- •1. Основные понятия, определения и теоремы теории вероятностей*
- •1.1. Алгебра событий. Основые понятия теории множеств
- •1.2. Основные определения: испытание, событие. Классификация событий
- •1.3. Классическое определение вероятности. Свойства, вытекающие из этого определения
- •Значение вероятности
- •1.4. Основные теоремы теории вероятностей
- •1.5. Зависимые и независимые события
- •2. Формула полной вероятности и формула Бейеса
- •2.1. Формула полной вероятности
- •3. Случайные величины
- •3.1. Дискретные случайные величины
- •Ряд распределения случайной величины X
- •3.4. Ожидаемое среднее значение дискретной случайной величины
- •Вычисление математического ожидания числа рекламных
- •3.5. Свойства математического ожидания случайной дискретной величины
- •Возможные исходы лотереи
- •3.6. Ожидаемое среднее значение функции случайной величины
- •Ряд распределения числа месячных продаж
- •К вычислению среднего ожидаемого значения
- •3.7. Дисперсия дискретной случайной величины
- •К вычислению дисперсии случайной величины
- •3.9. Дисперсия линейной функции случайной величины
- •4. Законы распределения дискретных случайных величин
- •Формула Бернулли. Биномиальные вероятности
- •4.3. Биномиальный закон распределения
- •Биномиальное распределение
- •Биномиальное распределение X – числа гербов, появляющихся
- •Фрагмент таблиц ряда и функции биномиального распределения
- •Биномиальное распределение числа покупателей
- •Распределения
- •4.5. Распределение Пуассона
- •Закон распределения Пуассона
- •Сравнение вероятностей, полученных по формулам Бернулли и Пуассона
- •4.6. Гипергеометрическое распределение
- •Гипергеометрический закон распределения
- •Биномиальный закон распределения
- •Гипергеометрическое распределение
- •4.7. Производящая функция
- •4.8. Мультиномиальное распределение
- •4.9. Геометрическое распределение
- •5. Непрерывные случайные величины
- •6. Законы распределения непрерывных случайных величин
- •7. Закон больших чисел
- •7.1. Принцип практической уверенности. Формулировка закона больших чисел
- •7.2. Неравенства Маркова и Чебышева
- •7.3. Теорема Чебышева (частный случай)
- •7.4. Теорема Бернулли
- •7.5. Теорема Пуассона
1.5. Зависимые и независимые события
Рассмотрим пример с двумя событиями. Пусть событие А – «извлечение короля», В – «извлечение карты с картинкой». Тогда вероятность появления короля равна 4/52, а вероятность появления короля, если извлеченная карта – картинка, равна 4/16.
Другой пример. В урне два белых и три черных шара. Чему равна вероятность появления белого шара при первом извлечении из урны? При втором извлечении из урны? Здесь возможны два случая.
Первый случай. Схема возвращенного шара, т. е. шар после первого испытания возвращается в урну.
Пусть событие А – «появление белого шара при первом испытании». Так как N = 5, а М = 2, то Р(А) = 2/5.
Пусть событие В – «появление белого шара при втором извлечении». Так как шар после первого испытания возвратился в урну, то N = 5, а М = 2 и Р(В) = 2/5.
Таким образом, вероятность каждого из событий не зависит от того, произошло или не произошло другое событие. События А и В в этом случае называются независимыми. Итак, события А и В называются независимыми, если вероятность каждого из них не зависит от того, произошло или нет другое событие. Вероятности независимых событий называются безусловными.
Второй случай. Схема невозвращенного шара, т. е. шар после первого испытания в урну не возвращается.
Вероятность появления белого шара при первом испытании Р(А) = 2/5. Белый шар в урну не возвращается, следовательно, в урне остались один белый и три черных шара. Чему равна вероятность события В при условии, что событие А произошло? N = 4, М = 1.
Искомую вероятность обозначают Р(В/А) или Р(В)A или РA(В). Итак, Р(В/А) = 1/4 называют условной вероятностью, а события А и В – зависимыми. В предыдущем примере с картами Р(А) = 4/52; Р(А/В) = 4/16.
