Вероятностная модель: отбор без возврата и ожидание успеха

Выберите модель по устройству опыта: условная вероятность, фиксированное число независимых попыток, выборка без возврата или остановка на заданном успехе.

Задачи модуля

Одинаковые слова «ровно три успеха» могут скрывать разные эксперименты. Сначала зафиксируем, сколько испытаний проведено, возвращается ли выбранный объект и меняется ли вероятность следующего успеха после предыдущего результата.

Далее сопоставим биномиальную и гипергеометрическую модели с ожиданием заданного успеха. Инструменты проверяют условную вероятность, сочетания и фиксированные выборки; распределение числа попыток до остановки разбирается в статье отдельно.

  • Выбирать знаменатель после получения условия, не подменяя условную вероятность безусловной.
  • Различать биномиальный опыт и равновероятную выборку без возврата.
  • Отличать фиксированное число испытаний от случайного времени достижения заданного успеха.

Отбор и ожидание успеха

Отбор без возврата: гипергеометрическая дисперсия

При отборе без возврата индикаторы успеха зависимы. Среднее остаётся знакомым, а дисперсия уменьшается на поправку конечной совокупности.

Перед началом: Комбинаторные сочетания; Дисперсия суммы.

Равновероятны подмножества

В конечной совокупности N объектов, из них K помечены. Простая случайная выборка размера n без возврата означает, что каждое подмножество этого размера имеет одинаковую вероятность. Число помеченных X имеет гипергеометрическое распределение: P(X=k)=C(K,k)C(N−K,n−k)/C(N,n). Допустимые k ограничены одновременно количеством помеченных, непомеченных и размером выборки. Формула относится к указанному плану отбора; систематический или удобный отбор не делает подмножества равновероятными.

Зависимость уменьшает разброс

Каждая позиция выборки имеет маргинальный шанс успеха p=K/N, поэтому E X=np. Но успех на одной позиции уменьшает долю успехов среди оставшихся объектов. Для разных индикаторов ковариация равна −p(1−p)/(N−1). Суммирование дисперсий и ковариаций даёт Var X=np(1−p)(N−n)/(N−1). Последний множитель есть поправка конечной совокупности. При переписи n=N дисперсия равна нулю: число успехов известно точно, хотя отдельные позиции могут быть случайными.

Ковариацию можно вывести из двух позиций: вероятность двух успехов равна K(K−1)/[N(N−1)]. Вычитание p² даёт −p(1−p)/(N−1). В сумме X есть n отдельных дисперсий и n(n−1) упорядоченных ковариационных вкладов. После сокращения получается конечная поправка. Это также показывает, почему при n=1 она равна единице, а при полной переписи исчезает весь разброс.

Когда допустима биномиальная замена

Если доля отбора n/N мала, поправка близка к единице, и биномиальное распределение может быть удобным приближением. Качество оценивают по задаче, особенно для хвостовых вероятностей. При большой доле отбора игнорирование зависимости существенно завышает дисперсию. Размер конечной совокупности является частью модели, а не автоматически числом всех мыслимых будущих объектов. Для оценки доли X/n дисперсию числа делят на n²; её нельзя использовать без этого пересчёта.

Разобранная задача

Условие. В партии 12 деталей, из них 5 отмечены. Случайно выбирают 4 без возврата. Найдите P(X=2), E X и Var X.

  1. Всего C(12,4)=495 равновероятных подмножеств; благоприятных C(5,2)C(7,2)=210.
  2. Вероятность двух отмеченных равна 210/495=14/33.
  3. Среднее равно 4·5/12=5/3.
  4. Дисперсия равна 4·(5/12)·(7/12)·(8/11)=70/99. Биномиальная без поправки дала бы 35/36.

Ответ. P(X=2)=14/33; E X=5/3; Var X=70/99.

Проверка. Поправка равна 8/11<1, поэтому дисперсия меньше биномиальной. Суммирование точных вероятностей по k=0,…,4 даёт единицу и то же среднее.

Где легко ошибиться. Независимость позиций нельзя обосновать случайностью отбора: случайный отбор без возврата как раз создаёт отрицательную зависимость.

Проверьте понимание

Какой множитель корректирует биномиальную дисперсию числа успехов?

Вопросы к этой главе

Почему среднее такое же, как с возвратом?

Линейность ожидания не требует независимости. У каждой позиции шанс успеха остаётся K/N, хотя совместные события изменяются.

Что произойдёт при отборе всей партии?

X станет точно равным K. Поправка обнулит дисперсию, тогда как биномиальная модель ошибочно оставила бы разброс.

Сверить определения и условия

Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.

  • MIT OCW: probability models

    MIT 6.041, unit I: условная вероятность, ожидание и дискретные модели. Комбинаторные выводы и конечные примеры в главе самостоятельные.

Ожидание нескольких успехов: случайная длина серии

В схеме до r-го успеха фиксировано число успехов, а длина наблюдения случайна. Это другая задача, чем успехи за n попыток.

Перед началом: Независимые испытания Бернулли; Геометрическое распределение.

Что именно считает переменная

Пусть независимые испытания имеют одну вероятность успеха p>0. T обозначает общее число испытаний до r-го успеха включительно. Возможные значения начинаются с r. Другая распространённая переменная F=T−r считает только неудачи и начинается с нуля. Обе записи называют отрицательным биномиальным распределением, поэтому параметры без определения случайной величины неоднозначны. При p=1 имеем T=r без разброса; при p=0 остановка по успехам вообще не наступает.

Последнее испытание уже задано

Чтобы T=t, в первых t−1 испытаниях должно быть ровно r−1 успехов, а последнее должно оказаться успехом. Поэтому P(T=t)=C(t−1,r−1)pʳ(1−p)ᵗ⁻ʳ. Множитель сочетаний не равен C(t,r), поскольку последний успех имеет специальное положение. Альтернативное представление T как суммы r независимых геометрических ожиданий даёт E T=r/p и Var T=r(1−p)/p². Для F среднее уменьшается на r, а дисперсия остаётся прежней.

Правило остановки является частью плана

Если испытания дороги, T описывает ожидаемый расход и его разброс. Но фиксировать количество успехов и затем оценивать p формулами для заранее фиксированного n нужно осторожно: выборочный план изменён. Зависимость попыток, обучение исполнителя или расходование ограниченной партии нарушают исходную модель. Сначала проверьте, сохраняется ли вероятность успеха и независимость между попытками. Для расчёта вероятности срока можно использовать эквивалентность T≤m тогда и только тогда, когда среди первых m испытаний есть хотя бы r успехов.

Разобранная задача

Условие. Каждая независимая попытка успешна с вероятностью 1/2. Останавливаемся на третьем успехе. Найдите P(T=5), среднее T и дисперсию T.

  1. Для завершения на пятой попытке среди первых четырёх нужны два успеха, а пятая обязана быть успешной.
  2. Вероятность равна C(4,2)(1/2)³(1/2)²=6/32=3/16.
  3. Общее ожидание есть сумма трёх геометрических ожиданий: E T=3/(1/2)=6.
  4. Дисперсия равна 3·(1/2)/(1/2)²=6; число неудач F имеет среднее 6−3=3 и ту же дисперсию.

Ответ. P(T=5)=3/16; E T=6; Var T=6.

Проверка. Перебор шестнадцати строк первых четырёх исходов даёт шесть строк с двумя успехами. Умножение на шанс пятого успеха 1/2 подтверждает 6/32.

Где легко ошибиться. Не подставляйте число неудач в формулу для полного числа испытаний. Сдвиг на r меняет поддержку и среднее, хотя не меняет дисперсию.

Проверьте понимание

Если F считает неудачи до r-го успеха, как связано его среднее с T?

Вопросы к этой главе

Почему не C(5,3)?

Такой выбор допускает третий успех раньше пятой попытки. При остановке более поздние испытания уже не выполнялись бы.

Можно ли рассчитать шанс уложиться в восемь попыток?

Да. Он равен вероятности получить хотя бы три успеха в восьми независимых испытаниях с тем же p.

Сверить определения и условия

Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.

  • MIT OCW: probability models

    MIT 6.041, unit I: условная вероятность, ожидание и дискретные модели. Комбинаторные выводы и конечные примеры в главе самостоятельные.

Геометрическое ожидание: отсутствие памяти и контроль предпосылок

После серии неудач оставшееся ожидание не уменьшается, если попытки действительно независимы и вероятность успеха постоянна.

Перед началом: Независимые события; Сумма геометрического ряда.

Начало отсчёта определяет формулу

T считает попытки до первого успеха включительно и принимает значения 1,2,… . Для независимых одинаковых попыток с вероятностью p имеем P(T=t)=(1−p)ᵗ⁻¹p. Событие T>m означает m первых неудач, поэтому его вероятность равна (1−p)ᵐ. Если считать только неудачи, соответствующая переменная равна T−1. Для среднего остатка необходимо сначала сказать, отсчитываем ли мы будущие попытки или абсолютный номер успешной попытки от первоначального старта.

Отсутствие памяти является условным равенством

Для целых m,n≥0 отношение P(T>m+n)/P(T>m) равно (1−p)ⁿ при p<1. Следовательно P(T−m>n|T>m)=P(T>n). Условный закон оставшегося ожидания совпадает с первоначальным, а его среднее равно 1/p. Средний полный номер успеха при известном T>m равен m+1/p. Это не означает, что прошедшие неудачи исчезли из затрат: они уже состоялись, просто не меняют модель будущих независимых попыток.

Как обнаружить ложное применение

Если p неизвестно и обновляется по данным, серия неудач может изменить прогноз. Аналогично износ оборудования, обучение, общая скрытая причина и отбор без возврата делают шансы будущего зависимыми от истории. Тогда отсутствие памяти не следует из самого слова «случайный». Для смешанной популяции устройств даже условно геометрические длительности с разными p дают в общей смеси другой закон. В отчёте нужно различать заданную модель с известным p и вывод о реальном процессе, который требует проверки однородности попыток.

Разобранная задача

Условие. Попытки независимы, p=1/4. Уже произошло пять неудач. Найдите вероятность успеха в ближайшие две попытки, ожидаемое число будущих попыток и ожидаемый полный номер успеха.

  1. Вероятность двух новых неудач остаётся (3/4)²=9/16 независимо от уже наблюдавшихся пяти.
  2. Шанс хотя бы одного успеха за две новые попытки равен 1−9/16=7/16.
  3. Оставшееся ожидание имеет геометрический закон с тем же p, поэтому его среднее равно 4.
  4. Полный номер успеха от старта равен пяти уже потраченным попыткам плюс будущим: условное среднее равно 9.

Ответ. Вероятность 7/16; среднее будущих попыток 4; средний полный номер успеха 9.

Проверка. Прямое условное отношение P(T>7)/P(T>5)=(3/4)⁷/(3/4)⁵=9/16 подтверждает вероятность отсутствия успеха в двух новых попытках.

Где легко ошибиться. Фраза «успех уже должен случиться» не меняет независимую вероятность. Но и переносить отсутствие памяти на зависимые реальные процессы без проверки нельзя.

Проверьте понимание

Каково среднее оставшееся ожидание после m неудач при известном p?

Вопросы к этой главе

Становится ли общий расход в среднем меньше?

Нет. Прошедшие попытки прибавляются к будущему расходу. Не меняется только условное распределение ещё не выполненных попыток.

Если p оценивается по этим неудачам, вывод сохранится?

Не обязательно. Обновление неопределённого параметра создаёт зависимость прогноза от истории, даже если попытки независимы при фиксированном параметре.

Сверить определения и условия

Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.

  • MIT OCW: probability models

    MIT 6.041, unit I: условная вероятность, ожидание и дискретные модели. Комбинаторные выводы и конечные примеры в главе самостоятельные.

Связанные методы

Как условие меняет множество исходов для вероятности

Условная вероятность P(A|B) = P(A∩B)/P(B) при P(B) > 0. В равновозможной конечной модели знаменатель — число исходов, удовлетворяющих условию B, а числитель — число исходов, удовлетворяющих обоим условиям.

Разобрать с примером

Что меняется при выборе без возвращения

При выборе без возвращения состав набора после известного первого результата меняется. Вероятность конкретной последовательности равна вероятности первого шага, умноженной на условную вероятность второго. Нельзя автоматически использовать исходную долю на обоих шагах, как при независимом возвращении предмета.

Разобрать с примером

Как посчитать ровно заданное число успехов в независимых испытаниях

При n независимых испытаниях с одинаковой вероятностью успеха p вероятность ровно k успехов равна C(n, k)pᵏ(1−p)ⁿ⁻ᵏ. Множитель C(n, k) считает разные расположения успехов, а не меняет вероятность отдельной последовательности.

Разобрать с примером

Темы по порядку

  1. Как условие меняет множество исходов для вероятностиПересчитываем вероятность после получения условия, меняем знаменатель на оставшуюся группу и различаем прямую и обратную условные вероятности.
  2. Что меняется при выборе без возвращенияКак считать последовательные выборы без возвращения: изменение состава, условный второй шаг и отличие совместной вероятности от отдельного шанса второго выбора.
  3. Как посчитать ровно заданное число успехов в независимых испытанияхСчитаем ровно заданное число успехов в фиксированном числе независимых испытаний, объясняем биномиальный коэффициент и проверяем постоянство вероятности.
  4. Как посчитать биномиальную вероятность между двумя границамиПереводим двойное ограничение в точный набор целых значений, складываем биномиальные массы и проверяем обе границы через накопленные вероятности.
  5. Как посчитать состав выборки без учёта порядка и без возвращенияСчитаем вероятность состава случайной выборки без возвращения, выбираем предметы из двух групп сочетаниями и проверяем допустимое число подходящих объектов.
  6. Как посчитать номер попытки заданного по счёту успехаНайдите вероятность номера попытки заданного успеха, выделив обязательный успех в конце и расположения предыдущих успехов.

Проверьте понимание

Из чисел 1–8 равновероятно выбрали одно. Известно, что оно чётное. Какова вероятность, что оно больше 4?

Рассчитать и проверить

Частые вопросы

Условная вероятность всегда больше исходной?

Нет. Она зависит от того, какие исходы оставило условие, и может измениться в любую сторону или сохраниться.

Почему знаменатель на втором шаге становится пять?

Один из шести жетонов уже вынут и не возвращён. Следующий выбор выполняется из пяти оставшихся объектов.

Почему pᵏ(1−p)ⁿ⁻ᵏ недостаточно?

Это вероятность одной конкретной последовательности. Нужно учесть все расположения k успехов.