Реферат: Статистическое определение вероятности. Классические и статистические определения вероятности Статистическое и классическое определение вероятности свойства вероятности

Случайность наступления событий связана с невозможностью предсказать заранее исход того или иного испытания. Однако, если рассматривать, например, испытание: многократное бросание монеты, ω 1 , ω 2 , … , ω n , то получается, что приблизительно в половине исходов (n / 2) обнаруживается определённая закономерность, которая соответствует понятию вероятности.

Под вероятностью события А понимается некоторая числовая характеристика возможности наступления события А . Обозначим эту числовую характеристику р (А ). Существуют несколько подходов к определению вероятности. Основными из них являются статистический, классический и геометрический.

Пусть произведено n испытаний и при этом некоторое событие А наступило n A раз. Число n A называется абсолютной частотой (или просто частотой) события А , а отношение называется относительной частотой наступления события А. Относительная частота любого события характеризуется следующими свойствами:

Основанием для применения методов теории вероятностей к изучению реальных процессов является объективное существование случайных событий, обладающих свойством устойчивости частот. Многочисленные испытания изучаемого события А показывают, что при больших n относительная частота (А ) остаётся примерно постоянной.

Статистическое определение вероятности заключается в том, что за вероятность события А принимается постоянная величина р(А), вокруг которой колеблются значения относительных частот (А ) при неограниченном возрастании числа испытаний n .

Замечание 1 . Отметим, что пределы изменения вероятности случайного события от нуля до единицы выбраны Б. Паскалем для удобства ее вычисления и применения. В переписке с П. Ферма Паскаль указывал, что в качестве указанного промежутка можно было выбрать любой промежуток, например от нуля до ста и другие промежутки. В приведенных ниже задачах в данном пособии вероятности иногда указываются в процентах, т.е. от нуля до ста. В этом случае приведенные в задачах проценты необходимо переводить в доли, т.е. делить на 100.

Пример 1. Проведено 10 серий бросаний монеты, по 1000 бросаний в каждой. Величина (А ) в каждой из серий равна 0,501; 0,485; 0,509; 0,536; 0,485; 0,488; 0,500; 0,497; 0,494; 0,484. Эти частоты группируются около р (А ) = 0,5.

Этот пример подтверждает, что относительная частота (А ) примерно равна р (А ), т.е.

Классическое и статистическое определение вероятности. Геометрическая вероятность.

Основным понятием теории вероятностей является понятие случайного события. Случайным событием называется событие, которое при осуществлении некоторых условий может произойти или не произойти. Например, попадание в некоторый объект или промах при стрельбе по этому объекту из данного орудия является случайным событием.

Событие называется достоверным, если в результате испытания оно обязательно происходит. Невозможным называется событие, которое в результате испытания произойти не может.

Случайные события называются несовместными в данном испытании, если никакие два из них не могут появиться вместе.

Случайные события образуют полную группу, если при каждом испытании может появиться любое из них и не может появиться какое-либо иное событие, несовместное с ними.

Рассмотрим полную группу равновозможных несовместных случайных событий. Такие события будем называть исходами. Исход называется благоприятствующим появлению события А, если появление этого события влечет за собой появление события А.

Вероятностью события A называют отношение числа m благоприятствующих этому событию исходов к общему числу n всех равновозможных несовместных элементарных исходов, образующих полную группу

Геометрическая вероятность - один из способов задания вероятности; пусть Ω - ограниченное множество евклидова пространства, имеющее объем λ(Ω) (соответственно длину или площадь в одномерной или двумерной ситуации), пусть ω - точка, взятая случайным образом из Ω, пусть вероятность, что точка будет взята из подмножества пропорциональна его объёму λ(x), тогда геометрическая вероятность подмножества определяется как отношение объёмов: Геометрическое определение вероятности часто используется в методах Монте-Карло, например, для приближённого вычисления значений многократных определённых интегралов.

Теоремы сложения и умножения вероятностей

Теоремы сложения и умножения вероятностей

Суммой двух событий А и В называется событие С, состоящее в появлении хотя бы одного из событий А или В.

Теорема сложения вероятностей

Вероятность суммы двух несовместимых событий равна сумме вероятностей этих событий:

Р (А + В) = Р (А) + Р (В).

В случае, когда события А и В совместны, вер-ть их суммы выражается формулой

Р (А +В) = Р (А) + Р (В) – Р (АВ),

где АВ – произведение событий А и В.

Два события называются зависимыми, если вероятность одного из них зависит от наступления или не наступления другого. в случае зависимых событий вводится понятие условной вероятности события.

Условной вероятностью Р(А/В) события А называется вероятность события А, вычисленная при условии, что событие В произошло. Аналогично через Р(В/А) обозначается условная вероятность события В при условии, что событие А наступило.

Произведением двух событий А и В называется событие С, состоящее в совместном появлении события А и события В.

Теорема умножения вероятностей

Вероятность произведения двух событий равна вер-ти одного из них, умноженной на условную вероятность другого при наличии первого:

Р (АВ) = Р(А) · Р(В/А), или Р (АВ) = Р(В) · Р(А/В).

Следствие. Вероятность совместного наступления двух независимых событий А и В равна произведению вероятностей этих событий:

Р (АВ) = Р(А) · Р(В).

Следствие. При производимых n одинаковых независимых испытаниях, в каждом из которых события А появляется с вероятностью р, вероятность появления события А хотя бы один раз равна 1 - (1 - р)n

Вероятность появления хотя бы одного события. Пример. Формула Бейеса.

Вероятность сделать хотя бы одну ошибку на странице тетради составляет р=0,1. В тетради 7 написанных страниц. Какова вероятность Р, что в тетради есть хотя бы одна ошибка?

