Фактически формулы (1) и (2) это краткая запись условной вероятности на основе таблицы сопряженности признаков. Вернемся к примеру, рассмотренному (рис. 1). Предположим, что нам стало известно, будто некая семья собирается купить широкоэкранный телевизор. Какова вероятность того, что эта семья действительно купит такой телевизор?
Рис. 1. Поведение покупателей широкоэкранных телевизоров
В данном случае нам необходимо вычислить условную вероятность Р (покупка совершена | покупка планировалась). Поскольку нам известно, что семья планирует покупку, выборочное пространство состоит не из всех 1000 семей, а только из тех, которые планируют покупку широкоэкранного телевизора. Из 250 таких семей 200 действительно купили этот телевизор. Следовательно, вероятность того, что семья действительно купит широкоэкранный телевизор, если она это запланировала, можно вычислить по следующей формуле:
Р (покупка совершена | покупка планировалась) = количество семей, планировавших и купивших широкоэкранный телевизор / количество семей, планировавших купить широкоэкранный телевизор = 200 / 250 = 0,8
Этот же результат дает формула (2):
где событие А заключается в том, что семья планирует покупку широкоформатного телевизора, а событие В - в том, что она его действительно купит. Подставляя в формулу реальные данные, получаем:
Дерево решений
На рис. 1 семьи разделены на четыре категории: планировавшие покупку широкоэкранного телевизора и не планировавшие, а также купившие такой телевизор и не купившие. Аналогичную классификацию можно выполнить с помощью дерева решений (рис. 2). Дерево, изображенное на рис. 2, имеет две ветви, соответствующие семьям, которые планировали приобрести широкоэкранный телевизор, и семьям, которые не делали этого. Каждая из этих ветвей разделяется на две дополнительные ветви, соответствующие семьям, купившим и не купившим широкоэкранный телевизор. Вероятности, записанные на концах двух основных ветвей, являются безусловными вероятностями событий А и А’ . Вероятности, записанные на концах четырех дополнительных ветвей, являются условными вероятностями каждой комбинации событий А и В . Условные вероятности вычисляются путем деления совместной вероятности событий на соответствующую безусловную вероятность каждого из них.
Рис. 2. Дерево решений
Например, чтобы вычислить вероятность того, что семья купит широкоэкранный телевизор, если она запланировала сделать это, следует определить вероятность события покупка запланирована и совершена , а затем поделить его на вероятность события покупка запланирована . Перемещаясь по дереву решения, изображенному на рис. 2, получаем следующий (аналогичный предыдущему) ответ:
Статистическая независимость
В примере с покупкой широкоэкранного телевизора вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор при условии, что она планировала это сделать, равна 200/250 = 0,8. Напомним, что безусловная вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор, равна 300/1000 = 0,3. Отсюда следует очень важный вывод. Априорная информация о том, что семья планировала покупку, влияет на вероятность самой покупки. Иначе говоря, эти два события зависят друг от друга. В противоположность этому примеру, существуют статистически независимые события, вероятности которых не зависят друг от друга. Статистическая независимость выражается тождеством: Р(А|В) = Р(А) , где Р(А|В) - вероятность события А при условии, что произошло событие В , Р(А) - безусловная вероятность события А.
Обратите внимание на то, что события А и В Р(А|В) = Р(А) . Если в таблице сопряженности признаков, имеющей размер 2×2, это условие выполняется хотя бы для одной комбинации событий А и В , оно будет справедливым и для любой другой комбинации. В нашем примере события покупка запланирована и покупка совершена не являются статистически независимыми, поскольку информация об одном событии влияет на вероятность другого.
Рассмотрим пример, в котором показано, как проверить статистическую независимость двух событий. Спросим у 300 семей, купивших широкоформатный телевизор, довольны ли они своей покупкой (рис. 3). Определите, связаны ли между собой степень удовлетворенности покупкой и тип телевизора.
Рис. 3. Данные, характеризующие степень удовлетворенности покупателей широкоэкранных телевизоров
Судя по этим данным,
В то же время,
Р (покупатель удовлетворен) = 240 / 300 = 0,80
Следовательно, вероятность того, что покупатель удовлетворен покупкой, и того, что семья купила HDTV-телевизор, равны между собой, и эти события являются статистически независимыми, поскольку никак не связаны между собой.
