Jerzy Ombach - Rachunek Prawdopodobieństwa I

Rachunek prawdopodobiestwa I
2015-2016
Jerzy Ombach
Instytut Matematyki, Uniwersytet Jagielloski
Jerzy Ombach (IM UJ)
Rachunek prawdopodobiestwa I 2015-2016
1 / 173
Przestrze probabilistyczna
Definicja
Niech bd dane: niepusty zbir , pewna rodzina podzbiorw zbioru i
funkcja P : R. Trjk (, , P) nazywamy przestrzeni probabilistyczn, gdy
zachodz nastpujce warunki:
1
2
3
,
S
jeeli zbiory A1 , A2 , A3 , , to i=1 Ai ,
jeeli A, B , to A \ B ,
2 / 173
Definicja
1
2
,
S
jeeli A , to P(A) 0,
jeeli zbiory A1 , A2 , A3 , s parami rozczne, to:

P(
i=1
Ai ) =
P(Ai ),
i=1
2 / 173
Definicja
1
2
,
S
jeeli A , to P(A) 0,
jeeli zbiory A1 , A2 , A3 , s parami rozczne, to:

P(
i=1
Ai ) =
P(Ai ),
i=1
P() = 1.
2 / 173
Rodzina speniajca warunki 1 - 3 -algebra,

Funkcja P speniajca warunki 4, 5 miara,
Funkcja P speniajca warunki 4 - 6 miara probabilistyczna,
3 / 173

zdarzenie elementarne,
3 / 173

A zdarzenie,
3 / 173

A zdarzenie,
\ A zdarzenie przeciwne do A,
3 / 173

A zdarzenie,
P(A) prawdopodobiestwo zdarzenia A,
3 / 173

A zdarzenie,
zdarzenie niemoliwe,
3 / 173

A zdarzenie,
zdarzenie pewne.
3 / 173

A zdarzenie,
zdarzenie pewne.
Uwaga. Zdarzenia elementarne nie musz by zdarzeniami!
3 / 173
Podstawowe wasnoci:
1
.
bo = \ .
4 / 173
Podstawowe wasnoci:
1
.
bo = \ .
P() = 0.
bo P() = P(
(
[
i=1
) =
P().
i=1
4 / 173
Podstawowe wasnoci:
1
.
bo = \ .
P() = 0.
bo P() = P(
(
[
) =
i=1
3
P().
i=1
jeeli Ai Aj = dla i 6= j, to: P(

bo P(
n
[
Ai ) = P(
i=1
n
[
i=1
Ai ) =
n
X
P(Ai ).
i=1
Ai ), gdzie Ai = dla i > n.
i=1
4 / 173
Dalsze wasnoci:
1
jeeli A i B s takimi zdarzeniami, e A B, to:

P(B) = P(A) + P(B \ A),
bo B = A (B \ A).
5 / 173
Dalsze wasnoci:
1

P(B) = P(A) + P(B \ A),
bo B = A (B \ A).
dla kadego zdarzenia A:

P(\A) = 1 P(A),
5 / 173
Dalsze wasnoci:
1

P(B) = P(A) + P(B \ A),
bo B = A (B \ A).

P(\A) = 1 P(A),

P(A) P(B),
5 / 173
Dalsze wasnoci:
1

P(B) = P(A) + P(B \ A),
bo B = A (B \ A).

P(\A) = 1 P(A),

P(A) P(B),
dla dowolnych zdarze A i B:

P(A B) = P(A) + P(B) P(A B),
bo A B = (A \ B) (B \ A) (A B) suma zbiorw rozcznych.
5 / 173
Wasnoci cigw zdarze:

1
dla dowolnych zdarze A1 , A2 , A3 , . . . :

P(
[
i=1
bo
[
i=1
Ai =
Ai )
P(Ai ),
i=1
Bi suma zbiorw rozcznych, gdzie
i=1
B1 = A1 , B2 = A2 \ A1 , B3 = A3 \ (A1 A2 ), . . . .
6 / 173

1

P(
[
i=1
bo
[
i=1
Ai =
Ai )
P(Ai ),
i=1
i=1
B1 = A1 , B2 = A2 \ A1 , B3 = A3 \ (A1 A2 ), . . . .
n
[
Jeeli P(Ai ) = 0, i = 1, . . . n, n , to P( Ai ) = 0.
i=1
6 / 173

1

P(
[
i=1
bo
[
i=1
Ai =
Ai )
P(Ai ),
i=1
i=1
B1 = A1 , B2 = A2 \ A1 , B3 = A3 \ (A1 A2 ), . . . .
n
[
Jeeli P(Ai ) = 0, i = 1, . . . n, n , to P( Ai ) = 0.
Jeeli P(Ai ) = 1, i = 1, . . . n, n , to P(
i=1
n
\
Ai ) = 1.
i=1
bo Prawo de Morgana.
6 / 173
Twierdzenie o cigu zdarze wstpujcych

Jeeli A1 A2 A3 . . . , to:
lim P(An ) = P(
An ),
n=1
7 / 173

Jeeli A1 A2 A3 . . . , to:
lim P(An ) = P(
Dowd. P(
An ) = P(
n=1
lim
N
X
(An \ An1 )) =
n=1
An ),
n=1
P(An \ An1 ) =
n=1
P(An \ An1 ) = lim P(AN ). Tutaj A0 = .
n=1
7 / 173

Jeeli A1 A2 A3 . . . , to:
lim P(An ) = P(
Dowd. P(
An ) = P(
n=1
lim
N
X
(An \ An1 )) =
n=1
An ),
n=1
P(An \ An1 ) =
n=1
P(An \ An1 ) = lim P(AN ). Tutaj A0 = .
n=1
Twierdzenie o cigu zdarze zstpujcych

Jeeli A1 A2 A3 . . . , to:
lim P(An ) = P(
An ).
n=1
Dowd. Prawa de Morgana.

7 / 173
Przykady przestrzeni probabilistycznych
8 / 173

1. Schemat klasyczny.
Niech: = {1 , . . . , n }
oraz niech skada si ze wszystkich podzbiorw zbioru , czyli: = P().
Jeeli A , to przyjmijmy: P(A) = #A
n .
Trjka (, , P) stanowi przestrze probabilistyczn.
8 / 173

Niech: = {1 , . . . , n }
n .
Schemat klasyczny jest modelem wielu zjawisk w ktrych liczba zdarze
elementarnych jest skoczona, s one jednakowo prawdopodobne i mamy pen
informacj o eksperymencie.
8 / 173

Niech: = {1 , . . . , n }
n .
Przy Rzut kostk symetryczn: = {1, 2, 3, 4, 5, 6} wtedy prawdopodobiestwo
kadego zdarzenia elementarnego wynosi 16 .
8 / 173

Niech: = {1 , . . . , n }
n .
Rzut dwiema kostkami symetrycznymi: 36 par utworzonych z liczb 1, 2, 3, 4, 5, 6
1
wtedy prawdopodobiestwo kadego zdarzenia elementarnego wynosi 36
.
8 / 173

Niech: = {1 , . . . , n }
n .
Rzut dwiema kostkami symetrycznymi: 36 par utworzonych z liczb 1, 2, 3, 4, 5, 6
1
wtedy prawdopodobiestwo kadego zdarzenia elementarnego wynosi 36
.
Gdy startujc w konkursie wybieramy jedno z 20 pyta, nasz zbir ma 20
1
elementw i prawdopodobiestwo zdarzenia elementarnego jest rwne 20
.
8 / 173
2. Schemat klasyczny z niepen informacj.

Przykad.
Wyobramy sobie, e Marek rzuca wielokrotnie dwiema kostkami do gry i podaje
przez telefon swojemu koledze Tomkowi uzyskan sum oczek, ktra jest
oczywicie liczb z zakresu od 2 do 12.
9 / 173

Przykad.
oczywicie liczb z zakresu od 2 do 12. Na przykad, przy 10 rzutach Tomek
mgby zanotowa:
4, 7, 5, 2, 6, 11, 7, 9, 9, 6.
Tomek nie widzi kostek i nie wie co na nich wypado. Wie, e zdarzeniem
elementarnym jest para liczb, ale nie wie, ktre z nich zaszo.
9 / 173

Przykad.
mgby zanotowa:
4, 7, 5, 2, 6, 11, 7, 9, 9, 6.
elementarnym jest para liczb, ale nie wie, ktre z nich zaszo. Dla Tomka
zdarzeniami s przede wszystkim zdarzenia F2 , . . . , F12 , ktre skadaj si ze
zdarze elementarnych. Na przykad F4 = {(1, 3), (2, 2), (3, 1)}.
9 / 173

Przykad.
mgby zanotowa:
4, 7, 5, 2, 6, 11, 7, 9, 9, 6.
elementarnym jest para liczb, ale nie wie, ktre z nich zaszo. Dla Tomka
zdarzeniami s przede wszystkim zdarzenia F2 , . . . , F12 , ktre skadaj si ze
zdarze elementarnych. Na przykad F4 = {(1, 3), (2, 2), (3, 1)}.
Na podstawie informacji, ktr ma moe jednak powiedzie, e na przykad zaszo
zdarzenie: suma oczek jest wiksza od 10, gdy jest to zdarzenie R11 F12 , lub, e
suma oczek jest liczb pierwsz: F2 F3 F5 F7 F11 . Dla Tomka -algebr
jest wic rodzina skadajca si ze wszystkich sum zbiorw F2 , . . . , F12 .
9 / 173
Niech: = {1 , . . . , n }.
Niech F1 , . . . , Fk bd podzbiorami speniajcymi warunki:
k
[
Fi = , oraz Fi Fj dla i 6= j. Okrelamy:
i=1
Fj : J
j J
Okrelamy P : R jako P(A) =
#A
n .
10 / 173
Niech: = {1 , . . . , n }.
Niech F1 , . . . , Fk bd podzbiorami speniajcymi warunki:
k
[
Fi = , oraz Fi Fj dla i 6= j. Okrelamy:
i=1
Fj : J
j J
Okrelamy P : R jako P(A) =
#A
n .
Oczywicie jest -algebr, a (, , P) przestrzeni probabilistyczn.
10 / 173
3. Schemat dyskretny skoczony.

Niech: = {1 , . . . , n }, = P().
11 / 173

Niech: = {1 , . . . , n }, = P().
Niech
Pn p1 , p2 , . . . , pn bdzie cigiem liczb dodatnich (lub nieujemnych) takich, e
i=1 pi = 1. Okrelamy:
X
P(A) =
pi , dla A .
i:xi A
11 / 173

Niech: = {1 , . . . , n }, = P().
Niech
X
P(A) =
pi , dla A .
i:xi A
Mona atwo sprawdzi (w), e (, , P) jest przestrzeni probabilistyczn.
11 / 173

Niech: = {1 , . . . , n }, = P().
Niech
X
P(A) =
pi , dla A .
i:xi A

Gdy pi = n1 , to otrzymujemy schemat klasyczny.
11 / 173

Niech: = {1 , . . . , n }, = P().
Niech
X
P(A) =
pi , dla A .
i:xi A

Gdy rzucamy faszyw kostk, to pi nie s sobie rwne. Na przykad mog
wynosi: 0.3, 0.15, 0.15, 0.15, 0.15, 0.1.
11 / 173

Niech: = {1 , . . . , n }, = P().
Niech
X
P(A) =
pi , dla A .
i:xi A

wynosi: 0.3, 0.15, 0.15, 0.15, 0.15, 0.1.
Oczywicie P({i }) = pi , dla kadego i.
11 / 173

Niech: = {1 , . . . , n }, = P().
Niech
X
P(A) =
pi , dla A .
i:xi A

wynosi: 0.3, 0.15, 0.15, 0.15, 0.15, 0.1.
4. Schemat dyskretny nieskoczony.
Niech: = {1 , 2 , 3 , . . . }, = P().
11 / 173

Niech: = {1 , . . . , n }, = P().
Niech
X
P(A) =
pi , dla A .
i:xi A

wynosi: 0.3, 0.15, 0.15, 0.15, 0.15, 0.1.
Niech: = {1 , 2 , 3 , . . . }, = P().
Niech
p1 , p2 , p3 . . . bdzie cigiem liczb dodatnich (lub nieujemnych) takich, e
P
p
i = 1. Okrelamy:
i=1
X
P(A) =
pi , dla A .
i:xi A
11 / 173

Niech: = {1 , . . . , n }, = P().
Niech
X
P(A) =
pi , dla A .
i:xi A

wynosi: 0.3, 0.15, 0.15, 0.15, 0.15, 0.1.
Niech: = {1 , 2 , 3 , . . . }, = P().
Niech
p1 , p2 , p3 . . . bdzie cigiem liczb dodatnich (lub nieujemnych) takich, e
P
p
i = 1. Okrelamy:
i=1
X
P(A) =
pi , dla A .
i:xi A
Mona sprawdzi, e (, , P) jest przestrzeni probabilistyczn.

