Спасибо, что читаете и делитесь с другими

При большом числе испытаний $n$ и малой вероятности $р$ формулой Бернулли пользоваться неудобно, например, $0.97^{999}$ вычислить трудно.

В этом случае для вычисления вероятности того, что в $n$ испытаниях ($n$ – велико) событие произойдет $k$ раз, используют формулу Пуассона :

$$ P_n(k)=\frac{\lambda^k}{k!}\cdot e^{-\lambda}, \qquad \lambda=n \cdot p. $$

Здесь $\lambda=n \cdot p$ обозначает среднее число появлений события в $n$ испытаниях.

Эта формула дает удовлетворительное приближение для $p \le 0,1$ и $np \le 10$. При больших $np$ рекомендуется применять формулы Лапласа (Муавра-Лапласа). Cобытия, для которых применима формула Пуассона, называют редкими , так как вероятность их осуществления очень мала (обычно порядка 0,001-0,0001).

На сайте есть бесплатный онлайн-калькулятор для формулы Пуассона

Примеры решений

Пример. Устройство состоит из 1000 элементов, работающих независимо один от другого. Вероятность отказа любого элемента в течении времени Т равна 0,002. Найти вероятность того, что за время Т откажут ровно три элемента.

Решение. По условию дано: .

Искомая вероятность

Пример. Завод отправил на базу 500 изделий. Вероятность повреждения изделия в пути 0,004. Найти вероятность того, что в пути повреждено меньше трех изделий.

Решение. По условию дано: .

По теореме сложения вероятностей

Пример. Магазин получил 1000 бутылок минеральной воды. Вероятность того, что при перевозке бутылка окажется разбитой, равна 0,003. Найти вероятность того, что магазин получит более двух разбитых бутылок.

Решение. По условию дано: .

Получаем:

Подробную статью о формуле с примерами, онлайн калькулятор и расчетный файл к видеоролику вы найдете тут.

Если вероятность появления события в отдельном испытании достаточно близка к нулю , то даже при больших значениях количества испытаний вероятность, вычисляемая по локальной теореме Лапласа, оказывается недостаточно точной. В таких случаях используют формулу, выведенную Пуассоном.

ТЕОРЕМА ПУАССОНА

Если вероятность наступления события в каждом испытании постоянна, но достаточно мала, число независимых испытаний достаточно велико, при этом сочетания меньше десяти то вероятность того, что в количестве испытаниях событие наступит ровно раз примерно равна

Для формулы Пуассона используют таблицы табулирования функции .

——————————-

Рассмотрим примеры типичных для студентов задач.

Пример 1. Автобиография писателя издается тиражом в 1000 экземпляров. Для каждой книги вероятность быть неправильно сброшюрованной равна 0,002. Найти вероятность того, что тираж содержать ровно 7 бракованных книг.

Решение. Проверим выполнение условия теоремы Пуассона. Для входных значений

что условия выполняются.
По табличным значениям функции Пуассона находим вероятность

Применения к этому событию локальную теорему Лапласа получим

Точное значение вероятности определяем по формуле Бернулли

Из анализа трех методов следует, что формула Пуассона дает более точнее приближения, чем формула Лапласа. Именно поэтому ее рекомендуют применять для отыскания вероятности в такого сорта задачах.

——————————-

Пример 2. Вероятность изготовления нестандартной детали равна 0,004. Найти вероятность того, что среди 1000 деталей окажется 5 нестандартных.

Формула Пуассона

Имеем даные , которые удовлетворяют требования теоремы Пуассона По таблице функции Пуассона при получим:

Найдем вероятность того же события по локальной теореме Лапласа.

Как сразу стали поступать запросы: «Где Пуассон? Где задачи на формулу Пуассона?» и т.п . И поэтому я начну с частного применения распределения Пуассона – ввиду большой востребованности материала.

Задача до боли эйфории знакома:

И следующие две задачи принципиально отличаются от предыдущих:

Пример 4

Случайная величина подчинена закону Пуассона с математическим ожиданием . Найти вероятность того, что данная случайная величина примет значение, меньшее, чем ее математическое ожидание.

Отличие состоит в том, что здесь речь идёт ИМЕННО о распределении Пуассона.

Решение : случайная величина принимает значения с вероятностями:

По условию, , и тут всё просто: событие состоит в трёх несовместных исходах :

Вероятность того, что случайная величина примет значение, меньшее, чем ее математическое ожидание.

