Краткая теория
Для количественного сравнения событий по степени возможности их появления вводится числовая мера, которая называется вероятностью события. Вероятностью случайного события называется число, являющееся выражением меры объективной возможности появления события.
Величины, определяющие, насколько значительны объективные основания рассчитывать на появление события, характеризуются вероятностью события. Необходимо подчеркнуть, что вероятность есть объективная величина, существующая независимо от познающего и обусловленная всей совокупностью условий, которые способствуют появлению события.
Объяснения, которые мы дали понятию вероятности, не являются математическим определением, так как они не определяют это понятие количественно. Существует несколько определений вероятности случайного события, которые широко применяются при решении конкретных задач (классическое, аксиоматическое, статистическое и т. д.).
Классическое определение вероятности события сводит это понятие к более элементарному понятию равновозможных событий, которое уже не подлежит определению и предполагается интуитивно ясным. Например, если игральная кость - однородный куб, то выпадения любой из граней этого куба будут равновозможными событиями.
Пусть достоверное событие распадается на равновозможных случаев , сумма которых дает событие . То есть случаи из , на которые распадается , называются благоприятствующими для события , так как появление одного из них обеспечивает наступление .
Вероятность события будем обозначать символом .
Вероятность события равна отношению числа случаев , благоприятствующих ему, из общего числа единственно возможных, равновозможных и несовместных случаев к числу , т. е.
Это есть классическое определение вероятности. Таким образом, для нахождения вероятности события необходимо, рассмотрев различные исходы испытания, найти совокупность единственно возможных, равновозможных и несовместных случаев, подсчитать общее их число n, число случаев m, благоприятствующих данному событию, и затем выполнить расчет по вышеприведенной формуле.
Вероятность события, равная отношению числа благоприятных событию исходов опыта к общему числу исходов опыта называется классической вероятностью случайного события.
Из определения вытекают следующие свойства вероятности:
Свойство 1. Вероятность достоверного события равна единице.
Свойство 2. Вероятность невозможного события равна нулю.
Свойство 3. Вероятность случайного события есть положительное число, заключенное между нулем и единицей.
Свойство 4. Вероятность наступления событий, образующих полную группу, равна единице.
Свойство 5. Вероятность наступления противоположного события определяется так же, как и вероятность наступления события A.
Число случаев, благоприятствующих появлению противоположного события . Отсюда вероятность наступления противоположного события равна разнице между единицей и вероятностью наступления события A:
Важное достоинство классического определения вероятности события состоит в том, что с его помощью вероятность события можно определить, не прибегая к опыту, а исходя из логических рассуждений.
При выполнении комплекса условий достоверное событие обязательно произойдет, а невозможное обязательно не произойдет. Среди событий, которые при создании комплекса условий могут произойти, а могут не произойти, на появление одних можно рассчитывать с большим основанием, на появление других с меньшим основанием. Если, например, в урне белых шаров больше, чем черных, то надеяться на появление белого шара при вынимании из урны наудачу больше оснований, чем на появление черного шара.
Пример решения задачи
Пример 1
В ящике находится 8 белых, 4 черных и 7 красных шаров. Наудачу извлечены 3 шара. Найти вероятности следующих событий: – извлечен по крайней мере 1 красный шар, – есть по крайней мере 2 шара одного цвета, – есть по крайней мере 1 красный и 1 белый шар.
Решение задачи
Общее число исходов испытания найдем как число сочетаний из 19 (8+4+7) элементов по 3:
Найдем вероятность события – извлечен по крайней мере 1 красный шар (1,2 или 3 красных шара)
Искомая вероятность:
Пусть событие – есть по крайней мере 2 шара одного цвета (2 или 3 белых шара, 2 или 3 черных шара и 2 или 3 красных шара)
Число исходов, благоприятствующих событию:
Искомая вероятность:
Пусть событие – есть по крайней мере один красный и 1 белый шар
(1 красный, 1 белый, 1 черный или 1 красный, 2 белых или 2 красных, 1 белый)
Число исходов, благоприятствующих событию:
Искомая вероятность:
Ответ: P(A)=0.773;P(C)=0.7688; P(D)=0.6068
Пример 2
Брошены две игральные кости. Найти вероятность того, что сумма очков не меньше 5.
