Геометрическая вероятность
Чтобы преодолеть недостаток классического определения вероятности, состоящий в том, что оно неприменимо к испытаниям с бесконечным числом исходов, вводят геометрические вероятности – вероятности попадания точки в область (отрезок, часть плоскости и т.д.). Приведем формальное определение вероятностей для испытаний с бесконечным числом исходов. В подобных случаях пространство элементарных исходов может быть областью G, а под событием A можно понимать исходы, входящие в областьg. Пусть на область G наугад бросается «точка». Какова вероятность того, что эта точка попадет в область g, являющуюся частью области G? 1. Пусть отрезок g, длину которого обозначим как lg, составляет часть отрезка G длина которого lG. На отрезок G наудачу поставлена точка. Это означает выполнение следующих предположений: -поставленная точка может оказаться в любой точке отрезка G; -вероятность попадания точки на отрезок g пропорциональна длине этого отрезка и не зависит от его расположения относительно отрезка G. В этих предположениях вероятность попадания точки на отрезок g определяется равенством 2. Пусть плоская фигура g с площадью Sg составляет часть плоской фигуры G, площадь которой SG. На фигуру G наудачу брошена точка. Это означает выполнение следующих предположений: -брошенная точка может оказаться в любой точке фигуры G; -вероятность попадания брошенной точки на фигуру g пропорциональна площади этой фигуры и не зависит ни от ее расположения относительно фигуры G, ни от формы g. В этих предположениях вероятность попадания точки на фигуру g определяется равенством 3. Аналогично вводится понятие геометрической вероятности при бросании точки в пространственную область G объема VG, содержащую область g объема Vg:
В общем случае понятие геометрической вероятности вводится следующим образом. Пусть -Для любого множества -Для любого счетного набора попарно непересекающихся множеств Обозначим меру области g (длину, площадь, объем) через mes(g), а меру области G– через mes(G); обозначим через A событие «попадание брошенной точки в область g, которая содержится в области G». Вероятность события A, т.е. вероятность попадания в область gточки, брошенной в область G, определяется формулой: 2) Рассмотрим, например, на плоскости некоторую область G, имеющую площадь Геометрической вероятностью события A называется отношение площади области g к площади области G, т. е.
Область g называется Благоприятствующей (благоприятной) событию A. Область, на которую распространяется понятие геометрической вероятности, может быть одномерной (прямая, отрезок) и трехмерной (некоторое тело в пространстве). Обозначая меру (длину, площадь, объем) области через mes, можно записать
11. Теоремы сложения вероятностей. Несколько событий называются несовместимыми, если появление одного из них исключает возможность появления остальных. Вероятность суммы двух несовместных событий равна сумме вероятностей этих событий
P (AÈB) =P (A) +P (B). (2.1) Если имеется счетное множество несовместных событий A 1,..., An, то Из правила сложения вероятностей вытекает, что если события A1, A2, …, An несовместны и образуют полную группу, то сумма их вероятностей равна единице; т.е. если В частности, если два события А и Тогда
Вероятность суммы двух совместных событий равна сумме вероятностей каждого из событий минус вероятность их совместного появления: 2) Противоположным к событию A называется такое событие События Ak (k =1, 2,..., n) образуют полную группу, если они попарно несовместны и в сумме образуют достоверное событие. При преобразовании выражений можно пользоваться следующими тождествами: 3) Рассмотрим некоторое случайное событие Доказательство. В силу несовместности
Следствие: 4) Теорема. Вероятность суммы несовместных событий равна сумме вероятностей этих событий: Замечание. Теорема верна и для n попарно несовместных событий. Следствие. Рассмотрим противоположные события A и 5) Теорема. Вероятность суммы двух совместимых событий А и В равна сумме вероятностей этих событий минус вероятность их произведения:
P(A+B)=P(A)+P(B). Умножение вероятностей. 1) Вероятность произведения (пересечения, совмещения) двух событий равна вероятности одного из них, умноженной на условную вероятность второго при наличии первого (правило умножения вероятностей). Правило умножения вероятностей может быть обобщено на случай произвольного числа событий т.е. вероятность произведения нескольких событий равна произведению вероятностей этих событий, причем вероятность каждого последующего события вычисляется при условии, что все предыдущие имели место.
