Свойства статистической вероятности. Классическое и статистическое определение вероятности

Чтобы количественно сравнивать между собой события по степени их возможности, очевидно, нужно с каждым событием связать определённое число, которое тем больше, чем более возможно событие. Такое число мы назовём вероятностью события. Таким образом, вероятность события есть численная мера степени объективной возможности этого события.

Первым по времени определением вероятности следует считать классическое, которое возникло из анализа азартных игр и применялось вначале интуитивно.

Классический способ определения вероятности основан на понятии равновозможных и несовместных событий, которые являются исходами данного опыта и образуют полную группу несовместных событий.

Наиболее простым примером равновозможных и несовместных событий, образующих полную группу, является появление того или иного шара из урны, содержащей несколько одинаковых по размеру, весу и другим осязаемым признакам шаров, отличающихся лишь цветом, тщательно перемешанных перед выниманием.

Поэтому об испытании, исходы которого образуют полную группу несовместных и равновозможных событий, говорят, что оно сводится к схеме урн, или схеме случаев , или укладывается в классическую схему.

Равновозможные и несовместные события, составляющие полную группу, будем называть просто случаями или шансами. При этом в каждом опыте наряду со случаями могут происходить и более сложные события.

Пример : При подбрасывании игральной кости наряду со случаями А i - выпадение i- очков на верхней грани можно рассматривать такие события, как В - выпадение чётного числа очков, С - выпадение числа очков, кратных трём …

По отношению к каждому событию, которое может произойти при осуществлении эксперимента, случаи делятся на благоприятствующие , при которых это событие происходит, и неблагоприятствующие, при которых событие не происходит. В предыдущем примере, событию В благоприятствуют случаи А 2 , А 4 , А 6 ; событию С - случаи А 3 , А 6 .

Классической вероятностью появления некоторого события называется отношение числа случаев, благоприятствующих появлению этого события, к общему числу случаев равновозможных, несовместных, составляющих полную группу в данном опыте:

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

Примеры:

1) (смотри пример выше) Р(В) = , Р(С) = .

2) В урне находятся 9 красных и 6 синих шаров. Найти вероятность того, что вынутые наугад один, два шара окажутся красными.

А - вынутый наугад шар красный:

m = 9, n = 9 + 6 = 15, P(A) =

B - вынутые наугад два шара красные:

Из классического определения вероятности вытекают следующие свойства (показать самостоятельно):

1) Вероятность невозможного события равна 0;

2) Вероятность достоверного события равна 1;

3) Вероятность любого события заключена между 0 и 1;

4) Вероятность события, противоположного событию А,

Классическое определение вероятности предполагает, что число исходов испытания конечно. На практике же весьма часто встречаются испытания, число возможных случаев которых бесконечно. Кроме того, слабая сторона классического определения состоит в том, что очень часто невозможно представить результат испытания в виде совокупности элементарных событий. Ещё труднее указать основания, позволяющие считать элементарные исходы испытания равновозможными. Обычно о равновозможности элементарных исходов испытания заключают из соображений симметрии. Однако такие задачи на практике встречаются весьма редко. По этим причинам наряду с классическим определением вероятности пользуются и другими определениями вероятности.

Статистической вероятностью события А называется относительная частота появления этого события в произведённых испытаниях:

где - вероятность появления события А;

Относительная частота появления события А;

Число испытаний, в которых появилось событие А;

Общее число испытаний.

В отличие от классической вероятности статистическая вероятность является характеристикой опытной, экспериментальной.

Пример : Для контроля качества изделий из партии наугад выбрано 100 изделий, среди которых 3 изделия оказались бракованными. Определить вероятность брака.

Статистический способ определения вероятности применим лишь к тем событиям, которые обладают следующими свойствами:

Рассматриваемые события должны быть исходами только тех испытаний, которые могут быть воспроизведены неограниченное число раз при одном и том же комплексе условий.

События должны обладать статистической устойчивостью (или устойчи- востью относительных частот). Это означает, что в различных сериях испытаний относительная частота события изменяется незначительно.

Число испытаний, в результате которых появляется событие А, должно быть достаточно велико.

Легко проверить, что свойства вероятности, вытекающие из классического определения, сохраняются и при статистическом определении вероятности.

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?

Классическое определение вероятности.

Пусть в результате испытания появляются элементарные исходы (события): ω 1 , ω 2 , ω 3 , …, ω m , ω m +1 , …, ω n , которые образуют полную группу попарно несовместных равновозможных событий.

Определение: Элементарные исходы, в которых интересующее нас событие наступает, назовём благоприятствующими этому событию.

Пусть интересующее нас событие A наблюдается, если наступает один из элементарных исходов: ω 1 , ω 2 , …, ω m .

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

где m – число элементарных исходов, благоприятствующих событию A;

n – число всех возможных элементарных исходов испытания.

Пример: В урне имеется шесть одинаковых шаров: два из них – красные, три – синие и один – белый. Наудачу извлекаем шар.

Найти вероятность того, что он не белый.

Решение: Возможно шесть элементарных исходов:

ω 1 – появился белый шар,

ω 2 , ω 3 – появился красный шар,

ω 4 , ω 5 , ω 6 – появился синий шар.

Вычисляем вероятность извлечения не белого шара:

Т.к. m = 5, n = 6.

Из определения вероятности вытекают следующие её свойства:

Свойство 1: Вероятность достоверного события равна единице.

Доказательство: Событие достоверно, следовательно, каждый элементарный исход испытания благоприятствует событию:

Свойство 2: Вероятность невозможного события равна нулю.

Доказательство: Событие невозможно, следовательно, ни один элементарный исход не является благоприятствующим событию:

Свойство 3: Вероятность случайного события есть положительное число, заключённое между нулём и единицей.

Доказательство: Случайному событию благоприятствует лишь часть из общего числа элементарных исходов испытания. Следовательно, 0 < m < n , тогда:

Вывод: Вероятность любого события удовлетворяет неравенству:

Заметим, что классическое определение вероятности имеет свои недостатки. Например, оно предполагает, что число элементарных исходов конечно. На практике часто встречаются испытания, число возможных исходов которых бесконечно. Отсюда вытекает ограниченность классического определения. Другой недостаток классического определения вероятности: часто бывает невозможно представить результат испытания в виде совокупности элементарных событий. Ещё труднее указать основания, позволяющие считать элементарные события равновозможными. Требуется введение других определений вероятности.

Прежде чем дать определение статистической вероятности, дадим определение относительной частоты.

Определение: Относительной частотой события называется отношение числа испытаний m, в которых событие появилось, к общему числу фактически проведенных испытаний n:

Заметим, что вероятность вычисляют до опыта, а относительную частоту – после опыта.

Пример: ОТК (отдел технического контроля) обнаружил 3 нестандартных детали в партии из 80 случайно отобранных деталей.

В этом случае относительная частота появления нестандартных деталей равна:

Свойство устойчивости относительной частоты: В различных опытах относительная частота изменяется мало (тем меньше, чем больше произведено испытаний), колеблясь около некоторого постоянного числа.

Оказалось, что это постоянное число – вероятность появления события:

W(A) ≈ P(A).

Пример: По данным шведской статистики, относительная частота рождения девочек за 1935 год по месяцам (начиная с января) характеризуется следующими числами:

0,486; 0,489; 0,490; 0,471; 0,478; 0,482; 0,462; 0,484; 0,485; 0,491; 0,482; 0,473.

Тогда W(A) ≈ 0,481 ≈ P(A) – приближённое значение вероятности рождения девочки.

Определение: Вероятностью события A называется число, относительно которого стабилизируется (устанавливается) относительная частота W(A) при неограниченном увеличении числа опытов.

Очевидно, что все свойства вероятности, вытекающие из классического определения, сохраняются и при статистическом определении вероятности.

