Вероятность того, что деталь находится только в одном ящике, равна

ТЕОРИЯ ВЕРОЯТНОСТЕЙ.

 

Основные понятия.

Определение. Событием называется всякий факт, который может произойти или не произойти в результате опыта.

При этом тот или иной результат опыта может быть получен с различной степенью возможности. Т.е. в некоторых случаях можно сказать, что одно событие произойдет практически наверняка, другое практически никогда.

В отношении друг друга события также имеют особенности, т.е. в одном случае событие А может произойти совместно с событием В, в другом – нет.

 

Определение. События называются несовместными, если появление одного из них исключает появление других.

Классическим примером несовместных событий является результат подбрасывания монеты – выпадение лицевой стороны монеты исключает выпадение обратной стороны (в одном и том же опыте).

 

Определение. Полной группой событий называется совокупность всех возможных результатов опыта.

 

Определение. Достоверным событием называется событие, которое наверняка произойдет в результате опыта. Событие называется невозможным, если оно никогда не произойдет в результате опыта.

Например, если из коробки, содержащей только красные и зеленые шары, наугад вынимают один шар, то появление среди вынутых шаров белого – невозможное событие. Появление красного и появление зеленого шаров образуют полную группу событий.

 

Определение. События называются равновозможными, если нет оснований считать, что одно из них появится в результате опыта с большей вероятностью.

В приведенном выше примере появление красного и зеленого шаров – равновозможные события, если в коробке находится одинаковое количество красных и зеленых шаров.

Если же в коробке красных шаров больше, чем зеленых, то появление зеленого шара – событие менее вероятное, чем появление красного.

 

Исходя из этих общих понятий можно дать определение вероятности.

 

Определение. Вероятностью события А называется математическая оценка возможности появления этого события в результате опыта. Вероятность события А равна отношению числа, благоприятствующих событию А исходов опыта к общему числу попарно несовместных исходов опыта, образующих полную группу событий.

 

 

Исход опыта является благоприятствующим событию А, если появление в результате опыта этого исхода влечет за собой появление события А.

Очевидно, что вероятность достоверного события равна единице, а вероятность невозможного – равна нулю. Таким образом, значение вероятности любого события – есть положительное число, заключенное между нулем и единицей.

 

Пример. В коробке находится 10 шаров. 3 из них красные, 2 – зеленые, остальные белые. Найти вероятность того, что вынутый наугад шар будет красным, зеленым или белым.

 

Появление красного, зеленого и белого шаров составляют полную группу событий. Обозначим появление красного шара – событие А, появление зеленого – событие В, появление белого – событие С.

Тогда в соответствием с записанными выше формулами получаем:

 

Отметим, что вероятность наступления одного из двух попарно несовместных событий равна сумме вероятностей этих событий.

 

Определение. Относительной частотой события А называется отношение числа опытов, в результате которых произошло событие А к общему числу опытов.

Отличие относительной частоты от вероятности заключается в том, что вероятность вычисляется без непосредственного произведения опытов, а относительная частота – после опыта.

Так в рассмотренном выше примере, если из коробки наугад извлечено 5 шаров и 2 из них оказались красными, то относительная частота появления красного шара равна:

Как видно, эта величина не совпадает с найденной вероятностью.

 

При достаточно большом числе произведенных опытов относительная частота изменяется мало, колеблясь около одного числа. Это число может быть принято за вероятность события.

 

Вообще говоря, классическое определение вероятности – довольно относительное.

Это обусловлено тем, что на практике сложно представить результат опыта в виде совокупности элементарных событий, доказать, что события равновероятные.

К примеру при произведении опыта с подбрасыванием монеты на результат опыта могут влиять такие факторы как несимметричность монеты, влияние ее формы на аэродинамические характеристики полета, атмосферные условия и т.д.

 

Классическое определение вероятности неприменимо к испытаниям с бесконечным числом исходов. Чтобы преодолеть этот недостаток вводится понятие геометрической вероятности, т.е. вероятности попадания точки в какой – либо отрезок или часть плоскости (пространства).

