Matematyka dyskretna 2002 04 Rachunek prawdopodobieństwa

background image

Matematyka Dyskretna

Andrzej Szepietowski

25 czerwca 2002 roku

background image
background image

Rozdział 1

Rachunek prawdopodobie ´nstwa

1.1

Zdarzenia

Podstawowym poj¸eciem rachunku prawdopodobie ´nstwa jest przestrze´n zdarze´n elemen-
tarnych
, któr¸a najcz¸e´sciej b¸edziemy oznacza´c przez

. W tej ksi¸a˙zce ograniczymy si¸e do

przypadków, gdy

jest zbiorem sko ´nczonym. Dzi¸eki temu b¸edziemy mogli ograniczy´c

si¸e to prostych rozwa˙za ´n.

Elementy przestrzeni

nazywamy zdarzeniami elementarnymi.

Przestrze´n zdarze´n cz¸esto zwi¸azana jest z jakim´s eksperymentem losowym (probabi-

listycznym).

Przykład 1.1

a) Przypu´s´cmy, ˙ze rzucamy monet¸a. Przestrze´n zdarze´n elementarnych

mo˙ze by´c wtedy okre´slona jako



, gdzie



oznacza wypadni¸ecie orła, a

reszki.

b) W przypadku rzutu dwoma (rozró˙znialnymi) monetami przestrze´n zdarze´n elemen-

tarnych mo˙ze by´c okre´slona jako

     

, gdzie



oznacza, ˙ze

wypadły dwa orły;



, ˙ze na pierwszej monecie wypadł orzeł, a na drugiej reszka;



, ˙ze na pierwszej reszka, a na drugiej orzeł; a



, ˙ze na obu monetach wypadły

reszki.

c) Przypu´s´cmy, ˙ze mamy urn¸e z sze´scioma ponumerowanymi kulami, i ˙ze kule o nu-

merach 1 i 2 s¸a białe, a kule o numerach 3,4,5 i 6 s¸a czarne. Przestrze´n zdarze´n
elementarnych mo˙ze by´c zdefiniowana jako

   !

.

d) Przy rzucie kostk¸a

 "#$% # !#

.

e) Przy rzucie dwiema (rozró˙znialnymi) kostkami

&('*)",+(-/.021)"3+41!5

. Zda-

rzenie

'*)",+(-

odpowiada wynikowi, gdzie na pierwszej kostce wypadło

)

oczek, a na

drugiej

+

.

f) Przy rzucie monet¸a i kostk¸a

 #"5"6$ 5 !$   5 5 6$ 5 !#

;

na przykład

!

opisuje wynik, gdzie na monecie wypadł orzeł, a na kostce 6 oczek.

3

background image

4

Rozdział 1. Rachunek prawdopodobie ´nstwa

g) W przypadku rzutu

(rozró˙znialnymi) monetami przestrze´n zdarze´n elementarnych

mo˙ze by´c okre´slona jako zbiór wszystkich

elementowych ci¸agów z warto´sciami



lub

.

h) Przypu´s´cmy, ˙ze mamy urn¸e z dwoma kulami białymi i trzema czarnymi, i ˙ze losu-

jemy dwie kule z tej urny. Oznaczmy te kule przez



,

 

,

 

,



i





. Przestrzeni¸a

zdarze´n elementarnych mo˙ze tu by´c albo zbiór dwuelementowych podzbiorów zbio-
ru kul, lub zbiór dwuelementowych ci¸agów bez powtórze´n. Zale˙zy to od tego, czy
b¸edziemy rozpatrywa´c zdarzenia, w których rozró˙zniamy wylosowane kule, czy nie
rozró˙zniamy.

Mo˙zna te˙z rozpatrywa´c przestrzenie zdarze ´n nie zwi¸azane z eksperymentem:

Przykład 1.2 Przestrzeni¸a zdarze´n elementarnych mo˙ze by´c:

a) Zbiór liter lub słów wyst¸epuj¸acych w jakim´s tek´scie, ksi¸a˙zce lub li´scie.

b) Zbiór mo˙zliwych haseł potrzebnych do uzyskania dost¸epu do danych lub systemu.

Je˙zeli zbiór mo˙zliwych haseł jest zbyt mały, to łatwo mo˙zna złama´c zabezpieczenia.

c) Zbiór mo˙zliwych wylicze´n algorytmu probabilistycznego (algorytmu, który korzysta

z funkcji losuj¸acej).

Dowolny podzbior



nazywamy zdarzeniem. Pami˛etajmy, ˙ze rozwa˙zamy tyl-

ko sko´nczone przestrzenie zdarze ´n elementranych. W przypadku, gdy

nie jest zbiorem

sko´nczonym, konieczna jest inna definicja zdarzenia. Cały zbiór

nazywamy zdarzeniem

pewnym, a zbiór pusty



zdarzeniem niemo˙zliwym. Zdarzenia rozł¸aczne,







, na-

zywamy wykluczaj¸acymi si¸e. Zdarzenie







nazywamy zdarzeniem przeciwnym

do zdarzenia



.

Przykład 1.3

a) W przykładzie 1.1b, z rzutem dwoma monetami,

"    

,

mamy



!4



zdarze´n. Zbiór





  

jest zdarzeniem polegaj¸acym na

tym, ˙ze na pierwszej monecie wypadł orzeł.

b) W przykładzie 1.1e, z rzutem dwoma kostkami, mamy



zdarze´n. Zbiór

' -



'

5-



'

5 -



'*$



-

jest zdarzeniem, ˙ze suma oczek na obu kostkach wynosi 5.

c) W przykładzie 1.1c, z kulami,







" 

oznacza zdarzenie, ˙ze wylosowano kul¸e

biał¸a.

d) Rzut czteroma monetami, przykład 1.1g z

 

, zdarzenie, ˙ze na pierwszej i trzeciej

monecie wypadły orły to

" "    

, a zdarzenie, ˙ze na

pierwszej i trzeciej monecie wypadło to samo to

"                 6 

.

background image

1.2. Prawdopodobie ´nstwo

5

1.2

Prawdopodobie ´nstwo

Definicja 1.4 Prawdopodobie´nstwo, lub rozkład prawdopodobie´nstwa, jest funkcj¸a okre´slon¸a
na zbiorze zdarze´n (w naszym przypadku na zbiorze wszystkich podzbiorów

). Ka˙zde-

mu zdarzeniu





przypisujemy liczb¸e rzeczywist¸a



'



-

, jego prawdopodobie´nstwo.

Funkcja ta musi spełnia´c warunki:

Aksjomaty prawdopodobie ´nstwa

A1)



'



-5

dla ka˙zdego





,

A2)



',

-



,

A3) Je˙zeli zdarzenia



i



s¸a rozł¸aczne, to



'





-





'



- 



'



-

.

Zbiór zdarze ´n elementarnych

wraz z okre´slonym na nim prawdopodobie ´nstwem b¸edziemy

nazywa´c przestrzeni¸a probabilistyczn¸a. W przypadku, gdy przestrze ´n zdarze´n elemen-
tarnych jest zbiorem sko ´nczonym, wystarczy okre´sli´c prawdopodobie ´nstwa dla zdarze ´n
elementarnych. Musz¸a by´c tylko spełnione dwa warunki:

A4)



'

-$

dla ka˙zdego



,

A5)





'

-



,

Prawdopodobie ´nstwo dowolnego zdarzenia jest wtedy równe



'



-







'

-

Łatwo mo˙zna sprawdzi´c, ˙ze tak zdefiniowane prawdopodobie ´nstwo spełnia aksjomaty
definicji 1.4.

W przypadku, gdy przestrze ´n zdarze´n elementarnych jest zbiorem wszystkich mo˙z-

liwych wyników jakiego´s eksperymentu, najcz¸e´sciej przyjmuje si¸e, ˙ze funkcja prawdo-
podobie´nstwa przypisuje, ka˙zdemu zdarzeniu elementarnemu tak¸a sam¸a warto´s´c. Mamy
wtedy do czynienia z klasyczn¸a definicj¸a prawdopodobie ´nstwa. W tej ksi¸a˙zce b¸edziemy
najcz¸e´sciej u˙zywa´c klasycznej definicji, a w razie odst¸epstwa od tej umowy, b¸edziemy to
specjalnie zaznacza´c.

Definicja 1.5 Rozkład prawdopodobie´nstwa, w którym ka˙zde zdarzenie elementarne



ma takie samo prawdopodobie´nstwo



'

-





.