Ответ :

Аналогичная задача на понимание:

Пример 5

Случайная величина подчинена закону Пуассона с математическим ожиданием . Найти вероятность того, что данная случайная величина примет положительное значение.

Решение и ответ в конце урока.

Помимо приближения биномиального распределения (Примеры 1-3), распределение Пуассона нашло широкое применение в теории массового обслуживания для вероятностной характеристики простейшего потока событий. Постараюсь быть лаконичным:

Пусть в некоторую систему поступают заявки (телефонные звонки, приходящие клиенты и т.д.). Поток заявок называют простейшим , если он удовлетворяет условиям стационарности , отсутствия последствий и ординарности . Стационарность подразумевает то, что интенсивность заявок постоянна и не зависит от времени суток, дня недели или других временнЫх рамок. Иными словами, не бывает «часа пик» и не бывает «мёртвых часов». Отсутствие последствий означает, что вероятность появления новых заявок не зависит от «предыстории», т.е. нет такого, что «одна бабка рассказала» и другие «набежали» (или наоборот, разбежались). И, наконец, свойство ординарности характеризуется тем, что за достаточно малый промежуток времени практически невозможно появление двух или бОльшего количества заявок. «Две старушки в двери?» – нет уж, увольте.

Итак, пусть в некоторую систему поступает простейший поток заявок со средней интенсивностью заявок в минуту (в час, в день или в произвольный промежуток времени). Тогда вероятность того, что за данный промежуток времени , в систему поступит ровно заявок, равна:

Пример 6

Звонки в диспетчерскую такси представляет собой простейший пуассоновский поток со средней интенсивностью 30 вызовов в час. Найти вероятность того, что: а) за 1 мин. поступит 2-3 вызова, б) в течение пяти минут будет хотя бы один звонок.

Решение : используем формулу Пуассона:

а) Учитывая стационарность потока, вычислим среднее количество вызовов за 1 минуту:
вызова – в среднем за одну минуту.

По теореме сложения вероятностей несовместных событий:
– вероятность того, что за 1 минуту в диспетчерскую поступит 2-3 вызова.

б) Вычислим среднее количество вызов за пять минут:

Во многих задачах практики приходится иметь дело со случайными величинами, распределенными по своеобразному закону, который называется законом Пуассона.

Рассмотрим прерывную случайную величину , которая может принимать только целые, неотрицательные значения:

причем последовательность этих значений теоретически не ограничена.

Говорят, что случайная величина распределена по закону Пуассона, если вероятность того, что она примет определенное значение , выражается формулой

где а – некоторая положительная величина, называемая параметром закона Пуассона.

Ряд распределения случайной величины , распределенной по закону Пуассона, имеет вид:

Убедимся, прежде всего, что последовательность вероятностей, задаваемая формулой (5.9.1), может представлять собой ряд распределения, т.е. что сумма всех вероятностей равна единице. Имеем:

.

На рис. 5.9.1 показаны многоугольники распределения случайной величины , распределенной по закону Пуассона, соответствующие различным значениям параметра . В таблице 8 приложения приведены значения для различных .

Определим основные характеристики – математическое ожидание и дисперсию – случайной величины , распределенной по закону Пуассона. По определению математического ожидания

.

Первый член суммы (соответствующий ) равен нулю, следовательно, суммирование можно начать с :

Обозначим ; тогда

. (5.9.2)

Таким образом, параметр представляет собой не что иное, как математическое ожидание случайной величины .

Для определения дисперсии найдем сначала второй начальный момент величины :

По ранее доказанному

кроме того,

Таким образом, дисперсия случайной величины, распределенной по закону Пуассона, равна её математическому ожиданию .

Это свойство распределения Пуассона часто применяется на практике для решения вопроса, правдоподобна ли гипотеза о том, что случайная величина распределена по закону Пуассона. Для этого определяют из опыта статистические характеристики – математическое ожидание и дисперсию – случайной величины. Если их значения близки, то это может служить доводом в пользу гипотезы о пуассоновском распределении; резкое различие этих характеристик, напротив, свидетельствует против гипотезы.

Определим для случайной величины , распределенной по закону Пуассона, вероятность того, что она примет значение не меньше заданного . Обозначим эту вероятность :

Очевидно, вероятность может быть вычислена как сумма

Однако значительно проще определить её из вероятности противоположного события:

(5.9.4)

В частности, вероятность того, что величина примет положительное значение, выражается формулой

(5.9.5)

Мы уже упоминали о том, что многие задачи практики приводят к распределению Пуассона. Рассмотрим одну из типичных задач такого рода.

