115597 (592211), страница 5

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 5)

Из этой формулы можно вывести формулу вероятности произведения двух зависимых событий: .

Решим следующую задачу.

Бросается игральный кубик. Какова вероятность того, что выпало число очков, больше трех (событие А), если известно, что выпала четная грань (событие В)?

Решение. Событию В соответствует выпадение чисел 2, 4, 6. Событию А выпадение чисел 4, 5, 6. Событию АВ – 4, 6. Поэтому, используя формулу условной вероятности, получим: .

Пусть некоторое событие А может наступить при условии появлении одного из несовместных событий В₁, В₂, …, В_n.Причем известны вероятности этих событий и известны условные вероятности , , …, . Как можно найти вероятность события А?

Ответ на этот вопрос дает теорема:

Вероятность события А, которое может наступить лишь при условии появлении одного из несовместных событий В₁, В₂, …, В_n, образующих полную группу, равна сумме произведений вероятности каждого из этих событий на собственную условную вероятность: .

Эту формулу также называют формулой полной вероятности.

Данную формулу можно применить для решения следующей задачи.

Для контроля продукции лыжной фабрики из трех партий лыж взята на проверку одна деталь. Какова вероятность выявления бракованной продукции, если в одной партии 2/3 лыж бракованные, а в двух других все доброкачественные?

Решение. Пусть событие В – взятая деталь бракованная, А_к – деталь берется из к-ой партии, тогда вероятность Р(А_к)=1/3, где к =1; 2; 3.

Пусть в первой партии находятся бракованные лыжи, значит , тогда в двух других партиях нет бракованных лыж, то есть: .

Применяя формулу полной вероятности получим:

.

Для введения формулы Бейеса составим задачу. Пусть дано событие А, оно может наступить при появлении одного из несовместных Событий В₁, В₂, …, В_n, которые образуют полную группу. Так, как нам заранее не известно, какое событие наступит, их называют гипотезами. Допустим, что произведено испытание в результате, которого появилось событие А. Поставим своей задачей определить, как изменились вероятности гипотез, в связи с тем, что событие А уже наступило. Другими словами определим следующие условные вероятности: , , …, .

Определить данные вероятности можно при помощи формулы Бейеса:

.

Заменив , получим: .

Прибор состоит из двух узлов; работа каждого узла необходима для работы прибора в целом. Надежность (вероятность безотказной работы) в течении времени t первого узла равна p₁, второго р₂. Прибор испытывался в течении времени t, в результате чего обнаружено, что он отказал. Найдите вероятность того, что отказал первый узел, а второй исправен.

Решение. Пусть событие В – прибор отказал, событие А₁ – оба узла исправны, А₂ – первый узел отказал, а второй испарвен, А₃ – первый узел исправен, а второй узел отказал, А₄ – оба узла отказали. Эти события образуют полную группу событий. Найдем их вероятности: Р(А₁)=р₁ р₂; Р(А₂)=(1-р₁)р₂; Р(А₃)=р₁(1-р₂);Р(А₄)=(1-р₁)(1-р₂). Так как наблюдалось событие В, то , . Применяя формулу Бейеса получим:

.

Изучение случайных величин требует связи этих величин с определенными событиями, которые заключаются в попадании случайной величины в некоторый интервал и для которых определены вероятности. Другими словами необходимо связать случайную величину с полем данного испытания.

Для лучшего понимания, учителю следует привести пример.

При бросании кости могли появиться цифры 1, 2, 3, 4, 5, 6. Наперед определить число выпавших очков невозможно, так как это зависит от многих случайных величин, которые полностью не могут быть учтены. В этом смысле число очков есть величина случайная; и числа 1, 2, 3, 4, 5, 6 – есть возможные значения этой величины.

Случайной называют величину, которая в результате испытания примет одно и только одно возможное значение, наперед неизвестное и зависящее от случайных причин, которые заранее не могут быть учтены.

Будем обозначать случайные величины прописными (заглавными) буквами: X, Y, Z, а их возможные значения соответствующими строчными буквами x, y, z. Если величина Х имеет три значения то они будут обозначены так: х₁, х₂, х₃ .

Обычно рассматриваются два типа случайных величин: дискретные и непрерывные. Рассмотрим следующий пример.

Число мальчиков пошедших в секцию бальных танцев среди 100 пришедших туда людей есть случайная величина, которая может принимать следующие значения 0, 1, 2, …, 100. Эти значения отделены друг от друга промежутками, в которых нет возможных значений Х.

Таким образом, в этом примере случайная величина принимает отдельные изолированные значения. Приведем второй пример.

Расстояние, которое пролетит диск при метании, есть величина случайная. Действительно величина зависит от многих факторов, например от ветра, температуры и других факторов, которые не могут быть полностью учтены. Возможные значения этой величины принадлежат некоторому промежутку (а; b).

