Теория математической вероятности. Математика для программистов: теория вероятностей

Возникновение теории вероятностей относится к середине XVII века, когда математики заинтересовались задачами, поставленными азартными игроками и до сих пор не изучавшимися в математике. В процессе решения этих задач выкристаллизовались такие понятия, как вероятность и математическое ожидание. При этом ученые того времени – Гюйгенс (1629-1695), Паскаль (1623-1662), Ферма (1601-1665) и Бернулли (1654-1705) были убеждены, что на базе массовых случайных событий могут возникать четкие закономерности. И только состояние естествознания привело к тому, что азартные игры еще долго продолжали оставаться тем почти единственным конкретным материалом, на базе которого создавались понятия и методы теории вероятностей. Это обстоятельство накладывало отпечаток и на формально-математический аппарат, посредством которого решались возникавшие в теории вероятностей задачи: он сводился исключительно к элементарно-арифметическим и комбинаторным методам.

Серьезные требования со стороны естествознания и общественной практики (теория ошибок наблюдения, задачи теории стрельбы, проблемы статистики, в первую очередь статистики народонаселения) привели к необходимости дальнейшего развития теории вероятностей и привлечения более развитого аналитического аппарата. Особенно значительную роль в развитии аналитических методов теории вероятностей сыграли Муавр (1667-1754), Лаплас (1749-1827), Гаусс (1777-1855), Пуассон (1781-1840). С формально-аналитической стороны к этому же направлению примыкает работа создателя неевклидовой геометрии Лобачевского (1792-1856), посвященная теории ошибок при измерениях на сфере и выполненная целью установления геометрической системы, господствующей во вселенной.

Теория вероятностей, подобно другим разделам математики, развилась из потребностей практики: в абстрактной форме она отражает закономерности, присущие случайным событиям массового характера. Эти закономерности играют исключительно важную роль в физике и других областях естествознания, разнообразнейших технических дисциплинах, экономике, социологии, биологии. В связи с широким развитием предприятий, производящих массовую продукцию, результаты теории вероятностей стали использоваться не только для браковки уже изготовленной продукции, но и для организации самого процесса производства (статистический контроль в производстве).

Основные понятия теории вероятностей

Теория вероятностей объясняет и исследует различные закономерности, которым подчинены случайные события и случайные величины. Событием является любой факт, который можно констатировать в результате наблюдения или опыта. Наблюдением или опытом называют реализацию определенных условий, в которых событие может состояться.

Опыт означает, что упомянутый комплекс обстоятельств создан сознательно. В ходе наблюдения сам наблюдающий комплекс этих условий не создает и не влияет на него. Его создают или силы природы или другие люди.

Что нужно знать, чтобы определять вероятности событий

Все события, за которыми люди наблюдают или сами создают их, делятся на:

• достоверные события;
• невозможные события;
• случайные события.

Достоверные события наступают всегда, когда создан определенный комплекс обстоятельств. Например, если работаем, то получаем за это вознаграждение, если сдали экзамены и выдержали конкурс, то достоверно можем рассчитывать на то, что включены в число студентов. Достоверные события можно наблюдать в физике и химии. В экономике достоверные события связаны с существующим общественным устройством и законодательством. Например, если мы вложили деньги в банк на депозит и выразили желание в определенный срок их получить, то деньги получим. На это можно рассчитывать как на достоверное событие.

Невозможные события определенно не наступают, если создался определенный комплекс условий. Например, вода не замерзает, если температура составляет плюс 15 градусов по Цельсию, производство не ведется без электроэнергии.

Случайные события при реализации определенного комплекса условий могут наступить и могут не наступить. Например, если мы один раз подбрасываем монету, герб может выпасть, а может не выпасть, по лотерейному билету можно выиграть, а можно не выиграть, произведенное изделие может быть годным, а может быть бракованным. Появление бракованного изделия является случайным событием, более редким, чем производство годных изделий.

Ожидаемая частота наступления случайных событий тесно связана с понятием вероятности. Закономерности наступления и ненаступления случайных событий исследует теория вероятностей.

Если комплекс нужных условий реализован лишь один раз, то получаем недостаточно информации о случайном событии, поскольку оно может наступить, а может не наступить. Если комплекс условий реализован много раз, то появляются известные закономерности. Например, никогда невозможно узнать, какой кофейный аппарат в магазине потребует очередной покупатель, но если известны марки наиболее востребованных в течение длительного времени кофейных аппаратов, то на основе этих данных возможно организовать производство или поставки, чтобы удовлетворить спрос.

Знание закономерностей, которым подчинены массовые случайные события, позволяет прогнозировать, когда эти события наступят. Например, как уже ранее отмечено, заранее нельзя предусмотреть результат бросания монеты, но если монета брошена много раз, то можно предусмотреть выпадение герба. Ошибка может быть небольшой.

Методы теории вероятностей широко используются в различных отраслях естествознания, теоретической физике, геодезии, астрономии, теории автоматизированного управления, теории наблюдения ошибок, и во многих других теоретических и практических науках. Теория вероятностей широко используется в планировании и организации производства, анализе качества продукции, анализе технологических процессов, страховании, статистике населения, биологии, баллистике и других отраслях.

Случайные события обычно обозначают большими буквами латинского алфавита A, B, C и т.д.

Случайные события могут быть:

• несовместными;
• совместными.

События A, B, C … называют несовместными , если в результате одного испытания может наступить одно из этих событий, но невозможно наступление двух или более событий.