Решение
Пусть событие – сумма очков не меньше 5
Воспользуемся классическим определением вероятности:
Общее число возможных исходов испытания
Число испытаний, благоприятствующих интересующему нас событию
На выпавшей грани первого игрального кубика может появиться одно очко, два очка…, шесть очков. аналогично шесть исходов возможны при бросании второго кубика. Каждый из исходов бросания первой кости может сочетаться с каждым из исходов второй. Таким образом, общее число возможных элементарных исходов испытания равно числу размещений с повторениями (выбор с размещениями 2 элементов из совокупнности объема 6):
Найдем вероятность противоположного события – сумма очков меньше 5
Благоприятствовать событию будут следующие сочетания выпавших очков:
| № | 1-я кость | 2-я кость | 1 | 1 | 1 | 2 | 1 | 2 | 3 | 2 | 1 | 4 | 3 | 1 | 5 | 1 | 3 |
Изложено геометрическое определение вероятности и приведено решение широко известной задачи о встрече.
- Вероя́тность - степень (относительная мера, количественная оценка) возможности наступления некоторого события. Когда основания для того, чтобы какое-нибудь возможное событие произошло в действительности, перевешивают противоположные основания, то это событие называют вероятным, в противном случае - маловероятным или невероятным. Перевес положительных оснований над отрицательными, и наоборот, может быть в различной степени, вследствие чего вероятность (и невероятность) бывает большей либо меньшей. Поэтому часто вероятность оценивается на качественном уровне, особенно в тех случаях, когда более или менее точная количественная оценка невозможна или крайне затруднительна. Возможны различные градации «уровней» вероятности.
Исследование вероятности с математической точки зрения составляет особую дисциплину - теорию вероятностей. В теории вероятностей и математической статистике понятие вероятности формализуется как числовая характеристика события - вероятностная мера (или её значение) - мера на множестве событий (подмножеств множества элементарных событий), принимающая значения от
{\displaystyle 0}
{\displaystyle 1}
Значение
{\displaystyle 1}
Соответствует достоверному событию. Невозможное событие имеет вероятность 0 (обратное вообще говоря не всегда верно). Если вероятность наступления события равна
{\displaystyle p}
То вероятность его ненаступления равна
{\displaystyle 1-p}
В частности, вероятность
{\displaystyle 1/2}
Означает равную вероятность наступления и ненаступления события.
Классическое определение вероятности основано на понятии равновозможности исходов. В качестве вероятности выступает отношение количества исходов, благоприятствующих данному событию, к общему числу равновозможных исходов. Например, вероятность выпадения «орла» или «решки» при случайном подбрасывании монетки равна 1/2, если предполагается, что только эти две возможности имеют место и они являются равновозможными. Данное классическое «определение» вероятности можно обобщить на случай бесконечного количества возможных значений - например, если некоторое событие может произойти с равной вероятностью в любой точке (количество точек бесконечно) некоторой ограниченной области пространства (плоскости), то вероятность того, что оно произойдет в некоторой части этой допустимой области равна отношению объёма (площади) этой части к объёму (площади) области всех возможных точек.
Эмпирическое «определение» вероятности связано с частотой наступления события исходя из того, что при достаточно большом числе испытаний частота должна стремиться к объективной степени возможности этого события. В современном изложении теории вероятностей вероятность определяется аксиоматически, как частный случай абстрактной теории меры множества. Тем не менее, связующим звеном между абстрактной мерой и вероятностью, выражающей степень возможности наступления события, является именно частота его наблюдения.
Вероятностное описание тех или иных явлений получило широкое распространение в современной науке, в частности в эконометрике, статистической физике макроскопических (термодинамических) систем, где даже в случае классического детерминированного описания движения частиц детерминированное описание всей системы частиц не представляется практически возможным и целесообразным. В квантовой физике сами описываемые процессы имеют вероятностную природу.
Вероятность противоположного события
Рассмотрим некоторое случайное событие A , и пусть его вероятность p(A) известна. Тогда вероятность противоположного события определяется по формуле
. (1.8)
Доказательство. Вспомним, что по аксиоме 3 для несовместных событий
p(A+B) = p(A) + p(B) .
В силу несовместности A и
Следствие. , то есть вероятность невозможного события равна нулю.
С помощью формулы (1.8) определяется, например, вероятность промахнуться, если известна вероятность попадания (или, наоборот, вероятность попадания, если известна вероятность промаха; например, если вероятность попадания для орудия 0,9, вероятность промаха для него (1 – 0,9 = 0,1).
- Вероятность суммы двух событий
Здесь уместно будет напомнить, что для несовместных событий эта формула имеет вид:
Пример. Завод производит 85% продукции первого сорта и 10% - второго. Остальные изделия считаются браком. Какова вероятность, что взяв наудачу изделие, мы получим брак?
Решение. P = 1 – (0,85 + 0,1) = 0,05.
