Просто об основных формулах теории вероятности. История развития теории вероятностей. Что такое теория вероятности

Раздел 12. Теория вероятностей.

1. Введение

2. Простейшие понятия теории вероятностей

3. Алгебра событий

4. Вероятность случайного события

5. Геометрические вероятности

6. Классические вероятности. Формулы комбинаторики.

7. Условная вероятность. Независимость событий.

8. Формула полной вероятности и формулы Байеса

9. Схема повторных испытаний. Формула Бернулли и её асимптотика

10. Случайные величины (СВ)

11. Ряд распределения ДСВ

12. Интегральная функция распределения

13. Функция распределения НСВ

14. Плотность вероятности НСВ

15. Числовые характеристики случайных величин

16. Примеры важных распределений СВ

16.1. Биномиальное распределение ДСВ.

16.2. Распределение Пуассона

16.3. Равномерное распределение НСВ.

16.4. Нормальное распределение.

17. Предельные теоремы теории вероятностей.

Введение

Теория вероятностей, подобно многим другим математическим дисциплинам, развивалась из потребностей практики. При этом, изучая реальный процесс, приходилось создавать абстрактную математическую модель реального процесса. Обычно учитывают главные, наиболее существенные движущие силы реального процесса, отбрасывая из рассмотрения второстепенные, которые называются случайными. Конечно, что считать главным, а что второстепенным,- отдельная задача. Решение этого вопроса определяет уровень абстракции, простоту или сложность математической модели и уровень адекватности модели реальному процессу. В сущности, любая абстрактная модель является результатом двух противостоящих устремлений: простоты и адекватности реальности.

Например, в теории стрельбы разработаны достаточно простые и удобные формулы для определения траектории полёта снаряда из орудия, расположенного в точке (рис. 1).

В определённых условиях упомянутая теория является достаточной, например, при массированной артподготовке.

Однако ясно, что если из одного орудия при одинаковых условиях произвести несколько выстрелов, то траектории будут хотя и близкими, но все же отличающимися. И если размер цели мал по сравнению с областью рассеивания, то возникают специфические вопросы, связанные именно с влиянием факторов, неучтённых в рамках предлагаемой модели. При этом учёт дополнительных факторов приведёт к слишком сложной модели, пользоваться которой практически невозможно. К тому же, этих случайных факторов бывает много, природа их чаще всего неизвестна.

В приведённом примере такими специфическими вопросами, выходящими за рамки детерминированной модели, являются, например, следующие: сколько надо произвести выстрелов, чтобы с определённой уверенностью (например, на ) гарантировать поражение цели? как надо провести пристрелку, чтобы на поражение цели затратить наименьшее количество снарядов? и т.п.

Как мы увидим в дальнейшем, слова «случайный», «вероятность» станут строгими математическими терминами. Вместе с тем они весьма распространены в обычной разговорной речи. При этом считается, что прилагательное «случайный» является противопоставлением «закономерному». Однако, это не так, ибо природа устроена таким образом, что случайные процессы обнаруживают закономерности, но при определённых условиях.

Основное условие называется массовостью.

Например, если подбросить монету, то нельзя предсказать, что выпадает, герб или цифра,- можно лишь угадать. Однако, если эту монету подбросить большое число раз, что доля выпадений герба будет не сильно отличается от некоторого числа, близкого к 0,5 (в дальнейшем это число мы назовем вероятностью). Причем, с увеличением числа подбрасываний отклонение от этого числа будет уменьшаться. Это свойство называется устойчивостью средних показателей (в данном случае - доли гербов). Надо сказать, что на первых шагах теории вероятностей, когда надо было на практике убедиться в наличии свойства устойчивости, даже большие учёные не считали за труд провести самостоятельно проверку. Так, известен опыт Бюффона, который подбросил монету 4040 раз, и герб выпал 2048 раз, следовательно, доля (или относительная частота) выпадения герба равна 0,508, что близко интуитивно к ожидаемому числу 0,5.

Поэтому обычно даётся определение предмета теории вероятностей как раздела математики, изучающего закономерности массовых случайных процессов.

