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

Вероятность того, что нужной деталь нет ни в одном ящике, равна:

Искомая вероятность равна

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 вероятностиуже использовалась при решении примеров, приведенных выше, например, в задаче с револьвером.

Доказательство.

Т.к. события образуют полную группу событий, то событие А можно представить в виде следующей суммы:

Т.к. события несовместны, то и события AH_i тоже несовместны. Тогда можно применить теорему о сложении вероятностей несовместных событий:

При этом

Окончательно получаем:

Теорема доказана.

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:

Формула Бейеса. (формула гипотез)

Пусть имеется полная группа несовместных гипотез с известными вероятностями их наступления . Пусть в результате опыта наступило событие А, условные вероятности которого по каждой из гипотез известны, т.е. известны вероятности .

Требуется определить какие вероятности имеют гипотезы относительно события А, т.е. условные вероятности .

Теорема. Вероятность гипотезы после испытания равна произведению вероятности гипотезы до испытания на соответствующую ей условную вероятность события, которое произошло при испытании, деленному на полную вероятность этого события.

Эта формула называется формулой Бейеса.

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 величинойназывается 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.

Закон распределения дискретной случайной величины.

Определение. Соотношение между возможными значениями случайной величины и их вероятностями называется законом распределения дискретнойслучайной величины.

Закон распределения может быть задан аналитически, в виде таблицы или графически.

Таблица соответствия значений случайной величины и их вероятностей называется рядом распределения.

Графическое представление этой таблицы называется многоугольником распределения. При этом сумма все ординат многоугольника распределения представляет собой вероятность всех возможных значений случайной величины, а, следовательно, равна единице.

Пример. По цели производится 5 выстрелов. Вероятность попадания для каждого выстрела равна 0,4. Найти вероятности числа попаданий и построить многоугольник распределения.

Вероятности пяти попаданий из пяти возможных, четырех из пяти и трех из пяти были найдены выше по формуле Бернулли и равны соответственно:

, ,

Аналогично найдем:

Представим графически зависимость числа попаданий от их вероятностей.

При построении многоугольника распределения надо помнить, что соединение полученных точек носит условный характер. В промежутках между значениями случайной величины вероятность не принимает никакого значения. Точки соединены только для наглядности.

Пример. Вероятность хотя бы одного попадания в мишень стрелком при трех выстрелах равна 0,875. Найти вероятность попадания в мишень при одном выстреле.

Если обозначить р – вероятность попадания стрелком в мишень при одном выстреле, то вероятность промаха при одном выстреле, очевидно, равна (1 – р).

Вероятность трех промахов из трех выстрелов равна (1 – р)³. Эта вероятность равна 1 – 0,875 = 0,125, т.е. в цель не попадают ни одного раза.

Получаем:

Пример. В первой коробке содержится 10 шаров, из них 8 белых; во второй коробке 20 шаров, из них 4 белых. Из каждой коробки наугад извлекли по одному шару, а затем из этих двух шаров наугад берут один шар. Найти вероятность того, что этот шар белый.

Вероятность того, что взятый из первой коробки шар белый - что не белый - .

Вероятность того, что взятый из второй коробки шар белый - что не белый -

Вероятность того, что повторно выбран шар, извлеченный из первой коробки и вероятность того, что повторно выбран шар, извлеченный из второй коробки, равны 0,5.

Вероятность того, что повторно выбран шар, извлеченный из первой коробки, и он белый -

Вероятность того, что повторно выбран шар, извлеченный из второй коробки, и он белый -

Вероятность того, что повторно будет выбран белый шар, равна

Пример. Имеется пять винтовок, три из которых снабжены оптическим прицелом. Вероятность того, что стрелок поразит цель при выстреле из винтовки с оптическим прицелом, равна 0,95, для винтовки без оптического прицела эта вероятность равна 0,7. Найти вероятность того, что цель будет поражена, если стрелок произведет один выстрел из наугад выбранной винтовки.

Вероятность того, что выбрана винтовка с оптическим прицелом, обозначим , а вероятность того, что выбрана винтовка без оптического прицела, обозначим .

