DSCF2512

DSCF2512



80 4, Pojęcie i pewne własności prawdopodobieństwa

(U),

(1,2),

nj).

0,4),

(1,5),

(1,6)

(2,1),

(2,2),

(2,3),

(2,4),

(2,5),

(2,6)

(3,1),

(3,2),

(3,3),

(3,4),

(3,5),

(3,6)

(4,1),

(4,2),

(4,3),

(4.4),

(4,5),

(4,6)

(5,1),

(5,2),

(5,3),

(5,4),

(5,5),

(5,6)

(6,1),

(6,2),

(6,3),

(6,4),

(6,5),

(6,6)

Zbiór AB składa się z następujących zdarzeń elementarnych:

(1,2),    (1,4),    (1,6),    (2,1),    (4,1),    (6,1).

Korzystając z klasycznej definicji prawdopodobieństwa, mamy

P(A-B)=^.

Zbiór >4 + £ składa się z 23 następujących zdarzeń elementarnych:

(1.1) , (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (3,1), (4,1),

(5.1) , (6,1), (3,2), (5,2), (2,3), (4,3), (6,3), (3,4), (5,4),

(2,5), (4,5), (6,5), (3,6), (5,6). Wobec tego

P(A + &) = $.

Można ponadto zauważyć, że A-BcA+B i P(A-B)<P(A+B).

Zbiór A li składa się z 12 następujących zdarzeń elementarnych: (3,2), (5,2), (2,3), (4,3), (6,3), (3,4), (5,4), (2,5), (4,5), (6,5), (3,6), (5,6). Przeto

Spostrzegamy, że A BcA+B oraz P(A B)<P(A+B).

Przykład 4.1.3. Dokonujemy trzech rzutów monetą. Obliczyć prawdopodobieństwo:

1)    zdarzenia A, polegającego na tym, że orzeł pojawi się dwa razy;

2) zdarzenia B, polegającego na tym, że orzeł pojawi się co najmniej dwa razy;

3) zdarzenia C, polegającego na tym, że orzeł pojawi się co najwyżej dwa razy. Rozwiązanie. Zbiór podstawowy / jest następujący:

000, OOP, ORO, ROO, RRR, ORR, ROR, RRO.

1)    Zbiór zdarzeń sprzyjających zdarzeniu A: 00R, ORO, ROO, czyli

PM-1

2)    Zbiór zdarzeń sprzyjających zdarzeniu B jest następujący: OOO, 00/?, OT?0, /?00, czyli

BM3

3) Zbiór zdarzeń sprzyjających zdarzenia C jest następujący: 00/?, ORO, ROO, RRRORR, ROR, RRO, czyli

p<o=4.

Przykład 4.1.4. Wybieramy jedną z cyfr 1, 2, 3, 4, 5, a następnie z pozostałych — drugą. Obliczyć prawdopodobieństwo tego, że

1) za pierwszym razem; 2) za drugim razem; 3) obydwa razy będzie wybrana nieparzysta cyfra.

Rozwiązanie. Zbiór podstawowy jest następujący:

(1,2),

(1,3),

(1,4),

(1,5),

(2,1),

(2,3),

(2,4),

(2,5),

(3,1),

(3,2),

(3,4),

(3,5),

(4,1),

(4,2),

(4,3),

(4,5),

(5,1),

(5,2),

(5,3),

(5,4).

Zakładamy, że każde ze zdarzeń elementarnych jest jednakowo możliwe (cyfry wybieramy losowo).

Oznaczmy przez A, B, C zbiory zdarzeń elementarnych sprzyjających zajściu zdarzenia wymienionego odpowiednio w punktach 1, 2, 3.

Zbiór A składa się ze zdarzeń elementarnych:

(U),

(1,3),

(1,4),

0,5),

(3,1),

(3,2),

(3,4),

(3,5),

(5,1),

(5,2),

(5,3),

(5,4),

PW='ło

=0,6.

Zbiór B składa się ze zdarzeń elementarnych: (1,3), (1,5), (2,1), (2,3), (2,5), (3,1), (3,5),

(4,1), (4,3), (4,5), (5,1), (5,3), czyli

P(*)=|§=0,6.

Z treści zadania wynika, że zdarzenie C polega na łącznym zajściu zdarzeń A i B.

Zbiór C składa się ze zdarzeń elementarnych: (1,3), (1,5), (3,1), (3,5), (5,1), (5,3), to znaczy ze zdarzeń elementarnych wspólnych zdarzeniom A i B. Mamy zatem

/’(O = PU-B)=Ś5=0,3.

Przykład 4.1.5. Fabryka produkuje towar sztukowy: 3 razy tyle białego co czarnego, a 5 razy tyle białego co niebieskiego. Jakie jest prawdopodobieństwo p tego, że biorąc sztukę losowo, otrzyma się sztukę czarną?

Rozwiązanie. Ilość czarnego towaru oznaczmy przez x. Wtedy białego towaru będzie 3x, a niebieskiego §x. Wszystkiego towaru jest więc “x. Stąd szukane prawdopodobieństwo jest równe

x


. j_ 23


0,217.


8 Kombtaatoryka ...


Wyszukiwarka

Podobne podstrony:
DSCF2515 86 4. Pojęcie i pewne własności prawdopodobieństwa Dowód. Opierając się na własności 4.2.7
DSCF2520 96 4. Pojęcie i pewne własności prawdopodobieństwa PRZYKŁAD 4.5.3. Na każdej z pięciu karte
DSCF2521 y» 4. Pojęcie i pewne własności piamiupv» Definicja 4.5.3. O zdarzeniach A i B mówimy, że s
DSCF2529 116 4. Pojęcie i pewne własności prawdopodobieństwa Przyklap^.7.5.JN każdej z 5 urn pierwsz
DSCF2534 126    4. Pojęcie i pewne własności prawdopodobieństwa Oznaczmy przez A zdar
DSCF2536 yo 4. Pojęcie i pewne własności prawdopodobieństwa wchodzi do próbki co nąjmniąj jeden z wy
DSCF2537 132 4. Pojęcie i pewne własności prawdopodobieństwa Przykład 4.10.3. Iloma kośćmi należy rz
DSCF2541 152 4. Pojęcie i pewne własności prawdopodobieństwa 4.14. Mamy do dyspozycji 1 urnę typu A
DSCF2523 4. Pojęcie i pewne własności prawdopodobieństwa 102 Napiszmy powyższy wzór dla n»I, 2*3,...
Pomiar - definicje pomocnicze Cecha - pojęcie pierwotne, nie definiowane (coś, co opisuje pewne włas
DSCF2513 4. Pojęcie pewne wfcurtojcf prawdopoffobteńafwa Przykład 4.1.6, W urnie są kule o numerach
DSCF2530 m 4,    i pewne własności prawdopodobieństwa^ iw/y padku c) mamy; PiB
scandjvutmp12601 273 Przeginanie i składanie papieru. Przykłady: Wiatraczek (Ze zwróceniem uwagi na
A.H. Barton, Pojęcie „przestrzeni własności” . [w:] Badania empiryczne... t.I. 314-330 Najważniejsze
Modelowanie pojęciowe - wyróżnianie własności przestrzennych i opisowych w celu dokonania sformalizo
54913 zdj PodsumowanieNajważniejsze pojęcia: 1.    Algorytm, 2.    Wł
52949599286856832354467031 n 1.    Próba a populacja Pojęcia Przykłady 2.  &nbs
80. Pojęcie choroby zawodowej i postępowanie w pizypadku jej rozpoznania lub podcjizciua. Za chorobę

więcej podobnych podstron