Надо сказать, что, несмотря на то, что наибольшие достижения теории вероятностей относятся к началу прошлого века, в особенности благодаря аксиоматическому построению теории в работах А.Н. Колмогорова (1903-1987), интерес к изучению случайностей проявился давно.

Сначала интересы были связаны с попытками применить числовой подход к азартным играм. Первые достаточно интересные результаты теории вероятностей принято связывать с работами Л. Пачоли (1494г), Д. Кардано (1526) и Н. Тартальи (1556).

Позже Б. Паскаль (1623-1662), П. Ферма (1601-1665), Х. Гюйгенс (1629-1695) заложили основы классической теории вероятностей. В начале 18 века Я. Бернулли (1654-1705) формирует понятие вероятности случайного события как отношение числа благоприятствующих шансов к числу всех возможных. На использовании понятия меры множества строили свои теории Э. Борель (1871-1956), А. Ломницкий (1881-1941), Р. Мизес (1883-1953).

Теоретико-множественная точка зрения в наиболее законченном виде была изложена в 1933г. А.Н. Колмогоровым в его монографии «Основные понятия теории вероятностей». Именно с этого момента теория вероятностей становится строгой математической наукой.

Большой вклад в развитие теории вероятностей внесли русские математики П.Л. Чебышёв (1821-1894), А.А. Марков (1856-1922), С.Н. Бернштейн (1880-1968) и другие.

Теория вероятностей бурно развивается и в настоящее время.

Простейшие понятия теории вероятностей

Как любая математическая дисциплина, теория вероятностей начинается с введения простейших понятий, которые не определяются, а лишь поясняются.

Одним из основных первичных понятий является опыт. Под опытом понимается некоторый комплекс условий, которые могут воспроизводиться неограниченное число раз. Каждую реализацию этого комплекса и назовем опытом или испытанием. Результаты опыта могут быть различными, в этом и проявляется элемент случайности. Различные результаты или исходы опыта называются событиями (точнее случайными событиями). Таким образом, при осуществлении опыта может произойти то или иное событие. Другими словами, случайное событие – это исход опыта, который при осуществлении опыта может произойти (появиться) или не произойти.

Опыт будем обозначать буквой , а случайные события обозначаются обычно заглавными буквами

Часто в опыте можно заранее выделить его исходы, которые можно назвать простейшими, которые нельзя разложить на более простые. Такие события называются элементарными событиями (или случаями).

Пример 1. Пусть подбрасывается монета. Исходами опыта являются: выпадение герба (обозначим это событие буквой ); выпадение цифры (обозначим ). Тогда можно записать: опыт ={подбрасывание монеты}, исходы: Ясно, что элементарные события в данном опыте. Иначе говоря, перечисление всех элементарных событий опыта полностью его описывает. По этому поводу будем говорить, что опыт есть пространство элементарных событий, и в нашем случае опыт кратко можно записать в виде: ={подбрасывание монеты}={Г;Ц}.

Пример 2 . ={монета подбрасывается дважды}= Здесь приведено словесное описание опыта и перечисление всех элементарных событий: означает, что сначала при первом подбрасывании монеты выпал герб, при втором – тоже герб; означает, что при первом подбрасывании монеты выпал герб, при втором цифра и т.д.

Пример 3. В системе координат в квадрат бросаются точки. В этом примере элементарными событиями являются точки с координатами которые удовлетворяют приведенным неравенствам. Кратко это записывается следующим образом:

Двоеточие в фигурных скобках означает, что состоит из точек но не любых, а только тех, которые удовлетворяют условию (или условиям), указанным после двоеточия (в нашем примере это неравенства).

Пример 4. Монета подбрасывается до первого выпадения герба. Другими словами, подбрасывание монеты продолжается до тех пор, пока не выпадет герб. В этом примере элементарные события перечислить можно, хотя их бесконечное число:

Заметим, что в примерах 3 и 4 пространство элементарных событий насчитывает бесконечное число исходов. В примере 4 их можно перечислить, т.е. пересчитать. Такое множество называется счетным. В примере 3 пространство является несчетным.