Вероятность суммы двух любых случайных событий равна
Доказательство. Представим событие A + B в виде суммы несовместных событий
Учитывая несовместность A и , получим согласно аксиоме 3
Аналогично находим
Подставляя последнее в предыдущую формулу, получим искомую (1.10) (рис 2).
Пример. Из 20 студентов 5 человек сдали на двойку экзамен по истории, 4 – по английскому языку, причем, 3 студента получили двойки по обоим предметам. Каков процент студентов в группе, не имеющих двоек по этим предметам?
Решение. P = 1 – (5/20 + 4/20 – 3/20) = 0,7 (70%).
- Условная вероятность
В некоторых случаях необходимо определить вероятность случайного события B при условии, что произошло случайное событие A , имеющее ненулевую вероятность. То, что событие A произошло, сужает пространство элементарных событий до множества A , соответствующего этому событию. Дальнейшие рассуждения проведём на примере классической схемы. Пусть Wсостоит из n равновозможных элементарных событий (исходов) и событию A благоприятствует m(A) , а событию AB - m(AB) исходов. Обозначим условную вероятность события B при условии, что A произошло, - p(B|A). По определению,
= .
Если A произошло, то реализован один из m(A) исходов и событие B может произойти, только если произойдёт один из исходов, благоприятствующих AB ; таких исходов m(AB) . Поэтому естественно положить условную вероятность события B при условии, что A произошло, равной отношению
Обобщая, дадим общее определение: условной вероятностью события B при условии, что событие A с ненулевой вероятностью произошло, называется
. (1.11)
Легко можно проверить, что введённое таким образом определение удовлетворяет всем аксиомам и, следовательно, справедливы все ранее доказанные теоремы.
Часто условную вероятность p(B|A) можно легко найти из условия задачи, в более сложных случаях приходится пользоваться определением (1.11).
Пример. В урне лежит N шаров, из них n белых и N-n черных. Из нее достают шар и, не кладя его обратно (выборка без возвращения ), достают еще один. Чему равна вероятность того, что оба шара белые?
Решение. При решении этой задачи применим и классическое определение вероятности, и правило произведения: обозначим через A событие, состоящее в том, что первым вынули белый шар (тогда – первым вынули черный шар), а через B – событие, состоящее в том, что вторым вынули белый шар; тогда
.
Легко видеть, что вероятность того, что три вынутые подряд (без возвращения) шара белые:
и т.д.
Пример. Из 30 экзаменационных билетов студент подготовил только 25. Если он отказывается отвечать по первому взятому билету (которого он не знает), то ему разрешается взять второй. Определить вероятность того, что второй билет окажется счастливым.
Решение. Пусть событие A заключается в том, что первый вытащенный билет оказался для студента ²плохим², а B - второй - ²хорошим². Поскольку после наступления события A один из ²плохих² уже извлечён, то остаётся всего 29 билетов, из которых 25 студент знает. Отсюда искомая вероятность, предполагая, что появление любого билета равновозможно и они обратно не возвращаются, равна .
- Вероятность произведения
Соотношение (1.11), предполагая, что p(A) или p(B) не равны нулю, можно записать в виде
Это соотношение называют теоремой о вероятности произведения двух событий , которая может быть обобщена на любое число множителей, например, для трёх она имеет вид
Пример. По условиям предыдущего примера найти вероятность успешной сдачи экзамена, если для этого студент должен ответить на первый билет или, не ответив на первый, обязательно ответить на второй.
Решение. Пусть события A и B заключаются в том, что, соответственно, первый и второй билеты ²хорошие². Тогда – появление ²плохого² билета в первый раз. Экзамен будет сдан, если произойдёт событие A или одновременно и B . То есть искомое событие С - успешная сдача экзамена – выражается следующим образом: C = A + .Отсюда
Здесь мы воспользовались несовместностью A и , а следовательно, несовместностью A и , теоремами о вероятности суммы и произведения и классическим определением вероятности при подсчёте p(A) и .
Эту задачу можно решить и проще, если воспользоваться теоремой о вероятности противоположного события:
- Независимость событий
Случайные события A и B назовём независимыми , если
Для независимых событий из (1.11) следует, что ; справедливо и обратное утверждение.
Независимость событий означает, что наступление события A не изменяет вероятности появления события B, то есть условная вероятность равна безусловной.
Пример. Рассмотрим предыдущий пример с урной, содержащей N шаров, из которых n белых, но изменим опыт: вынув шар, мы кладем его обратно и только затем вынимаем следующий (выборка с возвращением ).
A - событие, состоящее в том, что первым вынули белый шар, - событие, состоящее в том, что первым вынули черный шар, а B - событие, состоящее в том, что вторым вынули белый шар; тогда
то есть в этом случае события A и В независимы.