Итак, события А и В называются зависимыми, если вероятность каждого из них зависит от того, произошло или нет другое событие. Вероятность события В, вычисленная в предположении, что другое событие А уже осуществилось, называется условной вероятностью. Очевидно, что если два события А и В независимые, то справедливы равенства:
Р(В) = Р(В/А), Р(А) = Р(А/В), или Р(В/А) – Р(В) = 0.
■ Теорема умножения вероятностей. Вероятность произведения двух зависимых событий А и В равна произведению вероятности одного из них на условную вероятность другого:
Р(А·В) = Р(А∩В) = Р(В)∙Р(А/В) = Р(A)∙Р(B/A). (1.8)
Произведением событий А и В называют событие, состоящее в одновременном появлении и события А, и события В.
Доказательство. Проиллюстрируем понятие условной вероятности для случая равновозможных элементарных исходов, где применимо классическое определение вероятности. Пусть даны два события А, В, такие, что Р(А) ≠ 0 и P(B) ≠ 0, и пусть из всех возможных N исходов событию А благоприятствуют М исходов, событию В благоприятствуют К исходов, событию А и В благоприятствуют L исходов. Вероятности событий А, В, А·В соответственно равны Р(А) = M/N, Р(В) = K/N, Р(А·В) = L/N.
Подсчитаем условную вероятность события В/А. Событию В/А будут благоприятствовать L исходов из М исходов. Тогда Р(В/А) = = L/M. Разделим числитель и знаменатель дроби на N и получим
, (1.9)
где Р(А) ≠ 0.
Вероятность наступления события В, вычисленная при условии, что событие А уже произошло, равна вероятности пересечения событий А и В, деленной на вероятность события А. Из формулы (1.10) следует (1.9).
Пример. Проиллюстрируем формулу (1.9). Предположим, мы подбросили игральную кость. Пусть событие А – «появилось число 6». Мы знаем, что Р(А) = 1/6. Предположим, мы не знаем, какое именно число выпало при подбрасывании, но знаем, что оно четное (событие Е). Информация о событии Е уменьшает наше пространство событий, изменяет вероятность появления события А.
Пространство событий (полная группа событий) для первоначального события А выглядит как набор точек от 1 до 6. Пространство событий, корреспондирующее с событием В, уменьшилось сразу в два раза. Новое пространство имеет три равновозможные точки, отсюда вероятность выпадения «6» при условии, что выпавшее число – четное, возрастает от 1/6 до 1/3. Этот пример хорошо показывает обоснованность принятого определения вероятности. Из уравнения (1.9) имеем P(A/E) = P(A∩E) / P(E) = (1/6) / (1/2) = 1/3.
Полученный результат согласуется с тем, что мы поняли из рассмотренного примера, когда уменьшали пространство событий до трех точек.
Пример 1.6. Консультационная фирма претендует на два заказа от двух крупных корпораций. Эксперты фирмы считают, что вероятность получения консультационной работы в корпорации А (событие А) равна 0,45. По предположению экспертов, если фирма получит заказ у корпорации А, то вероятность того, что и корпорация В обратится к ним, равна 0,9. Какова вероятность получения консультационной фирмой обоих заказов?
Решение. Согласно условиям Р(А) = 0,45, Р(В/А) = 0,9.
Необходимо найти P(A·B), которая является вероятностью того, что оба события (и событие А, и событие В) произойдут. Из формулы (1.8) имеем:
Р(А·В) = Р(А)∙Р(В/А) = 0,45∙0,9 = 0,405.
Пример 1.7. В большой рекламной фирме 21 % работников получают высокую заработную плату. Известно также, что 40 % работников фирмы – женщины, а 6.4 % работников – женщины, получающие высокую заработную плату. Можем ли мы утверждать, что на фирме существует дискриминация женщин в оплате труда?
Решение. Сформулируем решение этой задачи в терминах теории вероятностей и спросим: «Чему равна вероятность того, что случайно выбранный работник будет женщиной, имеющей высокую заработную плату?». Определим событие А – «случайно выбранный работник имеет высокую зарплату», событие В – «случайно выбранный работник – женщина», тогда:
Р(А/В) = P(A·B)/P(B) = 0,064/0,40 = 0,16.
