"Случайности не случайны"... Звучит так, словно сказал философ, но на деле изучать случайности удел великой науки математики. В математике случайностями занимается теория вероятности. Формулы и примеры заданий, а также основные определения этой науки будут представлены в статье.
Что такое теория вероятности?
Теория вероятности - это одна из математических дисциплин, которая изучает случайные события.
Чтобы было немного понятнее, приведем небольшой пример: если подкинуть вверх монету, она может упасть «орлом» или «решкой». Пока монета находится в воздухе, обе эти вероятности возможны. То есть вероятность возможных последствий соотносится 1:1. Если из колоды с 36-ю картами вытащить одну, тогда вероятность будет обозначаться как 1:36. Казалось бы, что здесь нечего исследовать и предугадывать, тем более при помощи математических формул. Тем не менее, если повторять определенное действие много раз, то можно выявить некую закономерность и на ее основе спрогнозировать исход событий в других условиях.
Если обобщить все вышесказанное, теория вероятности в классическом понимании изучает возможность возникновения одного из возможных событий в числовом значении.
Со страниц истории
Теория вероятности, формулы и примеры первых заданий появились еще в далеком Средневековье, когда впервые возникли попытки спрогнозировать исход карточных игр.
Изначально теория вероятности не имела ничего общего с математикой. Она обосновывалась эмпирическими фактами или свойствами события, которое можно было воспроизвести на практике. Первые работы в этой сфере как в математической дисциплине появились в XVII веке. Родоначальниками стали Блез Паскаль и Пьер Ферма. Длительное время они изучали азартные игры и увидели определенные закономерности, о которых и решили рассказать обществу.
Такую же методику изобрел Христиан Гюйгенс, хотя он не был знаком с результатами исследований Паскаля и Ферма. Понятие «теория вероятности», формулы и примеры, что считаются первыми в истории дисциплины, были введены именно им.
Немаловажное значение имеют и работы Якоба Бернулли, теоремы Лапласа и Пуассона. Они сделали теорию вероятности больше похожей на математическую дисциплину. Свой теперешний вид теория вероятностей, формулы и примеры основных заданий получили благодаря аксиомам Колмогорова. В результате всех изменений теория вероятности стала одним из математических разделов.
Базовые понятия теории вероятностей. События
Главным понятием этой дисциплины является "событие". События бывают трех видов:
- Достоверные. Те, которые произойдут в любом случае (монета упадет).
- Невозможные. События, что не произойдут ни при каком раскладе (монета останется висеть в воздухе).
- Случайные. Те, что произойдут или не произойдут. На них могут повлиять разные факторы, которые предугадать очень трудно. Если говорить о монете, то случайные факторы, что могут повлиять на результат: физические характеристики монеты, ее форма, исходное положение, сила броска и т. д.
Все события в примерах обозначаются заглавными латинскими буквами, за исключением Р, которой отведена другая роль. Например:
- А = «студенты пришли на лекцию».
- Ā = «студенты не пришли на лекцию».
В практических заданиях события принято записывать словами.
Одна из важнейших характеристик событий - их равновозможность. То есть, если подбросить монету, все варианты исходного падения возможны, пока она не упала. Но также события бывают и не равновозможными. Это происходит, когда кто-то специально воздействует на исход. Например, «меченые» игральные карты или игральные кости, в которых смещен центр тяжести.
Еще события бывают совместимыми и несовместимыми. Совместимые события не исключают появления друг друга. Например:
- А = «студентка пришла на лекцию».
- В = «студент пришел на лекцию».
Эти события независимы друг от друга, и появление одного из них не влияет на появление другого. Несовместимые события определяются тем, что появление одного исключает появление другого. Если говорить о той же монете, то выпадение «решки» делает невозможным появление «орла» в этом же эксперименте.
Действия над событиями
События можно умножать и складывать, соответственно, в дисциплине вводятся логические связки «И» и «ИЛИ».
Сумма определяется тем, что может появиться или событие А, или В, или два одновременно. В случае когда они несовместимы, последний вариант невозможен, выпадет или А, или В.
Умножение событий заключается в появлении А и В одновременно.
Теперь можно привести несколько примеров, чтобы лучше запомнились основы, теория вероятности и формулы. Примеры решения задач далее.
Задание 1 : Фирма принимает участие в конкурсе на получение контрактов на три разновидности работы. Возможные события, которые могут произойти:
- А = «фирма получит первый контракт».
- А 1 = «фирма не получит первый контракт».
- В = «фирма получит второй контракт».
- В 1 = «фирма не получит второй контракт»
- С = «фирма получит третий контракт».
- С 1 = «фирма не получит третий контракт».
С помощью действий над событиями попробуем выразить следующие ситуации:
- К = «фирма получит все контракты».
В математическом виде уравнение будет иметь следующий вид: К = АВС.
- М = «фирма не получит ни одного контракта».
М = А 1 В 1 С 1 .
Усложняем задание: H = «фирма получит один контракт». Поскольку не известно, какой именно контракт получит фирма (первый, второй или третий), необходимо записать весь ряд возможных событий:
Н = А 1 ВС 1 υ АВ 1 С 1 υ А 1 В 1 С.
А 1 ВС 1 - это ряд событий, где фирма не получает первый и третий контракт, но получает второй. Соответственным методом записаны и другие возможные события. Символ υ в дисциплине обозначает связку «ИЛИ». Если перевести приведенный пример на человеческий язык, то фирма получит или третий контракт, или второй, или первый. Подобным образом можно записывать и другие условия в дисциплине «Теория вероятности». Формулы и примеры решения задач, представленные выше, помогут сделать это самостоятельно.
Собственно, вероятность
Пожалуй, в этой математической дисциплине вероятность события - это центральное понятие. Существует 3 определения вероятности:
- классическое;
- статистическое;
- геометрическое.
Каждое имеет свое место в изучении вероятностей. Теория вероятности, формулы и примеры (9 класс) в основном используют классическое определение, которое звучит так:
- Вероятность ситуации А равняется отношению числа исходов, что благоприятствуют ее появлению, к числу всех возможных исходов.
Формула выглядит так: Р(А)=m/n.
А - собственно, событие. Если появляется случай, противоположный А, его можно записывать как Ā или А 1 .
m - количество возможных благоприятных случаев.
n - все события, которые могут произойти.
Например, А = «вытащить карту червовой масти». В стандартной колоде 36 карт, 9 из них червовой масти. Соответственно, формула решения задания будет иметь вид:
Р(А)=9/36=0,25.
В итоге вероятность того, что из колоды вытянут карту червовой масти, составит 0,25.
К высшей математике
Теперь стало немного известно, что такое теория вероятности, формулы и примеры решения заданий, которые попадаются в школьной программе. Однако теория вероятностей встречается и в высшей математике, которая преподается в вузах. Чаще всего там оперируют геометрическими и статистическими определениями теории и сложными формулами.
Очень интересна теория вероятности. Формулы и примеры (высшая математика) лучше начинать изучать с малого - со статистического (или частотного) определения вероятности.
Статистический подход не противоречит классическому, а немного расширяет его. Если в первом случае нужно было определить, с какой долей вероятности произойдет событие, то в этом методе необходимо указать, как часто оно будет происходить. Здесь вводится новое понятие «относительная частота», которую можно обозначить W n (A). Формула ничем не отличается от классической:
Если классическая формула вычисляется для прогнозирования, то статистическая - согласно результатам эксперимента. Возьмем, к примеру, небольшое задание.