11 / 173
Przykad.
Powyszy schemat stosowany jest do opisu nastpujcej sytuacji: Gracz rzuca tak
dugo kostk, a uzyska 6. Interesuje nas, w ktrym rzucie to nastpi. Inaczej,
warto tak okreli przestrze probabilistyczn, eby zdarzeniami elementarnymi
byy liczby 1,2,3, . . . . Zakadajc, e mamy pen informacj o przebiegu
eksperymentu, okrelamy wic:
= P()..
= {1, 2, 3, },
12 / 173
Przykad.
= P()..
= {1, 2, 3, },
Pamitajc, e pi = P({i}) moemy kolejno okreli:
12 / 173
Przykad.
= P()..
= {1, 2, 3, },
Pamitajc, e pi = P({i}) moemy kolejno okreli: p1 prawdopodobiestwo
tego, e w pierwszym, rzucie pojawi si 6= 16 .
12 / 173
Przykad.
= P()..
= {1, 2, 3, },
p2 prawdopodobiestwo tego, e w pierwszym, rzucie pojawi si co innego ni
25
6, a w drugim rzucie 6= 36
. Stosujemy tutaj schemat klasyczny.
12 / 173
Przykad.
= P()..
= {1, 2, 3, },
25
Podobnie, stosujc schemat klasyczny moemy przyj, e:
i1
pi = 5 6i , dla i = 3, 4, 4, . . . .
12 / 173
Przykad.
= P()..
= {1, 2, 3, },
25
Podobnie, stosujc schemat klasyczny moemy przyj, e:
i1
pi = 5 6i , dla i = 3, 4, 4, . . . .
P
Zauwamy, e i=1 pi = 61 11 5 = 1.
6
12 / 173
5. Przestrze probabilistyczna o noniku Rn .

Miech X bdzie niepustym zbiorem. Niech F P(X ) bdzie rodzin zbiorw.
Przez (F) oznaczamy najmniejsz -algebr zawierajc rodzin F. Zauwamy,
e (F) jest iloczynem wszystkich -algebr zawierajcych F.
13 / 173

Jeeli F jest rodzin wszystkich zbiorw otwartych w X , to (F) nazywamy
-algebr zbiorw borelowskich i oznaczamy B(X ).
Gdy X = R, B(R) moe by scharakteryzowana rwnie inne rwnowane
sposoby. Mona udowodni, e: B(R) = (G), gdzie G jest:
rodzin wszystkich zbiorw domknitych, lub
rodzin wszystkich przedziaw (a, b), lub
rodzin wszystkich przedziaw (a, b], lub
rodzin wszystkich przedziaw (, b], i t.d.
13 / 173

Podobnie mona na rne sposoby scharakteryzowa B(Rn ), dla n > 1.
13 / 173

Podobnie mona na rne sposoby scharakteryzowa B(Rn ), dla n > 1.
UWAGA. Jakkolwiek B(Rn ) zawiera wikszo podzbiorw zawartych w Rn
rozwaanych w praktyce i teorii, to istniej podzbiory Rn , ktre nie s zbiorami
borelowskimi:
P(Rn ) \ B(Rn ) 6= !!!
13 / 173
Okazuje si, e na zbiorze B(Rn ) mona okreli wiele rnych miar. Najwaniejsz
z nich jest miara Lebesguea, ktra w naturalny sposb uoglnia pojcie dugoci
w R, pola w R2 i objtoci w R3 . Bdziemy t miar oznacza przez Ln .
14 / 173
Mona pokaza, e miary Lebesguea nie mona rozszerzy na -algebr
wszystkich zbiorw, P(Rn ).
14 / 173
Za pomoc miary Lebesguea mona w rny sposb okrela miary
probabilistyczne. Najprostszy sposb to:
14 / 173
Prawdopodobiestwo geometryczne.
Niech B(Rn ) bdzie takim zbiorem, e 0 < Ln () < .
Niech = {A : A B(Rn )}.
L (A)
Niech P(A) = n
, dla A .
Ln ()
14 / 173
Prawdopodobiestwo geometryczne.
Niech B(Rn ) bdzie takim zbiorem, e 0 < Ln () < .
Niech = {A : A B(Rn )}.
L (A)
Niech P(A) = n
, dla A .
Ln ()
14 / 173
Przykad.
Dwoje internautw umwio si na spotkanie w sieci midzy godzin 17 a 18, przy
czym ze wzgldu na inne wane zajcia bd na siebie czeka co najwyej 10
minut i nie duej ni do godziny 18. Jakie jest prawdopodobiestwo tego, e si
spotkaj?
15 / 173
Przykad.
Dwoje internautw umwio si na spotkanie w sieci midzy godzin 17 a 18, przy
czym ze wzgldu na inne wane zajcia bd na siebie czeka co najwyej 10
minut i nie duej ni do godziny 18. Jakie jest prawdopodobiestwo tego, e si
spotkaj?
Przestrzeni zdarze elementarnych moe by kwadrat [0, 1] [0, 1] (jednostk
jest 1 godzina), a miar probabilistyczn miara Lebesguea L2 (kady moment
midzy 17 a 18 wczenia si do sieci jest jednakowo moliwy).
1
A = {(x, y ) : |x y | < }. Jak atwo si przekona, wynosi ono 0.31.
6
15 / 173
Problem w aciwego doboru przestrzeni probabilistycznej,
16 / 173

Przykad.
Dany jest okrg o promieniu r = 1. Jakie jest prawdopodobiestwo tego, e
losowo wybrana ciciwa tego okrgu jest krtsza ni bok trjkta rwnobocznego
wpisanego w ten okrg?
16 / 173

Przykad.
Rozwizanie:
16 / 173

Przykad.
Rozwizanie:
16 / 173

Przykad.
Rozwizanie:
16 / 173
(1) Majc ustalony jeden z kocw ciciwy, wybieramy taki trjkt rwnoboczny
wpisany, e jego wierzchoek jest w tym punkcie. Losowanie ciciwy oznacza
ustalenie drugiego jej koca. Tak wic jest caym okrgiem, za naturalnie jest
przyj rodzin zbiorw mierzalnych na okrgu, a P jest miar Lebesguea
(dugoci) podzielon przez 2. Wida, e prawdopodobiestwo interesujcego
nas zdarzenia jest rwne 32 .
17 / 173
(2) Aby wylosowa ciciw, wystarczy poda jej rodek. Tutaj jest koem, jest
rodzin zbiorw borelowskich zawartych w kole, a P jest miar Lebesguea
podzielon przez pole koa 2 . atwo policzy, e teraz prawdopodobiestwo
naszego zdarzenia wynosi 43 .
17 / 173
Istniej take inne inne sposoby rozwizania! POPRAWNE!!!
17 / 173
Gdzie tkwi bd?
17 / 173
Gdzie tkwi bd?

Uyto fraz losowo wybrana ciciwa nie precyzujc co to znaczy.
17 / 173
Losowania
Wiele problemw mona sprowadzi do kwestii losowania. Omwimy dwa
najprostsze schematy losowa.
Przykad.
Wyobramy sobie, e w urnie jest N = 10 ponumerowanych kul i e wycigamy z
tej urny po kolei n = 5 kul. Zauwamy, e mog by tu zastosowane dwie metody
losowania:
po wycigniciu kuli zapisujemy jej numer i wrzucamy j z powrotem do urny.
Zdarzeniami s na przykad cigi:
(4, 2, 10, 5, 7); (3, 3, 6, 1, 2); (1, 2, 3, 4, 5) lub (7, 7, 7, 7, 5);
kolejne wycignite kule ustawiamy obok urny. Zdarzeniami s na przykad
zbiory:
{3, 5, 6, 7, 8}; {1, 2, 4, 8, 10} lub {2, 3, 4, 5, 6};
18 / 173
Losowania
Wiele problemw mona sprowadzi do kwestii losowania. Omwimy dwa
najprostsze schematy losowa.
Przykad.
Wyobramy sobie, e w urnie jest N = 10 ponumerowanych kul i e wycigamy z
tej urny po kolei n = 5 kul. Zauwamy, e mog by tu zastosowane dwie metody
losowania:
po wycigniciu kuli zapisujemy jej numer i wrzucamy j z powrotem do urny.
Zdarzeniami s na przykad cigi:
(4, 2, 10, 5, 7); (3, 3, 6, 1, 2); (1, 2, 3, 4, 5) lub (7, 7, 7, 7, 5);
kolejne wycignite kule ustawiamy obok urny. Zdarzeniami s na przykad
zbiory:
{3, 5, 6, 7, 8}; {1, 2, 4, 8, 10} lub {2, 3, 4, 5, 6};
Zauwamy, e:
18 / 173
W pierwszym przypadku kule mog si powtarza i e musimy uwzgldnia

kolejno, w jakiej si pojawiaj. Gdybymy nie uwzgldnili kolejnoci, wynik
(1, 2, 3, 4, 5) odpowiadaby wielu losowaniom, a wynik (4, 4, 4, 4, 4) tylko jednemu,
tak wic prawdopodobiestwo drugiego wyniku musiaoby by mniejsze ni
prawdopodobiestwo wyniku pierwszego, co w schemacie klasycznym nie moe
zachodzi a wanie ten schemat chcemy wykorzysta.
19 / 173

W drugim przypadku kady taki zbir jest dla nas zdarzeniem elementarnym.
Zauwamy, e kule nie mog si oczywicie powtarza i e nie uwzgldniamy
kolejnoci wyobramy sobie, e zamiast wyciga kule po kolei bierzemy pi kul
jednoczenie (i dopiero wtedy odczytujemy numery).
19 / 173

Sytuacja oglna:
Losowanie n elementw ze zwracaniem z N elementowego zbioru X

= X n = {(x1 , . . . , xn ) : xi X dla i = 1, . . . , n},
# = N n .
19 / 173

Sytuacja oglna:
Losowanie n elementw ze zwracaniem z N elementowego zbioru X

= X n = {(x1 , . . . , xn ) : xi X dla i = 1, . . . , n},
# = N n .
Losowanie k elementw bez zwracania z N elementowego zbioru X

= P(X ),

N
#Omega =
.
k
19 / 173
Przykad.
Daany jest N elementowy zbir X oraz N0 elementowy podzbir W X .
Losujemy n elementw ze zbioru X . Jakie jest prawdopodobiestwo, e wrd nich
dokadnie k elementw pochodzi ze zbioru W ?
20 / 173
Przykad.
Daany jest N elementowy zbir X oraz N0 elementowy podzbir W X .
Losujemy n elementw ze zbioru X . Jakie jest prawdopodobiestwo, e wrd nich
dokadnie k elementw pochodzi ze zbioru W ?
Rozwizanie (losowanie ze zwracaniem). Zdarzeniem sprzyjajcym A jest tutaj
zbir cigw n elementowych, z ktrych
dokadnie k elementw jest ze zbioru W .
n
Liczno takiego zbioru jest #A =
N0k (N N0 )nk . A wic:
k

n
nk
k
N0k (N N0 )nk
k
N0
N0
n
1
.
P(A) =
=
k
Nn
N
N
Rozwizanie (losowanie bez zwracania). Zdarzeniem sprzyjajcym A jest tutaj
zbir podzbiorw n elementowych, z ktrych
k elementw jest ze zbioru
dokadnie