Введем в рассмотрение еще два события, которые присутствуют в любом опыте и которые имеют большое теоретические значение.

Назовем событие невозможным, если в результате опыта оно обязательно не произойдет. Будем его обозначать знаком пустого множества . Наоборот, событие, которое в результате опыта обязательно произойдёт называется достоверным. Достоверное событие обозначается так же, как и само пространство элементарных событий – буквой .

Например, при подбрасывании игральной кости событие {выпало меньше 9 очков} - достоверное, а событие {выпало ровно 9 очков} невозможное.

Итак, пространство элементарных событий может задаваться словесным описанием, перечислением всех его элементарных событий, заданием правил или условий, по которым получаются все его элементарные события.

Алгебра событий

До сих пор мы говорили лишь об элементарных событиях как непосредственных результатах опыта. Однако в рамках опыта можно говорить и о других случайных событиях, кроме элементарных.

Пример 5. При подбрасывании игральной кости, кроме элементарных событий выпадений соответственно единицы, двойки,…, шестерки, можно говорить о других событиях: (выпадение четного числа), (выпадение нечетного числа), (выпадение числа, кратного трем), (выпадение числа, меньшего 4) и т.п. В данном примере указанные события, кроме словесного задания, можно задать перечислением элементарных событий:

Образование новых событий из элементарных, а также из других событий осуществляется с помощью операций (или действий) над событиями.

Определение. Произведением двух событий и называется событие, состоящее в том, что в результате опыта произойдет и событие ,и событие , т. е произойдут оба события вместе (одновременно).

Знак произведения (точку) часто не ставят:

Определение. Суммой двух событий называется событие, состоящее в том, что в результате опыта произойдет или событие ,или событие ,или оба вместе (одновременно).

В обоих определениях мы намеренно подчеркнули союзы и и или -сцелью привлечь внимание читателя к своей речи при решении задач. Если мы произносим союз «и», то речь идет о произведении событий; если произносится союз «или», то события надо складывать. При этом заметим что союз «или» в обиходной речи часто используется в смысле исключения одного из двух: «только или только ». В теории вероятностей такое исключение не предполагается: и ,и , и означают появление события

Если задано перечислением элементарных событий, то сложные события с помощью указанных операций получить просто. Для получения надо найти все элементарные события, принадлежащие обоим событиям, если таковых нет, то Сумму событий также составить несложно: надо взять любое из двух событий и добавить к нему те элементарные события из другого события, которые не входят в первое.

В примере 5 получаем, в частности

Введенные операции называются бинарными, т.к. определены для двух событий. Большое значение имеет следующая унарная операция (определенная для одного события): событие называется противоположным событию если оно состоит в том, что в данном опыте событие не произошло. Из определения ясно, что всякое событие и ему противоположное обладают следующими свойствами: Введённая операция называется дополнением события А.

Отсюда следует, что если задано перечислением элементарных событий, то, зная задание события ,легко получить оно состоит из всех элементарных событий пространства которые не принадлежат В частности, для примера 5 событие

Если нет скобок, то устанавливается следующий приоритет в выполнении операций: дополнение, умножение, сложение.

Итак, с помощью введённых операций пространство элементарных событий пополняется другими случайными событиями, которые образуют так называемую алгебру событий.

Пример 6. По мишени стрелок произвёл три выстрела. Рассмотрим события = {стрелок попал в мишень при i-м выстреле}, i = 1,2,3.

Составим из этих событий (не забудем и о противоположных ) некоторые события. Пространных комментариев не приводим; полагаем, что читатель проведёт их самостоятельно.

Событие В = {все три выстрела попали в мишень}. Подробнее: В = {и первый, и второй, и третий выстрелы попали в мишень}. Использовали союз и, следовательно, события перемножаются:

Аналогично:

С = {ни один из выстрелов не попал в цель}

Е = {один выстрел достиг мишени}

Д = {мишень поражена при втором выстреле} = ;

F = {мишень поражена двумя выстрелами}

Н = {в мишени окажется хотя бы одно попадание}

Как известно, в математике большое значение имеет геометрическая интерпретация аналитических объектов, понятий и формул.

