Фактически формулы (1) и (2) это краткая запись условной вероятности на основе таблицы сопряженности признаков. Вернемся к примеру, рассмотренному (рис. 1). Предположим, что нам стало известно, будто некая семья собирается купить широкоэкранный телевизор. Какова вероятность того, что эта семья действительно купит такой телевизор?

Рис. 1. Поведение покупателей широкоэкранных телевизоров

В данном случае нам необходимо вычислить условную вероятность Р (покупка совершена | покупка планировалась). Поскольку нам известно, что семья планирует покупку, выборочное пространство состоит не из всех 1000 семей, а только из тех, которые планируют покупку широкоэкранного телевизора. Из 250 таких семей 200 действительно купили этот телевизор. Следовательно, вероятность того, что семья действительно купит широкоэкранный телевизор, если она это запланировала, можно вычислить по следующей формуле:

Р (покупка совершена | покупка планировалась) = количество семей, планировавших и купивших широкоэкранный телевизор / количество семей, планировавших купить широкоэкранный телевизор = 200 / 250 = 0,8

Этот же результат дает формула (2):

где событие А заключается в том, что семья планирует покупку широкоформатного телевизора, а событие В - в том, что она его действительно купит. Подставляя в формулу реальные данные, получаем:

Дерево решений

На рис. 1 семьи разделены на четыре категории: планировавшие покупку широкоэкранного телевизора и не планировавшие, а также купившие такой телевизор и не купившие. Аналогичную классификацию можно выполнить с помощью дерева решений (рис. 2). Дерево, изображенное на рис. 2, имеет две ветви, соответствующие семьям, которые планировали приобрести широкоэкранный телевизор, и семьям, которые не делали этого. Каждая из этих ветвей разделяется на две дополнительные ветви, соответствующие семьям, купившим и не купившим широкоэкранный телевизор. Вероятности, записанные на концах двух основных ветвей, являются безусловными вероятностями событий А и А’ . Вероятности, записанные на концах четырех дополнительных ветвей, являются условными вероятностями каждой комбинации событий А и В . Условные вероятности вычисляются путем деления совместной вероятности событий на соответствующую безусловную вероятность каждого из них.

Рис. 2. Дерево решений

Например, чтобы вычислить вероятность того, что семья купит широкоэкранный телевизор, если она запланировала сделать это, следует определить вероятность события покупка запланирована и совершена , а затем поделить его на вероятность события покупка запланирована . Перемещаясь по дереву решения, изображенному на рис. 2, получаем следующий (аналогичный предыдущему) ответ:

Статистическая независимость

В примере с покупкой широкоэкранного телевизора вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор при условии, что она планировала это сделать, равна 200/250 = 0,8. Напомним, что безусловная вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор, равна 300/1000 = 0,3. Отсюда следует очень важный вывод. Априорная информация о том, что семья планировала покупку, влияет на вероятность самой покупки. Иначе говоря, эти два события зависят друг от друга. В противоположность этому примеру, существуют статистически независимые события, вероятности которых не зависят друг от друга. Статистическая независимость выражается тождеством: Р(А|В) = Р(А) , где Р(А|В) - вероятность события А при условии, что произошло событие В , Р(А) - безусловная вероятность события А.

Обратите внимание на то, что события А и В Р(А|В) = Р(А) . Если в таблице сопряженности признаков, имеющей размер 2×2, это условие выполняется хотя бы для одной комбинации событий А и В , оно будет справедливым и для любой другой комбинации. В нашем примере события покупка запланирована и покупка совершена не являются статистически независимыми, поскольку информация об одном событии влияет на вероятность другого.

Рассмотрим пример, в котором показано, как проверить статистическую независимость двух событий. Спросим у 300 семей, купивших широкоформатный телевизор, довольны ли они своей покупкой (рис. 3). Определите, связаны ли между собой степень удовлетворенности покупкой и тип телевизора.

Рис. 3. Данные, характеризующие степень удовлетворенности покупателей широкоэкранных телевизоров

Судя по этим данным,

В то же время,

Р (покупатель удовлетворен) = 240 / 300 = 0,80

Следовательно, вероятность того, что покупатель удовлетворен покупкой, и того, что семья купила HDTV-телевизор, равны между собой, и эти события являются статистически независимыми, поскольку никак не связаны между собой.