N0
N N0
W . Liczno takiego zbioru jest #A =
. A wic:
k
nk

N0
N N0
k
nk

P(A) =
.
N
n
20 / 173
Przykad.
Jakie jest prawdopodobiestwo tego, e na roku liczcym 100 studentw
znajdziemy dwie osoby obchodzce urodziny tego samego dnia?
21 / 173
Przykad.
Tutaj zdarzeniem elementarnym jest 100-elementowy cig o elementach bdcych
kolejnymi dniami roku. Przyjmujc upraszczajce zaoenia, e rok ma 365 dni i e
we wszystkich dniach roku rodzi si mniej wicej tyle samo ludzi mamy do
czynienia z zagadnieniem rwnowanym losowaniu ze zwracaniem 100 razy
losujemy dat. Mamy wic # = 365100 (jest to naprawd dua liczba).
21 / 173
Przykad.
losujemy dat. Mamy wic # = 365100 (jest to naprawd dua liczba). W tym
zadaniu wygodniej bdzie wyznaczy zdarzenie przeciwne do interesujcego nas
zdarzenia, oznaczmy je przez A. Zdarzenie A skada si ze zdarze elementarnych
odpowiadajcych cigom, ktrych wszystkie wyrazy s rne. Poniewa majc
wybrany 100-elementowy zbir, moemyz niego utworzy 100! rnych cigw, a
z 365 elementw moemy utworzy 365
100 rnych zbiorw, wic #A jest rwna
iloczynowi tych dwch liczb. W takim razie:

100! 365
100
P(A) =
.
365100
21 / 173
Przykad.
losujemy dat. Mamy wic # = 365100 (jest to naprawd dua liczba). W tym
zadaniu wygodniej bdzie wyznaczy zdarzenie przeciwne do interesujcego nas
zdarzenia, oznaczmy je przez A. Zdarzenie A skada si ze zdarze elementarnych
odpowiadajcych cigom, ktrych wszystkie wyrazy s rne. Poniewa majc
wybrany 100-elementowy zbir, moemyz niego utworzy 100! rnych cigw, a
z 365 elementw moemy utworzy 365
100 rnych zbiorw, wic #A jest rwna
iloczynowi tych dwch liczb. W takim razie:

100! 365
100
P(A) =
.
365100
Wyliczamy (np. Maple):
P(A) .3072489279 106 oraz 1 P(A) .9999996928.
21 / 173
Prawdopodobiestwo warunkowe
Dana jest przestrze probabilistyczna (, , P) oraz zdarzenie A , przy czym
P(A) > 0.
Dla dowolnego zdarzenia B okrelamy jego prawdopodobiestwo warunkowe
P(B|A) wzorem:
P(B A)
.
P(B|A) =
P(A)
Funkcja P(|A) jest miar probabilistyczn na posiadajc t waciwo, e
dwa zbiory majce jednakowe przecicia ze zbiorem A, maj take tak sam
miar (w).
22 / 173
Prawdopodobiestwo warunkowe
Dana jest przestrze probabilistyczna (, , P) oraz zdarzenie A , przy czym
P(A) > 0.
Dla dowolnego zdarzenia B okrelamy jego prawdopodobiestwo warunkowe
P(B|A) wzorem:
P(B A)
.
P(B|A) =
P(A)
Funkcja P(|A) jest miar probabilistyczn na posiadajc t waciwo, e
dwa zbiory majce jednakowe przecicia ze zbiorem A, maj take tak sam
miar (w).
Czsto znamy prawdopodobiestwo warunkowe P(B|A) oraz prawdopodobiestwo
P(A) i na tej podstawie obliczamy prawdopodobiestw
P(A B) = P(B|A)P(A)
oraz inne prawdopodobiestwa.
22 / 173
Wzr na prawdopodobiestwo cakowite

Twierdzenie
Dana jest przestrze probabilistyczna (, , P) oraz
zdarzenia A1 , . . . , An speniajce warunki:
(i) P(Ai ) > 0 dla kadego i = 1, . . . , n,
(ii) Ai Aj = , dla wszystkich i 6= j,
(iii) A1 An = .
Wtedy dla kadego zdarzenia B zachodzi wzr:
P(B) =
n
X
P(B|Ai )P(Ai ).
i=1
Dowd. Poniewa B = B = B (
P(B) =
n
X
P(B Ai ) =
i=1
n
X
n
[
Ai ) =
i=1
n
[
(B Ai ), mamy
i=1
P(B|Ai )P(Ai ).
i=1
23 / 173
Przykad.
Przed konkursem ogoszono list 200 pyta z dziedziny D1 , 100 pyta z dziedziny
D2 oraz 100 pyta z dziedziny D3 . Umiemy odpowiedzie na 150 pyta z dziedziny
D1 , na wszystkie pytania z dziedziny D2 oraz na 80 pyta z dziedziny D3 . Jakie jest
prawdopodobiestwo, e podczas konkursu odpowiemy na losowo zadane pytanie?
24 / 173
Przykad.
Przed konkursem ogoszono list 200 pyta z dziedziny D1 , 100 pyta z dziedziny
D2 oraz 100 pyta z dziedziny D3 . Umiemy odpowiedzie na 150 pyta z dziedziny
D1 , na wszystkie pytania z dziedziny D2 oraz na 80 pyta z dziedziny D3 . Jakie jest
prawdopodobiestwo, e podczas konkursu odpowiemy na losowo zadane pytanie?
Mamy tutaj alternatyw trzech wykluczajcych si warunkw D1 , D2 i D3
polegajcych na tym, e zadane pytanie pochodzi bdzie z odpowiedniej
dziedziny. Jest to alternatywa pewna, to znaczy nie istniej inne moliwoci oprcz
tych trzech. Chcemy obliczy prawdopodobiestwo zdarzenia B, polegajcego na
udzieleniu poprawnej odpowiedzi na otrzymane pytanie. Z treci zadania wynika
jednak, e znamy prawdopodobiestwa warunkw oraz prawdopodobiestwa
warunkowe:
P(D1 ) =
1
200
= ,
400
2
P(B|D1 ) =
P(D2 ) =
100
1
= ,
400
4
P(D3 ) =
100
1
= ,
400
4
150
3
100
80
4
= , P(B|D2 ) =
= 1, P(B|D3 ) =
= .
200
4
100
100
5
24 / 173
Z twierdzenia o prawdopodobiestwie cakowitym otrzymujemy wic:

P(B) =
3 1
1 4 1
33
+1 + =
= 0.825.
4 2
4 5 4
40
Mamy zatem 82.5procentow szans udzielenia poprawnej odpowiedzi na zadane

pytanie.
25 / 173

P(B) =
3 1
1 4 1
33
+1 + =
= 0.825.
4 2
4 5 4
40

pytanie.
Przykad.
Na drugi dzie po egzaminie pamitamy tylko to, e dostalimy jedno pytanie oraz
to, e zdalimy egzamin. Jakie jest prawdopodobiestwo tego, e odpowiadalimy
na pytanie z dziedziny D1 ?
25 / 173

P(B) =
3 1
1 4 1
33
+1 + =
= 0.825.
4 2
4 5 4
40

pytanie.
Przykad.
Na drugi dzie po egzaminie pamitamy tylko to, e dostalimy jedno pytanie oraz
to, e zdalimy egzamin. Jakie jest prawdopodobiestwo tego, e odpowiadalimy
na pytanie z dziedziny D1 ?
Moemy nasze zadanie sformuowa nastpujco: oblicz prawdopodobiestwo
warunkowe P(D1 |B). Otrzymujemy natychmiastow odpowied:
P(D1 |B) =
P(B D1 )
P(B|D1 )P(D1 )
=
=
P(B)
P(B)
3
4
33
40
1
2
5
0.45.
11
25 / 173
Wzr Bayesa
Poprzedni przykad stanowi szczeglny przypadek rozumowania wprowadzonego

przez Bayesa.
Twierdzenie Bayesa
Przy zaoeniach Twierdzenia o Prawdopodobiestwie Cakowitym zachodzi
nastpujca rwno:
P(B|Ak )P(Ak )
P(Ak |B) = Pn
i=1 P(B|Ai )P(Ai )
dla kadego k = 1, . . . , n.
26 / 173
Wzr Bayesa
Poprzedni przykad stanowi szczeglny przypadek rozumowania wprowadzonego

przez Bayesa.
Twierdzenie Bayesa
Przy zaoeniach Twierdzenia o Prawdopodobiestwie Cakowitym zachodzi
nastpujca rwno:
P(B|Ak )P(Ak )
P(Ak |B) = Pn
i=1 P(B|Ai )P(Ai )
dla kadego k = 1, . . . , n.
Dowd. P(Ak |B) =
P(B Ak )
P(B|Ak )P(Ak )
= Pn
.
P(B)
i=1 P(B|Ai )P(Ai )
26 / 173
Komentarz.
Twierdzenie Bayesa budzio z pocztku pewne kontrowersje. Mianowicie,
zdarzenia Ai s czsto w zastosowaniach traktowane jako przyczyny, za zdarzenie
B jako skutek. W tej terminologii wzr na prawdopodobiestwo warunkowe mona
rozumie w sposb nastpujcy: znajc prawdopodobiestwo przyczyny mona,
o ile ona zaistnieje, obliczy prawdopodobiestwo skutku jest to intuicyjnie jasne.
27 / 173
Komentarz.
Tymczasem Twierdzenie Bayesa pozwala wyliczy prawdopodobiestwo przyczyny,
o ile ju znamy jej skutek. To powodowao pewne wtpliwoci natury filozoficznej,
niemniej na gruncie naszej teorii twierdzenie Bayesa jest oczywicie jak najbardziej
poprawne.
27 / 173
Komentarz.
Tymczasem Twierdzenie Bayesa pozwala wyliczy prawdopodobiestwo przyczyny,
o ile ju znamy jej skutek. To powodowao pewne wtpliwoci natury filozoficznej,
niemniej na gruncie naszej teorii twierdzenie Bayesa jest oczywicie jak najbardziej
poprawne.
Terminologia:
P(Ai ) prawdopodobiestwa a priori,
P(Ai |B) prawdopodobiestwa a posteriori.
27 / 173
Zdarzenia niezalene
Niech (, , P) bdzie przestrzeni probabilistyczn. Niech A, B .
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
28 / 173
Zdarzenia niezalene
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
Zauwamy, e gdy P(A) > 0 mamy natychmiastow rwnowano:
A, B s niezalene P(B|A) = P(B).
28 / 173
Zdarzenia niezalene
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
Przykad.
Rzucajc dwiema kostkami atwo sprawdzi, e:
Niezalenymi zdarzeniami s A, B okrelone nastpujco: A na pierwszej
kostce wypad 6, B na drugiej kostce wypada liczba pierwsza.
28 / 173
Zdarzenia niezalene
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
Przykad.
Zalenymi zdarzeniami s A, B okrelone nastpujco: A suma oczek na
kostkach jest 10, B na drugiej kostce wypada 5.
28 / 173
Zdarzenia niezalene
Definicja
A, B s niezalene
P(A B) = P(A) P(B).
Przykad.
Zalenymi zdarzeniami s A, B okrelone nastpujco: A suma oczek na
kostkach jest 10, B na drugiej kostce wypada 5.
Zalenymi zdarzeniami s kade dwa zdarzenia rozczne A, B, o ile
P(A)P(B) > 0.
28 / 173
Zdarzenia A1 , . . . , An s niezalene,
dla kadego podcigu Ak1 , . . . , Akr zachodzi:
P(Ak1 Akr ) = P(Ak1 ) P(Akr ).
29 / 173
Zdarzenia A1 , . . . , An s niezalene,
dla kadego podcigu Ak1 , . . . , Akr zachodzi:
P(Ak1 Akr ) = P(Ak1 ) P(Akr ).
Zdarzenia A1 , A2 , A3 , . . . s niezalene,
dla kadego n 2 zdarzenia A1 , . . . , An s niezalene.
29 / 173
Iloczyn kartezjaski
Niech bd dane dwie przestrzenie probabilistyczne (1 , 1 , P1 ) oraz (2 , 2 , P2 ).
Niech
= 1 2 = {(1 , 2 ) : 1 1 , 2 2 }.
Mona teraz zbudowa -algebr na zbiorze oraz miar probabilistyczn
P : R. Jako bierze si najmniejsz -algebr zawierajc wszystkie iloczyny
kartezjaskie A1 A2 , gdzie A1 1 i A2 2 , a nastpnie dowodzi si (w
mudny sposb), e istnieje dokadnie jedna miara P speniajca warunek:
dla kadych dwch zdarze A1 1 i A2 2
P(A1 A2 ) = P1 (A1 )P2 (A2 ).
Stosujemy czsto nastpujce oznaczenia:
= 1 2 P = P1 P2 .
30 / 173
Iloczyn kartezjaski
Niech bd dane dwie przestrzenie probabilistyczne (1 , 1 , P1 ) oraz (2 , 2 , P2 ).
Niech
= 1 2 = {(1 , 2 ) : 1 1 , 2 2 }.
Mona teraz zbudowa -algebr na zbiorze oraz miar probabilistyczn
P : R. Jako bierze si najmniejsz -algebr zawierajc wszystkie iloczyny
kartezjaskie A1 A2 , gdzie A1 1 i A2 2 , a nastpnie dowodzi si (w
mudny sposb), e istnieje dokadnie jedna miara P speniajca warunek:
dla kadych dwch zdarze A1 1 i A2 2
P(A1 A2 ) = P1 (A1 )P2 (A2 ).
Stosujemy czsto nastpujce oznaczenia:
= 1 2 P = P1 P2 .
Stanowi to formaln kolizj z podobnymi oznaczeniami stosowanymi w teorii
mnogoci.
Trjk (, , P) nazywamy iloczynem kartezjaskim przestrzeni
(1 , 1 , P1 ) oraz (2 , 2 , P2 ).
30 / 173
Uwaga
Niech (, , P) bdzie iloczynem kartezjaskim przestrzeni
(1 , 1 , P1 ) oraz (2 , 2 , P2 ). Niech A1 1 , A2 2 . Zdefiniujmy:
Z1 = A1 1 , Z2 = 1 A2 .
Wtedy Z1 , Z2 s niezalene.
Dowd.
P(Z1 Z2 ) = P((A1 1 ) (1 A2 )) = P(A1 A2 ) = P1 (A1 )P2 (A2 ) =
P1 (A1 )P2 (2 )P1 (1 )P2 (A2 ) = P(A1 2 )P(1 A2 ) = P(Z1 )P(Z2 ).
.
31 / 173
Uwaga
(1 , 1 , P1 ) oraz (2 , 2 , P2 ). Niech A1 1 , A2 2 . Zdefiniujmy:
Z1 = A1 1 , Z2 = 1 A2 .
Wtedy Z1 , Z2 s niezalene.
Dowd.
P(Z1 Z2 ) = P((A1 1 ) (1 A2 )) = P(A1 A2 ) = P1 (A1 )P2 (A2 ) =
P1 (A1 )P2 (2 )P1 (1 )P2 (A2 ) = P(A1 2 )P(1 A2 ) = P(Z1 )P(Z2 ).
.
Interpretacja.
Przypumy, e prowadzimy dwuetapowy eksperyment, przy czym etapy te s
niezalene od siebie (np. wykonujemy dwa kolejne rzuty kostk). Zamy, e
etapy te s opisywane dwiema przestrzeniami probabilistycznymi (1 , 1 , P1 ) oraz
(2 , 2 , P2 ). Wtedy ich iloczyn kartezjaski odpowiada cznemu opisowi obydwu
etapw, przy czym odpowiednikiem zdarzenia A1 jest w nowej przestrzeni
zdarzenie Z1 , a zdarzenia A2 zdarzenie Z2 .
31 / 173
Mona zdefiniowa iloczyn kartezjaski skoczonej liczby przestrzeni

