Матем анализ 3 семестр вероятность (Лекции 1), страница 3

Можно показать, что из попарной независимости не вытекает независимость в совокупности

Пример 1. Наугад вытаскивается одна карта из тщательно перетасованной колоды в 36 карт.

А – вытащенная карта – дама;

4/36 = 1/9;

1) Дополнительная информация: произошло событие В – вытащена карта бубновой масти, 1/4, =1/36.

А и В – независимы.

2) Дополнительная информация: произошло событие С – вытащена «картинка» (валеты, дамы, короли), =12/36, =4/36.

А и C – зависимы.

Пример 2. На плотной бумаге написано слово «стипендия»

Разрезав надпись на буквы и перемешав их, вытаскиваем наугад шесть букв.

Какова вероятность того, что из вытащенных букв в порядке вытаскивания получится слово «пенсия»?

Р(«пенсия») = Р(п)·Ре/п)·Р(н/пе)·Р(с/пен)·Р(и/пенс)·Р(я/пенси) =

= 1/9· 1/8 · 1/7 · 1/6 · 2/5 · = 1/30240

Решая эту задачу методами комбинаторики, получим

Р(«пенсия») = .

Формула вероятности суммы совместных событий

(теорема сложения вероятностей)

В соответствии со свойством 3) классической вероятности вероятность суммы несовместных событий равна сумме вероятностей этих событий. А если события совместны?

Пусть мы имеем два совместных события А и В. Преобразуем их сумму в сумму несовместных событий (см. диаграмму Венна).

Подставляя второе выражение в первое, получим

. (2.10)

Пример. По мишени один раз стреляют два стрелка. Вероятность попадания первого стрелка в мишень р₁ = 0,7, второго – р₂ = 0,8. Какова вероятность того, что кто-нибудь из них попадет в мишень?

А = А₁ + А₂, где А попадание в мишень;

А₁ – попал первый стрелок;

А₂ – попал второй стрелок.

Р(А) = Р(А₁ + А₂) = Р(А₁) + Р(А₂) – Р(А₁А₂)=

= Р(А₁) + Р(А₂) – Р(А₁ )Р(А₂)=

= 0.7 + 0,8 – 0,7· 0,8 = 0,94.

Получим вероятность суммы трех совместных событий.

Получена формула

Р(А + В + С) = Р(А) + Р(В) + Р(С) – Р(АВ) – Р(АС) – Р(ВС) + Р(АВС) (2.11)

Обобщая полученный результат на сумму n совместных событий, получим формулу

(2.12)

Формула полной вероятности

Пусть требуется определить вероятность события А, которое может произойти в сочетании с одним из событий Н₁, Н₂,…, Н _n, образующих полную группу несовместных событий ( Ø, ). Эти события будем называть гипотезами.

Н₁ Н₂ Н₃

АН₁ АН₂ АН₃

АН_n-2 АН_n-1 АН_n

H_n-2 H_n-1 H_n

В соответствии со свойством 3) вероятности и теоремой умножения вероятностей

(2.13)

Пример. Из n экзаменационных билетов студент знает m («хорошие билеты» ). Что лучше: брать на экзамене билет первым или вторым?

Решение. Введем событие А – студент взял «хороший» билет.

Студент берет билет первым. В этом случае

1. Студент берет билет вторым. Введем две гипотезы:

Н₁ – первый студент взял «хороший» билет, Н₂ = .

Вывод: безразлично, брать билет первым или вторым.

Формула Байеса (теорема гипотез)

В соответствии с теоремой умножения вероятностей

Р(АН_i) = Р(H_i)·Р(А/H_i) = Р(A)·Р(H_i/А).

В это равенство подставим значение Р(А), вычисленное по формуле полной вероятности (2.13) и найдем Р(H_i/А).

Р(Н_i/A) = (2.14)

Это следствие из теоремы умножения и формулы полной вероятности называется формулой Байеса или теоремой гипотез.

В формуле полной вероятности определяется вероятность события до его появления, т.е. до того, как произведен опыт, в котором оно могло появиться. Вероятности гипотез Р(Н_i), входящие в формулу полной вероятности, называют априорными, т.е. «до опытными».

Пусть опыт произведен и его результат известен, т.е. мы знаем, произошло или не произошло событие А. Получившийся результат мог произойти при осуществлении какой-то одной гипотезы Н_i. Дополнительная информация об исходе опыта перераспределяет вероятности гипотез. Эти перераспределенные вероятности гипотез Р(Н_i/A) называют апостериорными , т.е. «после опытными».