Правило умножения вероятностей

Формула для вычисления условной вероятности позволяет определить вероятность совместного события А и В . Разрешив формулу (1)

относительно совместной вероятности Р(А и В) , получаем общее, правило умножения вероятностей. Вероятность события А и В равна вероятности события А при условии, что наступило событие В В :

(3) Р(А и В) = Р(А|В) * Р(В)

Рассмотрим в качестве примера 80 семей, купивших широкоэкранный HDTV-телевизор (рис. 3). В таблице указано, что 64 семьи удовлетворены покупкой и 16 - нет. Предположим, что среди них случайным образом выбираются две семьи. Определите вероятность, что оба покупателя окажутся довольными. Используя формулу (3), получаем:

Р(А и В) = Р(А|В) * Р(В)

где событие А заключается в том, что вторая семья удовлетворена своей покупкой, а событие В - в том, что первая семья удовлетворена своей покупкой. Вероятность того, что первая семья удовлетворена своей покупкой, равна 64/80. Однако вероятность того, что вторая семья также удовлетворена своей покупкой, зависит от ответа первой семьи. Если первая семья после опроса не возвращается в выборку (выбор без возвращения), количество респондентов снижается до 79. Если первая семья оказалась удовлетворенной своей покупкой, вероятность того, что вторая семья также будет довольна, равна 63/79, поскольку в выборке осталось только 63 семьи, удовлетворенные своим приобретением. Таким образом, подставляя в формулу (3) конкретные данные, получим следующий ответ:

Р(А и В) = (63/79)(64/80) = 0,638.

Следовательно, вероятность того, что обе семьи довольны своими покупками, равна 63,8%.

Предположим, что после опроса первая семья возвращается в выборку. Определите вероятность того, что обе семьи окажутся довольными своей покупкой. В этом случае вероятности того, что обе семьи удовлетворены своей покупкой одинаковы, и равны 64/80. Следовательно, Р(А и В) = (64/80)(64/80) = 0,64. Таким образом, вероятность того, что обе семьи довольны своими покупками, равна 64,0%. Этот пример показывает, что выбор второй семьи не зависит от выбора первой. Таким образом, заменяя в формуле (3) условную вероятность Р(А|В) вероятностью Р(А) , мы получаем формулу умножения вероятностей независимых событий.

Правило умножения вероятностей независимых событий. Если события А и В являются статистически независимыми, вероятность события А и В равна вероятности события А , умноженной на вероятность события В .

(4) Р(А и В) = Р(А)Р(В)

Если это правило выполняется для событий А и В , значит, они являются статистически независимыми. Таким образом, существуют два способа определить статистическую независимость двух событий:

1. События А и В являются статистически независимыми друг от друга тогда и только тогда, когда Р(А|В) = Р(А) .
2. События А и B являются статистически независимыми друг от друга тогда и только тогда, когда Р(А и В) = Р(А)Р(В) .

Если в таблице сопряженности признаков, имеющей размер 2×2, одно из этих условий выполняется хотя бы для одной комбинации событий А и B , оно будет справедливым и для любой другой комбинации.

Безусловная вероятность элементарного события

(5) Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2) + … + P(A|B k)Р(B k)

где события B 1 , B 2 , … B k являются взаимоисключающими и исчерпывающими.

Проиллюстрируем применение этой формулы на примере рис.1. Используя формулу (5), получаем:

Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2)

где Р(А) - вероятность того, что покупка планировалась, Р(В 1) - вероятность того, что покупка совершена, Р(В 2) - вероятность того, что покупка не совершена.

ТЕОРЕМА БАЙЕСА

Условная вероятность события учитывает информацию о том, что произошло некое другое событие. Этот подход можно использовать как для уточнения вероятности с учетом вновь поступившей информации, так и для вычисления вероятности, что наблюдаемый эффект является следствием некоей конкретной причины. Процедура уточнения этих вероятностей называется теоремой Байеса. Впервые она была разработана Томасом Байесом в 18 веке.

