История возникновения теории вероятностей

Министерство по образованию Российской Федерации

Дальневосточный Федеральный Университет

Институт международного туризма и гостеприимства

Реферат по математике на тему:

«История возникновения теории вероятностей»

Выполнила: студентка группы 1523А

Ким Елена

Проверила: Миколайчук Татьяна Леонидовна

Владивосток 2010

Содержание:

Введение

Основные понятия теории вероятностей

История возникновения Теории вероятностей.

Примеры

Сложные вероятности. Теоремы сложения .

Этапы развития теории вероятностей:

Роль мошенничества в истории теории вероятностей(Дэвид Бэллхауз)

Вывод

Введение

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[1]. 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)[2].

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. Чебышев, 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.

Основные понятия теории вероятностей

1)Вероятность (вероятностная мера) — численная мера степени объективной возможности наступления случайного события. Оценкой вероятности события может служить частота его наступления в длительной серии независимых повторений случайного эксперимента. Согласно определению П. Лапласа мерой вероятности называется дробь, числитель которой есть число всех благоприятных случаев, а знаменатель — число всех равновозможных случаев.

2)Вероятностное пространство — понятие, введённое А. Н. Колмогоровым в 30-х годах XX века для формализации понятия вероятности, которое дало начало бурному развитию теории вероятностей как строгой математической дисциплины.

3)Случайная величина — это величина, которая принимает в результате опыта одно из множества значений, причем появление того или иного значения этой величины до её измерения нельзя точно предсказать.

Формальное математическое определение следующее: пусть — вероятностное пространство, тогда случайной величиной называется функция , измеримая относительно и борелевской σ-алгебры на . Вероятностное поведение случайной величины полностью описывается её распределением.

4)Теорема Муавра — Лапласа - одна из предельных теорем теории вероятностей, установлена Лапласом в 1812. Если при каждом из n независимых испытаний вероятность появления некоторого случайного события Е равна р (0<р<1) и m - число испытаний, в которых Е фактически наступает, то вероятность неравенства близка (при больших n) к значению интеграла Лапласа.

5)Кумулятивная функция распределения (или просто функция распределения) в теории вероятностей однозначно задаёт распределение случайной величины или случайного вектора.

6)Математическое ожидание — мера среднего значения случайной величины в теории вероятностей. В зарубежной литературе обозначается через (например, от англ. Expected value или нем. Erwartungswert), в русской M[X] (возможно, от англ. Mean value, а возможно от русск. Математическое ожидание). В статистике часто используют обозначение μ.

7)Дисперсия случайной величины́ — мера разброса данной случайной величины, то есть её отклонения от математического ожидания. Обозначается D[X] в русской литературе и (англ. variance) в зарубежной. В статистике часто употребляется обозначение или . Квадратный корень из дисперсии, равный , называется среднеквадратичным отклонением, стандартным отклонением или стандартным разбросом. Стандартное отклонение измеряется в тех же единицах, что и сама случайная величина, а дисперсия измеряется в квадратах этой единицы измерения.

Из неравенства Чебышёва следует, что случайная величина удаляется от её математического ожидания на более чем k стандартных отклонений с вероятностью менее 1/k². Так, например, как минимум в 75% случаев случайная величина удалена от её среднего не более чем на два стандартных отклонения, а в примерно 89% — не более чем на три.

8)В теории вероятностей два случайных события называются независимыми, если наступление одного из них не изменяет вероятность наступления другого. Аналогично, две случайные величины называют независимыми, если значение одной из них не влияет на вероятность значений другой.

9)Условная вероятность — вероятность одного события при условии, что другое событие уже произошло.

10)Закон больших чисел в теории вероятностей утверждает, что эмпирическое среднее (среднее арифметическое) достаточно большой конечной выборки из фиксированного распределения близко к теоретическому среднему (математическому ожиданию) этого распределения. В зависимости от вида сходимости различают слабый закон больших чисел, когда имеет место сходимость по вероятности, и усиленный закон больших чисел, когда имеет место сходимость почти всюду.

Всегда найдётся такое количество испытаний, при котором с любой заданной наперёд вероятностью частота появления некоторого события будет сколь угодно мало отличаться от его вероятности.

Общий смысл закона больших чисел — совместное действие большого числа случайных факторов приводит к результату, почти не зависящему от случая.

На этом свойстве основаны методы оценки вероятности на основе анализа конечной выборки. Наглядным примером является прогноз результатов выборов на основе опроса выборки избирателей.

11)Центральные предельные теоремы (Ц.П.Т.) — класс теорем в теории вероятностей, утверждающих, что сумма большого количества слабо зависимых случайных величин имеет распределение, близкое к нормальному. Так как многие случайные величины в приложениях являются суммами нескольких случайных факторов, центральные предельные теоремы обосновывают популярность нормального распределения.

История возникновения Теории вероятностей.

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 математики—какие уж законы в царстве Случая! Но и здесь наука обнаружила интересные закономерности—они позволяют человеку уверенно чувствовать себя при встреча со случайными событиями.

Как наука теория вероятности зародилась в 17в. Возникновение понятия вероятности было связано как с потребностями страхования, получившего значительное распространение в ту эпоху, когда заметно росли торговые связи и морские путешествия, так и в связи с запросами азартных игр. Слово “азарт”, под которым обычно понимается сильное увлечение, горячность, является транскрипцией французского слова hazard, буквально означающего “случай”, “риск”. Азартными называют те игры, а которых выигрыш зависит главным образом не от умения игрока, а от случайности. Схема азартных игр была очень проста и могла быть подвергнута всестороннему логическому анализу. Первые попытки этого рода связаны с именами известных учёных—алгебраиста Джероламо Кардана (1501- 1576) и Галилео Галилея (1564—1642). Однако честь открытия этой теории, которая не только даёт возможность сравнивать случайные величины, но и производить определенные математические операции с ними, принадлежит двум выдающимися ученым—Блезу Паскалю (1623—1662) и Пьеру Ферма. Ещё в древности было замечено, что имеются явления, которые обладают особенностью: при малом малом числе наблюдений над ними не наблюдается никакой правильности, но по мере увеличения числа наблюдений всё яснее проявляется определенная закономерность. Всё началось с игры в кости.

Азартные игры практиковались в ту пору главным образом среди знати, феодалов и дворян. Особенно распространенной была игра в кости. Было замечено. что при многократном бросании однородного кубика, все шесть граней которой отмечены соответственно числами 1, 2, 3, 4, 5, 6 число очков от 1 до 6 выпадают в среднем одинаково часто, иными словами, выражаясь языком математики, выпадение определённого числа очков имеет вероятность, равную 1/6 (т.е. отношению числа случаев, благоприятствующих событию к общему числу всех случаев'). Аналогично вероятность появления на верхней грани кости чётного числи очков равна 3/6 ,так как из шести равновозможных случаев чётное число появляется только в трёх.

Один из представителей французской знати того времени, страстный игрок де Мере написал одному из крупнейших учёных тоги времени Блезу Паскалю письмо, в котором просил ответить на ряд вопросов, возникших у него в связи с игрой к кости.

