Теория вероятности к какой науке относится. Основные понятия теории вероятностей

Нижегородский Государственный Технический Университет

им. А.Е.Алексеева

Реферат по дисциплине теория вероятности

Выполнила: Ручина Н.А гр 10МЕНз

Проверил: Гладков В.В

Нижний Новгород, 2011

Теория вероятностей……………………………………

Предмет теории вероятностей…………………………

Основные понятия теории вероятностей……………

Случайные события, вероятности событий…………………………………………………

Предельные теоремы……………………………………

Случайные процессы……………………………………

Историческая справка…………………………………

Используемая литература…………………………………………

Теория вероятностей

Теория вероятностей - математическая наука, позволяющая по вероятностям одних случайных событий находить вероятности других случайных событий, связанных каким-либо образом с первыми.

Утверждение о том, что какое-либо событие наступает с вероятностью, равной, например 0,75, ещё не представляет само по себе окончательной ценности, так как мы стремимся к достоверному знанию. Окончательную познавательную ценность имеют те результаты теории вероятностей, которые позволяют утверждать, что вероятность наступления какого-либо событияА весьма близка к единице или (что то же самое) вероятность не наступления событияА весьма мала. В соответствии с принципом «пренебрежения достаточно малыми вероятностями» такое событие справедливо считают практически достоверным. Имеющие научный и практический интерес выводы такого рода обычно основаны на допущении, что наступление или не наступление событияА зависит от большого числа случайных, мало связанных друг с другом факторов. Поэтому можно также сказать, что теория вероятностей есть математическая наука, выясняющая закономерности, которые возникают при взаимодействии большого числа случайных факторов

Предмет теории вероятностей

Предмет теории вероятностей. Для описания закономерной связи между некоторыми условиямиS и событиемА, наступление или не наступление которого при данных условиях может быть точно установлено, естествознание использует обычно одну из следующих двух схем:

а) при каждом осуществлении условий S наступает событиеА. Такой вид, например, имеют все законы классической механики, которые утверждают, что при заданных начальных условиях и силах, действующих на тело или систему тел, движение будет происходить однозначно определённым образом.

б) При условиях S событиеА имеет определённую вероятностьP (A / S ), равнуюр. Так, например, законы радиоактивного излучения утверждают, что для каждого радиоактивного вещества существует определённая вероятность того, что из данного количества вещества за данный промежуток времени распадётся какое-либо числоN атомов.

Назовем частотой события А в данной серии изn испытаний (то есть изn повторных осуществлений условийS ) отношениеh = m/n числаm тех испытаний, в которыхА наступило, к общему их числуn. Наличие у событияА при условияхS определённой вероятности, равнойр, проявляется в том, что почти в каждой достаточно длинной серии испытаний частота событияА приблизительно равнар.

Статистические закономерности, то есть закономерности, описываемые схемой типа (б), были впервые обнаружены на примере азартных игр, подобных игре в кости. Очень давно известны также статистические закономерности рождения, смерти (например, вероятность новорождённому быть мальчиком равна 0,515). Конец 19 в. и 1-я половина 20 в. отмечены открытием большого числа статистических закономерностей в физике, химии, биологии и т.п.

Возможность применения методов теории вероятностей к изучению статистических закономерностей, относящихся к весьма далёким друг от друга областям науки, основана на том, что вероятности событий всегда удовлетворяют некоторым простым соотношениям. Изучение свойств вероятностей событий на основе этих простых соотношений и составляет предмет теории вероятностей.

Основные понятия теории вероятностей

Основные понятия теории вероятностей. Наиболее просто определяются основные понятия теории вероятностей, как математической дисциплины, в рамках так называемой элементарной теории вероятностей. Каждое испытаниеТ, рассматриваемое в элементарной теории вероятностей, таково, что оно заканчивается одним и только одним из событийE 1 , E 2 ,..., E S (тем или иным, в зависимости от случая). Эти события называются исходами испытания. С каждым исходомE k связывается положительное числор к - вероятность этого исхода. Числаp k должны при этом в сумме давать единицу. Затем рассматриваются событияА, заключающиеся в том, что «наступает илиE i , илиE j ,..., илиE k ». ИсходыE i , E j ,..., E k называются благоприятствующимиА, и по определению полагают вероятностьР (А ) событияА , равной сумме вероятностей благоприятствующих ему исходов:

P (A ) =p i +p s +… +p k . (1)

Частный случай p 1 =p 2 =...p s =1/S приводит к формуле

Р (А ) =r/s. (2)

Формула (2) выражает так называемое классическое определение вероятности, в соответствии с которым вероятность какого-либо события А равна отношению числаr исходов, благоприятствующихА, к числуs всех «равновозможных» исходов. Классическое определение вероятности лишь сводит понятие «вероятности» к понятию «равновозможности», которое остаётся без ясного определения.