Предположим, что компания, упомянутая выше, исследует рынок сбыта новой модели телевизора. В прошлом 40% телевизоров, созданных компанией, пользовались успехом, а 60% моделей признания не получили. Прежде чем объявить о выпуске новой модели, специалисты по маркетингу тщательно исследуют рынок и фиксируют спрос. В прошлом успех 80% моделей, получивших признание, прогнозировался заранее, в то же время 30% благоприятных прогнозов оказались неверными. Для новой модели отдел маркетинга дал благоприятный прогноз. Какова вероятность того, что новая модель телевизора будет пользоваться спросом?

Теорему Байеса можно вывести из определений условной вероятности (1) и (2). Чтобы вычислить вероятность Р(В|А), возьмем формулу (2):

и подставим вместо Р(А и В) значение из формулы (3):

Р(А и В) = Р(А|В) * Р(В)

Подставляя вместо Р(А) формулу (5), получаем теорему Байеса:

где события B 1 , В 2 , … В k являются взаимоисключающими и исчерпывающими.

Введем следующие обозначения: событие S - телевизор пользуется спросом , событие S’ - телевизор не пользуется спросом , событие F - благоприятный прогноз , событие F’ - неблагоприятный прогноз . Допустим, что P(S) = 0,4, P(S’) = 0,6, P(F|S) = 0,8, P(F|S’) = 0,3. Применяя теорему Байеса получаем:

Вероятность спроса на новую модель телевизора при условии благоприятного прогноза равна 0,64. Таким образом, вероятность отсутствия спроса при условии благоприятного прогноза равна 1–0,64=0,36. Процесс вычислений представлен на рис. 4.

Рис. 4. (а) Вычисления по формуле Байеса для оценки вероятности спроса телевизоров; (б) Дерево решения при исследовании спроса на новую модель телевизора

Рассмотрим пример применения теоремы Байеса для медицинской диагностики. Вероятность того, что человек страдает от определенного заболевания, равна 0,03. Медицинский тест позволяет проверить, так ли это. Если человек действительно болен, вероятность точного диагноза (утверждающего, что человек болен, когда он действительно болен) равна 0,9. Если человек здоров, вероятность ложноположительного диагноза (утверждающего, что человек болен, когда он здоров) равна 0,02. Допустим, что медицинский тест дал положительный результат. Какова вероятность того, что человек действительно болен? Какова вероятность точного диагноза?

Введем следующие обозначения: событие D - человек болен , событие D’ - человек здоров , событие Т - диагноз положительный , событие Т’ - диагноз отрицательный . Из условия задачи следует, что Р(D) = 0,03, P(D’) = 0,97, Р(T|D) = 0,90, P(T|D’) = 0,02. Применяя формулу (6), получаем:

Вероятность того, что при положительном диагнозе человек действительно болен, равна 0,582 (см. также рис. 5). Обратите внимание на то, что знаменатель формулы Байеса равен вероятности положительного диагноза, т.е. 0,0464.

Итак, поговорим на тему, которая интересует очень многих. В данной статье я вам отвечу на вопрос о том, как рассчитать вероятность события. Приведу формулы для такого расчета и несколько примеров, чтобы было понятнее, как это делается.

Что такое вероятность

Начнем с того, что вероятность того, что то или иное событие произойдет – некая доля уверенности в конечном наступлении какого-то результата. Для этого расчета разработана формула полной вероятности, позволяющая определить, наступит интересующее вас событие или нет, через, так называемые, условные вероятности. Эта формула выглядит так: Р = n/m, буквы могут меняться, но на саму суть это никак не влияет.

Примеры вероятности

На простейшем примере разберем эту формулу и применим ее. Допустим, у вас есть некое событие (Р), пусть это будет бросок игральной кости, то есть равносторонний кубик. И нам требуется подсчитать, какова вероятность выпадения на нем 2 очков. Для этого нужно число положительных событий (n), в нашем случае – выпадение 2 очков, на общее число событий (m). Выпадение 2 очков может быть только в одном случае, если на кубике будет по 2 очка, так как по другому, сумма будет больше, из этого следует, что n = 1. Далее подсчитываем число выпадения любых других цифр на кости, на 1 кости – это 1, 2, 3, 4, 5 и 6, следовательно, благоприятных случаев 6, то есть m = 6. Теперь по формуле делаем нехитрое вычисление Р = 1/6 и получаем, что выпадение на кости 2 очков равно 1/6, то есть вероятность события очень мала.

