Что можно приготовить из кальмаров: быстро и вкусно

А также научились решать типовые задачи с независимыми событиями, и сейчас последует гораздо более интересное продолжение, которое позволит не только освоить новый материал, но и, возможно, окажет практическую житейскую помощь.

Кратко повторим, что такое независимость событий: события и являются НЕзависимыми, если вероятность любого из них не зависит от появления либо непоявления другого события. Простейший пример – подбрасывание двух монет. Вероятность выпадения орла либо решки на одной монете никак не зависит от результата броска другой монеты.

Понятие зависимости событий вам тоже знакомо и настал черёд заняться ими вплотную.

Сначала рассмотрим традиционный набор, состоящий из двух событий: событие является зависимым , если помимо случайных факторов его вероятность зависит от появления либо непоявления события . Вероятность события , вычисленная в предположении того, что событие уже произошло , называется условной вероятностью наступления события и обозначается через . При этом события и называют зависимыми событиями (хотя, строго говоря, зависимо только одно из них) .

Карты в руки:

Задача 1

Из колоды в 36 карт последовательно извлекаются 2 карты. Найти вероятность того, что вторая карта окажется червой, если до этого:

а) была извлечена черва;
б) была извлечена карта другой масти.

Решение : рассмотрим событие: – вторая карта будет червой. Совершенно понятно, что вероятность этого события зависит от того, черву или не черву вытянули ранее.

а) Если сначала была извлечена черва (событие ), то в колоде осталось 35 карт, среди которых теперь находится 8 карт червовой масти. По классическому определению :
при условии , что до этого тоже была извлечена черва.

б) Если же сначала была извлечена карта другой масти (событие ), то все 9 черв остались в колоде. По классическому определению :
– вероятность того, что вторая карта окажется червой при условии , что до этого была извлечена карта другой масти.

Всё логично – если вероятность извлечения червы из полной колоды составляет , то при извлечении следующей карты аналогичная вероятность изменится: в первом случае – уменьшится (т.к. черв стало меньше), а во втором – возрастёт: (т.к. все червы остались в колоде).

Ответ :

Зависимых событий, разумеется, может быть и больше. Пока задача не остыла, добавим ещё одно: – третьей картой будет извлечена черва. Предположим, что произошло событие , а затем событие ; тогда в колоде осталось 34 карты, среди которых 7 черв. По классическому определению :
– вероятность наступления события при условии , что до этого были извлечены две червы.

Для самостоятельной тренировки:

Задача 2

В конверте находится 10 лотерейных билетов, среди которых 3 выигрышных. Из конверта последовательно извлекаются билеты. Найти вероятности того, что:

а) 2-й извлечённый билет будет выигрышным, если 1-й был выигрышным;
б) 3-й будет выигрышным, если предыдущие два билета были выигрышными;
в) 4-й будет выигрышным, если предыдущие билеты были выигрышными.

Краткое решение с комментариями в конце урока.

А теперь обратим внимание на один принципиально важный момент: в рассмотренных примерах требовалось найти лишь условные вероятности, при этом предыдущие события считались достоверно состоявшимися . Но ведь в действительности и они являются случайными! Так, в «разогретой» задаче извлечение червы из полной колоды – есть событие случайное, вероятность которого равна .

На практике гораздо чаще требуется отыскать вероятность совместного появления зависимых событий. Как, например, найти вероятность события , состоящего в том, что из полной колоды будет извлечена черва и затем ещё одна черва? Ответ на этот вопрос даёт

теорема умножения вероятностей зависимых событий : вероятность совместного появления двух зависимых событий равна произведению вероятности одного из них на условную вероятность другого, вычисленную в предположении, что первое событие уже произошло:

В нашем случае:
– вероятность того, что из полной колоды будут извлечены 2 червы подряд.

Аналогично:
– вероятность того, что сначала будет извлечена карта другой масти и затем черва.

Вероятность события получилась заметно больше вероятности события , что, в общем-то, было очевидно безо всяких вычислений.

И, само собой, не нужно питать особых надежд, что из конверта с десятью лотерейными билетами (Задача 2) вы вытяните 3 выигрышных билета подряд:

Да, совершенно верно – теорема умножения вероятностей зависимых событий естественным образом распространяется и на бОльшее их количество.

Закрепим материал несколькими типовыми примерами:

Задача 3

В урне 4 белых и 7 черных шаров. Из урны наудачу один за другим извлекают два шара, не возвращая их обратно. Найти вероятность того, что:

а) оба шара будут белыми;
б) оба шара будут чёрными;
в) сначала будет извлечён белый шар, а затем – чёрный.

Обратите внимание на уточнение «не возвращая их обратно». Этот комментарий дополнительно подчёркивает тот факт, что события зависимы. Действительно, а вдруг извлечённые шары возвращают обратно? В случае возвратной выборки вероятности извлечения чёрного и белого шара меняться не будут, а в такой задаче уже следует руководствоваться теоремой умножения вероятностей НЕзависимых событий .