probabilistycznych.
32 / 173

probabilistycznych.
Sposb 1. Wykorzysta zwyk procedur indukcyjn (w).
32 / 173

probabilistycznych.
Sposb 2. Powtrzy poprzedni definicj dla ustalonej liczby przestrzeni n (w).
32 / 173

probabilistycznych.
Mona udowodni, e obydwie procedury daj faktycznie t sam przestrze.
Uwaga
(1 , 1 , P1 ), . . . , (n , n , Pn ). Niech Ai i , i = 1, . . . , n. Zdefiniujmy zbiory:
Zi = {(1 , . . . , n ) : i Ai }, dla i = 1, . . . , n.
Wtedy Z1 , . . . Zn s niezalene.
Dowd. (w)
32 / 173

probabilistycznych.
Mona udowodni, e obydwie procedury daj faktycznie t sam przestrze.
Uwaga
(1 , 1 , P1 ), . . . , (n , n , Pn ). Niech Ai i , i = 1, . . . , n. Zdefiniujmy zbiory:
Zi = {(1 , . . . , n ) : i Ai }, dla i = 1, . . . , n.
Wtedy Z1 , . . . Zn s niezalene.
Dowd. (w)
Gdy (1 , 1 , P1 ) = = (n , n , Pn ) = (, , P) , czsto oznaczmy iloczyn
kartezjaski tych przestrzeni symbolem: (n , n , P n ).
32 / 173
Schemat Bernoulliego
Niech = {0, 1}, = P(), a miara P zadana jest przez warunki:

P({0}) = 1 p, P({1}) = p,
gdzie 0 < p < 1 jest ustalon liczb.
33 / 173

P({0}) = 1 p, P({1}) = p,
Taka przestrze moe by matematycznym modelem dowiadczenia, ktre koczy
si dokadnie dwoma wynikami i znane s prawdopodobiestwa ich uzyskania.
33 / 173

P({0}) = 1 p, P({1}) = p,
Uywamy czsto nazw sukcesraz porakai w modelu identyfikujemy je jako
oraz 1. Wystpuje nazwa prba Bernoulliego.
33 / 173

P({0}) = 1 p, P({1}) = p,
Uywamy czsto nazw sukcesraz porakai w modelu identyfikujemy je jako
oraz 1. Wystpuje nazwa prba Bernoulliego.
Iloczyn kartezjaski tej przestrzeni (n , n , P n ) nazywa si schematem
Bernoulligo.
33 / 173
Typowym problemem zwizanym ze schematem Bernoulliego jest nastpujcy

problem:
Pn
Obliczy P n (A), gdzie A = { = (1 , . . . , n ) n : i=1 i = 1}.
34 / 173

problem:
Pn
Zauwamy, e dla kadego = (1 , . . . P
, n )
P
P n ({}) = P({1 }) P({n }) = p
i=1
(1 p)n
i=1
34 / 173

problem:
Pn
, n )
P
P n ({}) = P({1 }) P({n }) = p

Gdy A, to P n ({o}) = p k (1 p)nk .
i=1
(1 p)n
i=1
34 / 173

problem:
Pn
, n )
P
n
P n ({}) = P({1 }) P({n }) = p i=1 i (1 p)n

nk
Gdy A, to P n ({o}) = p k (1 p)
.
n
Poniewa zdarzenie A skada si z
elemetw, to
k
P(A) =
i=1

n k
p (1 p)nk .
k
34 / 173

problem:
Pn
, n )
P
n
P n ({}) = P({1 }) P({n }) = p i=1 i (1 p)n

nk
Gdy A, to P n ({o}) = p k (1 p)
.
n
Poniewa zdarzenie A skada si z
elemetw, to
k
P(A) =
i=1

n k
p (1 p)nk .
k
Warto ten wzr porwna z wzorem na prawdopodobiestwo wylosowania

dokadnie k elementw w tracie losowania n elementw ze zwracaniem.
34 / 173
Rozkad prawdopodobiestwa w Rn
Podstawow rol w rachunku prawdopodobiestwa odgrywaj przestrzenie
probabilistyczne, w ktrych zdarzeniami elementarnymi s liczby rzeczywiste oraz
cigi takich liczb, czyli elementy zbioru Rn . W takim przypadku najczciej
rozpatrywan -algebr jest -algebra zbirw borelowskich B(Rn ). Bya o tym
mowa poprzednio przy okazji prawdopodobiestwa geometrycznego.
35 / 173
Rozkad prawdopodobiestwa
n-wymiarowym rozkadem prawdopodobiestwa nazywamy miar probabilistyczn
Q okrelon na -algebrze zbirw borelowskich B(Rn ).
35 / 173
Najprostszym rozkadem jest tak zwana -Diraca, c . Dla ustalonego c Rn
definiujemy: c (A) = 1, gdy c A, c (A) = 0, gdy c
/ A, dla A B(Rn ). Mona
atwo si przekona, e jeeli c1 , . . . , ck R s ustalone, to funkcja
Q : B(Rn ) R zdefiniowana jako suma barycentryczna c1 , . . . , ck , czyli
Pk
Pk
Q(A) = i=1 i ci (A), gdzie i=1 i = 1 oraz i > 0, jest miar probabilistyczn
na B(Rn ), czyli jest n-wymiarowym rozkadem.
35 / 173
Najprostszym rozkadem jest tak zwana -Diraca, c . Dla ustalonego c Rn
definiujemy: c (A) = 1, gdy c A, c (A) = 0, gdy c
/ A, dla A B(Rn ). Mona
atwo si przekona, e jeeli c1 , . . . , ck R s ustalone, to funkcja
Q : B(Rn ) R zdefiniowana jako suma barycentryczna c1 , . . . , ck , czyli
Pk
Pk
Q(A) = i=1 i ci (A), gdzie i=1 i = 1 oraz i > 0, jest miar probabilistyczn
na B(Rn ), czyli jest n-wymiarowym rozkadem.
Mwic rozkad, najcziej mamy na myli rozkad jednowymiarowy.
35 / 173
Dystrybuamta
Rozkady (jednowymiarowe) maj cisy zwizek z dystrybuantami.
36 / 173
Dystrybuamta
Rozkady (jednowymiarowe) maj cisy zwizek z dystrybuantami.
Definicja
Dystrybuant nazywamy funkcj F : RR, speniajc nastpujce cztery
warunki:
1
Dla kadego x R, 0 F (x) 1.
F jest funkcj niemalejc, to znaczy:

x < y F (x) F (y ),
F jest prawostronnie ciga, to znaczy:

lim F (x) = F (a)
xa+
dla kadego a R,
4
limx F (x) = 1,
limx F (x) = 0.
36 / 173
Twierdzenie
Jeeli Q jest rozkadem prawdopodobiestwa, to funkcja F zdefiniowana wzorem:
F (x) = Q(, x] = Q((, x]),
(1)
jest dystrybuant. Mwimy wtedy, e rozkad Q ma dystrybuant F , co czsto

zaznaczamy piszc FQ zamiast F .
Dowd. Ad 1. Wynika natychmiast z wasnoci prawdopodobiestwa.
37 / 173
Twierdzenie
F (x) = Q(, x] = Q((, x]),
(1)

Ad 2. Jeeli x < y , to (, x] (, y ], a wic
F (x) = Q(, x] Q(, y ] = F (y ).
Ad 3. Niech a R oraz xn & a, to znaczy n xn+1 < xn , limn xn = a.
37 / 173
Twierdzenie
F (x) = Q(, x] = Q((, x]),
(1)

F (x) = Q(, x] Q(, y ] = F (y ).
\
(, a] =
(, xn ] oraz (, xn+1 ) (, xn ).
n=1
37 / 173
Twierdzenie
F (x) = Q(, x] = Q((, x]),
(1)

F (x) = Q(, x] Q(, y ] = F (y ).
\
(, a] =
(, xn ] oraz (, xn+1 ) (, xn ).
n=1
F (a) = Q(, a] = limn Q(, xn ] = limn F (xn ).

To oznacza, e limxa+ F (x) = F (a).
37 / 173
Twierdzenie
F (x) = Q(, x] = Q((, x]),
(1)

F (x) = Q(, x] Q(, y ] = F (y ).
\
(, a] =
(, xn ] oraz (, xn+1 ) (, xn ).
n=1
F (a) = Q(, a] = limn Q(, xn ] = limn F (xn ).

