Xreferat.com » Рефераты по математике » Теория Вероятностей

Теория Вероятностей

height="24" />Теория ВероятностейРТеория Вероятностей (12.2)

Здесь суммирование в (12.2) выполняется по тем индексам j, для которых выполнено неравенство.

Предположим теперь, что произведено n независимых испытаний. Пусть в i-том испытании осуществляется значение случайной величины Теория Вероятностей. Пусть математические ожидания и дисперсии всех этих независимых случайных величин одинаковы. Тогда согласно материалу из разделов 10,11 для суммы

Теория Вероятностей (12.3)

этих случайных величин и из (12.2) получаем следующее неравенство

Теория ВероятностейРТеория Вероятностей

·РТеория Вероятностей (12.4)

Так как случайные величины Теория Вероятностей независимы, то дисперсия их суммы равна сумме их дисперсий. Кроме того, все дисперсии Теория Вероятностей равны друг другу Теория Вероятностей и все математические ожидания Теория Вероятностей тоже равны друг другу Теория Вероятностей. Поэтому из (12.4) получаем неравенство

Теория ВероятностейРТеория Вероятностей (12.5)

Введем число ε=M/n. Тогда из (12.5) получаем неравенство

РТеория Вероятностей (12.6)

Отсюда для противоположного события

Теория Вероятностей (12.7)

из (12.6) получаем следующее неравенство П.Л.Чебышева

РТеория Вероятностей (12.8)

Таким образом, из (12.8) получается закон больших чисел П.Л.Чебышева:

Для любого сколь угодно малого положительного числа ε и числа β<1 найдется такое число N, что при числе испытаний n>N, будет справедливо неравенство

Теория Вероятностей (12.9)

В самом деле, согласно (12.8) достаточно выбрать в качестве числа N наименьшее из натуральных чисел, удовлетворяющих неравенству Теория Вероятностей, то есть

Теория Вероятностей (12.10)

Это означает следующее. Какие бы числа Теория Вероятностей и Теория Вероятностей мы ни выбрали, если сделать количество n независимых испытаний больше, чем число N, то среднее значение случайной величины будет отличаться от математического ожидания меньше, чем на ε с вероятностью большей, чем β. Иначе говоря, при неограниченном увеличении числа независимых испытаний среднее значение случайной величины стремится к математическому ожиданию Е с вероятностью, приближающейся к единице.

13.Испытания по схеме Бернулли.

Так называется следующая серия независимых испытаний. Пусть производится n испытаний. В i-том испытании может осуществиться случайное событие Ai с вероятностью Рi,i=1,…,n. Все события Аi независимы в совокупности. То есть вероятность события Аi не зависит от того, осуществляются или нет события Аj,j=1,…,n, jТеория Вероятностейi. Рассмотрим здесь такой частный случай, когда все вероятности Рi равны друг другу и равны p,0‹p‹1. То есть

Р(Аi)=p, P(Ai*)=q, q=1-p, 0‹p‹1, 0‹q‹1, i=1,…,n(13.1)

Например, пусть испытания состоят в том, что случайная точка Теория Вероятностей в i-том испытании обязательно появляется в квадрате со стороной равной единице. Событие Аi состоит в том, что точка Теория Вероятностей оказывается в четверти круга, вписанного в квадрат и имеющего радиус равный единице (см.раздел7). Согласно (7.2) имеем

Р(Ai)=p=Теория Вероятностей(13.2)

Справедливо следующее утверждение.

Теорема Бернулли: Пусть производится n испытаний по схеме Бернулли. Пусть события Аi осуществились в m испытаниях.

Для любых чисел Теория Вероятностей и Теория Вероятностей найдется такое натуральное число N, что при числе испытаний n>N будет справедливо неравенство

P(|m/n–p|<Теория Вероятностей)>Теория Вероятностей(13.3)

В самом деле, свяжем с i-тым испытанием случайную величину Теория Вероятностей. Пусть эта величина принимает значение равное единице, если осуществляется событие Аi, и Теория Вероятностей принимает значение равное нулю, если событие Аi не осуществляется, т.е. осуществляется противоположное событие Аi*. Вычислим математическое ожидание Еi и дисперсию Di случайной величины Теория Вероятностей. Имеем

Теория ВероятностейpТеория Вероятностейq=p(13.4)

Теория ВероятностейpТеория ВероятностейpТеория ВероятностейpТеория ВероятностейqТеория ВероятностейqТеория Вероятностей∙p+pТеория Вероятностей∙q=p∙q∙(q+p)=p∙q∙1=p∙q(13.5)

Так как в нашем случае

Теория Вероятностей(13.6)

то из закона больших чисел (12.9),(12.10) получаем неравенство (13.3), если только

Теория Вероятностей(13.7)

Это и доказывает теорему Бернулли.

Например, если мы хотим проверить теорему Бернулли на примере вычисления числа π с точностью до Теория Вероятностей с вероятностью большей, чем Теория Вероятностей, то нам надо сделать испытания по схеме Бернулли в соответствии с разделом 7, т.е. получить согласно текущему разделу неравенство

P(|m/n–π/4|<0.01)>0.99(13.8)

Для этого согласно (13.7) достаточно выбрать число

Теория Вероятностей(13.9)

с большим запасом.

Такое испытание было сделано на компьютере по программе, приведенной в следующем разделе. Получилось

4∙m/n=3.1424 (13.10)

Мы знаем, что число π=3.1415925626…. То есть действительно получилось число с точностью по крайней мере до 0.01.

14.Программа вычисления числа π по схеме Бернулли.

CLS

INPUT "Введите n=", n

RANDOMIZE

FOR i = 1 TO n

x = RND

y = RND

IF (x * x + y * y) < 1 THEN m = m + 1 ELSE m = m

NEXT i

pi = 4 * m / n

PRINT "pi = ", pi

15.Метод Монте-Карло.

Испытания по схеме Бернулли составляют основу вычислительного метода, который предложил Фон-Нейман для расчета сложных процессов. Например, для расчетов при создании атомной бомбы. Этот метод он назвал методом Монте-Карло в честь города, в котором идет игра в рулетку. Суть этого метода состоит в том, что подбираются такие испытания по схеме Бернулли, в которых вероятности событий Аi и определяют интересующую вычислителя величину. Простейший пример вычисления по методу Монте-Карло и приведен в разделах 13,14 для числа π. Особенно удобно вычислять методом Монте-Карло площади и объемы сложных фигур и тел.

16.Стрельба по вепрю.

Задача 16.1.:

Три охотника стреляют по вепрю. Известно, что первый охотник попадает в цель с вероятностью 0.7. Второй – с вероятностью 0.5. Третий – с вероятностью 0.3. Результат стрельбы каждого из них не зависит от результатов стрельбы других. Все три охотника дали один залп.

Какова вероятность, что в вепря попали 2 пули?

Решение:

Назовем попадание первого охотника событием А1, попадание второго – А2, попадание третьего – А3.

Для того, чтобы попали две пули необходимо и достаточно, чтобы осуществилось одно и только одно из следующих трех несовместных событий:

В1-первый попал, второй попал, третий промазал, В1=А1Теория ВероятностейА2Теория ВероятностейА3*

В2-первый попал, второй промазал, третий попал, В2=А1Теория ВероятностейА2*Теория ВероятностейА3

В3-первый промазал, второй попал, третий попал, В3=А1*Теория ВероятностейА2Теория ВероятностейА3

Так как события попадания для разных стрелков независимы, то вероятности попадания равны произведению вероятностей. Поэтому

Р(В1)=Р(А1)∙Р(А2)∙Р(А3*)=0.7∙0.5∙0.7=0.245

Р(В2)=Р(А1)∙Р(А2*)∙Р(А3)=0.7∙0.5∙0.3=0.105

Р(В3)=Р(А1*)∙Р(А2)∙Р(А3)=0.3∙0.5∙0.7=0.105

Интересующее нас событие С=В1Теория ВероятностейВ2Теория ВероятностейВ3. Так как события В1,В2 и В3 несовместны, то вероятность объединения равна сумме вероятностей событий Вi,i=1,2,3

Р(С)=Р(В1)+Р(В2)+Р(В3)=0.245+0.105+0.105=0.455(16.1)

Ответ:Вероятность, что попали 2 пули равна 0.455.

Задача 16.2.:

Те же охотники дали залп по другому вепрю. Известно, что попали 2 пули.

Какова вероятность, что попал первый охотник?

Решение:

Интересующая нас вероятность есть условная вероятность Р(А1|С) события А1 при условии, что произошло событие С. По формуле Бейеса имеем

Р(А1|C)=P(C|A1)∙P(A1)/P(C)(16.2)

По определению условной вероятности P(C|A1) (3.1) и (3.2) имеем

P(C|A1)∙P(A1)=Р(СТеория ВероятностейА1)(16.3)

Но событие СТеория ВероятностейА1 происходит тогда и только тогда, когда происходит одно из двух несовместимых событий

С2=А2Теория ВероятностейА3*Теория ВероятностейА1(16.4)

С3=А3Теория ВероятностейА2*Теория ВероятностейА1(16.5)

То есть имеем

(СТеория ВероятностейА1)=(А2Теория ВероятностейА3*Теория ВероятностейА1)Теория Вероятностей(А3Теория ВероятностейА2*Теория ВероятностейА1)(16.6)

Р(СТеория ВероятностейА1)=Р(А2Теория ВероятностейА3*Теория ВероятностейА1)+Р(А3Теория ВероятностейА2*Теория ВероятностейА1)=0.5∙0.7∙0.7+0.3∙0.5∙0.7=

=0.245+0.105=0.35(16.7)

Таким образом, согласно (16.2) для искомой условной вероятности Р(A1|C) получим значение

Р(A1|C)=P(C|A1)∙P(A1)/P(C)=0.35/0.455=0.769(16.8)

Ответ:Вероятность того, что попал первый охотник при условии, что попало в вепря две пули равна 0.769.

17.Решение задач о встрече методом Монте-Карло.

Рассматриваемые в этом разделе задачи являются обобщением задачи 8.1. по встрече из раздела 8.

Задача 17.1.:

Мария, Иван и Петр хотят встретиться в промежутке времени от 0 до 1 часа пополудни. Каждый из них появится на месте встречи в свой случайный момент времени Теория Вероятностей или соответственно Теория Вероятностей или Теория Вероятностей из отрезка Теория Вероятностей. Каждый пришедший ждет своего товарища в течение 20 минут или до момента времени t=1, если от момента прихода до момента времени t=1 остается меньше 20 минут.

Какова вероятность, что они все трое встретятся?

Решение:

Сделаем построение подобное построению из раздела 8. Только теперь построение будет в пространстве. Введем прямоугольную систему координат XYZ. Полагаем х=Теория Вероятностей,у=Теория Вероятностей,z=Теория Вероятностей. Тогда точка с координатами х,у и z соответствует приходу Марии в момент времени х=Теория Вероятностей, Ивана – в момент у=Теория Вероятностей и Петра – в момент z=Теория Вероятностей. Достоверному событию Ω соответствует в пространстве XYZ куб Теория Вероятностей Событию А, которое осуществляется, если Мария, Иван и Петр все встретятся соответствует тело Теория Вероятностей. Это тело состоит из точек, лежащих в кубе Теория Вероятностей и к тому же удовлетворяющих условиям

|x–y|≤1/3, |y–z|≤1/3, |x–z|≤1/3 (17.1)

Поэтому

Р(А)=Теория Вероятностей(17.2)

Здесь Теория Вероятностей есть объем куба Теория Вероятностей, Теория Вероятностей есть объем тела Теория Вероятностей. Вычислить объем тела

Теория ВероятностейТеория Вероятностей |x–y|≤1/3,|y–z|≤1/3,|x–z|≤1/3(17.3)

затруднительно. Вычислим его методом Монте-Карло по схеме Бернулли. При этом будем работать со случайными величинами Теория Вероятностей, которые принимают значение равное единице, когда точка Теория Вероятностей оказывается в теле Теория Вероятностей, и Теория Вероятностей принимают значение равное нулю, когда точка Теория Вероятностей оказывается вне тела Теория Вероятностей. Тогда согласно геометрическому определению вероятности и закону больших чисел (см.разделы 7 и 12) полагаем

Теория Вероятностей(17.4)

Здесь n – число испытаний по бросанию точки Теория Вероятностей в куб Теория Вероятностей, m – число попаданий в тело Теория Вероятностей. Равенство (17.4) выполняется с большой точностью и с большой вероятностью, если число испытаний n достаточно велико.

Такие испытания, выполненные на компьютере при n=1000000 дали следующий результат

Теория Вероятностей(17.5)

Ответ:Вероятность Р(А) того, что Мария, Иван и Петр все встретятся равна 0.259.

Задача 17.2.:

Условия задачи 17.2. повторяют условия задачи 17.1. Но вопрос в задаче 17.2. является таким.

Какова вероятность, что встретятся по крайней мере двое из трех?

Решение:

Назовем событием В событие, что встретятся по крайней мере двое из трех. Повторим построения по аналогии с построением для задачи 17.1. Только в

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: