Вероятность что в следующий. Вероятность события

В экономике, так же как и в других областях человеческой деятельности или в природе, постоянно приходится иметь дело с событиями, которые невозможно точно предсказать. Так, объем продаж товара зависит от спроса, который может существенно изменяться, и от ряда других факторов, которые учесть практически нереально. Поэтому при организации производства и осуществлении продаж приходится прогнозировать исход такой деятельности на основе либо собственного предыдущего опыта, либо аналогичного опыта других людей, либо интуиции, которая в значительной степени тоже опирается на опытные данные.

Чтобы каким-то образом оценить рассматриваемое событие, необходимо учитывать или специально организовывать условия, в которых фиксируется это событие.

Осуществление определенных условий или действий для выявления рассматриваемого события носит название опыта или эксперимента .

Событие называется случайным , если в результате опыта оно может произойти или не произойти.

Событие называется достоверным , если оно обязательно появляется в результате данного опыта, и невозможным , если оно не может появиться в этом опыте.

Например, выпадение снега в Москве 30 ноября является случайным событием. Ежедневный восход Солнца можно считать достоверным событием. Выпадение снега на экваторе можно рассматривать как невозможное событие.

Одной из главных задач в теории вероятностей является задача определения количественной меры возможности появления события.

Алгебра событий

События называются несовместными, если они вместе не могут наблюдаться в одном и том же опыте. Так, наличие двух и трех автомашин в одном магазине для продажи в одно и то же время — это два несовместных события.

Суммой событий называется событие, состоящее в появлении хотя бы одного из этих событий

В качестве примера суммы событий можно назвать наличие в магазине хотя бы одного из двух товаров.

Произведением событий называется событие, состоящее в одновременном появлении всех этих событий

Событие, состоящее в появлении одновременно в магазине двух товаров является произведением событий: -появление одного товара, — появление другого товара.

События образуют полную группу событий, если хотя бы одно из них обязательно произойдет в опыте.

Пример. В порту имеется два причала для приема судов. Можно рассмотреть три события: — отсутствие судов у причалов, — присутствие одного судна у одного из причалов, — присутствие двух судов у двух причалов. Эти три события образуют полную группу событий.

Противоположными называются два единственно возможных события, образующих полную группу.

Если одно из событий, являющихся противоположными, обозначить через , то противоположное событие обычно обозначают через .

Классическое и статистическое определения вероятности события

Каждый из равновозможных результатов испытаний (опытов) называется элементарным исходом. Их обычно обозначают буквами . Например, бросается игральная кость. Элементарных исходов всего может быть шесть по числу очков на гранях.

Из элементарных исходов можно составить более сложное событие. Так, событие выпадения четного числа очков определяется тремя исходами: 2, 4, 6.

Количественной мерой возможности появления рассматриваемого события является вероятность.

Наиболее широкое распространение получили два определения вероятности события: классическое и статистическое .

Классическое определение вероятности связано с понятием благоприятствующего исхода.

Исход называется благоприятствующим данному событию, если его появление влечет за собой наступление этого события.

В приведенном примере рассматриваемое событие — четное число очков на выпавшей грани, имеет три благоприятствующих исхода. В данном случае известно и общее
количество возможных исходов. Значит, здесь можно использовать классическое определение вероятности события.

Классическое определение равняется отношению числа благоприятствующих исходов к общему числу возможных исходов

где — вероятность события , — число благоприятствующих событию исходов, — общее число возможных исходов.

В рассмотренном примере

Статистическое определение вероятности связано с понятием относительной частоты появления события в опытах.

Относительная частота появления события вычисляется по формуле

где - число появления события в серии из опытов (испытаний).

Статистическое определение . Вероятностью события называется число, относительно которого стабилизируется (устанавливается) относительная частота при неограниченном увеличении числа опытов.

В практических задачах за вероятность события принимается относительная частота при достаточно большом числе испытаний.

Из данных определений вероятности события видно, что всегда выполняется неравенство

Для определения вероятности события на основе формулы (1.1) часто используются формулы комбинаторики, по которым находится число благоприятствующих исходов и общее число возможных исходов.