Так если на отрезке длиной L выделен отрезок длины l, то вероятность попадания наугад взятой точки в отрезок l равна отношению l/L.

 

Операции над событиями.

 

Определение. События А и В называются равными, если осуществление события А влечет за собой осуществление события В и наоборот.

 

Определение. Объединением или суммой событий А_k называется событие A, которое означает появление хотя бы одного из событий А_k.

 

Определение. Пересечением или произведением событий A_k называется событие А, которое заключается в осуществлении всех событий A_k.

 

Определение. Разностью событий А и В называется событие С, которое означает, что происходит событие А, но не происходит событие В.

 

Определение. Дополнительным к событию А называется событие , означающее, что событие А не происходит.

 

Определение. Элементарными исходами опыта называются такие результаты опыта, которые взаимно исключают друг друга и в результате опыта происходит одно из этих событий, также каково бы ни было событие А, по наступившему элементарному исходу можно судить о том, происходит или не происходит это событие.

Совокупность всех элементарных исходов опыта называется пространством элементарных событий.

 

 

Теорема (сложения вероятностей). Вероятность суммы двух несовместных событий равна сумме вероятностей этих событий.

Следствие 1: Если события образуют полную группу несовместных событий, то сумма их вероятностей равна единице.

 

Определение. Противоположными называются два несовместных события, образующие полную группу.

 

Теорема. Вероятность появления хотя бы одного из двух совместных событий равна сумме вероятностей этих событий без вероятности их совместного появления.

 

Следствие 2: Сумма вероятностей противоположных событий равна единице.

 

Определение. Событие А называется независимым от события В, вероятность события А не зависит от того, произошло событие В или нет. Событие А называется зависимым от события В, если вероятность события А меняется в зависимости от того, произошло событие В или нет.

 

 

Определение. Вероятность события В, вычисленная при условии, что имело место событие А, называется условной вероятностью события В.

 

 

Теорема. (Умножения вероятностей) Вероятность произведения двух событий (совместного появления этих событий) равна произведению вероятности одного из них на условную вероятность другого, вычисленную при условии, что первое событие уже наступило.

 

 

Также можно записать:

Доказательство этой теоремы непосредственно вытекает из определения условной вероятности.

 

Если события независимые, то , и теорема умножения вероятностей принимает вид:

 

В случае произведения нескольких зависимых событий вероятность равна произведению одного из них на условные вероятности всех остальных при условии, что вероятность каждого последующего вычисляется в предположении, что все остальные события уже совершились.

 

 

 

Из теоремы произведения вероятностей можно сделать вывод о вероятности появления хотя бы одного события.

Если в результате испытания может появиться п событий, независимых в совокупности, то вероятность появления хотя бы одного из них равна

 

 

Здесь событие А обозначает наступление хотя бы одного из событий A_i, а q_i – вероятность противоположных событий .

 

Пример. Из полной колоды карт (52 шт.) одновременно вынимают четыре карты. Найти вероятность того, что среди этих четырех карт будет хотя бы одна бубновая или одна червонная карта.

 

Обозначим появление хотя бы одной бубновой карты – событие А, появление хотя бы одной червонной карты – событие В. Таким образом нам надо определить вероятность события С = А + В.

Кроме того, события А и В – совместны, т.е. появление одного из них не исключает появления другого.

Всего в колоде 13 червонных и 13 бубновых карт.

При вытаскивании первой карты вероятность того, что не появится ни червонной ни бубновой карты равна , при вытаскивании второй карты - , третьей - , четвертой - .

Тогда вероятность того, что среди вынутых карт не будет ни бубновых, ни червонных равна .

Тогда

 

 

Пример. Чему равна вероятность того, что при бросании трех игральных костей 6 очков появится хотя бы на одной из костей?

 

Вероятность выпадения 6 очков при одном броске кости равна . Вероятность того, что не выпадет 6 очков - . Вероятность того, что при броске трех костей не выпадет ни разу 6 очков равна .

 

Тогда вероятность того, что хотя бы один раз выпадет 6 очков равна .

 

 

Пример. В барабане револьвера находятся 4 патрона из шести в произвольном порядке. Барабан раскручивают, после чего нажимают на спусковой крючок два раза. Найти вероятности хотя бы одного выстрела, двух выстрелов, двух осечек.

 

Вероятность выстрела при первом нажатии на курок (событие А) равна , вероятность осечки - Вероятность выстрела при втором нажатии на курок зависит от результата первого нажатия.

Так если в первом случае произошел выстрел, то в барабане осталось только 3 патрона, причем они распределены по 5 гнездам, т.к. при втором нажатии на курок напротив ствола не может оказаться гнездо, в котором был патрон при первом нажатии на курок.

Условная вероятность выстрела при второй попытке - если в первый раз был выстрел, - если в первый раз произошла осечка.

Условная вероятность осечки во второй раз - , если в первый раз произошел выстрел, - если в первый раз была осечка.

Рассмотрим вероятности того, что во втором случае произойдет выстрел (событие В) или произойдет осечка (событие ) при условии, что в первом случае произошел выстрел (событие А) или осечка (событие ).

 

- два выстрела подряд

- первая осечка, второй выстрел

- первый выстрел, вторая осечка

- две осечки подряд

Эти четыре случая образуют полную группу событий (сумма их вероятностей равна единице)

Анализируя полученные результаты, видим, что вероятность хотя бы одного выстрела равна сумме

 

Теперь рассмотрим другой случай. Предположим, что после первого нажатия на курок барабан раскрутили и опять нажали на курок.

Вероятности первого выстрела и первой осечки не изменились - , Условные вероятности второго выстрела и осечки вычисляются из условия, что напротив ствола может оказаться то же гнездо, что и в первый раз.

Условная вероятность выстрела при второй попытке - если в первый раз был выстрел, - если в первый раз произошла осечка.

Условная вероятность осечки во второй раз - , если в первый раз произошел выстрел, - если была осечка.

Тогда:

- два выстрела подряд

- первая осечка, второй выстрел

- первый выстрел, вторая осечка

- две осечки подряд

 

В этом случае вероятность того, что произойдет хотя бы один выстрел, равна

 

 

Пример. Два стрелка стреляют по мишени. Вероятность попадания в мишень при одном выстреле для первого стрелка равна 0, 7, а для второго – 0, 8. Найти вероятность того, что при одном залпе в мишень попадает только один из стрелков.

 

Обозначим попадание в цель первым стрелком – событие А, вторым – событие В, промах первого стрелка – событие , промах второго – событие .

 

Вероятность того, что первый стрелок попадет в мишень, а второй – нет равна

Вероятность того, что второй стрелок попадет в цель, а первый – нет равна

Тогда вероятность попадания в цель только одним стрелком равна

Тот же результат можно получить другим способом – находим вероятности того, что оба стрелка попали в цель и оба промахнулись. Эти вероятности соответственно равны:

Тогда вероятность того, что в цель попадет только один стрелок равна:

 

 

Пример. Вероятность того, что взятая наугад деталь из некоторой партии деталей, будет бракованной равна 0, 2. Найти вероятность того, что из трех взятых деталей 2 окажется не бракованными.

 

Обозначим бракованную деталь – событие А, не бракованную – событие .

Если среди трех деталей оказывается только одна бракованная, то это возможно в одном из трех случаев: бракованная деталь будет первой, второй или третьей.

 

 

Пример. Вероятности того, что нужная деталь находится в первом, втором, третьем или четвертом ящике, соответственно равны 0, 6, 0, 7, 0, 8, 0, 9. Найти вероятности того, что эта деталь находится: а) не более, чем в трех ящиках; б) не менее, чем в двух ящиках.

 

а) Вероятность того, что данная деталь находится во всех четырех ящиках, равна

Вероятность того, что нужная деталь находиться не более, чем в трех ящиках равна вероятности того, что она не находится во всех четырех ящиках.

.

 

б) Вероятность того, что нужная деталь находится не менее, чем в двух ящиках, складывается из вероятностей того, что деталь находиться только в двух ящиках, только в трех ящиках, только в четырех ящиках. Конечно, эти вероятности можно посчитать, а потом сложить, однако, проще поступить иначе. Та же вероятность равна вероятности того, что деталь не находится только в одном ящике и имеется вообще.

Формула полной вероятности.

 

Пусть некоторое событие А может произойти вместе с одним из несовместных событий , составляющих полную группу событий. Пусть известны вероятности этих событий и условные вероятности наступления события А при наступлении события H_i .

 

Теорема. Вероятность события А, которое может произойти вместе с одним из событий , равна сумме парных произведений вероятностей каждого из этих событий на соответствующие им условные вероятности наступления события А.

 

Фактически эта формула полной вероятности уже использовалась при решении примеров, приведенных выше, например, в задаче с револьвером.

 

Пример. Один из трех стрелков производит два выстрела. Вероятность попадания в цель при одном выстреле для первого стрелка равна 0, 4, для второго – 0, 6, для третьего – 0, 8. Найти вероятность того, что в цель попадут два раза.

 

Вероятность того, что выстрелы производит первый, второй или третий стрелок равна .

Вероятности того, что один из стрелков, производящих выстрелы, два раза попадает в цель, равны:

 

- для первого стрелка:

- для второго стрелка:

- для третьего стрелка:

 

Искомая вероятность равна:

 

Доказательство.

 

По Теореме умножения вероятностей получаем:

 

Тогда если .

Для нахождения вероятности P(A) используем формулу полной вероятности.

 

Если до испытания все гипотезы равновероятны с вероятностью , то формула Бейеса принимает вид:

 

 

 

Повторение испытаний.

Формула Бернулли.

 

Если производится некоторое количество испытаний, в результате которых может произойти или не произойти событие А, и вероятность появления этого события в каждом из испытаний не зависит от результатов остальных испытаний, то такие испытания называются независимыми относительно события А.

Допустим, что событие А наступает в каждом испытании с вероятностью Р(А)=р. Определим вероятность Р_{т, п} того, что в результате п испытаний событие А наступило ровно т раз.

Эту вероятность в принципе можно посчитать, используя теоремы сложения и умножения вероятностей, как это делалось в рассмотренных выше примерах. Однако, при достаточно большом количестве испытаний это приводит к очень большим вычислениям. Таким образом, возникает необходимость разработать общий подход к решению поставленной задачи. Этот подход реализован в формуле Бернулли. (Якоб Бернулли (1654 – 1705) – швейцарский математик)

 

Пусть в результате п независимых испытаний, проведенных в одинаковых условиях, событие А наступает с вероятностью Р(А) = р, а противоположное ему событие с вероятностью .

Обозначим A_i – наступление события А в испытании с номером i. Т.к. условия проведения опытов одинаковые, то эти вероятности равны.

Если в результате п опытов событие А наступает ровно т раз, то остальные п-т раз это событие не наступает. Событие А может появиться т раз в п испытаниях в различных комбинациях, число которых равно количеству сочетаний из п элементов по т. Это количество сочетаний находится по формуле:

Вероятность каждой комбинации равна произведению вероятностей:

Применяя теорему сложения вероятностей несовместных событий, получаем формулу Бернулли:

 

Формула Бернулли важна тем, что справедлива для любого количества независимых испытаний, т.е. того самого случая, в котором наиболее четко проявляются законы теории вероятностей.

 

Пример. По цели производится 5 выстрелов. Вероятность попадания для каждого выстрела равна 0, 4. Найти вероятность того, что в цель попали не менее трех раз.

 

Вероятность не менее трех попаданий складывается из вероятности пяти попаданий, четырех попаданий и трех попаданий.

Т.к. выстрелы независимы, то можно применить формулу Бернулли вероятности того, что в т испытаниях событие в вероятностью р наступает ровно п раз.

 

 

В случае пяти попаданий из пяти возможных:

 

Четыре попадания из пяти выстрелов:

 

Три попадания из пяти:

 

Окончательно, получаем вероятность не менее трех попаданий из пяти выстрелов:

 

Случайные величины.

 

Выше рассматривались случайные события, являющиеся качественной характеристикой случайного результата опыта. Для получения количественной характеристики вводится понятие случайной величины.

 

Определение. Случайной величиной называется величина, которая в результате опыта может принимать то или иное значение, причем заранее известно какое именно.

Случайные величины можно разделить на две категории.

 

Определение. Дискретной случайной величиной называется такая величина, которая в результате опыта может принимать определенные значения с определенной вероятностью, образующие счетное множество (множество, элементы которого могут быть занумерованы).

Это множество может быть как конечным, так и бесконечным.

Например, количество выстрелов до первого попадания в цель является дискретной случайной величиной, т.к. эта величина может принимать и бесконечное, хотя и счетное количество значений.

 

Определение. Непрерывной случайной величиной называется такая величина, которая может принимать любые значения из некоторого конечного или бесконечного промежутка.

Очевидно, что число возможных значений непрерывной случайной величины бесконечно.

 

Для задания случайной величины недостаточно просто указать ее значение, необходимо также указать вероятность этого значения.

 

Распределение Пуассона.

(Симеон Дени Пуассон (1781 – 1840) – французский математик)

 

Пусть производится п независимых испытаний, в которых появление события А имеет вероятность р. Если число испытаний п достаточно велико, а вероятность появления события А в каждом испытании мало (p£ 0, 1), то для нахождения вероятности появления события А k раз находится следующим образом.

 

Сделаем важное допущение – произведение пр сохраняет постоянное значение:

 

Практически это допущение означает, что среднее число появления события в различных сериях испытаний (при разном п) остается неизменным.

 

По формуле Бернулли получаем:

 

Найдем предел этой вероятности при п®¥.

 

 

Получаем формулу распределения Пуассона:

 

 

 

Если известны числа l и k, то значения вероятности можно найти по соответствующим таблицам распределения Пуассона.

 

 

Вычисление дисперсии.

 

Теорема. Дисперсия равна разности между математическим ожиданием квадрата случайной величины Х и квадратом ее математического ожидания.

 

Доказательство. С учетом того, что математическое ожидание М(Х) и квадрат математического ожидания М²(Х) – величины постоянные, можно записать:

 

 

 

 

Применим эту формулу для рассмотренного выше примера:

 

X
X2
p	0, 0625	0, 375	0, 5625

 

 

 

Свойства дисперсии.

 

 

1) Дисперсия постоянной величины равна нулю.

 

2) Постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат.

 

3) Дисперсия суммы двух независимых случайных величин равна сумме дисперсий этих величин.

 

4) Дисперсия разности двух независимых случайных величин равна сумме дисперсий этих величин.

Справедливость этого равенства вытекает из свойства 2.

 

 

Теорема. Дисперсия числа появления события А в п независимых испытаний, в каждом из которых вероятность р появления события постоянна, равна произведению числа испытаний на вероятности появления и непоявления события в каждом испытании.

 

 

Функция распределения.

 

Во всех рассмотренных выше случаях случайная величина определялась путем задания значений самой величины и вероятностей этих значений.

Однако, такой метод применим далеко не всегда. Например, в случае непрерывной случайной величины, ее значения могут заполнять некоторый произвольный интервал. Очевидно, что в этом случае задать все значения случайной величины просто нереально.

Даже в случае, когда это сделать можно, зачастую задача решается чрезвычайно сложно. Рассмотренный только что пример даже при относительно простом условии (приборов только четыре) приводит к достаточно неудобным вычислениям, а если в задаче будет несколько сотен приборов?

Поэтому встает задача по возможности отказаться от индивидуального подхода к каждой задаче и найти по возможности наиболее общий способ задания любых типов случайных величин.

 

Пусть х – действительное число. Вероятность события, состоящего в том, что Х примет значение, меньшее х, т.е. Х < x, обозначим через F(x).

 

Определение. Функцией распределения называют функцию F(x), определяющую вероятность того, что случайная величина Х в результате испытания примет значение, меньшее х.

Функцию распределения также называют интегральной функцией.

Функция распределения существует как для непрерывных, так и для дискретных случайных величин. Она полностью характеризует случайную величину и является одной из форм закона распределения.

Для дискретной случайной величины функция распределения имеет вид:

Знак неравенства под знаком суммы показывает, что суммирование распространяется на те возможные значения случайной величины, которые меньше аргумента х.

Функция распределения дискретной случайной величины Х разрывна и возрастает скачками при переходе через каждое значение х_i.

 

Так для примера, рассмотренного выше, функция распределения будет иметь вид:

 

Плотность распределения.

Функция распределения полностью характеризует случайную величину, однако, имеет один недостаток. По функции распределения трудно судить о характере распределения случайной величины в небольшой окрестности той или иной точки числовой оси.

 

Определение. Плотностью распределения вероятностей непрерывной случайной величины Х называется функция f(x) – первая производная от функции распределения F(x).

 

Плотность распределения также называют дифференциальной функцией. Для описания дискретной случайной величины плотность распределения неприемлема.

Смысл плотности распределения состоит в том, что она показывает как часто появляется случайная величина Х в некоторой окрестности точки х при повторении опытов.

После введения функций распределения и плотности распределения можно дать следующее определение непрерывной случайной величины.

 

Определение. Случайная величина Х называется непрерывной, если ее функция распределения F(x) непрерывна на всей оси ОХ, а плотность распределения f(x) существует везде, за исключением( может быть, конечного числа точек.

 

Зная плотность распределения, можно вычислить вероятность того, что некоторая случайная величина Х примет значение, принадлежащее заданному интервалу.

 

Теорема. Вероятность того, что непрерывная случайная величина Х примет значение, принадлежащее интервалу (a, b), равна определенному интегралу от плотности распределения, взятому в пределах от a до b.

 

 

Доказательство этой теоремы основано на определении плотности распределения и третьем свойстве функции распределения, записанном выше.

 

Геометрически это означает, что вероятность того, что непрерывная случайная величина примет значение, принадлежащее интервалу (a, b), равна площади криволинейной трапеции, ограниченной осью ОХ, кривой распределения f(x) и прямыми x=a и x=b.

 

Функция распределения может быть легко найдена, если известна плотность распределения, по формуле:

 

 

Равномерное распределение.

 

Определение. Непрерывная случайная величина имеет равномерное распределение на отрезке [a, b], если на этом отрезке плотность распределения случайной величины постоянна, а вне его равна нулю.

 

 

Постоянная величина С может быть определена из условия равенства единице площади, ограниченной кривой распределения.

 

f(x)

 

 

 

0 a b x

 

 

Получаем .

 

 

Найдем функцию распределения F(x) на отрезке [a, b].

 

 

F(x)

 

 

 

0 a b x

 

 

Для того, чтобы случайная величина подчинялась закону равномерного распределения необходимо, чтобы ее значения лежали внутри некоторого определенного интервала, и внутри этого интервала значения этой случайной величины были бы равновероятны.

 

Определим математическое ожидание и дисперсию случайной величины, подчиненной равномерному закону распределения.

 

 

 

 

 

Вероятность попадания случайной величины в заданный интервал:

 

 

Функция Лапласа.

 

Найдем вероятность попадания случайной величины, распределенной по нормальному закону, в заданный интервал.

 

 

Обозначим

 

Тогда

 

Т.к. интеграл не выражается через элементарные функции, то вводится в рассмотрение функция

,

 

которая называется функцией Лапласа или интегралом вероятностей.

 

Значения этой функции при различных значениях х посчитаны и приводятся в специальных таблицах.

Ниже показан график функции Лапласа.

 

 

 

 

Функция Лапласа обладает следующими свойствами:

 

1) Ф(0) = 0;

 

12345678910Следующая ⇒

Поделиться: