Некоторые программисты после работы в области разработки обычных коммерческих приложений задумываются о том, чтобы освоить машинное обучение и стать аналитиком данных. Часто они не понимают, почему те или иные методы работают, и большинство методов машинного обучения кажутся магией. На самом деле, машинное обучение базируется на математической статистике, а та, в свою очередь, основана на теории вероятностей. Поэтому в этой статье мы уделим внимание базовым понятиям теории вероятностей: затронем определения вероятности, распределения и разберем несколько простых примеров.
Возможно, вам известно, что теория вероятностей условно делится на 2 части. Дискретная теория вероятностей изучает явления, которые можно описать распределением с конечным (или счетным) количеством возможных вариантов поведения (бросания игральных костей, монеток). Непрерывная теория вероятностей изучает явления, распределенные на каком-то плотном множестве, например на отрезке или в круге.
Можно рассмотреть предмет теории вероятностей на простом примере. Представьте себя разработчиком шутера. Неотъемлемой частью разработки игр этого жанра является механика стрельбы. Ясно, что шутер в котором всё оружие стреляет абсолютно точно, будет малоинтересен игрокам. Поэтому, обязательно нужно добавлять оружию разброс. Но простая рандомизация точек попадания оружия не позволит сделать его тонкую настройку, поэтому, корректировка игрового баланса будет сложна. В то же время, используя случайные величины и их распределения можно проанализировать то, как будет работать оружие с заданным разбросом, и поможет внести необходимые корректировки.
Пространство элементарных исходов
Допустим, из некоторого случайного эксперимента, который мы можем многократно повторять (например, бросание монеты), мы можем извлечь некоторую формализуемую информацию (выпал орел или решка). Эта информация называется элементарным исходом, при этом целесообразно рассматривать множество всех элементарных исходов, часто обозначаемое буквой Ω (Омега).
Структура этого пространства целиком зависит от природы эксперимента. Например, если рассматривать стрельбу по достаточно большой круговой мишени, - пространством элементарных исходов будет круг, для удобства размещенный с центром в нуле, а исходом - точка в этом круге.
Кроме того, рассматривают множества элементарных исходов - события (например, попадание в «десятку» - это концентрический круг маленького радиуса с мишенью). В дискретном случае всё достаточно просто: мы можем получить любое событие, включая или исключая элементарные исходы за конечное время. В непрерывном же случае всё гораздо сложнее: нам понадобится некоторое достаточно хорошее семейство множеств для рассмотрения, называемое алгеброй по аналогии с простыми вещественными числами, которые можно складывать, вычитать, делить и умножать. Множества в алгебре можно пересекать и объединять, при этом результат операции будет находиться в алгебре. Это очень важное свойство для математики, которая лежит за всеми этими понятиями. Минимальное семейство состоит всего из двух множеств - из пустого множества и пространства элементарных исходов.
Мера и вероятность
Вероятность - это способ делать выводы о поведении очень сложных объектов, не вникая в принцип их работы. Таким образом, вероятность определяется как функция от события (из того самого хорошего семейства множеств), которая возвращает число - некоторую характеристику того, насколько часто может происходить такое событие в реальности. Для определённости математики условились, что это число должно лежать между нулем и единицей. Кроме того, к этой функции предъявляются требования: вероятность невозможного события нулевая, вероятность всего множества исходов единичная, и вероятность объединения двух независимых событий (непересекающихся множеств) равна сумме вероятностей. Другое название вероятности - вероятностная мера. Чаще всего используется Лебегова мера , обобщающая понятия длина, площадь, объём на любые размерности (n -мерный объем), и таким образом она применима для широкого класса множеств.
Вместе совокупность множества элементарных исходов, семейства множеств и вероятностной меры называется вероятностным пространством . Рассмотрим, каким образом можно построить вероятностное пространство для примера со стрельбой в мишень.
Рассмотрим стрельбу в большую круглую мишень радиуса R , в которую невозможно промахнуться. Множеством элементарных событий положим круг с центром в начале координат радиуса R . Поскольку мы собираемся использовать площадь (меру Лебега для двумерных множеств) для описания вероятности события, то будем использовать семейство измеримых (для которых эта мера существует) множеств.
