω) < x} было событием при любом x, то мы из свойств σ - алгебры сразу получим, что
и
— событие, и — событие,и — событие,
и {ω: ξ(ω) = x}= Bx \Ax — событие, (7)
и т.д., и т.п. (операции пересечения, объединения, дополнения событий не выводят из класса событий).
Можно потребовать в определении 23 чего-нибудь другого. Например, чтобы событием было попадание в любой интервал: (ω: ξ(ω) Î [a, b]) для любых a < b.
Или чтобы {ω: ξ(ω) ³x}было событием для любого x. Любое такое определение эквивалентно исходному.
Опишем различные типы распределений случайных величин. Под распределением случайной величины мы будем понимать соответствие
«значение случайной величины ↔ вероятность принимать это значение»,
либо (чаще)
«множество на прямой ↔ вероятность случайной величине попасть в это множество».
6.2 Дискретные распределения
Определение 25. Говорят, что случайная величина ξ имеет дискретное распределение, если существует конечный или счетный набор чисел {a1, a2, …} такой, что:
а) pi =P{ ξ = ai} > 0для всехi;
б)
.То есть случайная величина ξимеет дискретное распределение, если она принимает не более чем счетное число значений.
Определение 26. Если случайная величина ξ имеет дискретное распределение, назовем таблицей распределения соответствие ai ↔ pi, которое чаще всего рисуют так:
ξ | а1 | а2 | а3 | … |
Р | р1 | р2 | р3 | … |
6.3 Примеры дискретных распределений
Вырожденное распределение.
Говорят, что случайная величина ξ имеет вырожденное распределение с параметром а, и пишут ξÎIa если ξпринимает единственное значение а с вероятностью 1, то есть P(ξ = a) = 1. Таблица распределения ξимеет вид
ξ | а |
Р | 1 |
Распределение Бернулли.
Говорят, что случайная величина ξ имеет распределение Бернулли с параметром р, и пишут ξÎВр, если ξ принимает значения 1 и 0 с вероятностями р и 1 - р, соответственно. Случайная величина ξс таким распределением равна числу успехов в одном испытании схемы Бернулли с вероятностью успеха (0 успехов или 1 успех). Таблица распределения ξ имеет вид
ξ | 0 | 1 |
Р | (1-p) | р |
Биномиальное распределение.
Говорят, что случайная величина ξ имеет биномиальное распределение с параметрами n и p, где 0 £p£, n и пишут ξÎВn,р, если ξпринимает значения 0, 1, …,n с вероятностями P(ξ = k) = Cnkpk (1-p)n-k . Случайная величина ξс таким распределением имеет смысл числа успехов в n испытаниях схемы Бернулли с вероятностью успеха р .
Таблица распределения ξ имеет вид
ξ | 0 | 1 | … | k | … | n |
Р | (1-p)n | n p(1-p)n-1 | … | Cnk pk (1-p)n-k | … | Pn |
Геометрическое распределение.