Еще рассмотрим пример на цветных шарах, которые лежат в коробке: 50 белых, 40 черных и 30 зеленых. Нужно определить какова вероятность вытащить шар зеленого цвета. И так, так как шаров этого цвета 30, то есть, положительных событий может быть только 30 (n = 30), число всех событий 120, m = 120 (по общему количеству всех шаров), по формуле рассчитываем, что вытащить зеленый шар вероятность равна будет Р = 30/120 = 0,25, то есть 25 % из 100. Таким же образом, можно вычислить и вероятность вытащить шар другого цвета (черного она будет 33%, белого 42%).

Краткая теория

Для количественного сравнения событий по степени возможности их появления вводится числовая мера, которая называется вероятностью события. Вероятностью случайного события называется число, являющееся выражением меры объективной возможности появления события.

Величины, определяющие, насколько значительны объективные основания рассчитывать на появление события, характеризуются вероятностью события. Необходимо подчеркнуть, что вероятность есть объективная величина, существующая независимо от познающего и обусловленная всей совокупностью условий, которые способствуют появлению события.

Объяснения, которые мы дали понятию вероятности, не являются математическим определением, так как они не определяют это понятие количественно. Существует несколько определений вероятности случайного события, которые широко применяются при решении конкретных задач (классическое, геометрическое определение вероятности , статистическое и т. д.).

Классическое определение вероятности события сводит это понятие к более элементарному понятию равновозможных событий, которое уже не подлежит определению и предполагается интуитивно ясным. Например, если игральная кость - однородный куб, то выпадения любой из граней этого куба будут равновозможными событиями.

Пусть достоверное событие распадается на равновозможных случаев , сумма которых дает событие . То есть случаи из , на которые распадается , называются благоприятствующими для события , так как появление одного из них обеспечивает наступление .

Вероятность события будем обозначать символом .

Вероятность события равна отношению числа случаев , благоприятствующих ему, из общего числа единственно возможных, равновозможных и несовместных случаев к числу , т. е.

Это есть классическое определение вероятности. Таким образом, для нахождения вероятности события необходимо, рассмотрев различные исходы испытания, найти совокупность единственно возможных, равновозможных и несовместных случаев, подсчитать общее их число n, число случаев m, благоприятствующих данному событию, и затем выполнить расчет по вышеприведенной формуле.

Вероятность события, равная отношению числа благоприятных событию исходов опыта к общему числу исходов опыта называется классической вероятностью случайного события.

Из определения вытекают следующие свойства вероятности:

Свойство 1. Вероятность достоверного события равна единице.

Свойство 2. Вероятность невозможного события равна нулю.

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

Свойство 4. Вероятность наступления событий, образующих полную группу, равна единице.

Свойство 5. Вероятность наступления противоположного события определяется так же, как и вероятность наступления события A.

Число случаев, благоприятствующих появлению противоположного события . Отсюда вероятность наступления противоположного события равна разнице между единицей и вероятностью наступления события A:

Важное достоинство классического определения вероятности события состоит в том, что с его помощью вероятность события можно определить, не прибегая к опыту, а исходя из логических рассуждений.

При выполнении комплекса условий достоверное событие обязательно произойдет, а невозможное обязательно не произойдет. Среди событий, которые при создании комплекса условий могут произойти, а могут не произойти, на появление одних можно рассчитывать с большим основанием, на появление других с меньшим основанием. Если, например, в урне белых шаров больше, чем черных, то надеяться на появление белого шара при вынимании из урны наудачу больше оснований, чем на появление черного шара.

На соседней странице рассматривается .

