Помощь по Теле2, тарифы, вопросы

Профессиональный беттер должен хорошо ориентироваться в коэффициентах, быстро и правильно оценивать вероятность события по коэффициенту и при необходимости уметь перевести коэффициенты из одного формата в другой . В данном мануале мы расскажем о том, какие бывают виды коэффициентов, а так же на примерах разберём, как можно высчитывать вероятность по известному коэффициенту и наоборот.

Какие бывают типы коэффициентов?

Существует три основных вида коэффициентов, которые предлагают игрокам букмекеры: десятичные коэффициенты , дробные коэффициенты (английские) и американские коэффициенты . Наиболее распространённые коэффициенты в Европе - десятичные. В Северной Америке популярны американские коэффициенты. Дробные коэффициенты - наиболее традиционный вид, они сразу же отражают информацию о том сколько нужно поставить, чтобы получить определённую сумму.

Десятичные коэффициенты

Десятичные или еще их называют европейские коэффициенты - это привычный формат числа, представленный десятичной дробью с точностью до сотых, а иногда даже до тысячных. Пример десятичного коэффициента - 1.91. Рассчитать прибыль в случае с десятичными коэффициентами очень просто, достаточно лишь умножить сумму вашей ставки на этот коэффициент. Например, в матче "Манчестер Юнайтед" - "Арсенал" победа "МЮ" выставлена с коэффициентом - 2.05, ничья оценена коэффициентом - 3.9, а победа "Арсенала" равняется - 2.95. Предположим, что мы уверены в победе "Юнайтед" и ставим на них 1000 долларов. Тогда наш возможный доход рассчитывается следующим образом:

2.05 * $1000 = $2050;

Правда ведь ничего сложного?! Точно так же рассчитывается возможный доход при ставке на ничью и победу "Арсенала".

Ничья: 3.9 * $1000 = $3900;
Победа "Арсенала": 2.95 * $1000 = $2950;

Как рассчитать вероятность события по десятичным коэффициентам?

Представим теперь что нам нужно определить вероятность события по десятичным коэффициентам, которые выставил букмекер. Делается это так же очень просто. Для этого мы единицу делим на этот коэффициент.

Возьмем уже имеющиеся данные и посчитаем вероятность каждого события:

Победа "Манчестер Юнайтед": 1 / 2.05 = 0,487 = 48,7%;
Ничья: 1 / 3.9 = 0,256 = 25,6%;
Победа "Арсенала": 1 / 2.95 = 0,338 = 33,8%;

Дробные коэффициенты (Английские)

Как понятно из названия дробный коэффициент представлен обыкновенной дробью. Пример английского коэффициента - 5/2. В числителе дроби находиться число, являющееся потенциальной суммой чистого выигрыша, а в знаменателе расположено число обозначающее сумму которую нужно поставить, чтобы этот выигрыш получить. Проще говоря, мы должны поставить $2 доллара, чтобы выиграть $5. Коэффициент 3/2 означает что для того чтобы получить $3 чистого выигрыша нам придётся сделать ставку в размере $2.

Как рассчитать вероятность события по дробным коэффициентам?

Вероятность события по дробным коэффициентам рассчитать так же не сложно, нужно всего на всего разделить знаменатель на сумму числителя и знаменателя.

Для дроби 5/2 рассчитаем вероятность: 2 / (5+2) = 2 / 7 = 0,28 = 28%;
Для дроби 3/2 рассчитаем вероятность:

Американские коэффициенты

Американские коэффициенты в Европе непопулярны, зато в Северной Америке очень даже. Пожалуй, данный вид коэффициентов самый сложный, но это только на первый взгляд. На самом деле и в этом типе коэффициентов ничего сложного нет. Сейчас во всем разберёмся по порядку.

