Вряд ли многие люди задумываются, можно ли просчитать события, которые в той или иной мере случайны. Выражаясь простыми словами, реально ли узнать, какая сторона кубика в выпадет в следующий раз. Именно этим вопросом задались два великих ученых, положившие начало такой науке, как теория вероятности, вероятность события в которой изучается достаточно обширно.

Зарождение

Если попытаться дать определение такому понятию, как теория вероятности, то получится следующее: это один из разделов математики, который занимается изучением постоянства случайных событий. Ясное дело, данное понятие толком не раскрывает всю суть, поэтому необходимо рассмотреть ее более детально.

Хотелось бы начать с создателей теории. Как было выше упомянуто, их было двое, это и Именно они одни из первых попытались с использованием формул и математических вычислений просчитать исход того или иного события. В целом же зачатки этой науки проявлялись еще в средневековье. В то время разные мыслители и ученые пытались проанализировать азартные игры, такие как рулетка, кости и так далее, тем самым установить закономерность и процентное соотношение выпадения того или иного числа. Фундамент же был заложен в семнадцатом столетии именно вышеупомянутыми учеными.

Поначалу их труды нельзя было отнести к великим достижениям в этой области, ведь все, что они сделали, это были попросту эмпирические факты, а опыты ставились наглядно, без использования формул. Со временем получилось добиться больших результатов, которые появились вследствие наблюдения за бросанием костей. Именно этот инструмент помог вывести первые внятные формулы.

Единомышленники

Нельзя не упомянуть о таком человеке, как Христиан Гюйгенс, в процессе изучения темы, носящей название "теория вероятности" (вероятность события освещается именно в этой науке). Данная персона очень интересна. Он, так же как и представленные выше ученые, пытался в виде математических формул вывести закономерность случайных событий. Примечательно, что делал он это не совместно с Паскалем и Ферма, то есть все его труды никак не пересекались с этими умами. Гюйгенс вывел

Интересен тот факт, что его работа вышла задолго до результатов трудов первооткрывателей, а точнее, на двадцать лет раньше. Среди обозначенных понятий известнее всего стали:

• понятие вероятности как величины шанса;
• математическое ожидание для дискретных случаев;
• теоремы умножения и сложения вероятностей.

Также нельзя не вспомнить который тоже внес весомый вклад в изучении проблемы. Проводя свои, ни от кого не зависящие испытания, он сумел представить доказательство закона больших чисел. В свою очередь, ученые Пуассон и Лаплас, которые работали в начале девятнадцатого столетия, смогли доказать изначальные теоремы. Именно с этого момента для анализа ошибок в ходе наблюдений начали использовать теорию вероятностей. Стороной обойти данную науку не смогли и русские ученые, а точнее Марков, Чебышев и Дяпунов. Они, исходя из проделанной работы великих гениев, закрепили данный предмет в качестве раздела математики. Трудились эти деятели уже в конце девятнадцатого столетия, и благодаря их вкладу, были доказаны такие явления, как:

• закон больших чисел;
• теория цепей Маркова;
• центральная предельная теорема.

Итак, с историей зарождения науки и с основными персонами, повлиявшими на нее, все более или менее понятно. Сейчас же пришло время конкретизировать все факты.

Основные понятия

Перед тем как касаться законов и теорем, стоит изучить основные понятия теории вероятностей. Событие в ней занимает главенствующую роль. Данная тема довольно объемная, но без нее не удастся разобраться во всем остальном.

Событие в теории вероятности - этолюбая совокупность исходов проведенного опыта. Понятий данного явления существует не так мало. Так, ученый Лотман, работающий в этой области, высказался, что в данном случае речь идет о том, что «произошло, хотя могло и не произойти».

Случайные события (теория вероятности уделяет им особое внимание) - это понятие, которое подразумевает абсолютно любое явление, имеющее возможность произойти. Или же, наоборот, этот сценарий может не случиться при выполнении множества условий. Также стоит знать, что захватывают весь объем произошедших явлений именно случайные события. Теория вероятности указывает на то, что все условия могут повторяться постоянно. Именно их проведение получило название "опыт" или же "испытание".

Достоверное событие - это то явление, которое в данном испытании на сто процентов произойдет. Соответственно, невозможное событие - это то, которое не случится.

Совмещение пары действий (условно случай A и случай B) есть явление, которое происходит одновременно. Они обозначаются как AB.

Сумма пар событий А и В - это С, другими словами, если хотя бы одно из них произойдет (А или В), то получится С. Формула описываемого явления записывается так: С = А + В.