Таким образом, при выборке с возвращением события при втором вынимании шара не зависят от событий первого вынимания, а при выборке без возвращения это не так. Однако при больших N и n эти вероятности очень близки к друг другу. Этим пользуются, так как иногда производят выборку без возвращения (например, при контроле качества, когда тестирование объекта приводит к его разрушению), а расчеты проводят по формулам для выборки с возвращением, которые проще.
На практике при расчете вероятностей часто пользуются правилом, согласно которому из физической независимости событий следует их независимость в теоретико-вероятностном смысле.
Пример. Вероятность того, что человек в возрасте 60 лет не умрет в ближайший год, равна 0,91. Страховая компания страхует на год жизнь двух людей 60-ти лет.
Вероятность того, что ни один из них не умрет: 0,91 × 0,91 = 0,8281.
Вероятность того, что они оба умрут:
(1 – 0,91) × (1 – 0,91) = 0,09 × 0,09 = 0,0081.
Вероятность того, что умрет хотя бы один :
1 – 0,91 × 0,91 = 1 – 0,8281 = 0,1719.
Вероятность того, что умрет один :
0,91 × 0,09 + 0,09 × 0,91 = 0,1638.
Систему событий A 1 , A 2 ,..., A n назовём независимой в совокупности, если вероятность произведения равна произведению вероятностей для любой комбинации сомножителей из этой системы. В этом случае, в частности,
Пример. Шифр сейфа состоит из семи десятичных цифр. Чему равна вероятность, что вор с первого раза наберет его верно?
В каждой из 7 позиций можно набрать любую из 10 цифр 0,1,2,...,9, всего 10 7 чисел, начиная с 0000000 и кончая 9999999.
Пример. Шифр сейфа состоит из русской буквы (их 33) и трех цифр. Чему равна вероятность, что вор с первого раза наберет его верно?
P = (1/33) × (1/10) 3 .
Пример. В более общем виде задача о страховке: вероятность того, что человек в возрасте … лет не умрет в ближайший год, равна p. Страховая компания страхует на год жизнь n людей этого возраста.
Вероятность того, что ни один из них не умрет: pn (не придется платить страховую премию никому).
Вероятность того, что умрет хотя бы один : 1 – p n (предстоят выплаты).
Вероятность того, что они все умрут: (1 – p) n (самые большие выплаты).
Вероятность того, что умрет один : n × (1 – p) × p n-1 (если людей пронумеровать, то тот, кто умрет, может иметь номер 1, 2,…,n – это n разных событий, каждое из которых имеет вероятность (1 – p) × p n-1).
- Формула полной вероятности
Пусть события H 1 , H 2 , ... , H n удовлетворяют условиям
Если , и .
Такую совокупность называют полной группой событий .
Предположим, что известны вероятности p (H i ), p (A/H i ). В этом случае применима формула полной вероятности
. (1.14)
Доказательство. Воспользуемся тем, что H i (их обычно называют гипотезами ) попарно несовместны (следовательно несовместны и H i × A ), и их сумма есть достоверное событие
Эта схема имеет место всегда, когда можно говорить о разбиении всего пространства событий на несколько, вообще говоря, разнородных областей. В экономике это – разбиение страны или района на регионы разного размера и разных условий, когда известна доля каждого региона p(H i) и вероятность (доля) какого-то параметра в каждом регионе (например, процент безработных – в каждом регионе он свой) – p(A/H i) . На складе может лежать продукция с трех разных заводов, поставляющих разное количество продукции с разной долей брака и т.д.
Пример. Литье в болванках поступает из двух цехов в третий: 70% из первого и 30% из второго. При этом продукция первого цеха имеет 10% брака, а второго – 20%. Найти вероятность того, что одна взятая наугад болванка имеет дефект.
Решение: p(H 1) = 0,7; p(H 2) = 0,3; p(A/H 1) = 0,1; p(A/H 2) = 0,2;
P = 0,7 × 0.1 + 0,3 × 0,2 = 0,13 (в среднем 13% болванок в третьем цехе дефектны).
Математическая модель может быть, например, такой: имеется несколько урн разного состава; в первой урне n 1 шаров, из которых m 1 белых, и т.д. По формуле полной вероятности ищется вероятность, выбрав наугад урну, достать из нее белый шар.
По этой же схеме решаются задачи и в общем случае.
Пример. Вернемся к примеру с урной, содержащей N шаров, из которых n белых. Достаем из нее (без возвращения) два шара. Какова вероятность, что второй шар белый?