Примечание На самом деле, это технический момент и в простых задачах процесс определения меры и семейства множеств не играет особой роли. Но понимать, что эти два объекта существуют, необходимо, ведь во многих книгах по теории вероятности теоремы начинаются со слов: «Пусть (Ω,Σ,P) - вероятностное пространство … ».
Как уже сказано выше, вероятность всего пространства элементарных исходов должна равняться единице. Площадь (двумерная мера Лебега, которую мы обозначим λ 2 (A) , где А — событие) круга по хорошо известной со школы формуле равна π *R 2 . Тогда мы можем ввести вероятность P(A) = λ 2 (A) / (π *R 2) , и эта величина уже будет лежать между 0 и 1 для любого события А.
Если предположить, что попадание в любую точку мишени равновероятно, поиск вероятности попадания стрелком в какую-то то область мишени сводится к поиску площади этого множества (отсюда можно сделать вывод, что вероятность попадания в конкретную точку нулевая, ведь площадь точки равна нулю).
Например, мы хотим узнать, какова вероятность того, что стрелок попадёт в «десятку» (событие A — стрелок попал в нужное множество). В нашей модели, «десятка» представляется кругом с центром в нуле и радиусом r. Тогда вероятность попадания в этот круг P(A) = λ 2 /(A)π *R 2 = π * r 2 /(π R 2)= (r/R) 2 .
Это одна из самых простых разновидностей задач на «геометрическую вероятность», - большинство таких задач требуют поиска площади.
Случайные величины
Случайная величина — функция, переводящая элементарные исходы в вещественные числа. К примеру, в рассмотренной задаче мы можем ввести случайную величину ρ(ω) — расстояние от точки попадания до центра мишени. Простота нашей модели позволяет явно задать пространство элементарных исходов: Ω = {ω = (x,y) такие числа, что x 2 +y 2 ≤ R 2 } . Тогда случайная величина ρ(ω) = ρ(x,y) = x 2 +y 2 .
Средства абстракции от вероятностного пространства. Функция распределения и плотность
Хорошо, когда структура пространства хорошо известна, но на самом деле так бывает далеко не всегда. Даже если структура пространства известна, она может быть сложна. Для описания случайных величин, если их выражение неизвестно, существует понятие функции распределения, которую обозначают F ξ (x) = P(ξ < x) (нижний индекс ξ здесь означает случайную величину). Т.е. это вероятность множества всех таких элементарных исходов, для которых значение случайной величины ξ на этом событии меньше, чем заданный параметр x .
Функция распределения обладает несколькими свойствами:
- Во-первых, она находится между 0 и 1 .
- Во-вторых, она не убывает, когда ее аргумент x растёт.
- В третьих, когда число -x очень велико, функция распределения близка к 0 , а когда само х большое, функция распределения близка к 1 .
Вероятно, смысл этой конструкции при первом чтении не слишком понятен. Одно из полезных свойств — функция распределения позволяет искать вероятность того, что величина принимает значение из интервала. Итак, P (случайная величина ξ принимает значения из интервала ) = F ξ (b)-F ξ (a) . Исходя из этого равенства, можем исследовать, как изменяется эта величина, если границы a и b интервала близки.
Пусть d = b-a , тогда b = a+d . А следовательно, F ξ (b)-F ξ (a) = F ξ (a+d) - F ξ (a) . При малых значениях d , указанная выше разность так же мала (если распределение непрерывное). Имеет смысл рассматривать отношение p ξ (a,d)= (F ξ (a+d) - F ξ (a))/d . Если при достаточно малых значениях d это отношение мало отличается от некоторой константы p ξ (a) , не зависящей от d, то в этой точке случайная величина имеет плотность, равную p ξ (a) .
Примечание Читатели, которые ранее сталкивались понятием производной, могут заметить что p ξ (a) — производная функции F ξ (x) в точке a . Во всяком случае, можно изучить понятие производной в посвященной этой теме статье на сайте Mathprofi.
Теперь смысл функции распределения можно определить так: её производная (плотность p ξ , которую мы определили выше) в точке а описывает, насколько часто случайная величина будет попадать в небольшой интервал с центром в точке а (окрестность точки а) по сравнению с окрестностями других точек. Другими словами, чем быстрее растёт функция распределения, тем более вероятно появление такого значения при случайном эксперименте.
Вернемся к примеру. Мы можем вычислить функцию распределения для случайной величины, ρ(ω) = ρ(x,y) = x 2 +y 2 , которая обозначает расстояние от центра до точки случайного попадания в мишень. По определению F ρ (t) = P(ρ(x,y) < t) . т.е. множество {ρ(x,y) < t)} — состоит из таких точек (x,y) , расстояние от которых до нуля меньше, чем t . Мы уже считали вероятность такого события, когда вычисляли вероятность попадания в «десятку» - она равна t 2 /R 2 . Таким образом, Fρ(t) = P(ρ(x,y) < t) = t 2 /R 2 , для 0 Мы можем найти плотность p ρ этой случайной величины. Сразу заметим, что вне интервала она нулевая, т.к. функция распределения на этом промежутке неизменна. На концах этого интервала плотность не определена. Внутри интервала её можно найти, используя таблицу производных (например из на сайте Mathprofi) и элементарные правила дифференцирования. Производная от t 2 /R 2 равна 2t/R 2 . Значит, плотность мы нашли на всей оси вещественных чисел. Ещё одно полезное свойство плотности — вероятность того, что функция принимает значение из промежутка, вычисляется при помощи интеграла от плотности по этому промежутку (ознакомиться с тем, что это такое, можно в статьях о собственном , несобственном , неопределенном интегралах на сайте Mathprofi). При первом чтении, интеграл по промежутку от функции f(x) можно представлять себе как площадь криволинейной трапеции. Ее сторонами являются фрагмент оси Ох, промежуток (горизонтальной оси координат), вертикальные отрезки, соединяющие точки (a,f(a)), (b,f(b)) на кривой с точками (a,0), (b,0) на оси Ох. Последней стороной является фрагмент графика функции f от (a,f(a)) до (b,f(b)) . Можно говорить об интеграле по промежутку (-∞; b] , когда для достаточно больших отрицательных значений, a значение интеграла по промежутку будет меняться пренебрежимо мало по сравнению с изменением числа a. Аналогичным образом определяется и интеграл по промежуткам Тематики информационные технологии в целом EN probability theorytheory of chancesprobability calculation … Справочник технического переводчика
Теория вероятностей
- есть часть математики, изучающая зависимости между вероятностями (см. Вероятность и Статистика) различных событий. Перечислим важнейшие теоремы, относящиеся к этой науке. Вероятность появления одного из нескольких несовместных событий равняется… … Энциклопедический словарь Ф.А. Брокгауза и И.А. Ефрона
ТЕОРИЯ ВЕРОЯТНОСТЕЙ
- математич. наука позволяющая по вероятностям одних событий случайных (см.) находить вероятности случайных событий, связанных к. л. образом с первыми. Современная Т.в. основана на аксиоматике (см. Метод аксиоматический) А. Н. Колмогорова. На… … Российская социологическая энциклопедия
Теория вероятностей
- раздел математики, в котором по данным вероятностям одних случайных событий находят вероятности других событий, связанных некоторым образом с первыми. Теория вероятностей изучает также случайные величины и случайные процессы. Одна из основных… … Концепции современного естествознания. Словарь основных терминов
теория вероятностей
- tikimybių teorija statusas T sritis fizika atitikmenys: angl. probability theory vok. Wahrscheinlichkeitstheorie, f rus. теория вероятностей, f pranc. théorie des probabilités, f … Fizikos terminų žodynas
Теория Вероятностей
- … Википедия
Теория вероятностей
- математическая дисциплина, изучающая закономерности случайных явлений … Начала современного естествознания
ТЕОРИЯ ВЕРОЯТНОСТЕЙ
- (probability theory) см. Вероятность … Большой толковый социологический словарь
Теория вероятностей и её применения
- («Теория вероятностей и её применения»,) научный журнал Отделения математики АН СССР. Публикует оригинальные статьи и краткие сообщения по теории вероятностей, общим вопросам математической статистики и их применениям в естествознании и… … Большая советская энциклопедия
Либерт Елена Азарт и жажда разбогатеть дали толчок возникновению новой чрезвычайно существенной математической дисциплины: теории вероятностей. В разработке ее основ принимали участие математики такого масштаба, как Паскаль и Ферма, Гюйгенс. МБОУ СШ №8 г. Ярцево Смоленской области
Проект по математике:
«История возникновения теории вероятностей»
Подготовила: ученица 11 класса
средней школы №8 Либерт Елена
Руководитель: учитель математики
Борисенкова Ольга Владимировна
Г. Ярцево, 2015г.
