Если при наступлении события вероятность событияне меняется, то событияиназываютсянезависимыми .

Теорема: Вероятность совместного появления двух независимых событий и (произведения и) равна произведению вероятностей этих событий.

Действительно, так как событияинезависимы, то
. В этом случае формула вероятности произведения событийипринимает вид.

События
называютсяпопарно независимыми , если независимы любые два из них.

События
называютсянезависимыми в совокупности (или просто независимыми) , если независимы каждые два из них и независимы каждое событие и все возможные произведения остальных.

Теорема: Вероятность произведения конечного числа независимых в совокупности событий
равна произведению вероятностей этих событий.

Проиллюстрируем различие в применении формул вероятности произведения событий для зависимых и независимых событий на примерах

Пример 1 . Вероятность попадания в цель первым стрелком равна 0,85, вторым 0,8. Орудия сделали по одному выстрелу. Какова вероятность того, что в цель попал хотя бы один снаряд?

Решение: P(A+B) =P(A) +P(B) –P(AB) Так как выстрелы независимы, то

P(A+B) = P(A) +P(B) –P(A)*P(B) = 0.97

Пример 2 . В урне находится 2 красных и 4 черных шара. Из нее вынимают подряд 2 шара. Какова вероятность того, что оба шара красные.

Решение: 1 случай. Событие А – появление красного шара при первом вынимании, событие В – при втором. Событие С – появление двух красных шаров.

P(С) =P(A)*P(B/A) = (2/6)*(1/5) = 1/15

2 случай. Первый вынутый шар возвращается в корзину

P(С) =P(A)*P(B) = (2/6)*(2/6) = 1/9

Формула полной вероятности.

Пусть событие может произойти только с одним из несовместных событий
, образующих полную группу. Например, в магазин поступает одна и та же продукция от трех предприятий и в разном количестве. Вероятность выпуска некачественной продукции на этих предприятиях различна. Случайным образом отбирается одно из изделий. Требуется определить вероятность того, что это изделие некачественное (событие). Здесь события
– это выбор изделия из продукции соответствующего предприятия.

В этом случае вероятность события можно рассматривать как сумму произведений событий
.

По теореме сложения вероятностей несовместных событий получаем
. Используя теорему умножения вероятностей, находим

.

Полученная формула называется формулой полной вероятности .

Формула Байеса

Пусть событие происходит одновременно с одним изнесовместных событий
, вероятности которых
(
) известны до опыта (вероятности априори ). Производится опыт, в результате которого зарегистрировано появление события, причем известно, что это событие имело определенные условные вероятности
(
). Требуется найти вероятности событий
если известно, что событиепроизошло (вероятности апостериори ).

Задача состоит в том, что, имея новую информацию (событие Aпроизошло), нужно переоценить вероятности событий
.

На основании теоремы о вероятности произведения двух событий

.

Полученная формула носит название формулы Байеса .

Основные понятия комбинаторики.

При решении ряда теоретических и практических задач требуется из конечного множества элементов по заданным правилам составлять различные комбинации и производить подсчет числа всех возможных таких комбинаций. Такие задачи принято называть комбинаторными .

При решении задач комбинаторики используют правила суммы и произведения.

Различают события зависимые и независимые. Два события называются независимыми, если появление одного из них не изменяет вероятность появления другого. Например, если в цехе работают две автоматические линии, по условиям производства не взаимосвязанные, то остановки этих линий являются независимыми событиями.

Несколько событий называются независимыми в совокупности , если любое из них не зависит от любого другого события и от любой комбинации остальных.

События называются зависимыми , если одно из них влияет на вероятность появления другого. Например, две производственные установки связаны единым технологическим циклом. Тогда вероятность выхода из строя одной из них зависит от того, в каком состоянии находится другая. Вероятность одного события B, вычисленная в предположении осуществления другого события A, называется условной вероятностью события Bи обозначается P{A|B}.

Условие независимости события B от события A записывают в виде P{B|A}=P{B}, а условие его зависимости - в виде P{B|A}≠P{B}.

Вероятность события в испытаниях Бернулли. Формула Пуассона.

Повторными независимыми испытаниями, испытаниями Бернулли или схемой Бернулли называются такие испытания, если при каждом испытании имеются только два исхода - появление события А или и вероятность этих событий остается неизменной для всех испытаний. Эта простая схема случайных испытаний имеет большое значение в теории вероятностей.

Наиболее известным примером испытаний Бернулли является опыт с последовательным бросанием правильной (симметричной и однородной) монеты, где событием А является выпадение, например, "герба", ("решки").

Пусть в некотором опыте вероятность события А равна P(А)=р , тогда , где р+q=1. Выполним опыт n раз, предположив, что отдельные испытания независимы, а значит исход любых из них не связан с исходами предыдущих (или последующих) испытаний. Найдем вероятность появления событий А точно k раз, скажем только в первых k испытаниях. Пусть - событие, заключающееся в том, что при n испытаниях событие А появиться точно k раз в первых испытаниях. Событие можно представить в виде

Поскольку опыты мы предположили независимыми, то

41)[стр2] Если ставить вопрос о появлении события А k-раз в n испытаниях в произвольном порядке, то событие представимо в виде

Число различных слагаемых в правой части этого равенства равно числу испытаний из n по k , поэтому вероятность событий , которую будем обозначать , равна

Последовательность событий образует полную группу независимых событий . Действительно, из независимости событий получаем

В заданиях ЕГЭ по математике встречаются и более сложные задачи на вероятность (нежели мы рассматривали в части 1), где приходится применять правило сложения, умножения вероятностей, различать совместные и несовместные события.

Итак, теория.

Совместные и несовместные события

События называются несовместными, если появление одного из них исключает появление других. То есть, может произойти только одно определённое событие, либо другое.

Например, бросая игральную кость, можно выделить такие события, как выпадение четного числа очков и выпадение нечетного числа очков. Эти события несовместны.

События называются совместными, если наступление одного из них не исключает наступления другого.

Например, бросая игральную кость, можно выделить такие события, как выпадение нечетного числа очков и выпадение числа очков, кратных трем. Когда выпадает три, реализуются оба события.

Сумма событий

Суммой (или объединением) нескольких событий называется событие, состоящее в наступлении хотя бы одного из этих событий.

При этом сумма двух несовместных событий есть сумма вероятностей этих событий:

Например, вероятность выпадения 5 или 6 очков на игральном кубике при одном броске, будет , потому что оба события (выпадение 5, выпадение 6) неовместны и вероятность реализации одного или второго события вычисляется следующим образом:

Вероятность же суммы двух совместных событий равна сумме вероятностей этих событий без учета их совместного появления:

Например, в торговом центре два одинаковых автомата продают кофе. Вероятность того, что к концу дня в автомате закончится кофе, равна 0,3. Вероятность того, что кофе закончится в обоих автоматах, равна 0,12. Найдем вероятность того, что к концу дня кофе закончится хотя бы в одном из автоматов (то есть или в одном, или в другом, или в обоих сразу).

Вероятность первого события «кофе закончится в первом автомате» также как и вероятность второго события «кофе закончится во втором автомате» по условию равна 0,3. События являются совместными.

Вероятность совместной реализации первых двух событий по условию равна 0,12.

Значит, вероятность того, что к концу дня кофе закончится хотя бы в одном из автоматов есть

Зависимые и независимые события

Два случайных события А и В называются независимыми, если наступление одного из них не изменяет вероятность наступления другого. В противном случае события А и В называют зависимыми.

Например, при одновременном броске двух кубиков выпадение на одном из них, скажем 1, и на втором 5, – независимые события.

Произведение вероятностей

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

Если происходят два независимых события А и В с вероятностями соответственно Р(А) и Р(В), то вероятность реализации событий А и В одновременно равна произведению вероятностей:

Например, нас интересует выпадение на игральном кубике два раза подряд шестерки. Оба события независимы и вероятность реализации каждого из них по отдельности – . Вероятность того, что произойдут оба эти события будет вычисляться по указанной выше формуле: .