Если наступление одного случайного события не исключает наступление другого события, то такие события называют совместными . Например, если с ленты конвейера снимают очередную деталь и событие А означает «деталь соответствует стандарту», а событие B означает «деталь не соответствует стандарту», то A и B – несовместные события. Если событие C означает «взята деталь II сорта», то это событие совместно с событием A, но несовместно с событием B.

Если в каждом наблюдении (испытании) должно произойти одно и только одно из несовместных случайных событий, то эти события составляют полное множество (систему) событий .

Достоверным событием является наступление хотя бы одного события из полного множества событий.

Если события, образующие полное множество событий, попарно несовместны , то в результате наблюдения может наступить только одно из этих событий. Например, студент должен решить две задачи контрольной работы. Определенно произойдет одно и только одно из следующих событий:

• будет решена первая задача и не будет решена вторая задача;
• будет решена вторая задача и не будет решена первая задача;
• будут решены обе задачи;
• не будет решена ни одна из задач.

Эти события образуют полное множество несовместных событий .

Если полное множество событий состоит только из двух несовместных событий, то их называют взаимно противоположными или альтернативными событиями.

Событие, противоположное событию , обозначают . Например, в случае одного подбрасывания монеты может выпасть номинал () или герб ().

События называют равновозможными , если ни у одного из них нет объективных преимуществ. Такие события также составляют полное множество событий. Это значит, что в результате наблюдения или испытания определенно должно наступить по меньшей мере одно из равновозможных событий.

Например, полную группу событий образуют выпадение номинала и герба при одном подбрасывании монеты, наличие на одной печатной странице текста 0, 1, 2, 3 и более 3 ошибок.

Определения и свойства вероятностей

Классическое определение вероятности. Возможностью или благоприятным случаем называют случай, когда при реализации определённого комплекса обстоятельств события А происходят. Классическое определение вероятности предполагает напрямую вычислить число благоприятных случаев или возможностей.

Классическая и статистическая вероятности. Формулы вероятностей: классической и статистической

Вероятностью события А называют отношение числа благоприятных этому событию возможностей к числу всех равновозможных несовместных событий N , которые могут произойти в результате одного испытания или наблюдения. Формула вероятности события А :

Если совершенно понятно, о вероятности какого события идёт речь, то тогда вероятность обозначают маленькой буквой p , не указывая обозначения события.

Чтобы вычислить вероятность по классическому определению, необходимо найти число всех равновозможных несовместных событий и определить, сколько из них благоприятны определению события А .

Пример 1. Найти вероятность выпадения числа 5 в результате бросания игральной кости.

Решение. Известно, что у всех шести граней одинаковая возможность оказаться наверху. Число 5 отмечено только на одной грани. Число всех равновозможных несовместных событий насчитывается 6, из них только одна благоприятная возможность выпадения числа 5 (М = 1). Это означает, что искомая вероятность выпадения числа 5

Пример 2. В ящике находятся 3 красных и 12 белых одинаковых по размеру мячиков. Не глядя взят один мячик. Найти вероятность, что взят красный мячик.

Решение. Искомая вероятность

Найти вероятности самостоятельно, а затем посмотреть решение

Пример 3. Бросается игральная кость. Событие B - выпадение чётного числа. Вычислить вероятность этого события.

Пример 5. В урне 5 белых и 7 чёрных шаров. Случайно вытаскивается 1 шар. Событие A - вытянут белый шар. Событие B - вытянут чёрный шар. Вычислить вероятности этих событий.

Классическую вероятность называют также априорной вероятностью, так как её рассчитывают перед началом испытания или наблюдения. Из априорного характера классической вероятности вытекает её главный недостаток: только в редких случаях уже перед началом наблюдения можно вычислить все равновозможные несовместные события и в том числе благоприятные события. Такие возможности обычно возникают в ситуациях, родственных играм.

Сочетания. Если последовательность событий не важна, число возможных событий вычисляют как число сочетаний:

Пример 6. В группе 30 студентов. Трём студентам следует направиться на кафедру информатики, чтобы взять и принести компьютер и проектор. Вычислить вероятность того, что это сделают три определённых студента.

Решение. Число возможных событий рассчитываем, используя формулу (2):

Вероятность того, что на кафедру отправятся три определённых студента:

Пример 7. Продаются 10 мобильных телефонов. Их них у 3 есть дефекты. Покупатель выбрал 2 телефона. Вычислить вероятность того, что оба выбранных телефона будут с дефектами.

Решение. Число всех равновозможных событий находим по формуле (2):

По той же формуле находим число благоприятных событию возможностей:

Искомая вероятность того, что оба выбранных телефона будут с дефектами.

Некоторые программисты после работы в области разработки обычных коммерческих приложений задумываются о том, чтобы освоить машинное обучение и стать аналитиком данных. Часто они не понимают, почему те или иные методы работают, и большинство методов машинного обучения кажутся магией. На самом деле, машинное обучение базируется на математической статистике, а та, в свою очередь, основана на теории вероятностей. Поэтому в этой статье мы уделим внимание базовым понятиям теории вероятностей: затронем определения вероятности, распределения и разберем несколько простых примеров.

Возможно, вам известно, что теория вероятностей условно делится на 2 части. Дискретная теория вероятностей изучает явления, которые можно описать распределением с конечным (или счетным) количеством возможных вариантов поведения (бросания игральных костей, монеток). Непрерывная теория вероятностей изучает явления, распределенные на каком-то плотном множестве, например на отрезке или в круге.