История возникновения теории вероятностей…………………………………………………………..…...3
Средневековая Европа и начало Нового времени……………………….4
XVII век: Паскаль, Ферма, Гюйгенс…..………………………………….5
XVIII век……..…………………………………………………………….7
XIX век. Общие тенденции и критика……………………….…………..7
Применение теории вероятности в XIX-XX веках……………….…..…8
История возникновения теории вероятностей
Французский дворянин, некий господин де Мере, был азартным игроком в кости и страстно хотел разбогатеть. Он затратил много времени, чтобы открыть тайну игры в кости. Он выдумывал различные варианты игры, предполагая, что таким образом приобретет крупное состояние. Так, например, он предлагал бросать одну кость по очереди 4 раза и убеждал партнера, что по крайней мере один раз выпадет при этом шестерка. Если за 4 броска шестерка не выходила, то выигрывал противник.
В те времена еще не существовала отрасль математики, которую сегодня мы называем теорией вероятностей, а поэтому, чтобы убедиться, верны ли его предположения, господин Мере обратился к своему знакомому, известному математику и философу Б. Паскалю с просьбой, чтобы он изучил два знаменитых вопроса, первый из которых он попытался решить сам. Вопросы были такие:
Сколько раз надо бросать две игральные кости, чтобы случаев выпадения сразу двух шестерок было больше половины от общего числа бросаний?
Как справедливо разделить поставленные на кон двумя игроками деньги, если они по каким-то причинам прекратили игру преждевременно?
Паскаль не только сам заинтересовался этим, но и написал письмо известному математику П. Ферма, чем спровоцировал его заняться общими законами игры в кости и вероятностью выигрыша.
Таким образом, азарт и жажда разбогатеть дали толчок возникновению новой чрезвычайно существенной математической дисциплины: теории вероятностей. В разработке ее основ принимали участие математики такого масштаба, как Паскаль и Ферма, Гюйгенс (1629-1695), который написал тракта «О расчетах при азартных играх», Яков Бернулли (1654-1705), Муавр (1667-1754), Лаплас (1749- 1827), Гаусс (1777-1855) и Пуассон (1781-1840). В наше время теория вероятности используется почти во всех отраслях знаний: в статистике, синоптике (прогноз погоды), биологии, экономике, технологии, строительстве и т. д.
Средневековая Европа и начало Нового времени
Первые задачи вероятностного характера возникли в различных азартных играх - костях, картах и др. Французский каноник XIII века Ришар де Фурниваль правильно подсчитал все возможные суммы очков после броска трёх костей и указал число способов, которыми может получиться каждая из этих сумм. Это число способов можно рассматривать как первую числовую меру ожидаемости события, аналогичную вероятности. До Фурниваля, а иногда и после него, эту меру часто подсчитывали неверно, считая, например, что суммы 3 и 4 очка равновероятны, так как оба могут получиться «только одним способом»: по результатам броска «три единицы» и «двойка с двумя единицами» соответственно. При этом не учитывалось, что три единицы в самом деле получаются только одним способом: ~1+1+1, а двойка с двумя единицами - тремя: ~1+1+2;\;1+2+1;\;2+1+1, так что эти события не равновероятны. Аналогичные ошибки неоднократно встречались и в дальнейшей истории науки.
В обширной математической энциклопедии «Сумма арифметики, геометрии, отношений и пропорций» итальянца Луки Пачоли (1494) содержатся оригинальные задачи на тему: как разделить ставку между двумя игроками, если серия игр прервана досрочно. Пример подобной задачи: игра идёт до 60 очков, победитель получает всю ставку в 22 дуката, в ходе игры первый игрок набрал 50 очков, второй - 30, и тут игру пришлось прекратить; требуется справедливо разделить исходную ставку. Решение зависит от того, что понимать под «справедливым» разделом; сам Пачоли предложил делить пропорционально набранным очкам (55/4 и 33/4 дуката); позднее его решение было признано ошибочным.
