Уравнение f x 1. Функциональные уравнения. Методы их решения. Методика решения уравнений и неравенств

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},

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,

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}}},

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}

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) .

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:

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

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

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\%

\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!

Практические задачи, связанные с оценкой вероятности наступления события в результате нескольких равноценных попыток могут анализироваться с применением формулы Бернулли или (при большом количестве таких попыток) с применением приближенной формулы Пуассона. Для работы с этим материалом Вам снова потребуется знание ..

Схема Бернулли состоит в следующем: производится последовательность испытаний, в каждом из которых вероятность наступления определенного события А одна и та же и равна р. Испытания предполагаются независимыми (т.е. считается, что вероятность появления события А в каждом из испытаний не зависит от того, появилось или не появилось это событие в других испытаниях). Наступление события А обычно называют успехом, а ненаступление - неудачей. Обозначим вероятность неудачи q=1-P(A)=(1-p). Вероятность того, что в n независимых испытаниях успех наступит ровно m раз, выражается формулой Бернулли :

Вероятность Р n (m) при данном n сначала увеличивается при увеличении m от 0 до некоторого значения m 0 , а затем уменьшается при изменении m от m 0 до n.

Поэтому m 0 , называют наивероятнейшим числом наступлений успеха в опытах. Это число m 0 , заключено между числами np-q и np+p (или, что то же самое, между числами n(p+1)-1 и n(p+1) ) .Если число np-q - целое число, то наивероятнейших чисел два: np-q и np+p.

Важное замечание. Если np-q< 0, то наивероятнейшее число выигрышей равно нулю.

Пример. Игральная кость бросается 4 раза. При каждом броске нас интересует событие А ={выпала шестерка}.

Решение: Здесь четыре испытания, и т.к. кубик симметричен, то

p=P(A)=1/6, q=1-p=5/6.

Вероятность того, что в 4 независимых испытаниях успех наступит ровно m раз (m < 4), выражается формулой Бернулли:

Посчитаем эти значения и запишем их в таблицу.

Самое вероятное число успехов в нашем случае m 0 =0.

Пример. Вероятность появления успеха равна 3/5. Найти наивероятнейшее число наступлений успеха, если число испытаний равно 19, 20.

Решение: при n =19 находим

Таким образом, максимальная вероятность достигается для двух значений m 0 , равных 11 и 12. Эта вероятность равна P 19 (11)=P 19 (12)=0,1797. При n=20 максимальная вероятность достигается только для одного значения m 0 , т.к.

Не является целым числом. Наивероятнейшее число наступлений успеха m 0 равно 12. Вероятность его появления равна P 20 (12)=0,1797. Совпадение чисел P 20 (12) и P 19 (12) вызвано лишь сочетанием значений n и p и не имеет общего характера.

На практике в случае, когда n велико, а p мало (обычно p < 0,1; npq < 10) вместо формулы Бернулли применяют приближенную формулу Пуассона

Пример 4. Радиоаппаратура состоит из 1000 элементов. Вероятность отказа одного элемента в течение года равна 0,002. Какова вероятность отказа двух элементов за год? Какова вероятность отказа не менее двух элементов за год?

Решение: будем рассматривать работу каждого элемента как отдельное испытание. Обозначим А ={отказ элемента за год}.

P(A)=p=0,002, l=np=1000*0,002=2

П о формуле Пуассона

Обозначим через P 1000 (> 2) вероятность отказа не менее двух элементов за год.
Переходя к противоположному событию, вычислим P 1000 (> 2) как.

Повторные независимые испытания называются испытаниями Бернулли, если каждое испытание имеет только два возможных исхода и вероятности исходов остаются неизменными для всех испытаний.

Обозначим эти вероятности как p и q . Исход с вероятностью p будем называть “успехом”, а исход с вероятностью q – “неудачей”.

Очевидно, что

Пространство элементарных событий для каждого испытания состоит из двух точек. Пространство элементарных событий для n испытаний Бернулли содержит точек, каждая из которых представляет один возможный исход составного опыта. Поскольку испытания независимы, то вероятность последовательности событий равна произведению вероятностей соответствующих исходов. Например, вероятность последовательности событий

{У, У, Н, У, Н, Н, Н}

равна произведению

Примеры испытаний Бернулли.

1. Последовательные бросания “правильной” монеты. В этом случае p = q = 1/2 .

При бросании несимметричной монеты соответствующие вероятности изменят свои значения.

2. Каждый результат опыта можно рассматривать как A или .

3. Если существует несколько возможных исходов, то из них можно выделить группу исходов, которые рассматриваются как “успех”, называя все прочие исходы “неудачей”.

Например, при последовательных бросаниях игральной кости под “успехом” можно понимать выпадение 5, а под “неудачей” – выпадение любого другого числа очков. В этом случае p = 1/6, q = 5/6.

Если же под “успехом” понимать выпадение четного, а под “неудачей” – нечетного числа очков, то p = q = 1/2 .

4. Повторные случайные извлечения шара из урны, содержащей при каждом испытании a белых и b черных шаров. Если под успехом понимать извлечение белого шара, то , .

Феллер приводит следующий пример практического применения схемы испытаний Бернулли. Шайбы, изготовляемые при массовом производстве, могут отличаться по толщине, но при проверке они классифицируются на годные и дефектные – в зависимости от того, находится ли толщина в предписанных границах. И хотя продукция по многим причинам не может вполне соответствовать схеме Бернулли, эта схема задает идеальный стандарт для промышленного контроля качества продукции, несмотря даже на то, что этот стандарт никогда не достигается вполне точно. Машины подвержены изменениям, и поэтому вероятности не остаются одними и теми же; в режиме работы машин имеется некоторое постоянство, в результате чего длинные серии одинаковых отклонений оказываются более вероятными, чем это было бы при действительной независимости испытаний. Однако с точки зрения контроля качества продукции желательно, чтобы процесс соответствовал схеме Бернулли, и важно то, что в некоторых пределах этого можно добиться. Целью текущего контроля является обнаружение уже на ранней стадии существенных отступлений от идеальной схемы и использование их как указаний на угрожающее нарушение правильности работы машины.

(опять же согласно теореме 5.5) 48!(12!)4 способами. Следовательно, искомая вероятность равна

24 48!(13!) 4 = 2448!13 4 = 0,105... .

(12!)4 52! 52!

Любопытно, что при игре «в дурака» такая вероятность оказывается существенно меньше. Действительно, найдем вероятность того, что при раздачечетыремигрокампо6картизколодыв36карт,каждыйигрокполучит ровно по одному тузу. Поскольку раздается 24 карты из 36, то нам прежде всего надо знать число способов, которыми можно выбрать 24 карты из 36. Это число равно C 36 24 = 36!(24!12!) .

Далее, число способов, которыми можно разбить 24 карты на 4 группы по 6 карт согласно теореме 5.5 равно 24! (6!)4 . Таким образом, общее число способов, которыми можно раздать четырем игрокам по 6 карт из колоды в 36

карт, равно C 36 24 (6!) 24! 4 . Четыре туза могут быть распределены между четырьмя

игроками 4!= 24 способами. Число способов, которыми можно раздать четыремигрокампо5картизоставшихся32 карт, подсчитываетсяаналогично

предыдущему, и будет равно C 32 20 (5!) 20! 4 . Таким образом, искомая вероятность равна

§6. ИСПЫТАНИЯ БЕРНУЛЛИ. ФОРМУЛА ПУАССОНА

6.1. Схема независимых испытаний Бернулли

На практике часто встречается ситуация, хорошо иллюстрирующаяся

следующими примерами.

Некто несколько раз подряд бросает монету. Спрашивается, можно ли заранее оценить вероятность того, что в результате n бросаний герб выпадет ровноm раз? Или:n раз бросается игральная кость; требуется оценить вероятность того, что при этомm раз выпадет 5 или 6 очков.

Очевидно, что без дополнительных предположений относительно условий проведения эксперимента однозначно ответить на эти вопросы нельзя. Так, результат, несомненно, должен зависеть от того, является ли монета (или кость) правильной, т.е. однородной и симметричной. С другой стороны, возможно ли ответить на вопрос: сколько раз надо бросить монету (или кость), чтобы с достаточной степенью уверенности можно было утверждать, что данная монета (или кость) не является правильной ? Умение отвечать на такой вопрос весьма важно, например, для игорных заведений.

Естественно предположить, что если монета правильная, то вероятность появления герба при каждом бросании равна ½ . Аналогично, в случае правильной кости вероятность появления 5 или 6 очков при каждом бросании равна⅓ . Иными словами, если испытаний достаточно много, то герб при бросании монеты будет появляться примерно в половине исходов, а 5 или 6 очков на кости – в одной трети случаев.

Однако всеэти рассуждения основаны на интуиции. Мы жепостараемся в этом параграфе описать теоретическую модель, которая позволит нам вполне обоснованно ответить на все сформулированные выше вопросы. Модель, о которой пойдет речь ниже, впервые была предложена швейцарским математиком Якобом Бернулли (1654 1705), и получила его имя37 .

Схема независимых испытаний Бернулли. Будем производить последовательные испытания, в результате каждого из которых может

37 Основные результаты Я. Бернулли по теории вероятностей были опубликованы лишь после его смерти в 1713 г. Брат Я. Бернулли – Иоганн (1667-1748) и сын – Даниил (1700-1782) являлись членами Петербургской Императорской Академии Наук, и внесли большой вклад в развитие вариационного исчисления и теоретической механики.

наступить или не наступить некоторое событие А . Пусть при каждом отдельном испытании вероятность наступления событияА одна и та же и не зависит от наступления или ненаступления этого события при других испытаниях; обозначим эту вероятность черезp . Обычно говорят, чтоp – это вероятность «успеха»; соответственно величинаq = 1− p называется вероятностью «неудачи». Понятно, что эта терминология весьма условна.

Такая модель называется схемой (независимых) испытаний Бернулли.

Зададимся следующим вопросом: какова вероятность того, что при проведении n испытаний «успех» (т.е. появления событияА ) будет наблюдаться ровно вm случаях?38

Эта задача решается следующим образом. Представим себе все возможные комбинации из последовательных результатов наших испытаний. Так, например, в случае 3 испытаний возможны восемь таких комбинаций39 , а именно:

AAA; AAA; AAA; AAA;

AAA; AAA; AAA; AAA.

Выделим те комбинации, в которых событие А наступает ровноm раз (и, следовательно, не наступает ровноn ─ m раз); назовем для краткости такие комбинациидопустимыми . Определим вероятность появления каждой отдельной допустимой комбинации. Для этого заметим, что появление допустимой комбинации представляет собой произведениеn событий, а именно:m наступлений событияА при одних испытаниях иn ─ m его ненаступлений при других испытаниях. Вероятность наступления событияА при каждом отдельном испытании по условию равнаp ; вероятность его ненаступления равна, следовательно,q = 1− p . По условию наступления или ненаступления событияА при различных испытаниях представляют собой независимые события; следовательно, вероятность их произведения равна

38 Здесь естественно считать, что m = 0, 1, 2, …,n .

39 Здесь A означает событие, противоположное событиюА , т.е. «неудачу».

произведению их вероятностей, т. е. равна величине p m q n − m = p m (1− p )n − m . Заметимтеперь, чтособытие, состоящеевнаступлениисобытияА ровно

при m испытаниях, равносильно появлению хотя бы одной из допустимых комбинаций. Так как различные допустимые комбинации представляют собой несовместимые события, искомая вероятность появления событияА ровно вm испытаниях равна сумме вероятностей появления допустимых комбинаций. Поскольку вероятности появления допустимых комбинаций одинаковы, то вероятность их суммы равна величинеKp m q n − m , гдеK – число всех допустимых комбинаций. Это число равно, очевидно, числу различных способов, которыми можно выделитьm мест из общего числаn мест, иными

Таким образом, вероятность появления ровно m «успехов» в последовательностиn независимых испытаний Бернулли равна

распределением Бернулли , определяется формулой (6.1) и дает значение вероятностиm «успехов» вn испытаниях Бернулли с вероятностью «успеха»p . При фиксированныхn иp она является функцией целочисленного неотрицательного аргументаm .

Испытания Бернулли – теоретическая схема, и только практика может показать, годна ли схема для описания данного физического опыта. Однако такая ситуация, как мы видели ранее, вполне естественна при построении вероятностных моделей. При всем этом во многих практических ситуациях использование схемы Бернулли оказывается вполне оправданным.

Приведем следующий поучительный пример . Американский ученый Уэлдон провел 26 306 серий испытаний по 12 бросаний одной и той же

игральной кости в каждой серии, вычисляя частоту появления события («успеха»), состоящего в выпадении на кости 5 или 6 очков. Результаты его опытов приведены в табл. 6.1.

Если кость считать правильной, то вероятность «успеха» должна быть равна ⅓ . Соответствующие теоретические значения функцииb (k ;12,13) даны во второй колонке. Эксперимент показал, однако, довольно существенное отличие от теоретических значений приp =⅓ , но хорошее согласование с теоретическими значениями функцииb (k ;12, 0.3377) дляp = 0.3377 . Этот результат естественно интерпретировать в том смысле, что игральная кость, использованная в эксперименте,не является правильной .

Это замечание имеет весьма важные практические приложения в вопросах, связанных с контролем за выполнением определенных нормативов (например, в производстве). В связи с этим рассмотрим следующий пример.

Таблица 6.1

Задача о снабжении энергией . Допустим, чтоn рабочих время от

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

Государственное образовательное учреждение

высшего профессионального образования

«МАТИ»  РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ ИМ. К.Э. ЦИОЛКОВСКОГО

Кафедра «Моделирование систем и информационные технологии»

Повторение испытаний. Схема бернулли

Методические указания к практическим занятиям

по дисциплине «Высшая математика»

Составители: Егорова Ю.Б.

Мамонов И.М.

Москва 2006 введение

Методические указания предназначены для студентов дневного и вечернего отделения факультета №14 специальностей 150601, 160301, 230102. Указания выделяют основные понятия темы, определяют последовательность изучения материала. Большое количество рассмотренных примеров помогает в практическом освоении темы. Методические указания служат методической основой для практических занятий и выполнения индивидуальных заданий.

СХЕМА БЕРНУЛЛИ. ФОРМУЛА БЕРНУЛЛИ

Схема Бернулли - схема повторных независимых испытаний, при которой какое-то событие А может многократно повторяться с постоянной вероятностью Р (А )= р .

Примеры испытаний, проводимых по схеме Бернулли: многократное подбрасывание монеты или игральной кости, изготовление партии деталей, стрельба по мишени и т.п.

Теорема. Если вероятность наступления события А в каждом испытании постоянна и равна р , то вероятность того, что событие А наступит m раз в n испытаниях (безразлично в какой последовательности), можно определить по формуле Бернулли:

где q = 1 – p .

ПРИМЕР 1. Вероятность того, что расход электроэнергии на протяжении одних суток не превысит установленной нормы, равна р= 0,75. Найти вероятность того, что в ближайшие 6 суток расход электроэнергии в течение 4 суток не превысит нормы.

РЕШЕНИЕ. Вероятность нормального расхода элек­троэнергии на протяжении каждых из 6 суток постоянна и равна р = 0,75. Следовательно, вероятность перерасхода электроэнергии в каждые сутки также постоянна и равна q = 1р = 1  0,75 = 0,25.

Искомая вероятность по формуле Бернулли равна:

ПРИМЕР 2. Стрелок производит по мишени три выстрела. Вероятность попадания в мишень при каждом выстреле равна р= 0,3. Найти вероятность того, что поражена: а) одна мишень; б) все три мишени; в) ни одной мишени; г) хотя бы одна мишень; д) менее двух мишеней.

РЕШЕНИЕ. Вероятность попадания в мишень при каждом выстреле постоянна и равна р =0,75. Следовательно, вероятность промаха равна q = 1 р = 1  0,3= 0,7. Общее число проведенных опытов n =3.

а) Вероятность поражения одной мишени при трех выстрелах равна:

б) Вероятность поражения всех трех мишеней при трех выстрелах равна:

в) Вероятность трех промахов при трех выстрелах равна:

г) Вероятность поражения хотя бы одной мишени при трех выстрелах равна:

д) Вероятность поражения менее двух мишеней, то есть или одной мишени, или ни одной:

1. Локальная и интегральная теоремы муавра-лапласа

Если произведено большое число испытаний, то вычисление вероятностей по формуле Бернулли становится технически сложным, так как формула требует действий над огромными числами. Поэтому существуют более простые приближенные формулы для вычисления вероятностей при больших n . Эти формулы называются асимптотическими и определяются теоремой Пуассона, локальной и интегральной теоремой Лапласа.

Локальная теорема Муавра-Лапласа. А А произойдет m раз в n n (n →∞ ), приближенно равна:

где функция
а аргумент

Чем больше n , тем точнее вычисление вероятностей. Поэтому теорему Муавра-Лапласа целесообразно применять при npq  20.

f ( x ) составлены специальные таблицы (см. приложение 1). При использовании таблицы необходимо иметь в виду свойства функции f(x) :

Функция f(x) является четной f(  x)= f(x) .

При х  ∞ функция f(x)  0. Практически можно считать, что уже при х >4 функция f(x) ≈0.

ПРИМЕР 3. Найти вероятность того, что событие А наступит 80 раз в 400 испытаниях, если вероятность появления события А в каждом испытании равна р= 0,2.

РЕШЕНИЕ. По условию n =400, m =80, p =0,2, q =0,8. Следовательно:

По таблице определим значение функции f (0)=0,3989.

Интегральная теорема Муавра-Лапласа. Если вероятность наступления события А в каждом испытании постоянна и отлична от 0 и 1, то вероятность того, что событие А произойдет от m 1 до m 2 раз в n испытаниях при достаточно большом числе n (n →∞ ), приближенно равна:

где
 интеграл или функция Лапласа,

Для нахождения значений функции Ф( x ) составлены специальные таблицы (например, см. приложение 2). При использовании таблицы необходимо иметь в виду свойства функции Лапласа Ф(x) :

Функция Ф(x) является нечетной Ф(  x)=  Ф(x) .

При х  ∞ функция Ф(x)  0,5. Практически можно считать, что уже при х >5 функция Ф(x) ≈0,5.

Ф (0)=0.

ПРИМЕР 4. Вероятность того, что деталь не прошла проверку ОТК, равна 0,2. Найти вероятность того, что среди 400 деталей окажется непроверенных от 70 до 100 деталей.

РЕШЕНИЕ. По условию n =400, m 1 =70, m 2 =100, p =0,2, q =0,8. Следовательно:

По таблице, в которой приведены значения функции Лапласа, определяем:

Ф(x 1 ) = Ф(  1,25 )=  Ф( 1,25 )=  0,3944; Ф(x 2 ) = Ф( 2,5 )= 0,4938.