Отдел технологического контроля проверяет изделия на качество. Среди 100 изделий нашли 3 некачественных. Как найти вероятность частоты качественного товара?
А = «появление качественного товара».
W n (A)=97/100=0,97
Таким образом, частота качественного товара составляет 0,97. Откуда взяли 97? Из 100 товаров, которые проверили, 3 оказались некачественными. От 100 отнимаем 3, получаем 97, это количество качественного товара.
Немного о комбинаторике
Еще один метод теории вероятности называют комбинаторикой. Его основной принцип состоит в том, что если определенный выбор А можно осуществить m разными способами, а выбор В - n разными способами, то выбор А и В можно осуществить путем умножения.
Например, из города А в город В ведет 5 дорог. Из города В в город С ведет 4 пути. Сколькими способами можно доехать из города А в город С?
Все просто: 5х4=20, то есть двадцатью разными способами можно добраться из точки А в точку С.
Усложним задание. Сколько существует способов раскладывания карт в пасьянсе? В колоде 36 карт - это исходная точка. Чтобы узнать количество способов, нужно от исходной точки «отнимать» по одной карте и умножать.
То есть 36х35х34х33х32…х2х1= результат не вмещается на экран калькулятора, поэтому его можно просто обозначить 36!. Знак «!» возле числа указывает на то, что весь ряд чисел перемножается между собой.
В комбинаторике присутствуют такие понятия, как перестановка, размещение и сочетание. Каждое из них имеет свою формулу.
Упорядоченный набор элементов множества называют размещением. Размещения могут быть с повторениями, то есть один элемент можно использовать несколько раз. И без повторений, когда элементы не повторяются. n - это все элементы, m - элементы, которые участвуют в размещении. Формула для размещения без повторений будет иметь вид:
A n m =n!/(n-m)!
Соединения из n элементов, которые отличаются только порядком размещения, называют перестановкой. В математике это имеет вид: Р n = n!
Сочетаниями из n элементов по m называют такие соединения, в которых важно, какие это были элементы и каково их общее количество. Формула будет иметь вид:
A n m =n!/m!(n-m)!
Формула Бернулли
В теории вероятности, так же как и в каждой дисциплине, имеются труды выдающихся в своей области исследователей, которые вывели ее на новый уровень. Один из таких трудов - формула Бернулли, что позволяет определять вероятность появления определенного события при независимых условиях. Это говорит о том, что появление А в эксперименте не зависит от появления или не появления того же события в ранее проведенных или последующих испытаниях.
Уравнение Бернулли:
P n (m) = C n m ×p m ×q n-m .
Вероятность (р) появления события (А) неизменна для каждого испытания. Вероятность того, что ситуация произойдет ровно m раз в n количестве экспериментов, будет вычисляться формулой, что представлена выше. Соответственно, возникает вопрос о том, как узнать число q.
Если событие А наступает р количество раз, соответственно, оно может и не наступить. Единица - это число, которым принято обозначать все исходы ситуации в дисциплине. Поэтому q - число, которое обозначает возможность ненаступления события.
Теперь вам известна формула Бернулли (теория вероятности). Примеры решения задач (первый уровень) рассмотрим далее.
Задание 2: Посетитель магазина сделает покупку с вероятностью 0,2. В магазин зашли независимым образом 6 посетителей. Какова вероятность того, что посетитель сделает покупку?
Решение: Поскольку неизвестно, сколько посетителей должны сделать покупку, один или все шесть, необходимо просчитать все возможные вероятности, пользуясь формулой Бернулли.
А = «посетитель совершит покупку».
В этом случае: р = 0,2 (как указано в задании). Соответственно, q=1-0,2 = 0,8.
n = 6 (поскольку в магазине 6 посетителей). Число m будет меняться от 0 (ни один покупатель не совершит покупку) до 6 (все посетители магазина что-то приобретут). В итоге получим решение:
P 6 (0) = C 0 6 ×p 0 ×q 6 =q 6 = (0,8) 6 = 0,2621.
Ни один из покупателей не совершит покупку с вероятностью 0,2621.
Как еще используется формула Бернулли (теория вероятности)? Примеры решения задач (второй уровень) далее.
После вышеприведенного примера возникают вопросы о том, куда делись С и р. Относительно р число в степени 0 будет равно единице. Что касается С, то его можно найти формулой:
C n m = n! / m!(n-m)!
Поскольку в первом примере m = 0, соответственно, С=1, что в принципе не влияет на результат. Используя новую формулу, попробуем узнать, какова вероятность покупки товаров двумя посетителями.
P 6 (2) = C 6 2 ×p 2 ×q 4 = (6×5×4×3×2×1) / (2×1×4×3×2×1) × (0,2) 2 × (0,8) 4 = 15 × 0,04 × 0,4096 = 0,246.
Не так уж и сложна теория вероятности. Формула Бернулли, примеры которой представлены выше, прямое тому доказательство.
Формула Пуассона
Уравнение Пуассона используется для вычисления маловероятных случайных ситуаций.
Основная формула:
P n (m)=λ m /m! × e (-λ) .
При этом λ = n х p. Вот такая несложная формула Пуассона (теория вероятности). Примеры решения задач рассмотрим далее.
Задание 3 : На заводе изготовили детали в количестве 100000 штук. Появление бракованной детали = 0,0001. Какова вероятность, что в партии будет 5 бракованных деталей?
Как видим, брак - это маловероятное событие, в связи с чем для вычисления используется формула Пуассона (теория вероятности). Примеры решения задач подобного рода ничем не отличаются от других заданий дисциплины, в приведенную формулу подставляем необходимые данные:
А = «случайно выбранная деталь будет бракованной».
р = 0,0001 (согласно условию задания).
n = 100000 (количество деталей).
m = 5 (бракованные детали). Подставляем данные в формулу и получаем:
Р 100000 (5) = 10 5 /5! Х е -10 = 0,0375.
Так же как и формула Бернулли (теория вероятности), примеры решений с помощью которой написаны выше, уравнение Пуассона имеет неизвестное е. По сути его можно найти формулой:
е -λ = lim n ->∞ (1-λ/n) n .
Однако есть специальные таблицы, в которых находятся практически все значения е.
Теорема Муавра-Лапласа
Если в схеме Бернулли количество испытаний достаточно велико, а вероятность появления события А во всех схемах одинакова, то вероятность появления события А определенное количество раз в серии испытаний можно найти формулой Лапласа:
Р n (m)= 1/√npq x ϕ(X m).
X m = m-np/√npq.
Чтобы лучше запомнилась формула Лапласа (теория вероятности), примеры задач в помощь ниже.
Сначала найдем X m , подставляем данные (они все указаны выше) в формулу и получим 0,025. При помощи таблиц находим число ϕ(0,025), значение которого 0,3988. Теперь можно подставлять все данные в формулу:
Р 800 (267) = 1/√(800 х 1/3 х 2/3) х 0,3988 = 3/40 х 0,3988 = 0,03.
Таким образом, вероятность того, что рекламная листовка сработает ровно 267 раз, составляет 0,03.
Формула Байеса
Формула Байеса (теория вероятности), примеры решения заданий с помощью которой будут приведены ниже, представляет собой уравнение, которое описывает вероятность события, опираясь на обстоятельства, которые могли быть связаны с ним. Основная формула имеет следующий вид:
Р (А|B) = Р (В|А) х Р (А) / Р (В).
А и В являются определенными событиями.