.

nazywamy rozkładem jednostajnym.

Przykład 1.6

a) Dla rzutu dwoma monetami (przykład 1.1b mo˙zemy okre´sli´c praw-

dopodobie´nstwo według klasycznej definicji: mamy wtedy



',-



 #



'

 -



 5



'

-



#



'

 -





background image

6

Rozdział 1. Rachunek prawdopodobie ´nstwa

Ale oczywi´scie funkcja prawdopodobie´nstwa mo˙ze by´c dowoln¸a funkcj¸a spełniaj¸ac¸a
warunki A4 i A5. Na przykład



'

-



#



'

 -







$



'

-

5" #



'

 -

5 



lub



'

-





5



', -



$



'

-





5



'

 -



.

b) W przykładzie 1.2a, ze zbiorem wszystkich liter w tek´scie, prawdopodobie´nstwo

mo˙ze by´c zdefiniowane jako cz¸esto´sci wyst¸epowania poszczególnych liter w tym
tek´scie. Na podstawie cz¸esto´sci wyst¸epowania liter mo˙zna zgadywa´c w jakim j¸ezyku
napisany jest tekst. Podobnie mo˙zna rozpatrywa´c cz¸esto´s´c wyst¸epowania słów w
tek´scie i na tej podstawie zgadywa´c autorstwo tekstu.

W nast¸epuj¸acym twierdzeniu zebrano kilka prostych wniosków wynikaj¸acych z ak-

sjomatów prawdopodobie ´nstwa.

Twierdzenie 1.7

a)



'



-





b) Je˙zeli







, to



'



-

1



'



-

oraz



'





-





'



-



'



-

c)



'





-





'



-





'



-



'





-

d)



'







-

1



'



-





'



-



Dowód:

a)

Z aksjomatu A3 mamy



'



-





'







-





'



-





'



-

, a 0 jest jedyn¸a liczb¸a

spełniaj¸ac¸a równo´s´c











.

b)

Je˙zeli







, to





'





-





oraz

'





-







, a wi¸ec z aksjomatu A3



'



-





'





-





'



-





'



-



c)

Mamy













'



'







--

oraz





'



'







--







a wi¸ec z aksjomatu

A3



'







-/



'



-





'



'







--

, a poniewa˙z









, z wniosku 1.7b

mamy



'



'

 



--





'



-



'





-

d)

wynika bezpo´srednio z

c)

.



Przykład 1.8 (kontynuacja przykładu 1.3d) z czteroma monetami). Je˙zeli zało˙zymy roz-
kład jednostajny, to prawdopodobie´nstwo ˙ze na pierwszej i trzeciej monecie wypadł orzeł
wynosi



, a prawdopodobie´nstwo, ˙ze na pierwszej i trzeciej monecie wypadnie to samo

wynosi





.

Podobnie w przypadku, gdy rzucamy





monetami (przykład 1.1g). Przestrze´n

zdarz¸e elementarnych zawiera



ci¸agów, z czego

 

sprzyja zdarzeniu, ˙ze na pierw-

szej i trzeciej monecie wypadnie orzeł, a

 

sprzyja zdarzeniu, ˙ze na pierwszej i trzeciej

monecie jest to samo. Tak wi¸ec otrzymamy takie same prawdopodobie´nstwa jak w przy-
padku rzutu czteroma monetami.

background image

1.3. Prawdopodobie ´nstwo warunkowe i zdarzenia niezale˙zne

7

Twierdzenie 1.9 Niech



















b¸edzie rodzin¸a parami rozł¸acznych zdarze´n (











dla ka˙zdej pary indeksów

)

+

). Wtedy





















'



3-

Dowód przez indukcj¸e:

Dla



twierdzenie zachodzi w sposób trywialny.

Załó˙zmy, ˙ze twierdzenie jest prawdziwe dla dowolnej rodziny

zbiorów. Rozpatrzmy





































Poniewa˙z

























z aksjomatu A3 i z zało˙zenia indukcyjnego wynika















 6



















'







-













'



3-





'







-













'



,-



Twierdzenie 1.10 Dla dowolnej rodziny zbiorów



















(niekoniecznie parami rozł¸acznych)

mamy













1









'



-

Dowód przez indukcj¸e: Dla





twierdzenie zachodzi w sposób trywialny. Załó˙zmy,

˙ze twierdzenie jest prawdziwe dla dowolnej rodziny

zbiorów. Z twierdzenia 1.7c i z

zało˙zenia indukcyjnego mamy





































1



















'







-

1













'



-





1.3

Prawdopodobie ´nstwo warunkowe i zdarzenia nieza-
le˙zne

Definicja 1.11 Prawdopodobie´nstwo warunkowe zaj´scia zdarzenia



pod warunkiem, ˙ze

zaszło zdarzenie



oznaczane przez



'



.



-

okre´slamy jako



'



.



-





'







-



'



-



Ma to sens tylko wtedy gdy



'



-





.

background image

8

Rozdział 1. Rachunek prawdopodobie ´nstwa

Mo˙zemy powiedzie´c, ˙ze jest to prawdopodobie ´nstwo zaj´scia zdarzenia



w sytuacji, gdy

mamy pewno´s´c, ˙ze zaszło zdarzenie



. Przy klasycznej definicji, gdy prawdopodobie ´n-

stwo oznacza cz¸esto´s´c wyst¸apienia, to prawdopodobie ´nstwo



'



.



-

oznacza jaka cz¸e´s´c

elementów zbioru



nale˙zy do zbioru



.

Wniosek 1.12



'







-





'



.



-



'



-

.

Je˙zeli



'



.



-





'



-

, to mówimy, ˙ze zdarzenie



jest niezale˙zne od zdarzenia



. W takim przypadku zaj´scie zdarzenia



nie zale˙zy od tego, czy zaszło zdarzenie



.

Je˙zeli



i



s¸a zdarzeniami o niezerowych prawdopodobie ´nstwach i



jest niezale˙zne

od



, to



jest niezale˙zne od



. Rzeczywi´scie



'



.



-





'



-

poci¸aga



'







-





'



-



'



-

, a to poci¸aga



'



-





'







-



'



-





'



.



-



Dlatego mo˙zna mówi´c, ˙ze w takim przypadku zdarzenia



i



s¸a niezale˙zne.

Definicja 1.13 Mówimy, ˙ze zdarzenia



i



s¸a niezale˙zne, je˙zeli



'





-





'



-



'



-



Przykład 1.14 (Kontynuacja przykładu 1.1c, z sze´scioma kulami). Zdarzenie



 

wylosowania kuli białej i zdarzenie





 

! 

wylosowania kuli z parzystym nu-

merem s¸a niezale˙zne, poniewa˙z



'



-









oraz



'



.



-





. Po prostu cz¸esto´s´c

wyst¸epowania kuli białej w´sród kul o parzystych numerach (1 na 3) jest taka sama jak
cz¸esto´s´c wyst¸epowania kuli białej w´sród wszytkich kul (2 na 6).

Je˙zeli mamy wi¸ecej zdarze ´n



















, to mówimy, ˙ze s¸a one parami niezale˙zne,

je˙zeli ka˙zde dwa zdarzenia s¸a niezale˙zne, to znaczy gdy



'







-





'



,-



'





-

dla ka˙zdej pary

)



+

.

Definicja 1.15 Zdarzenia



















, s¸a niezale˙zne je˙zeli dla ka˙zdego podzbioru





 









mamy





 





 



'



-

Przykład 1.16 (Kontynuacja przykładu 1.1b, z rzutem dwoma monetami). Niech





b¸edzie

zdarzeniem, ˙ze na pierwszej monecie wypadł orzeł,



, ˙ze na drugiej monecie wypadł

orzeł, a





, ˙ze na obu monetach wypadło to samo. Mamy



'





-





'



-





'





-









'









-





'











-





'









-





'















-









Jak wida´c zdarzenia te s¸a parami niezale˙zne, poniewa˙z dla ka˙zdej pary indeksów

1

)



+1



mamy



'







-





'



-



'



-



. Ale zdarzenia te nie s¸a niezale˙zne,

poniewa˙z









'















-





'





-



'



-



'





-









background image

1.4. Prawdopodobie ´nstwo całkowite

9

Przykład 1.17 W przypadku rzutu

monetami, niech



oznacza, ˙ze na

)

-tej monecie

wypadł orzeł. Wtedy zdarzenia



















s¸a niezale˙zne. Łatwo sprawdzi´c, ˙ze

dla ka˙zdego

)

,



'



-



 

,

dla ka˙zdej pary

)



+

,



'









-





dla ka˙zdej trójki

)



+



,



'











-







, itd.

prawdopodobie´nstwo, ˙ze wypadn¸a same orły, wynosi





















1.4

Prawdopodobie ´nstwo całkowite

Twierdzenie 1.18 (wzór na prawdopodobie ´nstwo całkowite.) Niech





















,

b¸ed¸a zdarzeniami takimi, ˙ze:



'



3-





, dla ka˙zdego

61)

1

,











, dla

1)

+

1

(zdarzenia s¸a parami rozł¸aczne),







0

(zdarzenia daj¸a w sumie cał¸a przestrze´n).

