Главная
Про природу
Простые задачи по теории вероятности. Основная формула

Простые задачи по теории вероятности. Основная формула

А.А. Халафян

ТЕОРИЯ ВЕРОЯТНОСТЕЙ

И МАТЕМАТИЧЕСКАЯ СТАТИСТИКА

тексты лекций

Краснодар 2008

Статистическое определение вероятности

Существует большой класс событий, вероятности которых не могут быть вычислены с помощью классического определения. В первую очередь это события с неравновозможными исходами (например, игральная кость «нечестная», монета сплющена и т.д.). В таких случаях может помочь статистическое определение вероятности, основанное на подсчете частоты наступления события в испытаниях.

Определение 2. Статистической вероятностьюнаступления события А называется относительная частота появления этого события в n произведенных испытаниях , т.е.

(А ) = W(A ) = m/n ,

где (А ) – статистическое определение вероятности; W(A ) – относительная частота; n – количество произведенных испытаний; m – число испытаний, в которых событие А появилось. Заметим, что статистическая вероятность является опытной, экспериментальной характеристикой.

Причем при n → ∞, (А ) → P(А ), так, например, в опытах Бюффона (XVIII в.) относительная частота появления герба при 4040 подбрасываниях монеты, оказалось 0,5069, в опытах Пирсона (XIX в.) при 23000 подбрасываниях – 0,5005.

Геометрическое определение вероятности

Еще один недостаток классического определения, ограничивающий его применение, является то, что оно предполагает конечное число возможных исходов. В некоторых случаях этот недостаток можно устранить, используя геометрическое определение вероятности. Пусть, например, плоская фигура g составляет часть плоской фигуры G (рис.3).

На фигуру G наудачу бросается точка. Это означает, что все точки области G «равноправны», в отношении попадания туда брошенной случайной точки. Полагая, что вероятность события А – попадание брошенной точки на g пропорциональна площади этой фигуры S g и не зависит ни от ее расположения относительно области G , ни от формы g , найдем

Р (А ) = S g /S G

где S G – площадь области G . Но так как области g и G могут быть одномерны- ми, двухмерными, трехмерными и многомерными, то, обозначив меру области черезmeas , можно дать более общее определение геометрической вероятности

P = measg / measG .

Доказательство.

Р (В/А ) = Р (В ÇА )/Р (А ) = Р (А ÇВ )/Р (А ) = {P (a/b )Р (В )}/Р (А ) = {Р (А )Р (В )}/Р (А ) = Р (В ).

Из определения 4 вытекают формулы умножения вероятностей для зависимых и независимых событий.

Следствие 1. Вероятность совместного появления нескольких событий равна произведению вероятности одного из них на условные вероятности всех остальных, причем вероятность каждого последующего события вычисляется в предположении, что все предыдущие события уже появились:



P (A 1 A 2 … A n ) = P (A 1 )P A1 (A 2 )P A1A2 (A 3 )… P A1A2… An-1 (A n ).

Определение 6 . События A 1, A 2, …, A n независимы в совокупности, если независимы любые два из них и независимы любое из этих событий и любые комбинации (произведения) остальных событий .

Следствие 2. Вероятность совместного появления нескольких событий, независимых в совокупности, равна произведению вероятностей этих событий:

P (A 1 A 2 … A n ) = P (A 1)P (A 2)… P (A n).

Доказательство.

P (A 1 A 2 … A n) = P (A 1 ·A 2 … A n) = P (A 1)P (A 2 … A n).=…= P (A 1)P (A 2)… P (A n ).

Определение 7 . Событие А 1 ,А 2 ,… А n образуют полную группу событий, если они попарно несовместны (А i ∩А j = Ø, для любого i ≠ j )и в совокупности образуют Ω, т.е . .

Теорема 2. Если события А 1, A 2 ,… А n образуют полную группу событий, Р (А i ) > 0 (так как не будет определено P (B /A i )), то вероятность некоторого события B Î S определяется, как сумма произведений безусловных вероятностей наступления события А i на условные вероятности наступления события B , т.е.

. (1)

Доказательство. Так как события А i попарно несовместны, то их пересечение с событием B также попарно несовместны, т.е. B∩А i и B∩А j – несовместны при i ¹ j. Используя свойство дистрибутивности ((ÈА i )ÇВ = È(А i ÇВ )), событие B можно представить как . Воспользуемся аксиомой сложения 3 и формулой умножения вероятностей, получим

.

Формула (1) называется формула полной вероятности.

Из формулы полной вероятности легко получить формулу Байеса, при дополнительном предположении, что P (B )>0

,

где k = 1, 2, …, n .

Доказательство. P(А k /B) = P(А k ∩ B)/P(B)

Вероятности событий P (А i ), i =1, 2, …, n называются априорными вероятностями, т.е. вероятностями событий до выполнения опыта, а условные вероятности этих событий P (А k /B ), называются апостериорными вероятностями, т.е. уточненными в результате опыта, исходом которого послужило появление события В .



Задача. В торговую фирму поступили сотовые телефоны последних моделей от трех производителей Alcatel , Siemens , Motorola в соотношении 1: 4: 5. Практика показала, что телефоны, поступившие от 1-го, 2-го, 3-го производителя, не потребуют ремонта в течение гарантийного срока соответственно в 98 %, 88 % и 92 % случаев. Найти вероятность того, что поступивший в продажу телефон не потребует ремонта в течение гарантийного срока, проданный телефон потребовал ремонта в течение гарантийного срока, от какого производителя вероятнее всего поступил телефон.

Пример 1.

Пример 2 .

Определение 1. Случайной величиной вероятностного пространства { Ω, S, P} называется любая функция X (w), определенная для wÎΩ, и такая, что для всех действительных х () множество { w: X (w) < x}принадлежит полю S. Другими словами для любого такого события w определена вероятность P (X (w) < x ) = P (X < x ).

