Статистическая вероятность события а. Классическое, статистическое и геометрическое определения вероятности. События и их классификация

Выше отмечено, что классическое определение вероятности применимо только для тех событий, которые могут появиться в результате испытаний, обладающих симметрией возможных исходов, т.е. сводящихся к схеме случаев. Однако существует большой класс событий, вероятности которых не могут быть вычислены с помощью классического определения.

В первую очередь это события, которые не являются равновозможными исходами испытания. Например, если монета сплющена, то, очевидно, события «появление герба» и «появление решки» при подбрасывании монеты нельзя считать равновозможными, и формула (1. 1) для расчета вероятности любого из них окажется неприменима.

Но есть и другой подход при оценке вероятности событий, основанный на том, насколько часто будет появляться данное событие в произведенных испытаниях.

Статистической вероятностью события А называется относительная частота (частость ) появления этого события в п произведенных испытаниях , т.е.

где Р(Л) - статистическая вероятность события A; w(A) - относительная частота (частость) события Ат - число испытаний, в которых появилось событие А;п - общее число испытаний.

В отличие от «математической» вероятности Р(А), рассматриваемой в классическом определении (1. 1), статистическая вероятность Р(Л) является характеристикой опытной , экспериментальной. Если Р(А) есть доля случаев, благоприятствующих событию Л, которая определяется непосредственно, без каких-либо испытаний, то PIA) есть доля тех фактически произведенных испытаний, в которых событие А появилось.

Согласно статистическому определению вероятность события есть предел 1 относительной частоты (частости) события при неограниченном увеличении числа испытаний , т.е.

Это означает, чтопри достаточно большом числе испытаний п можно считать, что

Статистическое определение вероятности, как и понятия и методы теории вероятностей в целом, применимы не к любым событиям с неопределенным исходом, которые в житейской практике считаются случайными, а только к тем из них, которые обладают определенными свойствам и .

1. Рассматриваемые события должны быть исходами только тех испытаний, которые могут быть воспроизведены неограниченное число раз при одном и том же комплексе условий. Так, например, бессмысленно ставить вопрос об определении вероятностей возникновения войн, появления гениальных произведений искусства и т.п., так как речь идет о неповторимых в одинаковых условиях испытаниях, уникальных событиях. Или, например, нс имеет смысла говорить о том, что данный студент сдаст семестровый экзамен по теории вероятностей, поскольку речь здесь идет о единичном испытании, повторить которое в тех же условиях нет возможности.

И хотя приведенные в примерах события с неопределенным исходом относятся к категории «может произойти, а может и не произойти», такими событиями теория вероятностей не занимается.

2. События должны обладать так называемой статистической устойчивостью , или устойчивостью относительных частот . Это означает, что в различных сериях испытаний относительная частота (частость) события изменяется незначительно (тем меньше, чем больше число испытаний), колеблясь около постоянного числа. Оказалось, что этим постоянным числом является вероятность события (об этом идет речь в теореме Бернулли, приведенной в гл. 6).

Факт приближения относительной частоты, или частости, события к его вероятности (1.1) при увеличении числа испытаний, сводящихся к схеме случаев, подтверждается многочисленными массовыми экспериментами, проводимыми разными лицами со времен возникновения теории вероятностей. Так, например, в опытах Бюффоиа (XVIII в.) относительная частота (частость) появления герба при 4040 подбрасываниях монеты оказалась равной 0,5069, в опытах Пирсона (XIX в.) при 23 000 подбрасываниях - 0,5005, практически не отличаясь от вероятности этого события, равной 0,5.

3. Число испытаний , в результате которых появляется событие Л, должно быть достаточно велико , ибо только в этом случае можно считать вероятность события Р(А) приближенно равной ее относительной частоте.