Р(А|B) - условная вероятность, то есть может произойти событие А при условии, что событие В истинно.
Р (В|А) - условная вероятность события В.
Итак, заключительная часть небольшого курса «Теория вероятности» - формула Байеса, примеры решений задач с которой ниже.
Задание 5 : На склад привезли телефоны от трех компаний. При этом часть телефонов, которые изготавливаются на первом заводе, составляет 25%, на втором - 60%, на третьем - 15%. Известно также, что средний процент бракованных изделий у первой фабрики составляет 2%, у второй - 4%, и у третьей - 1%. Необходимо найти вероятность того, что случайно выбранный телефон окажется бракованным.
А = «случайно взятый телефон».
В 1 - телефон, который изготовила первая фабрика. Соответственно, появятся вводные В 2 и В 3 (для второй и третьей фабрик).
В итоге получим:
Р (В 1) = 25%/100% = 0,25; Р(В 2) = 0,6; Р (В 3) = 0,15 - таким образом мы нашли вероятность каждого варианта.
Теперь нужно найти условные вероятности искомого события, то есть вероятность бракованной продукции в фирмах:
Р (А/В 1) = 2%/100% = 0,02;
Р(А/В 2) = 0,04;
Р (А/В 3) = 0,01.
Теперь подставим данные в формулу Байеса и получим:
Р (А) = 0,25 х 0,2 + 0,6 х 0,4 + 0,15 х 0,01= 0,0305.
В статье представлена теория вероятности, формулы и примеры решения задач, но это только вершина айсберга обширной дисциплины. И после всего написанного логично будет задаться вопросом о том, нужна ли теория вероятности в жизни. Простому человеку сложно ответить, лучше спросить об этом у того, кто с ее помощью не единожды срывал джек-пот.
РОССИЙСКАЯ АКАДЕМИЯ НАРОДНОГО ХОЗЯЙСТВА И ГОСУДАРСТВЕННОЙ СЛУЖБЫ при ПРЕЗИДЕНТЕ РОССИЙСКОЙ ФЕДЕРАЦИИ
ОРЛОВСКИЙ ФИЛИАЛ
Кафедра Социологии и информационных технологий
Типовой расчет №1
по дисциплине «Теория вероятностей и математическая статистика»
на тему «Основы теории вероятностей»
Орел – 2016.
Цель работы: закрепление теоретических знаний по теме основы теории вероятности, путем решения типовых задач. Усвоение понятий основных видов случайных событий и отработка навыков алгебраических действий над событиями.
Требования к оформлению работы : работа выполняется в рукописном виде, работа должна содержать все необходимые пояснения и выводы, формулы должны содержать расшифровку принятых обозначений, страницы должны быть пронумерованы.
Номер варианта соответствует порядковому номеру студента в списке группы.
Основные теоретические сведения
Теория вероятностей – раздел математики, изучающий закономерности случайных явлений.
Понятие события. Классификация событий.
Одним из основных понятий теории вероятностей является понятие события. Обозначаются события большими латинскими буквами А , В , С ,…
Событие – это возможный результат (исход) испытания или опыта.
Под испытанием понимается всякое целенаправленное действие.
Пример : стрелок стреляет по мишени. Выстрел – испытание, попадание в мишень – событие.
Событие называется случайным , если в условиях данного опыта оно может, как произойти так и не произойти.
Пример : Выстрел из ружья – испытание
Соб. А – попадание в цель,
Соб. В – промах – случайные события.
Событие называется достоверным , если в результате испытания оно обязательно должно произойти.
Пример : выпадение не более 6 очков при бросании игральной кости.
Событие называется невозможным , если в условиях данного опыта оно вообще не может произойти.
Пример : выпадение более 6 очков при бросании игральной кости.
События называются несовместными , если наступление одного из них исключает возможность наступления какого-либо другого. В противном случае события называются совместными.
Пример : Брошен игральный кубик. Выпадение 5 очков исключает выпадение 6 очков. Это несовместные события. Получение студентом на экзаменах оценок «хорошо» и «отлично» по двум различным дисциплинам – события совместные.
Два несовместных события, из которых одно должно обязательно произойти, называются противоположными . Событие противоположное событию А обозначают Ā .
Пример : Появление «герба» и появление «решки» при подбрасывании монеты – противоположные события.
Несколько событий в данном опыте называются равновозможными , если есть основания считать, что ни одно из этих событий не является более возможным, чем другие.
Пример : извлечение из колоды карт туза, десятки, дамы – события равновозможные.
Несколько событий образуют полную группу , если в результате испытания обязательно должно произойти одно и только одно из этих событий.
Пример : Выпадение числа очков 1, 2, 3, 4, 5, 6 при бросании игральной кости.
Классическое определение вероятности события. Свойства вероятности
Для практической деятельности важно уметь сравнивать события по степени возможности их наступления.
Вероятностью события называется численная мера степени объективной возможности наступления события.
Назовем элементарным исходом каждый из равновозможных результатов испытания.
Исход называется благоприятствующим (благоприятным) событию А , если его появление влечет за собой наступление события А .
Классическое определение : вероятность события А равна отношению числа благоприятных для данного события исходов к общему числу возможных исходов.
(1) где P (A ) – вероятность события А ,
m – число благоприятных исходов,
n – число всех возможных исходов.
Пример : В лотерее 1000 билетов, из них 700 невыигрышных. Какова вероятность выигрыша по одному приобретенному билету.
Событие А – приобретен выигрышный билет
Число возможных исходов n =1000 – это общее число билетов в лотерее.
Число исходов, благоприятствующих событию А – это число выигрышных билетов, т.е., m =1000-700=300.
По классическому определению вероятности: 
Ответ:
.
Отметим свойства вероятности события :
1) Вероятность любого события заключена между нулем и единицей, т.е. 0≤P (A )≤1.
2) Вероятность достоверного события равна 1.
3) Вероятность невозможного события равна 0.
Кроме классического существуют еще геометрическое и статистическое определения вероятности.
Элементы комбинаторики .
Для вычисления числа благоприятствующих рассматриваемому событию исходов или общего числа исходов широко используют формулы комбинаторики.
Пусть дано множество N из n различных элементов.
Определение 1: Комбинации, в каждую из которых входят все n элементов и которые отличаются друг от друга только порядком элементов называются перестановками из n элементов.
Pn =n ! (2), где n ! (n -факториал) – произведение n первых чисел натурального ряда, т.е.
n ! = 1∙2∙3∙…∙(n –1)∙n
Так, например, 5!=1∙2∙3∙4∙5 = 120
Определение 2: m элементов (m ≤n ) и отличающиеся друг от друга или составом элементов или их порядком называются размещениями из n по m элементов.
(3) Определение 3: Комбинации, каждая из которых содержит m элементов (m ≤n ) и отличающиеся друг от друга только составом элементов называются сочетаниями из n по m элементов.
(4)
Замечание:
изменение порядка элементов внутри одного сочетания не приводит к новому сочетанию.
Сформулируем два важных правила, часто применяемых при решении комбинаторных задач
Правило суммы: если объект А может быть выбран m способами, а объект В – n способами, то выбор либо А либо В может быть осуществлен m +n способами.
Правило произведения: если объект А может быть выбран m способами, а объект В после каждого такого выбора можно выбрать n способами, то пара объектов А и В в указанном порядке может быть выбрана m ∙ n способами.