Задача кавалера де Мере. Кавалер де Мере, один из французских придворных, был азартным игроком. Денежный выигрыш при игре в косит обычно зависит от комбинации выпивших чисел, на которую делается ставки. Одна из таких комбинаций—выпадение хотя бы одной шестёрки при четырёх бросаниях игральной кости. Де мере смог подсчитать число шансов этой комбинации. Общее число исходов при четырёх бросаниях игральной кости равно 64=1296. Число шансов появления хотя бы одной шестерки составляет 6-5 =671 , так как шестёрки не выпадает ни разу в 5 случаях. Следовательно, вероятность выпадения хотя бы одной шестёрки при четырёх бросаниях равна 671/1296~0,518> 1/2, поэтому при четырёх бросаниях выгодно делать ставку на то, что выпадет хотя бы одни шестёрка. чем на то, что не выпадет ни одной. Повидимому, многие опытные игроки знали, что первая комбинация появляется чаще, чем вторая, и найти партнёра ни такую игру было трудно. Более сложные комбинации возникали, если бросали сразу две кости. Де Мере пытался определить, сколько раз надо бросить пару костей, чтобы вероятность хотя бы одного появления двух шестёрок была больше 1/2. Он подсчитал, что достаточно 24 бросаний. Однако опыт игрока заставил де Мере сомневаться в правильности своих вычислений. Тогда он обратился с этой задачей к математику Блезу Паскалю, который предложил правильное решение. Учёный определил, что при 24 бросаниях пары костей две шестёрки появляются хотя бы раз с вероятностью, меньшей 1/2, а при 25 бросаниях—с вероятностью, большей 1/2.В самом деле, если бросить один раз пару костей, две шестёрки выпадут с вероятностью 1/36, а не выпадут—с вероятностью 1-1/36=35/36. При n бросаниях пары костей число шансов непоявления пары шестерок равно 35, а общее число исходов составит 35.Поэтому игрок, делающий ставку на событие А выигрывает примерно а 50,5% игр, а игрок, делающий ставку на событие А —примерно в 49,1% игр. Эта задача кавалера де Мере заставила Паскаля заняться изучением случайных событий. А в переписке Блеза Паскаля и Пьера Ферма впервые стали упоминаться понятия теории вероятностей. Подсчёт всех возможных и благоприятствующих данному событию случаев нередко представляет большие трудности. Вот почему для решения таких задач некоторые игроки обращались к крупным учёным. Рассказывают, что Гюйгенсу был задан такой вопрос: “Если бросить одновременно три игральных кости, то какая сумма очков будет выпадать чаще—11 или 12?” Подсчёт всех различных случаев здесь прост: N=6 =216. Подсчёт же М здесь сложен. Сумма 11 может получиться следующими шестью различными способами: 1+4+6, 1+5+5, 2+3+6, 2+4+5, 3+3+5. 3+4+4. Также шестью различными способами образуется сумма 12: 1+5+6, 2+4+6, 2+5+5, 3+3+6, 3+4+5, 4+4+4. Это обстоятельство наводит на мысль, будто обе суммы должны появляться одинаково часто. Однако это неверно. Уже на практике было замечено, что сумма 11 появляется чаще суммы 12. Дело а том, что вышеуказанные по три числа сами по себе неодинаково часто выпадают. Так, если каждую из трех костей окрасить по-разному, скажем в белый, красный и зелёный цвет, то становится ясным, что сочетание, а котором имеются три различных слагаемых, например (1+4+6), может получаться шестью различными способами:

1 бел. + 4 красн. + 6 зел.; 2) 1 бел. + б красн. + 4 зел.:

4 бел. + 1 красн. + 6 зел.; 4) 4 бел. + 6 красн. + 1 зел.;

5) 6 бел. + 1 красн. + 4 зел.; 6) б бел. + 4 красн. + 1 зел. Аналогично сочетание с двумя одинаковыми слагаемыми, например (2+5+5), может получиться тремя различными способами, в то время как сочетания с одинаковыми слагаемыми, вроде (4+4+4), получается единственным способом. И вот для 11 очков мы получим, таким образом, не шесть различных способов, а

1*6 + 1*3 + 1*6 + 1*6 + 1*3 + 1*3 = 27.

Для суммы же 12 число различных способов будет:

1*6 + 1*6 + 1*3 + 1*3 + 1*6+ 1 = 25.

Решение порой довольно сложных задач, с которыми обращались заинтересованные лица к Паскалю, Ферма, Гюйгенсу, способствовало разработке основных понятий и общих принципов теории вероятностей, в том числе и правил действия над ними. Отсюда не следует, конечно, заключать, что основоположники теории вероятностей рассматривали азартные игры как единственный или главный предмет разрабатывавшейся ими новой отрасли науки. На развитие теории вероятностей оказали влияние более серьёзные потребности науки и запросы практики, в первую очередь страховое дело, начатое в некоторых странах ещё в 16в. В 16-17вв. учреждение страховых обществ и страхование судов от пожара распространились во многих европейских странах. Азартные игры были для ученых только удобной моделью для решения задач и анализа понятий теории вероятности. Об этом заметил ещё Гюйгенс в своей книге “О расчётах в азартной игре” (1657), которая была первой книгой в мире по теории вероятностей. Он писал: “...при - внимательном изучении предмета читатель заметит, что он занимается не только игрой, а что здесь даются основы глубокой и весьма интересной”. Гюйгенс впервые ввёл важное для теории вероятностей понятие математического ожидания, которое получило дальнейшее развитие а трудах Даниила Бернулли, Даламбера и др. Понятие математического ожидания находит немало применений а разных других областях человеческой деятельности.