В теории вероятностей удобно наглядное представление (геометрическая интерпретация) опыта, случайных событий и операций над ними в виде так называемых диаграмм Эйлера-Венна . Суть состоит в том, что всякий опыт отождествляется (интерпретируется) с бросанием точек в некоторый квадрат. Точки бросаются наугад, так что у всех точек имеются одинаковые шансы попасть в любое место этого квадрата. Квадрат определяет рамки рассматриваемого опыта. Каждое событие в рамках опыта отождествляется с некоторой областью квадрата. Иначе говоря, осуществление события означает попадание случайной точки внутрь области, обозначенной буквой Тогда операции над событиями легко интерпретируются геометрически (рис.2)

А:

А + В: всякая

штриховка

На рис.2 а) для наглядности событие А выделено вертикальной штриховкой, событие В - горизонтальной. Тогда операции умножения соответствует двойная штриховка - событию соответствует та часть квадрата которая покрыта двойной штриховкой. При этом, если то и называются несовместными событиями. Соответственно операции сложения соответствует любая штриховка- событие означает часть квадрата, заштрихованная любой штриховкой – вертикальной, горизонтальной и двойной. На рис.2 б) показано событие ему соответствует заштрихованная часть квадрата - все, что не входит в область Введенные операции обладают следующими основными свойствами, некоторые из которых справедливы для одноименных операций над числами, но есть и специфические.

1 0 . коммутативность умножения;

2 0 . коммутативность сложения;

3 0 . ассоциативность умножения;

4 0 . ассоциативность сложения,

5 0 . дистрибутивность умножения относительно сложения,

6 0 . дистрибутивность сложения относительно умножения;

9 0 . законы двойственности де Моргана,

10 0 .

1 .A .A+ .A· =A, 1 .A+ . 1 .A· = , 1 .A+ =

Пример 7. Иван и Петр договорились встретиться на временном промежутке в Т час, например, (0,Т). При этом они условились, что каждый из них, придя на встречу, ждет другого не более час.

Придадим этому примеру геометрическую интерпретацию. Обозначим: время прихода на встречу Ивана; время прихода на встречу Петра. Согласно договоренности: 0 . Тогда в системе координат получаем: = Нетрудно заметить, что в нашем примере пространство элементарных событий представляет собой квадрат. 1

0 x соответствует та часть квадрата, которая расположена выше этой прямой.Аналогично, второму неравенству y≤x+ и; и не работает, если не работают все элементы, т.е. .Таким образом, второй закон двойственности де Моргана: реализуется при параллельном соединении элементов.

Приведённый пример показывает, почему теория вероятностей находит большое применение в физике, в частности, в расчетах надежности реальных технических устройств.

"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.

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

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

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

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

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

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

Результатом испытания является событие . Событие бывает:

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

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

Основные понятия теории

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

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

Случайные величины можно разделить на две категории.

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

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

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

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

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

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

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

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

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

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

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

где символ обозначает математическое ожидание.

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

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

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

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

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

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

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

Некоторые программисты после работы в области разработки обычных коммерческих приложений задумываются о том, чтобы освоить машинное обучение и стать аналитиком данных. Часто они не понимают, почему те или иные методы работают, и большинство методов машинного обучения кажутся магией. На самом деле, машинное обучение базируется на математической статистике, а та, в свою очередь, основана на теории вероятностей. Поэтому в этой статье мы уделим внимание базовым понятиям теории вероятностей: затронем определения вероятности, распределения и разберем несколько простых примеров.

Возможно, вам известно, что теория вероятностей условно делится на 2 части. Дискретная теория вероятностей изучает явления, которые можно описать распределением с конечным (или счетным) количеством возможных вариантов поведения (бросания игральных костей, монеток). Непрерывная теория вероятностей изучает явления, распределенные на каком-то плотном множестве, например на отрезке или в круге.

Можно рассмотреть предмет теории вероятностей на простом примере. Представьте себя разработчиком шутера. Неотъемлемой частью разработки игр этого жанра является механика стрельбы. Ясно, что шутер в котором всё оружие стреляет абсолютно точно, будет малоинтересен игрокам. Поэтому, обязательно нужно добавлять оружию разброс. Но простая рандомизация точек попадания оружия не позволит сделать его тонкую настройку, поэтому, корректировка игрового баланса будет сложна. В то же время, используя случайные величины и их распределения можно проанализировать то, как будет работать оружие с заданным разбросом, и поможет внести необходимые корректировки.

Пространство элементарных исходов

Допустим, из некоторого случайного эксперимента, который мы можем многократно повторять (например, бросание монеты), мы можем извлечь некоторую формализуемую информацию (выпал орел или решка). Эта информация называется элементарным исходом, при этом целесообразно рассматривать множество всех элементарных исходов, часто обозначаемое буквой Ω (Омега).

Структура этого пространства целиком зависит от природы эксперимента. Например, если рассматривать стрельбу по достаточно большой круговой мишени, - пространством элементарных исходов будет круг, для удобства размещенный с центром в нуле, а исходом - точка в этом круге.

Кроме того, рассматривают множества элементарных исходов - события (например, попадание в «десятку» - это концентрический круг маленького радиуса с мишенью). В дискретном случае всё достаточно просто: мы можем получить любое событие, включая или исключая элементарные исходы за конечное время. В непрерывном же случае всё гораздо сложнее: нам понадобится некоторое достаточно хорошее семейство множеств для рассмотрения, называемое алгеброй по аналогии с простыми вещественными числами, которые можно складывать, вычитать, делить и умножать. Множества в алгебре можно пересекать и объединять, при этом результат операции будет находиться в алгебре. Это очень важное свойство для математики, которая лежит за всеми этими понятиями. Минимальное семейство состоит всего из двух множеств - из пустого множества и пространства элементарных исходов.

Мера и вероятность

Вероятность - это способ делать выводы о поведении очень сложных объектов, не вникая в принцип их работы. Таким образом, вероятность определяется как функция от события (из того самого хорошего семейства множеств), которая возвращает число - некоторую характеристику того, насколько часто может происходить такое событие в реальности. Для определённости математики условились, что это число должно лежать между нулем и единицей. Кроме того, к этой функции предъявляются требования: вероятность невозможного события нулевая, вероятность всего множества исходов единичная, и вероятность объединения двух независимых событий (непересекающихся множеств) равна сумме вероятностей. Другое название вероятности - вероятностная мера. Чаще всего используется Лебегова мера , обобщающая понятия длина, площадь, объём на любые размерности (n -мерный объем), и таким образом она применима для широкого класса множеств.

Вместе совокупность множества элементарных исходов, семейства множеств и вероятностной меры называется вероятностным пространством . Рассмотрим, каким образом можно построить вероятностное пространство для примера со стрельбой в мишень.

Рассмотрим стрельбу в большую круглую мишень радиуса R , в которую невозможно промахнуться. Множеством элементарных событий положим круг с центром в начале координат радиуса R . Поскольку мы собираемся использовать площадь (меру Лебега для двумерных множеств) для описания вероятности события, то будем использовать семейство измеримых (для которых эта мера существует) множеств.

Примечание На самом деле, это технический момент и в простых задачах процесс определения меры и семейства множеств не играет особой роли. Но понимать, что эти два объекта существуют, необходимо, ведь во многих книгах по теории вероятности теоремы начинаются со слов: «Пусть (Ω,Σ,P) - вероятностное пространство … ».

Как уже сказано выше, вероятность всего пространства элементарных исходов должна равняться единице. Площадь (двумерная мера Лебега, которую мы обозначим λ 2 (A) , где А – событие) круга по хорошо известной со школы формуле равна π *R 2 . Тогда мы можем ввести вероятность P(A) = λ 2 (A) / (π *R 2) , и эта величина уже будет лежать между 0 и 1 для любого события А.