Решение : всего в урне: 4 + 7 = 11 шаров. Поехали:

а) Рассмотрим события – первый шар будет белым, – второй шар будет белым и найдём вероятность события , состоящего в том, что 1-й шар будет белым и 2-й белым.

По классическому определению вероятности: . Предположим, что белый шар извлечён, тогда в урне останется 10 шаров, среди которых 3 белых, поэтому:
– вероятность извлечения белого шара во 2-м испытании при условии, что до этого был извлечён белый шар.

– вероятность того, что оба шара будут белыми.

б) Найдём вероятность события , состоящего в том, что 1-й шар будет чёрным и 2-й чёрным

По классическому определению: – вероятность того, что в 1-м испытании будет извлечён чёрный шар. Пусть извлечён чёрный шар, тогда в урне останется 10 шаров, среди которых 6 чёрных, следовательно: – вероятность того, что во 2-м испытании будет извлечён чёрный шар при условии, что до этого был извлечен чёрный шар.

По теореме умножения вероятностей зависимых событий:
– вероятность того, что оба шара будут чёрными.

в) Найдём вероятность события (сначала будет извлечён белый шар и затем чёрный)

После извлечения белого шара (с вероятностью ) в урне останется 10 шаров, среди которых 3 белых и 7 чёрных, таким образом: – вероятность того, что во 2-м испытании будет извлечён чёрный шар при условии, что до этого был извлечен белый шар.

По теореме умножения вероятностей зависимых событий:
– искомая вероятность.

Ответ :

Данную задачу нетрудно проверить через теорему сложения вероятностей событий, образующих полную группу . Для этого найдём вероятность 4-го недостающего события: – того, что сначала будет извлечён чёрный шар и затем белый.

События образуют полную группу, поэтому сумма их вероятностей должна равняться единице:
,что и требовалось проверить.

И сразу же предлагаю проверить, насколько хорошо вы усвоили изложенный материал:

Задача 4

Какова вероятность того, что из колоды в 36 карт будут извлечены два туза подряд?

Задача 5

В урне 6 черных, 5 красных и 4 белых шара. Последовательно извлекают три шара. Найти вероятность того, что

а) третий шар окажется белым, если до этого был извлечён черный и красный шар;
б) первый шар окажется черным, второй – красным и третий – белым.

Решения и ответы в конце урока.

Надо сказать, что многие из рассматриваемых задач разрешимы и другим способом, но чтобы не возникло путаницы, пожалуй, вообще о нём умолчу.

Наверное, все заметили, что зависимые события возникают в тех случаях, когда осуществляется некоторая цепочка действий. Однако сама по себе последовательность действий ещё не гарантируют зависимость событий. Пусть, например, студент наугад отвечает на вопросы какого-нибудь теста – данные события хоть и происходят одно за другим, но незнание ответа на один вопрос никак не зависит от незнания других ответов =) Хотя, закономерности тут, конечно, есть =) Тогда совсем простой пример с неоднократным подбрасыванием монеты – сей увлекательный процесс даже так и называется: повторные НЕзависимые испытания .

Я как мог, старался отсрочить этот момент и подбирать разнообразные примеры, но если в задачах на теорему умножения независимых событий хозяйничают стрелки, то здесь происходит самое настоящее нашествие урн с шарами =) Поэтому никуда не деться – снова урна:

Задача 6

Из урны, в которой находится 6 белых и 4 черных шара, извлекаются наудачу один за другим три шара. Найти вероятность того, что:

а) все три шара будут черными;
б) будет не меньше двух шаров черного цвета.

Решение :всего: 6 + 4 = 10 шаров в урне.

Событий в данной задаче будет многовато, и в этой связи целесообразнее использовать смешанный стиль оформления, обозначая прописными латинскими буквами только основные события. Надеюсь, вы уже поняли, по какому принципу подсчитываются условные вероятности.

а) Рассмотрим событие: – все три шара будут черными.

По теореме умножения вероятностей зависимых событий:

б) Второй пункт интереснее, рассмотрим событие: – будет не меньше двух шаров черного цвета. Данное событие состоит в 2 несовместных исходах: либо все шары будут чёрными (событие ) либо 2 шара будут чёрным и 1 белым – обозначим последнее событие буквой .

Событие включается в себя 3 несовместных исхода:

в 1-м испытании извлечён белый и во 2-м и в 3-м испытаниях – чёрные шары
или
и во 2-м – БШ и в 3-м – ЧШ
или
в 1-м испытании извлечён ЧШ и во 2-м – ЧШ и в 3-м – БШ.

Желающие могут ознакомиться с более трудными примерами из сборника Чудесенко , в которых перекладываются несколько шаров. Особым любителям предлагаю задачи повышенной комбинационной сложности – с двумя последовательными перемещениями шаров из 1-й во 2-ю урну, из 2-й в 3-ю и финальным извлечением шара из последней урны – смотрите последние задачи файла Дополнительные задачи на теоремы сложения и умножения вероятностей . Кстати, там немало и других интересных заданий.

А в заключение этой статьи мы разберём прелюбопытнейшую задачу, которой я вас заманивал на самом первом уроке =) Даже не разберём, а проведём небольшое практическое исследование. Выкладки в общем виде будут слишком громоздкие, поэтому рассмотрим конкретный пример:

Петя сдаёт экзамен по теории вероятностей, при этом 20 билетов он знает хорошо, а 10 плохо. Предположим, в первый день экзамен сдаёт часть группы, например, 16 человек, включая нашего героя. В общем, ситуация до боли знакома: студенты один за другим заходят в аудиторию и тянут билеты.

Очевидно, что последовательное извлечение билетов представляет собой цепь зависимых событий, и возникает насущный вопрос : в каком случае Пете с бОльшей вероятностью достанется «хороший» билет – если он пойдёт «в первых рядах», или если зайдёт «посерединке», или если будет тянуть билет в числе последних? Когда лучше заходить?

Сначала рассмотрим «экспериментально чистую» ситуацию, в которой Петя сохраняет свои шансы постоянными – он не получает информацию о том, какие вопросы уже достались однокурсникам, ничего не учит в коридоре, ожидая своей очереди, и т.д.

Рассмотрим событие: – Петя зайдёт в аудиторию самым первым и вытянет «хороший» билет. По классическому определению вероятности: .

Как изменится вероятность извлечения удачного билета, если пропустить вперёд отличницу Настю? В этом случае возможны две несовместные гипотезы:

– Настя вытянет «хороший» (для Пети) билет;
– Настя вытянет «плохой» билет, т.е. увеличит шансы Пети.

Событие же (Петя зайдёт вторым и вытянет «хороший» билет) становится зависимым .

1) Предположим, что Настя с вероятностью «увела» у Пети один удачный билет. Тогда на столе останутся 29 билетов, среди которых 19 «хороших». По классическому определению вероятности:

2) Теперь предположим, что Настя с вероятностью «избавила» Петю от 1-го «плохого» билета. Тогда на столе останутся 29 билетов, среди которых по-прежнему 20 «хороших». По классическому определению:

Используя теоремы сложения вероятностей несовместных и умножения вероятностей зависимых событий, вычислим вероятность того, что Петя вытянет «хороший» билет, будучи вторым в очереди:

Вероятность… осталось той же! Хорошо, рассмотрим событие: – Петя пойдёт третьим, пропустив вперёд Настю и Лену, и вытащит «хороший» билет.

Здесь гипотез будет побольше: дамы могут «обокрасть» джентльмена на 2 удачных билета, либо наоборот – избавить его от 2 неудачных, либо извлечь 1 «хороший» и 1 «плохой» билет. Если провести аналогичные рассуждения, воспользоваться теми же теоремами, то… получится такое же значение вероятности !

Таким образом, чисто с математической точки зрения, без разницы, когда идти – первоначальные вероятности останутся неизменными. НО . Это только усреднённая теоретическая оценка, так, например, если Петя пойдёт последним, то это вовсе не значит, что ему останутся на выбор 10 «хороших» и 5 «плохих» билетов в соответствии с его изначальными шансами. Данное соотношение может варьироваться в лучшую или худшую сторону, однако всё же маловероятно, что среди билетов останется «одна халява», или наоборот – «сплошной ужас». Хотя «уникальные» случаи не исключены – всё-таки тут не 3 миллиона лотерейных билетов с практически нулевой вероятностью крупного выигрыша. Поэтому «невероятное везение» или «злой рок» будут слишком преувеличенными высказываниями.

Математика и «чистый эксперимент» – это хорошо, но какой стратегии и тактики всё же выгоднее придерживаться в реальных условиях ? Безусловно, следует принять во внимание субъективные факторы, например, «скидку» преподавателя для «храбрецов» или его усталость к концу экзамена. Зачастую эти факторы могут быть даже решающими, но в заключительных рассуждениях я постараюсь не сбрасывать со счетов и дополнительные вероятностные аспекты:

Если Вы готовы к экзамену хорошо, то, наверное, лучше идти «в первых рядах». Пока билетов полный комплект, постулат «маловозможные события не происходят » работает на Вас гораздо в бОльшей степени. Согласитесь, что намного приятнее иметь соотношение «30 билетов, среди которых 2 плохих», чем «15 билетов, среди которых 2 плохих». А то, что два неудачных билета на отдельно взятом экзамене (а не по средней теоретической оценке!) так и останутся на столе – вполне и вполне возможно.