Таким образом, в 60-е годы 17в. были выработаны первые понятия и некоторые элементы теории вероятностей. В последующие два века учёные столкнулись с множеством новых задач, связанных с исследованием случайных явлений. Играет ли природа в кости?

В середине 19в. преподаватель Высшей реальной школы, в городе Брюнне Грегор Иоганн Мендель производил свои ставшие впоследствии знаменитыми опыты с горохом, в результате которых были открыты законы наследственности. Мендель скрестил два сорта гороха с жёлтыми и зелёными семенами, после чего растения дали только желтые семена (первое поколение гибридов). После самоопыления растений, выраженных из этих семян (второе поколение гибридов), появился горох и с жёлтыми, и с зелёными семенами Мендель подсчитал, что отношение числа растений с жёлтыми семенами к числу растений с зелеными семенами равно 3,01. Учёный скрещивал также сорта гороха, различающиеся либо по форме плода, либо по расположению цветков, либо по размерам растении и т.п. И каждый раз в первом поколении обнаруживался только один из противоположных родительских признаков—его Мендель назвал доминантным (от лат. dominatus—"господство"), лишь во втором поколении проявлялся и другой—регрессивный (от. лат. recessus— “отступление”), В опытах Менделя отношение числа растений с доминантным признаком к числу растений с рецессивным признаком было равно 3,15; 2,95; 2,82;

3,14;2,84, т.е. во всех случаях оказывалось близким к 3. Впоследствии немецкий зоолог Август Бейсман и американский биолог Томас Хант Морган объяснили результаты опытов Менделя. Используем с той же целью урновую схему. Предположим, что два элементарных носителя наследственности— доминантный ген А и рецессивный ген а—отвечают в организме за некий признак. При этом данный признак задаётся парой генов АА, Аа, аА или аа, и особи с генами АА, Аа, аА имеют доминантный признак, а особи с генами аа —рецессивный. При скрещивании гороха АА с горохом аа гибрид получает от каждого родителя по 1 гену, поэтому все особи первого поколения имеют пару генов Аа или аА и у них обнаруживается доминантный признак: например, семена желтого цвета. От родителей с парами генов Аа или аА можно получить особь АА, Аа, аА или аа. Все эти сочетания одинаково возможны, значит, особь аа с рецессивным признаком проявляется с вероятностью 1/4, а особь АА, Аа или аА с доминантным признаком—с вероятностью 3/4.

Механизм наследования так же случаен, как и исход бросания монеты или игральной кости. Поэтому можно сказать, что природа иногда “ играет в кости”.

Примеры:

Пример 1. В урне находятся три синих, восемь красных и десять белых шаров одинакового размера и веса, неразличимых наощупь. Шары тщательно перемешаны. Какова вероятность появления синего, красного и белого шаров при одном вынимании шара из урны?

Решение. Так как появление любого шара можно считать равновозможным, то мы имеем всего n=3+8+9=20 элементарных событий. Если через А, В, С обозначить события, состоящие в появлений соответственно синего, красного и белого шаров, а через m1,m2,m3— число благоприятствующих этим событиям случаев, то ясно, что m1=3,m2=8,m3=9. Поэтому

P(A)=3/20=0,15; P(B)=8/20=0,40; P(C)=9/20=0,45.

Пример 2. Одновременно брошены две монеты. Какова вероятность появления m гербов (m = 0, 1,2)?

Решение. Рассмотрим возможные при бросании двух монет исходы. Очевидно, их можно описать схемой

ГГ, ГР, РГ, РР,

где Г означает выпадение герба, а Р — надписи. Таким образом, возможны четыре элементарных события. Поскольку монеты предполагаются однородными и имеющими геометрически правильную форму, то нет никаких оснований предполагать, что одна из сторон какой-либо монеты выпадает чаще других. Поэтому все четыре случая следует считать равновозможными. Но тогда, обозначив через Pm вероятность выпадения m гербов, легко получим:

P0=1/4; P1=2/4=1/2; P2=1/4.

