Теория вероятностей

редактировать
Раздел математики, касающийся вероятности

Теория вероятностей - это раздел математики, связанный с вероятность. Хотя существует несколько различных интерпретаций вероятностей, теория вероятностей трактует это понятие строго математически, выражая его через набор аксиом. Обычно эти аксиомы формализуют вероятность в терминах вероятностного пространства, которое присваивает меру, принимающую значения от 0 до 1, называемую вероятностной мерой, набору результаты называются пробелом. Любое указанное подмножество этих результатов называется событием. К основным предметам теории вероятностей относятся дискретные и непрерывные случайные величины, распределения вероятностей и случайные процессы, которые обеспечивают математические абстракции недетерминированных или неопределенные процессы, или измеренные величины, которые могут быть единичными или изменяться во времени случайным образом. Хотя невозможно точно предсказать случайные события, можно многое сказать об их поведении. Два основных результата в теории вероятностей, описывающих такое поведение, - это закон больших чисел и центральная предельная теорема.

В качестве математической основы для статистики теория вероятностей необходима для многие виды человеческой деятельности, предполагающие количественный анализ данных. Методы теории вероятностей также применимы к описанию сложных систем при условии лишь частичного знания их состояния, как в статистической механике. Великое открытие физики двадцатого века - вероятностная природа физических явлений на атомных масштабах, описанная в квантовой механике.

Содержание
  • 1 История вероятности
  • 2 Лечение
    • 2.1 Мотивация
    • 2.2 Дискретные распределения вероятностей
    • 2.3 Непрерывные распределения вероятностей
    • 2.4 Теоретико-мерная теория вероятностей
  • 3 Классические распределения вероятностей
  • 4 Сходимость случайных величин
    • 4.1 Закон больших чисел
    • 4.2 Центральная предельная теорема
  • 5 См. Также
  • 6 Примечания
  • 7 Ссылки
История вероятности

Самые ранние известные формы вероятности и статистики были разработаны арабскими математиками изучение криптографии между VIII и XIII веками. Аль-Халил (717–786) написал Книгу криптографических сообщений, которая содержит первое использование перестановок и комбинаций для перечисления всех возможных арабских слов с и без гласные звуки. Аль-Кинди (801–873) впервые применил статистический вывод в своей работе по криптоанализу и частотному анализу. Важный вклад Ибн Адлана (1187–1268) заключался в размере выборки для использования частотного анализа.

Современная математическая теория вероятности имеет свои корни в попытках проанализировать азартные игры Джероламо Кардано в шестнадцатом веке, а также Пьер де Ферма и Блез Паскаль в семнадцатом веке (например, «проблема очков »). Христиан Гюйгенс опубликовал книгу на эту тему в 1657 году, а в 19 веке Пьер Лаплас завершил то, что сегодня считается классической интерпретацией.

Изначально главным образом была теория вероятностей. рассматривал дискретные события, и его методы были в основном комбинаторными. В конце концов, аналитические соображения вынудили включить в теорию непрерывные переменные.

Кульминацией этого стала современная теория вероятностей, заложенная Андреем Николаевичем Колмогоровым. Колмогоров объединил понятие выборочного пространства, введенное Ричардом фон Мизесом, и теорией меры и представил свою систему аксиом для теории вероятностей в 1933. Это стало главным бесспорным аксиомы базиса для современной теории вероятностей; но существуют альтернативы, такие как принятие конечной, а не счетной аддитивности Бруно де Финетти.

Лечение

В большинстве вводных статей в теорию вероятностей дискретные распределения вероятностей и непрерывные распределения вероятностей рассматриваются отдельно. Рассмотрение вероятности на основе теории меры охватывает дискретное, непрерывное, сочетание двух и многих других.

Мотивация

Рассмотрим эксперимент, который может дать несколько результатов. Набор всех результатов называется выборкой эксперимента. Набор мощности пространства выборки (или, что эквивалентно, пространство событий) формируется путем рассмотрения всех различных наборов возможных результатов. Например, бросок честной кости дает один из шести возможных результатов. Один набор возможных результатов соответствует получению нечетного числа. Таким образом, подмножество {1,3,5} является элементом набора мощности пробного пространства фильерных валков. Эти коллекции называются событиями. В этом случае {1,3,5} - это событие, когда кубик выпадает на нечетное число. Если результаты, которые действительно происходят, попадают в данное событие, говорят, что это событие произошло.