Резюмируя, можно сказать, что теория вероятностей изучает лишь такие события , в отношении которых имеет смысл не только утверждение об их случайности , но и возможна объективная оценка относительной частоты их появления. Так, утверждение, что при выполнении определенного комплекса условий? вероятность события равна р, означает не только случайность события Л, но и определенную , достаточно близкую к р , долю появлений события А при большом числе испытаний ; а значит, выражает определенную объективную (хотя и своеобразную) связь между комплексом условий 5* и событием А (не зависящую от субъективных суждений о наличии этой связи того или иного лица). И даже просто существование вероятности р (когда само значение р неизвестно) сохраняет качественно суть этого утверждения, выделенную курсивом.

Легко проверить, что свойства вероятности (см. (1.2)), вытекающие из классического определения (1. 1), сохраняются и при статистическом определении вероятности (1.3").

Наряду с классическим и статистическим определениями вероятности в приложениях математики иногда рассматривают так называемую субъективную вероятность как степень уверенности в наступлении того или иного события на основе обработки мнений экспертов. При таком подходе можно говорить о субъективной вероятности (а точнее, субъективной возможности) появления уникальных событий - результатов (исходов) неповторимых в одинаковых условиях испытаний. Субъективная вероятность может быть использована, например, при прогнозировании доходности активов, прибыли от инвестиций и т.и.

• Понятие, т.е. сходимости, в теории вероятностей существенно отличается от классического, рассматриваемого в курсе математического анализа (подробнее об этом см. параграфы 6.3, 6.4).
• В прикладной литературе выполнение приводимых ниже свойств событий с неопределенным исходом в исследуемой реальной действительности иногда называют условиямидействия статистического ансамбля.

Для практической деятельности необходимо уметь сравнивать события по степени возможности их наступления. Рассмотрим классический случай. В урне находится 10 шаров, 8 из них белого цвета, 2 черного. Очевидно, что событие «из урны будет извлечен шар белого цвета» и событие «из урны будет извлечен шар черного цвета» обладают разной степенью возможности их наступления. Поэтому для сравнения событий нужна определенная количественная мера.

Количественной мерой возможности наступления события является вероятность . Наиболее широкое распространение получили два определения вероятности события: классическое и статистическое.

Классическое определение вероятности связано с понятием благоприятствующего исхода. Остановимся на этом подробнее.

Пусть исходы некоторого испытания образуют полную группу событий и равновозможны, т.е. единственно возможны, несовместны и равновозможны. Такие исходы называют элементарными исходами , или случаями . При этом говорят, что испытание сводится к схеме случаев или «схеме урн », т.к. любую вероятностную задачу для подобного испытания можно заменить эквивалентной задачей с урнами и шарами разных цветов.

Исход называется благоприятствующим событию А , если появление этого случая влечет за собой появление события А .

Согласно классическому определению вероятность события А равна отношению числа исходов, благоприятствующих этому событию, к общему числу исходов , т.е.

,

(1.1)

где Р(А) – вероятность события А ; m – число случаев благоприятствующих событию А ; n – общее число случаев.

Пример 1.1. При бросании игральной кости возможны шесть исходов – выпадение 1, 2, 3, 4, 5, 6 очков. Какова вероятность появления четного числа очков?

Решение. Все n = 6 исходов образуют полную группу событий и равновозможны, т.е. единственно возможны, несовместны и равновозможны. Событию А – «появление четного числа очков» – благоприятствуют 3 исхода (случая) – выпадение 2, 4 или 6 очков. По классической формуле вероятности события получаем

Р(А) = = . ◄

Исходя из классического определения вероятности события, отметим ее свойства:

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

0 ≤ Р (А ) ≤ 1.

2. Вероятность достоверного события равна единице.

3. Вероятность невозможного события равна нулю.

Как было сказано ранее, классическое определение вероятности применимо только для тех событий, которые могут появиться в результате испытаний, обладающих симметрией возможных исходов, т.е. сводящихся к схеме случаев. Однако существует большой класс событий, вероятности которых не могут быть вычислены с помощью классического определения.