To oznacza, e limxa+ F (x) = F (a).
S
Ad 4. Podobnie jak wyej. Wynika z faktu, e n=1 (, n] = R oraz
T
n=1 (, n] = .
37 / 173
Zachodzi take twierdzenie odwrotne (dowd pomijamy).
Twierdzenie
Jeeli F jest dystrybuant, to istnieje dokadnie jeden rozkad Q, dla ktrego
zachodzi wzr
F (x) = Q(, x] = Q((, x]),
(2)
38 / 173
Twierdzenie
zachodzi wzr
F (x) = Q(, x] = Q((, x]),
(2)
Pytanie: W jakich punktach dystrybuanta jest ciga?
38 / 173
Twierdzenie
zachodzi wzr
F (x) = Q(, x] = Q((, x]),
(2)
Pytanie: W jakich punktach dystrybuanta jest ciga?
Twierdzenie
Niech Q bdzie rozkadem prawdopodobiestwa, za F jego dystrybuant.
Wwczas dla dowolnego a R:
F jest ciga w punkcie a Q(a) = 0.
Bardziej oglnie:
Q(a) = F (a) F (a) ,
gdzie F (a) oznacza lewostronn granic funkcji F w punkcie a (poniewa F jest
niemalejca, wic granica ta istnieje).
38 / 173
Dowd. Wemy cig xn % a (to znaczy,

e {xn } jest cigiem rosncym,
S
zbienym do a). Wtedy (, a) = n (, xn ], a wic:
F (a) = lim F (xn ) = lim Q(, xn ] = Q(, a).
n
Std:
Q(a) = Q((, a] \ (, a)) = Q(, a] Q(, a) = F (a) F (a) .
39 / 173
Dowd. Wemy cig xn % a (to znaczy,

e {xn } jest cigiem rosncym,
S
zbienym do a). Wtedy (, a) = n (, xn ], a wic:
F (a) = lim F (xn ) = lim Q(, xn ] = Q(, a).
n
Std:
Q(a) = Q((, a] \ (, a)) = Q(, a] Q(, a) = F (a) F (a) .

Dla n > 1 mona te zdefiniowa dystrybuant i poda jej zwizek z rozkadem,
jednak definicja nie jest automatycznym powtzeniem sytuacji jednowymiarowej,
gdy w Rn nie ma naturalnego porzdku.
39 / 173
Rozkady dyskretne i rozkady cige

Najczciej rozwaamy rozkady dyskretne oraz rozkady cige (istniej te inne
rozkady).
Rozkad dyskretny
Rozkad n-wymiarowy Q nazywamy rozkadem dyskretnym, jeeli istnieje zbir
borelowski K Rn taki, e:
Q(K ) = 1 oraz x K Q(x) > 0.
40 / 173
Rozkady dyskretne i rozkady cige

Najczciej rozwaamy rozkady dyskretne oraz rozkady cige (istniej te inne
rozkady).
Rozkad dyskretny
Rozkad n-wymiarowy Q nazywamy rozkadem dyskretnym, jeeli istnieje zbir
borelowski K Rn taki, e:
Q(K ) = 1 oraz x K Q(x) > 0.
Uwaga. Wystpujcy w powyszej definicji zbir K jest skoczony lub
przeliczalny. eby to stwierdzi, zauwamy, e K mona przedstawi jako
przeliczaln sumSzbiorw skoczonych.
Dokadniej: K = i=1 Ki , gdzie Ki = {x Rn : Q(x) 1i }.

Widzimy, e 1 Q(Ki ) #Ki 1i , a wic #Ki i..
40 / 173
Z powyszej uwagi wynika, i moemy zbir K ustawi w cig, powiedzmy

K = {xi : i = 1, . . . , m}, gdzie m jest liczb naturaln lub m = , i oznaczy
pi = Q(xi ). Mamy wtedy:
m
X
pi = 1 oraz pi > 0 dla wszystkich i.
i=1
Zdefiniowane w ten sposb cigi {xi } i {pi } wyznaczaj jednoznacznie rozkad Q.

Mianowicie, dla kadego zbioru borelowskiego A mamy Q(A) = Q(A K )
(dlaczego?) i dalej:
X
Q(A) =
pi .
(3)
i:xi A
W zwizku z powyszym, czsto uywa si sformuowania: rozkad dyskretny

zadany przez cigi {xi } i {pi }.
41 / 173
Z powyszej uwagi wynika, i moemy zbir K ustawi w cig, powiedzmy

K = {xi : i = 1, . . . , m}, gdzie m jest liczb naturaln lub m = , i oznaczy
pi = Q(xi ). Mamy wtedy:
m
X
pi = 1 oraz pi > 0 dla wszystkich i.
i=1
Zdefiniowane w ten sposb cigi {xi } i {pi } wyznaczaj jednoznacznie rozkad Q.

Mianowicie, dla kadego zbioru borelowskiego A mamy Q(A) = Q(A K )
(dlaczego?) i dalej:
X
Q(A) =
pi .
(3)
i:xi A
W zwizku z powyszym, czsto uywa si sformuowania: rozkad dyskretny

zadany przez cigi {xi } i {pi }.
Dystrybuanta rozkadu dyskretnego

Niech rozkad dyskretny Q bdzie zadany przez cigi {xi } oraz {pi }. Wtedy
otrzymujemy:
X
FQ (x) =
pi .
i:xi x
41 / 173
Trywialnym przykadem rozkadu dyskretnego jest rozkad jednopunktowy c .

Nietrywialnymi przykadami s kombinacje barycentryczne takich rozkadw.
Rozkad (0, 1, p)
Jest to rozkad skupiony w dwch punktach 0 oraz 1 majcy parametr 0 < p < 1.
Mianowicie:
Q(0) = 1 p,
Q(1) = p.
Jest czsto uywany, jako model dowiadczenia, ktre moe da dokadnie dwa
wyniki nazywane czsto sukcesem 1 i porak 0.
42 / 173
Trywialnym przykadem rozkadu dyskretnego jest rozkad jednopunktowy c .

Nietrywialnymi przykadami s kombinacje barycentryczne takich rozkadw.
Rozkad (0, 1, p)
Jest to rozkad skupiony w dwch punktach 0 oraz 1 majcy parametr 0 < p < 1.
Mianowicie:
Q(0) = 1 p,
Q(1) = p.
Jest czsto uywany, jako model dowiadczenia, ktre moe da dokadnie dwa
wyniki nazywane czsto sukcesem 1 i porak 0.
Rozkad dwumianowy, B(n, p)

Jest to rozkad skupiony skupionym w punktach 0, 1, . . . , n, przy czym:

n k
Q(k) =
p (1 p)nk dla k = 0, 1, . . . , n.
k
Pamitamy, e powyszy wzr okrela prawdopodobiestwo dokadnie k sukcesw
w n niezalenych prbach Bernoulliego.
42 / 173
Rozkad cigy
Rozkad n-wymiarowy Q nazywamy rozkadem cigym, jeeli istnieje funkcja
cakowalna f : Rn R taka, e dla kadego zbioru borelowskiego A Rn :
Z
Q(A) =
f (x) dx,
(4)
A
gdzie A f (x) dx oznacza cak wzgldem miary Lebesguea po zbiorze A z funkcji

f . Funkcj f nazywamy wwczas gstoci rozkadu Q.
43 / 173
Rozkad cigy
Rozkad n-wymiarowy Q nazywamy rozkadem cigym, jeeli istnieje funkcja
cakowalna f : Rn R taka, e dla kadego zbioru borelowskiego A Rn :
Z
Q(A) =
f (x) dx,
(4)
A
gdzie A f (x) dx oznacza cak wzgldem miary Lebesguea po zbiorze A z funkcji

f . Funkcj f nazywamy wwczas gstoci rozkadu Q.
A = (180, 185),
Q(A) zakreskowane pole
43 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
44 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
Bierzemy A = Rn .
44 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
Bierzemy A = Rn .
oraz
f (x) 0 prawie wszdzie,
co rozumiemy nastpujco:
Ln ({x Rn : f (x) < 0}) = 0, gdzie Ln oznacza miar Lebesguea.
44 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
Bierzemy A = Rn .
oraz
Gdyby Ln ({x Rn : f (x) <
R 0}) > 0, to
Q({x Rn : f (x) < 0}) = {xRn :f (x)<0} f (x) dx < 0.
44 / 173
Wida, e:
Z
f (x) dx = 1.
Rn
Bierzemy A = Rn .
oraz
Gdyby Ln ({x Rn : f (x) <
R 0}) > 0, to
Q({x Rn : f (x) < 0}) = {xRn :f (x)<0} f (x) dx < 0.
Uwaga
Jeeli funkcja f : Rn R spenia dwa powysze warunki, to jest ona gstoci
pewnego rozkadu Q.
R
Wystarczy wzi: Q(A) = A f (x) dx, dla A B(Rn ).
44 / 173
Dystrybuanta rozkadu cigego

Niech rozkad cigy Q ma gsto f . Wtedy wprost z definicji otrzymujemy:
Z x
FQ (x) =
f (t) dt.
45 / 173

Z x
FQ (x) =
f (t) dt.
Zauwamy, e w rozkadzie cigym zbiory jednopunktowe maj miar zero, a wic

dystrybuanta jest cig w kadym punkcie.
45 / 173

Z x
FQ (x) =
f (t) dt.

Mona poda przykad dystrybuanty, ktra jest funkcj cig w kadym punkcie,
ale jej rozkad NIE JEST cigy.
45 / 173

Z x
FQ (x) =
f (t) dt.

Mona poda przykad dystrybuanty, ktra jest funkcj cig w kadym punkcie,
ale jej rozkad NIE JEST cigy.
Jeeli pewna funkcja f mierzalna spenia powyszy wzr wzr, to jest ona
gstoci rozkadu, ktrego dystrybuant jest F . Jeeli wic wiemy, e
dystrybuanta jest funkcj rniczkowaln, ewentualnie poza skoczon liczb
punktw, to jej pochodna jest gstoci rozwaanego rozkadu. Wiadomo
ponadto, e w kadym punkcie x, ktry jest punktem cigoci f , funkcja grnej
granicy cakowania, a wic dystrybuanta, jest rniczkowalna oraz zachodzi wzr:
F 0 (x) = f (x).
45 / 173
Przykadem rozkadu cigego jest:
Rozkad jednostajny, U(G ).

Niech G Rn bdzie zbiorem borelowskim o dodatniej i skoczonej mierze
Lebesguea, to znaczy 0 < Ln (G ) < . Okrelmy funkcj:
0, gdy x
/G
f (x) =
1
, gdy x A.
Ln (G )
46 / 173
Przykadem rozkadu cigego jest:
Rozkad jednostajny, U(G ).