Случайные величины будем обозначать прописными латинскими буквами X , Y , Z , …, а значения случайных величин – строчными латинскими буквами x , y , z ...

Определение 2 . Случайная величина X называется дискретной, если она принимает значения только из некоторого дискретного множества. Другими словами, существует конечное или счетное число значений x 1 , x 2 , …, таких, что P (X = x i) = р i ³ 0, i = 1, 2…, причем å p i = 1.

Если известны значения случайной величины и соответствующие им вероятности, то говорят, что определен закон распределения дискретной случайной величины.

Если составлена таблица, в верхней части которой располагаются значения случайных величин, а в нижней части соответствующие им вероятности, то получим ряд распределения случайной величины, который задает закон распределения дискретной случайной величины.

Пример 3. Составим ряд распределения выпадения герба при 2 подбрасываниях монеты. Возможные исходы – ГГ, ГР, РГ, РР. Из возможных исходов видно, что герб может выпасть 0, 1 и 2 раза, с соответствующими вероятностями – ¼, ½, ¼. Тогда ряд распределения примет вид

Определение 3. Функцией распределения случайной величины X называется функция F (x ), зависящая от х Î R и принимающая значение, равное вероятности события w, что X < x , т.е.,F (x ) = P {w: X (w) < x } = P (X < x ).

Из определения следует, что любая случайная величина имеет функцию распределения.

Равномерное распределение

Определение 1. Случайная величина Х , принимающая значения 1, 2, …, n, имеет равномерное распределение, если P m = P (Х = m ) = 1/n ,

m = 1, …, n.

Очевидно, что .

Рассмотрим следующую задачу.В урне имеется N шаров, из них M шаров белого цвета. Наудачу извлекается n шаров. Найти вероятность того, что среди извлечённых будет m белых шаров.

Нетрудно видеть, что .

Распределение Пуассона

Определение 4. Случайная величина Х имеет распределение Пуассона с параметром l, если , m = 0, 1, …

Покажем, что Σp m = 1. .

Биномиальное распределение

Определение 5. Случайная величина X имеет биномиальное распределение, если , m = 0, 1, …, n ,

где n – число испытаний по схеме Бернулли, m – число успехов, р – вероятность успеха в единичном исходе, q = 1–p .

Распределение Бернулли

Определение 6. Случайная величина Х имеет распределение Бернулли, если P (Х = m ) = P m = p m q n - m , m = 0, 1, …, n .

При больших m и n становится проблематичным вычисление по формуле Бернулли. Поэтому в ряде случаев удается заменить формулу Бернулли подходящей приближенной асимптотической формулой. Так если n – велико, а р мало, то .

Теорема Пуассона. Если n ® ¥, а p ® 0, так что np ® l, то .

Доказательство . Обозначим l n = np , по условию теоремы , тогда

При n ® ¥, l n m ® l m ,

Отсюда получаем утверждение теоремы. Р n (m ) ® при n ® ¥.

Формула Пуассона хорошо приближает формулу Бернулли, если npq £ 9. Если же произведение npq велико, то для вычисления Р n (m) используют локальную теорему Муавра–Лапласа.

Локальная теорема Муавра – Лапласа. Пусть p Î(0;1) постоянно, величина равномерно ограничена, т.е. $с, |x m |<с . Тогда

,

где b(n;m) – бесконечно малая величина, причем .

Из условий теоремы следует, что ,

где , .

Для вычисления Р n (m) по формуле, приведенной рнее, используют таблицы функции

.

Задача 1 . В магазин одежды один за другим входят трое посетителей. По оценкам менеджера, вероятность того, что вошедший посетитель совершит покупку, равна 0,3. Составить ряд числа посетителей, совершивших покупку.

Решение.

x i
р i 0,343 0,441 0,189 0,027

Задача 2 . Вероятность поломки произвольного компьютера равна 0,01. Построить ряд распределения числа вышедших из строя компьютеров с общим числом 25.

Решение.

Задача 3 . Автомобили поступают в торговый салон партиями по 10 шт. В салоне подвергаются контролю качества и безопасности только 5 из 10 поступивших автомобилей. Обычно 2 из 10 поступивших машин не удовлетворяют стандартам качества и безопасности. Чему равна вероятность, что хотя бы одна из 5 проверяемых машин будет забракована.

Решение . Р = Р (1) + Р (2) = + =0,5556 + 0,2222 = 0,7778

Доказательство.

Задача 1 . Вероятность того, что случайно выбранный прибор нуждается в дополнительной настройке, равна 0,05. Если при выборочной проверке партии приборов обнаруживается, что не менее 6 % отобранных приборов нуждаются в регулировке, то вся партия возвращается для доработки. Определить вероятность того, что партия будет возвращена, если для контроля из партии выбрано 500 приборов.

Решение. Партия будет возвращена, если число отобранных приборов, нуждающихся в настройке, будет больше 6%, т.е. m 1 = 500 × 6/100 = 30. Далее: p = 0,05: q = 0,95; np = 25; 4,87. За успех считаем, если прибор требует дополнительной настройки.

Применим интегральную теорему Муавра–Лапласа.

Задача 2. Определить, сколько надо отобрать изделий, чтобы с вероятностью 0,95 можно было утверждать, что относительная частота бракованных изделий будет отличаться от вероятности их появления не более чем на 0,01.

Решение. Для решения задачи выберем в качестве математической модели схему Бернулли и воспользуемся формулой (4). Надо найти такое n , чтобы выполнялось равенство (4), если e = 0,01, b = 0,95, вероятность р неизвестна.

Ф (х b) = (1 + 0,95) / 2 = 0,975. По таблице приложения найдем, что х b = 1,96. Тогда по формуле (4) найдем n = ¼ × 1,96 2 /0,01 2 = 9600.