Несовместные события в теории вероятности подразумевают, что два случая взаимно исключают друг друга. Одновременно они ни в коем случае не могут произойти. Совместные события в теории вероятности - это их антипод. Здесь подразумевается, что если произошло А, то оно никак не препятствует В.

Противоположные события (теория вероятности рассматривает их очень подробно) просты для понимания. Лучше всего разобраться с ними в сравнении. Они почти такие же, как и несовместные события в теории вероятности. Но их отличие заключается в том, что одно из множества явлений в любом случае должно произойти.

Равновозможные события - это те действия, возможность повтора которых равна. Чтобы было понятней, можно представить бросание монеты: выпадение одной из ее сторон равновероятно выпадению другой.

Благоприятствующее событие легче рассмотреть на примере. Допустим, есть эпизод В и эпизод А. Первое - это бросок игрального кубика с появлением нечетного числа, а второе - появление числа пять на кубике. Тогда получается, что А благоприятствует В.

Независимые события в теории вероятности проецируются только на два и больше случаев и подразумевают независимость какого-либо действия от другого. Например, А - выпадение решки при бросании монеты, а В - доставание валета из колоды. Они и есть независимые события в теории вероятности. С этим моментом стало понятнее.

Зависимые события в теории вероятности также допустимы лишь для их множества. Они подразумевают зависимость одного от другого, то есть явление В может произойти только в том случае, если А уже произошло или же, наоборот, не произошло, когда это - главное условие для В.

Исход случайного эксперимента, состоящего из одного компонента, - это элементарные события. Теория вероятности поясняет, что это такое явление, которое совершилось лишь единожды.

Основные формулы

Итак, выше были рассмотрены понятия "событие", "теория вероятности", определение основным терминам этой науки также было дано. Сейчас же пришло время ознакомиться непосредственно с важными формулами. Эти выражения математически подтверждают все главные понятия в таком непростом предмете, как теория вероятности. Вероятность события и здесь играет огромную роль.

Начать лучше с основных И перед тем как приступить к ним, стоит рассмотреть, что это такое.

Комбинаторика - это в первую очередь раздел математики, он занимается изучением огромного количества целых чисел, а также различных перестановок как самих чисел, так и их элементов, различных данных и т. п., ведущих к появлению ряда комбинаций. Помимо теории вероятности, эта отрасль важна для статистики, компьютерной науки и криптографии.

Итак, теперь можно переходить к представлению самих формул и их определению.

Первой из них будет выражение для числа перестановок, выглядит оно следующим образом:

P_n = n ⋅ (n - 1) ⋅ (n - 2)…3 ⋅ 2 ⋅ 1 = n!

Применяется уравнение только в том случае, если элементы различаются лишь порядком расположения.

Теперь будет рассмотрена формула размещения, выглядит она так:

A_n^m = n ⋅ (n - 1) ⋅ (n-2) ⋅ ... ⋅ (n - m + 1) = n! : (n - m)!

Это выражение применимо уже не только лишь к порядку размещения элемента, но и к его составу.

Третье уравнение из комбинаторики, и оно же последнее, называется формулой для числа сочетаний:

C_n^m = n ! : ((n - m))! : m !

Сочетанием называются выборки, которые не упорядочены, соответственно, к ним и применяется данное правило.

С формулами комбинаторики получилось разобраться без труда, теперь можно перейти к классическому определению вероятностей. Выглядит это выражение следующим образом:

В данной формуле m - это число условий, благоприятствующих событию A, а n - число абсолютно всех равновозможных и элементарных исходов.

Существует большое количество выражений, в статье не будут рассмотрены все, но затронуты будут самые важные из них такие, как, например, вероятность суммы событий:

P(A + B) = P(A) + P(B) - эта теорема для сложения только несовместных событий;

P(A + B) = P(A) + P(B) - P(AB) - а эта для сложения только совместимых.

Вероятность произведения событий:

P(A ⋅ B) = P(A) ⋅ P(B) - эта теорема для независимых событий;

(P(A ⋅ B) = P(A) ⋅ P(B∣A); P(A ⋅ B) = P(A) ⋅ P(A∣B)) - а эта для зависимых.

Закончит список формула событий. Теория вероятностей рассказывает нам о теоремеБайеса, которая выглядит так:

P(H_m∣A) = (P(H_m)P(A∣H_m)) : (∑_(k=1)^n P(H_k)P(A∣H_k)),m = 1,...,n

В данной формуле H 1 , H 2 , …, H n - это полная группа гипотез.

Примеры

Если тщательно изучить любой раздел математики, в нем не обходится без упражнений и образцов решений. Так и теория вероятности: события, примеры здесь являются неотъемлемым компонентом, подтверждающим научные выкладки.

Формула для числа перестановок

Допустим, в карточной колоде есть тридцать карт, начиная с номинала один. Далее вопрос. Сколько есть способов сложить колоду так, чтобы карты с номиналом один и два не были расположены рядом?

Задача поставлена, теперь давайте перейдем к ее решению. Для начала нужно определить число перестановок из тридцати элементов, для этого берем представленную выше формулу, получается P_30 = 30!.

Исходя из этого правила, мы узнаем, сколько есть вариантов сложить колоду по-разному, но нам необходимо вычесть из них те, в которых первая и вторая карта будут рядом. Для этого начнем с варианта, когда первая находится над второй. Получается, что первая карта может занять двадцать девять мест - с первого по двадцать девятое, а вторая карта со второго по тридцатое, получается всего двадцать девять мест для пары карт. В свою очередь, остальные могут принимать двадцать восемь мест, причем в произвольном порядке. То есть для перестановки двадцати восьми карт есть двадцать восемь вариантов P_28 = 28!

В итоге получается, что если рассматривать решение, когда первая карта находится над второй, лишних возможностей получится 29 ⋅ 28! = 29!

Используя этот же метод, нужно вычислить число избыточных вариантов для того случая, когда первая карта находится под второй. Получается также 29 ⋅ 28! = 29!

Из этого следует, что лишних вариантов 2 ⋅ 29!, в то время как необходимых способов сбора колоды 30! - 2 ⋅ 29!. Остается только лишь посчитать.

30! = 29! ⋅ 30; 30!- 2 ⋅ 29! = 29! ⋅ (30 - 2) = 29! ⋅ 28

Теперь нужно перемножать между собой все числа от одного до двадцати девяти, после чего в конце умножить все на 28. Ответ получается 2,4757335 ⋅〖10〗^32

Решение примера. Формула для числа размещения

В данной задаче необходимо выяснить, сколько есть способов, чтобы поставить пятнадцать томов на одной полке, но при условии, что всего томов тридцать.

В этой задаче решение немного проще, чем в предыдущей. Используя уже известную формулу, необходимо вычислить суммарное число расположений из тридцати томов по пятнадцать.

A_30^15 = 30 ⋅ 29 ⋅ 28⋅... ⋅ (30 - 15 + 1) = 30 ⋅ 29 ⋅ 28 ⋅ ... ⋅ 16 = 202 843 204 931 727 360 000

Ответ, соответственно, будет равен 202 843 204 931 727 360 000.

Теперь возьмем задачу чуть сложнее. Необходимо узнать, сколько есть способов расставить тридцать книг на двух книжных полках, при условии, что на одной полке могут находиться лишь пятнадцать томов.

Перед началом решения хотелось бы уточнить, что некоторые задачи решаются несколькими путями, так и в этой есть два способа, но в обоих применена одна и та же формула.

В этой задаче можно взять ответ из предыдущей, ведь там мы вычислили, сколько раз можно заполнить полку на пятнадцать книг по-разному. Получилось A_30^15 = 30 ⋅ 29 ⋅ 28 ⋅ ... ⋅ (30 - 15 + 1) = 30 ⋅ 29 ⋅ 28 ⋅ ...⋅ 16.

Вторую же полку рассчитаем по формуле перестановки, ведь в нее помещается пятнадцать книг, в то время как всего остается пятнадцать. Используем формулу P_15 = 15!.

Получается, что в сумме будет A_30^15 ⋅ P_15 способов, но, помимо этого, произведение всех чисел от тридцати до шестнадцати надо будет умножить на произведение чисел от одного до пятнадцати, в итоге получится произведение всех чисел от одного до тридцати, то есть ответ равен 30!

Но эту задачу можно решить и по-иному - проще. Для этого можно представить, что есть одна полка на тридцать книг. Все они расставлены на этой плоскости, но так как условие требует, чтобы полок было две, то мы одну длинную пилим пополам, получается две по пятнадцать. Из этого получается что вариантов расстановки может быть P_30 = 30!.

Решение примера. Формула для числа сочетания

Сейчас будет рассмотрен вариант третьей задачи из комбинаторики. Необходимо узнать, сколько способов есть, чтобы расставить пятнадцать книг при условии, что выбирать необходимо из тридцати абсолютно одинаковых.