Вероятность - это способ присвоения каждому «событию» значения от нуля до единицы с требованием, чтобы событие состояло из всех возможных результатов (в нашем примере событие {1, 2,3,4,5,6}) будет присвоено значение один. Чтобы квалифицироваться как распределение вероятностей, присвоение значений должно удовлетворять требованию, согласно которому при просмотре совокупности взаимоисключающих событий (событий, не содержащих общих результатов, например, событий {1,6}, {3} и {2,4} являются взаимоисключающими), вероятность того, что любое из этих событий произойдет, дается суммой вероятностей событий.

Вероятность того, что любое из событий {1,6}, {3} или {2,4} произойдет 5/6. Это то же самое, что сказать, что вероятность события {1,2,3,4,6} составляет 5/6. Это событие подразумевает возможность выпадения любого числа, кроме пяти. Взаимоисключающее событие {5} имеет вероятность 1/6, а событие {1,2,3,4,5,6} имеет вероятность 1, то есть абсолютную достоверность.

При выполнении вычислений с использованием результатов эксперимента необходимо, чтобы всем этим элементарным событиям были присвоены номера. Это делается с помощью случайной величины. Случайная величина - это функция, которая присваивает каждому элементарному событию в пространстве выборки действительное число. Эта функция обычно обозначается заглавной буквой. В случае кубика присвоение номера определенным элементарным событиям может быть выполнено с помощью функции идентификации . Это не всегда работает. Например, когда подбрасывает монету, двумя возможными исходами являются «орел» и «решка». В этом примере случайная переменная X могла бы присвоить результату "головы" число "0" (X (Heads) = 0 {\ displaystyle X (Head) = 0}{\ displaystyle X (головы) = 0} ) и результат "решает" число "1" (X (хвосты) = 1 {\ displaystyle X (tails) = 1}{\ displaystyle X (хвосты) = 1} ).

Дискретные распределения вероятностей

Распределение Пуассона, дискретное распределение вероятностей.

Теория дискретной вероятности имеет дело с событиями, которые происходят в счетных выборочных пространствах.

Примеры: бросание кубиков, эксперименты с колодами карт, случайное блуждание и подбрасывание монет

Классическое определение: Первоначально вероятность наступления события определялась как количество случаев, благоприятных для данного события, по отношению к количеству возможных исходов в равновероятном пространстве выборки: см. Классическое определение вероятности.

Например, если событие - это «выпадение четного числа при броске кубика», вероятность определяется как 3 6 = 1 2 {\ displaystyle {\ tfrac {3} {6}} = {\ tfrac {1} {2} }}{\ tfrac {3} {6}} = {\ tfrac {1} {2}} , поскольку 3 лица из 6 имеют четные числа и каждое лицо имеет одинаковую вероятность появления.

Современное определение: современное определение начинается с конечного или счетного множества, называемого выборочным пространством, которое относится к множеству всех возможных результатов в классическом смысле, обозначенного по Ω {\ displaystyle \ Omega}\ Omega . Затем предполагается, что для каждого элемента x ∈ Ω {\ displaystyle x \ in \ Omega \,}x \ in \ Omega \, внутреннее значение «вероятности» f (x) {\ displaystyle f ( x) \,}f (x) \, , который удовлетворяет следующим свойствам:

  1. f (x) ∈ [0, 1] для всех x ∈ Ω; {\ Displaystyle f (x) \ in [0,1] {\ t_dv {для всех}} x \ in \ Omega \,;}f (x) \ in [0,1] {\ t_dv {для всех}} x \ in \ Omega \,;
  2. ∑ x ∈ Ω f (x) = 1. {\ displaystyle \ sum _ {x \ in \ Omega} f (x) = 1 \,.}\ sum _ {x \ in \ Omega} f (x) = 1 \,.

То есть функция вероятности f (x) лежит между нулем и единицей для каждого значения x в пространстве выборки Ω, а сумма f (x) по всем значениям x в пространстве отсчетов Ω равна 1. Событие определяется как любое подмножество E {\ displaystyle E \,}E \, выборочного пространства Ω {\ displaystyle \ Omega \,}\ Omega \, . Вероятность события E {\ displaystyle E \,}E \, определяется как

P (E) = ∑ x ∈ E f (x). {\ Displaystyle P (E) = \ sum _ {x \ in E} f (x) \,.}P (E) = \ sum _ { x \ in E} f (x) \,.

