Математика для программистов: теория вероятностей. Теория вероятностей

27.09.2019

Либерт Елена

Азарт и жажда разбогатеть дали толчок возникновению новой чрезвычайно существенной математической дисциплины: теории вероятностей. В разработке ее основ принимали участие математики такого масштаба, как Паскаль и Ферма, Гюйгенс.

Скачать:

Предварительный просмотр:

МБОУ СШ №8 г. Ярцево Смоленской области

Проект по математике:

«История возникновения теории вероятностей»

Подготовила: ученица 11 класса

средней школы №8 Либерт Елена

Руководитель: учитель математики

Борисенкова Ольга Владимировна

Г. Ярцево, 2015г.

История возникновения теории вероятностей…………………………………………………………..…...3

Средневековая Европа и начало Нового времени……………………….4

XVII век: Паскаль, Ферма, Гюйгенс…..………………………………….5

XVIII век……..…………………………………………………………….7

XIX век. Общие тенденции и критика……………………….…………..7

Применение теории вероятности в XIX-XX веках……………….…..…8

Астрономия………………………………………………………….8
Физика………………………….……………………………………9
Биометрия……………...……………………………………………9
Сельское хозяйство………………………..………………………..9
Промышленность …………………………………………………..10
Медицина…………………………………………………………....10
Биоинформатика……………...…………………………………….10
Экономика и банковское дело…….……………………………….11

История возникновения теории вероятностей

Французский дворянин, некий господин де Мере, был азартным игроком в кости и страстно хотел разбогатеть. Он затратил много времени, чтобы открыть тайну игры в кости. Он выдумывал различные варианты игры, предполагая, что таким образом приобретет крупное состояние. Так, например, он предлагал бросать одну кость по очереди 4 раза и убеждал партнера, что по крайней мере один раз выпадет при этом шестерка. Если за 4 броска шестерка не выходила, то выигрывал противник.

В те времена еще не существовала отрасль математики, которую сегодня мы называем теорией вероятностей, а поэтому, чтобы убедиться, верны ли его предположения, господин Мере обратился к своему знакомому, известному математику и философу Б. Паскалю с просьбой, чтобы он изучил два знаменитых вопроса, первый из которых он попытался решить сам. Вопросы были такие:

Сколько раз надо бросать две игральные кости, чтобы случаев выпадения сразу двух шестерок было больше половины от общего числа бросаний?

Как справедливо разделить поставленные на кон двумя игроками деньги, если они по каким-то причинам прекратили игру преждевременно?

Паскаль не только сам заинтересовался этим, но и написал письмо известному математику П. Ферма, чем спровоцировал его заняться общими законами игры в кости и вероятностью выигрыша.

Таким образом, азарт и жажда разбогатеть дали толчок возникновению новой чрезвычайно существенной математической дисциплины: теории вероятностей. В разработке ее основ принимали участие математики такого масштаба, как Паскаль и Ферма, Гюйгенс (1629-1695), который написал тракта «О расчетах при азартных играх », Яков Бернулли (1654-1705), Муавр (1667-1754), Лаплас (1749- 1827), Гаусс (1777-1855) и Пуассон (1781-1840). В наше время теория вероятности используется почти во всех отраслях знаний: в статистике, синоптике (прогноз погоды), биологии, экономике, технологии, строительстве и т. д.

Средневековая Европа и начало Нового времени

Первые задачи вероятностного характера возникли в различных азартных играх - костях, картах и др. Французский каноник XIII века Ришар де Фурниваль правильно подсчитал все возможные суммы очков после броска трёх костей и указал число способов, которыми может получиться каждая из этих сумм. Это число способов можно рассматривать как первую числовую меру ожидаемости события, аналогичную вероятности. До Фурниваля, а иногда и после него, эту меру часто подсчитывали неверно, считая, например, что суммы 3 и 4 очка равновероятны, так как оба могут получиться «только одним способом»: по результатам броска «три единицы» и «двойка с двумя единицами» соответственно. При этом не учитывалось, что три единицы в самом деле получаются только одним способом: ~1+1+1, а двойка с двумя единицами - тремя: ~1+1+2;\;1+2+1;\;2+1+1, так что эти события не равновероятны. Аналогичные ошибки неоднократно встречались и в дальнейшей истории науки.

В обширной математической энциклопедии «Сумма арифметики, геометрии, отношений и пропорций» итальянца Луки Пачоли (1494) содержатся оригинальные задачи на тему: как разделить ставку между двумя игроками, если серия игр прервана досрочно. Пример подобной задачи: игра идёт до 60 очков, победитель получает всю ставку в 22 дуката, в ходе игры первый игрок набрал 50 очков, второй - 30, и тут игру пришлось прекратить; требуется справедливо разделить исходную ставку. Решение зависит от того, что понимать под «справедливым» разделом; сам Пачоли предложил делить пропорционально набранным очкам (55/4 и 33/4 дуката); позднее его решение было признано ошибочным.

Распределение суммы очков после бросания двух костей

Крупный алгебраист XVI века ДжероламоКардано посвятил анализу игры содержательную монографию «Книга об игре в кости» (1526 год, опубликована посмертно). Кардано провёл полный и безошибочный комбинаторный анализ для значений суммы очков и указал для разных событий ожидаемое значение доли «благоприятных» событий: например, при бросании трёх костей доля случаев, когда значения всех 3 костей совпадают, равна 6/216 или 1/36. Кардано сделал проницательное замечание: реальное количество исследуемых событий может при небольшом числе игр сильно отличаться от теоретического, но чем больше игр в серии, тем доля этого различия меньше. По существу, Кардано близко подошёл к понятию вероятности:

Итак, имеется одно общее правило для расчёта: необходимо учесть общее число возможных выпадений и число способов, которыми могут появиться данные выпадения, а затем найти отношение последнего числа к числу оставшихся возможных выпадений.

Другой итальянский алгебраист, Никколо Тарталья, раскритиковал подход Пачоли к решению задачи о разделе ставки: ведь если один из игроков ещё не успел набрать ни одного очка, то алгоритм Пачоли отдаёт всю ставку его сопернику, но это трудно назвать справедливым, поскольку некоторые шансы на выигрыш у отстающего всё же имеются. Кардано и Тарталья предложили свои (различные) способы раздела, но впоследствии и эти способы были признаны неудачными.

Исследованием данной темы занимался и Галилео Галилей, написавший трактат «О выходе очков при игре в кости» (1718 год, опубликован посмертно). Изложение теории игры у Галилея отличается исчерпывающей полнотой и ясностью. В своей главной книге «Диалог о двух главнейших системах мира, птоломеевой и коперниковой» Галилей также указал на возможность оценки погрешности астрономических и иных измерений, причём заявил, что малые ошибки измерения вероятнее, чем большие, отклонения в обе стороны равновероятны, а средний результат должен быть близок к истинному значению измеряемой величины. Эти качественные рассуждения стали первым в истории предсказанием нормального распределения ошибок.

XVII век: Паскаль, Ферма, Гюйгенс

В XVII веке начало формироваться отчётливое представление о проблематике теории вероятностей и появились первые математические (комбинаторные) методы решения вероятностных задач. Основателями математической теории вероятностей стали Блез Паскаль и Пьер Ферма.

Перед этим математик-любитель шевалье де Мере обратился к Паскалю по поводу так называемой «задачи об очках»: сколько раз нужно бросать две кости, чтобы ставить на одновременное выпадение хотя бы раз двух шестёрок было выгодно? Паскаль и Ферма вступили в переписку друг с другом по поводу данной задачи и родственных вопросов (1654). В рамках этой переписки учёные обсудили ряд проблем, связанных с вероятностными расчётами; в частности, рассматривалась старая задача о разделе ставки, и оба учёных пришли к решению, что надо разделить ставку соответственно остающимся шансам на выигрыш. Паскаль указал де Мере на ошибку, допущенную им при решении «задачи об очках»: в то время как де Мере неверно определил равновероятные события, получив ответ: 24 броска, Паскаль дал правильный ответ: 25 бросков.

Паскаль в своих трудах далеко продвинул применение комбинаторных методов, которые систематизировал в своей книге «Трактат об арифметическом треугольнике» (1665). Опираясь на вероятностный подход, Паскаль даже доказывал (в посмертно опубликованных заметках), что быть верующим выгоднее, чем атеистом.

Гюйгенс, вначале использовал термин «стоимость», а термин «ожидание» появился впервые при переводе трактата Гюйгенса Ван Схоутеном на латинский язык и стал общепринятым в науке.

В книге большое число задач, некоторые с решениями, другие «для самостоятельного решения». Из последних особый интерес и оживлённое обсуждение вызвала «задача о разорении игрока». В несколько обобщённом виде она формулируется так: у игроков A и B есть a и b монет соответственно, в каждой игре выигрывается одна монета, вероятность выигрыша A в каждой игре равна p, требуется найти вероятность полного его разорения. Полное общее решение «задачи о разорении» дал Абрахам де Муавр полвека спустя (1711). В наши дни вероятностная схема «задачи о разорении» используется при решении многих задач типа «случайное блуждание».

Гюйгенс проанализировал и задачу о разделе ставки, дав её окончательное решение: ставку надо разделить пропорционально вероятностям выигрыша при продолжении игры. Он также впервые применил вероятностные методы к демографической статистике и показал, как рассчитать среднюю продолжительность жизни.

К этому же периоду относятся публикации английских статистиков Джона Граунта (1662) и Уильяма Петти (1676, 1683). Обработав данные более чем за столетие, они показали, что многие демографические характеристики лондонского населения, несмотря на случайные колебания, имеют достаточно устойчивый характер - например, соотношение числа новорождённых мальчиков и девочек редко отклоняется от пропорции 14 к 13, невелики колебания и процента смертности от конкретных случайных причин. Эти данные подготовили научную общественность к восприятию новых идей.

Граунт также впервые составил таблицы смертности - таблицы вероятности смерти как функции возраста. Вопросами теории вероятностей и её применения к демографической статистике занялись также Иоганн Худде и Ян де Витт в Нидерландах, которые в 1671 году также составили таблицы смертности и использовали их для вычисления размеров пожизненной ренты. Более подробно данный круг вопросов был изложен в 1693 году Эдмундом Галлеем.

XVIII век

На книгу Гюйгенса опирались появившиеся в начале XVIII века трактаты Пьера де Монмора «Опыт исследования азартных игр» (опубликован в 1708 и переиздан с дополнениями в 1713 году) и Якоба Бернулли «Искусство предположений» (опубликован уже после смерти учёного, в том же 1713 году). Последний имел для теории вероятностей особенно большое значение.

XIX век

Общие тенденции и критика

В XIX веке число работ по теории вероятностей продолжало расти, были даже компрометирующие науку попытки распространить её методы далеко за разумные пределы - например, на область морали, психологии, правоприменения и даже богословия. В частности, валлийский философ Ричард Прайс, а следом за ним и Лаплас, считали возможным рассчитать по формулам Байеса вероятность предстоящего восхода Солнца, Пуассон пытался провести вероятностный анализ справедливости судебных приговоров и достоверности показаний свидетелей. Философ Дж. С. Милль в 1843 году, указав на подобные спекулятивные применения, назвал исчисление вероятностей «позором математики». Эта и другие оценки свидетельствовали о недостаточной строгости обоснования теории вероятностей.

Математический аппарат теории вероятностей тем временем продолжал совершенствоваться. Основной сферой её применения в тот период была математическая обработка результатов наблюдений, содержащих случайные погрешности, а также расчёты рисков в страховом деле и других статистических параметров. Среди главных прикладных задач теории вероятностей и математической статистики XIX века можно назвать следующие:

найти вероятность того, что сумма независимых случайных величин с одинаковым (известным) законом распределения находится в заданных пределах. Особую важность эта проблема представляла для теории ошибок измерения, в первую очередь для оценки погрешности наблюдений;

установление статистической значимости различия случайных значений или серий таких значений. Пример: сравнение результатов применения нового и старого видов лекарств для принятия решения о том, действительно ли новое лекарство лучше;

исследование влияния заданного фактора на случайную величину (факторный анализ).

Уже к середине XIX века формируется вероятностная теория артиллерийской стрельбы. В большинстве крупных стран Европы были созданы национальные статистические организации . В конце века область применения вероятностных методов начала успешно распространяться на физику, биологию, экономику, социологию.

Применение теории вероятности в XIX-XX веках.

В 19 и 20 столетиях теория вероятностей проникает сначала в науку (астрономию, физику, биологию), потом в практику (сельское хозяйство, промышленность, медицину), и наконец, после изобретения компьютеров, в повседневную жизнь любого человека, пользующегося современными средствами получения и передачи информации. Проследим применение в различных областях.

1.Астрономия.

Именно для использования в астрономии был разработан знаменитый “метод наименьших квадратов ” (Лежандр 1805, Гаусс 1815). Главной задачей, для решения которой он был первоначально использован, стал расчет орбит комет, который приходилось производить по малому числу наблюдений. Ясно, что надежное определение типа орбиты (эллипс или гипербола) и точный расчет ее параметров оказывается трудным, так как орбита наблюдается лишь на небольшом участке. Метод оказался эффективным, универсальным, и вызвал бурные споры о приоритете. Его стали использовать в геодезии и картографии. Сейчас, когда искусство ручных расчетов утрачено, трудно представить, что при составлении карт мирового океана в 1880-х годах в Англии методом наименьших квадратов была численно решена система, состоящая из примерно 6000 уравнений с несколькими сотнями неизвестных.

2.Физика.

Во второй половине 19 века была в работах Максвелла, Больцмана и Гиббса была развита статистическая механика, которая описывала состояние разряженных систем, содержащих огромное число частиц (порядка числа Авогадро). Если раньше понятие распределения случайной величины было преимущественно связано с распределением ошибок измерения, то теперь распределенными оказались самые разные величины – скорости, энергии, длины свободного пробега.

3.Биометрия.

В 1870-1900 годах бельгиец Кетле и англичане Френсис Гальтон и Карл Пирсон основали новое научное направление – биометрию, в которой впервые стала систематически и количественно изучаться неопределенная изменчивость живых организмов и наследование количественных признаков. В научный оборот были введены новые понятия – регрессии и корреляции.

Итак, вплоть до начала 20 века основные приложения теории вероятности были связаны с научными исследованиями . Внедрение в практику – сельское хозяйство, промышленность, медицину произошло в 20 веке.

4.Сельское хозяйство.

В начале 20 века в Англии была поставлена задача количественного сравнения эффективности различных методов ведения сельского хозяйства. Для решения этой задачи была развита теория планирования экспериментов, дисперсионный анализ. Основная заслуга в развитии этого уже чисто практического использования статистики принадлежит сэру Рональду Фишеру, астроному по образованию, а в дальнейшем фермеру, статистику, генетику, президенту английского Королевского общества. Современная математическая статистика, пригодная для широкого применения в практике, была развита в Англии (Карл Пирсон, Стьюдент, Фишер). Стьюдент впервые решил задачу оценки неизвестного параметра распределения без использования байесовского подхода.

5.Промышленность.

Введение методов статистического контроля на производстве (контрольные карты Шухарта). Сокращение необходимого количества испытаний качества продукции. Математические методы оказываются уже настолько важными, что их стали засекречивать. Так книга с описанием новой методики, позволявшей сократить количество испытаний (“Последовательный анализ” Вальда), была издана только после окончания второй мировой войны в 1947 году.

6.Медицина.

Широкое применение статистических методов в медицине началось сравнительно недавно (вторая половина 20 века). Развитие эффективных методов лечения (антибиотики, инсулин, эффективная анестезия, искусственное кровообращение) потребовало достоверных методов оценки их эффективности. Возникло новое понятие “Доказательная медицина”. Начал развиваться более формальный, количественный подход к терапии многих заболевании – введение протоколов, guidelines.

С середины 1980-х годов возник новый и важнейший фактор, революционизировавший все приложения теории вероятностей – возможность широкого использования быстрых и доступных компьютеров. Почувствовать всю громадность произошедшего переворота можно, если учесть, что один современный персональный компьютер превосходит по быстродействию и памяти все компьютеры СССР и США, имевшиеся к 1968 году, времени, когда уже были осуществлены проекты, связанные со строительством атомных электростанций, полетами на Луну, созданием термоядерной бомбы. Сейчас методом прямого экспериментирования можно получать результаты, которые ранее были недоступны – thinkingofunthinkable.

7.Биоинформатика.

Начиная с 1980-х годов количество известных последовательностей белков и нуклеиновых кислот стремительно возрастает. Объем накопленной информации таков, что только компьютерный анализ этих данных может решать задачи по извлечению информации.

8.Экономика и банковское дело.

Широкое применение имеет теория риска. Теория риска есть теория принятия решений в условиях вероятностной неопределенности. С математической точки зрения она является разделом теории вероятностей, а приложения теории риска практически безграничны. Наиболее продвинута финансовая область приложений: банковское дело и страхование, управление рыночными и кредитными рисками, инвестициями, бизнес-рисками, телекоммуникациям. Развиваются и нефинансовые приложения, связанные с угрозами здоровью, окружающей среде , рисками аварий и экологических катастроф, и другими направлениями.

Мама мыла раму

Под занавес продолжительных летних каникул пришло время потихоньку возвращаться к высшей математике и торжественно открыть пустой вёрдовский файл, чтобы приступить к созданию нового раздела – . Признаюсь, нелегко даются первые строчки, но первый шаг – это пол пути, поэтому я предлагаю всем внимательно проштудировать вводную статью, после чего осваивать тему будет в 2 раза проще! Ничуть не преувеличиваю. …Накануне очередного 1 сентября вспоминается первый класс и букварь…. Буквы складываются в слоги, слоги в слова, слова в короткие предложения – Мама мыла раму. Совладать с тервером и математической статистикой так же просто, как научиться читать! Однако для этого необходимо знать ключевые термины, понятия и обозначения, а также некоторые специфические правила, которым и посвящён данный урок.

Но сначала примите мои поздравления с началом (продолжением, завершением, нужное отметить) учебного года и примите подарок. Лучший подарок – это книга, и для самостоятельной работы я рекомендую следующую литературу:

1) Гмурман В.Е. Теория вероятностей и математическая статистика

Легендарное учебное пособие , выдержавшее более десяти переизданий. Отличается доходчивостью и предельной простой изложения материала, а первые главы так и вовсе доступны, думаю, уже для учащихся 6-7-х классов.

2) Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике

Решебник того же Владимира Ефимовича с подробно разобранными примерами и задачами.

ОБЯЗАТЕЛЬНО закачайте обе книги из Интернета или раздобудьте их бумажные оригиналы! Подойдёт и версия 60-70-х годов, что даже лучше для чайников. Хотя фраза «теория вероятностей для чайников» звучит довольно нелепо, поскольку почти всё ограничивается элементарными арифметическими действиями . Проскакивают, правда, местами производные и интегралы , но это только местами.

Я постараюсь достичь той же ясности изложения, но должен предупредить, что мой курс ориентирован на решение задач и теоретические выкладки сведены к минимуму. Таким образом, если вам нужна развёрнутая теория, доказательства теорем (теорем-теорем!), пожалуйста, обратитесь к учебнику. Ну, а кто хочет научиться решать задачи по теории вероятностей и математической статистике в самые короткие сроки , следуйте за мной!

Для начала хватит =)

По мере прочтения статей целесообразно знакомиться (хотя бы бегло) с дополнительными задачами рассмотренных видов. На странице Готовые решения по высшей математике будут размещаться соответствующие pdf-ки с примерами решений. Также значительную помощь окажут ИДЗ 18.1 Рябушко (попроще) и прорешанные ИДЗ по сборнику Чудесенко (посложнее).

1) Суммой двух событий и называется событие которое состоит в том, что наступит или событие или событие или оба события одновременно. В том случае, если события несовместны , последний вариант отпадает, то есть может наступить или событие или событие .

Правило распространяется и на бОльшее количество слагаемых, например, событие состоит в том, что произойдёт хотя бы одно из событий , а если события несовместны – то одно и только одно событие из этой суммы: или событие , или событие , или событие , или событие , или событие .

Примеров масса:

События (при броске игральной кости не выпадет 5 очков) состоит в том, что выпадет или 1, или 2, или 3, или 4, или 6 очков.

Событие (выпадет не более двух очков) состоит в том, что появится 1 или 2 очка .

Событие (будет чётное число очков) состоит в том, что выпадет или 2 или 4 или 6 очков.

Событие заключается в том, что из колоды будет извлечена карта красной масти (черва или бубна), а событие – в том, что будет извлечена «картинка» (валет или дама или король или туз).

Чуть занятнее дело с совместными событиями:

Событие состоит в том, что из колоды будет извлечена трефа или семёрка или семёрка треф. Согласно данному выше определению, хотя бы что-то – или любая трефа или любая семёрка или их «пересечение» – семёрка треф. Легко подсчитать, что данному событию соответствует 12 элементарных исходов (9 трефовых карт + 3 оставшиеся семёрки).

Событие состоит в том, что завтра в 12.00 наступит ХОТЯ БЫ ОДНО из суммируемых совместных событий , а именно:

– или будет только дождь / только гроза / только солнце;
– или наступит только какая-нибудь пара событий (дождь + гроза / дождь + солнце / гроза + солнце);
– или все три события появятся одновременно.

То есть, событие включает в себя 7 возможных исходов.

Второй столп алгебры событий:

2) Произведением двух событий и называют событие , которое состоит в совместном появлении этих событий, иными словами, умножение означает, что при некоторых обстоятельствах наступит и событие , и событие . Аналогичное утверждение справедливо и для бОльшего количества событий, так, например, произведение подразумевает, что при определённых условиях произойдёт и событие , и событие , и событие , …, и событие .

Рассмотрим испытание, в котором подбрасываются две монеты и следующие события:

– на 1-й монете выпадет орёл;
– на 1-й монете выпадет решка;
– на 2-й монете выпадет орёл;
– на 2-й монете выпадет решка.

Тогда:
и на 2-й) выпадет орёл;
– событие состоит в том, что на обеих монетах (на 1-й и на 2-й) выпадет решка;
– событие состоит в том, что на 1-й монете выпадет орёл и на 2-й монете решка;
– событие состоит в том, что на 1-й монете выпадет решка и на 2-й монете орёл.

Нетрудно заметить, что события несовместны (т.к. не может, например, выпасть 2 орла и в то же самое время 2 решки) и образуют полную группу (поскольку учтены все возможные исходы броска двух монет) . Давайте просуммируем данные события: . Как интерпретировать эту запись? Очень просто – умножение означает логическую связку И , а сложение – ИЛИ . Таким образом, сумму легко прочитать понятным человеческим языком: «выпадут два орла или две решки или на 1-й монете выпадет орёл и на 2-й решка или на 1-й монете выпадет решка и на 2-й монете орёл »

Это был пример, когда в одном испытании задействовано несколько объектов, в данном случае – две монеты. Другая распространенная в практических задачах схема – это повторные испытания , когда, например, один и тот же игральный кубик бросается 3 раза подряд. В качестве демонстрации рассмотрим следующие события:

– в 1-м броске выпадет 4 очка;
– во 2-м броске выпадет 5 очков;
– в 3-м броске выпадет 6 очков.

Тогда событие состоит в том, что в 1-м броске выпадет 4 очка и во 2-м броске выпадет 5 очков и в 3-м броске выпадет 6 очков. Очевидно, что в случае с кубиком будет значительно больше комбинаций (исходов), чем, если бы мы подбрасывали монету.

…Понимаю, что, возможно, разбираются не очень интересные примеры, но это часто встречающиеся в задачах вещи и от них никуда не деться. Помимо монетки, кубика и колоды карт вас поджидают урны с разноцветными шарами, несколько анонимов, стреляющих по мишени, и неутомимый рабочий, который постоянно вытачивает какие-то детали =)

Вероятность события

Вероятность события – это центральное понятие теории вероятностей. …Убийственно логичная вещь, но с чего-то надо было начинать =) Существует несколько подходов к её определению:

;
Геометрическое определение вероятности ;
Статистическое определение вероятности .

В данной статье я остановлюсь на классическом определении вероятностей, которое находит наиболее широкое применение в учебных заданиях.

Обозначения . Вероятность некоторого события обозначается большой латинской буквой , а само событие берётся в скобки, выступая в роли своеобразного аргумента. Например:

Также для обозначения вероятности широко используется маленькая буква . В частности, можно отказаться от громоздких обозначений событий и их вероятностей в пользу следующей стилистики::

– вероятность того, что в результате броска монеты выпадет «орёл»;
– вероятность того, что в результате броска игральной кости выпадет 5 очков;
– вероятность того, что из колоды будет извлечена карта трефовой масти.

Данный вариант популярен при решении практических задач, поскольку позволяет заметно сократить запись решения. Как и в первом случае, здесь удобно использовать «говорящие» подстрочные/надстрочные индексы.

Все уже давно догадались о числах, которые я только что записал выше, и сейчас мы узнаем, как они получились:

Классическое определение вероятности :

Вероятностью наступления события в некотором испытании называют отношение , где:

– общее число всех равновозможных , элементарных исходов этого испытания, которые образуют полную группу событий ;

– количество элементарных исходов, благоприятствующих событию .

При броске монеты может выпасть либо орёл, либо решка – данные события образуют полную группу , таким образом, общее число исходов ; при этом, каждый из них элементарен и равновозможен . Событию благоприятствует исход (выпадение орла). По классическому определению вероятностей: .

Аналогично – в результате броска кубика может появиться элементарных равновозможных исходов, образующих полную группу, а событию благоприятствует единственный исход (выпадение пятёрки). Поэтому: .ЭТОГО ДЕЛАТЬ НЕ ПРИНЯТО (хотя не возбраняется прикидывать проценты в уме).

Принято использовать доли единицы , и, очевидно, что вероятность может изменяться в пределах . При этом если , то событие является невозможным , если – достоверным , а если , то речь идёт о случайном событии.

! Если в ходе решения любой задачи у вас получилось какое-то другое значение вероятности – ищите ошибку!

При классическом подходе к определению вероятности крайние значения (ноль и единица) получаются посредством точно таких же рассуждений. Пусть из некой урны, в которой находятся 10 красных шаров, наугад извлекается 1 шар. Рассмотрим следующие события:

в единичном испытании маловозможное событие не произойдёт .

Именно поэтому Вы не сорвёте в лотерее Джек-пот, если вероятность этого события, скажем, равна 0,00000001. Да-да, именно Вы – с единственным билетом в каком-то конкретном тираже. Впрочем, бОльшее количество билетов и бОльшее количество розыгрышей Вам особо не помогут. ...Когда я рассказываю об этом окружающим, то почти всегда в ответ слышу: «но ведь кто-то выигрывает». Хорошо, тогда давайте проведём следующий эксперимент: пожалуйста, сегодня или завтра купите билет любой лотереи (не откладывайте!). И если выиграете... ну, хотя бы больше 10 килорублей, обязательно отпишитесь – я объясню, почему это произошло. За процент, разумеется =) =)

Но грустить не нужно, потому что есть противоположный принцип: если вероятность некоторого события очень близка к единице, то в отдельно взятом испытании оно практически достоверно произойдёт. Поэтому перед прыжком с парашютом не надо бояться, наоборот – улыбайтесь! Ведь должны сложиться совершенно немыслимые и фантастические обстоятельства, чтобы отказали оба парашюта.

Хотя всё это лирика, поскольку в зависимости от содержания события первый принцип может оказаться весёлым, а второй – грустным; или вообще оба параллельными.

Пожалуй, пока достаточно, на уроке Задачи на классическое определение вероятности мы выжмем максимум из формулы . В заключительной же части этой статьи рассмотрим одну важную теорему:

Сумма вероятностей событий, которые образуют полную группу, равна единице . Грубо говоря, если события образуют полную группу, то со 100%-й вероятностью какое-то из них произойдёт. В самом простом случае полную группу образуют противоположные события, например:

– в результате броска монеты выпадет орёл;
– в результате броска монеты выпадет решка.

По теореме:

Совершенно понятно, что данные события равновозможны и их вероятности одинаковы .

По причине равенства вероятностей равновозможные события часто называют равновероятными . А вот и скороговорка на определение степени опьянения получилась =)

Пример с кубиком: события противоположны, поэтому .

Рассматриваемая теорема удобна тем, что позволяет быстро найти вероятность противоположного события. Так, если известна вероятность того, что выпадет пятёрка, легко вычислить вероятность того, что она не выпадет:

Это гораздо проще, чем суммировать вероятности пяти элементарных исходов. Для элементарных исходов, к слову, данная теорема тоже справедлива:
. Например, если – вероятность того, что стрелок попадёт в цель, то – вероятность того, что он промахнётся.

! В теории вероятностей буквы и нежелательно использовать в каких-то других целях.

В честь Дня Знаний я не буду задавать домашнее задание =), но очень важно, чтобы вы могли ответить на следующие вопросы:

– Какие виды событий существуют?
– Что такое случайность и равновозможность события?
– Как вы понимаете термины совместность/несовместность событий?
– Что такое полная группа событий, противоположные события?
– Что означает сложение и умножение событий?
– В чём суть классического определения вероятности?
– Чем полезна теорема сложения вероятностей событий, образующих полную группу?

Нет, зубрить ничего не надо, это всего лишь азы теории вероятностей – своеобразный букварь, который довольно быстро уложится в голове. И чтобы это произошло как можно скорее, предлагаю ознакомиться с уроками

Предыстория теории вероятности.

Случай, случайность - с ними мы встречаемся повседневно: случайная встреча, случайная поломка, случайная находки, случайная ошибка. Этот ряд можно продолжать бесконечно. Казалось бы, тут нет места для математики, но и здесь наука обнаружила интересные закономерности - они позволяют человеку уверенно чувствовать себя при встрече со случайными событиями.
Теорию вероятностей можно определить как раздел математики, в котором изучаются закономерности присущие случайным событиям. Методы теории вероятностей широко применяются при математической обработке результатов измерений, а также во многих задачах экономики, статистики, страхового дела, массового обслуживания. Отсюда не трудно догадаться, что и в авиации теория вероятностей находит очень широкое применение.
Моя будущая диссертационная работа будет связана со спутниковой навигацией. Не только в спутниковой навигации, но и в традиционных средствах навигации, теория вероятностей получило очень широкое применение, потому что через вероятность количественно выражаются большинство эксплуатационно-технических характеристик радиотехнических средств.

Необходимость понятия вероятности и исследований в этом направлении была исторически связана с азартными играми, особенно с играми в кости. До появления понятия вероятности формулировались в основном комбинаторные задачи подсчета числа возможных исходов при бросании нескольких костей, а также задача раздела ставки между игроками, когда игра закончена досрочно. Первую задачу при бросании трех костей «решил» в 960 году епископ Виболд из г. Камбрэ. Он насчитал 56 вариантов. Однако это количество по сути не отражает количество равновероятных возможностей, поскольку каждый из 56 вариантов может реализоваться разным количеством способов. В первой половине 13 века эти аспекты учел Ришар де Форниваль. Несмотря на то, что у него тоже фигурирует число 56, но он в рассуждениях учитывает, что, например, «одинаковое количество очков на трех костях можно получить шестью способами». Основываясь на его рассуждениях уже можно установить, что число равновозможных вариантов - 216. В дальнейшем многие не совсем верно решали эту задачу. Впервые четко количество равновозможных исходов при подбрасывании трех костей подсчитал Галилео Галилей, возводя шестерку (количество вариантов выпадения одной кости) в степень 3 (количество костей): 6³=216. Он же составил таблицы количества способов получения различных сумм очков.

Задачи второго типа в конце 15 века сформулировал и предложил первое (вообще говоря ошибочное) решение Лука Пачоли. Его решение заключалось в делении ставки пропорционально уже выигранным партиям. Существенное дальнейшее продвижение в начале 16 века связано с именами итальянских ученых Джероламо Кардано и Н. Тарталья. Кардано дал правильный подсчет количества случаев при бросании двух костей (36). Он также впервые соотнес количество случаев выпадения некоторого числа хотя бы на одной кости (11) к общему числу исходов (что соответствует классическому определению вероятности) - 11/36. Аналогично и для трех костей он рассматривал, например, что девять очков может получиться количеством способов, равным 1/9 «всей серии» (то есть общего количества равновозможных исходов - 216). Кардано формально не вводил понятие вероятности, но по существу рассматривал относительное количество исходов, что по сути эквивалентно рассмотрению вероятностей. Необходимо также отметить, что в зачаточном состоянии у Кардано можно найти также идеи, связанные с законом больших чисел. По поводу задачи деления ставки Кардано предлагал учитывать количество оставшихся партий, которые надо выиграть. Н. Тарталья также сделал замечания по поводу решения Луки и предложил свое решение (вообще говоря, тоже ошибочное).

Заслуга Галилея также заключается в расширении области исследований на область ошибок наблюдений. Он впервые указал на неизбежность ошибок и классифицировал их на систематические и случайные (такая классификация применяется и сейчас).

Возникновение теории вероятности как науки.

Теория вероятностей - раздел математики, изучающий закономерности случайных явлений: случайные события, случайные величины, их свойства и операции над ними.

Возникновение теории вероятностей как науки относят к средним векам и первым попыткам математического анализа азартных игр (орлянка, кости, рулетка). Первоначально её основные понятия не имели строго математического вида, к ним можно было относиться как к некоторым эмпирическим фактам, как к свойствам реальных событий , и они формулировались в наглядных представлениях. Самые ранние работы учёных в области теории вероятностей относятся к XVII веку . Исследуя прогнозирование выигрыша в азартных играх, Блез Паскаль и Пьер Ферма открыли первые вероятностные закономерности, возникающие при бросании костей. Под влиянием поднятых и рассматриваемых ими вопросов решением тех же задач занимался и Христиан Гюйгенс. При этом с перепиской Паскаля и Ферма он знаком не был, поэтому методику решения изобрёл самостоятельно. Его работа, в которой вводятся основные понятия теории вероятностей (понятие вероятности как величины шанса; математическое ожидание для дискретных случаев, в виде цены шанса), а также используются теоремы сложения и умножения вероятностей (не сформулированные явно), вышла в печатном виде на двадцать лет раньше (1657 год) издания писем Паскаля и Ферма (1679 год).

Важный вклад в теорию вероятностей внёс Якоб Бернулли: он дал доказательство закона больших чисел в простейшем случае независимых испытаний . В первой половине XIX века теория вероятностей начинает применяться к анализу ошибок наблюдений; Лаплас и Пуассон доказали первые предельные теоремы. Во второй половине XIX века основной вклад внесли русские учёные П. Л. Чебышёв, А. А. Марков и А. М. Ляпунов. В это время были доказаны закон больших чисел, центральная предельная теорема, а также разработана теория цепей Маркова. Современный вид теория вероятностей получила благодаря аксиоматизации, предложенной Андреем Николаевичем Колмогоровым. В результате теория вероятностей приобрела строгий математический вид и окончательно стала восприниматься как один из разделов математики.

Теория вероятностей возникла в середине XVII века. Первые работы по теории вероятностей, принадлежащие французским учёным Б. Паскалю и П. Ферма и голландскому учёному X. Гюйгенсу, появились в связи с подсчётом различных вероятностей в азартных играх. Крупный успех теории вероятностей связан с именем швейцарского математика Я. Бернулли, установившего закон больших чисел для схемы независимых испытаний с двумя исходами.

Следующий (второй) период истории теории вероятностей (XVIII в. и начало ХIХ в.) связан с именами А. Муавра (Англия), П. Лапласа (Франция), К. Гаусса (Германия) и С. Пуассона (Франция). Это - период, когда теория вероятностей уже находит ряд весьма актуальных применений в естествознании и технике (главным образом в теории ошибок наблюдений, развившейся в связи с потребностями геодезии и астрономии, и в теории стрельбы).

Третий период истории теории вероятностей, (вторая половина XIX в.) связан в основном с именами русских математиков П. Л. Чебышева, А. М. Ляпунова и А. А. Маркова (старшего). Теория вероятностей развивалась в России и раньше (в XVIII в. ряд трудов по теории вероятности был написан работавшими в России Л. Эйлером, Н. Бернулли и Д. Бернулли; во второй период развития теории вероятностей следует отметить работы М. В. Остроградского по вопросам теории вероятностей,связанным с математической статистикой, и В. Я. Буняковского по применениям теории вероятностей к страховому делу, статистике и демографии).

Теория вероятностей - математическая наука , позволяющая по вероятностям одних случайных событий находить вероятности других случайных событий, связанных каким-либо образом с первыми. Утверждение о том, что какое-либо событие наступает с вероятностью, равной, например, ½, ещё не представляет само по себе окончательной ценности, так как мы стремимся к достоверному знанию. Окончательную познавательную ценность имеют те результаты теории вероятностей, которые позволяют утверждать, что вероятность наступления какого-либо события А весьма близка к единице или (что то же самое) вероятность не наступления события А весьма мала. В соответствии с принципом "пренебрежения достаточно малыми вероятностями" такое событие справедливо считают практически достоверным. Поэтому можно также сказать, что теория вероятностей есть математическая наука, выясняющая закономерности, которые возникают при взаимодействии большого числа случайных факторов.

Наиболее распространённая в настоящее время логическая схема построения основ теории вероятностей разработана в 1933 советским математиком А. Н. Колмогоровым.

В 20-х гг. ХХ в. было обнаружено, что даже в схеме последовательности одинаково распределённых и независимых случайных величин могут вполне естественным образом возникать предельные распределения, отличные от нормального.

В Западной Европе во 2-й половине ХIX в. получили большое развитие работы по математической статистике (в Бельгии - А. Кетле, в Англии - Ф. Гальтон) и статистической физике (в Австрии - Л. Больцман), которые наряду с основными теоретическими работами Чебышева, Ляпунова и Маркова создали основу для существенного расширения проблематики теории вероятностей в четвёртом (современном) периоде её развития. Этот период истории теории вероятностей характеризуется чрезвычайным расширением круга её применений, созданием нескольких систем безукоризненно строгого математического обоснования теории вероятностей, новых мощных методов, требующих иногда применения (помимо классического анализа) средств теории множеств, теории функций действительного переменного и функционального анализа . В этот период при очень большом усилении работы по теории вероятностей за рубежом (во Франции - Э. Борель, П. Леви, М. Фреше, в Германии - Р. Мизес, в США - Н. Винер, В. Феллер, Дж. Дуб, в Швеции - Г. Крамер) современная наука продолжает занимать значительное, а в ряде направлений и ведущее положение. В нашей стране новый период развития теории вероятностей открывается деятельностью С.Н. Бернштейна, значительно обобщившего классические предельные теоремы Чебышева, Ляпунова и Маркова и впервые в России широко поставившего работу по применениям теории вероятностей к естествознанию им математической статистике.

Теория вероятностей, подобно другим разделам математики, развилась из потребностей практики: в абстрактной форме она отражает закономерности, присущие случайным событиям массового характера. Эти закономерности играют исключительно важную роль в физике и других областях естествознания, разнообразнейших технических дисциплинах, экономике, социологии, биологии. В связи с широким развитием предприятий, производящих массовую продукцию, результаты теории вероятностей стали использоваться не только для браковки уже изготовленной продукции, но и для организации самого процесса производства (статистический контроль в производстве).

Некоторые программисты после работы в области разработки обычных коммерческих приложений задумываются о том, чтобы освоить машинное обучение и стать аналитиком данных. Часто они не понимают, почему те или иные методы работают, и большинство методов машинного обучения кажутся магией. На самом деле, машинное обучение базируется на математической статистике, а та, в свою очередь, основана на теории вероятностей. Поэтому в этой статье мы уделим внимание базовым понятиям теории вероятностей: затронем определения вероятности, распределения и разберем несколько простых примеров.

Возможно, вам известно, что теория вероятностей условно делится на 2 части. Дискретная теория вероятностей изучает явления, которые можно описать распределением с конечным (или счетным) количеством возможных вариантов поведения (бросания игральных костей, монеток). Непрерывная теория вероятностей изучает явления, распределенные на каком-то плотном множестве, например на отрезке или в круге.

Можно рассмотреть предмет теории вероятностей на простом примере. Представьте себя разработчиком шутера. Неотъемлемой частью разработки игр этого жанра является механика стрельбы. Ясно, что шутер в котором всё оружие стреляет абсолютно точно, будет малоинтересен игрокам. Поэтому, обязательно нужно добавлять оружию разброс. Но простая рандомизация точек попадания оружия не позволит сделать его тонкую настройку, поэтому, корректировка игрового баланса будет сложна. В то же время, используя случайные величины и их распределения можно проанализировать то, как будет работать оружие с заданным разбросом, и поможет внести необходимые корректировки.

Пространство элементарных исходов

Допустим, из некоторого случайного эксперимента, который мы можем многократно повторять (например, бросание монеты), мы можем извлечь некоторую формализуемую информацию (выпал орел или решка). Эта информация называется элементарным исходом, при этом целесообразно рассматривать множество всех элементарных исходов, часто обозначаемое буквой Ω (Омега).

Структура этого пространства целиком зависит от природы эксперимента. Например, если рассматривать стрельбу по достаточно большой круговой мишени, - пространством элементарных исходов будет круг, для удобства размещенный с центром в нуле, а исходом - точка в этом круге.

Кроме того, рассматривают множества элементарных исходов - события (например, попадание в «десятку» - это концентрический круг маленького радиуса с мишенью). В дискретном случае всё достаточно просто: мы можем получить любое событие, включая или исключая элементарные исходы за конечное время. В непрерывном же случае всё гораздо сложнее: нам понадобится некоторое достаточно хорошее семейство множеств для рассмотрения, называемое алгеброй по аналогии с простыми вещественными числами, которые можно складывать, вычитать, делить и умножать. Множества в алгебре можно пересекать и объединять, при этом результат операции будет находиться в алгебре. Это очень важное свойство для математики, которая лежит за всеми этими понятиями. Минимальное семейство состоит всего из двух множеств - из пустого множества и пространства элементарных исходов.

Мера и вероятность

Вероятность - это способ делать выводы о поведении очень сложных объектов, не вникая в принцип их работы. Таким образом, вероятность определяется как функция от события (из того самого хорошего семейства множеств), которая возвращает число - некоторую характеристику того, насколько часто может происходить такое событие в реальности. Для определённости математики условились, что это число должно лежать между нулем и единицей. Кроме того, к этой функции предъявляются требования: вероятность невозможного события нулевая, вероятность всего множества исходов единичная, и вероятность объединения двух независимых событий (непересекающихся множеств) равна сумме вероятностей. Другое название вероятности - вероятностная мера. Чаще всего используется Лебегова мера , обобщающая понятия длина, площадь, объём на любые размерности (n -мерный объем), и таким образом она применима для широкого класса множеств.

Вместе совокупность множества элементарных исходов, семейства множеств и вероятностной меры называется вероятностным пространством . Рассмотрим, каким образом можно построить вероятностное пространство для примера со стрельбой в мишень.

Рассмотрим стрельбу в большую круглую мишень радиуса R , в которую невозможно промахнуться. Множеством элементарных событий положим круг с центром в начале координат радиуса R . Поскольку мы собираемся использовать площадь (меру Лебега для двумерных множеств) для описания вероятности события, то будем использовать семейство измеримых (для которых эта мера существует) множеств.

Примечание На самом деле, это технический момент и в простых задачах процесс определения меры и семейства множеств не играет особой роли. Но понимать, что эти два объекта существуют, необходимо, ведь во многих книгах по теории вероятности теоремы начинаются со слов: « Пусть (Ω,Σ,P) - вероятностное пространство … ».

Как уже сказано выше, вероятность всего пространства элементарных исходов должна равняться единице. Площадь (двумерная мера Лебега, которую мы обозначим λ 2 (A) , где А — событие) круга по хорошо известной со школы формуле равна π *R 2 . Тогда мы можем ввести вероятность P(A) = λ 2 (A) / (π *R 2) , и эта величина уже будет лежать между 0 и 1 для любого события А.

Если предположить, что попадание в любую точку мишени равновероятно, поиск вероятности попадания стрелком в какую-то то область мишени сводится к поиску площади этого множества (отсюда можно сделать вывод, что вероятность попадания в конкретную точку нулевая, ведь площадь точки равна нулю).

Например, мы хотим узнать, какова вероятность того, что стрелок попадёт в «десятку» (событие A — стрелок попал в нужное множество). В нашей модели, «десятка» представляется кругом с центром в нуле и радиусом r. Тогда вероятность попадания в этот круг P(A) = λ 2 /(A)π *R 2 = π * r 2 /(π R 2)= (r/R) 2 .

Это одна из самых простых разновидностей задач на «геометрическую вероятность», - большинство таких задач требуют поиска площади.

Случайные величины

Случайная величина — функция, переводящая элементарные исходы в вещественные числа. К примеру, в рассмотренной задаче мы можем ввести случайную величину ρ(ω) — расстояние от точки попадания до центра мишени. Простота нашей модели позволяет явно задать пространство элементарных исходов: Ω = {ω = (x,y) такие числа, что x 2 +y 2 ≤ R 2 } . Тогда случайная величина ρ(ω) = ρ(x,y) = x 2 +y 2 .

Средства абстракции от вероятностного пространства. Функция распределения и плотность

Хорошо, когда структура пространства хорошо известна, но на самом деле так бывает далеко не всегда. Даже если структура пространства известна, она может быть сложна. Для описания случайных величин, если их выражение неизвестно, существует понятие функции распределения, которую обозначают F ξ (x) = P(ξ < x) (нижний индекс ξ здесь означает случайную величину). Т.е. это вероятность множества всех таких элементарных исходов, для которых значение случайной величины ξ на этом событии меньше, чем заданный параметр x .

Функция распределения обладает несколькими свойствами:

Во-первых, она находится между 0 и 1 .
Во-вторых, она не убывает, когда ее аргумент x растёт.
В третьих, когда число -x очень велико, функция распределения близка к 0 , а когда само х большое, функция распределения близка к 1 .

Вероятно, смысл этой конструкции при первом чтении не слишком понятен. Одно из полезных свойств — функция распределения позволяет искать вероятность того, что величина принимает значение из интервала. Итак, P (случайная величина ξ принимает значения из интервала ) = F ξ (b)-F ξ (a) . Исходя из этого равенства, можем исследовать, как изменяется эта величина, если границы a и b интервала близки.

Пусть d = b-a , тогда b = a+d . А следовательно, F ξ (b)-F ξ (a) = F ξ (a+d) - F ξ (a) . При малых значениях d , указанная выше разность так же мала (если распределение непрерывное). Имеет смысл рассматривать отношение p ξ (a,d)= (F ξ (a+d) - F ξ (a))/d . Если при достаточно малых значениях d это отношение мало отличается от некоторой константы p ξ (a) , не зависящей от d, то в этой точке случайная величина имеет плотность, равную p ξ (a) .

Примечание Читатели, которые ранее сталкивались понятием производной, могут заметить что p ξ (a) — производная функции F ξ (x) в точке a . Во всяком случае, можно изучить понятие производной в посвященной этой теме статье на сайте Mathprofi.

Теперь смысл функции распределения можно определить так: её производная (плотность p ξ , которую мы определили выше) в точке а описывает, насколько часто случайная величина будет попадать в небольшой интервал с центром в точке а (окрестность точки а) по сравнению с окрестностями других точек. Другими словами, чем быстрее растёт функция распределения, тем более вероятно появление такого значения при случайном эксперименте.

Вернемся к примеру. Мы можем вычислить функцию распределения для случайной величины, ρ(ω) = ρ(x,y) = x 2 +y 2 , которая обозначает расстояние от центра до точки случайного попадания в мишень. По определению F ρ (t) = P(ρ(x,y) < t) . т.е. множество {ρ(x,y) < t)} — состоит из таких точек (x,y) , расстояние от которых до нуля меньше, чем t . Мы уже считали вероятность такого события, когда вычисляли вероятность попадания в «десятку» - она равна t 2 /R 2 . Таким образом, Fρ(t) = P(ρ(x,y) < t) = t 2 /R 2 , для 0

Мы можем найти плотность p ρ этой случайной величины. Сразу заметим, что вне интервала она нулевая, т.к. функция распределения на этом промежутке неизменна. На концах этого интервала плотность не определена. Внутри интервала её можно найти, используя таблицу производных (например из на сайте Mathprofi) и элементарные правила дифференцирования. Производная от t 2 /R 2 равна 2t/R 2 . Значит, плотность мы нашли на всей оси вещественных чисел.

Ещё одно полезное свойство плотности — вероятность того, что функция принимает значение из промежутка, вычисляется при помощи интеграла от плотности по этому промежутку (ознакомиться с тем, что это такое, можно в статьях о собственном , несобственном , неопределенном интегралах на сайте Mathprofi).

При первом чтении, интеграл по промежутку от функции f(x) можно представлять себе как площадь криволинейной трапеции. Ее сторонами являются фрагмент оси Ох, промежуток (горизонтальной оси координат), вертикальные отрезки, соединяющие точки (a,f(a)), (b,f(b)) на кривой с точками (a,0), (b,0) на оси Ох. Последней стороной является фрагмент графика функции f от (a,f(a)) до (b,f(b)) . Можно говорить об интеграле по промежутку (-∞; b] , когда для достаточно больших отрицательных значений, a значение интеграла по промежутку будет меняться пренебрежимо мало по сравнению с изменением числа a. Аналогичным образом определяется и интеграл по промежуткам }

просмотров