Глава I . СЛУЧАЙНЫЕ СОБЫТИЯ. ВЕРОЯТНОСТЬ
1.1. Закономерность и случайность, случайная изменчивость в точных науках, в биологии и медицине
Теория вероятностей – область математики, изучающая закономерности в случайных явлениях. Случайное явление – это явление, которое при неоднократном воспроизведении одного и того же опыта может протекать каждый раз несколько по-иному.
Очевидно, что в природе нет ни одного явления, в котором не присутствовали бы в той или иной мере элементы случайности, но в различных ситуациях мы учитываем их по-разному. Так, в ряде практических задач ими можно пренебречь и рассматривать вместо реального явления его упрощенную схему – «модель», предполагая, что в данных условиях опыта явление протекает вполне определенным образом. При этом выделяются самые главные, решающие факторы, характеризующие явление. Именно такая схема изучения явлений чаще всего применяется в физике, технике, механике; именно так выявляется основная закономерность, свойственная данному явлению и дающая возможность предсказать результат опыта по заданным исходным условиям. А влияние случайных, второстепенных, факторов на результат опыта учитывается здесь случайными ошибками измерений (методику их расчета рассмотрим далее).
Однако описанная классическая схема так называемых точных наук плохо приспособлена для решения многих задач, в которых многочисленные, тесно переплетающиеся между собой случайные факторы играют заметную (часто определяющую) роль. Здесь на первый план выступает случайная природа явления, которой уже нельзя пренебречь. Это явление необходимо изучать именно с точки зрения закономерностей, присущих ему как случайному явлению. В физике примерами таких явлений являются броуновское движение, радиоактивный распад, ряд квантово-механических процессов и др.
Предмет изучения биологов и медиков – живой организм, зарождение, развитие и существование которого определяется очень многими и разнообразными, часто случайными внешними и внутренними факторами. Именно поэтому явления и события живого мира во многом тоже случайны по своей природе.
Элементы неопределенности, сложности, многопричинности, присущие случайным явлениям, обусловливают необходимость создания специальных математических методов для изучения этих явлений. Разработка таких методов, установление специфических закономерностей, свойственных случайным явлениям, –главные задачи теории вероятностей. Характерно, что эти закономерности выполняются лишь при массовости случайных явлений. Причем индивидуальные особенности отдельных случаев как бы взаимно погашаются, а усредненный результат для массы случайных явлений оказывается уже не случайным, а вполне закономерным. В значительной мере данное обстоятельство явилось причиной широкого распространения вероятностных методов исследования в биологии и медицине.
Рассмотрим основные понятия теории вероятностей.
1.2. Вероятность случайного события
Каждая наука, развивающая общую теорию какого-либо круга явлений, базируется на ряде основных понятий. Например, в геометрии – это понятия точки, прямой линии; в механике – понятия силы, массы, скорости и т. д. Основные понятия существуют и в теории вероятностей, одно из них – случайное событие.
Случайное событие – это всякое явление (факт), которое в результате опыта (испытания) может произойти или не произойти.
Случайные события обозначаются буквами А, В, С … и т. д. Приведем несколько примеров случайных событий:
А –выпадение орла (герба) при подбрасывании стандартной монеты;
В – рождение девочки в данной семье;
С – рождение ребенка с заранее заданной массой тела;
D – возникновение эпидемического заболевания в данном регионе в определенный период времени и т. д.
Основной количественной характеристикой случайного события является его вероятность. Пусть А – какое-то случайное событие. Вероятность случайного события А – это математическая величина, которая определяет возможность его появления. Она обозначается Р (А ).
Рассмотрим два основных метода определения данной величины.
Классическое определение вероятности случайного события обычно базируется на результатах анализа умозрительных опытов (испытаний), суть которых определяется условием поставленной задачи. При этом вероятность случайного события Р(А) равна:
где m – число случаев, благоприятствующих появлению события А ; n – общее число равновозможных случаев.
Пример 1. Лабораторная крыса помещена в лабиринт, в котором лишь один из четырех возможных путей ведет к поощрению в виде пищи. Определите вероятность выбора крысой такого пути.
Решение
: по условию задачи из четырех равновозможных случаев (n
=4) событию А
(крыса находит пищу)
благоприятствует только один, т. е. m
= 1 Тогда Р
(А
) = Р
(крыса находит пищу) = = 0,25= 25%.
Пример 2. В урне 20 черных и 80 белых шаров. Из нее наугад вынимается один шар. Определите вероятность того, что этот шар будет черным.
Решение : количество всех шаров в урне – это общее число равновозможных случаев n , т. е. n = 20 + 80 = 100, из них событие А (извлечение черного шара) возможно лишь в 20, т. е. m = 20. Тогда Р (А ) = Р (ч. ш.) = = 0,2 = 20%.
Перечислим свойства вероятности следующие из ее классического определения – формула (1):
1. Вероятность случайного события – величина безразмерная.
2. Вероятность случайного события всегда положительна и меньше единицы, т. е. 0 < P (A ) < 1.
3. Вероятность достоверного события, т. е. события, которое в результате опыта обязательно произойдет (m = n ), равна единице.
4. Вероятность невозможного события (m = 0) равна нулю.
5. Вероятность любого события – величина не отрицательная и не превышающая единицу:
0 £ P
(A
) £ 1.
Статистическое определение вероятности случайного события применяется тогда, когда невозможно использоватьклассическое определение (1). Это часто имеет место в биологии и медицине. В таком случае вероятность Р (А ) определяют путем обобщения результатов реально проведенных серий испытаний (опытов).
Введем понятие относительной частоты появления случайного события. Пусть была проведена серия, состоящая из N опытов (число N может быть выбрано заранее); интересующее нас событие А произошло в М из них (M < N ). Отношение числа опытов М , в которых произошло это событие, к общему числу проведенных опытов N называют относительной частотой появления случайного события А в данной серии опытов – Р * (А )
Р* (А ) = .
Экспериментально установлено, что если серии испытаний (опытов) проводятся в одинаковых условиях и в каждой из них число N достаточно велико, то относительная частота обнаруживает свойство устойчивости: от серии к серии она меняется мало, приближаясь c увеличением числа опытов к некоторой постоянной величине. Ее и принимают за статистическую вероятность случайного события А :
Р (А) = lim , при N , (2)
Итак, статистической вероятностью Р (А ) случайного события А называют предел, к которому стремится относительная частота появления этого события при неограниченном возрастании числа испытаний (при N → ∞).
Приближенно статистическая вероятность случайного события равна относительной частоте появления этого события при большом числе испытаний:
Р (А ) ≈ Р* (А ) = (при больших N ) (3)
Например, в опытах по бросанию монеты относительная частота выпадения герба при 12000 бросаний оказалась равной 0,5016, а при 24000 бросаний – 0,5005. В соответствии с формулой (1):
P (герб) = = 0,5 = 50%
Пример. При врачебном обследовании 500 человек у 5 из них обнаружили опухоль в легких (о. л.). Определите относительную частоту и вероятность этого заболевания.
Решение : по условию задачи М = 5, N = 500, относительная частота Р *(о. л.) = М /N = 5/500 = 0,01; поскольку N достаточно велико, можно с хорошей точностью считать, что вероятность наличия опухоли в легких равна относительной частоте этого события:
Р (о. л.) = Р *(о. л.) = 0,01 = 1%.
Перечисленные ранее свойства вероятности случайного события сохраняются и при статистическом определении данной величины.
1.3. Виды случайных событий. Основные теоремы теории вероятностей
Все случайные события можно разделить на:
¾ несовместные;
¾ независимые;
¾ зависимые.