Подборку задач на отработку темы смотрите .

При оценки вероятности наступления какого-либо случайного события очень важно предварительно хорошо представлять, зависит ли вероятность (вероятность события) наступления интересующего нас события от того, как развиваются остальные события. В случае классической схемы, когда все исходы равновероятны, мы уже можем оценить значения вероятности интересующего нас отдельного события самостоятельно. Мы можем сделать это даже в том случае, если событие является сложной совокупностью нескольких элементарных исходов. А если несколько случайных событий происходит одновременно или последовательно? Как это влияет на вероятность реализации интересующего нас события? Если я несколько раз кидаю игральную кость, и хочу, чтобы выпала "шестерка", а мне все время не везет, значит ли это, что надо увеличивать ставку, потому что, согласно теории вероятностей, мне вот-вот должно повезти? Увы, теория вероятности не утверждает ничего подобного. Ни кости, ни карты, ни монетки не умеют запоминать, что они продемонстрировали нам в прошлый раз. Им совершенно не важно, в первый раз или в десятый раз сегодня я испытываю свою судьбу. Каждый раз, когда я повторяю бросок, я знаю только одно: и на этот раз вероятность выпадения "шестерки" снова равна одной шестой. Конечно, это не значит, что нужная мне цифра не выпадет никогда. Это означает лишь то, что мой проигрыш после первого броска и после любого другого броска - независимые события. События А и В называются независимыми, если реализация одного из них никак не влияет на вероятность другого события. Например, вероятности поражения цели первым из двух орудий не зависят от того, поразило ли цель другое орудие, поэтому события "первое орудие поразило цель" и "второе орудие поразило цель" независимы. Если два события А и В независимы, и вероятность каждого из них известна, то вероятность одновременного наступления и события А, и события В (обозначается АВ) можно посчитать, воспользовавшись следующей теоремой.

Теорема умножения вероятностей для независимых событий

P(AB) = P(A)*P(B) вероятность одновременного наступления двух независимых событий равна произведению вероятностей этих событий.

Пример 1 . Вероятности попадания в цель при стрельбе первого и второго орудий соответственно равны: р 1 = 0,7; р 2 = 0,8. Найти вероятность попадания при одном залпе обоими орудиями одновременно.

как мы уже видели события А (попадание первого орудия) и В (попадание второго орудия) независимы, т.е. Р(АВ)=Р(А)*Р(В)=р1*р2=0,56. Что произойдет с нашими оценками, если исходные события не являются независимыми? Давайте немного изменим предыдущий пример.

Пример 2. Два стрелка на соревнованиях стреляют по мишеням, причем, если один из них стреляет метко, то соперник начинает нервничать, и его результаты ухудшаются. Как превратить эту житейскую ситуацию в математическую задачу и наметить пути ее решения? Интуитивно понятно, что надо каким-то образом разделить два варианта развития событий, составить по сути дела два сценария, две разные задачи. В первом случае, если соперник промахнулся, сценарий будет благоприятный для нервного спортсмена и его меткость будет выше. Во втором случае, если соперник прилично реализовал свой шанс, вероятность поразить мишень для второго спортсмена снижается. Для разделения возможных сценариев (их часто называют гипотезами) развития событий мы будем часто использовать схему "дерева вероятностей". Эта схема похожа по смыслу на дерево решений, с которым Вам, наверное, уже приходилось иметь дело. Каждая ветка представляет собой отдельный сценарий развития событий, только теперь она имеет собственное значение так называемой условной вероятности (q 1 , q 2 , q 1 -1, q 2 -1).

Эта схема очень удобна для анализа последовательных случайных событий. Остается выяснить еще один немаловажный вопрос: откуда берутся исходные значения вероятностей в реальных ситуациях? Ведь не с одними же монетами и игральными костями работает теория вероятностей? Обычно эти оценки берутся из статистики, а когда статистические сведения отсутствуют, мы проводим собственное исследование. И начинать его нам часто приходится не со сбора данных, а с вопроса, какие сведения нам вообще нужны.