Можно рассмотреть предмет теории вероятностей на простом примере. Представьте себя разработчиком шутера. Неотъемлемой частью разработки игр этого жанра является механика стрельбы. Ясно, что шутер в котором всё оружие стреляет абсолютно точно, будет малоинтересен игрокам. Поэтому, обязательно нужно добавлять оружию разброс. Но простая рандомизация точек попадания оружия не позволит сделать его тонкую настройку, поэтому, корректировка игрового баланса будет сложна. В то же время, используя случайные величины и их распределения можно проанализировать то, как будет работать оружие с заданным разбросом, и поможет внести необходимые корректировки.

Пространство элементарных исходов

Допустим, из некоторого случайного эксперимента, который мы можем многократно повторять (например, бросание монеты), мы можем извлечь некоторую формализуемую информацию (выпал орел или решка). Эта информация называется элементарным исходом, при этом целесообразно рассматривать множество всех элементарных исходов, часто обозначаемое буквой Ω (Омега).

Структура этого пространства целиком зависит от природы эксперимента. Например, если рассматривать стрельбу по достаточно большой круговой мишени, - пространством элементарных исходов будет круг, для удобства размещенный с центром в нуле, а исходом - точка в этом круге.

Кроме того, рассматривают множества элементарных исходов - события (например, попадание в «десятку» - это концентрический круг маленького радиуса с мишенью). В дискретном случае всё достаточно просто: мы можем получить любое событие, включая или исключая элементарные исходы за конечное время. В непрерывном же случае всё гораздо сложнее: нам понадобится некоторое достаточно хорошее семейство множеств для рассмотрения, называемое алгеброй по аналогии с простыми вещественными числами, которые можно складывать, вычитать, делить и умножать. Множества в алгебре можно пересекать и объединять, при этом результат операции будет находиться в алгебре. Это очень важное свойство для математики, которая лежит за всеми этими понятиями. Минимальное семейство состоит всего из двух множеств - из пустого множества и пространства элементарных исходов.

Мера и вероятность

Вероятность - это способ делать выводы о поведении очень сложных объектов, не вникая в принцип их работы. Таким образом, вероятность определяется как функция от события (из того самого хорошего семейства множеств), которая возвращает число - некоторую характеристику того, насколько часто может происходить такое событие в реальности. Для определённости математики условились, что это число должно лежать между нулем и единицей. Кроме того, к этой функции предъявляются требования: вероятность невозможного события нулевая, вероятность всего множества исходов единичная, и вероятность объединения двух независимых событий (непересекающихся множеств) равна сумме вероятностей. Другое название вероятности - вероятностная мера. Чаще всего используется Лебегова мера , обобщающая понятия длина, площадь, объём на любые размерности (n -мерный объем), и таким образом она применима для широкого класса множеств.

Вместе совокупность множества элементарных исходов, семейства множеств и вероятностной меры называется вероятностным пространством . Рассмотрим, каким образом можно построить вероятностное пространство для примера со стрельбой в мишень.

Рассмотрим стрельбу в большую круглую мишень радиуса R , в которую невозможно промахнуться. Множеством элементарных событий положим круг с центром в начале координат радиуса R . Поскольку мы собираемся использовать площадь (меру Лебега для двумерных множеств) для описания вероятности события, то будем использовать семейство измеримых (для которых эта мера существует) множеств.

Примечание На самом деле, это технический момент и в простых задачах процесс определения меры и семейства множеств не играет особой роли. Но понимать, что эти два объекта существуют, необходимо, ведь во многих книгах по теории вероятности теоремы начинаются со слов: «Пусть (Ω,Σ,P) - вероятностное пространство … ».

Как уже сказано выше, вероятность всего пространства элементарных исходов должна равняться единице. Площадь (двумерная мера Лебега, которую мы обозначим λ 2 (A) , где А – событие) круга по хорошо известной со школы формуле равна π *R 2 . Тогда мы можем ввести вероятность P(A) = λ 2 (A) / (π *R 2) , и эта величина уже будет лежать между 0 и 1 для любого события А.

Если предположить, что попадание в любую точку мишени равновероятно, поиск вероятности попадания стрелком в какую-то то область мишени сводится к поиску площади этого множества (отсюда можно сделать вывод, что вероятность попадания в конкретную точку нулевая, ведь площадь точки равна нулю).

Например, мы хотим узнать, какова вероятность того, что стрелок попадёт в «десятку» (событие A – стрелок попал в нужное множество). В нашей модели, «десятка» представляется кругом с центром в нуле и радиусом r. Тогда вероятность попадания в этот круг P(A) = λ 2 /(A)π *R 2 = π * r 2 /(π R 2)= (r/R) 2 .

Это одна из самых простых разновидностей задач на «геометрическую вероятность», - большинство таких задач требуют поиска площади.

Случайные величины

Случайная величина – функция, переводящая элементарные исходы в вещественные числа. К примеру, в рассмотренной задаче мы можем ввести случайную величину ρ(ω) – расстояние от точки попадания до центра мишени. Простота нашей модели позволяет явно задать пространство элементарных исходов: Ω = {ω = (x,y) такие числа, что x 2 +y 2 ≤ R 2 } . Тогда случайная величина ρ(ω) = ρ(x,y) = x 2 +y 2 .

Средства абстракции от вероятностного пространства. Функция распределения и плотность

Хорошо, когда структура пространства хорошо известна, но на самом деле так бывает далеко не всегда. Даже если структура пространства известна, она может быть сложна. Для описания случайных величин, если их выражение неизвестно, существует понятие функции распределения, которую обозначают F ξ (x) = P(ξ < x) (нижний индекс ξ здесь означает случайную величину). Т.е. это вероятность множества всех таких элементарных исходов, для которых значение случайной величины ξ на этом событии меньше, чем заданный параметр x .