Пример решения задачи

Пример 1

В ящике находится 8 белых, 4 черных и 7 красных шаров. Наудачу извлечены 3 шара. Найти вероятности следующих событий: – извлечен по крайней мере 1 красный шар, – есть по крайней мере 2 шара одного цвета, – есть по крайней мере 1 красный и 1 белый шар.

Решение задачи

Общее число исходов испытания найдем как число сочетаний из 19 (8+4+7) элементов по 3:

Найдем вероятность события – извлечен по крайней мере 1 красный шар (1,2 или 3 красных шара)

Искомая вероятность:

Пусть событие – есть по крайней мере 2 шара одного цвета (2 или 3 белых шара, 2 или 3 черных шара и 2 или 3 красных шара)

Число исходов, благоприятствующих событию:

Искомая вероятность:

Пусть событие – есть по крайней мере один красный и 1 белый шар

(1 красный, 1 белый, 1 черный или 1 красный, 2 белых или 2 красных, 1 белый)

Число исходов, благоприятствующих событию:

Искомая вероятность:

Ответ: P(A)=0.773;P(C)=0.7688; P(D)=0.6068

Пример 2

Брошены две игральные кости. Найти вероятность того, что сумма очков не меньше 5.

Решение

Пусть событие – сумма очков не меньше 5

Воспользуемся классическим определением вероятности:

Общее число возможных исходов испытания

Число испытаний, благоприятствующих интересующему нас событию

На выпавшей грани первого игрального кубика может появиться одно очко, два очка…, шесть очков. аналогично шесть исходов возможны при бросании второго кубика. Каждый из исходов бросания первой кости может сочетаться с каждым из исходов второй. Таким образом, общее число возможных элементарных исходов испытания равно числу размещений с повторениями (выбор с размещениями 2 элементов из совокупнности объема 6):

Найдем вероятность противоположного события – сумма очков меньше 5

Благоприятствовать событию будут следующие сочетания выпавших очков:

Средняя стоимость решения контрольной работы 700 - 1200 рублей (но не менее 300 руб. за весь заказ). На цену сильно влияет срочность решения (от суток до нескольких часов). Стоимость онлайн-помощи на экзамене/зачете - от 1000 руб. за решение билета.

Заявку можно оставить прямо в чате, предварительно скинув условие задач и сообщив необходимые вам сроки решения. Время ответа - несколько минут.

Примеры близких по теме задач

Формула полной вероятности. Формула Байеса
На примере решения задачи рассмотрены формула полной вероятности и формула Байеса, а также рассказывается, что такое гипотезы и условные вероятности.

Нравится нам это или нет, но наша жизнь полна всевозможных случайностей, как приятных так и не очень. Поэтому каждому из нас не помешало бы знать, как найти вероятность того или иного события. Это поможет принимать верные решения при любых обстоятельствах, которые связаны с неопределенностью. К примеру, такие знания окажутся весьма кстати при выборе вариантов инвестирования, оценке возможности выигрыша в акции или лотерее, определении реальности достижения личных целей и т. д., и т. п.

Формула теории вероятности

В принципе, изучение данной темы не занимает слишком много времени. Для того чтобы получить ответ на вопрос: "Как найти вероятность какого-либо явления?", нужно разобраться с ключевыми понятиями и запомнить основные принципы, на которых базируется расчёт. Итак, согласно статистике, исследуемые события обозначаются через A1, А2,..., An. У каждого из них есть как благоприятствующие исходы (m), так и общее количество элементарных исходов. К примеру, нас интересует, как найти вероятность того, что на верхней грани кубика окажется четное число очков. Тогда А - это бросок m - выпадение 2, 4 или 6 очков (три благоприятствующих варианта), а n - это все шесть возможных вариантов.

Сама же формула расчета выглядит следующим образом:

С одним исходом все предельно легко. А вот как найти вероятность, если события идут одно за другим? Рассмотрим такой пример: из карточной колоды (36 шт.) показывается одна карта, затем она прячется снова в колоду, и после перемешивания вытаскивается следующая. Как найти вероятность того, что хоть в одном случае была вытащена дама пик? Существует следующее правило: если рассматривается сложное событие, которое можно разделить на несколько несовместимых простых событий, то можно сначала рассчитать результат для каждого из них, а затем сложить их между собой. В нашем случае это будет выглядеть так: 1 / 36 + 1 / 36 = 1 / 18 . А как же быть тогда, когда несколько происходят одновременно? Тогда результаты умножаем! Например, вероятность того, что при одновременном подбрасывании сразу двух монет выпадут две решки, будет равна: ½ * ½ = 0.25.