Пример 3. Допустим, нам надо оценить в городе с населением в сто тысяч жителей объем рынка для нового товара, который не является предметом первой необходимости, например, для бальзама по уходу за окрашенными волосами. Рассмотрим схему "дерева вероятностей". При этом значение вероятности на каждой "ветке" нам надо приблизительно оценить. Итак, наши оценки емкости рынка:

1) из всех жителей города женщин 50%,

2) из всех женщин только 30% красят волосы часто,

3) из них только 10% пользуются бальзамами для окрашенных волос,

4) из них только 10% могут набраться смелости попробовать новый товар,

5) из них 70% обычно покупает все не у нас, а у наших конкурентов.

По закону перемножения вероятностей, определяем вероятность интересующего нас события А ={житель города покупает у нас этот новый бальзам}=0,00045. Умножим это значение вероятности на число жителей города. В результате имеем всего 45 потенциальных покупательниц, а если учесть, что одного пузырька этого средства хватает на несколько месяцев, не слишком оживленная получается торговля. И все-таки польза от наших оценок есть. Во-первых, мы можем сравнивать прогнозы разных бизнес-идей, на схемах у них будут разные "развилки", и, конечно, значения вероятности тоже будут разные. Во-вторых, как мы уже говорили, случайная величина не потому называется случайной, что она совсем ни от чего не зависит. Просто ее точное значение заранее не известно. Мы знаем, что среднее количество покупателей может быть увеличено (например, с помощью рекламы нового товара). Так что имеет смысл сосредоточить усилия на тех "развилках", где распределение вероятностей нас особенно не устраивает, на тех факторах, на которые мы в состоянии повлиять. Рассмотрим еще один количественный пример исследования покупательского поведения.

Пример 3. За день продовольственный рынок посещает в среднем 10000 человек. Вероятность того, что посетитель рынка заходит в павильон молочных продуктов, равна 1/2. Известно, что в этом павильоне в среднем продается в день 500 кг различных продуктов. Можно ли утверждать, что средняя покупка в павильоне весит всего 100 г?

Обсуждение.

Конечно, нельзя. Понятно, что не каждый, кто заходил в павильон, в результате что-то там купил.

Как показано на схеме, чтобы ответить на вопрос о среднем весе покупки, мы должны найти ответ на вопрос, какова вероятность того, что человек, зашедший в павильон, что-нибудь там купит. Если таких данных в нашем распоряжении не имеется, а нам они нужны, придется их получить самим, понаблюдав некоторое время за посетителями павильона. Допустим, наши наблюдения показали, что только пятая часть посетителей павильона что-то покупает. Как только эти оценки нами получены, задача становится уже простой. Из 10000 человек, пришедших на рынок, 5000 зайдут в павильон молочных продуктов, покупок будет только 1000. Средний вес покупки равен 500 грамм. Интересно отметить, что для построения полной картины происходящего, логика условных "ветвлений" должна быть определена на каждом этапе нашего рассуждения так же четко, как если бы мы работали с "конкретной" ситуацией, а не с вероятностями.

Задачи для самопроверки.

1. Пусть есть электрическая цепь, состоящая из n последовательно соединенных элементов, каждый из которых работает независимо от остальных. Известна вероятность p невыхода из строя каждого элемента. Определите вероятность исправной работы всего участка цепи (событие А).

2. Студент знает 20 из 25 экзаменационных вопросов. Найдите вероятность того, что студент знает предложенные ему экзаменатором три вопроса.

3. Производство состоит из четырех последовательных этапов, на каждом из которых работает оборудование, для которого вероятности выхода из строя в течение ближайшегомесяца равны соответственно р 1 , р 2 , р 3 и р 4 . Найдите вероятность того, что за месяц не случится ни одной остановки производства из-за неисправности оборудования.