Вероямтность -- степень (мера, количественная оценка) возможности наступления некоторого события. Когда основания для того, чтобы какое-нибудь возможное событие произошло в действительности, перевешивают противоположные основания, то это событие называют вероятным, в противном случае -- невероятным или маловероятным. Перевес положительных оснований над отрицательными, и наоборот, может быть в различной степени, вследствие чего вероятность (и невероятность) бывает большей или меньшей. Поэтому часто вероятность оценивается на качественном уровне, особенно в тех случаях, когда более или менее точная количественная оценка невозможна или крайне затруднительна. Возможны различные градации «уровней» вероятности.

Классическое определение вероятности основано на понятии равно возможности исходов. В качестве вероятности выступает отношение количества исходов, благоприятствующих данному событию, к общему числу равновозможных исходов. Например, вероятность выпадения «орла» или «решки» при случайном подбрасывании монетки равна 1/2, если предполагается, что только эти две возможности имеют место и они являются равновозможными. Данное классическое «определение» вероятности можно обобщить на случай бесконечного количества возможных значений -- например, если некоторое событие может произойти с равной вероятностью в любой точке (количество точек бесконечно) некоторой ограниченной области пространства (плоскости), то вероятность того, что оно произойдет в некоторой части этой допустимой области равна отношению объёма (площади) этой части к объёму (площади) области всех возможных точек.

Вероятностное описание тех или иных явлений получило широкое распространение в современной науке, в частности в эконометрике, статистической физике макроскопических (термодинамических) систем, где даже в случае классического детерминированного описания движения частиц детерминированное описание всей системы частиц не представляется практически возможным и целесообразным. В квантовой физике сами описываемые процессы имеют вероятностную природу.

Возникновение понятия и теории вероятности

Первые работы об учении о вероятности относится к 17 веку. Такие как переписка французских учёных Б. Паскаля, П. Ферма (1654 год) и голландского учёного X. Гюйгенса (1657 год) давшего самую раннюю из известных научных трактовок вероятности]. По существу Гюйгенс уже оперировал понятием математического ожидания. Швейцарский математик Я. Бернулли, установил закон больших чисел для схемы независимых испытаний с двумя исходами (посмертно, 1713 год). В XVIII в. -- начале ХIХ в. теория вероятностей получает развитие в работах А. Муавра (Англия)(1718 год), П. Лаплас (Франция), К. Гаусса (Германия) и С. Пуассона (Франция). Теория вероятностей начинает применяться в теории ошибок наблюдений, развившейся в связи с потребностями геодезии и астрономии, и в теории стрельбы. Необходимо отметить, что закон распределения ошибок по сути предложил Лаплас сначала как экспоненциальная зависимость от ошибки без учета знака (в 1774 год), затем как экспоненциальную функцию квадрата ошибки (в 1778 году). Последний закон обычно называют распределением Гаусса или нормальным распределением. Бернулли (1778 год) ввел принцип произведения вероятностей одновременных событий. Адриен Мари Лежандр (1805) разработал метод наименьших квадратов.

Во второй половине XIX в. развитие теории вероятностей связано с работами русских математиков П. Л. Чебышева, А. М. Ляпунова и А. А. Маркова (старшего), а также работы по математической статистике А. Кетле (Бельгия) и Ф. Гальтона (Англия) и статистической физике Л. Больцмана (в Австрия), которые создали основу для существенного расширения проблематики теории вероятностей. Наиболее распространённая в настоящее время логическая (аксиоматическая) схема построения основ теории вероятностей разработана в 1933 советским математиком А. Н. Колмогоровым.

Классическое определение вероятности:

По классическому определению вероятность случайного события Р(А) равна отношению числа исходов, благоприятствующих А, к общему числу исходов, составляющих пространство элементарных событий, т.е.

вероятность статический классический теория

Вычисление вероятностей при этом сводится к подсчету элементов того или иного множества и часто оказывается чисто комбинаторной задачей, иногда весьма трудной.

Классическое определение оправдано, когда существует возможность предсказания вероятности на основании симметрии условий, при которых происходит эксперимент, и вследствие этого симметрии исходов испытания, что приводит к понятию "равно возможности" исходов.

