Prawie Caly Rachunek

Rachunek prawdopodobiestwa MAEW 104
Materiay do wykadu przygotowane przez

L. Janick, M. Rutkowsk, W. Wawrzyniak-Kosz
Literatura
[1] J.Jakubowski, R.Sztencel, Wstep do teorii prawdopodobiestwa, SCRIPT,
Warszawa 2001
[2] J.Jakubowski, R.Sztencel, Rachunek prawdopodobiestwa dla (prawie)
kadego, SCRIPT,Warszawa 2002
[3] T.Inglot, T.Ledwina, T.awniczak, Materiay do wiczen z rachunku
prawdopodobiestwa i statystyki matematycznej, Wydawnictwo Politechniki
Wrocawskiej, Wrocaw 1979
[4] H.Jasiulewicz, W.Kordecki, Rachunek prawdopodobiestwa i statystyka
matematyczna. Przykady i zadania, GiS.Wrocaw 2002
[5] W.Kordecki, Rachunek prawdopodobiestwa i statystyka matematyczna.
Definicje, twierdzenia, wzory , GiS, Wrocaw 2002
[6] W.Krysicki, J.Bartos,W.Dyczka, K.Krlikowska,M.Wasilewski, Rachunek
prawdopodobiestwa i statystyka matematyczna w zadaniach, cz I, PWN
Warszawa, 1997

1.1. Wstp czstociowa interpretacja prawdopodobiestwa
W otaczajcej nas rzeczywistoci mamy do czynienia nie tylko z dowiadczeniami
deterministycznymi ale te z tak zwanymi dowiadczeniami losowymi, ktrych wyniku nie
potrafimy przewidzie, jednak potrafimy okreli zbir moliwych wynikw. Rachunek
prawdopodobiestwa zajmuje si opisem dowiadcze losowych, ktre mona powtarza w
tych samych warunkach oraz badaniem prawidowoci ktrym podlegaj. Zaczniemy od
opisu pewnego dowiadczenia wykonanego przez Rutherforda i Geigera. Obserwowali oni
emisj czstek radioaktywnej substancji w przedziaach czasu o dugoci 7,5 sek. Dokonano
n = 2608 dowiadcze. Zaobserwowane wyniki przedstawia tabela, gdzie k oznacza liczb
czstek wyemitowanych w przedziale czasu o dugoci 7,5 s, n(k) oznacza liczb obserwacji
w ktrych wystpi wynik k,
=
=
10
0
) (
k
n k n , w(k) jest czstoci pojawienia si wyniku k,
n
k n
k w
) (
) ( = .

k

n(k) w(k)
0 53 0,022
1 203 0,078
2 383 0,147
3 525 0,201
4 532 0,204
5 408 0,156
6 273 0,105
7 139 0,053
8 45 0,017
9 27 0,010
10 16 0,006

Wartoci funkcji w(k) dla innej serii pomiarw mog by inne.

Zauwaono, e dla dugich serii pomiarw wartoci funkcji w(k) stabilizuj si wok
wartoci funkcji
!
) (
k
e
k p
k

= , gdzie jest pewn sta (w podanym przykadzie
877871 , 3 = ). Wartoci funkcji p(k) nie zale od n.

k n(k) w(k) p(k)
0 53 0,022 0,021
1 203 0,078 0,081
2 383 0,147 0,156
3 525 0,201 0,201
4 532 0,204 0,195
5 408 0,156 0,151
6 273 0,105 0,097
7 139 0,053 0,054
8 45 0,017 0,026
9 27 0,010 0,011
10 16 0,006 0,007

0
0,05
0,1
0,15
0,2
0,25
0 1 2 3 4 5 6 7 8 9 10
liczba emitowanych czstek
w
(
k
)
,

p
(
k
)
w(k)
p(k)

Inne przykady dowiadcze losowych to rzut kostk, rzut monet, obserwacja czasu
niezawodnej pracy pewnego urzdzenia,..

1.2. Definicja i wasnoci prawdopodobiestwa.
Zbir wszystkich moliwych wynikw dowiadczenia losowego nazywamy przestrzeni
zdarze elementarnych i oznaczamy przez .Elementy zbioru nazywamy zdarzeniami
elementarnymi i oznaczamy przez .

Przykady przestrzeni zdarze elementarnych.
1. W dowiadczeniu Rutherforda i Geigera obserwowano liczb czstek wyemitowanych
przez ciao radioaktywne - ,....} 2 , 1 , 0 { = .
2. Wykonujemy rzut kostk - obserwujemy liczb oczek na kostce - } 6 , 5 , 4 , 3 , 2 , 1 { =
3. Obserwujemy czas t niezawodnej pracy urzdzenia - )} , 0 [ : { = t t .
4. Wyznaczamy czas cigania pliku i liczb przerw w jego ciganiu -
,....}} 2 , 1 , 0 { ), , 0 [ : ) , {( = k t k t .
5. Rzucamy symetryczn monet a do pojawienia si ora - ,....} , , { RRO RO O = .

Zdarzeniem losowym nazywamy podzbir . Zbir wszystkich zdarze oznacza bdziemy
liter F. Dla zdarze, podobnie jak dla zbiorw, okrelamy alternatyw (sum) zdarze,
koniunkcj (iloczyn) zdarze, rnic zdarze. Zdarzeniem przeciwnym do zdarzenia A
nazywamy zdarzenie A` =\A. nazywamy zdarzeniem pewnym, - zdarzeniem
niemoliwym. Jeeli = B AI , to mwimy, e zdarzenia A, B wykluczaj si.
Nie wszystkie podzbiory bdziemy uwaa za zdarzenie i zaliczy do zbioru F.

Ze wzgldu na wymagania dotyczce dziaa na zdarzeniach, zakadamy, e zbir zdarze F
spenia nastpujce warunki:

U
1
2 1
,... , . 3
, ' . 2
, . 1
n
n
F A F A A
F A F A
F

Rodzin F nazywamy -ciaem zbiorw.
Z podanych warunkw wynika, e F A A = , jeli F A oraz , F = .

W przypadku dyskretnej (tzn. skoczonej lub przeliczalnej) przestrzeni zdarzeniem
losowym moe by dowolny jej podzbir. W przypadku nieprzeliczalnej przestrzeni
rodzin F naley precyzyjnie okreli. W zagadnieniach dobrym modelem probabilistycznym
okazuj si pewne podzbiory prostej, paszczyzny lub przestrzeni. Za rodzin F przyjmuje si
wwczas -ciao zbiorw borelowskich na prostej, paszczynie lub w przestrzeni, przez co
rozumie si najmniejsze -ciao zbiorw zawierajce przedziay otwarte (a, b) w R (koa
otwarte w R
2
, kule otwarte w R
3
) Mwic obrazowo, zbir borelowski w R (w R
k

,k=2,3) to
kady zbir, ktry mona otrzyma jako wynik przeliczalnych dziaa mnogociowych
wykonanych na rodzinie wszystkich przedziaw na prostej czy kul otwartych w przestrzeni
k-wymiarowej (k=2,3). Na przykad zbiorem borelowskim w R jest kady przedzia
jednostronnie czy dwustronnie domknity i kada pprosta.

Opisujc dowiadczenia losowe podajemy zbir wszystkich moliwych wynikw, okrelamy
rodzin F ale najbardziej interesujce s pytania o szans zajcia poszczeglnych zdarze. T
szans okrelajc zajcie zdarzenia mierzy funkcja zwana prawdopodobiestwem.

Definicja 1.2.
Prawdopodobiestwem nazywamy funkcj okrelon na rodzinie zdarze F speniajc
nastpujce warunki:

1 ) ( . 2
deg , 1 ) ( 0 . 1
=

P
F A o ka dla A P

3. Jeeli ,... ,
2 1
A A s parami rozczne (tzn. , =
j i
A A dla dowolnych j i ), to
U
=
1 1
) ( ) (
n n
n n
A P A P .
W szczeglnoci ) ( ) ( ) ( B P A P B A P + = dla zdarze rozcznych A, B.

Z powyszych warunkw (aksjomatw) wynika wiele wasnoci prawdopodobiestwa,
z ktrych najwaniejsze s przedstawione poniej:

Fakt 1.3.
1. Jeeli ), ( ) ( , B P A P to B A
2. P(A) = 1 P(A), a std P() = 0.
3. Jeeli ) ( ) ( ) ( ) ( ) \ ( , B A P B P A P B P A B P to B A = = ,
4. B A P B P A P B A P + = ( ) ( ) ( ) ( ).
5.
U
n
i
n
i
i i
A P A P
1 1
) ( ) (
= =
.
6. Jeeli ), ( lim ) ( ...,
1
2 1 n
n
n
n
A P A P to A A
U
=

=
7. Jeeli ). ( lim ) ( ...,
1
2 1 n
n
n
n
A P A P to A A
I
=

=

W przypadku trzech zbiorw A, B, C wzr z punktu 4. przyjmie posta:
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( C B A P A C P C B P B A P C P B P A P C B A P + + + = a
przypadku dowolnej, skoczonej liczby zbiorw wzr ten mona uoglni w nastpujcy
sposb:
U
n
i n i n i i
n
n
i i i i
A A P A A P A P A P
1 1 1
1
1
2 1
2 1
) ... ( ) 1 ( ... ) ( ) ( ) (
= <
+

+ + =

Fakt.1.4.
Jeeli } : { I i
i
= , gdzie I jest zbiorem skoczonym lub I = N oraz
i i
p P = ) ( , przy
czym 0
i
p oraz
=
=
1
1
i
i
p , to dla A wzr
=
A
i
i
p A P
) ( okrela
prawdopodobiestwo na rodzinie wszystkich podzbiorw zbioru .

Trjk (, F, P) nazywamy przestrzeni probabilistyczn.

1
Przykad 1.1.
Niech A, B, C bd zdarzeniami. Zapisa za pomoc dziaa na zbiorach nastpujce
zdarzenia:
a) zachodzi dokadnie jedno ze zdarze A, B, C;
b) zachodz dokadnie dwa spord zdarze A, B, C;
c) zachodz przynajmniej dwa spord zdarze A, B, C.
d) zachodz co najwyej dwa spord zdarze A, B, C.
R o z w i z a n i e.
a) Zachodzi dokadnie jedno ze zdarze A, B, C, to oznacza dokadnie, e zachodzi A i nie
zachodz B ani C lub zachodzi B i nie zachodz A ani C lub zachodzi C i nie zachodz
A ani B czyli, e zachodzi zdarzenie
A B
B C
C.
b) Podobnie zachodz dokadnie dwa spord zdarze A, B, C oznacza, e zachodzi
zdarzenie
A B C
A B
C A
B C.
c) Zachodz przynajmniej dwa spord zdarze A, B, C oznacza, e zachodz dokad-
nie dwa spord zdarze A, B, C lub zachodz wszystkie trzy zdarzenia, czyli zachodzi
zdarzenie
A B C
A B
C A
B C A B C.
d) Zachodz co najwyej dwa spord zdarze A, B, C oznacza, e nie zachodz wszystkie
trzy zdarzenia, czyli zachodzi zdarzenie
(A B C)
= A
.
Przykad 1.2.
Studenci Wydziau Elektroniki musz zaliczy dwa lektoraty: z jzyka angielskiego i z j-
zyka niemieckiego. Z danych Dziekanatu wynika, e
2
3
studentw zalicza lektorat z jzyka
angielskiego, oba lektoraty zalicza co czwarty student, za przynajmniej jeden z lekto-
ratw zalicza rwnie
2
3
studentw. Jakie jest prawdopodobiestwo, e losowo wybrany
student:
a) nie zaliczy adnego lektoratu?
b) zaliczy jzyk angielski i nie zaliczy jzyka niemieckiego?
Niech A oznacza zdarzenie losowo wybrany student zaliczy lektorat z jzyka angielskie-
go, przyjmujemy, e P(A) =
2
3
, B - zdarzenie losowo wybrany student zaliczy lektorat
z jzyka niemieckiego.
a) Oczywicie chodzi o zdarzenie A
, wic
P(A
) = P((A B)
) = 1 P(A B) = 1
2
3
=
1
3
1
b) Podobnie: P(AB) =
1
4
, P(AB) =
2
3
, wic P(AB) = P(A)P(AB) =
2
3
1
4
=
5
12
Przykad 1.3.
Studenci Wydziau PPT zdaj w sesji zimowej I roku egzaminy z przedmiotw A,B,C.
Wiadomo, z danych poprzednich lat, e przedmiot A zalicza 60% studentw, przedmiot B
zalicza 80% studentw i przedmiot C zalicza 70% studentw. Studenci, ktrzy zaliczyli A
i B stanowi 55% ogu, ci ktrzy zaliczyli A i C stanowi 45% ogu a studenci, ktrzy
zaliczyli B i C stanowi 60% ogu. Sesj zimow zalicza ok. 40% studentw. Obliczy
prawdopodobiestwo, e losowo wybrany student:
a) zaliczy przynajmniej jeden egzamin,
b) zaliczy przynajmniej dwa egzaminy.
Wiemy, e P(A) =
3
5
, P(B) =
4
5
, P(C) =
7
10
oraz
P(A B) =
55
100
, P(A C) =
45
100
, P(C B) =
60
100
, P(A B C) =
40
100
.
Zatem:
a) P(ABC) = P(A)+P(B)+P(C)P(AB)P(BC)P(CA)+P(ABC) =
3
5
+
4
5
+
7
10

55
100

45
100

60
100
+
40
100
=
9
10
.
b) P(AB AC B C)) = P(AB) +P(AC) +P(B C) P((AB) (A
C)) P((AB) (B C)) P((AC) (B C)) +P((AB) (AC) (B C)) =
P(A B) + P(A C) + P(B C) 2P(A B C) =
8
10
.
1.1 Przykady przestrzeni probabilistycznych.
1.1.1 Prawdopodobiestwo klasyczne
Przestrze =
1
,
2
, . . . ,
n
jest zbiorem n zdarze elementarnych, z ktrych kade
zachodzi z tym samym prawdopodobiestwem, czyli P(
k
) =
1
n
dla k = 1, 2, . . . , n.
Zgodnie z Faktem 1.4. wzr
P(A) =
A
n
, (1)
gdzie A oznacza liczb elementw zbioru A, okrela prawdopodobiestwo na wszystkich
zdarzeniach A . Jest to tzw. prawdopodobiestwo klasyczne.
W rozwizywaniu zagadnie, w ktrych przestrze zdarze elementarnych jest skoczona
przydadz si nam wiadomoci z kombinatoryki.
Podstawowe schematy kombinatoryczne
Niech A oznacza dowolny zbir n rnych elementw A = a
1
, a
2
, . . . , a
n
.
Wariacje z powtrzeniami.
k-wyrazow wariacj z powtrzeniami zbioru A nazywamy kady k-wyrazowy cig
elementw tego zbioru Liczba V
k
n
wszystkich wariacji k-wyrazowych z powtrzeniami ze
zbioru n-elementowego wynosi
V
k
n
= n
k
. (2)
2
Wariacje bez powtrze.
k-wyrazow wariacj bez powtrze zbioru A (k n)nazywamy kady k-wyrazowy
cig rnych elementw tego zbioru Liczba V
k
n
wszystkich k-wyrazowych wariacji bez
powtrze ze zbioru n-elementowego wynosi
V
k
n
= n(n 1)(n 2) (n k + 1) (3)
Jeeli k = n, to k-wyrazow wariacj bez powtrze ze zbioru A nazywamy n-wyrazow
permutacj. Zatem liczba P
n
wszystkich permutacji zbioru n-elementowego wynosi
P
n
= n!. (4)
Kombinacje.
k-elementow kombinacj bez powtrze z n-elementowego zbioru A nazywamy
kady k-elementowy podzbir zbioru A. Liczba C
k
n
wszystkich kombinacji k-elementowych
bez powtrze ze zbioru n-elementowego wynosi
C
k
n
=
_
n
k
_
. (5)
Kombinacje z powtrzeniami.
k-elementow kombinacj z powtrzeniami z n-elementowego zbioru A nazy-
wamy zbir skadajcy si z k elementw, rnych lub nie rnicych si midzy sob,
wybranych spord n elementw, przy czym nie jest istotna kolejno, w jakiej elementy
tego zbioru s ustawione. Liczba C
k
n
wszystkich k-elementowych kombinacji z powtrze-
niami ze zbioru n-elementowego jest taka sama, jak liczba wszystkich rnych zbiorw
k-elementowych, jakie mona utworzy ze zbioru (n+k-1) elementw. Kombinacje z po-
wtrzeniami mona interpretowa, jako rozmieszczenie k nierozrnialnych elementw w n
szuadach, przy czym w kadej szuadzie moe by dowolna, nie przekraczajca k, liczba
elementw.
C
k
n
=
_
k + n 1
k
_
=
_
k + n 1
n 1
_
. (6)
Przykad 1.4.
W teorii czstek elementarnych bada si rozmieszczenie k czstek w podzielonej na komr-
ki przestrzeni fazowej, ktr mona matematycznie opisa np.jako podzbir przestrzeni
czterowymiarowej, gdzie wsprzdnymi s pooenie i pd czstki. Fizycy stwierdzili do-
wiadczalnie, e niektre czstki zachowuj si, jak kule rozrnialne, inne - jak kule
nierozrnialne i zaproponowali trzy nastpujce modele zachowania si czstek :
a) statystyka Maxwella-Boltzmanna. Czstki zachowuj si, jak kule rozrnialne, wic
pytajc o liczb moliwych rozmieszcze k czstek w n komrkach mamy do czynienia z
wariacjami z powtrzeniami i kade spord n
k
rozmieszcze jest jednakowo prawdopo-
dobne. Nie znaleziono jeszcze czstek, ktre zachowywayby si zgodnie z tym modelem.
b) statystyka Fermiego-Diraca. Czstki zachowuj si, jak kule nierozrnialne, ale w ka-
dej komrce moe by co najwyej jedna czstka i wszystkie moliwe rozmieszczenia s
jednakowo prawdopodobne. Tak zachowuj si np. elektrony, protony i neutrony.
c) statystyka Bosego-Einsteina. Czstki zachowuj si, jak kule nierozrnialne, w kadej
3
komrce moe by dowolna liczba czstek i wszystkie moliwe rozmieszczenia s jednako-
wo prawdopodobne. Tak zachowuj si np. fotony.
Zadanie w kadym z rozwaanych wyej modeli wyznaczy prawdopodobiestwo, z
jakim k (k n) czstek mona rozmieci po jednej w k z gry zadanych komrkach.
a) Przy ustalonej permutacji k rozrnialnych czstek tylko jedno rozmieszczenie spord
wszystkich n
k
moliwych rozmieszcze spenia dany warunek. Poniewa czstki mo-
na ustawi na k! sposobw, wic prawdopodobiestwo, z jakim k rozrnialnych czstek
mona rozmieci po jednej w k z gry zadanych komrkach rwne jest
k!
n
k
.
b) Jeeli nie odrniamy czstek, ale w kadej komrce moe by co najwyej jedna to
wystarczy wybra k spord n komrek i wrzuci do niej czstk, a to mona zrobi na
_
n
k
_
sposobw. Tylko jeden z nich spenia warunek z zadania, wic prawdopodobiestwo,
z jakim k nierozrnialnych czstek mona rozmieci po jednej w k z gry zadanych
komrkach wynosi
1
(
n
k
)
.
c) W tym przypadku mamy do czynienia z k-elementowymi kombinacjami z powtrze-
niami z n rnych elementw. Dla ustalonych k-komrek jest tylko jeden cig czstek
speniajcy warunki zadania, wic prawdopodobiestwo, z jakim k nierozrnialnych cz-
stek mona rozmieci po jednej w k z gry zadanych komrkach wynosi
1
(
k+n1
k
)
.
Przykad 1.5.
W pudle s kule biae i czarne. Razem jest ich n. Ile powinno by kul czarnych, aby praw-
dopodobiestwo wylosowania (bez zwracania) dwu kul rnych kolorw byo takie samo,
jak prawdopodobiestwo wylosowania dwu kul tego samego koloru?
Dwie spord n kul mona wybra na
_
n
2
_
sposobw. Oznaczmy przez k liczb kul czar-
nych. Zdarzeniu A wylosowano dwie kule rnych kolorw sprzyja k(n k) zdarze
elementarnych. Zdarzeniu B wylosowano kule tego samego koloru sprzyja
_
k
2
_
+
_
nk
2
_
zdarze elementarnych. Wykorzystujc wzr na prawdopodobiestwo klasyczne otrzymu-
jemy
P(A) =
k(nk)2
n(n1)
oraz P(B) =
2k
2
2nk+n
2
n
n(n1)
.
Poniewa zdarzenia A i B s przeciwne, to zamiast warunku P(A) = P(B) wystarczy
rozwaa jeden z warunkw P(A) =
1
2
lub P(B) =
1
2
. Kady z nich jest rwnowany
rwnaniu
4k
2
4kn + n
2
n = 0.
Rozwizaniami tego rwnania s liczby k
1
=
n+
n
2
oraz k
2
=
n
n
2
. Zauwamy, e jeeli
n nie jest liczb naturaln, to zadanie nie ma rozwizania. Jeeli za

