![](/user_photo/2706_HbeT2.jpg)
Tom_2
.pdf![](/html/2706/988/html_tuDC1TWZAS.nUGo/htmlconvd-AhM_AY351x1.jpg)
Ck |
= |
Ank |
= |
n! |
|
. |
(3) |
|
(n - k )!k! |
||||||
n |
|
k! |
|
|
|
||
|
|
|
|
|
Пример 2. Три товарища независимо друг от друга возвращаются из дачи электричкой, содержащей 8 вагонов. Какова вероятность того, что они окажутся в разных вагонах?
Решение. Согласно классическому определению вероятности,
P = m . Находим n = 83 и m = A3 |
, тогда P = |
A83 |
|
= |
21 |
. |
□ |
|
|
|
||||
|
|
|
|
|
||||||||||
n |
|
8 |
83 |
|
32 |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
||||||
Пример 3. Из колоды 52 карт наугад извлекаются 4 карты. |
||||||||||||||
Какова вероятность, что они окажутся одной масти? |
|
|
|
|
|
|||||||||
|
m |
, n = C4 , |
m = 4 ×C4 , P = |
|
4×C4 |
|
|
44 |
|
□ |
||||
Решение. P = |
|
|
13 |
= |
|
|
. |
|||||||
|
|
|
|
|||||||||||
|
n |
52 |
13 |
|
|
|
C524 |
|
4165 |
|
|
|||
|
|
|
|
|
|
|
|
|
40. Геометрическая вероятность. В тех случаях, когда пространство элементарных событий Ω содержит бесконечно много элементарных событий, часто возникает понятие геометрической вероятности, которое заключается в следующем.
Под достоверным событием будем понимать некоторую область Ω в n-мерном пространстве. Событиями являются подмножества A Ω , а их вероятности определяются как отношение объемов:
P(A) = |
V (A) |
. |
(4) |
|
|||
|
V (W) |
|
|
Заметим, что при этих определениях 0 ≤ P(A) ≤ P(Ω) =1 |
и, если |
A B , то P(A) ≤ P(B).
Пример 4 (задача о встрече). Два товарища договорились о встрече в промежутке одного часа, причем каждый из них, приходя на встречу, ожидает второго не более 20 минут. Какова вероятность того, что встреча состоится?
t2 |
|
|
Решение. Пусть t1 |
– момент прихода |
||
|
Ω |
одного |
из |
товарищей, |
t2 –второго. В |
|
1 |
|
|||||
|
|
|
качестве |
Ω возьмем единичный квадрат в |
||
|
A |
|
плоскости (t1;t2 ) (рис. 2). |
|
||
|
|
|
|
|||
1 3 |
|
|
Событием является любая область, |
|||
|
|
|
содержащаяся в Ω , а вероятность события |
|||
0 |
1 3 |
1 |
t1 A есть площадь области: |
|
||
|
Рис. 2 |
|
|
|
|
|
354
![](/html/2706/988/html_tuDC1TWZAS.nUGo/htmlconvd-AhM_AY352x1.jpg)
P(A) = |
S(A) |
= |
S(A) |
= S(A) . |
|
S(W) |
1 |
||||
|
|
|
Условие встречи задается неравенством t1 - t2 < 13 , которое определяет область A, заштрихованную на рисунке 2. Тогда
P( A) = S ( A) =1- 2× |
1 |
æ |
2 |
ö2 |
5 |
|
□ |
||
|
ç |
|
÷ |
= |
|
. |
|||
2 |
3 |
9 |
|||||||
|
è |
ø |
|
|
|
§2. Теоремы сложения и умножения вероятностей, условная вероятность
Рассмотрим теоремы сложения и умножения, определения независимых событий.
10. Теорема сложения вероятностей. Найдем вероятность суммы событий, используя классическое определение вероятности. Пусть в результате некоторого эксперимента, состоящего из n исходов, событию A благоприятствуют m1 исходов, а событию B – m2 исходов.