В данном примере случайная величина может принять любое из значений промежутка (а; b). Здесь нельзя отделить одно возможное значение от другого промежутком, не содержащим возможных значений случайной величины.

Уже из сказанного можно заключить о том, что целесообразно будет различать случайные величины, принимающие лишь отдельные изолированные значения, и случайные величины, возможные значения которых сплошь заполняют некоторый промежуток. Далее следует дать четкое определение дискретной и непрерывной случайной величины.

Дискретной (прерывной) называют случайную величину, которая принимает отдельные, изолированные возможные значения с определенными вероятностями. Число возможных значений дискретной случайной величины может быть конечным или бесконечным.

Непрерывной называют случайную величину, которая может принимать все значения из некоторого конечного или бесконечного промежутка. Очевидно, число возможных значений непрерывной случайной величины бесконечно.

Примерами непрерывных случайных величин могут быть спортивный результат в беге или прыжках, рост и масса тела человека, сила мышц и другие.

Для задания дискретной случайной величины не достаточно перечислить все возможные ее значения, нужно еще указать их вероятности.

Законом распределения дискретной случайной величины называют соответствие между возможными значениями и их вероятностями; его можно задать таблично, в виде формулы и графически.

При табличном задании первая строка содержит возможные значения, а вторая – их вероятности:

Х	х1	х2	…	хn
p	p1	p2	…	p2

Сумма вероятностей второй строки таблицы равна единице: .Если множество возможных значений Х бесконечно, то ряд сходится и его сумма равна единице.

Для закрепления следует решить задачу.

В денежной лотерее выпущено 100 билетов. Разыгрывается один выигрыш в 50 р. и десять выигрышей по 1 р. Найти закон распределения случайной величины Х – стоимости возможного выигрыша для владельца лотерейного билета.

Решение. Напишем возможные значения Х: х₁=50; х₂=1; х₃=0. Вероятности этих возможных значений равны: р₁=0,01; р₂= 0,1; р₃=1-(0,01+0,1)=0,89.

Напишем исходный закон распределения:

Х	50	10	0
p	0,01	0,1	0,89

Контроль: 0,01+0,1+0,89=1

Для наглядности закон распределения дискретной случайной величины можно изобразить и графически, для чего в прямоугольной системе координат строят точки (х_i; p_i), а затем соединяют их отрезками прямых. Полученную фигуру называют многоугольником распределения. Также следует привести пример построения такого многоугольника.

Как мы ранее сказали, закон распределения полностью характеризует случайную величину. Однако часто закон распределения неизвестен, и приходится ограничиваться меньшими сведениями. Также для решения многих задач не нужно знать распределения случайной величины, а достаточно знать лишь некоторые обобщающие числовые характеристики этого распределения.

Одной из таких характеристик является математическое ожидание. Для более наглядного определения рассмотрим подход к этому понятию на конкретном примере.

Пусть имеется дискретная случайная величина Х, которая может принимать значения x₁, x₂, …, x_n. Вероятности которых соответственно равны р₁, р₂, …, р_n. Тогда математическое ожидание М(Х) случайной величины Х определяется равенством: .

После определения математического ожидания ученикам может быть непонятно, где оно может пригодиться. На самом деле математическое ожидание приближенно равно (тем точнее, чем больше число испытаний) среднему арифметическому наблюдаемых значений случайной величины.

Для введения дисперсии можно привести следующий пример. На практике часто требуется оценить рассеяние возможных значений случайно величины вокруг ее среднего значения. Например, в артиллерии важно знать, насколько кучно лягут снаряды вблизи цели, которая должна быть поражена. Именно такие задачи решает дисперсия.

Дисперсией случайной величины Х называется математическое ожидание квадрата отклонений случайной величины от ее математического ожидания. Дисперсия обозначается, как D(x): D(Х)=M[X-М(Х)]².

Для вычисления дисперсии часто бывает удобно пользоваться следующей формулой: дисперсия равна разности между математическим ожиданием квадрата случайной величины Х и квадратом ее математического ожидания

D(Х)=M(X)2-[М(Х)]².

Для оценки рассеяния всевозможных значений случайной величины вокруг ее среднего значения кроме дисперсии служат и другие величины.

Средним квадратичным отклонением величины Х называют квадратный корень из дисперсии .

Найти дисперсию случайной величины Х, которая задана следующим законом распределения:

Х	1	2	5
p	0,3	0,5	0,2

Решение. Найдем математическое ожидание: .

Найдем всевозможные значения квадрата отклонения: , , .

Напишем закон квадрата отклонения:

[Х-М(Х)]2	1,69	0,09	7,29
p	0,3	0,5	0,2

По определению .

Характеристики

Список файлов ВКР