Определения вероятности

Классическое определение

Классическое "определение" вероятности исходит из понятия равновозможности как объективного свойства изучаемых явлений. Равновозможность является неопределяемым понятием и устанавливается из общих соображений симметрии изучаемых явлений. Например, при подбрасывании монетки исходят из того, что в силу предполагаемой симметрии монетки, однородности материала и случайности (непредвзятости) подбрасывания нет никаких оснований для предпочтения "решки" перед "орлом" или наоборот, то есть выпадение этих сторон можно считать равновозможными (равновероятными).

Наряду с понятием равновозможности в общем случае для классического определения необходимо также понятие элементарного события (исхода), благоприятствующего или нет изучаемому событию A. Речь идет об исходах, наступление которых исключает возможность наступления иных исходов. Это несовместимые элементарные события. К примеру при бросании игральной кости выпадение конкретного числа исключает выпадение остальных чисел.

Классическое определение вероятности можно сформулировать следующим образом:

Вероятностью случайного события A называется отношение числа n несовместимых равновероятных элементарных событий, составляющих событие A, к числу всех возможных элементарных событий N:

Например, пусть подбрасываются две кости. Общее количество равновозможных исходов (элементарных событий) равно очевидно 36 (6 возможностей на каждой кости). Оценим вероятность выпадения 7 очков. Получение 7 очков возможно следующими способами: 1+6, 2+5, 3+4, 4+3, 5+2, 6+1. То есть всего 6 равновозможных исходов, благоприятствующих событию A - получению 7 очков. Следовательно, вероятность будет равна 6/36=1/6. Для сравнения вероятность получения 12 очков или 2 очков равна всего 1/36 - в 6 раз меньше.

Геометрическое определение

Несмотря на то, что классическое определение является интуитивно понятным и выведенным из практики, оно, как минимум не может быть непосредственно применено в случае, если количество равновозможных исходов бесконечно. Ярким примером бесконечного числа возможных исходов является ограниченная геометрическая область G, например, на плоскости, с площадью S. Случайно "подброшенная" "точка" с равной вероятностью может оказаться в любой точке этой области. Задача заключается в определении вероятности попадания точки в некоторую подобласть g с площадью s. В таком случая обобщая классическое определение можно прийти к геометрическому определению вероятности попадания в подобласть :

В виду равновозможности вероятность эта не зависит от формы области g, она зависит только от ее площади. Данное определение естественно можно обобщить и на пространство любой размерности, где вместо площади использовать понятие "объема". Более того, именно такое определение приводит к современному аксиоматическому определению вероятности. Понятие объема обобщается до понятия "меры" некоторого абстрактного множества, к которой предъявляются требования, которыми обладает и "объем" в геометрической интерпретации - в первую очередь, это неотрицательность и аддитивность.

Частотное (статистическое) определение

Классическое определение при рассмотрении сложных проблем наталкивается на трудности непреодолимого характера. В частности, в некоторых случаях выявить равновозможные случаи может быть невозможно. Даже в случае с монеткой, как известно существует явно не равновероятная возможность выпадения "ребра", которую из теоретических соображений оценить невозможно (можно только сказать, что оно маловероятно и то это соображение скорее практическое). Поэтому еще на заре становления теории вероятностей было предложено альтернативное "частотное" определение вероятности. А именно, формально вероятность можно определить как предел частоты наблюдений события A, предполагая однородность наблюдений (то есть одинаковость всех условий наблюдения) и их независимость друг от друга:

где - количество наблюдений, а - количество наступлений события .

Несмотря на то, что данное определение скорее указывает на способ оценки неизвестной вероятности - путем большого количества однородных и независимых наблюдений - тем не менее в таком определении отражено содержание понятия вероятности. А именно, если событию приписывается некоторая вероятность, как объективная мера его возможности, то это означает, что при фиксированных условиях и многократном повторении мы должны получить частоту его появления, близкую к (тем более близкую, чем больше наблюдений). Собственно, в этом заключается исходный смысл понятия вероятности. В основе лежит объективистский взгляд на явления природы. Ниже будут рассмотрены так называемые законы больших чисел, которые дают теоретическую основу (в рамках излагаемого ниже современного аксиоматического подхода) в том числе для частотной оценки вероятности.

Аксиоматическое определение

В современном математическом подходе вероятность задаётся аксиоматикой Колмогорова . Предполагается, что задано некоторое пространство элементарных событий . Подмножества этого пространства интерпретируются как случайные события . Объединение (сумма) некоторых подмножеств (событий) интерпретируется как событие, заключающееся в наступлении хотя бы одного из этих событий. Пересечение (произведение) подмножеств (событий) интерпретируется как событие, заключающееся в наступлении всех этих событий. Непересекающиеся множества интерпретируются как несовместные события (их совместное наступление невозможно). Соответственно, пустое множество означает невозможное событие.

Вероятностью (вероятностной мерой ) называется мера (числовая функция) , заданная на множестве событий, обладющая следующими свойствами:

В случае если пространство элементарных событий X конечно , то достаточно указанного условия аддитивности для произвольных двух несовместных событий, из которого будет следовать аддитивность для любого конечного количества несовместных событий. Однако, в случае бесконечного (счетного или несчетного) пространства элементарных событий этого условия оказывается недостаточно. Требуется так называемая счетная или сигма- аддитивность , то есть выполнение свойства аддитивности для любого не более чем счетного семейства попарно несовместных событий. Это необходимо для обеспечения "непрерывности" вероятностной меры.

Вероятностная мера может быть определена не для всех подмножеств множества . Предполагается, что она определена на некоторой сигма-алгебре подмножеств . Эти подмножества называются измеримыми по данной вероятностной мере и именно они являются случайными событиями. Совокупность - то есть множество элементарных событий, сигма-алгебра его подмножеств и вероятностная мера - называется вероятностным пространством .

Непрерывные случайные величины. Кроме дискретных случайных величин, возможные значения которых образуют конечную или бесконечную последовательность чисел, не заполняющих сплошь никакого интервала, часто встречаются случайные величины, возможные значения которых образуют некоторый интервал. Примером такой случайной величины может служить отклонение от номинала некоторого размера детали при правильно налаженном технологическом процессе. Такого рода, случайные величины не могут быть заданы с помощью закона распределения вероятностей р(х) . Однако их можно задать с помощью функции распределения вероятностей F(х) . Эта функция определяется точно так же, как и в случае дискретной случайной величины:

Таким образом, и здесь функция F(х) определена на всей числовой оси, и ее значение в точке х равно вероятности того, что случайная величина примет значение, меньшее чем х . Формула (19) и свойства 1° и 2° справедливы для функции распределения любой случайной величины. Доказательство проводится аналогично случаю дискретной величины. Случайная величина называется непрерывной , если для нее существует неотрицательная кусочно-непрерывная функция* , удовлетворяющая для любых значений x равенству

Исходя из геометрического смысла интеграла как площади, можно сказать, что вероятность выполнения неравенств равна площади криволинейной трапеции с основанием , ограниченной сверху кривой (рис. 6).

Так как , а на основании формулы (22)

Заметим, что для непрерывной случайной величины функция распределения F(х) непрерывна в любой точке х , где функция непрерывна. Это следует из того, что F(х) в этих точках дифференцируема. На основании формулы (23), полагая x 1 =x , , имеем

В силу непрерывности функции F(х) получим, что

Следовательно

Таким образом, вероятность того, что непрерывная случайная величина может принять любое отдельное значение х, равна нулю . Отсюда следует, что события, заключающиеся в выполнении каждого из неравенств

Имеют одинаковую вероятность, т.е.

В самом деле, например,

так как Замечание. Как мы знаем, если событие невозможно, то вероятность его наступления равна нулю. При классическом определении вероятности, когда число исходов испытания конечно, имеет место и обратное предложение: если вероятность события равна нулю, то событие невозможно, так как в этом случае ему не благоприятствует ни один из исходов испытания. В случае непрерывной случайной величины число возможных ее значений бесконечно. Вероятность того, что эта величина примет какое-либо конкретное значение x 1 как мы видели, равна нулю. Однако отсюда не следует, что это событие невозможно, так как в результате испытания случайная величина может, в частности, принять значение x 1 . Поэтому в случае непрерывной случайной величины имеет смысл говорить о вероятности попадания случайной величины в интервал, а не о вероятности того, что она примет какое-то конкретное значение. Так, например, при изготовлении валика нас не интересует вероятность того, что его диаметр будет равен номиналу. Для нас важна вероятность того, что диаметр валика не выходит из поля допуска. Пример. Плотность распределения непрерывной случайной величины задана следующим образом:

График функции представлен па рис. 7. Определить вероятность того, что случайная величина примет значение, удовлетворяющее неравенствам .Найти функцию распределения заданной случайной величины. (Решение )

Следующие два пункта посвящены часто встречающимся на практике распределениям непрерывных случайных величин - равномерному и нормальному распределениям.

* Функция называется кусочно-непрерывной на всей числовой оси, если она на любом сегменте или непрерывна, или имеет конечное число точек разрыва I рода. ** Правило дифференцирования интеграла с переменной верхней границей, выведенное в случае конечной нижней границы, остается справедливым и для интегралов с бесконечной нижней границей. В самом деле,

Так как интеграл

есть величина постоянная.

Зависимые и независимые события. Условная вероятность

Различают события зависимые и независимые. Два события называются независимыми, если появление одного из них не изменяет вероятность появления другого. Например, если в цехе работают две автоматические линии, по условиям производства не взаимосвязанные, то остановки этих линий являются независимыми событиями.

Пример 3. Монета брошена два раза. Вероятность появления "герба" в первом испытании (событие ) не зависит от появления или не появления "герба" во втором испытании (событие ). В свою очередь, вероятность появления "герба" во втором испытании не зависит от результата первого испытания. Таким образом, события и независимые.

Несколько событий называются независимыми в совокупности , если любое из них не зависит от любого другого события и от любой комбинации остальных.

События называются зависимыми , если одно из них влияет на вероятность появления другого. Например, две производственные установки связаны единым технологическим циклом. Тогда вероятность выхода из строя одной из них зависит от того, в каком состоянии находится другая. Вероятность одного события , вычисленная в предположении осуществления другого события , называется условной вероятностью события и обозначается .

Условие независимости события от события записывают в виде , а условие его зависимости - в виде . Рассмотрим пример вычисления условной вероятности события.

Пример 4. В ящике находятся 5 резцов: два изношенных и три новых. Производится два последовательных извлечения резцов. Определить условную вероятность появления изношенного резца при втором извлечении при условии, что извлеченный в первый раз резец в ящик не возвращается.

Решение. Обозначим извлечение изношенного резца в первом случае, а - извлечение нового. Тогда . Поскольку извлеченный резец в ящик не возвращается, то изменяется соотношение между количествами изношенных и новых резцов. Следовательно, вероятность извлечения изношенного резца во втором случае зависит от того, какое событие осуществилось перед этим.

Обозначим событие, означающее извлечение изношенного резца во втором случае. Вероятности этого события могут быть такими:

Следовательно, вероятность события зависит от того, произошло или нет событие .

Пло́тность вероя́тности - один из способов задания вероятностной меры на евклидовом пространстве . В случае, когда вероятностная мера является распределением случайной величины, говорят о плотности случайной величины .

Плотность вероятности Пусть является вероятностной мерой на, то есть определено вероятностное пространство, где обозначает борелевскую σ-алгебру на. Пусть обозначает меру Лебега на.

Определение 1. Вероятность называется абсолютно непрерывной (относительно меры Лебега) (), если любое борелевское множество нулевой меры Лебега также имеет вероятность ноль:

Если вероятность абсолютно непрерывна, то согласно теореме Радона-Никодима существует неотрицательная борелевская функция такая, что

,

где использовано общепринятое сокращение , и интеграл понимается в смысле Лебега.

Определение 2. В более общем виде, пусть - произвольное измеримое пространство, а и - две меры на этом пространстве. Если найдется неотрицательная , позволяющая выразить меру через меру в виде

то такую функцию называют плотностью меры по мере , или производной Радона-Никодима меры относительно меры , и обозначают