Пример 3. В мешке лежат 33 жетона, помеченные буквами русского алфавита. Из него извлекают жетоны и записывают соответствующие буквы, причем вынутые жетоны обратно не возвращают. Какова вероятность того, что при этом получится слово “око”? слово “ар”?

Решение. Ошибочно было бы решать задачу так: вероятность извлечения любой буквы равна 1/33, поэтому вероятность сложить слово “око” равна 1/33^3, а вероятность сложить слово “ар” равна 1/33^2. Это было бы верно, если бы последовательные извлечения жетонов из мешка были независимы друг от друга. Но так как жетоны обратно в мешок не возвращаются, то, вынув в первый раз букву “о”, мы уже не получим ее при третьем извлечении. Поэтому вероятность получить слово “око” равна нулю. Чтобы найти вероятность получения слова “ар”, заметим, что при двух извлечениях букв получаются всевозможные размещения без повторений из 33 букв по две, причем очевидно, что любые два таких размещения равновероятны. Так как общее число этих размещений равно (А33)2 =33 . 32=1056 , то вероятность сложить слово “ар” равна 1/1056.

Этот пример показывает, что при решении многих задач теории вероятностей оказываются полезными формулы комбинаторики — при определенных условиях у нас с равной вероятностью получаются размещения с повторениями (если, например, жетоны извлекаются и потом возвращаются обратно), размещения без повторений (если жетоны не возвращаются обратно), перестановки с повторениями и без повторений, сочетания и т. д. Долгое время комбинаторику вообще рассматривали как вспомогательную дисциплину для теории вероятностей, но теперь она приобрела самостоятельное значение.

Сложные вероятности. Теоремы сложения .

Непосредственный подсчёт случаев, благоприятствующих данному событию, может оказаться затруднительным. Поэтому для определения вероятности события бывает выгодно представить данное событие в виде комбинации некоторых других, более простых событий. Приведём теоремы, с помощью которых можно по вероятностям одних случайных событий вычислять вероятности других случайных событий, каким – либо образом связанных с первыми. Начнём с теорем, которые образуют группу с общим названием “теоремы сложения”.

Теорема 1. Пусть А и В – два несовместных события. Тогда вероятность того, что осуществится хотя бы одно из этих двух событий, равна сумме их вероятностей: P(A U B)=P(A)+P(B).

Доказательство.

Обозначим исходы, благоприятные для события А, через а1,а2,…,аm , а для события В – через b1,b2,…,bn. Вероятности этих исходов обозначим соответственно через p1,p2,…,pm и q1,q2,…,qn . Тогда событию A U B благоприятны все исходы a1,a2,…,am , b1,b2,…,bn . В силу того что события А и В несовместны, среди этих исходов нет повторяющихся. Поэтому вероятность события АUB равна сумме вероятностей этих исходов. т.е.

P(AUB)=p1+p2+…+pm+q1+q2+…+qn.

Но p1+p2+pm=P(A), q1+q2+qn=P(B), а потому

P(AUB)=P(A)+P(B).

Теорема доказана.

Пример 1. Стрелок стреляет в мишень. Вероятность выбить 10 очков равна 0,3 , а вероятность выбить 9 очков равна 0,6. Чему равна вероятность выбить не менее 9 очков?

Решение. Событие А “выбить не менее 9 очков” является объединением событий В - “выбить 10 очков” и С – “выбить 9 очков”. При этом события В и С несовместны, так как нельзя одним выстрелом выбить сразу и 9, и 10 очков.

Поэтому по теореме 1 имеем:

P(A)=P(B)+P(C)=0,3+0,6=0.9.

Если события А1, А2, … ,Аn попарно несовместны, то событие A1U … UAn-1 несовместно с событием An . В самом деле,

An) .An)U…U(An-1 (A1U…UAn-1) I An =(A1

Но при s<n имеем ,An =As  и потому (A1U…U.An =An-1) Пользуясь этим замечанием, получаем из теоремы 1 следствие:

Следствие. Если события А1,…, Аn попарно несовместны, то вероятность объединения этих событий равна сумме их вероятностей:

P(A1U…UAn)=P(A1)+…+P(An).