Пусть на оси абсцисс Ох случайным образом распределяются точки (рис. 5.9.2). Допустим, что случайное распределение точек удовлетворяет следующим условиям:

1. Вероятность попадания того или иного числа точек на отрезок зависит только от длины этого отрезка, но не зависит от его положения на оси абсцисс. Иными словами, точки распределяются на оси абсцисс с одинаковой средней плотностью. Обозначим эту плотность (т.е. математическое ожидание числа точек, приходящихся на единицу длины) через .

2. Точки распределяются на оси абсцисс независимо друг от друга, т.е. вероятность попадания того или другого числа точек на заданный отрезок не зависит от того, сколько их попало на любой другой отрезок, не перекрывающийся с ним.

3. Вероятность попадания на малый участок двух или более точек пренебрежимо мала по сравнению с вероятностью попадания одной точки (это условие означает практическую невозможность совпадения двух или более точек).

Выделим на оси абсцисс определенный отрезок длины и рассмотрим дискретную случайную величину – число точек, попадающих на этот отрезок. Возможные значения величины будут

Так как точки попадают на отрезок независимо друг от друга, то теоретически не исключено, что их там окажется сколь угодно много, т.е. ряд (5.9.6) продолжается неограниченно.

Докажем, что случайная величина имеет закон распределения Пуассона. Для этого вычислим вероятность того, что на отрезок попадет ровно точек.

Сначала решим более простую задачу. Рассмотрим на оси Ох малый участок и вычислим вероятность того, что на этот участок попадет хотя бы одна точка. Будем рассуждать следующим образом. Математическое ожидание числа точек, попадающих на этот участок, очевидно, равно (т.к. на единицу длины попадает в среднем точек). Согласно условию 3 для малого отрезка можно пренебречь возможностью попадания на него двух или больше точек. Поэтому математическое ожидание числа точек, попадающих на участок , будет приближенно равно вероятности попадания на него одной точки (или, что в наших условиях равнозначно, хотя бы одной).

Таким образом, с точностью до бесконечно малых высшего порядка, при можно считать вероятность того, что на участок попадет одна (хотя бы одна) точка, равной , а вероятность того, что не попадет ни одной, равной .

Воспользуемся этим для вычисления вероятности попадания на отрезок ровно точек. Разделим отрезок на равных частей длиной . Условимся называть элементарный отрезок «пустым», если в него не попало ни одной точки, и «занятым», если в него попала хотя бы одна. Согласно вышедоказанному вероятность того, что отрезок окажется «занятым», приближенно равна ; вероятность того, что он окажется «пустым», равна . Так как, согласно условию 2, попадания точек в неперекрывающиеся отрезки независимы, то наши n отрезков можно рассмотреть как независимых «опытов», в каждом из которых отрезок может быть «занят» с вероятностью . Найдем вероятность того, что среди отрезков будет ровно «занятых». По теореме о повторении опытов эта вероятность равна

или, обозначая ,

(5.9.7)

При достаточно большом эта вероятность приближенно равна вероятности попадания на отрезок ровно точек, так как попадание двух или больше точек на отрезок имеет пренебрежимо малую вероятность. Для того чтобы найти точное значение , нужно в выражении (5.9.7) перейти к пределу при :

(5.9.8)

Преобразуем выражение, стоящее под знаком предела:

(5.9.9)

Первая дробь и знаменатель последней дроби в выражении (5.9.9) при , очевидно, стремятся к единице. Выражение от не зависит. Числитель последней дроби можно преобразовать так:

(5.9.10)

При и выражение (5.9.10) стремится к . Таким образом, доказано, что вероятность попадания ровно точек в отрезок выражается формулой

где , т.е. величина Х распределена по закону Пуассона с параметром .

Отметим, что величина по смыслу представляет собой среднее число точек, приходящееся на отрезок .

Величина (вероятность того, что величина Х примет положительное значение) в данном случае выражает вероятность того, что на отрезок попадет хотя бы одна точка:

Таким образом, мы убедились, что распределение Пуассона возникает там, где какие-то точки (или другие элементы) занимают случайное положение независимо друг от друга, и подсчитывается количество этих точек, попавших в какую-то область. В нашем случае такой «областью» был отрезок на оси абсцисс. Однако наш вывод легко распространить и на случай распределения точек на плоскости (случайное плоское поле точек) и в пространстве (случайное пространственное поле точек). Нетрудно доказать, что если соблюдены условия:

1) точки распределены в поле статистически равномерно со средней плотностью ;

2) точки попадают в неперекрывающиеся области независимым образом;

3) точки появляются поодиночке, а не парами, тройками и т.д., то число точек , попадающих в любую область (плоскую или пространственную), распределяются по закону Пуассона:

где – среднее число точек, попадающих в область .