Если при этом одновременному появлению событий A и B
благоприятствуют k исходов, то, очевидно, событию |
A + B будут |
благоприятствовать m1 + m2 - k исходов. Тогда |
|
P( A + B) = P( A) + P(B) - P( A× B) . |
(1) |
Если события A и B несовместны, то из (1) получим теорему сложения вероятностей:
P( A + B) = P( A) + P(B) , |
(2) |
т.е. для несовместных событий вероятность суммы событий равна сумме вероятностей.
Так как A + A = W и A × A = Æ , то P(A + A)= P( A) + P(A) =1 и
P( |
|
)=1- P( A) . |
(3) |
A |
Пример 1. Из группы студентов 10 % знают английский язык, 5 % – французский и 1 % – оба языка. Какова вероятность того, что наугад выбранный студент не знает ни одного иностранного языка?
Решение.
P =1- (0,1+ 0,05 - 0,01) = 0,86 . □
20. Условная вероятность. На практике часто возникают ситуации, когда заранее известно, что некоторое событие B произошло. В этом случае B становится
355
![](/html/2706/988/html_tuDC1TWZAS.nUGo/htmlconvd-AhM_AY353x1.jpg)
достоверным событием, а вероятности всех событий некоторым образом меняются. Тогда говорят об условных вероятностях, P(A B) –
вероятность события A при условии, что B произошло. Пусть имеется всего n исходов, из них m исходов благоприятствуют появлению события B, а k исходов благоприятствуют появлению события A× B
(рис. 1).
Если событие B произошло, то количество всех возможных исходов будет равно m, из них благоприятствующих событию A будет k исходов. Поэтому
k
P(A B)= mk = mn = P( A× B) .
n
Получили формулу для вычисления условных вероятностей:
P( |
A |
B |
)= |
P( A× B) |
. |
(4) |
||
|
||||||||
|
|
|
P(B) |
|
||||
Эта формула справедлива, если P(B) ¹ 0 . |
|
|||||||
Из (4) находим |
|
|
|
|
|
|
|
|
P( A× B) = P(A B)× P(B). |
(5) |
|||||||
Очевидно, что, в силу симметрии, |
|
|||||||
P( A× B) = P(B |
A |
)× P( A). |
|
|||||
Если P(A B)= P( A), |
|
|
|
|
|
|
|
|
|
то |
событие A не |
зависит от B. |
|||||
Следовательно и B не зависит от А, и этом случае говорят, что |
||||||||
события A и B независимы. Тогда |
|
|
|
|
|
|||
P( A× B) = P( A)× P(B) |
(6) |
и мы получаем теорему умножения вероятностей: если события
A и B независимы, то вероятность произведения событий равна произведению их вероятностей.
Отметим, что соотношение (6) можно принять за определение независимости событий A и B.
Пример 2. Среди изделий, выпускаемых заводом, 5 % бракованных, из работоспособных изделий 95 % соответствуют ГОСТу. Какова вероятность того, что наугад взятое изделие будет удовлетворять требованиям ГОСТа?
Решение. Пусть A – событие, заключающееся в том, что изделие удовлетворяет ГОСТу, B – изделие работоспособное. Тогда требуемая вероятность будет равна
356
![](/html/2706/988/html_tuDC1TWZAS.nUGo/htmlconvd-AhM_AY354x1.jpg)
P( A× B) = P(A B)× P(B) = 0,95(1- 0,05) = 0,9025 . □
Пример 3. При приеме сообщений каждый символ искажается с вероятностью 0,01. Какова вероятность того, что слово из 5 букв будет передано правильно?
Решение. Считая передачи сигналов независимыми событиями, используя теорему умножения вероятностей, получим:
p = (1- 0,01)5 = 0,951. □
§ 3. Испытания Бернулли. Формулы полной вероятности и Байеса
Приведем формулы Бернулли, полной вероятности и Байеса.
10. Формула Бернулли. Пусть производится n независимых испытаний, в каждом из которых возможно событие A с вероятностью
p и A – с вероятностью q, p + q =1. Такие испытания называются испытаниями Бернулли. Если наступает событие A, то говорят, что имеет место успех. Найдем Pn (m) – вероятность m успехов из n
испытаний.
Результат испытаний Бернулли можно представить
последовательностью ω = ìA K A |
|
K |
|
ü |
, в которой содержится |
||||
A |
A |
||||||||
i |
í |
14243 14243 |
ý |
|
|
|
|||
|
î |
m |
|
n−m |
þ |
|
|
|
|
ровно m событий A |
и |
(n − m) |
|
событий |
|
. Число таких |
|||
|
A |
последовательностей равно числу способов выбрать m элементов из n элементов, не отличающихся порядком, т.е. числу сочетаний Cnm .
Вероятность появления каждой такой последовательности, ввиду независимости испытаний, равна произведению вероятностей, т.е.
pmqn−m . Так как события ωi несовместны, то по теореме сложения получим, что
P |
(m) = Cm pmqn−m . |
(1) |
n |
n |
|
Эта формула носит название формулы Бернулли.
Пример 1. Завод выпускает изделия, из которых 5 % являются бракованными. Для проверки взяты 5 изделий. Какова вероятность того, что среди них окажется не менее двух бракованных?
Решение. Будем считать успехом, если изделие бракованное.
Тогда вероятность успеха p = 201 , а q = 1920 . Можно считать, что имеются n = 5 испытаний Бернулли с вероятностью успеха p. Пусть
357
![](/html/2706/988/html_tuDC1TWZAS.nUGo/htmlconvd-AhM_AY355x1.jpg)
μ – число успехов, а B – событие, состоящее в том, что μ ³ 2 .
Требуется найти вероятность P(B) = P(μ ³ 2) . Получаем |
|
|
|||||||||||||||
P(m ³ 2) =1- P(m < 2) =1- P(m = 0, m =1) |
=1- éP(m = 0) + P(m =1)ù = |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
ë |
|
|
|
|
|
û |
=1- P (0) - P (1) =1- C0 |
æ |
1 ö0 æ 19 |
ö5 |
- C1 |
æ |
1 ö1 æ 19 |
ö4 |
= |
|||||||||
ç |
|
÷ ç |
|
÷ |
ç |
|
÷ ç |
|
÷ |
||||||||
5 |
|
5 |
|
|
5 |
|
5 |
|
|
||||||||
|
|
|
|
|
|
è |
20 ø è 20 |
ø |
|
è |
20 ø è 20 |
ø |
|
||||
æ 19 |
ö5 |
194 |
@1- 0,774 - 0,204 = 0,022. |
|
|
||||||||||||
=1- ç |
|
÷ - 5× |
|
|
|
|
|||||||||||
|
205 |
|
|
||||||||||||||
è 20 |
ø |
|
|
|
|
|
|
|
|
|
|
|
|
|
20. Наиболее вероятное число успехов. Определим наиболее вероятное число успехов в n испытаниях Бернулли. Для этого
рассмотрим Pn (m) как функцию от |
m и |
сравним |
значения |
|||||||||||
вероятностей Pn (m) |
и Pn (m +1) . |
|
|
|
|
|
|
|
||||||
Если P |
(m) < P (m +1) Þ Cm pmqn−m |
< Cm+1 pm+1qn−(m+1) Þ |
||||||||||||
|
n |
|
|
n |
n |
n |
|
|
|
|
|
|
||
Þ |
|
n! |
|
q < |
n! |
|
p Þ |
|
q |
< |
p |
|
Þ |
|
m!(n - m)! |
(m +1)!(n - (m +1))! |
n |
- m |
m +1 |
||||||||||
|
|
|
|
|
Þ qm + q < pn - pm Þ ( p + q)m < np - q ,
так как p + q =1, то m < np − q .
Значит, при m < np − q указанная функция Pn (m) возрастает, а при m > np − q убывает. Тогда максимум Pn (m) достигается при m, равном
m = [np - q] +1 , |
(2) |
где [np - q] – целая часть числа np − q . Если число np − q – целое, то максимум Pn (m) обеспечивает также число m′ = np - q .