Для каждого вида событий характерны свои особенности и теоремы теории вероятностей.
1.3.1. Несовместные случайные события. Теорема сложения вероятностей
Случайные события (А, В, С, D …) называются несовместными, если появление одного из них исключает появление других событий в одном и том же испытании.
Пример1. Подброшена монета. При ее падении появление «герба» исключает появление «решки» (надписи, определяющей цену монеты). События «выпал герб» и «выпала решка» несовместные.
Пример 2. Получение студентом на одном экзамене оценки «2», или «3», или «4», или «5» – события несовместные, так как одна из этих оценок исключает другую на том же экзамене.
Для несовместных случайных событий выполняется теорема сложения вероятностей: вероятность появления одного, но все равно какого, из нескольких несовместных событий А1, А2, А3 … А k равна сумме их вероятностей:
Р(А1или А2 … или А k ) = Р(А1) + Р(А2) + …+ Р(А k ). (4)
Пример 3. В урне находится 50 шаров: 20 белых, 20 черных и 10 красных. Найдите вероятность появления белого (событие А ) или красного шара (событие В ), когда шар наугад достают из урны.
Решение: Р (А или В ) = Р (А ) + Р (В );
Р (А ) = 20/50 = 0,4;
Р (В ) = 10/50 = 0,2;
Р (А или В ) = Р (б. ш. или к. ш.) = 0,4 + 0,2 = 0,6 = 60%.
Пример 4. В классе 40 детей. Из них в возрасте от 7 до 7,5 лет 8 мальчиков (А ) и 10 девочек (В ). Найдите вероятность присутствия в классе детей такого возраста.
Решение: Р (А ) = 8/40 = 0,2; Р (В ) = 10/40 = 0,25.
Р(А или В) = 0,2 + 0,25 = 0,45 = 45%
Следующее важное понятие – полная группа событий: несколько несовместных событий образуют полную группу событий, если в результате каждого испытания может появляться только одно из событий этой группы и никакое другое.
Пример 5. Стрелок произвел выстрел по мишени. Обязательно произойдет одно из следующих событий: попадание в «десятку», в «девятку», в «восьмерку»,.. ,в «единицу» или промах. Эти 11 несовместных событий образуют полную группу.
Пример 6. На экзамене в Вузе студент может получить одну из следующих четырех оценок: 2, 3, 4 или 5. Эти четыре несовместных события также образуют полную группу.
Если несовместные события А1, А2 … А k образуют полную группу, то сумма вероятностей этих событий всегда равна единице:
Р (А1 ) + Р (А2 )+ … Р (А k ) = 1, (5)
Это утверждение часто используется при решении многих прикладных задач.
Если два события единственно возможны и несовместны, то их называют противоположными и обозначают А и . Такие события составляют полную группу, поэтому сумма их вероятностей всегда равна единице:
Р (А ) + Р () = 1. (6)
Пример 7. Пусть Р (А ) – вероятность летального исхода при некотором заболевании; она известна и равна 2%. Тогда вероятность благополучного исхода при этом заболевании равна 98% (Р () = 1 – Р (А ) = 0,98), так как Р (А ) + Р () = 1.
1.3.2. Независимые случайные события. Теорема умножения вероятностей
Случайные события называются независимыми, если появление одного из них никак не влияет на вероятность появления других событий.
Пример 1. Если есть две или более урны с цветными шарами, то извлечение какого-либо шара из одной урны никак не повлияет на вероятность извлечения других шаров из оставшихся урн.
Для независимых событий справедлива теорема умножения вероятностей: вероятность совместного (одновременного ) появления нескольких независимых случайных событий равна произведению их вероятностей:
Р(А1и А2 и А3 … и А k ) = Р(А1) ∙Р(А2) ∙…∙Р(А k ). (7)
Совместное (одновременное) появление событий означает, что происходят события и А1, и А2 , и А3 … и А k .
Пример 2. Есть две урны. В одной находится 2 черных и 8 белых шаров, в другой – 6 черных и 4 белых. Пусть событие А –выбор наугад белого шара из первой урны, В – из второй. Какова вероятность выбрать наугад одновременно из этих урн по белому шару, т. е. чему равна Р (А и В )?
Решение:
вероятность достать белый шар из первой урны
Р
(А
) = = 0,8 из второй – Р
(В
) = = 0,4. Вероятность одновременно достать по белому шару из обеих урн –
Р
(А
и В
) = Р
(А
)·Р
(В
) = 0,8∙ 0,4 = 0,32 = 32%.
Пример 3. Рацион с пониженным содержанием йода вызывает увеличение щитовидной железы у 60% животных большой популяции. Для эксперимента нужны 4 увеличенных железы. Найдите вероятность того, что у 4 случайно выбранных животных будет увеличенная щитовидная железа.
Решение : Случайное событие А – выбор наугад животного с увеличенной щитовидной железой. По условию задачи вероятность этого события Р (А ) = 0,6 = 60%. Тогда вероятность совместного появления четырех независимых событий – выбор наугад 4 животных с увеличенной щитовидной железой – будет равна:
Р (А 1 и А 2 и А 3 и А 4) = 0,6 ∙ 0,6 ∙0,6 ∙ 0,6=(0,6)4 ≈ 0,13 = 13%.
1.3.3. Зависимые события. Теорема умножения вероятностей для зависимых событий
Случайные события А и В называются зависимыми, если появление одного из них, например, А изменяет вероятность появления другого события – В. Поэтому для зависимых событий используются два значения вероятности: безусловная и условная вероятности.
Если А и В зависимые события, то вероятность наступления события В первым (т. е. до события А ) называется безусловной вероятностью этого события и обозначается Р (В ). Вероятность наступления события В при условии, что событие А уже произошло, называется условной вероятностью события В и обозначается Р (В /А ) или РА (В).
Аналогичный смысл имеют безусловная – Р (А ) и условная – Р (А/В ) вероятности для события А.
Теорема умножения вероятностей для двух зависимых событий: вероятность одновременного наступления двух зависимых событий А и В равна произведению безусловной вероятности первого события на условную вероятность второго:
Р (А и В ) = Р (А ) ∙Р (В/А ) , (8)
А , или
Р (А и В ) = Р (В ) ∙Р (А/В), (9)
если первым наступает событие В .
Пример 1. В урне 3 черных шара и 7 белых. Найдите вероятность того, что из этой урны один за другим (причем первый шар не возвращают в урну) будут вынуты 2 белых шара.
Решение : вероятность достать первый белый шар (событие А ) равна 7/10. После того как он вынут, в урне остается 9 шаров, из них 6 белых. Тогда вероятность появления второго белого шара (событие В ) равна Р (В /А ) = 6/9, а вероятность достать подряд два белых шара равна
Р (А и В ) = Р (А )∙Р (В /А ) = = 0,47 = 47%.
Приведенная теорема умножения вероятностей для зависимых событий допускает обобщение на любое количество событий. В частности, для трех событий, связанных друг с другом:
Р (А и В и С ) = Р (А ) ∙ Р (В/А ) ∙ Р (С/АВ ). (10)
Пример 2. В двух детских садах, каждый из которых посещает по 100 детей, произошла вспышка инфекционного заболевания. Доли заболевших составляют соответственно 1/5 и 1/4, причем в первом учреждении 70 %, а во втором – 60 % заболевших – дети младше 3-х лет. Случайным образом выбирают одного ребенка. Определите вероятность того, что:
1) выбранный ребенок относится к первому детскому саду (событие А ) и болен (событие В ).