Правило умножения вероятностей
Формула для вычисления условной вероятности позволяет определить вероятность совместного события А и В . Разрешив формулу (1)
относительно совместной вероятности Р(А и В) , получаем общее, правило умножения вероятностей. Вероятность события А и В равна вероятности события А при условии, что наступило событие В В :
(3) Р(А и В) = Р(А|В) * Р(В)
Рассмотрим в качестве примера 80 семей, купивших широкоэкранный HDTV-телевизор (рис. 3). В таблице указано, что 64 семьи удовлетворены покупкой и 16 - нет. Предположим, что среди них случайным образом выбираются две семьи. Определите вероятность, что оба покупателя окажутся довольными. Используя формулу (3), получаем:
Р(А и В) = Р(А|В) * Р(В)
где событие А заключается в том, что вторая семья удовлетворена своей покупкой, а событие В - в том, что первая семья удовлетворена своей покупкой. Вероятность того, что первая семья удовлетворена своей покупкой, равна 64/80. Однако вероятность того, что вторая семья также удовлетворена своей покупкой, зависит от ответа первой семьи. Если первая семья после опроса не возвращается в выборку (выбор без возвращения), количество респондентов снижается до 79. Если первая семья оказалась удовлетворенной своей покупкой, вероятность того, что вторая семья также будет довольна, равна 63/79, поскольку в выборке осталось только 63 семьи, удовлетворенные своим приобретением. Таким образом, подставляя в формулу (3) конкретные данные, получим следующий ответ:
Р(А и В) = (63/79)(64/80) = 0,638.
Следовательно, вероятность того, что обе семьи довольны своими покупками, равна 63,8%.
Предположим, что после опроса первая семья возвращается в выборку. Определите вероятность того, что обе семьи окажутся довольными своей покупкой. В этом случае вероятности того, что обе семьи удовлетворены своей покупкой одинаковы, и равны 64/80. Следовательно, Р(А и В) = (64/80)(64/80) = 0,64. Таким образом, вероятность того, что обе семьи довольны своими покупками, равна 64,0%. Этот пример показывает, что выбор второй семьи не зависит от выбора первой. Таким образом, заменяя в формуле (3) условную вероятность Р(А|В) вероятностью Р(А) , мы получаем формулу умножения вероятностей независимых событий.
Правило умножения вероятностей независимых событий. Если события А и В являются статистически независимыми, вероятность события А и В равна вероятности события А , умноженной на вероятность события В .
(4) Р(А и В) = Р(А)Р(В)
Если это правило выполняется для событий А и В , значит, они являются статистически независимыми. Таким образом, существуют два способа определить статистическую независимость двух событий:
- События А и В являются статистически независимыми друг от друга тогда и только тогда, когда Р(А|В) = Р(А) .
- События А и B являются статистически независимыми друг от друга тогда и только тогда, когда Р(А и В) = Р(А)Р(В) .
Если в таблице сопряженности признаков, имеющей размер 2×2, одно из этих условий выполняется хотя бы для одной комбинации событий А и B , оно будет справедливым и для любой другой комбинации.
Безусловная вероятность элементарного события
(5) Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2) + … + P(A|B k)Р(B k)
где события B 1 , B 2 , … B k являются взаимоисключающими и исчерпывающими.
Проиллюстрируем применение этой формулы на примере рис.1. Используя формулу (5), получаем:
Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2)
где Р(А) - вероятность того, что покупка планировалась, Р(В 1) - вероятность того, что покупка совершена, Р(В 2) - вероятность того, что покупка не совершена.
ТЕОРЕМА БАЙЕСА
Условная вероятность события учитывает информацию о том, что произошло некое другое событие. Этот подход можно использовать как для уточнения вероятности с учетом вновь поступившей информации, так и для вычисления вероятности, что наблюдаемый эффект является следствием некоей конкретной причины. Процедура уточнения этих вероятностей называется теоремой Байеса. Впервые она была разработана Томасом Байесом в 18 веке.
Предположим, что компания, упомянутая выше, исследует рынок сбыта новой модели телевизора. В прошлом 40% телевизоров, созданных компанией, пользовались успехом, а 60% моделей признания не получили. Прежде чем объявить о выпуске новой модели, специалисты по маркетингу тщательно исследуют рынок и фиксируют спрос. В прошлом успех 80% моделей, получивших признание, прогнозировался заранее, в то же время 30% благоприятных прогнозов оказались неверными. Для новой модели отдел маркетинга дал благоприятный прогноз. Какова вероятность того, что новая модель телевизора будет пользоваться спросом?
Теорему Байеса можно вывести из определений условной вероятности (1) и (2). Чтобы вычислить вероятность Р(В|А), возьмем формулу (2):
и подставим вместо Р(А и В) значение из формулы (3):
Р(А и В) = Р(А|В) * Р(В)
Подставляя вместо Р(А) формулу (5), получаем теорему Байеса:
где события B 1 , В 2 , … В k являются взаимоисключающими и исчерпывающими.
Введем следующие обозначения: событие S - телевизор пользуется спросом , событие S’ - телевизор не пользуется спросом , событие F - благоприятный прогноз , событие F’ - неблагоприятный прогноз . Допустим, что P(S) = 0,4, P(S’) = 0,6, P(F|S) = 0,8, P(F|S’) = 0,3. Применяя теорему Байеса получаем:
Вероятность спроса на новую модель телевизора при условии благоприятного прогноза равна 0,64. Таким образом, вероятность отсутствия спроса при условии благоприятного прогноза равна 1–0,64=0,36. Процесс вычислений представлен на рис. 4.
Рис. 4. (а) Вычисления по формуле Байеса для оценки вероятности спроса телевизоров; (б) Дерево решения при исследовании спроса на новую модель телевизора
Рассмотрим пример применения теоремы Байеса для медицинской диагностики. Вероятность того, что человек страдает от определенного заболевания, равна 0,03. Медицинский тест позволяет проверить, так ли это. Если человек действительно болен, вероятность точного диагноза (утверждающего, что человек болен, когда он действительно болен) равна 0,9. Если человек здоров, вероятность ложноположительного диагноза (утверждающего, что человек болен, когда он здоров) равна 0,02. Допустим, что медицинский тест дал положительный результат. Какова вероятность того, что человек действительно болен? Какова вероятность точного диагноза?
Введем следующие обозначения: событие D - человек болен , событие D’ - человек здоров , событие Т - диагноз положительный , событие Т’ - диагноз отрицательный . Из условия задачи следует, что Р(D) = 0,03, P(D’) = 0,97, Р(T|D) = 0,90, P(T|D’) = 0,02. Применяя формулу (6), получаем:
Вероятность того, что при положительном диагнозе человек действительно болен, равна 0,582 (см. также рис. 5). Обратите внимание на то, что знаменатель формулы Байеса равен вероятности положительного диагноза, т.е. 0,0464.
Теория вероятностей – это раздел математики, изучающий закономерности случайных явлений: случайные события, случайные величины, их свойства и операции над ними.
Долгое время теория вероятностей не имела четкого определения. Оно было сформулировано лишь в 1929 году. Возникновение теории вероятностей как науки относят к средним векам и первым попыткам математического анализа азартных игр (орлянка, кости, рулетка). Французские математики XVII века Блез Паскаль и Пьер Ферма, исследуя прогнозирование выигрыша в азартных играх, открыли первые вероятностные закономерности, возникающие при бросании костей.
Теория вероятности возникла как наука из убеждения, что в основе массовых случайных событий лежат определенные закономерности. Теория вероятности изучает данные закономерности.
Теория вероятностей занимается изучением событий, наступление которых достоверно неизвестно. Она позволяет судить о степени вероятности наступления одних событий по сравнению с другими.
Например: определить однозначно результат выпадения «орла» или «решки» в результате подбрасывания монеты нельзя, но при многократном подбрасывании выпадает примерно одинаковое число «орлов» и «решек», что означает, что вероятность того, что выпадет «орел» или «решка», равна 50%.
Испытанием в этом случае называется реализация определенного комплекса условий, то есть в данном случае подбрасывание монеты. Испытание может воспроизводиться неограниченное количество раз. При этом комплекс условий включает в себя случайные факторы.
Результатом испытания является событие . Событие бывает:
- Достоверное (всегда происходит в результате испытания).
- Невозможное (никогда не происходит).
- Случайное (может произойти или не произойти в результате испытания).
Например, при подбрасывании монеты невозможное событие - монета станет на ребро, случайное событие - выпадение «орла» или «решки». Конкретный результат испытания называется элементарным событием . В результате испытания происходят только элементарные события. Совокупность всех возможных, различных, конкретных исходов испытаний называется пространством элементарных событий .
Основные понятия теории
Вероятность - степень возможности происхождения события. Когда основания для того, чтобы какое-нибудь возможное событие произошло в действительности, перевешивают противоположные основания, то это событие называют вероятным, в противном случае - маловероятным или невероятным.
Случайная величина - это величина, которая в результате испытания может принять то или иное значение, причем неизвестно заранее, какое именно. Например: число на пожарную станцию за сутки, число попадания при 10 выстрелах и т.д.