Пример В одной из корзин 1 камешек и 4 кусочка хлеба, во второй – 4 камешка и 1 кусочек хлеба. Мышка наугад выбирает корзину, бежит к ней и вытаскивает кусочек хлеба - событие А (предполагается, что он затем вновь возвращается в корзину). Какова вероятность события А? Каковы вероятности того, что второй раз мышка побежит к первой корзине, ко второй корзине? Какова вероятность того, что она второй раз вытащит кусочек хлеба?

Рассмотрим гипотезы

Н₁ – мышка бежит к первой корзине,

Н₂ – мышка бежит ко второй корзине.

Р(Н₁) =1/2 = Р(Н₂) (априорные вероятности)

.

Р(Н₁/A)

Р(Н₂/A) (апостериорные вероятности).

При втором подходе

Мышка обучилась, второй раз она выберет первую корзину с большей вероятностью и добьется большего успеха.

Заметим, что это – один из основных принципов обучения кибернетических систем.

Лекция 3.

Случайные величины

Случайная величина – это величина (число), которая в результате опыта может принимать то или иное значение.

Более строго, случайная величина – это числовая функция случайного события.

Случайная величина называется дискретной, если множество ее значений конечно или счетно. Здесь - алгебра событий. Например, число очков на грани брошенной кости, число бросков монеты до появления герба – дискретные случайные величины.

Случайная величина называется непрерывной, если ее значения заполняют некоторый интервал, возможно, бесконечный. Здесь - сигма - алгебра событий. Например, расстояние от центра мишени при стрельбе, время до отказа прибора, ошибка измерения – непрерывные случайные величины.

Рассмотрим дискретную случайную величину, принимающую значения . Имеем полную группу (иначе, не все значения учтены) несовместных событий . Вероятности этих событий равны соответственно . Будем говорить, что дискретная случайная величина принимает значения с вероятностями .

Законом распределения дискретной случайной величины называется любое соотношение, устанавливающее зависимость между ее значениями и вероятностями , с которыми эти значения достигаются.

Основные формы закона распределения дискретной случайной величины: ряд распределения – таблица

м ногоугольник распределения

p₃

p₂

p₁, p_n

x₁ x₂ x₃ …x_n

Можно задать закон распределения в виде аналитической зависимости, связывающей значения и вероятности .

Рассмотрим непрерывную случайную величину. Для непрерывной случайной величины , поэтому рассматривают события и вероятности этих событий.

Функцией распределения непрерывной случайной величины называется вероятность события . = .

Свойства функции распределения.

1. по аксиомам вероятности,

2. , если , т.е. функция распределения – неубывающая функция. В самом деле, , следовательно, .

3. В самом деле, событие - невозможное, и его вероятность нулевая. Событие - достоверное, и его вероятность равна 1.

4. . Так как события несовместны и событие есть сумма этих событий, то .

График функции распределения имеет, примерно, следующий вид

F(x)

1

x

Функцию распределения можно определить и для дискретной случайной величины. Ее график будет графиком ступенчатой функции со скачками в p_i в точках x_i , непрерывной слева в этих точках.

F(x)

1

p₃

p₂

p₁

x

x₁ x₂ x₃ x_n

Для непрерывной случайной величины вводится плотность распределения вероятностей.

Плотностью распределения (вероятностей) называется производная функции распределения .

Ясно, что .

Часто функцию распределения называют интегральным законом распределения, а плотность распределения – дифференциальным законом распределения. Так как , то p(x)dx называется элементом вероятности.

Свойства плотности распределения.

1. , так как функция распределения – неубывающая функция,

2. (условие нормировки) , так как .

Числовые характеристики случайных величин.

Начальный момент s-го порядка

Для дискретных случайных величин .

Для непрерывных случайных величин .

Математическим ожиданием случайной величины называется ее первый начальный момент m_x = M(x) = .

Для дискретных случайных величин . Если на числовой оси расположить точки с массами , то - абсцисса центра тяжести системы точек. Аналогично, для непрерывных случайных величин имеет смысл центра тяжести кривой распределения.

Свойства математического ожидания.

1. M (C ) = C.

Для дискретных случайных величин x = C, p = 1, M (C ) = x p =С.