Равномерное распределение

Определение 5. Непрерывная случайная величина Х, принимающая значение на отрезке , имеет равномерное распределение, если плотность распределения имеет вид

. (1)

Нетрудно убедиться, что ,

.

Если случайная величина равномерно распределена, то вероятность того, что она примет значение из заданного интервала не зависит от положения интервала на числовой прямой и пропорциональна длине этого интервала

.

Покажем, что функция распределения Х имеет вид

. (2)

Пусть х Î (–¥,a ), тогда F (x ) = .

Пусть х Î [a ,b ], тогда F (x ) = .

Пусть х Î (b ,+¥], тогда F (x ) = = 0 + .

Найдем медиану x 0,5 . Имеем F (x 0,5) = 0,5, следовательно

Итак, медиана равномерного распределения совпадает с серединой отрезка . На рис.1 приведен график плотности р (х ) и функции распределения F (x )

для равномерного распределения.

Нормальное распределение

Определение 7. Непрерывная случайная величина имеет нормальное распределение, с двумя параметрами a, s, если

, s>0. (5)

Тот факт, что случайная величина имеет нормальное распределение, будем кратко записывать в виде Х ~ N (a ;s ).

Покажем, что p (x ) – плотность

(показано в лекции 6).

График плотности нормального распределения (рис. 3) называют нормальной кривой (кривой Гаусса).

Плотность распределения симметрична относительно прямой х = a . Если х ® ¥, то р (х ) ® 0. При уменьшении s график «стягивается» к оси симметрии х = a .

Нормальное распределение играет особую роль в теории вероятностей и ее приложениях. Это связано с тем, что в соответствии с центральной предельной теоремой теории вероятностей при выполнении определенных условий сумма большого числа случайных величин имеет «примерно» нормальное распределение.

Так как – плотность нормального закона распределения с параметрами а = 0 и s =1, то функция = Ф (х ), с помощью которой вычисляется вероятность , является функцией распределения нормального распределения с параметрами а = 0 и s =1.

Функцию распределения случайной величины Х с произвольными параметрами а , s можно выразить через Ф (х ) – функцию распределения нормальной случайной величины с параметрами а = 0 и s =1.

Пусть Х ~ N (a ;s), тогда

. (6)

Сделаем замену переменных под знаком интеграла , получим

=

F (x ) = . (7)

В практических приложениях теории вероятностей часто требуется найти вероятность того, что случайная величина примет значение из заданного отрезка . В соответствии с формулой (7) эту вероятность можно найти по табличным значениям функции Лапласа

Найдем медиану нормальной случайной величины Х ~ N (a ;s ). Так как плотность распределения р(х) симметрична относительно оси х = а , то

р (х < a ) = p (x > a ) = 0,5.

Следовательно, медиана нормальной случайной величины совпадает с параметром а :

Х 0,5 = а.

Задача 1. Поезда в метро идут с интервалом в 2 мин. Пассажир выходит на платформу в некоторый момент времени. Время Х, в течение которого ему придется ждать поезд, представляет собой случайную величину, распределенную с равномерной плотностью на участке (0, 2) мин. Найти вероятность того, что пассажиру придется ждать ближайший поезд не более 0,5 мин.

Решение . Очевидно, что p(x) = 1/2. Тогда, Р 0,5 = Р(1,52) = = 0,25

Задача 2. Волжский автомобильный завод запускает в производство новый двигатель. Предполагается, что средняя длина пробега автомобиля с новым двигателем – 160 тыс. км, со стандартным отклонением – σ = 30 тыс.км. Чему равна вероятность, что до первого ремонта число км. пробега автомобиля будет находиться в пределах от 100 тыс. км. до 180 тыс. км.

Решение. Р(100000< X < 180000) = Ф(2/3)–Ф(–2) = 0,2454 + 0,4772 = 0,7226.

Свойства дисперсии

1.Дисперсия постоянной C равна 0,DC = 0, С = const .

Доказательство . DC = M (С – MC ) 2 = М (С – С ) = 0.

2. D (CX ) = С 2 DX .

Доказательство. D (CX ) = M (CX ) 2 – M 2 (CX ) = C 2 MX 2 – C 2 (MX ) 2 = C 2 (MX 2 – M 2 X ) = С 2 DX .

3. Если X и Y – независимые случайные величины , то

Доказательство .

4. Если Х 1 , Х 2 , … не зависимы, то .

Это свойство можно доказать методом индукции, используя свойство 3.

Доказательство . D(X – Y) = DX + D(–Y) = DX + (–1) 2 D(Y) = DX + D(Y).

6.

Доказательство . D(C+X) = M(X+C–M(X+C)) 2 = M(X+C–MX–MC) 2 = M(X+C–MX–C) 2 = M(X–MX) 2 = DX.

Пусть – независимые случайные величины, причем , .

Составим новую случайную величину , найдем математическое ожидание и дисперсию Y .

; .

То есть при n ®¥ математическое ожидание среднего арифметического n независимых одинаково распределенных случайных величин остается неизменным, равным математическому ожиданию а, в то время как дисперсия стремится к нулю.

Это свойство статистической устойчивости среднего арифметического лежит в основе закона больших чисел.

Нормальное распределение

Пусть X имеет нормальное распределение. Раннее, в лекции 11 (пример 2) было показано, что если

То Y ~ N(0,1).

Отсюда , и тогда , поэтому найдем сначала DY .

Следовательно

DX = D (sY +a ) = s 2 DY = s 2 , s x = s. (2)

Распределение Пуассона

Как известно

Следовательно,

Равномерное распределение

Известно, что .

Ранее мы показали, что , воспользуемся формулой .

Доказательство.

Последний интеграл в цепочке равенств равен 0, так как из условия задачи следует, что p(MX+t) – четная функция относительно t (p(MX+t) = p(MX-t) ), а t 2 k +1 – нечетная функция.

