Формулы для вычисления вероятности событий
1.3.1. Последовательность независимых испытаний (схема Бернулли)
Предположим, что некоторый эксперимент можно проводить неоднократно при одних и тех же условиях. Пусть этот опыт производится n раз, т. е. проводится последовательность из n испытаний.
Определение. Последовательность n испытаний называют взаимно независимой , если любое событие, связанное с данным испытанием, не зависит от любых событий, относящихся к остальным испытаниям.
Допустим, что некоторое событие A может произойти с вероятностью p в результате одного испытания или не произойти с вероятностью q = 1- p .
Определение . Последовательность из n испытаний образует схему Бернулли, если выполняются следующие условия:
последовательность n испытаний взаимно независима,
2) вероятность события A не изменяется от испытания к испытанию и не зависит от результата в других испытаниях.
Событие A называют “ успехом” испытания, а противоположное событие - “неудачей”. Рассмотрим событие
={
в n
испытаниях произошло ровно m
“успехов”}.
Для вычисления вероятности этого события справедлива формула Бернулли
p
(
)
=
, m
= 1, 2, …, n
, (1.6)
где
- число сочетаний из n
элементов по m
:
=
=
.
Пример 1.16. Три раза подбрасывают кубик. Найти:
а) вероятность того, что 6 очков выпадет два раза;
б) вероятность того, что число шестерок не появится более двух раз.
Решение . “Успехом” испытания будем считать выпадение на кубике грани с изображением 6 очков.
а)
Общее число испытаний – n
=3,
число “успехов” – m
=
2. Вероятность “успеха” - p
=
,
а вероятность “неудачи” - q
=
1 -
=.
Тогда по формуле Бернулли вероятность
того, что результате трехразового
бросания кубика два раза выпадет сторона
с шестью очками, будет равна
.
б)
Обозначим через А
событие, которое заключается в том, что
грань с числом очков 6 появится не более
двух раз. Тогда событие можно представить
в виде суммы
трех несовместных
событий А=
,
где В 3 0 – событие, когда интересующая грань ни разу не появится,
В 3 1 - событие, когда интересующая грань появится один раз,
В 3 2 - событие, когда интересующая грань появится два раза.
По формуле Бернулли (1.6) найдем
p
(А
)
=
р (
)
=
p
(
)=
+
+
=
=
.
1.3.2. Условная вероятность события
Условная вероятность отражает влияние одного события на вероятность другого. Изменение условий, в которых проводится эксперимент, также влияет
на вероятность появления интересующего события.
Определение. Пусть A и B – некоторые события, и вероятность p (B )> 0.
Условной вероятностью события A при условии, что “событие B уже произошло” называется отношение вероятности произведения данных событий к вероятности события, которое произошло раньше, чем событие, вероятность которого требуется найти. Условная вероятность обозначается как p (A B ). Тогда по определению
p
(A
B
)
=
.
(1.7)
Пример 1.17. Подбрасывают два кубика. Пространство элементарных событий состоит из упорядоченных пар чисел
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6).
В примере 1.16 было установлено, что событие A ={число очков на первом кубике > 4} и событие C ={сумма очков равна 8} зависимы. Составим отношение
.
Это отношение можно интерпретировать следующим образом. Допустим, что о результате первого бросания известно, что число очков на первом кубике > 4. Отсюда следует, что бросание второго кубика может привести к одному из 12 исходов, составляющих событие A :
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6) .
При
этом событию C
могут соответствовать только два из
них (5,3) (6,2). В этом случае вероятность
события C
будет
равна
.
Таким образом, информация о наступлении
событияA
оказала влияние на вероятность события
C
.
Вероятность произведения событий
Теорема умножения
Вероятность произведения событий A 1 A 2 A n определяется формулой
p (A 1 A 2 A n ) = p (A 1) p (A 2 A 1)) p (A n A 1 A 2 A n- 1). (1.8)
Для произведения двух событий отсюда следует, что
p (AB ) = p (A B) p {B ) = p (B A ) p {A ). (1.9)
Пример 1.18. В партии из 25 изделий 5 изделий бракованных. Последовательно наугад выбирают 3 изделия. Определить вероятность того, что все выбранные изделия бракованные.
Решение. Обозначим события:
A 1 = {первое изделие бракованное},
A 2 = {второе изделие бракованное},
A 3 = {третье изделие бракованное},
A = {все изделия бракованные}.
Событие А есть произведение трех событий A = A 1 A 2 A 3 .
Из теоремы умножения (1.6) получим
p (A ) = р( A 1 A 2 A 3 ) = p (A 1) p (A 2 A 1))p (A 3 A 1 A 2).
Классическое определение вероятности позволяет найти p (A 1) – это отношение числа бракованных изделий к общему количеству изделий:
p
(A
1)=
;
p (A 2) – это отношение числа бракованных изделий, оставшихся после изъятия одного, к общему числу оставшихся изделий:
p
(A
2
A
1))=
;
p (A 3) – это отношение числа бракованных изделий, оставшихся после изъятия двух бракованных, к общему числу оставшихся изделий:
p
(A
3
A
1 A
2)=
.
Тогда вероятность события A будет равна
p
(A
)
=
=
.
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.
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
то говорят, что случайная величина ξ имеет плотность распределения вероятности f(x) .
Определение.
Пусть . Для непрерывной функции распределения F
теоретической α-квантилью
называется решение уравнения .
Такое решение может быть не единственным.
Квантиль уровня ½ называется теоретической медианой , квантили уровней ¼ и ¾ - нижней и верхней квартилями соответственно.
В актуарных приложениях важную роль играет неравенство Чебышева:
при любом
Символ математического ожидания.
Читается так: вероятность того, что модуль больше меньше или равняется математическому ожиданию величины модуль , деленному на .
Время жизни как случайная величина
Неопределенность момента смерти является основным фактором риска при страховании жизни.
Относительно момента смерти отдельного человека нельзя сказать ничего определенного. Однако если мы имеем дело с большой однородной группой людей и не интересуемся судьбой отдельных людей из этой группы, то мы находимся в рамках теории вероятностей как науки о массовых случайных явлениях, обладающих свойством устойчивости частот.
Соответственно, мы можем говорить о продолжительности жизни как о случайной величине Т.
Функция выживания
В теории вероятностей описывают стохастическую природу любой случайной величины Т функцией распределения F (x), которая определяется как вероятность того, что случайная величина Т меньше, чем число x :
.
В актуарной математике приятно работать не с функцией распределения, а с дополнительной функцией распределения 
.
Применительно к продолжительной жизни - это вероятность того, что человек доживет до возраста x
лет.
называется функцией выживания (survival function ):
Функция выживания обладает следующими свойствами:
В таблицах продолжительности жизни обычно считают, что существует некоторый предельный возраст (limiting age ) (как правило, лет) и соответственно при x >.
При описании смертности аналитическими законами обычно считают, что время жизни неограниченно, однако подбирают вид и параметры законов так, чтобы вероятность жизни свыше некоторого возраста была пренебрежимо мала.
Функция выживания имеет простой статистический смысл.
Допустим, что мы наблюдаем за группой из новорожденных (как правило, ), которых мы наблюдаем и можем фиксировать моменты их смерти.
Обозначим число живых представителей этой группы в возрасте через . Тогда:
.
Символ E здесь и ниже используется для обозначения математического ожидания.
Итак, функция выживания равна средней доле доживших до возраста из некоторой фиксированной группы новорожденных.
В актуарной математике часто работают не с функцией выживания , а с только что введенной величиной (зафиксировав начальный размер группы ).
Функция выживания может быть восстановлена по плотности:
Характеристики продолжительности жизни
С практической точки зрения важны следующие характеристики:
1 . Среднее время жизни
,
2
. Дисперсия
времени жизни
,
где
,
Зная, что вероятность можно измерить, попробуем выразить ее в цифрах. Существуют три возможных пути.
Рис. 1.1. Измерение вероятности
ВЕРОЯТНОСТЬ, ОПРЕДЕЛЯЕМАЯ СИММЕТРИЕЙ
Существуют ситуации, в которых возможные исходы равновероятны. Например, при бросании монеты один раз, если монета стандартная, вероятность появления «орла» или «решки» одинакова, т.е. Р(«орел») = Р(«решка»). Так как возможны лишь два исхода, то Р(«орел») + Р(«решка») = 1, следовательно, Р(«орел») = Р(«решка») = 0,5.
В экспериментах, где исходы имеют равные шансы появления, вероятность события Е, Р (Е) равна:
Пример 1.1. Монета брошена три раза. Какова вероятность двух «орлов» и одной «решки»?
Для начала найдем все возможные исходы: Чтобы убедиться, все ли возможные варианты мы нашли, воспользуемся диаграммой в виде дерева (см. гл. 1 раздел 1.3.1).
Итак, имеются 8 равновозможных исходов, следовательно, вероятность из них равна 1/8. Событие Е - два «орла и «решка - произошло три . Поэтому:
Пример 1.2. Стандартная игральная кость брошена два раза. Какова вероят того, что сумма очков равна 9 или больше?
Найдем все возможные исходы.
Таблица 1.2. Общее количество очков, получаемое при двукратном бросании игральной кости
Итак, в 10 из 36 возможных исходов сумма очков равна 9 или следовательно:
ВЕРОЯТНОСТЬ, ОПРЕДЕЛЯЕМАЯ ЭМПИРИЧЕСКИ
Пример с монетой из табл. 1.1 наглядно иллюстрирует механизм определ вероятности.
При общем числе экспериментов из которых удачных, верояп требуемого результата подсчитывается так:
Отношение есть относительная частота появления определен результата при достаточно продолжительном эксперименте. Вероятность подсчитывается либо на основе данных проведенного эксперимента, основе прошлых данных.
Пример 1.3. Из пятисот протестированных электроламп 415 проработали более 1000 часов. На основе данных этого эксперимента можно заключить, что вероятность нормального функционирования лампы данного типа более 1000 часов составляет:
Примечание. Контроль имеет разрушающий характер, поэтому не все лампы могут быть проверены. Если бы была протестирована только одна лампа, то вероятность составила бы 1 или 0 (т.е. сможет проработать 1000 часов или нет). Отсюда следует необходимость повторения эксперимента.
Пример 1.4. В табл. 1.3 приведены данные о стаже мужчин, работающих в фирме:
Таблица 1.3. Стаж работы мужчины
Какова вероятность того, что следующий принятый на работу в фирму человек проработает не меньше двух лет:
Решение.
Из таблицы видно, что 38 из 100 работников работают в компании больше двух лет. Эмпирическая вероятность того, что следующий работник останется в компании на срок более двух лет равна:
При этом мы предполагаем, что новый работник «типичен, а условия работы неизменны.
СУБЪЕКТИВНАЯ ОЦЕНКА ВЕРОЯТНОСТИ
В бизнесе часто возникают ситуации, в которых отсутствует симметрия, и экспериментальных данных тоже нет. Поэтому определение вероятности благоприятного исхода под влиянием взглядов и опыта исследователя носит субъективный характер.
Пример 1.5.
1. Эксперт по инвестициям считает, что вероятность получения прибыли в течение первых двух лет равна 0,6.
2. Прогноз менеджера по маркетингу: вероятность продажи 1000 единиц товара в первый месяц после его появления на рынке равна 0,4.
События, которые происходят реально или в нашем воображении, можно разделить на 3 группы. Это достоверные события, которые обязательно произойдут, невозможные события и случайные события. Теория вероятностей изучает случайные события, т.е. события, которые могут произойти или не произойти. В данной статье будет представлена в кратком виде теория вероятности формулы и примеры решения задач по теории вероятности, которые будут в 4 задании ЕГЭ по математике (профильный уровень).
Зачем нужна теория вероятности
Исторически потребность исследования этих проблем возникла в XVII веке в связи с развитием и профессионализацией азартных игр и появлением казино. Это было реальное явление, которое требовало своего изучения и исследования.
Игра в карты, кости, рулетку создавала ситуации, когда могло произойти любое из конечного числа равновозможных событий. Возникла необходимость дать числовые оценки возможности наступления того или иного события.
В XX веке выяснилось, что эта, казалось бы, легкомысленная наука играет важную роль в познании фундаментальных процессов, протекающих в микромире. Была создана современная теория вероятностей.
Основные понятия теории вероятности
Объектом изучения теории вероятностей являются события и их вероятности. Если событие является сложным, то его можно разбить на простые составляющие, вероятности которых найти несложно.
Суммой событий А и В называется событие С, заключающееся в том, что произошло либо событие А, либо событие В, либо события А и В одновременно.
Произведением событий А и В называется событие С, заключающееся в том, что произошло и событие А и событие В.
События А и В называется несовместными, если они не могут произойти одновременно.
Событие А называется невозможным, если оно не может произойти. Такое событие обозначается символом .
Событие А называется достоверным, если оно обязательно произойдет. Такое событие обозначается символом .
Пусть каждому событию А поставлено в соответствие число P{А). Это число P(А) называется вероятностью события А, если при таком соответствии выполнены следующие условия.
Важным частным случаем является ситуация, когда имеется равновероятных элементарных исходов, и произвольные из этих исходов образуют события А. В этом случае вероятность можно ввести по формуле . Вероятность, введенная таким образом, называется классической вероятностью. Можно доказать, что в этом случае свойства 1-4 выполнены.
Задачи по теории вероятностей, которые встречаются на ЕГЭ по математике, в основном связаны с классической вероятностью. Такие задачи могут быть очень простыми. Особенно простыми являются задачи по теории вероятностей в демонстрационных вариантах. Легко вычислить число благоприятных исходов , прямо в условии написано число всех исходов .
Ответ получаем по формуле .
Пример задачи из ЕГЭ по математике по определению вероятности
На столе лежат 20 пирожков — 5 с капустой, 7 с яблоками и 8 с рисом. Марина хочет взять пирожок. Какова вероятность, что она возьмет пирожок с рисом?
Решение.
Всего равновероятных элементарных исходов 20, то есть Марина может взять любой из 20 пирожков. Но нам нужно оценить вероятность того, что Марина возьмет пирожок с рисом, то есть , где А — это выбор пирожка с рисом. Значит у нас количество благоприятных исходов (выборов пирожков с рисом) всего 8. Тогда вероятность будет определяться по формуле:
Независимые, противоположные и произвольные события
Однако в открытом банке заданий стали встречаться и более сложные задания. Поэтому обратим внимание читателя и на другие вопросы, изучаемые в теории вероятностей.
События А и В называется независимыми, если вероятность каждого из них не зависит от того, произошло ли другое событие.
Событие B состоит в том, что событие А не произошло, т.е. событие B является противоположным к событию А. Вероятность противоположного события равна единице минус вероятность прямого события,т.е. .
Теоремы сложения и умножения вероятностей, формулы
Для произвольных событий А и В вероятность суммы этих событий равна сумме их вероятностей без вероятности их совместного события, т.е. .
Для независимых событий А и В вероятность произведения этих событий равна произведению их вероятностей, т.е. в этом случае .
Последние 2 утверждения называются теоремами сложения и умножения вероятностей.
Не всегда подсчет числа исходов является столь простым. В ряде случаев необходимо использовать формулы комбинаторики. При этом наиболее важным является подсчет числа событий, удовлетворяющих определенным условиям. Иногда такого рода подсчеты могут становиться самостоятельными заданиями.
Сколькими способами можно усадить 6 учеников на 6 свободных мест? Первый ученик займет любое из 6 мест. Каждому из этих вариантов соответствует 5 способов занять место второму ученику. Для третьего ученика остается 4 свободных места, для четвертого - 3, для пятого - 2, шестой займет единственное оставшееся место. Чтобы найти число всех вариантов, надо найти произведение , которое обозначается символом 6! и читается «шесть факториал».
В общем случае ответ на этот вопрос дает формула для числа перестановок из п элементов В нашем случае .
Рассмотрим теперь другой случай с нашими учениками. Сколькими способами можно усадить 2 учеников на 6 свободных мест? Первый ученик займет любое из 6 мест. Каждому из этих вариантов соответствует 5 способов занять место второму ученику. Чтобы найти число всех вариантов, надо найти произведение .
