Определение вероятности. Условная вероятность

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Приведем несколько примеров на бросание монеты или кубика.

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

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

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

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

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

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

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

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

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

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

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

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:

1. События А и В являются статистически независимыми друг от друга тогда и только тогда, когда Р(А|В) = Р(А) .
2. 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.

вероятность (probability) - число от 0 до 1, которое отражает шансы того, что случайное событие произойдет, где 0 - это полное отсутствие вероятности происхождения события, а 1 означает, что рассматриваемое событие определенно произойдет.

Вероятность события E является числом от до 1.
Сумма вероятностей взаимоисключающих событий равна 1.

эмпирическая вероятность - вероятность, которая посчитана как относительная частота события в прошлом, извлеченная из анализа исторических данных.

Вероятность очень редких событий нельзя посчитать эмпирически.

субъективная вероятность - вероятность, основанная на личной субъективной оценке события безотносительно исторических данных. Инвесторы, которые принимают решения о покупке и продаже акций зачастую действуют именно исходя из соображений субъективной вероятности.

априорная вероятность -

Шанс 1 из… (odds) того что событие произойдет через понятие вероятности. Шанс появления события выражается через вероятность так: P/(1-P).

Например, если вероятность события 0,5, то шанс события 1 из 2 т.к. 0,5/(1-0,5).

Шанс того, что событие не произойдет вычисляется по формуле (1-P)/P

Несогласованная вероятноть - например в цене акций компании А на 85% учтено возможное событие E, а в цене акций компании Б всего на 50%. Это называется несогласованная вероятность. Согласно теореме голландских ставок, несогласованная вероятность создает возможности для извлечения прибыли.

Безусловная вероятность - это ответ на вопрос «Какова вероятность того, что событие произойдет?»

Условная вероятность - это ответ на вопрос: «Какова вероятность события A если событие Б произошло». Условная вероятность обозначается как P(A|B).

Совместная вероятность - вероятность того, что события А и Б произойдут одновременно. Обозначается как P(AB).

P(A|B) = P(AB)/P(B) (1)

P(AB) = P(A|B)*P(B)

Правило суммирования вероятностей:

Вероятность того, что случится либо событие A либо событие B -

P (A or B) = P(A) + P(B) - P(AB) (2)

Если события A и B взаимоисключающие, то

P (A or B) = P(A) + P(B)

Независимые события - события A и B независимы если

P(A|B) = P(A), P(B|A) = P(B)

То есть это последовательность результатов, где значение вероятности постоянно от одного собятия к другому.
Бросок монеты - пример такого события, - результат каждого следующего броска не зависит от результата предыдущего.

Зависимые события - это такие события, когда вероятность появления одного зависит от вероятности появления другого.

Правило умножения вероятностей независимых событий:
Если события A и B независимы, то

P(AB) = P(A) * P(B) (3)

Правило полной вероятности:

P(A) = P(AS) + P(AS") = P(A|S")P(S) + P (A|S")P(S") (4)

S и S" - взаимоисключающие события

математическое ожидание (expected value) случайной переменной есть среднее возможных исходов случайной величины. Для события X матожидание обоначается как E(X).

Допустим у нас есть 5 значений взаимоисключающих событий c определенной вероятностью (например доход компании составил такую-то сумму с такой вероятностью). Матожиданием будет сумма всех исходов помноженных на их вероятность:

Дисперсия случайной величины - матожидание квадратных отклонений случайной величины от ее матожидания:

s 2 = E{ 2 } (6)

Условное матожидание (conditional expected value) - матожидание случайной величины X при условии того, что событие S уже произошло.

Все на свете происходит детерминировано или случайно…
Аристотель

Вероятность: основные правила

Теория вероятностей вычисляет вероятности различных событий. Основным в теории вероятностей является понятие случайного события.

Например, вы бросаете монету, она случайным образом падает на герб или решку. Заранее вы не знаете, на какую сторону монета упадет. Вы заключаете договор страхования, заранее вы не знаете, будут или нет проводиться выплаты.

В актуарных расчетах нужно уметь оценивать вероятность различных событий, поэтому теория вероятностей играет ключевую роль. Ни одна другая область математики не может оперировать с вероятностями событий.

Рассмотрим более подробно подбрасывание монеты. Имеется 2 взаимно исключающих исхода: выпадение герба или выпадение решки. Исход бросания является случайным, так как наблюдатель не может проанализировать и учесть все факторы, которые влияют на результат. Какова вероятность выпадения герба? Большинство ответит ½, но почему?

Пусть формально А обозначает выпадение герба. Пусть монета бросается n раз. Тогда вероятность события А можно определить как долю тех бросков, в результате которых выпадает герб:

где n общее количество бросков, n(A) число выпадений герба.

Отношение (1) называется частотой события А в длинной серии испытаний.

Оказывается, в различных сериях испытаний соответствующая частота при больших n группируется около некоторой постоянной величины Р(А) . Эта величина называется вероятностью события А и обозначается буквой Р - сокращение от английского слова probability - вероятность .

Формально имеем:

(2)

Этот закон называется законом больших чисел.

Если монета правильная (симметричная), то вероятность выпадения герба равняется вероятности выпадения решки и равняется ½.

Пусть А и В некоторые события, например, произошел или нет страховой случай. Объединением двух событий называется событие, состоящее в выполнении события А , события В , или обоих событий вместе. Пересечением двух событий А и В называется событие, состоящее в осуществлении как события А , так и события В .

Основные правила исчисления вероятностей событий следующие:

1. Вероятность любого события заключена между нулем и единицей:

2. Пусть А и В два события, тогда:

Читается так: вероятность объединения двух событий равна сумме вероятностей этих событий минус вероятность пересечения событий. Если события являются несовместными или непересекающимися, то вероятность объединения (суммы) двух событий равна сумме вероятностей. Этот закон называется законом сложения вероятностей .

Мы говорим, что события является достоверным, если его вероятность равна 1. При анализе тех или иных явлений возникает вопрос, как влияет наступление события В на наступление события А . Для этого вводится условная вероятность :

(4)

Читается так: вероятность наступления А при условии В равняется вероятности пересечения А и В , деленной на вероятность события В .
В формуле (4) предполагается, что вероятность события В больше нуля.

Формулу (4) можно записать также в виде:

(5)

Это формула умножения вероятностей.

Условную вероятность называют также апостериорной вероятностью события А - вероятность наступления А после наступления В .

В этом случае саму вероятность называют априорной вероятностью. Имеется еще несколько важных формул, которые интенсивно используются в актуарных расчетах.

Формула полной вероятности

Допустим, что проводится опыт, об условиях которого можно заранее сделать взаимно исключающие друг друга предположения (гипотезы):

Мы предполагаем, что имеет место либо гипотеза , либо … либо. Вероятности этих гипотез известны и равны:

Тогда имеет место формула полной вероятности :

(6)

Вероятность наступления события А равна сумме произведений вероятности наступления А при каждой гипотезе на вероятность этой гипотезы.

Формула Байеса

Формула Байеса позволяет пересчитывать вероятность гипотез в свете новой информации, которую дал результат А .

Формула Байеса в известном смысле является обратной к формуле полной вероятности.

Рассмотрим следующую практическую задачу.

Задача 1

Предположим, произошла авиакатастрофа и эксперты заняты исследованием ее причин. Заранее известны 4 причины, по которым произошла катастрофа: либо причина, либо , либо , либо . По имеющейся статистике эти причины имеют следующие вероятности:

При осмотре места катастрофы найдены следы воспламенения горючего, согласно статистике вероятность этого события при тех или иных причинах такая:

Вопрос: какая причина катастрофы наиболее вероятна?

Вычислим вероятности причин при условия наступления события А .

Отсюда видно, что наиболее вероятной является первая причина, так как ее вероятность максимальна.

Задача 2

Рассмотрим посадку самолета на аэродром.

При посадке погодные условия могут быть такими: низкой облачности нет (), низкая облачность есть (). В первом случае вероятность благополучной посадки равна P1 . Во втором случае - Р2 . Ясно, что P1>P2 .

Приборы, обеспечивающие слепую посадку, имеют вероятность безотказной работы Р . Если есть низкая облачность и приборы слепой посадки отказали, вероятность удачного приземления равна Р3 , причем Р3<Р2 . Известно, что для данного аэродрома доля дней в году с низкой облачностью равна .

Найти вероятность благополучной посадки самолета.

Нужно найти вероятность .

Имеются два взаимно исключающих варианта: приборы слепой посадки действуют, приборы слепой посадки отказали, поэтому имеем:

Отсюда по формуле полной вероятности:

Задача 3

Страховая компания занимается страхованием жизни. 10% застрахованных в этой компании являются курильщиками. Если застрахованный не курит, вероятность его смерти на протяжении года равна 0.01 Если же он курильщик, то эта вероятность равна 0.05.

Какова доля курильщиков среди тех застрахованных, которые умерли в течение года?

Варианты ответов: (А) 5%, (Б) 20%, (В) 36 %, (Г) 56%, (Д) 90%.

Решение

Введём события:

Условие задачи означает, что

Кроме того, поскольку события и образуют полную группу попарно несовместимых событий, то .
Интересующая нас вероятность - это .

Используя формулу Байеса, мы имеем:

поэтому верным является вариант (В ).

Задача 4

Страховая компания продаёт договора страхования жизни трёх категорий: стандартные, привилегированные и ультрапривилегированные.

50% всех застрахованных являются стандартными, 40% - привилегированными и 10% - ультрапривилегированными.

Вероятность смерти в течение года для стандартного застрахованного равна 0.010, для привилегированного - 0.005, а для ультра привилегированного - 0.001.

Чему равна вероятность того, что умерший застрахованный является ультрапривилегированным?

Решение

Введем в рассмотрение следующие события:

В терминах этих событий интересующая нас вероятность - это . По условию:

Поскольку события , , образуют полную группу попарно несовместимых событий, используя формулу Байеса мы имеем:

Случайные величины и их характеристики

Пусть некоторая случайная величина, например, ущерб от пожара или величина страховых выплат.
Случайная величина полностью характеризуется своей функцией распределения.

Определение. Функция называется функцией распределения случайной величины ξ .

Определение. Если существует такая функция , что для произвольных a выполнено