Так как плотности нормального и равномерного законов распределений симметричны относительно х = МХ , то все центральные моменты нечетного порядка равны 0.

Теорема 2. Если X ~N (a ,s), то .

Чем больше моментов случайной величины известно, тем более детальное представление о законе распределения мы имеем. В теории вероятностей и математической статистике наиболее часто используются две числовые характеристики, основанные на центральных моментах 3-го и 4-го порядков. Это коэффициент асимметрии и эксцесс случайной величины.

Определение 3. Коэффициентом асимметрии случайной величины Х называется число b = .

Коэффициент асимметрии является центральным и начальным моментом нормированной случайной величины Y , где . Справедливость этого утверждения следует из следующих соотношений:

Асимметрия случайной величины Х равна асимметрии случайной величины Y = αХ + β

c точностью до знака α, . Это следует из того, что нормирование случайных величин aХ + b и Х приводит к одной и той же случайной величине Y с точностью до знака

Если распределение вероятностей несимметрично, причем «длинная часть» графика расположена справа от центра группирования, то β(х ) > 0; если же «длинная часть» графика расположена слева, то β(х ) < 0. Для нормального и равномерного распределений β = 0.

В качестве характеристики большей или меньшей степени «сглаженности» кривой плотности или многоугольника распределения по сравнению с нормальной плотностью используется понятие эксцесса.

Определение 4. Эксцессом случайной величины Х называется величина

Эксцесс случайной величины Х равен разности начального и центрального моментов 4-го порядка нормированной случайной величины и числа3, т.е. . Покажем это:

Эксцесс случайной величины Х равен эксцессу случайной величины

Y = αХ + β.

Найдем эксцесс нормальной случайной величины Х.

Если Х ~N (a ,s), то ~ (0,1).

Таким образом, эксцесс нормально распределенной случайной величины равен 0. Если плотность распределения одномодальна и более «островершинна», чем плотность нормального распределения с той же дисперсией, то g(Х ) > 0, если при тех же условиях менее «островершинна», то g(Х ) < 0.

Закон больших чисел

Закон больших чисел устанавливает условия сходимости среднего арифметического случайных величин к среднему арифметическому математических ожиданий.

Определение 1 . Последовательность случайных величин называется сходящейся по вероятности p к числу b, если

.

Перейдем в этом неравенстве к пределу при и получим

.

Интервальная оценка

Если получена точечная оценка неизвестного параметра по выборке, то говорить о полученной оценке как об истинном параметре довольно рискованно. В некоторых случаях, целесообразнее, получив разброс оценки параметра, говорить об интервальной оценке истинного значения параметра. В качестве иллюстрации сказанного рассмотрим построение доверительного интервала для математического ожидания нормального распределения.

Мы показали, что – наилучшая оценка (абсолютно корректная) для математического ожидания МХ = Q, поэтому является абсолютно корректной оценкой также и для параметра a = нормального распределенияР, где t – значение аргумента функции Лапласа, при котором Ф (t ) = , e = .

1. Колемаев В.А., Староверов О.В., Турундаевский В.Б. Теория вероятностей и мате-

матическая статистика. М.: Высшая Школа, 1991.

2. Елисеева И.И., Князевский В.С., Ниворожкина Л.И., Морозова З.А. Теория статистики с основами теории вероятностей. М.: Юнити, 2001.

3. Секей Г. Парадоксы в теории вероятностей и математической статистике. М.: Мир, 1990.

4. Кремер Н.Ш. Теория вероятностей и математическая статистика. М.: Юнити, 2001

5. Смирнов Н.В. Дунин-Барковский И.В. Курс теории вероятностей и математической статистики для технических приложений. М.: Наука,1969.

6. Статистические методы построения эмпирических формул. М.: Высшая Школа, 1988.


ЛЕКЦИЯ 1. ТЕОРИИ ВЕРОЯТНОСТЕЙ. ИСТОРИЯ ВОЗНИКНОВЕНИЯ. КЛАССИЧЕСКОЕ ОПРЕДЕЛЕНИЕ ВЕРОЯТНОСТИ.. 3

ЛЕКЦИЯ 2. ТЕОРЕМЫ СЛОЖЕНИЯ И УМНОЖЕНИЯ ВЕРОЯТНОСТЕЙ. СТАТИСТИЧЕСКОЕ, ГЕОМЕТРИЧЕСКОЕ ОПРЕДЕЛЕНИЕ ВЕРОЯТНОСТИ.. 8

ЛЕКЦИЯ 3. АКСИОМАТИЧЕСКОЕ ПОСТРОЕНИЕ ТЕОРИИ ВЕРОЯТНОСТЕЙ. АКСИОМАТИКА КОЛМОГОРОВА.. 14

ЛЕКЦИЯ 4. СЛУЧАЙНАЯ ВЕЛИЧИНА. ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ.. 17

ЛЕКЦИЯ 5. РАСПРЕДЕЛЕНИЯ ДИСКРЕТНЫХ СЛУЧАЙНЫХ ВЕЛИЧИН.. 21

ЛЕКЦИЯ 6. ИНТЕГРАЛЬНАЯ ТЕОРЕМА МУАВРА–ЛАПЛАСА, ТЕОРЕМА БЕРНУЛЛИ.. 26

ЛЕКЦИЯ 7. НЕПРЕРЫВНЫЕ СЛУЧАЙНЫЕ ВЕЛИЧИНЫ... 29

ЛЕКЦИЯ 8. ПОНЯТИЕ МНОГОМЕРНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ... 35

ЛЕКЦИЯ 9. ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ МНОГОМЕРНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ... 39