В общем случае ответ на этот вопрос дает формула для числа размещений из n элементов по k элементам
В нашем случае .
И последний случай из этой серии. Сколькими способами можно выбрать трех учеников из 6? Первого ученика можно выбрать 6 способами, второго - 5 способами, третьего - четырьмя. Но среди этих вариантов 6 раз встречается одна и та же тройка учеников. Чтобы найти число всех вариантов, надо вычислить величину: . В общем случае ответ на этот вопрос дает формула для числа сочетаний из элементов по элементам:
В нашем случае .
Примеры решения задач из ЕГЭ по математике на определение вероятности
Задача 1. Из сборника под ред. Ященко.
На тарелке 30 пирожков: 3 с мясом, 18 с капустой и 9 с вишней. Саша наугад выбирает один пирожок. Найдите вероятность того, что он окажется с вишней.
.
Ответ: 0,3.
Задача 2. Из сборника под ред. Ященко.
В каждой партии из 1000 лампочек в среднем 20 бракованных. Найдите вероятность того, что наугад взятая лампочка из партии будет исправной.
Решение: Количество исправных лампочек 1000-20=980. Тогда вероятность того, что взятая наугад лампочка из партии будет исправной:
Ответ: 0,98.
Вероятность того, что на тестировании по математике учащийся У. верно решит больше 9 задач, равна 0,67. Вероятность того, что У. верно решит больше 8 задач, равна 0,73. Найдите вероятность того, что У. верно решит ровно 9 задач.
Если мы вообразим числовую прямую и на ней отметим точки 8 и 9, то мы увидим, что условие «У. верно решит ровно 9 задач» входит в условие «У. верно решит больше 8 задач», но не относится к условию «У. верно решит больше 9 задач».
Однако, условие «У. верно решит больше 9 задач» содержится в условии «У. верно решит больше 8 задач». Таким образом, если мы обозначим события: «У. верно решит ровно 9 задач» — через А, «У. верно решит больше 8 задач» — через B, «У. верно решит больше 9 задач» через С. То решение будет выглядеть следующим образом:
Ответ: 0,06.
На экзамене по геометрии школьник отвечает на один вопрос из списка экзаменационных вопросов. Вероятность того, что это вопрос по теме «Тригонометрия», равна 0,2. Вероятность того, что это вопрос по теме «Внешние углы», равна 0,15. Вопросов, которые одновременно относятся к этим двум темам, нет. Найдите вероятность того, что на экзамене школьнику достанется вопрос по одной из этих двух тем.
Давайте подумаем какие у нас даны события. Нам даны два несовместных события. То есть либо вопрос будет относиться к теме «Тригонометрия», либо к теме «Внешние углы». По теореме вероятности вероятность несовместных событий равна сумме вероятностей каждого события, мы должны найти сумму вероятностей этих событий, то есть:
Ответ: 0,35.
Помещение освещается фонарём с тремя лампами. Вероятность перегорания одной лампы в течение года равна 0,29. Найдите вероятность того, что в течение года хотя бы одна лампа не перегорит.
Рассмотрим возможные события. У нас есть три лампочки, каждая из которых может перегореть или не перегореть независимо от любой другой лампочки. Это независимые события.
Тогда укажем варианты таких событий. Примем обозначения: — лампочка горит, — лампочка перегорела. И сразу рядом подсчитаем вероятность события. Например, вероятность события, в котором произошли три независимых события «лампочка перегорела», «лампочка горит», «лампочка горит»: , где вероятность события «лампочка горит» подсчитывается как вероятность события, противоположного событию «лампочка не горит», а именно: .
Заметим, что благоприятных нам несовместных событий всего 7. Вероятность таких событий равна сумме вероятностей каждого из событий: .
Ответ: 0,975608.
Еще одну задачку вы можете посмотреть на рисунке:
Таким образом, мы с вами поняли, что такое теория вероятности формулы и примеры решения задач по которой вам могут встретиться в варианте ЕГЭ.