Для плоского случая

где – площадь области ; для пространственного

где - объем области .

Заметим, что для пуассоновского распределения числа точек, попадающих в отрезок или область, условие постоянной плотности () несущественно. Если выполнены два других условия, то закон Пуассона все равно имеет место, только параметр а в нем приобретает другое выражение: он получается не простым умножение плотности на длину, площадь или объем области, а интегрированием переменной плотности по отрезку, площади или объему. (Подробнее об этом см. n° 19.4)

Наличие случайных точек, разбросанных на линии, на плоскости или объеме – неединственное условие, при котором возникает распределение Пуассона. Можно, например, доказать, что закон Пуассона является предельным для биномиального распределения:

, (5.9.12)

если одновременно устремлять число опытов к бесконечности, а вероятность – к нулю, причем их произведение сохраняет постоянное значение:

Действительно, это предельное свойство биномиального распределения можно записать в виде:

. (5.9.14)

Но из условия (5.9.13) следует, что

Подставляя (5.9.15) в (5.9.14), получим равенство

, (5.9.16)

которое только что было доказано нами по другому поводу.

Это предельное свойство биномиального закона часто находит применение на практике. Допустим, что производится большое количество независимых опытов , в каждом из которых событие имеет очень малую вероятность . Тогда для вычисления вероятности того, что событие появится ровно раз, можно воспользоваться приближенной формулой:

, (5.9.17)

где - параметр того закона Пуассона, которым приближенно заменяется биномиальное распределение.

От этого свойства закона Пуассона – выражать биномиальное распределение при большом числе опытов и малой вероятности события – происходит его название, часто применяемое в учебниках статистики: закон редких явлений.

Рассмотрим несколько примеров, связанных с пуассоновским распределением, из различных областей практики.

Пример 1. На автоматическую телефонную станцию поступают вызовы со средней плотностью вызовов в час. Считая, что число вызовов на любом участке времени распределено по закону Пуассона, найти вероятность того, что за две минуты на станцию поступит ровно три вызова.

Решение. Среднее число вызовов за две минуты равно:

Кв.м. Для поражения цели достаточно попадания в нее хотя бы одного осколка. Найти вероятность поражения цели при данном положении точки разрыва.

Решение. . По формуле (5.9.4) находим вероятность попадания хотя бы одного осколка:

(Для вычисления значения показательной функции пользуемся таблицей 2 приложения).

Пример 7. Средняя плотность болезнетворных микробов в одном кубическом метре воздуха равна 100. Берется на пробу 2 куб. дм воздуха. Найти вероятность того, что в нем будет обнаружен хотя бы один микроб.

Решение. Принимая гипотезу о пуассоновском распределении числа микробов в объеме, находим:

Пример 8. По некоторой цели производится 50 независимых выстрелов. Вероятность попадания в цель при одном выстреле равна 0,04. Пользуясь предельным свойством биномиального распределения (формула (5.9.17)), найти приближенно вероятность того, что в цель попадет: ни одного снаряда, один снаряд, два снаряда.

Решение. Имеем . По таблице 8 приложения находим вероятности.

вероятностью p = 0.7 . Найти наиболее вероятное числоm 0 людей, которые придут на собрание, и соответствующую вероятностьP n (m 0 ) .

Решение. Поскольку P 50 (m 0 )= C 50 m 0 (0,7)m 0 (0,3)50 − m 0 , то задача состоит в отыскании неотрицательного целого числаm 0 ≤ 50 ,доставляющего максимум функцииP 50 (m 0 ) . Мы видели выше, что такое число дается формулой (6.4). В

P 50 (35)= C 50 35 (0.7)35 (0.3)15 ≈ 0.123.

6.4. Формула Пуассона

Формулы (6.1) и (6.3) дают точныезначениявероятностей, связанных со схемой независимых испытаний Бернулли. Однако вычисления по этим формулам, особенно при больших значениях n иm , весьма затруднительны. Представляет большой практический интерес получение достаточно простых приближенных формул для вычисления соответствующих вероятностей. Впервые подобную формулу вывел в 1837 году французский математик и физик Симон Пуассон (1781–1840). Ниже дается формулировка результата Пуассона.