ЛЕКЦИЯ 10. СВОЙСТВА ПЛОТНОСТИ ВЕРОЯТНОСТЕЙ ДВУМЕРНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ 43

ЛЕКЦИЯ 11. ФУНКЦИИ ОТ СЛУЧАЙНЫХ ВЕЛИЧИН.. 48

ЛЕКЦИЯ 12. ТЕОРЕМА О ПЛОТНОСТИ СУММЫ ДВУХ СЛУЧАЙНЫХ ВЕЛИЧИН.. 52

ЛЕКЦИЯ 13. РАСПРЕДЕЛЕНИЯ СТЬЮДЕНТА, ФИШЕРА.ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ СЛУЧАЙНЫ

Вероятностью события называется отношение числа элементарных исходов, благоприятствующих данному событию, к числу всех равно­возможных исходов опыта в котором может появиться это событие. Вероятность события А обозначают через Р(А) (здесь Р - первая буква французского слова probabilite - вероятность). В соответствии с определением
(1.2.1)
где - число элементарных исходов, благоприятствующих событию А; - число всех равновозможных элементарных исходов опыта, образующих полную группу событий.
Это определение вероятности называют классическим. Оно возникло на начальном этапе развития теории вероятностей.

Вероятность события имеет следующие свойства:
1. Вероятность достоверного события равна единице. Обозначим достоверное событие буквой . Для достоверного события , поэтому
(1.2.2)
2. Вероятность невозможного события равна нулю. Обозначим невозможное событие буквой . Для невозможного события , поэтому
(1.2.3)
3. Вероятность случайного события выражается положительным числом, меньшим единицы. Поскольку для случайного события выполняются неравенства , или , то
(1.2.4)
4. Вероятность любого события удовлетворяет неравенствам
(1.2.5)
Это следует из соотношений (1.2.2) -(1.2.4).

Пример 1. В урне 10 одинаковых по размерам и весу шаров, из ко­торых 4 красных и 6 голубых. из урны извлекается один шар. Какова вероятность того, что извлеченный шар окажется голубым?

Решение . Событие "извлеченный шар оказался голубым" обозначим буквой А. Данное испытание имеет 10 равновозможных элементарных исходов, из которых 6 благоприятствуют событию А. В соответствии с формулой (1.2.1) получаем

Пример 2. Все натуральные числа от 1 до 30 записаны на одинако­вых карточках и помещены в урну. После тщательного перемешивания карточек из урны извлекается одна карточка. Какова вероятность того,что число на взятой карточке окажется кратным 5?

Решение. Обозначим через А событие "число на взятой карточке кратно 5". В данном испытании имеется 30 равновозможных элементар­ных исходов, из которых событию А благоприятствуют 6 исходов (числа 5, 10, 15, 20, 25, 30). Следовательно,

Пример 3. Подбрасываются два игральных кубика, подсчитывается сумма очков на верхних гранях. Найти вероятность события В, состоя­щего в том, что на верхних гранях кубиков в сумме будет 9 очков.

Решение. В этом испытании всего 6 2 = 36 равновозможных элемен­тарных исходов. Событию В благоприятствуют 4 исхода: (3;6), (4;5), (5;4), (6;3), поэтому

Пример 4 . Наудачу выбрано натуральное число, не превосходящее 10. Какова вероятность того, что это число является простым?

Решение. Обозначим буквой С событие "выбранное число является простым". В данном случае n = 10, m = 4 (простые числа 2, 3, 5, 7). Следовательно, искомая вероятность

Пример 5. Подбрасываются две симметричные монеты. Чему равна вероятность того, что на верхних сторонах обеих монет оказались цифры?

Решение. Обозначим буквой D событие "на верхней стороне каж­дой монеты оказалась цифра". В этом испытании 4 равновозможных элементарных исходов: (Г, Г), (Г, Ц), (Ц, Г), (Ц, Ц). (Запись (Г, Ц) озна­чает, что на первой монете герб, на второй - цифра). Событию D благо­приятствует один элементарный исход (Ц, Ц). Поскольку m = 1, n = 4 , то

Пример 6. Какова вероятность того, что в наудачу выбранном дву­значном числе цифры одинаковы?

Решение. Двузначными числами являются числа от 10 до 99; всего таких чисел 90. Одинаковые цифры имеют 9 чисел (это числа 11, 22, 33, 44, 55, 66, 77, 88, 99). Так как в данном случае m = 9, n = 90, то
,
где А -событие "число с одинаковыми цифрами".

Пример 7. Из букв слова дифференциал наугад выбирается одна буква. Какова вероятность того, что эта буква будет: а) гласной, б) согласной, в) буквой ч ?

Решение . В слове дuфференцuал 12 букв, из них 5 гласных и 7 со­гласных. Буквы ч в этом слове нет. Обозначим события: А - "гласная буква", В - "согласная буква", С - "буква ч ". Число благоприятствующих элементарных исходов: -для события А, - для события В, - для события С. Поскольку n = 12 , то
, и .

Пример 8. Подбрасывается два игральных кубика, отмечается чис­ло очков на верхней грани каждого кубика. Найти вероятность того, на обоих кубиках выпало одинаковое число очков.

Решение. Обозначим это событие буквой А. Событюо А благопри­ятствуют 6 элементарных исходов: (1;]), (2;2), (3;3), (4;4), (5;5), (6;6). Всего равновозможных элементарных исходов, образующих полную группу событий, в данном случае n=6 2 =36. Значит, искомая вероятность

Пример 9. В книге 300 страниц. Чему равна вероятность того, что наугад открытая страница будет иметь порядковый номер, кратный 5?

Решение. Из условия задачи следует, что всех равновозможных элементарных исходов, образующих полную группу событий, будет n = 300. Из них m = 60 благоприятствуют наступлению указанного со­бытия. Действительно, номер, кратный 5, имеет вид 5k, где k -натураль­ное число, причем , откуда . Следовательно,
, где А - событие "страница" имеет порядковый номер, кратный 5".

