Основы теории вероятностей для актуариев. Основы игрового баланса: случайность и вероятность наступления разных событий

Изначально, будучи всего лишь собранием сведений и эмпирических наблюдений за игрой в кости, теория вероятности стала основательной наукой. Первыми, кто придал ей математический каркас, были Ферма и Паскаль.

От размышлений о вечном до теории вероятностей

Две личности, которым теория вероятностей обязана многими фундаментальными формулами, Блез Паскаль и Томас Байес, известны как глубоко верующие люди, последний был пресвитерианским священником. Видимо, стремление этих двух ученых доказать ошибочность мнения о некой Фортуне, дарующей удачу своим любимчикам, дало толчок к исследованиям в этой области. Ведь на самом деле любая азартная игра с ее выигрышами и проигрышами — это всего лишь симфония математических принципов.

Благодаря азарту кавалера де Мере, который в равной степени был игроком и человеком небезразличным к науке, Паскаль вынужден был найти способ расчета вероятности. Де Мере интересовал такой вопрос: "Сколько раз нужно выбрасывать попарно две кости, чтобы вероятность получить 12 очков превышала 50%?". Второй вопрос, крайне интересовавший кавалера: "Как разделить ставку между участниками незаконченной игры?" Разумеется, Паскаль успешно ответил на оба вопроса де Мере, который стал невольным зачинателем развития теории вероятностей. Интересно, что персона де Мере так и осталась известна в данной области, а не в литературе.

Ранее ни один математик еще не делал попыток вычислять вероятности событий, поскольку считалось, что это лишь гадательное решение. Блез Паскаль дал первое определение вероятности события и показал, что это конкретная цифра, которую можно обосновать математическим путем. Теория вероятностей стала основой для статистики и широко применяется в современной науке.

Что такое случайность

Если рассматривать испытание, которое можно повторить бесконечное число раз, тогда можно дать определение случайному событию. Это один из вероятных исходов опыта.

Опытом является осуществление конкретных действий в неизменных условиях.

Чтобы можно было работать с результатами опыта, события обычно обозначают буквами А, B, C, D, Е…

Вероятность случайного события

Чтобы можно было приступить к математической части вероятности, нужно дать определения всем ее составляющим.

Вероятность события - это выраженная в числовой форме мера возможности появления некоторого события (А или B) в результате опыта. Обозначается вероятность как P(A) или P(B).

В теории вероятностей отличают:

• достоверное событие гарантированно происходит в результате опыта Р(Ω) = 1;
• невозможное событие никогда не может произойти Р(Ø) = 0;
• случайное событие лежит между достоверным и невозможным, то есть вероятность его появления возможна, но не гарантирована (вероятность случайного события всегда в пределах 0≤Р(А)≤ 1).

Отношения между событиями

Рассматривают как одно, так и сумму событий А+В, когда событие засчитывается при осуществлении хотя бы одного из составляющих, А или В, или обоих - А и В.

По отношению друг к другу события могут быть:

• Равновозможными.
• Совместимыми.
• Несовместимыми.
• Противоположными (взаимоисключающими).
• Зависимыми.

Если два события могут произойти с равной вероятностью, то они равновозможные .

Если появление события А не сводит к нулю вероятность появление события B, то они совместимые.

Если события А и В никогда не происходят одновременно в одном и том же опыте, то их называют несовместимыми . Бросание монеты - хороший пример: появление решки - это автоматически непоявление орла.

Вероятность для суммы таких несовместимых событий состоит из суммы вероятностей каждого из событий:

Р(А+В)=Р(А)+Р(В)

Если наступление одного события делает невозможным наступление другого, то их называют противоположными. Тогда одно из них обозначают как А, а другое - Ā (читается как «не А»). Появление события А означает, что Ā не произошло. Эти два события формируют полную группу с суммой вероятностей, равной 1.

Зависящие события имеют взаимное влияние, уменьшая или увеличивая вероятность друг друга.

Отношения между событиями. Примеры

На примерах гораздо проще понять принципы теории вероятностей и комбинации событий.

Опыт, который будет проводиться, заключается в вытаскивании шариков из ящика, а результата каждого опыта - элементарный исход.

Событие - это один из возможных исходов опыта - красный шар, синий шар, шар с номером шесть и т. д.

Испытание №1. Участвуют 6 шаров, три из которых окрашены в синий цвет, на них нанесены нечетные цифры, а три других - красные с четными цифрами.

Испытание №2. Участвуют 6 шаров синего цвета с цифрами от одного до шести.

Исходя из этого примера, можно назвать комбинации:

• Достоверное событие. В исп. №2 событие «достать синий шар» достоверное, поскольку вероятность его появления равна 1, так как все шары синие и промаха быть не может. Тогда как событие «достать шар с цифрой 1» - случайное.
• Невозможное событие. В исп. №1 с синими и красными шарами событие «достать фиолетовый шар» невозможное, поскольку вероятность его появления равна 0.
• Равновозможные события. В исп. №1 события «достать шар с цифрой 2» и «достать шар с цифрой 3» равновозможные, а события «достать шар с четным числом» и «достать шар с цифрой 2» имеют разную вероятность.
• Совместимые события. Два раза подряд получить шестерку в процессе бросания игральной кости - это совместимые события.
• Несовместимые события. В том же исп. №1 события «достать красный шар» и «достать шар с нечетным числом» не могут быть совмещены в одном и том же опыте.
• Противоположные события. Наиболее яркий пример этого - подбрасывание монет, когда вытягивание орла равносильно невытягиванию решки, а сумма их вероятностей - это всегда 1 (полная группа).
• Зависимые события . Так, в исп. №1 можно задаться целью извлечь два раза подряд красный шар. Его извлечение или неизвлечение в первый раз влияет на вероятность извлечения во второй раз.

Видно, что первое событие существенно влияет на вероятность второго (40% и 60%).