Например. Если сделанная из однородного материала геометрически правильная игральная кость подбрасывается так, что она успевает сделать достаточно большое число оборотов перед тем, как упасть, то выпадение любой из ее граней считается равновозможным исходом.

По тем же соображениям симметрии считаются равновозможными исходы такого эксперимента, как вынимание тщательно перемешанных и неотличимых на ощупь белых и черных шаров так, что после регистрации цвета каждый шар возвращается обратно в сосуд и после тщательного перемешивания производится извлечение следующего шара.

Чаще всего такая симметрия наблюдается в искусственно организованных экспериментах, какими являются азартные игры.

Таким образом, классическое определение вероятности связано с понятием равно возможности и используется для экспериментов, сводящихся к схеме случаев. Для этого необходимо, чтобы события e1, e2, en были несовместными, т. е. никакие два из них не могут появиться вместе; такими, что образуют полную группу, т. е. они исчерпывают собой все возможные исходы (не может быть так, что в результате опыта ни одно из них не произошло); равновозможными при условии, что эксперимент обеспечивает одинаковую возможность появления каждого из них.

Не всякий эксперимент удовлетворяет схеме случаев. Если нарушается условие симметрии, то нет схемы случаев.

Формула (1.1), "классическая формула", применялась для вычисления вероятностей событий с самого начала появления науки о случайных явлениях.

Те опыты, которые не обладали симметрией, "подгонялись" под схему случаев. В настоящее время наряду с "классической формулой" существуют способы вычисления вероятностей, когда эксперимент не сводится к схеме случаев. Для этого используется статистическое определение вероятности.

Понятие статистической вероятности будет введено позднее, а сейчас вернемся к классической формуле.

Рассмотрим следующие примеры.

Пример 1. Опыт состоит в бросании двух монет. Найти вероятность того, что появится хотя бы один герб.

Решение. Случайное событие А - появление хотя бы одного герба.

Пространство элементарных событий в данном эксперименте определяется следующими исходами: Е = {ГГ, ГР, РГ, РР}, которые соответственно обозначаются e1, e2, e3, e4. Таким образом,

E=e1, e2, e3, e4; n=4.

Необходимо определить число исходов из Е, которые благоприятствуют появлению А. Это e1, e2, e3; их число m=3.

Используя классическую формулу определения вероятности события А, имеем

Пример 2. В урне 3 белых и 4 черных шара. Из урны вынимается один шар. Найти вероятность того, что этот шар белый.

Решение. Случайное событие А - появление белого шара. Пространство элементарных событий Е включает исходы e1, e2, e3, e4, e5, e6, e7, где ei - появление одного шара (белого или черного);

E={e1, e2, e3, e4, 5, e6, e7}, n=7.

Случайному событию А в пространстве Е благоприятствует 3 исхода; m=3. Следовательно,

Пример 3. В урне 3 белых и 4 черных шара. Из урны вынимается два шара. Найти вероятность того, что оба будут белыми.

Решение. Случайное событие А - оба шара будут белыми.

Пример 3 отличается от примера 2 тем, что в примере 3 исходами, составляющими пространство элементарных исходов Е, будут не отдельные шары, а комбинации из 7 шаров по 2. То есть, чтобы определить размерность Е, необходимо определить число комбинаций из 7 по 2. Для этого необходимо использовать формулы комбинаторики, которые приводятся в разделе "Комбинаторный метод". В данном случае для определения числа комбинаций из 7 по 2 используется формула для определения числа сочетаний

так как выбор производится без возвращения и порядок появления шаров неважен. Таким образом,

Число комбинаций, благоприятных для появления события А, определяется в виде

Следовательно, .

Статистическое определение вероятности

При рассмотрении результатов отдельных испытаний очень трудно найти какие-либо закономерности. Однако в последовательности одинаковых испытаний можно обнаружить устойчивость некоторых средних характеристик. Частостью какого-либо события в данной серии из n испытаний называется отношение m/n, числа m тех испытаний, в которых событие А наступило, к общему числу испытаний n. Почти в каждой достаточно длинной серии испытаний частость события А устанавливается около определенного значения, которое принимается за вероятность событияА. Устойчивость значения частости подтверждается специальными экспериментами. Статистические закономерности такого рода были впервые обнаружены на примере азартных игр, т. е. на примере тех испытаний, которые характеризуются равно возможностью исходов. Это открыло путь для статистического подхода к численному определению вероятности, когда нарушается условие симметрии эксперимента. Частость события А называют статистической вероятностью, которая обозначается

где mA - число экспериментов, в которых появилось событие А;

n - общее число экспериментов.

Формулы (1.1) и (1.2) для определения вероятности имеют внешнее сходство, но они различны по существу. Формула (1.1) служит для теоретического вычисления вероятности события по заданным условиям опыта. Формула (1.2) служит для экспериментального определения частости события. Чтобы воспользоваться формулой (1.2), необходим опытный статистический материал.

Аксиоматический подход к определению вероятности

Третьим подходом к определению вероятности является аксиоматический подход, при котором вероятности задаются перечислением их свойств.

Принятое аксиоматическое определение вероятности было сформулировано в 1933 г. А. Н. Колмогоровым. В этом случае вероятность задается как числовая функция Р(А) на множестве всех событий, определяемых данным экспериментом, которая удовлетворяет следующим аксиомам:

P(A)=1, если А - достоверное событие.

Если А и В несовместны.

Основные свойства вероятности

Для каждого случайного события А определена его вероятность, причем.

Для достоверного события U имеет место равенство P(U)=1.Свойства 1 и 2 следуют из определения вероятности.

Если события А и В несовместны, то вероятность суммы событий равна сумме их вероятностей. Это свойство носит название формулы сложения вероятностей в частном случае (для несовместных событий).

Для произвольных событий А и В

Это свойство носит название формулы сложения вероятностей в общем случае.

Для противоположных событий А и имеет место равенство.

Кроме этого, вводится невозможное событие, обозначенное, которому не способствует ни один исход из пространства элементарных событий. Вероятность невозможного события равна 0, P()=0 .

Пример. Вероятность того, что случайно выбранная в результате опроса семья имеет цветной, черно-белый или цветной и черно-белый телевизоры, равны соответственно 0.86; 0.35; 0.29. Какова вероятность, что семья имеет цветной или черно-белый телевизор?

Решение. Пусть событие А состоит в том, что семья имеет цветной телевизор.

Событие В состоит в том, что семья имеет черно-белый телевизор.

Событие С состоит в том, что семья имеет или цветной, или черно-белый телевизор. Событие С определяется через А и В в виде, А и В совместны, поэтому

Комбинаторный метод

Во многих вероятностных проблемах необходимо перечислить все возможные исходы эксперимента или элементарные события, которые возможны в данной ситуации, или вычислить их количество. Для этого можно использовать следующие правила.

Правило 1. Если операция состоит из двух шагов, в которых первый может быть сделан n1 способами и второй может быть сделан n2 способами, то вся операция может быть сделана за n1·n2 способов.

Под словом "операция" подразумевается любая процедура, процесс или метод выбора.

Чтобы подтвердить это правило, рассмотрим операцию, которая состоит из шагов xi и yi, шаг x может быть осуществлен n1 способами, т.е. , шаг y может быть осуществлен n2 способами, т.е. , тогда ряд всех возможных способов может быть представлен следующими n1n2 парами:

Пример. Сколько возможных исходов имеется в эксперименте, который состоит в подбрасывании двух игральных костей.

Решение. Под x и y в этом случае понимается выпадение любой грани на первой кости и на второй кости. Выпадение грани на первой кости возможно шестью способами xi, ; выпадение грани второй кости возможно также шестью способами xj, .

Всего возможных способов 6.6=36.

Правило 2. Если операция состоит из k шагов, в которых первый может быть сделан n1 способами, второй n2 способами, третий способами и т. д., k-й - способами, то вся операция может быть сделана за n1·n2…nk шагов.

Пример. Инспектор качества хочет выбрать часть из каждого из четырех контейнеров, содержащих 4, 3, 5 и 4 частей соответственно. Сколькими способами он может это сделать?

Решение. Общее число способов определяется как 4·3·5·4=240.

Пример. Сколькими возможными способами может ответить студент в тесте из 20 вопросов, если на каждый вопрос он может ответить "да" или "нет"?

Решение. Всех возможных способов 2·2...2=220=1048576.

Часто на практике возникает ситуация, когда объекты должны быть упорядочены.

Например: сколькими различными способами 6 персон могут сесть вокруг стола? Различные их расположения называются перестановками.

Пример. Сколько перестановок возможно для букв a, b, c?

Решение. Возможные расположения abc, acb, bac, bca, cab, cba. Число возможных расположений равно шести.

Обобщая данный пример, для n объектов всего n·(n-1)(n-2)…3 ·2 ·1 различных способов или n!, т. е. число перестановок n!=1·2·3...·(n-2)(n-1)n, при этом 0!=1.

Правило 3. Число перестановок n различных объектов равно n!.

Пример. Число перестановок из четырех букв 4!=24, но какое число перестановок получится, если выбирать по 2 буквы из четырех?

Решение. Мы должны заполнить две позиции из четырех букв. Для первой позиции - 4 способа, для второй позиции - 3 способа. Следовательно, используя правило 1, имеем 4·3=12.

Обобщая этот пример на n различных объектов, из которых выбирается r объектов без возвращения для r > 0, всего способов n(n-1)...(n-r+1). Это число обозначим, а получаемые комбинации называются размещениями.

Правило 4. Число размещений из n объектов по r определяется как

(для r = 0,1,...,n).

Перестановки, когда объекты располагаются по кругу, называются круговыми перестановками. Две круговые перестановки не являются различными (а считаются только одной), если соответствующие объекты в двух расположениях имеют те же самые объекты слева и справа.

Например: если четыре персоны играют в бридж, мы не получим различных расположений, если все игроки передвинутся на один стул справа.

Пример. Сколько круговых перестановок возможно из четырех персон, играющих в бридж? Решение. Если произвольно взять позицию одного из четырех игроков как фиксированную, можно трех остальных игроков расположить 3! способами, другими словами, имеем шесть различных круговых перестановок.

Обобщая этот пример, получаем следующее правило.

Правило 5. Число перестановок из n различных предметов, расположенных по кругу, равно (n-1)!.

До сих пор предполагалось, что n объектов, из которых мы выбираем r объектов и формируем перестановки, являются различными. Таким образом, упомянутые ранее формулы не могут быть использованы для определения числа способов расположения букв в слове "book" или числа способов расположения трех копий одной новеллы и одной копии каждой из четырех других новелл на полке.

Пример. Сколько различных перестановок букв в слове "book"?

Решение. Если важно различать буквы O, то мы их обозначим O1, O2 и тогда будем иметь 4!=24 различных перестановок букв в O1, O2 и K. Однако если мы опускаем индексы, то O1 O2 и O2, O1уже не различаются, тогда общее число перестановок равно.

Пример. Сколько различных способов расположения трех копий одной новеллы и одной копии других четырех новелл на полке?

Решение. Если обозначить три копии первой новеллы как a1, a2, a3 и другие четыре новеллы - b, c, d и e, то в данном случае имеем 7! различных способов и 3! способа расположить a1, a2, a3.

Если опустить индексы, то различных способов расположения копий.

Обобщая эти рассуждения, получим следующее правило.

Правило 6. Число перестановок n объектов, в которых n1 одного сорта, n2 - второго сорта, …, nk - k-го сорта и n1+n2+...+nk=n,

Много задач, в которых необходимо определить число способов выбора r объектов из n различных объектов, не обращая внимания на порядок, в котором они выбираются. Такие комбинации называются сочетаниями.

Пример. Сколькими способами можно выбрать трех кандидатов из 20-ти человек для общественного опроса?

Решение. Если нам важен порядок при выборе кандидатов, то число комбинаций, но каждый ряд из трех кандидатов может быть выбран 3! Способами; если порядок выбора не важен, то всего способов выбора.

Комбинации без возращения r объектов из n различных объектов, которые отличаются самими объектами, но не их порядком, называются сочетаниями.

Правило 7. Число комбинаций по r объектов из n разных объектов определяется числом, число сочетаний может обозначаться как.

Пример. Сколькими различными способами можно при шести подбрасываниях монеты получить 2 герба и 4 решки?

Решение. Так как порядок получения гербов и решек не важен, то, применяя правило 7, получим.

Пример. Сколько разных комитетов из двух химиков и одного физика может быть сформировано на факультете небольшого колледжа, имеющего 4 химика и 3 физика.

Решение. Число комбинаций из четырех химиков по 2 может быть получено (шестью) способами.

Один из трех физиков может быть выбран (тремя) способами.

Число комитетов, в соответствии с правилом 1, определяется как 6·3=18.

Пример. Сколькими способами можно разбить ряд из четырех объектов на три ряда, содержащих соответственно два, один и один объекта?

Решение. Обозначим данные четыре объекта буквами a, b, c, d. Число разбиений на два, один и один будет 12:

Разбиение из двух объектов можно получить способами, что дает 6 возможностей. Число способов сформировать второе разбиение. И для третьего разбиения число способов равно 1.

Согласно правилу 2 всего способов разбиения (6·2·1)=12.

Обобщая данный пример, получаем следующее правило.

Правило 8. Число способов, с помощью которых ряд из n различных объектов может быть разбит на k частей с n1 объектами в 1-й части, n2 во 2-й части, … и nk в k-й, определяется как

Пример. Сколькими способами 7 бизнесменов могут быть размещены в одном трехкомнатном и двух двухкомнатных номерах в отеле?

Решение. Согласно правилу 8 это можно сделать (двухсотдесятью) способами.

Доказательство правила 8

Так как n1 объектов могут быть выбраны в ряд способами, n2 могут быть выбраны

Согласно правилу 2 всего число способов будет определяться в виде

Задание для самостоятельной работы

1. Десять книг на одной полке расставляются наудачу. Определить вероятность того, что три определенные книги окажутся рядом.

Ответ: 0.066.

2. Из колоды карт (52 карты) наудачу извлекаются три карты. Найти вероятность того, что это будут тройка, семерка и туз.

Ответ: 0.0029.

3. Имеются пять билетов стоимостью по 1 рублю;

три билета стоимостью по 3 рубля;

два билета стоимостью по 5 рублей.

Наугад выбирается три билета. Определить вероятность того, что:

а) хотя бы два из этих билетов имеют одинаковую стоимость.

Ответ: 0.75;

б) все три билета стоят 7 рублей.

Ответ: 0.29.

4. В кошельке лежат три монеты достоинством по 20 копеек и семь монет достоинством по 3 копейки. Наудачу берется одна монета, а затем извлекается вторая монета достоинством в 20 копеек.

Определить вероятность того, что и первая монета имеет достоинство в 20 копеек.

Ответ: 0.22.

• 5. Из десяти билетов лотереи выигрышными являются два. Определить вероятность того, что среди взятых наудачу пяти билетов:
  • а) один выигрышный;
  • б) два выигрышных;
  • в) хотя бы один выигрышный.

Ответ: 0.55, 0.22, 0.78.

6. В корзине имеется n шаров с номерами от 1 до n, шары извлекаются наудачу по одному без возвращения. Какова вероятность того, что при k первых извлечениях номера шаров совпадут с номерами извлечений.

Ответ: (n - k)!/n!

Использованная литература

• 1. http://kurs.ido.tpu.ru/courses/theory_ver/tema2/tema2.html
• 2. http://free.megacampus.ru/xbookM0018/index.html?go=part-003*page.htm
• 3. http://www.testent.ru/publ/studenty/vysshaja_matematika/klassicheskoe_opredelenie_verojatnosti/35-1-0-1121
• 4. http://ru.wikipedia.org/
• 5. http://www.kolasc.net.ru/cdo/books/tv/page15.html

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.