Wtedy prawdopodobie´nsto dowolnego zdarzenia





wynosi



'



-













'



.



-



'



-

Dowód Mamy































'







-

Ponadto

'







3-



'









-





dla

)



+

wi¸ec na mocy twierdzenia 1.9 mamy



'



-











'







-

Z wniosku 1.12 mamy



'







-





'



.



-



'



-

; co daje tez¸e twierdzenia.



W przypadku dwóch zdarze ´n uzupełniaj¸acych si¸e



i



wzór z twierdzenia 1.18

wygl¸ada nast¸epuj¸aco:



'



-





'



.



-



'



- 



'



.



-



'



-



(1.1)

background image

10

Rozdział 1. Rachunek prawdopodobie ´nstwa

Przykład 1.19 Wyobra´zmy sobie urn¸e z trzema kulami: 1 biał¸a i 2 czarnymi. Przypu´s´cmy,
˙ze pierwsza osoba wylosowała jedn¸a kul¸e i schowała j¸a. Jakie jest prawdopodobie´nstwo,
˙ze druga osoba wylosuje kul¸e biał¸a? Niech





oznacza, ˙ze pierwsza osoba wylosowała

biał¸a kul¸e, wtedy





oznacza, ˙ze wylosowała czarn¸a kul¸e. Niech



oznacza, ˙ze druga

osoba wylosowała biał¸a kul¸e.

Mamy



'





-





,



'





-





,



'



.





-





oraz



'



.





-







. Razem

daje to



'



-

























A jakie jest prawdopodobie´nstwo, ˙ze po drugim losowaniu w urnie zostanie biała kula?
Zajdzie to wtedy, gdy obie osoby wylosuj¸a kul¸e czarn¸a. Z wniosku 1.12 mamy



'









-





'



.





-



'





-

















Jak wida´c prawdopodobie´nstwo wylosowania białej kuli jest takie samo dla pierwszego,
drugiego i trzeciego losuj¸acego.

Poniewa˙z przestrze´n zdarze´n jest tutaj mała, wi¸ec mo˙zna nasz wynik sprawdzi´c bezpo-

´srednio. Oznaczmy kule przez



,

 

i



. Niech przestrze´n zdarze´n elementarnych b¸edzie

('



 



-



'

  

-



',







-



'

 

-



'





-



'

 

 



-



Zakładamy, ˙ze ka˙zdy z tych wyników jest równie prawdopodobny. Wida´c teraz, ˙ze zdarze-
nia:





'

  

-



'



-"

,





('











-



'

 





-

oraz



'









-

('





 

-



'

 "



-

s¸a równo prawdopodobne.

Rozwa˙zmy teraz przypadek, gdy w urnie jest

kul z czego



białych. Znowu zakłada-

my, ˙ze ka˙zdy wynik dwóch losowa´n jest równie prawdopodobny. Mamy



'





-





,



'





-



'

5-



,



'



.





-

'





-

#'



-

oraz



'



.





-





5'

-

. Razem

daje to



'



-























Czyli w tym przypadku, równie˙z druga osoba ma tak¸a sam¸a szans¸e wylosowania kuli
białej co pierwsza.

Przykład 1.20 Wyobra´zmy sobie dwie urny z kulami. W pierwszej urnie jest jedna kula
biała i jedna czarna, a w drugiej urnie dwie białe i jedna czarna. Rzucamy monet¸a. Je˙zeli
wypadnie orzeł, to losujemy kul¸e z pierwszej urny, je˙zeli reszka, to losujemy z drugiej
urny.

Jakie jest prawdopodobie´nstwo, ˙ze wylosujemy kul¸e biał¸a? Niech



oznacza wyloso-

wanie kuli białej, a



wypadni¸ecie orła na monecie, wtedy



oznacza, ˙ze na monecie

wypadła reszka. Mamy



'



-





'



-





oraz



'



.



-



 

-jest to prawdopodobie´nstwo wylosowania kuli białej pod warunkiem,

˙ze wypadł orzeł i losowali´smy z pierwszej urny.



'



.



-2





-jest to prawdopodobie´nstwo wylosowania kuli białej pod warun-

kiem, ˙ze wypadła reszka i losowali´smy z drugiej urny.

Korzystaj¸ac teraz ze wzoru (1.1) mamy

background image

1.5. Zmienna losowa

11



'



-



























Zastanówmy si¸e teraz jak powinna wygl¸ada´c przestrze´n probabilistyczna w tym przykła-
dzie. Niech

zawiera wszystkie mo˙zliwe wyniki eksperymentu.

('







-



'

" 

-



'







-



'

" 

-



'

  

-



Aby by´c w zgodzie z intuicj¸a i naszymi poprzednimi wyliczeniami rozkład prawdopodo-
bie´nstwa powinien by´c nast¸epuj¸acy:

(O,1b)

(O,2b)

(R,1b)

(R,2b)

(R,3c)}











!

!





!

Rozkład jednostajny nie jest w tym przykładzie dobry, bo mieliby´smy prawdopodobie´n-
stwo, wypadni¸ecia orła równe

 

.

1.5

Zmienna losowa

Definicja 1.21 Zmienna losowa

jest to dowolna funkcja z przestrzeni zdarze´n elemen-

tarnych

w zbiór liczb rzeczywistych

.

Trzeba tutaj przypomnie´c, ˙ze w tej ksi ˛

a˙zce rozwa˙zamy tylko sko ´nczone przestrzenie zda-

rze´n elementarnych. W przypadku, gdy

jest zbiorem niesko ´nczonym definicja zmiennej

losowej jest inna.

Przykład 1.22

a) Rozwa˙zmy rzut monet¸a,



 

(przykład 1.1a). Zmienna lo-

sowa

jest okre´slona tabel¸a

O

R

'

-





Inny przykład to zmienna



okre´slona tabel¸a

O

R



'

-





b) Rozwa˙zmy rzut dwoma monetami, (przykład 1.1b)

"    

. Niech



i

b¸ed¸a dwoma zmiennymi losowymi okre´slonymi w tabeli

OO

OR

RO

RR



'

-









'

-









Zmienna



okre´sla wynik rzutu na pierwszszej monecie,



'

-





, je˙zeli wypadł

orzeł, i



'

-





, je˙zeli wypadła reszka. W podobny sposób zmienna losowa

okre´sla wynik rzutu na drugiej monecie.

background image

12

Rozdział 1. Rachunek prawdopodobie ´nstwa

c) Rozwa˙zmy rzut

monetami, (przykład 1.1g). Dla ka˙zdego

)

,

 1

)

1

okre´slamy

zmienn¸a

;

'

-



, je˙zeli na

)

-tej monecie wypadł orzeł, oraz

'

-



,

je˙zeli wypadła reszka.

d) Rozwa˙zmy losowanie jednej kuli z urny zawieraj¸acej siedem ponumerowanych kul.

  5$$"# !5

(

. Niech zmienna losowa

bedzie zdefiniowana jako

'

-

 

#

a zmienna losowa



jako



'

-

 



(

'

-

jest reszt¸a z dzielenia numeru kuli przez 2, a



'

-

reszt¸a z dzielenia przez

3). Warto´sci tych dwóch zmiennych zebrane s¸a w tabeli.

1

2

3

4

5

6

7

'

-

1

0

1

0

1

0

1



'

-

1

2

0

1

2

0

1

Mo˙zemy teraz okre´sli´c inne zmienne losowe, na przykład









,







,









. Ich warto´sci zebrano w tabeli

1

2

3

4

5

6

7



'

-



'

-





'

-

2

2

1

1

3

0

2



'

-



'

-



'

-

1

0

0

0

2

0

1



'

-





'

-



'

-

1

-2

2

-1

0

0

1

e) Rozwa˙zmy rzut dwoma kostkami (przykład 1.1e)

('*)",+(-

.(1) 3+

1 !#

. Niech



oznacza wynik rzutu na pierwszej kostce,

wynik rzutu na drugiej kostce.