Главной особенностью американских коэффициентов является то, что они могут быть как положительными , так и отрицательными . Пример американских коэффициентов - (+150), (-120). Американский коэффициент (+150) означает, что для того чтобы заработать $150 нам нужно поставить $100. Иными словами положительный американский коэффициент отражает потенциальный чистый заработок при ставке в $100. Отрицательный же американский коэффициент отражает сумму ставки, которую необходимо сделать для того чтобы получить чистый выигрыш в $100. Например коэффициент (- 120) нам говорит о том, что поставив $120 мы выиграем $100.

Как рассчитать вероятность события по американским коэффициентам?

Вероятность события по американскому коэффициенту считается по следующим формулам:

(-(M)) / ((-(M)) + 100) , где M - отрицательный американский коэффициент;
100 / (P + 100) , где P - положительный американский коэффициент;

Например, мы имеем коэффициент (-120), тогда вероятность рассчитывается так:

(-(M)) / ((-(M)) + 100); подставляем вместо "M" значение (-120);
(-(-120)) / ((-(-120)) + 100 = 120 / (120 + 100) = 120 / 220 = 0,545 = 54,5%;

Таким образом, вероятность события с американским коэффициентом (-120) равна 54,5%.

Например, мы имеем коэффициент (+150), тогда вероятность рассчитывается так:

100 / (P + 100); подставляем вместо "P" значение (+150);
100 / (150 + 100) = 100 / 250 = 0,4 = 40%;

Таким образом, вероятность события с американским коэффициентом (+150) равна 40%.

Как зная процент вероятности перевести его в десятичный коэффициент?

Для того чтобы рассчитать десятичный коэффициент по известному проценту вероятности нужно 100 разделить на вероятность события в процентах. Например, вероятность события составляет 55%, тогда десятичный коэффициент этой вероятности будет равен 1,81.

100 / 55% = 1,81

Как зная процент вероятности перевести его в дробный коэффициент?

Для того чтобы рассчитать дробный коэффициент по известному проценту вероятности нужно от деления 100 на вероятность события в процентах отнять единицу. Например, имеем процент вероятности 40%, тогда дробный коэффициент этой вероятности будет равен 3/2.

(100 / 40%) - 1 = 2,5 - 1 = 1,5;
Дробный коэффициент равен 1,5/1 или 3/2.

Как зная процент вероятности перевести его в американский коэффициент?

Если вероятность события больше 50%, то расчёт производится по формуле:

- ((V) / (100 - V)) * 100, где V - вероятность;

Например, имеем вероятность события 80%, тогда американский коэффициент этой вероятности будет равен (-400).

- (80 / (100 - 80)) * 100 = - (80 / 20) * 100 = - 4 * 100 = (-400);

В случае если вероятность события меньше 50%, то расчёт производиться по формуле:

((100 - V) / V) * 100 , где V - вероятность;

Например, имеем процент вероятности события 20%, тогда американский коэффициент этой вероятности будет равен (+400).

((100 - 20) / 20) * 100 = (80 / 20) * 100 = 4 * 100 = 400;

Как перевести коэффициент в другой формат?

Бывают случаи, когда необходимо перевести коэффициенты из одного формата в другой. Например, у нас есть дробный коэффициент 3/2 и нам нужно перевести его в десятичный. Для перевода дробного коэффициента в десятичный мы сначала определяем вероятность события с дробным коэффициентом, а затем эту вероятность переводим в десятичный коэффициент.

Вероятность события с дробным коэффициентом 3/2 равна 40%.

2 / (3+2) = 2 / 5 = 0,4 = 40%;

Теперь переведём вероятность события в десятичный коэффициент, для этого 100 делим на вероятность события в процентах:

100 / 40% = 2.5;

Таким образом, дробный коэффициент 3/2 равен десятичному коэффициенту 2.5. Аналогичным образом переводятся, например, американские коэффициенты в дробные, десятичные в американские и т.д. Самое сложное во всём этом лишь расчёты.