Рассмотрим схему независимых испытаний Бернулли, в которой число испытаний n «относительно велико», вероятность «успеха»p «относительно мала», а произведение λ= np «не мало и не велико»41 . При этих условиях справедлива формула

Это – знаменитое пуассоновское приближение для биномиального распределения. Доказательство формулы (6.6) будет дано в дополнении к настоящему параграфу.

41 Точный смысл взятых в кавычки терминов будет объяснен ниже, в частности, в § 6д.

Функция, стоящая в правой части формулы (6.6), называется

распределением Пуассона:

При таком обозначении p (k , λ) будет приближенным выражением для вероятностиb (k ;n , λn ), когдаn «достаточно велико».

Прежде, чем обсуждать формулу (6.6), приведем весьма показательные примеры ее использования.

Значения биномиального распределения и значения распределения Пуассона при n = 100,p = 0.01, λ= 1 представлены в табл. 6.2. Как мы видим, точность приближенной формулы достаточно высока.

Чем больше n , тем выше точность формулы Пуассона. Это наглядно представляет следующий пример. Вычислим вероятностьp k того, что в обществеиз500человекровноk человекродилисьводинитотжеконкретный день года. Если эти 500 человек выбраны наугад, то можно применить схему Бернулли изn = 500 испытаний с вероятностью «успеха»p = 1365 . Вычисления по точной формуле (6.1) и приближенной формуле (6.6) при λ= 500365≈ 1,3699 представлены в табл. 6.3. Как мы видим, ошибка лишь в четвертом десятичном знаке, что вполне приемлемо для практики.

			Таблица 6.2
	b (k ; 100, 1.100)		p (k ; 1)

Таблица 6.3.

		b (k ; 500,1/ 365)	p (k , λ)
Рассмотрим следующий типичный пример на применение формулы
Пуассона.

Пусть известно, что вероятность «сбоя» в работе телефонной станции при каждом вызове равна 0,002. Поступило 1000 вызовов. Определить вероятность того, что при этом произойдет 7 «сбоев».

Решение. Естественно предположить, что в обычных условиях вызовы, поступающие на телефонную станцию – независимы друг от друга. Будем считать «успехом» в испытании – вызове – сбой телефонной станции. Вероятность сбоя (p = 0,002) можно считать «достаточно малой» величиной, а число вызовов (n = 1000) – «достаточно большим». Таким образом, мы находимся в условиях теоремы Пуассона. Для параметра λ получаем значение

Обсудим теперь пределы применимости формулы Пуассона. При

использовании любой приближенной формулы вопрос о пределах ее применимости возникает естественным образом. При этом мы встречаемся с двумя аспектами проблемы. Во-первых, закономерен вопрос о том, в каких реальных условиях применим закон Пуассона? Опыт показывает, что простое распределение Пуассона обладает сравнительно универсальной применимостью. Вообще, с точки зрения применений, математические теоремы бывают хорошими и плохими в следующем смысле: хорошие теоремы продолжают действовать, если даже нарушить их условия, а плохие сразу перестают быть верными при нарушении условий их вывода. Теорема Пуассона (6.6) является в этом смысле хорошей и даже превосходной. Именно, закон Пуассона продолжает действовать даже тогда, когда условия схемы Бернулли нарушаются (т.е. можно допускать переменную вероятность успеха и даже не слишком сильную зависимость результатов отдельных испытаний)42 . Можно даже утверждать, что распределение Пуассона обладает сравнительно универсальной применимостью. Это надо понимать в том смысле, что если экспериментальные данные показывают, что закон Пуассона неприменим, в то время как, сообразно со здравым смыслом, он должен был бы действовать, то естественнее подвергнуть сомнению статистическую устойчивость наших данных, чем искать какой-то другой закон распределения.Инымисловами,распределениеПуассонапредставляетсобой очень удачную математическую формулировку одного из универсальных (в рамках применимости теории вероятностей) законов природы.

Во-вторых, возникает вопрос о порядках величин тех параметров, которые входят в формулу Пуассона, и для которых выше мы использовали расплывчатые термины «относительно велико», «относительно мало», «не малоиневелико».Опятьже,разъясняющиеответыдаетпрактикаприменения формулы (6.6). Оказывается, что формула Пуассона достаточно точна для практического применения, если число испытанийn имеет порядок

42 Естественно, этими особенностями распределения Пуассона не следует злоупотреблять. Например, закон Пуассона заведомо нарушается в ситуациях сильной зависимости результатов отдельных испытаний.