Решение. H 1 – первый шар белый; p(H 1)=n/N;
H 2 – первый шар черный; p(H 2)=(N-n)/N;
В - второй шар белый; p(B|H 1)=(n-1)/(N-1); p(B|H 2)=n/(N-1);
Эта же модель может быть применена при решении такой задачи: из N билетов студент выучил только n. Что ему выгоднее – тянуть билет самым первым или вторым? Оказывается, в любом случае он с вероятностью n/N вытянет хороший билет и с вероятностью (N-n)/N – плохой.
Пример. Определить вероятность того, что путник, вышедший из пункта А, попадёт в пункт В, если на развилке дорог он наугад выбирает любую дорогу (кроме обратной). Схема дорог указана на рис. 1.3.
Решение. Пусть приход путника в пункты H 1 , H 2 , H 3 и H 4 будет соответствующими гипотезами. Очевидно, они образуют полную группу событий и по условию задачи
p(H 1) = p(H 2) = p(H 3) = p(H 4) = 0,25.
(Все направления из А для путника равновозможны). Согласно схеме дорог условные вероятности попадания в B при условии, что путник прошёл через H i , равны:
Применяя формулу полной вероятности, получим
- Формула Байеса
Предположим, что выполняются условия предыдущего пункта и дополнительно известно, что событие A произошло. Найдём вероятность того, что при этом была реализована гипотеза H k. По определению условной вероятности
. (1.15)
Полученное соотношение называют формулой Байеса
. Она позволяет по известным
(до проведения опыта) априорным вероятностям гипотез p(H i)
и условным вероятностям p(A|H i)
определить условную вероятность p(H k |A)
, которую называют апостериорной
(то есть полученной при условии, что в результате опыта событие A
уже произошло).
Пример. 30% пациентов, поступивших в больницу, принадлежат первой социальной группе, 20% - второй и 50% - третьей. Вероятность заболевания туберкулёзом для представителя каждой социальной группы, соответственно, равна 0,02, 0,03 и 0,01. Проведенные анализы для случайно выбранного пациента показали наличие туберкулёза. Найти вероятность того, что это представитель третьей группы.
Фактически формулы (1) и (2) это краткая запись условной вероятности на основе таблицы сопряженности признаков. Вернемся к примеру, рассмотренному (рис. 1). Предположим, что нам стало известно, будто некая семья собирается купить широкоэкранный телевизор. Какова вероятность того, что эта семья действительно купит такой телевизор?
Рис. 1. Поведение покупателей широкоэкранных телевизоров
В данном случае нам необходимо вычислить условную вероятность Р (покупка совершена | покупка планировалась). Поскольку нам известно, что семья планирует покупку, выборочное пространство состоит не из всех 1000 семей, а только из тех, которые планируют покупку широкоэкранного телевизора. Из 250 таких семей 200 действительно купили этот телевизор. Следовательно, вероятность того, что семья действительно купит широкоэкранный телевизор, если она это запланировала, можно вычислить по следующей формуле:
Р (покупка совершена | покупка планировалась) = количество семей, планировавших и купивших широкоэкранный телевизор / количество семей, планировавших купить широкоэкранный телевизор = 200 / 250 = 0,8
Этот же результат дает формула (2):
где событие А заключается в том, что семья планирует покупку широкоформатного телевизора, а событие В - в том, что она его действительно купит. Подставляя в формулу реальные данные, получаем:
Дерево решений
На рис. 1 семьи разделены на четыре категории: планировавшие покупку широкоэкранного телевизора и не планировавшие, а также купившие такой телевизор и не купившие. Аналогичную классификацию можно выполнить с помощью дерева решений (рис. 2). Дерево, изображенное на рис. 2, имеет две ветви, соответствующие семьям, которые планировали приобрести широкоэкранный телевизор, и семьям, которые не делали этого. Каждая из этих ветвей разделяется на две дополнительные ветви, соответствующие семьям, купившим и не купившим широкоэкранный телевизор. Вероятности, записанные на концах двух основных ветвей, являются безусловными вероятностями событий А и А’ . Вероятности, записанные на концах четырех дополнительных ветвей, являются условными вероятностями каждой комбинации событий А и В . Условные вероятности вычисляются путем деления совместной вероятности событий на соответствующую безусловную вероятность каждого из них.
