| |||||
МЕНЮ
| Теория вероятностейвероятность Р(A) события A={??x??, 0?????1} определяется равенством Р(А)=Р(??x??)=?–? (9.1) Иначе говоря, здесь как раз вероятность того, что случайная величина х принимает то или иное значение в пределах отрезка {??x??,0?????1}, определяется геометрически через длину этого отрезка. Рассмотрим случайную величину х, которая может принять конечное число n различных значений [pic] с вероятностями Р[pic]Р[pic]. Например, если мы бросаем один раз игральную кость, то случайной величиной х будет выпавшее количество очков, т.е.k=6,[pic], Р[pic]Р[pic]Р[pic]. 10.Математическое ожидание. Математическим ожиданием E(x) для случайной величины x, которая может принимать значения x[pic][pic] и только такие значения с вероятностями Р(x[pic])=Р[pic], называют число, которое определяется равенством i=k i=k E(x)=Sxi·Рi, S Рi=1, Рi?0, i=1,…,k (10.1) i=1 i=1 Например, в случае с игральной костью математическое ожидание количества очков x, которое выпадет, будет согласно (10.1) числом E(x)=(1/6)?(1+2+3+4+5+6)=(1/6)?21=7/2=[pic] (10.2) Смысл понятия математического ожидания раскрывается в законе больших чисел. Этот закон проявляется следующим образом. Если сделать подряд очень большое число n независимых испытаний при одинаковых условиях, и таких, что каждый раз осуществляется одно из значений рассматриваемой случайной величины х, то с вероятностью очень близкой к единице, то есть практически наверняка и с большой степенью точности будет выполняться приближенное равенство (x(1)+x(2)+…+x(n))/n ? E(x) (10.3) Здесь x(i)–значение случайной величины x, которое появляется в i-том испытании. Закон больших чисел обоснован теоретически при определенных аксиомах теории вероятностей и многократно подтвержден на практике. Пусть некоторая случайная величина х* является суммой случайных величин [pic] [pic] (10.4) тогда математическое ожидание E(x*) равно сумме математических ожиданий Е(х[pic]) [pic] (10.5) 11.Дисперсия случайной величины. Дисперсией D(x) случайной величины х называют число, которое определяется по формуле D(x)=E(x–E(x))[pic] (11.1) Поэтому дисперсия D(x) случайной величины х, которая может принимать значения [pic] с вероятностями Р[pic],…Р[pic] определяется, как число i=k i=k j=k D(x)=S(x[pic]–E(x))[pic]?P[pic]=S(x[pic]–[pic])[pic]?P[pic] (11.2) i=1 i=1 j=1 Например, в случае с игральной костью для дисперсии D(x) получаем следующее число D(x)=[pic]=(1/6)?((1-7/2)[pic]+(2-7/2)[pic]+(3-7/2)[pic]+(4-7/2)[pic]+(5- 7/2)[pic]+(6- 7/2)[pic])=(1/6)?(25/4+9/4+1/4+1/4+9/4+25/4)=(1/6)?(35/2)=35/12 (11.3) Пусть некоторая случайная величина х* является суммой (10.4) случайных величин [pic]. Пусть эти случайные величины независимы. Это означает, что вероятность, с которой может осуществиться то или иное значение случайной величины [pic] не зависит от того, какое значение принимают другие случайные величины [pic]. Тогда доказывается, что дисперсия случайной величины х* является суммой дисперсии случайных величин [pic] [pic][pic] (11.4) Важно заметить, что если случайные величины не являются независимыми, то дисперсия их суммы не обязательно равна сумме их дисперсий. 12.Закон больших чисел. В этом разделе приведу аккуратную формулировку закона больших чисел, которая восходит к замечательному математику нашей страны П.Л.Чебышеву. Пусть имеем некоторую случайную величину х. Выберем какое-нибудь положительное число М. Отберем те значения [pic] случайной величины х, для которых выполняется условие [pic] (12.1) Из выражения для дисперсии (11.2) и из неравенства (12.1) вытекает следующее неравенство [pic]Р[pic][pic]Р[pic][pic]Р[pic] (12.2) Здесь суммирование в (12.2) выполняется по тем индексам j, для которых выполнено неравенство. Предположим теперь, что произведено n независимых испытаний. Пусть в i-том испытании осуществляется значение случайной величины [pic]. Пусть математические ожидания и дисперсии всех этих независимых случайных величин одинаковы. Тогда согласно материалу из разделов 10,11 для суммы [pic] (12.3) этих случайных величин и из (12.2) получаем следующее неравенство [pic]Р[pic] ·Р[pic] (12.4) Так как случайные величины [pic] независимы, то дисперсия их суммы равна сумме их дисперсий. Кроме того, все дисперсии [pic] равны друг другу [pic] и все математические ожидания [pic] тоже равны друг другу [pic]. Поэтому из (12.4) получаем неравенство [pic]Р[pic] (12.5) Введем число ?=M/n. Тогда из (12.5) получаем неравенство Р[pic] (12.6) Отсюда для противоположного события [pic] (12.7) из (12.6) получаем следующее неравенство П.Л.Чебышева Р[pic] (12.8) Таким образом, из (12.8) получается закон больших чисел П.Л.Чебышева: Для любого сколь угодно малого положительного числа ? и числа ?N, будет справедливо неравенство Р[pic] (12.9) В самом деле, согласно (12.8) достаточно выбрать в качестве числа N наименьшее из натуральных чисел, удовлетворяющих неравенству [pic], то есть [pic] (12.10) Это означает следующее. Какие бы числа [pic] и [pic] мы ни выбрали, если сделать количество n независимых испытаний больше, чем число N, то среднее значение случайной величины будет отличаться от математического ожидания меньше, чем на ? с вероятностью большей, чем ?. Иначе говоря, при неограниченном увеличении числа независимых испытаний среднее значение случайной величины стремится к математическому ожиданию Е с вероятностью, приближающейся к единице. 13.Испытания по схеме Бернулли. Так называется следующая серия независимых испытаний. Пусть производится n испытаний. В i-том испытании может осуществиться случайное событие Ai с вероятностью Рi,i=1,…,n. Все события Аi независимы в совокупности. То есть вероятность события Аi не зависит от того, осуществляются или нет события Аj,j=1,…,n, j[pic]i. Рассмотрим здесь такой частный случай, когда все вероятности Рi равны друг другу и равны p,0‹p‹1. То есть Р(Аi)=p, P(Ai*)=q, q=1-p, 0‹p‹1, 0‹q‹1, i=1,…,n (13.1) Например, пусть испытания состоят в том, что случайная точка [pic] в i-том испытании обязательно появляется в квадрате со стороной равной единице. Событие Аi состоит в том, что точка [pic] оказывается в четверти круга, вписанного в квадрат и имеющего радиус равный единице (см.раздел7). Согласно (7.2) имеем Р(Ai)=p=[pic] (13.2) Справедливо следующее утверждение. Теорема Бернулли: Пусть производится n испытаний по схеме Бернулли. Пусть события Аi осуществились в m испытаниях. Для любых чисел [pic] и [pic] найдется такое натуральное число N, что при числе испытаний n>N будет справедливо неравенство P(|m/n–p|[pic] (13.3) В самом деле, свяжем с i-тым испытанием случайную величину [pic]. Пусть эта величина принимает значение равное единице, если осуществляется событие Аi, и [pic] принимает значение равное нулю, если событие Аi не осуществляется, т.е. осуществляется противоположное событие Аi*. Вычислим математическое ожидание Еi и дисперсию Di случайной величины [pic]. Имеем [pic]p[pic]q=p (13.4) [pic]p[pic]p[pic]p[pic]q[pic]q[pic]?p+p[pic]?q=p?q?(q+p)=p?q?1=p?q (13.5) Так как в нашем случае [pic] (13.6) то из закона больших чисел (12.9),(12.10) получаем неравенство (13.3), если только [pic] (13.7) Это и доказывает теорему Бернулли. Например, если мы хотим проверить теорему Бернулли на примере вычисления числа ? с точностью до [pic] с вероятностью большей, чем [pic], то нам надо сделать испытания по схеме Бернулли в соответствии с разделом 7, т.е. получить согласно текущему разделу неравенство P(|m/n–?/4|0.99 (13.8) Для этого согласно (13.7) достаточно выбрать число [pic] (13.9) с большим запасом. Такое испытание было сделано на компьютере по программе, приведенной в следующем разделе. Получилось 4?m/n=3.1424 (13.10) Мы знаем, что число ?=3.1415925626…. То есть действительно получилось число с точностью по крайней мере до 0.01. 14.Программа вычисления числа ? по схеме Бернулли. CLS INPUT "Введите n=", n RANDOMIZE FOR i = 1 TO n x = RND y = RND IF (x * x + y * y) < 1 THEN m = m + 1 ELSE m = m NEXT i pi = 4 * m / n PRINT "pi = ", pi 15.Метод Монте-Карло. Испытания по схеме Бернулли составляют основу вычислительного метода, который предложил Фон-Нейман для расчета сложных процессов. Например, для расчетов при создании атомной бомбы. Этот метод он назвал методом Монте- Карло в честь города, в котором идет игра в рулетку. Суть этого метода состоит в том, что подбираются такие испытания по схеме Бернулли, в которых вероятности событий Аi и определяют интересующую вычислителя величину. Простейший пример вычисления по методу Монте-Карло и приведен в разделах 13,14 для числа ?. Особенно удобно вычислять методом Монте-Карло площади и объемы сложных фигур и тел. 16.Стрельба по вепрю. Задача 16.1.: Три охотника стреляют по вепрю. Известно, что первый охотник попадает в цель с вероятностью 0.7. Второй – с вероятностью 0.5. Третий – с вероятностью 0.3. Результат стрельбы каждого из них не зависит от результатов стрельбы других. Все три охотника дали один залп. Какова вероятность, что в вепря попали 2 пули? Решение: Назовем попадание первого охотника событием А1, попадание второго – А2, попадание третьего – А3. Для того, чтобы попали две пули необходимо и достаточно, чтобы осуществилось одно и только одно из следующих трех несовместных событий: В1-первый попал, второй попал, третий промазал, В1=А1[pic]А2[pic]А3* В2-первый попал, второй промазал, третий попал, В2=А1[pic]А2*[pic]А3 В3-первый промазал, второй попал, третий попал, В3=А1*[pic]А2[pic]А3 Так как события попадания для разных стрелков независимы, то вероятности попадания равны произведению вероятностей. Поэтому Р(В1)=Р(А1)?Р(А2)?Р(А3*)=0.7?0.5?0.7=0.245 Р(В2)=Р(А1)?Р(А2*)?Р(А3)=0.7?0.5?0.3=0.105 Р(В3)=Р(А1*)?Р(А2)?Р(А3)=0.3?0.5?0.7=0.105 Интересующее нас событие С=В1[pic]В2[pic]В3. Так как события В1,В2 и В3 несовместны, то вероятность объединения равна сумме вероятностей событий Вi,i=1,2,3 Р(С)=Р(В1)+Р(В2)+Р(В3)=0.245+0.105+0.105=0.455 (16.1) Ответ: Вероятность, что попали 2 пули равна 0.455. Задача 16.2.: Те же охотники дали залп по другому вепрю. Известно, что попали 2 пули. Какова вероятность, что попал первый охотник? Решение: Интересующая нас вероятность есть условная вероятность Р(А1|С) события А1 при условии, что произошло событие С. По формуле Бейеса имеем Р(А1|C)=P(C|A1)?P(A1)/P(C) (16.2) По определению условной вероятности P(C|A1) (3.1) и (3.2) имеем P(C|A1)?P(A1)=Р(С[pic]А1) (16.3) Но событие С[pic]А1 происходит тогда и только тогда, когда происходит одно из двух несовместимых событий С2=А2[pic]А3*[pic]А1 (16.4) С3=А3[pic]А2*[pic]А1 (16.5) То есть имеем (С[pic]А1)=(А2[pic]А3*[pic]А1)[pic](А3[pic]А2*[pic]А1) (16.6) Р(С[pic]А1)=Р(А2[pic]А3*[pic]А1)+Р(А3[pic]А2*[pic]А1)=0.5?0.7?0.7+0.3?0.5?0. 7= =0.245+0.105=0.35 (16.7) Таким образом, согласно (16.2) для искомой условной вероятности Р(A1|C) получим значение Р(A1|C)=P(C|A1)?P(A1)/P(C)=0.35/0.455=0.769 (16.8) Ответ: Вероятность того, что попал первый охотник при условии, что попало в вепря две пули равна 0.769. 