Пример. При бросании двух игральных костей каждый из 36 возможных исходов может быть обозначен (i ,j ), гдеi - число очков, выпадающее на первой кости,j - на второй. Исходы предполагаются равновероятными. СобытиюА - «сумма очков равна 4», благоприятствуют три исхода (1; 3), (2; 2), (3; 1). Следовательно,Р (A ) = 3/36= 1/12.

Исходя из каких-либо данных событий, можно определить два новых события: их объединение (сумму) и совмещение (произведение).

Событие В называется объединением событийA 1 , A 2 ,..., A r ,-, если оно имеет вид: «наступает илиA 1 , илиА 2 ,..., илиA r ».

Событие С называется совмещением событий A 1 , А. 2 ,..., A r , если оно имеет вид: «наступает иA 1 , и A 2 ,..., и A r ». Объединение событий обозначают знаком, а совмещение - знаком. Таким образом, пишут:

B = A 1  A 2  …  A r , C = A 1  A 2  …  A r .

События А иВ называют несовместными, если их одновременное осуществление невозможно, то есть если не существует среди исходов испытания ни одного благоприятствующего иА иВ.

С введёнными операциями объединения и совмещения событий связаны две основные теоремы теории вероятностей - теоремы сложения и умножения вероятностей.

Теорема сложения вероятностей: Если событияA 1 , A 2 ,...,A r таковы, что каждые два из них несовместны, то вероятность их объединения равна сумме их вероятностей.

Так, в приведённом выше примере с бросанием двух костей событие В - «сумма очков не превосходит 4», есть объединение трёх несовместных событийA 2 , A 3 , A 4 , заключающихся в том, что сумма очков равна соответственно 2, 3, 4. Вероятности этих событий 1/36; 2/36; 3/36. По теореме сложения вероятностьР (В ) равна

1/36 + 2/36 + 3/36 = 6/36 = 1/6.

События A 1 , A 2 ,...,A r называются независимыми, если условная вероятность каждого из них при условии, что какие-либо из остальных наступили, равна его «безусловной» вероятности.

Теорема умножения вероятностей: Вероятность совмещения событийA 1 , A 2 ,...,A r равна вероятности событияA 1 , умноженной на вероятность событияA 2 , взятую при условии, чтоА 1 наступило,..., умноженной на вероятность событияA r при условии, чтоA 1 , A 2 ,...,A r-1 наступили. Для независимых событий теорема умножения приводит к формуле:

P (A 1 A 2 …A r ) =P (A 1 ) · P (A 2 ) · … · P (A r ), (3)

то есть вероятность совмещения независимых событий равна произведению вероятностей этих событий. Формула (3) остаётся справедливой, если в обеих её частях некоторые из событий заменить на противоположные им.

Пример. Производится 4 выстрела по цели с вероятностью попадания 0,2 при отдельном выстреле. Попадания в цель при различных выстрелах предполагаются независимыми событиями. Какова вероятность попадания в цель ровно три раза?

Каждый исход испытания может быть обозначен последовательностью из четырёх букв [напр., (у, н, н, у) означает, что при первом и четвёртом выстрелах были попадания (успех), а при втором и третьем попаданий не было (неудача)]. Всего будет 2·2·2·2 = 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 0,2·0,8·0,8·0,8 = 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:

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

следовательно, искомая вероятность равна

4·0,0064 = 0,0256.

Обобщая рассуждения разобранного примера, можно вывести одну из основных формул теории вероятностей: если события A 1 , A 2 ,..., A n независимы и имеют каждое вероятностьр, то вероятность наступления ровноm из них равна

P n (m ) = C n m p m (1 - p ) n-m ; (4)

здесь C n m обозначает число сочетаний изn элементов поm. При большихn вычисления по формуле (4) становятся затруднительными.