Итак, вероятность всего пространства выборки равна 1, а вероятность нулевого события равна 0.

Функция f (x) {\ displaystyle f (x) \,}f (x) \, , отображающая точку в пространстве выборки на значение «вероятности», называется функцией массы вероятности. сокращенно pmf. Современное определение не пытается ответить, как получаются функции массы вероятности; вместо этого он строит теорию, предполагающую их существование.

Непрерывные распределения вероятностей

нормальное распределение, непрерывное распределение вероятностей.

Непрерывная теория вероятностей имеет дело с событиями, которые происходят в непрерывном пространстве выборки.

Классическое определение: Классическое определение терпит неудачу, когда сталкивается с непрерывным случаем. См. парадокс Бертрана.

Современное определение: если пространство результатов случайной величины X является набором действительных чисел (R {\ displaystyle \ mathbb {R}}\ mathbb {R} ) или их подмножество, то существует функция, называемая кумулятивной функцией распределения (или cdf) F {\ displaystyle F \,}F \, , определяемая F (Икс) знак равно п (Икс ≤ Икс) {\ Displaystyle F (x) = P (X \ Leq x) \,}F (x) = P (X \ leq x) \, . То есть F (x) возвращает вероятность того, что X будет меньше или равно x.

cdf обязательно удовлетворяет следующим свойствам.

  1. F {\ displaystyle F \,}F \, - монотонно неубывающая, непрерывная вправо функция ;
  2. lim x → - ∞ F (х) = 0; {\ displaystyle \ lim _ {x \ rightarrow - \ infty} F (x) = 0 \,;}\ lim _ {x \ rightarrow - \ infty} F (x) = 0 \,;
  3. lim x → ∞ F (x) = 1. {\ displaystyle \ lim _ {x \ rightarrow \ infty} F (x) = 1 \,.}\ lim _ {x \ rightarrow \ infty} F (x) = 1 \,.

Если F {\ displaystyle F \,}F \, абсолютно непрерывно, т. Е. Ее производная существует, и интегрирование производной снова дает нам cdf, тогда говорят, что случайная величина X имеет функцию плотности вероятности или pdf, или просто плотность f (x) = d F (x) dx. {\ displaystyle f (x) = {\ frac {dF (x)} {dx}} \,.}f (x) = {\ frac { dF (x)} {dx}} \,.

для набора E ⊆ R {\ displaystyle E \ substeq \ mathbb {R}}E \ substeq \ mathbb {R} , вероятность того, что случайная величина X находится в E {\ displaystyle E \,}E \, , равна

P (X ∈ E) = ∫ x ∈ E d F ( Икс). {\ Displaystyle P (X \ in E) = \ int _ {x \ in E} dF (x) \,.}P (X \ in E) = \ int _ {x \ in E} dF (x) \,.

В случае, если функция плотности вероятности существует, это можно записать как

P (X ∈ E) = ∫ x ∈ E f (x) dx. {\ displaystyle P (X \ in E) = \ int _ {x \ in E} f (x) \, dx \,.}P (X \ in E) = \ int _ {x \ in E} f (x) \, dx \,.

В то время как PDF существует только для непрерывных случайных величин, CDF существует для всех случайных переменные (включая дискретные случайные величины), которые принимают значения в R. {\ displaystyle \ mathbb {R} \,.}\ mathbb {R} \,.

Эти концепции могут быть обобщены для многомерных случаев в R n {\ displaystyle \ mathbb {R} ^ {n}}\ mathbb {R} ^ {n} и другие сплошные пробелы.

Теоретико-мерная теория вероятностей

raison d'être теоретико-мерного подхода к вероятности состоит в том, что она объединяет дискретный и непрерывный случаи и делает разница в том, какая мера используется. Кроме того, он охватывает распределения, которые не являются ни дискретными, ни непрерывными, ни их смесями.

Примером таких распределений может быть сочетание дискретных и непрерывных распределений - например, случайная величина, которая равна 0 с вероятностью 1/2, и принимает случайное значение из нормального распределения с вероятностью 1/2.. Его все еще можно изучить до некоторой степени, считая, что он имеет pdf-файл (δ [x] + φ (x)) / 2 {\ displaystyle (\ delta [x] + \ varphi (x)) / 2 }(\ delta [x] + \ varphi (x)) / 2 , где δ [x] {\ displaystyle \ delta [x]}\ delta [x] - это дельта-функция Дирака.