Теперь рассмотрим «ситуацию Пети» – когда студент готов к экзамену достаточно хорошо, но с другой стороны, и «плавает» тоже неплохо. Иными словам, «больше знает, чем не знает». В этом случае целесообразно пропустить вперёд 5-6 человек, и ожидать подходящего момента вне аудитории. Действуйте по ситуации. Довольно скоро начнёт поступать информация, какие билеты вытянули однокурсники (снова зависимые события!) , и на «заигранные» вопросы можно больше не тратить силы – учите и повторяйте другие билеты, повышая тем самым первоначальную вероятность своего успеха. Если «первая партия» экзаменующихся «избавила» вас сразу от 3-4 трудных (лично для Вас) билетов, то выгоднее как можно быстрее попасть на экзамен – именно сейчас шансы значительно возросли. Постарайтесь не упускать момент – всего несколько пропущенных вперёд человек, и преимущество, скорее всего, растает. Если же наоборот, «плохих» билетов вытянули мало – ждите. Через несколько человек эта «аномалия» опять же с большой вероятностью, если не исчезнет, то сгладится в лучшую сторону. В «обычном» и самом распространённом случае выгода тоже есть: расклад «24 билета/8 плохих» будет лучше соотношения «30 билетов/10 плохих». Почему? Трудных билетов теперь не десять, а восемь! С удвоенной энергией штудируем материал!

Если Вы готовы неважно или плохо, то само собой, лучше идти в «последних рядах» (хотя возможны и оригинальные решения, особенно, если нечего терять) . Существует небольшая, но всё же ненулевая вероятность, что Вам останутся относительно простые вопросы + дополнительная зубрёжка + шпоры, которые отдадут отстрелявшиеся сокурсники =) И, да – в совсем критической ситуации есть ещё следующий день, когда экзамен сдаёт вторая часть группы;-)

Какой можно сделать вывод? Субъективный оценочный принцип «кто идёт раньше, тот готов лучше» находит внятное вероятностное обоснование!

Фактически формулы (1) и (2) это краткая запись условной вероятности на основе таблицы сопряженности признаков. Вернемся к примеру, рассмотренному (рис. 1). Предположим, что нам стало известно, будто некая семья собирается купить широкоэкранный телевизор. Какова вероятность того, что эта семья действительно купит такой телевизор?

Рис. 1. Поведение покупателей широкоэкранных телевизоров

В данном случае нам необходимо вычислить условную вероятность Р (покупка совершена | покупка планировалась). Поскольку нам известно, что семья планирует покупку, выборочное пространство состоит не из всех 1000 семей, а только из тех, которые планируют покупку широкоэкранного телевизора. Из 250 таких семей 200 действительно купили этот телевизор. Следовательно, вероятность того, что семья действительно купит широкоэкранный телевизор, если она это запланировала, можно вычислить по следующей формуле:

Р (покупка совершена | покупка планировалась) = количество семей, планировавших и купивших широкоэкранный телевизор / количество семей, планировавших купить широкоэкранный телевизор = 200 / 250 = 0,8

Этот же результат дает формула (2):

где событие А заключается в том, что семья планирует покупку широкоформатного телевизора, а событие В - в том, что она его действительно купит. Подставляя в формулу реальные данные, получаем:

Дерево решений

На рис. 1 семьи разделены на четыре категории: планировавшие покупку широкоэкранного телевизора и не планировавшие, а также купившие такой телевизор и не купившие. Аналогичную классификацию можно выполнить с помощью дерева решений (рис. 2). Дерево, изображенное на рис. 2, имеет две ветви, соответствующие семьям, которые планировали приобрести широкоэкранный телевизор, и семьям, которые не делали этого. Каждая из этих ветвей разделяется на две дополнительные ветви, соответствующие семьям, купившим и не купившим широкоэкранный телевизор. Вероятности, записанные на концах двух основных ветвей, являются безусловными вероятностями событий А и А’ . Вероятности, записанные на концах четырех дополнительных ветвей, являются условными вероятностями каждой комбинации событий А и В . Условные вероятности вычисляются путем деления совместной вероятности событий на соответствующую безусловную вероятность каждого из них.

Рис. 2. Дерево решений

Например, чтобы вычислить вероятность того, что семья купит широкоэкранный телевизор, если она запланировала сделать это, следует определить вероятность события покупка запланирована и совершена , а затем поделить его на вероятность события покупка запланирована . Перемещаясь по дереву решения, изображенному на рис. 2, получаем следующий (аналогичный предыдущему) ответ:

Статистическая независимость

В примере с покупкой широкоэкранного телевизора вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор при условии, что она планировала это сделать, равна 200/250 = 0,8. Напомним, что безусловная вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор, равна 300/1000 = 0,3. Отсюда следует очень важный вывод. Априорная информация о том, что семья планировала покупку, влияет на вероятность самой покупки. Иначе говоря, эти два события зависят друг от друга. В противоположность этому примеру, существуют статистически независимые события, вероятности которых не зависят друг от друга. Статистическая независимость выражается тождеством: Р(А|В) = Р(А) , где Р(А|В) - вероятность события А при условии, что произошло событие В , Р(А) - безусловная вероятность события А.

Обратите внимание на то, что события А и В Р(А|В) = Р(А) . Если в таблице сопряженности признаков, имеющей размер 2×2, это условие выполняется хотя бы для одной комбинации событий А и В , оно будет справедливым и для любой другой комбинации. В нашем примере события покупка запланирована и покупка совершена не являются статистически независимыми, поскольку информация об одном событии влияет на вероятность другого.