Вероятность наступления события А, состоящего из событий А1, А2,…, Аn, независимых в совокупности, равна разности между единицей и произведением вероятностей противоположных событий Ǡ1, Ǡ2, ... Ǡn.

P(A) = 1 - q1q2…qn

Вероятность противоположного события q = 1 - p.

В частности, если все события имеют одинаковую вероятность равную р, то вероятность появления хотя бы одного из этих событий равна:

Р(А) = 1 – qn = 1 – (1 – p)n = 1 – (1 – 0,1)7 = 0,522

Ответ: 0,522

Формула Бейеса.

Предположим, что производится некоторый опыт, причем об условиях его проведения можно высказать n единственно возможных и несовместных гипотез , имеющих вероятности Пусть в результате опыта может произойти или не произойти событие А, причем известно, что если опыт происходит при выполнении гипотезы то Спрашивается, как изменятся вероятности гипотез, если стало известным, что событие А произошло? Иными словами, нас интересуют значения вероятностей На основании соотношений (4) и (5) имеем откуда Но по формуле полной вероятности Поэтому Формула (12) называется формулой Бейеса*.

6.Формула Бернулли. Примеры.

Формула Бернулли - формула в теории вероятностей, позволяющая находить вероятность появления события A при независимых испытаниях. Формула Бернулли позволяет избавиться от большого числа вычислений - сложения и умножения вероятностей - при достаточно большом количестве испытаний. Названа в честь выдающегося швейцарского математика Якоба Бернулли, выведшего формулу.

Формулировка

Теорема: Если Вероятность p наступления события Α в каждом испытании постоянна, то вероятность того, что событие A наступит k раз в n независимых испытаниях, равна: где. .

Доказательство

Так как в результате независимых испытаний, проведенных в одинаковых условиях, событие наступает с вероятностью , следовательно противоположное ему событие с вероятностью Обозначим наступление события в испытании с номером Так как условия проведения опытов одинаковые, то эти вероятности равны. Пусть в результате опытов событие наступает раз, тогда остальные раз это событие не наступает. Событие может появиться раз в испытаниях в различных комбинациях, число которых равно количеству сочетаний из элементов по Это количество сочетаний находится по формуле: При этом вероятность каждой комбинации равна произведению вероятностей: Применяя теорему сложения вероятностей несовместных событий, получим окончательную Формулу Бернулли:

Локальная и интегральная теоремы Лапласа. Примеры.

Локальная и интегральная теоремы Лапласа

Локальная теорема Лапласа. Вероятность того, что в n независимых испытаниях, в каждом из которых вероятность появления события равна р(0 < р < 1), событие наступит ровно k раз (безразлично, в какой последовательности), приближенно равна (тем точнее, чем больше n)
Для определения значений φ(x) можно воспользоваться специальной таблицей.

Интегральная теорема Лапласа. Вероятность того, что в n независимых испытаниях, в каждом из которых вероятность появления события равна р (0 < р < 1), событие наступит не менее k1 раз и не более k2 раз, приближенно равна

P(k1;k2)=Φ(x"") - Φ(x")

Здесь -функция Лапласа Значения функции Лапласа находят по специальной таблице.

Пример. Найти вероятность того, что событие А насту пит ровно 70 раз в 243 испытаниях, если вероятность появления этого события в каждом испытании равна 0,25.

Решение. По условию, n=243; k = 70; р =0,25; q= 0,75. Так как n=243 - достаточно большое число, воспользуемся локальной теоремой Лапласа: где х = (k-np)/ √npq.

Найдем значение х По таблице п найдем ф(1,37) =0,1561. Искомая вероятность

P(243)(70) = 1/6,75*0,1561 =0,0231.

Числовые характеристики дискретных величин. Примеры

Числовые характеристики дискретных случайных величин

Закон распределения полностью характеризует случайную величину. Однако, когда невозможно найти закон распределения, или этого не требуется, можно ограничиться нахождением значений, называемых числовыми характеристиками случайной величины. Эти величины определяют некоторое среднее значение, вокруг которого группируются значения случайной величины, и степень их разбросанности вокруг этого среднего значения.

Определение. Математическим ожиданием дискретной случайной величины называется сумма произведений всех возможных значений случайной величины на их вероятности.

Математическое ожидание существует, если ряд, стоящий в правой части равенства, сходится абсолютно.

С точки зрения вероятности можно сказать, что математическое ожидание приближенно равно среднему арифметическому наблюдаемых значений случайной величины.

Теоретические моменты. Примеры.

Идея этого метода заключается в приравнивании теоретических и эмпирических моментов. Поэтому мы начнем с обсуждения этих понятий.

Пусть -- независимая выборка из распределения зависящего от неизвестного параметра Теоретическим моментом -го порядка называется функция где -- случайная величина с функцией распределения . Особо отметим, что теоретический момент есть функция от неизвестных параметров, коль скоро распределение зависит от этих параметров. Будем считать, что математические ожидания существуют, по крайней мере, для Эмпирическим моментом -го порядка называется Отметим, что по своему определению эмпирические моменты являются функциями от выборки. Заметим, что -- это хорошо нам известное выборочное среднее.

Для того, чтобы найти оценки неизвестных параметров по методу моментов следует:

явно вычислить теоретические моменты , и составить следующую систему уравнений для неизвестных переменных

В этой системе рассматриваются как фиксированные параметры.

решить систему (35) относительно переменных Так как правая часть системы зависит от выборки, то в результате окажутся функциями от Это и есть искомые оценки параметров по методу моментов.

12.Неравенство Чебышева. Закон больших чисел.

