Материал: Теория вероятностей, лекции

Теорема умножения играет важную роль при определении вероятностей на некоторых типах пространств элементарных событий.

Пример. В каждой из двух урн имеется по 2 белых и по 3 черных шара. Из первой урны наудачу достается один шар и перекладывается во вторую урну, а затем из второй урны наудачу извлекается один шар и перекладывается в первую. Найти вероятность того, что состав шаров в урнах не изменится.

В данной задаче имеем дело со сложным экспериментом, состоящим из двух частей. Пусть исходы первой части эксперимента, которые состоят в том, что из первой урны вынут либо белый, либо черный шар, составляют множество 1 = f 1; r1g с вероятностью распределения P1( 1) =

25, P1(r1) = 35. Исходы второй части эксперимента обозначим как 2 =

f 2; r2g. Для задания вероятностного распределения на 2 вспомним, что оно будет определяться исходами первой части: если во вторую урну переложили белый шар из первой урны, то P2( 2= 1) = 1=2, P2(r2= 1) = 1=2; если же во вторую урну переложили черный шар, то P2( 2=r1) = 1=3,

P2(r2=r1) = 2=3.

Запишем теперь множество исходов полного эксперимента в виде декартова произведения множеств 1 и 2: = 1 2. При этом в будет 4 исхода: ( 1; 2), ( 1; r2), (r1; 2), (r1; r2).

Пусть событие A1 – из первой урны вынут белый шар\. Тогда A1 = " 2

= f( 1; 2); ( 1; r2)g и P (A1) = P1( 1) = 5.

Пусть событие B – "из первой урны вынут черный шар\,

B1 = f(r1; 2); (r1; r2)g и P (B1) = P1(r1) = 3=5.

Теперь для событий A2 – "из второй урны вынут белый шар\ и B2

– "из второй урны вынут черный шар\ можно записать, что P (A2=A1) = = 1=2; P (B2=A1) = 1=2; а P (A2=B1) = 1=3; P (B2=B1) = 2=3.

На основании теоремы умножения запишем:

P (( 1; 2)) = P (A1 \ A2) = P (A1)P (A2=A1) = 2=5 1=2 = 1=5;

P (( 1; r2)) = P (A1 \ B2) = P (A1)P (B2=A1) = 2=5 1=2 = 1=5; P ((r1; 2)) = P (B1 \ A2) = P (B1)P (A2=B1) = 3=5 1=3 = 1=5; P ((r1; r2)) = P (B1 \ B2) = P (B1)P (B2=B1) = 3=5 2=3 = 2=5:

Таким образом, задано вероятностное распределение на для сложного эксперимента. Теперь не составляет труда найти вероятность события C – "состав шаров в урнах не изменился\ :

P (C) = P (f( 1; 2); (r1; r2)g) = 1=5 + 2=5 = 3=5:

15

1.6.Формула полной вероятности. Формула Байеса

Пусть A – произвольное событие, а события H1; : : : ; Hn попарно несовместны (Hi \ Hj = ; при i 6= j, i; j = 1; 2; : : : ; n), причем P (Hi) > 0. Пусть A H1 [ H2 [ [ Hn. Тогда справедлива следующая формула, которую называют формулой полной вероятности:

Для доказательства (1.12) отметим, что событие A можно представить в виде суммы попарно несовместных событий:

A = (A \ H1) [ (A \ H2) [ [ (A \ Hn):

Тогда, в соответствии с теоремой сложения и теоремой умножения, полу-

Пример. Три автоматические линии производят микросхемы, причем первая производит 2 % всей продукции, вторая – 30 %, третья – 50 %. Доля брака в продукции первой линии составляет 1 %, второй линии – 2 % и третьей линии – 5 %. Какова вероятность того, что случайно выбранная микросхема дефектна?

Попробуем решить задачу стандартным образом, начиная с построения пространства элементарных событий .

Естественно считать исходом выбор конкретной микросхемы из всего выпуска. Обозначим мощность через j j. Так как микросхема извлекается наудачу, то все исходы равновозможны и P (!i) = 1=j j.

Введем на события Hi, i = 1; 2; 3 – "микросхема изготовлена i-й линией\. Очевидно, = H1 [ H2 [ H3. По условию задачи

jH1j = 0:2j j; jH2j = 0:3j j; jH3j = 0:5j j:

Пусть событие A – микросхема дефектная\. Тогда, в соответствии со схемой решения задач"на классическую вероятность, P (A) = jAj=j j. Очевидно, что событие A можно представить в виде суммы попарно несовместных событий: A = (A \ H1) [ (A \ H2) [ (A \ H3): Так как jA \ H1j = = 0:01 0:2 j j; jA \ H2j = 0:02 0:3 j j; jA \ H3j = 0:05 0:5 j j, то

P (A) = jA \ H1j + jA \ H2j + jA \ H3j = 0:033: j j

16

Теперь решим задачу с использованием формулы полной вероятности.

Можно записать:

3

X

P (A) = P (Hi)P (A=Hi):

i=1

Но для вероятностей P (Hi) и условных вероятностей P (A=Hi), i =

=1; 2; 3, из условия задачи известны их значения: P (H1) = 0:2; P (H2) =

=0:3; P (H3) = 0:5; P (A=H1) = 0:01; P (A=H2) = 0:02; P (A=H3) = 0:05. Значит, P (A) = 0:2 0:01 + 0:3 0:02 + 0:5 0:05 = 0:033.

Результат, естественно, получился тот же. Однако, используя формулу полной вероятности, получили ответ, минуя этап построения пространства элементарных событий.

Запишем определение условной вероятности события Hi при условии, что событие A наступило:

P (Hi=A) = P (A \ Hi) = P (Hi)P (A=Hi):

P (A)

Заменяя вероятность P (A) через формулу полной вероятности, получим:

X

P (Hk)P (A=Hk)

k=1

Формула (1.13) называется формулой Байеса. Ее можно интерпретировать следующим образом. Пусть перед проведением некоторого научного эксперимента имеется n гипотез H1; H2; : : : ; Hn о природе изучаемого явления, которым соответствуют вероятности P (H1), P (H2), : : :, P (Hn). Эти вероятности называются априорными.

Затем проводим научный эксперимент, в результате которого может наступить событие A. Если событие A наступило, то переоцениваем веру в гипотезы, заменяя априорные вероятности P (Hi) на апостериорные вероятности P (Hi=A).

Для иллюстрации применения формулы Байеса рассмотрим предыдущий пример, в условиях которого решим следующую задачу: какова вероятность того, что выбранная микросхема, оказавшаяся дефектной, произведена первой, второй или третьей линией?

Другими словами, требуется найти апостериорные вероятности P (H1=A), P (H2=A), P (H3=A). В соответствии с формулой Байеса

P (H1=A) = P (H1)P (A=H1) = 0:2 0:01 ' 0:061; P (A) 0:033

P (H2=A) = P (H2)P (A=H2) = 0:3 0:02 ' 0:182;

P (A) 0:033

17

P (H3=A) = P (H3)P (A=H3) = 0:5 0:05 ' 0:757;

P (A) 0:033

Найденные апостериорные вероятности отличаются от априорных вероятностей событий H1, H2 и H3.

1.7. Независимые события

Естественно считать, что событие A не зависит от события B, если условная вероятность события A при условии, что событие B наступило, равна безусловной вероятности события A, т. е. P (A=B) = P (A). Из определения условной вероятности в этом случае получаем, что P (A \ B) = = P (A)P (B). Следовательно, если A не зависит от B, то и B не зависит от A, поскольку последнее равенство симметрично.

Определение 1.13. События A и B называются независимыми, если выполняется равенство

Смысл этого формального определения заключается в том, что если произошло одно из двух независимых событий, то это никак не влияет на вероятность другого события. Но в таком случае, если первое событие не произошло, то это также не должно влиять на вероятность второго. Этот результат сформулируем в виде следующей теоремы.

Теорема 1.4. Если события A и B независимы, то события A и B также независимы.

\ \

Доказательство. Очевидно, что P (B) = P (A B) + P (A B). Тогда

Теорема доказана.

Следствие. Если события A и B независимы, то события A и B также независимы.

Если для событий A и B не выполнено условие (1.14), то они называются зависимыми.

Определение независимости событий можно обобщить для большего, нежели 2, числа событий.

Определение 1.14. События A1; A2; : : : ; An называются независимыми в совокупности, если для любых k из них (k n) выполняется

18

условие

Если соотношение (1.15) выполняется только при k = 2, то события называются попарно независимыми.

Следующий пример показывает, что попарная независимость не обеспечивает независимости в совокупности.

Пример (Бернштейна). Три из четырех граней правильного тетраэдра окрашены в красный, синий и зеленый цвета. Четвертая грань окрашена во все 3 цвета. Эксперимент состоит в подбрасывании тетраэдра. Исход – падение тетраэдра на определенную грань. Таким образом,= f!1; !2; !3; !4g = fк, с, з, ксзg, P (!i) = 1=4. Рассмотрим события: A

– тетраэдр упал на грань, содержащую красный цвет\, A = f!1; !4g, P ("A) = 1=2; B – "тетраэдр упал на грань, содержащую синий цвет\, B = f!2; !4g, P (B) = 1=2; C – "тетраэдр упал на грань, содержащую зеленый цвет\, C = f!3; !4g, P (C) = 1=2.

События A, B, C являются попарно независимыми:

A \B = A \C = B \C = f!4g; P (A \B) = P (A \C) = P (B \C) = 1=4;

P (A)P (B) = P (A)P (C) = P (B)P (C) = 1=4:

Однако события A, B, C не являются независимыми в совокупности:

P (A \ B \ C) = 1=4; P (A)P (B)P (C) = 1=8:

Условие (1.15) не выполнено.

1.8. Независимые испытания

С помощью определения независимых событий можно строить модели сложных экспериментов, состоящих из нескольких независимых частей. Рассмотрим, для простоты, эксперимент, состоящий из двух частей. Первая часть описывается пространством элементарных событий 1 с вероятностным распределением P1. Вторая часть описывается пространством2 с распределением P2. Пусть событие A связано с первой частью эксперимента, A 1, а B связано со второй частью, т. е. B 2. Требуется построить модель всего эксперимента так, чтобы события Ae – "в первой части произошло событие A\ и Be – "во второй части произошло событие B\ были независимыми.

Если модель сложного эксперимента (т. е. и P ) построена так, что для любых событий A 1, B 2 события Ae и Be независимы, то говорят, что эксперимент состоит из двух независимых испытаний.

19