Wtedy zmienna









okre´sla sum¸e oczek na obu kostkach.

Maj¸ac zmienn¸a losow¸a

i liczb¸e rzeczywist¸a



definiujemy zdarzenie





jako

'





-





.

'

-







Zauwa˙zmy, ˙ze je˙zeli liczba



nie nale˙zy do zbioru warto´sci

'

-

zmiennej

, to zda-

rzenie





jest zdarzeniem niemo˙zliwym. Prawdopodobie ´nstwo zdarzenia





wynosi



'





-











'

-



Definicja 1.23 Funkcj¸e



'



-





'





-

nazywamy funkcj¸a g¸esto´sci (rozkładu) prawdopodobie´nstwa zmiennej losowej

.

background image

1.5. Zmienna losowa

13

Przykład 1.24 (Kontynuacja przykładu 1.22d) Dla zmiennej



mamy trzy niepuste zda-

rzenia

'



-



5 !# 

'





-



 $

( 

'





-



5 #

Zmienna losowa



posiada wi¸ec rozkład



0

1

2



'







-







Podobnie zmienna

ma rozkład



0

1



'





-





 

Poniewa˙z, jak zało˙zyli´smy

jest zbiorem sko ´nczonym, to zbiór warto´sci

',

-

zmien-

nej

te˙z jest sko ´nczony. Dla





'

-

mamy



'



-





'





-



. Tak wi¸ec funkcja

g¸esto´sci przyjmuje warto´sci niezerowe tylko dla sko ´nczenie wielu argumentów. Zauwa˙z-
my, ˙ze je˙zeli









, to zdarzenia







i





wykluczaj¸a si¸e. Mamy przy

tym

Lemat 1.25 Je˙zeli



jest funkcj¸a g¸esto´sci zmiennej losowej

, to



'



-

dla ka˙zdego



.



'



-



.

Dowód. Sum¸e



'



-





rozumiemy jako sko ´nczon¸a sum¸e po zbiorze warto´sci

zmiennej

.





'



-













'



-













'





-

















'

-



Zauwa˙zmy, ˙ze ostatnia podwójna suma jest sum¸a po wszystkich elementach

po-

grupowanych według warto´sci zmiennej

. Mamy wi¸ec





'



-









'

-





W dalszej cz¸e´sci przedstawiaj¸ac funkcj¸e g¸esto´sci zmiennej losowej

b¸edziemy roz-

wa˙za´c tylko te



, dla których



'



-





.

Przykład 1.26

a) Zmienna losowa



z przykładu 1.22a posiada rozkład



-1

1



'







-











background image

14

Rozdział 1. Rachunek prawdopodobie ´nstwa

b) Niech



oznacza sum¸e warto´sci oczek w rzucie dwoma kostkami, przykład 1.22e.

G¸esto´s´c rozkładu prawdopodobie´nstwa zmiennej losowej



przedstawia nast¸epuj¸aca

tabela:

2

3

4

5

6

7

8

9

10

11

12



'

-





 !

!

!

  !



 !

!



 !

!

 !

 !



 !





 !

Maj¸ac funkcj¸e g¸esto´sci rozkładu zmiennej

mo˙zemy okre´sla´c prawdopodobie ´nstwa

zdarze´n opisywanych za pomoc¸a zmiennej

.

Przykład 1.27

a) Dla zmiennej losowej



z przykładu 1.24. mamy



'



  -





'





lub





-





'



-





'





-















pami¸etajmy, ˙ze zdarzenia





oraz





s¸a rozł¸aczne.

b) Dla zmiennej



z przykładu 1.26b mamy



'



  -



!







 !



!



W przypadku dwóch zmiennych losowych

i



okre´slonych na tej samej przestrzeni

zdarze´n elementarnych

mamy tak zwany ł¸aczny rozkład prawdopodobie ´nstwa, którego

g¸esto´s´c jest okre´slona jako



'





-





'





i





-

'





i





-

jest innym zapisem zdarzenia

'





-



'





-

.

Przykład 1.28

a) Ł¸aczny rozkład zmiennych losowych



i

, z przykładu 1.22b

jest przedstawiony w tabeli

0

1



0







1







b) Dla zmiennych

i



z przykładu 1.22d ł¸aczny rozkład prawdopodobie´nstwa

przedstawiony jest w tabeli:



0

1

2

0











1













Lemat 1.29 Niech



, b¸edzie g¸esto´sci¸a ł ˛

acznego rozkładu zmiennych

i



. Wtedy

background image

1.5. Zmienna losowa

15

a)



'





-











'





-

b)



'





-











'





-

Dowód Zauwa˙zmy, ˙ze











'





-



'





-













'





-



'





-

'





-

poniewa˙z









'





-



Z drugiej strony













'





-



'





-













'





-



'





-













'





-

Podobnie mo˙zna pokaza´c, ˙ze



'





-











'





i





-











'





-



Przykład 1.30 Sumuj¸ac wiersze tabeli z przykładu 1.28b mo˙zna otrzyma´c g¸esto´s´c roz-
kładu zmiennej

, a sumuj¸ac kolumny g¸esto´s´c rozkładu



.



0

1

2

0













1













 







Podobnie jak dla jednej zmiennej, maj¸ac g¸esto´s´c ł¸acznego rozkładu prawdopodobie ´n-

stwa dwóch zmiennych

i



mo˙zna oblicza´c prawdopodobie ´nstwa zdarze ´n opisywa-

nych przez te zmienne.

Przykład 1.31 We´zmy zmienne

i



z przykładu 1.30. Wtedy



'





-





'



i







lub



i



-





'



i



-





'



i



-







 6



oraz



'





-





'





i





lub





i







lub



i





 -











 



background image

16

Rozdział 1. Rachunek prawdopodobie ´nstwa

1.6

Niezale˙zno´s´c zmiennych losowych

Definicja 1.32 Zmienny losowe

i



s¸a niezale˙zne je˙zeli dla ka˙zdej pary liczb



,

mamy



'





i





-





'





-



'





-

lub inaczej, gdy







'





-







'



-





'

-



gdzie







oznacza g¸esto´s´c rozkładu ł¸acznego,





g¸esto´s´c zmiennej

, a





g¸esto´s´c

zmiennej



.

Przykład 1.33 Zmienne losowe



i

z przykładu 1.28a s¸a niezale˙zne, natomiast

zmienne

i



z przykładu 1.28b nie s¸a niezale˙zne.

Oczywi´scie mo˙ze by´c wi¸ecej zmiennych losowych okre´slonych na jednej przestrzeni

Dla trzech zmiennych losowych

,



,



ł¸aczny rozkład prawdopodobie ´nstwa, zdefinio-

wany jest jako



'









-





'





i





i







-

Mamy przy tym



'





-

















'









-





'





-



















'









-





'







-



















'









-

oraz na przykład



'





i







-











'









-



W ogólnym przypadku

zmiennych losowych















ich ł¸aczny rozkład prawdo-

podobie´nstwa okre´slony jest jako



'

















-





'



























-



Podobnie jak poprzednio łatwo mo˙zna pokaza´c, ˙ze



'









i





-



















'





























-



Definicja 1.34 Zmienne losowe

,



,



s¸a niezale˙zne je˙zeli dla ka˙zdej trójki liczb



,

i



mamy



'









-





'





-



'





-



'







-

Podobnie mamy w przypadku

zmiennych losowych

background image

1.6. Niezale˙zno´s´c zmiennych losowych

17

Definicja 1.35 Zmienne losowe















s¸a niezale˙zne je˙zeli dla ka˙zdej

-tki liczb



















zachodzi













'





-









'





-



Przykład 1.36 Wró´cmy do przykładu z rzutem

monetami, przykład 1.22c. Dla ka˙zdego

)

zmienna losowa

jest równa



je˙zeli na

)

-tej monecie wypadł orzeł, i 1 je˙zeli na

)

-tej

monecie wypadła reszka. Zmienne















s¸a niezale˙zne.

Poka˙zemy teraz, ˙ze je˙zeli zmienne losowe

i



s¸a niezale˙zne, to niezale˙zne s¸a te˙z

zdarzenia opisywane przez te zmienne. Dokładniej

Twierdzenie 1.37 Niech

i



b¸ed¸a niezale˙znymi zmiennymi losowymi, a



i



dowol-

nymi podzbiorami zbioru liczb rzeczywistych. Wtedy zdarzenia







.