Доказательство. Как было отмечено выше, события A1U … UAn-1 и An несовместны, а потому по теореме 1имеем:

P(A1U…UAn-1UAn)=P(A1U…UAn-1)+P(An).

Применяя это же рассуждение к первому слагаемому и продолжая далее, получаем после n-1 шага, что

P(A1U … UAn)=P(A1)+…+P(An).

Пример 2. В цехе работает несколько станков. Вероятность того, что за смену потребует наладки ровно один станок, равна 0,2. Вероятность того, что за смену потребуют наладки ровно два станка, равна 0,13. Вероятность того, что за смену потребуют наладки больше двух станков, равна 0,07. Какова вероятность того, что за смену придётся проводить наладку станков?

Решение. В том примере опыт состоит в том, что прошла смена и отмечено, сколько станков за эту смену потребовало наладки. В этом опыте события: А – “за смену потребовал наладки ровно один станок”, В – “за смену потребовали наладки ровно два станка” и С – “ за сену потребовали наладки более двух станков” несовместны. Нас же интересует вероятность события AUBUC. По теореме 1: P(AUBUC)=P(A)+P(B)+P(C)=0,2+0,13+0,07=0,4.

Выведем теперь связь между вероятностями противоположных событий.

Теорема 2. Для любого события А имеем: P(A*)=1-P(A).

Для доказательства вспомним, что AUA*=U, P(U)=1 и A A*. Тогда по теореме 1 получаем: 1=P(U)=P(AUA*)=P(A)+P(A*), откуда следует требуемая формула.

Пример 3. Берётся наудачу трёхзначное натуральное число от 100 до 999. Какова вероятность того, что хотя бы две его цифры совпадают?

Решение. Опыт здесь состоит в том, что наудачу выбирается натуральное число от 100 до 999 и смотрят, есть ли у него совпадающие цифры. События “взяли наудачу число N” (N= 100, 101, … , 999) равновероятны (в этом смысл слова “наудачу” ) и образуют множество исходов этого опыта. Число исходов n=900. Нас интересует событие А - “у выбранного числа совпадают хотя бы две цифры”. Проще, однако, подсчитать вероятность противоположного события А* - “у выбранного числа все цифры различны”. Каждое такое число есть размещение без повторений из 10 цифр по 3, не имеющее первым элементом нуль. Следовательно, m=(A10)3 –(A9)2=10.9.8—9.8=92.8 (из числа всех трёхэлементных размещений без повторений надо вычесть число тех, у которых на первом месте стоит нуль) и P(A*)=92.8/900=0,72. Тогда по

теореме 2 P(A)=1-P(A*)=0,28.

Пример 4. В урне, содержащей n шаров белого, красного и чёрного цвета, находится k белых шаров и L красных. Какова вероятность вынуть шар не чёрного цвета?

Решение. Если событие А состоит в появлении белого, а событие В – красного шара, то появление шара не чёрного цвета означает появление либо белого, либо красного шара. Так как по определению вероятности

P(A)=k/n, P(B)=L/n,

То по теореме сложения вероятность появления шара не чёрного цвета равна: P(A U B)=k/(n+L)/n=(k+L)/n.

Эту задачу можно решить и так. Пусть событие С состоит в появлении чёрного шара. Число чёрных шаров равно n –(k+L), так что P(C)=(n—k—L)/n. 3

Появление шара не чёрного цвета является противоположным событием С*, поэтому на основании указанного выше следствия из теоремы сложения имеем: P(C*)=1—P(C )=1—(n—k—L)/n=(k+L)/n, как и раньше.

Пример 5. В денежно – вещевой лотерее на серию в 1000 билетов приходится 120 денежных и 80 вещевых выигрышей. Какова вероятность какого – либо выигрыша на один лотерейный билет?

Решение. Если обозначить через А событие, состоящее в выпадении денежного выигрыша, и через В — вещевого, то из определения вероятности следует P(A)=120/1000=0,12; P(B)=80/1000=0,08. Интересующее нас событие представляет (AUB), поэтому из теоремы сложения вытекает:

P(AUB)=P(A)+P(B)=0,20.