Пример 10 . Подбрасываются два игральных кубика, подсчитыва­ется сумма очков на верхних гранях. Что вероятнее -получить в сумме 7 или 8?

Решение . Обозначим события: А - "выпало 7 очков", В - "выпало 8 очков". Событию А благоприятствуют 6 элементарных исходов: (1; 6), (2; 5),(3; 4), (4; 3), (5; 2), (6; 1), а событию В - 5 исходов: (2; 6), (3; 5), (4; 4), (5; 3), (6; 2). Всех равновозможных элементарных исходов n = 6 2 = 36. Значит, и .

Итак, Р(А)>Р(В), то есть получить в сумме 7 очков - более вероятное собы­тие, чем получить в сумме 8 очков.

Задачи

1. Наудачу выбрано натуральное число, не превосходящее 30. Како­ва вероятность того, что это число кратно 3?
2. В урне a красных и b голубых шаров, одинаковых по размерам и весу. Чему равна вероятность того, что наудачу извлеченный шар из этой урны окажется голубым?
3. Наудачу· выбрано число, не превосходящее 30. Какова вероятность того, что это число является делителем зо?
4. В урне а голубых и b красных шаров, одинаковых по размерам и весу. Из этой урны извлекают один шар и откладывают в сторону. Этот шар оказался красным. После этого из урны вынимают еще один шар. Найти вероятность того, что второй шар также красный.
5. Наудачу выбрано наryральное число, не превосходящее 50. Какова вероятность того, что это число является простым?
6. Подбрасывается три игральных кубика, подсчитывается сумма очков на верхних гранях. Что вероятнее - получить в сумме 9 или 10 оч­ков?
7. Подбрасывается три игральных кубика, подсчитывается сумма выпавших очков. Что вероятнее - получить в сумме 11 (событие А) или 12 очков (событие В)?

Ответы

1. 1/3. 2 . b /(a +b ). 3 . 0,2. 4 . (b -1)/(a +b -1). 5 .0,3.6 . p 1 = 25/216 - вероятность получить в сумме 9 очков; p 2 = 27/216 - вероятность получить в сумме 10 очков; p 2 > p 1 7 . Р(А) = 27/216, Р(В) = 25/216, Р(А) > Р(В).

Вопросы

1. Что называют вероятностью события?
2. Чему равна вероятность достоверного события?
3. Чему равна вероятность невозможного события?
4. В каких пределах заключена вероятность случайного события?
5. В каких пределах заключена вероятность любого события?
6. Какое определение вероятности называют классическим?

Приведенные к настоящему моменту в открытом банке задач ЕГЭ по математике (mathege.ru), решение которых основано на одной лишь формуле, представляющей собой классическое определение вероятности.

Понять формулу проще всего на примерах.
Пример 1. В корзине 9 красных шаров и 3 синих. Шары различаются только цветом. Наугад (не глядя) достаём один из них. Какова вероятность того, что выбранный таким образом шар окажется синего цвета?

Комментарий. В задачах по теории вероятности происходит нечто (в данном случае наше действие по вытаскиванию шара), что может иметь разный результат - исход. Нужно заметить, что на результат можно смотреть по-разному. "Мы вытащили какой-то шар" - тоже результат. "Мы вытащили синий шар" - результат. "Мы вытащили именно вот этот шар из всех возможных шаров" - такой наименее обобщенный взгляд на результат называется элементарным исходом. Именно элементарные исходы имеются в виду в формуле для вычисления вероятности.

Решение. Теперь вычислим вероятность выбора синего шара.
Событие А: "выбранный шар оказался синего цвета"
Общее число всех возможных исходов: 9+3=12 (количество всех шаров, которые мы могли бы вытащить)
Число благоприятных для события А исходов: 3 (количество таких исходов, при которых событие А произошло, - то есть, количество синих шаров)
P(A)=3/12=1/4=0,25
Ответ: 0,25

Посчитаем для той же задачи вероятность выбора красного шара.
Общее число возможных исходов останется тем же, 12. Число благоприятных исходов: 9. Искомая вероятность: 9/12=3/4=0,75

Вероятность любого события всегда лежит в пределах от 0 до 1.
Иногда в повседневной речи (но не в теории вероятности!) вероятность событий оценивают в процентах. Переход между математической и разговорной оценкой осуществляется путем умножения (или деления) на 100%.
Итак,
При этом вероятность равна нулю у событий, которые не могут произойти - невероятны. Например, в нашем примере это была бы вероятность вытащить из корзины зеленый шар. (Число благоприятных исходов равно 0, Р(А)=0/12=0, если считать по формуле)
Вероятность 1 имеют события, которые абсолютно точно произойдут, без вариантов. Например, вероятность того, что «выбранный шар окажется или красным или синим» - для нашей задачи. (Число благоприятных исходов: 12, Р(А)=12/12=1)

Мы рассмотрели классический пример, иллюстрирующий определение вероятности. Все подобные задачи ЕГЭ по теории вероятности решаются применением данной формулы.
На месте красных и синих шаров могут быть яблоки и груши, мальчики и девочки, выученные и невыученные билеты, билеты, содержащие и не содержащие вопрос по какой-то теме (прототипы , ), бракованные и качественные сумки или садовые насосы (прототипы , ) – принцип остается тем же.

Немного отличаются формулировкой задачи теории вероятности ЕГЭ, где нужно вычислить вероятность выпадения какого-то события на определенный день. ( , ) Как и в предыдущих задачах нужно определить, что является элементарным исходом, после чего применить ту же формулу.

Пример 2. Конференция длится три дня. В первый и второй день выступают по 15 докладчиков, в третий день – 20. Какова вероятность того, что доклад профессора М. выпадет на третий день, если порядок докладов определяется жеребьевкой?