'

-



oraz









.



'

-



s¸a niezale˙zne.

Dowód Poniewa˙z zbiór warto´sci zmiennej

jest sko ´nczony, mo˙zemy wypisa´c wszystkie

elementy zbioru

'

-





. Niech



















 6

'

-







Podobnie niech

















6



',

-







Mamy zatem







.

'

-





dla jakiego´s

) 







.



'

-





dla jakiego´s

+$

oraz













.

istniej¸a

)",+

takie, ˙ze

'

-





oraz



'

-





-



czyli

























'





i







-

Poniewa˙z sumowane zdarzenia wykluczaj¸a si¸e wzajemnie mamy



'











-



















'





i







-



background image

18

Rozdział 1. Rachunek prawdopodobie ´nstwa

a poniewa˙z

i



s¸a niezale˙zne



'











-

















'





-



'







-



ale











'





,-





'





-

oraz









'







-





'





-



Teza twierdzenia wynika z prostego faktu, ˙ze













'





-











'







-

















'





-



'







-



1.7

Warto´s´c oczekiwana, ´srednia

Definicja 1.38 Warto´s´c oczekiwana (´srednia) zniennej losowej

to liczba

'

-







'

-



'

-



Przykład 1.39 Dla zmiennej losowej



z przykładu 1.24 warto´s´c oczekiwana wynosi

'



-























Je˙zeli zmienna posiada jednostajny rozkład prawdopodobie ´nstwa, to jej warto´s´c ocze-

kiwana jest zwykł¸a ´sredni¸a arytmetyczn¸a jej warto´sci.

'

-







'

-



.

.





.

.





'

-



W ogólnym przypadku warto´s´c oczekiwana jest nazywana ´sredni¸a wa˙zon¸a.

Lemat 1.40

'

-















'





-

Dowód Je˙zeli pogrupujemy wyrazy sumy



'

-



'

-

według warto´sci zmiennej

, to otrzymamy

'

-







'

-



'

-





















'

-















'





-



background image

1.7. Warto´s´c oczekiwana, ´srednia

19

Przykład 1.41 Przypu´s´cmy, ˙ze mamy informacj¸e, ˙ze w jakiej´s grupie studenckiej połowa
studentów otrzymała ocen¸e 5 z matematyki dyskretnej, jedna trzecia otrzymała ocen¸e 4,
a jedna szósta ocen¸e 3. Jaka jest ´srednia ocena w tej grupie? Przyjmujemy, ˙ze grupa jest
przestrzeni¸a losow¸a, a zmienna losowa

jest ocen¸a studenta. Wtedy warto´s´c oczekiwana

zmiennej

'

-























!



 !

!











jest ´sredni¸a ocen¸a w tej grupie.

Wniosek 1.42 Dla ka˙zdej zmiennej losowej

istnieje zdarzenie elementarne

takie, ˙ze



'

-





oraz

'

-

'

-

.

Podobnie istnieje zdarzenie

takie, ˙ze



'

-





oraz

'

-

1

'

-

.

Dowód: Udowodnimy tylko pierwsz¸a cz¸e´s´c twierdzenia, drug¸a mo˙zna udowodni´c w po-
dobny sposób.

Przypu´s´cmy, ˙ze dla ka˙zdego

z dodatnim prawdopodobie ´nstwem mamy

'

-



'

-

. Ale to prowadzi do sprzeczno´sci

'

-







'

-



'

-







'

-



'

-



'

-







'

-



'

-



W przypadku klasycznej definicji wniosek 1.42 opisuje prosty fakt, ˙ze zawsze istnieje

przynajmniej jedna warto´s´c mniejsza od lub równa warto´sci ´sredniej oraz warto´s´c wi¸eksza
od lub równa ´sredniej.

W poni˙zszym twierdzeniu zebrano podstawowe własno´sci warto´sci oczekiwanej.

Twierdzenie 1.43

a)

'





-



'

-



'



-

.

b) Je˙zeli

jest liczb¸a rzeczywist¸a, to

'

-



'

-

.

c) Je˙zeli zmienne

i



s¸a niezale˙zne, to

'



-



'

-

'



-

.

d) Je˙zeli





, to

'

-



.

Dowód:

a)

'





-







'





-

'

-







'

'

-





'

--







'

-









'

-



'

-



'



-

b)

'

-







'

-

'

-







'

-







'

-



'

-

c)

'



-









'

-



'

-

background image

20

Rozdział 1. Rachunek prawdopodobie ´nstwa

Pogrupujmy składniki sumy według warto´sci zmiennych

i



.

'



-















 







'

-











'





i





-











'





-



'





-











'





-







'





-



'

-

'



-

d)

Je˙zeli dla ka˙zdego

,

'

-

, to



'

-



'

-



.



Twierdzenie 1.44 Warto´s´c oczekiwana sumy



zmiennych















jest równa

'









-









'

,-

Twierdzenie 1.45 Je˙zeli zmienne















s¸a niezale˙zne, to warto´s´c oczekiwana ich

iloczynu równa si¸e















'

-

Twierdzenie 1.46 (Nierówno´s´c Markowa) Je˙zeli zmienna losowa

przyjmuje waret´sci

nieujemne, to dla dowolnej liczby rzeczywistej









'





-

1

'

-





Dowód:

'

-









'





-











'





-











'





-









'





-











'





-











'





-







'





-





Zauwa˙zmy, ˙ze nierówno´s´c Markowa jest u˙zyteczna tylko kiedy





'

-

. Je˙zeli

bowiem



1

'

-

, to mamy trywialne oszacowanie



'





-

1

1

'

-





Przykład 1.47 Nierówno´s´c Markowa wyra˙za do´s´c prosty fakt. Przypu´s´cmy, ˙ze

okre´sla

liczb¸e pieni¸edzy posiadan¸a przez studenta. Je˙zeli warto´s´c ´srednia zmiennej

wynosi 100

złotych, to tylko połowa studentów mo˙ze mie´c 200 lub wi¸ecej złotych. Przypu´s´cmy bowiem
˙ze







cz¸e´s´c studentów posiada 200 (lub wi¸ecej) złotych. Wtedy udział tej bogatej

cz¸e´sci studentów w ´sredniej wynosi co najmniej





'







-

























, i

warto´s´c ´srednia nie mo˙ze wynosi´c 100 złotych, je˙zeli zmienna

nie przyjmuje warto´sci

ujemnych.

background image

1.7. Warto´s´c oczekiwana, ´srednia

21

Poka˙zemy teraz jak mo˙zna wykorzysta´c prawdopodobie ´nstwo do rozwa˙za ´n kombina-

torycznych. Udowodnimy nast¸epuj¸ace:

Twierdzenie 1.48 Wierzchołki dowolnego grafu mo˙zna pokolorowa´c dwoma kolarami
(białym i czarnym) w taki sposób, ˙ze przynajmniej połowa kraw¸edzi ma swoje ko´nce w
ró˙znych kolorach.

Zanim przejdziemy do dowodu wyja´snjmy kilka rzeczy:

Definicja 1.49 Graf

jest to dowolny sko´nczony zbiór wierzchołków



wraz ze zbiorem

kraw¸edzi



, gdzie kraw¸edzie to pary wierzchołków.







% .0 

 



 %



Dla kraw¸edzi



 0 $

mówimy, ˙ze wierzchołki



i



s¸a ko ´ncami kraw¸edzi

lub, ˙ze

kraw¸ed˙z

ł¸aczy



i



.

Graf cz¸esto przedstwiamy na rysunku jako zbiór punktów poł¸aczonych łukami. Na

przykład rysunek 1.1 przedstawia graf ze zbiorem wierzchołków





  











i zbiorem kraw¸edzi







   











% 















%

Rysunek 1.1: Przykład grafu











Łatwo jest pokolorowa´c ka˙zdy graf tak, aby ka˙zda kraw¸ed´z miała oba ko ´nce w jed-

nym kolorze. Wystarczy wszystkie wierzchołki pokolorowa ´c tym samym kolorem. Graf
z rysunku 1.1 mo˙zna pokolorowa´c tak, aby ka˙zda kraw¸ed´z była dwukolorowa. Trzeba
pokolorowa´c na biało wierzchołki ,



,



i



i na czarno wierzchołki



,

i



. Ale nie dla

ka˙zdego grafu jest mo˙zliwe takie pokolorowanie, w którym ka˙zda kraw¸ed˙z ma ko ´nce w
ró˙znych kolorach. Na przykład dla trójk¸ata, czyli grafu z wierzchołkami



 "# #

i

kraw¸edziami





  # 

  # 

5#

(patrz rysunek 1.2) nie istnieje takie pokolo-

rowanie.

background image

22

Rozdział 1. Rachunek prawdopodobie ´nstwa

Rysunek 1.2: Trójk¸at







Dowód twierdzenia 1.48: Przypu´s´cmy, ˙ze graf ma



.