Таким образом, вероятность какого – либо выигрыша равна 0,2.

Прежде чем перейти к следующей теореме, необходимо ознакомиться с новым важным понятием – понятием условной вероятности. Для этой цели мы начнём с рассмотрения следующего примера.

Пусть на складе имеется 400 электрических лампочек, изготовленных на двух различных заводах, причём на первом изготовлено 75% всех лампочек, а на втором – 25%. Допустим, что среди лампочек, изготовленных первым заводом, 83% удовлетворяют условиям определённого стандарта, а для продукции второго завода этот процент равен 63. Определим вероятность того, что случайно взятая со склада лампочка окажется удовлетворяющей условиям стандарта.

Заметим, что общее число имеющихся стандартных лампочек состоит из

400 . 0,75 . 0,83=249 лампочек, изготовленных первым заводом, и 63 лампочек, изготовленных вторым заводом, т.е. равно 312. Так как выбор любой лампочки следует считать равновозможным, то мы имеем 312 благоприятствующих случаев из 400, так что P(B)=312/400=0.78, где событие В состоит в том, что выбранная нами лампочка стандартна.

Пир этом подсчёте не делалось никаких предположений о том, к продукции какого завода принадлежит выбранная нами лампочка. Если же какие – либо предположения такого рода сделать, то очевидно, что интересующая нас вероятность может измениться. Так, например, если известно, что выбранная лампочка изготовлена на первом заводе (событие А), то вероятность того, что она стандартна, будет уже не 0.78, а 0.83.

Такого рода вероятность, т.е. вероятность события В при условии, что имеет событие А, называют условной вероятностью события В при условии наступления события А и обозначают РА (В).

Если мы в предыдущем примере обозначали через А событие, состоящее в том, что выбранная лампочка изготовлена на первом заводе, то мы можем написать РА (В)=0,83.

Этапы развития теории вероятностей:

1)Предыстория теории вероятностей. В этот период, начало которого теряется в глубине веков, ставились и примитивно решались задачи, которые позже будут отнесены к теории вероятностей. Никаких специальных методов решения в этот период не было. Этот период закончился в XVI веке появление работ Кардано, Пачоли, Тарталья.

2)Возникновение теории вероятностей как науки. В этот период вырабатываются первые специфические понятия, устанавливаются первые теоремы. Начало этого периода связано с именами Паскаля, Ферма, Гюйгенса. Этот период продолжается от середины XVI века до начала XVIII века. В этот период теория вероятностей находят свои первые применения в демографии, страховом деле, оценке ошибок наблюдения.

3)Следующий этап начинается с появления работы Я. Бернулли «Искусство предположения» (1713 год). Здесь была доказана теорема Бернулли, которая дала возможность широко применять теорию вероятностей к статистике. К этому периоду относятся работы Муавра, Лапласа, Гаусса, Пуассона, теория вероятностей начинает применяться в различных областях естествознания.

4)Следующий этап развития теории вероятностей связан, прежде всего, с русской (Петербургской) школой. Здесь можно назвать имена Чебышева, Маркова, Ляпунова. В это время теория вероятностей начинает широко применяться в различных областях естествознания, в первую очередь – в физике. Возникает статистическая физика, которая развивается в тесной связи с теорией вероятностей.

5)Современный этап развития теории вероятностей. Для успешного применения теории вероятностей к физике, биологии и другим наукам, а также к технике и военному делу необходимо было уточнить и привести в стройную систему основные понятия теории вероятностей. Поэтому этот период начался с установления аксиом науки. Первые работы этого периода связаны с именами Бернштейна, Мизеса, Бореля. Окончательное установление аксиоматики произошло в 30-е годы XX века, когда была опубликована и получила всеобщее признание аксиоматика Андрея Николаевича Колмогорова.

Сейчас невозможно указать ни одной области человеческой деятельности, где бы не применялись вероятностные исследования. Говорят о «стохастической революции в сознании». В современном языке стохастический означает «случайный», в древнегреческом stochastikos означало «умеющий угадывать».