Поскольку 0,16 меньше, чем 0,21, то можно заключить, что женщины, работающие в рекламной фирме, имеют меньше шансов получить высокую заработную плату по сравнению с мужчинами. Если события А и В – независимы, то имеет место следующая теорема. Вероятность произведения двух независимых событий А и В равна произведению их вероятностей:
Р(А·В) = Р(A∩В) = P(A)·P(B). (1.10)
■ Независимость событий в совокупности. Если несколько событий попарно независимы, то отсюда еще не следует их независимость в совокупности. Поэтому введем понятие независимых событий в совокупности.
События А1, А2,..., Аn (п > 2) называются независимыми в совокупности, если вероятность каждого из них не зависит от того, произошли или нет любые события из числа остальных. Распространим теоремы умножения на случай п независимых и зависимых в совокупности событий.
Вероятность совместного появления нескольких событий, независимых в совокупности, равна произведению вероятностей этих событий:
P(A1·A2·A3·…·An) = P(А1)· P(A2)·P(A3)·…·P(An). (1.11)
Вероятность совместного наступления конечного числа зависимых событий равна произведению вероятности одного из них на условные вероятности всех остальных, причем условная вероятность каждого последующего события вычисляется в предположении, что все предыдущие уже наступили:
P(A1·A2·A3·…·An) = P(А1)·P(A2/A1)·P(A3/A1·A2)·…·
…P(An/A1·A2·A3·…·An–1). (1.12)
Пример 1.8. Студент пришел на экзамен, изучив только 20 из 25 вопросов программы. Экзаменатор задал студенту три вопроса. Вычислить вероятность того, что студент ответит на все три вопроса.
Решение. Определим следующие события: А – «студент знает все три вопроса»; A1 – «студент знает первый вопрос»; А2 – «студент знает второй вопрос»; А3 – «студент знает третий вопрос». События A1, А2, А3 – зависимые:
P(A) = P(А1)·P(A2/A1)·P(A3/A1·A2) = (20/25) ·(19/24)·(18/23) =
= 57/115 = 0,496.
Пример 1.9. Вероятность того, что потребитель увидит рекламу определенного продукта по телевидению, равна 0,04. Вероятность того, что потребитель увидит рекламу того же продукта на рекламном стенде, равна 0,06. Предполагается, что оба события – независимы. Чему равна вероятность того, что потребитель увидит обе рекламы?
Решение. Поскольку оба события независимы, то вероятность пересечения двух событий (потребитель увидит рекламу и по телевидению и на стенде) есть
Р(АB) = Р(А)·Р(В) = 0,04·0,06 = 0,0024.
Вероятность появления хотя бы одного события из п независимых в совокупности равна разности между 1 и произведением вероятностей событий, противоположных данным:
. (1.13)
Доказательство. Пусть A1, A2,…, An – события независимые в совокупности, а – противоположные им события и тоже независимые в совокупности. Обозначим событием А «наступление хотя бы одного из событий A1, A2,…, An». Рассмотрим событие ( ). Оно является противоположным событием по отношению к А. Следовательно,
Отсюда
.
Если обозначить P(A1) = р1, Р(А2) = р2, ..., Р(Аn) = рn; то P(A) = 1 – q1·q2…·qn. Если события А1, А2,..., Аn имеют одинаковую вероятность, равную p, то вероятность наступления хотя бы одного из них равна: P(A) = 1 – qn.
Если события A1 А2, ..., Аn – зависимые в совокупности, то вероятность наступления хотя бы одного из них соответственно равна:
Возвратимся к условию примера 1.9, определим вероятность того, что потребитель увидит хотя бы одну рекламу.
Решение. Пусть событие С – «потребитель увидит хотя бы одну рекламу». Это значит, что потребитель увидит рекламу или по телевидению, или на стенде, или по телевидению и на стенде. По правилу определения вероятности объединения (суммы) двух событий находим:
P(С) = Р(А + B) = P(A) + P(B) – P(AB) =
= 0,04 + 0,06–0,0024 = 0,0976.
По теореме о вероятности наступления хотя бы одного из и независимых событий P(C) = = 1 – 0,96·0,94 = 0,0976.
Вычисление вероятностей событий такого типа характеризует эффективность рекламы. Эта вероятность может означать долю (процент) населения, охватываемого рекламой с разной частотой, и отсюда следует оценка рекламных усилий.