Событие A называется независимым от события B, если его вероятность не зависит от того, произошло событие B или нет, т.е. P(B / A)=P(B). Для независимых событий правило произведения вероятностей принимает вид: Несколько событий A1, A2, …, An называются независимыми, если любое из них не зависит от любой комбинации (произведения) любого числа других. Для независимых событий правило умножения принимает вид: или т.е. вероятность произведения нескольких независимых событий равна произведению вероятностей этих событий. Заметим, что если имеется несколько событий A1, A2, …, An, то их попарная независимость (т.е. независимость любых двух событий Ai и Aj, i≠j) еще не означает их независимости в совокупности. 2) Для зависимых событий Это означает, что вероятность совместного наступления двух событий равна произведению вероятности одного события на условную вероятность другого события, вычисленную при условии, что произошло первое событие. Условная вероятность 1) Условная вероятность — вероятность одного события при условии, что другое событие уже произошло. 2) Пусть
Полная вероятность Если событие А может произойти только при выполнении одного из событий
Эта формула называется формулой полной вероятности. Вновь рассмотрим полную группу несовместных событий Если событие А произошло, то это может изменить вероятности гипотез
По теореме умножения вероятностей
откуда
Аналогично, для остальных гипотез Полученная формула называется формулой Байеса (формулой Бейеса). Вероятности гипотез Пример. В магазин поступила новая продукция с трех предприятий. Процентный состав этой продукции следующий: 20% - продукция первого предприятия, 30% - продукция второго предприятия, 50% - продукция третьего предприятия; далее, 10% продукции первого предприятия высшего сорта, на втором предприятии - 5% и на третьем - 20% продукции высшего сорта. Найти вероятность того, что случайно купленная новая продукция окажется высшего сорта. Решение. Обозначим через В событие, заключающееся в том, что будет куплена продукция высшего сорта, через Можно применить формулу полной вероятности, причем в наших обозначениях: Подставляя эти значения в формулу полной вероятности, получим искомую вероятность: Повторение испытаний. 1) ПОВТОРЕНИЕ НЕЗАВИСИМЫХ ОПЫТОВ. Несколько опытов называются независимыми, если вероятность исхода опыта не зависит от того, какие исходы имели другие опыты. Рассмотрим случай, когда вероятности исходов опытов постоянны и не зависят от номера опыта. Пусть один тот же опыт проводятся n раз. В каждом опыте некоторые события А1, А2, …, Аr появляется с вероятностями р1, р2, …, рп. Будем рассматривать не результат каждого конкретного опыта, а общее число появлений событий А1, А2, …, Аr. Рассмотрим случай с двумя возможными исходами опытов, т.е. в результате каждого опыта событие A появляется с вероятностью р и не появляется с вероятностью q=1-p. Вероятность P(n,k) того, что в последовательности из n опытов интересующее нас событие произойдет ровно k раз (безразлично, в какой последовательности), равна (формула Бернулли) Следствия из формулы Бернулли. 1. Вероятность того, что событие А наступит менее k раз 2. Вероятность того, что событие наступит более k раз 3. Вероятность того, что в n опытах схемы Бернулли, событие А появится от k1 до k2 раз 4. Вероятность того, что в n опытах событие А появится хотя бы один раз, определяется формулой Число к0, которому соответствует максимальная биномиальная вероятность
16. Локальная и интегральная формулы Если количество независимых испытаний достаточно большое применения формулы Бернулли становится трудоемким. Для упрощения вычислений применяют локальную и интегральную теоремы Лапласа, которые дают близкий к формуле Бернулли результат при большом количестве испытаний и не требуют больших вычислений.
ЛОКАЛЬНАЯ ТЕОРЕМА ЛАПЛАСА Вероятность того, что в где
Формулу Функция 1) она является четной функцией 2) для значений аргумента больше четырех она сколь угодно мала Теорему Лапласа рекомендуется применять при значениях произведения больше девяти ИНТЕГРАЛЬНАЯ ТЕОРЕМА МУАВРА-ЛАПЛАСА Вероятность, что в где
Функция 1) она является нечетной функцией 2) для аргументов больше пяти она равна 0,5 Значение обеих функций -------------------------------- Рассмотрим задачи на применение каждой из теорем. Пример 1. Есть 100 лунок по которым случайным образом разбрасывают 30 шариков. Каждый шарик с равной вероятностью может попасть в любую лунку (в одну лунку попадает не более одного шарика). Найти вероятность того, что в выбранную лунку попадет ровно один шарик. Решение. Проводится Вероятность попадания в лунку ровно одного шарика определим по локальной формулой Лапласа: Для этого определяем составляющие и подставим в зависимость -------------------------------- Пример 2. Проводится 200 независимых опытов с вероятностью успеха в каждом 24%. Какова вероятность успешного проведения 50 опытов? Решение. По условию находим составляющие формулы Лапласа Подставляя в формулу, находим -------------------------------- Пример 3. Вероятность выхода из строя за смену одного станка равна 0,1. Определить вероятность выхода из строя от 2 до 13 станков при наличии 100 станков. Решение. Записываем входные данные Для подобных примеров применяем интегральную формулу Муавра-Лапласа и находим вероятность -------------------------------- Решение задач по приведенным теоремам позволяет при большом количестве испытаний находить приближенное значение вероятности. Локальная теорема необходима при определении конкретного количества появления событий, интегральная теорема Муавра-Лапласа - в случаях, когда задан диапазон возможного количества появлений события. Таблицы табулирования функций, применяемых в формулах можно