2) выбран ребенок из второго детского сада (событие С ), болен (событие D ) и старше 3-х лет (событие Е ).
Решение . 1) искомая вероятность –
Р
(А
и В
) = Р
(А
) ∙ Р
(В
/А
) = 
= 0,1 = 10%.
2) искомая вероятность:
Р
(С
и D
и Е
) = Р
(С
) ∙ Р
(D
/C
) ∙ Р
(Е
/CD
) = 
= 5%.
1.4. Формула Байеса
Если вероятность совместного появления зависимых событий А и В не зависит от того, в каком порядке они происходят, то Р (А и В ) = Р (А ) ∙Р (В/А ) = Р (В ) × Р (А/В ). В этом случае условную вероятность одного из событий можно найти, зная вероятности обоих событий и условную вероятность второго:
Р (В/А ) = (11)
Обобщением данной формулы на случай многих событий является формула Байеса.
Пусть «n » несовместных случайных событий Н1, Н2, …, Н n , образуют полную группу событий. Вероятности этих событий – Р (Н1 ), Р (Н2 ), …, Р (Н n ) известны и так как они образуют полную группу, то = 1.
Некоторое случайное событие А
связано с событиями Н1, Н2, …, Н
n
, причем известны условные вероятности появления события А
с каждым из событий Н
i
, т. е. известны Р
(А/Н1
), Р
(А/Н2
), …, Р
(А/Н
n
). При этом сумма условных вероятностей Р
(А/Н
i
) может быть не равна единице т. е. 
≠ 1.
Тогда условная вероятность появления события Н i при реализации события А (т. е. при условии, что событие А произошло) определяется формулой Байеса:
Причем для этих условных вероятностей 
.
Формула Байеса нашла широкое применение не только в математике, но и в медицине. Например, она используется для вычисления вероятностей тех или иных заболеваний. Так, если Н 1,…, Н n – предполагаемые диагнозы для данного пациента, А – некоторый признак, имеющий отношение к ним (симптом, определенный показатель анализа крови, мочи, деталь рентгенограммы и т. д.), а условные вероятности Р (А/Н i ) проявления этого признака при каждом диагнозе Н i (i = 1,2,3,…n ) заранее известны, то формула Байеса (12) позволяет вычислить условные вероятности заболеваний (диагнозов) Р (Н i /А ) после того как установлено, что характерный признак А присутствует у пациента.
Пример1. При первичном осмотре больного предполагаются 3 диагноза Н 1, Н 2, Н 3. Их вероятности, по мнению врача, распределяются так: Р (Н 1) = 0,5; Р (Н 2) = 0,17; Р (Н 3) = 0,33. Следовательно, предварительно наиболее вероятным кажется первый диагноз. Для его уточнения назначается, например, анализ крови, в котором ожидается увеличение СОЭ (событие А ). Заранее известно (на основании результатов исследований), что вероятности увеличения СОЭ при предполагаемых заболеваниях равны:
Р (А /Н 1) = 0,1; Р (А /Н 2) = 0,2; Р (А /Н 3) = 0,9.
В полученном анализе зафиксировано увеличение СОЭ (событие А
произошло). Тогда расчет по формуле Байеса (12) дает значения вероятностей предполагаемых заболеваний при увеличенном значении СОЭ: Р
(Н
1/А
) = 0,13; Р
(Н
2/А
) = 0,09;
Р
(Н
3/А
) = 0,78. Эти цифры показывают, что с учетом лабораторных данных наиболее реален не первый, а третий диагноз, вероятность которого теперь оказалась достаточно большой.
Приведенный пример – простейшая иллюстрация того, как с помощью формулы Байеса можно формализовать логику врача при постановке диагноза и благодаря этому создать методы компьютерной диагностики.
Пример 2. Определите вероятность, оценивающую степень риска перинатальной* смертности ребенка у женщин с анатомически узким тазом.
Решение : пусть событие Н 1 – благополучные роды. По данным клинических отчетов, Р (Н 1) = 0,975 = 97,5 %, тогда, если Н2 – факт перинатальной смертности, то Р (Н 2) = 1 – 0,975 = 0,025 = 2,5 %.
Обозначим А
– факт наличия узкого таза у роженицы. Из проведенных исследований известны: а) Р
(А
/Н
1) – вероятность узкого таза при благоприятных родах, Р
(А
/Н
1) = 0,029, б) Р
(А
/Н
2) – вероятность узкого таза при перинатальной смертности,
Р
(А
/Н
2) = 0,051. Тогда искомая вероятность перинатальной смертности при узком тазе у роженицы рассчитывается по формуле Байса (12) и равна:
Таким образом, риск перинатальной смертности при анатомически узком тазе значительно выше (почти вдвое) среднего риска (4,4 % против 2,5 %).
Подобные расчеты, обычно выполняемые с помощью компьютера, лежат в основе методов формирования групп пациентов повышенного риска, связанного с наличием того или иного отягощающего фактора.
Формула Байеса очень полезна для оценки многих других медико-биологических ситуаций, что станет очевидным при решении приведенных в пособии задач.
1.5. О случайных событиях с вероятностями близкими к 0 или к 1
При решении многих практических задач приходится иметь дело с событиями, вероятность которых очень мала, т. е. близка к нулю. На основании опыта в отношении таких событий принят следующий принцип. Если случайное событие имеет очень малую вероятность, то практически можно считать, что в единичном испытании оно не наступит, иначе говоря, возможностью его появления можно пренебречь. Ответ на вопрос, насколько малой должна быть эта вероятность, определяется существом решаемых задач, тем, насколько важен для нас результат предсказания. Например, если вероятность того, что парашют при прыжке не раскроется равна 0,01, то применение таких парашютов недопустимо. Однако равная той же 0,01 вероятность того, что поезд дальнего следования прибудет с опозданием, делает нас практически уверенными в том, что он прибудет вовремя.
Достаточно малую вероятность, при которой (в данной конкретной задаче) событие можно считать практически невозможным, называют уровнем значимости. На практике уровень значимости обычно принимают равным 0,01 (однопроцентный уровень значимости) или 0,05 (пятипроцентный уровень значимости), намного реже он берется равным 0,001.
Введение уровня значимости позволяет утверждать, что если некоторое событие А практически невозможно, то противоположное событие - практически достоверно, т. е. для него Р () » 1.
Глава II . СЛУЧАЙНЫЕ ВЕЛИЧИНЫ
2.1. Случайные величины, их виды
В математике величина – это общее название различных количественных характеристик предметов и явлений. Длина, площадь, температура, давление и т. д. – примеры разных величин.
Величина, которая принимает различные числовые значения под влиянием случайных обстоятельств, называется случайной величиной . Примеры случайных величин: число больных на приеме у врача; точные размеры внутренних органов людей и т. д.
Различают дискретные и непрерывные случайные величины.
Случайная величина называется дискретной, если она принимает только определенные отделенные друг от друга значения, которые можно установить и перечислить.
Примерами дискретной случайной величиной являются:
– число студентов в аудитории – может быть только целым положительным числом: 0,1,2,3,4….. 20…..;
– цифра, которая появляется на верхней грани при бросании игральной кости – может принимать лишь целые значения от 1 до 6;
– относительная частота попадания в цель при 10 выстрелах – ее значения: 0; 0,1; 0,2; 0,3 …1
– число событий, происходящих за одинаковые промежутки времени: частота пульса, число вызовов скорой помощи за час, количество операций в месяц с летальным исходом и т. д.