К числу основных формул элементарной теории вероятностей относится также так называемая формула полной вероятности : если событияA 1 , A 2 ,..., A r попарно несовместны и их объединение есть достоверное событие, то для любого событияВ его вероятность равна их сумме.

Теорема умножения вероятностей оказывается особенно полезной при рассмотрении составных испытаний. Говорят, что испытание Т составлено из испытанийT 1 , T 2 ,..., T n-1 , T n , если каждый исход испытанияТ есть совмещение некоторых исходовA i , B j ,..., X k , Y l соответствующих испытанийT 1 , T 2 ,..., T n-1 , T n . Из тех или иных соображений часто бывают известны вероятности

P (A i ), P (B j /A i ), …,P (Y l /A i B j …X k ). (5)

По вероятностям (5) с помощью теоремы умножения могут быть определены вероятности Р (Е ) для всех исходовЕ составного испытания, а вместе с тем и вероятности всех событий, связанных с этим испытанием. Наиболее значительными с практической точки зрения представляются два типа составных испытаний:

а) составляющие испытания не зависимы, то есть вероятности (5) равны безусловным вероятностям P (A i ), P (B j ),..., P (Y l );

б) на вероятности исходов какого-либо испытания влияют результаты лишь непосредственно предшествующего испытания, то есть вероятности (5) равны соответственно: P (A i ), P (B j /A i ),..., P (Y i / X k ). В этом случае говорят об испытаниях, связанных в цепь Маркова. Вероятности всех событий, связанных с составным испытанием, вполне определяются здесь начальными вероятностямиР (А i ) и переходными вероятностямиP (B j / A i ),..., P (Y l / X k ).

Основные формулы по теории вероятности

Формулы теории вероятностей.

1. Основные формулы комбинаторики

а) перестановки.

\б) размещения

в) сочетания .

2. Классическое определение вероятности.

Где- число благоприятствующих событиюисходов,- число всех элементарных равновозможных исходов.

3. Вероятность суммы событий

Теорема сложения вероятностей несовместных событий:

Теорема сложения вероятностей совместных событий:

4. Вероятность произведения событий

Теорема умножения вероятностей независимых событий:

Теорема умножения вероятностей зависимых событий:

Условная вероятность события при условии, что произошло событие,

Условная вероятность события при условии, что произошло событие.

Комбинаторика - это раздел математики, в котором изучаются вопросы о том, сколько различных комбинаций, подчиненных тем или иным условиям, можно составить из заданных объектов. Основы комбинаторики очень важны для оценки вероятностей случайных событий, т.к. именно они позволяют подсчитать принципиально возможное количество различных вариантов развития событий.

Основная формула комбинаторики

Пусть имеется k групп элементов, причем i-я группа состоит из ni элементов. Выберем по одному элементу из каждой группы. Тогда общее число N способов, которыми можно произвести такой выбор, определяется соотношением N=n1*n2*n3*...*nk.

Пример 1. Поясним это правило на простом примере. Пусть имеется две группы элементов, причем первая группа состоит из n1 элементов, а вторая - из n2 элементов. Сколько различных пар элементов можно составить из этих двух групп, таким образом, чтобы в паре было по одному элементу от каждой группы? Допустим, мы взяли первый элемент из первой группы и, не меняя его, перебрали все возможные пары, меняя только элементы из второй группы. Таких пар для этого элемента можно составить n2. Затем мы берем второй элемент из первой группы и также составляем для него все возможные пары. Таких пар тоже будет n2. Так как в первой группе всего n1 элемент, всего возможных вариантов будет n1*n2.

Пример 2. Сколько трехзначных четных чисел можно составить из цифр 0, 1, 2, 3, 4, 5, 6, если цифры могут повторяться?

Решение: n1=6 (т.к. в качестве первой цифры можно взять любую цифру из 1, 2, 3, 4, 5, 6), n2=7 (т.к. в качестве второй цифры можно взять любую цифру из 0, 1, 2, 3, 4, 5, 6), n3=4 (т.к. в качестве третьей цифры можно взять любую цифру из 0, 2, 4, 6).

