Повторные независимые испытания схема и формула бернулли. Независимые повторные испытания и формула бернулли

Не будем долго размышлять о высоком — начнем сразу с определения.

Схема Бернулли — это когда производится n однотипных независимых опытов, в каждом из которых может появиться интересующее нас событие A , причем известна вероятность этого события P (A ) = p. Требуется определить вероятность того, что при проведении n испытаний событие A появится ровно k раз.

Задачи, которые решаются по схеме Бернулли, чрезвычайно разнообразны: от простеньких (типа «найдите вероятность, что стрелок попадет 1 раз из 10») до весьма суровых (например, задачи на проценты или игральные карты). В реальности эта схема часто применяется для решения задач, связанных с контролем качества продукции и надежности различных механизмов, все характеристики которых должны быть известны до начала работы.

Вернемся к определению. Поскольку речь идет о независимых испытаниях, и в каждом опыте вероятность события A одинакова, возможны лишь два исхода:

A — появление события A с вероятностью p;
«не А» — событие А не появилось, что происходит с вероятностью q = 1 − p.

Важнейшее условие, без которого схема Бернулли теряет смысл — это постоянство. Сколько бы опытов мы ни проводили, нас интересует одно и то же событие A , которое возникает с одной и той же вероятностью p.

Между прочим, далеко не все задачи в теории вероятностей сводятся к постоянным условиям. Об этом вам расскажет любой грамотный репетитор по высшей математике. Даже такое нехитрое дело, как вынимание разноцветных шаров из ящика, не является опытом с постоянными условиями. Вынули очередной шар — соотношение цветов в ящике изменилось. Следовательно, изменились и вероятности.

Если же условия постоянны, можно точно определить вероятность того, что событие A произойдет ровно k раз из n возможных. Сформулируем этот факт в виде теоремы:

Теорема Бернулли. Пусть вероятность появления события A в каждом опыте постоянна и равна р. Тогда вероятность того, что в n независимых испытаниях событие A появится ровно k раз, рассчитывается по формуле:

где C n k — число сочетаний, q = 1 − p.

Эта формула так и называется: формула Бернулли. Интересно заметить, что задачи, приведенные ниже, вполне решаются без использования этой формулы. Например, можно применить формулы сложения вероятностей. Однако объем вычислений будет просто нереальным.

Задача. Вероятность выпуска бракованного изделия на станке равна 0,2. Определить вероятность того, что в партии из десяти выпущенных на данном станке деталей ровно k будут без брака. Решить задачу для k = 0, 1, 10.

По условию, нас интересует событие A выпуска изделий без брака, которое случается каждый раз с вероятностью p = 1 − 0,2 = 0,8. Нужно определить вероятность того, что это событие произойдет k раз. Событию A противопоставляется событие «не A », т.е. выпуск бракованного изделия.

Таким образом, имеем: n = 10; p = 0,8; q = 0,2.

Итак, находим вероятность того, что в партии все детали бракованные (k = 0), что только одна деталь без брака (k = 1), и что бракованных деталей нет вообще (k = 10):

Задача. Монету бросают 6 раз. Выпадение герба и решки равновероятно. Найти вероятность того, что:

герб выпадет три раза;

герб выпадет один раз;

герб выпадет не менее двух раз.

Итак, нас интересует событие A , когда выпадает герб. Вероятность этого события равна p = 0,5. Событию A противопоставляется событие «не A », когда выпадает решка, что случается с вероятностью q = 1 − 0,5 = 0,5. Нужно определить вероятность того, что герб выпадет k раз.

Таким образом, имеем: n = 6; p = 0,5; q = 0,5.

Определим вероятность того, что герб выпал три раза, т.е. k = 3:

Теперь определим вероятность того, что герб выпал только один раз, т.е. k = 1:

Осталось определить, с какой вероятностью герб выпадет не менее двух раз. Основная загвоздка — во фразе «не менее». Получается, что нас устроит любое k , кроме 0 и 1, т.е. надо найти значение суммы X = P 6 (2) + P 6 (3) + ... + P 6 (6).

Заметим, что эта сумма также равна (1 − P 6 (0) − P 6 (1)), т.е. достаточно из всех возможных вариантов «вырезать» те, когда герб выпал 1 раз (k = 1) или не выпал вообще (k = 0). Поскольку P 6 (1) нам уже известно, осталось найти P 6 (0):

Задача. Вероятность того, что телевизор имеет скрытые дефекты, равна 0,2. На склад поступило 20 телевизоров. Какое событие вероятнее: что в этой партии имеется два телевизора со скрытыми дефектами или три?

Интересующее событие A — наличие скрытого дефекта. Всего телевизоров n = 20, вероятность скрытого дефекта p = 0,2. Соответственно, вероятность получить телевизор без скрытого дефекта равна q = 1 − 0,2 = 0,8.

Получаем стартовые условия для схемы Бернулли: n = 20; p = 0,2; q = 0,8.

Найдем вероятность получить два «дефектных» телевизора (k = 2) и три (k = 3):

\[\begin{array}{l}{P_{20}}\left(2 \right) = C_{20}^2{p^2}{q^{18}} = \frac{{20!}}{{2!18!}} \cdot {0,2^2} \cdot {0,8^{18}} \approx 0,137\\{P_{20}}\left(3 \right) = C_{20}^3{p^3}{q^{17}} = \frac{{20!}}{{3!17!}} \cdot {0,2^3} \cdot {0,8^{17}} \approx 0,41\end{array}\]

Очевидно, P 20 (3) > P 20 (2), т.е. вероятность получить три телевизора со скрытыми дефектами больше вероятности получить только два таких телевизора. Причем, разница неслабая.

