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,…, Аn, образующих полную группу несовместных событий ( , ). Эти события будем называть гипотезами.
А1 А2 А3
ВА1 ВА2 ВА3
ВАn-2 ВАn-1 ВАn
Аn-2 Аn-1 Аn
Применяя формулу для вероятности суммы несовместных событий, получимформулу 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(ВАi) = =
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 1й шар белый B и второй белый. Событие В – вытащить 2й 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 pk(1 - p)n-k или pkqn-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 дискретнойслучайнойвеличины 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, pn
x1 x2 x3 …xn
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 . = .
Дата добавления: 2016-07-27; просмотров: 2588;