- •Теория вероятностей
- •Введение
- •1. Случайные события. Вероятность событий
- •1.1. Элементы комбинаторики
- •1.1.1 Повторные выборки
- •Число способов выбора двух элементов
- •Число выборок из трех элементов
- •1.1.2. Бесповторные выборки
- •1.2. Основные понятия теории вероятностей
- •1.3. Алгебра событий
- •1.4. Частота события
- •1.5. Статистическое определение вероятности
- •1.6. Классическое определение вероятности
- •1.7. Свойства вероятностей
- •0Р(а)1.
- •1.8. Геометрические вероятности
- •1.9. Теорема умножения вероятностей. Условная вероятность
- •1.10. Теорема сложения вероятностей
- •1.10.1. Вероятность суммы событий
- •1.10.2. Вероятность появления хотя бы одного события
- •1.11. Формула полной вероятности. Формула Байеса
- •1.11.1. Формула полной вероятности
- •1.11.2. Вероятность гипотез. Формула Байеса
- •2. Повторные независимые испытания
- •2.1. Формула Бернулли
- •2.2. Формулы Лапласа
- •2.2.1 Локальная теорема Лапласа
- •2.2.2. Интегральная теорема Лапласа
- •2.3. Формула Пуассона
- •2.4. Простейший поток событий
- •3. Случайные величины
- •3.1. Понятие случайной величины
- •3.2. Законы распределения дискретных случайных величин
- •3.3. Законы распределения непрерывных случайных величин
- •3.3.1. Интегральная функция распределения
- •3.3.2. Показательный закон распределения
- •3.3.3. Дифференциальная функция распределения
- •3.3.4. Равномерное распределение
- •3.3.5. Распределение Коши
- •4. Числовые характеристики случайных величин
- •4.1. Математическое ожидание и его свойства
- •4.1.1. Математическое ожидание
- •4.1.2. Свойства математического ожидания
- •4.2. Дисперсия и среднее квадратическое отклонение
- •4.2.1. Дисперсия случайной величины
- •4.2.2. Свойства дисперсии
- •4.2.3. Среднее квадратическое отклонение
- •4.3. Моменты случайных величин
- •4.4. Примеры нахождения законов распределения
- •5. Нормальный закон распределения
- •5.1. Геометрический смысл параметров m и σ
- •5.2. Вероятностный смысл параметров функции распределения
- •5.3. Вероятность попадания случайной величины в заданный интервал
- •5.4. Вероятность отклонения случайной величины от математического ожидания
- •6. Системы случайных величин
- •6.1. Функция распределения
- •6.2. Плотность распределения
- •6.3. Закон распределения системы двух дискретных случайных величин
- •6.4. Зависимые и независимые случайные величины
- •6.5. Операции над случайными величинами
- •6.6. Числовые характеристики системы двух случайных величин
- •6.6.1. Ковариация двух случайных величин
- •6.6.2 Коэффициент корреляции
- •6.9. Двумерный нормальный закон распределения
- •7. Предельные теоремы теории вероятностей
- •7.1. Центральная предельная теорема
- •7.2. Интегральная теорема Лапласа
- •7.3. Распределение частоты события
- •7.4. Закон больших чисел
- •7.5. Неравенство Чебышева
- •7.6. Теорема Чебышева
- •7.7. Теорема Бернулли
- •7.8. Принцип практической уверенности
- •7.9. Правило трёх сигм
- •Контрольные вопросы
- •Заключение
- •Рекомендуемый Библиографический список
- •Теория вероятностей
- •680021, Г. Хабаровск, ул. Серышева, 47.
1.11. Формула полной вероятности. Формула Байеса
1.11.1. Формула полной вероятности
Пусть событие Аможет осуществиться с одним и только одним изnнесовместных событий, образующих полную группу. Как найти вероятность событияАи какие данные для этого нужны?
Появление события Авозможно в следующих случаях: произошло событиеи при этом появилось событие Аили произошло событие и при этом появилось событиеАилии т.д., что символически означает:
.
Так как события несовместны и, то
или по теореме умножения вероятностей
.
Полученное равенство называется формулой полной вероятности. Кратко ее можно записать так:
. (1.8)
Пример 1.14.
Прибор может работать в трех режимах: 1) нормальном, 2) форсированном, 3) недогруженном. Нормальный режим наблюдается в 60 % случаев, форсированный – в 30 % и недогруженный в 10 %. Надежность прибора для нормального режима 0,8, для форсированного – 0,5, для недогруженного – 0,9. Найти полную надежность прибора.
Решение
Гипотезы: Н1 – нормальный режим,Н2 – форсированный,Н3 – недогруженный,А– безотказная работа прибора (надежность).
По формуле (1.8) находим
Р(А)= 0,6 0,8 + 0,3 0,5 + 0,1 0,9 = 0,72.
Это означает, что в течение рабочего дня (месяца, года) прибор работает 0,72 части всего времени.
Пример 1.15.
П
Рис. 1.8.
Решение
Обозначим прибытие путника в пункт той же буквой, что и сам пункт. Легко видеть, что P(B1)= P(B2)= P(B3)= P(B4)=1/4, так как равновозможен выбор любого из путей, выходящих из пунктаО. Путник попадет в пунктА, если он выберет дорогу в пунктB1и оттуда дорогу в пунктА,или он выберет дорогу вB2и оттуда вАили дорогу вB3и оттуда вА. Символически это можно записать так:
А=B1 А + B2 А + B3 А.
Откуда
.
Здесь вероятности определены с учетом числа равновозможных путей из соответствующего города.
1.11.2. Вероятность гипотез. Формула Байеса
Пусть событие Амогло наступить только при осуществлении одного из несовместных событий, образующих полную группу. В этих условиях вероятность событияАможно вычислить по формуле полной вероятности (1.8). Событияестественно назвать «гипотезами», поскольку можно лишь предполагать, какое именно из них произойдет и при этом появится событиеА. Вероятности гипотез до опыта (так называемые “априорные вероятности”) заданы и равны:
;.
Проведен опыт, в результате которого событие Апроизошло. Спрашивается, как нужно пересмотреть вероятности гипотез с учетом этого факта? Другими словами, найти “апостериорные” вероятности гипотез.Определим, например,. По теореме умножения
.
Отбросив левую часть и разделив обе части равенства на Р(А), получим
.
Пользуясь формулой полной вероятности (1.7) для А, получим
. (1.9)
Аналогично выводятся формулы для остальных .
Формула (1.9) называется формулой Байеса (Бейеса). Она позволяет пересчитывать вероятности гипотез в свете новой информации, состоящей в том, что произошло событиеА. Причем, эксперимент можно повторить еще раз, используя вероятностив качестве априорных, и на основе его результатов снова переоценить вероятности. Эту процедуру можно повторять пока вероятность какой-либо из гипотез не станет близкой к единице, тогда эту гипотезу можно считать практически достоверной.
Пример 1.16.
Исследуются причины авиационной катастрофы, о которых можно сделать четыре гипотезы Согласно статистике
;.
Осмотр места катастрофы выявляет, что в ее ходе произошло событие А(например, воспламенение горючего). Условные вероятности событияАпри выдвинутых гипотезах, согласно той же статистике, равны:
Найти апостериорные вероятности гипотез.
Решение
По формуле (1.9) имеем:
;
При анализе полученных результатов видим, что первая гипотеза наиболее вероятна. Такими гипотезами могут быть, например, теракт, ошибка пилота, отказ двигателя, столкновение с птицей (попадание ее в турбину).
Некогда формулы Байеса представлялись едва ли не общей схемой научного исследования. В настоящее время они заслуживают упоминания, так как сам принцип переоценки априорных вероятностей на основе опытных данных используется в таких областях науки, как управление случайными процессами, теория статистического оценивания и т.д.