Niech G Rn bdzie zbiorem borelowskim o dodatniej i skoczonej mierze
Lebesguea, to znaczy 0 < Ln (G ) < . Okrelmy funkcj:
0, gdy x
/G
f (x) =
1
, gdy x A.
Ln (G )
Jest oczywiste, e f spenia warunki wymagane od gstoci, jest wic gstoci
pewnego rozkadu prawdopodobiestwa. Rozkad ten nazywamy rozkadem
jednostajnym
Porwna z rozkadem geometrycznym (w).
46 / 173
Przykad.
Niech F bdzie dystrybuant rozkadu jednostajnego na odcinku (a, b), U(a, b).
Otrzymujemy:
0, x < a
x a
F (x) =
, ax <b
ba
1, b x.
47 / 173
Przykad.
Niech F bdzie dystrybuant rozkadu jednostajnego na odcinku (a, b), U(a, b).
Otrzymujemy:
0, x < a
x a
F (x) =
, ax <b
ba
1, b x.
Zauwamy, e F nie jest rniczkowalna w dwch punktach.
47 / 173
Zmienne i wektory losowe

Definicja
Funkcj X : Rn nazywamy wektorem losowym, jeeli jest ona funkcj
mierzaln wzgldem -algebry , to znaczy:
X 1 (B) = { : X () B}
dla kadego zbioru borelowskiego B B(Rn ).
Zmienna losowa jest to jednowymiarowy wektor losowy. Wyrnianie zmiennych
losowych nie ma formalnego uzasadnienia, stosuje si je ze wzgldw tradycyjnych.
Zbiory X 1 (B), gdzie B B(Rn ), bdziemy nazywa zbiorami opisywanymi przez
wektor losowy X . Podkrelamy wyranie, e s to zbiory postaci
{ : X () B}, co skrtowo bdziemy zapisywa {X B}. Tak wic, na
przykad, wyraenie P(X < ) oznacza: P({ : X () < }).
48 / 173
Zmienne i wektory losowe

Definicja
Funkcj X : Rn nazywamy wektorem losowym, jeeli jest ona funkcj
mierzaln wzgldem -algebry , to znaczy:
X 1 (B) = { : X () B}
dla kadego zbioru borelowskiego B B(Rn ).
Zmienna losowa jest to jednowymiarowy wektor losowy. Wyrnianie zmiennych
losowych nie ma formalnego uzasadnienia, stosuje si je ze wzgldw tradycyjnych.
Zbiory X 1 (B), gdzie B B(Rn ), bdziemy nazywa zbiorami opisywanymi przez
wektor losowy X . Podkrelamy wyranie, e s to zbiory postaci
{ : X () B}, co skrtowo bdziemy zapisywa {X B}. Tak wic, na
przykad, wyraenie P(X < ) oznacza: P({ : X () < }).
Warunek mierzalnoci oznacza, e wszystkie zdarzenia opisane przez X s
elementami , czyli, e mamy dostpn informacj na temat takich zdarze.
48 / 173
Przykad. (rzut dwiema kostkami)

Niech = {(i, j) : i, j = 1, . . . , 6}. Niech = (F1 , . . . , F6 }, gdzie
Fk = {(i, j) : max(i, j) = 6}.
Niech X : R bdzie funkcj okrelon jako X (i, j) = i.
49 / 173

Fk = {(i, j) : max(i, j) = 6}.
Niech X : R bdzie funkcj okrelon jako X (i, j) = i. X nie jest zmienn
losow, gdy na przykad zbioru {(i, j); X (i, j) = 1} nie mona przedstawi jako
sumy zbiorw z .
49 / 173

Fk = {(i, j) : max(i, j) = 6}.
sumy zbiorw z . Inaczej mwic. Nie potrafimy za pomoc dostpnej informacji
(znajomoci ) zinterpretowa wyniku zaobserwowanego na pierwszej kostce.
49 / 173

Fk = {(i, j) : max(i, j) = 6}.
Niech Y : R bdzie funkcj okrelon jako; Y (i, j) = 1, gdy i = 6 lub j = 6
oraz Y (i, j) = 0 w przeciwnym przypadku.
49 / 173

Fk = {(i, j) : max(i, j) = 6}.
oraz Y (i, j) = 0 w przeciwnym przypadku. Y jest zmienn losow, gdy
Y 1 (1) = F6 , Y 1 (0) = F1 F5 . Dla kadego zbioru borelowskiego B mamy
Y 1 (B) = Y 1 (B {0, 1}) = Y 1 (B {0}) Y 1 (B {1}) .
49 / 173

Fk = {(i, j) : max(i, j) = 6}.
Y 1 (B) = Y 1 (B {0, 1}) = Y 1 (B {0}) Y 1 (B {1}) .
Uwaga. Gdy = P(), to kada funkcja X : Rn jest zmienn losow.
49 / 173

Fk = {(i, j) : max(i, j) = 6}.
Y 1 (B) = Y 1 (B {0, 1}) = Y 1 (B {0}) Y 1 (B {1}) .
Uwaga. Gdy = P(), to kada funkcja X : Rn jest zmienn losow.
Odwzorowania mierzalne, a wic take wektory losowe, maj szereg poytecznych
wasnoci dotyczcych dziaa algebraicznych, zoe, kresw, zbienoci. Znane
s z innych kursw. Bdziemy z nich wielokrotnie korzysta w dalszej czci
wykadu.
Przykad.
Niech X , Y : R. Wtedy:
X , Y s zmiennymi losowymi (X , Y ) jest wektorem losowym.
49 / 173
Definicja
Rozkad wektora losowego X : Rn jest to rozkad okrelony wzorem:
PX (B) = P(X 1 (B)), dla B B(Rn ).
Mierzalno X gwarantuje sensowno tej definicji poniewa P jest okrelone na
zdarzeniach z , musimy mie gwarancj, e X 1 (B) .
50 / 173
Definicja
PX (B) = P(X 1 (B)), dla B B(Rn ).
atwo sprawdzi, e powyszy wzr okrela rzeczywicie rozkad.
Dystrybuant rozkadu PX bdziemy nazywa dystrybuant zmiennej losowej X i
oznacza czsto przez FX .
50 / 173
Definicja
PX (B) = P(X 1 (B)), dla B B(Rn ).
Przykad.
W urnie s dwie biae i trzy czarne kule. Losujemy pojedynczo kule do momentu
wycignicia biaej kuli. Niech X oznacza liczb losowa. Wyznaczymy rozkad X .
50 / 173
Definicja
PX (B) = P(X 1 (B)), dla B B(Rn ).
Przykad.
(a) losowanie ze zwracaniem. Wida, e X przyjmuje wartoci 1, 2, 3, . . . . atwo
te sprawdzi, e pk = P(X = k) = ( 35 )k1 25 , k = 1, 2, 3, . . . . Tak wic PX ma
rozkad dyskretny zadany jest cigi {k}, {( 53 )k1 25 }, k = 1, 2, 3, . . . .
50 / 173
Definicja
PX (B) = P(X 1 (B)), dla B B(Rn ).
Przykad.
(a) losowanie ze zwracaniem. Wida, e X przyjmuje wartoci 1, 2, 3, . . . . atwo
te sprawdzi, e pk = P(X = k) = ( 35 )k1 25 , k = 1, 2, 3, . . . . Tak wic PX ma
rozkad dyskretny zadany jest cigi {k}, {( 53 )k1 25 }, k = 1, 2, 3, . . . .
(b) losowanie bez zwracania. Wida, e X przyjmuje wartoci 1, 2, 3, 4. atwo te
3
2
sprawdzi, e P(X = 1) = 52 , P(X = 2) = 24 35 = 10
, P(X = 3) = 23 24 35 = 10
,
1
P(X = 4) = 1 (P(X = 1) + P(X = 2) + P(X = 3)) = 10 .
50 / 173
Przykad.
Pan Adam jedzie do pracy rano i wieczorem wraca autobusami, ktry jed
dokadnie co 10 minut. Niech X oznacza sum czasw rano i wieczorem
spdzonych przez Pana Adama na przystankach.
51 / 173
Przykad.
Pan Adam jedzie do pracy rano i wieczorem wraca autobusami, ktry jed
dokadnie co 10 minut. Niech X oznacza sum czasw rano i wieczorem
spdzonych przez Pana Adama na przystankach.
Znajdziemy rozkad X .
Wyznaczamy dystrybuant F . Czyli dla kadego x R wyznaczmy
F (x) = P(X x). Oczywicie F (x) = 0 dla x 0 oraz F (x) = 1 dla x 20. Dla
pozostaych x korzystamy z modelu prawdopodobiestwa geometrycznego. Dla
2
2
/2
/2
. Dla 10 x 20 mamy F (x) = 100(20x)
.
0 x 10 mamy F (x) = x100
100
Zauwamy, e jest to funkcja ciga, ale nierniczkowalna w dwch punktach.
Rniczkujc j w pozostaych punktach otrzymujemy gsto f zmiennej losowej
X.
0
dla x 0
x
dla
0 x 10
100
f (x) = F 0 (x) =
x20
dla 10 x 20
100
0
dla 20 x
51 / 173
Przykad.
Rozwamy rzut dwiema kostkami symetrycznymi. Niech X oznacza numer kostki
na ktrej wypada wiksza liczba, lub 0, gdy na obydwu kostkach wypada ta sama
liczba, a Y oznacza maksimum uzyskanych oczek. Znajdziemy rozkad wektora
losowego (X , Y ).
Z dodatnimi prawdopodobiestwami (X , Y ) moe potencjalnie przyjmowa 18
wartoci. W tym przypadku mona zobrazowa to tabelk zawierajc licznoci
zdarze (X = i, Y = j), i = 1, 2, 3, j = 1, 2, 3, 4, 5, 6.
X\Y
0
1
2
1 2 3 4 5 6
1 1 1 1 1 1
0 1 2 3 4 5
0 1 2 3 4 5
52 / 173
Przykad.
Rozwamy rzut dwiema kostkami symetrycznymi. Niech X oznacza numer kostki
na ktrej wypada wiksza liczba, lub 0, gdy na obydwu kostkach wypada ta sama
liczba, a Y oznacza maksimum uzyskanych oczek. Znajdziemy rozkad wektora
losowego (X , Y ).
Z dodatnimi prawdopodobiestwami (X , Y ) moe potencjalnie przyjmowa 18
wartoci. W tym przypadku mona zobrazowa to tabelk zawierajc licznoci
zdarze (X = i, Y = j), i = 1, 2, 3, j = 1, 2, 3, 4, 5, 6.
X\Y
0
1
2
1 2 3 4 5 6
1 1 1 1 1 1
0 1 2 3 4 5
0 1 2 3 4 5
W takim razie prawdopodobiestwa pi,j = P(X = i, Y = j) te tworz macierz:

X\Y
0
1
2
1
1/36
0
0
2
1/36
1/36
1/36
3
1/36
2/36
2/36
4
1/36
3/36
3/36
5
6
1/36 1/36
4/36 5/36
4/36 5/36
52 / 173
Rozkady brzegowe i warunkowe

Przykad, c.d.
Sumujc wiersze i kolumny otrzymujemy rozkady zmiennych X oraz Y .
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
53 / 173

Przykad, c.d.
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
Nazywamy je rozkadami brzegowymi.
53 / 173

Przykad, c.d.
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
Nazywamy je rozkadami brzegowymi.Oglnie.
Rozkad brzegowy
Dla danego rozkadu n + m wymiarowego Q : B(Rn Rm ) R okrelamy
rozkady brzegowe Q1 : B(Rn ) R, Q2 : B(Rm ) R za pomoc formuy:
Q1 (A) = Q(A Rm ), Q2 (B) = Q(Rn B).
W dalszym cigu rozwaamy przypadek n = m = 1. Uoglnienie na dowolne n, m
jest oczywiste.
53 / 173
Niech (X , Y ) bdzie dwuwymiarowym wektorem losowym okrelonym na

przestrzeni probabilistycznej (, , P) i niech Q bdzie jego rozkadem, czyli
Q = P(X ,Y ) . Wtedy: dla dowolnego A B(R) mamy:
PX (A) = P(X A) = P(X A, Y R) = P((X , Y ) A R) =
P(X ,Y ) (A R) = Q(A R) = Q1 (A).
54 / 173

P(X ,Y ) (A R) = Q(A R) = Q1 (A). Tak wic PX = Q1 . Podobnie PY = Q2 .
Rozkady brzegowe wektora losowego (X , Y ) s rozkadami zmiennych losowych
X oraz Y .
54 / 173

X oraz Y .
Niech Q bdzie dyskretnym rozkadem 2-wymiarowym skupionym na zbiorze (co
najwyej przeliczalnym) K . Moemy taki rozkad jednoznacznie scharakteryzowa
przez podanie dwch macierzy; punktw oraz ich prawdopodobiestw.
54 / 173

X oraz Y .
przez podanie dwch macierzy; punktw oraz ich prawdopodobiestw. Mianowicie,
wemy najmniejsze zbiory co najwyej przeliczalne K1 , K2 R takie, e
N
K K1 K2 i ustawmy je w cigi, powiedzmy K1 = {xi }M
i=1 , K2 = {yj }j=1 ,
M, N oraz niech pij = Q(xi , yj ). Wida, e: X
pij 0 dla wszystkich i, j, oraz
pij = 1.
i,j
54 / 173

X oraz Y .
przez podanie dwch macierzy; punktw oraz ich prawdopodobiestw. Mianowicie,
wemy najmniejsze zbiory co najwyej przeliczalne K1 , K2 R takie, e
N
K K1 K2 i ustawmy je w cigi, powiedzmy K1 = {xi }M
i=1 , K2 = {yj }j=1 ,
M, N oraz niech pij = Q(xi , yj ). Wida, e: X
pij 0 dla wszystkich i, j, oraz
pij = 1.
i,j
Widzimy te, e i j pij > 0 oraz j i pij > 0. Gdyby tak nie byo, mona by
zmniejszy K1 oraz K2 .
Para ({(xi , yj )}, {pij }) w peni charakteryzuje rozkad Q.
54 / 173
Wtedy rozkady brzegowe Q1 , Q2 s okrelone odpowiednio przez pary cigw. Q1

przez ({xi }, {pi. }), Q2 przez ({yj }, {p.j }), prz czym:
X
X
pij , p.j = Q2 (yj ) = Q(R {yj }) =
pij .
pi. = Q1 (xi ) = Q({xi } R) =
j
55 / 173

X
X
pij , p.j = Q2 (yj ) = Q(R {yj }) =
pij .
pi. = Q1 (xi ) = Q({xi } R) =
j

Q = P(X ,Y ) . Jeeli jest to rozkady dyskretny scharakteryzowany przez par
({(xi , yj )}, {pij }), to oznacza, e:
P(X = xi , Y = yj ) = pij ,
P(X = xi ) = P(X = xi , Y R) = Q({xi } R) = Q1 (xi ) = pi. ,
P(Y = yj ) = P(X R, Y = yj ) = Q(R {yj }) = Q2 (yj ) = p.j .
55 / 173

X
X
pij , p.j = Q2 (yj ) = Q(R {yj }) =
pij .
pi. = Q1 (xi ) = Q({xi } R) =
j

Q = P(X ,Y ) . Jeeli jest to rozkady dyskretny scharakteryzowany przez par
({(xi , yj )}, {pij }), to oznacza, e:
P(X = xi , Y = yj ) = pij ,
P(X = xi ) = P(X = xi , Y R) = Q({xi } R) = Q1 (xi ) = pi. ,
P(Y = yj ) = P(X R, Y = yj ) = Q(R {yj }) = Q2 (yj ) = p.j .
Inaczej:
P(X = xi ) =
pij ,
P(Y = yj ) =
pij
55 / 173
Niech Q bdzie 2-wymiarowym rozkadem cigym o gstoci f : R R.

Korzystajc z Twierdzenia Fubiniego mona pokaza, e wtedy rozkady brzegowe
te s cige i maj gstoci f1 , f2 dane wzorami:
Z
Z
f1 (x) =
f (x, y ) dy , f2 (y ) =
f (x, y ) dx.
R
W jzyku zmiennych losowych. Jeeli f jest gstoci wektora losowego (X , Y ), to

X oraz Y maj gstoci:
Z
Z
fX (x) =
f (x, y ) dy , fY (y ) =
f (x, y ) dx.
R
56 / 173

Z
Z
f1 (x) =
f (x, y ) dy , f2 (y ) =
f (x, y ) dx.
R

Z
Z
fX (x) =
f (x, y ) dy , fY (y ) =
f (x, y ) dx.
R
Pytanie. Czy rozkady brzegowe wyznaczaj jednoznacznie rozkad 2-wymiarowy?
56 / 173

Z
Z
f1 (x) =
f (x, y ) dy , f2 (y ) =
f (x, y ) dx.
R

Z
Z
fX (x) =
f (x, y ) dy , fY (y ) =
f (x, y ) dx.
R
Pytanie. Czy rozkady brzegowe wyznaczaj jednoznacznie rozkad 2-wymiarowy?
N I E !!!
56 / 173
Przykad.
Niech X = Y oznaczaj liczb oczek ktra wypadnie w rzucie jedn kostk.
X\Y 1
2
3
4
5
6
X
1
1/6
0
0
0
0
0
1/6
2
0 1/6
0
0
0
0
1/6
3
0
0
1/6
0
0
0
1/6
4
0
0
0
1/6
0
0
1/6
5
0
0
0
0
1/6
0 1/6
6
0
0
0
0
0
1/6 1/6
Y
1/6 1/6 1/6 1/6 1/6 1/6
Niech X , Y oznaczaj liczb oczek
kostk.
X\Y
1
2
1
1/36 1/36
2
1/36 1/36
3
1/36 1/36
4
1/36 1/36
5
1/36 1/36
6
1/36 1/36
Y
1/6
1/6
ktre wypadn w kolejnych dwch rzutach

3
1/36
1/36
1/36
1/36
1/36
1/36
1/6
4
1/36
1/36
1/36
1/36
1/36
1/36
1/6
5
1/36
1/36
1/36
1/36
1/36
1/36
1/6
6
1/36
1/36
1/36
1/36
1/36
1/36
1/6
X
1/6
1/6
1/6
1/6
1/6
1/6
57 / 173
Rozkady warunkowe
Okrelimy pojcie rozkadu warunkowego tylko w kontekcie zmiennych losowych.
58 / 173
Rozkady warunkowe
Niech (X , Y ) bdzie bdzie wektorem o dyskretnym rozkadzie 2-wymiarowym
danym przez ({(xi , yj )}, {pij }). Czyli P(X = xi , Y = yj ) = pij . Niech:
pi|j = P(X = xi |Y = yj ) =
pij
P(X = xi , Y = yj )
=
.
P(Y = yj )
P.j
pj|i = P(Y = yj |X = xj ) =
P(X = xi , Y = yj )
pij
=
.
P(X = xi )
Pi.
Uwaga. Oznaczenia s formalnie niepoprawne. Ale s zwyczajowo stosowane.
58 / 173
Rozkady warunkowe
danym przez ({(xi , yj )}, {pij }). Czyli P(X = xi , Y = yj ) = pij . Niech:
pi|j = P(X = xi |Y = yj ) =
pij
P(X = xi , Y = yj )
=
.
P(Y = yj )
P.j
pj|i = P(Y = yj |X = xj ) =
P(X = xi , Y = yj )
pij
=
.
P(X = xi )
Pi.
Uwaga. Oznaczenia s formalnie niepoprawne. Ale s zwyczajowo stosowane.

Rozkad dany przez cigi {xi }, {pi|j } nazywamy rozkadem warunkowym X pod
warunkiem Y = yj . Oznaczamy go PX |Y =yj .
Rozkad dany przez cigi {yj }, {pj|i } nazywamy rozkadem warunkowym Y pod
warunkiem X = xi . Oznaczamy go PY |X =xi .
58 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36
PX |Y =1 jest rozkadem jednopunktowym 0 .
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36

PX |Y =6 jest rozkadem skupionym w punktach 0, 1, 2 z prawdopodobiestwami
5
5
11 , 11 .
1
11 ,
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36

1
PX |Y =6 jest rozkadem skupionym w punktach 0, 1, 2 z prawdopodobiestwami 11
,
5
5
11 , 11 .
PY |X =0 jest skupiony w punktach 1, 2, 3, 4, 5, 6 z rwnymi prawdopodobiestwami.
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36

1
,
5
5
11 , 11 .
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36

1
,
5
5
11 , 11 .
Zauwamy, e
pij = pi|j p.j = pj|i pi. .
59 / 173
Przykad.
Wrmy do rozkadu:
X\Y
0
1
2
Y
1
2
3
4
5
6
X
1/36 1/36 1/36 1/36 1/36 1/36 1/6
0
1/36 2/36 3/36 4/36 5/36 5/12
0
1/36 2/36 3/36 4/36 5/36 5/12
1/36 3/37 5/36 7/36 9/36 11/36

1
,
5
5
11 , 11 .
Zauwamy, e
pij = pi|j p.j = pj|i pi. .
Znajc rozkady brzegowe i warunkowe mona wyznaczy rozkad wektora
losowego.
59 / 173
Niech (X , Y ) bdzie bdzie wektorem o cigym rozkadzie 2-wymiarowym danym

przez gsto f .
60 / 173

przez gsto f .
Formalnie nie moemy (jeszcze) mwi o rozkadzie warunkowym pod wrunkiem,
ktrego prawdopodobiestwo jest rwne zeru. Moemy jednak formalnie
zdefiniowac funkcje:
(
R f (x,y ) = f (x,y ) , gdy fY (y ) > 0
fY (y )
f (x,y ) dx
f (x|y ) =
R
0,
gdy fY (y ) = 0
(
f (y |x) =
R
R
0,
f (x,y )
f (x,y ) dy
f (x,y )
fX (x) ,
gdy
fX (x) > 0
gdy
fX (x) = 0
60 / 173

przez gsto f .
(
R f (x,y ) = f (x,y ) , gdy fY (y ) > 0
fY (y )
f (x,y ) dx
f (x|y ) =
R
0,
gdy fY (y ) = 0
(
f (y |x) =
R
R
0,
f (x,y )
f (x,y ) dy
f (x,y )
fX (x) ,
gdy
fX (x) > 0
gdy
fX (x) = 0
S to gstoci (w).
60 / 173

przez gsto f .
(
R f (x,y ) = f (x,y ) , gdy fY (y ) > 0
fY (y )
f (x,y ) dx
f (x|y ) =
R
0,
gdy fY (y ) = 0
(
f (y |x) =
R
R
0,
f (x,y )
f (x,y ) dy
f (x,y )
fX (x) ,
gdy
fX (x) > 0
gdy
fX (x) = 0
S to gstoci (w).
Rozkad o gstoci f (|y ) nazywamy rozkadem warunkowym X pod warunkiem
(Y = y ) i oznaczamy PX |Y =y .
Rozkad o gstoci f (x|) nazywamy rozkadem warunkowym Y pod warunkiem
(X = x) i oznaczamy PY |X =x .
60 / 173
Podobnie jak w przypadku dyskretnym:

f (x, y ) = f (y |x)fX (x) = f (x|y )fY (y ).
61 / 173

Przykad.
Losujemy wedug rozkadu jednostajnego liczb a z odcinka [0, 1] a nastpnie
wedug rozkadu jednostajnego liczb b z odcinka [0, a]. Weug jakiego rozkadu
zostaa wylosowana liczba b?
61 / 173

Przykad.
Niech X oraz Y bd zmiennymi losowymi odpowiadajcymi powyszym
losowaniom. Szikamy rozkadu Y .
61 / 173

Przykad.
Niech X oraz Y bd zmiennymi losowymi odpowiadajcymi powyszym
losowaniom. Szikamy rozkadu Y .
Mamy kolejno:
fX = I[0,1] funkcja charakterystyczna odcinka [0, 1].
Gsto warunkow f (|x) = x1 I[0,x] , dla 0 x 1.
1
dla 0 y x 1
x
f (x, y ) = f (y |x)fX (x) =
0 dla pozostaych (x, y ) R2
R
R1
fY (y ) = R f (x, y ) dx = y x1 dx = ln x|1y = ln y , dla 0 < y 1
fY (y ) = 0 dla pozostaych y .
61 / 173
Niezaleno zmiennych/wektorw losowych

Dany jest cig X1 , . . . , Xn zmiennych losowych okrelonych na przestrzeni
probabilistycznej (, , P) .
Mwmy, e X1 , . . . , Xn s niezalene dla kadych zbiorw borelowskich,
Bi B(R), i = 1, . . . , n
P(X1 B1 , . . . , Xn Bn ) = P(X1 B1 ) . . . P(Xn Bn ).
Przykad.
Rozwamy schemat klasyczny z = {1, . . . , 8}2 .
Zmienne losowe X1 , X2 zdefiniowane jako X1 (i, j) = i, X2 (i, j) = j s niezalene.
Zmienne losowe Y1 , Y2 zdefiniowane jako Y1 (i, j) = i, Y2 (i, j) = i + j s zalene:
P(Y1 = 2, Y2 = 10) = 0, P(Y1 = 2) P(Y2 = 10) = 1/6 3/36.
62 / 173
Niezaleno zmiennych/wektorw losowych