Нера́венство Чебышева, известное также как неравенство Биенэме - Чебышева, это распространённое неравенство из теории меры и теории вероятностей. Оно было первый раз получено Биенэме (фран.) в 1853 году, и позже также Чебышевым. Неравенство, использующееся в теории меры, является более общим, в теории вероятностей используется его следствие.

Неравенство Чебышева в теории меры

Неравенство Чебышева в теории меры описывает взаимосвязь интеграла Лебега и меры. Аналог этого неравенства в теории вероятностей - неравенство Маркова. Неравенство Чебышева также используется для доказательства вложения пространства в слабое пространство

Формулировки

Пусть - пространство с мерой. Пусть также

Суммируемая на функция

Тогда справедливо неравенство:

В более общем виде:

Если - неотрицательная вещественная измеримая функция, неубывающая на области определения то В терминах пространства Пусть Тогда

Неравенство Чебышева в теории вероятностей

Неравенство Чебышева в теории вероятностей утверждает, что случайная величина в основном принимает значения, близкие к своему среднему. Говоря более точно, оно даёт оценку вероятности, что случайная величина примет значение, далёкое от своего среднего. Неравенство Чебышева является следствием неравенства Маркова.

Формулировки

Пусть случайная величина определена на вероятностном пространстве , а её математическое ожидание и дисперсия конечны. Тогда где Если , где - стандартное отклонение и , то получаем В частности, случайная величина с конечной дисперсией отклоняется от среднего больше, чем на стандартных отклонения, с вероятностью меньше Она отклоняется от среднего на стандартных отклонения с вероятностью меньше .

Закон больших чисел

Основными понятиями теории вероятностей являются понятия случайного события и случайной величины. При этом предсказать заранее результат испытания, в котором может появиться или не появиться то или иное событие или какое-либо определенное значение случайной величины, невозможно, так как исход испытания зависит от многих случайных причин, не поддающихся учету.

Однако при неоднократном повторении испытаний наблюдаются закономерности, свойственные массовым случайным явлениям. Эти закономерности обладают свойством устойчивости. Суть этого свойства состоит в том, что конкретные особенности каждого отдельного случайного явления почти не сказываются на среднем результате большой массы подобных явлений, а характеристики случайных событий и случайных величин, наблюдаемых в испытаниях, при неограниченном увеличении числа испытаний становятся практически не случайными.

Пусть производится большая серия однотипных опытов. Исход каждого отдельного опыта является случайным, неопределенным. Однако, несмотря на это, средний результат всей серии опытов утрачивает случайный характер, становится закономерным.

Для практики очень важно знание условий, при выполнении которых совокупное действие очень многих случайных причин приводит к результату, почти не зависящему от случая, так как позволяет предвидеть ход явлений. Эти условия и указываются в теоремах, носящих общее название закона больших чисел.

Под законом больших чисел не следует понимать какой-то один общий закон, связанный с большими числами. Закон больших чисел - это обобщенное название нескольких теорем, из которых следует, что при неограниченном увеличении числа испытаний средние величины стремятся к некоторым постоянным.

К ним относятся теоремы Чебышева и Бернулли. Теорема Чебышева является наиболее общим законом больших чисел, теорема Бернулли - простейшим.

В основе доказательства теорем, объединенных термином "закон больших чисел", лежит неравенство Чебышева, по которому устанавливается вероятность отклонения от ее математического ожидания:

Математическая формулировка

Нужно определить максимум линейной целевой функции (линейной формы) при условиях Иногда на также накладывается некоторый набор ограничений в виде равенств, но от них можно избавиться, последовательно выражая одну переменную через другие и подставляя её во всех остальных равенствах и неравенствах (а также в функции ). Такую задачу называют «основной» или «стандартной» в линейном программировании.

Геометрический способ решения задач линейного программирования для двух переменных. Пример.

Областью решения линейного неравенства с двумя переменными является полуплоскость. Для того, чтобы определить, какая из двух полуплоскостей соответствует этому неравенству, нужно привести его к виду или Тогда искомая полуплоскость в первом случае расположена выше прямой a0 + a1x1 + a2x2 = 0, а во втором - ниже нее. Если a2=0, то неравенство (8) имеет вид ; в этом случае получим либо - правую полуплоскость, либо - левую полуплоскость.

Областью решений системы неравенств является пересечение конечного числа полуплоскостей, описываемых каждым отдельным неравенством. Это пересечение представляет собой многоугольную область G. Она может быть как ограниченной, так и неограниченной и даже пустой (если система неравенств противоречива).
Рис. 2

Область решений G обладает важным свойством выпуклости. Область называется выпуклой, если произвольные две ее точки можно соединить отрезком, целиком принадлежащим данной области. На рис. 2 показаны выпуклая область G1 и невыпуклая область G2. В области G1 две ее произвольные точки А1 и В1 можно соединить отрезком, все точки которого принадлежат области G1. В области G2 можно выбрать такие две ее точки А2 и В2, что не все точки отрезка А2В2 принадлежат области G2.

Опорной прямой называется прямая, которая имеет с областью по крайней мере одну общую точку, при этом вся область расположена по одну сторону от этой прямой. На рис. 2 показаны две опорные прямые l1 и l2, т. е. в данном случае прямые проходят соответственно через вершину многоугольника и через одну из его сторон.

Аналогично можно дать геометрическую интерпретацию системы неравенств с тремя переменными. В этом случае каждое неравенство описывает полупространство, а вся система - пересечение полупространств, т. е. многогранник, который также обладает свойством выпуклости. Здесь опорная плоскость проходит через вершину, ребро или грань многогранной области.

Основываясь на введенных понятиях, рассмотрим геометрический метод решения задачи линейного программирования. Пусть заданы линейная целевая функция f = c0 + c1x1 + c2x2 двух независимых переменных, а также некоторая совместная система линейных неравенств, описывающих область решений G. Требуется среди допустимых решений найти такое, при котором линейная целевая функция f принимает наименьшее значение.