Распределение суммы очков после бросания двух костей
Крупный алгебраист XVI века ДжероламоКардано посвятил анализу игры содержательную монографию «Книга об игре в кости» (1526 год, опубликована посмертно). Кардано провёл полный и безошибочный комбинаторный анализ для значений суммы очков и указал для разных событий ожидаемое значение доли «благоприятных» событий: например, при бросании трёх костей доля случаев, когда значения всех 3 костей совпадают, равна 6/216 или 1/36. Кардано сделал проницательное замечание: реальное количество исследуемых событий может при небольшом числе игр сильно отличаться от теоретического, но чем больше игр в серии, тем доля этого различия меньше. По существу, Кардано близко подошёл к понятию вероятности:
Итак, имеется одно общее правило для расчёта: необходимо учесть общее число возможных выпадений и число способов, которыми могут появиться данные выпадения, а затем найти отношение последнего числа к числу оставшихся возможных выпадений.
Другой итальянский алгебраист, Никколо Тарталья, раскритиковал подход Пачоли к решению задачи о разделе ставки: ведь если один из игроков ещё не успел набрать ни одного очка, то алгоритм Пачоли отдаёт всю ставку его сопернику, но это трудно назвать справедливым, поскольку некоторые шансы на выигрыш у отстающего всё же имеются. Кардано и Тарталья предложили свои (различные) способы раздела, но впоследствии и эти способы были признаны неудачными.
Исследованием данной темы занимался и Галилео Галилей, написавший трактат «О выходе очков при игре в кости» (1718 год, опубликован посмертно). Изложение теории игры у Галилея отличается исчерпывающей полнотой и ясностью. В своей главной книге «Диалог о двух главнейших системах мира, птоломеевой и коперниковой» Галилей также указал на возможность оценки погрешности астрономических и иных измерений, причём заявил, что малые ошибки измерения вероятнее, чем большие, отклонения в обе стороны равновероятны, а средний результат должен быть близок к истинному значению измеряемой величины. Эти качественные рассуждения стали первым в истории предсказанием нормального распределения ошибок.
XVII век: Паскаль, Ферма, Гюйгенс
В XVII веке начало формироваться отчётливое представление о проблематике теории вероятностей и появились первые математические (комбинаторные) методы решения вероятностных задач. Основателями математической теории вероятностей стали Блез Паскаль и Пьер Ферма.
Перед этим математик-любитель шевалье де Мере обратился к Паскалю по поводу так называемой «задачи об очках»: сколько раз нужно бросать две кости, чтобы ставить на одновременное выпадение хотя бы раз двух шестёрок было выгодно? Паскаль и Ферма вступили в переписку друг с другом по поводу данной задачи и родственных вопросов (1654). В рамках этой переписки учёные обсудили ряд проблем, связанных с вероятностными расчётами; в частности, рассматривалась старая задача о разделе ставки, и оба учёных пришли к решению, что надо разделить ставку соответственно остающимся шансам на выигрыш. Паскаль указал де Мере на ошибку, допущенную им при решении «задачи об очках»: в то время как де Мере неверно определил равновероятные события, получив ответ: 24 броска, Паскаль дал правильный ответ: 25 бросков.
Паскаль в своих трудах далеко продвинул применение комбинаторных методов, которые систематизировал в своей книге «Трактат об арифметическом треугольнике» (1665). Опираясь на вероятностный подход, Паскаль даже доказывал (в посмертно опубликованных заметках), что быть верующим выгоднее, чем атеистом.
Гюйгенс, вначале использовал термин «стоимость», а термин «ожидание» появился впервые при переводе трактата Гюйгенса Ван Схоутеном на латинский язык и стал общепринятым в науке.
В книге большое число задач, некоторые с решениями, другие «для самостоятельного решения». Из последних особый интерес и оживлённое обсуждение вызвала «задача о разорении игрока». В несколько обобщённом виде она формулируется так: у игроков A и B есть a и b монет соответственно, в каждой игре выигрывается одна монета, вероятность выигрыша A в каждой игре равна p, требуется найти вероятность полного его разорения. Полное общее решение «задачи о разорении» дал Абрахам де Муавр полвека спустя (1711). В наши дни вероятностная схема «задачи о разорении» используется при решении многих задач типа «случайное блуждание».