Когда бросается монета, можно сказать, что она упадет орлом вверх, или вероятность этого составляет 1/2. Конечно, это не означает того, что если монета подбрасывается 10 раз, она обязательно упадет вверх орлом 5 раз. Если монета является "честной" и если она подбрасывается много раз, то орел выпадет очень близко в половине случаев. Таким образом, существует два вида вероятностей: экспериментальная и теоретическая .

Экспериментальная и теоретическая вероятность

Если бросить монетку большое количество раз - скажем, 1000 - и посчитать, сколько раз выпадет орел, мы можем определить вероятность того, что выпадет орел. Если орел выпадет 503 раза, мы можем посчитать вероятность его выпадения:
503/1000, или 0,503.

Это экспериментальное определение вероятности. Такое определение вероятности вытекает из наблюдения и изучения данных и является довольно распространенным и очень полезным. Вот, к примеру, некоторые вероятности которые были определены экспериментально:

1. Вероятность того, что у женщины разовьется рак молочной железы составляет 1/11.

2. Если вы целуетесь, с кем-то, кто болен простудой, то вероятность того, что вы тоже заболеете простудой, составляет 0,07.

3. Человек, который только что был освобожден из тюрьмы, имеет 80% вероятности возвращения назад в тюрьму.

Если мы рассматриваем бросание монеты и беря во внимание то, что столь же вероятно, что выпадет орел или решка, мы можем вычислить вероятность выпадение орла: 1 / 2. Это теоретическое определение вероятности. Вот некоторые другие вероятности, которые были определены теоретически, с помощью математики:

1. Если находится 30 человек в комнате, вероятность того, что двое из них имеют одинаковый день рождения (исключая год), составляет 0,706.

2. Во время поездки, Вы встречаете кого-то, и в течение разговора обнаруживаете, что у вас есть общий знакомый. Типичная реакция: "Этого не может быть!". На самом деле, эта фраза не подходит, потому что вероятность такого события достаточно высока - чуть более 22%.

Таким образом, экспериментальная вероятность определяются путем наблюдения и сбора данных. Теоретические вероятности определяются путем математических рассуждений. Примеры экспериментальных и теоретических вероятностей, как например, рассмотренных выше, и особенно тех, которые мы не ожидаем, приводят нас, к ваэности изучения вероятности. Вы можете спросить: "Что такое истинная вероятность?" На самом деле, таковой нет. Экспериментально можно определить вероятности в определенных пределах. Они могут совпадать или не совпадать с вероятностями, которые мы получаем теоретически. Есть ситуации, в которых гораздо легче определить один из типов вероятности, чем другой. Например, было бы довольно найти вероятность простудиться, используя теоретическую вероятность.

Вычисление экспериментальных вероятностей

Рассмотрим сначала экспериментальное определение вероятности. Основной принцип, который мы используем для вычисления таких вероятностей, является следующим.

Принцип P (экспериментальный)

Если в опыте, в котором проводится n наблюдений, ситуация или событие Е происходит m раз за n наблюдений, то говорят, что экспериментальная вероятность события равна P (E) = m/n.

Пример 1 Социологический опрос. Было проведено экспериментальное исследование, чтобы определить количество левшей, правшей и людей, у которых обе руки развиты одинаково Результаты показаны на графике.

a) Определите вероятность того, что человек - правша.

b) Определите вероятность того, что человек - левша.

c) Определите вероятность того, что человек одинаково свободно владеет обеими руками.

d) В большинстве турниров, проводимых Профессиональной Ассоциацией Боулинга, участвуют 120 игроков. На основании данных этого эксперимента, сколько игроков могут быть левшой?