Рассмотрим пример, в котором показано, как проверить статистическую независимость двух событий. Спросим у 300 семей, купивших широкоформатный телевизор, довольны ли они своей покупкой (рис. 3). Определите, связаны ли между собой степень удовлетворенности покупкой и тип телевизора.

Рис. 3. Данные, характеризующие степень удовлетворенности покупателей широкоэкранных телевизоров

Судя по этим данным,

В то же время,

Р (покупатель удовлетворен) = 240 / 300 = 0,80

Следовательно, вероятность того, что покупатель удовлетворен покупкой, и того, что семья купила HDTV-телевизор, равны между собой, и эти события являются статистически независимыми, поскольку никак не связаны между собой.

Правило умножения вероятностей

Формула для вычисления условной вероятности позволяет определить вероятность совместного события А и В . Разрешив формулу (1)

относительно совместной вероятности Р(А и В) , получаем общее, правило умножения вероятностей. Вероятность события А и В равна вероятности события А при условии, что наступило событие В В :

(3) Р(А и В) = Р(А|В) * Р(В)

Рассмотрим в качестве примера 80 семей, купивших широкоэкранный HDTV-телевизор (рис. 3). В таблице указано, что 64 семьи удовлетворены покупкой и 16 - нет. Предположим, что среди них случайным образом выбираются две семьи. Определите вероятность, что оба покупателя окажутся довольными. Используя формулу (3), получаем:

Р(А и В) = Р(А|В) * Р(В)

где событие А заключается в том, что вторая семья удовлетворена своей покупкой, а событие В - в том, что первая семья удовлетворена своей покупкой. Вероятность того, что первая семья удовлетворена своей покупкой, равна 64/80. Однако вероятность того, что вторая семья также удовлетворена своей покупкой, зависит от ответа первой семьи. Если первая семья после опроса не возвращается в выборку (выбор без возвращения), количество респондентов снижается до 79. Если первая семья оказалась удовлетворенной своей покупкой, вероятность того, что вторая семья также будет довольна, равна 63/79, поскольку в выборке осталось только 63 семьи, удовлетворенные своим приобретением. Таким образом, подставляя в формулу (3) конкретные данные, получим следующий ответ:

Р(А и В) = (63/79)(64/80) = 0,638.

Следовательно, вероятность того, что обе семьи довольны своими покупками, равна 63,8%.

Предположим, что после опроса первая семья возвращается в выборку. Определите вероятность того, что обе семьи окажутся довольными своей покупкой. В этом случае вероятности того, что обе семьи удовлетворены своей покупкой одинаковы, и равны 64/80. Следовательно, Р(А и В) = (64/80)(64/80) = 0,64. Таким образом, вероятность того, что обе семьи довольны своими покупками, равна 64,0%. Этот пример показывает, что выбор второй семьи не зависит от выбора первой. Таким образом, заменяя в формуле (3) условную вероятность Р(А|В) вероятностью Р(А) , мы получаем формулу умножения вероятностей независимых событий.

Правило умножения вероятностей независимых событий. Если события А и В являются статистически независимыми, вероятность события А и В равна вероятности события А , умноженной на вероятность события В .

(4) Р(А и В) = Р(А)Р(В)

Если это правило выполняется для событий А и В , значит, они являются статистически независимыми. Таким образом, существуют два способа определить статистическую независимость двух событий:

События А и В являются статистически независимыми друг от друга тогда и только тогда, когда Р(А|В) = Р(А) .
События А и B являются статистически независимыми друг от друга тогда и только тогда, когда Р(А и В) = Р(А)Р(В) .

Если в таблице сопряженности признаков, имеющей размер 2×2, одно из этих условий выполняется хотя бы для одной комбинации событий А и B , оно будет справедливым и для любой другой комбинации.

Безусловная вероятность элементарного события

(5) Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2) + … + P(A|B k)Р(B k)

где события B 1 , B 2 , … B k являются взаимоисключающими и исчерпывающими.

Проиллюстрируем применение этой формулы на примере рис.1. Используя формулу (5), получаем:

Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2)

где Р(А) - вероятность того, что покупка планировалась, Р(В 1) - вероятность того, что покупка совершена, Р(В 2) - вероятность того, что покупка не совершена.

ТЕОРЕМА БАЙЕСА

Условная вероятность события учитывает информацию о том, что произошло некое другое событие. Этот подход можно использовать как для уточнения вероятности с учетом вновь поступившей информации, так и для вычисления вероятности, что наблюдаемый эффект является следствием некоей конкретной причины. Процедура уточнения этих вероятностей называется теоремой Байеса. Впервые она была разработана Томасом Байесом в 18 веке.

Предположим, что компания, упомянутая выше, исследует рынок сбыта новой модели телевизора. В прошлом 40% телевизоров, созданных компанией, пользовались успехом, а 60% моделей признания не получили. Прежде чем объявить о выпуске новой модели, специалисты по маркетингу тщательно исследуют рынок и фиксируют спрос. В прошлом успех 80% моделей, получивших признание, прогнозировался заранее, в то же время 30% благоприятных прогнозов оказались неверными. Для новой модели отдел маркетинга дал благоприятный прогноз. Какова вероятность того, что новая модель телевизора будет пользоваться спросом?

Теорему Байеса можно вывести из определений условной вероятности (1) и (2). Чтобы вычислить вероятность Р(В|А), возьмем формулу (2):

и подставим вместо Р(А и В) значение из формулы (3):

Р(А и В) = Р(А|В) * Р(В)

Подставляя вместо Р(А) формулу (5), получаем теорему Байеса:

где события B 1 , В 2 , … В k являются взаимоисключающими и исчерпывающими.

Введем следующие обозначения: событие S - телевизор пользуется спросом , событие S’ - телевизор не пользуется спросом , событие F - благоприятный прогноз , событие F’ - неблагоприятный прогноз . Допустим, что P(S) = 0,4, P(S’) = 0,6, P(F|S) = 0,8, P(F|S’) = 0,3. Применяя теорему Байеса получаем:

Вероятность спроса на новую модель телевизора при условии благоприятного прогноза равна 0,64. Таким образом, вероятность отсутствия спроса при условии благоприятного прогноза равна 1–0,64=0,36. Процесс вычислений представлен на рис. 4.

Рис. 4. (а) Вычисления по формуле Байеса для оценки вероятности спроса телевизоров; (б) Дерево решения при исследовании спроса на новую модель телевизора

Рассмотрим пример применения теоремы Байеса для медицинской диагностики. Вероятность того, что человек страдает от определенного заболевания, равна 0,03. Медицинский тест позволяет проверить, так ли это. Если человек действительно болен, вероятность точного диагноза (утверждающего, что человек болен, когда он действительно болен) равна 0,9. Если человек здоров, вероятность ложноположительного диагноза (утверждающего, что человек болен, когда он здоров) равна 0,02. Допустим, что медицинский тест дал положительный результат. Какова вероятность того, что человек действительно болен? Какова вероятность точного диагноза?

Введем следующие обозначения: событие D - человек болен , событие D’ - человек здоров , событие Т - диагноз положительный , событие Т’ - диагноз отрицательный . Из условия задачи следует, что Р(D) = 0,03, P(D’) = 0,97, Р(T|D) = 0,90, P(T|D’) = 0,02. Применяя формулу (6), получаем:

Вероятность того, что при положительном диагнозе человек действительно болен, равна 0,582 (см. также рис. 5). Обратите внимание на то, что знаменатель формулы Байеса равен вероятности положительного диагноза, т.е. 0,0464.

Рассмотрим события A и B , связанные с одним и тем же опытом. Пусть из каких-то источников стало известно, что событие B наступило, но неизвестно, какой конкретно из элементарных исходов, составляющих событие B , произошел. Что можно сказать в этом случае о вероятности события A ?

Вероятность события A , вычисленную в предположении, что событие B произошло, принято называть условной вероятностью и обозначать P(A|B) .

Условную вероятность P(A|B) события A при условии события B в рамках классической схемы вероятности естественно определить как отношение N AB исходов, благоприятствующих совместному осуществлению событий A и B , к числу N B исходов, благоприятствующих событию B , то есть

Если поделить числитель и знаменатель этого выражения на общее число N элементарных исходов, то получим

Определение . Условной вероятностью события A при условии наступления события B называют отношение вероятности пересечения событий A и B к вероятности события B :

При этом предполагают, что P(B) ≠ 0 .

Теорема . Условная вероятность P(A|B) обладает всеми свойствами безусловной вероятности P(A) .

Смысл этой теоремы заключается в том, что условная вероятность представляет собой безусловную вероятность, заданную на новом пространстве Ω 1 элементарных исходов, совпадающем с событием B .

Пример . Из урны, в которой a=7 белых и b=3 черных шаров, наугад без возвращения извлекают два шара. Пусть событие A 1 состоит в том, что первый извлеченный шар является белым, а A 2 - белым является второй шар. Требуется найти P(A 2 |A 1) .

Способ 1. . По определению условной вероятности

Способ 2. . Перейдем к новому пространству элементарных исходов Ω 1 . Так как событие A 1 произошло, то это означает, что в новом пространстве элементарных исходов всего равновозможных исходов N Ω 1 =a+b-1=9 , а событию A 2 благоприятствует при этом N A 2 =a-1=6 исходов. Следовательно,

Теорема [умножения вероятностей] . Пусть событие A=A 1 A 2 …A n и P(A)>0 . Тогда справедливо равенство:

P(A) = P(A 1) P(A 2 |A 1) P(A 3 |A 1 A 2) … P(A n |A 1 A 2 …A n-1) .

Замечание . Из свойства коммутативности пересечения можно писать

P(A 1 A 2) = P(A 1) P(A 2 |A 1)

P(A 1 A 2) = P(A 2) P(A 1 |A 2) .

Пример . На 7 карточках написаны буквы, образующие слово «СОЛОВЕЙ». Карточки перемешивают и из них наугад последовательно извлекают и выкладывают слева направо три карточки. Найти вероятность того, что получится слово «ВОЛ» (событие A ).

Пусть событие A 1 - на первой карточке написана буква «В», A 2 - на второй карточке написана буква «О», A 2 - на третьей карточке - буква «Л». Тогда событие A - пересечение событий A 1 , A 2 , A 3 . Следовательно,

P(A) = P(A 1 A 2 A 3) = P(A 1) P(A 2 |A 1) P(A 3 |A 1 A 2) .

P(A 1)=1/7 ; если событие A 1 произошло, то на оставшихся 6 карточках «О» встречается два раза, значит P(A 2 |A 1)=2/6=1/3 . Аналогично, P(A 3 |A 1)=2/6=1/3 . Следовательно,

Определение . События A и B , имеющие ненулевую вероятность, называют независимыми, если условная вероятность A при условии B совпадает с безусловной вероятностью A или если условная вероятность B при условии A совпадает с безусловной вероятностью B , то есть

P(A|B) = P(A) или P(B|A) = P(B) ,

в противном случае события A и B называют зависимыми.

Теорема . События A и B , имеющие ненулевую вероятность, являются независимыми тогда и только тогда, когда

P(AB) = P(A) P(B) .

Таким образом, можно дать эквивалентное определение:

Определение . События A и B называют независимыми, если P(AB) = P(A) P(B) .

Пример . Из колоды карт, содержащей n=36 карт, наугад извлекают одну карту. Обозначим через A событие, соответствующее тому, что извлеченная карта будет пиковой, а B - событие, соответствующее появлению «дамы». Определим являются ли зависимыми события A и B .

P(A)=9/36=1/4 , P(B)=4/36=19 , P(AB)=1/36 , . Следовательно, события A и B независимы. Аналогично, .

Лекция 4

Принцип практической невозможности маловероятных событий

Если случайное событие имеет очень маленькую вероятность, то практически можно считать, что в единичном испытании это событие не наступит. Все зависит от конкретной задачи. Если вероятность нераскрытия парашюта 0,01, то такой парашют применять нельзя. Если электричка опоздает с вероятностью 0,01 то можно быть уверенным что она прибудет вовремя.

Достаточно малую вероятность, при которой в данной задаче событие можно считать практически невозможным, называют уровнем значимости. На практике обычно принимают уровни значимости от 0,01 до 0,05.

Если случайное событие имеет вероятность очень близкую к единице, то практически можно считать, что в единичном испытании это событие наступит.

Условная вероятность

Произведением двух событий A и B называют событие АВ, состоящее в совместном появлении (совмещении) этих событий. Например, если A - деталь годная, В - деталь окрашенная, то АВ - деталь годна и окрашена.

Произведением нескольких событий называют событие, состоящее в совместном появлении всех этих событ ий. Например, если A , B , C - появление «герба» соответственно в первом, втором и третьем бросаниях монеты, то ABC - выпадение «герба» во всех трех испытаниях.

Во введении случайное событие определено как событие, которое при осуществлении совокупности условий S может произойти или не произойти.

Если при вычислении вероятности события никаких других ограничений, кроме условий S, не налагается, то такую вероятность называют безусловной ; если же налагаются и другие дополнительные условия, то вероятность события называют условной.

Например, часто вычисляют вероятность события B при дополнительном условии, что произошло событие A . Безусловная вероятность, строго говоря, является условной, поскольку предполагается осуществление условий S.

Условной вероятностью Р A (В) или называют вероятность события B, вычисленную в предположении, что событие A уже наступило

Условная вероятность вычисляется по формуле

. (4.1)

Эту формулу можно доказать исходя из классического определения вероятности.

Пример 3. В урне 3 белых и 3 черных шара. Из урны дважды вынимают по одному шару, не возвращая их обратно. Найти вероятность появления белого шара при втором испытании (событие В ), если при первом испытании был извлечен черный шар (событие А ).

Решение . После первого испытания в урне осталось 5 шаров, из них 3 белых. Искомая условная вероятность Р А (В ) = 3/5.

Этот же результат можно получить по формуле

Р A (В ) =P (АВ )/P (А) (P (А ) > 0).

Действительно, вероятность появления белого шара при первом испытании

P (A ) = 3/6 =1/2.

Найдем вероятность P (АВ ) того, что в первом испытании появится черный шар, а во втором - белый по формуле (3.1). Общее число исходов - совместного появления двух шаров, безразлично какого цвета, равно числу размещений = 6 5 = 30. Из этого числа исходов событию АВ благоприятствуют 3 3=9 исходов. Следовательно, P (АВ ) =9/30 = 3/10.

Условная вероятность P А (В ) =P (АВ )/Р (А ) = (3/10)/(1/2) = 3/5. Получен прежний результат.

Мы уже говорили, что в основе определения вероятности события лежит некоторая совокупность условий. Если никаких ограничений, кроме условий, при вычислении вероятности не налагается, то такие вероятности называются безусловными.

Однако в ряде случаев приходится находить вероятности событий при дополнительном условии, что произошло некоторое событие В, имеющее не нулевую вероятность, т.е. Данные вероятности мы будем называть условными и обозначать символом; это означает вероятность события А при условии, что событие В произошло.

Пример 1. Брошены две игральные кости. Чему равна вероятность того, что сумма выпавших на них очков равна 8 (событие A), если известно, что эта сумма есть четное число (событие В)?

Все возможные случаи, которые могут представиться при бросании двух костей, мы запишем в таблице 1.7.1, каждая клетка которой содержит запись возможного события: на первом месте в скобках указывается число очков, выпавших на первой кости, на втором месте -- число очков, выпавших на второй кости.

Общее число возможных случаев -- 36, благоприятствующих событию A -- 5. Таким образом, безусловная вероятность.

Если событие В произошло, то осуществилась одна из 18 (а не 36) возможностей и, следовательно, условная вероятность равна.

Пример 2. Из колоды карт последовательно вынуты две карты. Найти: а) безусловную вероятность того, что вторая карта окажется тузом (неизвестно, какая карта была вынута вначале), и б) условную вероятность, что вторая карта будет тузом, если первоначально был вынут туз.

Обозначим через A событие, состоящее в появлении туза на втором месте, а через В--событие, состоящее в появлении туза на первом месте. Ясно, что имеет место равенство.

В силу несовместимости событий АВ и АВ имеем:

При вынимании двух карт из колоды в 36 карт могут произойти 36*35 (учитывая порядок!) случаев. Из них благоприятствующих событию АВ -- 4*3 случаев, а событию -- 32 * 4 случаев. Таким образом,

Если первая карта есть туз, то в колоде осталось 35 карт и среди них только три туза. Следовательно, .

Общее решение задачи нахождения условной вероятности для классического определения вероятности не представляет труда. В самом деле, пусть из n единственно возможных, несовместимых и равновероятных событий событию А благоприятствует m событий. Если событие В произошло, то это означает, что наступило одно из событий, благоприятствующих В. При этом условии событию А благоприятствуют r и только r событий Aj, благоприятствующих АВ. Таким образом,

Точно так же можно вывести, что

Понятно, что

т. е. вероятность произведения двух событий равна произведению вероятности одного из этих событий на условную вероятность другого при условии, что первое произошло.

Теорема умножения применима и в том случае, когда одно из событий А или В есть невозможное событие, так как в этом случае вместе с имеют место равенства и.

Условная вероятность обладает всеми свойствами вероятности. В этом легко убедиться, проверив, что она удовлетворяет всем свойствам, сформулированных в предыдущих параграфах. Действительно, первое свойство выполняется очевидным образом, поскольку для каждого события А определена неотрицательная функция. Если, то

Проверка третьего свойства также не составляет труда и мы предоставляем читателю ее осуществление.

Заметим, что вероятностное пространство для условных вероятностей задается следующей тройкой.

Определение 1. Говорят, что событие А независимо от события В, если имеет место равенство т. е. если наступление события В не изменяет вероятности появления события А.

Если событие А независимо от В, то имеет место равенство

Отсюда находим: т. е. событие В также независимо от А. Таким образом, свойство независимости событий взаимно.

Если события А и В независимы, то независимы также события А и. Действительно, так как

Отсюда мы делаем важное заключение: если события А и В независимы, то независимы также каждые два события.

Понятие независимости событий играет значительную роль в теории вероятностей и в ее приложениях. В частности, большая часть результатов, изложенных в настоящем пособии, получена в предположении независимости тех или иных рассматриваемых событий.

Так, например, ясно, что выпадение герба на одной монете не изменяет вероятности появления герба (решки) на другой монете, если только эти монеты во время бросания не связаны между собой (например, жестко не скреплены). Точно так же рождение мальчика у одной матери не изменяет вероятности появления мальчика (девочки) у другой матери. Это -- события независимые.

Для независимых событий теорема умножения принимает особенно простой вид, а именно, если события A и В независимы, то

Мы обобщим теперь понятие независимости двух событий на совокупность нескольких событий.

Определение 2. События называются независимыми в совокупности, если для любого события из их числа и произвольных из их же числа события и взаимно независимы. В силу предыдущего это определение эквивалентно: при любых

Заметим, что для независимости в совокупности нескольких событий недостаточно их по парной независимости. В этом можно убедиться на следующем простом примере.

Пример С.Н. Бернштейна. Представим себе, что грани тетраэдра окрашены: 1-я -- в красный цвет (A), 2-я -- в зеленый (В), третья -- в синий (С) и 4-я -- во все эти три цвета (AВС). Легко видеть, что вероятность выпадения грани, на которую упадет тетраэдр при бросании, и своей окраске иметь красный цвет равна 1/2: граней четыре и две из них имеют в окраске красный цвет.

события A,В,С, таким образом, попарно независимы.

Однако, если нам известно, что осуществились события В и С, то заведомо осуществилось и событие A, т. е. .

Таким образом, события A,В,С в совокупности зависимы. Таким образом, в общем случае при по определению

(В случае условная вероятность остается неопределенной.) Это позволяет нам перенести автоматически на общее понятие вероятности все определения и результаты настоящего параграфа.