Теперь возьмем еще более сложный пример. Предположим, мы попали на книжную лотерею, в которой из тридцати билетов десять являются выигрышными. Требуется определить:

1. Вероятность того, что оба окажутся выигрышными.
2. Хотя бы один из них принесет приз.
3. Оба окажутся проигрышными.

Итак, рассмотрим первый случай. Его можно разбить на два события: первый билет будет счастливым, и второй также окажется счастливым. Учтем, что события зависимы, поскольку после каждого вытаскивания общее количество вариантов уменьшается. Получаем:

10 / 30 * 9 / 29 = 0,1034.

Во втором случае понадобится определить вероятность проигрышного билета и учесть, что он может быть как первым по счету, так и вторым: 10 / 30 * 20 / 29 + 20 / 29 * 10 / 30 = 0,4598.

Наконец, третий случай, когда по разыгранной лотерее даже одной книжки получить не получится: 20 / 30 * 19 / 29 = 0,4368.

Теория вероятностей – это раздел математики, изучающий закономерности случайных явлений: случайные события, случайные величины, их свойства и операции над ними.

Долгое время теория вероятностей не имела четкого определения. Оно было сформулировано лишь в 1929 году. Возникновение теории вероятностей как науки относят к средним векам и первым попыткам математического анализа азартных игр (орлянка, кости, рулетка). Французские математики XVII века Блез Паскаль и Пьер Ферма, исследуя прогнозирование выигрыша в азартных играх, открыли первые вероятностные закономерности, возникающие при бросании костей.

Теория вероятности возникла как наука из убеждения, что в основе массовых случайных событий лежат определенные закономерности. Теория вероятности изучает данные закономерности.

Теория вероятностей занимается изучением событий, наступление которых достоверно неизвестно. Она позволяет судить о степени вероятности наступления одних событий по сравнению с другими.

Например: определить однозначно результат выпадения «орла» или «решки» в результате подбрасывания монеты нельзя, но при многократном подбрасывании выпадает примерно одинаковое число «орлов» и «решек», что означает, что вероятность того, что выпадет «орел» или «решка», равна 50%.

Испытанием в этом случае называется реализация определенного комплекса условий, то есть в данном случае подбрасывание монеты. Испытание может воспроизводиться неограниченное количество раз. При этом комплекс условий включает в себя случайные факторы.

Результатом испытания является событие . Событие бывает:

1. Достоверное (всегда происходит в результате испытания).
2. Невозможное (никогда не происходит).
3. Случайное (может произойти или не произойти в результате испытания).

Например, при подбрасывании монеты невозможное событие - монета станет на ребро, случайное событие - выпадение «орла» или «решки». Конкретный результат испытания называется элементарным событием . В результате испытания происходят только элементарные события. Совокупность всех возможных, различных, конкретных исходов испытаний называется пространством элементарных событий .

Основные понятия теории

Вероятность - степень возможности происхождения события. Когда основания для того, чтобы какое-нибудь возможное событие произошло в действительности, перевешивают противоположные основания, то это событие называют вероятным, в противном случае - маловероятным или невероятным.

Случайная величина - это величина, которая в результате испытания может принять то или иное значение, причем неизвестно заранее, какое именно. Например: число на пожарную станцию за сутки, число попадания при 10 выстрелах и т.д.

Случайные величины можно разделить на две категории.

1. Дискретной случайной величиной называется такая величина, которая в результате испытания может принимать определенные значения с определенной вероятностью, образующие счетное множество (множество, элементы которого могут быть занумерованы). Это множество может быть как конечным, так и бесконечным. Например, количество выстрелов до первого попадания в цель является дискретной случайной величиной, т.к. эта величина может принимать и бесконечное, хотя и счетное количество значений.
2. Непрерывной случайной величиной называется такая величина, которая может принимать любые значения из некоторого конечного или бесконечного промежутка. Очевидно, что количество возможных значений непрерывной случайной величины бесконечно.