Положим функцию f равной некоторому постоянному значению С: f = c0 + c1x1 + c2x2 = C. Это значение достигается в точках прямой, удовлетворяющих уравнению При параллельном переносе этой прямой в положительном направлении вектора нормали n(c1,c2) линейная функция f будет возрастать, а при ее переносе в противоположном направлении - убывать.

Предположим, что прямая, записанная в виде (9) , при параллельном переносе в положительном направлении вектора n первый раз встретится с областью допустимых решений G в некоторой ее вершине, при этом значение целевой функции равно С1, и прямая становится опорной. Тогда значение С1 будет минимальным, поскольку дальнейшее движение прямой в том же направлении приведет к увеличению значения f.

Таким образом, оптимизация линейной целевой функции на многоугольнике допустимых решений происходит в точках пересечения этого многоугольника с опорными прямыми, соответствующими данной целевой функции. При этом пересечение может быть в одной точке (в вершине многоугольника) либо в бесконечном множестве точек (на ребре многоугольника).

Алгоритм симплекс-метода для решения общей задачи линейного программирования. Таблица.

Алгоритмы решения

Наиболее известным и широко применяемым на практике для решения общей задачи линейного программирования (ЛП) является симплекс-метод. Несмотря на то, что симплекс-метод является достаточно эффективным алгоритмом, показавшим хорошие результаты при решении прикладных задач ЛП, он является алгоритмом с экспоненциальной сложностью. Причина этого состоит в комбинаторном характере симплекс-метода, последовательно перебирающего вершины многогранника допустимых решений при поиске оптимального решения.

Первый полиномиальный алгоритм, метод эллипсоидов, был предложен в 1979 году советским математиком Л. Хачияном, разрешив таким образом проблему, долгое время остававшуюся нерешённой. Метод эллипсоидов имеет совершенно другую, некомбинаторную, природу, нежели симплекс-метод. Однако в вычислительном плане этот метод оказался неперспективным. Тем не менее, сам факт полиномиальной сложности задач привёл к созданию целого класса эффективных алгоритмов ЛП - методов внутренней точки, первым из которых был алгоритм Н. Кармаркара, предложенный в 1984 году. Алгоритмы этого типа используют непрерывную трактовку задачи ЛП, когда вместо перебора вершин многогранника решений задачи ЛП осуществляется поиск вдоль траекторий в пространстве переменных задачи, не проходящих через вершины многогранника. Метод внутренних точек, который, в отличие от симплекс-метода, обходит точки из внутренней части области допустимых значений, использует методы логарифмических барьерных функций нелинейного программирования, разработанные в 1960-х годах Фиако (Fiacco) и МакКормиком (McCormick).

24.Особые случаи в симплекс-методе: вырожденное решение, бесконечное множество решений, отсутствие решения. Примеры .

Использование метода искусственного базиса для решения общей задачи линейного программирования. Пример.

Метод искусственного базиса.

Метод искусственного базиса используется для нахождения допустимого базисного решения задачи линейного программирования, когда в условии присутствуют ограничения типа равенств. Рассмотрим задачу:

max{F(x)=∑cixi|∑ajixi=bj, j=1,m; xi≥0}.

В ограничения и в функцию цели вводят так называемые «искусственные переменные» Rj следующим образом:

∑ajix+Rj=bj, j=1,m;F(x)=∑cixi-M∑Rj

При введении искусственных переменных в методе искусственного базиса в функцию цели им приписывается достаточно большой коэффициент M, который имеет смысл штрафа за введение искусственных переменных. В случае минимизации искусственные переменные прибавляются к функции цели с коэффициентом M. Введение искусственных переменных допустимо в том случае, если в процессе решения задачи они последовательно обращаются в нуль.

Симплекс-таблица, которая составляется в процессе решения, используя метод искусственного базиса, называется расширенной. Она отличается от обычной тем, что содержит две строки для функции цели: одна – для составляющей F = ∑cixi, а другая – для составляющей M ∑Rj Рассмотрим процедуру решения задачи на конкретном примере.

Пример 1. Найти максимум функции F(x) = -x1 + 2x2 - x3 при ограничениях:

x1≥0, x2≥0, x3≥0 .

Применим метод искусственного базиса. Введем искусственные переменные в ограничения задачи

2x1 + 3x2 + x3 + R1 = 3;

x1 + 3x3 + R2 = 2 ;

Функция цели F(x)-M ∑Rj= -x1 + 2x2 - x3 - M(R1+R2).

Выразим сумму R1 + R2 из системы ограничений: R1 + R2 = 5 - 3x1 - 3x2 - 4x3, тогда F(x) = -x1 + 2x2 - x3 - M(5 - 3x1 - 3x2 - 4x3) .

При составлении первой симплекс-таблицы (табл. 1) будем полагать, что исходные переменные x1, x2 , x3 являются небазисными, а введенные искусственные переменные – базисными. В задачах максимизации знак коэффициентов при небазисных переменных в F- и M-строках изменяется на противоположный. Знак постоянной величины в M-строке не изменяется. Оптимизация проводится сначала по M-строке. Выбор ведущих столбца и строки, все симплексные преобразования при испльзовании метода искусственного базиса осуществляются как в обычном симплекс-методе. Максимальный по абсолютному значению отрицательный коэффициент (-4) определяет ведущий столбец и переменную x3, которая перейдет в базис. Минимальное симплексное отношение (2/3) соответствует второй строке таблицы, следовательно, переменная R2 должна быть из базиса исключена. Ведущий элемент обведен контуром.
В методе искусственного базиса искусственные переменные, исключенные из базиса, в него больше не возвращаются, поэтому столбцы элементов таких переменных опускаются. Табл. 2. сократилась на 1 столбец. Осуществляя пересчет этой таблицы, переходим к табл. 3., в которой строка M обнулилась, ее можно убрать. После исключения из базиса всех искусственных переменных получаем допустимое базисное решение исходной задачи, которое в рассматриваемом примере является оптимальным:

x1=0; x2=7/9; Fmax=8/9.