Случайная величина называется непрерывной, если она может принимать любые значения внутри определенного интервала, который иногда имеет резко выраженные границы, а иногда – нет *. К непрерывным случайным величинам относятся, например, масса тела и рост взрослых людей, масса тела и объем мозга, количественное содержание ферментов у здоровых людей, размеры форменных элементов крови, р Н крови и т. п.
Понятие случайной величины играет определяющую роль в современной теории вероятностей, разработавшей специальные приемы перехода от случайных событий к случайным величинам.
Если случайная величина зависит от времени, то можно говорить о случайном процессе.
2.2. Закон распределения дискретной случайной величины
Чтобы дать полную характеристику дискретной случайной величины необходимо указать все ее возможные значения и их вероятности.
Соответствие между возможными значениями дискретной случайной величины и их вероятностями называется законом распределения этой величины.
Обозначим возможные значения случайной величины Х через х i , а соответствующие им вероятности – через р i *. Тогда закон распределения дискретной случайной величины можно задать тремя способами: в виде таблицы, графика или формулы.
В таблице, которая называется рядом распределения, перечисляются все возможные значения дискретной случайной величины Х и соответствующие этим значениям вероятности Р (Х ):
Х
…..
…..
P (X )
…..
…..
При этом сумма всех вероятностей р i должна быть равна единице (условие нормировки):
р i = p 1 + p 2 + ... + pn = 1. (13)
Графически
закон представляется ломаной линией, которую принято называть многоугольником распределения (рис.1). Здесь по горизонтальной оси откладывают все возможные значения случайной величины х
i
,
,
а по вертикальной оси – соответствующие им вероятности р
i
Аналитически закон выражается формулой. Например, если вероятность попадания в цель при одном выстреле равна р, то вероятность поражения цели 1 раз при n выстрелах дается формулой Р (n ) = n qn -1 × p , где q = 1 – р – вероятность промаха при одном выстреле.
2.3. Закон распределения непрерывной случайной величины. Плотность распределения вероятности
Для непрерывных случайных величин невозможно применить закон распределения в формах, приведенных выше, поскольку такая величина имеет бесчисленное («несчетное») множество возможных значений, сплошь заполняющих некоторый интервал. Поэтому составить таблицу, в которой были бы перечислены все ее возможные значения, или построить многоугольник распределения нельзя. Кроме того, вероятность какого-либо ее конкретного значения очень мала (близка к 0)*. Вместе с тем различные области (интервалы) возможных значений непрерывной случайной величины не равновероятны. Таким образом, и в данном случае действует некий закон распределения, хотя и не в прежнем смысле.
Рассмотрим непрерывную случайную величину Х , возможные значения которой сплошь заполняют некий интервал (а , b )**. Закон распределения вероятностей такой величины должен позволить найти вероятность попадания ее значения в любой заданный интервал (х1, х2 ), лежащий внутри (а, b ), рис.2.
Эту вероятность обозначают Р
(х1 < Х < х2
), или
Р
(х1
£ Х
£ х2
).
Рассмотрим сначала очень малый интервал значений Х – от х до (х + D х ); см. рис.2. Малая вероятность d Р того, что случайная величина Х примет какое-то значение из интервала (х, х + D х ), будет пропорциональна величине данного интервала D х: d Р ~ D х , или, введя коэффициент пропорциональности f , который сам может зависеть от х , получим:
d Р = f (х ) × Dх = f (x ) × dx (14)
Введенная здесь функция f (х ) называется плотностью распределения вероятностей случайной величины Х, или, короче, плотностью вероятности , плотностью распределения . Уравнение (13) – дифференциальное уравнение, решение которого дает вероятность попадания величины Х в интервал (х1 , х2) :
Р (х1 < Х < х2 ) = f (х ) d х. (15)
Графически вероятность Р (х1 < Х < х2 ) равна площади криволинейной трапеции, ограниченной осью абсцисс, кривой f (х ) и прямыми Х = х1 и Х = х2 (рис.3). Это следует из геометрического смысла определенного интеграла (15) Кривая f (х ) при этом называется кривой распределения.
Из (15) следует, что если известна функция f (х ), то, изменяя пределы интегрирования, можно найти вероятность для любых интересующих нас интервалов. Поэтому именно задание функции f (х ) полностью определяет закон распределения для непрерывных случайных величин.
Для плотности вероятности f
(х
) должно выполняться условие нормировки в виде:
f (х ) d х = 1, (16)
если известно, что все значения Х лежат в интервале (а, b ), или в виде:
f (х ) d х = 1 , (17)
если границы интервала для значений Х точно неопределенны. Условия нормировки плотности вероятности (16) или (17) являются следствием того, что значения случайной величины Х достоверно лежат в пределах (а, b ) или (-¥, +¥). Из (16) и (17) следует, что площадь фигуры, ограниченной кривой распределения и осью абсцисс, всегда равна 1.
2.4. Основные числовые характеристики случайных величин
Результаты, изложенные в параграфах 2.2 и 2.3, показывают, что полную характеристику дискретной и непрерывной случайных величин можно получить, зная законы их распределения. Однако во многих практически значимых ситуациях пользуются так называемыми числовыми характеристиками случайных величин, главное назначение этих характеристик – выразить в сжатой форме наиболее существенные особенности распределения случайных величин. Важно, что данные параметры представляют собой конкретные (постоянные) значения, которые можно оценивать с помощью полученных в опытах данных. Этими оценками занимается «Описательная статистика».
В теории вероятностей и математической статистике используется достаточно много различных характеристик, но мы рассмотрим только наиболее употребляемые. Причем лишь для части из них приведем формулы, по которым рассчитываются их значения, в остальных случаях вычисления оставим компьютеру.
Рассмотрим характеристики положения – математическое ожидание, моду, медиану.
Они характеризуют положение случайной величины на числовой оси, т. е. указывают некоторое ориентировочное значение, около которого группируются все возможные значения случайной величины. Среди них важнейшую роль играет математическое ожидание М (Х ).
Для практической деятельности необходимо уметь сравнивать события по степени возможности их наступления. Рассмотрим классический случай. В урне находится 10 шаров, 8 из них белого цвета, 2 черного. Очевидно, что событие «из урны будет извлечен шар белого цвета» и событие «из урны будет извлечен шар черного цвета» обладают разной степенью возможности их наступления. Поэтому для сравнения событий нужна определенная количественная мера.
Количественной мерой возможности наступления события является вероятность . Наиболее широкое распространение получили два определения вероятности события: классическое и статистическое.
Классическое определение вероятности связано с понятием благоприятствующего исхода. Остановимся на этом подробнее.
Пусть исходы некоторого испытания образуют полную группу событий и равновозможны, т.е. единственно возможны, несовместны и равновозможны. Такие исходы называют элементарными исходами , или случаями . При этом говорят, что испытание сводится к схеме случаев или «схеме урн », т.к. любую вероятностную задачу для подобного испытания можно заменить эквивалентной задачей с урнами и шарами разных цветов.
Исход называется благоприятствующим событию А , если появление этого случая влечет за собой появление события А .
Согласно классическому определению вероятность события А равна отношению числа исходов, благоприятствующих этому событию, к общему числу исходов , т.е.
| , | (1.1) |
где Р(А) – вероятность события А ; m – число случаев благоприятствующих событию А ; n – общее число случаев.
Пример 1.1. При бросании игральной кости возможны шесть исходов – выпадение 1, 2, 3, 4, 5, 6 очков. Какова вероятность появления четного числа очков?
Решение. Все n = 6 исходов образуют полную группу событий и равновозможны, т.е. единственно возможны, несовместны и равновозможны. Событию А – «появление четного числа очков» – благоприятствуют 3 исхода (случая) – выпадение 2, 4 или 6 очков. По классической формуле вероятности события получаем
Р(А) = = . ◄
Исходя из классического определения вероятности события, отметим ее свойства:
1. Вероятность любого события заключена между нулем и единицей, т.е.
0 ≤ Р (А ) ≤ 1.
2. Вероятность достоверного события равна единице.
3. Вероятность невозможного события равна нулю.
Как было сказано ранее, классическое определение вероятности применимо только для тех событий, которые могут появиться в результате испытаний, обладающих симметрией возможных исходов, т.е. сводящихся к схеме случаев. Однако существует большой класс событий, вероятности которых не могут быть вычислены с помощью классического определения.
Например, если допустить, что монета сплющена, то очевидно, что события «появление герба» и «появление решки» нельзя считать равновозможными. Поэтому формула для определения вероятности по классической схеме в данном случае неприменима.
Однако существует другой подход при оценке вероятности событий, основанный на том, насколько часто будет появляться данное событие в произведенных испытаниях. В этом случае используется статистическое определениевероятности.
Статистической вероятностью события А называется относительная частота (частость) появления этого события в n произведенных испытаниях, т.е.
 ,
| (1.2) |
где Р * (А) – статистическая вероятность события А ; w(A) – относительная частота события А ; m – число испытаний, в которых появилось событие А ; n – общее число испытаний.
В отличие от математической вероятности Р(А) , рассматриваемой в классическом определении, статистическая вероятность Р * (А) является характеристикой опытной , экспериментальной . Иначе говоря, статистической вероятностью события А называется число, относительно которого стабилизируется (устанавливается) относительная частота w(А) при неограниченном увеличении числа испытаний, проводимых при одном и том же комплексе условий.
Например, когда про стрелка говорят, что он попадает в цель с вероятностью 0,95, то это означает, что из сотни выстрелов, произведенных им при определенных условиях (одна и та же цель на том же расстоянии, та же винтовка и т.д.), в среднем бывает примерно 95 удачных. Естественно, не в каждой сотне будет 95 удачных выстрелов, иногда их будет меньше, иногда больше, но в среднем при многократном повторении стрельбы в тех же условиях этот процент попаданий будет оставаться неизменным. Цифра 0,95, служащая показателем мастерства стрелка, обычно очень устойчива , т.е. процент попаданий в большинстве стрельб будет для данного стрелка почти один и тот же, лишь в редких случаях отклоняясь сколько-нибудь значительно от своего среднего значения.
Еще одним недостатком классического определения вероятности (1.1 ), ограничивающим его применение, является то, что оно предполагает конечное число возможных исходов испытания. В некоторых случаях этот недостаток можно преодолеть, используя геометрическое определение вероятности, т.е. находя вероятность попадания точки в некоторую область (отрезок, часть плоскости и т.п.).
Пусть плоская фигура g составляет часть плоской фигуры G (рис. 1.1). На фигуру G наудачу бросается точка. Это означает, что все точки области G «равноправны» в отношении попадания на нее брошенной случайной точки. Полагая, что вероятность события А – попадания брошенной точки на фигуру g – пропорциональна площади этой фигуры и не зависит ни от ее расположения относительно G , ни от формы g , найдем
В экономике, так же как и в других областях человеческой деятельности или в природе, постоянно приходится иметь дело с событиями, которые невозможно точно предсказать. Так, объем продаж товара зависит от спроса, который может существенно изменяться, и от ряда других факторов, которые учесть практически нереально. Поэтому при организации производства и осуществлении продаж приходится прогнозировать исход такой деятельности на основе либо собственного предыдущего опыта, либо аналогичного опыта других людей, либо интуиции, которая в значительной степени тоже опирается на опытные данные.
Чтобы каким-то образом оценить рассматриваемое событие, необходимо учитывать или специально организовывать условия, в которых фиксируется это событие.
Осуществление определенных условий или действий для выявления рассматриваемого события носит название опыта или эксперимента .
Событие называется случайным , если в результате опыта оно может произойти или не произойти.
Событие называется достоверным , если оно обязательно появляется в результате данного опыта, и невозможным , если оно не может появиться в этом опыте.
Например, выпадение снега в Москве 30 ноября является случайным событием. Ежедневный восход Солнца можно считать достоверным событием. Выпадение снега на экваторе можно рассматривать как невозможное событие.
Одной из главных задач в теории вероятностей является задача определения количественной меры возможности появления события.
Алгебра событий
События называются несовместными, если они вместе не могут наблюдаться в одном и том же опыте. Так, наличие двух и трех автомашин в одном магазине для продажи в одно и то же время — это два несовместных события.
Суммой событий называется событие, состоящее в появлении хотя бы одного из этих событий
В качестве примера суммы событий можно назвать наличие в магазине хотя бы одного из двух товаров.
Произведением событий называется событие, состоящее в одновременном появлении всех этих событий
Событие, состоящее в появлении одновременно в магазине двух товаров является произведением событий: -появление одного товара, — появление другого товара.
События образуют полную группу событий, если хотя бы одно из них обязательно произойдет в опыте.
Пример. В порту имеется два причала для приема судов. Можно рассмотреть три события: — отсутствие судов у причалов, — присутствие одного судна у одного из причалов, — присутствие двух судов у двух причалов. Эти три события образуют полную группу событий.
Противоположными называются два единственно возможных события, образующих полную группу.
Если одно из событий, являющихся противоположными, обозначить через , то противоположное событие обычно обозначают через .
Классическое и статистическое определения вероятности события
Каждый из равновозможных результатов испытаний (опытов) называется элементарным исходом. Их обычно обозначают буквами . Например, бросается игральная кость. Элементарных исходов всего может быть шесть по числу очков на гранях.
Из элементарных исходов можно составить более сложное событие. Так, событие выпадения четного числа очков определяется тремя исходами: 2, 4, 6.
Количественной мерой возможности появления рассматриваемого события является вероятность.
Наиболее широкое распространение получили два определения вероятности события: классическое и статистическое .
Классическое определение вероятности связано с понятием благоприятствующего исхода.
Исход называется благоприятствующим данному событию, если его появление влечет за собой наступление этого события.
В приведенном примере рассматриваемое событие — четное число очков на выпавшей грани, имеет три благоприятствующих исхода. В данном случае известно и общее
количество возможных исходов. Значит, здесь можно использовать классическое определение вероятности события.
Классическое определение равняется отношению числа благоприятствующих исходов к общему числу возможных исходов
где — вероятность события , — число благоприятствующих событию исходов, — общее число возможных исходов.
В рассмотренном примере
Статистическое определение вероятности связано с понятием относительной частоты появления события в опытах.
Относительная частота появления события вычисляется по формуле
где - число появления события в серии из опытов (испытаний).
Статистическое определение . Вероятностью события называется число, относительно которого стабилизируется (устанавливается) относительная частота при неограниченном увеличении числа опытов.
В практических задачах за вероятность события принимается относительная частота при достаточно большом числе испытаний.
Из данных определений вероятности события видно, что всегда выполняется неравенство
Для определения вероятности события на основе формулы (1.1) часто используются формулы комбинаторики, по которым находится число благоприятствующих исходов и общее число возможных исходов.