Что здесь является элементарным исходом? – Присвоение докладу профессора какого-то одного из всех возможных порядковых номеров для выступления. В жеребьевке участвует 15+15+20=50 человек. Таким образом, доклад профессора М. может получить один из 50 номеров. Значит, и элементарных исходов всего 50.
А какие исходы благоприятные? – Те, при которых окажется, что профессор будет выступать в третий день. То есть, последние 20 номеров.
По формуле вероятность P(A)= 20/50=2/5=4/10=0,4
Ответ: 0,4

Жеребьевка здесь представляет собой установление случайного соответствия между людьми и упорядоченными местами. В примере 2 установление соответствия рассматривалось с точки зрения того, какое из мест мог бы занять конкретный человек. Можно к той же ситуации подходить с другой стороны: кто из людей с какой вероятностью мог бы попасть на конкретное место (прототипы , , , ):

Пример 3. В жеребьевке участвуют 5 немцев, 8 французов и 3 эстонца. Какова вероятность того, что первым (/вторым/седьмым/последним – не важно) будет выступать француз.

Количество элементарных исходов – количество всех возможных людей, которые могли бы по жеребьевке попасть на данное место. 5+8+3=16 человек.
Благоприятные исходы – французы. 8 человек.
Искомая вероятность: 8/16=1/2=0,5
Ответ: 0,5

Немного отличается прототип . Остались задачи про монеты () и игральные кости (), несколько более творческие. Решение этих задач можно посмотреть на страницах прототипов.

Приведем несколько примеров на бросание монеты или кубика.

Пример 4. Когда подбрасываем монету, какова вероятность выпадения решки?
Исходов 2 – орел или решка. (считается, что монета никогда не падает на ребро) Благоприятный исход – решка, 1.
Вероятность 1/2=0,5
Ответ: 0,5.

Пример 5. А если подбрасываем монету два раза? Какова вероятность того, что оба раза выпадет орел?
Главное определить, какие элементарные исходы будем рассматривать при подбрасывании двух монет. После подбрасывания двух монет может получиться один из следующих результатов:
1) PP – оба раза выпала решка
2) PO – первый раз решка, второй раз орел
3) OP – первый раз орел, второй раз решка
4) OO – оба раза выпал орел
Других вариантов нет. Значит, элементарных исходов 4. Благоприятный из них только первый, 1.
Вероятность: 1/4=0,25
Ответ: 0,25

Какова вероятность того, что из двух подбрасываний монеты один раз выпадет решка?
Количество элементарных исходов то же, 4. Благоприятные исходы – второй и третий, 2.
Вероятность выпадения одной решки: 2/4=0,5

В таких задачах может пригодиться ещё одна формула.
Если при одном бросании монеты возможных вариантов результата у нас 2, то для двух бросаний результатов будет 2·2=2 2 =4 (как в примере 5), для трех бросаний 2·2·2=2 3 =8, для четырех: 2·2·2·2=2 4 =16, … для N бросаний возможных результатов будет 2·2·...·2=2 N .

Так, можно найти вероятность выпадения 5 решек из 5 бросаний монеты.
Общее число элементарных исходов: 2 5 =32.
Благоприятных исходов: 1. (РРРРР – все 5 раз решка)
Вероятность: 1/32=0,03125

То же верно и для игральной кости. При одном бросании возможных результатов здесь 6. Значит, для двух бросаний: 6·6=36, для трех 6·6·6=216, и т. д.

Пример 6. Бросаем игральную кость. Какова вероятность, что выпадет четное число?

Всего исходов: 6, по числу граней.
Благоприятных: 3 исхода. (2, 4, 6)
Вероятность: 3/6=0,5

Пример 7. Бросаем две игральные кости. Какова вероятность, что в сумме выпадет 10? (округлить до сотых)

Для одного кубика 6 возможных исходов. Значит, для двух, по вышеупомянутому правилу, 6·6=36.
Какие исходы будут благоприятными для того, чтоб в сумме выпало 10?
10 надо разложить на сумму двух чисел от 1 до 6. Это можно сделать двумя способами: 10=6+4 и 10=5+5. Значит, для кубиков возможны варианты:
(6 на первом и 4 на втором)
(4 на первом и 6 на втором)
(5 на первом и 5 на втором)
Итого, 3 варианта. Искомая вероятность: 3/36=1/12=0,08
Ответ: 0,08

Другие типы задач B6 будут рассмотрены в одной из следующих статей «Как решать».

Необходимость в действиях над вероятностями наступает тогда, когда известны вероятности некоторых событий, а вычислить нужно вероятности других событий, которые связаны с данными событиями.

Сложение вероятностей используется тогда, когда нужно вычислить вероятность объединения или логической суммы случайных событий.

Сумму событий A и B обозначают A + B или A ∪ B . Суммой двух событий называется событие, которое наступает тогда и только тогда, когда наступает хотя бы одно из событий. Это означает, что A + B – событие, которое наступает тогда и только тогда, когда при наблюдении произошло событие A или событие B , или одновременно A и B .

Если события A и B взаимно несовместны и их вероятности даны, то вероятность того, что в результате одного испытания произойдёт одно из этих событий, рассчитывают, используя сложение вероятностей.

Теорема сложения вероятностей. Вероятность того, что произойдёт одно из двух взаимно несовместных событий, равна сумме вероятностей этих событий:

Например, на охоте произведены два выстрела. Событие А – попадание в утку с первого выстрела, событие В – попадание со второго выстрела, событие (А + В ) – попадание с первого или второго выстрела или с двух выстрелов. Итак, если два события А и В – несовместные события, то А + В – наступление хотя бы одного из этих событий или двух событий.

Пример 1. В ящике 30 мячиков одинаковых размеров: 10 красных, 5 синих и 15 белых. Вычислить вероятность того, что не глядя будет взят цветной (не белый) мячик.