Для решения будет, конечно же, применена формула для числа сочетаний. Из условия становится понятным, что порядок одинаковых пятнадцати книг не важен. Поэтому изначально нужно выяснить общее число сочетаний из тридцати книг по пятнадцать.

C_30^15 = 30 ! : ((30-15)) ! : 15 ! = 155 117 520

Вот и все. Используя данную формулу, в кратчайшее время удалось решить такую задачу, ответ, соответственно, равен 155 117 520.

Решение примера. Классическое определение вероятности

С помощью формулы, указанной выше, можно найти ответ в несложной задаче. Но это поможет наглядно увидеть и проследить ход действий.

В задаче дано, что в урне есть десять абсолютно одинаковых шариков. Из них четыре желтых и шесть синих. Из урны берется один шарик. Необходимо узнать вероятность доставания синего.

Для решения задачи необходимо обозначить доставание синего шарика событием А. Данный опыт может иметь десять исходов, которые, в свою очередь, элементарные и равновозможные. В то же время из десяти шесть являются благоприятствующими событию А. Решаем по формуле:

P(A) = 6: 10 = 0,6

Применив эту формулу, мы узнали, что возможность доставания синего шарика равна 0,6.

Решение примера. Вероятность суммы событий

Сейчас будет представлен вариант, который решается с использованием формулы вероятности суммы событий. Итак, в условии дано, что есть два ящика, в первом находится один серый и пять белых шариков, а во втором - восемь серых и четыре белых шара. В итоге из первого и второго короба взяли по одному из них. Необходимо узнать, каков шанс того, что доставаемые шарики будут серого и белого цвета.

Чтобы решить данную задачу, необходимо обозначить события.

• Итак, А - взяли серый шарик из первого ящика: P(A) = 1/6.
• А’ - взяли белый шарик также из первого ящика: P(A") = 5/6.
• В - извлекли серый шарик уже из второго короба: P(B) = 2/3.
• В’ - взяли серый шарик из второго ящика: P(B") = 1/3.

По условию задачи необходимо, чтобы случилось одно из явлений: АВ’ или же А’В. Используя формулу, получаем: P(AB") = 1/18, P(A"B) = 10/18.

Сейчас была использована формула по умножению вероятности. Далее, чтобы узнать ответ, необходимо применить уравнение их сложения:

P = P(AB" + A"B) = P(AB") + P(A"B) = 11/18.

Вот так, используя формулу, можно решать подобные задачи.

Итог

В статье была представлена информация по теме "Теория вероятности", вероятность события в которой играет важнейшую роль. Конечно же, не все было учтено, но, исходя из представленного текста, можно теоретически ознакомиться с данным разделом математики. Рассматриваемая наука может пригодиться не только в профессиональном деле, но и в повседневной жизни. С ее помощью можно просчитать любую возможность какого-либо события.

В тексте были затронуты также знаменательные даты в истории становления теории вероятности как науки, и фамилии людей, чьи труды были в нее вложены. Вот так человеческое любопытство привело к тому, что люди научились просчитывать даже случайные события. Когда-то они просто заинтересовались этим, а сегодня об этом уже знают все. И никто не скажет, что ждет нас в будущем, какие еще гениальные открытия, связанные с рассматриваемой теорией, будут совершены. Но одно можно сказать точно - исследования на месте не стоят!

Определение 1. Событие А называется зависимым от события В, если вероятность появления события А зависит от того, произошло или не произошло событие В. Вероятность того, что произошло событие А при условии, что произошло событие В, будем обозначать и называть условной вероятностью события А при условии В.

Пример 1. В урне находится 3 белых шара и 2 черных. Из урны вынимается один шар (первое вынимание), а затем второй (второе вынимание). Событие В - появление белого шара при первом вынимании. Событие А - появление белого шара при втором вынимании.

Очевидно, что вероятность события А, если событие В произошло, будет

Вероятность события Л при условии, что событие В не произошло (при первом вынимании появился черный шар), будет

Видим, что

Теорема 1. Вероятность совмещения двух событий равняется произведению вероятности одного из них на условную вероятность второго, вычисленную при условии, что первое событие произошло, т. е.

Доказательство. Доказательство приведем для событий, которые сводятся к схеме урн (т. е. в случае, когда применимо классическое определение вероятности).

Пусть в урне шаров, при этом белых, черных. Пусть среди белых шаров шаров с отметкой «звездочка», остальные чисто белые (рис. 408).

Из урны вынимается один шар. Какова вероятность события вынуть белый шар с отметкой «звездочка»?

Пусть В - событие, состоящее в появлении (белого шара, А - событие, состоящее в появлении шара с отметкой «звездочка». Очевидно,

Вероятность появления белого шара со «звездочкой при условии, что появился белый шар, будет

Вероятность появления белого шара со «звездочкой» есть Р (А и В). Очевидно,

Подставляя в (5) левые части выражений (2), (3) и (4), получаем

Равенство (1) доказано.

Если рассматриваемые события не укладываются в классическую - схему, то формула (1) служит для определения условной вероятности. А именно, условная вероятность события А при условии осуществления события В опрёделяется с помощью

Замечание 1. Применим последнюю формулу к выражению :

В равенствах (1) и (6) левые части равны, так как это одна и та же вероятность, следовательно, равны и правые. Поэтому можем написать равенство

Пример 2. Для случая примера 1, приведенного в начале этого параграфа, имеем По формуле (1) получаем Вероятность Р(А и В) легко вычисляется и непосредственно.

Пример 3. Вероятность изготовления годного изделия данным станком равна 0,9. Вероятность появления изделия 1-го сорта среди годных изделии есть 0,8. Определить вероятность изготовления изделия 1-го сорта данным станком.

Решение. Событие В - изготовление годного изделия данным станком, событие А - появление изделия 1-го сорта. Здесь Подставляя в формулу (1), получаем искомую вероятность

Теорема 2. Если событие А может осуществиться только при выполнении одного из событий которые образуют полную группу несовместных событий, то вероятность события А вычисляется по формуле

Формулд (8) называется формулой полной вероятности. Доказательство. Событие А может произойти при выполнении любого из совмещенных событий

Следовательно, по теореме о сложение вероятностей получаем

Заменяя слагаемые правой части по формуле (1), получим равенство (8).

Пример 4. По цели произведено три последовательных выстрела. Вероятность попадания при первом выстреле при втором при третьем При одном попадании вероятность поражения цели при двух попаданиях , при трех попаданиях Определить вероятность пфаженйя цели при трех выстрелах (событие А).

Решение. Рассмотрим полную группу несовместных событий:

Было одно попадание;

Если при наступлении события вероятность событияне меняется, то событияиназываютсянезависимыми .

Теорема: Вероятность совместного появления двух независимых событий и (произведения и) равна произведению вероятностей этих событий.

Действительно, так как событияинезависимы, то
. В этом случае формула вероятности произведения событийипринимает вид.

События
называютсяпопарно независимыми , если независимы любые два из них.

События
называютсянезависимыми в совокупности (или просто независимыми) , если независимы каждые два из них и независимы каждое событие и все возможные произведения остальных.

Теорема: Вероятность произведения конечного числа независимых в совокупности событий
равна произведению вероятностей этих событий.

Проиллюстрируем различие в применении формул вероятности произведения событий для зависимых и независимых событий на примерах

Пример 1 . Вероятность попадания в цель первым стрелком равна 0,85, вторым 0,8. Орудия сделали по одному выстрелу. Какова вероятность того, что в цель попал хотя бы один снаряд?

Решение: P(A+B) =P(A) +P(B) –P(AB) Так как выстрелы независимы, то

P(A+B) = P(A) +P(B) –P(A)*P(B) = 0.97

Пример 2 . В урне находится 2 красных и 4 черных шара. Из нее вынимают подряд 2 шара. Какова вероятность того, что оба шара красные.

Решение: 1 случай. Событие А – появление красного шара при первом вынимании, событие В – при втором. Событие С – появление двух красных шаров.

P(С) =P(A)*P(B/A) = (2/6)*(1/5) = 1/15

2 случай. Первый вынутый шар возвращается в корзину

P(С) =P(A)*P(B) = (2/6)*(2/6) = 1/9

Формула полной вероятности.

Пусть событие может произойти только с одним из несовместных событий
, образующих полную группу. Например, в магазин поступает одна и та же продукция от трех предприятий и в разном количестве. Вероятность выпуска некачественной продукции на этих предприятиях различна. Случайным образом отбирается одно из изделий. Требуется определить вероятность того, что это изделие некачественное (событие). Здесь события
– это выбор изделия из продукции соответствующего предприятия.

В этом случае вероятность события можно рассматривать как сумму произведений событий
.

По теореме сложения вероятностей несовместных событий получаем
. Используя теорему умножения вероятностей, находим

.

Полученная формула называется формулой полной вероятности .

Формула Байеса

Пусть событие происходит одновременно с одним изнесовместных событий
, вероятности которых
(
) известны до опыта (вероятности априори ). Производится опыт, в результате которого зарегистрировано появление события, причем известно, что это событие имело определенные условные вероятности
(
). Требуется найти вероятности событий
если известно, что событиепроизошло (вероятности апостериори ).

Задача состоит в том, что, имея новую информацию (событие Aпроизошло), нужно переоценить вероятности событий
.

На основании теоремы о вероятности произведения двух событий

.

Полученная формула носит название формулы Байеса .

Основные понятия комбинаторики.

При решении ряда теоретических и практических задач требуется из конечного множества элементов по заданным правилам составлять различные комбинации и производить подсчет числа всех возможных таких комбинаций. Такие задачи принято называть комбинаторными .

При решении задач комбинаторики используют правила суммы и произведения.

Определения вероятности

Классическое определение

Классическое "определение" вероятности исходит из понятия равновозможности как объективного свойства изучаемых явлений. Равновозможность является неопределяемым понятием и устанавливается из общих соображений симметрии изучаемых явлений. Например, при подбрасывании монетки исходят из того, что в силу предполагаемой симметрии монетки, однородности материала и случайности (непредвзятости) подбрасывания нет никаких оснований для предпочтения "решки" перед "орлом" или наоборот, то есть выпадение этих сторон можно считать равновозможными (равновероятными).

Наряду с понятием равновозможности в общем случае для классического определения необходимо также понятие элементарного события (исхода), благоприятствующего или нет изучаемому событию A. Речь идет об исходах, наступление которых исключает возможность наступления иных исходов. Это несовместимые элементарные события. К примеру при бросании игральной кости выпадение конкретного числа исключает выпадение остальных чисел.

Классическое определение вероятности можно сформулировать следующим образом:

Вероятностью случайного события A называется отношение числа n несовместимых равновероятных элементарных событий, составляющих событие A, к числу всех возможных элементарных событий N:

Например, пусть подбрасываются две кости. Общее количество равновозможных исходов (элементарных событий) равно очевидно 36 (6 возможностей на каждой кости). Оценим вероятность выпадения 7 очков. Получение 7 очков возможно следующими способами: 1+6, 2+5, 3+4, 4+3, 5+2, 6+1. То есть всего 6 равновозможных исходов, благоприятствующих событию A - получению 7 очков. Следовательно, вероятность будет равна 6/36=1/6. Для сравнения вероятность получения 12 очков или 2 очков равна всего 1/36 - в 6 раз меньше.

Геометрическое определение

Несмотря на то, что классическое определение является интуитивно понятным и выведенным из практики, оно, как минимум не может быть непосредственно применено в случае, если количество равновозможных исходов бесконечно. Ярким примером бесконечного числа возможных исходов является ограниченная геометрическая область G, например, на плоскости, с площадью S. Случайно "подброшенная" "точка" с равной вероятностью может оказаться в любой точке этой области. Задача заключается в определении вероятности попадания точки в некоторую подобласть g с площадью s. В таком случая обобщая классическое определение можно прийти к геометрическому определению вероятности попадания в подобласть :

В виду равновозможности вероятность эта не зависит от формы области g, она зависит только от ее площади. Данное определение естественно можно обобщить и на пространство любой размерности, где вместо площади использовать понятие "объема". Более того, именно такое определение приводит к современному аксиоматическому определению вероятности. Понятие объема обобщается до понятия "меры" некоторого абстрактного множества, к которой предъявляются требования, которыми обладает и "объем" в геометрической интерпретации - в первую очередь, это неотрицательность и аддитивность.

Частотное (статистическое) определение

Классическое определение при рассмотрении сложных проблем наталкивается на трудности непреодолимого характера. В частности, в некоторых случаях выявить равновозможные случаи может быть невозможно. Даже в случае с монеткой, как известно существует явно не равновероятная возможность выпадения "ребра", которую из теоретических соображений оценить невозможно (можно только сказать, что оно маловероятно и то это соображение скорее практическое). Поэтому еще на заре становления теории вероятностей было предложено альтернативное "частотное" определение вероятности. А именно, формально вероятность можно определить как предел частоты наблюдений события A, предполагая однородность наблюдений (то есть одинаковость всех условий наблюдения) и их независимость друг от друга:

где - количество наблюдений, а - количество наступлений события .