Решение

a)Число людей, являющиеся правшами, составляет 82, количество левшей составляет 17, а число тех, кто одинаково свободно владеет двумя руками - 1. Общее количество наблюдений - 100. Таким образом, вероятность того, что человек правша, есть Р
P = 82/100, или 0,82, или 82%.

b) Вероятность того, что человек левша, есть Р, где
P = 17/100, или 0,17, или 17%.

c) Вероятность того, что человек одинаково свободно владеет двумя руками составляет P, где
P = 1/100, или 0,01, или 1%.

d) 120 игроков в боулинг, и из (b) мы можем ожидать, что 17% - левши. Отсюда
17% от 120 = 0,17.120 = 20,4,
то есть мы можем ожидать, что около 20 игроков являются левшами.

Пример 2 Контроль качества . Для производителя очень важно держать качество своей продукции на высоком уровне. На самом деле, компании нанимают инспекторов контроля качества для обеспечения этого процесса. Целью является выпуск минимально возможного количества дефектных изделий. Но так как компания производит тысячи изделий каждый день, она не может позволить себе проверять каждое изделие, чтобы определить, бракованное оно или нет. Чтобы выяснить, какой процент продукции являются дефектным, компания проверяет гораздо меньше изделий.
Министерство сельского хозяйства США требует, чтобы 80% семян, которые продают производители, прорастали. Для определения качества семян, которые производит сельхозкомпания, высаживается 500 семян из тех, которые были произведены. После этого подсчитали, что 417 семян проросло.

a) Какова вероятность того, что семя прорастет?

b) Отвечают ли семена государственным стандартам?

Решение a) Мы знаем, что из 500 семян, которые были высажены, 417 проросли. Вероятность прорастания семян Р, и
P = 417/500 = 0,834, или 83.4%.

b) Так как процент проросших семян превысил 80% по требованию, семена отвечают государственным стандартам.

Пример 3 Телевизионные рейтинги. Согласно статистических данных, в Соединенных Штатах 105 500 000 домохозяйств с телевизорами. Каждую неделю, информация о просмотре передач собирается и обрабатывается. В течение одной недели 7815000 домохозяйств были настроены на популярный комедийный сериал "Все любят Реймонда" на CBS и 8302000 домохозяйств были настроены на популярный сериал «Закон и порядок» на NBC (Источник: Nielsen Media Research). Какова вероятность того, что телевизор одного дома настроен на «Everybody Loves Raymond" в течение данной недели? на «Закон и порядок»?

Решениеn Вероятность того, что телевизор в одном домохозяйстве настроен на "Все любят Реймонда" равна Р, и
P = 7,815,000/105,500,000 ≈ 0,074 ≈ 7,4%.
Возможность, что телевизор домохозяйства был настроен на «Закон и порядок» составляет P, и
P = 8,302,000/105,500,000 ≈ 0,079 ≈ 7,9%.
Эти проценты называются рейтингами.

Теоретическая вероятность

Предположим, что мы проводим эксперимент, такие, как бросание монетки ли дротиков, вытаскивание карты из колоды, или проверка изделий на качество на сборочной линии. Каждый возможный результат такого эксперимента называется исход . Множество всех возможных исходов называется пространством исходов . Событие это множество исходов, то есть подмножество пространства исходов.

Пример 4 Бросание дротиков. Предположим, что в эксперименте «метание дротиков» дротик попадает в мишень. Найдите каждое из нижеследующих:

b) Пространство исходов

Решение
a) Исходы это: попадание в черное (Ч), попадание в красное (К) и попадание в белое (Б).

b) Пространство исходов есть {попадание в черное, попадание в красное, попадание в белое}, которое может быть записано просто как {Ч, К, Б}.

Пример 5 Бросание игральных костей. Игральная кость это куб с шестью гранями, на каждой их которых нарисовано от одной до шести точек.


Предположим, что мы бросаем игральную кость. Найдите
a) Исходы
b) Пространство исходов

Решение
a) Исходы: 1, 2, 3, 4, 5, 6.
b) Пространство исходов {1, 2, 3, 4, 5, 6}.

Мы обозначаем вероятность того, что событие Е случается в качестве Р (Е). Например, "монета упадет решкой" можно обозначать H. Тогда Р (Н) представляет собой вероятность того, монета упадет решкой. Когда все исходы эксперимента имеют одинаковую вероятность появления, говорят, что они равновероятны. Чтобы увидеть различия между событиями, которые равновероятны, и неравновероятными событиями, рассмотрим мишень, изображенную ниже.

Для мишени A, события попадания в черное, красное и белое равновероятны, так как черные, красные и белые сектора - одинаковые. Однако, для мишени B зоны с этими цветами не одинаковы, то есть попадание в них не равновероятно.

Принцип P (Теоретический)

Если событие E может случиться m путями из n возможных равновероятных исходов из пространства исходов S, тогда теоретическая вероятность события, P(E) составляет
P(E) = m/n.

Пример 6 Какая вероятность выкинуть 3, бросив игральный кубик?

Решение На игральном кубике 6 равновероятных исходов и существует только одна возможность выбрасивания цифры 3. Тогда вероятность P составит P(3) = 1/6.

Пример 7 Какая вероятность выбрасывания четной цифры на игральном кубике?

Решение Событие - это выбрасывание четной цифры. Это может случиться 3 способами (если выпадет 2, 4 или 6). Число равновероятных исходов равно 6. Тогда вероятность P(четное) = 3/6, или 1/2.

Мы будем использовать ряд примеров, связанных со стандартной колодой из 52 карт. Такая колода состоит из карт, показанных на рисунке ниже.

Пример 8 Какая вероятность вытянуть туза из хорошо перемешанной колоды карт?

Решение Существует 52 исхода (количество карт в колоде), они равновероятны (если колода хорошо перемешана), и есть 4 способа вытянуть туза, поэтому согласно принципу P, вероятность
P(вытягивания туза) = 4/52, или 1/13.

Пример 9 Предположим, что мы выбираем не глядя, один шарик из мешка с 3-мя красными шариками и 4-мя зелеными шариками. Какова вероятность выбора красного шарика?

Решение Существует 7 равновероятных исходов достать любой шарик, и так как число способов вытянуть красный шарик равно 3, получим
P(выбора красного шарика) = 3/7.

Следующие утверждения - это результаты из принципа P.

Свойства вероятности

a) Если событие E не может случиться, тогда P(E) = 0.
b) Если событие E случиться непременно тогда P(E) = 1.
c) Вероятность того, что событие Е произойдет это число от 0 до 1: 0 ≤ P(E) ≤ 1.

Например, в бросании монеты, событие, когда монета упадет на ребро имеет нулевую вероятность. Вероятность того, что монета либо на орел или решку имеет вероятность 1.

Пример 10 Предположим, что вытягиваются 2 карты из колоды с 52-мя картами. Какова вероятность того, что обе из них пики?

Решение Число путей n вытягивания 2 карт из хорошо перемешанной колоды с 52 картами есть 52 C 2 . Так как 13 из 52 карт являются пиками, число способов m вытягивания 2-х пик есть 13 C 2 . Тогда,
P(вытягивания 2-х пик)= m/n = 13 C 2 / 52 C 2 = 78/1326 = 1/17.

Пример 11 Предположим, что 3 человека выбираются случайно из группы, состоящей из 6-ти мужчин и 4-х женщин. Какова вероятность того, что будут выбраны 1 мужчина и 2 женщины?

Решение Число способов выбора троих человек из группы 10 человек 10 C 3 . Один мужчина может быть выбран 6 C 1 способами, и 2 женщины могут быть выбраны 4 C 2 способами. Согласно фундаментальному принципу подсчета, число способов выбора 1-го мужчины и 2-х женщин 6 C 1 . 4 C 2 . Тогда, вероятность что будет выбраны 1-го мужчины и 2-х женщин есть
P = 6 C 1 . 4 C 2 / 10 C 3 = 3/10.

Пример 12 Бросание игральных кубиков. Какая вероятность выбрасывания в сумме 8 на двух игральных кубиках?

Решение На каждом игральном кубике есть 6 возможных исходов. Исходы удваиваются, то есть существует 6.6 или 36 возможных способа, в котором могут выпасть цифры на двух кубиках. (Лучше, если кубики разные, скажем один красный а второй голубой - это поможет визуализировать результат.)

Пары цифр, в сумме составляющие 8, показаны на рисунке внизу. Есть 5 возможных способов получения суммы, равной 8, отсюда вероятность равна 5/36.

Назначение сервиса . С помощью данного сервиса рассчитываются следующие вероятности наступления некоторого события:
а) наступит k раз; б) не менее k 1 и не более k 2 раз; в) событие наступит хотя бы один раз; г) каково будет наивероятнейшее число и соответствующая ему вероятность.

Инструкция . Заполните необходимые данные.

• если вероятность появления события A постоянна и число появлений события n ≤ 10, то следует воспользоваться формулой Бернулли;
• если вероятность появления события A постоянна, а количество независимых опытов неограниченно растет n → ∞, то следует воспользоваться теоремами Лапласа;
• если вероятность появления события мала p → 0, а количество независимых опытов неограниченно растет n → ∞, то следует воспользоваться формулой Пуассона ;

Пример №1 . Оптовая база снабжает товаром n магазинов. Вероятность того, что в течение дня поступит заявка на товар, равна p для каждого магазина. Найти вероятность того, что в течение дня: а) поступит k заявок; б) не менее k 1 и не более k 2 заявок; в) поступит хотя бы одна заявка. Каково наивероятнейшее число поступающих в течение дня заявок и чему равна соответствующая ему вероятность?

Второй вариант решения.
Воспользуемся локальной теоремой Лапласа .

где

Найдем значение x:

Функция четная, поэтому φ(-4,95) = φ(4,95) = 0,0000047851173921290
Искомая вероятность:

б) не менее k 1 и не более k 2 заявок;
Воспользуемся интегральной теоремой Лапласа .
P n (k 1 ,k 2) = Ф(x’’) – Ф(x’)
где Ф(x) – функция Лапласа.


Учитывая, что функция Лапласа нечетная, т.е. Ф(-x) = -Ф(x), получим:
P 18 (5,13) = Ф(-0,825) – Ф(-5,54) = -Ф(0,825) + Ф(5,54) = -0,2939 + 0,5 = 0,2061

в) поступит хотя бы одна заявка.
Найдем вероятность того, что не поступит ни одной заявки.

Тогда вероятность того, что поступит хотя бы одна заявка равна:
q = 1 – P = 1- 0,2 18
Второй вариант решения. Воспользуемся локальной теоремой Лапласа.
Найдем значение x:

Функция четная, поэтому φ(-8,49) = φ(8,49) = 2,28*10 -16
Искомая вероятность:

Следовательно, q = 1 – P = 1 - 8,89*10 -17

Каково наивероятнейшее число поступающих в течение дня заявок и чему равна соответствующая ему вероятность?
По условию, n = 18, p = 0,8, q = 0,2.
Найдем наивероятнейшее число из двойного неравенства:
18*0,8 – 0,2 ≤ k 0 ≤18*0,8+ 0,8
или
14,2≤ k 0 ≤15,2
Поскольку np –q – дробное, то существует одно наивероятнейшее число k 0 = 15.

Пример №3 . Вероятность попадания в цель при одном выстреле равна 0,8. Найдите вероятность того, что в серии из 4 выстрелов будет: а) хотя бы одно попадание; б) не менее трех попаданий; в) не более одного попадания.
Решение. Здесь n = 4, p = 0,8, q = 0, 2.
а) Найдем вероятность противоположного события - в серии из четырех выстрелов нет ни одного попадания в цель:

Отсюда находим вероятность хотя бы одного попадания в цель:

б) Событие B, заключающееся в том, что в серии из четырех выстрелов произошло не менее трех попаданий в цель, означает, что было либо три попадания (событие C), либо четыре (событие D), то есть B = C + D. Отсюда, P(B) = P(C) + P(D); следовательно,

в) Аналогично вычисляется вероятность попадания в цель не более одного раза:

Пример №4 . В данной местности в среднем за год 75 солнечных дней. Оценить вероятность того, что в течение года в этой местности будет меньше, чем 200 солнечных дней.
Решение. Здесь n = 365, p=75/365 = 0.205

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.