Вероятность того, что выбрали винтовку с оптическим прицелом, и при этом цель была поражена , где Р(ПЦ/O) – вероятность поражения цели из винтовки с оптическим прицелом.

Аналогично, вероятность того, что выбрали винтовку без оптического прицела, и при этом цель была поражена , где Р(ПЦ/БO) – вероятность поражения цели из винтовки без оптического прицела.

Окончательная вероятность поражения цели равна сумме вероятностей Р₁ и Р₂, т.к. для поражения цели достаточно, чтобы произошло одно из этих несовместных событий.

Пример. Трое охотников одновременно выстрелили по медведю, который был убит одной пулей. Определить вероятность того, что медведь был убит первым стрелком, если вероятности попадания для этих стрелков равны соответственно 0,3, 0,4, 0,5.

В этой задаче требуется определить вероятность гипотезы уже после того, как событие уже совершилось. Для определения искомой вероятности надо воспользоваться формулой Бейеса. В нашем случае она имеет вид:

В этой формуле Н₁, Н₂, Н₃ – гипотезы, что медведя убьет первый, второй и третий стрелок соответственно. До произведения выстрелов эти гипотезы равновероятны и их вероятность равна .

P(H₁/A) – вероятность того, что медведя убил первый стрелок при условии, что выстрелы уже произведены (событие А).

Вероятности того, что медведя убьет первый, второй или третий стрелок, вычисленные до выстрелов, равны соответственно:

Здесь q₁ = 0,7; q₂ = 0,6; q₃ = 0,5 – вероятности промаха для каждого из стрелков, рассчитаны как q = 1 – p, где р – вероятности попадания для каждого из стрелков.

Подставим эти значения в формулу Бейеса:

Пример. Последовательно послано четыре радиосигнала. Вероятности приема каждого из них не зависят от того, приняты ли остальные сигналы, или нет. Вероятности приема сигналов равны соответственно 0,2, 0,3, 0,4, 0,5. Определить вероятность приема трех радиосигналов.

Событие приема трех сигналов из четырех возможно в четырех случаях:

Для приема трех сигналов необходимо совершение одного из событий А, В, С или D. Таким образом, находим искомую вероятность:

Пример. Двадцать экзаменационных билетов содержат по два вопроса, которые не повторяются. Экзаменующийся знает ответы только на 35 вопросов. Определить вероятность того, что экзамен будет сдан, если для этого достаточно ответить на два вопроса одного билета или на один вопрос одного билета и на указанный дополнительный вопрос из другого билета.

В общей сложности имеется 40 вопросов (по 2 в каждом из 20 билетов). Вероятность того, что выпадает вопрос, на который ответ известен, очевидно, равна .

Для того, чтобы сдать экзамен, требуется совершение одного из трех событий:

1) Событие A – ответили на первый вопрос (вероятность ) и ответили на второй вопрос (вероятность ). Т.к. после успешного ответа на первый вопрос остается еще 39 вопросов, на 34 из которых ответы известны.

2) Событие В – на первый вопрос ответили (вероятность ), на второй – нет (вероятность ), на третий – ответили (вероятность ).

3) Событие С – на первый вопрос не ответили (вероятность ), на второй – ответили (вероятность ), на третий – ответили (вероятность ).

Вероятность того, что при заданных условиях экзамен будет сдан равна:

Пример. Имеются две партии однородных деталей. Первая партия состоит из 12 деталей, 3 из которых - бракованные. Вторая партия состоит из 15 деталей, 4 из которых – бракованные. Из первой и второй партий извлекают по две детали. Какова вероятность того, что среди них нет бракованных деталей.

Вероятность оказаться не бракованной для первой детали, извлеченной из первой партии, равна , для второй детали, извлеченной из первой партии при условии, что первая деталь была не бракованной - .

Вероятность оказаться не бракованной для первой детали, извлеченной из второй партии, равна , для второй детали, извлеченной из второй партии при условии, что первая деталь была не бракованной - .

Вероятность того, что среди четырех извлеченных деталей нет бракованных, равна:

.

Рассмотрим тот же пример, но несколько с другим условием.

Пример. Имеются две партии однородных деталей. Первая партия состоит из 12 деталей, 3 из которых - бракованные. Вторая партия состоит из 15 деталей, 4 из которых – бракованные. Из первой партии извлекаются наугад 5 деталей, а из второй – 7 деталей. Эти детали образуют новую партию. Какова вероятность достать из них бракованную деталь?

Для того, чтобы выбранная наугад деталь была бы бракованной, необходимо выполнение одного из двух несовместных условий:

1) Выбранная деталь была из первой партии (вероятность - ) и при этом она – бракованная (вероятность - ). Окончательно:

2) Выбранная деталь была из второй партии (вероятность - ) и при этом она – бракованная (вероятность - ). Окончательно:

Окончательно, получаем: .

Пример. В урне 3 белых и 5 черных шаров. Из урны вынимают наугад два шара. Найти вероятность того, что эти шары не одного цвета.

Событие, состоящее в том, что выбранные шары разного цвета произойдет в одном из двух случаев:

1) Первый шар белый (вероятность - ), а второй – черный (вероятность - ).

2) Первый шар черный (вероятность - ), а второй – белый (вероятность - ).

Окончательно получаем:

Биноминальное распределение.

Если производится п независимых испытаний, в каждом из которых событие А может появиться с одинаковой вероятностью р в каждом из испытаний, то вероятность того, что событие не появится, равна q = 1 – p.

Примем число появлений события в каждом из испытаний за некоторую случайную величину Х.

Чтобы найти закон распределения этой случайной величины, необходимо определить значения этой величины и их вероятности.

Значения найти достаточно просто. Очевидно, что в результате п испытаний событие может не появиться вовсе, появиться один раз, два раза, три и т.д. до п раз.

Вероятность каждого значения этой случайной величины можно найти по формуле Бернулли.

Эта формула аналитически выражает искомый закон распределения. Этот закон распределения называется биноминальным.

Пример. В партии 10% нестандартных деталей. Наугад отобраны 4 детали. Написать биноминальный закон распределения дискретной случайной величины Х – числа нестандартных деталей среди четырех отобранных и построить многоугольник полученного распределения.

Вероятность появления нестандартной детали в каждом случае равна 0,1.

Найдем вероятности того, что среди отобранных деталей:

1) Вообще нет нестандартных.

2) Одна нестандартная.

3) Две нестандартные детали.

4) Три нестандартные детали.

5) Четыре нестандартных детали.

Построим многоугольник распределения.

Пример. Две игральные кости одновременно бросают 2 раза. Написать биноминальный закон распределения дискретной случайной величины Х – числа выпадений четного числа очков на двух игральных костях.

Каждая игральная кость имеет три варианта четных очков – 2, 4 и 6 из шести возможных, таким образом, вероятность выпадения четного числа очков на одной кости равна 0,5.

Вероятность одновременного выпадения четных очков на двух костях равна 0,25.

Вероятность того, что при двух испытаниях оба раза выпали четные очки на обеих костях, равна:

Вероятность того, что при двух испытаниях один раз выпали четные очки на обеих костях:

Вероятность того, что при двух испытаниях ни одного раза не выпаде четного числа очков на обеих костях:

ЛЕКЦИЯ 3.

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.

Числовые характеристики дискретных случайных величин.

Закон распределения полностью характеризует случайную величину. Однако, когда невозможно найти закон распределения, или этого не требуется, можно ограничиться нахождением значений, называемых числовыми характеристиками случайной величины. Эти величины определяют некоторое среднее значение, вокруг которого группируются значения случайной величины, и степень их разбросанности вокруг этого среднего значения.

Определение. Математическим ожиданием дискретной случайной величины называется сумма произведений всех возможных значений случайной величины на их вероятности.

Математическое ожидание существует, если ряд, стоящий в правой части равенства, сходится абсолютно.

С точки зрения вероятности можно сказать, что математическое ожидание приближенно равно среднему арифметическому наблюдаемых значений случайной величины.