Пример 2. По данным наблюдений, доля солнечных дней в июне составляет 70 %. Найти наиболее вероятное количество солнечных дней.
Решение. Можно считать, что имеются |
n = 30 |
испытаний |
|||
Бернулли с вероятностью успеха |
p = 0,7 . Тогда |
q = 0,3 |
и наиболее |
||
вероятное значение m будет равно m = [30×0,7 - 0,3] +1 = 21. |
□ |
||||
30. Формула полной вероятности. |
|||||
Пусть |
имеется |
набор |
таких |
|
событий |
B1, B2 , K, Bn , |
что |
Bi × Bj = Æ , |
|||
B1 + B2 +K + Bn = W , т.е. сумма |
попарно |
||||
несовместных |
событий |
составляет |
достоверное событие. В этом случае говорят,
358
что события B1, B2 , K, Bn составляют полную группу событий, а
события называют гипотезами. Эти события разбивают пространство Ω на непересекающиеся множества (рис. 1).
Пусть A произвольное событие. Тогда A можно представить в виде суммы несовместных событий:
A = ( A× B1 ) + ( A× B2 ) +K + ( A× Bn ) .
Согласно теореме сложения, имеем
n |
|
P( A) = åP(A× Bk ) . |
|
k=1 |
|
По формуле условной вероятности |
|
P( A× Bk ) = P( A/ Bk ) P(Bk ) , |
|
поэтому |
|
n |
|
P( A) = åP( A/ Bk )P(Bk ) . |
(3) |
k=1
Полученная формула называется формулой полной вероятности.
Пример 3. На экзамене студенту предварительно задается один вопрос. Если он правильно ответит, то с вероятностью 0,8 может сдать экзамен, а если нет, то вероятность сдать экзамен равна 0,2. Студент освоил 80 % всех вопросов. Какова вероятность в результате получить положительную оценку?
Решение. Пусть B1 – событие, состоящее в том, что студенту попадется известный ему вопрос, а B2 – неизвестный, A – положительный исход экзамена. События B1 и B2 образуют полную группу событий, так как B1 × B2 = Æ , B1 + B2 = W . По условию задачи
P(B1 ) = 0,8 ; P(B2 ) = 0,2 ; P( A/ B1 ) = 0,8 ; P( A/ B2 ) = 0,2 .
По формуле полной вероятности получим
P( A) = P( A/ B1 ) P(B1 ) + P( A/ B2 ) P(B2 ) = 0,8×0,8 + 0,2 ×0,2 = 0,68 . □
40. Формула Байеса. Рассмотрим ситуацию, когда исход события A зависит от некоторых других событий B1, B2 , K, Bn , составляющих полную группу событий, и событие A произошло.
Возникает вопрос, какое из событий (гипотез) Bi , влекущих
появление события A, более вероятно?
Для определения вероятностей гипотез и решения этой задачи служит формула Байеса – формула апостериорных (послеопытных) вероятностей:
359
![](/html/2706/988/html_tuDC1TWZAS.nUGo/htmlconvd-AhM_AY357x1.jpg)
|
P(Bk / A) = |
P( A/ Bk ) P(Bk ) |
. |
|
(4) |
||||||||
|
n |
|
|
|
|
||||||||
|
|
|
|
|
åP( A/ Bi )P(Bi ) |
|
|
|
|
||||
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
Доказательство. Так как события Bi , i = |
1,n |
|
образуют полную |
||||||||||
группу событий, то по формуле полной вероятности |
|
|
|||||||||||
|
P( A) |
|
n |
) . |
|
|
|
|
|
||||
|
= åP( A/ Bi )P(Bi |
|
|
|
|
|
|||||||
|
|
|
|
i=1 |
|
|
|
|
|
|
|
||
Используя формулы для условных вероятностей, получим |
|||||||||||||
P(B / A) = |
P( A× Bk ) |
= |
|
P( A/ Bk )P(Bk ) |
= |
|
P( A/ Bk )P(Bk ) |
. |
|||||
|
|
|
|||||||||||
k |
P( A) |
|
|
P( A) |
|
n |
|
|
|
|
|||
|
|
|
|
|
|
|
åP( A/ Bi )P(Bi ) |
||||||
|
|
|
|
|
|
|
|
i=1
Вычисляя вероятности гипотез Bi , можно определить наиболее вероятную гипотезу. □
Пример 4. Во время боевых действий самолет противника выпускает три помехи для дезинформации системы ПВО. Оператор ПВО отличает самолет от помехи с вероятностью 0,9. Точка на экране была принята за самолет. Что более вероятно: появление самолета или помехи?
Решение. Пусть A – событие, заключающее в себе принятое решение, B1 – появление самолета, B2 – помехи. Тогда
P(B ) = |
1 |
; |
P(B |
) = |
3 |
; |
P( A/ B ) = 0,9 ; |
P( A/ B |
) = 0,1 |
|
|
||||||||
1 |
4 |
|
2 |
4 |
|
1 |
2 |
|
|
|
|
|
|
|
|
|
и, по формуле Байеса, P(B1 / A) = P( A/ B(1 )P) (B1 ) , где
P A
P( A) = P( A/ B1 )P(B1 ) + P( A/ B2 )P(B2 ) .
Получим P( A) = 0,9 ×0,25 + 0,1×0,75 = 0,3 ,
P(B / A) = 0,9×0,25 |
= 0,75 |
, P(B / A) = |
0,1×0,75 |
= 0,25, откуда следует, |
|
|
|||||
1 |
0,3 |
|
2 |
0,3 |
|
|
|
|
|
что более вероятно появление самолета. □
§ 4. Случайные величины и законы их распределения
Вводится понятие случайной величины; рассматриваются функции распределения и плотности вероятностей; рассматриваются дискретные
360
и непрерывные случайные величины; определяется независимость случайных величин.
10. Случайные величины. Случайной величиной X (ω), ω Ω ,
называется функция, определенная на множестве элементарных событий Ω . Случайная величина является функцией элементарных исходов ω , поэтому говорят, что случайная величина – это величина, значения которой зависят от случая.
Примеры случайных величин.
1.Число грузовых машин, проезжающих за один час через контрольный пост ГАИ.
2.Время ожидания в очереди.
3.Момент отказа технической системы.
4.Число бракованных изделий, выпускаемых предприятием за определенное время.
Совокупность вероятностей
P{a £ X (ω) < b} |
(1) |
для различных a и b называется распределением случайной величины.
20. Функция распределения. Рассматривая для любого x вероятность события { X (ω) < x} , получим функцию действительной переменной, которая называется функцией распределения:
FX (x) = F(x) = P{ X (ω) < x} . |
(2) |
Функция распределения однозначно задает распределение случайной величины, так как по ней находятся вероятности вида
|
P{a £ X (ω) < b} = F (b) - F (a) . |
(3) |
Выведем |
эту формулу. Событие { X (ω) < b} равно |
сумме |
несовместных событий { X (ω) < a} и P{a £ X (ω) < b} , поэтому |
|
|
P{ X (ω) < b} = P{ X (ω) < a} + P{a £ X (ω) < b}. |
(4) |
|
Учитывая определение функции F(x) , получаем |
|
|
|
F(b) = F(a) + P{a £ X (ω) < b}. |
|
Откуда и следует (3). |
|
|
Рассмотрим основные свойства функции распределения. |
|
|
1) |
F(b) = F(a) + P{a £ X (ω) < b}. |
(5) |
Равенство (5) доказано выше. |
|
|
2) Функция распределения есть монотонно неубывающая функция: |
||
|
a < b Þ F (a) £ F (b) . |
(6) |
Этот факт следует из равенства (4).
361
![](/html/2706/988/html_tuDC1TWZAS.nUGo/htmlconvd-AhM_AY359x1.jpg)
3) |
lim F (x) = 0, |
lim F (x) = 1. |
(7) |
|
x→−∞ |
x→+∞ |
|
4) Функция распределения непрерывна слева.
Можно показать, что любая действительная функция, удовлетворяющая перечисленным выше свойствам, является функцией распределения некоторой случайной величины.
Пример 1. Предприятие выпускает изделия, среди которых 60 % стандартных. Наугад выбираются 5 изделий. Найти функцию распределения числа стандартных изделий в выборке.
Решение. Можно считать, |
что имеются |
n = 5 испытаний |
Бернулли с вероятностью успеха |
p = 0,6 , тогда |
q = 0,4 . Найдем |
вероятности m успехов (m = 0,5) по формуле Бернулли:
P |
(0) = C0 |
× 0,60 |
× 0,45 |
= 0,01024 ; |
P |
(1) = C1 |
× 0,61 |
× 0,44 |
= 0,0768 ; |
||
5 |
5 |
|
|
|
|
5 |
|
5 |
|
|
|
P |
(2) = C2 |
× 0,62 |
× 0,43 |
= 0,2304 ; |
P |
(3) = C3 |
× 0,63 |
× 0,42 |
= 0,3456 ; |
||
5 |
5 |
|
|
|
5 |
|
|
5 |
|
|
|
P |
(4) = C4 |
× 0,64 |
×0,41 |
= 0,2592 ; |
P (5) |
= C5 × 0,65 ×0,40 = 0,07776 . |
|||||
5 |
5 |
|
|
|
5 |
|
|
5 |
|
|
|
Тогда: при x ≤ 0
F(x) = P{m < x} = 0;
при 0 < x ≤1
F(x) = P{m < x} = P{m = 0} = 0,01024;
при 1 < x ≤ 2
F (x) = P{m < x} = P{m = 0, m =1} = P5 (0) + P5 (1) = 0,08704 ;
при 2 < x ≤ 3
F (x) = P{m = 0, m =1, m = 2} = 0,08704 + P5 (2) = 0,31744 ;
при 3 < x ≤ 4
F (x) = P{m < x} = P{m = 0,1,2,3} = 0,31744 + P5 (3) = 0,66304 ;
при 4 < x ≤ 5
F (x) = P{m < x} = P{m = 0,1,2,3,4} = 0,66304 + P5 (4) = 0,92224 ;
при x > 5
F (x) = P{m < x} = P{m = 0,1,2,3,4,5} = 0,92224 + 0,07776 =1.
График функции F(x) имеет вид, изображенный на рис. 1:
362
![](/html/2706/988/html_tuDC1TWZAS.nUGo/htmlconvd-AhM_AY360x1.jpg)
F(x)
1
0 |
1 |
2 |
3 |
4 |
5 |
x |
|
|
|
|
|
|
|
Рис.1 □
Пример 2. Функция распределения случайной величины X есть FX (x) . Найти функцию распределения случайной величины Y = a + σX ,
σ > 0 .
Решение.
ì |
x - a ü |
æ x - a ö |
|
||||
FY (x) = P{Y < x} = P{a + sX < x} = P íX < |
|
ý |
= FX ç |
|
÷ . |
□ |
|
s |
s |
||||||
î |
þ |
è |
ø |
|
30. Дискретные случайные величины. Случайная величина X
называется дискретной, если она принимает конечное или счетное множество значений xi , i =1, 2, K Распределение дискретной случайной
величины задается набором значений и их вероятностей: |
|
pi = P{ X = xi }, i =1, 2, K , |
(8) |
где å pi =1.
i
Если число значений X конечно и равно n, то распределение X задается таблицей, называемой также рядом распределения:
|
xi |
|
x1 |
x2 |
… |
xn |
|
|
pi |
|
p1 |
p2 |
… |
pn |
|
Функция F(x) , |
изображенная на рис. 1, представляет собой |
типичный пример функции распределения дискретной случайной в е л и ч и н ы .
40. Непрерывные случайные величины. Случайная величина называется непрерывной, если ее функция распределения F(x)
непрерывна. Для непрерывной случайной величины X вероятность того, что она примет конкретное числовое значение, равна нулю.
Действительно,
{ X = x0} Ì {x0 £ X < x0 + Dx} ,
363