- •Введение
- •Глава 1. Основные понятия и теоремы теории вероятностей
- •1.4 Элементы комбинаторики
- •1) Правило суммы.
- •2) Правило произведения.
- •3) Перестановки.
- •1.5 Применение комбинаторики для подсчета вероятностей
- •1.7 Формула Байеса. Вероятность оценки гипотез
- •1.8 Независимые повторные испытания. Формула Бернулли
- •1.9 Наивероятнейшее число наступления события
- •1.10 Формула Пуассона
- •1.11 Локальная и интегральная теоремы Муавра-Лапласа
- •Глава 2. Случайные величины
- •2.1.2 Дискретные случайные величины
- •2.1.3 Числовые характеристики дискретной случайной величины
- •Свойства математического ожидания:
- •2.2 Биномиальное распределение дсв
- •Закон распределения такой дсв имеет вид:
- •2.3 Геометрическое распределение дсв
- •2.4 Закон распределения Пуассона
- •2.5 Непрерывные случайные величины и их числовые характеристики
- •2.5.1 Плотность распределения вероятностей
- •2.5.2 Числовые характеристики непрерывной случайной величины
- •2.6 Нормальное распределение и его числовые характеристики
- •2.8 Показательное распределение
- •2.9 Числовые характеристики случайной величины (продолжение). Моменты
- •2.10 Случайные векторы. Закон распределения
- •2.10.1 Случайные векторы
- •2.10.2 Зависимые и независимые случайные величины
- •2.11 Распределения, связанные с нормальными
- •2.11.1 Распределение 2 (распределение к. Пирсона)
- •Функция распределения случайной величины
- •2.11.3 Распределение Фишера-Снедекора (или f-распределение)
- •2.12 Понятие о законе больших чисел
- •2.12.1 Неравенство Маркова
- •2.12.2 Неравенство Чебышева
- •2.12.3 Теорема Чебышева
- •Но т.К. Вероятность не превышает единицы, то справедливо
- •2.12.4 Теорема Бернулли
- •2.12.5 Центральная предельная теорема
- •2.13 Марковские цепи
- •2.13.2 Марковские цепи
- •2.13.3 Пуассоновский процесс
- •Приложения
1.7 Формула Байеса. Вероятность оценки гипотез
Пусть в ходе испытания событие A осуществилось вместе с одним из n попарно несовместных событий (гипотез) H1, H2, ..., Hn, образующих полную группу событий то есть . Найти вероятность каждой отдельной гипотезыH1, H2, ..., Hn, при условии выполнения события A, можно по формуле Байеса.
Вероятность гипотезы Hi при условии, что событие A произошло, обозначим P(Hi|A).
По теореме произведения зависимых событий вероятность одновременного осуществления и события A, и гипотезы Hi равна:
P(AHi)=P(Hi|A)P(A)=P(A|Hi)P(Hi).
Тогда вероятность гипотезы Hi при условии, что событие A произошло, найдем, выразив из последних двух произведений неизвестный множитель P(Hi|A) по формуле
. (1.14)
Заменяя P(A) суммой произведений по формуле полной вероятности, получим:
.
Формула Байеса дает возможность переоценивать вероятности гипотез, принятых до испытаний, по результатам вновь произведенных испытаний (уточнение гипотез).
Задача 19. Рассмотрим подробно ключевую задачу:
Имеются три урны с шарами: в первой - 4 белых и 6 красных, во второй – 7 белых и 3 красных, в третьей – 8 белых и 2 красных. Бросают игральную кость. При выпадении одного, двух, трех очков вынимают шар из первой урны, если выпали четыре очка – из второй, другое количество очков – из третьей урны.
а) Найти вероятность того, что вынутый шар – белый.
б) Вынутый шар оказался белым. Из какой урны наиболее вероятно он мог быть извлечен?
Решение. Примем в качестве гипотез событие Hi – извлечь шар из i-ой урны, где i={1,2,3}.
а) Найдем вероятности гипотез.
Вероятность выпадения одной из трех граней с одним, двумя и тремя очками P(H1)=3/6=1/2 – вероятность первой гипотезы (H1).
Вероятность второй гипотезы (H2) выпадения четырех очков равна P(H2)=1/6.
Вероятность третьей гипотезы (H3) – выпадение других очков, т.е. пяти или шести, равна P(H3)=2/6=1/3. Т.к. гипотезы составляют полную группу событий, то сумма их вероятностей равна единице:
P(H1)+P(H2)+P(H3)=1/2+1/6+1/3=1.
Заметим, что условие выбора гипотезы могло быть записано отношением 3:2:1. Вероятность извлечения белого шара (A), при условии, что он вынут из i-ой урны, равна P(A|Hi). Тогда полная вероятность события A – извлечения белого шара из одной из трех урн равна:
P(A)=∑P(A|Hi)P(Hi)=2/51/2 + 7/101/6 + 4/51/3 = 7/12.
