Как найти вероятность того что. Независимость событий

Приведенные к настоящему моменту в открытом банке задач ЕГЭ по математике (mathege.ru), решение которых основано на одной лишь формуле, представляющей собой классическое определение вероятности.

Понять формулу проще всего на примерах.
Пример 1. В корзине 9 красных шаров и 3 синих. Шары различаются только цветом. Наугад (не глядя) достаём один из них. Какова вероятность того, что выбранный таким образом шар окажется синего цвета?

Комментарий. В задачах по теории вероятности происходит нечто (в данном случае наше действие по вытаскиванию шара), что может иметь разный результат - исход. Нужно заметить, что на результат можно смотреть по-разному. "Мы вытащили какой-то шар" - тоже результат. "Мы вытащили синий шар" - результат. "Мы вытащили именно вот этот шар из всех возможных шаров" - такой наименее обобщенный взгляд на результат называется элементарным исходом. Именно элементарные исходы имеются в виду в формуле для вычисления вероятности.

Решение. Теперь вычислим вероятность выбора синего шара.
Событие А: "выбранный шар оказался синего цвета"
Общее число всех возможных исходов: 9+3=12 (количество всех шаров, которые мы могли бы вытащить)
Число благоприятных для события А исходов: 3 (количество таких исходов, при которых событие А произошло, - то есть, количество синих шаров)
P(A)=3/12=1/4=0,25
Ответ: 0,25

Посчитаем для той же задачи вероятность выбора красного шара.
Общее число возможных исходов останется тем же, 12. Число благоприятных исходов: 9. Искомая вероятность: 9/12=3/4=0,75

Вероятность любого события всегда лежит в пределах от 0 до 1.
Иногда в повседневной речи (но не в теории вероятности!) вероятность событий оценивают в процентах. Переход между математической и разговорной оценкой осуществляется путем умножения (или деления) на 100%.
Итак,
При этом вероятность равна нулю у событий, которые не могут произойти - невероятны. Например, в нашем примере это была бы вероятность вытащить из корзины зеленый шар. (Число благоприятных исходов равно 0, Р(А)=0/12=0, если считать по формуле)
Вероятность 1 имеют события, которые абсолютно точно произойдут, без вариантов. Например, вероятность того, что «выбранный шар окажется или красным или синим» - для нашей задачи. (Число благоприятных исходов: 12, Р(А)=12/12=1)

Мы рассмотрели классический пример, иллюстрирующий определение вероятности. Все подобные задачи ЕГЭ по теории вероятности решаются применением данной формулы.
На месте красных и синих шаров могут быть яблоки и груши, мальчики и девочки, выученные и невыученные билеты, билеты, содержащие и не содержащие вопрос по какой-то теме (прототипы , ), бракованные и качественные сумки или садовые насосы (прототипы , ) – принцип остается тем же.

Немного отличаются формулировкой задачи теории вероятности ЕГЭ, где нужно вычислить вероятность выпадения какого-то события на определенный день. ( , ) Как и в предыдущих задачах нужно определить, что является элементарным исходом, после чего применить ту же формулу.

Пример 2. Конференция длится три дня. В первый и второй день выступают по 15 докладчиков, в третий день – 20. Какова вероятность того, что доклад профессора М. выпадет на третий день, если порядок докладов определяется жеребьевкой?

Что здесь является элементарным исходом? – Присвоение докладу профессора какого-то одного из всех возможных порядковых номеров для выступления. В жеребьевке участвует 15+15+20=50 человек. Таким образом, доклад профессора М. может получить один из 50 номеров. Значит, и элементарных исходов всего 50.
А какие исходы благоприятные? – Те, при которых окажется, что профессор будет выступать в третий день. То есть, последние 20 номеров.
По формуле вероятность P(A)= 20/50=2/5=4/10=0,4
Ответ: 0,4

Жеребьевка здесь представляет собой установление случайного соответствия между людьми и упорядоченными местами. В примере 2 установление соответствия рассматривалось с точки зрения того, какое из мест мог бы занять конкретный человек. Можно к той же ситуации подходить с другой стороны: кто из людей с какой вероятностью мог бы попасть на конкретное место (прототипы , , , ):

Пример 3. В жеребьевке участвуют 5 немцев, 8 французов и 3 эстонца. Какова вероятность того, что первым (/вторым/седьмым/последним – не важно) будет выступать француз.

