Предположим, что проводится n независимых испытаний. В каждом из этих испытаний вероятность наступления события А постоянна и равна р . Задача состоит в определении относительной частоты появлений события А . Данная задача решается с помощью теоремы Бернулли.

Теорема Бернулли. Если в каждом из n независимых испытаний событие A имеет постоянную вероятность p , то, как угодно близка к единице вероятность того, что отклонение относительной частоты m/n от вероятности p по абсолютной величине будет сколь угодно малым, если число испытаний достаточно велико, т. е. при соблюдении условий теоремы справедливо равенство:

Доказательство . Предположим, что

является дискретной случайной величиной, которая характеризует число появлений события А в каждом из испытаний. Данная величина может принимать только два значения: 1 (событие А наступило) с вероятностью р и 0 (событие А не наступило) с вероятностью q=1-p .

Случайные дискретные величины Хi являются попарно независимыми и дисперсии их ограниченны, следовательно, к данным величинам применима теорема Чебышева:

Математическое ожидание а каждой из величин Хi равно вероятности р наступления события, следовательно, справедливо следующее равенство:

Таким образом, необходимо доказать, что дробь

равна относительной частоте m/n появлений события А в n испытаниях.

Каждая из величин

при наступлении события А в соответствующем испытании принимает значение, равное единице. Следовательно, сумма

равна числу m появлений события А в n испытаниях:

С учётом данного равенства можно окончательно записать:

что и требовалось доказать.

Однако при использовании теоремы Бернулли необходимо учитывать то, что из неё не следует равенство

Главным утверждением теоремы является то, что при достаточно большом количестве испытаний относительная частота m/n будет сколь угодно мало отличаться от постоянной вероятности р наступления события в каждом испытании. Другими словами, теорема Бернулли утверждает, что при n› относительная частота стремится по вероятности к р . Поэтому теорема Бернулли может быть записана следующим образом:

При проведении статистических исследований, в ходе которых осуществляется сбор данных об исследуемом объекте или процессе, часто сталкиваются с проблемой ошибочности наблюдений. В основе ошибочности наблюдений может лежать как несовершенство методов и инструментов, используемых при проведении статистического исследования, так и заранее непредусмотренные факторы. В связи с этим возникла задача исключения подобных ошибок наблюдения.

Ошибки наблюдения делятся на систематические ошибки и случайные ошибки.

Систематическими ошибками наблюдения называются такие ошибки, которые вызваны несовершенством методов и инструментов, применяемых при проведении исследования. Теоретически все систематические ошибки наблюдения могут быть исключены.

Случайными ошибками наблюдения называются такие ошибки, которые возникают под воздействием целой совокупности случайных факторов. При этом каждый из этих факторов в отдельности вызывает частичную ошибку, а результатом совместного действия всех случайных факторов является суммарная случайная ошибка, которую уже подлежит оценке.

Допустим, что была проведена серия наблюдений некоторой случайной величины Х . В ходе наблюдений данной случайной величины возникли ошибки, сформированные воздействием множества независимых факторов

Тогда ошибка а , возникающая в ходе наблюдения случайной величины Х , может быть представлена с помощью выражения:

а=f(X1,X2,…,Xn),

где f – это закономерность образования ошибки.

В связи с тем, что ошибка наблюдений а – величина случайная, то для наиболее точной характеристики данной величины необходимо знать закон распределения её вероятностей. Данная задача решается с помощью теоремы А.М. Ляпунова, также известной под названием центральной предельной теоремы. В качестве одной из математических предпосылок эконометрического моделирования выступает следствие из теоремы Ляпунова.

Следствие теоремы Ляпунова. Если случайная величина Х является суммой очень большого числа попарно независимых случайных величин, влияние каждой из которых на всю сумму ничтожно мало, то случайная величина Х подчиняется закону распределения, который близок к нормальному закону распределения вероятностей случайной величины.

Если суммарную ошибку наблюдений рассматривать как сумму очень большого числа попарно независимых частных ошибок, следовательно, то можно сделать вывод, что суммарная ошибка подчиняется закону распределения, который близок к нормальному закону распределения вероятностей.


| |

Закон больших чисел (теорема Чебышева).