Функция распределения обладает несколькими свойствами:

1. Во-первых, она находится между 0 и 1 .
2. Во-вторых, она не убывает, когда ее аргумент x растёт.
3. В третьих, когда число -x очень велико, функция распределения близка к 0 , а когда само х большое, функция распределения близка к 1 .

Вероятно, смысл этой конструкции при первом чтении не слишком понятен. Одно из полезных свойств – функция распределения позволяет искать вероятность того, что величина принимает значение из интервала. Итак, P (случайная величина ξ принимает значения из интервала ) = F ξ (b)-F ξ (a) . Исходя из этого равенства, можем исследовать, как изменяется эта величина, если границы a и b интервала близки.

Пусть d = b-a , тогда b = a+d . А следовательно, F ξ (b)-F ξ (a) = F ξ (a+d) - F ξ (a) . При малых значениях d , указанная выше разность так же мала (если распределение непрерывное). Имеет смысл рассматривать отношение p ξ (a,d)= (F ξ (a+d) - F ξ (a))/d . Если при достаточно малых значениях d это отношение мало отличается от некоторой константы p ξ (a) , не зависящей от d, то в этой точке случайная величина имеет плотность, равную p ξ (a) .

Примечание Читатели, которые ранее сталкивались понятием производной, могут заметить что p ξ (a) – производная функции F ξ (x) в точке a . Во всяком случае, можно изучить понятие производной в посвященной этой теме статье на сайте Mathprofi.

Теперь смысл функции распределения можно определить так: её производная (плотность p ξ , которую мы определили выше) в точке а описывает, насколько часто случайная величина будет попадать в небольшой интервал с центром в точке а (окрестность точки а) по сравнению с окрестностями других точек. Другими словами, чем быстрее растёт функция распределения, тем более вероятно появление такого значения при случайном эксперименте.

Вернемся к примеру. Мы можем вычислить функцию распределения для случайной величины, ρ(ω) = ρ(x,y) = x 2 +y 2 , которая обозначает расстояние от центра до точки случайного попадания в мишень. По определению F ρ (t) = P(ρ(x,y) < t) . т.е. множество {ρ(x,y) < t)} – состоит из таких точек (x,y) , расстояние от которых до нуля меньше, чем t . Мы уже считали вероятность такого события, когда вычисляли вероятность попадания в «десятку» - она равна t 2 /R 2 . Таким образом, Fρ(t) = P(ρ(x,y) < t) = t 2 /R 2 , для 0

Мы можем найти плотность p ρ этой случайной величины. Сразу заметим, что вне интервала она нулевая, т.к. функция распределения на этом промежутке неизменна. На концах этого интервала плотность не определена. Внутри интервала её можно найти, используя таблицу производных (например из на сайте Mathprofi) и элементарные правила дифференцирования. Производная от t 2 /R 2 равна 2t/R 2 . Значит, плотность мы нашли на всей оси вещественных чисел.

Ещё одно полезное свойство плотности – вероятность того, что функция принимает значение из промежутка, вычисляется при помощи интеграла от плотности по этому промежутку (ознакомиться с тем, что это такое, можно в статьях о собственном , несобственном , неопределенном интегралах на сайте Mathprofi).

При первом чтении, интеграл по промежутку от функции f(x) можно представлять себе как площадь криволинейной трапеции. Ее сторонами являются фрагмент оси Ох, промежуток (горизонтальной оси координат), вертикальные отрезки, соединяющие точки (a,f(a)), (b,f(b)) на кривой с точками (a,0), (b,0) на оси Ох. Последней стороной является фрагмент графика функции f от (a,f(a)) до (b,f(b)) . Можно говорить об интеграле по промежутку (-∞; b] , когда для достаточно больших отрицательных значений, a значение интеграла по промежутку будет меняться пренебрежимо мало по сравнению с изменением числа a. Аналогичным образом определяется и интеграл по промежуткам . Всего будет 2·2·2·2 = 16 исходов. В соответствии с предположением о независимости результатов отдельных выстрелов следует для определения вероятностей этих исходов использовать формулу (3) и примечание к ней. Так, вероятность исхода (у, н. н, н) следует положить равной 0,2·0,8·0,8·0,8 = 0,1024; здесь 0,8 = 1-0,2 - вероятность промаха при отдельном выстреле. Событию «в цель попадают три раза» благоприятствуют исходы (у, у, у, н), (у, у, н, у), (у, н, у, у). (н, у, у, у), вероятность каждого одна и та же:

0,2·0,2·0,2·0,8 =...... =0,8·0,2·0,2·0,2 = 0,0064;

следовательно, искомая вероятность равна

4·0,0064 = 0,0256.

Обобщая рассуждения разобранного примера, можно вывести одну из основных формул теории вероятностей: если события A 1 , A 2 ,..., A n независимы и имеют каждое вероятностьр, то вероятность наступления ровноm из них равна

P n (m ) = C n m p m (1 - p ) n-m ; (4)

здесь C n m обозначает число сочетаний изn элементов поm. При большихn вычисления по формуле (4) становятся затруднительными.

К числу основных формул элементарной теории вероятностей относится также так называемая формула полной вероятности : если событияA 1 , A 2 ,..., A r попарно несовместны и их объединение есть достоверное событие, то для любого событияВ его вероятность равна их сумме.

Теорема умножения вероятностей оказывается особенно полезной при рассмотрении составных испытаний. Говорят, что испытание Т составлено из испытанийT 1 , T 2 ,..., T n-1 , T n , если каждый исход испытанияТ есть совмещение некоторых исходовA i , B j ,..., X k , Y l соответствующих испытанийT 1 , T 2 ,..., T n-1 , T n . Из тех или иных соображений часто бывают известны вероятности

P (A i ), P (B j /A i ), …,P (Y l /A i B j …X k ). (5)

По вероятностям (5) с помощью теоремы умножения могут быть определены вероятности Р (Е ) для всех исходовЕ составного испытания, а вместе с тем и вероятности всех событий, связанных с этим испытанием. Наиболее значительными с практической точки зрения представляются два типа составных испытаний:

а) составляющие испытания не зависимы, то есть вероятности (5) равны безусловным вероятностям P (A i ), P (B j ),..., P (Y l );

б) на вероятности исходов какого-либо испытания влияют результаты лишь непосредственно предшествующего испытания, то есть вероятности (5) равны соответственно: P (A i ), P (B j /A i ),..., P (Y i / X k ). В этом случае говорят об испытаниях, связанных в цепь Маркова. Вероятности всех событий, связанных с составным испытанием, вполне определяются здесь начальными вероятностямиР (А i ) и переходными вероятностямиP (B j / A i ),..., P (Y l / X k ).

Основные формулы по теории вероятности

Формулы теории вероятностей.

1. Основные формулы комбинаторики

а) перестановки.

\б) размещения

в) сочетания .

2. Классическое определение вероятности.

Где- число благоприятствующих событиюисходов,- число всех элементарных равновозможных исходов.

3. Вероятность суммы событий

Теорема сложения вероятностей несовместных событий:

Теорема сложения вероятностей совместных событий:

4. Вероятность произведения событий

Теорема умножения вероятностей независимых событий:

Теорема умножения вероятностей зависимых событий:

,

Условная вероятность события при условии, что произошло событие,

Условная вероятность события при условии, что произошло событие.

Комбинаторика - это раздел математики, в котором изучаются вопросы о том, сколько различных комбинаций, подчиненных тем или иным условиям, можно составить из заданных объектов. Основы комбинаторики очень важны для оценки вероятностей случайных событий, т.к. именно они позволяют подсчитать принципиально возможное количество различных вариантов развития событий.

Основная формула комбинаторики

Пусть имеется k групп элементов, причем i-я группа состоит из ni элементов. Выберем по одному элементу из каждой группы. Тогда общее число N способов, которыми можно произвести такой выбор, определяется соотношением N=n1*n2*n3*...*nk.

Пример 1. Поясним это правило на простом примере. Пусть имеется две группы элементов, причем первая группа состоит из n1 элементов, а вторая - из n2 элементов. Сколько различных пар элементов можно составить из этих двух групп, таким образом, чтобы в паре было по одному элементу от каждой группы? Допустим, мы взяли первый элемент из первой группы и, не меняя его, перебрали все возможные пары, меняя только элементы из второй группы. Таких пар для этого элемента можно составить n2. Затем мы берем второй элемент из первой группы и также составляем для него все возможные пары. Таких пар тоже будет n2. Так как в первой группе всего n1 элемент, всего возможных вариантов будет n1*n2.

Пример 2. Сколько трехзначных четных чисел можно составить из цифр 0, 1, 2, 3, 4, 5, 6, если цифры могут повторяться?

Решение: n1=6 (т.к. в качестве первой цифры можно взять любую цифру из 1, 2, 3, 4, 5, 6), n2=7 (т.к. в качестве второй цифры можно взять любую цифру из 0, 1, 2, 3, 4, 5, 6), n3=4 (т.к. в качестве третьей цифры можно взять любую цифру из 0, 2, 4, 6).

Итак, N=n1*n2*n3=6*7*4=168.

В том случае, когда все группы состоят из одинакового числа элементов, т.е. n1=n2=...nk=n можно считать, что каждый выбор производится из одной и той же группы, причем элемент после выбора снова возвращается в группу. Тогда число всех способов выбора равно nk.Такой способ выбора носит название выборки с возвращением.

Пример. Сколько всех четырехзначных чисел можно составить из цифр 1, 5, 6, 7, 8?

Решение. Для каждого разряда четырехзначного числа имеется пять возможностей, значит N=5*5*5*5=54=625.

Рассмотрим множество, состоящие из n элементов. Это множество будем называть генеральной совокупностью.

Определение 1. Размещением из n элементов по m называется любой упорядоченный набор из m различных элементов, выбранных из генеральной совокупности в n элементов.

Пример. Различными размещениями из трех элементов {1, 2, 3} по два будут наборы (1, 2), (2, 1), (1, 3), (3, 1), (2, 3),(3, 2). Размещения могут отличаться друг от друга как элементами, так и их порядком.

Число размещений обозначается А, м от nи вычисляется по формуле:

Замечание: n!=1*2*3*...*n (читается: "эн факториал"), кроме того полагают, что 0!=1.

Пример 5. Сколько существует двузначных чисел, в которых цифра десятков и цифра единиц различные и нечетные?

Решение: т.к. нечетных цифр пять, а именно 1, 3, 5, 7, 9, то эта задача сводится к выбору и размещению на две разные позиции двух из пяти различных цифр, т.е. указанных чисел будет:

Определение 2. Сочетанием из n элементов по m называется любой неупорядоченный набор из m различных элементов, выбранных из генеральной совокупности в n элементов.

Пример 6. Для множества {1, 2, 3}сочетаниями являются {1, 2}, {1, 3}, {2, 3}.

Число сочетаний обозначается Cnm и вычисляется по формуле:

Определение 3. Перестановкой из n элементов называется любой упорядоченный набор этих элементов.

Пример 7a. Всевозможными перестановками множества, состоящего из трех элементов {1, 2, 3} являются: (1, 2, 3), (1, 3, 2), (2, 3, 1), (2, 1, 3), (3, 2, 1), (3, 1, 2).

Число различных перестановок из n элементов обозначается Pn и вычисляется по формуле Pn=n!.

Пример 8. Сколькими способами семь книг разных авторов можно расставить на полке в один ряд?

Решение: эта задача о числе перестановок семи разных книг. Имеется P7=7!=1*2*3*4*5*6*7=5040 способов осуществить расстановку книг.

Обсуждение. Мы видим, что число возможных комбинаций можно посчитать по разным правилам (перестановки, сочетания, размещения) причем результат получится различный, т.к. принцип подсчета и сами формулы отличаются. Внимательно посмотрев на определения, можно заметить, что результат зависит от нескольких факторов одновременно.

Во-первых, от того, из какого количества элементов мы можем комбинировать их наборы (насколько велика генеральная совокупность элементов).

Во-вторых, результат зависит от того, какой величины наборы элементов нам нужны.

И последнее, важно знать, является ли для нас существенным порядок элементов в наборе. Поясним последний фактор на следующем примере.

Пример. На родительском собрании присутствует 20 человек. Сколько существует различных вариантов состава родительского комитета, если в него должны войти 5 человек?

Решение: В этом примере нас не интересует порядок фамилий в списке комитета. Если в результате в его составе окажутся одни и те же люди, то по смыслу для нас это один и тот же вариант. Поэтому мы можем воспользоваться формулой для подсчета числа сочетаний из 20 элементов по 5.

Иначе будут обстоять дела, если каждый член комитета изначально отвечает за определенное направление работы. Тогда при одном и том же списочном составе комитета, внутри него возможно 5! вариантов перестановок, которые имеют значение. Количество разных (и по составу, и по сфере ответственности) вариантов определяется в этом случае числом размещений из 20 элементов по 5.

Геометрическое определение вероятности

Пусть случайное испытание можно представить себе как бросание точки наудачу в некоторую геометрическую область G (на прямой, плоскости или пространстве). Элементарные исходы – это отдельные точки G, любое событие – это подмножество этой области, пространства элементарных исходов G. Можно считать, что все точки G «равноправны» и тогда вероятность попадания точки в некоторое подмножество пропорционально его мере (длине, площади, объему) и не зависит от его расположения и формы.

Геометрическая вероятность события А определяется отношением: , где m(G), m(A) – геометрические меры (длины, площади или объемы) всего пространства элементарных исходов и события А.

Пример. На плоскость, разграфленную параллельными полосами шириной 2d, расстояние между осевыми линиями которых равно 2D, наудачу брошен круг радиуса r (). Найти вероятность того, что круг пересечет некоторую полосу.

Решение. В качестве элементарного исхода этого испытания будем считать расстояние x от центра круга до осевой линии ближайшей к кругу полосы. Тогда все пространство элементарных исходов – это отрезок . Пересечение круга с полосой произойдетв том случае, если его центр попадет в полосу, т.е., или будет находится от края полосы на расстоянии меньшем чем радиус, т.е..

Для искомой вероятности получаем: .

Классификация событий на возможные, вероятные и случайные. Понятия простого и сложного элементарного события. Операции над событиями. Классическое определение вероятности случайного события и её свойства. Элементы комбинаторики в теории вероятностей. Геометрическая вероятность. Аксиомы теории вероятностей.

1. Классификация событий

Одним из основных понятий теории вероятностей является понятие события. Под событием понимают любой факт, который может произойти в результате опыта или испытания. Под опытом, или испытанием, понимается осуществление определённого комплекса условий.

Примеры событий:

– попадание в цель при выстреле из орудия (опыт - произведение выстрела; событие - попадание в цель);

– выпадение двух гербов при трёхкратном бросании монеты (опыт - трёхкратное бросание монеты; событие - выпадение двух гербов);

– появление ошибки измерения в заданных пределах при измерении дальности до цели (опыт - измерение дальности; событие - ошибка измерения).

Можно привести бесчисленное множество подобных примеров. События обозначаются заглавными буквами латинского алфавита и т д.

Различают события совместные и несовместные. События называются совместными, если наступление одного из них не исключает наступления другого. В противном случае события называются несовместными. Например, подбрасываются две игральные кости. Событие -выпадание трех очков на первой игральной кости, событие- выпадание трех очков на второй кости.и- совместные события. Пусть в магазин поступила партия обуви одного фасона и размера, но разного цвета. Событие- наудачу взятая коробка окажется с обувью черного цвета, событие- коробка окажется с обувью коричневого цвета,и- несовместные события.

Событие называется достоверным, если оно обязательно произойдет в условиях данного опыта.

Событие называется невозможным, если оно не может произойти в условиях данного опыта. Например, событие, заключающееся в том, что из партии стандартных деталей будет взята стандартная деталь, является достоверным, а нестандартная - невозможным.