Количество элементарных исходов – количество всех возможных людей, которые могли бы по жеребьевке попасть на данное место. 5+8+3=16 человек.
Благоприятные исходы – французы. 8 человек.
Искомая вероятность: 8/16=1/2=0,5
Ответ: 0,5

Немного отличается прототип . Остались задачи про монеты () и игральные кости (), несколько более творческие. Решение этих задач можно посмотреть на страницах прототипов.

Приведем несколько примеров на бросание монеты или кубика.

Пример 4. Когда подбрасываем монету, какова вероятность выпадения решки?
Исходов 2 – орел или решка. (считается, что монета никогда не падает на ребро) Благоприятный исход – решка, 1.
Вероятность 1/2=0,5
Ответ: 0,5.

Пример 5. А если подбрасываем монету два раза? Какова вероятность того, что оба раза выпадет орел?
Главное определить, какие элементарные исходы будем рассматривать при подбрасывании двух монет. После подбрасывания двух монет может получиться один из следующих результатов:
1) PP – оба раза выпала решка
2) PO – первый раз решка, второй раз орел
3) OP – первый раз орел, второй раз решка
4) OO – оба раза выпал орел
Других вариантов нет. Значит, элементарных исходов 4. Благоприятный из них только первый, 1.
Вероятность: 1/4=0,25
Ответ: 0,25

Какова вероятность того, что из двух подбрасываний монеты один раз выпадет решка?
Количество элементарных исходов то же, 4. Благоприятные исходы – второй и третий, 2.
Вероятность выпадения одной решки: 2/4=0,5

В таких задачах может пригодиться ещё одна формула.
Если при одном бросании монеты возможных вариантов результата у нас 2, то для двух бросаний результатов будет 2·2=2 2 =4 (как в примере 5), для трех бросаний 2·2·2=2 3 =8, для четырех: 2·2·2·2=2 4 =16, … для N бросаний возможных результатов будет 2·2·...·2=2 N .

Так, можно найти вероятность выпадения 5 решек из 5 бросаний монеты.
Общее число элементарных исходов: 2 5 =32.
Благоприятных исходов: 1. (РРРРР – все 5 раз решка)
Вероятность: 1/32=0,03125

То же верно и для игральной кости. При одном бросании возможных результатов здесь 6. Значит, для двух бросаний: 6·6=36, для трех 6·6·6=216, и т. д.

Пример 6. Бросаем игральную кость. Какова вероятность, что выпадет четное число?

Всего исходов: 6, по числу граней.
Благоприятных: 3 исхода. (2, 4, 6)
Вероятность: 3/6=0,5

Пример 7. Бросаем две игральные кости. Какова вероятность, что в сумме выпадет 10? (округлить до сотых)

Для одного кубика 6 возможных исходов. Значит, для двух, по вышеупомянутому правилу, 6·6=36.
Какие исходы будут благоприятными для того, чтоб в сумме выпало 10?
10 надо разложить на сумму двух чисел от 1 до 6. Это можно сделать двумя способами: 10=6+4 и 10=5+5. Значит, для кубиков возможны варианты:
(6 на первом и 4 на втором)
(4 на первом и 6 на втором)
(5 на первом и 5 на втором)
Итого, 3 варианта. Искомая вероятность: 3/36=1/12=0,08
Ответ: 0,08

Другие типы задач B6 будут рассмотрены в одной из следующих статей «Как решать».

Нравится нам это или нет, но наша жизнь полна всевозможных случайностей, как приятных так и не очень. Поэтому каждому из нас не помешало бы знать, как найти вероятность того или иного события. Это поможет принимать верные решения при любых обстоятельствах, которые связаны с неопределенностью. К примеру, такие знания окажутся весьма кстати при выборе вариантов инвестирования, оценке возможности выигрыша в акции или лотерее, определении реальности достижения личных целей и т. д., и т. п.