 

.

wierzchołków i



.



.

kraw¸edzi. Rozwa˙zmy przestrze ´n zdarze´n elementarnych

zło˙zon¸a ze wszystkich mo˙z-

liwych pokolorowa ´n wierzchołków grafu

. Jest ich

.

.



. Dla ka˙zdej kraw¸edzi



 0 $



okre´slmy zmienn¸a losow¸a



w nast¸epuj¸acy sposób:



'

-



, je˙zeli

w kolorowaniu

oba ko ´nce kraw¸edzi

maj¸a ró˙zne kolory i



'

-





w przeciwnym

przypadku.



'



-





, poniewa˙z w połowie kolorowa ´n ko´nce

maj¸a ró˙zne kolory.

W jednej czwartej kolorowa ´n oba ko´nce s¸a białe (kolorowa ´n, w któtych



i



maj¸a kolor

biały, jest

 

, bo na tyle sposobów mo˙zna pokolorowa´c pozostałe



wierzchołków)

oraz w jednej czwartej kolorowa ´n oba s¸a czarne.

Mamy wi¸ec

'



-







. Rozwa˙zmy teraz sum¸e zmiennych losowych













Warto´s´c zmiennej

'

-

to liczba ró˙znokolorowych kraw¸edzi w kolorowaniu

. Ale

'

-











'



-









Dlatego, zgodnie z wnioskiem 1.42 musi istnie´c kolorowanie

, dla którego

'

-



 

.



´Srednia liczba ró˙znokolorowych kraw¸edzi w kolorowaniu mo˙ze by´c obliczona bez

u˙zywania terminologii rachunku prawdopodobie ´nstwa. Policzmy ile we wszystkich kolo-
rowaniach jest ró˙znokolorowych kraw¸edzi. Z jednej strony jest to





'

liczba ró˙znokolorowych kraw¸edzi w kolorowaniu

-

Z drugiej strony









'

liczba kolorowa ´n, w których kraw¸ed´z

jest ró˙znokolorowa

-





















 



Przedostatnia równo´s´c wynika z tego, ˙ze liczba kolorowa ´n, w których

jest ró˙znoko-

lorowa wynosi





(połowa wszystkich). ´Srednia liczba ró˙znokolorowych kraw¸edzi w

kolorowaniu wynosi wi¸ec

 













background image

1.8. Wariancja

23

1.8

Wariancja

Definicja 1.50 Wariancj¸a zmiennej losowej

o warto´sci oczekiwanej

'

-





nazywamy liczb¸e





'

-



''



-

-

Wariancja





'

-

jest miar¸a tego jak bardzo warto´sci zmiennej

s¸a oddalone od ´sred-

niej. Im wi¸eksze rozrzucenie warto´sci tym wi¸eksza wariancja. W poni˙zszym twierdzeniu
zebrano podstawowe własno´sci wariancji

Twierdzenie 1.51

a)





'

-





b)





'

-



'

-



c)





'

-







'

-

d) Je˙zeli zmienne

i



s¸a niezale˙zne, to





'





-







'

-







'



-

.

e) Je˙zeli zmienne















s¸a parami niezale˙zne, to



























'

-

Dowód

a)

wynika z faktu, ˙ze zmienna

'



-

przyjmuje tylko nieujemne warto´sci,

b)





'

-



''



-

-



'









-



'

-





'

-







'

-











'

-



d)

''





-

-



'

-





'



-



'



-

poniewa˙z zmienne s¸a niezale˙zne, to z twierdzenia 1.43c

''





-

-



'

-





'

-

'



-



'



-



Z drugiej strony

'

'

-



'



--



'

'

--





'

-

'



-



'

'



--

po odj¸eciu stronami dwóch ostatnich równo´sci





'





-



''





-

-

'

'





--





'

-

'

'

--



'



-

'

'



--







'

-







'



-





Twierdzenie 1.52 (Nierówno´s´c Czebyszewa) Dla zmiennej losowej

z warto´sci¸a oczekiwan¸a

'

-





oraz liczby rzeczywistej







mamy



'.



.





-

1





'

-





background image

24

Rozdział 1. Rachunek prawdopodobie ´nstwa

Dowód: Rozwa˙zmy zmienn¸a losow¸a







. Poniewa˙z

.



'

-

.



'

-





to



' .



.



-





'







-

Stosuj¸ac nierówno´s´c Markowa dla zmiennej



mamy



' .



.

-





'







-

1

'



-



ale

'



-



''



-

-







'

-



1.9

Rozkład jednopunktowy

Z rozkładem jednopunktowym mamy do czynienia, wtedy gdy całe prawdopodobie ´nstwo
jest skupione w jednym punkcie

Definicja 1.53 Zmienna losowa

ma rozkład jednopunktowy, je˙zeli dla jekiego´s



'



-





Poniewa˙z



'





-



, to



'





-



dla ka˙zdego





.

Warto´s´c oczekiwana zmiennej

wynosi

'

-





Lemat 1.54 Je˙zeli jaka´s zmienna

przyjmuje warto´sci nieujemne i

'

-





, to zmien-

na losowa

ma rozkład jednopunktowy, to znaczy



'

-



czyli dla ka˙zdego



, je˙zeli

'

-



, to



'

-





.

Dowód: Poka˙zemy, ˙ze dla ka˙zdego



, je˙zeli

'

-





, to



'

-





. Przypu´s´cmy

bowiem, ˙ze istnieje

, takie, ˙ze

'

- 







. Wtedy z nierówno´sci Markowa,

twierdzenie 1.46, mamy



'

-

1



'





-

1

'

-







Zało˙zenie, ˙ze zmienna

przyjmuje tylko warto´sci nieujemne jest istotne we wnio-

sku 1.54. Pokazuje to nast¸epuj¸acy przykład.

background image

1.10. Rozkład zero-jedynkowy

25

Przykład 1.55 Zmienna losowa



z przykładu 1.26a z funkcj¸a g¸esto´sci:



-1

1



'



-







 

ma warto´s´c oczekiwan¸a

'



-





.

Wariancja zmiennej losowej

z rozkładem jednopunktowym wynosi





'

-



'

-

'

'

--





Ale i na odwrót

Lemat 1.56 Je˙zeli





'

-



, to zmienna losowa

posiada rozkład jednopunktowy.

Dowód Poniewa˙z





'

-



''



-

-



, to z lematu 1.54 wynika, ˙ze







'





-





'





-

.



Wniosek 1.57 Niech



















b˛ed ˛

a dowolnymi liczbami rzeczywistymi i niech

















Wtedy



















przy czym równo´s´c zachodzi wtedy i tylko wtedy, gdy





dla ka˙zdego

)

.

Dowód: Niech



 











b˛edzie przestrzeni ˛

a z jednostajnym rozkładem prawdo-

podobie´nstwa i niech

b˛edzie zmienn ˛

a losow ˛

a okre´slon ˛

a wzorem

'*)

-





. Wtedy

jest warto´sci ˛

a oczekiwan ˛

a zmiennej

, a















jej wariancj ˛

a, która jest nieujemna i równa zeru tylko dla rozkładu jednopunktowego.



1.10

Rozkład zero-jedynkowy

Zmienna losowa

ma rozkład zero-jedynkowy, je˙zeli prawdopodobie ´nstwo jest skupio-

ne tylko w dwóch punktach 0 i 1. G¸esto´s´c rozkładu prawdopodobie ´nstwa ma wtedy posta´c



0

1



'



-



dla pewnych dodatnich

0

spełniaj¸acych warunek



/

.

Warto´s´c oczekiwana zmiennej

wynosi

'

-









a wariancja





'

-



'

-

'

'

--







'





-





background image

26

Rozdział 1. Rachunek prawdopodobie ´nstwa

1.11

Rozkład dwumianowy — Bernoulliego

Przypu´s´cmy, ˙ze mamy seri¸e

niezale˙znych do´swiadcze´n i w ka˙zdym do´swiadczeniu dwa

mo˙zliwe wyniki: sukces z prawdopodobie ´nstwem



i pora˙zka z prawdopodobie ´nstwem





. Niech

b¸edzie zmienn¸a losow¸a równ¸a liczbie sukcesów w tej serii. Zmienna

losowa

posiada rozkład dwumianowy (Bernouliego) z parametrami

i



.