Случайные величины можно разделить на две категории.
- Дискретной случайной величиной называется такая величина, которая в результате испытания может принимать определенные значения с определенной вероятностью, образующие счетное множество (множество, элементы которого могут быть занумерованы). Это множество может быть как конечным, так и бесконечным. Например, количество выстрелов до первого попадания в цель является дискретной случайной величиной, т.к. эта величина может принимать и бесконечное, хотя и счетное количество значений.
- Непрерывной случайной величиной называется такая величина, которая может принимать любые значения из некоторого конечного или бесконечного промежутка. Очевидно, что количество возможных значений непрерывной случайной величины бесконечно.
Вероятностное пространство - понятие, введенное А.Н. Колмогоровым в 30-х годах XX века для формализации понятия вероятности, которое дало начало бурному развитию теории вероятностей как строгой математической дисциплине.
Вероятностное пространство - это тройка (иногда обрамляемая угловыми скобками: , где
Это произвольное множество, элементы которого называются элементарными событиями, исходами или точками;
- сигма-алгебра подмножеств , называемых (случайными) событиями;
- вероятностная мера или вероятность, т.е. сигма-аддитивная конечная мера, такая что .
Теорема Муавра-Лапласа - одна из предельных теорем теории вероятностей, установлена Лапласом в 1812 году. Она утверждает, что число успехов при многократном повторении одного и того же случайного эксперимента с двумя возможными исходами приблизительно имеет нормальное распределение. Она позволяет найти приближенное значение вероятности.
Если при каждом из независимых испытаний вероятность появления некоторого случайного события равна () и - число испытаний, в которых фактически наступает, то вероятность справедливости неравенства близка (при больших ) к значению интеграла Лапласа.
Функция распределения в теории вероятностей - функция, характеризующая распределение случайной величины или случайного вектора; вероятность того, что случайная величина X примет значение, меньшее или равное х, где х - произвольное действительное число. При соблюдении известных условий полностью определяет случайную величину.
Математическое ожидание - среднее значение случайной величины (это распределение вероятностей случайной величины, рассматривается в теории вероятностей). В англоязычной литературе обозначается через , в русской - . В статистике часто используют обозначение .
Пусть задано вероятностное пространство и определенная на нем случайная величина . То есть, по определению, - измеримая функция. Тогда, если существует интеграл Лебега от по пространству , то он называется математическим ожиданием, или средним значением и обозначается .
Дисперсия случайной величины - мера разброса данной случайной величины, т. е. ее отклонения от математического ожидания. Обозначается в русской литературе и в зарубежной. В статистике часто употребляется обозначение или . Квадратный корень из дисперсии называется среднеквадратичным отклонением, стандартным отклонением или стандартным разбросом.
Пусть - случайная величина, определенная на некотором вероятностном пространстве. Тогда
где символ обозначает математическое ожидание.
В теории вероятностей два случайных события называются независимыми , если наступление одного из них не изменяет вероятность наступления другого. Аналогично, две случайные величины называют зависимыми , если значение одной из них влияет на вероятность значений другой.
Простейшая форма закона больших чисел – это теорема Бернулли, утверждающая, что если вероятность события одинакова во всех испытаниях, то с увеличением числа испытаний частота события стремится к вероятности события и перестает быть случайной.
Закон больших чисел в теории вероятностей утверждает, что среднее арифметическое конечной выборки из фиксированного распределения близко к теоретическому среднему математическому ожиданию этого распределения. В зависимости от вида сходимости различают слабый закон больших чисел, когда имеет место сходимость по вероятности, и усиленный закон больших чисел, когда имеет место сходимость почти наверняка.
Общий смысл закона больших чисел - совместное действие большого числа одинаковых и независимых случайных факторов приводит к результату, в пределе не зависящему от случая.
На этом свойстве основаны методы оценки вероятности на основе анализа конечной выборки. Наглядным примером является прогноз результатов выборов на основе опроса выборки избирателей.
Центральные предельные теоремы - класс теорем в теории вероятностей, утверждающих, что сумма достаточно большого количества слабо зависимых случайных величин, имеющих примерно одинаковые масштабы (ни одно из слагаемых не доминирует, не вносит в сумму определяющего вклада), имеет распределение, близкое к нормальному.
Так как многие случайные величины в приложениях формируются под влиянием нескольких слабо зависимых случайных факторов, их распределение считают нормальным. При этом должно соблюдаться условие, что ни один из факторов не является доминирующим. Центральные предельные теоремы в этих случаях обосновывают применение нормального распределения.
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.
как онтологическая категория отражает меру возможности возникновения какого-либо сущего в каких-либо условиях. В отличие от математических и логической интерпретации этого понятия онтологическая В. не связывает себя с обязательностью количетвенного выражения. Значение В. раскрывается в контексте понимания детерминизма и характера развития в целом.
Отличное определение
ВЕРОЯТНОСТЬ
понятие, характеризующее количеств. меру возможности появления нек-рого события при определ. условиях. В науч. познании встречаются три интерпретации В. Классическая концепция В., возникшая из математич. анализа азартных игр и наиболее полно разработанная Б. Паскалем, Я. Бернулли и П. Лапласом, рассматривает В. как отношение числа благоприятствующих случаев к общему числу всех равновозможных. Напр., ири бросании игральной кости, имеющей 6 граней, выпадение каждой из них можно ожидать с В., равной 1/6, т. к. ни одна грань не имеет преимуществ перед другой. Подобная симметричность исходов опыта специально учитывается при организации игр, но сравнительно редко встречается при исследовании объективных событий в науке и практике. Классич. интерпретация В. уступила место статистич. концепции В., в основе к-рой лежат действит. наблюдения появления нек-рого события в ходе длит. опыта при точно фиксированных условиях. Практика подтверждает, что чем чаще происходит событие, тем больше степень объективной возможности его появления, или В. Поэтому статистич. интерпретация В. опирается на понятие относит. частоты, к-рое может быть определено опытным путем. В. как теоретич. понятие никогда не совпадает с эмпирически определяемой частотой, однако во мн. случаях она практически мало отличается от относит. частоты, найденной в результате длит. наблюдений. Многие статистики рассматривают В. как «двойник» относит. частоты, к-рая определяется при статистич. исследовании результатов наблюдений
или экспериментов. Менее реалистичным оказалось определение В. как предела относит. частот массовых событий, или коллективов, предложенное Р. Мизесом. В качестве дальнейшего развития частотного подхода к В. выдвигается диспозиционная, или пропенситивная, интерпретация В. (К. Поппер, Я. Хэккинг, М. Бунге, Т. Сетл). Согласно этой интерпретации, В. характеризует свойство порождающих условий, напр. эксперимент. установки, для получения последовательности массовых случайных событий. Именно такая установка порождает физич. диспозиции, или предрасположенности, В. к-рых может быть проверена с помощью относит. частот.
Статистич. интерпретация В. доминирует в науч. познании, ибо она отражает специфич. характер закономерностей, присущих массовым явлениям случайного характера. Во многих физич., биологич., экономич., демографич. и др. социальных процессах приходится учитывать действие множества случайных факторов, к-рые характеризуются устойчивой частотой. Выявление этой устойчивой частоты и количеств. ее оценка с помощью В. дает возможность вскрыть необходимость, к-рая прокладывает себе путь через совокупное действие множества случайностей. В этом находит свое проявление диалектика превращения случайности в необходимость (см. Ф. Энгельс, в кн.: Маркс К. и Энгельс Ф., Соч., т. 20, с. 535-36).
Логическая, или индуктивная, В. характеризует отношение между посылками и заключением недемонстративного и, в частности, индуктивного рассуждения. В отличие от дедукции, посылки индукции не гарантируют истинности заключения, а лишь делают его в той или иной степени правдоподобным. Это правдоподобие при точно сформулированных посылках иногда можно оценивать с помощью В. Значение этой В. чаще всего определяется посредством сравнит. понятий (больше, меньше или равно), а иногда и численным способом. Логич. интерпретацию часто используют для анализа индуктивных рассуждений и построения различных систем вероятностных логик (Р. Карнап, Р. Джефри). В семантич. концепции логич. В. часто определяется как степень подтверждения одного высказывания другими (напр., гипотезы ее эмпирич. данными) .
В связи с развитием теорий принятия решений и игр все большее распростраиение получает т. н. персоналистская интерпретация В. Хотя В. при этом выражает степень веры субъекта и появление нек-рого события, сами В. должны выбираться с таким расчетом, чтобы удовлетворялись аксиомы исчисления В. Поэтому В. при такой интерпретации выражает не столько степень субъективной, сколько разумной веры. Следовательно, решения, принимаемые на основе такой В., будут рациональными, ибо они не учитывают психологич. особенностей и склонностей субъекта.
С гносеологич. т. зр. различие между статистич., логич. и персоналистской интерпретациями В. состоит в том, что если первая дает характеристику объективным свойствам и отношениям массовых явлений случайного характера, то последние две анализируют особенности субъективной, познават. деятельности людей в условиях неопределенности.
ВЕРОЯТНОСТЬ
одно из важнейших понятий науки, характеризующее особое системное видение мира, его строения, эволюции и познания. Специфика вероятностного взгляда на мир раскрывается через включение в число базовых понятий бытия понятий случайности, независимости и иерархии (идеи уровней в структуре и детерминации систем).
Представления о вероятности зародились еще в древности и относились к характеристике нашего знания, при этом признавалось наличие вероятностного знания, отличающегося от достоверного знания и от ложного. Воздействие идеи вероятности на научное мышление, на развитие познания прямо связано с разработкой теории вероятностей как математической дисциплины. Зарождение математического учения о вероятности относится к 17 в., когда было положено начало разработке ядра понятий, допускающих. количественную (числовую) характеристику и выражающих вероятностную идею.
Интенсивные приложения вероятности к развитию познания приходятся на 2-ю пол. 19- 1-ю пол. 20 в. Вероятность вошла в структуры таких фундаментальных наук о природе, как классическая статистическая физика, генетика, квантовая теория, кибернетика (теория информации). Соответственно вероятность олицетворяет тот этап в развитии науки, который ныне определяется как неклассическая наука. Чтобы раскрыть новизну, особенности вероятностного образа мышления, необходимо исходить из анализа предмета теории вероятностей и оснований ее многочисленных приложений. Теорию вероятностей обычно определяют как математическую дисциплину, изучающую закономерности массовых случайных явлений при определенных условиях. Случайность означает, что в рамках массовости бытие каждого элементарного явления не зависит и не определяется бытием других явлений. В то же время сама массовость явлений обладает устойчивой структурой, содержит определенные регулярности. Массовое явление вполне строго делится на подсистемы, и относительное число элементарных явлений в каждой из подсистем (относительная частота) весьма устойчиво. Эта устойчивость сопоставляется с вероятностью. Массовое явление в целом характеризуется распределением вероятностей, т. е. заданием подсистем и соответствующих им вероятностей. Язык теории вероятностей есть язык вероятностных распределений. Соответственно теорию вероятностей и определяют как абстрактную науку об оперировании распределениями.
Вероятность породила в науке представления о статистических закономерностях и статистических системах. Последние суть системы, образованные из независимых или квазинезависимых сущностей, их структура характеризуется распределениями вероятностей. Но как возможно образование систем из независимых сущностей? Обычно предполагается, что для образования систем, имеющих целостные характеристики, необходимо, чтобы между их элементами существовали достаточно устойчивые связи, которые цементируют системы. Устойчивость статистическим системам придает наличие внешних условий, внешнего окружения, внешних, а не внутренних сил. Само определение вероятности всегда опирается на задание условий образования исходного массового явления. Еще одной важнейшей идеей, характеризующей вероятностную парадигму, является идея иерархии (субординации). Эта идея выражает взаимоотношения между характеристиками отдельных элементов и целостными характеристиками систем: последние как бы надстраиваются над первыми.
Значение вероятностных методов в познании заключается в том, что они позволяют исследовать и теоретически выражать закономерности строения и поведения объектов и систем, имеющих иерархическую, «двухуровневую» структуру.
Анализ природы вероятности опирается на частотную, статистическую ее трактовку. Вместе с тем весьма длительное время в науке господствовало такое понимание вероятности, которое получило название логической, или индуктивной, вероятности. Логическую вероятность интересуют вопросы обоснованности отдельного, индивидуального суждения в определенных условиях. Можно ли оценить степень подтверждения (достоверности, истинности) индуктивного заключения (гипотетического вывода) в количественной форме? В ходе становления теории вероятностей такие вопросы неоднократно обсуждались, и стали говорить о степенях подтверждения гипотетических заключений. Эта мера вероятности определяется имеющейся в распоряжении данного человека информацией, его опытом, воззрениями на мир и психологическим складом ума. Во всех подобных случаях величина вероятности не поддается строгим измерениям и практически лежит вне компетенции теории вероятностей как последовательной математической дисциплины.
Объективная, частотная трактовка вероятности утверждалась в науке со значительными трудностями. Первоначально на понимание природы вероятности оказали сильное воздействие те философско-методологические взгляды, которые были характерны для классической науки. Исторически становление вероятностных методов в физике происходило под определяющим воздействием идей механики: статистические системы трактовались просто как механические. Поскольку соответствующие задачи не решались строгими методами механики, то возникли утверждения, что обращение к вероятностным методам и статистическим закономерностям есть результат неполноты наших знаний. В истории развития классической статистической физики предпринимались многочисленные попытки обосновать ее на основе классической механики, однако все они потерпели неудачу. Основания вероятности состоят в том, что она выражает собою особенности структуры определенного класса систем, иного, чем системы механики: состояние элементов этих систем характеризуется неустойчивостью и особым (не сводящимся к механике) характером взаимодействий.
Вхождение вероятности в познание ведет к отрицанию концепции жесткого детерминизма, к отрицанию базовой модели бытия и познания, выработанных в процессе становления классической науки. Базовые модели, представленные статистическими теориями, носят иной, более общий характер: они включают в себя идеи случайности и независимости. Идея вероятности связана с раскрытием внутренней динамики объектов и систем, которая не может быть всецело определена внешними условиями и обстоятельствами.
Концепция вероятностного видения мира, опирающаяся на абсолютизацию представлений о независимости (как и прежде парадигма жесткой детерминации), в настоящее время выявила свою ограниченность, что наиболее сильно сказывается при переходе современной науки к аналитическим методам исследования сложноорганизованных систем и физико-математических основ явлений самоорганизации.
Отличное определение
Неполное определение ↓
Вероятностью
события называется отношение числа элементарных исходов, благоприятствующих данному событию, к числу всех равновозможных исходов опыта в котором может появиться это событие. Вероятность события А обозначают через Р(А) (здесь Р - первая буква французского слова probabilite - вероятность). В соответствии с определением
(1.2.1)
где - число элементарных исходов, благоприятствующих событию А; - число всех равновозможных элементарных исходов опыта, образующих полную группу событий.
Это определение вероятности называют классическим. Оно возникло на начальном этапе развития теории вероятностей.
Вероятность события имеет следующие свойства:
1. Вероятность достоверного события равна единице. Обозначим достоверное событие буквой . Для достоверного события , поэтому
(1.2.2)
2. Вероятность невозможного события равна нулю. Обозначим невозможное событие буквой . Для невозможного события , поэтому
(1.2.3)
3. Вероятность случайного события выражается положительным числом, меньшим единицы. Поскольку для случайного события выполняются неравенства , или , то
(1.2.4)
4. Вероятность любого события удовлетворяет неравенствам
(1.2.5)
Это следует из соотношений (1.2.2) -(1.2.4).
Пример 1. В урне 10 одинаковых по размерам и весу шаров, из которых 4 красных и 6 голубых. из урны извлекается один шар. Какова вероятность того, что извлеченный шар окажется голубым?
Решение
. Событие "извлеченный шар оказался голубым" обозначим буквой А. Данное испытание имеет 10 равновозможных элементарных исходов, из которых 6 благоприятствуют событию А. В соответствии с формулой (1.2.1) получаем
Пример 2. Все натуральные числа от 1 до 30 записаны на одинаковых карточках и помещены в урну. После тщательного перемешивания карточек из урны извлекается одна карточка. Какова вероятность того,что число на взятой карточке окажется кратным 5?
Решение.
Обозначим через А событие "число на взятой карточке кратно 5". В данном испытании имеется 30 равновозможных элементарных исходов, из которых событию А благоприятствуют 6 исходов (числа 5, 10, 15, 20, 25, 30). Следовательно, 
Пример 3. Подбрасываются два игральных кубика, подсчитывается сумма очков на верхних гранях. Найти вероятность события В, состоящего в том, что на верхних гранях кубиков в сумме будет 9 очков.
Решение.
В этом испытании всего 6 2 = 36 равновозможных элементарных исходов. Событию В благоприятствуют 4 исхода: (3;6), (4;5), (5;4), (6;3), поэтому
Пример 4 . Наудачу выбрано натуральное число, не превосходящее 10. Какова вероятность того, что это число является простым?
Решение.
Обозначим буквой С событие "выбранное число является простым". В данном случае n = 10, m = 4 (простые числа 2, 3, 5, 7). Следовательно, искомая вероятность
Пример 5. Подбрасываются две симметричные монеты. Чему равна вероятность того, что на верхних сторонах обеих монет оказались цифры?
Решение.
Обозначим буквой D событие "на верхней стороне каждой монеты оказалась цифра". В этом испытании 4 равновозможных элементарных исходов: (Г, Г), (Г, Ц), (Ц, Г), (Ц, Ц). (Запись (Г, Ц) означает, что на первой монете герб, на второй - цифра). Событию D благоприятствует один элементарный исход (Ц, Ц). Поскольку m = 1, n = 4 , то
Пример 6. Какова вероятность того, что в наудачу выбранном двузначном числе цифры одинаковы?
Решение.
Двузначными числами являются числа от 10 до 99; всего таких чисел 90. Одинаковые цифры имеют 9 чисел (это числа 11, 22, 33, 44, 55, 66, 77, 88, 99). Так как в данном случае m = 9, n = 90, то
,
где А -событие "число с одинаковыми цифрами".
Пример 7. Из букв слова дифференциал наугад выбирается одна буква. Какова вероятность того, что эта буква будет: а) гласной, б) согласной, в) буквой ч ?
Решение
. В слове дuфференцuал 12 букв, из них 5 гласных и 7 согласных. Буквы ч
в этом слове нет. Обозначим события: А - "гласная буква", В - "согласная буква", С - "буква ч
". Число благоприятствующих элементарных исходов: -для события А, - для события В, - для события С. Поскольку n = 12 , то
, и .
Пример 8. Подбрасывается два игральных кубика, отмечается число очков на верхней грани каждого кубика. Найти вероятность того, на обоих кубиках выпало одинаковое число очков.
Решение.
Обозначим это событие буквой А. Событюо А благоприятствуют 6 элементарных исходов: (1;]), (2;2), (3;3), (4;4), (5;5), (6;6). Всего равновозможных элементарных исходов, образующих полную группу событий, в данном случае n=6 2 =36. Значит, искомая вероятность 
Пример 9. В книге 300 страниц. Чему равна вероятность того, что наугад открытая страница будет иметь порядковый номер, кратный 5?
Решение.
Из условия задачи следует, что всех равновозможных элементарных исходов, образующих полную группу событий, будет n = 300. Из них m = 60 благоприятствуют наступлению указанного события. Действительно, номер, кратный 5, имеет вид 5k, где k -натуральное число, причем , откуда 
. Следовательно,
, где А - событие "страница" имеет порядковый номер, кратный 5".
Пример 10 . Подбрасываются два игральных кубика, подсчитывается сумма очков на верхних гранях. Что вероятнее -получить в сумме 7 или 8?
Решение
. Обозначим события: А - "выпало 7 очков", В - "выпало 8 очков". Событию А благоприятствуют 6 элементарных исходов: (1; 6), (2; 5),(3; 4), (4; 3), (5; 2), (6; 1), а событию В - 5 исходов: (2; 6), (3; 5), (4; 4), (5; 3), (6; 2). Всех равновозможных элементарных исходов n = 6 2 = 36. Значит, и .
Итак, Р(А)>Р(В), то есть получить в сумме 7 очков - более вероятное событие, чем получить в сумме 8 очков.
Задачи
1. Наудачу выбрано натуральное число, не превосходящее 30. Какова вероятность того, что это число кратно 3?
2. В урне a
красных и b
голубых шаров, одинаковых по размерам и весу. Чему равна вероятность того, что наудачу извлеченный шар из этой урны окажется голубым?
3. Наудачу· выбрано число, не превосходящее 30. Какова вероятность того, что это число является делителем зо?
4. В урне а
голубых и b
красных шаров, одинаковых по размерам и весу. Из этой урны извлекают один шар и откладывают в сторону. Этот шар оказался красным. После этого из урны вынимают еще один шар. Найти вероятность того, что второй шар также красный.
5. Наудачу выбрано наryральное число, не превосходящее 50. Какова вероятность того, что это число является простым?
6. Подбрасывается три игральных кубика, подсчитывается сумма очков на верхних гранях. Что вероятнее - получить в сумме 9 или 10 очков?
7. Подбрасывается три игральных кубика, подсчитывается сумма выпавших очков. Что вероятнее - получить в сумме 11 (событие А) или 12 очков (событие В)?
Ответы
1. 1/3. 2 . b /(a +b ). 3 . 0,2. 4 . (b -1)/(a +b -1). 5 .0,3.6 . p 1 = 25/216 - вероятность получить в сумме 9 очков; p 2 = 27/216 - вероятность получить в сумме 10 очков; p 2 > p 1 7 . Р(А) = 27/216, Р(В) = 25/216, Р(А) > Р(В).
Вопросы
1. Что называют вероятностью события?
2. Чему равна вероятность достоверного события?
3. Чему равна вероятность невозможного события?
4. В каких пределах заключена вероятность случайного события?
5. В каких пределах заключена вероятность любого события?
6. Какое определение вероятности называют классическим?