Если при устранении M-строки решение не является оптимальным, то процедура оптимизации продолжается и выполняется обычным симплекс-методом. Рассмотрим пример, в котором присутствуют ограничения всех типов:≤,=,≥

Двойственные симметричные задачи линейного программирования. Пример.

Определение двойственной задачи

Каждой задаче линейного программирования можно определенным образом сопоставить некоторую другую задачу (линейного программирования), называемую двойственной или сопряженной по отношению к исходной или прямой задаче. Дадим определение двойственной задачи по отношению к общей задаче линейного программирования, состоящей, как мы уже знаем, в нахождении максимального значения функции при условиях

называется двойственной по отношению к задаче (32) – (34). Задачи (32) – (34) и (35) – (37) образуют пару задач, называемую в линейном программировании двойственной парой. Сравнивая две сформулированные задачи, видим, что двойственная задача составляется согласно следующим правилам:

1. Целевая функция исходной задачи (32) – (34) задается на максимум, а целевая функция двойственной (35) – (37) – на минимум.

2. Матрица составленная из коэффициентов при неизвестных в системе ограничений (33) исходной задачи (32) – (34), и аналогичная матрица в двойственной задаче (35) – (37) получаются друг из друга транспонированием (т. е. заменой строк столбцами, а столбцов – строками).

3. Число переменных в двойственной задаче (35) – (37) равно числу ограничений в системе (33) исходной задачи (32) – (34), а число ограничений в системе (36) двойственной задачи – числу переменных в исходной задаче.

4. Коэффициентами при неизвестных в целевой функции (35) двойственной задачи (35) – (37) являются свободные члены в системе (33) исходной задачи (32) – (34), а правыми частями в соотношениях системы (36) двойственной задачи – коэффициенты при неизвестных в целевой функции (32) исходной задачи.

5. Если переменная xj исходной задачи (32) – (34) может принимать только лишь положительные значения, то j–е условие в системе (36) двойственной задачи (35) – (37) является неравенством вида “? ”. Если же переменная xj может принимать как положительные, так и отрицательные значения, то 1 – соотношение в системе (54) представляет собой уравнение. Аналогичные связи имеют место между ограничениями (33) исходной задачи (32) – (34) и переменными двойственной задачи (35) – (37). Если i – соотношение в системе (33) исходной задачи является неравенством, то i–я переменная двойственной задачи . В противном случае переменная уj может принимать как положительные, так и отрицательные значения.

Двойственные пары задач обычно подразделяют на симметричные и несимметричные. В симметричной паре двойственных задач ограничения (33) прямой задачи и соотношения (36) двойственной задачи являются неравенствами вида “ ”. Таким образом, переменные обеих задач могут принимать только лишь неотрицательные значения.

Связь между переменными прямой и двойственной задачи. Пример.

30.Экономическая интерпретация двойственных задач. Значение нулевых оценок в решении экономической задачи. Примеры .

Исходная задача I имела конкретный экономический смысл: основные переменные хi обозначали количество произведенной продукции i-го вида, дополнительные переменные обозначали количество излишков соответствующего вида ресурсов, каждое из неравенств выражало собой расход определенного вида сырья в сравнении с запасом этого сырья. Целевая функция определяла прибыль при реализации всей продукции. Предположим теперь, что предприятие имеет возможность реализовывать сырье на сторону. Какую минимальную цену надо установить за единицу каждого вида сырья при условии, чтобы доход от реализации всех его запасов был не меньше дохода от реализации продукции, которая может быть выпущена из этого сырья.

Переменные у1, у2, у3 будут обозначать условную предполагаемую цену за ресурс 1, 2, 3 вида соответственно. Тогда доход от продажи видов сырья, расходуемых на производство одной единицы продукции I, равен: 5у1 + 1· у3. Т. к. цена продукции I типа равна 3 ед., то 5у1 + у3 3, в силу того, что интересы предприятия требуют, чтобы доход от продажи сырья был не меньше, чем от реализации продукции. Именно в силу такого экономического толкования система ограничений двойственной задачи принимает вид: А целевая функция G = 400y1 + 300y2 + 100y3 подсчитывает условную суммарную стоимость всего имеющегося сырья. Понятно, что в силу I теоремы двойственности F(x*) = G(y*) равенство означает, что максимальная прибыль от продажи всей готовой продукции совпадает с минимальной условной ценой ресурсов. Условные оптимальные цены уi показывают наименьшую стоимость ресурсов, при которой выгодно обращать эти ресурсы в продукцию, производить.

Еще раз обратим внимание на то, что уi - это лишь условные, предполагаемые, а не реальные цены на сырье. Иначе читателю может показаться странным, что например, у1* = 0. Этот факт вовсе не означает, что реальная цена первого ресурса нулевая, ничего бесплатного в этом мире нет. Равенство нулю условной цены означает лишь, что этот ресурс не израсходован полностью, имеется в излишке, недефицитен. Действительно, посмотрим на первое неравенство в системе ограничений задачи I, в котором подсчитывается расход первого ресурса: 5х1* + 0,4х2* + 2х3* + 0,5х4* = 66 < 400. его избыток составляет х5 = 334 ед. при данном оптимальном плане производства. Этот ресурс имеется в избытке, и поэтому для производителя он недефицитен, его условная цена равна 0, его не надо закупать. Наоборот, ресурс 2 и 3 используются полностью, причем у3 = 4 а у2 = 1, т. е. сырье третьего вида более дефицитно, чем второго, его условная цена больше. Если производитель продукции имел бы возможность приобретать дополнительно сырье к уже имеющемуся, с целью получения максимального дохода от производства, то увеличив сырье второго вида на единицу, он бы получил дополнительно доход в у2 денежных единиц, с увеличением на единицу сырья третьего вида, значение целевой функции увеличилось бы еще на у3 единицы.

Если перед производителем стоит вопрос, "выгодно ли производить какую-либо продукцию при условии, что затраты на единицу продукции составят 3, 1, 4 единиц 1, 2, 3-го видов сырья соответственно, а прибыль от реализации равна 23 единицам", то в силу экономического истолкования задачи ответить на этот вопрос несложно, поскольку затраты и условные цены ресурсов известны. Затраты равны 3, 1, 4, а цены у1* = 0, у2* = 1, у3* = 4. Значит, можно посчитать суммарную условную стоимость ресурсов, необходимых для производства этой новой продукции: 3 · 0 + 1 · 1 + 4 · 4 = 17 < 23. значит продукцию производить выгодно, т. к. прибыль от реализации превышает затраты на ресурсы, в противном случае ответ бы на этот вопрос был отрицательным.

31.Использование оптимального плана и симплекс-таблицы для определения интервалов чувствительности исходных данных.

32.Использование оптимального плана и симплекс-таблицы для анализа чувствительности целевой функции. Пример.

Транспортная задача и ее свойства. Пример.

В экономике, так же как и в других областях человеческой деятельности или в природе, постоянно приходится иметь дело с событиями, которые невозможно точно предсказать. Так, объем продаж товара зависит от спроса, который может существенно изменяться, и от ряда других факторов, которые учесть практически нереально. Поэтому при организации производства и осуществлении продаж приходится прогнозировать исход такой деятельности на основе либо собственного предыдущего опыта, либо аналогичного опыта других людей, либо интуиции, которая в значительной степени тоже опирается на опытные данные.

Чтобы каким-то образом оценить рассматриваемое событие, необходимо учитывать или специально организовывать условия, в которых фиксируется это событие.

Осуществление определенных условий или действий для выявления рассматриваемого события носит название опыта или эксперимента .

Событие называется случайным , если в результате опыта оно может произойти или не произойти.

Событие называется достоверным , если оно обязательно появляется в результате данного опыта, и невозможным , если оно не может появиться в этом опыте.

Например, выпадение снега в Москве 30 ноября является случайным событием. Ежедневный восход Солнца можно считать достоверным событием. Выпадение снега на экваторе можно рассматривать как невозможное событие.

Одной из главных задач в теории вероятностей является задача определения количественной меры возможности появления события.

Алгебра событий

События называются несовместными, если они вместе не могут наблюдаться в одном и том же опыте. Так, наличие двух и трех автомашин в одном магазине для продажи в одно и то же время — это два несовместных события.

Суммой событий называется событие, состоящее в появлении хотя бы одного из этих событий

В качестве примера суммы событий можно назвать наличие в магазине хотя бы одного из двух товаров.

Произведением событий называется событие, состоящее в одновременном появлении всех этих событий

Событие, состоящее в появлении одновременно в магазине двух товаров является произведением событий: -появление одного товара, — появление другого товара.

События образуют полную группу событий, если хотя бы одно из них обязательно произойдет в опыте.

Пример. В порту имеется два причала для приема судов. Можно рассмотреть три события: — отсутствие судов у причалов, — присутствие одного судна у одного из причалов, — присутствие двух судов у двух причалов. Эти три события образуют полную группу событий.

Противоположными называются два единственно возможных события, образующих полную группу.

Если одно из событий, являющихся противоположными, обозначить через , то противоположное событие обычно обозначают через .

Классическое и статистическое определения вероятности события

Каждый из равновозможных результатов испытаний (опытов) называется элементарным исходом. Их обычно обозначают буквами . Например, бросается игральная кость. Элементарных исходов всего может быть шесть по числу очков на гранях.

Из элементарных исходов можно составить более сложное событие. Так, событие выпадения четного числа очков определяется тремя исходами: 2, 4, 6.

Количественной мерой возможности появления рассматриваемого события является вероятность.

Наиболее широкое распространение получили два определения вероятности события: классическое и статистическое .

Классическое определение вероятности связано с понятием благоприятствующего исхода.

Исход называется благоприятствующим данному событию, если его появление влечет за собой наступление этого события.

В приведенном примере рассматриваемое событие — четное число очков на выпавшей грани, имеет три благоприятствующих исхода. В данном случае известно и общее
количество возможных исходов. Значит, здесь можно использовать классическое определение вероятности события.

Классическое определение равняется отношению числа благоприятствующих исходов к общему числу возможных исходов

где — вероятность события , — число благоприятствующих событию исходов, — общее число возможных исходов.

В рассмотренном примере

Статистическое определение вероятности связано с понятием относительной частоты появления события в опытах.

Относительная частота появления события вычисляется по формуле

где - число появления события в серии из опытов (испытаний).

Статистическое определение . Вероятностью события называется число, относительно которого стабилизируется (устанавливается) относительная частота при неограниченном увеличении числа опытов.

В практических задачах за вероятность события принимается относительная частота при достаточно большом числе испытаний.

Из данных определений вероятности события видно, что всегда выполняется неравенство

Для определения вероятности события на основе формулы (1.1) часто используются формулы комбинаторики, по которым находится число благоприятствующих исходов и общее число возможных исходов.