Другие распределения могут даже не быть смесью, например, распределение Кантора не имеет ни положительной вероятности ни для одной точки, ни плотности. Современный подход к теории вероятностей решает эти проблемы с использованием теории меры для определения вероятностного пространства :

для любого набора Ω {\ displaystyle \ Omega \,}\ Omega \, (также называемое пробелом) и σ-алгеброй F {\ displaystyle {\ mathcal {F}} \,}{\ mathcal {F}} \, на нем, мера P {\ displaystyle P \,}P \, , определенный на F {\ displaystyle {\ mathcal {F}} \,}{\ mathcal {F}} \, , называется вероятностной мерой, если п (Ом) = 1. {\ Displaystyle P (\ Omega) = 1. \,}P (\ Omega) = 1. \,

Если F {\ displaystyle {\ mathcal {F}} \,}{\ mathcal {F}} \, является борелевской σ-алгеброй на множестве действительных чисел, тогда существует уникальная вероятностная мера на F {\ displaystyle {\ mathcal {F}} \,}{\ mathcal {F}} \, для любого cdf, и наоборот. Мера, соответствующая cdf, называется индуцированной cdf. Эта мера совпадает с pmf для дискретных переменных и pdf для непрерывных переменных, что делает теоретико-мерный подход свободным от ошибок.

Вероятность набора E {\ displaystyle E \,}E \, в σ-алгебре F {\ displaystyle {\ mathcal {F}} \,}{\ mathcal {F}} \, определяется как

P (E) = ∫ ω ∈ E μ F (d ω) {\ displaystyle P (E) = \ int _ {\ omega \ in E} \ mu _ {F } (d \ omega) \,}P (E) = \ int _ {\ omega \ in E} \ mu _ {F} (d \ omega) \,

где интегрирование производится по мере μ F {\ displaystyle \ mu _ {F} \,}\ mu _ {F} \, , индуцированной F. {\ displaystyle F \,.}F \,.

Наряду с улучшением понимания и унификации дискретных и непрерывных вероятностей, теоретико-мерная обработка также позволяет нам работать с вероятностями за пределами R n {\ displaystyle \ mathbb {R} ^ {n}}\ mathbb {R} ^ {n} , как в теории случайных процессов. Например, чтобы изучить броуновское движение, вероятность определяется на пространстве функций.

Когда удобно работать с доминирующей мерой, теорема Радона-Никодима используется для определения плотности как производной Радона-Никодима интересующего распределения вероятностей относительно этого доминирующего мера. Дискретные плотности обычно определяются как эта производная относительно счетной меры по набору всех возможных результатов. Плотности для абсолютно непрерывных распределений обычно определяются как эта производная по мере Лебега. Если теорема может быть доказана в этом общем случае, она верна как для дискретных, так и для непрерывных распределений, а также для других; для дискретных и непрерывных распределений отдельные доказательства не требуются.

Классические распределения вероятностей

Некоторые случайные величины очень часто встречаются в теории вероятностей, потому что они хорошо описывают многие естественные или физические процессы. Поэтому их распределения приобрели особое значение в теории вероятностей. Некоторые фундаментальные дискретные распределения: дискретное равномерное, Бернулли, биномиальное, отрицательное биномиальное, Пуассон и геометрические распределения. Важные непрерывные распределения включают непрерывное равномерное, нормальное, экспоненциальное, гамма и бета-распределения.

Сходимость случайных величин.

В теории вероятностей существует несколько понятий сходимости для случайных величин. Они перечислены ниже в порядке силы, т.е. любое последующее понятие сходимости в списке подразумевает сходимость согласно всем предыдущим понятиям.

Слабая сходимость
Последовательность случайных величин X 1, X 2,…, {\ displaystyle X_ {1}, X_ {2}, \ dots, \,}X_ {1}, X_ {2}, \ dots, \, слабо сходится к случайной величине X {\ displaystyle X \,}X \, , если их соответствующие кумулятивные функции распределения F 1, F 2,… {\ displaystyle F_ {1}, F_ {2}, \ dots \,}F_ { 1}, F_ {2}, \ точки \, сходятся к кумулятивной функции распределения F {\ displaystyle F \,}F \, of X {\ displaystyle X \,}X \, , где F {\ displaystyle F \,}F \, является непрерывным. Слабая сходимость также называется сходимостью по распределению.
Наиболее распространенное сокращенное обозначение: X n → DX {\ displaystyle \ displaystyle X_ {n} \, {\ xrightarrow {\ mathcal {D}}} \, X}{\ displaystyle \ displaystyle X_ {n} \, {\ xrightarrow {\ mathcal {D}}} \, X}
Сходимость по вероятности
Последовательность случайных величин X 1, X 2,… {\ displaystyle X_ {1}, X_ {2}, \ dots \,}X_ {1}, X_ {2}, \ dots \, , как говорят, сходится к случайной величине X {\ displaystyle X \,}X \, по вероятности, если lim n → ∞ P (| X n - X | ≥ ε) = 0 { \ displaystyle \ lim _ {n \ rightarrow \ infty} P \ left (\ left | X_ {n} -X \ right | \ geq \ varepsilon \ right) = 0}\ lim _ {n \ rightarrow \ infty} P \ left (\ left | X_ {n} -X \ right | \ geq \ varepsilon \ right) = 0 для каждого ε>0.
Наиболее распространенное сокращенное обозначение: X n → PX {\ displaystyle \ displaystyle X_ {n} \, {\ xrightarrow {P}} \, X}{\ displaystyle \ Displaystyle X_ {n} \, {\ xrightarrow {P}} \, X}
Сильная конвергенция
Последовательность случайных величин X 1, X 2,… {\ displaystyle X_ {1}, X_ {2}, \ dots \,}X_ {1}, X_ {2}, \ dots \, , как говорят, сходятся к случайной величине X { \ displaystyle X \,}X \, строго, если P (lim n → ∞ X n = X) = 1 {\ displaystyle P (\ lim _ {n \ rightarrow \ infty } X_ {n} = X) = 1}P (\ lim _ {n \ rightarrow \ infty} X_ {n} = X) = 1 . Сильная сходимость также известна как почти полная сходимость.
Наиболее распространенное сокращенное обозначение: X n → a. с. X {\ displaystyle \ displaystyle X_ {n} \, {\ xrightarrow {\ mathrm {a.s.}}} \, X}{\ displaystyle \ displaystyle X_ {n} \, {\ xrightarrow {\ mathrm {as}}} \, X}

Как видно из названия, слабая сходимость слабее, чем сильная. Фактически, сильная сходимость предполагает сходимость по вероятности, а сходимость по вероятности подразумевает слабую сходимость. Обратные утверждения не всегда верны.

Закон больших чисел

Обычная интуиция подсказывает, что если честная монета подбрасывается много раз, то примерно в половине случаев она будет выпадать орлом, а в другой половине - решкой.. Кроме того, чем чаще подбрасывается монета, тем более вероятно, что отношение количества решек к количеству решек будет приближаться к единице. Современная теория вероятностей предоставляет формальную версию этой интуитивной идеи, известной как закон больших чисел. Этот закон примечателен тем, что он не предполагается в основах теории вероятностей, а вместо этого вытекает из этих основ в виде теоремы. Поскольку он связывает теоретически полученные вероятности с их реальной частотой появления в реальном мире, закон больших чисел считается столпом в истории статистической теории и имеет широкое влияние.

Закон больших чисел (LLN) утверждает, что выборочное среднее

X ¯ n = 1 n ∑ k = 1 n X k {\ displaystyle {\ overline {X}} _ {n} = {\ frac {1} {n}} { \ sum _ {k = 1} ^ {n} X_ {k}}}{\ overline {X}} _ {n} = {\ frac {1} {n}} {\ sum _ {k = 1} ^ {n} X_ {k}}

последовательности независимых и одинаково распределенных случайных величин X k {\ displaystyle X_ {k}}X_ {k} сходится к их общему ожиданию μ {\ displaystyle \ mu}\ mu при условии, что ожидание | X k | {\ displaystyle | X_ {k} |}| X_ {k} | конечно.