Формула теории вероятности

В принципе, изучение данной темы не занимает слишком много времени. Для того чтобы получить ответ на вопрос: "Как найти вероятность какого-либо явления?", нужно разобраться с ключевыми понятиями и запомнить основные принципы, на которых базируется расчёт. Итак, согласно статистике, исследуемые события обозначаются через A1, А2,..., An. У каждого из них есть как благоприятствующие исходы (m), так и общее количество элементарных исходов. К примеру, нас интересует, как найти вероятность того, что на верхней грани кубика окажется четное число очков. Тогда А - это бросок m - выпадение 2, 4 или 6 очков (три благоприятствующих варианта), а n - это все шесть возможных вариантов.

Сама же формула расчета выглядит следующим образом:

С одним исходом все предельно легко. А вот как найти вероятность, если события идут одно за другим? Рассмотрим такой пример: из карточной колоды (36 шт.) показывается одна карта, затем она прячется снова в колоду, и после перемешивания вытаскивается следующая. Как найти вероятность того, что хоть в одном случае была вытащена дама пик? Существует следующее правило: если рассматривается сложное событие, которое можно разделить на несколько несовместимых простых событий, то можно сначала рассчитать результат для каждого из них, а затем сложить их между собой. В нашем случае это будет выглядеть так: 1 / 36 + 1 / 36 = 1 / 18 . А как же быть тогда, когда несколько происходят одновременно? Тогда результаты умножаем! Например, вероятность того, что при одновременном подбрасывании сразу двух монет выпадут две решки, будет равна: ½ * ½ = 0.25.

Теперь возьмем еще более сложный пример. Предположим, мы попали на книжную лотерею, в которой из тридцати билетов десять являются выигрышными. Требуется определить:

1. Вероятность того, что оба окажутся выигрышными.
2. Хотя бы один из них принесет приз.
3. Оба окажутся проигрышными.

Итак, рассмотрим первый случай. Его можно разбить на два события: первый билет будет счастливым, и второй также окажется счастливым. Учтем, что события зависимы, поскольку после каждого вытаскивания общее количество вариантов уменьшается. Получаем:

10 / 30 * 9 / 29 = 0,1034.

Во втором случае понадобится определить вероятность проигрышного билета и учесть, что он может быть как первым по счету, так и вторым: 10 / 30 * 20 / 29 + 20 / 29 * 10 / 30 = 0,4598.

Наконец, третий случай, когда по разыгранной лотерее даже одной книжки получить не получится: 20 / 30 * 19 / 29 = 0,4368.

• Вероя́тность - степень (относительная 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 - маловероятным или невероятным. Перевес положительных оснований над отрицательными, и наоборот, может быть в различной степени, вследствие чего вероятность (и невероятность) бывает большей либо 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.

  Исследование вероятности с математической точки зрения составляет особую дисциплину - теорию вероятностей. В теории вероятностей и математической статистике понятие вероятности формализуется как числовая характеристика события - вероятностная мера (или её значение) - мера на множестве событий (подмножеств множества элементарных событий), принимающая значения от

  {\displaystyle 0}

  {\displaystyle 1}

  Значение

  {\displaystyle 1}

  Соответствует достоверному событию. Невозможное событие имеет вероятность 0 (обратное вообще говоря не всегда верно). Если вероятность наступления события равна

  {\displaystyle p}

  То вероятность его ненаступления равна

  {\displaystyle 1-p}

  В частности, вероятность

  {\displaystyle 1/2}

  Означает равную вероятность наступления и ненаступления события.

  Классическое определение вероятности основано на понятии равновозможности 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.

  Эмпирическое «определение» вероятности связано с частотой наступления события исходя из того, что при достаточно большом числе испытаний частота должна стремиться к объективной степени возможности этого события. В современном изложении теории вероятностей вероятность определяется аксиоматически, как частный случай абстрактной теории меры множества. Тем не менее, связующим звеном между абстрактной мерой и вероятностью, выражающей степень возможности наступления события, является именно частота его наблюдения.

  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.

Итак, поговорим на тему, которая интересует очень многих. В данной статье я вам отвечу на вопрос о том, как рассчитать вероятность события. Приведу формулы для такого расчета и несколько примеров, чтобы было понятнее, как это делается.

Что такое вероятность

Начнем с того, что вероятность того, что то или иное событие произойдет – некая доля уверенности в конечном наступлении какого-то результата. Для этого расчета разработана формула полной вероятности, позволяющая определить, наступит интересующее вас событие или нет, через, так называемые, условные вероятности. Эта формула выглядит так: Р = n/m, буквы могут меняться, но на саму суть это никак не влияет.

Примеры вероятности

На простейшем примере разберем эту формулу и применим ее. Допустим, у вас есть некое событие (Р), пусть это будет бросок игральной кости, то есть равносторонний кубик. И нам требуется подсчитать, какова вероятность выпадения на нем 2 очков. Для этого нужно число положительных событий (n), в нашем случае – выпадение 2 очков, на общее число событий (m). Выпадение 2 очков может быть только в одном случае, если на кубике будет по 2 очка, так как по другому, сумма будет больше, из этого следует, что n = 1. Далее подсчитываем число выпадения любых других цифр на кости, на 1 кости – это 1, 2, 3, 4, 5 и 6, следовательно, благоприятных случаев 6, то есть m = 6. Теперь по формуле делаем нехитрое вычисление Р = 1/6 и получаем, что выпадение на кости 2 очков равно 1/6, то есть вероятность события очень мала.

Еще рассмотрим пример на цветных шарах, которые лежат в коробке: 50 белых, 40 черных и 30 зеленых. Нужно определить какова вероятность вытащить шар зеленого цвета. И так, так как шаров этого цвета 30, то есть, положительных событий может быть только 30 (n = 30), число всех событий 120, m = 120 (по общему количеству всех шаров), по формуле рассчитываем, что вытащить зеленый шар вероятность равна будет Р = 30/120 = 0,25, то есть 25 % из 100. Таким же образом, можно вычислить и вероятность вытащить шар другого цвета (черного она будет 33%, белого 42%).

Фактически формулы (1) и (2) это краткая запись условной вероятности на основе таблицы сопряженности признаков. Вернемся к примеру, рассмотренному (рис. 1). Предположим, что нам стало известно, будто некая семья собирается купить широкоэкранный телевизор. Какова вероятность того, что эта семья действительно купит такой телевизор?

Рис. 1. Поведение покупателей широкоэкранных телевизоров

В данном случае нам необходимо вычислить условную вероятность Р (покупка совершена | покупка планировалась). Поскольку нам известно, что семья планирует покупку, выборочное пространство состоит не из всех 1000 семей, а только из тех, которые планируют покупку широкоэкранного телевизора. Из 250 таких семей 200 действительно купили этот телевизор. Следовательно, вероятность того, что семья действительно купит широкоэкранный телевизор, если она это запланировала, можно вычислить по следующей формуле:

Р (покупка совершена | покупка планировалась) = количество семей, планировавших и купивших широкоэкранный телевизор / количество семей, планировавших купить широкоэкранный телевизор = 200 / 250 = 0,8

Этот же результат дает формула (2):

где событие А заключается в том, что семья планирует покупку широкоформатного телевизора, а событие В - в том, что она его действительно купит. Подставляя в формулу реальные данные, получаем:

Дерево решений

На рис. 1 семьи разделены на четыре категории: планировавшие покупку широкоэкранного телевизора и не планировавшие, а также купившие такой телевизор и не купившие. Аналогичную классификацию можно выполнить с помощью дерева решений (рис. 2). Дерево, изображенное на рис. 2, имеет две ветви, соответствующие семьям, которые планировали приобрести широкоэкранный телевизор, и семьям, которые не делали этого. Каждая из этих ветвей разделяется на две дополнительные ветви, соответствующие семьям, купившим и не купившим широкоэкранный телевизор. Вероятности, записанные на концах двух основных ветвей, являются безусловными вероятностями событий А и А’ . Вероятности, записанные на концах четырех дополнительных ветвей, являются условными вероятностями каждой комбинации событий А и В . Условные вероятности вычисляются путем деления совместной вероятности событий на соответствующую безусловную вероятность каждого из них.

Рис. 2. Дерево решений

Например, чтобы вычислить вероятность того, что семья купит широкоэкранный телевизор, если она запланировала сделать это, следует определить вероятность события покупка запланирована и совершена , а затем поделить его на вероятность события покупка запланирована . Перемещаясь по дереву решения, изображенному на рис. 2, получаем следующий (аналогичный предыдущему) ответ:

Статистическая независимость

В примере с покупкой широкоэкранного телевизора вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор при условии, что она планировала это сделать, равна 200/250 = 0,8. Напомним, что безусловная вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор, равна 300/1000 = 0,3. Отсюда следует очень важный вывод. Априорная информация о том, что семья планировала покупку, влияет на вероятность самой покупки. Иначе говоря, эти два события зависят друг от друга. В противоположность этому примеру, существуют статистически независимые события, вероятности которых не зависят друг от друга. Статистическая независимость выражается тождеством: Р(А|В) = Р(А) , где Р(А|В) - вероятность события А при условии, что произошло событие В , Р(А) - безусловная вероятность события А.

Обратите внимание на то, что события А и В Р(А|В) = Р(А) . Если в таблице сопряженности признаков, имеющей размер 2×2, это условие выполняется хотя бы для одной комбинации событий А и В , оно будет справедливым и для любой другой комбинации. В нашем примере события покупка запланирована и покупка совершена не являются статистически независимыми, поскольку информация об одном событии влияет на вероятность другого.

Рассмотрим пример, в котором показано, как проверить статистическую независимость двух событий. Спросим у 300 семей, купивших широкоформатный телевизор, довольны ли они своей покупкой (рис. 3). Определите, связаны ли между собой степень удовлетворенности покупкой и тип телевизора.

Рис. 3. Данные, характеризующие степень удовлетворенности покупателей широкоэкранных телевизоров

Судя по этим данным,

В то же время,

Р (покупатель удовлетворен) = 240 / 300 = 0,80

Следовательно, вероятность того, что покупатель удовлетворен покупкой, и того, что семья купила HDTV-телевизор, равны между собой, и эти события являются статистически независимыми, поскольку никак не связаны между собой.

Правило умножения вероятностей

Формула для вычисления условной вероятности позволяет определить вероятность совместного события А и В . Разрешив формулу (1)

относительно совместной вероятности Р(А и В) , получаем общее, правило умножения вероятностей. Вероятность события А и В равна вероятности события А при условии, что наступило событие В В :

(3) Р(А и В) = Р(А|В) * Р(В)

Рассмотрим в качестве примера 80 семей, купивших широкоэкранный HDTV-телевизор (рис. 3). В таблице указано, что 64 семьи удовлетворены покупкой и 16 - нет. Предположим, что среди них случайным образом выбираются две семьи. Определите вероятность, что оба покупателя окажутся довольными. Используя формулу (3), получаем:

Р(А и В) = Р(А|В) * Р(В)

где событие А заключается в том, что вторая семья удовлетворена своей покупкой, а событие В - в том, что первая семья удовлетворена своей покупкой. Вероятность того, что первая семья удовлетворена своей покупкой, равна 64/80. Однако вероятность того, что вторая семья также удовлетворена своей покупкой, зависит от ответа первой семьи. Если первая семья после опроса не возвращается в выборку (выбор без возвращения), количество респондентов снижается до 79. Если первая семья оказалась удовлетворенной своей покупкой, вероятность того, что вторая семья также будет довольна, равна 63/79, поскольку в выборке осталось только 63 семьи, удовлетворенные своим приобретением. Таким образом, подставляя в формулу (3) конкретные данные, получим следующий ответ:

Р(А и В) = (63/79)(64/80) = 0,638.

Следовательно, вероятность того, что обе семьи довольны своими покупками, равна 63,8%.

Предположим, что после опроса первая семья возвращается в выборку. Определите вероятность того, что обе семьи окажутся довольными своей покупкой. В этом случае вероятности того, что обе семьи удовлетворены своей покупкой одинаковы, и равны 64/80. Следовательно, Р(А и В) = (64/80)(64/80) = 0,64. Таким образом, вероятность того, что обе семьи довольны своими покупками, равна 64,0%. Этот пример показывает, что выбор второй семьи не зависит от выбора первой. Таким образом, заменяя в формуле (3) условную вероятность Р(А|В) вероятностью Р(А) , мы получаем формулу умножения вероятностей независимых событий.

Правило умножения вероятностей независимых событий. Если события А и В являются статистически независимыми, вероятность события А и В равна вероятности события А , умноженной на вероятность события В .

(4) Р(А и В) = Р(А)Р(В)

Если это правило выполняется для событий А и В , значит, они являются статистически независимыми. Таким образом, существуют два способа определить статистическую независимость двух событий:

1. События А и В являются статистически независимыми друг от друга тогда и только тогда, когда Р(А|В) = Р(А) .
2. События А и B являются статистически независимыми друг от друга тогда и только тогда, когда Р(А и В) = Р(А)Р(В) .

Если в таблице сопряженности признаков, имеющей размер 2×2, одно из этих условий выполняется хотя бы для одной комбинации событий А и B , оно будет справедливым и для любой другой комбинации.

Безусловная вероятность элементарного события

(5) Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2) + … + P(A|B k)Р(B k)

где события B 1 , B 2 , … B k являются взаимоисключающими и исчерпывающими.

Проиллюстрируем применение этой формулы на примере рис.1. Используя формулу (5), получаем:

Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2)

где Р(А) - вероятность того, что покупка планировалась, Р(В 1) - вероятность того, что покупка совершена, Р(В 2) - вероятность того, что покупка не совершена.

ТЕОРЕМА БАЙЕСА

Условная вероятность события учитывает информацию о том, что произошло некое другое событие. Этот подход можно использовать как для уточнения вероятности с учетом вновь поступившей информации, так и для вычисления вероятности, что наблюдаемый эффект является следствием некоей конкретной причины. Процедура уточнения этих вероятностей называется теоремой Байеса. Впервые она была разработана Томасом Байесом в 18 веке.

Предположим, что компания, упомянутая выше, исследует рынок сбыта новой модели телевизора. В прошлом 40% телевизоров, созданных компанией, пользовались успехом, а 60% моделей признания не получили. Прежде чем объявить о выпуске новой модели, специалисты по маркетингу тщательно исследуют рынок и фиксируют спрос. В прошлом успех 80% моделей, получивших признание, прогнозировался заранее, в то же время 30% благоприятных прогнозов оказались неверными. Для новой модели отдел маркетинга дал благоприятный прогноз. Какова вероятность того, что новая модель телевизора будет пользоваться спросом?

Теорему Байеса можно вывести из определений условной вероятности (1) и (2). Чтобы вычислить вероятность Р(В|А), возьмем формулу (2):

и подставим вместо Р(А и В) значение из формулы (3):

Р(А и В) = Р(А|В) * Р(В)

Подставляя вместо Р(А) формулу (5), получаем теорему Байеса:

где события B 1 , В 2 , … В k являются взаимоисключающими и исчерпывающими.

Введем следующие обозначения: событие S - телевизор пользуется спросом , событие S’ - телевизор не пользуется спросом , событие F - благоприятный прогноз , событие F’ - неблагоприятный прогноз . Допустим, что P(S) = 0,4, P(S’) = 0,6, P(F|S) = 0,8, P(F|S’) = 0,3. Применяя теорему Байеса получаем:

Вероятность спроса на новую модель телевизора при условии благоприятного прогноза равна 0,64. Таким образом, вероятность отсутствия спроса при условии благоприятного прогноза равна 1–0,64=0,36. Процесс вычислений представлен на рис. 4.

Рис. 4. (а) Вычисления по формуле Байеса для оценки вероятности спроса телевизоров; (б) Дерево решения при исследовании спроса на новую модель телевизора

Рассмотрим пример применения теоремы Байеса для медицинской диагностики. Вероятность того, что человек страдает от определенного заболевания, равна 0,03. Медицинский тест позволяет проверить, так ли это. Если человек действительно болен, вероятность точного диагноза (утверждающего, что человек болен, когда он действительно болен) равна 0,9. Если человек здоров, вероятность ложноположительного диагноза (утверждающего, что человек болен, когда он здоров) равна 0,02. Допустим, что медицинский тест дал положительный результат. Какова вероятность того, что человек действительно болен? Какова вероятность точного диагноза?

Введем следующие обозначения: событие D - человек болен , событие D’ - человек здоров , событие Т - диагноз положительный , событие Т’ - диагноз отрицательный . Из условия задачи следует, что Р(D) = 0,03, P(D’) = 0,97, Р(T|D) = 0,90, P(T|D’) = 0,02. Применяя формулу (6), получаем:

Вероятность того, что при положительном диагнозе человек действительно болен, равна 0,582 (см. также рис. 5). Обратите внимание на то, что знаменатель формулы Байеса равен вероятности положительного диагноза, т.е. 0,0464.