Событие называется возможным, или случайным, если в результате опыта оно может появиться, но может и не появиться. Примером случайного события может служить выявление дефектов изделия при контроле партии готовой продукции, несоответствие размера обрабатываемого изделия заданному, отказ одного из звеньев автоматизированной системы управления.

События называются равновозможными, если по условиям испытания ни одно из этих событий не является объективно более возможным, чем другие. Например, пусть магазину поставляют электролампочки (причем в равных количествах) несколько заводов-изготовителей. События, состоящие в покупке лампочки любого из этих заводов, равновозможны.

Важным понятием является полная группа событий. Несколько событий в данном опыте образуют полную группу, если в результате опыта обязательно появится хотя бы одно из них. Например, в урне находится десять шаров, из них шесть шаров красных, четыре белых, причем пять шаров имеют номера. - появление красного шара при одном извлечении,- появление белого шара,- появление шара с номером. Событияобразуют полную группу совместных событий.

Введем понятие противоположного, или дополнительного, события. Под противоположным событием понимается событие, которое обязательно должно произойти, если не наступило некоторое событие. Противоположные события несовместны и единственно возможны. Они образуют полную группу событий. Например, если партия изготовленных изделий состоит из годных и бракованных, то при извлечении одного изделия оно может оказаться либо годным - событие, либо бракованным- событие.

2. Операции над событиями

При разработке аппарата и методики исследования случайных событий в теории вероятностей очень важным является понятие суммы и произведения событий.

Теория вероятностей - математическая наука, позволяющая по вероятностям одних случайных событий находить вероятности других случайных событий, связанных каким-либо образом с первыми.

Утверждение о том, что какое-либо событие наступает с вероятностью , равной, например, ½, ещё не представляет само по себе окончательной ценности, так как мы стремимся к достоверному знанию. Окончательную познавательную ценность имеют те результаты теории вероятностей, которые позволяют утверждать, что вероятность наступления какого-либо события А весьма близка к единице или (что то же самое) вероятность не наступления события А весьма мала. В соответствии с принципом "пренебрежения достаточно малыми вероятностями" такое событие справедливо считают практически достоверным. Ниже (в разделе Предельные теоремы) показано, что имеющие научный и практический интерес выводы такого рода обычно основаны на допущении, что наступление или не наступление события А зависит от большого числа случайных, мало связанных друг с другом факторов. Поэтому можно также сказать, что теория вероятностей есть математическая наука, выясняющая закономерности, которые возникают при взаимодействии большого числа случайных факторов.

Предмет теории вероятностей.

Для описания закономерной связи между некоторыми условиями S и событием А, наступление или не наступление которого при данных условиях может быть точно установлено, естествознание использует обычно одну из следующих двух схем:

а) при каждом осуществлении условий S наступает событие А. Такой вид, например, имеют все законы классической механики, которые утверждают, что при заданных начальных условиях и силах, действующих на тело или систему тел, движение будет происходить однозначно определённым образом.

б) При условиях S событие А имеет определённую вероятность P (A / S), равную р. Так, например, законы радиоактивного излучения утверждают, что для каждого радиоактивного вещества существует определённая вероятность того, что из данного количества вещества за данный промежуток времени распадётся какое-либо число N атомов.

Назовем частотой события А в данной серии из n испытаний (то есть из n повторных осуществлений условий S) отношение h = m/n числа m тех испытаний, в которых А наступило, к общему их числу n. Наличие у события А при условиях S определённой вероятности, равной р, проявляется в том, что почти в каждой достаточно длинной серии испытаний частота события А приблизительно равна р.

Статистические закономерности, то есть закономерности, описываемые схемой типа (б), были впервые обнаружены на примере азартных игр, подобных игре в кости. Очень давно известны также статистические закономерности рождения, смерти (например, вероятность новорождённому быть мальчиком равна 0,515). Конец 19 в. и 1-я половина 20 в. отмечены открытием большого числа статистических закономерностей в физике, химии, биологии и т.п.

Возможность применения методов теории вероятностей к изучению статистических закономерностей, относящихся к весьма далёким друг от друга областям науки, основана на том, что вероятности событий всегда удовлетворяют некоторым простым соотношениям, о которых будет сказано ниже (см. раздел Основные понятия теории вероятностей). Изучение свойств вероятностей событий на основе этих простых соотношений и составляет предмет теории вероятностей.

Основные понятия теории вероятностей.

Наиболее просто определяются основные понятия теории вероятностей как математической дисциплины в рамках так называемой элементарной теории вероятностей. Каждое испытание Т, рассматриваемое в элементарной теорией вероятностей, таково, что оно заканчивается одним и только одним из событий E1, E2,..., ES (тем или иным, в зависимости от случая). Эти события называются исходами испытания. С каждым исходом Ek связывается положительное число рк - вероятность этого исхода. Числа pk должны при этом в сумме давать единицу. Рассматриваются затем события А, заключающиеся в том, что "наступает или Ei, или Ej,..., или Ek". Исходы Ei, Ej,..., Ek называются благоприятствующими А, и по определению полагают вероятность Р (А) события А, равной сумме вероятностей благоприятствующих ему исходов:

P (A) = pi + ps + … + pk. (1)

Частный случай p1 = p2 =... ps = 1/S приводит к формуле

Р (А) = r/s. (2)

Формула (2) выражает так называемое классическое определение вероятности, в соответствии с которым вероятность какого-либо события А равна отношению числа r исходов, благоприятствующих А, к числу s всех "равновозможных" исходов. Классическое определение вероятности лишь сводит понятие "вероятности" к понятию "равновозможности", которое остаётся без ясного определения.