Если предположить, что попадание в любую точку мишени равновероятно, поиск вероятности попадания стрелком в какую-то то область мишени сводится к поиску площади этого множества (отсюда можно сделать вывод, что вероятность попадания в конкретную точку нулевая, ведь площадь точки равна нулю).

Например, мы хотим узнать, какова вероятность того, что стрелок попадёт в «десятку» (событие A – стрелок попал в нужное множество). В нашей модели, «десятка» представляется кругом с центром в нуле и радиусом r. Тогда вероятность попадания в этот круг P(A) = λ 2 /(A)π *R 2 = π * r 2 /(π R 2)= (r/R) 2 .

Это одна из самых простых разновидностей задач на «геометрическую вероятность», - большинство таких задач требуют поиска площади.

Случайные величины

Случайная величина – функция, переводящая элементарные исходы в вещественные числа. К примеру, в рассмотренной задаче мы можем ввести случайную величину ρ(ω) – расстояние от точки попадания до центра мишени. Простота нашей модели позволяет явно задать пространство элементарных исходов: Ω = {ω = (x,y) такие числа, что x 2 +y 2 ≤ R 2 } . Тогда случайная величина ρ(ω) = ρ(x,y) = x 2 +y 2 .

Средства абстракции от вероятностного пространства. Функция распределения и плотность

Хорошо, когда структура пространства хорошо известна, но на самом деле так бывает далеко не всегда. Даже если структура пространства известна, она может быть сложна. Для описания случайных величин, если их выражение неизвестно, существует понятие функции распределения, которую обозначают F ξ (x) = P(ξ < x) (нижний индекс ξ здесь означает случайную величину). Т.е. это вероятность множества всех таких элементарных исходов, для которых значение случайной величины ξ на этом событии меньше, чем заданный параметр x .

Функция распределения обладает несколькими свойствами:

Во-первых, она находится между 0 и 1 .
Во-вторых, она не убывает, когда ее аргумент x растёт.
В третьих, когда число -x очень велико, функция распределения близка к 0 , а когда само х большое, функция распределения близка к 1 .

Вероятно, смысл этой конструкции при первом чтении не слишком понятен. Одно из полезных свойств – функция распределения позволяет искать вероятность того, что величина принимает значение из интервала. Итак, P (случайная величина ξ принимает значения из интервала ) = F ξ (b)-F ξ (a) . Исходя из этого равенства, можем исследовать, как изменяется эта величина, если границы a и b интервала близки.

Пусть d = b-a , тогда b = a+d . А следовательно, F ξ (b)-F ξ (a) = F ξ (a+d) - F ξ (a) . При малых значениях d , указанная выше разность так же мала (если распределение непрерывное). Имеет смысл рассматривать отношение p ξ (a,d)= (F ξ (a+d) - F ξ (a))/d . Если при достаточно малых значениях d это отношение мало отличается от некоторой константы p ξ (a) , не зависящей от d, то в этой точке случайная величина имеет плотность, равную p ξ (a) .

Примечание Читатели, которые ранее сталкивались понятием производной, могут заметить что p ξ (a) – производная функции F ξ (x) в точке a . Во всяком случае, можно изучить понятие производной в посвященной этой теме статье на сайте Mathprofi.

Теперь смысл функции распределения можно определить так: её производная (плотность p ξ , которую мы определили выше) в точке а описывает, насколько часто случайная величина будет попадать в небольшой интервал с центром в точке а (окрестность точки а) по сравнению с окрестностями других точек. Другими словами, чем быстрее растёт функция распределения, тем более вероятно появление такого значения при случайном эксперименте.

Вернемся к примеру. Мы можем вычислить функцию распределения для случайной величины, ρ(ω) = ρ(x,y) = x 2 +y 2 , которая обозначает расстояние от центра до точки случайного попадания в мишень. По определению F ρ (t) = P(ρ(x,y) < t) . т.е. множество {ρ(x,y) < t)} – состоит из таких точек (x,y) , расстояние от которых до нуля меньше, чем t . Мы уже считали вероятность такого события, когда вычисляли вероятность попадания в «десятку» - она равна t 2 /R 2 . Таким образом, Fρ(t) = P(ρ(x,y) < t) = t 2 /R 2 , для 0

Мы можем найти плотность p ρ этой случайной величины. Сразу заметим, что вне интервала она нулевая, т.к. функция распределения на этом промежутке неизменна. На концах этого интервала плотность не определена. Внутри интервала её можно найти, используя таблицу производных (например из на сайте Mathprofi) и элементарные правила дифференцирования. Производная от t 2 /R 2 равна 2t/R 2 . Значит, плотность мы нашли на всей оси вещественных чисел.

Ещё одно полезное свойство плотности – вероятность того, что функция принимает значение из промежутка, вычисляется при помощи интеграла от плотности по этому промежутку (ознакомиться с тем, что это такое, можно в статьях о собственном , несобственном , неопределенном интегралах на сайте Mathprofi).

При первом чтении, интеграл по промежутку от функции f(x) можно представлять себе как площадь криволинейной трапеции. Ее сторонами являются фрагмент оси Ох, промежуток (горизонтальной оси координат), вертикальные отрезки, соединяющие точки (a,f(a)), (b,f(b)) на кривой с точками (a,0), (b,0) на оси Ох. Последней стороной является фрагмент графика функции f от (a,f(a)) до (b,f(b)) . Можно говорить об интеграле по промежутку (-∞; b] , когда для достаточно больших отрицательных значений, a значение интеграла по промежутку будет меняться пренебрежимо мало по сравнению с изменением числа a. Аналогичным образом определяется и интеграл по промежуткам . Всего будет 2Ї2Ї2Ї2 = 16 исходов. В соответствии с предположением о независимости результатов отдельных выстрелов следует для определения вероятностей этих исходов использовать формулу (3) и примечание к ней. Так, вероятность исхода (у, н. н, н) следует положить равной 0,2Ї0,8Ї0,8Ї0,8 = 0,1024; здесь 0,8 = 1-0,2 - вероятность промаха при отдельном выстреле. Событию "в цель попадают три раза" благоприятствуют исходы (у, у, у, н), (у, у, н, у), (у, н, у, у). (н, у, у, у), вероятность каждого одна и та же:

0,2Ї0,2Ї0,2Ї0,8 =...... =0,8Ї0,2Ї0,2Ї0,2 = 0,0064;

следовательно, искомая вероятность равна

4Ї0,0064 = 0,0256.

Обобщая рассуждения разобранного примера, можно вывести одну из основных формул теории вероятностей: если события A1, A2,..., An независимы и имеют каждое вероятность р, то вероятность наступления ровно m из них равна

Pn (m) = Cnmpm (1 - p) n-m; (4)

здесь Cnm обозначает число сочетаний из n элементов по m. При больших n вычисления по формуле (4) становятся затруднительными. Пусть в предыдущем примере число выстрелов равно 100, и ставится вопрос об отыскании вероятности х того, что число попаданий лежит в пределах от 8 до 32. Применение формулы (4) и теоремы сложения даёт точное, но практически мало пригодное выражение искомой вероятности

Приближённое значение вероятности х можно найти по теореме Лапласа

причём ошибка не превосходит 0,0009. Найденный результат показывает, что событие 8 £ m £ 32 практически достоверно. Это самый простой, но типичный пример использования предельных теорем теории вероятностей.

К числу основных формул элементарной теории вероятностей относится также так называемая формула полной вероятности: если события A1, A2,..., Ar попарно несовместны и их объединение есть достоверное событие, то для любого события В его вероятность равна сумме

Теорема умножения вероятностей оказывается особенно полезной при рассмотрении составных испытаний. Говорят, что испытание Т составлено из испытаний T1, T2,..., Tn-1, Tn, есликаждый исход испытания Т есть совмещение некоторых исходов Ai, Bj,..., Xk, Yl соответствующих испытаний T1, T2,..., Tn-1, Tn. Из тех или иных соображений часто бывают известны вероятности