Гюйгенс проанализировал и задачу о разделе ставки, дав её окончательное решение: ставку надо разделить пропорционально вероятностям выигрыша при продолжении игры. Он также впервые применил вероятностные методы к демографической статистике и показал, как рассчитать среднюю продолжительность жизни.
К этому же периоду относятся публикации английских статистиков Джона Граунта (1662) и Уильяма Петти (1676, 1683). Обработав данные более чем за столетие, они показали, что многие демографические характеристики лондонского населения, несмотря на случайные колебания, имеют достаточно устойчивый характер - например, соотношение числа новорождённых мальчиков и девочек редко отклоняется от пропорции 14 к 13, невелики колебания и процента смертности от конкретных случайных причин. Эти данные подготовили научную общественность к восприятию новых идей.
Граунт также впервые составил таблицы смертности - таблицы вероятности смерти как функции возраста. Вопросами теории вероятностей и её применения к демографической статистике занялись также Иоганн Худде и Ян де Витт в Нидерландах, которые в 1671 году также составили таблицы смертности и использовали их для вычисления размеров пожизненной ренты. Более подробно данный круг вопросов был изложен в 1693 году Эдмундом Галлеем.
XVIII век
На книгу Гюйгенса опирались появившиеся в начале XVIII века трактаты Пьера де Монмора «Опыт исследования азартных игр» (опубликован в 1708 и переиздан с дополнениями в 1713 году) и Якоба Бернулли «Искусство предположений» (опубликован уже после смерти учёного, в том же 1713 году). Последний имел для теории вероятностей особенно большое значение.
XIX век
Общие тенденции и критика
В XIX веке число работ по теории вероятностей продолжало расти, были даже компрометирующие науку попытки распространить её методы далеко за разумные пределы - например, на область морали, психологии, правоприменения и даже богословия. В частности, валлийский философ Ричард Прайс, а следом за ним и Лаплас, считали возможным рассчитать по формулам Байеса вероятность предстоящего восхода Солнца, Пуассон пытался провести вероятностный анализ справедливости судебных приговоров и достоверности показаний свидетелей. Философ Дж. С. Милль в 1843 году, указав на подобные спекулятивные применения, назвал исчисление вероятностей «позором математики». Эта и другие оценки свидетельствовали о недостаточной строгости обоснования теории вероятностей.
Математический аппарат теории вероятностей тем временем продолжал совершенствоваться. Основной сферой её применения в тот период была математическая обработка результатов наблюдений, содержащих случайные погрешности, а также расчёты рисков в страховом деле и других статистических параметров. Среди главных прикладных задач теории вероятностей и математической статистики XIX века можно назвать следующие:
найти вероятность того, что сумма независимых случайных величин с одинаковым (известным) законом распределения находится в заданных пределах. Особую важность эта проблема представляла для теории ошибок измерения, в первую очередь для оценки погрешности наблюдений;
установление статистической значимости различия случайных значений или серий таких значений. Пример: сравнение результатов применения нового и старого видов лекарств для принятия решения о том, действительно ли новое лекарство лучше;
исследование влияния заданного фактора на случайную величину (факторный анализ).
Уже к середине XIX века формируется вероятностная теория артиллерийской стрельбы. В большинстве крупных стран Европы были созданы национальные статистические организации. В конце века область применения вероятностных методов начала успешно распространяться на физику, биологию, экономику, социологию.
Применение теории вероятности в XIX-XX веках.
В 19 и 20 столетиях теория вероятностей проникает сначала в науку (астрономию, физику, биологию), потом в практику (сельское хозяйство, промышленность, медицину), и наконец, после изобретения компьютеров, в повседневную жизнь любого человека, пользующегося современными средствами получения и передачи информации. Проследим применение в различных областях.
1.Астрономия.
Именно для использования в астрономии был разработан знаменитый “метод наименьших квадратов” (Лежандр 1805, Гаусс 1815). Главной задачей, для решения которой он был первоначально использован, стал расчет орбит комет, который приходилось производить по малому числу наблюдений. Ясно, что надежное определение типа орбиты (эллипс или гипербола) и точный расчет ее параметров оказывается трудным, так как орбита наблюдается лишь на небольшом участке. Метод оказался эффективным, универсальным, и вызвал бурные споры о приоритете. Его стали использовать в геодезии и картографии. Сейчас, когда искусство ручных расчетов утрачено, трудно представить, что при составлении карт мирового океана в 1880-х годах в Англии методом наименьших квадратов была численно решена система, состоящая из примерно 6000 уравнений с несколькими сотнями неизвестных.
