Полная вероятность и формула Байеса

Решим задачу о Тезее, который, выбираясь из лабиринта, в пункте А потерял нить Ариадны. Какова вероятность того, что он придет в пункт В? Тезей случайным образом выходит на ту или иную дорогу, то есть событие В происходит с одним и только с одним из полной группы попарно несовместных событий . Они называются гипотезами. Известны вероятности этих событий . Но далее из каждого пункта он попадет в пункт В с различной вероятностью. Эти вероятности обозначим , где i принимает значения от 1 до n. Требуется вычислить полную ве­роятность Р(В) того, что Тезей попадет из пyнкта А в пункт В. Другими словами, пусть требуется определить вероятность события В, которое может произойти в сочетании с одним из событий А₁, А₂,…, А_n, образующих полную группу несовместных событий ( , ). Эти события будем называть гипотезами.

А₁ А₂ А₃

ВА₁ ВА₂ ВА₃

ВА_n-2 ВА_n-1 ВА_n

А_n-2 А_n-1 А_n

 

Применяя формулу для вероятности суммы несовместных событий, получим формулу полной вероятности.: . Вероятности называются априорными (a priori – (лат.) до того).

Теорема гипотез Байеса. Пусть теперь известно, что событие В произошло. Тогда .

Требуется найти вероятности i=l, 2,..., n - вероятности гипотез после опыта. Они называются апостериорными (a posteriori – (лат.) после того). Используя теорему умножения вероятностей, имеем P(ВА_i) = =

Из последнего равенства получим формулу Байеса , i=1, 2, …, n, где Р(В) есть полная вероятность осуществления события В.

Пример. Имеются 2 урны, в каждой из которых находится по 10 шаров, причем в 1-й урне 7 белых и 3 черных шара, во 2-й – 2 белых и 8 черных. наудачу из одной из урн вынимается шар. а) Найти вероятность того, что вынут белый шар. б) шар оказался белым. Найти вероятность того, что он вытянут из второй урны.

а) Пусть В – вытягивание белого шара. А1 –выбор первой урны, А2 – выбор второй урны, Тогда Р(В) можно вычислить по формуле полной вероятности , то есть . б). По формуле Байеса имеем , тогда

Пример. Мышка наугад выбирает одну из двух одинаковых кормушек, состоящих из пяти ячеек. В одной кормушке сыр только в одной ячейке, в другой – в четырёх. Событие А – съесть кусочек сыра. Какова вероятность события А? Каковы вероятности того, что второй раз мышка побежит к первой корзине, ко второй корзине?

Рассмотрим гипотезы: Н₁ – мышка бежит к первой кормушке, Н₂ – мышка бежит ко второй кормушке. Р(Н₁) =1/2 = Р(Н₂) (априорные вероятности) .

Р(Н₁/A)

Р(Н₂/A) (апостериорные вероятности).

При втором подходе , то есть мышка обучилась, второй раз она выберет первую кормушку с большей вероятностью и добьется большего успеха.

Это – один из основных принципов обучения кибернетических систем.

Схемы испытаний

 

Напомним, что опытом в теории вероятностей называют контролируемое осуществление некоторого комплекса условий S, которое можно повторить неограниченное число раз. Пусть производится n опытов (испытаний), в каждом из которых может наступить один из N исходов. Определение 1. Если результаты одного испытания не зависят от результатов других испытаний, то такие испытания называются независимыми.

Пример. В урне 3 белых и 4 чёрных шара. Вынимают 2 шара по очереди. Событие А – вытащить 1^й шар белый B и второй белый. Событие В – вытащить 2^й шар белый. Покажем, что события А и В зависимы. , , .

Возможны две ситуации: условия проведения испытаний не меняются (ситуация А) или меняются от испытания к испытанию (ситуация В).

Определение 2. Схема независимых испытаний с неизменными условиями и с двумя исходами в каждом из которых некоторое случайное событие А наступает с одной и той же вероятностью p = P(A), не изменяющейся от испытания к испытанию, называется схемой Бернулли.

Схема Бернулли отвечает на следующие группы вопросов:

I. Какова вероятность того, что в серии из независимых испытаний событие появится ровно раз. В этом случае любой исход n испытаний Бернулли представляет собой последовательность длины n, состоящую из k "успехов" и (n – k) "неуспехов". Вероятность каждого такого исхода по теореме умноже­ния независимых случайных событий равна p^k(1 - p)^n-k или p^kq^n-k, где q=1 - p. Число таких комбинаций равно числу способов выбора k мест из n для "ус­пеха". Тогда формула Бернулли.

Пример. Какова вероятность с пяти раз вытащить из колоды в 36 карт ровно три туза? Карты каждый раз возвращаются в колоду.

Пример. Что вероятнее: выиграть у равносильного противника в шахматы 2 партии из трех или 3 партии из четырех? Р₃(2)= (1/2)²(1/2) = 3/8, Р₄(3) = (1/2)³(1/2) = 1/4. То есть вероятнее выиграть 2 партии из трех.

Приближения. При большом числе n повторных испытаний использование формулы Бернулли затруднительно в связи с необходимостью выполнения дейст­вий над очень большими числами.

 

 

Случайные величины

 

Случайная величина – это величина (число), которая в результате опыта может принимать то или иное значение.

Более строго, случайная величина – это числовая функция случайного события.

Случайная величина называется дискретной, если множество ее значений конечно или счетно. Здесь - алгебра событий. Например, число очков на грани брошенной кости, число бросков монеты до появления герба – дискретные случайные величины.

Случайная величина называется непрерывной, если ее значения заполняют некоторый интервал, возможно, бесконечный. Здесь - сигма - алгебра событий. Например, расстояние от центра мишени при стрельбе, время до отказа прибора, ошибка измерения – непрерывные случайные величины.

 

Рассмотрим дискретную случайную величину, принимающую значения . Имеем полную группу (иначе, не все значения учтены) несовместных событий . Вероятности этих событий равны соответственно . Будем говорить, что дискретная случайная величина принимает значения с вероятностями .

Законом распределения дискретной случайнойвеличины называется любое соотношение, устанавливающее зависимость между ее значениями и вероятностями , с которыми эти значения достигаются.

Основные формы закона распределения дискретной случайной величины: ряд распределения – таблица

		…..
		…..

многоугольник распределения

p₃

p₂

p₁, p_n

x₁ x₂ x₃ …x_n

Можно задать закон распределения в виде аналитической зависимости, связывающей значения и вероятности .

Рассмотрим непрерывную случайную величину. Для непрерывной случайной величины , поэтому рассматривают события и вероятности этих событий.

Функцией распределения непрерывной случайной величины называется вероятность события . = .