Несмотря на то, что данное определение скорее указывает на способ оценки неизвестной вероятности - путем большого количества однородных и независимых наблюдений - тем не менее в таком определении отражено содержание понятия вероятности. А именно, если событию приписывается некоторая вероятность, как объективная мера его возможности, то это означает, что при фиксированных условиях и многократном повторении мы должны получить частоту его появления, близкую к (тем более близкую, чем больше наблюдений). Собственно, в этом заключается исходный смысл понятия вероятности. В основе лежит объективистский взгляд на явления природы. Ниже будут рассмотрены так называемые законы больших чисел, которые дают теоретическую основу (в рамках излагаемого ниже современного аксиоматического подхода) в том числе для частотной оценки вероятности.

Аксиоматическое определение

В современном математическом подходе вероятность задаётся аксиоматикой Колмогорова . Предполагается, что задано некоторое пространство элементарных событий . Подмножества этого пространства интерпретируются как случайные события . Объединение (сумма) некоторых подмножеств (событий) интерпретируется как событие, заключающееся в наступлении хотя бы одного из этих событий. Пересечение (произведение) подмножеств (событий) интерпретируется как событие, заключающееся в наступлении всех этих событий. Непересекающиеся множества интерпретируются как несовместные события (их совместное наступление невозможно). Соответственно, пустое множество означает невозможное событие.

Вероятностью (вероятностной мерой ) называется мера (числовая функция) , заданная на множестве событий, обладющая следующими свойствами:

В случае если пространство элементарных событий X конечно , то достаточно указанного условия аддитивности для произвольных двух несовместных событий, из которого будет следовать аддитивность для любого конечного количества несовместных событий. Однако, в случае бесконечного (счетного или несчетного) пространства элементарных событий этого условия оказывается недостаточно. Требуется так называемая счетная или сигма- аддитивность , то есть выполнение свойства аддитивности для любого не более чем счетного семейства попарно несовместных событий. Это необходимо для обеспечения "непрерывности" вероятностной меры.

Вероятностная мера может быть определена не для всех подмножеств множества . Предполагается, что она определена на некоторой сигма-алгебре подмножеств . Эти подмножества называются измеримыми по данной вероятностной мере и именно они являются случайными событиями. Совокупность - то есть множество элементарных событий, сигма-алгебра его подмножеств и вероятностная мера - называется вероятностным пространством .

Непрерывные случайные величины. Кроме дискретных случайных величин, возможные значения которых образуют конечную или бесконечную последовательность чисел, не заполняющих сплошь никакого интервала, часто встречаются случайные величины, возможные значения которых образуют некоторый интервал. Примером такой случайной величины может служить отклонение от номинала некоторого размера детали при правильно налаженном технологическом процессе. Такого рода, случайные величины не могут быть заданы с помощью закона распределения вероятностей р(х) . Однако их можно задать с помощью функции распределения вероятностей F(х) . Эта функция определяется точно так же, как и в случае дискретной случайной величины:

Таким образом, и здесь функция F(х) определена на всей числовой оси, и ее значение в точке х равно вероятности того, что случайная величина примет значение, меньшее чем х . Формула (19) и свойства 1° и 2° справедливы для функции распределения любой случайной величины. Доказательство проводится аналогично случаю дискретной величины. Случайная величина называется непрерывной , если для нее существует неотрицательная кусочно-непрерывная функция* , удовлетворяющая для любых значений x равенству

Исходя из геометрического смысла интеграла как площади, можно сказать, что вероятность выполнения неравенств равна площади криволинейной трапеции с основанием , ограниченной сверху кривой (рис. 6).

Так как , а на основании формулы (22)

Заметим, что для непрерывной случайной величины функция распределения F(х) непрерывна в любой точке х , где функция непрерывна. Это следует из того, что F(х) в этих точках дифференцируема. На основании формулы (23), полагая x 1 =x , , имеем

В силу непрерывности функции F(х) получим, что

Следовательно

Таким образом, вероятность того, что непрерывная случайная величина может принять любое отдельное значение х, равна нулю . Отсюда следует, что события, заключающиеся в выполнении каждого из неравенств

Имеют одинаковую вероятность, т.е.

В самом деле, например,

так как Замечание. Как мы знаем, если событие невозможно, то вероятность его наступления равна нулю. При классическом определении вероятности, когда число исходов испытания конечно, имеет место и обратное предложение: если вероятность события равна нулю, то событие невозможно, так как в этом случае ему не благоприятствует ни один из исходов испытания. В случае непрерывной случайной величины число возможных ее значений бесконечно. Вероятность того, что эта величина примет какое-либо конкретное значение x 1 как мы видели, равна нулю. Однако отсюда не следует, что это событие невозможно, так как в результате испытания случайная величина может, в частности, принять значение x 1 . Поэтому в случае непрерывной случайной величины имеет смысл говорить о вероятности попадания случайной величины в интервал, а не о вероятности того, что она примет какое-то конкретное значение. Так, например, при изготовлении валика нас не интересует вероятность того, что его диаметр будет равен номиналу. Для нас важна вероятность того, что диаметр валика не выходит из поля допуска. Пример. Плотность распределения непрерывной случайной величины задана следующим образом:

График функции представлен па рис. 7. Определить вероятность того, что случайная величина примет значение, удовлетворяющее неравенствам .Найти функцию распределения заданной случайной величины. (Решение )

Следующие два пункта посвящены часто встречающимся на практике распределениям непрерывных случайных величин - равномерному и нормальному распределениям.

* Функция называется кусочно-непрерывной на всей числовой оси, если она на любом сегменте или непрерывна, или имеет конечное число точек разрыва I рода. ** Правило дифференцирования интеграла с переменной верхней границей, выведенное в случае конечной нижней границы, остается справедливым и для интегралов с бесконечной нижней границей. В самом деле,

Так как интеграл

есть величина постоянная.

Зависимые и независимые события. Условная вероятность

Различают события зависимые и независимые. Два события называются независимыми, если появление одного из них не изменяет вероятность появления другого. Например, если в цехе работают две автоматические линии, по условиям производства не взаимосвязанные, то остановки этих линий являются независимыми событиями.

Пример 3. Монета брошена два раза. Вероятность появления "герба" в первом испытании (событие ) не зависит от появления или не появления "герба" во втором испытании (событие ). В свою очередь, вероятность появления "герба" во втором испытании не зависит от результата первого испытания. Таким образом, события и независимые.

Несколько событий называются независимыми в совокупности , если любое из них не зависит от любого другого события и от любой комбинации остальных.

События называются зависимыми , если одно из них влияет на вероятность появления другого. Например, две производственные установки связаны единым технологическим циклом. Тогда вероятность выхода из строя одной из них зависит от того, в каком состоянии находится другая. Вероятность одного события , вычисленная в предположении осуществления другого события , называется условной вероятностью события и обозначается .

Условие независимости события от события записывают в виде , а условие его зависимости - в виде . Рассмотрим пример вычисления условной вероятности события.

Пример 4. В ящике находятся 5 резцов: два изношенных и три новых. Производится два последовательных извлечения резцов. Определить условную вероятность появления изношенного резца при втором извлечении при условии, что извлеченный в первый раз резец в ящик не возвращается.

Решение. Обозначим извлечение изношенного резца в первом случае, а - извлечение нового. Тогда . Поскольку извлеченный резец в ящик не возвращается, то изменяется соотношение между количествами изношенных и новых резцов. Следовательно, вероятность извлечения изношенного резца во втором случае зависит от того, какое событие осуществилось перед этим.

Обозначим событие, означающее извлечение изношенного резца во втором случае. Вероятности этого события могут быть такими:

Следовательно, вероятность события зависит от того, произошло или нет событие .

Пло́тность вероя́тности - один из способов задания вероятностной меры на евклидовом пространстве . В случае, когда вероятностная мера является распределением случайной величины, говорят о плотности случайной величины .

Плотность вероятности Пусть является вероятностной мерой на, то есть определено вероятностное пространство, где обозначает борелевскую σ-алгебру на. Пусть обозначает меру Лебега на.

Определение 1. Вероятность называется абсолютно непрерывной (относительно меры Лебега) (), если любое борелевское множество нулевой меры Лебега также имеет вероятность ноль:

Если вероятность абсолютно непрерывна, то согласно теореме Радона-Никодима существует неотрицательная борелевская функция такая, что

,

где использовано общепринятое сокращение , и интеграл понимается в смысле Лебега.

Определение 2. В более общем виде, пусть - произвольное измеримое пространство, а и - две меры на этом пространстве. Если найдется неотрицательная , позволяющая выразить меру через меру в виде

то такую функцию называют плотностью меры по мере , или производной Радона-Никодима меры относительно меры , и обозначают