В данном n° мы докажем одну из простейших, но вместе с тем наиболее важных форм закона больших чисел-теорему Чебышева. Эта теорема устанавливает связь между средним арифметическим наблюденных значений случайной величины и ее математическим ожиданием.

Предварительно решим следующую вспомогательную задачу.

Имеется случайная величина с математическим ожиданием и дисперсией . Над этой величиной производится я независимых опытов и вычисляется среднее арифметическое всœех наблюденных значений величины . Требуется найти числовые характеристики этого среднего арифметического - математическое ожидание и дисперсию- и узнать, как они изменяются с увеличением .

Обозначим:

Значение величины в первом опыте;

Значение величины во втором опыте, и т. д.

Очевидно, совокупность величин представляет собой независимых случайных величин, каждая из которых распределœена по тому же закону, что и сама величина. Рассмотрим среднее арифметическое этих величин:

Случайная величина есть линœейная функция независимых случайных величин. Найдем математическое ожидание и дисперсию этой величины. Согласно свойствам математического ожидания и дисперсии для определœения числовых характеристик линœейных функций получим:

Итак, математическое ожидание величины не зависит от числа опытов и равно математическому ожиданию наблюдаемой величины . Что касается дисперсии величины , то она неограниченно убывает с увеличением числа опытов и при достаточно большом должна быть сделана сколь угодно малой. Мы убеждаемся, что среднее арифметическое есть случайная величина со сколь угодно малой дисперсией и при большом числе опытов ведет себя почти как не случайная.

Теорема Чебышева и устанавливает в точной количественной форме это свойство устойчивости среднего арифметического. Она формулируется следующим образом:

При достаточно большом числе независимых опытов среднее арифметическое наблюденных значений случайной величины сходятся по вероятности к ее математическому ожиданию .

Запишем теорему Чебышева в виде формулы. Для этого разъясним смысл термина ʼʼсходится по вероятностиʼʼ. Говорят, что случайная величина сходится по вероятности к величинœе ,если при увеличении вероятность того, что и будут сколь угодно близки, неограниченно приближается к единице, а это значит, что при достаточно большом

где-произвольно малые положительные числа.

Запишем в аналогичной форме теорему Чебышева. Она утверждает что при увеличении среднее арифметическое

Сходится по вероятности к , т. е.

(6.7)

Докажем это неравенство.

Доказательство . Выше было показано, что величина

имеет числовые характеристики

Применим к случайной величинœе Y неравенство Чебышева, полагая :

Как бы мало ни было число, можно взять таким большим, чтобы выполнялось неравенство

где - сколь угодно малое число.

откуда, переходя к противоположному событию, имеем:

что и требовалось доказать.

Известная теорема Я.Бернулли, устанавливающая связь между частотой события и его вероятностью, должна быть доказана как прямое следствие закона больших чисел.

Пусть производится n независимых опытов, в каждом из которых может появиться или не появиться событие А , вероятность появления которого в каждом опыте равна р . Теорема Я. Бернулли утверждает, что при неограниченном числе опытов n частота события А сходится по вероятности к его вероятности р.

Обозначим частоту события А в n опытах через Р и запишем теорему Бернулли в виде формулы

где и - сколь угодно малые положительные числа.

Требуется доказать справедливость этой формулы при достаточно большом n .

Доказательство. Рассмотрим независимые случайные величины:

Х 1 – число появлений события А в первом опыте;

Х 2 – число появлений события А во втором опыте, и т.д.

Все эти величины дискретны и имеют один и тот же закон распределœения, выражаемый рядом вида

q p

Здесь q = 1 – p . Математическое ожидание каждой из этих величин Х i равно р, а ее дисперсия pq (см Л3-п3.2).

Частота Р представляет собой не что иное, как среднее арифметическое величин Х 1 , Х 2 , ... , Х n:

Р = i / n ,

и, согласно закону больших чисел, сходится по вероятности к общему математическому ожиданию этих случайных величин. Отсюда и следует справедливость неравенства (6. 1) .

Теорема Бернулли. - понятие и виды. Классификация и особенности категории "Теорема Бернулли." 2017, 2018.