Формула вероятности события

Переход от гадательных размышлений к точным данным происходит посредством перевода темы в математическую плоскость. То есть суждения о случайном событии вроде "большая вероятность" или "минимальная вероятность" можно перевести к конкретным числовым данным. Такой материал уже допустимо оценивать, сравнивать и вводить в более сложные расчеты.

С точки зрения расчета, определение вероятности события - это отношение количества элементарных положительных исходов к количеству всех возможных исходов опыта относительно определенного события. Обозначается вероятность через Р(А), где Р означает слово «probabilite», что с французского переводится как «вероятность».

Итак, формула вероятности события:

Где m - количество благоприятных исходов для события А, n - сумма всех исходов, возможных для этого опыта. При этом вероятность события всегда лежит между 0 и 1:

0 ≤ Р(А)≤ 1.

Расчет вероятности события. Пример

Возьмем исп. №1 с шарами, которое описано ранее: 3 синих шара с цифрами 1/3/5 и 3 красных с цифрами 2/4/6.

На основании этого испытания можно рассматривать несколько разных задач:

• A - выпадение красного шара. Красных шаров 3, а всего вариантов 6. Это простейший пример, в котором вероятность события равна Р(А)=3/6=0,5.
• B - выпадение четного числа. Всего четных чисел 3 (2,4,6), а общее количество возможных числовых вариантов - 6. Вероятность этого события равна Р(B)=3/6=0,5.
• C - выпадение числа, большего, чем 2. Всего таких вариантов 4 (3,4,5,6) из общего количества возможных исходов 6. Вероятность события С равна Р(С)=4/6=0,67.

Как видно из расчетов, событие С имеет большую вероятность, поскольку количество вероятных положительных исходов выше, чем в А и В.

Несовместные события

Такие события не могут одновременно появиться в одном и том же опыте. Как в исп. №1 невозможно одновременно достать синий и красный шар. То есть можно достать либо синий, либо красный шар. Точно так же в игральной кости не могут одновременно появиться четное и нечетное число.

Вероятность двух событий рассматривается как вероятность их суммы или произведения. Суммой таких событий А+В считается такое событие, которое состоит в появлении события А или В, а произведение их АВ - в появлении обоих. Например, появление двух шестерок сразу на гранях двух кубиков в одном броске.

Сумма нескольких событий являет собой событие, предполагающее появление, по крайней мере, одного из них. Произведение нескольких событий - это совместное появление их всех.

В теории вероятности, как правило, употребление союза "и" обозначает сумму, союза "или" - умножение. Формулы с примерами помогут понять логику сложения и умножения в теории вероятностей.

Вероятность суммы несовместных событий

Если рассматривается вероятность несовместных событий, то вероятность суммы событий равна сложению их вероятностей:

Р(А+В)=Р(А)+Р(В)

Например: вычислим вероятность того, что в исп. №1 с синими и красными шарами выпадет число между 1 и 4. Рассчитаем не в одно действие, а суммой вероятностей элементарных составляющих. Итак, в таком опыте всего 6 шаров или 6 всех возможных исходов. Цифры, которые удовлетворяют условие, - 2 и 3. Вероятность выпадения цифры 2 составляет 1/6, вероятность цифра 3 также 1/6. Вероятность того, что выпадет цифра между 1 и 4 равна:

Вероятность суммы несовместимых событий полной группы равна 1.

Так, если в опыте с кубиком сложить вероятности выпадения всех цифр, то в результате получим единицу.

Также это справедливо для противоположных событий, например в опыте с монетой, где одна ее сторона - это событие А, а другая - противоположное событие Ā, как известно,

Р(А) + Р(Ā) = 1

Вероятность произведения несовместных событий

Умножение вероятностей применяют, когда рассматривают появление двух и более несовместных событий в одном наблюдении. Вероятность того, что в нем появятся события A и B одновременно, равна произведению их вероятностей, или:

Р(А*В)=Р(А)*Р(В)

Например, вероятность того, что в исп. №1 в результате двух попыток два раза появится синий шар, равна

То есть вероятность наступления события, когда в результате двух попыток с извлечением шаров будет извлечены только синие шары, равна 25%. Очень легко проделать практические эксперименты этой задачи и увидеть, так ли это на самом деле.

Совместные события

События считаются совместными, когда появление одного из них может совпасть с появлением другого. Несмотря на то что они совместные, рассматривается вероятность независимых событий. К примеру, бросание двух игральных костей может дать результат, когда на обеих из них выпадает цифра 6. Хотя события совпали и появились одновременно, они независимы друг от друга - могла выпасть всего одна шестерка, вторая кость на нее влияния не имеет.

Вероятность совместных событий рассматривают как вероятность их суммы.

Вероятность суммы совместных событий. Пример

Вероятность суммы событий А и В, которые по отношению к друг другу совместные, равняется сумме вероятностей события за вычетом вероятности их произведения (то есть их совместного осуществления):

Р совместн. (А+В)=Р(А)+Р(В)- Р(АВ)

Допустим, что вероятность попадания в мишень одним выстрелом равна 0,4. Тогда событие А - попадание в мишень в первой попытке, В - во второй. Эти события совместные, поскольку не исключено, что можно поразить мишень и с первого, и со второго выстрела. Но события не являются зависимыми. Какова вероятность наступления события поражения мишени с двух выстрелов (хотя бы с одного)? Согласно формуле:

0,4+0,4-0,4*0,4=0,64

Ответ на вопрос следующий: "Вероятность попасть в цель с двух выстрелов равна 64%".

Эта формула вероятности события может быть применима и к несовместным событиям, где вероятность совместно появления события Р(АВ) = 0. Это значит, что вероятность суммы несовместных событий можно считать частным случаем предложенной формулы.

Геометрия вероятности для наглядности

Интересно, что вероятность суммы совместных событий может быть представлена в виде двух областей А и В, которые пересекаются между собой. Как видно из картинки, площадь их объединения равна общей площади за минусом области их пересечения. Это геометрическое пояснения делают более понятной нелогичную на первый взгляд формулу. Отметим, что геометрические решения - не редкость в теории вероятностей.

Определение вероятности суммы множества (больше двух) совместных событий довольно громоздкое. Чтобы вычислить ее, нужно воспользоваться формулами, которые предусмотрены для этих случаев.

Зависимые события

Зависимыми события называются в случае, если наступление одного (А) из них влияет на вероятность наступления другого (В). Причем учитывается влияние как появления события А, так и его непоявление. Хотя события и называются зависимыми по определению, но зависимо лишь одно из них (В). Обычная вероятность обозначалась как Р(В) или вероятность независимых событий. В случае с зависимыми вводится новое понятие - условная вероятность Р A (В) , которая является вероятностью зависимого события В при условии произошедшего события А (гипотезы), от которого оно зависит.

Но ведь событие А тоже случайно, поэтому у него также есть вероятность, которую нужно и можно учитывать в осуществляемых расчетах. Далее на примере будет показано, как работать с зависимыми событиями и гипотезой.

Пример расчета вероятности зависимых событий

Хорошим примером для расчета зависимых событий может стать стандартная колода карт.

На примере колоды в 36 карт рассмотрим зависимые события. Нужно определить вероятность того, что вторая карта, извлеченная из колоды, будет бубновой масти, если первая извлеченная:

1. Бубновая.
2. Другой масти.

Очевидно, что вероятность второго события В зависит от первого А. Так, если справедлив первый вариант, что в колоде стало на 1 карту (35) и на 1 бубну (8) меньше, вероятность события В:

Р A (В) =8/35=0,23

Если же справедлив второй вариант, то в колоде стало 35 карт, и по-прежнему сохранилось полное число бубен (9), тогда вероятность следующего события В:

Р A (В) =9/35=0,26.

Видно, что если событие А условлено в том, что первая карта - бубна, то вероятность события В уменьшается, и наоборот.

Умножение зависимых событий

Руководствуясь предыдущей главой, мы принимаем первое событие (А) как факт, но если говорить по сути, оно имеет случайный характер. Вероятность этого события, а именно извлечение бубны из колоды карт, равна:

Р(А) = 9/36=1/4

Поскольку теория не существует сама по себе, а призвана служить в практических целях, то справедливо отметить, что чаще всего нужна вероятность произведения зависимых событий.

Согласно теореме о произведении вероятностей зависимых событий, вероятность появления совместно зависимых событий А и В равна вероятности одного события А, умноженная на условную вероятность события В (зависимого от А):

Р(АВ) = Р (А) *Р A (В)

Тогда в примере с колодой вероятность извлечения двух карт с мастью бубны равна:

9/36*8/35=0,0571, или 5,7%

И вероятность извлечения вначале не бубны, а потом бубны, равна:

27/36*9/35=0,19, или 19%

Видно, что вероятность появления события В больше при условии, что первой извлекается карта масти, отличной от бубны. Такой результат вполне логичный и понятный.

Полная вероятность события

Когда задача с условными вероятностями становится многогранной, то обычными методами ее вычислить нельзя. Когда гипотез больше двух, а именно А1,А2,…,А n , ..образует полную группу событий при условии:

• P(A i)>0, i=1,2,…
• A i ∩ A j =Ø,i≠j.
• Σ k A k =Ω.

Итак, формула полной вероятности для события В при полной группе случайных событий А1,А2,…,А n равна:

Взгляд в будущее

Вероятность случайного события крайне необходима во многих сферах науки: эконометрике, статистике, в физике и т. д. Поскольку некоторые процессы невозможно описать детерминировано, так как они сами имеют вероятностный характер, необходимы особые методы работы. Теория вероятности события может быть использована в любой технологичной сфере как способ определить возможность ошибки или неисправности.

Можно сказать, что, узнавая вероятность, мы некоторым образом делаем теоретический шаг в будущее, разглядывая его через призму формул.

Профессиональный беттер должен хорошо ориентироваться в коэффициентах, быстро и правильно оценивать вероятность события по коэффициенту и при необходимости уметь перевести коэффициенты из одного формата в другой . В данном мануале мы расскажем о том, какие бывают виды коэффициентов, а так же на примерах разберём, как можно высчитывать вероятность по известному коэффициенту и наоборот.

Какие бывают типы коэффициентов?

Существует три основных вида коэффициентов, которые предлагают игрокам букмекеры: десятичные коэффициенты , дробные коэффициенты (английские) и американские коэффициенты . Наиболее распространённые коэффициенты в Европе - десятичные. В Северной Америке популярны американские коэффициенты. Дробные коэффициенты - наиболее традиционный вид, они сразу же отражают информацию о том сколько нужно поставить, чтобы получить определённую сумму.

Десятичные коэффициенты

Десятичные или еще их называют европейские коэффициенты - это привычный формат числа, представленный десятичной дробью с точностью до сотых, а иногда даже до тысячных. Пример десятичного коэффициента - 1.91. Рассчитать прибыль в случае с десятичными коэффициентами очень просто, достаточно лишь умножить сумму вашей ставки на этот коэффициент. Например, в матче "Манчестер Юнайтед" - "Арсенал" победа "МЮ" выставлена с коэффициентом - 2.05, ничья оценена коэффициентом - 3.9, а победа "Арсенала" равняется - 2.95. Предположим, что мы уверены в победе "Юнайтед" и ставим на них 1000 долларов. Тогда наш возможный доход рассчитывается следующим образом:

2.05 * $1000 = $2050;

Правда ведь ничего сложного?! Точно так же рассчитывается возможный доход при ставке на ничью и победу "Арсенала".

Ничья: 3.9 * $1000 = $3900;
Победа "Арсенала": 2.95 * $1000 = $2950;

Как рассчитать вероятность события по десятичным коэффициентам?

Представим теперь что нам нужно определить вероятность события по десятичным коэффициентам, которые выставил букмекер. Делается это так же очень просто. Для этого мы единицу делим на этот коэффициент.

Возьмем уже имеющиеся данные и посчитаем вероятность каждого события:

Победа "Манчестер Юнайтед": 1 / 2.05 = 0,487 = 48,7%;
Ничья: 1 / 3.9 = 0,256 = 25,6%;
Победа "Арсенала": 1 / 2.95 = 0,338 = 33,8%;

Дробные коэффициенты (Английские)

Как понятно из названия дробный коэффициент представлен обыкновенной дробью. Пример английского коэффициента - 5/2. В числителе дроби находиться число, являющееся потенциальной суммой чистого выигрыша, а в знаменателе расположено число обозначающее сумму которую нужно поставить, чтобы этот выигрыш получить. Проще говоря, мы должны поставить $2 доллара, чтобы выиграть $5. Коэффициент 3/2 означает что для того чтобы получить $3 чистого выигрыша нам придётся сделать ставку в размере $2.

Как рассчитать вероятность события по дробным коэффициентам?

Вероятность события по дробным коэффициентам рассчитать так же не сложно, нужно всего на всего разделить знаменатель на сумму числителя и знаменателя.

Для дроби 5/2 рассчитаем вероятность: 2 / (5+2) = 2 / 7 = 0,28 = 28%;
Для дроби 3/2 рассчитаем вероятность:

Американские коэффициенты

Американские коэффициенты в Европе непопулярны, зато в Северной Америке очень даже. Пожалуй, данный вид коэффициентов самый сложный, но это только на первый взгляд. На самом деле и в этом типе коэффициентов ничего сложного нет. Сейчас во всем разберёмся по порядку.

Главной особенностью американских коэффициентов является то, что они могут быть как положительными , так и отрицательными . Пример американских коэффициентов - (+150), (-120). Американский коэффициент (+150) означает, что для того чтобы заработать $150 нам нужно поставить $100. Иными словами положительный американский коэффициент отражает потенциальный чистый заработок при ставке в $100. Отрицательный же американский коэффициент отражает сумму ставки, которую необходимо сделать для того чтобы получить чистый выигрыш в $100. Например коэффициент (- 120) нам говорит о том, что поставив $120 мы выиграем $100.

Как рассчитать вероятность события по американским коэффициентам?

Вероятность события по американскому коэффициенту считается по следующим формулам:

(-(M)) / ((-(M)) + 100) , где M - отрицательный американский коэффициент;
100 / (P + 100) , где P - положительный американский коэффициент;

Например, мы имеем коэффициент (-120), тогда вероятность рассчитывается так:

(-(M)) / ((-(M)) + 100); подставляем вместо "M" значение (-120);
(-(-120)) / ((-(-120)) + 100 = 120 / (120 + 100) = 120 / 220 = 0,545 = 54,5%;

Таким образом, вероятность события с американским коэффициентом (-120) равна 54,5%.

Например, мы имеем коэффициент (+150), тогда вероятность рассчитывается так:

100 / (P + 100); подставляем вместо "P" значение (+150);
100 / (150 + 100) = 100 / 250 = 0,4 = 40%;

Таким образом, вероятность события с американским коэффициентом (+150) равна 40%.

Как зная процент вероятности перевести его в десятичный коэффициент?

Для того чтобы рассчитать десятичный коэффициент по известному проценту вероятности нужно 100 разделить на вероятность события в процентах. Например, вероятность события составляет 55%, тогда десятичный коэффициент этой вероятности будет равен 1,81.

100 / 55% = 1,81

Как зная процент вероятности перевести его в дробный коэффициент?

Для того чтобы рассчитать дробный коэффициент по известному проценту вероятности нужно от деления 100 на вероятность события в процентах отнять единицу. Например, имеем процент вероятности 40%, тогда дробный коэффициент этой вероятности будет равен 3/2.

(100 / 40%) - 1 = 2,5 - 1 = 1,5;
Дробный коэффициент равен 1,5/1 или 3/2.

Как зная процент вероятности перевести его в американский коэффициент?

Если вероятность события больше 50%, то расчёт производится по формуле:

- ((V) / (100 - V)) * 100, где V - вероятность;

Например, имеем вероятность события 80%, тогда американский коэффициент этой вероятности будет равен (-400).

- (80 / (100 - 80)) * 100 = - (80 / 20) * 100 = - 4 * 100 = (-400);

В случае если вероятность события меньше 50%, то расчёт производиться по формуле:

((100 - V) / V) * 100 , где V - вероятность;

Например, имеем процент вероятности события 20%, тогда американский коэффициент этой вероятности будет равен (+400).

((100 - 20) / 20) * 100 = (80 / 20) * 100 = 4 * 100 = 400;

Как перевести коэффициент в другой формат?

Бывают случаи, когда необходимо перевести коэффициенты из одного формата в другой. Например, у нас есть дробный коэффициент 3/2 и нам нужно перевести его в десятичный. Для перевода дробного коэффициента в десятичный мы сначала определяем вероятность события с дробным коэффициентом, а затем эту вероятность переводим в десятичный коэффициент.

Вероятность события с дробным коэффициентом 3/2 равна 40%.

2 / (3+2) = 2 / 5 = 0,4 = 40%;

Теперь переведём вероятность события в десятичный коэффициент, для этого 100 делим на вероятность события в процентах:

100 / 40% = 2.5;

Таким образом, дробный коэффициент 3/2 равен десятичному коэффициенту 2.5. Аналогичным образом переводятся, например, американские коэффициенты в дробные, десятичные в американские и т.д. Самое сложное во всём этом лишь расчёты.

Теория вероятности - довольно обширный самостоятельный раздел математики. В школьном курсе теория вероятности рассматривается очень поверхностно, однако в ЕГЭ и ГИА имеются задачи на данную тему. Впрочем, решать задачи школьного курса не так уж сложно (по крайней мере то, что касается арифметических операций) - здесь не нужно считать производные, брать интегралы и решать сложные тригонометрические преобразования - главное, уметь обращаться с простыми числами и дробями.

Теория вероятности - основные термины

Главные термины теории вероятности - испытание, исход и случайное событие. Испытанием в теории вероятности называют эксперимент - подбросить монету, вытянуть карту, провести жеребьевку - все это испытания. Результат испытания, как вы уже догадались, называется исходом.

А что же такое случайность события? В теории вероятности предполагается, что испытание проводится ни один раз и исходов много. Случайным событием называют множество исходов испытания. Например, если вы бросаете монету, может произойти два случайных события - выпадет орел или решка.

Не путайте понятия исход и случайное событие. Исход - это один результат одного испытания. Случайное событие - это множество возможных исходов. Существует, кстати, и такой термин, как невозможное событие. Например, событие "выпало число 8" на стандартном игровом кубике является невозможным.

Как найти вероятность?

Все мы примерно понимаем, что такое вероятность, и довольно часто используем данное слово в своем лексиконе. Кроме того, мы можем даже делать некоторые выводы относительно вероятности того или иного события, например, если за окном снег, мы с большой вероятностью можем сказать, что сейчас не лето. Однако как выразить данное предположение численно?

Для того чтобы ввести формулу для нахождения вероятности, введем еще одно понятие - благоприятные исход, т. е. исход, который является благоприятным для того или иного события. Определение довольно двусмысленное, конечно, однако по условию задачи всегда понятно, какой из исходов благоприятный.

Например: В классе 25 человек, трое из них Кати. Учитель назначает дежурной Олю, и ей нужен напарник. Какова вероятность того, что напарником станет Катя?

В данном примере благоприятный исход - напарник Катя. Чуть позже мы решим эту задачу. Но сначала введем с помощью дополнительного определения формулу для нахождения вероятности.

• Р = А/N, где P - вероятность, A - число благоприятных исходов, N - общее количество исходов.

Все школьные задачи крутятся вокруг одной этой формулы, и главная трудность обычно заключается в нахождении исходов. Иногда их найти просто, иногда - не очень.

Как решать задачи на вероятность?

Задача 1

Итак, теперь давайте решим поставленную выше задачу.

Число благоприятных исходов (учитель выберет Катю) равно трем, ведь Кать в классе три, а общих исходов - 24 (25-1, ведь Оля уже выбрана). Тогда вероятность равна: P = 3/24=1/8=0,125. Таким образом, вероятность того, что напарником Оли окажется Катя, составляет 12,5%. Несложно, правда? Давайте разберем кое-что посложней.

Задача 2

Монету бросили два раза, какова вероятность выпадения комбинации: один орел и одна решка?

Итак, считаем общие исходы. Как могут выпасть монеты - орел/орел, решка/решка, орел/решка, решка/орел? Значит, общее число исходов - 4. Сколько благоприятных исходов? Два - орел/решка и решка/орел. Таким образом, вероятность выпадения комбинации орел/решка равна:

• P = 2/4=0,5 или 50 процентов.

А теперь рассмотрим такую задачу. У Маши в кармане 6 монет: две - номиналом 5 рублей и четыре - номиналом 10 рублей. Маша переложила 3 монеты в другой карман. Какова вероятность того, что 5-рублевые монеты окажутся в разных карманах?

Для простоты обозначим монеты цифрами - 1,2 - пятирублевые монеты, 3,4,5,6 - десятирублевые монеты. Итак, как могут лежать монеты в кармане? Всего есть 20 комбинаций:

• 123, 124, 125, 126, 134, 135, 136, 145, 146, 156, 234, 235, 236, 245, 246, 256, 345, 346, 356, 456.

На первый взгляд может показаться, что некоторые комбинации пропали, например, 231, однако в нашем случае комбинации 123, 231 и 321 равнозначны.

Теперь считаем, сколько у нас благоприятных исходов. За них берем те комбинации, в которых есть либо цифра 1, либо цифра 2: 134, 135, 136, 145, 146, 156, 234, 235, 236, 245, 246, 256. Их 12. Таким образом, вероятность равна:

• P = 12/20 = 0,6 или 60%.

Задачи по теории вероятности, представленные здесь, довольно простые, однако не думайте, что теория вероятности - это простой раздел математики. Если вы решите продолжать образование в вузе (за исключением гуманитарных специальностей), у вас обязательно будут пары по высшей математике, на которых вас ознакомят с более сложными терминами данной теории, и задачи там будут куда сложнее.

Все на свете происходит детерминировано или случайно…
Аристотель

Вероятность: основные правила

Теория вероятностей вычисляет вероятности различных событий. Основным в теории вероятностей является понятие случайного события.

Например, вы бросаете монету, она случайным образом падает на герб или решку. Заранее вы не знаете, на какую сторону монета упадет. Вы заключаете договор страхования, заранее вы не знаете, будут или нет проводиться выплаты.

В актуарных расчетах нужно уметь оценивать вероятность различных событий, поэтому теория вероятностей играет ключевую роль. Ни одна другая область математики не может оперировать с вероятностями событий.

Рассмотрим более подробно подбрасывание монеты. Имеется 2 взаимно исключающих исхода: выпадение герба или выпадение решки. Исход бросания является случайным, так как наблюдатель не может проанализировать и учесть все факторы, которые влияют на результат. Какова вероятность выпадения герба? Большинство ответит ½, но почему?

Пусть формально А обозначает выпадение герба. Пусть монета бросается n раз. Тогда вероятность события А можно определить как долю тех бросков, в результате которых выпадает герб:

где n общее количество бросков, n(A) число выпадений герба.

Отношение (1) называется частотой события А в длинной серии испытаний.

Оказывается, в различных сериях испытаний соответствующая частота при больших n группируется около некоторой постоянной величины Р(А) . Эта величина называется вероятностью события А и обозначается буквой Р - сокращение от английского слова probability - вероятность .

Формально имеем:

(2)

Этот закон называется законом больших чисел.

Если монета правильная (симметричная), то вероятность выпадения герба равняется вероятности выпадения решки и равняется ½.

Пусть А и В некоторые события, например, произошел или нет страховой случай. Объединением двух событий называется событие, состоящее в выполнении события А , события В , или обоих событий вместе. Пересечением двух событий А и В называется событие, состоящее в осуществлении как события А , так и события В .

Основные правила исчисления вероятностей событий следующие:

1. Вероятность любого события заключена между нулем и единицей:

2. Пусть А и В два события, тогда:

Читается так: вероятность объединения двух событий равна сумме вероятностей этих событий минус вероятность пересечения событий. Если события являются несовместными или непересекающимися, то вероятность объединения (суммы) двух событий равна сумме вероятностей. Этот закон называется законом сложения вероятностей .

Мы говорим, что события является достоверным, если его вероятность равна 1. При анализе тех или иных явлений возникает вопрос, как влияет наступление события В на наступление события А . Для этого вводится условная вероятность :

(4)

Читается так: вероятность наступления А при условии В равняется вероятности пересечения А и В , деленной на вероятность события В .
В формуле (4) предполагается, что вероятность события В больше нуля.

Формулу (4) можно записать также в виде:

(5)

Это формула умножения вероятностей.

Условную вероятность называют также апостериорной вероятностью события А - вероятность наступления А после наступления В .

В этом случае саму вероятность называют априорной вероятностью. Имеется еще несколько важных формул, которые интенсивно используются в актуарных расчетах.

Формула полной вероятности

Допустим, что проводится опыт, об условиях которого можно заранее сделать взаимно исключающие друг друга предположения (гипотезы):

Мы предполагаем, что имеет место либо гипотеза , либо … либо. Вероятности этих гипотез известны и равны:

Тогда имеет место формула полной вероятности :

(6)

Вероятность наступления события А равна сумме произведений вероятности наступления А при каждой гипотезе на вероятность этой гипотезы.

Формула Байеса

Формула Байеса позволяет пересчитывать вероятность гипотез в свете новой информации, которую дал результат А .

Формула Байеса в известном смысле является обратной к формуле полной вероятности.

Рассмотрим следующую практическую задачу.

Задача 1

Предположим, произошла авиакатастрофа и эксперты заняты исследованием ее причин. Заранее известны 4 причины, по которым произошла катастрофа: либо причина, либо , либо , либо . По имеющейся статистике эти причины имеют следующие вероятности:

При осмотре места катастрофы найдены следы воспламенения горючего, согласно статистике вероятность этого события при тех или иных причинах такая:

Вопрос: какая причина катастрофы наиболее вероятна?

Вычислим вероятности причин при условия наступления события А .

Отсюда видно, что наиболее вероятной является первая причина, так как ее вероятность максимальна.

Задача 2

Рассмотрим посадку самолета на аэродром.

При посадке погодные условия могут быть такими: низкой облачности нет (), низкая облачность есть (). В первом случае вероятность благополучной посадки равна P1 . Во втором случае - Р2 . Ясно, что P1>P2 .

Приборы, обеспечивающие слепую посадку, имеют вероятность безотказной работы Р . Если есть низкая облачность и приборы слепой посадки отказали, вероятность удачного приземления равна Р3 , причем Р3<Р2 . Известно, что для данного аэродрома доля дней в году с низкой облачностью равна .

Найти вероятность благополучной посадки самолета.

Нужно найти вероятность .

Имеются два взаимно исключающих варианта: приборы слепой посадки действуют, приборы слепой посадки отказали, поэтому имеем:

Отсюда по формуле полной вероятности:

Задача 3

Страховая компания занимается страхованием жизни. 10% застрахованных в этой компании являются курильщиками. Если застрахованный не курит, вероятность его смерти на протяжении года равна 0.01 Если же он курильщик, то эта вероятность равна 0.05.

Какова доля курильщиков среди тех застрахованных, которые умерли в течение года?

Варианты ответов: (А) 5%, (Б) 20%, (В) 36 %, (Г) 56%, (Д) 90%.

Решение

Введём события:

Условие задачи означает, что

Кроме того, поскольку события и образуют полную группу попарно несовместимых событий, то .
Интересующая нас вероятность - это .

Используя формулу Байеса, мы имеем:

поэтому верным является вариант (В ).

Задача 4

Страховая компания продаёт договора страхования жизни трёх категорий: стандартные, привилегированные и ультрапривилегированные.

50% всех застрахованных являются стандартными, 40% - привилегированными и 10% - ультрапривилегированными.

Вероятность смерти в течение года для стандартного застрахованного равна 0.010, для привилегированного - 0.005, а для ультра привилегированного - 0.001.

Чему равна вероятность того, что умерший застрахованный является ультрапривилегированным?

Решение

Введем в рассмотрение следующие события:

В терминах этих событий интересующая нас вероятность - это . По условию:

Поскольку события , , образуют полную группу попарно несовместимых событий, используя формулу Байеса мы имеем:

Случайные величины и их характеристики

Пусть некоторая случайная величина, например, ущерб от пожара или величина страховых выплат.
Случайная величина полностью характеризуется своей функцией распределения.

Определение. Функция называется функцией распределения случайной величины ξ .

Определение. Если существует такая функция , что для произвольных a выполнено

то говорят, что случайная величина ξ имеет плотность распределения вероятности f(x) .

Определение. Пусть . Для непрерывной функции распределения F теоретической α-квантилью называется решение уравнения .

Такое решение может быть не единственным.

Квантиль уровня ½ называется теоретической медианой , квантили уровней ¼ и ¾ - нижней и верхней квартилями соответственно.

В актуарных приложениях важную роль играет неравенство Чебышева:

при любом

Символ математического ожидания.

Читается так: вероятность того, что модуль больше меньше или равняется математическому ожиданию величины модуль , деленному на .

Время жизни как случайная величина

Неопределенность момента смерти является основным фактором риска при страховании жизни.

Относительно момента смерти отдельного человека нельзя сказать ничего определенного. Однако если мы имеем дело с большой однородной группой людей и не интересуемся судьбой отдельных людей из этой группы, то мы находимся в рамках теории вероятностей как науки о массовых случайных явлениях, обладающих свойством устойчивости частот.

Соответственно, мы можем говорить о продолжительности жизни как о случайной величине Т.

Функция выживания

В теории вероятностей описывают стохастическую природу любой случайной величины Т функцией распределения F (x), которая определяется как вероятность того, что случайная величина Т меньше, чем число x :

.

В актуарной математике приятно работать не с функцией распределения, а с дополнительной функцией распределения . Применительно к продолжительной жизни - это вероятность того, что человек доживет до возраста x лет.

называется функцией выживания (survival function ):

Функция выживания обладает следующими свойствами:

В таблицах продолжительности жизни обычно считают, что существует некоторый предельный возраст (limiting age ) (как правило, лет) и соответственно при x >.

При описании смертности аналитическими законами обычно считают, что время жизни неограниченно, однако подбирают вид и параметры законов так, чтобы вероятность жизни свыше некоторого возраста была пренебрежимо мала.

Функция выживания имеет простой статистический смысл.

Допустим, что мы наблюдаем за группой из новорожденных (как правило, ), которых мы наблюдаем и можем фиксировать моменты их смерти.

Обозначим число живых представителей этой группы в возрасте через . Тогда:

.

Символ E здесь и ниже используется для обозначения математического ожидания.

Итак, функция выживания равна средней доле доживших до возраста из некоторой фиксированной группы новорожденных.

В актуарной математике часто работают не с функцией выживания , а с только что введенной величиной (зафиксировав начальный размер группы ).

Функция выживания может быть восстановлена по плотности:

Характеристики продолжительности жизни

С практической точки зрения важны следующие характеристики:

1 . Среднее время жизни

,
2 . Дисперсия времени жизни

,
где
,

Раздел 1. Случайные события (50 часов)

Тематический план дисциплины для студентов очно-заочной формы обучения

Тематический план дисциплины для студентов заочной формы обучения

2.3. Структурно-логическая схема дисциплины

Математика ч.2. Теория вероятностей и элементы математической статистики Теория

Раздел 1 Случайные события

Раздел 3 Элементы математической статистики

Раздел 2 Случайные величины

2.5. Практический блок

2.6. Балльно-рейтинговая система

Информационные ресурсы дисциплины

Библиографический список Основной:

3.2. Опорный конспект по курсу “ Математика ч.2. Теория вероятностей и элементы математической статистики” введение

Раздел 1. Случайные события

1.1. Понятие случайного события

1.1.1. Сведения из теории множеств

1.1.2. Пространство элементарных событий

1.1.3. Классификация событий

1.1.4. Сумма и произведение событий

1.2. Вероятности случайных событий.

1.2.1. Относительная частота события, аксиомы теории вероятностей. Классическое определение вероятности

1.2.2. Геометрическое определение вероятности

Вычисление вероятности события через элементы комбинаторного анализа

1.2.4. Свойства вероятностей событий

1.2.5. Независимые события

1.2.6. Расчет вероятности безотказной работы прибора

Формулы для вычисления вероятности событий

1.3.1. Последовательность независимых испытаний (схема Бернулли)

1.3.2. Условная вероятность события

1.3.4. Формула полной вероятности и формула Байеса

Раздел 2. Случайные величины

2.1. Описание случайных величин

2.1.1. Определение и способы задания случайной величины Одним из основных понятий теории вероятности является понятие случайной величины. Рассмотрим некоторые примеры случайных величин:

Чтобы задать случайную величину, надо указать ее закон распределения. Случайные величины принято обозначать греческими буквами ,,, а их возможные значения – латинскими буквами с индексамиxi,yi,zi.

2.1.2. Дискретные случайные величины

Рассмотрим события Ai , содержащие все элементарные события , приводящие к значению XI:

Пусть pi обозначает вероятность события Ai:

2.1.3. Непрерывные случайные величины

2.1.4. Функция распределения и ее свойства

2.1.5. Плотность распределения вероятности и ее свойства

2.2. Числовые характеристики случайных величин

2.2.1. Математическое ожидание случайной величины

2.2.2. Дисперсия случайной величины

2.2.3. Нормальное распределение случайной величины

2.2.4. Биномиальное распределение

2.2.5. Распределение Пуассона

Раздел 3. Элементы математической статистики

3.1. Основные определения

Гистограмма

3.3. Точечные оценки параметров распределения

Основные понятия

Точечные оценки математического ожидания и дисперсии

3.4. Интервальные оценки

Понятие интервальной оценки

Построение интервальных оценок

Основные статистические распределения

Интервальные оценки математического ожидания нормального распределения

Интервальная оценка дисперсии нормального распределения

Заключение

Глоссарий

4. Методические указания к выполнению лабораторных работ

Библиографический список

Лабораторная работа 1 описание случайных величин. Числовые характеристики

Порядок выполнения лабораторной работы

Лабораторная работа 2 Основные определения. Систематизация выборки. Точечные оценки параметров распределения. Интервальные оценки.

Понятие статистической гипотезы о виде распределения

Порядок выполнения лабораторной работы

Ячейка Значение Ячейка Значение

5. Методические указания к выполнению контрольной работы Задание на контрольную работу

Методические указания к выполнению контрольной работы События и их вероятности

Случайные величины

Среднее квадратическое отклонение

Элементы математической статистики

6. Блок контроля освоения дисциплины

Вопросы для экзамена по курсу « Математика ч.2. Теория вероятностей и элементы математической статистики»

Продолжение таблицы в

Окончание таблицы в

Равномерно распределенные случайные числа

Содержание

Раздел 1. Случайные события………………………………………. 18

Раздел 2 . Случайные величины..………………………… ….. 41

Раздел 3. Элементы математической статистики............... . 64

4. Методические указания к выполнению лабораторных

5. Методические указания к выполнению контрольной

1. Формулы для вычисления вероятности событий

1.3.1. Последовательность независимых испытаний (схема Бернулли)

Предположим, что некоторый эксперимент можно проводить неоднократно при одних и тех же условиях. Пусть этот опыт производится n раз, т. е. проводится последовательность из n испытаний.

Определение. Последовательность n испытаний называют взаимно независимой , если любое событие, связанное с данным испытанием, не зависит от любых событий, относящихся к остальным испытаниям.

Допустим, что некоторое событие A может произойти с вероятностью p в результате одного испытания или не произойти с вероятностью q = 1- p .

Определение . Последовательность из n испытаний образует схему Бернулли, если выполняются следующие условия:

последовательность n испытаний взаимно независима,

2) вероятность события A не изменяется от испытания к испытанию и не зависит от результата в других испытаниях.

Событие A называют “ успехом” испытания, а противоположное событие - “неудачей”. Рассмотрим событие

={ в n испытаниях произошло ровно m “успехов”}.

Для вычисления вероятности этого события справедлива формула Бернулли

p () =
, m = 1, 2, …, n , (1.6)

где - число сочетаний из n элементов по m :

=
=
.

Пример 1.16. Три раза подбрасывают кубик. Найти:

а) вероятность того, что 6 очков выпадет два раза;

б) вероятность того, что число шестерок не появится более двух раз.

Решение . “Успехом” испытания будем считать выпадение на кубике грани с изображением 6 очков.

а) Общее число испытаний – n =3, число “успехов” – m = 2. Вероятность “успеха” - p =, а вероятность “неудачи” - q = 1 - =. Тогда по формуле Бернулли вероятность того, что результате трехразового бросания кубика два раза выпадет сторона с шестью очками, будет равна

.

б) Обозначим через А событие, которое заключается в том, что грань с числом очков 6 появится не более двух раз. Тогда событие можно представить в виде суммы трех несовместных событий А=
,

где В 3 0 – событие, когда интересующая грань ни разу не появится,

В 3 1 - событие, когда интересующая грань появится один раз,

В 3 2 - событие, когда интересующая грань появится два раза.

По формуле Бернулли (1.6) найдем

p (А ) = р (
) = p (
)=
+
+
=

=
.

1.3.2. Условная вероятность события

Условная вероятность отражает влияние одного события на вероятность другого. Изменение условий, в которых проводится эксперимент, также влияет

на вероятность появления интересующего события.

Определение. Пусть A и B – некоторые события, и вероятность p (B )> 0.

Условной вероятностью события A при условии, что “событие B уже произошло” называется отношение вероятности произведения данных событий к вероятности события, которое произошло раньше, чем событие, вероятность которого требуется найти. Условная вероятность обозначается как p (A  B ). Тогда по определению

p (A  B ) =
. (1.7)

Пример 1.17. Подбрасывают два кубика. Пространство элементарных событий состоит из упорядоченных пар чисел

(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)

(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)

(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)

(6,1) (6,2) (6,3) (6,4) (6,5) (6,6).

В примере 1.16 было установлено, что событие A ={число очков на первом кубике > 4} и событие C ={сумма очков равна 8} зависимы. Составим отношение

.

Это отношение можно интерпретировать следующим образом. Допустим, что о результате первого бросания известно, что число очков на первом кубике > 4. Отсюда следует, что бросание второго кубика может привести к одному из 12 исходов, составляющих событие A :

(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)

(6,1) (6,2) (6,3) (6,4) (6,5) (6,6) .

При этом событию C могут соответствовать только два из них (5,3) (6,2). В этом случае вероятность события C будет равна
. Таким образом, информация о наступлении событияA оказала влияние на вероятность события C .

Вероятность произведения событий

Теорема умножения

Вероятность произведения событий A 1 A 2  A n определяется формулой

p (A 1 A 2  A n ) = p (A 1) p (A 2  A 1)) p (A n  A 1 A 2  A n- 1). (1.8)

Для произведения двух событий отсюда следует, что

p (AB ) = p (A  B) p {B ) = p (B  A ) p {A ). (1.9)

Пример 1.18. В партии из 25 изделий 5 изделий бракованных. Последовательно наугад выбирают 3 изделия. Определить вероятность того, что все выбранные изделия бракованные.

Решение. Обозначим события:

A 1 = {первое изделие бракованное},

A 2 = {второе изделие бракованное},

A 3 = {третье изделие бракованное},

A = {все изделия бракованные}.

Событие А есть произведение трех событий A = A 1 A 2 A 3 .

Из теоремы умножения (1.6) получим

p (A ) = р( A 1 A 2 A 3 ) = p (A 1) p (A 2  A 1))p (A 3  A 1 A 2).

Классическое определение вероятности позволяет найти p (A 1) – это отношение числа бракованных изделий к общему количеству изделий:

p (A 1)= ;

p (A 2) – это отношение числа бракованных изделий, оставшихся после изъятия одного, к общему числу оставшихся изделий:

p (A 2  A 1))= ;

p (A 3) – это отношение числа бракованных изделий, оставшихся после изъятия двух бракованных, к общему числу оставшихся изделий:

p (A 3  A 1 A 2)=.

Тогда вероятность события A будет равна

p (A ) ==
.