найти в сборниках по теории вероятностей и интернете. Если вероятность ТЕОРЕМА ПУАССОНА Если вероятность где Для формулы Пуассона используют таблицы табулирования функции ------------------------------- Рассмотрим примеры типичных для студентов задач. Пример 1. Автобиография писателя издается тиражом в 1000 экземпляров. Для каждой книги вероятность быть неправильно сброшюрованной равна 0,002. Найти вероятность того, что тираж содержать ровно 7 бракованных книг. Решение. Проверим выполнение условия теоремы Пуассона. Для входных значений получим что условия выполняются. Применения к этому событию локальную теорему Лапласа получим Точное значение вероятности определяем по формуле Бернулли Из анализа трех методов следует, что формула Пуассона дает более точнее приближения, чем формула Лапласа. Именно поэтому ее рекомендуют применять для отыскания вероятности в такого сорта задачах. ------------------------------- Пример 2. Вероятность изготовления нестандартной детали равна 0,004. Найти вероятность того, что среди 1000 деталей окажется 5 нестандартных. Решение. Имеем даные Найдем вероятность того же события по локальной теореме Лапласа. Для
искомая вероятность: Точное значение вычисляем согласно формулы Бернулли: Таким образом, формула Пуассона дает гораздо более точное приближение, чем формула Лапласа. Пример 3. Станок штампует детали. Вероятность того, что изготовленная деталь бракованная, равна 0,02. Какова вероятность того, что среди 200 деталей окажется 5 бракованных? Решение. Есть По таблице функции Пуассона при ---------------------------------------------- Используйте формулу Пуассона в тех задачах, где она более уместна. Всегда проверяйте выполнения условия теоремы Пуассона, при значениях которые не удовлетворяют условие 17.Понятие случайной дискретной величины Рассмотрим случайную величину * Такая случайная величина
Пример 2. Пусть случайная величина Предположим, что производится n независимых испытаний, в результате каждого из которых может наступить или не наступить событие A. Пусть вероятность наступления события A при каждом испытании равна p. Рассмотрим случайную величину Закон распределения вероятностей по формуле Бернулли часто называют биномиальным, так как Pn(m) представляет собой m-й член разложения бинома
18. Характеристика и свойства случайной дискретной величины Закон распределения (функция распределения и ряд распределения или плотность веро-ятности) полностью описывают поведение случайной величины. Но в ряде задач доста-точно знать некоторые числовые характеристики исследуемой величины (например, ее среднее значение и возможное отклонение от него), чтобы ответить на поставленный во-прос. Рассмотрим основные числовые характеристики дискретных случайных величин.
Математическое ожидание. Определение 7.1. Математическим ожиданием дискретной случайной величины называется сумма произведений ее возможных значений на соответствующие им вероятности: М (Х) = х 1 р 1 + х 2 р 2 + … + хпрп. (7.1) Если число возможных значений случайной величины бесконечно, то, если полученный ряд сходится абсолютно. Замечание 1. Математическое ожидание называют иногда взвешенным средним, так как оно приближенно равно среднему арифметическому наблюдаемых значений случайной величины при большом числе опытов. Замечание 2. Из определения математического ожидания следует, что его значение не меньше наименьшего возможного значения случайной величины и не больше наибольшего. Замечание 3. Математическое ожидание дискретной случайной величины есть неслучайная (постоянная) величина. В дальнейшем увидим, что это же справедливо и для непрерывных случайных величин. Пример 1. Найдем математическое ожидание случайной величины Х – числа стандартных деталей среди трех, отобранных из партии в 10 деталей, среди которых 2 бракованных. Составим ряд распределения для Х. Из условия задачи следует, что Х может принимать значения 1, 2, 3. Тогда Пример 2. Определим математическое ожидание случайной величины Х – числа бросков монеты до первого появления герба. Эта величина может принимать бесконечное число значений (множество возможных значений есть множество натуральных чисел). Ряд ее распределения имеет вид:
Тогда
+ Свойства математического ожидания. 1) Математическое ожидание постоянной равно самой постоянной Доказательство. Если рассматривать С как дискретную случайную величину, принимающую только одно значение С с вероятностью р = 1, то М (С) = С ·1 = С. 2) Постоянный множитель можно выносит за знак математического ожидания: М (СХ) = С М (Х). (7.3) Доказательство. Если случайная величина Х задана рядом распределения
то ряд распределения для СХ имеет вид:
Тогда М (СХ) = Сх 1 р 1 + Сх 2 р 2 + … + Схпрп = С (х 1 р 1 + х 2 р 2 + … + хпрп) = СМ (Х). Определение 7.2. Две случайные величины называются независимыми, если закон распределения одной из них не зависит от того, какие значения приняла другая. В противном случае случайные величины зависимы. Определение 7.3. Назовем произведением независимых случайных величин Х и Y случайную величину XY, возможные значения которой равны произведениям всех возможных значений Х на все возможные значения Y, а соответствующие им вероятности равны произведениям вероятностей сомножителей. 3) Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий: M (XY) = M (X) M (Y). (7.4) Доказательство. Для упрощения вычислений ограничимся случаем, когда Х и Y принимают только по два возможных значения:
Тогда ряд распределения для XY выглядит так:
Следовательно, M (XY) = x 1 y 1· p 1 g 1 + x 2 y 1· p 2 g 1 + x 1 y 2· p 1 g 2 + x 2 y 2· p 2 g 2 = y 1 g 1(x 1 p 1 + x 2 p 2) + + y 2 g 2(x 1 p 1 + x 2 p 2) = (y 1 g 1 + y 2 g 2) (x 1 p 1 + x 2 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|