Пример. При бросании двух игральных костей каждый из 36 возможных исходов может быть обозначен (i, j), где i - число очков, выпадающее на первой кости, j - на второй. Исходы предполагаются равновероятными. Событию А - "сумма очков равна 4", благоприятствуют три исхода (1; 3), (2; 2), (3; 1). Следовательно, Р (A) = 3/36 = 1/12.

Исходя из каких-либо данных событий, можно определить два новых события: их объединение (сумму) и совмещение (произведение). Событие В называется объединением событий A 1, A 2,..., Ar,-, если оно имеет вид: "наступает или A1, или А2,..., или Ar".

Событие С называется совмещением событий A1, А.2,..., Ar, если оно имеет вид: "наступает и A1, и A2,..., и Ar". Объединение событий обозначают знаком È, а совмещение - знаком Ç. Таким образом, пишут:

B = A1 È A2 È … È Ar, C = A1 Ç A2 Ç … Ç Ar.

События А и В называют несовместными, если их одновременное осуществление невозможно, то есть если не существует среди исходов испытания ни одного благоприятствующего и А, и В.

С введёнными операциями объединения и совмещения событий связаны две основные теоремы В. т. - теоремы сложения и умножения вероятностей.

Теорема сложения вероятностей. Если события A1, A2,..., Ar таковы, что каждые два из них несовместны, то вероятность их объединения равна сумме их вероятностей.

Так, в приведённом выше примере с бросанием двух костей событие В - "сумма очков не превосходит 4", есть объединение трёх несовместных событий A2, A3, A4, заключающихся в том, что сумма очков равна соответственно 2, 3, 4. Вероятности этих событий 1/36; 2/36; 3/36. По теореме сложения вероятность Р (В)равна

1/36 + 2/36 + 3/36 = 6/36 = 1/6.

Условную вероятность события В при условии А определяют формулой

что, как можно показать, находится в полном соответствии со свойствами частот. События A1, A2,..., Ar называются независимыми, если условная вероятность каждого из них при условии, что какие-либо из остальных наступили, равна его "безусловной" вероятности

Теорема умножения вероятностей. Вероятность совмещения событий A1, A2,..., Ar равна вероятности события A1,умноженной на вероятность события A2, взятую при условии, что А1 наступило,..., умноженной на вероятность события Ar при условии, что A1, A2,..., Ar-1 наступили. Для независимых событий теорема умножения приводит к формуле:

P (A1 Ç A2 Ç … Ç Ar) = P (A1) Ї P (A2) Ї … Ї P (Ar), (3)

то есть вероятность совмещения независимых событий равна произведению вероятностей этих событий. Формула (3) остаётся справедливой, если в обеих её частях некоторые из событий заменить на противоположные им.

Пример. Производится 4 выстрела по цели с вероятностью попадания 0,2 при отдельном выстреле. Попадания в цель при различных выстрелах предполагаются независимыми событиями. Какова вероятность попадания в цель ровно три раза?

Каждый исход испытания может быть обозначен последовательностью из четырёх букв [напр., (у, н, н, у) означает, что при первом и четвёртом выстрелах были попадания (успех), а при втором и третьем попаданий не было (неудача)]. Всего будет 2Ї2Ї2Ї2 = 16 исходов. В соответствии с предположением о независимости результатов отдельных выстрелов следует для определения вероятностей этих исходов использовать формулу (3) и примечание к ней. Так, вероятность исхода (у, н. н, н) следует положить равной 0,2Ї0,8Ї0,8Ї0,8 = 0,1024; здесь 0,8 = 1-0,2 - вероятность промаха при отдельном выстреле. Событию "в цель попадают три раза" благоприятствуют исходы (у, у, у, н), (у, у, н, у), (у, н, у, у). (н, у, у, у), вероятность каждого одна и та же:

0,2Ї0,2Ї0,2Ї0,8 =...... =0,8Ї0,2Ї0,2Ї0,2 = 0,0064;

следовательно, искомая вероятность равна

4Ї0,0064 = 0,0256.

Обобщая рассуждения разобранного примера, можно вывести одну из основных формул теории вероятностей: если события A1, A2,..., An независимы и имеют каждое вероятность р, то вероятность наступления ровно m из них равна

Pn (m) = Cnmpm (1 - p) n-m; (4)

здесь Cnm обозначает число сочетаний из n элементов по m. При больших n вычисления по формуле (4) становятся затруднительными. Пусть в предыдущем примере число выстрелов равно 100, и ставится вопрос об отыскании вероятности х того, что число попаданий лежит в пределах от 8 до 32. Применение формулы (4) и теоремы сложения даёт точное, но практически мало пригодное выражение искомой вероятности

причём ошибка не превосходит 0,0009. Найденный результат показывает, что событие 8 £ m £ 32 практически достоверно. Это самый простой, но типичный пример использования предельных теорем теории вероятностей.

К числу основных формул элементарной теории вероятностей относится также так называемая формула полной вероятности: если события A1, A2,..., Ar попарно несовместны и их объединение есть достоверное событие, то для любого события В его вероятность равна сумме

Теорема умножения вероятностей оказывается особенно полезной при рассмотрении составных испытаний. Говорят, что испытание Т составлено из испытаний T1, T2,..., Tn-1, Tn, есликаждый исход испытания Т есть совмещение некоторых исходов Ai, Bj,..., Xk, Yl соответствующих испытаний T1, T2,..., Tn-1, Tn. Из тех или иных соображений часто бывают известны вероятности