Например, если допустить, что монета сплющена, то очевидно, что события «появление герба» и «появление решки» нельзя считать равновозможными. Поэтому формула для определения вероятности по классической схеме в данном случае неприменима.

Однако существует другой подход при оценке вероятности событий, основанный на том, насколько часто будет появляться данное событие в произведенных испытаниях. В этом случае используется статистическое определениевероятности.

Статистической вероятностью события А называется относительная частота (частость) появления этого события в n произведенных испытаниях, т.е.

,

(1.2)

где Р * (А) – статистическая вероятность события А ; w(A) – относительная частота события А ; m – число испытаний, в которых появилось событие А ; n – общее число испытаний.

В отличие от математической вероятности Р(А) , рассматриваемой в классическом определении, статистическая вероятность Р * (А) является характеристикой опытной , экспериментальной . Иначе говоря, статистической вероятностью события А называется число, относительно которого стабилизируется (устанавливается) относительная частота w(А) при неограниченном увеличении числа испытаний, проводимых при одном и том же комплексе условий.

Например, когда про стрелка говорят, что он попадает в цель с вероятностью 0,95, то это означает, что из сотни выстрелов, произведенных им при определенных условиях (одна и та же цель на том же расстоянии, та же винтовка и т.д.), в среднем бывает примерно 95 удачных. Естественно, не в каждой сотне будет 95 удачных выстрелов, иногда их будет меньше, иногда больше, но в среднем при многократном повторении стрельбы в тех же условиях этот процент попаданий будет оставаться неизменным. Цифра 0,95, служащая показателем мастерства стрелка, обычно очень устойчива , т.е. процент попаданий в большинстве стрельб будет для данного стрелка почти один и тот же, лишь в редких случаях отклоняясь сколько-нибудь значительно от своего среднего значения.

Еще одним недостатком классического определения вероятности (1.1 ), ограничивающим его применение, является то, что оно предполагает конечное число возможных исходов испытания. В некоторых случаях этот недостаток можно преодолеть, используя геометрическое определение вероятности, т.е. находя вероятность попадания точки в некоторую область (отрезок, часть плоскости и т.п.).

Пусть плоская фигура g составляет часть плоской фигуры G (рис. 1.1). На фигуру G наудачу бросается точка. Это означает, что все точки области G «равноправны» в отношении попадания на нее брошенной случайной точки. Полагая, что вероятность события А – попадания брошенной точки на фигуру g – пропорциональна площади этой фигуры и не зависит ни от ее расположения относительно G , ни от формы g , найдем

Рис. 1.1 Рис 1.2

Пример 1.2. Два студента условились встретиться в определенном месте между 10 и 11 часами дня. Пришедший первым ждет второго в течение 15 минут, после чего уходит. Найти вероятность того, что встреча состоится, если каждый студент наудачу выбирает момент своего прихода между 10 и 11 часами.

Решение. Обозначим моменты прихода в определенное место первого и второго студентов соответственно через x и y . В прямоугольной системе координат Oxy возьмем за начало отсчета 10 часов, а за единицу измерения – 1 час. По условию 0 ≤ x ≤ 1, 0 ≤ y ≤ 1. Этим неравенствам удовлетворяют координаты любой точки, принадлежащей квадрату OKLM со стороной, равной 1 (рис. 1.2). Событие А – встреча двух студентов – произойдет, если разность между x и не y превзойдет 1/4 часа (по абсолютной величине), т.е. |y – x | ≤ 0,25.

Решение этого неравенства есть полоса x – 0,25 ≤ y ≤ x + 0,25, которая внутри квадрата G представляет заштрихованную область g . По формуле (1.3)

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.

Показатель ранговой корреляции Кендалла, проверка соответствующей гипотезы о существенности связи.

2.Классическое определение вероятности. Свойства вероятности.
Вероятность - одно из основных понятий теории вероятностей. Существует несколько определений этого понятия. Приведем определение, которое называют классическим. Далее укажем слабые стороны этого определения и приведем другие определения, позволяющие преодолеть недостатки классического определения.

Рассмотрим пример. Пусть в урне содержится 6 одинаковых, тщательно перемешанных шаров, причем 2 из них - красные, 3 - синие и 1 - белый. Очевидно, возможность вынуть наудачу из урны цветной (т. е. красный или синий) шар больше, чем возможность извлечь белый шар. Можно ли охарактеризовать эту возможность числом? Оказывается, можно. Это число и называют вероятностью события (появления цветного шара). Таким образом, вероятность есть число, характеризующее степень возможности появления события.

Поставим перед собой задачу дать количественную оценку возможности того, что взятый наудачу шар цветной. Появление цветного шара будем рассматривать в качестве события А. Каждый из возможных результатов испытания (испытание состоит в извлечении шара из урны) назовемэлементарным исходом (элементарным событием) . Элементарные исходы обозначим через w 1 , w 2 , w 3 и т.д. В нашем примере возможны следующие 6 элементарных исходов: w 1 - появился белый шар; w 2 , w 3 - появился красный шар; w 4 , w 5 , w 6 - появился синий шар. Легко видеть, что эти исходы образуют полную группу попарно несовместных событий (обязательно появится только один шар) и они равновозможны (шар вынимают наудачу, шары одинаковы и тщательно перемешаны).

Те элементарные исходы, в которых интересующее нас событие наступает, назовем благоприятствующими этому событию. В нашем примере благоприятствуют событию A (появлению цветного шара) следующие 5 исходов: w 2 , w 3 , w 4 , w 5 , w 6 .

Таким образом, событие А наблюдается, если в испытании наступает один, безразлично какой, из элементарных исходов, благоприятствующих A; в нашем примере А наблюдается, если наступит w 2 , или w 3 , или w 4 , или w 5 , или w 6 . В этом смысле событие А подразделяется на несколько элементарных событий (w 2 , w 3 , w 4 , w 5 , w 6); элементарное же событие не подразделяется на другие события. В этом состоит различие между событием А и элементарным событием (элементарным исходом).

Отношение числа благоприятствующих событию А элементарных исходов к их общему числу называют вероятностью события А и обозначают через Р (А). В рассматриваемом примере всего элементарных исходов 6; из них 5 благоприятствуют событию А. Следовательно, вероятность того, что взятый шар окажется цветным, равна Р (A) = 5 / 6. Это число и дает ту количественную оценку степени возможности появления цветного шара, которую мы хотели найти. Дадим теперь определение вероятности.

Вероятностью события А называют отношение числа благоприятствующих этому событию исходов к общему числу всех равновозможных несовместных элементарных исходов, образующих полную группу. Итак, вероятность события А определяется формулой

где m - число элементарных исходов, благоприятствующих A; n - число всех возможных элементарных исходов испытания.

Здесь предполагается, что элементарные исходы несовместны, равновозможны и образуют полную группу. Из определения вероятности вытекают следующие ее свойства:

С в о й с т в о 1. Вероятность достоверного события равна единице.

Действительно, если событие достоверно, то каждый элементарный исход испытания благоприятствует событию. В этом случае m = n, следовательно,

Р (A) = m / n = n / n = 1.

С в о й с т в о 2. Вероятность невозможного события равна нулю.

Действительно, если событие невозможно, то ни один из элементарных исходов испытания не благоприятствует событию. В этом случае m = 0, следовательно,

Р (А) = m / n = 0 / n = 0.

С в о й с т в о 3. Вероятность случайного события есть положительное число, заключенное между нулем и единицей .

Действительно, случайному событию благоприятствует лишь часть из общего числа элементарных исходов испытания. В этом случае 0 < m < n, значит, 0 < m / n < 1, следовательно,

0 < Р (А) < 1

Итак, вероятность любого события удовлетворяет двойному неравенству

З а м е ч а н и е. Современные строгие курсы теории вероятностей построены на теоретико-множественной основе. Ограничимся изложением на языке теории множеств тех понятий, которые рассмотрены выше.

Пусть в результате испытания наступает одно и только одно из событий w i , (i = 1, 2, ..., n). События w i , называют элементарными событиями (элементарными исходами) . Уже отсюда следует, что элементарные события попарно несовместны. Множество всех элементарных событий, которые могут появиться в испытании, называютпространством элементарных событий W, а сами элементарные события - точками пространства W.

Событие А отождествляют с подмножеством (пространства W), элементы которого есть элементарные исходы, благоприятствующие А; событие В есть подмножество W, элементы которого есть исходы, благоприятствующие В, и т.д. Таким образом, множество всех событий, которые могут наступить в испытании, есть множество всех подмножествW. Само W наступает при любом исходе испытания, поэтому W - достоверное событие; пустое подмножество пространства W - невозможное событие (оно не наступает ни при каком исходе испытания).

Заметим, что элементарные события выделяются из числа всех событий тем, что каждое из них содержит только один элемент W.

Каждому элементарному исходу w i , ставят в соответствие положительное число p i - вероятность этого исхода, причем

По определению, вероятность Р(А) события А равна сумме вероятностей элементарных исходов, благоприятствующих А. Отсюда легко получить, что вероятность события достоверного равна единице, невозможного - нулю, произвольного - заключена между нулем и единицей.

Рассмотрим важный частный случай, когда все исходы равновозможны. Число исходов равно n, сумма вероятностей всех исходов равна единице; следовательно, вероятность каждого исхода равна 1 / n. Пусть событию А благоприятствует m исходов. Вероятность события А равна сумме вероятностей исходов, благоприятствующих А:

Р (А) = 1 / n + 1 / n + .. + 1 / n.

Учитывая, что число слагаемых равно m, имеем

Р (А) = m / n.

Получено классическое определение вероятности.

Построение логически полноценной теории вероятностей основано на аксиоматическом определении случайного события и его вероятности. В системе аксиом, предложенной А. Н. Колмогоровым, неопре-деляемыми понятиями являются элементарное событие и вероятность. Приведем аксиомы, определяющие вероятность:

1. Каждому событию А поставлено в соответствие неотрицательное действительное число Р (А). Это число называется вероятностью события А.

2. Вероятность достоверного события равна единице:

3. Вероятность наступления хотя бы одного из попарно несовместных событий равна сумме вероятностей этих событий.

Исходя из этих аксиом, свойства вероятностей и зависимости между ними выводят в качестве теорем.

3.Статическое определение вероятности, относительная частота.

Классическое определение не требует проведения опыта. В то время как реальные прикладные задачи имеют бесконечное число исходов, и классическое определение в этом случае не может дать ответа. Поэтому в таких задачах будем использовать статическое определение вероятностей , которое подсчитывают после проведения эксперимента или опыта.

Статической вероятностью w(A) или относительной частотой называют отношение числа благоприятных данному событию исходов к общему числу фактически проведенных испытаний.

w (A )=nm

Относительная частота события обладает свойством устойчивости :

limn →∞P (∣ ∣ nm −p ∣ ∣ <ε)=1 (свойство устойчивости относительной частоты)

4.Геометрические вероятности.

При геометрическом подходе к определению вероятности в качестве пространства элементарных событий рассматривается произвольное множество конечной лебеговой меры на прямой, плоскости или пространстве. Событиями называются всевозможные измеримые подмножества множества .

Вероятность события А определяется формулой

где обозначает лебегову меру множества А. При таком определении событий и вероятностей все аксиомы А.Н.Колмогорова выполняются.

В конкретных задачах, которые сводятся к указанной выше вероятностной схеме, испытание интерпретируется как случайный выбор точки в некоторой области , а событие А – как попадание выбранной точки в некоторую подобласть А области . При этом требуется, чтобы все точки области имели одинаковую возможность быть выбранными. Это требование обычно выражается словами «наудачу», «случайным образом» и т.д.

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.