Вы находитесь на странице: 1из 109

Ю.С.ХАРИН, Н.М.ЗУЕВ

ЛЕКЦИИ

ПО

ТЕОРИИ ВЕРОЯТНОСТЕЙ

БГУ МИНСК - 2003

Предисловие

1

Случайные события и их вероятности

1.1 Введение. Предмет теории вероятностей

Определение 1. Теория вероятностей - это математическая наука, изучающая математические модели случайных экспериментов.

Любой эксперимент S характеризуется двумя факторами:

1) U(комплекс условий, при котором S происходит);

2) результаты эксперимента, то есть некоторые события

, наступление или

ненаступление которых регистрируется в ходе проведения S с помощью некоторых

приборов.

1 ,

2 ,

Для любого эксперимента комплекс условий U влияет на результат: U A i . В зависимости от типа этого влияния существует следующая классификация типов экспериментов. Всевозможные эксперименты делятся на детерминированные и недетерминированные, среди последних в свою очередь различают случайные эксперименты и прочие.

Определение 2. Эксперимент S называется детерминированным, если комплекс условий U однозначно определяет результат(исход) эксперимента.

Приведем примеры S 1 S 5 и дадим их классификацию. S 1 : U = {дистиллированная вода - 1 литр, = 20 0 C, p = 670 мм рт. ст.}, A 1 = {вода в жидком состоянии}, A 2 = {вода в твёрдом состоянии}, A 3 = {вода в газообразном

состоянии}. Очевидно: U A 1 , A 2 , A 3 - однозначно.

Определение 3. Событие А, которое при данном комплексе условий U неизбежно наступает, называется достоверным событием. Событие B, которое неизбежно не наступает называется невозможным событием.

События A 2 , A 3 (в данном примере) - невозможные события, а событие A 1 - достоверное. В детерминированных экспериментах события либо достоверны, либо невозможны.

S 2 : U = {экзаменатор перемешивает 40 экзаменационных билетов, студент наудачу

извлекает 1 билет}, A = {номер извлечённого билета чётный}. U A или A.

S 3 : U = {над плоской поверхностью наудачу бросают симметричную монету герб -

решётка }, A = {выпал герб}. U A или A.

S 4 : U = {рассматривается рабочий день филиала акционерного коммерческого банка

"Prior"}, A = {число посетителей = k}, где k - некоторое целое число. U A или A.

S 5 : U = {аудитория 513 главного корпуса БГУ, 2012 год 7 февраля 9.00 утра}, A = {в

аудитории находится 10 студенток}. U A или A.

3

Определение 4. Недетерминированный эксперимент S называется случайным экспериментом, если выполняются следующие два свойства:

1) он допускает массовое, n-кратное (n → ∞) повторение; 2) выполняется свойство "статистической устойчивости частот".

Свойство "статистической устойчивости частот".

Пусть эксперимент S осуществлен n-кратно (серия из n независимых экспериментов). Обозначим:

m n (A) - число наступлений события А в эксперименте (абсолютная частота А);

ν n (A) = m n (A) - относительная частота А, 0 ν n (A) 1.

n

Свойство статистической устойчивости состоит в том, что для любого события A при возрастании n последовательность относительных частот сходится к некоторому пределу:

ν n (A) n P = P(A), где P(A) [0, 1]- вероятность случайного события А.

−→

Для экспериментов S 2 S 4 свойство n-кратного повторения выполняется, а для S 5 - нет. Проверим свойство статистической устойчивости для S 2 S 4 .

S 2 : ν n (A)−→ 1 2 (то есть приблизительно в половине случаев выпадает чётный номер билета).

S 3 : ν n (A)−→

1

2 .

S 4 : ν n (A)−→ P( ) = λ k e λ , λ > 0, k N, где λ - некоторый параметр, который характеризует определённый филиал данного банка. Это установлено статистической обработкой наблюдений.

k!

В случайном эксперименте приходится иметь дело не только с достоверными и невозможными событиями, но и со случайными событиями.

Упражнение 1. Прочитать историю возникновения и развития теории вероятности.

Упражнение 2. Проверить свойства статистической устойчивости частот в следующем компьютерном эксперименте: наудачу бросается точка в отрезок [0; 1]. А = {точка попала на [0; 0,5]} Вычислить ν n (A), задав n и построить график зависимости ν n от n. Использовать компьютерные датчики случайных чисел.

4

1.2

Случайные события и соотношения между ними

Конструктивная идея для построения математической модели случайных событий :

определить некоторый полный набор всевозможных простейших(элементарных) исходов случайных экспериментов S и построить интересующее нас событие из этих элементарных исходов.

Определение 1. События, составляющие множество {ω} простейших исходов случайного эксперимента S, называются элементарными событиями(ЭС), если:

1) все эти элементарные события различны;

2) наступление одного из исходов исключает наступление всех остальных;

3) в ходе эксперимента одно из элементарных событий неизбежно наступает.

При этом множество = {ω}, составленное из всех этих элементарных событий, называется пространством элементарных событий.

Определение 2. Объединение А некоторых элементарных событий из называется случайным событием. Иначе говоря, случайное событие - подмножество пространства элементарных событий: А . При этом: A = достоверное событие(включает все элементарные события); = ø - невозможное событие.

Замечание 1. А наступает всякий раз, когда наступает некоторое элементарное событие ω A. Если ω A, то говорят, что элементарное событие(исход) ω благоприятствует наступлению события А.

Замечание 2. элементарные события и пространство элементарных событий строятся неоднозначно.

Примеры пространств элементарных событий

1. Бросание наудачу одной монеты (см. стр. 3): ω 1 = { }, ω 2 = { }, = {ω 1 , ω 2 }, || = 2.

2. Бросание наудачу двух монет: ω 1 = {( , )}, ω 2 = {( , P )}, ω 1 = {(P, )}, ω 2 = {(P, P )}, = {ω 1 , ω 2 , ω 3 , ω 4 }, || = 4.

3. Экзаменатор - студент - 2N билетов (см. стр. 3): ω i = {номер извлеченного билета =

i}, i = 1, 2N, = {ω 1 , ω 2 ,

,

ω 2N }, A = {ω 2 , ω 4 ,

,

ω 2N } ⊂ , |A| = N.

4. АКБ "Prior"(см. стр. 3): ω i = {число посетителей = i}, i = 0,1,2,

,

= {ω 0 , ω 1 ,

}

счётное множество, А = {число посетителей больше k} = {ω k+1 , ω k+2 ,

} - счётное.

-

5. Имеется некоторая производственная коммерческая фирма. Нас интересует её ежедневный доход: ω x = {доход за один день составил величину x}, где x R, = {ω x : x R}; A = { доход меньше чем z } = {ω x : x < z}.

5

Зададим соотношение между событиями с помощью следующей таблицы, используя язык теории множеств. Пусть A, B, C .

Обозначение

Название

Пояснение

 

B

C

 

Событие В влечет С

С наступает всякий раз, когда наступает В

 

B

= C

 

События В и С эквивалентны, т.е. B C и C B

В наступает тогда и только тогда, когда наступает С

 

A

= B

 

А

есть событие, противополож-

наступает тогда и только тогда, когда не наступает В

А

 

ное В

A = B C

А есть произведение В и С

наступает тогда и только тогда, когда В и С наступают вместе

А

В С =

В и С несовместны

Совместное наступление В и С невозможно

А = В С

А есть сумма В и С

А

наступает тогда и только тогда,

когда наступает В или С, или оба вместе

A = B \ C =

А есть разность В и С

А

наступает тогда и только тогда,

= B C

когда наступает В и не наступает С

А

= В С

А есть симметричная разность

наступает тогда и только тогда, когда наступает либо В, либо С (не одновременно)

А

 

В и С

Правило де Моргана.

Таблица1.1.

Пусть событие А есть результат применения к событиям В, С, D,

действий: , , .

Тогда чтобы получить

а действия поменять по схеме: ∪ → ∩, ∩ → ∪, ⊂ → ⊃.

, достаточно все события поменять на противоположные: , , D,

1.3 Понятие вероятности. Простейшие вероятностные модели

Рассмотрим три типа простейших вероятностный моделей: классическую, дискретную, геометрическую. Классическая вероятностная модель - это математическая модель простейших случайных экспериментов.

Пример. Экзаменатор - студент - N билетов : = { ω 1 , ω N }, ω i = { номер извлеченного

,

билета = i }, i = i, N .

Свойства:

1. Число элементарных событий конечно : N < .

2. Предположим, данный эксперимент осуществлен n-кратно и каждый раз

регистрировалось наступление или не наступление события А , cледовательно для любого события мы можем поставить в соответствие число ν n = ν n (A) =

m n (A)

n

- относительная частота наступления события А в этой серии экспериментов.

6

Заметим, что:

ν() = 0, ν() = 1, 0 ν n (A) 1, ν n (A) −→ P = P(A).

3. Для любых несовместных случайных событий А, В (A B = ) функция ν n (А) аддитивна,т.е.

ν n (A B) = m n (A B)

n

=

m n (A) + m n (B)

n

= ν n (A) + ν n (B).

4. Все N элементарных событий равновозможны, то есть ν n (ω i ) −→

1

N , i = 1, N.

Эти 4 свойства лежат в основе определения классической вероятностной модели, задаваемой следующими четырьмя аксиомами.

А 1. Пространство элементарных событий конечно: = {ω 1 ,

А 2. Каждому случайному событию А поставлено в соответствие такое число P, что:

, ω N }, N < .

P = P(A) : 0 P(

) 1, P() = 0, P() = 1.

При этом число P называется вероятностью события А, а функция P(·), заданная на подмножествах , называется вероятностной функцией.

А 3 (Аксиома конечной аддитивности). Для любых несовместных случайных событий

А, В (AB = ) вероятность суммы событий равна сумме вероятностей этих событий:

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

А 4 (Аксиома равновероятности). Все N элементарных событий имеют равную

вероятность: P(ω 1 ) = P(ω 2 ) =

= P(ω N ) = const = p, при этом число р (0; 1)

называется элементарной вероятностью.

Замечание. P= P(A) - функция, заданная на множествах А .

Данная система аксиом является полной и однозначно определяет вероятностную функцию

P = P(

Теорема 1. Для классической вероятностной модели, определяемой аксиомами 1

- 4, р =

соотношением:

(1.1)

N 1 и для любого случайного события А вероятность определяется

). Покажем это.

|A|

N

|| = M

P = P(A) =

,

где N = || - полное число элементарных событий, M = |A| - число элементарных событий, благоприятствующих наступлению А.

Доказательство. Выберем произвольное случайное событие А , состоящее из M элементарных событий (0 M N ):

= {ω i 1 , ω i 2 ,

,

ω i M } =

7

M

j=1

ω i j ,

(1.2)

где 1 i 1 < i 2 <

< i M N - это номера элементарных событий, образующих A.

Рассмотрим j=1 ω i j как сумму одноточечных множеств. Применим к (1.2) аксиомы A3,

A4:

(1.3)

M

M

M

P(A) = P(

ω i j ) =

P(ω i j ) = M p.

j=1

j=1

Положим в (1.3) А = , тогда в силу 2 M = N, P() = N p = 1 p = результат в (1.3), получим (1.1).

Следствие. Вероятность события А в классической вероятностной модели равна отношению числа М элементарных событий, благоприятствующих наступлению события А, к общему числу N элементарных событий.

Замечание. Для вычисления по формуле (1.1) целесообразно использовать правила комбинаторики.

Пример 1 (Гипергеометрическое распределение вероятностей). Рассмотрим задачу. В непрозрачном сосуде тщательно перемешаны однотипных шаров, среди которых k(k K) красных и (K k) белых. Наудачу извлекается комплект из L шаров. Вычислить вероятность события A l = {среди L извлеченных шаров l красных}, для l = 0, 1, 2, Шаг 1. Построим пространство элементарных событий и вероятностную меру. Мысленно пронумеруем все шары: ω i = { i-тый вариант извлечения комплекта шаров из K

N 1 . Подставляя

шаров из K N 1 . Подставляя имеющихся без учёта порядка

имеющихся без учёта порядка извлечения }, i = 1, N , N = C

K . Очевидно, что аксиомы A1 - A3 выполняются. Исходя из постановки задачи все исходы равновозможны, значит выполняется А4. Так как все аксиомы выполняются, то используем классическую вероятностную модель. Шаг 2. Вычислим согласно (1.1): P l = P(A l ) = |A l |/N = M l /N = M l /N, M l ?

L

M l = C

k C Kk , 0 l min{k, L}, l > min{k, L} ⇒ A l = M l = 0

l

Ll

Получаем:

P l = P(A l ) =

C

l

k C

Ll

Kk

, l = 0, 1,

C

L

K

P l = 0, l > min{k, L}.

, min{k, L},

(1.4)

Определение 1. Набор вероятностей { l }, определённый (4), называется гипергеометрическим распределением вероятностей.

Упражнение 1. Показать, что

min{k,L}

l=0

P l = 1.

Пример 2. Студент ФПМИ заполнил карточку спортлото 6 из 49. Вычислить вероятности

угадывания l номеров в очередном тираже: K = 49, L = 6, k = 6, l = 0, 1, 2,

Упражнение 2. По формуле (4) вычислить шансы студента.

Упражнение 3*. Рассмотреть обобщение предыдущего упражнения на случай, когда для одного и того же тиража заполненно несколько карточек. Или вычислить искомые вероятности P методом имитационного моделирования при заполнении нескольких карточек.

, 6.

8

Дискретная вероятностная модель - есть обобщение классической вероятностной модели для случаев, когда пространство элементарных событий счетно или элементарные события не равновероятны. Дискретная вероятностная модель определяется следующей системой трёх аксиом(штрих обозначает обобщение аксиомы):

А 1’. - дискретное множество: = {ω 1 ,

А 2. (Без изменений.)

А 3’ (Аксиома счетной аддитивности). Для любой последовательности 1 , 2 ,

попарно несовместных случайных событий (

= j) выполняется соотношение:

, ω N }, N .

i

j = , i

P(

i=1

i ) =

i=1

P(

i ).

Заметим, что аксиома А4 здесь снимается, т.к. при N = она не имеет смысла: p = 0.

Вероятность i-того события - вероятностью.

Теорема 2. В рамках дискретной вероятностной модели, определяемой аксиомами A1’, A2, A3’, вероятность случайного события А равно сумме ряда, составленного из тех элементарных вероятностей, которые соответствуют элементарным событиям, входящим в А(благоприятствующим A):

= 1, N ) называется i-той элементарной

(ω i )

=

p i (i

P = P(A) =

k:ω k A

p k , A .

(1.5)

Доказательство. Выберем произвольное случайное событие A , состоящее из М

элементарных событий,

: A = {ω i 1 ,

P(A) =

M M

j=1

P(ω i j ) =

j=1

p i j =

, ω i M }. Пользуясь A3’, имеем:

p k , что совпадает с (1.5).

k:ω k A

, что совпадает с (1.5 ) . k : ω k ∈ A Следствие. Набор всех

Следствие. Набор всех элементарных вероятностей удовлетворяющих условию нормировки:

M

k=1

p k = 1.

Доказательство. Положим в (5) А = : P() = N

k=1 p k = 1.

Пример. Посетители АКБ "Prior":

(1.6)

Посетители АКБ "Prior": (1.6) − λ p k = P ( ω k ) = λ

λ

p k = P(ω k ) = λe k!

, k = 0, 1, 2,

где λ > 0 - это среднее число посетителей.

Упражнение. Вычислить набор вероятностей при λ нормировки.

,

=

10 и проверить условие

9

Геометрическая вероятностная модель - это обобщение классической вероятностной модели на случай, когда пространство элементарных событий есть ограниченное подмножество m-мерного евклидова пространства R m ,m = 1,2,

. Здесь также предполагается, что все ω равновозможны. Но воспользоваться формулой (1.1) невозможно, так как мы не можем сосчитать, сколько точек на отрезке (m = 1) или на плоской фигуре(m = 2) и т.д., то есть не можем вычислить мощность A .

Конструктивная идея: вместо понятия | | ввести в этой ситуации меру множества А:

|A| = µ(A).

Определение 2. Числовая функция µ = µ(A), определённая на мерой, если она удовлетворяет следующим свойствам:

1. неотрицательность : µ(A) 0;

, называется

2. ограниченность : µ() < ;

3. монотонность : A B µ(A) µ(B);

4. счетная аддитивность : µ(.) удовлетворяет свойству, аналогичному A3’. При m = 1 µ(A)-длина отрезка A, при m = 2 µ(A)-площадь плоской фигуры A, при m = 3 µ(A)-объем тела A и т.д.

В R m будем использовать меру Лебега: µ(A) = mes m (A). В рамках геометрической

вероятностной модели вероятность случайного события соотношением:

P(A) =

µ(A)

µ() .

определяется следующим

(1.7)

Замечание. Не для всех подмножеств А существует понятие длины и др. Здесь требуется,

чтобы

Пример 3 (Жребий в игре "Что? Где? Когда?"). Отсчитываем угловое положение остановившейся стрелки - ω. = [0; 2π). Случайное событие A = {стрелка остановилась в секторе (ψ 1 , ψ 2 )} = [ψ 1 , ψ 2 ). Это иллюстрирует следующий рисунок.

было измеримо по Лебегу.

 

A

             

0 ψ

1 ψ 2

ω

2π

ω

согласно (1.7)

Рис.1.1

P(A) = [1.7] = ψ 2 2π ψ 1

.

При этом

1.4 Алгебра, σ- алгебра и их свойтства. Измеримое пространство

Определение 1. Пусть - произвольное пространство элементарных событий, тогда некоторая система F подмножеств из называется алгеброй случайных событий, если выполняются следующие свойства:

1)

F ;

10

2)

если A F A F ;

3)

если A, B F A B F .

Следствие 1. Справедливы еще 2 свойства:

4)

F ;

5)

A, B F A B F .

Доказательство. По правилу де Моргана: противоположность произведению - сумма,

она принадлежит F.

Следствие 2. Алгебра замкнута относительно конечного числа операций , , .

числа операций ∩ , ∪ , − . Доказательство. Из определения

Доказательство. Из определения и Следствия 1: эти операции не выведут нас за

пределы F.

Пусть теперь - бесконечное множество.

Определение

свойства 3 и 5 выполняются в обобщенном виде для счетного множества событий:

Алгебра F подмножеств из называется σ-алгеброй, если

Ω называется σ -алгеброй, если 2. ∀ A 1 , A 2 , ∈ F ⇒

2.

A 1 , A 2 ,

F

∞ ∞

i=1

A i F,

i=1

A i F.

Следствие. σ-алгебра замкнута относительно счетного множества операций ,, .

Определение 3. Измеримым пространством называется пара математических объектов (, F), где - пространство элементарных событий, F - алгебра или σ- алгебра подмножеств из .

Приведём примеры измеримых пространств в порядке возрастания их сложности.

1. Измеримое пространство (, 2 ), где - дискретное множество(конечное либо счётное). Здесь F = 2 - множество всех подмножеств из . В частности: если || = N < , то |F | = 2 N . Отсюда и происходит обозначение этого измеримого пространства.

2. Измеримое пространство (R, B). Здесь = R = (−∞, +) - числовая прямая. Для построения σ - алгебры на числовой прямой, выберем x R и обозначим полуограниченный числовой промежуток: A x = (−∞, x).

Определение 4. Назовём базовой системой множеств на числовой прямой следующую систему интервалов: F 0 = {, A x = (−∞, x) : x R}.

Заметим: F 0 не является даже алгеброй, так как не выполняется свойство 2 алгебры

событий: A x = [x, +) / F 0 .

11

Определение 5. σ - алгеброй σ(F 0 ), порожденной некоторой системой множеств F 0 , называется наименьшая σ-алгебра, содержащая F 0 :

σ(F 0 ) =

α=1 F (α) ,

где F (α) - σ-алгебра, содержащая F 0 .

Определение 6. Борелевской (в честь французского математика Э.Бореля) σ- алгеброй на числовой прямой, называется σ-алгебра, порожденная системой интервалов F 0 = {, (−∞, x) : x R} :

B = σ(F 0 ).

Подмножества числовой прямой, которые принадлежат борелевской σ-алгебре B, называются борелевскими множествами.

Свойства борелевской σ - алгебры B

1.

x R

{x} ∈ B

{x}

Доказательство. Представим множество {x} следующим образом:

{x} =

n=1

[x, x +

1

n ) =

n=1

(A

x+

1

n

\A x ) =

n=1

(A

x+

1

n

A x ).

По построению полученное выражение принадлежит B.

выражение принадлежит B . 2. ( a, b ) , [ a, b ) , (

2.

(a, b), [a, b), (a, b], [a, b]

a, b R, a < b.

3.

Q ∈ B.

Доказательство. Q = n=1 {q n } - счетная сумма одноточечных множеств Q

B.

множеств ⇒ Q ∈ ∞ B . 4. Q ∈ B Доказательство. Множество

4.

Q

B

Доказательство. Множество иррациональных чисел принадлежит B дополнение к Q.

5.

F 0

как

B дополнение к Q . 5. F 0 как B = σ (( a, b )

B = σ((a, b) : a, b R) = σ([a, b) : a, b R) = σ((a, b] : a, b R) = σ([a, b] : a, b R)

Таким образом, борелевская σ - алгебра достаточно богата, хотя беднее множества всех подмножеств числовой прямой.

12

Замечание. Существует обобщение измеримого пространства(R, B) на многомерный случай, т.е. существует измеримое пространство (R m , B m ), т.е. в m-мерном пространстве строится своя борелевская σ-алгебра B m . Строится она по аналогичной схеме, в качестве базовой системы F 0 берется система параллелепипедов в R m :

F 0 = {ø, A x = A x 1 × A x 2 ×

× A x m

: x =

x

.

.

.

1

x

m

R m }.

1.5 Аксиомы теории вероятностей. Вероятностное пространство

Определение 1. (Определение А.Н.Колмогорова.) Пусть - любое пространство элементарных событий, F - система подмножеств из . Числовая функция P=P(A) : F R называется вероятностной мерой, подмножество A F называется случайным событием, а число P= P(A) - вероятностью случайного события A, если выполняются следующие аксиомы Колмогорова:

А 1. F есть алгебра подмножеств из ;

А 2.

А 3. (Аксиома нормировки.) P() = 1;

А 4. (Аксиома конечной аддитивности.) Для любых несовместных случайных событий A,

B (A B = ) выполняется: P(A B) = P(A) + P(B).

При этом если - бесконечное множество, то аксиомы A1, A4 расширяются (обобщаются) следующим образом:

А 1’. F σ-алгебра подмножеств из ;

А 4’. (Аксиома счетной аддитивности.) Для любой последовательности попарно

несовместных случайных событий A 1 , A 2 ,

0 P(A) 1, A F;

F (A i A j = , i

= j) верно:

P(

i=1

A i ) =

i=1

P(A i ).

Определение

математических объектов (, F, P), где - пространство элементарных событий, F - алгебра или σ-алгебра подмножеств из , P- вероятностная мера, определенная на F.

В теории вероятностей есть еще один вариант расширения (обобщения) аксиом на случай бесконечного пространства элементарных событий . Введем понятия последовательностей случайных событий и их пределов.

тройка

2.

Вероятностным

пространством

называется

13

Определение 3. Пусть на измеримом пространстве (, F) определена

последовательность случайных событий A 1 , A 2 ,

F, тогда случайные события

A + = lim n ::= A = lim n ::=

k=1

k=1

n=k A n F,

n=k A n F,

(1.8)

называются соответственно верхним и нижним пределом последовательности случайных событий.

Выясним содержательный смысл событий (1.8) на языке "наступление-не наступление". Приведём рассуждения для + , для A - аналогично.

хотя бы один

номер n k k, что наступает A n k ⇔ { наступает бесконечно много случайных событий

среди A 1 , A 2 ,

Упражнение 1. Провести аналогичные рассуждения для A самостоятельно.

A + наступает для k N наступает B k = n=k для k = 1, 2,

}.

Итак:

A + = {наступает бесконечно много случайных событий среди {A n }} A = {наступают все случайные события{A n } за исключением лишь их конечного числа}.

(1.9)

Из (1.9) очевидно:

A A +

Определение 4. Если в (1.10) A = A + = A F, то случайное событие A называется пределом последовательности случайных событий { A n }:

(1.10)

A =

n A n .

lim

(1.11)

Определение 5. Последовательность случайных событий A n F, n=1,2,

называется монотонно убывающей и обозначается A n , если A 1 A 2

Последовательность случайных событий A n F, n=1,2, возрастающей и обозначается A n , если A 1 A 2

Теорема 1. монотонная последовательность случайных событий A n F, n=1,2, имеет предел при n → ∞, который равен

называется монотонно

A =

n→∞ A n =

lim

n=1

n=1

A n , если A n , если

A n A

n

(1.12)

Доказательство. Вычислим нижний и верхний пределы и сравним их. По формулам (1.8) c учетом монотонности: A n :

A + =

k=1


(

n=k

A n )

k=1

A k ;

т.к. n=k A n A k и

n=k A n n=1 A n .

A =

∞ ∞

k=1


(

n=k

A n )

A n ,

k=1 n=1

Значит, A = A + = A. Аналогично исследуется случай A n .

14

n =1 Значит, A − = A + = A . Аналогично исследуется случай A n

Итак, наряду с вариантом расширения аксиом Kолмогорова:

K = {A1 , A2, A3, A4 }, cуществует еще один вариант: K = {A1 , A2, A3, A4, A5},

где A5 - это дополнительная аксиома.

А 5. (Аксиома непрерывности вероятностной меры.) Для любой монотонной убывающей

последовательности случайных событий B n , имеющей по теореме 1 предел lim B n =

n=1 B n , допускается предельный переход под знаком вероятностной меры, т.е.

n P(B n ) = P( lim

lim

n B n ) = P(B).

Теорема 2. Если справедливы А1’, A2, A3, то A4’ равносильна паре аксиом {A4, A5}.

Доказательство. См. книгу А.А.Боровкова "Теория вероятностей", с.30

"Теория вероятностей", с.30 Следствие. Эквивалентны два

Следствие. Эквивалентны два варианта расширения аксиом: K K.

1.6 Свойства вероятностной меры

Пусть (, F, P) - вероятностное пространство. Исследуем свойства вероятностной меры(вероятности) P= P(A), вытекающие из аксиом Колмогорова. Свойства вероятности.

C1.

A F :

(A) = 1 (A)

Доказательство. Разложим достоверное событие на два несовместных:

= A A, A A = . Тогда по А4: P() = P(A A) = P(A) + P(A) В силу А3:

P() = 1 P(A) = 1 P(A).

C2. (ø)

Доказательство. Следует из свойства C1, если положить = A.

C3.

A B (A) (B)

Доказательство. Разложим B на два несовместных: B = A (B \ A), и по A2, A4,

имеем: P(B) = P(A) + P(B \ A) P(A) P(B) P(A).

( A ) + P ( B \ A ) P ( A ) ⇒ P

Следствие 1. Если A B, то P(B \ A) = P(B) P(A).

C4.

(, F, P)

A, B

F

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

(1.13)

15

Доказательство. Проиллюстрируем доказательство диаграммой Вьенна:

ω ✬✩ B\(A ∩ B) Ω B A ∩ B ✁☛ ✁ ✬✩ ◗ ◗
ω
✬✩
B\(A ∩ B)
B
A ∩ B
✁☛ ✁
✬✩
◗ ◗
A A
✫✪
✁ ✁✕
✫✪
A\(A ∩ B)

Рис.1.2

Запишем разложения случайных событий на несовместные:

A B

=

A (B \ (A B)),

(1.14)

B

=

(B \ (A B)) (A B).

(1.15)

Применим к (1.14) и (1.15) аксиому конечной аддитивности 4 и получим:

P(A B)

=

P(A) + P(B \ (A B)),

(1.16)

P(B)

=

P(A B) + P(B \ (A B)).

(1.17)

Почленно вычтем (1.17) из (1.16) и получим (1.13).

вычтем (1.17) из (1.16) и получим (1.13). Следствие 2. Если А и B

Следствие 2. Если А и B несовместные A B = ø, то формула сложения вероятностей (1.13) превращается в A4.

Следствие 3. Для любых случайных событий A и B вероятность P(A B) P(A) + P(B).

C5.

N

2

A 1 , A 2 ,

, A N F

P(

N

i=1

A i ) =

N

i=1

P(A i )

N1

i=1

N

j=i+1

P(A i A j ) +

N2

i=1

N1

N

j=i+1 k=j+1

P(A i A j A k )

+

(1) N1 P(

N

i=1

A i ).

(1.18)

Доказательство. Соотношение (1.18) доказывается по математической индукции

C6.

по N ; для N = 2 результат следует из (1.13).

F

(2

N

)

N N

P(

i=1

A i )

i=1

P(A i ).

16

A 1 ,

, A N

следует из (1.13). F (2 N ∞ ) N N P ( i =1 A i

(1.19)

Доказательство. Прежде всего отметим, что случай N=2 рассмотрен в следствии 3. Построим вспомогательную последовательность случайных событий (используя "принцип новизны"):

C7.

B 1 = A 1 , B 2 = A 2 \ A 1 , B 3 = A 3 \ (A 1 A 2 ),

, B i = A i \

i1

j=1

A j , i = 1, N .

Построенные события попарно несовместны: B i B j = ø, i

= j. Очевидно, что

B i A i ,

N

i=1

B i =

N

i=1

A i .

И тогда в силу А4’ и свойства C3

P(

N

i=1

A i ) = P(

N

i=1

B i ) =

N

i=1

P(B i )

N

i=1

P(A i ).

(1.20)

i ) = N i =1 P ( B i ) N i =1 P (

n→∞ A n =

lim

i=1

A n ,

Доказательство. Введем

n P(A n ) = P( lim

lim

n→∞ A n ).

вспомогательную

последовательность

случайных

событий. B n = A n , очевидно, что B n , а тогда по теореме 1 из параграфа 1.4

lim

n→∞ B n =

n=1

B n .

Поэтому с учетом свойства C1 и правила де Моргана имеем:

n P(A n ) = lim

lim

n (1 P(B n )) = 1 P( lim

n B n ) = 1 P(

n=1

A n ) =

= P(

A n ) = P(

n=1

n=1

A n ) = P( lim

n→∞ A n ).

17

− P ( ∞ n =1 A n ) = = P ( ∞ A n

1.7

Условная

вероятности. Формула Байеса

вероятность

и

ее

свойства.

Формула

полной

Рассмотрим события B = {студент сдал первый экзамен на 3}; A = {он сдаст второй экзамен на 5}. Ясно: A зависит от наступления или не наступления B - т.е. рассматриваем A в зависимости от B. Удобной математической моделью для таких событий является условная вероятность.

Определение 1. Пусть (, F, P) - вероятностное пространство, на котором задано случайное событие B F : P(B) > 0. Тогда условной вероятностью случайного события A при условии события B называется величина:

P(A | B) =

P(A B) ; P(B)

(1.21)

при

вероятностью.

Замечание 1. "|"читается: "при условии".

Замечание 2. P(A | B) [0; 1]. Это выполняется, так как вероятности положительные, (A B) B и вероятностная мера монотонна.

Выясним содержательный смысл (1.21). Рассмотрим серию n независимых случайных

экспериментов: n=1,2,

Таблица1.2.

безусловной

этом

вероятность

P(A),

изученная

ранее,

называется

и представим результаты в виде таблицы:

Случайные события

A

B

A B

Частота случайного события

m n (A)

m n (B)

m n (A B)

Относительная частота

ν n (A) = m n (A)

n

ν n (B)

ν n (A B)

По свойству статистической устойчивости:

Вычислим

ν n (A) n P(A), ν n (B) n P(B), ν n (A B) n P(A B).

−→

−→

−→

относительную

частоту

наступления

события

A

при

условии,