n jest liczb
naturaln, to zarwno
k
1
=
n
n
2
=
n(
n1)
2
jak i k
2
=
n+
n
2
=
n(
n+1)
2
s liczbami naturalnymi oraz k
1
+ k
2
= n.
Podsumowujc zadanie ma rozwizanie jedynie w przypadku, gdy n jest kwadratem
liczby naturalnej (tylko wwczas

n jest liczb naturaln), czarnych kul powinno by
k
1
=
n
n
2
=
n(
n1)
2
lub k
2
=
n+
n
2
=
n(
n+1)
2
.
4
Przykad 1.6.
W szuadzie s dwie skarpety na praw nog i jedna na lew nog. Prawdopodobiestwo,
e losowo wybierajc dwie skarpety otrzymamy par rwne jest
2
(
3
2
)
=
2
3
, za prawdopodo-
biestwo wycignicia dwu prawych wynosi
(
2
2
)
(
3
2
)
=
1
3
. Do szuady dooono jedn skarpet.
Jaka to jest skarpeta, skoro teraz prawdopodobiestwo, e wylosowane dwie skarpety sta-
nowi par, wynosi
1
2
?
Wykorzystajmy poprzedni przykad. Mamy n = 4. Wylosowanie pary skarpet odpowia-
da wylosowaniu kul rnych kolorw. Zatem skarpet jednego typu moe by k
1
= 3 lub
k
2
= 1, czyli dooono praw skarpet.
Przykad 1.7.
Przypumy, e do jeziora zawierajcego nieznan liczb N ryb wpuszczono dodatkowo
1000 ryb oznakowanych (np. pomalowanych na czerwono). Po pewnym czasie dokonano
poowu 1000 ryb i znaleziono wrd nich 100 ryb z czerwonymi plamami. Jak na podsta-
wie tych danych oceni liczb ryb w jeziorze?
Za ocen N przyjmiemy tak liczb, dla ktrej prawdopodobiestwo wyowienia 100 zna-
czonych ryb spord 1000 jest najwiksze. Przyjmujc, e liczba ryb w jeziorze rwna
si (N + 1000), wyznaczymy prawdopodobiestwo p
N
(A), gdzie A oznacza zdarzenie po-
legajce na wylosowaniu 100 ryb oznaczonych przy losowaniu 1000 ryb. jest zbiorem
kombinacji 1000-elementowych ze zbioru N + 1000 elementowego. Wrd wylosowanych
jest 900 nieoznakowanych, wic N , 900. Std
=
_
N+1000
1000
_
, A =
_
1000
100
__
N
900
_
, wic p
N
(A) =
(
1000
100
)(
N
900
)
(
N+1000
1000
)
.
Aby okreli najbardziej prawdopodobn liczb ryb w jeziorze, wyznaczymy warto N,
przy ktrej p
N
(A) osiga warto maksymaln. Rozpatrzmy
p
N
(A)
p
N1
(A)
=
N
2
(N900)(N+1000)
= 1 +
100N+9001000
(N900)(N+1000)
.
Zauwamy, e iloraz ten jest wikszy od 1 bd mniejszy ni 1 w zalenoci od tego, czy
100N < 900 1000, czy 100N > 900 1000. Oznacza to, e gdy N ronie, liczby p
N
(A)
najpierw rosn a potem malej. Rozwaany iloraz osiga warto najwiksz, gdy N jest
najwiksz liczb naturaln nie przekraczjc
9001000
100
, czyli N =
9001000
100
lub N = 8999.
1.1.2 Przeliczalna nieskoczona przestrze probabilistyczna
Niech =
1
,
2
, . . . . Jeeli P(
i
) = p
i
przy czym p
i
, 0 oraz

i=1
p
i
= 1, to prawdopo-
dobiestwo zdarzenia A okrelone jest wzorem
P(A) =

i

A
p
i
. (7)
5
Przykad 1.8.
Dwaj gracze, A oraz B, rzucaj na przemian monet, dopki dwa razy pod rzd upadnie
ona na t sam stron. Jeeli drugi pod rzd orze albo druga pod rzd reszka pojawi si
w rzucie nieparzystym, to wygrywa gracz A. W przeciwnym przypadku wygrywa gracz
B. Obliczy prawdopodobiestwo wygranej dla kadego z graczy.
W opisanej grze zdarzeniem elementarnym jest cig, ktrego elementami s ory lub reszki
i na ostatnich dwu miejscach, po raz pierwszy pod rzd s dwa ory lub dwie reszki, czyli
= oo, rr, orr, roo, oroo, rorr, . . . ma nieskoczenie, ale przeliczalnie, wiele zdarze
elementarnych. Niech
k
oznacza zdarzenie druga reszka pod rzd pojawia si po raz
pierwszy w k-tym rzucie monet, za
k
- drugi orze pod rzd pojawi si po raz
pierwszy w k-tym rzucie.. Oczywicie k = 2, 3, . . . . Na przykad
5
= ororr,
5
= roroo.
Prawdopodobiestwo dla zdarze
k
,
k
wynosi
P(
k
) = P(
k
) = 2
k
, k = 2, 3, . . . .
Gracz A wygra, jeeli zajdzie zdarzenie A =
3
,
3
,
5
,
5
, . . .. Wygranej gracz a B
sprzyja zdarzenie A =
2
,
2
,
4
,
4
, . . .. Zatem
P(A) =

k=1
P(
2k+1
,
2k+1
) = 2

k=1
2
(2k+1)
= 2 2
3
1
12
2
=
1
3
oraz
P(B) =

k=1
P(
2k
,
2k
) = 2

k=1
2
2k
= 2 2
2
1
12
2
=
2
3
.
Prawdopodobiestwo wygranej gracza, ktry rzuca monet na parzystych miejscach jest
dwa razy wiksze ni gracza, ktry rzuca monet na nieparzystych miejscach. W tej grze
pozwlmy przeciwnikowi rozpocz gr! My rzucajmy na miejscach parzystych!
1.1.3 Prawdopodobiestwo geometryczne
W wielu zagadnieniach zbir mona przedstawi jako podzbir borelowski przestrzeni
IR (IR
2
lub IR
3
), ktry ma skoczon miar m - dugo (pole, objto). Dla zdarzenia
losowego A , dla ktrego t miar potramy obliczy, prawdopodobiestwo zdarzenia
A zdeniowane wzorem
P(A) =
m(A)
m()
, (8)
nazywamy prawdopodobiestwem geometrycznym.
Przykad 1.9.
Kawaek drutu o dugoci 20cm zgito pod ktem prostym w przypadkowo wybranym
punkcie. Nastpnie zgito drut jeszcze w dwu punktach tak, by powstaa ramka prosto-
ktna o obwodzie 20cm.
a) Jakie jest prawdopodobiestwo, e pole ograniczone ramk nie przekroczy 21cm
2
?
b) Jakie jest prawdopodobiestwo, e pole ograniczone ramk jest rwne 21cm
2
?
a) Niech x oznacza odlego wybranego punktu od bliszego koca drutu. Wwczas
= [0, 10]. Zdarzenie A pole ograniczone ramk nie przekracza 21cm
2
zachodzi wtedy
i tylko wtedy, gdy x(10 x) 21. Rozwizujc nierwno
x
2
+ 10x 21 0 dla x

[0, 10]
6
otrzymujemy
A = x

[0, 10] : x

[0, 3] [7, 10], wic P(A) =
m(A)
m()
=
6
10
.
b) Niech B oznacza zdarzenie pole ograniczone ramk jest rwne 21cm
2
. Wwczas B
zachodzi wtedy i tylko wtedy, gdy x = 3 lub x = 7, wic P(B) =
m(B)
m()
= 0, poniewa
dugo zbioru zoonego z dwu punktw wynosi 0. Zauwamy, e zdarzenie B jest moliwe
ale prawdopodobiestwo jego zajcia rwne jest 0.
Przykad 1.10.
W kadej chwili odcinka czasu T jednakowo moliwe jest nadejcie do odbiornika kade-
go z dwu sygnaw, ktre w tym odcinku czasu zostan przesane. Odbiornik nie moe
przyj drugiego sygnau, jeeli nadejdzie on w czasie krtszym ni od chwili nadejcia
pierwszego sygnau. Obliczy prawdopodobiestwo przyjcia przez odbiornik obu sygna-
w.
Niech x i y oznaczaj czasy nadej-
cia sygnaw do odbiornika. Wtedy
przestrze zdarze elementarnych
= (x, y) : x, y

[0, T]
moemy interpretowa jako kwadrat
o boku T a interesujce nas zdarze-
nie mona zapisa w postaci
A = (x, y) T T : [x y[ , .
Zatem P(A) =
(T)
2
T
2
=
_
1

T
_
2
.
x
y
O
T
T
Rys. 1.01.
Przykad 1.11.
Z przedziau [0, 1] wybieramy losowo trzy liczby x, y, z. Jakie jest prawdopodobiestwo,
e ich suma jest liczb z przedziau [
1
2
, 1]?
W tym przykadzie = (x, y, z) : 0 x, y, z 1, czyli geometrycznie jest szecianem
jednostkowym. Rozwaane zdarzenie to zbir
A =
_
(x, y, z) :
1
2
x + y + z 1
_
.
Tutaj m(A) jest objtoci zbioru A, ktry jest rnic dwu ostrosupw. Zatem
m(A) =
1
3
_
1
2
1 1
1
2

1
2

1
2
_
=
1
3

3
8
=
1
8
.
Poniewa m() = 1, wic P(A) =
1
8
.
7
2 Prawdopodobiestwo warunkowe.
Niezaleno zdarze.
2.1 Prawdopodobiestwo warunkowe.
Niech (, T, P) bdzie przestrzeni probabilistyczn, a B - dowolnie ustalonym zdarze-
niem takim, e P(B) > 0.
Denicja 2.1. Prawdopodobie nstwem warunkowym zdarzenia A pod warunkiem B nazy-
wamy liczb
P(A[B) =
P(A B)
P(B)
.
Std oczywicie P(A B) = P(A[B)P(B).
Posugujc si zasad indukcji matematycznej moemy udowodni, e dla dowolnego n,
przy zaoeniu, e P(A
1
A
n1
) > 0, prawdziwa jest rwno
P(A
1
A
n
) = P(A
1
)P(A
2
[A
1
)P(A
3
[A
1
A
2
) . . . P(A
n
[A
1
A
n1
). (9)
Fakt 2.2. Jeeli P(B) > 0, to funkcja P([B) okrelona na T spenia aksjomaty praw-
dopodobiestwa.
Przykad 2.1.
Rzucamy dwa razy symetryczn kostk.
a) Jakie jest prawdopodobiestwo wyrzucenia rnej liczby oczek?
b) Jakie jest prawdopodobiestwo wyrzucenia rnej liczby oczek, jeeli suma oczek wy-
nosi 11?
c) Jakie jest prawdopodobiestwo wyrzucenia rnej liczby oczek, jeeli suma oczek wy-
nosi 10?
Przestrze zdarze elementarnych jest zbiorem par uporzdkowanych (a, b), gdzie
a, b

1, 2, 3, 4, 5, 6. Wszystkie zdarzenia elementarne s jednakowo prawdopodobne.
a) Niech A oznacza zdarzenie wypada rna liczba oczek, czyli
A = (a, b)

: a ,= b = (1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6).
Poniewa = 6
2
= 36 oraz A = 36 6 = 30, wic P(A) =
30
36
=
5
6
. b) Zdarzenie suma
oczek wynosi 11 oznaczmy przez B. Oczywicie B = (5, 6), (6, 5). Poniewa B A,
wic B A = B i std
P(A[B) =
P(B)
P(B)
= 1.
W tym przykadzie informacja o zdarzeniu B dawaa pewno, e zajdzie zdarzenie A.
c) Warunkiem jest zdarzenie D = (4, 6), (6, 4), (5, 5). Mamy:
P(D) =
1
12
, A D = (4, 6), (6, 4), P(A D) =
1
18
.
Zatem
8
P(A[D) =
P(AD)
P(D)
=
2
3
.
Jak wida, przy rnych warunkach prawdopodobiestwo zajcia zdarzenia A jest rne.
Przykad 2.2.
Wybrano losowo dwie liczby z przedziau [0, 1]. Jakie jest prawdopodobiestwo, e xy ,
0, 09 , jeeli wiadomo, e x + y 1 ?
Przestrze zdarze elementarnych jest kwadratem jednost-
kowym = (x, y) : x, y

[0, 1].
Interesujce nas zdarzenia to A = (x, y) : xy , 0.09
oraz B = (x, y) : x + y 1. Oczywicie P(B) =
1
2
.
Poniewa
A B =
_
(x, y) : 0.1 x 0, 9;
0,09
x
y 1 x
_
,
wic P(A B) =
0.9
_
0,1
(1 x
0,09
x
)dx =
2
5

9
100
ln 9.
Std P(A[B) =
P(AB)
P(B)
= 2
_
2
5

9
100
ln 9
_
.
x
y
O
1
1
Rys. 1.02.
Przykad 2.3.
Studenci Wydziau Elektroniki musz zda w I semestrze trzy egzaminy: z zyki (A),
analizy matematycznej (C) i z algebry (B). Z danych Dziekanatu wynika, e 70% stu-
dentw zalicza I semestr a 90% - zdaje egzamin z zyki. Jeeli student zaliczy algebr i
zyk, to prawdopodobiestwo, e zda analiz wynosi
4
5
. Jakie jest prawdopodobiestwo,
e student, ktry zda zyk, zda algebr?
Skorzystamy ze wzoru
P(A B C) = P(A) P(B[A) P(C[A B).
Mamy
7
10
=
9
10
P(B[A)
4
5
, skd P(B[A) =
18
25
.
2.2 Wzr na prawdopodobiestwo cakowite i wzr Bayesa.
Zamy,e jest sum rozcznych zbiorw B
i

T dla i

I. Wwczas dla dowolnego
zdarzenia A zbiory A B
i
s parami rozczne. Ponadto A=

i

I
(A B
i
), wic P(A) =
i
P(AB
i
). Jeeli wszystkie zdarzenia B
i
maj dodatnie prawdopodobiestwo, to P(A
B
i
)=P(A[B
i
) P(B
i
) dla kadego iI i otrzymujemy nastpujce twierdzenie.
Twierdzenie 2.1. (Twierdzenie o prawdopodobiestwie cakowitym)
Jeeli jest sum rozcznych zbiorw B
i
, przy czym P(B
i
) > 0 dla wszystkich iI, to
dla dowolnego zdarzenia A zachodzi rwno
P(A) =
i I
P(A[B
i
) P(B
i
).
9
Czasem zdarzenia B
i
wystpujce we wzorze na prawdopodobiestwo cakowite nazywa-
my przyczynami, zdarzenie A - skutkiem. Rozwamy zagadnienie w pewnym sensie
odwrotne do zagadnienia obliczania prawdopodobiestwa cakowitego. Mianowicie zapy-
tajmy, jakie jest prawdopodobiestwo przyczyny B
i
, gdy znany jest skutek A. Poniewa
P(B
i
A)=P(A[B
i
) P(B
i
), wic otrzymujemy tzw. wzr Bayesa
P(B
i
[A) =
P(A[B
i
)P(B
i
)
i I
P(A[B
i
) P(B
i
)
. (10)
Wzr Bayesa nazywamy wzorem na prawdopodobiestwo przyczyny.
Przykad 2.4.
Na stole ley 5 dugopisw. Kade przypuszczenie (hipoteza) dotyczce liczby zepsutych
dugopisw jest jednakowo prawdopodobne. Wybrany losowo dugopis okaza si zepsuty.
Ktre przypuszczenie dotyczce liczby zepsutych dugopisw jest najbardziej prawdopo-
dobne?
Oznaczmy przez H
i
hipotez, e liczba zepsutych dugopisw wynosi i, i = 0, 1, 2, 3, 4, 5.
Mamy P(H
i
) =
1
6
. Niech A oznacza zdarzenie wylosowany dugopis jest zepsuty, ww-
czas P(A[H
i
) =
i
5
. Zatem, ze wzoru na prawdopodobiestwo cakowite otrzymujemy
P(A) =
5
i=0
i
5