Свойства математического ожидания.

1) Математическое ожидание постоянной величины равно самой постоянной.

2) Постоянный множитель можно выносить за знак математического ожидания.

3) Математическое ожидание произведения двух независимых случайных величин равно произведению их математических ожиданий.

Это свойство справедливо для произвольного числа случайных величин.

4) Математическое ожидание суммы двух случайных величин равно сумме математических ожиданий слагаемых.

Это свойство также справедливо для произвольного числа случайных величин.

Пусть производится п независимых испытаний, вероятность появления события А в которых равна р.

Теорема. Математическое ожидание М(Х) числа появления события А в п независимых испытаниях равно произведению числа испытаний на вероятность появления события в каждом испытании.

Однако, математическое ожидание не может полностью характеризовать случайный процесс. Кроме математического ожидания надо ввести величину, которая характеризует отклонение значений случайной величины от математического ожидания.

Это отклонение равно разности между случайной величиной и ее математическим ожиданием. При этом математическое ожидание отклонения равно нулю. Это объясняется тем, что одни возможные отклонения положительны, другие отрицательны, и в результате их взаимного погашения получается ноль.

Определение. Дисперсией (рассеиванием) дискретной случайной величины называется математическое ожидание квадрата отклонения случайной величины от ее математического ожидания.

Пример. Для рассмотренного выше примера закон распределения случайной величины имеет вид:

X
p	0,0625	0,375	0,5625

Найти математическое ожидание и дисперсию случайной величины.

Математическое ожидание случайной величины равно:

Возможные значения квадрата отклонения:

Тогда

[X-M(X)]2	2,25	0,25	0,25
p	0,0625	0,375	0,5625

Дисперсия равна:

Однако, на практике подобный способ вычисления дисперсии неудобен, т.к. приводит при большом количестве значений случайной величины к громоздким вычислениям.

Поэтому применяется другой способ.

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.

Среднее квадратическое отклонение.

Определение. Средним квадратическим отклонениемслучайной величины Х называется квадратный корень из дисперсии.

Теорема. Среднее квадратичное отклонение суммы конечного числа взаимно независимых случайных величин равно квадратному корню из суммы квадратов средних квадратических отклонений этих величин.

Пример. Завод выпускает 96% изделий первого сорта и 4% изделий второго сорта. Наугад выбирают 1000 изделий. Пусть Х – число изделий первого сорта в данной выборке. Найти закон распределения, математическое ожидание и дисперсию случайной величины Х.

Выбор каждого из 1000 изделий можно считать независимым испытанием, в котором вероятность появления изделия первого сорта одинакова и равна р = 0,96.

Таким образом, закон распределения может считаться биноминальным.

Пример. Найти дисперсию дискретной случайной величины Х – числа появлений события А в двух независимых испытаниях, если вероятности появления этого события в каждом испытании равны и известно, что М(Х) = 0,9.

Т.к. случайная величина Х распределена по биноминальному закону, то

Пример. Производятся независимые испытания с одинаковой вероятностью появления события А в каждом испытании. Найти вероятность появления события А, если дисперсия числа появлений события в трех независимых испытаниях равна 0,63.

По формуле дисперсии биноминального закона получаем:

Пример. Испытывается устройство, состоящее из четырех независимо работающих приборов. Вероятности отказа каждого из приборов равны соответственно р₁=0,3; p₂=0,4; p₃=0,5; p₄=0,6. Найти математическое ожидание и дисперсию числа отказавших приборов.

Принимая за случайную величину число отказавших приборов, видим что эта случайная величина может принимать значения 0, 1, 2, 3 или 4.

Для составления закона распределения этой случайной величины необходимо определить соответствующие вероятности. Примем .

1) Не отказал ни один прибор.

2) Отказал один из приборов.

0,302.

3) Отказали два прибора.

4) Отказали три прибора.

5) Отказали все приборы.

Получаем закон распределения:

x
x2
p	0,084	0,302	0,38	0,198	0,036

Математическое ожидание:

Дисперсия:

Функция распределения.

Во всех рассмотренных выше случаях слу