Небольшое замечание по поводу факториалов. Многие испытывают смутное ощущение дискомфорта, когда видят запись «0!» (читается «ноль факториал»). Так вот, 0! = 1 по определению.

P . S . А самая большая вероятность в последней задаче — это получить четыре телевизора со скрытыми дефектами. Подсчитайте сами — и убедитесь.

Пусть производится независимых испытаний, в каждом из которых вероятность появления событияА равна р . Другими словами, пусть имеет место схема Бернулли. Можно ли предвидеть какова будет примерно относительная частота появлений события? Положительный ответ на этот вопрос даёт теорема, доказанная Я.Бернулли 1 , которая получила название «закона больших чисел» и положила начало теории вероятностей как науки 2 .

ТЕОРЕМА Бернулли : Если в каждом из независимых испытаний, проводимых в одинаковых условиях, вероятностьр появления события А постоянна, то относительная частота появления события А сходится по вероятности к вероятности р – появления данного события в отдельном опыте, то есть

Доказательство . Итак, имеет место схема Бернулли,
. Обозначим через
дискретную случайную величину – число появлений событияА в -ом испытании. Ясно, что каждая из случайных величин может принимать лишь два значения:1 (событие А наступило) с вероятностью р и 0 (событие А не наступило) с вероятностью
, то есть

( )
Р	р

Нетрудно найти

Можно ли применить к рассматриваемым величинам теорему Чебышева? Можно, если случайные величины попарно независимы и дисперсии их равномерно ограничены. Оба условия выполняются. Действительно, попарная независимость величин
следует из того, что испытания независимы. Далее 3
при
и, следовательно, дисперсии всех величин ограничены, например числом
. Кроме того, заметим, что каждая из случайных величин
при появлении событияА в соответствующем испытании принимает значение, равное единице. Следовательно, сумма
равна числу
- появлений событияА в испытаниях, а значит

то есть дробь
равна относительной частотепоявлений события А в испытаниях.

Тогда, применяя теорему Чебышева к рассматриваемым величинам, получим:

что и требовалось доказать.

Замечание 1 : Теорема Бернулли является простейшим частным случаем теоремы Чебышева.

Замечание 2 : На практике часто неизвестные вероятности приходится приближённо определять из опыта, то для проверки согласия теоремы Бернулли с опытом было проведено большое число опытов. Так, например, французский естествоиспытатель XVIII века Бюффон бросил монету 4040 раз. Герб выпал при этом 2048 раз. Частота появления герба в опыте Бюффона приближённо равна 0,507. Английский статистик К.Пирсон бросал монету 12 000 раз и при этом наблюдал 6019 выпадений герба. Частота выпадения герба в этом опыте Пирсона равна 0,5016. В другой раз он бросил монету 24 000 раз, и герб при этом выпал 12 012 раз; частота выпадения герба при этом оказалась равной 0,5005. Как видим, во всех приведённых опытах частота лишь немного уклонилась от вероятности 0,5 – появления герба в результате одного бросания монеты.

Замечание 3 : Было бы неправильным на основании теоремы Бернулли сделать вывод, что с ростом числа испытаний относительная частота неуклонно стремится к вероятности р ; другими словами, из теоремы Бернулли не вытекает равенство
. В теоремеречь идёт лишь о вероятности того, что при достаточно большом числе испытаний относительная частота будет как угодно мало отличаться от постоянной вероятности появления события в каждом испытании. Таким образом, сходимость относительной частоты к вероятности р отличается от сходимости в смысле обычного анализа. Для того чтобы подчеркнуть это различие, вводят понятие «сходимости по вероятности» . Точнее, различие между указанными видами сходимости состоит в следующем: если стремится при
кр как пределу в смысле обычного анализа , то, начиная с некоторого
и для всех последующих значений, неуклонно выполняется неравенство
;если же стремится по вероятности к р при
, то для отдельных значенийнеравенство может и не выполняться.

Теоремы Пуассона и Маркова

Замечено, если условия опыта меняются , то свойство устойчивости относительной частоты появления события А сохраняется. Это обстоятельство доказано Пуассоном.

ТЕОРЕМА Пуассона : При неограниченном увеличении числа независимых испытаний, проводимых в переменных условиях, относительная частота появления события А сходится по вероятности к среднему арифметическому вероятностей появления данного события в каждом из опытов, то есть

Замечание 4 : Нетрудно убедиться, что теорема Пуассона является частным случаем теоремы Чебышева.

ТЕОРЕМА Маркова : Если последовательность случайных величин
(как угодно зависимых) такова, что при

то,
выполняется условие:
.

Замечание 5 : Очевидно, если случайные величин
попарно независимы, то условие Маркова принимает вид: при

Отсюда видно, что теорема Чебышева является частным случаем теоремы Маркова.

Центральная предельная теорема (Теорема Ляпунова)

Рассмотренные теоремы закона больших чисел касаются вопросов приближения некоторых случайных величин к определённым предельным значениям независимо от их закона распределения. В теории вероятностей, как уже отмечалось, существует другая группа теорем, касающихся предельных законов распределения суммы случайных величин. Общее название этой группы теорем – центральная предельная терема . Различные её формы различаются условиями, накладываемыми на сумму составляющих случайных величин. Впервые одна из форм центральной предельной теоремы была доказана выдающимся русским математиком А.М.Ляпуновым в 1900 году с использованием специально разработанного им метода характеристических функций.