Итак, N=n1*n2*n3=6*7*4=168.

В том случае, когда все группы состоят из одинакового числа элементов, т.е. n1=n2=...nk=n можно считать, что каждый выбор производится из одной и той же группы, причем элемент после выбора снова возвращается в группу. Тогда число всех способов выбора равно nk.Такой способ выбора носит название выборки с возвращением.

Пример. Сколько всех четырехзначных чисел можно составить из цифр 1, 5, 6, 7, 8?

Решение. Для каждого разряда четырехзначного числа имеется пять возможностей, значит N=5*5*5*5=54=625.

Рассмотрим множество, состоящие из n элементов. Это множество будем называть генеральной совокупностью.

Определение 1. Размещением из n элементов по m называется любой упорядоченный набор из m различных элементов, выбранных из генеральной совокупности в n элементов.

Пример. Различными размещениями из трех элементов {1, 2, 3} по два будут наборы (1, 2), (2, 1), (1, 3), (3, 1), (2, 3),(3, 2). Размещения могут отличаться друг от друга как элементами, так и их порядком.

Число размещений обозначается А, м от nи вычисляется по формуле:

Замечание: n!=1*2*3*...*n (читается: "эн факториал"), кроме того полагают, что 0!=1.

Пример 5. Сколько существует двузначных чисел, в которых цифра десятков и цифра единиц различные и нечетные?

Решение: т.к. нечетных цифр пять, а именно 1, 3, 5, 7, 9, то эта задача сводится к выбору и размещению на две разные позиции двух из пяти различных цифр, т.е. указанных чисел будет:

Определение 2. Сочетанием из n элементов по m называется любой неупорядоченный набор из m различных элементов, выбранных из генеральной совокупности в n элементов.

Пример 6. Для множества {1, 2, 3}сочетаниями являются {1, 2}, {1, 3}, {2, 3}.

Число сочетаний обозначается Cnm и вычисляется по формуле:

Определение 3. Перестановкой из n элементов называется любой упорядоченный набор этих элементов.

Пример 7a. Всевозможными перестановками множества, состоящего из трех элементов {1, 2, 3} являются: (1, 2, 3), (1, 3, 2), (2, 3, 1), (2, 1, 3), (3, 2, 1), (3, 1, 2).

Число различных перестановок из n элементов обозначается Pn и вычисляется по формуле Pn=n!.

Пример 8. Сколькими способами семь книг разных авторов можно расставить на полке в один ряд?

Решение: эта задача о числе перестановок семи разных книг. Имеется P7=7!=1*2*3*4*5*6*7=5040 способов осуществить расстановку книг.

Обсуждение. Мы видим, что число возможных комбинаций можно посчитать по разным правилам (перестановки, сочетания, размещения) причем результат получится различный, т.к. принцип подсчета и сами формулы отличаются. Внимательно посмотрев на определения, можно заметить, что результат зависит от нескольких факторов одновременно.

Во-первых, от того, из какого количества элементов мы можем комбинировать их наборы (насколько велика генеральная совокупность элементов).

Во-вторых, результат зависит от того, какой величины наборы элементов нам нужны.

И последнее, важно знать, является ли для нас существенным порядок элементов в наборе. Поясним последний фактор на следующем примере.

Пример. На родительском собрании присутствует 20 человек. Сколько существует различных вариантов состава родительского комитета, если в него должны войти 5 человек?

Решение: В этом примере нас не интересует порядок фамилий в списке комитета. Если в результате в его составе окажутся одни и те же люди, то по смыслу для нас это один и тот же вариант. Поэтому мы можем воспользоваться формулой для подсчета числа сочетаний из 20 элементов по 5.

Иначе будут обстоять дела, если каждый член комитета изначально отвечает за определенное направление работы. Тогда при одном и том же списочном составе комитета, внутри него возможно 5! вариантов перестановок, которые имеют значение. Количество разных (и по составу, и по сфере ответственности) вариантов определяется в этом случае числом размещений из 20 элементов по 5.

Геометрическое определение вероятности

Пусть случайное испытание можно представить себе как бросание точки наудачу в некоторую геометрическую область G (на прямой, плоскости или пространстве). Элементарные исходы – это отдельные точки G, любое событие – это подмножество этой области, пространства элементарных исходов G. Можно считать, что все точки G «равноправны» и тогда вероятность попадания точки в некоторое подмножество пропорционально его мере (длине, площади, объему) и не зависит от его расположения и формы.