Именно в различных формах сходимости случайных величин разделены слабый и сильный закон больших чисел

Слабый закон: X ¯ n → P μ { \ displaystyle \ displaystyle {\ overline {X}} _ {n} \, {\ xrightarrow {P}} \, \ mu}{\ displaystyle \ displaystyle {\ overline {X}} _ {n} \, {\ xrightarrow {P}} \, \ mu} для n → ∞ {\ displaystyle n \ to \ infty }n \ to \ infty
Строгий закон: X ¯ n → a. с. μ {\ displaystyle \ displaystyle {\ overline {X}} _ {n} \, {\ xrightarrow {\ mathrm {a. \, s.}}} \, \ mu}{\ displaystyle \ displaystyle {\ overline {X}} _ {n} \, {\ xrightarrow {\ mathrm {a. \, s.}}} \, \ mu} для п → ∞. {\ displaystyle n \ to \ infty.}{\ displaystyle n \ to \ infty.}

Из LLN следует, что если событие с вероятностью p наблюдается многократно во время независимых экспериментов, отношение наблюдаемой частоты этого события к общему количеству повторений сходится к p.

Например, если Y 1, Y 2,... {\ displaystyle Y_ {1}, Y_ {2},... \,}Y_ {1}, Y_ {2 },... \, являются независимыми случайными величинами Бернулли, принимающими значения 1 с вероятностью p и 0 с вероятностью 1-p, тогда E (Y i) = p {\ displaystyle {\ textrm {E}} (Y_ {i}) = p}{\ textrm {E}} (Y_ {i}) = p для всех i, так что Y ¯ n {\ displaystyle {\ bar {Y}} _ {n}}{\ bar {Y}} _ {n} почти наверняка сходится к p .

Центральная предельная теорема

«Центральная предельная теорема (CLT) является одной из великие результаты математики ». (Глава 18 в) Это объясняет повсеместное появление нормального распределения в природе.

Теорема утверждает, что среднее многих независимых и одинаково распределенных случайных величин с конечной дисперсией имеет тенденцию к нормальному распределению независимо от распределения, за которым следуют исходные случайные величины. Формально, пусть X 1, X 2,… {\ displaystyle X_ {1}, X_ {2}, \ dots \,}X_ {1}, X_ {2}, \ dots \, будут независимыми случайными величинами с средним μ {\ displaystyle \ mu}\ mu и variance σ 2>0. {\ displaystyle \ sigma ^ {2}>0. \,}\sigma ^{2}>0. \, Тогда последовательность случайных величин

Z n = ∑ i = 1 n (X i - μ) σ n {\ displaystyle Z_ {n} = { \ frac {\ sum _ {i = 1} ^ {n} (X_ {i} - \ mu)} {\ sigma {\ sqrt {n}}}} \,}Z_ {n} = {\ frac {\ sum _ {i = 1} ^ {n} ( X_ {i} - \ mu)} {\ sigma {\ sqrt {n}}}} \,

сходится по распределению к стандартная нормальная случайная величина.

Для некоторых классов случайных величин классическая центральная предельная теорема работает довольно быстро (см. теорему Берри – Эссина ), например, распределения с конечным первым, второй и третий моменты из экспоненциального семейства ; с другой стороны, для некоторых случайных величин из разновидностей тяжелый хвост и толстый хвост он работает очень медленно или может не работать вообще: в таких случаях можно использовать Обобщенную центральную предельную теорему (GCLT).

См. также
  • значок Портал математики
Примечания
Ссылки
Первый крупный трактат, объединяющий исчисление и теорию вероятностей, первоначально на французском языке: Théorie Analytique des Probabilités.
Английский перевод Натана Моррисона появился под заголовком «Основы теории вероятностей» (Челси, Нью-Йорк) в 1950 году, со вторым издание 1956.
  • Патрик Биллингсли (1979). Вероятность и мера. Нью-Йорк, Торонто, Лондон: Джон Вили и сыновья
  • Олав Калленберг ; Основы современной вероятности, 2-е изд. Серия Спрингера в статистике. (2002). 650 с. ISBN 0-387-95313-2
  • Хенк Таймс (2004). Понимание вероятности. Cambridge Univ. Press.
Живое введение в теорию вероятностей для новичков.
  • Олав Калленберг; Вероятностные симметрии и принципы инвариантности. Спрингер-Верлаг, Нью-Йорк (2005). 510 стр. ISBN 0-387-25115-4
  • Гут, Аллан (2005). Вероятность: аспирантура. Springer-Verlag. ISBN 0-387-22833-0.
Последняя правка сделана 2021-06-02 07:17:18
Содержание доступно по лицензии CC BY-SA 3.0 (если не указано иное).
Обратная связь: support@alphapedia.ru
Соглашение
О проекте