Не будем долго размышлять о высоком — начнем сразу с определения.

Схема Бернулли — это когда производится n однотипных независимых опытов, в каждом из которых может появиться интересующее нас событие A , причем известна вероятность этого события P (A ) = p. Требуется определить вероятность того, что при проведении n испытаний событие A появится ровно k раз.

Задачи, которые решаются по схеме Бернулли, чрезвычайно разнообразны: от простеньких (типа «найдите вероятность, что стрелок попадет 1 раз из 10») до весьма суровых (например, задачи на проценты или игральные карты). В реальности эта схема часто применяется для решения задач, связанных с контролем качества продукции и надежности различных механизмов, все характеристики которых должны быть известны до начала работы.

Вернемся к определению. Поскольку речь идет о независимых испытаниях, и в каждом опыте вероятность события A одинакова, возможны лишь два исхода:

  1. A — появление события A с вероятностью p;
  2. «не А» — событие А не появилось, что происходит с вероятностью q = 1 − p.

Важнейшее условие, без которого схема Бернулли теряет смысл — это постоянство. Сколько бы опытов мы ни проводили, нас интересует одно и то же событие A , которое возникает с одной и той же вероятностью p.

Между прочим, далеко не все задачи в теории вероятностей сводятся к постоянным условиям. Об этом вам расскажет любой грамотный репетитор по высшей математике. Даже такое нехитрое дело, как вынимание разноцветных шаров из ящика, не является опытом с постоянными условиями. Вынули очередной шар — соотношение цветов в ящике изменилось. Следовательно, изменились и вероятности.

Если же условия постоянны, можно точно определить вероятность того, что событие A произойдет ровно k раз из n возможных. Сформулируем этот факт в виде теоремы:

Теорема Бернулли. Пусть вероятность появления события A в каждом опыте постоянна и равна р. Тогда вероятность того, что в n независимых испытаниях событие A появится ровно k раз, рассчитывается по формуле:

где C n k — число сочетаний, q = 1 − p.

Эта формула так и называется: формула Бернулли. Интересно заметить, что задачи, приведенные ниже, вполне решаются без использования этой формулы. Например, можно применить формулы сложения вероятностей. Однако объем вычислений будет просто нереальным.

Задача. Вероятность выпуска бракованного изделия на станке равна 0,2. Определить вероятность того, что в партии из десяти выпущенных на данном станке деталей ровно k будут без брака. Решить задачу для k = 0, 1, 10.

По условию, нас интересует событие A выпуска изделий без брака, которое случается каждый раз с вероятностью p = 1 − 0,2 = 0,8. Нужно определить вероятность того, что это событие произойдет k раз. Событию A противопоставляется событие «не A », т.е. выпуск бракованного изделия.

Таким образом, имеем: n = 10; p = 0,8; q = 0,2.

Итак, находим вероятность того, что в партии все детали бракованные (k = 0), что только одна деталь без брака (k = 1), и что бракованных деталей нет вообще (k = 10):

Задача. Монету бросают 6 раз. Выпадение герба и решки равновероятно. Найти вероятность того, что:

  1. герб выпадет три раза;
  2. герб выпадет один раз;
  3. герб выпадет не менее двух раз.

Итак, нас интересует событие A , когда выпадает герб. Вероятность этого события равна p = 0,5. Событию A противопоставляется событие «не A », когда выпадает решка, что случается с вероятностью q = 1 − 0,5 = 0,5. Нужно определить вероятность того, что герб выпадет k раз.

Таким образом, имеем: n = 6; p = 0,5; q = 0,5.

Определим вероятность того, что герб выпал три раза, т.е. k = 3:

Теперь определим вероятность того, что герб выпал только один раз, т.е. k = 1:

Осталось определить, с какой вероятностью герб выпадет не менее двух раз. Основная загвоздка — во фразе «не менее». Получается, что нас устроит любое k , кроме 0 и 1, т.е. надо найти значение суммы X = P 6 (2) + P 6 (3) + ... + P 6 (6).