Рис. 2. Дерево решений
Например, чтобы вычислить вероятность того, что семья купит широкоэкранный телевизор, если она запланировала сделать это, следует определить вероятность события покупка запланирована и совершена , а затем поделить его на вероятность события покупка запланирована . Перемещаясь по дереву решения, изображенному на рис. 2, получаем следующий (аналогичный предыдущему) ответ:
Статистическая независимость
В примере с покупкой широкоэкранного телевизора вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор при условии, что она планировала это сделать, равна 200/250 = 0,8. Напомним, что безусловная вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор, равна 300/1000 = 0,3. Отсюда следует очень важный вывод. Априорная информация о том, что семья планировала покупку, влияет на вероятность самой покупки. Иначе говоря, эти два события зависят друг от друга. В противоположность этому примеру, существуют статистически независимые события, вероятности которых не зависят друг от друга. Статистическая независимость выражается тождеством: Р(А|В) = Р(А) , где Р(А|В) - вероятность события А при условии, что произошло событие В , Р(А) - безусловная вероятность события А.
Обратите внимание на то, что события А и В Р(А|В) = Р(А) . Если в таблице сопряженности признаков, имеющей размер 2×2, это условие выполняется хотя бы для одной комбинации событий А и В , оно будет справедливым и для любой другой комбинации. В нашем примере события покупка запланирована и покупка совершена не являются статистически независимыми, поскольку информация об одном событии влияет на вероятность другого.
Рассмотрим пример, в котором показано, как проверить статистическую независимость двух событий. Спросим у 300 семей, купивших широкоформатный телевизор, довольны ли они своей покупкой (рис. 3). Определите, связаны ли между собой степень удовлетворенности покупкой и тип телевизора.
Рис. 3. Данные, характеризующие степень удовлетворенности покупателей широкоэкранных телевизоров
Судя по этим данным,
В то же время,
Р (покупатель удовлетворен) = 240 / 300 = 0,80
Следовательно, вероятность того, что покупатель удовлетворен покупкой, и того, что семья купила HDTV-телевизор, равны между собой, и эти события являются статистически независимыми, поскольку никак не связаны между собой.
Правило умножения вероятностей
Формула для вычисления условной вероятности позволяет определить вероятность совместного события А и В . Разрешив формулу (1)
относительно совместной вероятности Р(А и В) , получаем общее, правило умножения вероятностей. Вероятность события А и В равна вероятности события А при условии, что наступило событие В В :
(3) Р(А и В) = Р(А|В) * Р(В)
Рассмотрим в качестве примера 80 семей, купивших широкоэкранный HDTV-телевизор (рис. 3). В таблице указано, что 64 семьи удовлетворены покупкой и 16 - нет. Предположим, что среди них случайным образом выбираются две семьи. Определите вероятность, что оба покупателя окажутся довольными. Используя формулу (3), получаем:
Р(А и В) = Р(А|В) * Р(В)
где событие А заключается в том, что вторая семья удовлетворена своей покупкой, а событие В - в том, что первая семья удовлетворена своей покупкой. Вероятность того, что первая семья удовлетворена своей покупкой, равна 64/80. Однако вероятность того, что вторая семья также удовлетворена своей покупкой, зависит от ответа первой семьи. Если первая семья после опроса не возвращается в выборку (выбор без возвращения), количество респондентов снижается до 79. Если первая семья оказалась удовлетворенной своей покупкой, вероятность того, что вторая семья также будет довольна, равна 63/79, поскольку в выборке осталось только 63 семьи, удовлетворенные своим приобретением. Таким образом, подставляя в формулу (3) конкретные данные, получим следующий ответ:
Р(А и В) = (63/79)(64/80) = 0,638.
Следовательно, вероятность того, что обе семьи довольны своими покупками, равна 63,8%.
Предположим, что после опроса первая семья возвращается в выборку. Определите вероятность того, что обе семьи окажутся довольными своей покупкой. В этом случае вероятности того, что обе семьи удовлетворены своей покупкой одинаковы, и равны 64/80. Следовательно, Р(А и В) = (64/80)(64/80) = 0,64. Таким образом, вероятность того, что обе семьи довольны своими покупками, равна 64,0%. Этот пример показывает, что выбор второй семьи не зависит от выбора первой. Таким образом, заменяя в формуле (3) условную вероятность Р(А|В) вероятностью Р(А) , мы получаем формулу умножения вероятностей независимых событий.
Правило умножения вероятностей независимых событий. Если события А и В являются статистически независимыми, вероятность события А и В равна вероятности события А , умноженной на вероятность события В .
(4) Р(А и В) = Р(А)Р(В)
Если это правило выполняется для событий А и В , значит, они являются статистически независимыми. Таким образом, существуют два способа определить статистическую независимость двух событий:
- События А и В являются статистически независимыми друг от друга тогда и только тогда, когда Р(А|В) = Р(А) .
- События А и B являются статистически независимыми друг от друга тогда и только тогда, когда Р(А и В) = Р(А)Р(В) .