Решение. Примем, что событие А – «взят красный мячик», а событие В – «взят синий мячик». Тогда событие - «взят цветной (не белый) мячик». Найдём вероятность события А :

и события В :

События А и В – взаимно несовместные, так как если взят один мячик, то нельзя взять мячики разных цветов. Поэтому используем сложение вероятностей:

Теорема сложения вероятностей для нескольких несовместных событий. Если события составляют полное множество событий, то сумма их вероятностей равна 1:

Сумма вероятностей противоположных событий также равна 1:

Противоположные события образуют полное множество событий, а вероятность полного множества событий равна 1.

Вероятности противоположных событий обычно обозначают малыми буквами p и q . В частности,

из чего следуют следующие формулы вероятности противоположных событий:

Пример 2. Цель в тире разделена на 3 зоны. Вероятность того что некий стрелок выстрелит в цель в первой зоне равна 0,15, во второй зоне – 0,23, в третьей зоне – 0,17. Найти вероятность того, что стрелок попадет в цель и вероятность того, что стрелок попадёт мимо цели.

Решение: Найдём вероятность того, что стрелок попадёт в цель:

Найдём вероятность того, что стрелок попадёт мимо цели:

Задачи посложнее, в которых нужно применять и сложение и умножение вероятностей - на странице "Различные задачи на сложение и умножение вероятностей" .

Сложение вероятностей взаимно совместных событий

Два случайных события называются совместными, если наступление одного события не исключает наступления второго события в том же самом наблюдении. Например, при бросании игральной кости событием А считается выпадение числа 4, а событием В – выпадение чётного числа. Поскольку число 4 является чётным числом, эти два события совместимы. В практике встречаются задачи по расчёту вероятностей наступления одного из взаимно совместных событий.

Теорема сложения вероятностей для совместных событий. Вероятность того, что наступит одно из совместных событий, равна сумме вероятностей этих событий, из которой вычтена вероятность общего наступления обоих событий, то есть произведение вероятностей. Формула вероятностей совместных событий имеет следующий вид:

Поскольку события А и В совместимы, событие А + В наступает, если наступает одно из трёх возможных событий: или АВ . Согласно теореме сложения несовместных событий, вычисляем так:

Событие А наступит, если наступит одно из двух несовместных событий: или АВ . Однако вероятность наступления одного события из нескольких несовместных событий равна сумме вероятностей всех этих событий:

Аналогично:

Подставляя выражения (6) и (7) в выражение (5), получаем формулу вероятности для совместных событий:

При использовании формулы (8) следует учитывать, что события А и В могут быть:

  • взаимно независимыми;
  • взаимно зависимыми.

Формула вероятности для взаимно независимых событий:

Формула вероятности для взаимно зависимых событий:

Если события А и В несовместны, то их совпадение является невозможным случаем и, таким образом, P (AB ) = 0. Четвёртая формула вероятности для несовместных событий такова:

Пример 3. На автогонках при заезде на первой автомашине вероятность победить , при заезде на второй автомашине . Найти:

  • вероятность того, что победят обе автомашины;
  • вероятность того, что победит хотя бы одна автомашина;

1) Вероятность того, что победит первая автомашина, не зависит от результата второй автомашины, поэтому события А (победит первая автомашина) и В (победит вторая автомашина) – независимые события. Найдём вероятность того, что победят обе машины:

2) Найдём вероятность того, что победит одна из двух автомашин:

Задачи посложнее, в которых нужно применять и сложение и умножение вероятностей - на странице "Различные задачи на сложение и умножение вероятностей" .

Решить задачу на сложение вероятностей самостоятельно, а затем посмотреть решение

Пример 4. Бросаются две монеты. Событие A - выпадение герба на первой монете. Событие B - выпадение герба на второй монете. Найти вероятность события C = A + B .

Умножение вероятностей

Умножение вероятностей используют, когда следует вычислить вероятность логического произведения событий.

При этом случайные события должны быть независимыми. Два события называются взаимно независимыми, если наступление одного события не влияет на вероятность наступления второго события.

Теорема умножения вероятностей для независимых событий. Вероятность одновременного наступления двух независимых событий А и В равна произведению вероятностей этих событий и вычисляется по формуле:

Пример 5. Монету бросают три раза подряд. Найти вероятность того, что все три раза выпадет герб.

Решение. Вероятность того, что при первом бросании монеты выпадет герб , во второй раз , в третий раз . Найдём вероятность того, что все три раза выпадет герб:

Решить задачи на умножение вероятностей самостоятельно, а затем посмотреть решение

Пример 6. Имеется коробка с девятью новыми теннисными мячами. Для игры берут три мяча, после игры их кладут обратно. При выборе мячей игранные от неигранных не отличают. Какова вероятность того, что после трёх игр в коробке не останется неигранных мячей?

Пример 7. 32 буквы русского алфавита написаны на карточках разрезной азбуки. Пять карточек вынимаются наугад одна за другой и укладываются на стол в порядке появления. Найти вероятность того, что из букв получится слово "конец".

Пример 8. Из полной колоды карт (52 листа) вынимаются сразу четыре карты. Найти вероятность того, что все эти четыре карты будут разных мастей.

Пример 9. Та же задача, что в примере 8, но каждая карта после вынимания возвращается в колоду.

Задачи посложнее, в которых нужно применять и сложение и умножение вероятностей, а также вычислять произведение нескольких событий - на странице "Различные задачи на сложение и умножение вероятностей" .

Вероятность того, что произойдёт хотя бы одно из взаимно независимых событий , можно вычислить путём вычитания из 1 произведения вероятностей противоположных событий , то есть по формуле:

Пример 10. Грузы доставляют тремя видами транспорта: речным, железнодорожным и автотранспортом. Вероятность того, что груз будет доставлен речным транспортом, составляет 0,82, железнодорожным транспортом 0,87, автотранспортом 0,90. Найти вероятность того, что груз будет доставлен хотя бы одним из трёх видов транспорта.

Разделы