Dla uproszczenia rozwa˙za ´n załó˙zmy, ˙ze

&

. Prawdopodobie ´nstwo zdarzenia, ˙ze

wyst¸api sukces, pora˙zka, sukces i pora˙zka wynosi





, poniewa˙z wyniki do´swiad-

cze´n s¸a niezale˙zne. Dokładnie dwa sukcesy w serii czterech do´swiadcze´n b¸edziemy mieli,
je˙zeli wyst¸api jeden z ci¸agów, w których na dwóch pozycjach wyst¸epuj¸a sukcesy:

(sukces, sukces, pora˙zka, pora˙zka),
(sukces, pora˙zka, sukces, pora˙zka),
(sukces, pora˙zka, pora˙zka, sukces),
(pora˙zka, sukces, sukces, pora˙zka),
(pora˙zka, sukces, pora˙zka, sukces),
(pora˙zka, pora˙zka, sukces, sukces).

Takich ci¸agów jest



!

, bo na tyle sposobów mo˙zna wybra´c dwie pozycje, na których

b¸ed¸a sukcesy. Ka˙zdy z tych ci¸agów ma takie samo prawdopodobie ´nstwo równe



. I

poniewa˙z te ci¸agi s¸a zdarzeniami wykluczaj¸acymi si¸e, prawdopodobie ´nstwo, ˙ze wyst¸api
który´s z nich wynosi













Podobnie dla dowolnego



1



1

, prawdopodobie ´nstwo, ˙ze w serii czterech do´swiad-

cze´n wypadnie



sukcesów wynosi

















W podobny sposób mo˙zna uzasadni´c, ˙ze dla dowolnego

rozkład dwumianowy z para-

metrami

i



ma posta´c



'



5-



















Twierdzenie 1.58 Warto´s´c oczekiwana

'

-

zmiennej losowej

maj¸acej rozkład dwu-

mianowy o parametrach

i



wynosi



.

Dowód: Rozwa˙zmy funkcj¸e:



'



-

'







-



ze wzoru Newtona mamy



'



-

'







-

































Zró˙zniczkujmy t¸a funkcj¸e



'







-







































background image

1.12. Kra ´nce rozkładu dwumianowego

27

Je˙zeli teraz podstawimy





to otrzymamy































'

-



Rozwa˙zmy ci¸ag niezale˙znych zmiennych losowych















, ka˙zda o rozkładzie

zero jedynkowym



'



-



oraz



'



-





Suma tych zmiennych











ma rozkład dwumianowy o parametrach

i



. Warto´s´c oczekiwana, ka˙zdej ze zmiennych

wynosi

'

-



, wi¸ec warto´s´c oczekiwana zmiennej

wynosi



.

Wariancja zmiennej

wynosi





'

-





. Poniewa˙z zmienne















s¸a

niezale˙zne to wariancja ich sumy wynosi



, mamy wi¸ec.

Twierdzenie 1.59 Wariancja zmiennej losowej

z rozkładem dwumianowym o parame-

trach

i



wynosi





'

-







1.12

Kra ´nce rozkładu dwumianowego

Twierdzenie 1.60 (Nierówno´sci Chernoff’a) Niech zmienna losowa

posiada rozkład

dwumianowy o parametrach

i



. Oznaczmy warto´s´c oczekiwan¸a tego rozkładu przez





. Wtedy dla dowolnej liczby rzeczywistej



,

1



1



, mamy



'

'







-

-

1







oraz



'

1'





-

-

1





1.13

Problem dnia urodzin

Zastanówmy si¸e ile osób musi znajdowa´c si¸e w pokoju, aby była du˙za szansa, ˙ze dwie
osoby maj¸a urodziny tego samego dnia.

Dla prostoty przyjmujemy, ˙ze problem dnia urodzin jest równowa˙znu problemowi

wylosowania ci¸agu



liczb













 



, ka˙zda spo´sród



!

mo˙zliwo´sci, tak aby

wyst¸apiło w nim jakie´s powtórzenie.

Oznaczmy przez





zdarzenie przeciwne, ˙ze wszystkie wylosowane liczby s¸a ró˙zne.

Je˙zeli zało˙zymy, ˙ze wszystkie ci¸agi s¸a równo prawdopodobne, to prawdopodobie ´nstwo,

˙ze otrzymamy ci¸ag ró˙znowarto´sciowy wynosi



'





-



'

-

'



-





'



- '



-

'





-



background image

28

Rozdział 1. Rachunek prawdopodobie ´nstwa



'





-'



-

'







-



Skorzystamy teraz z nierówno´sci







1



'





-

1































1



























Prawdopodobie ´nstwo to jest mniejsze od





wtedy gdy

'





-





, a to zachodzi

wtedy gdy













. Dla



!

, zachodzi to dla



 



.

Tak wi¸ec je´sli w pokoju znajduj¸a si¸e co najmniej 24 osoby, to z prawdopodobie ´nstwem

wi¸ekszym od



 

dwie spo´sród nich maj¸a urodziny w tym samym dniu.

1.14

Zadania

1. Zaproponuj przestrze ´n zdarze´n elementarnych dla losowania dwóch kul z urny

zawieraj¸acej 3 kule białe i 4 czarne. Przedstaw zdarzenie, ˙ze wylosowano:

a) dwie kule białe, b) kule w ró˙znych kolorach.

2. Zaproponuj przestrze ´n zdarze´n elementarnych dla ustawienia czterech liter ,



,



i



w ci¸ag.

Przedstaw zdarzenie, ˙ze

a)

i



stoj¸a obok siebie;

b)

i



s¸a rozdzielone jedn¸a liter¸a.

3. Zaproponuj przestrze ´n zdarze´n elementarnych dla nast¸epuj¸acych do´swiadcze´n:

a) Losowanie karty z talii 52 kart.

b) Losowanie 13 kart z talii 52 kart.

c) Wypełnienie kuponu totolotka.

d) Wypełnienie kuponu totalizatora piłkarskiego.

4.



,



i



s¸a zdarzeniami. Zapisa´c za pomoc¸a działa ´n na zbiorach zdarzenia:

a) zachodz¸a wszystkie trzy zdarzenia;

b) zachodzi dokładnie jedno ze zdarze ´n



,



lub



;

c) zachodz¸a dokładnie dwa ze zdarze ´n



,



,



;

d) zachodz¸a co najmniej dwa spo´sród zdarze ´n



,



,



.

5. Cyfry

5









ustawiono losowo. Jakie jest prawdopodobie ´nstwo,

a) ˙ze



i



stoj¸a obok siebie;

b) ˙ze pomi¸edzy



i



stoj¸a dwie cyfry;

c) ˙ze



,



i



stoj¸a obok siebie.

background image

1.14. Zadania

29

6. Pokaza´c, ˙ze



'





-



'



-





'



-



7. Dane s¸a



'



-







,



'







-





i



'





-&



. Obliczy´c



'



-

,



'







-

i



'





-

.

8. Dane s¸a



'







-2





i



'







-2





, wiadomo te˙z, ˙ze



'





-2



'





-

. Obliczy´c



'



-

oraz



'





-

.

9. W urnie s¸a 4 kule białe i 3 czarne. Losujemy dwie. Jakie jest prawdopodobie ´nstwo,

˙ze wylosowane kule b¸ed¸a w ró˙znych kolorach?

10. Jakie jest prawdopodobie ´nstwo, ˙ze na przyj¸eciu, na którym jest

osób, znajdzie

si¸e osoba, która ma urodziny tego samego dnia co ja?

11. Jakie jest prawdopodobie ´nstwo, ˙ze przy okr¸agłym stole wybrane na pocz¸atku dwie

osoby usi¸ad¸a obok siebie?

12. Niech przestrze ´n zdarze´n elementarnych b¸edzie zbiorem 3 elementowych ci¸agów

zero-jedynkowych. Wypisz zdarzenia:

a) na pierwszej współrz¸ednej jest zero;

b) na pierwszej i trzeciej współrz¸ednej s¸a zera;

c) na pierwszej i trzeciej współrz˛ednej mamy ró˙zne warto´sci;

d) na wszystkich współrz¸ednych jest to samo.

Oblicz prawdopodobie ´nstwa tych zdarze ´n (rozkład jednostajny).

Czy zdarzenia te s¸a niezale˙zne?

Niech przestrze ´n zdarze´n elementarnych b¸edzie zbiorem

elementowych ci¸agów

zero-jedynkowych (rozkład jednostajny). Oblicz prawdopodobie ´nstwa tych samych
zdarze´n.

13. Rzucamy trzema kostkami. Jakie jest prawdopodobie ´nstwo, ˙ze na ˙zadnej kostce nie

wypada szóstka, je˙zeli na ka˙zdej kostce wypada inna liczba oczek.

14. Mamy dwie urny z kulami. W pierwszej urnie s¸a dwie kule białe i cztery czarne, a

w drugiej urnie trzy białe i trzy czarne. Rzucamy kostk¸a do gry. Je˙zeli wypadnie 1
lub 2, to losujemy kul¸e z pierwszej urny, je˙zeli 3,4,5 lub 6, to losujemy z drugiej
urny.

Jakie jest prawdopodobie ´nstwo, ˙ze wylosujemy kul¸e biał¸a?

Zaproponuj przestrze ´n zdarze´n elementarnych i rozkład prawdopodobie ´nstwa.

15. W urnie jest

kul w tym



białych.

osób po kolei losuje jedn¸a kul¸e bez zwracania.

a) Ile wynosi prawdopodobie ´nstwo wylosowania kuli białej dla trzeciej osoby?

b) Ile wynosi prawdopodobie ´nstwo wylosowania kuli białej dla ka˙zdej z losuj¸acych
osób?

background image

30

Rozdział 1. Rachunek prawdopodobie ´nstwa

16. Udowodnij, ˙ze je˙zeli zdarzenia



i



s¸a niezale˙zne, to niezale˙zne s¸a tak˙ze



i



oraz



i



.

17. Zmienna losowa

posiada rozkład:



1

2

3

4

5



'





-















#

!



#

!

Oblicz



'











-

,



'

 -

.

Oblicz warto´s´c oczekiwan¸a

, wariancj¸e





'

-

oraz



'



-

.

18. Zmienna



'



-









jest okre´slona na przestrzeni











#

z jednostaj-

nym rozkładem. Podaj jej rozkład, warto´s´c oczekiwan¸a oraz



'



-

.

19. Podaj rozkład cz¸esto´sci wyst¸epowania liter w zdaniu:

"Podzbiory przestrzeni zdarze ´n losowych nazywamy zdarzeniami".

20. Ł¸aczny rozkład zmiennych losowych

i



przedstawiony jest w tabeli.



-1

0

1

0

















1



!





!



!

Oblicz rozkłady zmiennych

,



,









,









.

Oblicz

,



,





'

-

,





'



-

,

'





-

,





'





-

.

Czy zmienne

i



s¸a niezale˙zne?

Oblicz prawdopodobie ´nstwa



'





-

,



'





-

.

21. Ł¸aczny rozkład zmiennych losowych

i



przedstawiony jest w tabeli.



0

1

2

0

(







!



(

1



Czy mo˙zna tak dobra´c liczby



,

i , aby zmienne

i



były niezale˙zne?

22. W dwóch tabelach przedstawiono ł¸aczny rozkład zmiennych

,



i



. Pierwsza

tabela zawiera warto´sci



'







-

, a druga warto´sci



'









-

.

Z=0



1

2

3

-1



#





!

(



1



 



#









background image

1.14. Zadania

31

Z=1



1

2

3

-1

(





#





#



1

(

(





#



Oblicz rozkłady brzegowe zmiennych

,



i



. Oblicz



'



-

,



'









-

,



'









-

.

Czy zmienne

,



i



s¸a niezale˙zne? Je˙zeli nie, to zmie ´n prawdopodobie ´nstwa w

pierwszej tabeli tak, ˙zeby były niezale˙zne.

23. Na przestrzeni









 #

z jednostajnym rozkładem okre´slamy trzy zmienne



'



-









,



'



-









,

'



-









. Czy zmienne te s¸a niezale˙zne?

24. Mamy trzy niezale˙zne zmienne losowe

,



i



(okre´slone na jakiej´s przestrzeni

probabilistycznej). Udowodnij, ˙ze ka˙zde dwie te˙z s¸a niezale˙zne.

25. Mamy

niezale˙znych zmiennych losowych















. Pokaza´c, ˙ze dla ka˙zdego







zmienne















te˙z s ˛

a niezale˙zne.

Podobnie ka˙zdy podzbiór tych zmiennych jest niezale˙zny.

26. Pokaza´c, ˙ze dla ka˙zdego









istnieje zmienna losowa

taka, ˙ze

'

-



oraz



'





 -



.

27. Pokaza´c, ˙ze je˙zeli

ma rozkład symetryczny, tzn dla pewnego

,



'





-





'







-

dla ka˙zdego



, to



.

28. Pokaza´c, ˙ze jezeli mamy zmienna losow¸a

z rozkładem jednopunktowym i dowoln¸a

inn¸a zmienn¸a



, to

i



s¸a niezale˙zne

29. Poka˙z, ˙ze je˙zeli zmienne losowe

i



s¸a niezale˙zne, to dla dowolnych liczb



i ,

zdarzenia





oraz





s¸a niezale˙zne.

30. Poka˙z, ˙ze je˙zeli zmienne losowe

i



s¸a niezale˙zne, to dla dowolnych funkcji



i

, zmienne



i





te˙z s¸a niezale˙zne.

31. Pokaza´c, ˙ze











'





-

32. Poda´c przykład dwóch zmiennych

i



o ró˙znych rozkładach takich, ˙ze





i













.

33. Przypu´s´cmy, ˙ze zmienna losowa przyjmuje





warto´sci























ka˙zde z dodatnim prawdopodobie ´nstwem.

a) Czy jest mo˙zliwe







lub







?

b) Czy jest mo˙zliwe





lub









?

c) Czy b) jest mo˙zliwe je˙zeli

ma rozkład jednostajny?

background image

32

Rozdział 1. Rachunek prawdopodobie ´nstwa

34. Kowariancja zmiennych losowych

i



równa si¸e





'





-



''

-

'





--

. Pokaza´c, ˙ze

a) je˙zeli

i



s¸a niezale˙zne to





'





-



;

b)





'





-







'



-







'



- 

 



'





-

c)





'







,-











'

-

















'





-

.

35. Rzucano monet¸a 10 razy. Jakie jest prawdopodobie ´nstwo, ˙ze orzeł wypadł co naj-

mniej raz?

36. Jakie jest prawdopodobie ´nstwo otrzymania parzystej liczby sukcesów w ci¸agu

prób Bernoulliego, je˙zeli prawdopodobie ´nstwo sukcesu w jednej próbie wynosi: a)
1/2, b)



.

37. Jakie jest prawdopodobie ´nstwo, ˙ze w serii sze´sciu rzutów kostk¸a suma oczek b¸edzie

parzysta.

38. Pokaza´c, ˙ze je˙zeli

)

+



, to



'



0)

-



'



0,+(-

; a je˙zeli





)

 +

, to



'



0)

-





'





,+(-

, gdzie



'





)

-

to rozkład dwumianowy.

39. Niech zmienna losowa

ma rozkład dwumianowy z parametrami









,







 

. Oszacuj prawdopodobie ´nstwo



'



!

-

(za pomoc ˛

a nierówno´sci

Markowa, Czebyszewa i Chernoff’a).


Wyszukiwarka

Podobne podstrony:
Matematyka dyskretna 2002 04 Rachunek prawdopodobieństwa
Matematyka dyskretna 2004 04 Rachunek prawdopodobieństwa
Matematyka dyskretna 2004 04 Rachunek prawdopodobieństwa
Matematyka dyskretna 2002 07 Rekurencja
PK-I-06, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2012
Test 2, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2012
Matematyka dyskretna 2002 01 Oznaczenia
TPI CH 2, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2012
PK-WE Z E, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2012
PK-WE Z E 2, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2012
Test 3, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2012
E 0, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2012
2002.04.13 prawdopodobie stwo i statystyka
Matematyka dyskretna 2002 11 Poprawność programów
Test a, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2012
PK-WE M test 2, 1 STUDIA - Informatyka Politechnika Koszalińska, Matematyka dyskretna i TPI, 04-10-2
Matematyka dyskretna 2002 10 Grafy skierowane
2002 04 13 prawdopodobie stwo i statystykaid 21638

więcej podobnych podstron