Ясно, что каждое событие обладает той или иной степенью возможности своего наступления (своей реализации). Чтобы количественно сравнивать между собой события по степени их возможности, очевидно, нужно с каждым событием связать определенное число, которое тем больше, чем более возможно событие. Такое число называется вероятностью события.

Вероятность события – есть численная мера степени объективной возможности наступления этого события.

Рассмотрим стохастический эксперимент и случайное событие А, наблюдаемое в этом эксперименте. Повторим этот эксперимент n раз и пусть m(A) – число экспериментов, в которых событие А произошло.

Отношение (1.1)

называется относительной частотой события А в проведенной серии экспериментов.

Легко убедиться в справедливости свойств:

если А и В несовместны (АВ= ), то ν(А+В) = ν(А) + ν(В) (1.2)

Относительная частота определяется только после проведения серии экспериментов и, вообще говоря, может меняться от серии к серии. Однако опыт показывает, что во многих случаях при увеличении числа опытов относительная частота приближается к некоторому числу. Этот факт устойчивости относительной частоты неоднократно проверялся и может считаться экспериментально установленным.

Пример 1.19. . Если бросить одну монету, никто не сможет предсказать, какой стороной она упадет кверху. Но если бросить две тонны монет, то каждый скажет, что примерно одна тонна упадет кверху гербом, то есть относительная частота выпадения герба примерно равна 0,5.

Если при увеличении числа опытов относительная частота события ν(А) стремится к некоторому фиксированному числу, то говорят, что событие А статистически устойчиво , а это число называют вероятностью события А.

Вероятностью события А называется некоторое фиксированное число Р(А), к которому стремится относительная частота ν(А) этого события при увеличении числа опытов, то есть,

Это определение называют статистическим определением вероятности .

Рассмотрим некий стохастический эксперимент и пусть пространство его элементарных событий состоит из конечного или бесконечного (но счетного) множества элементарных событий ω 1 , ω 2 , …, ω i , … . предположим, что каждому элементарному событию ω i прописан некоторое число - р i , характеризующее степень возможности появления данного элементарного события и удовлетворяющее следующим свойствам:

Такое число p i называется вероятностью элементарного события ω i .

Пусть теперь А- случайное событие, наблюдаемое в этом опыте, и ему соответствует некоторое множество

В такой постановке вероятностью события А называют сумму вероятностей элементарных событий, благоприятствующих А (входящих в соответствующее множество А):

(1.4)

Введенная таким образом вероятность обладает теми же свойствами, что и относительная частота, а именно:

И если АВ= (А и В несовместны),

то P(А+В) = P(А) + P(В)

Действительно, согласно (1.4)

В последнем соотношении мы воспользовались тем, что ни одно элементарное событие не может благоприятствовать одновременно двум несовместным событиям.

Особо отметим, что теория вероятностей не указывает способов определения р i , их надо искать из соображений практического характера или получать из соответствующего статистического эксперимента.

В качестве примера рассмотрим классическую схему теории вероятностей. Для этого рассмотрим стохастический эксперимент, пространство элементарных событий которого состоит из конечного (n) числа элементов. Предположим дополнительно, что все эти элементарные события равновозможны, то есть вероятности элементарных событий равны p(ω i)=p i =p. Отсюда следует, что

Пример 1.20 . При бросании симметричной монеты выпадение герба и «решки» равновозможны, их вероятности равны 0,5.

Пример 1.21 . При бросании симметричного кубика все грани равновозможны, их вероятности равны 1/6.

Пусть теперь событию А благоприятствует m элементарных событий, их обычно называют исходами, благоприятствующими событию А . Тогда

Получили классическое определение вероятности : вероятность Р(А) события А равна отношению числа исходов, благоприятствующих событию А, к общему числу исходов

Пример 1.22 . В урне лежит m белых шаров и n черных. Чему равна вероятность вытащить белый шар?

Решение . Всего элементарных событий m+n. Они все равновероятны. Благоприятствующих событию А из них m. Следовательно, .

Из определения вероятности вытекают следующие ее свойства:

Свойство 1 . Вероятность достоверного события равна единице.

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

P(A)=m/n=n/n=1. (1.6)

Свойство 2. Вероятность невозможного события равна нулю.

Действительно, если событие невозможно, то ни один из элементарных исходов испытания не благоприятствует событию. В этом случае т = 0, следовательно, P(A)=m/n=0/n=0. (1.7)

Свойство 3. Вероятность случайного события есть положительное число, заключенное между нулем и единицей.

Действительно, случайному событию благоприятствует лишь часть из общего числа элементарных исходов испы­тания. То есть, 0≤m≤n, значит, 0≤m/n≤1, следовательно, вероятность любого события удовлетворяет двойному неравенству 0≤P(A) ≤1. (1.8)

Сопоставляя определения вероятности (1.5) и относительной частоты (1.1), заключаем: определение вероятности не требует, чтобы испытания производились в действительности; определение же относительной частоты предполагает, что испытания были произведены фактически . Другими словами, вероятность вычисляют до опыта, а относительную частоту - после опыта.

Однако, вычисление вероятности требует наличия предварительной информации о количестве или вероятностях благоприятствующих данному событию элементарных исходов. В случае отсутствия такой предварительной информации для определения вероятности прибегают к эмпирическим данным, то есть, по результатам стохастического эксперимента определяют относительную частоту события.

Пример 1.23 . Отдел технического контроля обнаружил 3 нестандартных детали в партии из 80 случайно отобранных деталей. Относительная частота появления нестандартных деталей r (А) = 3/80.

Пример 1.24 . По цели.произвели 24 выстрела, причем было зарегистрировано 19 попаданий. Относительная частота поражения цели. r (А) =19/24.

Длительные наблюдения показали, что если в одинаковых условиях производят опыты, в каждом из которых число испытаний достаточно велико, то относительная частота обнаруживает свойство устойчивости. Это свойство состоит в том, что в различных опытах относительная частота изменяется мало (тем меньше, чем больше произведено испытаний), колеблясь около некоторого постоянного числа. Оказалось, что это постоянное число можно принять за приближенное значение вероятности.

Подробнее и точнее связь между относительной частотой и вероятностью будет изложена далее. Теперь же проиллюстрируем свойство устойчивости на примерах.

Пример 1.25 . По данным шведской статистики, относительная частота рождения девочек за 1935 г. по месяцам характеризуется сле­дующими числами (числа расположены в порядке следования месяцев, начиная с января): 0,486; 0,489; 0,490; 0.471; 0,478; 0,482; 0.462; 0,484; 0,485; 0,491; 0,482; 0,473

Относительная частота колеблется около числа 0,481, которое можно принять за приближеннее значение вероятности рождения девочек.

Заметим, что статистические данные различных стран дают примерно то же значение относительной частоты.

Пример 1.26. Многократно проводились опыты бросания монеты, в которых подсчитывали число появление «герба». Результаты нескольких опытов приведены в таблице.

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.

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%).

Теория вероятности - довольно обширный самостоятельный раздел математики. В школьном курсе теория вероятности рассматривается очень поверхностно, однако в ЕГЭ и ГИА имеются задачи на данную тему. Впрочем, решать задачи школьного курса не так уж сложно (по крайней мере то, что касается арифметических операций) - здесь не нужно считать производные, брать интегралы и решать сложные тригонометрические преобразования - главное, уметь обращаться с простыми числами и дробями.

Теория вероятности - основные термины

Главные термины теории вероятности - испытание, исход и случайное событие. Испытанием в теории вероятности называют эксперимент - подбросить монету, вытянуть карту, провести жеребьевку - все это испытания. Результат испытания, как вы уже догадались, называется исходом.

А что же такое случайность события? В теории вероятности предполагается, что испытание проводится ни один раз и исходов много. Случайным событием называют множество исходов испытания. Например, если вы бросаете монету, может произойти два случайных события - выпадет орел или решка.

Не путайте понятия исход и случайное событие. Исход - это один результат одного испытания. Случайное событие - это множество возможных исходов. Существует, кстати, и такой термин, как невозможное событие. Например, событие "выпало число 8" на стандартном игровом кубике является невозможным.

Как найти вероятность?

Все мы примерно понимаем, что такое вероятность, и довольно часто используем данное слово в своем лексиконе. Кроме того, мы можем даже делать некоторые выводы относительно вероятности того или иного события, например, если за окном снег, мы с большой вероятностью можем сказать, что сейчас не лето. Однако как выразить данное предположение численно?

Для того чтобы ввести формулу для нахождения вероятности, введем еще одно понятие - благоприятные исход, т. е. исход, который является благоприятным для того или иного события. Определение довольно двусмысленное, конечно, однако по условию задачи всегда понятно, какой из исходов благоприятный.

Например: В классе 25 человек, трое из них Кати. Учитель назначает дежурной Олю, и ей нужен напарник. Какова вероятность того, что напарником станет Катя?

В данном примере благоприятный исход - напарник Катя. Чуть позже мы решим эту задачу. Но сначала введем с помощью дополнительного определения формулу для нахождения вероятности.

• Р = А/N, где P - вероятность, A - число благоприятных исходов, N - общее количество исходов.

Все школьные задачи крутятся вокруг одной этой формулы, и главная трудность обычно заключается в нахождении исходов. Иногда их найти просто, иногда - не очень.

Как решать задачи на вероятность?

Задача 1

Итак, теперь давайте решим поставленную выше задачу.

Число благоприятных исходов (учитель выберет Катю) равно трем, ведь Кать в классе три, а общих исходов - 24 (25-1, ведь Оля уже выбрана). Тогда вероятность равна: P = 3/24=1/8=0,125. Таким образом, вероятность того, что напарником Оли окажется Катя, составляет 12,5%. Несложно, правда? Давайте разберем кое-что посложней.

Задача 2

Монету бросили два раза, какова вероятность выпадения комбинации: один орел и одна решка?

Итак, считаем общие исходы. Как могут выпасть монеты - орел/орел, решка/решка, орел/решка, решка/орел? Значит, общее число исходов - 4. Сколько благоприятных исходов? Два - орел/решка и решка/орел. Таким образом, вероятность выпадения комбинации орел/решка равна:

• P = 2/4=0,5 или 50 процентов.

А теперь рассмотрим такую задачу. У Маши в кармане 6 монет: две - номиналом 5 рублей и четыре - номиналом 10 рублей. Маша переложила 3 монеты в другой карман. Какова вероятность того, что 5-рублевые монеты окажутся в разных карманах?

Для простоты обозначим монеты цифрами - 1,2 - пятирублевые монеты, 3,4,5,6 - десятирублевые монеты. Итак, как могут лежать монеты в кармане? Всего есть 20 комбинаций:

• 123, 124, 125, 126, 134, 135, 136, 145, 146, 156, 234, 235, 236, 245, 246, 256, 345, 346, 356, 456.

На первый взгляд может показаться, что некоторые комбинации пропали, например, 231, однако в нашем случае комбинации 123, 231 и 321 равнозначны.

Теперь считаем, сколько у нас благоприятных исходов. За них берем те комбинации, в которых есть либо цифра 1, либо цифра 2: 134, 135, 136, 145, 146, 156, 234, 235, 236, 245, 246, 256. Их 12. Таким образом, вероятность равна:

• P = 12/20 = 0,6 или 60%.

Задачи по теории вероятности, представленные здесь, довольно простые, однако не думайте, что теория вероятности - это простой раздел математики. Если вы решите продолжать образование в вузе (за исключением гуманитарных специальностей), у вас обязательно будут пары по высшей математике, на которых вас ознакомят с более сложными терминами данной теории, и задачи там будут куда сложнее.