Геометрическая вероятность события А определяется отношением: , где m(G), m(A) – геометрические меры (длины, площади или объемы) всего пространства элементарных исходов и события А.

Пример. На плоскость, разграфленную параллельными полосами шириной 2d, расстояние между осевыми линиями которых равно 2D, наудачу брошен круг радиуса r (). Найти вероятность того, что круг пересечет некоторую полосу.

Решение. В качестве элементарного исхода этого испытания будем считать расстояние x от центра круга до осевой линии ближайшей к кругу полосы. Тогда все пространство элементарных исходов – это отрезок . Пересечение круга с полосой произойдетв том случае, если его центр попадет в полосу, т.е., или будет находится от края полосы на расстоянии меньшем чем радиус, т.е..

Для искомой вероятности получаем: .

Классификация событий на возможные, вероятные и случайные. Понятия простого и сложного элементарного события. Операции над событиями. Классическое определение вероятности случайного события и её свойства. Элементы комбинаторики в теории вероятностей. Геометрическая вероятность. Аксиомы теории вероятностей.

1. Классификация событий

Одним из основных понятий теории вероятностей является понятие события. Под событием понимают любой факт, который может произойти в результате опыта или испытания. Под опытом, или испытанием, понимается осуществление определённого комплекса условий.

Примеры событий:

– попадание в цель при выстреле из орудия (опыт - произведение выстрела; событие - попадание в цель);

– выпадение двух гербов при трёхкратном бросании монеты (опыт - трёхкратное бросание монеты; событие - выпадение двух гербов);

– появление ошибки измерения в заданных пределах при измерении дальности до цели (опыт - измерение дальности; событие - ошибка измерения).

Можно привести бесчисленное множество подобных примеров. События обозначаются заглавными буквами латинского алфавита и т д.

Различают события совместные и несовместные. События называются совместными, если наступление одного из них не исключает наступления другого. В противном случае события называются несовместными. Например, подбрасываются две игральные кости. Событие -выпадание трех очков на первой игральной кости, событие- выпадание трех очков на второй кости.и- совместные события. Пусть в магазин поступила партия обуви одного фасона и размера, но разного цвета. Событие- наудачу взятая коробка окажется с обувью черного цвета, событие- коробка окажется с обувью коричневого цвета,и- несовместные события.

Событие называется достоверным, если оно обязательно произойдет в условиях данного опыта.

Событие называется невозможным, если оно не может произойти в условиях данного опыта. Например, событие, заключающееся в том, что из партии стандартных деталей будет взята стандартная деталь, является достоверным, а нестандартная - невозможным.

Событие называется возможным, или случайным, если в результате опыта оно может появиться, но может и не появиться. Примером случайного события может служить выявление дефектов изделия при контроле партии готовой продукции, несоответствие размера обрабатываемого изделия заданному, отказ одного из звеньев автоматизированной системы управления.

События называются равновозможными, если по условиям испытания ни одно из этих событий не является объективно более возможным, чем другие. Например, пусть магазину поставляют электролампочки (причем в равных количествах) несколько заводов-изготовителей. События, состоящие в покупке лампочки любого из этих заводов, равновозможны.

Важным понятием является полная группа событий. Несколько событий в данном опыте образуют полную группу, если в результате опыта обязательно появится хотя бы одно из них. Например, в урне находится десять шаров, из них шесть шаров красных, четыре белых, причем пять шаров имеют номера. - появление красного шара при одном извлечении,- появление белого шара,- появление шара с номером. Событияобразуют полную группу совместных событий.

Введем понятие противоположного, или дополнительного, события. Под противоположным событием понимается событие, которое обязательно должно произойти, если не наступило некоторое событие. Противоположные события несовместны и единственно возможны. Они образуют полную группу событий. Например, если партия изготовленных изделий состоит из годных и бракованных, то при извлечении одного изделия оно может оказаться либо годным - событие, либо бракованным- событие.

2. Операции над событиями

При разработке аппарата и методики исследования случайных событий в теории вероятностей очень важным является понятие суммы и произведения событий.

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

"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.