Matematyka Dyskretna
Andrzej Szepietowski
25 czerwca 2002 roku
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
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
.
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
'
-
#
'
-
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.
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
'
-
.
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
'
-
'
-
'
-
'
-
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)
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
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.
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
.
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
'
-
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
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
-
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
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
-
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
'
-
'
-
'
-
'
-
'
-
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)
'
-
'
-
'
-
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.
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.
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
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
'
-
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.
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
'
-
'
-
'
'
--
'
-
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
'
-
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
'
-
'
-
'
-
'
- '
-
'
-
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.
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?
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
#
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?
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).