б) Для того, чтобы установить из какой урны наиболее вероятно извлечь белый шар, надо сравнить вероятности извлечения белого шара из каждой урны. Вычислим вероятность гипотез Hi, где i={1,2,3}, при условии, что событие A произошло по формуле 1.14, и занесем все данные в таблицу и вычислим вероятности гипотез при условии, что событиеA произошло, по формуле (1.14).
События |
Вероятности | ||
Гипотезы |
P(Hi) |
P(A|Hi) |
P(Hi|A) |
H1 |
P(H1)=1/2 |
P(A|H1)=2/5 |
P(H1|A)==12/35 |
H2 |
P(H2)=1/6 |
P(A|H2)=7/10 |
P(H2|A)==1/5=7/35 |
H3 |
P(H3)=1/3 |
P(A|H3)=4/5 |
P(H3|A)==16/35 |
P(A) |
P(A)==1/22/5+1/67/10+1/34/5=35/60=7/12 |
Из трех вариантов наибольшая вероятность извлечь белый шар из третьей урны, т.к. вероятность P(H3|A)=16/35 – максимальная. Поэтому можно сделать вероятностный вывод, что белый шар скорее всего извлечен из третьей урны.
Задача 20. Статистика запросов кредитов в банке такова: 10% - государственные органы, 30% - другие банки, остальные – физические лица. Вероятности невозврата взятого кредита соответственно равны: 0.01; 0.05 и 0.2. Найти вероятность невозврата очередного запроса на кредит. Начальнику кредитного отдела доложили, что получено сообщение о невозврате кредита, но в факсовом сообщении имя клиента было плохо пропечатано. Какова вероятность, что данный кредит не возвращает какой-то банк?
Решение. 1) Вероятность невозврата найдем по формуле полной вероятности. Пусть H1 означает, что запрос поступил от государственного органа, H2 – от банка, H3 – от физического лица и событие A – невозврат рассматриваемого кредита. Тогда
=
=0.10.01+0.30.05+0.60.2=0.136.
2) Вероятность того, что данный кредит не возвращает какой-то банк, найдем по формуле Байеса:
.
Задача 21. Из 10 учеников, пришедших на экзамен по математике, 3 ученика подготовились отлично, 4 – хорошо, 2 – удовлетворительно, а 1 – не готовился вообще. Из 20 экзаменационных вопросов первые 3 ученика могут ответить на все 20 вопросов, хорошо подготовившиеся на 16 вопросов, удовлетворительно – на 10, не подготовившийся ученик помнит лишь 5 вопросов с лекций, на которых присутствовал.
Экзаменующийся ученик ответил на все 3 вопроса. Какова вероятность того, что он отличник?
Решение. Введем обозначения:
Пусть A - ученик ответил на Ni вопроса,
событие Н1 – ученик подготовился на “5”,
событие Н2 – ученик подготовился на “4”,
событие Н3 – ученик подготовился на “3”,
событие Н4 – ученик к экзамену не готов.
Тогда Р(Н1)=0.3; Р(Н2)=0.4; Р(Н3)=0.2; Р(Н4)=0.1
Вероятность ответить на все три вопроса для тех, кто подготовился
на “5” – Р(A|Н1)=1,
на “4” – Р(A|Н2)(ответили на 1, и на 2, и на 3 вопрос, а после каждого ответа, количество предлагаемых вопросов на один уменьшалось).
Для троечника Р(A |Н3)=.
Для лентяя Р(A |Н4).
По формуле Байеса найдем вероятность, что ответивший – отличник:
Р(Н1|A)=.
Так как вероятность невелика, учитель не сразу ставит «отлично», а задает дополнительные вопросы.
Задача 22. При обследовании больного у врача возникли подозрения на одно из двух близких по характеру заболеваний Н1 и Н2. Их вероятность в данной ситуации Р(Н1)=0.6 Р(Н2)=0.4, т.е. больной действительно болен или Н1, или Н2. Для уточнения диагноза больной дообследуется, сдав анализы. Если результат дообследования положительный, то вероятность первого заболевания 0.9, если отрицательный, то 0.1. В случае второго заболевания положительная и отрицательная реакции равновероятны.
В результате двукратного проведения дообследования, реакция дважды оказалась отрицательной. Необходимо найти вероятность каждого заболевания Н1 и Н2 после дообследования.
Решение. Обозначим через A событие, заключающееся в отрицательном результате дообследования.
Для заболевания Н1 вероятность Р(A|Н1)=0.10.1=0.01 (и в I, и во II случаях результат анализа отрицательный). Аналогично, для Н2 вероятность Р(A|Н2)=0.50.5=0.25. Найдем вероятность первого заболевания в случае, если произошло событие A, по формуле Байеса:
.
Аналогично
.
Поэтому врач остановился на гипотезе, что у больного второе заболевание.