2.Физика.
Во второй половине 19 века была в работах Максвелла, Больцмана и Гиббса была развита статистическая механика, которая описывала состояние разряженных систем, содержащих огромное число частиц (порядка числа Авогадро). Если раньше понятие распределения случайной величины было преимущественно связано с распределением ошибок измерения, то теперь распределенными оказались самые разные величины – скорости, энергии, длины свободного пробега.
3.Биометрия.
В 1870-1900 годах бельгиец Кетле и англичане Френсис Гальтон и Карл Пирсон основали новое научное направление – биометрию, в которой впервые стала систематически и количественно изучаться неопределенная изменчивость живых организмов и наследование количественных признаков. В научный оборот были введены новые понятия – регрессии и корреляции.
Итак, вплоть до начала 20 века основные приложения теории вероятности были связаны с научными исследованиями. Внедрение в практику – сельское хозяйство, промышленность, медицину произошло в 20 веке.
4.Сельское хозяйство.
В начале 20 века в Англии была поставлена задача количественного сравнения эффективности различных методов ведения сельского хозяйства. Для решения этой задачи была развита теория планирования экспериментов, дисперсионный анализ. Основная заслуга в развитии этого уже чисто практического использования статистики принадлежит сэру Рональду Фишеру, астроному по образованию, а в дальнейшем фермеру, статистику, генетику, президенту английского Королевского общества. Современная математическая статистика, пригодная для широкого применения в практике, была развита в Англии (Карл Пирсон, Стьюдент, Фишер). Стьюдент впервые решил задачу оценки неизвестного параметра распределения без использования байесовского подхода.
5.Промышленность.
Введение методов статистического контроля на производстве (контрольные карты Шухарта). Сокращение необходимого количества испытаний качества продукции. Математические методы оказываются уже настолько важными, что их стали засекречивать. Так книга с описанием новой методики, позволявшей сократить количество испытаний (“Последовательный анализ” Вальда), была издана только после окончания второй мировой войны в 1947 году.
6.Медицина.
Широкое применение статистических методов в медицине началось сравнительно недавно (вторая половина 20 века). Развитие эффективных методов лечения (антибиотики, инсулин, эффективная анестезия, искусственное кровообращение) потребовало достоверных методов оценки их эффективности. Возникло новое понятие “Доказательная медицина”. Начал развиваться более формальный, количественный подход к терапии многих заболевании – введение протоколов, guidelines.
С середины 1980-х годов возник новый и важнейший фактор, революционизировавший все приложения теории вероятностей – возможность широкого использования быстрых и доступных компьютеров. Почувствовать всю громадность произошедшего переворота можно, если учесть, что один современный персональный компьютер превосходит по быстродействию и памяти все компьютеры СССР и США, имевшиеся к 1968 году, времени, когда уже были осуществлены проекты, связанные со строительством атомных электростанций, полетами на Луну, созданием термоядерной бомбы. Сейчас методом прямого экспериментирования можно получать результаты, которые ранее были недоступны – thinkingofunthinkable.
7.Биоинформатика.
Начиная с 1980-х годов количество известных последовательностей белков и нуклеиновых кислот стремительно возрастает. Объем накопленной информации таков, что только компьютерный анализ этих данных может решать задачи по извлечению информации.
8.Экономика и банковское дело.
Широкое применение имеет теория риска. Теория риска есть теория принятия решений в условиях вероятностной неопределенности. С математической точки зрения она является разделом теории вероятностей, а приложения теории риска практически безграничны. Наиболее продвинута финансовая область приложений: банковское дело и страхование, управление рыночными и кредитными рисками, инвестициями, бизнес-рисками, телекоммуникациям. Развиваются и нефинансовые приложения, связанные с угрозами здоровью, окружающей среде, рисками аварий и экологических катастроф, и другими направлениями.
Книги
Скачать:
Предварительный просмотр: