- •Введение.
- •Предмет теории вероятности
- •1.2. Случайные события, их классификация.
- •1.3. Действия над событиями
- •1.6. Статистическое определение вероятности
- •1.7. Классическое определение вероятности
- •1.8. Элементы комбинаторики
- •1.10. Геометрическое определение вероятности
- •1.12. Свойства вероятностей
- •1.11. Аксиоматическое определение вероятности
- •1.13. Конечное вероятностное пространство
- •1.14. Условные вероятности
- •1.15. Вероятность произведения событий. Независимость событий
- •1.16. Вероятность суммы событий
- •1.17. Формула полной вероятности
- •1.18. Формула Байеса (теорема гипотез)
- •1.19. Независимые испытания. Схема Бернулли
- •1.20. Формула Бернулли
- •Глава 2.Случайные величины
- •2.1. Понятие случайной величины. Закон распределения случайной величины
- •2.2. Закон распределения дискретной случайной величины. Многоугольник распределения
- •2.3. Функция распределения и ее свойства. Функция распределения дискретной случайной величины
- •2.5. Числовые характеристики случайных величин
- •Мода и медиана. Моменты случайных величин. Асимметрия и эксцесс. Квантили
- •Глава Выборки и их характеристики
- •6.1. Предмет математической статистики
- •6.2. Генеральная и выборочная совокупности
- •6.3. Статистическое распределение выборки. Эмпирическая функция распределения/
- •6.4. Графическое изображение статистического распределения
- •6.5. Числовые характеристики статистического распределения
1.18. Формула Байеса (теорема гипотез)
Следствием формулы (1.30) является формула Байеса или теорема гипотез. Она позволяет переоценить вероятности гипотез Hi, принятых до опыта и называемых априорными («a priori», доопытные, лат.) по результатам уже проведенного опыта, т.е. найти условные вероятности Р(Hi А), которые называют апостериорными («a posteriori» послеопытные).
Теорема 1.3. Пусть события H1, H2, ..., Нn образуют полную группу событий. Тогда условная вероятность события Нк (к = 1,..,n) при условии. что событие А произошло, задается формулой
Р(НкА)
=
(1.31)
где Р(А) = P(A1) • P(A|H1) + ... + Р(Нn) Р(А|Нn) — формула полной вероятности. Формула (1.31) называется формулой Байеса .
Применив формулы условной вероятности (п. 1.14) и умножения вероятностей (п. 1.15), имеем
Р(НкА)
=
,
где Р(А)
—
формула полной вероятности (п. 1.17)
Пример 1.30. В примере 1.29 (п. 1.17) найти вероятность того, что эта стандартная деталь изготовлена II цехом.
Определим вероятность гипотезы H2 при условии, что событие А (взятая деталь стандартна) уже произошло, т.е. Р (H2 А):
Р(Н2А)
=
0,613.
1.19. Независимые испытания. Схема Бернулли
С понятием «независимых событий» связано понятие «независимых испытаний (опытов)».
Несколько опытов называются независимыми, если их исходы представляют собой независимые события (независимые в совокупности).
Другими словами, если проводится несколько испытаний, т. е. опыт выполняется при данном комплексе условий многократно (такое явление называется «последовательностью испытаний»), причем вероятность наступления некоторого события А в каждом испытании не зависит от исходов других испытаний, то такие испытания называются независимыми.
Примерами независимых испытаний могут служить: несколько (n раз) подбрасываний монеты; стрельба (n раз) по мишени без поправок на ранее допущенную ошибку при новом выстреле: несколько (n раз) выниманий из урны одинаковых на ощупь занумерованных шаров, если шары каждый раз (после просмотра) возвращаются назад в урну, и т. д.
При практическом применении теории вероятностей часто используется стандартная схема, называемая схемой Бернулли или схемой независимых испытаний.
Последовательность n независимых испытаний, в каждом из которых может произойти некоторое событие А (его называют успехом) вероятностью Р(А) = р или противоположное ему событие (его называют неудачей) с вероятностью Р( ) = q = 1 — р, называется схемой Бернулли.
Например, при стрельбе по мишени: событие А — попадание (успех), событие — промах (неудача); при обследовании п изделий на предмет годности: событие А — деталь годная (успех), событие - деталь бракованная (неудача) и т. д.
1.20. Формула Бернулли
Простейшая задача, относящаяся к схеме Бернулли, состоит в
определении вероятности того, что в п независимых испытаниях событие А наступит т раз (0 т n). Обозначается искомая вероятность так: Pn(m) или Pn,m или Р(п = m), где п — число появления события А в серии из п опытов.
Например, при бросании игральной кости 3 раза Р3(2) означает вероятность того, что в 3-х опытах событие А - - выпадение цифры 4 — произойдет 2 раза. Очевидно,
Р3(2) = p2q + p2q + p2q = = [{А,А, );{А, ,А)( ,А,А}]=
3p2q
=
0,069.
Теорема 1.4. Если производится п независимых испытаний, в каждом из которых вероятность появления события А равна р, а вероятность его непоявления равна q = 1 — р, то вероятность того, что событие А произойдет т раз определяется формулой Бернулли
Pn(m)= pmqn-m, т=0,1,2,…,n. (1.32)
Вероятность
одного сложного события, состоящего в
том, что событие А в п
независимых
опытах появится т
раз
в первых т
опытах
и не появится (n
— т)
раз
в остальных опытах (это событие
)
по теореме умножения вероятностей равна
pmqn-m.
Вероятность
появления события А снова т
раз,
но в другом порядке (например,
или
А
и
т. д.)
будет той же самой, т. е. pmqn-m.
Число таких сложных событий — в п опытах т раз встречается событие А в различном порядке — равно числу сочетаний из п по m, т. е. . Так как все эти сложные события несовместны, то по теореме сложения вероятностей искомая вероятность равна сумме вероятностей всех возможных сложных событий, т. е.
Pn(m)=
=
pmqn-m,
m
=0, l,...,n.
Можно заметить, что вероятности Рп(т), m= 0,1,..., n являются коэффициентами при хm в разложении (q + рx)n по формуле бинома Ньютона:
(q+рх)п
=
qn
+
qn-1
px
+
qn-2
p2
x2
+ ... +
qn-m
pm
xm+
... +
pnxn.
Поэтому совокупность вероятностей Рп(т) называют биномиальным законом распределения вероятностей (см. п. 2.7), а функцию (x) = (q + рх)п — производящей функцией для последовательности независимых опытов.
Если в каждом из независимых испытаний вероятности наступления события A разные, то вероятность того, что событие А наступит т раз в п опытах, равна коэффициенту при m-й степени многочлена n(z) = (q1 + p1x)( q2 + p2x) • ... • (qn + pnx), где n(z) - производящая функция.
Если в серии из п независимых опытов, в каждом из которых может произойти одно и только одно из k событий А1, А2, … ,Аk с соответствующими вероятностями p1, p2, ..., pk , то вероятность того, что в этих опытах событие А1 появится m1 раз, событие А2— m2 раз, ..., событие Аk — mk раз, равна
Pn(m1,m2,...,mk
)=
(1.33)
где m1+m2+...+mk = n. Вероятности (1.33) называются полиномиальным распределением.
Пример 1.31. Производится 3 независимых выстрела по цели. Вероятности попадания при разных выстрелах одинаковы и равны р = 0,9. Какова вероятность: а) промаха; б) одного попадания; в) двух попаданий; г) трех попаданий? Решить задачу в случае, если вероятность попадания при разных выстрелах различны: p1 = 0,7, p2 = 0,8, p3 = 0,9
В данном случае n = 3, р = 0,9, q = 0,1. Пользуясь формулой Бернулли (1.32), находим:
а)
Р3(0)
=
• 0,90
• 0,13
= 0,001 — вероятность трех промахов;
б)
Р3(1)
=
•
0,91
• 0,12
= 3 • 0,9 • 0,01 = 0.027 — вероятность однокй
попадания;
в)
Р3(2)
=
• 0,92
• 0,11
= 3 • 0,81 • 0,1 = 0,243 — вероятность двух
попаданий;
г)
Р3(3)
=
•
0,93
• 0,10
= 0,93
= 0,729 — вероятность трех попаданий.
Эти результаты можно изобразить графически, отложив на оси Ох- значения m, на оси Оy — значения Рn(m) (рис. 14)
Рп(т)
Рис. 14
Ломаная, соединяющая точки (0; 0,001), (1; 0,027), (2; 0,243), (3; 0,729), называется многоугольником распределения вероятностей.
Если вероятности при разных выстрелах различны, то производящая функция имеет вид 3 (z) = (0,3 + 0,7z)(0,2 + 0,8z)(0,l + 0,9z) = 0,504z3 + 0,398z2 + 0,092z + 0,006. Откуда находим вероятность трех, двух, одного попаданий, промаха соответственно: Р3(3) = 0,504, Р3(2) = 0,398, Р3(1) = 0,092, Р3(0) = 0,006. (Контроль: 0,504 + 0,398 + 0,092 + 0,006 = 1.)