ТЕОРЕМА Ляпунова : Закон распределения суммы независимых случайных величин
приближается к нормальному закону распределения при неограниченном увеличении(то есть, при
), если выполняются следующие условия:

Следует отметить, что центральная предельная теорема справедлива не только для непрерывных, но и для дискретных случайных величин. Практическое значение теоремы Ляпунова огромно. Опыт показывает, что закон распределения суммы независимых случайных величин, сравнимых по своему рассеиванию, достаточно быстро приближается к нормальному. Уже при числе слагаемых порядка десяти закон распределения суммы можно заменить на нормальный (в частности, примером такой суммы может быть среднее арифметическое наблюдаемых значений случайных величин, то есть
).

Частным случаем центральной предельной теоремы является теорема Лапласа. В ней, как вы помните, рассматривается случай, когда случайные величины
дискретны, одинаково распределены и принимают только два возможных значения: 0 и 1.

Далее, вероятность того, что заключено в интервале
можно вычислить по формуле

Используя функцию Лапласа, последнюю формулу можно записать в удобном для расчётов виде:

где
.

ПРИМЕР . Пусть производится измерение некоторой физической величины. Любое измерение даёт лишь приближённое значение измеряемой величины, так как на результат измерения оказывают влияние очень многие независимые случайные факторы (температура, колебания прибора, влажность и др.). Каждый из этих факторов порождает ничтожную «частную ошибку». Однако, поскольку число этих факторов очень велико, совокупное их действие порождает уже заметную «суммарную ошибку».

Рассматривая суммарную ошибку как сумму очень большого числа взаимно независимых частных ошибок, мы вправе заключить, что суммарная ошибка имеет распределение, близкое к нормальному. Опыт подтверждает справедливость такого заключения.

2 Доказательство, предложенное Я.Бернулли, было сложным; более простое доказательство было дано П.Чебышевым в 1846 году.

3 Известно, что произведение двух сомножителей, сумма которых есть величина постоянная, имеет наибольшее значение при равенстве сомножителей.

Определение повторных независимых испытаний. Формулы Бернулли для вычисления вероятности и наивероятнейшего числа. Асимптотические формулы для формулы Бернулли (локальная и интегральная, теоремы Лапласа). Использование интегральной теоремы. Формула Пуассона, для маловероятных случайных событий.

Повторные независимые испытания

На практике приходится сталкиваться с такими задачами, которые можно представить в виде многократно повторяющихся испытаний, в результате каждого из которых может появиться или не появиться событие A . При этом интерес представляет исход не каждого "отдельного испытания, а общее количество появлений события A в результате определенного количества испытаний. В подобных задачах нужно уметь определять вероятность любого числа m появлений события A в результате n испытаний. Рассмотрим случай, когда испытания являются независимыми и вероятность появления события A в каждом испытании постоянна. Такие испытания называются повторными независимыми.

Примером независимых испытаний может служить проверка на годность изделий, взятых по одному из ряда партий. Если в этих партиях процент брака одинаков, то вероятность того, что отобранное изделие будет бракованным, в каждом случае является постоянным числом.

Формула Бернулли

Воспользуемся понятием сложного события , под которым подразумевается совмещение нескольких элементарных событий, состоящих в появлении или непоявлении события A в i –м испытании. Пусть проводится n независимых испытаний, в каждом из которых событие A может либо появиться с вероятностью p , либо не появиться с вероятностью q=1-p . Рассмотрим событие B_m , состоящее в том, что событие A в этих n испытаниях наступит ровно m раз и, следовательно, не наступит ровно (n-m) раз. Обозначим A_i~(i=1,2,\ldots,{n}) появление события A , a \overline{A}_i - непоявление события A в i –м испытании. В силу постоянства условий испытания имеем

Событие A может появиться m раз в разных последовательностях или комбинациях, чередуясь с противоположным событием \overline{A} . Число возможных комбинаций такого рода равно числу сочетаний из n элементов по m , т. е. C_n^m . Следовательно, событие B_m можно представить в виде суммы сложных несовместных между собой событий, причем число слагаемых равно C_n^m :

B_m=A_1A_2\cdots{A_m}\overline{A}_{m+1}\cdots\overline{A}_n+\cdots+\overline{A}_1\overline{A}_2\cdots\overline{A}_{n-m}A_{n-m+1}\cdots{A_n},

где в каждое произведение событие A входит m раз, а \overline{A} - (n-m) раз.

Вероятность каждого сложного события, входящего в формулу (3.1), по теореме умножения вероятностей для независимых событий равна p^{m}q^{n-m} . Так как общее количество таких событий равно C_n^m , то, используя теорему сложения вероятностей для несовместных событий, получаем вероятность события B_m (обозначим ее P_{m,n} )

P_{m,n}=C_n^mp^{m}q^{n-m}\quad \text{or}\quad P_{m,n}=\frac{n!}{m!(n-m)!}p^{m}q^{n-m}.

Формулу (3.2) называют формулой Бернулли , а повторяющиеся испытания, удовлетворяющие условию независимости и постоянства вероятностей появления в каждом из них события A , называют испытаниями Бернулли , или схемой Бернулли .

Пример 1. Вероятность выхода за границы поля допуска при обработке деталей на токарном станке равна 0,07. Определить вероятность того, что из пяти наудачу отобранных в течение смены деталей у одной размеры диаметра не соответствуют заданному допуску.

Решение. Условие задачи удовлетворяет требования схемы Бернулли. Поэтому, полагая n=5,\,m=1,\,p=0,\!07 , по формуле (3.2) получаем

P_{1,5}=C_5^1(0,\!07)^{1}(0,\!93)^{5-1}\approx0,\!262.

Пример 2. Наблюдениями установлено, что в некоторой местности в сентябре бывает 12 дождливых дней. Какова вероятность того, что из случайно взятых в этом месяце 8 дней 3 дня окажутся дождливыми?

Решение.

P_{3;8}=C_8^3{\left(\frac{12}{30}\right)\!}^3{\left(1-\frac{12}{30}\right)\!}^{8-3}=\frac{8!}{3!(8-3)!}{\left(\frac{2}{5}\right)\!}^3{\left(\frac{3}{5}\right)\!}^5=56\cdot\frac{8}{125}\cdot\frac{243}{3125}=\frac{108\,864}{390\,625}\approx0,\!2787.

Наивероятнейшее число появлений события

Наивероятнейшим числом появления события A в n независимых испытаниях называется такое число m_0 , для которого вероятность, соответствующая этому числу, превышает или, по крайней мере, не меньше вероятности каждого из остальных возможных чисел появления события A . Для определения наивероятнейшего числа не обязательно вычислять вероятности возможных чисел появлений события, достаточно знать число испытаний n и вероятность появления события A в отдельном испытании. Обозначим P_{m_0,n} вероятность, соответствующую наивероятнейшему числу m_0 . Используя формулу (3.2), записываем

P_{m_0,n}=C_n^{m_0}p^{m_0}q^{n-m_0}=\frac{n!}{m_0!(n-m_0)!}p^{m_0}q^{n-m_0}.

Согласно определению наивероятнейшего числа, вероятности наступления события A соответственно m_0+1 и m_0-1 раз должны, по крайней мере, не превышать вероятность P_{m_0,n} , т. е.

P_{m_0,n}\geqslant{P_{m_0+1,n}};\quad P_{m_0,n}\geqslant{P_{m_0-1,n}}

Подставляя в неравенства значение P_{m_0,n} и выражения вероятностей P_{m_0+1,n} и P_{m_0-1,n} , получаем

Решая эти неравенства относительно m_0 , получаем

M_0\geqslant{np-q},\quad m_0\leqslant{np+p}

Объединяя последние неравенства, получаем двойное неравенство, которое используют для определения наивероятнейшего числа:

Np-q\leqslant{m_0}\leqslant{np+p}.

Так как длина интервала, определяемого неравенством (3.4), равна единице, т. е.

(np+p)-(np-q)=p+q=1,

и событие может произойти в n испытаниях только целое число раз, то следует иметь в виду, что:

1) если np-q - целое число, то существуют два значения наивероятнейшего числа, а именно: m_0=np-q и m"_0=np-q+1=np+p ;

2) если np-q - дробное число, то существует одно наивероятнейшее число, а именно: единственное целое, заключенное между дробными числами, полученными из неравенства (3.4);

3) если np - целое число, то существует одно наивероятнейшее число, а именно: m_0=np .

При больших значениях n пользоваться формулой (3.3) для расчета вероятности, соответствующей наивероятнейшему числу, неудобно. Если в равенство (3.3) подставить формулу Стирлинга

N!\approx{n^ne^{-n}\sqrt{2\pi{n}}},

справедливую для достаточно больших n , и принять наивероятнейшее число m_0=np , то получим формулу для приближенного вычисления вероятности, соответствующей наивероятнейшему числу:

P_{m_0,n}\approx\frac{n^ne^{-n}\sqrt{2\pi{n}}\,p^{np}q^{nq}}{(np)^{np}e^{-np}\sqrt{2\pi{np}}\,(nq)^{nq}e^{-nq}\sqrt{2\pi{nq}}}=\frac{1}{\sqrt{2\pi{npq}}}=\frac{1}{\sqrt{2\pi}\sqrt{npq}}.

Пример 2. Известно, что \frac{1}{15} часть продукции, поставляемой заводом на торговую базу, не удовлетворяет всем требованиям стандарта. На базу была завезена партия изделий в количестве 250 шт. Найти наивероятнейшее число изделий, удовлетворяющих требованиям стандарта, и вычислить вероятность того, что в этой партии окажется наивероятнейшее число изделий.

Решение. По условию n=250,\,q=\frac{1}{15},\,p=1-\frac{1}{15}=\frac{14}{15} . Согласно неравенству (3.4) имеем

250\cdot\frac{14}{15}-\frac{1}{15}\leqslant{m_0}\leqslant250\cdot\frac{14}{15}+\frac{1}{15}

откуда 233,\!26\leqslant{m_0}\leqslant234,\!26 . Следовательно, наивероятнейшее число изделий, удовлетворяющих требованиям стандарта, в партии из 250 шт. равно 234. Подставляя данные в формулу (3.5), вычисляем вероятность наличия в партии наивероятнейшего числа изделий:

P_{234,250}\approx\frac{1}{\sqrt{2\pi\cdot250\cdot\frac{14}{15}\cdot\frac{1}{15}}}\approx0,\!101

Локальная теорема Лапласа

Пользоваться формулой Бернулли при больших значениях n очень трудно. Например, если n=50,\,m=30,\,p=0,\!1 , то для отыскания вероятности P_{30,50} надо вычислить значение выражения

P_{30,50}=\frac{50!}{30!\cdot20!}\cdot(0,\!1)^{30}\cdot(0,\!9)^{20}

Естественно, возникает вопрос: нельзя ли вычислить интересующую вероятность, не используя формулу Бернулли? Оказывается, можно. Локальная теорема Лапласа дает асимптотическую формулу, которая позволяет приближенно найти вероятность появления событий ровно m раз в n испытаниях, если число испытаний достаточно велико.

Теорема 3.1. Если вероятность p появления события A в каждом испытании постоянна и отлична от нуля и единицы, то вероятность P_{m,n} того, что событие A появится в n испытаниях ровно m раз, приближенно равна (тем точнее, чем больше n ) значению функции

Y=\frac{1}{\sqrt{npq}}\frac{e^{-x^2/2}}{\sqrt{2\pi}}=\frac{\varphi(x)}{\sqrt{npq}} при .

Существуют таблицы, которые содержат значения функции \varphi(x)=\frac{1}{\sqrt{2\pi}}\,e^{-x^2/2}} , соответствующие положительным значениям аргумента x . Для отрицательных значений аргумента используют те же таблицы, так как функция \varphi(x) четна, т. е. \varphi(-x)=\varphi(x) .

Итак, приближенно вероятность того, что событие A появится в n испытаниях ровно m раз,

P_{m,n}\approx\frac{1}{\sqrt{npq}}\,\varphi(x), где x=\frac{m-np}{\sqrt{npq}} .

Пример 3. Найти вероятность того, что событие A наступит ровно 80 раз в 400 испытаниях, если вероятность появления события A в каждом испытании равна 0,2.

Решение. По условию n=400,\,m=80,\,p=0,\!2,\,q=0,\!8 . Воспользуемся асимптотической, формулой Лапласа:

P_{80,400}\approx\frac{1}{\sqrt{400\cdot0,\!2\cdot0,\!8}}\,\varphi(x)=\frac{1}{8}\,\varphi(x).

Вычислим определяемое данными задачи значение x :

X=\frac{m-np}{\sqrt{npq}}=\frac{80-400\cdot0,\!2}{8}=0.

По таблице прил, 1 находим \varphi(0)=0,\!3989 . Искомая вероятность

P_{80,100}=\frac{1}{8}\cdot0,\!3989=0,\!04986.

Формула Бернулли приводит примерно к такому же результату (выкладки ввиду их громоздкости опущены):

P_{80,100}=0,\!0498.

Интегральная теорема Лапласа

Предположим, что проводится n независимых испытаний, в каждом из которых вероятность появления события A постоянна и равна p . Необходимо вычислить вероятность P_{(m_1,m_2),n} того, что событие A появится в n испытаниях не менее m_1 и не более m_2 раз (для краткости будем говорить "от m_1 до m_2 раз"). Это можно сделать с помощью интегральной теоремы Лапласа.

Теорема 3.2. Если вероятность p наступления события A в каждом испытании постоянна и отлична от нуля и единицы, то приближенно вероятность P_{(m_1,m_2),n} того, что событие A появится в испытаниях от m_1 до m_2 раз,

P_{(m_1,m_2),n}\approx\frac{1}{\sqrt{2\pi}}\int\limits_{x"}^{x""}e^{-x^2/2}\,dx, где .

При решении задач, требующих применения интегральной теоремы Лапласа, пользуются специальными таблицами, так как неопределенный интеграл \int{e^{-x^2/2}\,dx} не выражается через элементарные функции. Таблица для интеграла \Phi(x)=\frac{1}{\sqrt{2\pi}}\int\limits_{0}^{x}e^{-z^2/2}\,dz приведена в прил. 2, где даны значения функции \Phi(x) для положительных значений x , для x<0 используют ту же таблицу (функция \Phi(x) нечетна, т. е. \Phi(-x)=-\Phi(x) ). Таблица содержит значения функции \Phi(x) лишь для x\in ; для x>5 можно принять \Phi(x)=0,\!5 .

Итак, приближенно вероятность того, что событие A появится в n независимых испытаниях от m_1 до m_2 раз,

P_{(m_1,m_2),n}\approx\Phi(x"")-\Phi(x"), где x"=\frac{m_1-np}{\sqrt{npq}};~x""=\frac{m_2-np}{\sqrt{npq}} .

Пример 4. Вероятность того, что деталь изготовлена с нарушениями стандартов, p=0,\!2 . Найти вероятность того, что среди 400 случайно отобранных деталей нестандартных окажется от 70 до 100 деталей.

Решение. По условию p=0,\!2,\,q=0,\!8,\,n=400,\,m_1=70,\,m_2=100 . Воспользуемся интегральной теоремой Лапласа:

P_{(70,100),400}\approx\Phi(x"")-\Phi(x").

Вычислим пределы интегрирования:

нижний

X"=\frac{m_1-np}{\sqrt{npq}}=\frac{70-400\cdot0,\!2}{\sqrt{400\cdot0,\!2\cdot0,\!8}}=-1,\!25,

верхний

X""=\frac{m_2-np}{\sqrt{npq}}=\frac{100-400\cdot0,\!2}{\sqrt{400\cdot0,\!2\cdot0,\!8}}=2,\!5,

Таким образом

P_{(70,100),400}\approx\Phi(2,\!5)-\Phi(-1,\!25)=\Phi(2,\!5)+\Phi(1,\!25).

По таблице прил. 2 находим

\Phi(2,\!5)=0,\!4938;~~~~~\Phi(1,\!25)=0,\!3944.

Искомая вероятность

P_{(70,100),400}=0,\!4938+0,\!3944=0,\!8882.

Применение интегральной теоремы Лапласа

Если число m (число появлений события A при n независимых испытаниях) будет изменяться от m_1 до m_2 , то дробь \frac{m-np}{\sqrt{npq}} будет изменяться от \frac{m_1-np}{\sqrt{npq}}=x" до \frac{m_2-np}{\sqrt{npq}}=x"" . Следовательно, интегральную теорему Лапласа можно записать и так:

P\left\{x"\leqslant\frac{m-np}{\sqrt{npq}}\leqslant{x""}\right\}=\frac{1}{\sqrt{2\pi}}\int\limits_{x"}^{x""}e^{-x^2/2}\,dx.

Поставим задачу найти вероятность того, что отклонение относительной частоты \frac{m}{n} от постоянной вероятности p по абсолютной величине не превышает заданного числа \varepsilon>0 . Другими словами, найдем вероятность осуществления неравенства \left|\frac{m}{n}-p\right|\leqslant\varepsilon , что то же самое, -\varepsilon\leqslant\frac{m}{n}-p\leqslant\varepsilon . Эту вероятность будем обозначать так: P\left\{\left|\frac{m}{n}-p\right|\leqslant\varepsilon\right\} . С учетом формулы (3.6) для данной вероятности получаем

P\left\{\left|\frac{m}{n}-p\right|\leqslant\varepsilon\right\}\approx2\Phi\left(\varepsilon\,\sqrt{\frac{n}{pq}}\right).

Пример 5. Вероятность того, что деталь нестандартна, p=0,\!1 . Найти вероятность того, что среди случайно отобранных 400 деталей относительная частота появления нестандартных деталей отклонится от вероятности p=0,\!1 по абсолютной величине не более чем на 0,03.

Решение. По условию n=400,\,p=0,\!1,\,q=0,\!9,\,\varepsilon=0,\!03 . Требуется найти вероятность P\left\{\left|\frac{m}{400}-0,\!1\right|\leqslant0,\!03\right\} . Используя формулу (3.7), получаем

P\left\{\left|\frac{m}{400}-0,\!1\right|\leqslant0,\!03\right\}\approx2\Phi\left(0,\!03\sqrt{\frac{400}{0,\!1\cdot0,\!9}}\right)=2\Phi(2)

По таблице прил. 2 находим \Phi(2)=0,\!4772 , следовательно, 2\Phi(2)=0,\!9544 . Итак, искомая вероятность приближенно равна 0,9544. Смысл полученного результата таков: если взять достаточно большое число проб по 400 деталей в каждой, то примерно в 95,44% этих проб отклонение относительной частоты от постоянной вероятности p=0,\!1 по абсолютной величине не превысит 0,03.

Формула Пуассона для маловероятных событий

Если вероятность p наступления события в отдельном испытании близка к нулю, то даже при большом числе испытаний n , но при небольшом значении произведения np получаемые по формуле Лапласа значения вероятностей P_{m,n} оказываются недостаточно точными и возникает потребность в другой приближенной формуле.

Теорема 3.3. Если вероятность p наступления события A в каждом испытании постоянна, но мала, число независимых испытаний n достаточно велико, но значение произведения np=\lambda остается небольшим (не больше десяти), то вероятность того, что в этих испытаниях событие A наступит m раз,

P_{m,n}\approx\frac{\lambda^m}{m!}\,e^{-\lambda}.

Для упрощения расчетов с применением формулы Пуассона составлена таблица значений функции Пуассона \frac{\lambda^m}{m!}\,e^{-\lambda} (см. прил. 3).

Пример 6. Пусть вероятность изготовления нестандартной детали равна 0,004. Найти вероятность того, что среди 1000 деталей окажется 5 нестандартных.

Решение. Здесь n=1000,p=0,004,~\lambda=np=1000\cdot0,\!004=4 . Все три числа удовлетворяют требованиям теоремы 3.3, поэтому для нахождения вероятности искомого события P_{5,1000} применяем формулу Пуассона. По таблице значений функции Пуассона (прил. 3) при \lambda=4;m=5 получаем P_{5,1000}\approx0,\!1563 .

Найдем вероятность того же события по формуле Лапласа. Для этого сначала вычисляем значение x , соответствующее m=5 :

X=\frac{5-1000\cdot0,\!004}{\sqrt{1000\cdot0,\!004\cdot0,\!996}}\approx\frac{1}{1,\!996}\approx0,\!501.

Поэтому согласно формуле Лапласа искомая вероятность

P_{5,1000}\approx\frac{\varphi(0,\!501)}{1,\!996}\approx\frac{0,\!3519}{1,\!996}\approx0,\!1763

а согласно формуле Бернулли точное ее значение

P_{5,1000}=C_{1000}^{5}\cdot0,\!004^5\cdot0,\!996^{995}\approx0,\!1552.

Таким образом, относительная ошибка вычисления вероятностей P_{5,1000} по приближенной формуле Лапласа составляет

\frac{0,\!1763-0,\!1552}{0,\!1552}\approx0,\!196 , или 13,\!6\%

а по формуле Пуассона -

\frac{0,\!1563-0,\!1552}{0,\!1552}\approx0,\!007 , или 0,\!7\%

Т. е. во много раз меньше.
Перейти к следующему разделу
Одномерные случайные величины В вашем браузере отключен Javascript.
Чтобы произвести расчеты, необходимо разрешить элементы ActiveX!

На этом уроке будем находить вероятность наступления события в независимых испытаниях при повторении испытаний. Испытания называются независимыми, если вероятность того или иного исхода каждого испытания не зависит от того, какие исходы имели другие испытания . Независимые испытания могут проводиться как в одинаковых условиях, так и в различных. В первом случае вероятность появления некоторого события во всех испытаниях одна и та же, во втором случае она меняется от испытания к испытанию.

Примеры независимых повторных испытаний :

выйдет из строя один из узлов прибора или два, три узла, причём выход из строя каждого узла не зависит от другого узла, а вероятность выхода из строя одного узла постоянна во всех испытаниях;
произведённая в некоторых постоянных технологических условиях деталь, или три, четыре, пять деталей, окажутся нестандартными, причём одна деталь может оказаться нестандартной независимо от любой другой детали и вероятность того, что деталь окажется нестандатной, постоянна во всех испытаниях;
из нескольких выстрелов по мишени один, три или четыре выстрела попадают в цель независимо от исходов других выстрелов и вероятность попадания в цель постоянна во всех испытаниях;
при опускании монеты автомат сработает правильно один, два или другое число раз независимо от того, какой результат имели другие опускания монеты, и вероятность того, что автомат сработает правильно, постоянна во всех испытаниях.

Эти события можно описать одной схемой. Каждое событие наступает в каждом испытании с одной и той же вероятностью, которая не изменяется, если становятся известными результаты предыдущих испытаний. Такие испытания называются независимыми, а схема называется схемой Бернулли . Предполагается, что такие испытания могут быть повторены как угодно большое количество раз.

Если вероятность p наступления события A в каждом испытании постоянна, то вероятность того, что в n независимых испытаниях событие A наступит m раз, находится по формуле Бернулли :

(где q = 1 – p - вероятность того, что событие не наступит)

Поставим задачу – найти вероятность того, что событие такого типа в n независимых испытаниях наступит m раз.

Формула Бернулли: примеры решения задач

Пример 1. Найти вероятность того, что среди взятых случайно пяти деталей две стандартные, если вероятность того, что каждая деталь окажется стандартной, равна 0,9.

Решение. Вероятность события А , состоящего в том, что взятая случайно деталь стандартна, есть p =0,9 , а вероятность того, что она нестандартна, есть q =1–p =0,1 . Обозначенное в условии задачи событие (обозначим его через В ) наступит, если, например, первые две детали окажутся стандартными, а следующие три – нестандартными. Но событие В также наступит, если первая и третья детали окажутся стандартными, а остальные – нестандартными, или если вторая и пятая детали будут стандартными, а остальные – нестандартными. Имеются и другие возможности наступления события В . Любая из них характеризуется тем, что из пяти взятых деталей две, занимающие любые места из пяти, окажутся стандартными. Следовательно, общее число различных возможностей наступления события В равно числу возможностей размещения на пяти местах двух стандартных деталей, т.е. равно числу сочетаний из пяти элементов по два, а .

Вероятность каждой возможности по теореме умножения вероятностей равна произведению пяти множителей, из которых два, соответствующие появлению стандартных деталей, равны 0,9, а остальные три, соответствующие появлению нестандартных деталей, равны 0,1, т.е. эта вероятность составляет . Так как указанные десять возможностей являются несовместимыми событиями, по теореме сложения вероятность события В , которую обозначим

Пример 2. Вероятность того, что станок в течение часа потребует внимания рабочего, равна 0,6. Предполагая, что неполадки на станках независимы, найти вероятность того, что в течение часа внимания рабочего потребует какой-либо один станок из четырёх обслуживаемых им.

Решение. Используя формулу Бернулли при n =4 , m =1 , p =0,6 и q =1–p =0,4 , получим

Пример 3. Для нормальной работы автобазы на линии должно быть не менее восьми автомашин, а их имеется десять. Вероятность невыхода каждой автомашины на линию равна 0,1. Найти вероятность нормальной работы автобазы в ближайший день.

Решение. Автобаза будет работать нормально (событие F ), если на линию выйдут или восемь (событие А ), или девять (событие В ), или все десять автомашин событие (событие C ). По теореме сложения вероятностей,

Каждое слагаемое находим по формуле Бернулли . Здесь n =10 , m =8; 9; 10 , а p =1-0,1=0,9 , так как p должно означать вероятность выхода автомашины на линию; тогда q =0,1 . В результате получим

Пример 4. Пусть вероятность того, что покупателю необходима мужская обувь 41-го размера, равна 0,25. Найти вероятность того, что из шести покупателей по крайней мере двум необходима обувь 41-го размера.

Перед изложением третьего вопроса лекции преподаватель обозначает проблему, вызывающую необходимость рассмотрения теоремы о повторении опытов, при этом отмечая, что в изучаемом курсе теории вероятностей будет рассматриваться только частная теорема, связанная с повторением независимых опытов, в каждом из которых событие А появляется с постоянной вероятностью.

После чего преподаватель показывает доказательство этой теоремы (вывод формулы Бернулли).

Для пояснения физической сущности рассматриваемой теоремы преподаватель использует оверхэд-проектор и подготовленные слайды.

В заключении лекции преподаватель поясняет почему распределение вероятностей появления события А в серии из n испытаний, в условиях когда они несовместны и образуют полную группу событий называют биномиальным и обращает внимание на важность знания этого распределения для решения прикладных задач.

До сих пор мы рассматривали комбинации сравнительного небольшого числа событий, когда непосредственное применение правил сложения и умножения вероятностей не вызывало больших вычислительных затруднений. Однако с увеличением числа событий или числа испытаний, в которых может появляться интересующее нас событие, изученный способ вычисления становится очень громоздким.

При этом задача решалась достаточно просто только в том случае, если опыты являлись независимыми.

Несколько опытов называются независимыми , если вероятность того или иного исхода каждого из опытов не зависит от того, какие исходы имели другие опыты.

На практике имеют место случаи, когда вероятность наступления события А во всех независимых опытах может быть либо одинаковой, либо меняться от опыта к опыту. Например, при корректировании огня после каждого выстрела вероятность попадания в цель с каждым выстрелом будет изменяться.

В случае, когда в независимых опытах вероятность наступления события от опыта к опыту изменяется, используют общую теорему о повторении опытов, а когда в независимых опытах вероятность наступления события от опыта к опыту не изменяется, используют частную теорему о повторении опытов.

В изучаемом нами курсе теории вероятностей мы рассмотрим только частную терему о повторении опытов, когда необходимо определить вероятность наступления события А в серии изnнезависимых опытов, в каждом из которых событие А появляется с одинаковой вероятностью.

Например, необходимо вычислить вероятность того, что при пяти выстрелах из орудия на постоянных установках будет получено ровно два попадания в цель, если выстрелы независимы и при каждом выстреле вероятность попадания в цель известна и не изменяется.

В случае, если составить возможные комбинации появления интересующего нас события А 1 , то получим:

Возможных комбинаций, в которых наступит событие А={получить 2 попадания при пяти выстрелах} будет 10.

Применив теорему о сумме и произведении независимых событий, будем иметь:

Увеличение числа интересующих нас событий или числа испытаний приведёт к еще большему увеличению объёма вычислительных операций, поэтому возникает задача отыскания менее трудоёмких способов расчёта.

Постановка задачи:

Пусть предполагается в одинаковых условиях произвести nнезависимых испытаний, результатом каждого из которых может быть наступление либо событияА , либо ему противоположного.

Обозначим через А 1 наступление событияА при первом испытании,А 2 – при втором испытании,А n – при последнем испытании.

В силу постоянства условий испытания:

Р(А 1 ) = Р(А 2 ) = … Р(А n ) = р

Нас интересует вероятность того, что событие А при nиспытаниях наступит ровноmраз, а в оставшихсяn-mиспытаниях – не наступит (т.е. наступит противоположное событию А событие -).

Допустим, что интересующее нас событие А наступает подрядmраз, начиная с первого, т.е. имеет место событие –Е .

Е= А 1 А 2 … А m -1 А m 
(1)

m n - m

По условию повторения испытаний, события, входящие в данную комбинацию, независимы, при этом вероятности наступления событий А 1 ,А 2 ,… А m -1 , А m одинаковы и равныр: Р(А 1 ) = Р(А 2 ) =…= Р(А m ) = р, а вероятности не наступления событий
так же одинаковы и равныq =1-р: .

Применяя правило умножения вероятностей для независимых событий к выражению 1 получим:

Р(Е) = Р(А 1 ) Р(А 2 ) … Р(А m -1 ) Р(А m ) Р(
= р m (1-р) n  - m = р m q n - m

В силу постоянства условий испытаний мы допустили, что интересующее нас событие А наступает подрядmраз, начиная с первого. Но событиеА вn испытаниях может наступить ровноm раз в различных последовательностях или комбинациях. При этом нам безразлично, в какой именно последовательности появляется событие А ровноm раз.

Число таких комбинаций равно числу сочетаний изnэлементов поm .

Так как эти комбинации событий (подобные комбинации Е) несовместны и нас не интересует последовательность наступления события А в испытании ровноm раз, то обозначив интересующую нас вероятность черезР m , получим:

Р m =
р m (1-р) n - m =
=

где
- число сочетаний изn элементов поm .

Данная формула носит имя формулы Бернулли.

Формула Бернулли позволяет получить ответ на вопрос: какова вероятность того, что при повторении nнезависимых испытаний некоторое событиеА наступает ровноm раз, если в каждом из этих испытаний вероятность наступления событияА постоянна и равнаР(А) = р.

Приведенная формула Бернулли имеет исключительно важное значение в теории вероятностей по той причине, что она связана с повторением испытаний в одинаковых условиях, т.е. с такими условиями, в которых как раз и проявляются законы теории вероятностей.

Заключение по лекции:

В лекции мы рассмотрели принципиальные вопросы теории вероятностей применительно к случайным величинам, ввели основной понятийный аппарат, необходимый для дальнейшего изучения дисциплины: определение случайной величины, их классификацию; понятия закона распределения и его формы для различных типов случайной величины.

В ходе подготовки к последующим лекциям и практическим занятиям вы должны самостоятельно при углубленном изучении рекомендованной литературы и решения предложенных задач дополнить свои конспекты лекций.

Кроме того, на последующих занятиях мы будем изучать теоремы и зависимости, позволяющие определить вероятность появления случайной величины требуемое число раз или на определенном интервале, например вероятность попадания в цель.

Изучить:

Вентцель Е.С. Теория вероятностей. Учебник. Издание восьмое, стереотипное. – М.: Высшая школа, 2002 г. - 575 с. – стр. 67-78, 80-84

Вентцель Е.С., Овчаров Л.А.. Теория вероятностей и ее инженерные приложения. Учебное пособие. Издание третье, переработанное и дополненное. – М.: «Академия», 2003 г. – 464 с. – стр. 73-93

Гмурман В.Е. Теория вероятностей и математическая статистика. Учебное пособие. Издание десятое, стереотипное.-М.:Высшая школа», 2004 г. – 480 с. Стр 64-73