Вероятностное пространство - понятие, введенное А.Н. Колмогоровым в 30-х годах XX века для формализации понятия вероятности, которое дало начало бурному развитию теории вероятностей как строгой математической дисциплине.

Вероятностное пространство - это тройка (иногда обрамляемая угловыми скобками: , где

Это произвольное множество, элементы которого называются элементарными событиями, исходами или точками;
- сигма-алгебра подмножеств , называемых (случайными) событиями;
- вероятностная мера или вероятность, т.е. сигма-аддитивная конечная мера, такая что .

Теорема Муавра-Лапласа - одна из предельных теорем теории вероятностей, установлена Лапласом в 1812 году. Она утверждает, что число успехов при многократном повторении одного и того же случайного эксперимента с двумя возможными исходами приблизительно имеет нормальное распределение. Она позволяет найти приближенное значение вероятности.

Если при каждом из независимых испытаний вероятность появления некоторого случайного события равна () и - число испытаний, в которых фактически наступает, то вероятность справедливости неравенства близка (при больших ) к значению интеграла Лапласа.

Функция распределения в теории вероятностей - функция, характеризующая распределение случайной величины или случайного вектора; вероятность того, что случайная величина X примет значение, меньшее или равное х, где х - произвольное действительное число. При соблюдении известных условий полностью определяет случайную величину.

Математическое ожидание - среднее значение случайной величины (это распределение вероятностей случайной величины, рассматривается в теории вероятностей). В англоязычной литературе обозначается через , в русской - . В статистике часто используют обозначение .

Пусть задано вероятностное пространство и определенная на нем случайная величина . То есть, по определению, - измеримая функция. Тогда, если существует интеграл Лебега от по пространству , то он называется математическим ожиданием, или средним значением и обозначается .

Дисперсия случайной величины - мера разброса данной случайной величины, т. е. ее отклонения от математического ожидания. Обозначается в русской литературе и в зарубежной. В статистике часто употребляется обозначение или . Квадратный корень из дисперсии называется среднеквадратичным отклонением, стандартным отклонением или стандартным разбросом.

Пусть - случайная величина, определенная на некотором вероятностном пространстве. Тогда

где символ обозначает математическое ожидание.

В теории вероятностей два случайных события называются независимыми , если наступление одного из них не изменяет вероятность наступления другого. Аналогично, две случайные величины называют зависимыми , если значение одной из них влияет на вероятность значений другой.

Простейшая форма закона больших чисел – это теорема Бернулли, утверждающая, что если вероятность события одинакова во всех испытаниях, то с увеличением числа испытаний частота события стремится к вероятности события и перестает быть случайной.

Закон больших чисел в теории вероятностей утверждает, что среднее арифметическое конечной выборки из фиксированного распределения близко к теоретическому среднему математическому ожиданию этого распределения. В зависимости от вида сходимости различают слабый закон больших чисел, когда имеет место сходимость по вероятности, и усиленный закон больших чисел, когда имеет место сходимость почти наверняка.

Общий смысл закона больших чисел - совместное действие большого числа одинаковых и независимых случайных факторов приводит к результату, в пределе не зависящему от случая.

На этом свойстве основаны методы оценки вероятности на основе анализа конечной выборки. Наглядным примером является прогноз результатов выборов на основе опроса выборки избирателей.

Центральные предельные теоремы - класс теорем в теории вероятностей, утверждающих, что сумма достаточно большого количества слабо зависимых случайных величин, имеющих примерно одинаковые масштабы (ни одно из слагаемых не доминирует, не вносит в сумму определяющего вклада), имеет распределение, близкое к нормальному.

Так как многие случайные величины в приложениях формируются под влиянием нескольких слабо зависимых случайных факторов, их распределение считают нормальным. При этом должно соблюдаться условие, что ни один из факторов не является доминирующим. Центральные предельные теоремы в этих случаях обосновывают применение нормального распределения.