1
6
=
1
2
,
a std
P(H
i
[A) =
P(A[H
i
) P(H
i
)
P(A)
=
i
5

1
6
1
2
=
i
15
.
Przy warunku, e wylosowano zepsuty dugopis najbardziej prawdopodobne jest, e wszyst-
kie dugopisy s zepsute.
W statystyce prawdopodobiestwa hipotez P(H
i
) nazywamy prawdopodobiestwami
a priori (przed dowiadczeniem), prawdopodobiestwa P(H
i
[A) - prawdopodobiestwa-
mi a posteriori (po dowiadczeniu).
Przykad 2.5.
Telegraczne przesyanie informacji polega na wysyaniu sygnaw: 0 albo 1. Przy przesy-
aniu 0 przekamanie wystpuje w dwu przypadkach na trzydzieci, a przy przesyaniu 1
przekamanie wystpuje w dwu przypadkach na czterdzieci. Stosunek liczby wysyanych
0 do liczby wysyanych 1 wynosi 5 : 3. Obliczy prawdopodobiestwo, e:
a) wysano 0, jeeli wiadomo, e odebrano 0,
b) wysano 1, jeeli wiadomo, e odebrano 1,
c) wysano 1, jeeli wiadomo, e odebrano 0.
a) Oznaczmy przez B
1
zdarzenie wysano 0, przez B
2
zdarzenie wysano 1, przez
A
1
zdarzenie odebrano 0 oraz przez A
2
zdarzenie odebrano 1 . Wiemy, e
P(A
2
[B
1
) =
2
30
, P(A
1
[B
2
) =
2
40
,
P(B
1
)
P(B
2
)
=
5
3
.
10
Zgodnie ze wzorem Bayesa, prawdopodobiestwo zdarzenia wysano 0, jeeli odebrano
0 rwne jest
P(B
1
[A
1
) =
P(A
1
|B
1
)P(B
1
)
P(A
1
)
.
Zdarzenia B
1
, B
2
speniaj zaoenia twierdzenia o prawdopodobiestwie cakowitym,
wic
P(A
1
) = P(A
1
[B
1
) P(B
1
) + P(A
1
[B
2
) P(B
2
).
Poniewa P(B
2
) =
3
5
P(B
1
) oraz P(A
1
[B
1
) = 1 P(A
2
[B
1
), wic
P(B
1
[A
1
) =
1P(A
2
|B
1
)
1P(A
2
|B
1
)+P(A
1
|B
2
)
3
5
=
280
289
0, 969.
b) Zgodnie ze wzorem Bayesa, prawdopodobiestwo zdarzenia wysano 1, jeeli odebrano
1 rwne jest
P(B
2
[A
2
) =
P(A
2
|B
2
)P(B
2
)
P(A
2
)
.
Zdarzenia B
1
, B
2
speniaj zaoenia twierdzenia o prawdopodobiestwie cakowitym,
wic
P(A
2
) = P(A
2
[B
1
) P(B
1
) + P(A
2
[B
2
) P(B
2
).
Poniewa P(B
1
) =
5
3
P(B
2
) oraz P(A
2
[B
2
) = 1 P(A
1
[B
2
), wic
P(B
2
[A
2
) =
1P(A
1
|B
2
)
1P(A
1
|B
2
)+P(A
1
|B
2
)
5
3
0, 919
c) P(B
2
[A
1
) = 1 P(B
1
[A
1
) = 1 0.969 = 0.031.
Przykad 2.6.
Przecitnie 3% wyprodukowanych elementw ma wad. Do wykrywania wady stosuje si
test, ktry z prawdopodobiestwem 0, 9 wskazuje wad (wynik testu pozytywny), jeeli
element ma wad i z prawdopodobiestwem 0, 95 nie wskazuje wady, jeeli element jej nie
ma.
a) Jakie jest prawdopodobiestwo, e element ma wad, jeeli wynik testu jest pozytywny?
b) Jakie jest powysze prawdopodobiestwo, jeeli element poddamy testowi dwukrotnie
i za kadym razem otrzymamy pozytywny wynik testu?
a) Oznaczmy przez W zdarzenie element ma wad i przez N zdarzenie element nie ma
wady. Zdarzenia te s rozczne, W N = oraz
P(W) = 0.03, P(N) = 0.97.
Niech D oznacza zdarzenie wynik testu jest pozytywny. Z danych zawartych w zadaniu
wynika, e
P(D[W) = 0.9, P(D
[N) = 0.95.
Do obliczenia prawdopodobiestwa zdarzenia element ma wad, jeeli wynik testu by
pozytywny, czyli prawdopodobiestwa warunkowego P(W[D) wykorzystamy wzr Bay-
esa.
P(W[D) =
P(D|W)P(W)
P(D)
=
P(D|W)P(W)
P(D|W)P(W)+P(D|N)P(N)
=
0.90.03
0.90.03+0.050.97
= 0.358
poniewa z wasnoci prawdopodobiestwa warunkowego wynika, e
11
P(D[N) = 1 P(D
[N).
Zatem, jeeli wynik testu jest pozytywny, to prawdopodobiestwo, e losowo wybrany
element ma wad wynosi 35, 8%, czyli wrd elementw, ktre test wskazuje jako wadliwe
tylko 35, 8% elementw ma wad! Co wpywa na tak jako testu? Jaki test byby lepszy?
Dla wad, ktre wystpuj rzadko naleaoby wykorzystywa testy o wikszych wartociach
P(D[W) oraz P(D
[N).
b) Obliczamy, jakie jest prawdopodobiestwo, e element ma wad, jeeli test przeprowa-
dzony na nim dwukrotnie da wyniki pozytywne.
Niech A oznacza zdarzenie test przeprowadzony dwukrotnie na elemencie da za kadym
razem wynik pozytywny. Wwczas
P(A[W) = P(D[W) P(D[W) oraz P(A[N) = P(D[N) P(D[N).
Std P(W[A) =
P(A|W)P(W)
P(A|W)P(W)+P(A|N)P(N)
=
(0.9)
2
0.03
(0.9)
2
0.03+(0.05)
2
0.97
= 0.909. Zatem, jeeli
dwukrotnie zastosowany test da wyniki pozytywne, to prawdopodobiestwo, e element
ma wad wynosi 0.909. Prawdopodobiestwo trafnej diagnozy znacznie wzroso, gdy test
przeprowadzilmy dwukrotnie!
tatwo policzy, e prawdopodobiestwo zdarzenia element

ma wad, jeeli test przeprowadzony trzykrotnie na tym elemencie da za kadym razem
wynik pozytywny rwne jest 0.994.
Przykad 2.7.
Prawdopodobiestwo, e pogoda w danej miejscowoci jest taka sama, jak dnia poprzed-
niego rwne jest a dla dnia deszczowego i b dla dnia bezdeszczowego (a, b

(0, 1)).
Prawdopodobiestwo, e pierwszy dzie roku jest deszczowy rwne jest p
1
. Obliczy praw-
dopodobiestwo p
n
, e n-ty dzie roku jest deszczowy.
Oznaczmy przez D
n
zdarzenie n-ty dzie roku jest deszczowy, a przez B
n
zdarzenie
n-ty dzie roku jest bezdeszczowy. Wwczas dla dowolnego n , 1 mamy:
P(D
n+1
[D
n
) = a, P(B
n+1
[B
n
) = b, P(D
n+1
[B
n
) = 1 b, P(B
n+1
[D
n
) = 1 a.
Policzmy
p
2
= P(D
2
) = P(D
2
[D
1
) p
1
+ P(D
2
[B
1
) (1 p
1
) = ap
1
+ (1 b)(1 p
1
)
= p
1
(a + b 1) + 1 b,
p
3
= P(D
3
) = P(D
3
[D
2
) p
2
+ P(D
3
[B
2
) (1 p
2
) = ap
2
+ (1 b)(1 p
2
)
= p
1
(a + b 1)
2
+ (1 b)(a + b 1) + 1 b,
p
4
= P(D
4
) = P(D
4
[D
3
) p
3
+ P(D
4
[B
3
) (1 p
3
) = p
3
(a + b 1) + 1 b
= p
1
(a + b 1)
3
+ (1 b)(a + b 1)
2
+ (1 b)(a + b 1) + 1 b,
Posugujc si zasad indukcji matematycznej mona pokaza, e
p
n
= p
1
(a + b 1)
n1
+ (1 b)
n2
k=0
(a + b 1)
k
= p
1
(a + b 1)
n1
+ (1 b)
1 (a + b 1)
n1
1 a b + 1
=
1 b)
(1 a) + (1 b)
+ p
1
(a + b 1)
n1
(1 b)(a + b 1)
n1
(1 a) + (1 b)
.
Poniewa a + b 1

(0, 1), wic lim
n
(a + b 1)
n1
= 0 i std lim
n
p
n
=
1b
(1a)+(1b)
.
12
2.3 Niezaleno zdarze.
Denicja 2.3. Dwa zdarzenia A i B nazywamy niezale znymi, jeeli
P(A B) = P(A) P(B).
Jeeli P(B) > 0, to z niezalenoci zdarze A i B wynika, e P(A[B) = P(A), czyli, jak
si potocznie mwi, zajcie zdarzenia B nie ma wpywu na prawdopodobiestwo zajcia
zdarzenia A. Oczywicie dla dowolnego A

T zdarzenia A i s niezalene. Podobnie
- zdarzenia A i s niezalene. Jeeli zdarzenia A i B s rozczne i maj niezerowe
prawdopodobiestwa, to nie mog by niezalene.
Zdarzenia A
1
, A
2
, A
3
, . . . nazywamy rodzin zdarze niezalenych, jeeli dla kadej
skoczonej iloci zdarze A
i
1
, A
i
2
, . . . , A
in
zachodzi rwno
P(A
i
1
A
in
) = P(A
i
1
) P(A
in
). (11)
Fakt 2.4. Jeeli zdarzenia A
1
, A
2
, . . . , A
n
s niezalene, to niezalene s take zdarzenia
B
1
, B
2
, . . . , B
n
, gdzie B
i
= A
i
lub B
i
= A
i
dla i = 1, 2, . . . , n.
Przykad 2.8.
Wyrazi prawdopodobiestwo sumy n niezalenych zdarze A
i
, i = 1, 2, . . . , n za pomoc
prawdopodobiestw poszczeglnych skadnikw.
Poniewa
n
i=1
A
i
=
n
i=1
A
i
,
wic korzystajc z wasnoci prawdopodobiestwa i z niezalenoci zdarze A
i
, i =
1, 2, . . . , n moemy napisa
P
_
n
i=1
A
i
_
= 1 P(
n
i=1
A
i
) = 1
n
i=1
P(A
i
) = 1
n
i=1
(1 P(A
i
)).
czyli
P
_
n
_
i=1
A
i
_
= 1
n
i=1
(1 P(A
i
)). (12)
W tym momencie warto sobie przypomnie, jak si oblicza prawdopodobiestwo sumy
zdarze, o ktrych nie wiadomo, czy s parami rozczne (wzr ??). Wida, e, gdy
zdarzenia A
i
s niezalene, ten do skomplikowany wzr mona mocno uproci.
Przykad 2.9.
Trzech kontrolerw jakoci pracuje niezalenie. Pierwszy wykrywa 90% wad, drugi - 80%
a trzeci - 60%. Jaki procent wad wykrywaj cznie? Jaki procent wad wykrywa trzeci
kontroler a nie wykrywa pierwszy ani drugi?
Niech A
i
oznacza zdarzenie wad wykry i-ty kontroler. Wwczas:
P(A
1
) =
9
10
, P(A
2
) =
8
10
, P(A
3
) =
6
10
,
Wada zostanie wykryta, gdy zajdzie zdarzenie A = A
1
A
2
A
3
. Wykorzystujc wzr
na prawdopodobiestwo zdarzenia przeciwnego oraz prawa de Morgana otrzymujemy
13
P(A
1
A
2
A
3
) = 1 P(A
1
A
2
A
3
).
Poniewa z niezalenoci zdarze A
1
, A
2
, A
3
wynika niezaleno zdarze A
1
, A
2
, A
3
, wic
P(A
1
A
2
A
3
) = 1 P(A
1
)P(A
2
)P(A
3
) = 1 0, 1 0, 2 0, 4 = 0, 992.
Zatem cznie kontrolerzy wykrywaj 99, 2% wad.
Zdarzenie spord trzech kontrolerw wad wykry tylko trzeci kontroler mona zapisa
jako zdarzenie A
1
A
2
A
3
. Poniewa te trzy zdarzenia (tzn. A
1
, A
2
, A
3
) s niezalene,
wic
P(A
1
A
2
A
3
) = 0, 1 0, 2 0, 6 = 0, 012.
Przykad 2.10.
Niezawodnoci urzdzenia nazywamy prawdopodobiestwo tego, e bdzie ono praco-
wa poprawnie przez czas nie mniejszy ni T. Obliczy niezawodno urzdze, ktrych
schematy przedstawiaj ponisze rysunki. Liczby p
1
, p
2
, . . . oznaczaj niezawodnoci po-
szczeglnych, niezalenie pracujcych elementw.
a) p
1
p
2
pn
b)
p
1
p
2
pn
c)
p
1
p
2
p
3
p
4
p
5
p
6
p
7
.
Niech A
i
oznacza zdarzenie, e i-ty element pracuje poprawnie co najmniej przez czas T.
Wtedy p
i
= P(A
i
). Niech p oznacza niezawodno urzdzenia.
a) Urzdzenie pracuje niezawodnie wtedy i tylko wtedy, gdy niezawodny jest kady ele-
ment, czyli, gdy zajdzie zdarzenie A
1
A
2
. . .A
n
. Wykorzystujc niezawodno zdarze
A
i
otrzymujemy
p = P(A
1
A
2
. . . A
n
) = p
1
p
2
. . . p
n
.
b) Urzdzenie pracuje niezawodnie wtedy i tylko wtedy, gdy przynajmniej jeden element
jest niezawodny, czyli, gdy zajdzie zdarzenie A
1
A
2
. . . A
n
. Std
p = P(A
1
A
2
. . . A
n
)
i wykorzystujc prawa de Morgana oraz niezaleno tych zdarze, otrzymujemy
p = 1 P(A
1
A
2
. . . A
n
) = 1 P(A
1
) P(A
2
) . . . P(A
n
) = 1
n
i=1
(1 p
i
)
14
c) Urzdzenie pracuje niezawodnie wtedy i tylko wtedy, gdy zajdzie zdarzenie A
1
i zda-
rzenie A
2
(A
3
A
4
) i zdarzenie A
5
A
6
A
7
. Wykorzystujc wzr na sum zdarze oraz
ich niezaleno otrzymujemy
p = P(A
1
) P(A
2
(A
3
A
4
)) P(A
5
A
6
A
7
)
= p
1
(p
2
+ p
3
p
4
p
2
p
3
p
4
)(p
5
+ p
6
+ p
7
p
5
p
6
p
6
p
7
p
5
p
7
+ p
5
p
6
p
7
).
Przykad 2.11.
Rozwaamy rodziny posiadajce n dzieci. Niech A oznacza zdarzenie, e rodzina ma dzie-
ci obu pci, a B - rodzina ma przynajmniej jedn dziewczynk. Czy zdarzenia A i B s
niezalene?
Przyjmujc, e dzieci w rodzinie uporzdkowane s np. wedug starszestwa, oznaczmy
przez zbir cigw n-elementowych o elementach 0 (dziewczynka) i 1 (chopiec). Ww-
czas
= 2
n
, A = 2
n
2, B = 2
n
1, A B = 2
n
2.
Zatem
P(A B) =
2
n
2
2
n
, a P(A) P(B) =
2
n
2
2
n

2
n
1
2
n
i rwno nigdy nie zachodzi.
Przykad 2.12.
Wkadamy losowo n ponumerowanych kul do n ponumerowanych szuad. Jakie jest praw-
dopodobiestwo p
n
, e przynajmniej jedna kula tra do szuady o tym samym numerze?
Obliczy lim
n
p
n
.
Niech A
i
oznacza zdarzenie i-ta kula wpada do i-tej szuady, i = 1, 2, . . . , n . Kada
kula wpada niezalenie do kadej z szuad z tym samym prawdopodobiestwem rwnym
1
n
. Std, wykorzystujc wzr 12, otrzymujemy
p
n
= P(
n
i=1
A
i
) = 1
_
n1
n
_
n
.
Zatem lim
n
p
n
= 1 lim
n
_
n1
n
_
n
= 1 e
1
.
3 Zmienne losowe jednowymiarowe.
3.1 Denicja oraz rozkad i dystrybuanta zmiennej losowej.
Matematyczny opis dowiadczenia losowego wymaga sprecyzowania przestrzeni probabili-
stycznej, z ktr mamy do czynienia. Wprowadzimy teraz pojcia, ktre pozwol uproci
i stworzy jednolity opis dowiadczenia losowego. Zacznijmy od przykadu.
Badamy jako czterech wyprodukowanych elementw. Kady z nich moe by dobry
(oznaczmy to przez 1) lub wadliwy (oznaczmy to przez 0). Mamy wwczas
= (
1
,
2
,
3
,
4
) :
i
0, 1, i = 1, 2, 3, 4.
15
T jest zbiorem wszystkich podzbiorw zbioru . Faktycznie, najczciej interesuje nas
tylko liczba elementw dobrych wrd sprawdzanych, czyli wynikowi (
1
,
2
,
3
,
4
) przy-
pisujemy liczb (
1
+
2
+
3
+
4
). Okrelamy zatem na funkcj X o wartociach w IR
wzorem
X(
1
,
2
,
3
,
4
) =
1
+
2
+
3
+
4
.
Wartociami funkcji X jest jedna z liczb ze zbioru 0, 1, 2, 3, 4.
Zdarzenie (
1
,
2
,
3
,
4
) : X(
1
,
2
,
3
,
4
) = k oznaczamy krtko (X = k).
Denicja 3.1. Zmienna
losowa
nazywamy kad funkcj X : IR tak, e dla

dowolnego a IR zbir (X < a) = : X() < a jest zdarzeniem losowym, czyli
: X() < a

T dla dowolnego a

IR.
W dalszym cigu zapisujemy krtko

: X() < a = (X < a).
Z wasnoci rodziny T wynika, e zdarzeniami losowymi s te wszystkie zbiory postaci:
(X a), (X > a), (X , a), (a < X < b), (a < X b), (a X < b).
Ze zmienn losow wie si pojcie jej dystrybuanty.
Denicja 3.2. Dystrybuanta
zmiennej losowej X: IR nazywamy funkcj

F
X
: IR [0, 1] okrelon wzorem:
F
X
(x) = P(X < x)
Twierdzenie 3.1. Funkcja F : IR IR jest dystrybuant pewnej zmiennej losowej wtedy
i tylko wtedy, gdy :
F jest niemalejca,
lim
x
F(x) = 0, lim
x+
F(x) = 1.
F jest lewostronnie ciga,
Z dwu pierwszych warunkw wynika, e dla kadego x IR prawdziwa jest nierwno
0 F(x) 1.
16
Przykad 3.1.
Czy mona dobra stae a, b tak, by funkcja F(x) bya dystrybuant pewnej zmiennej
losowej?
F(x) =
_
_
ae
x
gdy x 1,
0, 5 gdy 1 < x 1,
b(2
1
x
) gdy x > 1.
Sprawdmy, czy istniej stae a, b, dla ktrych F(x) spenia zaoenia twierdzenia 3.1.
F(x) jest lewostronnie ciga.
lim
x
ae
x
= 0, wic a , 0.
lim
x+
b(2
1
x
) = 2b = 1, wic b =
1
2
. Aby F(x) bya niemalejca musi zachodzi warunek
ae
1
1
2
oraz b =
1
2
. Zatem dla kadej pary liczb (a, b), gdzie 0 a
e
2
, b =
1
2
funkcja
F(x) jest dystrybuant pewnej zmiennej losowej. Tylko dla pary liczb (
e
2
,
1
2
) F(x) jest
ciga na IR.
Jeeli potramy dla kadego podzbioru borelowskiego B okreli prawdopodobiestwo,
z jakim X przyjmuje wartoci w zbiorze B, to mwimy, e zosta okrelony rozkad
zmiennej losowej X:
P
X
(B) = P( : X() B).
W dalszym cigu oznaczamy krtko
P(X B) = P
X
(B).
Zauwamy, e rozkad zmiennej losowej spenia aksjomaty prawdopodobiestwa.
Rozkad zmiennej losowej jest jednoznacznie wyznaczony przez jej dystrybuant, co jest
treci nastpujcego faktu.
Fakt 3.3. Prawdziwe s nastpujce rwnoci:
1. P(X , a) = 1 F
X
(a),
2. P(a X < b) = F
X
(b) F
X
(a),
3. P(X = a) = F
X
(a
+
) F
X
(a)
(std, jeeli F
X
jest ciga w punkcie a, to P(X = a) = 0),
4. P(X a) = F
X
(a
+
),
5. Jeeli X jest typu cigego, to P(X = a) = 0 dla kadego a

IR.
Wyrniamy dwa zasadnicze typy zmiennych losowych: zmienne losowe typu skokowego i
zmienne losowe typu cigego.
Denicja 3.4. Mwimy, e zmienna losowa X jest typu skokowego lub X jest zmien-
na
dyskretna
, jeeli X przyjmuje skoczenie lub co najwyej przeliczalnie wiele wartoci

x
i
, i

I przy czym P(X = x
i
) = p
i
> 0 oraz

i

I
p
i
= 1.
Rozkad prawdopodobiestwa zmiennej dyskretnej nazywa si czsto funkcj prawdo-
podobiestwa i zapisuje w postaci
(x
i
, p
i
) : i

I
17
Dystrybuanta F
X
: IR [0, 1] zmiennej dyskretnej ma posta
F
X
(x) = P(X < x) =

{i:x
i
<x}
p
i
.
Jest to funkcja schodkowa, lewostronnie ciga o skokach o wartoci p
i
w punktach x
i
, i

I.
Przykad 3.2.
Zorganizowano nastpujc gr : gracz wyciga z talii 52 kart dwie karty (bez zwracania).
Jeeli s to dwa asy - gracz otrzymuje 20 punktw; jeeli dwie gury (krl, dama, walet) -
gracz otrzymuje 10 punktw; w kadym pozostaych przypadkw gracz traci dwa punkty.
Znale rozkad zmiennej losowej X oznaczajcej wygran gracza. Wyznaczy i narysowa
dystrybuant X.
3.2 Najwaniejsze rozkady dyskretne
Rozkad zerojedynkowy .
Mwimy, e zmienna losowa X ma rozkad zerojedynkowy z parametrem p (rozkad
B(1, p)), jeeli X przyjmuje tylko dwie wartoci oznaczane przez 1 i 0 (nazywane od-
powiednio sukcesem i porak) oraz
P(X = 1) = p, P(X = 0) = q = 1 p gdzie p

(0, 1).
Typowymi przykadami zmiennych o rozkadzie zerojedynkowym s zmienne losowe, ktre
opisuj jako wyrobu (dobry, wadliwy), prac urzdzea dwustanowych czy wynik gry
(wygrana, przegrana).
Rozkad dwumianowy - rozkad Bernoulliego
Eksperyment ze zmienn losow o rozkadzie B(1, p) powtarzamy niezalenie n razy. Niech
X oznacza liczb sukcesw w n powtrzeniach. Wwczas
P(X = k) =
_
n
k
_
p
k
q
nk
, dla k = 0, 1, . . . , n
Mwimy, e zmienna losowa zdeniowana wyej ma rozkad Bernoulliego z parametrami
(n, p). Piszemy wwczas, e zmienna losowa ma rozkad B(n, p). atwo sprawdzi, wyko-
rzystujc wzr na dwumian Newtona, e nieujemne wartoci P(X = k) sumuj si do 1:
n
k=0
P(X = k) =
n
k=0
_
n
k
_
p
k
q
nk
= (p + q)
n
= 1.
Zauwamy, e jeeli X
i
(i = 1, 2, . . . , n) s niezalenymi zmiennymi losowymi, z ktrych
kada ma rozkad B(1, p), to zmienna losowa Y =X
1
+X
2
+. . .+X
n
opisuje czn liczb
sukcesw w tych n prbach, czyli ma wanie rozkad Bernoulliego z parametrami n, p.
Warto k
0
, ktr zmienna losowa dyskretna przyjmuje z najwikszym prawdopodobie-
stwem, nazywamy najbardziej prawdopodobn wartoci X. Jeeli X ma rozkad
B(n, p), to
k
0
=
_
(n + 1)p lub (n + 1)p 1 gdy (n + 1)p

IN
[(n + 1)p] gdy (n + 1)p

IN.
18
Przykad 3.3.
W pewnym biurze zainstalowano 10 drukarek. Kada z drukarek pracuje niezalenie red-
nio przez 12 minut w cigu jednej godziny.
a) Jakie jest prawdopodobiestwo, e w losowo wybranej chwili bdzie wczonych 7 dru-
karek? co najmniej 7 drukarek?
b) Jaka jest najbardziej prawdopodobna liczba drukarek wczonych w danej chwili?
Jeeli drukarki pracuj niezalenie rednio przez 12 minut w cigu jednej godziny, to
zmienna losowa X oznaczajca liczb drukarek wczonych w danym momencie ma roz-
kad Bernoulliego z parametrami n = 10, p =
12
60
=
1
5
.
Zatem prawdopodobiestwo, e w losowo wybranej chwili bdzie wczonych 7 druka-
rek wynosi P(X = 7) =
_
10
7
_ _
1
5
_
7
_
4
5
_
3
0.00079, a prawdopodobiestwo, e w losowo
wybranej chwili bdzie wczonych co najmniej 7 drukarek rwne jest
P(X , 7) =
10
k=7
_
10
k
_ _
1
5
_
k
_
4
5
_
10k
0, 00086.
Zatem, jeeli zasilanie drukarek ustalone jest na poziomie dla szeciu drukarek, to prawdo-
podobiestwo przecienia (czyli P(X , 7)) rwne 0,00086. Czyli rednio przecienie ma
miejsce w cigu 86 minut na 100000 minut (1 minute na 1157 minut). Czy te rozwaania
mog pomc w ustaleniu poziomu zasilania?
Przykad 3.4.
Prawdopodobiestwo prawidowo wykonanej czynnoci przez pracownika wynosi 0.99.
a) Jakie jest prawdopodobiestwo, e wszystkie spord 100 takich samych, niezalenie
wykonywanych, czynnoci zostan wykonane prawidowo?
b) Jaka jest najbardziej prawdopodobna liczba czynnoci wykonanych prawidowo?
Rozway powysze pytania, gdy czynno bdzi powtarzana 199 razy.
a) Liczba prawidowo wykonanych czynnoci wrd 100 niezalenych powtrze opisanej
czynnoci jest zmienn losow o rozkadzie B(100, 0.99). Wszystkie czynnoci wykonane
prawidowo opisuje zdarzenie (X = 100), wic
P(X = 100) =
_
100
100
_
(0.99)
100
(0.01)
0
0.3660.
b) Poniewa dla zmiennej losowej X liczba (n + 1)p = 101 0.99 = 99.99 nie jest cako-
wita, wic najbardziej prawdopodobn wartoci X jest cz cakowita z tej liczby, czyli
99. Zatem zmienna losowa z najwikszym prawdopodobiestwem przyjmuje warto 99 i
prawdopodobiestwo to wynosi
P(X = 99) =
_
100
99
_
(0.99)
99
(0.01)
1
0.3697.
Niech zmienna losowa Y okrela liczb czynnoci wykonanych prawidowo przy 199 po-
wtrzeniach. Y ma rozkad B(199, 0.99), wic
P(X = 199) =
_
199
199
_
(0.99)
199
(0.01)
0
0.1353.
Dla zmiennej losowej Y liczba (n + 1)p = 200 0.99 = 198 jest cakowita, wic Y z naj-
wikszym prawdopodobiestwem przyjmuje wartoci 198 albo 197. Prawdopodobiestwo
to wynosi
P(X = 197) = P(Y = 198) = 0.2720.
19
Wida, e nawet jeeli prawdopodobiestwo sukcesu w jednej prbie jest bardzo due,
to prawdopodobiestwo samych sukcesw oraz najwiksza warto prawdopodobiestwa
maleje do szybko wraz ze wzrostem liczby powtrze.
Przykad 3.5.
Co jest bardziej prawdopodobne: wygra z rwnorzdnym przeciwnikiem nie mniej ni 3
partie z 4 partii, czy nie mniej ni 5 partii z 8 partii?
Zmienna losowa X okrelajca liczb wygranych spotka w czterech partiach ma rozkad
B
_
4,
1
2
_
, a zmienna losowa Y okrelajca liczb wygranych spotka w omiu partiach ma
rozkad B
_
8,
1
2
_
. Otrzymujemy zatem
P(X = 3) =
_
4
3
__
1
2
_
3
_
1
2
_
1
=
1
4
, P(Y = 5) =
_
8
5
__
1
2
_
5
_
1
2
_
3
=
7
64
.
Zatem bardziej prawdopodobne jest wygranie dokadnie trzech spord czterech partii.
P(X , 3) =
_
4
3
__
1
2
_
3
_
1
2
_
1
+
_
4
4
__
1
2
_
4
_
1
2
_
0
=
5
16
,
P(Y , 5) =
_
8
5
__
1
2
_
5
_
1
2
_
3
+
_
8
6
__
1
2
_
6
_
1
2
_
2
+
_
8
7
__
1
2
_
7
_
1
2
_
1
+
_
8
8
__
1
2
_
8
_
1
2
_
0
=
11
16
,
czyli bardziej prawdopodobne jest wygranie przynajmniej piciu spord omiu partii ni
przynajmniej trzech spord czterech partii.
Rozkad Poissona z parametrem
Mona udowodni, e prawdziwe jest nastpujce twierdzenie.
Twierdzenie 3.2. (Poissona)
Jeeli (X
n
) jest cigiem zmiennych losowych o rozkadzie dwumianowym B(n, p
n
), przy
czym lim
n+
np
n
= , to dla kadego k

IN zachodzi rwno
lim
n+
_
n
k
_
p
k
n
(1 p
n
)
nk
= e
k
k!
.
Mwimy, e zmienna losowa X ma rozkad Poissona z parametrem , > 0, jeeli
P(X = k) =

k
k!
e
. dla k = 0, 1, 2, . . . .
Oczywicie atwo sprawdzi, e P(X = k) , 0 oraz
k=0
P(X = k) =

k=0
k
k!
e
= e
k=0
k
k!
= e
= 1.
Przyblianie rozkadu Bernoulliego rozkadem Poissona jest stosowane w przypadku, gdy
n jest due (n , 50) a p mae tak, by np(1 p) 9.
Najbardziej prawdopodobn wartoci zmiennej lososwej o rozkadzie Poissona jest
k
0
=
_
lub 1 gdy

IN
[] gdy

IN.
20
Przykad 3.6.
Po miecie jedzi 1000 samochodw. Prawdopodobiestwo, e samochd ulegnie uszko-
dzeniu w cigu jednej doby rwne jest p = 0, 002. Jakie jest prawdopodobiestwo, e co
najmniej jeden samochd w cigu doby ulegnie uszkodzeniu? Zakadamy, e samochody
psuj si niezalenie. Jaka jest najbardziej prawdopodobna liczba uszkodzonych samocho-
dw? Ile miejsc naley przygotowa na stacjach obsugi,by z prawdopodobiestwem 0, 95
byo wolne miejsce dla uszkodzonego samochodu?
Oczywicie moemy tu skorzysta ze schematu Bernoulliego, czyli
P(X , 1) = 1 P(X = 0) = 1
_
1000
0
_
(0.002)
0
(0.998)
1000
0.8649, jednak takie oblicze-
nia s mudne.
Zgodnie z Twierdzeniem 3.2 (biorc = 1000 0, 002 = 2) otrzymujemy
P(X , 1) = 1 P(X = 0) = 1
2
0
0!
e
2
0.8647.
Poniewa (n + 1)p = 2.002

IN, wic najbardziej prawdopodobn liczb uszkodzonych
samochodw jest k
0
= 2.
Aby odpowiedzie na ostatnie pytanie naley znale takie l, gdzie l jest liczb miejsc w
stacji obsugi, e P(X l) , 0, 95, czyli P(X > l) = P(X , l + 1) < 0, 05.
Posugujc si tablicami rozkadu Poissona znajdujemy l + 1 , 6, czyli l , 5.
Przykad 3.7.
Wiadomo, e 1% produkowanych arwek to braki. Obliczy dokadnie i w przyblieniu,
prawdopodobiestwo, e:
a) wrd losowo wybranych 100 arwek nie ma ani jednej wybrakowanej,
b) wrd losowo wybranych 100 arwek s 2 wybrakowane,
c) jaka jest minimalna liczba arwek, ktre naley sprawdzi, by prawdopodobiestwo
znalezienia zej arwki byo nie mniejsze ni 0,9.
Niech X oznacza liczb wybrakowanych arwek wrd 100 wylosowanych.
a) P(X = 0) =
_
100
0
_ _
1
100
_
0
_
99
100
_
100
e
1 1
0
0!
0, 368 ( = 100
1
100
= 1
b) P(X , 2) = 1 P(X = 0) P(X = 1) 0.2642
c) Niech Y oznacza liczb wybrakowanych arwek wrd n wylosowanych. Y ma rozkad
Bernoulliego B(n,
1
100
). P(Y , 1) = 1 P(Y = 0) , 0, 9, wic P(Y = 0) 0, 1. Zatem
szukamy n takiego, e P(Y = 0) =
_
n
0
_ _
1
100
_
0
_
99
100
_
n
0.1. Std n , 230.
Przykad 3.8.
rubki s pakowane w pudeka po 100 sztuk. Prawdopodobiestwo, e rubka jest wy-
brakowana wynosi 0,01. Ile sztuk naleaoby doda do kadego pudeka, aby w celach
marketingowych mona byo powiedzie, e z prawdopodobiestwem nie mniejszym ni
0,9 w kadym pudeku jest co najmniej 100 sztuk dobrych?
Niech X oznacza liczb elementw wybrakowanych w pudeku. Zmienna losowa X ma
rozkad Bernoulliego z parametrami n = 100, p = 0, 01. Zatem
P(X = 0) =
_
100
0
_
p
0
(1 p)
100
0, 366.
21
Jeeli rozkad zmiennej X przybliymy rozkadem Poisoona z parametrem
= 100 0, 01 = 1, to
P(X = 0) = e
1
0, 367.
Dodanie do pudeka kilku (k
0
) elementw tylko nieznacznie zmieni parametr (np. dla
k
0
= 2 jest = 1, 02 oraz P(X = 0) = e
1,02
0, 36059). Korzystajc z przyblionego
rozkadu zmiennej X szukajmy wic najmniejszej liczby k
0
, dla ktrej
P(X k
0
) e
_
1 +

1!
+

2
2!
+ . . . +

k
0
(k
0
)!
_
, 0, 9.
Przyjmujc dla uproszczenia = 1 i korzystajc z tablic rozkadu Poissona otrzymujemy
k
0
= 2, bo
e
1
_
1 + 1 +
1
2
_
= 0, 9196.
Dokadniej dla = 1, 02 mamy
P(X 2) = e
1,02
_
1 +
1,02
1!
+
1,02
2!
_
, 0, 9295.
W rzeczywistoci prawdopodobiestwo znalezienia co najmniej 100 sztuk dobrych w pu-
deku zawierajcym 102 ruby (czyli dla X o rozkadzie Bernoulliego z parametrami
n = 102, p = 0, 01) wynosi
P(X 2) = (0, 99)
102
+ (0, 99)
101
0, 01 1, 02 +
102101
2
(0, 99)
100
(0, 01)
2
0, 9169.
Przykad 3.9.
Liczba komputerw, ktre mog by zaraone wirusem przez pewn sie ma rozkad Po-
issona z parametrem . W kadym zaraonym komputerze wirus niezalenie uaktywnia
si z prawdopodobiestwem p. Jakie jest prawdopodobiestwo, e wirus uaktywni si w
m komputerach?
Niech zmienna losowa X oznacza liczb zaraonych komputerw. X ma rozkad Poissona
z parametrem . Poniewa zdarzenia (X = k), k = 0, 1, 2, . . . s parami rozczne oraz
k=0
(X = k) = i P(X = k) = e

k
k!
> 0, wic spenione s zaoenia twierdzenia o
prawdopodobiestwie cakowitym. Niech zmienna losowa Y oznacza liczb komputerw,
w ktrych wirus uaktywni si. Mamy:
P(Y = m) = P
_
(Y = m)
_
k=0
(X = k)
_
= P
_
_
k=0
((Y = m) (X = k))
_
.
Poniewa zdarzenia (X = k), k = 0, 1, 2, . . . s parami rozczne, wic zdarzenia (Y =
m) (X = k), k = 0, 1, 2, . . . s te parami rozczne. Ponadto dla k < m jest (Y =
m) (X = k) = . Zatem, wykorzystujc twierdzenie o prawdopodobiestwie cakowitym
otrzymujemy
P(Y = m) =
k=0
P((Y = m) (X = k)) =
k=m
P(Y = m[X = k) P(X = k)).
Zdarzenie (Y = m[X = k) dla k , m oznacza, e spord k zaraonych komputerw
wirus uaktywni si w m komputerach, w kadym z prawdopodobiestwem p (m sukcesw
w k prbach), czyli
22
P(Y = m[X = k) =
_
k
m
_
p
m
(1 p)
km
.
Podstawiajc wartoci prawdopodobiestw i dokonujc elementarnych przeksztace, otrzy-
mujemy
P(Y =m) =

k=0
_
k
m
_
p
m
(1 p)
km
e

k
k!
=
e
m!
_
p
1p
_
m

l=0
((1p))
l+m
l!
=
(p)
m
m!
e
p
.
Rozkad geometryczny z parametrem p.
Eksperyment ze zmienn losow o rozkadzie B(1, p) powtarzamy niezalenie dopki po-
jawi si sukces. Niech X oznacza numer prby, w ktrej sukces pojawi si po raz pierwszy.
Wwczas, kadc q = 1 p otrzymujemy
P(X = k) = pq
k1
, dla k = 1, 2 . . .
Mwimy, e zmienna losowa zdeniowana wyej ma rozkad geometryczny z parametrem
p. Prawdopodobiestwa zdarze (X = k) s wyrazami cigu geometrycznego i sumuj si
do 1:
k=0
P(X = k) =

k=1
pq
k1
= p
k=1
q
k1
= p
1
1q
= 1.
Zmienn o rozkadzie geometrycznym wygodnie jest interpretowa jako czas oczekiwania
na pierwszy sukces, tzn. liczb powtrze eksperymentu poprzedzajcych eksperyment,
w ktrym po raz pierwszy otrzymalimy sukces.
Fakt 3.5. Jeeli zmienna losowa X ma rozkad geometryczny, to dla dowolnych liczb
naturalnych n
0
, k zachodzi rwno:
P(X > n
0
+ k[X > n
0
) = P(X > k).
O zmiennej losowej speniajcej warunek z Faktu 3.5 mwimy, e ma tzw. wasno
braku pamici. Ciekawszym jest fakt, e rozkad geometryczny jest jedynym rozkadem
dyskretnym posiadajcym wasno braku pamici.
Przykad 3.10.
Prawdopodobiestwo, e danego dnia w miejscowoci A latem wieci soce jest stae i
rwne p. Jakie jest prawdopodobiestwo, e jeszcze co najmniej przez 7 dni bdzie pikna
soneczna pogoda, jeeli ju od dwu tygodni wieci soce?
Przy zaoeniu, e pogoda w danym dniu nie zaley od pogody w dniach poprzednich,
zmienna losowa X okrelajca liczb kolejnych sonecznych dni ma rozkad geometryczny
z parametrem p. Zatem
P(X , 21[X , 14) = P(X > 20[X > 13) = P(X > 7) = (1 p)
7
.
23
Przykad 3.11.
Gwna wygrana w totolotku to prawidowe skrelenie 6 liczb sprd 49. Jakie jest praw-
dopodobiestwo gwnej wygranej za 1001 razem, jeeli przez 1000 razy nie byo gwnej
wygranej?
Sze liczb spord 49-u mona wybra na
_
49
6
_
sposobw (uporzdkowanie liczb nie jest
istotne). Wygranej sprzyja tylko jeden sporod
_
49
6
_
jednakowo prawdopodobnych sposo-
bw, czyli prawdopodobiestwo gwnej wygranej p rwne jest
p =
1
(
49
6
)
=
1
13983816
,
mona powiedzie, e jest bliskie jeden do czternastu milionw.
Gr w Toto-lotka powtarza si i w kadym powtrzeniu prawdopodobiestwo gwnej
wygranej rwne jest wyej obliczonemu p. Niech zmienne losowa X okrela numer losowa-
nia, w ktrym gwna wygrana pojawi si po raz pierwszy. X ma rozkad geometryczny z
parametrem p. Prawdopodobiestwo gwnej wygranej za 1001 razem, jeeli przez 1000 ra-
zy nie byo gwnej wygranej to prawdopodobiestwo warunkowe P(X = 1001[X > 1000).
Zatem
P(X = 1001[X > 1000) =
P(X=1001X>1000)
P(X>1000)
=
P(X=1001)
P(X>1000)
.
Poniewa
P(X > 1000) =

k=1001
P(X = k) =

k=1001
q
k1
p = q
1000
p
1q
= q
1000
,
wic
P(X = 1001[X > 1000) =
q
1000
p
q
1000
= p,
czyli prawdopodobiestwo wygranej za 1001 razem, jeeli nie wygralimy przez pierwsze
1000 jest takie samo, jak prawdopodobiestwo wygranej za pierwszym razem. Na tym
polega wasno braku pamici rozkadu zmiennej losowej, a ma j opisana zmienna
losowa X. Jeeli wiemy, e zmienna losowa przyja warto wiksz ni n, to wszystkie
nastpne wartoci n+k s przyjmowane z takimi samymi prawdopodobiestwami, z jakimi
przyjmowane s wartoci k. Przeszo, jeeli dotrwamy do chwili n, nie ma wpywu na
przyszo.
Rozkad Pascala z parametrami r,p.
Eksperyment ze zmienn losow o rozkadzie B(1, p) powtarzamy niezalenie dopki po-
jawi si r sukcesw. Niech X oznacza numer prby, w ktrej r-ty sukces pojawi si po
raz pierwszy. Wwczas dla r , 1, q = 1 p mamy
P(X = k) =
_
k 1
r 1
_
p
r
q
kr
, dla k = r, r + 1, . . . , gdzie r , 1, 0 < p < 1.
Mwimy, e zmienna losowa zdeniowana wyej ma rozkad Pascala z parametrami r, p.
Zmienn o rozkadzie Pascala wygodnie jest interpretowa jako czas oczekiwania na pierw-
szy r-ty sukces.
24
Przykad 3.12.
Na ulicy stoi sprzedawca gazet. Kady z mijajcych go przechodniw kupuje gazet z
prawdopodobiestwem p =
1
3
. Niech X oznacza ilo ludzi mijajcych go do momentu,
gdy sprzeda 100 gazet. Znale rozkad zmiennej X.
X ma rozkad Pascala z parametrami r = 100, p =
1
3
,
Rozkad hipergeometryczny
Z populacji skadajcej si z N elementw jednego rodzaju i M elementw drugiego
rodzaju losujemy n elementw. Niech X oznacza liczb elementw pierwszego rodzaju
wrd wszystkich wylosowanych. Wwczas
P(X = k) =
_
N
k
__
M
nk
_
_
N+M
n
_
, k = 0, 1, . . . , N.
Mwimy, e wyej zdeniowana zmienna losowa ma rozkad hipergeometryczny z para-
metrami N, M, n, n < N, n < M. Denicja jest poprawna, bo mona sprawdzi, e
N
k=0
P(X = k) =
N
k=0
(
N
k
)(
M
nk
)
(
N+M
n
)
= 1.
Przyblienie rozkadem Poissona moemy stosowa rwnie w przypadku, gdy zmienna
losowa ma rozkad hipergeometryczny, gdzie N +M jest due a liczba
N
N+M
n mieci si
w przedziale (0, 10).
Przykad 3.13.
Zauwamy, e w Przykadzie 1.7 liczba ryb oznaczonych wrd 1000 wyowionych (jeeli
w jeziorze jest N + 1000 ryb) jest zmienn losow o rozkadzie hipergeometrycznym z
parametrami N, M = 1000, n = 1000.
Przykad 3.14.
Spord liczb 1, 2, . . . , 35 losujemy pi liczb. Jakie jest prawdopodobienstwo, e bd
wrd nich cztery mniejsze od 21? Jaka jest najbardziej prawdopodobna ilo liczb wylo-
sowanych mniejszych od 21? Porwna wynik ze redni z takich liczb.
W tym zadaniu mamy do czynienia ze zmienn losow (okrelajc ilo liczb mniej-
szych od 21 wrd wszystkich wylosowanych) o rozkadzie hipergeometrycznym, gdzie
N = 20, M = 15, n = 5, wic:
P(X = 4) =
(
20
4
)(
15
1
)
(
35
5
)
.
Warunek P(X = k) < P(X = k + 1) rwnowany jest nierwnoci
(
20
k
)(
15
5k
)
(
35
5
)
<
(
20
k+1
)(
15
5(k+1)
)
(
35
5
)
,
ktrej rozwizanie daje k < 3.
25
Przykad 3.15.
Pudeko kulek potrzebnych do zmontowania oyska zawiera 10 sztuk o dodatniej odchy-
ce od nominalnego wymiaru rednicy i 15 sztuk - o ujemnej odchyce. Do zmontowania
oyska potrzeba 6 kulek, z ktrych co najwyej 3 mog mie dodatni odchyk od nomi-
nalnego wymiaru rednicy. Jakie jest prawdopodobiestwo, e monterowi, ktry wybiera
6 kulek losowo, uda si zmontowa oysko?
Niech X oznacza liczb kulek wrd 6 wybranych o ddatniej odchyce. Monterowi uda
si zmontowa oysko, X 3. X ma rozkad hipergeometryczny z parametrami: N =
10, M = 15, n = 6. Zatem P(X ) = 1 P(X = 4) P(X = 5) P(X = 6).
Rozkad wielomianowy
Rozkad dwumianowy moemy uoglni na przypadek n powtarzanych niezalenych eks-
perymentw, z ktrych kady moe mie jeden z k (k , 2) wynikw. Niech p
i
oznacza
prawdopodobiestwo realizacji wyniku i-tego rodzaju w kadej prbie, p
i

(0, 1), i =
1, 2, . . . , k, p
1
+p
2
+. . . +p
k
= 1, za X
i
niech oznacza liczb wynikw i-tego rodzaju w
n powtrzeniach. Wwczas
P(X
1
= n
1
, X
2
= n
2
, . . . , X
k
= n
k
) =
n!
n
1
! n
2
! . . . n
k
!
p
n
1
1
p
n
2
2
. . . p
n
k
k
,
gdzie n
i
, i = 1, 2, . . . , k s liczbami naturalnymi oraz n
1
+ n
2
+ . . . + n
k
= n.
Przykad 3.16.
Jakie jest prawdopodobiestwo, e w szeciocyfrowym kodzie wystpi trzy zera, dwie
pitki i jedna semka?
Zmienne losowe X
i
, gdzie i = 0, 1, 2, . . . , 9 oznaczaj odpowiednio liczb zer, jedynek, . . .,
dziewitek w szeciocyfrowym kodzie. p
i
jest prawdopodobiestwem wylosowania jednej
z dziesiciu cyfr, czyli p
i
=
1
10
, i = 0, 1, 2, . . . , 9. Zatem
P(X
0
= 3, X
5
= 2, X
8
= 1, X
1
= X
2
= X
3
= X
4
= X
6
= X
7
= X
9
= X
0
= 0) =
6!
3!2!1!
_
1
10
_
3
_
1
10
_
2
_
1
10
_
1
= 0.00006.
Przykad 3.17.
Po wstpnej kontroli technicznej 70% wyrobw oceniono jako dobre, 5% - jako wadliwe,
a 25% zdecydowano podda dalszej kontroli. Jakie jest prawdopodobiestwo, e wrd 10
wylosowanych wyrobw jest 7 dobrych, 2 wadliwe i 1 naley podda dalszej kontroli?
Niech zmienne losowe X
1
, X
2
, X
3
okrelaj odpowiednio liczb wyrobw dobrych, wadli-
wych i przeznaczonych do dalszej kontroli wrd 10 wylosowanych. Prawdopodobiestwa
dla poszczeglnej jakoci wyrobw wynosz odpowiednio: p
1
= 0.7, p
2
= 0.05, p
3
= 0.25.
Zatem
P(X
1
= 7, X
2
= 2, X
3
= 1) =
10!
7!2!1!
(0.7)
7
(0.05)
2
(0.25)
1
= 0.0185.
W rozkadzie wielomianowym zmienna losowa X
i
okrela liczb elementw i-tego rodzaju
wrd n elementw, wic X
i
ma rozkad dwumianowy B(n, p
i
). Zatem najbardziej praw-
dopodobna liczba elementw przeznaczonych do dalszej kontroli spord 10 wylosowanych
to 2.
26
3.3 Zmienne losowe typu cigego
Denicja 3.6. Mwimy, e zmienna losowa X jest typu cia
gl

ego, jeeli istnieje nieujemna
funkcja cakowalna f
X
: IR IR taka, e:
F
X
(x) =
x
_
f
X
(t)dt dla kadego x IR.
Funkcj f
X
nazywamy ge
sto scia
prawdopodobie nstwa.
Wiemy z analizy, e funkcja F
X
jest wwczas ciga. Ponadto - jest ona rniczkowalna
we wszystkich punktach cigoci funkcji f
X
i w punktach tych zachodzi rwno
F
X
(x) = f
X
(x).
Nietrudno wykaza, e prawdziwa jest nastpujca charakteryzacja.
Twierdzenie 3.3. Funkcja f jest gstoci pewnej zmiennej losowej wtedy i tylko wtedy,
gdy :
f(x) , 0 dla kadego x IR,
+
_
f(x)dx = 1.
Przykad 3.18.
Czy istnieje staa c, dla ktrej podana funkcja jest funkcj gstoci:
f(x) =
_
_
0, gdy x 0,
c, gdy 0 < x 1
c
x
2
, gdy x > 1
Wykorzystamy twierdzenie 3.3. Dla funkcji f(x) mamy c , 0 oraz
_
0
0dx +
_
1
0
cdx +
_

1
c
x
2
dx = 2c = 1
zatem dla c =
1
2
funkcja f(x) jest gstoci pewnej zmiennej losowej Y . Jej dystrybuanta
ma posta
F(x) =
_
_
0, gdy x 0,
1
2
x, gdy 0 < x 1,
1
1
2x
, gdy x > 1.
Obliczmy, dla zmiennej losowej Y prawdopodobiestwo zdarze:
P(2 < X < 1) = F(1) F(2) =
_
1
0
1
2
dx =
1
2
,
P(0 < X < 4) = F(4) F(0) =
_
1
0
1
2
dx +
_
4
1
1
2x
2
=
7
8
,
P(X > 2) = 1 F(2) =
_

2
1
2x
2
dx =
1
4
.
27
Przykad 3.19.
Dzienne zuycie energii (100 kWh =1) pewnej rmy jest zmienn losow X o gstoci:
f
X
(x) =
_
1
9
(3 + 2x x
2
) dla 0 x 3,
0 dla x < 0 lub x > 3.
Jakie jest prawdopodobiestwo zdarze: (X >
1
2
), (1 < X < 2)?
F
X
(x) =
_
_
0 dla x 0,
x
_
0
f(t)dt =
1
3
x +
1
9
x
2
1
27
x
3
11
27
dla 0 < x 3,
1 dla x > 3
P(X >
1
2
) = 1 F
X
(
1
2
) =
41
6
3
, P(1 < X < 2) = F
X
(2) F
X
(1) =
11
27
.
3.4 Najwaniejsze rozkady cige
Rozkad jednostajny na odcinku [a,b]:
Zmienna losowa X ma rozkad jednostajny na odcinku [a, b], jeeli jej gsto jest postaci
f
X
(x) =
_
1
ba
dla x [a, b],
0 dla x IR [a, b]
Wwczas
F
X
(t) =
_
_
0 gdy t a,
ta
ba
gdy t (a, b],
1 gdy t > b.
x
y
O 2
1
2
Rys. 1.03.
Gsto rozkadu jednostajnego
na przedziale [0,2]
x
y
O 2
1
2
Rys. 1.03.
Dystrybuanta rozkadu jednostajnego
na przedziale [0,2]
Przykad 3.20.
Z przystanku autobusy odjedaj co 10 minut. Zakadamy, e rozkad T czasu przybycia
pasaera na przystanek jest zmienn losow o rozkadzie jednostajnym. Obliczy praw-
dopodobiestwo, e pasaer bdzie czeka co najmniej 4 minuty, mniej ni 3 minuty.
f
T
(x) =
_
1
10
dla x [0, 10],
0 dla x IR [0, 10]
F
T
(t) =
_
_
0 gdy t 0,
t
10
gdy t (0, 10],
1 gdy t > 10.
28
Zatem
P(T < 3) = F
T
(3) =
3
10
.
oraz
P(T , 4) = 1 P(T < 4) = 1 F
T
(4) =
6
10
.
Przykad 3.21.
Automat produkuje kulki metalowe o rednicy X bdcej zmienn losow o gstoci
f
X
(x) =
_
5 dla x [0.4, 0.6],
0 dla x IR [0.4, 0.6]
Za zgodne z norm uznaje si kulki o rednicy z przedziau [0.41, 0.59]. Obliczy praw-
dopodobiestwo, e wybrana losowo z produkcji kulka spenia wymagania normy. Jaka
jest najbardziej prawdopodobna liczba kulek speniajcych wymagania normy wrd 1000
kulek.
P(0.41 < X < 0.59) =
0.18
0.20
= 0.9. Liczba Y kulek speniajcych wymagania nor-
my wrd 1000 kulek ma rozkad B(1000, 0.9), wic najbardziej prawdopodobna warto
zmiennej Y wynosi [1001 0.9] = 900.
Rozkad wykadniczy z parametrem
Zmienna losowa X ma rozkad wykadniczy z parametrem , > 0, jeeli jej gsto ma
posta
f
X
(x) =
_
0 dla x 0,
e
x
dla x > 0.
3
2 1 0 1 2
1
2
3 4
Rys. 1.04.
Gsto rozkadu wykadniczego dla = 1
Wwczas dystrybuanta jest postaci
F
X
(x) = =
_
0 dla x 0,
1 e
x
dla x > 0
Rozkad wykadniczy posiada wasno braku pamici przez co rozumiemy, e dla
dowolnych nieujemnych x, s zachodzi rwno:
P(X > x + s[X > s) = P(X > x).
Mona take wykaza, e rozkad wykadniczy jest jedynym rozkadem cigym
posiadajcym wasno braku pamici.
29
Przykad 3.22.
Czas pracy pewnego urzdzenia jest zmienn losow X o rozkadzie wykadniczym z
parametrem = 10
4
. Wiadomo, e urzdzenie pracowao 1000h. Jakie jest prawdopo-
dobiestwo, e popracuje co najmniej 6000h?
Wykorzystujc wasno braku pamici otrzymujemy
P(X , 6000[X > 1000) = P(X , 5000+1000[X > 1000) = P(X , 5000) = 1F
X
(5000) = e
0.5
.
Rozkad normalny z parametrami m, .
Zmienna losowa X ma rozkad normalny z parametrami m, (m,

IR, > 0), jeeli
jej gsto ma posta
f
X
(x) =
1
2
e
(xm)
2
2
2
.
Wiemy ju, e

_
f
X
(x)dx = 1.
Rozkad ten oznacza bdziemy symbolem N(m, ).
Rozkad normalny jest najwaniejszym rozkadem w teorii prawdopodobiestwa. Zosta
wprowadzony w XVIIIw. przez Gaussa i Laplacea Rozkad normalny, co niedugo przed-
stawimy, stanowi dobre przyblienie sum niezalenych zmiennych losowych. Z tego wzgl-
du jest wykorzystywany do opisu losowych bdw pomiarw. Jeeli bd pomiaru nie-
znanej wielkoci jest sum wielu maych losowych bdw dodatnich i ujemnych, to suma
tych bdw ma rozkad bliski rozkadowi normalnemu.
Dystrybuanty rozkadu normalnego N(m, ) , czyli funkcji
F
X
(x) =
1
2
_
x
(tm)
2
2
2
dt.
nie mona wyrazi przez funkcje elementarne. Wartoci dystrybuanty rozkadu N(0, 1),
czyli funkcji
(x) =
1
2
_
x
t
2
2
dt.
podane s w tablicach.
Wykres gstoci rozkadu N(0, 1) jest nastpujcy
30
Rys. 1.04.
Gsto rozkadu N(0,1)
Z symetrii wykresu gstoci wzgldem osi Oy otrzymujemy wygodn w obliczeniach rw-
no:
X
(x) = 1
X
(x).
Okazuje si, e wartoci dystrybuanty dowolnego rozkadu N(m, ) mona obliczy,
znajc wartoci funkcji (x).
Fakt 3.7. Jeeli X ma rozkad N(m, ), to zmienna losowa Y =
X m
ma rozkad
N(0, 1) oraz
F
X
(x) =
_
x m
_
.
Ostatni Fakt daje nastpujcy, czsto wykorzystywany wzr
P(a < X < b) =
_
b m
_
a m
_
.
Korzystajc ze standaryzacji i z tablic rozkadu N(0, 1) atwo sprawdzi, e gdy X ma
rozkad N(m, ), to
P(m3 < X < m + 3) = P
_
3 <
Xm
< 3
_
= 2(3) 1 = 2 0.9987 1 , 0.997.
Oznacza to, e wartoci zmiennej X z prawdopodobiestwem bliskim 1 zawarte s w
przedziale (m3, m + 3). Wasno t nazywamy prawem trzech sigm.
Przykad 3.23.
rednica metalowych kulek produkowanych przez automat jest zmienn losow X o roz-
kadzie N(0.5, 0.04). Za zgodne z norm uznaje si kulki o rednicy z przedziau [0.41,
0.59]. Obliczy prawdopodobiestwo, e wybrana losowo z produkcji kulka spenia wyma-
gania normy. Jaka jest najbardziej prawdopodobna liczba kulek speniajacych wymagania
normy wrd 1000 kulek?
R o z w i z a n i e
Szukane prawdopodobiestwo obliczymy dokonujc standaryzacji zmiennej losowej X oraz
wykorzystamy tablice rozkadu N(0, 1)
P(0.41 < X < 0.59) = P(
0.41 0.5
0.04
<
X 0.5
0.04
<
0.59 0.5
0.04
) =
(2.25) (2.25) = 2(2.25) 1 = 0.9756
Zmienna losowa Y okrelajca liczb kulek speniajcych wymagania normy, wrd 1000
kulek wyprodukowanych ma rozkad B(1000, 0.9756) i jej wartoci najbardziej prawdo-
podobn jest [1001 0, 9756] = 976.
Zauwamy, e obliczane w przykadzie wielkoci s wiksze ni analogiczne wielkoci dla
zmiennej losowej opisanej w Przykadzie 3.20.
31
Przykad 3.24.
Czas sprawnej pracy drukarek pewnego typu (w dniach) ma rozkad N(1000,80).Jaki
powinien by okres gwarancji, aby na 90% drukarka dziaaa przynajmniej przez okres
gwarancji ?
R o z w i z a n i e
Oznaczmy przez X czas sprawnej pracy drukarki, za przez T nieznany okres gwaran-
cji.Zdarzenie (X > T) ma zachodzi z prawdopodobiestwem co najmniej 0.9, czyli
P(X > T) , 0.9, ale
P(X > T) = P(
X 1000
80
>
T 1000
80
) = 1 (
T 1000
80
) = (
T 1000
80
).
Szukamy T, dla ktrego
(
T 1000
80
) , 0.9.
Z tablic rozkadu N(0, 1) odczytujemy, e
T1000
80
> 1.29. Poniewa funkcja (x) jest ro-
snca, wic T < 897.6. Zatem szukany okres gwarancji powinien mie co najwyej 897 dni.
Rozkad gamma z parametrami a, b > 0)
Zmienna losowa X ma rozkad gamma z parametrami a, b > 0, jeeli jej gsto ma posta
a,b
(x) =
_
_
0 dla x 0,
b
a
(a)
x
a1
e
bx
dla x > 0.
gdzie (a) (tzw. funkcja gamma) zdeniowana jest dla a > 0 za pomoc caki niewa-
ciwej
(a) =
_
0
t
a1
e
t
dt.
Cakowanie przez czci daje wzr rekurencyjny
(a) = (a 1)(a 1) dla a > 1,
wic dla a = n

IN otrzymujemy
(n) = (n 1)!
Dla naturalnych a = n rozkad gamma jest rozkadem sumy n niezalenych zmiennych
losowych o rozkadzie wykadniczym z parametrem b.
Rozkad Cauchyego z parametrem
Zmienna losowa X ma rozkad Cauchyego z parametrem , > 0, jeeli jej gsto jest
postaci
f
X
(x) =

(
2
+ x
2
)
.
Wwczas
F
X
(x) =
1
_
arc tg
x
+

2
_
.
32
3.5 Funkcje zmiennych losowych
Jeeli g jest w miar porzdn (np. posiadajc co najwyej przeliczalnie wiele punktw
niecigoci), funkcj zmiennej rzeczywistej, to dla dowolnej zmiennej losowej X: IR
funkcja g X = g(X) : IR te jest zmienn losow. Mamy bowiem:
(g X)
1
((, a)) = X
1
(g
1
(, a)) T.
Dla zmiennej losowej X w pewnych przypadkach rozkad zmiennej losowej g(X), gdzie g
jest funkcj zmiennej rzeczywistej mona atwo wyznaczy. Jeeli g jest cile rosnca, to
dystrybuant zmiennej Y = g X mona wyznaczy za pomoc dystrybuanty zmiennej
X w nastpujcy sposb:
F
Y
(x) = P(Y < x) = P(g(X) < x) = P(X < g
1
(x)) = F
X
(g
1
(x)).
Przykad 3.25.
Miesiczny koszt prowadzenia przyzakadowego laboratorium jest zaleny od liczby x
zatrudnionych w nim pracownikw zgodnie ze wzorem y = 15000x + 10000
x. Koszty
te traktujemy jako zmienn losow. Wyznaczy funkcj prawdopodobiestwa zmiennej
Y = 15000X + 10000
X, przyjmujc nastpujcy rozkad zmiennej losowej X:

x
i
2 3 4 5
p
i
0, 1 0, 25 0, 40 0, 25
Punkty skokowe y
i
zmiennej Y s postaci y
i
= 15000x
i
+10000
x
i
, co dla x
i

2, 3, 4, 5
daje y
i

44142, 62321, 8000, 97361. Poniewa g jest rnowartociowa,
wic P(Y = y
i
) = P(X = x
i
) = p
i
czyli otrzymujemy
y
i
44142 62321 80000 97361
p
i
0, 1 0, 25 0, 40 0, 25
Przykad 3.26.
W ustalonym punkcie paskiej folii znajduje si rdo promieniowania radioaktywnego
wysyajce promienie rwnomiernie we wszystkich kierunkach. W odlegoci 1 od folii
znajduje si rwnolegy do niej ekran, na ktrym obserwuje si byski spowodowane pro-
mieniowaniem. Niech X bdzie zmienn losow oznaczjc wsprzdn punktu obserwo-
wanego na ekranie. Korzystajc z zaoenia, e kt (t) jest wartoci zmiennej losowej
o rozkadzie jednostajnym na (0, ) wyznaczy jej gsto i dystrybuant zmiennej losowej
X Naszkicowa obydwie funkcje.
Spjrzmy na rysunek.
33
x
y
O
1
(u,1)
t
Rys. 1.03.
Niech (u, 1) bdzie punktem, w
ktrym umieszczone jest rdo
promieniowania. Promienie wysy-
ane s rwnomiernie we wszyst-
kich kierunkach oznacza, e kt
t
=

2
+
t
, gdzie tg
t
=
tu
1
,
jest wartoci zmiennej losowej o
rozkadzie jednostajnym na [0, ].
Std
F
X
(t) = P(X < t) = P( <
t
) = P
_
<

2
+ arctg(t u)
_
=
1
2
+ arctg(t u)
_
=
1
2
+
1
arctg(t u), wic f

X
(t) = F
X
(t) =
1
1
1+(tu)
2
.
Otrzymalimy zatem przesunity rozkad Cauchyego. Jeeli rdo promieniowania
znajduje si w punkcie (0, 1) to mamy zdeniowany wyej rozkad Cauchyego.
Denicja 3.8. Zmienne losowe X
1
, X
2
, . . . , X
n
nazywaj si niezalene, jeeli dla do-
wolnych t
1
, t
2
, . . . , t
n
IR zachodzi rwno
P(X
1
< t
1
, X
2
< t
2
, . . . , X
n
< t
n
) =
n
i=1
P(X
i
< t
i
)
Przykad 3.27.
Czas oczekiwania na poczenie w centrali telefonicznej dla kadego abonenta jest zmien-
n losow X o rozkadzie wykadniczym z parametrem = 0, 2s. Z centrali korzysta
jednoczenie i niezalenie 100 abonentw. Obliczy prawdopodobiestwo, e najkrtszy z
czasw oczekiwania jest wikszy ni 5s a najduszy - mniejszy ni 10s.
Niech X
i
bdzie czasem oczekiwania na poczenie i-tego abonenta,
X
1
, X
2
, ...X
100
s zmiennymi losowymi niezalenymi.
X = maxX
1
, X
2
, ...X
100
, Y = minX
1
, X
2
, ...X
100
,
Poniewa
(X < x)
1k100
(X
k
< x),
oraz
(Y > x)
1k100
(X
k
> x),
wic
F
X
(x) = P(X < x) = P(X
1
< x, X
2
< x, . . . , X
100
< x)
= P(X
1
< x)P(X
2
< x) . . . P(X
100
< x) = (F(x))
100
oraz
F
Y
(x) = P(Y < x) = 1 P(Y , x) = 1 (1 F(x))
100
34
Dla zmiennych X
k
o jednakowym rozkadzie wykadniczym otrzymujemy
F
X
(x) =
_
0 dla x 0,
(1 e
x
)
100
dla x > 0.
oraz F
Y
(x) =
_
0 dla x 0,
1 e
100x
dla x > 0.
Zatem; P(Y > 5) = e
20
, P(X < 10) = (1 e
2
)
100
.
3.6 Parametry rozkadu zmiennej losowej
W praktyce istnieje potrzeba opisania zmiennej losowej przez podanie pewnych charakte-
ryzujcych j liczb, zwanych parametrami rozkadu zmiennej losowej.
Omwimy teraz najczciej wykorzystywane parametry rozkadu zmiennej losowej.
3.6.1 Warto oczekiwana zmiennej losowej.
Denicja 3.9. Warto scia
oczekiwana
zmiennej losowej dyskretnej o rozkadzie

(x
i
, p
i
) : i I nazywamy liczb EX okrelon wzorem:
EX =

iI
x
i
p
i
,
przy zaoeniu, e suma

iI
[x
i
[p
i
jest skoczona.
Warto scia
oczekiwana
zmiennej losowej cia
gl

ej o gstoci f(x) nazywamy liczb EX okre-
lon wzorem:
EX =
+
_
xf(x)dx,
przy zaoeniu, e caka
+
_
[x[f(x)dx jest skoczona.

Zauwamy, e warto oczekiwana zmiennej losowej X jest odpowiednikiem znanego z
zyki pojcia rodka masy. W przypadku zmiennej dyskretnej prawdopodobiestwa p
i
interpretujemy jako masy skupione w punktach x
i
, a przyjty ukad jednostek jest taki,
e masa cakowita rwna jest 1. W przypadku zmiennej cigej f(x) jest gstoci masy.
Wprost z denicji (z wasnoci szeregw i caek niewaciwych zbienych) wynikaj na-
stpujce wasnoci wartoci oczekiwanej:
35
Fakt 3.10. (Wasnoci wartoci oczekiwanej)
1. E(aX + c) = aE(X) + c, dla a, c IR;
2. Jeeli P(X = c) = 1, to EX = c. W szczeglnoci E(EX) = EX ;
3. [EX[ E([X[);
4. Jeeli P(X , 0) = 1 , to EX , 0;
5. Jeeli Y = g(X), to EY =

i
g(x
i
)p
i
w przypadku zmiennej dyskretnej oraz
EY =
+
_
g(x)f(x)dx w przypadku zmiennej z gstoci f(x), o ile powyszy szereg

i caka s zbiene bezwzgldnie;
6. E(X + Y ) = EX + EY ;
7. Jeeli X, Y s niezalene, to E(XY ) = EX EY .
3.6.2 Wariancja zmiennej losowej.
Denicja 3.11. Wariancja
zmiennej losowej nazywamy liczb zdeniowan wzorem

VarX = E(X EX)
2
Pierwiastek z wariancji, czyli D(X) =

VarX nazywamy odchyleniem standardo-
wym albo dyspersj zmiennej losowej X, a wariancj oznaczamy czsto take sym-
bolem D
2
(X). Wariancja pozwala oceni, jak bardzo wartoci zmiennej losowej rni si
od wartoci oczekiwanej. Zaliczamy j do grupy tzw. parametrw rozproszenia. Inter-
pretujc rozkad prawdopodobieastwa jako rozkad masy jednostkowej (podobnie, jak w
przypadku wartoci oczekiwanej) widzimy, e wariancja jest odpowiednikiem wystpuj-
cego w zyce pojcia momentu bezwadnoci wzgldem rodka masy.
Fakt 3.12. Prawdziwa jest nastpujca rwno
VarX = EX
2
(EX)
2
.
Fakt 3.13. (Wasnoci wariancji)
1. VarX , 0,
2. VarX = 0 wtedy i tylko wtedy, gdy P(X = c) = 1 dla pewnej staej c.
3. Var(aX) = a
2
VarX,
4. Var(X + c) = VarX,
5. Jeeli zmienne losowe X, Y s niezalene, to Var(X + Y ) = VarX + VarY.
Oczywiste jest uoglnienie dwu ostatnich wasnoci Faktu 3.10 i ostatniej wasnoci Faktu
3.13 na przypadek dowolnej skoczonej iloci zmiennych losowych.
36
Tabela wartoci oczekiwanych i wariancji
rozkad X EX VarX
dwumianowy B(n, p) np np(1 p)
Poissona z parametrem
geometryczny z parametrem p p
1
(1 p)p
2
Pascala z parametrami r,p rp
1
r(1 p)p
2
hipergeometryczny p = N(N + M)
1
np np(1 p)
jednostajny na [a, b]
1
2
(a + b)
1
12
(b a)
2
wykadniczy z parametrem
1
2
normalny N(m, ) m
2
gamma z parametrami a, b ab
1
ab
2
Przykad 3.28.
Obliczy warto oczekiwan i wariancj dla zmiennych losowych o nastpujcych rozka-
dach:
a) P(X = 49) = P(X = 51) =
1
2
;
b) P(Y = 100) =
1
4
, P(Y = 100) =
3
4
;
c) P(Z = 100) = P(Z = 0) =
1
4
, P(Z = 50) =
1
2
.
Opisane zmienne losowe s typu dyskretnego, wic:
EX=49
1
2
+51
1
2
= 50, EY =100
1
4
+100
3
4
= 50, EZ=100
1
4
+50
1
2
+0
1
4
= 50.
Te trzy zmienne losowe maj tak sam warto oczekiwan. Zwrmy uwag, e warto
oczekiwana zmiennej losowej zaley nie tylko od wartoci, jakie ta zmienna losowa przyj-
muje ale te od prawdopodobiestwa, z jakimi te wartoci s przyjmowane.
Wariancje tych zmiennych s nastpujce:
VarX = (49 50)
2
1
2
+ (51 50)
2
1
2
= 1,
VarY = (100 50)
2
1
4
+ (100 50)
2
3
4
= 7500,
VarZ = (100 50)
2
1
4
+ (50 50)
2
1
2
+ (0 50)
2
1
4
= 1250,
Znajomo wariancji poprawia charakteryzacj zmiennej losowej. Jeeli wartoci zmiennej
losowej s odlege od wartoci oczekiwanej, to wariancja jest dua. Maa warto wariancji
mwi, e wartoci zmiennej losowej s bliskie jej wartoci oczekiwanej. Zauwamy, e
dla zmiennych losowych przyjmujcych skoczenie wiele wartoci zawsze istnieje warto
oczekiwana i wariancja.
Przykad 3.29.
Dla zmiennej losowej X, dla ktrej EX = 2, VarX = 3, wykorzystujc wasnoci wartoci
oczekiwanej i wariancji, moemy obliczy:
a) E(4X 9) = 4EX 9 = 1,
b) Var(2X + 7) = (2)
2
VarX = 12
c) D(2X 1) =
_
Var(2X 1) =

2
2
VarX = 2
3.
37
Przykad 3.30.
Zmienne losowe X, Y s niezalene, X ma rozkad N(3, 2), Y ma rozkad N(4, 3). Wy-
korzystujc wasnoci wartoci oczekiwanej i wariancji, moemy obliczy:
a) E(2X 4Y + 1) = 2EX 4EY + 1 = 21,
b) Var(X Y ) = VarX + (1)
2
VarY = 5
c) E(XY ) = EX EY = 12.
Przykad 3.31.
Zamy, e niezalene zmienne losowe X
i
maj rozkad B(1, p), i = 1, 2, . . . , n. Niech
Y =
n
i=1
X
i
. Obliczy EY oraz VarY . Dla jakiego p, VarY jest najwiksza?
Korzystajc z wasnoci wartoci oczekiwanej mamy:
EY = E(
n
i=1
X
i
) = n p.
Dziki niezalenoci zmiennych X
i
moemy policzy:
VarY =
n
i=1
VarX
i
= n p (1 p).
Wida, e VarY przyjmuje najwiksz warto dla p =
1
2
.
Przypomnijmy te, e zmienna losowa Y ma rozkad B(n, p). Zatem otrzymalimy od
razu parametry rozkadu B(n, p).
Przykad 3.32.
Pokaza, e jeeli zmienna losowa X ma wariancj, to dla zmiennej losowej Y =
X EX
VarX
zachodz rwnoci: EY = 0, VarY = 1.
Wykorzystujc wasnoci wartoci oczekiwanej i wariancji zawarte w faktach 3.10, 3.13
moemy policzy
EY =
1
VarX
E(X EX) =
1
VarX
(EX EX) = 0
oraz
VarY =
_
1
VarX
_
2
Var(X EX) =
_
1
VarX
_
2
VarX = 1.
Przeksztacenie powysze nazywamy standaryzacj zmiennej losowej.
3.6.3 Momenty.
Warto oczekiwana i wariancja s szczeglnymi przypadkami parametrw rozkadu zwa-
nych momentami.
Momentem zwykym rzdu k (k = 1, 2, . . .) zmiennej losowej X nazywamy liczb
EX
k
. Momentem absolutnym rzdu k (k = 1, 2, . . .) zmiennej losowej X nazywa-
my liczb E[X[
k
. Momentem centralnym rzdu k (k = 1, 2, . . .) zmiennej losowej X
nazywamy liczb E(X EX)
k
.
Fakt 3.14. Jeeli istnieje moment absolutny rzdu k, to istniej momenty absolutny,
zwyky i centralny rzdw l k.
38
Momenty centralne rzdu 3 i 4 wykorzystuje si do badania asymetrii rozkadu i stop-
nia jego koncentracji wok wartoci oczekiwanej.
Denicja 3.15. Wsp ol

czynnikiem asymetrii (sko sno sci) nazywamy liczb
3
okrelon
wzorem
3
=
E(X EX)
3
D(X)
3
Wspczynnik asymetrii dla rozkadu normalnego wynosi 0, a dla rozkadu wykadni-
czego rwny jest 2.
3.6.4 Kwantyle.
Denicja 3.16. Kwantylem rze
du p, gdzie p (0, 1), rozkadu zmiennej losowej X na-

zywamy kad liczb x
p
speniajc warunek
F
X
(x
p
) p F
X
(x
+
p
).
Oznacza to, e P(X < x
p
) p i jednoczenie P(X > x
p
) 1 p. Nie wszystkie
kwantyle rozkadu zmiennej dyskretnej s jednoznacznie wyznaczone, a kwantyle rozkadu
zmiennej typu cigego s jedynymi liczbami speniajcymi warunek F
X
(x
p
) = p.
Kwantyl rzdu
1
2
nazywamy median i oznaczamy m
e
. Dla zmiennej dyskretnej mamy
zatem
x
i
<me
p
i
0, 5
x
i
me
p
i
,
a dla zmiennej typu cigego mediana spenia rwno
F(m
e
) = 0, 5.
Kwantyl rzdu
1
4
nazywamy kwartylem dolnym, a kwantyl rzdu
3
4
kwartylem gr-
nym. Mamy zatem
P(x1
4
< X x3
4
) ,
1
2
.
39
3.7 Nierwno Czebyszewa i twierdzenia graniczne
W tym rozdziale poznamy nierwnoci czsto wykorzystywane do szacowania prawdopo-
dobiestw zdarze i zajmiemy si badaniem zbienoci cigw sum zmiennych losowych.
3.8 Wane nierwnoci.
Twierdzenie 1. (Nierwno Markowa) Jeeli P(X , 0) = 1, oraz EX < , to
dla dowolnego k > 0 zachodzi nierwno
P(X , k)
1
k
EX
lub rwnowanie:
P(X < k) , 1
EX
k
.
D o w d.
Dla zmiennej X typu cigego o gstoci f(x) mamy np.
EX =
_
(Xk)
xf(x)dx +
_
(X<k)
xf(x)dx , kP(X , k),
co daje dan nierwno. Analogiczny dowd mona przeprowadzi dla zmiennej losowej
dyskretnej.
Przykad 3.33.
rubki s pakowane w pudeka po 100 sztuk. Prawdopodobiestwo, e rubka jest wy-
brakowana wynosi 0,01. Ile sztuk naleaoby doda do kadego pudeka, aby w celach
marketingowych mona byo powiedzie, e z prawdopodobiestwem nie mniejszym ni
0,9 w kadym pudeku jest co najmniej 100 sztuk dobrych?
W rozdziale 3. rozwizalimy to zadanie stosujc przyblienie rozkadu Bernoulliego roz-
kadem Poissona. Teraz rozwiemy je wykorzystujc nierwno Markowa . Dla ustalone-
go n niech X bdzie zmienn losow okrelajc liczb wybrakowanych rubek w pudeku
zawierajcym n rub. X ma rozkad Bernoulliego z parametrami n, p =
1
100
. Chcemy, by
P(nX , 100) , 0.9 lub rwnowanie P(nX < 100) 0.1. Wykorzystujc nierwno
Markowa dla = n 100 moemy napisa
P(n X < 100) = P(X > n 100)
n
1
100
n100
.
Wystarczy zatem znale takie n, by zachodzia nierwno
n
1
100
n100
0.1 rwnowana nierwnoci n > 111.
Parametrem, za pomoc ktrego mona charakteryzowa rozrzut wartoci zmiennej loso-
wej jest wariancja albo odchylenie standardowe.
Rola wariancji jako miary rozrzutu zawarta jest w nastpujcym twierdzeniu.
40
Twierdzenie 2. (Nierwno Czebyszewa) Jeeli V arX < , to dla dowolnego
> 0 zachodzi nierwno:
P([X EX[ , )
VarX
2
.
lub rwnowanie
P([X EX[ < ) , 1
VarX
2
.
D o w d.
Niech X bdzie zmienn losow o skoczonej wariancji. Wykorzystujc nierwno Mar-
kowa dla zmiennej Y = (X EX)
2
, otrzymujemy:
P([X EX[ , ) = P(Y ,
2
)
1
2
EY =
1
2
E(X EX)
2
=
VarX
2
Przykad 3.34.
Zobaczmy, jakie oszacowanie daje nierwno Czebyszewa dla nastpujcych zmiennych
losowych:
a) Zmienna losowa X ma rozkad normalny N(m, ).
Poniewa EX = m i VarX =
2
, wic z nierwnoci Czebyszewa dla = 3 mamy
P([X m[ , 3)

2
9
2
=
1
9
,
podczas, gdy z prawa trzech sigm wynika, e prawdopodobiestwo tego zdarzenia jest
mniejsze ni 0,003.
b) Dla zmiennej losowej o rozkadzie prawdopodobiestwa
P(X = 2) = P(X = 2) = 0, 125, P(X = 0) = 0, 75
mamy
EX = 2 0, 125 + 2 0, 125 = 0 oraz VarX = 4 0, 125 + 4 0, 125 = 1
Nierwno Czebyszewa z = 2 ma posta
P([X 0[ , 2)
1
4
,
a jednoczenie prawdopodobiestwo tego zdarzenia wynosi
P([X[ , 2) = P(X = 2 X = 2) =
1
4
,
czyli dla tej zmiennej w nierwnoci Czebyszewa zachodzi rwno. Zatem oszacowania,
jakie daje nierwno Czebyszewa, nie mona polepszy.
Przykad 3.35.
W celu oszacowania nieznanej wadliwoci p poddaje si kontroli kolejne elementy partii
towaru. Niech X
i
= 0, jeeli i-ty element jest dobry, X
i
= 1 - jeeli i-ty element jest
wadliwy, i = 1, 2, . . . , n oraz niech Z
n
=
1
n
n
i=1
X
i
. Ile elementw naley skontrolowa, by
P([Z
n
p[ < 0.01) , 0, 9?
41
Obliczmy:
EZ
n
= E
_
1
n
n
i=1
X
i
_
= p, VarZ
n
= Var
_
n
i=1
1
n
X
i
_
=
1
n
2
n p(1 p) =
p(1p)
n
. Zatem z
nierwnoci Czebyszewa otrzymujemy:
P([Z
n
p[ < 0.01) , 1
p(1 p)
n (0.01)
2
.
Wyraenie p(1 p) przyjmuje warto najwiksz dla p =
1
2
, wic
1
p(p 1)
n (0.01)
2
, 1
1
4n (0.01)
2
.
Nierwno P([Z
n
p[ < 0.01) , 0.9 zachodzi dla n speniajcych nierwno
1
1
4n(0.01)
2
, 0.9, czyli dla n , 25000.
Przykad 3.36.
Wykonujemy 80 rzutw kostk. Znale najkrtszy przedzia, w jaki z prawdopodobie-
stwem nie mniejszym ni 0,9 wpada ilo otrzymanych szstek.
Niech X bdzie zmienn losow oznaczajc liczb szstek w 80 rzutach kostk. X ma roz-
kad B(80,
1
6
). Z wasnoci rozkadu Bernoulliego najwiksze prawdopodobiestwa maj
wartoci zmiennej pooone symetrycznie wzgldem EX. Mamy:
EX =
80
6
=
40
3
, V arX = 80
1
6

5
6
=
100
9
.
Wykorzystujc nierwno Czebyszewa otrzymujemy:
P([X
40
3
[ < ) > 1
100
9
2
, 0, 9. Std >
10
10
3
10, 54. Zatem najkrtszy przedzia o
szukanej wasnoci ma posta (2.79, 23.87).
3.9 Prawa wielkich liczb.
Korzystajc z nierwnoci Czebyszewa mona udowodni niektre twierdzenia wane dla
zastosowa rachunku prawdopodobiestwa.
Niech X
1
, X
2
, . . . bd niezalenymi zmiennymi losowymi o wartociach oczekiwanych
m
i
i wariancjach
2
i
. Rozwamy Y
n
=
n
i=1
X
i
. Wwczas V arY
n
=
n
i=1
2
i
i wida, e
ronie ona wraz ze wzrostem n. Dlatego rozwaa si Y
n
mnoone przez pewne liczbowe
wspczynniki A
n
, ktre ograniczaj wariancj Y
n
. Najczciej rozwaa si A
n
=
1
n
.
Wtedy Y
n
jest redni arytmetyczn zmiennych X
1
, X
2
, . . . , X
n
.
Bdziemy rozwaa dwa typy twierdze granicznych:
Prawa wielkich liczb to twierdzenia, w ktrych graniczna zmienna losowa ma
rozkad jednopunktowy
Centralne twierdzenia graniczne to twierdzenia, w ktrych graniczna zmienna
losowa ma rozkad normalny.
Niech X
1
, X
2
, . . . bdzie cigiem zmiennych losowych o skoczonej wartoci oczekiwanej.
Mwimy, e dla cigu (X
n
) zachodzi:
42
Sabe Prawo Wielkich Liczb, jeeli
> 0 lim
n
P
__
:
1
n
n
k=1
X
k

1
n
n
k=1
EX
k
<
__
= 1
Ze Sabego Prawa Wielkich Liczb wynika, e z prawdopodobiestwem bliskim 1, wartoi
zmiennej losowej
1
n
n
k=1
X
k
rni si dowolnie mao od swojej wartoci oczekiwanej
E(
1
n
n
k=1
X
k
).
Kiedy zachodzi Sabe Prawo Wielkich Liczb?
Twierdzenie 3. Jeeli X
n
s niezalene i lim
n
1
n
2
V ar
_
n
k=1
X
k
_
= 0,
to dla cigu (X
n
)zachodzi Sabe Prawo Wielkich Liczb.
D o w d. Korzystajc z nierwnoci Czebyszewa moemy napisa:
P
_
1
n
n
k=1
X
k

1
n
n
k=1
EX
k
,
_
= P
_
k=1
(X
k
EX
k
)
, n
_
2
n
2
V ar
n
k=1
X
k
0
Zauwamy, e jeeli zmienne losowe X
1
, X
2
, . . . , X
n
s niezalene i maj jednakowy rozkad
o wartoci oczekiwanej m i skoczonej wariancji, to rednie
1
n
n
k=1
X
k
z prawdopodobie-
stwem bliskim 1 przybliaj m.
Twierdzenie to jest prawdziwe rwnie przy sabszych zaoeniach.
Przykad 3.37.
W serii rzutw kostk niech
X
k
=
_
1 gdy wypadnie 6,
0 w przeciwnym razie.
Wwczas X
k
ma rozkad B(1,
1
6
). Z Prawa Wielkich Liczb wynika, e z prawdopodobie-
stwem bliskim 1, wartoci zmiennej losowej
1
n
n
k=1
X
k
rni si dowolnie mao od
1
6
.
Przykad 3.38.
Czy dla cigu niezalenych zmiennych losowych o nastpujcych rozkadach prawdopo-
dobiestwa
P(X
n
=

n) = P(X
n
=
n) =
1
2
n
, P(X
n
= 0) = 1
1
n
zachodzi Sabe Prawo Wielkich Liczb?
Zmienne losowe X
1
, X
2
, . . . s niezalene, ale nie maj jednakowych rozkadw. Sprawdzi-
my zatem, czy speniony jest warunek wystpujcy w ostanim twierdzeniu. Poniewa
EX
k
=

k
1
2
k
+ (
k)
1
2
k
+ 0 = 0 oraz VarX
k
= k
1
2
k
+ k
1
2
k
=

k,
wic
n
k=1
VarX
k
=
n
k=1
k n
n, a std 0
1
n
2
Var (
n
k=1
X
k
)
n
n
n
2
=
1
n
,
43
Zatem, dziki twierdzeniu o trzech cigach,
lim
n
1
n
2
Var
n
k=1
X
k
= 0.
Niech X
1
, X
2
, . . . bdzie cigiem zmiennych losowych o skoczonej wartoci oczeki-
wanej. Mwimy, e dla cigu (X
n
) zachodzi:
Mocne Prawo Wielkich Liczb, jeeli prawdziwa jest rwno
P
_
lim
n
1
n
_
n
k=1
X
k
E
n
k=1
X
k
_
= 0
_
= 1
Twierdzenie 3.4. (Twierdzenie Chinczyna)
Dla zmiennych niezalenych o tym samym rozkadzie i skoczonej wartoci oczekiwanej
m zachodzi
P
_
lim
n
X
1
+ X
2
+ . . . + X
n
n
= m
_
= 1
Pokaemy zastosowanie Mocnego Prawa Wielkich Liczb do obliczania caek oznaczonych,
gdy wyznaczenie funkcji pierwotnej jest trudne lub wrcz - niemoliwe w sposb anali-
tyczny.
(Metoda Monte Carlo obliczania caek oznaczonych)
Niech g(x) bdzie funkcj cakowaln na przedziale [a, b] i oznaczmy przez I nieznan
warto caki
b
_
a
g(x)dx. Wiemy, e jeeli X jest zmienn losow o rozkadzie jednostajnym
na przedziale [a, b], to
Eg(X) =
b
_
a
g(x)
1
b a
dx =
1
b a
I.
Jeeli X
1
, X
2
, . . . s niezalenymi zmiennymi losowymi o rozkadzie jednostajnym na prze-
dziale [a, b], to g(X
1
), g(X
2
), . . . s niezalenymi zmiennymi losowymi o jednakowym roz-
kadzie z wartoci oczekiwan
1
ba
I. Zatem, na mocy Twierdzenia Chinczyna, mamy
P
_
lim
n
1
n
n
k=1
g(X
k
) = Eg(X
1
) =
I
b a
_
= 1,
czyli z prawdopodobiestwem rwnym 1, dla duych n, rednia z wartoci
g(X
1
), g(X
2
), . . . , g(X
n
) jest dowolnie bliska liczbie
1
ba
I. Wystarczy wic wygenerowa
wartoci zmiennych losowych X
1
, X
2
, . . . , X
n
z rozkadu jednostajnego na [a, b] i przyj
liczb
ba
n
n
k=1
g(X
k
) za oszacowanie caki I =
b
_
a
g(x)dx.
Metody oparte na symulacji zmiennych losowych nazywaj si metodami Monte Carlo.
Mona je rwnie wykorzystywa do obliczania caek wielokrotnych.
44
3.10 Twierdzenia Graniczne
Mwimy, e dla cigu (X
n
) zmiennych losowych o skoczonych wariancjach zachodzi
Centralne Twierdzenia Graniczne, jeeli dla dowolnego t

IR
lim
n
P
_
_
_
_
_
_
n
k=1
X
k
E
n
k=1
X
k
Var
n
k=1
X
k
< t
_
_
_
_
_
_
=
1
2
t
_
x
2
2
dx = (t)
Oznacza to, i dystrybuanty zmiennych losowych Y
n
=
n
k=1
X
k
E
n
k=1
X
k
_
n
k=1
VarX
k
d w kadym
punkcie t

IR do dystrybuanty rozkadu normalnego N(0,1).
Zauwamy, e Y
n
jest standaryzacj sumy S
n
=
n
k=1
X
k
.
Twierdzenie 3.5. (Twierdzenie Lindeberga-Levyego)
Niech X
1
, X
2
, . . . bdzie cigiem niezalenych zmiennych losowych o jednakowym rozka-
dzie, wartoci oczekiwanej m i wariancji 0 <
2
< . Wwczas dla cigu (X
n
)
zachodzi Centralne Twierdzenia Graniczne. Zatem dla dowolnego t

IR prawdziwa jest
rwno
lim
n
P
_
_
_
_
n
k=1
X
k
nm
n
< t
_
_
_
_
= (t),
gdzie (t) jest dystrybuant zmiennej losowej o rozkadzie N(0, 1).
W praktyce Twierdzenie Lindeberga-Levyego wykorzystuje si przyjmujc, e dla duych
n zachodzi przybliona rwno
P
_
a <
S
n
nm
n
< b
_
(b) (a),
Stosujc twierdzenie Lindeberga-Levyego do zmiennych o rozkadzie zerojedynkowym
otrzymujemy:
Twierdzenie 3.6. (Twierdzenie Moivrea-Laplacea)
Niech X
1
, X
2
, . . . bdzie cigiem niezalenych zmiennych losowych o jednakowym rozka-
dzie B(1,p). Wwczas dla kadego t

IR zachodzi rwno
lim
n
P
_
S
n
np
npq
< t
_
= (t),
gdzie S
n
= X
1
+ X
2
+ . . . + X
n
.
45
Wane s uoglnienia Twierdzenie Lindeberga-Levyego idce w kierunku osabiania za-
oe tego twierdzenia. Okazuje si, e mona zastpi, do restrykcyjne, zaoenie o
jednakowym rozkadzie zmiennych X
n
zaoeniami dotyczcymi momentw trzeciego rz-
du.
Twierdzenie 3.7. (Twierdzenie Lapunowa)
Jeeli X
1
, X
2
, . . . jest cigiem niezalenych zmiennych losowych o skoczonych trzecich
momentach centralnych speniajcym warunek
lim
n
3
k=1
E[X
k
EX
k
[
3
k=1
VarX
k
= 0,
to dla cigu (X
n
) zachodzi Centralne Twierdzenie Graniczne.
Istnienie trzecich momentw pozwala te oszacowa dokadno przyblienia w Central-
nym Twierdzeniu Granicznym.
Twierdzenie 3.8. (Twierdzenie Berry-Ess eena)
Jeeli X
1
, X
2
, . . . jest cigiem niezalenych zmiennych losowych o tym samym rozkadzie
i E[X[
3
< , to prawdziwa jest nierwno
sup
t

IR
P
_
_
_
_
_
_
n
k=1
X
k
E
_
n
k=1
X
k
_
k=1
VarX
k
< t
_
_
_
_
_
_
(t)
C
E[X
1
EX
1
[
3
n(
_
VarX
1
)
3
,
gdzie
1
2
C < 0, 8.
Komentarz.
W prawach wielkich liczb widzielimy, e czynnik A
n
=
1
n
(co daje po prostu red-
ni arytmetyczn zmiennych X
1
, X
2
, . . . , X
n
.) jest tak silnie wygaszajcy, i powoduje
koncentracj rozkadu granicznego w jednym punkcie! W centralnych twierdzeniach gra-
nicznych rozpatruje si wspczynniki zmierzajce wolniej do zera, mianowicie A
n
=
1
n
.
Wwczas okazuje si, e graniczna zmienna losowa ma rozkad normalny N(0, 1).
Przykad 3.39.
Z partii towaru o wadliwoci 3% pobrano prb 500-elementow. Obliczy prawdopodo-
biestwo, e liczba elementw wadliwych w prbie nie przekroczy 4%.
P(
500
i=1
X
i
< 20) = P
_
_
_
_
_
500
i=1
X
i
500 0, 03
500 0, 03 0, 97
<
5
145.5
_
_
_
_
_
(0.41) = 0.6591.
46
Przykad 3.40.
Samolot zabiera 80 pasaerw. Przyjmujc, e waga pasaera jest zmienn losow o roz-
kadzie N(80,10) obliczy prawdopodobiestwo, e czna waga pasaerw przekroczy
9000kg.
Niech X
i
oznacza wag i-tego pasaera. Wwczas mamy
P(
80
i=1
X
i
> 9000) = P
_
_
_
_
_
80
i=1
X
i
80 80
10
80
>
9000 6400
40
5
_
_
_
_
_
1 (29.07) 0.
Przykad 3.41.
Rzucamy 80 razy kostk. Znale najkrtszy przedzia, w jaki z prawdopodobiestwem
wikszym ni 0, 9 wpada ilo otrzymanych szstek.
Wykorzystujc nierwnoci Czebyszewa (zad.3.4) otrzymalimy przedzia [2, 79; 23, 87].
Wykorzystujc twierdzenia Moivrea-Laplacea otrzymujemy
P
_
_
_
_
_
80
i=1
X
i

80
6
_
80
1
6

5
6
<
_
_
_
_
_
() () = 2() 1 > 0.9,
czyli () > 0.9 i > 1.64. Zatem najkrtszy przedzia jest postaci [7, 86; 18, 80].
Przykad 3.42.
Prawdopodobiestwo spostrzeenia sputnika z ziemi z okrelonego punktu obserwacyjnego
jest rwne p =
1
10
przy kadym locie nad punktem obserwacyjnym. Znale liczb lotw,
jak powinien wykona sputnik, aby z prawdopodobiestwem nie mniejszym ni 0,9 liczba
X
n
spostrzee sputnika bya rwna co najmniej 10.
R o z w i z a n i e .
Niech
X
k
=
_
1 gdy sputnik zosta dostrzeony w k-tym locie,
0 gdy sputnik nie zosta dostrzeony w k-tym locie.
X
k
B(1,
1
10
), m
k
=
1
10
,
2
k
= pq =
1
10
9
10
=
9
100
, Y
n
=
n
k=1
X
k
okrela ilo spostrzee
sputnika w n lotach.
P(Y
n
, 10) = P
_
Y
n
n
1
10
3
10
n
,
10 n
1
10
3
10
n
_
1
1
2
_

t
2
2
dt , 0, 9.
Mamy zatem: 1 () = 0, 9 gdzie =
100n
3
n
. Z tablic odczytujemy, e = 1, 28.
Zatem (po rozwizaniu nierwnoci) otrzymujemy n , 147.
47
Przykad 3.43.
Komputer dodaje 1200 liczb rzeczywistych i kad zaokrgla do najbliszej liczby ca-
kowitej. Bdy zaokrgle s niezalene i maj rozkad jednostajny na [
1
2
,
1
2
]. Obliczy
prawdopodobiestwo, e bd w obliczeniu sumy przekroczy 10.
R o z w i z a n i e .
Wprowadzajc oznaczenia: X
i
- bd zaokrglenia i-tej liczby otrzymujemy:
EX
i
= 0,
2
i
=
1
12
oraz V ar
1200
i=1
X
i
= 1200
1
12
= 100.
Zatem
P
_
1200
i=1
X
i
> 10
_
= P
_
_
_
_
_
1200
i=1
X
i
100
>
10
100
_
_
_
_
_
= 1 (1) = 0.1587
Przykad 3.44.
Czas pracy diody ma rozkad wykadniczy o wartoci oczekiwanej m = 900h. Zgroma-
dzono zapas 100 diod. Obliczy prawdopodobiestwo, e wystarczy ich na 100000 godzin
pracy, jeeli kad diod wczamy natychmiast po uszkodzeniu poprzedniej. Ile diod
trzeba mie w zapasie, by z prawdopodobiestwem wikszym ni 0, 99 wystarczyo ich na
99000 godzin pracy urzdzenia.
Oznaczmy czas pracy i-tej diody przez X
i
. Wwczas X
i
ma rozkad wykadniczy z para-
metrem =
1
900
,
P
_
100
i=1
X
i
, 100000
_
= 1 P
_
0
100
i=1
X
i
< 100000
_
=
1 P
_
10 <
100
i=1
X
i
90000
10 900
<
10000
10 900
_
= 1 ((1, 11) (10)) = 0.1335.
Szukamy N takiego,e P
_
N
i=1
X
i
, 990000
_
> 0, 99 czyli
P(0
N
i=1
X
i
99000) < 0, 01
P
_
N
i=1
X
i
N 900
900
N
<
99000 N 900
900
N
_
< 0, 01
Wykorzystujc CTG otrzymujemy
_
9900 N 900
900
N
_
< 0.01.
albo rwnowanie
_
9900N900
900
N
_
> 0.99 (2.33). Szukane N spenia nierwno
9N 9 2.33
N 990 > 0, czyli N , 106.

48
4 Zmienne losowe wielowymiarowe.
4.1 Denicja i przykady.
Denicja 4.1. Wektorem losowym n-wymiarowym (Zmienna
losowa
n-wymiarowa
) nazy-
wamy wektor n-wymiarowy, ktrego skadowymi s zmienne losowe X
i
dla i = 1, 2, . . . , n,
X()=(X
1
(), X
2
(), . . . , X
k
())
Denicja 4.2. Dystrybuanta
n-wymiarowej zmiennej losowej X nazywamy funkcj

F
X
(t
1
, t
2
, . . . , t
n
) : IR
n
IR okrelon wzorem
F
X
(t
1
, t
2
, . . . , t
n
) = P(X
1
< t
1
, X
2
< t
2
, . . . , X
n
< t
n
)
Zajmiemy si bliej zmiennymi losowymi dwuwymiarowymi.
Dwuwymiarow zmienn losow (X,Y) przyjmujc co najwyej przeliczalnie wiele war-
toci (x
i
, y
j
) : i I, j J nazywamy dwuwymiarow zmienn losow dyskretn.
Rozkad prawdopodobiestwa takiej zmiennej mona przedstawi w postaci
((x
i
, y
j
), p
ij
), gdzie p
ij
= P(X = x
i
, Y = y
j
), dla i I, j J.
Dla zbiorw I, J skoczonych wygodnie przedstawia si rozkad prawdopodobiestwa w
postaci tabeli
XY y
1
y
2
. . . y
n
x
1
p
11
p
12
. . . p
1n
x
2
p
21
p
22
. . . p
2n
.
.
.
x
m
p
m1
p
m2
. . . p
mn
Dystrybuanta takiej zmiennej jest funkcj schodkow
F(x, y) = P(X < x, Y < y) =

i,j;x
i
<x,y
j
<y
p
ij
.
Przykad 4.1.
Rzucamy 3 razy monet. Niech zmienna losowa X oznacza liczb wyrzuconych orw a
zmienna losowa Y numer rzutu, w ktrym orze pojawi si po raz pierwszy. czny roz-
kad prawdopodobiestwa wektora losowego X, Y opisuje nastpujaca tabela.
XY 1 2 3
0 0.125 0 0
1 0.125 0.125 0.125
2 0.25 0.125 0
3 0.125 0 0
49
Mwimy, e zmienna losowa (X, Y ) jest typu cigego, jeeli istnieje nieujemna funkcja
cakowalna f(x, y) taka, e dystrybuanta ma posta
F(x, y) =
x
_
y
_
f(u, v))dudv.
W punktach cigoci (x
0
, y
0
) funkcji f(x, y)
2
F
xy
(x
0
, y
0
) = f(x
0
, y
0
).
Dla borelowskiego zbioru A IR
2
mamy
P((X, Y ) A) =
__
A
f(x, y))dxdy.
Nastpujce twierdzenie charakteryzuje dystrybuant zmiennej losowej dwuwymiarowej
Twierdzenie 4.1. Funkcja F(x, y) jest dystrybuant pewnej zmiennej losowej (X, Y )wtedy
i tylko wtedy, gdy :
F(x, y) jest niemalejca ze wzgldu na kad ze zmiennych,
F(x, y) jest lewostronnie ciga,
dla kadego x i kadego y lim
x
F(x, y) = 0, lim
y
F(x, y) = 0
oraz lim
x,y+
F(x, y) = 1.
dla kadych x
1
< x
2
, y
1
< y
2
F(x
2
, y
2
) F(x
1
, y
2
) F(x
2
, y
1
) + F(x
1
, y
1
) , 0.
Wnioskiem z twierdzenia 4.1 jest nastpujca charakteryzacja funkcji gstoci.
Twierdzenie 4.2. Funkcja f(x, y) jest gstoci rozkadu prawdopodobiestwa pewnego
wektora losowego wtedy i tylko wtedy, gdy :
f(x, y) , 0 dla kadego (x, y) IR
2
,
+
_
+
_
f(x, y)dxdy = 1.
Znajc rozkad prawdopodobiestwa wektora (X, Y ) moemy wyznaczy rozkady praw-
dopodobiestwa zmiennych X, Y . Nazywamy je rozkadami brzegowymi. W przypad-
ku zmiennej losowej dwuwymiarowej dyskretnej (X, Y ) s one okrelone wzorami:
p
i
= P(X = x
i
) =
j
p
ij
, oraz p
j
= P(Y = y
j
) =
i
p
ij
Dla zmiennej dwuwymiarowej cigej (X, Y ) tzw. gstoci brzegowe s nastpujce:
f
X
(x) =
f(x, y)dy, f
Y
(y) =
f(x, y)dx.
Rozkad wektora losowego (mwimy czasem rozkad czny) wyznacza jednoznacznie
rozkady brzegowe, ale nie na odwrt. Rozkady brzegowe wyznaczaj rozkad czny, gdy
skadowe wektora losowego s zmiennymi niezalenymi.
50
Twierdzenie 4.3. Zmienne losowe X, Y s niezalene wtedy i tylko wtedy, gdy
F
(X,Y )
(x, y) = F
X
(x) F
Y
(y).
W przypadku zmiennych dyskretnych warunek ten rwnowany jest warunkowi
p
ik
= p
i
p
k
dla wszystkich i, k
a dla zmiennych typu cigego warunkowi
f
(X,Y )
(x, y) = f
X
(x)f
Y
(y) dla wszystkich x, y IR.
Oczywista jest posta powyszego twierdzenia w przypadku dowolnej skoczonej iloci
zmiennych losowych X
1
, X
2
, . . . , X
n
.
Przykad 4.2.
Zmienna losowa X jest liczb spalonych zasilaczy w pracowni w ciagu dnia, zmienna loso-
wa Y jest liczb przepi w sieci energetycznej. czny rozkad wektora losowego (X, Y )
opisuje tabela
XY 0 1
0 0.8 0.01
1 0 0.07
2 0.02 0.1
a) Obliczy P((X, Y ) (2, 0), (2, 1)).
b) Wyznaczy rozkady brzegowe zmiennej losowej X oraz Y . Ile wynosi P(X = 1),
P(Y = 0). Obliczy EX, EY .
c) Czy zmienne losowe X, Y s niezalene?
Przykad 4.3.
Wektor losowy (X, Y ) ma rozkad o gstoci
f(x, y) =
_
cxy dla 0 x 1, 0 y

x
0 poza tym
a) Wyznaczy sta c.
b) Wyznaczy rozkady brzegowe.
c) Czy zmienne losowe X, Y s niezalene?
Przykad 4.4.
Gsto wektora losowego (X, Y ) dana jest wzorem f(x, y) =
1
2
e
x
2
+y
2
2
.
a) Czy zmienne losowe X, Y s niezalene?
b) Obliczy P(X > 1).
c) Obliczy P((X, Y ) A), gdzie A = (x, y) : x
2
+ y
2
< 1.
51
4.2 Parametry rozkadu wektorw losowych
Gdy dany jest rozkad wektora losowego (X, Y ) oraz h : IR
2
IR jest funkcj cakowaln,
to dla Z = h(X, Y )
EZ = Eh(X, Y ) =
_
h(x, y)f(x, y)dxdy dla wektora losowego typu cigego
i,k
h(x
i
, y
k
)p
i,k
dla wektora losowego typu dyskretnego
Dla wektora losowego (X, Y ) kowariancj zmiennych X, Y nazywamy wielko
Cov(X, Y ) = E(X EX)(Y EY ) = EXY EXEY.
Jeeli VarX > 0, VarY > 0, to deniujemy wany parametr zwany wspczynnikiem
korelacji.
(X,Y )
=
Cov(X, Y )
_
Var(X)Var(Y )
.
Twierdzenie 4.4. (Wasnoci wspczynnika korelacji):
1. [(X, Y )[ 1
2.Jeeli zmienne losowe s niezalene, to (X, Y ) = 0.
3. (aX + b, cY + d) = sgn(ac)(X, Y ).
4. (X, Y ) = 1 wtedy i tylko wtedy, gdy istniej stae a, b takie, e P(Y = aX +b) = 1.
Wspczynnik korelacji jest miar zalenoci liniowej zmiennych X i Y . W przypadku, gdy
= 0, zmienne losowe nazywamy nieskorelowanymi. Jeeli (X, Y ) = 0, to zmienne
losowe moga by zalene. wiadczy o tym poniszy przykad.
Przykad 4.5.
Zamy, e zmienna losowa X ma rozkad N(0, ) i niech Y = X
2
. Mona atwo spraw-
dzi, e Cov(X, Y ) = 0, a zmienne X, Y s zalene.
Przykad 4.6.
Gsto wektora losowego (X, Y ) dana jest wzorem
f(x, y) =
_

3
8
y
2
cos x dla

2
x , 0 y 2
0 poza tym
a) Znale rozkady brzegowe
b) Wyznaczy kowariancj oraz wspczynnik korelacji zmiennych X, Y . Czy X, Y s nie-
zalene?
Przykad 4.7.
Wspczynnik korelacji zmiennych losowych X, Y wynosi 0.25. Jaki wspczynnik korelacji
maj zmienne losowe 4X 3 oraz 2Y + 4?
52

Prawie Caly Rachunek

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Prawie Caly Rachunek

Uploaded by

Copyright:

Available Formats

Rachunek prawdopodobiestwa MAEW 104

Materiay do wykadu przygotowane przez

n nie jest liczb naturaln, to zadanie nie ma rozwizania. Jeeli za

tatwo policzy, e prawdopodobiestwo zdarzenia element

nazywamy kad funkcj X : IR tak, e dla

zmiennej losowej X: IR nazywamy funkcj

, jeeli X przyjmuje skoczenie lub co najwyej przeliczalnie wiele wartoci

X, przyjmujc nastpujcy rozkad zmiennej losowej X:

arctg(t u), wic f

zmiennej losowej dyskretnej o rozkadzie

zmiennej losowej cia

[x[f(x)dx jest skoczona.

g(x)f(x)dx w przypadku zmiennej z gstoci f(x), o ile powyszy szereg

zmiennej losowej nazywamy liczb zdeniowan wzorem

du p, gdzie p (0, 1), rozkadu zmiennej losowej X na-

N 990 > 0, czyli N , 106.

n-wymiarowej zmiennej losowej X nazywamy funkcj

h(x, y)f(x, y)dxdy dla wektora losowego typu cigego

You might also like