17.Решение задач о встрече методом Монте-Карло. Рассматриваемые в этом разделе задачи являются обобщением задачи 8.1. по встрече из раздела 8. Задача 17.1.: Мария, Иван и Петр хотят встретиться в промежутке времени от 0 до 1 часа пополудни. Каждый из них появится на месте встречи в свой случайный момент времени [pic] или соответственно [pic] или [pic] из отрезка [pic]. Каждый пришедший ждет своего товарища в течение 20 минут или до момента времени t=1, если от момента прихода до момента времени t=1 остается меньше 20 минут. Какова вероятность, что они все трое встретятся? Решение: Сделаем построение подобное построению из раздела 8. Только теперь построение будет в пространстве. Введем прямоугольную систему координат XYZ. Полагаем х=[pic],у=[pic],z=[pic]. Тогда точка с координатами х,у и z соответствует приходу Марии в момент времени х=[pic], Ивана – в момент у=[pic] и Петра – в момент z=[pic]. Достоверному событию ? соответствует в пространстве XYZ куб [pic] Событию А, которое осуществляется, если Мария, Иван и Петр все встретятся соответствует тело [pic]. Это тело состоит из точек, лежащих в кубе [pic] и к тому же удовлетворяющих условиям |x–y|?1/3, |y–z|?1/3, |x–z|?1/3 [pic] (17.1) Поэтому Р(А)=[pic] (17.2) Здесь [pic] есть объем куба [pic], [pic] есть объем тела [pic]. Вычислить объем тела [pic][pic] |x–y|?1/3,|y–z|?1/3,|x–z|?1/3 (17.3) затруднительно. Вычислим его методом Монте-Карло по схеме Бернулли. При этом будем работать со случайными величинами [pic], которые принимают значение равное единице, когда точка [pic] оказывается в теле [pic], и [pic] принимают значение равное нулю, когда точка [pic] оказывается вне тела [pic]. Тогда согласно геометрическому определению вероятности и закону больших чисел (см.разделы 7 и 12) полагаем [pic]P(A)=[pic] (17.4) Здесь n – число испытаний по бросанию точки [pic] в куб [pic], m – число попаданий в тело [pic]. Равенство (17.4) выполняется с большой точностью и с большой вероятностью, если число испытаний n достаточно велико. Такие испытания, выполненные на компьютере при n=1000000 дали следующий результат Р(А)=[pic]0.259 (17.5) Ответ: Вероятность Р(А) того, что Мария, Иван и Петр все встретятся равна 0.259. Задача 17.2.: Условия задачи 17.2. повторяют условия задачи 17.1. Но вопрос в задаче 17.2. является таким. Какова вероятность, что встретятся по крайней мере двое из трех? Решение: Назовем событием В событие, что встретятся по крайней мере двое из трех. Повторим построения по аналогии с построением для задачи 17.1. Только в случае события В искомая вероятность Р(В) определяется формулой Р(B)=[pic]m/n (17.6) Здесь [pic] есть объем тела [pic], которое определяется условиями [pic][pic]|x–y|?1/3)[pic]([pic] (17.7) где запятая заменяет логическую связку and. Объем [pic] тела [pic] был вычислен снова на компьютере по схеме Бернулли. Только здесь число m в (17.6) означает число попаданий точки [pic] в тело [pic]. Испытания при n=1000000 дали следующий результат Р(В)=[pic]0.964 (17.8) Ответ: Вероятность Р(В), что встретились по крайней мере двое из трех равна 0.964. Задача 17.3.: Условия задачи 17.3. повторяют условия задачи 17.2. Но вопрос в задаче 17.3. является таким. Какова вероятность, что встретятся двое и только двое из трех? Решение: Назовем событием С событие, что встретятся двое и только двое из трех. Повторим построения по аналогии с построением для задачи 17.2. Только в случае события С искомая вероятность Р(С) определяется формулой Р(С)=[pic]m/n (17.9) Здесь [pic] есть объем тела [pic], которое определяется условиями [pic][pic]|x–y|?1/3,|y–z|>1/3,|x-z|>1/3)[pic] ([pic](17.10) где запятая заменяет логическую связку and. Объем [pic] тела [pic] был вычислен снова на компьютере по схеме Бернулли. Только здесь число m в (17.9) означает число попаданий точки [pic] в тело [pic]. Испытания при n=1000000 дали следующий результат Р(C)=[pic]0.520 (17.11) Ответ: Вероятность Р(C), что встретились двое и только двое из трех равна 0.520. Задача 17.4.: Условия задачи 17.4. повторяют условия задачи 17.3. Но вопрос в задаче 17.4. является таким. Какова вероятность, что не встретились никто из трех? Решение: Назовем событием D событие, что не встретится никто из трех. Повторим построения по аналогии с построением для задачи 17.3. Только в случае события D искомая вероятность Р(D) определяется формулой Р(D)=[pic]m/n (17.12) Здесь [pic] есть объем тела [pic], которое определяется условиями [pic][pic]|x-z|>1/3),([pic] (17.13) где запятая заменяет логическую связку and. Объем [pic] тела [pic] был вычислен снова на компьютере по схеме Бернулли. Только здесь число m в (17.12) означает число попаданий точки [pic] в тело [pic]. Испытания при n=1000000 дали следующий результат Р(D)=[pic]0.037 (17.14) Ответ: Вероятность Р(D), что не встретятся никто из трех равна 0.037. Задача 17.5.: Условия задачи 17.5. повторяют условия задачи 17.3. Но вопрос в задаче 17.5. является таким. Какова вероятность, что встретится один из трех с каждым из двух других, но эти другие двое друг с другом не встретятся? Решение: Назовем событием Е событие, что встретится один из трех с каждым из двух других, но эти другие двое друг с другом не встретятся. Повторим построения по аналогии с построением для задачи 17.3. Только в случае события Е искомая вероятность Р(Е) определяется формулой Р(Е)=[pic]m/n (17.15) Здесь [pic] есть объем тела [pic], которое определяется условиями [pic][pic]|x–y|?1/3,|х–z|?1/3,|у-z|>1/3)[pic] ([pic](17.16) где запятая заменяет логическую связку and. Объем [pic] тела [pic] был вычислен снова на компьютере по схеме Бернулли. Только здесь число m в (17.15) означает число попаданий точки [pic] в тело [pic]. Испытания при n=1000000 дали следующий результат Р(Е)=[pic]0.182 (17.17) Ответ: Вероятность Р(Е), что встретится один из трех с каждым из двух других, но эти другие двое друг с другом не встретятся равна 0.182. Проверка результатов Р(А)+Р(С)+Р(Е)=Р(В) (17.18) 0.259+0.520+0.182[pic]0.964 (17.19) Р(В)+Р(D)=1 (17.20) 0.964+0.037[pic]1 (17.21) Программы, реализующие испытания по схеме Бернулли для задач 17.1.-17.5., приведены в разделе 18. 18.Программы, реализующие испытания по схеме Бернулли для задач 17.1.-17.5. 1. CLS INPUT "Введите количество испытаний n=", n RANDOMIZE FOR i = 1 TO n x = RND y = RND z = RND IF (ABS(x - y) 1 / 3) AND (ABS(x - z) > 1 / 3)) OR ((ABS(x - z) 1 / 3) AND (ABS(x - y) > 1 / 3)) OR ((ABS(y - z) 1 / 3) AND (ABS(x - y) > 1 / 3)) THEN m = m + 1 ELSE m = m NEXT i p = m / n PRINT "p=", p 4. CLS INPUT "Введите количество испытаний n=", n RANDOMIZE FOR i = 1 TO n x = RND y = RND z = RND IF (ABS(x - y) > 1 / 3) AND (ABS(x - z) > 1 / 3) AND (ABS(z - y) > 1 / 3) THEN m = m + 1 ELSE m = m NEXT i p = m / n PRINT "p=", p 5. CLS INPUT "Введите количество испытаний n=", n RANDOMIZE FOR i = 1 TO n x = RND y = RND z = RND IF ((ABS(x - y) 1 / 3)) OR ((ABS(x - z) 1 / 3)) OR ((ABS(y - z) > 1 / 3) AND (ABS(x - z) <= 1 / 3) AND (ABS(x - y) <= 1 / 3)) THEN m = m + 1 ELSE m = m NEXT i p = m / n PRINT "p=", p ----------------------- [pic] Страницы: 1, 2 |
ИНТЕРЕСНОЕ | |||
|