Заметим, что эта сумма также равна (1 − P 6 (0) − P 6 (1)), т.е. достаточно из всех возможных вариантов «вырезать» те, когда герб выпал 1 раз (k = 1) или не выпал вообще (k = 0). Поскольку P 6 (1) нам уже известно, осталось найти P 6 (0):

Задача. Вероятность того, что телевизор имеет скрытые дефекты, равна 0,2. На склад поступило 20 телевизоров. Какое событие вероятнее: что в этой партии имеется два телевизора со скрытыми дефектами или три?

Интересующее событие A — наличие скрытого дефекта. Всего телевизоров n = 20, вероятность скрытого дефекта p = 0,2. Соответственно, вероятность получить телевизор без скрытого дефекта равна q = 1 − 0,2 = 0,8.

Получаем стартовые условия для схемы Бернулли: n = 20; p = 0,2; q = 0,8.

Найдем вероятность получить два «дефектных» телевизора (k = 2) и три (k = 3):

\[\begin{array}{l}{P_{20}}\left(2 \right) = C_{20}^2{p^2}{q^{18}} = \frac{{20!}}{{2!18!}} \cdot {0,2^2} \cdot {0,8^{18}} \approx 0,137\\{P_{20}}\left(3 \right) = C_{20}^3{p^3}{q^{17}} = \frac{{20!}}{{3!17!}} \cdot {0,2^3} \cdot {0,8^{17}} \approx 0,41\end{array}\]

Очевидно, P 20 (3) > P 20 (2), т.е. вероятность получить три телевизора со скрытыми дефектами больше вероятности получить только два таких телевизора. Причем, разница неслабая.

Небольшое замечание по поводу факториалов. Многие испытывают смутное ощущение дискомфорта, когда видят запись «0!» (читается «ноль факториал»). Так вот, 0! = 1 по определению.

P . S . А самая большая вероятность в последней задаче — это получить четыре телевизора со скрытыми дефектами. Подсчитайте сами — и убедитесь.

Пусть производится независимых испытаний, в каждом из которых вероятность появления событияА равна р . Другими словами, пусть имеет место схема Бернулли. Можно ли предвидеть какова будет примерно относительная частота появлений события? Положительный ответ на этот вопрос даёт теорема, доказанная Я.Бернулли 1 , которая получила название «закона больших чисел» и положила начало теории вероятностей как науки 2 .

ТЕОРЕМА Бернулли : Если в каждом из независимых испытаний, проводимых в одинаковых условиях, вероятностьр появления события А постоянна, то относительная частота появления события А сходится по вероятности к вероятности р – появления данного события в отдельном опыте, то есть

.

Доказательство . Итак, имеет место схема Бернулли,
. Обозначим через
дискретную случайную величину – число появлений событияА в -ом испытании. Ясно, что каждая из случайных величин может принимать лишь два значения:1 (событие А наступило) с вероятностью р и 0 (событие А не наступило) с вероятностью
, то есть

(
)

Р

р

Нетрудно найти

Можно ли применить к рассматриваемым величинам теорему Чебышева? Можно, если случайные величины попарно независимы и дисперсии их равномерно ограничены. Оба условия выполняются. Действительно, попарная независимость величин
следует из того, что испытания независимы. Далее 3
при
и, следовательно, дисперсии всех величин ограничены, например числом
. Кроме того, заметим, что каждая из случайных величин
при появлении событияА в соответствующем испытании принимает значение, равное единице. Следовательно, сумма
равна числу
- появлений событияА в испытаниях, а значит

,

то есть дробь
равна относительной частотепоявлений события А в испытаниях.

Тогда, применяя теорему Чебышева к рассматриваемым величинам, получим:

что и требовалось доказать.

Замечание 1 : Теорема Бернулли является простейшим частным случаем теоремы Чебышева.

Замечание 2 : На практике часто неизвестные вероятности приходится приближённо определять из опыта, то для проверки согласия теоремы Бернулли с опытом было проведено большое число опытов. Так, например, французский естествоиспытатель XVIII века Бюффон бросил монету 4040 раз. Герб выпал при этом 2048 раз. Частота появления герба в опыте Бюффона приближённо равна 0,507. Английский статистик К.Пирсон бросал монету 12 000 раз и при этом наблюдал 6019 выпадений герба. Частота выпадения герба в этом опыте Пирсона равна 0,5016. В другой раз он бросил монету 24 000 раз, и герб при этом выпал 12 012 раз; частота выпадения герба при этом оказалась равной 0,5005. Как видим, во всех приведённых опытах частота лишь немного уклонилась от вероятности 0,5 – появления герба в результате одного бросания монеты.

Замечание 3 : Было бы неправильным на основании теоремы Бернулли сделать вывод, что с ростом числа испытаний относительная частота неуклонно стремится к вероятности р ; другими словами, из теоремы Бернулли не вытекает равенство
. В теоремеречь идёт лишь о вероятности того, что при достаточно большом числе испытаний относительная частота будет как угодно мало отличаться от постоянной вероятности появления события в каждом испытании. Таким образом, сходимость относительной частоты к вероятности р отличается от сходимости в смысле обычного анализа. Для того чтобы подчеркнуть это различие, вводят понятие «сходимости по вероятности» . Точнее, различие между указанными видами сходимости состоит в следующем: если стремится при
кр как пределу в смысле обычного анализа , то, начиная с некоторого
и для всех последующих значений, неуклонно выполняется неравенство
;если же стремится по вероятности к р при
, то для отдельных значенийнеравенство может и не выполняться.

    Теоремы Пуассона и Маркова

Замечено, если условия опыта меняются , то свойство устойчивости относительной частоты появления события А сохраняется. Это обстоятельство доказано Пуассоном.

ТЕОРЕМА Пуассона : При неограниченном увеличении числа независимых испытаний, проводимых в переменных условиях, относительная частота появления события А сходится по вероятности к среднему арифметическому вероятностей появления данного события в каждом из опытов, то есть

.

Замечание 4 : Нетрудно убедиться, что теорема Пуассона является частным случаем теоремы Чебышева.

ТЕОРЕМА Маркова : Если последовательность случайных величин
(как угодно зависимых) такова, что при

,

то,
выполняется условие:
.

Замечание 5 : Очевидно, если случайные величин
попарно независимы, то условие Маркова принимает вид: при

.

Отсюда видно, что теорема Чебышева является частным случаем теоремы Маркова.

    Центральная предельная теорема (Теорема Ляпунова)

Рассмотренные теоремы закона больших чисел касаются вопросов приближения некоторых случайных величин к определённым предельным значениям независимо от их закона распределения. В теории вероятностей, как уже отмечалось, существует другая группа теорем, касающихся предельных законов распределения суммы случайных величин. Общее название этой группы теорем – центральная предельная терема . Различные её формы различаются условиями, накладываемыми на сумму составляющих случайных величин. Впервые одна из форм центральной предельной теоремы была доказана выдающимся русским математиком А.М.Ляпуновым в 1900 году с использованием специально разработанного им метода характеристических функций.

ТЕОРЕМА Ляпунова : Закон распределения суммы независимых случайных величин
приближается к нормальному закону распределения при неограниченном увеличении(то есть, при
), если выполняются следующие условия:


,

Следует отметить, что центральная предельная теорема справедлива не только для непрерывных, но и для дискретных случайных величин. Практическое значение теоремы Ляпунова огромно. Опыт показывает, что закон распределения суммы независимых случайных величин, сравнимых по своему рассеиванию, достаточно быстро приближается к нормальному. Уже при числе слагаемых порядка десяти закон распределения суммы можно заменить на нормальный (в частности, примером такой суммы может быть среднее арифметическое наблюдаемых значений случайных величин, то есть
).

Частным случаем центральной предельной теоремы является теорема Лапласа. В ней, как вы помните, рассматривается случай, когда случайные величины
дискретны, одинаково распределены и принимают только два возможных значения: 0 и 1.

Далее, вероятность того, что заключено в интервале
можно вычислить по формуле

.

Используя функцию Лапласа, последнюю формулу можно записать в удобном для расчётов виде:

где
.

ПРИМЕР . Пусть производится измерение некоторой физической величины. Любое измерение даёт лишь приближённое значение измеряемой величины, так как на результат измерения оказывают влияние очень многие независимые случайные факторы (температура, колебания прибора, влажность и др.). Каждый из этих факторов порождает ничтожную «частную ошибку». Однако, поскольку число этих факторов очень велико, совокупное их действие порождает уже заметную «суммарную ошибку».

Рассматривая суммарную ошибку как сумму очень большого числа взаимно независимых частных ошибок, мы вправе заключить, что суммарная ошибка имеет распределение, близкое к нормальному. Опыт подтверждает справедливость такого заключения.

2 Доказательство, предложенное Я.Бернулли, было сложным; более простое доказательство было дано П.Чебышевым в 1846 году.

3 Известно, что произведение двух сомножителей, сумма которых есть величина постоянная, имеет наибольшее значение при равенстве сомножителей.

Поэтому ваше ближайшее времяпровождение будет крайне полезным. Кроме того, я расскажу, в чём заблуждается подавляющее большинство участников лотерей и азартных игр. …Нееет, вера или слабая надежда «сорвать куш» тут совершенно не при чём;-) Не успев и глазом моргнуть, погружаемся в тему:

Что такое независимые испытания ? Практически всё понятно уже из самого названия. Пусть производится несколько испытаний. Если вероятность появления некоего события в каждом из них не зависит от исходов остальных испытаний, то… заканчиваем фразу хором =) Молодцы. При этом под словосочетанием «независимые испытания» часто подразумевают повторные независимые испытания – когда они осуществляются друг за другом.

Простейшие примеры:
– монета подбрасывается 10 раз;
– игральная кость подбрасывается 20 раз.

Совершенно ясно, что вероятность выпадения орла либо решки в любом испытании не зависит от результатов других бросков. Аналогичное утверждение, естественно, справедливо и для кубика.

А вот последовательное извлечение карт из колоды не является серией независимых испытаний – как вы помните, это цепочка зависимых событий . Однако если карту каждый раз возвращать обратно, то ситуация станет «такой, какой надо».

Спешу обрадовать – у нас в гостях очередной Терминатор, который абсолютно равнодушен к своим удачам/неудачам, и поэтому его стрельба представляет собой образец стабильности =):

Задача 1

Стрелок совершает 4 выстрела по мишени. Вероятность попадания при каждом выстреле постоянна и равна . Найти вероятность того, что:

а) стрелок попадёт только один раз;
б) стрелок попадёт 2 раза.

Решение : условие сформулировано в общем виде и вероятность попадания в мишень при каждом выстреле считается известной . Она равна (если совсем тяжко, присвойте параметру какое-нибудь конкретное значение, например, ) .

Коль скоро, мы знаем , то легко найти вероятность промаха в каждом выстреле:
, то есть, «ку» – это тоже известная нам величина .

а) Рассмотрим событие «Стрелок попадёт только один раз» и обозначим его вероятность через (индексы понимаются как «одно попадание из четырёх») . Данное событие состоит в 4 несовместных исходах: стрелок попадёт в 1-й или во 2-й или в 3-й или в 4-й попытке.

Найти вероятность того, что при броске 10 монет орёл выпадет на 3 монетах.

Здесь испытания не повторяются, а скорее, производятся одновременно, но, тем не менее, работает та же самая формула: .

Решение будет отличаться смыслом и некоторыми комментариями, в частности:
способами можно выбрать 3 монеты, на которых выпадет орёл.
– вероятность выпадения орла на каждой из 10 монет
и т.д.

Однако на практике подобные задачи встречаются не столь часто, и, видимо, по этой причине формула Бернулли чуть ли не стереотипно ассоциируется только с повторными испытаниями. Хотя, как только что было показано, повторяемость вовсе не обязательна.

Следующая задача для самостоятельного решения:

Задача 3

Игральную кость бросают 6 раз. Найти вероятность того, что 5 очков:

а) не выпадут (выпадут 0 раз) ;
б) выпадут 2 раза;
в) выпадут 5 раз.

Результаты округлить до 4 знаков после запятой.

Краткое решение и ответ в конце урока.

Очевидно, что в рассматриваемых примерах некоторые события более вероятны, а некоторые – менее вероятны. Так, например, при 6 бросках кубика даже безо всяких расчётов интуитивно понятно, что вероятности событий пунктов «а» и «бэ» значительно больше вероятности того, что «пятёрка» выпадет 5 раз. А теперь поставим задачу найти

НАИВЕРОЯТНЕЙШЕЕ число появлений события в независимых испытаниях

Опять же на уровне интуиции в Задаче №3 можно сделать вывод о том, что наивероятнейшее количество появлений «пятёрки» равно единице – ведь всего граней шесть, и при 6 бросках кубика каждая из них должна выпасть в среднем по одному разу. Желающие могут вычислить вероятность и посмотреть, будет ли она больше «конкурирующих» значений и .

Сформулируем строгий критерий : для отыскания наивероятнейшего числа появлений случайного события в независимых испытаниях (с вероятностью в каждом испытании) руководствуются следующим двойным неравенством:

, причём:

1) если значение – дробное, то существует единственное наивероятнейшее число ;
в частности, если – целое, то оно и есть наивероятнейшее число: ;

2) если же – целое, то существуют два наивероятнейших числа: и .

Наивероятнейшее число появлений «пятёрки» при 6 бросках кубика подпадает под частный случай первого пункта:

В целях закрепления материала решим пару задач:

Задача 4

Вероятность того, что при броске мяча баскетболист попадёт в корзину, равна 0,3. Найти наивероятнейшее число попаданий при 8 бросках и соответствующую вероятность.

А это уже если и не Терминатор, то, как минимум, хладнокровный спортсмен =)

Решение : для оценки наивероятнейшего числа попаданий используем двойное неравенство . В данном случае:

– всего бросков;
– вероятность попадания в корзину при каждом броске;
– вероятность промаха при каждом броске.

Таким образом, наивероятнейшее количество попаданий при 8 бросках находится в следующих пределах:

Поскольку левая граница – дробное число (пункт №1) , то существует единственное наивероятнейшее значение, и, очевидно, что оно равно .

Используя формулу Бернулли , вычислим вероятность того, что при 8 бросках будет ровно 2 попадания:

Ответ : – наивероятнейшее количество попаданий при 8 бросках,
– соответствующая вероятность.

Аналогичное задание для самостоятельного решения:

Задача 5

Монета подбрасывается 9 раз. Найти вероятность наивероятнейшего числа появлений орла

Примерный образец решения и ответ в конце урока.

После увлекательного отступления рассмотрим ещё несколько задач, а затем я поделюсь секретом правильной игры в азартные игры и лотереи.

Задача 6

Среди изделий, произведенных на станке-автомате, в среднем бывает 60% изделий первого сорта. Какова вероятность того, что среди 6 наудачу отобранных изделий будет:

а) от 2 до 4 изделий первого сорта;
б) не менее 5 изделий первого сорта;
в) хотя бы одно изделие более низкого сорта.

Вероятность производства первосортного изделия не зависит от качества других выпущенных изделий, поэтому здесь идёт речь о независимых испытаниях. Старайтесь не пренебрегать анализом условия, а то может статься – события-то зависимые или задача вообще о другом.

Решение : вероятность зашифрована под проценты, которые, напоминаю, нужно разделить на сто: – вероятность того, что выбранное изделие будет 1-го сорта.
Тогда: – вероятность того, что оно не будет первосортным.

а) Событие «Среди 6 наудачу отобранных изделий будет от 2 до 4 изделий первого сорта» состоит в трёх несовместных исходах:

среди изделий будет 2 первосортных или 3 первосортных или 4 первосортных.

С исходами удобнее разделаться по отдельности. Трижды используем формулу Бернулли :

– вероятность того, что в течение дня безотказно будут работать, как минимум, 5 компьютеров из шести.

Данное значение нас тоже не устроит, так как оно меньше требуемой надёжности работы вычислительного центра:

Таким образом, шести компьютеров тоже не достаточно. Добавляем ещё один:

3) Пусть в вычислительном центре компьютеров. Тогда безотказно должны работать 5, 6 или 7 компьютеров. Используя формулу Бернулли и теорему сложения вероятностей несовместных событий , найдём вероятность того, что в течение дня безотказно будут работать, как минимум, 5 компьютеров из семи.