нескольких десятков (лучше – сотен), а величина параметра λ = np лежит в пределах от 0 до 10.

Для иллюстрации применения формулы Пуассона, рассмотрим еще один пример .

Пусть известно, что на выпечку 1000 сладких булочек с изюмом полагается 10 000 изюмин. Требуется найти распределения числа изюмин в какой-то случайным образом выбранной булочке.

Решение. Последовательность независимых испытаний мы формируем следующим образом. Всего будет n = 10 000 испытаний (по числу изюмин), а именно: испытание с номеромk будет состоять в том, что мы определяем, попалалиизюминасномеромk внашуслучайновыбраннуюбулочку43 . Тогда, поскольку всего булочек 1000, вероятность того, что k -я изюмина попала именно в нашу булочку, естьp = 1/1000 (при условии достаточно хорошего перемешивания теста при приготовлении булочек). Применяем теперь распределение Пуассона с параметром λ= np = 10000 11000= 10. Получим:

P 10000 (k )≈ p (k ,10)= 10 k e − 10 .

В частности, вероятность того, что нам достанется булочка вовсе без изюма (k = 0) , равнаe − 10 ≈ 0,5 10− 4 . Наиболее вероятное число изюмин будет, согласно формуле (6.4), равно 10. Соответствующая вероятность

P 10000(10) ≈ 10 10 e − 10 ≈ 0,125 . 10!

Пример с булочками и изюминами, несмотря на его приземленную формулировку, носит весьма общий характер. Так, вместо изюмин в булочках можно говорить, например, о числе бактерий в капле воды, взятой из хорошо перемешанного ведра. Другой пример. Предположим, что атомы радиоактивного вещества распадаются независимо друг от друга, причем в течение данного интервала времени распад данного атома происходит с

43 Заметим, что на покупку булочки в магазине вполне можно смотреть как на случайный выбор.

Пусть в эксперименте проводятся повторные испытания по схеме Бернулли и число испытаний велико , вероятность появления наблюдаемого события в одном испытании мала , а параметр является постоянной величиной. Тогда для вероятности - вероятности того, что событие в испытаниях появится раз, справедливо соотношение

. (3.1)

При вычислении вероятности в таком случайном эксперименте можно использовать приближенную формулу

, (3.2)

которая называется формулой Пуассона, а число - параметром Пуассона.

Задача 3.1. Вероятность брака при изготовлении некоторого изделия равна 0,008. Найти вероятность того, что при контроле среди 500 изделий будет не более двух бракованных.

Решение: поскольку вероятность мала, а число испытаний велико, то можно применить формулу Пуассона с параметром . Искомая вероятность является вероятностью суммы трех событий: бракованных изделий оказалось два, одно или ни одного. Поэтому

Определение 3.1

Потоком событий называется последовательность событий, наступающих в случайные моменты времени.

Например , потоком событий будут вызовы, поступающие на АТС, сигналы при сеансе радиосвязи, сообщения, поступающие на сервер, и.т.д.

Определение 3.2

Поток событий называется пуассоновским (простейшим) если он обладает следующими свойствами:

1. Свойством стационарности , т.е. интенсивность потока - постоянная.

2. Свойством ординарности, т.е. появление двух или более событий за малый промежуток практически невозможно.

3. Свойством отсутствия последействия, т.е. вероятность появления событий за промежуток времени не зависит от того, сколько событий появилось на любом другом участке.

Если обозначить - вероятность появления событий пуассоновского потока c интенсивностью за время , то справедлива формула:

. (3.3)

Задача 3.2. Страховая компания обслуживает 10000 клиентов. Вероятность того, что в течение одного дня клиент обратится в компанию, равна 0,0003. Какова вероятность того, что в течение двух дней в нее обратятся 4 клиента?

Решение: Интенсивность потока клиентов в течение одного дня равна

Следовательно, .

Решение задач 3.1 и 3.2 в среде Mathcad показано на рис. 3.

Задача 3.3. Вероятность сбоя считывающего устройства турникета метрополитена в течение часа мала. Найти эту вероятность, если вероятность того, что за 8 часов будет хотя бы один сбой, равна 0,98, и если известно, что за час через турникет проходит в среднем 1000 человек?

Решение: По формулам (1.3) и (3.3) при вероятность того, что в течение 8 часов будет хотя бы один сбой, равна:

С помощью символьных команд, а затем определяется искомая вероятность .