Классическое определение вероятности предполагает, что все эле­ментарные исходы равновозможны . О равновозможности исходов опы­та заключают в силу соображений симметрии (как в случае монеты или игрального кубика). Задачи, в которых можно исходить из соображений симметрии, на практике встречаются редко. Во многих случаях трудно указать основания, позволяющие считать, что все элементарные исходы равновозможны. В связи с этим появилась необходимость введения еще одного определения вероятности, называемого статистическим . Чтобы дать это определение, предварительно вводят понятие относительной частоты события.

Относительной частотой события , или частотой , называется от­ношение числа опытов, в которых появилось это событие, к числу всех произведенных опытов. Обозначим частоту события через , тогда по определению

(1.4.1)
где - число опытов, в которых появилось событие и - число всех произведенных опытов.

Частота события обладает следующими свойствами.

Наблюдения позволили установить, что относительная частота об­ладает свойствами статистической устойчивости: в различных сериях многочленных испытаний (в каждом из которых может появиться или не появиться это событие) она принимает значения, достаточно близкие к некоторой постоянной. Эту постоянную, являющуюся объективной числовой характеристикой явления, считают вероятностью данного со­бытия.

Вероятностью события называется число, около которого группи­руются значения,частоты данного события в различных сериях большо­го числа испытаний.

Это определение вероятности называется статистическим .

В случае статистического определения вероятность обладает сле­дующими свойствами:
1) вероятность достоверного события равна еди­нице;
2) вероятность невозможного события равна нулю;
3) вероятность случайного события заключена между нулем и единицей;
4) вероятность суммы двух несовместных событий равна сумме вероятностей этих со­бытий.

Пример 1. Из 500 взятых наудачу деталей оказалось 8 бракован­ных. Найти частоту бракованных деталей.

Решение. Так как в данном случае = 8, = 500, то в соответствии с формулой (1.4.1) находим

Пример 2 . Игральный кубик подброшен 60 раз, при этом шестерка появилась 10 раз. Какова частота появления шестерки ?

Решение. Из условия задачи следует, что = 60, = 10, поэтому

Пример 3. Среди 1000 новорожденных оказалось 515 мальчиков.Чему равна частота рождения мальчиков?
Решение. Поскольку в данном случае , , то .

Пример 4. В результате 20 выстрелов по мишени получено 15 попаданий. Какова частота попаданий?

Решение. Так как = 20, = 15, то

Пример 5. При стрельбе по мишени частота попаданий = 0,75. Найти число попаданий при 40 выстрелах.

Решение. Из формулы (1.4.1) следует, что . Так как = 0,75, = 40, то . Таким образом, было получено 30 попаданий.

Пример 6. www.. Из высе­янных семян взошло 970. Сколько семян было высеяно?

Решение. Из формулы (1.4.1) следует, что . Поскольку , , то . Итак, было высеяно 1000 семян.

Пример 7. На отрезке натурального ряда от 1 до 20 найти частоту простых чисел.

Решение. На указанном отрезке натурального ряда чисел находятся следующие простые числа: 2, 3, 5, 7, 11, 13, 17, 19; всего их 8. Так как = 20, = 8, то искомая частота

.

Пример 8. Проведены три серии многократных подбрасываний симметричной монеты, подсчитаны числа появлений герба: 1) = 4040, =2048, 2) = 12000, = 6019; 3) = 24000, = 12012. Найти частоту появления герба в каждой серии испытаний.

Решение . В соответствии с формулой (1.4.1) находим:

Замечание. Эти примеры свидетельствуют о том, что при многократ­ных испытаниях частота события незначительно отличается от его вероятности. Вероятность появления герба при подбрасывании монеты р = 1/2 = 0,5 , так как в этом случае n = 2, m = 1.

Пример 9. Среди 300 деталей, изготовленных на автоматическом станке, оказалось 15, не отвечающих стандарту. Найти частоту появле­ния нестандартных деталей.

Решение. В данном случае n = 300, m = 15, поэтому

Пример 10. Контролер, проверяя качество 400 изделий установил, что 20 из них относятся ко второму сорту, а остальные - к первому. Най­ти частоту изделий первого сорта, частоту изделий второго сорта.

Решение. Прежде всего, найдем число изделий первого сорта: 400 - 20 = 380. Поскольку n = 400, = 380, то частота изделий перво­го сорта

Аналогично находим частоту изделий второго сорта:

Задачи

1. Отдел технического контроля обнаружил 10 нестандартных изде­лий в партии из 1000 изделий. Найдите частоту изготовления бракован­ных изделий.
2. Для выяснения качества семян было отобрано и высеяно в лабо­раторных условиях 100 штук. 95 семян дали нормальный всход. Какова частота нормального всхода семян?
3. Найдите частоту появления простых чисел в следующих отрезках натурального ряда: а) от 21 до 40; б) от 41 до 50; в) от 51 до 70.
4. Найдите частоту появления цифры при 100 подбрасываниях сим­метричной монеты. (Опыт проводите самостоятельно).
5. Найдите частоту появления шестерки при 90 подбрасываниях иг­рального кубика.
6. Путем опроса всех студентов Вашего курса определите частоту дней рождения, попадающих на каждый месяц года.
7. Найдите частоту пятибуквенных слов в любом газетном тексте.

Ответы

1. 0,01. 2. 0,95; 0,05. 3. а) 0,2; б) 0,3; в) 0,2.

Вопросы

1. Что такое частота события?
2. Чему равна частота достоверного события?
3. Чему равна частота невозможного события?
4. В каких пределах заключена частота случайного события?
5. Чему равна частота суммы двух несовместных событий?
6. Какое определение вероятности называют статистическим?
7. Какими свойствами обладает статистическая вероятность?

Теория вероятностей – математическая наука, изучающая закономерности случайных явлений. Под случайными явлениями пони-маются явления с неопределенным исходом, происходящие при неоднократном воспроизведении определенного комплекса условий.

Например, при бросании монеты нельзя предсказать, какой стороной она упадет. Результат бросания монеты случаен. Но при дос-таточно большом числе бросаний монеты существует определенная закономерность (герб и решетка выпадут примерно одинаковое число раз).

Основные понятия теории вероятностей

Испытание (опыт, эксперимент) - осуществление некоторого определенного комплекса условий, в которых наблюдается то или иное явление, фиксируется тот или иной результат.

Например: подбрасывание игральной кости с выпадением числа очков; перепад температуры воздуха; метод лечения заболевания; некоторый период жизни человека.

Случайное событие (или просто событие) – исход испытания.

Примеры случайных событий:

выпадение одного очка при подбрасывании игральной кости;

обострение ишемической болезни сердца при резком повышении температуры воздуха летом;

развитие осложнений заболевания при неправильном выборе метода лечения;

поступление в вуз при успешной учебе в школе.

События обозначают прописными буквами латинского алфа-вита: A , B , C , …

Событие называется достоверным , если в результате испытания оно обязательно должно произойти.

Событие называется невозможным , если в результате испы-тания оно вообще не может произойти.

Например,если в партии все изделия стандартные, то извлечение из неё стандартного изделия - событие достоверное, а извлечение при тех же условиях бракованного изделия – событие невозможное.

КЛАССИЧЕСКОЕ ОПРЕДЕЛЕНИЕ ВЕРОЯТНОСТИ

Вероятность является одним из основных понятий теории вероятностей.

Классической вероятностью события называется отношение числа случаев, благоприятствующих событию , к общему числу случаев, т.е.

, (5.1)

где
- вероятность события ,

- число случаев, благоприятствующих событию ,

- общее число случаев.

Свойства вероятности события

Вероятность любого события заключена между нулем и единицей, т.е.

Вероятность достоверного события равна единице, т.е.

.

Вероятность невозможного события равна нулю, т.е.

.

(Предложить решить несколько простых задач устно).

СТАТИСТИЧЕСКОЕ ОПРЕДЕЛЕНИЕ ВЕРОЯТНОСТИ

На практике часто при оценке вероятностей событий основываются на том, насколько часто будет появляться данное событие в произведенных испытаниях. В этом случае используется статистическое определение вероятности.

Статистической вероятностью события называется предел относительной частоты (отношение числа случаев m , благоприятствующих появлению события , к общему числу произведенных испытаний), когда число испытаний стремится к бесконечности, т.е.

где
- статистическая вероятность события ,
- число испытаний, в которых появилось событие , - общее число испытаний.

В отличие от классической вероятности, статистическая вероятность является характеристикой опытной. Классическая вероятность служит для теоретического вычисления вероятности события по заданным условиям и не требует, чтобы испытания проводились в действительности. Формула статистической вероятности служит для экспериментального определения вероятности события, т.е. предполагается, что испытания были проведены фактически.

Статистическая вероятность приблизительно равна относительной частоте случайного события, поэтому на практике за статистическую вероятность берут относительную частоту, т.к. статистическую вероятность практически найти нельзя.

Статистическое определение вероятности применимо к случайным событиям, которые обладают следующими свойствами:

Теоремы сложения и умножения вероятностей

Основные понятия

а) Единственно возможные события

События
называют единственно возможными, если в результате каждого испытания хотя бы одно из них наверняка наступит.

Эти события образуют полную группу событий.

Например, при подбрасывании игрального кубика, единственно возможными являются события выпадения граней с одним, двумя, тремя, четырьмя, пятью и шестью очками. Они образуют полную группу событий.

б) События называют несовместными , если появление одного из них исключает появление других событий в одном и том же испытании. В противном случае их называют совместными.

в) Противоположными называют два единственно возможных события, образующих полную группу. Обозначают и .

г ) События называют независимыми , если вероятность наступления одного из них не зависит от совершения или несовершения других.

Действия над событиями

Суммой нескольких событий называется событие, состоящее в наступлении хотя бы одного из данных событий.

Если и – совместные события, то их сумма
или
обозначает наступление или события A, или события B, или обоих событий вместе.

Если и – несовместные события, то их сумма
означает наступление или события , или события .

Сумму событий обозначают:

Произведением (пересечением) нескольких событий называется событие, состоящее в совместном наступлении всех этих событий.

Произведение двух событий обозначают
или
.

Произведение событий обозначают

Теорема сложения вероятностей несовместных событий

Вероятность суммы двух или нескольких несовместных событий равна сумме вероятностей этих событий:

Для двух событий;

- для событий.

Следствия:

а) Сумма вероятностей противоположных событий и равна единице:

Вероятность противоположного события обозначают :
.

б) Сумма вероятностей событий, образующих полную группу событий, равна единице: или
.

Теорема сложения вероятностей совместных событий

Вероятность суммы двух совместных событий равна сумме вероятностей этих событий без вероятностей их пересечения, т.е.

Теорема умножения вероятностей

а) Для двух независимых событий:

б) Для двух зависимых событий

где
– условная вероятность события , т.е. вероятность события , вычисленная при условии, что событие произошло.

в) Для независимых событий:

.

г) Вероятность наступления хотя бы одного из событий ,образующих полную группу независимых событий:

Условная вероятность

Вероятность события , вычисленная при условии, что произошло событие , называется условной вероятностью события и обозначается
или
.

При вычислении условной вероятности по формуле клас-сической вероятности число исходов и
подсчитывается с учетом того, что до совершения события произошло событие .