Если в таблице сопряженности признаков, имеющей размер 2×2, одно из этих условий выполняется хотя бы для одной комбинации событий А и B , оно будет справедливым и для любой другой комбинации.
Безусловная вероятность элементарного события
(5) Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2) + … + P(A|B k)Р(B k)
где события B 1 , B 2 , … B k являются взаимоисключающими и исчерпывающими.
Проиллюстрируем применение этой формулы на примере рис.1. Используя формулу (5), получаем:
Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2)
где Р(А) - вероятность того, что покупка планировалась, Р(В 1) - вероятность того, что покупка совершена, Р(В 2) - вероятность того, что покупка не совершена.
ТЕОРЕМА БАЙЕСА
Условная вероятность события учитывает информацию о том, что произошло некое другое событие. Этот подход можно использовать как для уточнения вероятности с учетом вновь поступившей информации, так и для вычисления вероятности, что наблюдаемый эффект является следствием некоей конкретной причины. Процедура уточнения этих вероятностей называется теоремой Байеса. Впервые она была разработана Томасом Байесом в 18 веке.
Предположим, что компания, упомянутая выше, исследует рынок сбыта новой модели телевизора. В прошлом 40% телевизоров, созданных компанией, пользовались успехом, а 60% моделей признания не получили. Прежде чем объявить о выпуске новой модели, специалисты по маркетингу тщательно исследуют рынок и фиксируют спрос. В прошлом успех 80% моделей, получивших признание, прогнозировался заранее, в то же время 30% благоприятных прогнозов оказались неверными. Для новой модели отдел маркетинга дал благоприятный прогноз. Какова вероятность того, что новая модель телевизора будет пользоваться спросом?
Теорему Байеса можно вывести из определений условной вероятности (1) и (2). Чтобы вычислить вероятность Р(В|А), возьмем формулу (2):
и подставим вместо Р(А и В) значение из формулы (3):
Р(А и В) = Р(А|В) * Р(В)
Подставляя вместо Р(А) формулу (5), получаем теорему Байеса:
где события B 1 , В 2 , … В k являются взаимоисключающими и исчерпывающими.
Введем следующие обозначения: событие S - телевизор пользуется спросом , событие S’ - телевизор не пользуется спросом , событие F - благоприятный прогноз , событие F’ - неблагоприятный прогноз . Допустим, что P(S) = 0,4, P(S’) = 0,6, P(F|S) = 0,8, P(F|S’) = 0,3. Применяя теорему Байеса получаем:
Вероятность спроса на новую модель телевизора при условии благоприятного прогноза равна 0,64. Таким образом, вероятность отсутствия спроса при условии благоприятного прогноза равна 1–0,64=0,36. Процесс вычислений представлен на рис. 4.
Рис. 4. (а) Вычисления по формуле Байеса для оценки вероятности спроса телевизоров; (б) Дерево решения при исследовании спроса на новую модель телевизора
Рассмотрим пример применения теоремы Байеса для медицинской диагностики. Вероятность того, что человек страдает от определенного заболевания, равна 0,03. Медицинский тест позволяет проверить, так ли это. Если человек действительно болен, вероятность точного диагноза (утверждающего, что человек болен, когда он действительно болен) равна 0,9. Если человек здоров, вероятность ложноположительного диагноза (утверждающего, что человек болен, когда он здоров) равна 0,02. Допустим, что медицинский тест дал положительный результат. Какова вероятность того, что человек действительно болен? Какова вероятность точного диагноза?
Введем следующие обозначения: событие D - человек болен , событие D’ - человек здоров , событие Т - диагноз положительный , событие Т’ - диагноз отрицательный . Из условия задачи следует, что Р(D) = 0,03, P(D’) = 0,97, Р(T|D) = 0,90, P(T|D’) = 0,02. Применяя формулу (6), получаем:
Вероятность того, что при положительном диагнозе человек действительно болен, равна 0,582 (см. также рис. 5). Обратите внимание на то, что знаменатель формулы Байеса равен вероятности положительного диагноза, т.е. 0,0464.
Формулы для вычисления вероятности событий
1.3.1. Последовательность независимых испытаний (схема Бернулли)
Предположим, что некоторый эксперимент можно проводить неоднократно при одних и тех же условиях. Пусть этот опыт производится n раз, т. е. проводится последовательность из n испытаний.
Определение. Последовательность n испытаний называют взаимно независимой , если любое событие, связанное с данным испытанием, не зависит от любых событий, относящихся к остальным испытаниям.
Допустим, что некоторое событие A может произойти с вероятностью p в результате одного испытания или не произойти с вероятностью q = 1- p .
Определение . Последовательность из n испытаний образует схему Бернулли, если выполняются следующие условия:
последовательность n испытаний взаимно независима,
2) вероятность события A не изменяется от испытания к испытанию и не зависит от результата в других испытаниях.
Событие A называют “ успехом” испытания, а противоположное событие - “неудачей”. Рассмотрим событие
={
в n
испытаниях произошло ровно m
“успехов”}.
Для вычисления вероятности этого события справедлива формула Бернулли
p
(
)
=
, m
= 1, 2, …, n
, (1.6)
где
- число сочетаний из n
элементов по m
:
=
=
.
Пример 1.16. Три раза подбрасывают кубик. Найти:
а) вероятность того, что 6 очков выпадет два раза;
б) вероятность того, что число шестерок не появится более двух раз.
Решение . “Успехом” испытания будем считать выпадение на кубике грани с изображением 6 очков.
а)
Общее число испытаний – n
=3,
число “успехов” – m
=
2. Вероятность “успеха” - p
=
,
а вероятность “неудачи” - q
=
1 -
=.
Тогда по формуле Бернулли вероятность
того, что результате трехразового
бросания кубика два раза выпадет сторона
с шестью очками, будет равна
.
б)
Обозначим через А
событие, которое заключается в том, что
грань с числом очков 6 появится не более
двух раз. Тогда событие можно представить
в виде суммы
трех несовместных
событий А=
,
где В 3 0 – событие, когда интересующая грань ни разу не появится,
В 3 1 - событие, когда интересующая грань появится один раз,
В 3 2 - событие, когда интересующая грань появится два раза.
По формуле Бернулли (1.6) найдем
p
(А
)
=
р (
)
=
p
(
)=
+
+
=
=
.
1.3.2. Условная вероятность события
Условная вероятность отражает влияние одного события на вероятность другого. Изменение условий, в которых проводится эксперимент, также влияет
на вероятность появления интересующего события.
Определение. Пусть A и B – некоторые события, и вероятность p (B )> 0.
Условной вероятностью события A при условии, что “событие B уже произошло” называется отношение вероятности произведения данных событий к вероятности события, которое произошло раньше, чем событие, вероятность которого требуется найти. Условная вероятность обозначается как p (A B ). Тогда по определению
p
(A
B
)
=
.
(1.7)
Пример 1.17. Подбрасывают два кубика. Пространство элементарных событий состоит из упорядоченных пар чисел
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6).
В примере 1.16 было установлено, что событие A ={число очков на первом кубике > 4} и событие C ={сумма очков равна 8} зависимы. Составим отношение
.
Это отношение можно интерпретировать следующим образом. Допустим, что о результате первого бросания известно, что число очков на первом кубике > 4. Отсюда следует, что бросание второго кубика может привести к одному из 12 исходов, составляющих событие A :
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6) .
При
этом событию C
могут соответствовать только два из
них (5,3) (6,2). В этом случае вероятность
события C
будет
равна
.
Таким образом, информация о наступлении
событияA
оказала влияние на вероятность события
C
.
Вероятность произведения событий
Теорема умножения
Вероятность произведения событий A 1 A 2 A n определяется формулой
p (A 1 A 2 A n ) = p (A 1) p (A 2 A 1)) p (A n A 1 A 2 A n- 1). (1.8)
Для произведения двух событий отсюда следует, что
p (AB ) = p (A B) p {B ) = p (B A ) p {A ). (1.9)
Пример 1.18. В партии из 25 изделий 5 изделий бракованных. Последовательно наугад выбирают 3 изделия. Определить вероятность того, что все выбранные изделия бракованные.
Решение. Обозначим события:
A 1 = {первое изделие бракованное},
A 2 = {второе изделие бракованное},
A 3 = {третье изделие бракованное},
A = {все изделия бракованные}.
Событие А есть произведение трех событий A = A 1 A 2 A 3 .
Из теоремы умножения (1.6) получим
p (A ) = р( A 1 A 2 A 3 ) = p (A 1) p (A 2 A 1))p (A 3 A 1 A 2).
Классическое определение вероятности позволяет найти p (A 1) – это отношение числа бракованных изделий к общему количеству изделий:
p
(A
1)=
;
p (A 2) – это отношение числа бракованных изделий, оставшихся после изъятия одного, к общему числу оставшихся изделий:
p
(A
2
A
1))=
;
p (A 3) – это отношение числа бракованных изделий, оставшихся после изъятия двух бракованных, к общему числу оставшихся изделий:
p
(A
3
A
1 A
2)=
.
Тогда вероятность события A будет равна
p
(A
)
=
=
.