Dany jest cig X1 , . . . , Xn zmiennych losowych okrelonych na przestrzeni
probabilistycznej (, , P) .
Mwmy, e X1 , . . . , Xn s niezalene dla kadych zbiorw borelowskich,
Bi B(R), i = 1, . . . , n
P(X1 B1 , . . . , Xn Bn ) = P(X1 B1 ) . . . P(Xn Bn ).
Przykad.
Rozwamy schemat klasyczny z = {1, . . . , 8}2 .
Zmienne losowe X1 , X2 zdefiniowane jako X1 (i, j) = i, X2 (i, j) = j s niezalene.
Zmienne losowe Y1 , Y2 zdefiniowane jako Y1 (i, j) = i, Y2 (i, j) = i + j s zalene:
P(Y1 = 2, Y2 = 10) = 0, P(Y1 = 2) P(Y2 = 10) = 1/6 3/36.
Zamy bez straty oglnoci, e n = 2.
Twierdzenie
Zmienne losowe X1 , X2 s niezalene P(X1 ,X2 ) = PX1 PX2 ,
62 / 173
Dowd. = Pamitamy, e iloczyn kartezjaski dwch miar

probabilistycznych, powiedzmy Q1 , Q2 , jest jednoznacznie okrelony przez
warunek (Q1 Q2 )(A1 A2 ) = Q1 (A1 ) Q2 (A2 ), dla dowolnych mierzalnych A1 ,
A2 . Tutaj dla dowolnych B1 , B2 B(R) mamy: P(X1 ,X2 ) (B1 B2 ) = P(X1
B1 , X2 B2 ) = P(X1 B1 ) P(X2 B2 ) = PX1 (B1 ) PX2 (B2 ). Czyli P(X1 ,X2 ) jest
iloczynem kartezjaskim PX1 , PX2 .
= Oczywiste.
Twierdzenie
danym przez ({(xi , yj )}, {pij }). Czyli P(X = xi , Y = yj ) = pij . Wtedy:
X , Y s niezlene i, j pij = pi. p.j .
Dowd. = pij = P(X = xi , Y = yj ) = P(X = xi )P(Y = yj ) = pi. p.j .
63 / 173

= Oczywiste.
Twierdzenie
= Niech A oraz B bd zbiorami boelowskimi.
63 / 173

= Oczywiste.
Twierdzenie
= Niech A oraz B bd
X
X
Xzbiorami boelowskimi.
X
p.j =
P(X A, Y B) =
pij =
pi. p.j =
pi.
(i,j):(xi ,yj )AB
i,j:xi A,yj B
P(X = xi )P(Y yj ) = pi. p.j .
i:xi A
j:yj B

63 / 173
Twierdzenie
Niech (X , Y ) bdzie bdzie wektorem o cigym rozkadzie 2-wymiarowym o
gstoci f Wtedy:
X , Y s niezlene x, y R f (x, y ) = fX (x)fY (y ).
Dowd.
Twierdzenie Fubiniego
64 / 173
Twierdzenie
Niech (X , Y ) bdzie bdzie wektorem o cigym rozkadzie 2-wymiarowym o
gstoci f Wtedy:
X , Y s niezlene x, y R f (x, y ) = fX (x)fY (y ).
Dowd.
Twierdzenie Fubiniego
Uwaga
Jeeli wektor losowy (X , Y ) ma rozkad dyskretny, lub rozkad cigy, a zmienne
lsowe X , Y s niezalene, to wszystkie rozkady warunkowe s rwne rozkadom
brzegowym.
64 / 173
Funkcje zmiennych/wektorw lsowych

Niech (, , P) bdzie przestrzeni probabilistyczn, X : Rn wektorem
losowym, g : Rn Rm funkcj borelowsk ( C B(Rm ) g 1 (C ) B(Rn )).
Zgodnie ze zwyczajem oznaczamy zoenie g X symbolem g (X ),
g (X ) = g X : 3 g (X ()) Rm .
65 / 173

g (X ) = g X : 3 g (X ()) Rm .
Wany problem praktyczny: znajc rozkad X wyznaczy rozkad Y = g (X ).
65 / 173

g (X ) = g X : 3 g (X ()) Rm .
Rozwizanie formalne.
PY (C ) = P(g (X )1 (C )) = P((g X )1 (C )) = P(X 1 (g 1 (C ))) = PX (g 1 (C )).
PY (C ) = PX (g 1 (C )).
Z praktycznego punktu widzenia jest to wzr mao przydatny. W poszczeglnych
przypadkach moemy stosowa rne sposoby.
65 / 173

g (X ) = g X : 3 g (X ()) Rm .
Rozwizanie formalne.
PY (C ) = P(g (X )1 (C )) = P((g X )1 (C )) = P(X 1 (g 1 (C ))) = PX (g 1 (C )).
PY (C ) = PX (g 1 (C )).
Z praktycznego punktu widzenia jest to wzr mao przydatny. W poszczeglnych
przypadkach moemy stosowa rne sposoby.
Przykad.
Zmienna losowa X ma rozkad dany przez cigi 1, 0, 1, 2 oraz 1/2, 1/8, 1/4, 1/8.
Wtedy zmienna X 2 ma rozkad dany przez cigi 0, 1, 4, oraz 1/8, 3/4, 1/8.
65 / 173
Przykad.
Niech X bdzie dowolnie ustalon zmienn losow, F = FX jej dystrybuant,
a, b R ustalonymi liczbami, a 6= 0. Policzymy dystrybuant zmiennej losowej
Y = aX + b.
Dla a > 0 mamy

x b
x b
) = FX
.
FY (x) = P(Y x) = P(aX + b x) = P(X
a
a
Podobnie, dla a < 0
FY (x) = P(Y x) = P(aX + b x) = P(X
1 P(X <
x b
) = 1 FX
a
x b
a
x b
)=
a

.
Zamy teraz dodatkowo, e zmienna X ma gsto f (dla uproszczenia

zakadamy, e f jest ciga, co w wietle nastpnego przykadu nie jest konieczne).
Wtedy wiemy, e dystrybuanta FX jest rniczkowalna; z powyszych wzorw tke
FY jest rniczkowalna, a wic Y ma rozkad cigy o gstoci

1
x b
g (x) =
f
|a|
a
66 / 173
Przykad.
Niech X bdzie wektorem losowym o n-wymiarowym rozkadzie cigym i niech
f : Rn R bdzie jego gstoci. Zakadamy ponadto, e : Rn Rn jest
dyfeomorfizmem. Wtedy wektor losowy (X ) ma rwnie rozkad cigy o gstoci
g danej wzorem
g (x) = |Jacx 1 | f (1 (x)).
Wynika to wprost z definicji rozkadu cigego, gdy korzystajc z twierdzenia o
zmianie zmiennych mamy dla kadego zbioru borelowskiego A
P((X ) A) = P(X 1 (A)) =

Z
f (x) dx =
f (1 (x)) |Jacx 1 | dx.
1 (A)
67 / 173
Funkcje niezalenych wektorw losowych s niezalene.
68 / 173

Formalnie:
Twierdzenie
Niech (, , P) bdzie przestrzeni probabilistyczn, X : Rn , Y : Rm
wektorami losowymi. Niech g : Rn Rk , h : Rm Rl bd funkcjami
borelowskimi.
X , Y s niezalene = g (X ), h(Y ) s niezalene .
68 / 173

Formalnie:
Twierdzenie
Niech (, , P) bdzie przestrzeni probabilistyczn, X : Rn , Y : Rm
wektorami losowymi. Niech g : Rn Rk , h : Rm Rl bd funkcjami
borelowskimi.
X , Y s niezalene = g (X ), h(Y ) s niezalene .
Dowd. Dla dowolnych zbiorw borelowskich C , D mamy:
P(g (X ) C , h(Y ) D) = P((g X )1 (C ) (h Y )1 (D)) =
P(X 1 (g 1 (C )) Y 1 (h1 (D))) = P(X 1 (g 1 (C ))) P(Y 1 (h1 (D)) =
P((g X )1 (C )) P((h Y )1 (D)) = P(g (X ) C ) P(h(Y ) D).
3
68 / 173
Nadzieja matematyczna definicja i wasnoci
69 / 173

Rozkad dyskretny
X ma rozkad zadany przez cigi: x1 , x2 , . . . , xn , p1 , p2 , . . . , pn . Czyli
P(X = xi ) = pi
69 / 173

Rozkad dyskretny
P(X = xi ) = pi
E (X ) =
n
X
xi p i .
i=1
69 / 173

Rozkad dyskretny
P(X = xi ) = pi
E (X ) =
n
X
xi p i .
i=1
Rozkad dyskretny nieskoczony

X ma rozkad zadany przez cigi nieskoczone: x1 , x2 , . . . ,, p1 , p2 , . . . ,. Czyli
P(X = xi ) = pi
69 / 173

Rozkad dyskretny
P(X = xi ) = pi
E (X ) =
n
X
xi p i .
i=1

P(X = xi ) = pi
E (X ) =
xi p i .
i=1
69 / 173

Rozkad dyskretny
P(X = xi ) = pi
E (X ) =
n
X
xi p i .
i=1

P(X = xi ) = pi
E (X ) =
xi p i .
i=1
69 / 173
Nadzieja matematyczna przykady

X liczba oczek uzyskanych w rzucie kostk
Rozkad X
[1, 1/6], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/6],
70 / 173

Rozkad X
[1, 1/6], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/6],
Inaczej: P(X = i) = 16 , i = 1, . . . , 6.
E (X ) =
1+2+3+4+5+6
.
6
70 / 173

Rozkad X
[1, 1/6], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/6],
Inaczej: P(X = i) = 16 , i = 1, . . . , 6.
E (X ) =
1+2+3+4+5+6
.
6
Inaczej:
E (X ) = 1
1
1
1
1
1
1
1
+2 +3 +4 +5 +6 =3
6
6
6
6
6
6
2
70 / 173

Rozkad X
[1, 1/6], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/6],
Inaczej: P(X = i) = 16 , i = 1, . . . , 6.
E (X ) =
1+2+3+4+5+6
.
6
Inaczej:
E (X ) = 1
1
1
1
1
1
1
1
+2 +3 +4 +5 +6 =3
6
6
6
6
6
6
2
.
Y liczba oczek uzyskanych w rzucie faszyw kostk
Rozkad Y
[1, 1/12], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/12],
70 / 173

Rozkad X
[1, 1/6], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/6],
Inaczej: P(X = i) = 16 , i = 1, . . . , 6.
E (X ) =
1+2+3+4+5+6
.
6
Inaczej:
E (X ) = 1
1
1
1
1
1
1
1
+2 +3 +4 +5 +6 =3
6
6
6
6
6
6
2
.
Y liczba oczek uzyskanych w rzucie faszyw kostk
Rozkad Y
[1, 1/12], [2, 1/6], [3, 1/6], [4, 1/6], [5, 1/6], [6, 1/12],
E (Y ) = 1
3
1
1
1
1
1
1
+2 +3 +4 +5 +6
=3 .
12
6
6
6
6
12
12
.
70 / 173

Rozkad X
[40, 0.00404], [41, 0.0104], [42, 0.0232], [43, 0.0454], [44, 0.0764],
[45, 0.111], [46, 0.145], [47, 0.164], [48, 0.164], [49, 0.145], [50, 0.114].
71 / 173

Rozkad X
[40, 0.00404], [41, 0.0104], [42, 0.0232], [43, 0.0454], [44, 0.0764],
[45, 0.111], [46, 0.145], [47, 0.164], [48, 0.164], [49, 0.145], [50, 0.114].
E (X ) = 40 0.00404 + + 50 0.114 = 46.92620.
71 / 173

Rozkad X
[40, 0.00404], [41, 0.0104], [42, 0.0232], [43, 0.0454], [44, 0.0764],
[45, 0.111], [46, 0.145], [47, 0.164], [48, 0.164], [49, 0.145], [50, 0.114].
E (X ) = 40 0.00404 + + 50 0.114 = 46.92620.
Rozkad Y
[5, 0.0128], [6, 0.0257], [7, 0.0441], [8, 0.0660], [9, 0.0881],
[10, .106], [11, .115], [12, .115], [13, .107],
[14, 0.0912], [15, 0.0730], [16, 0.0547], [17, 0.0386], [18, 0.0258], [19, 0.0162],
[20, 0.00976], [21, 0.00557], [22, 0.00304], [23, 0.00158], [24, 0.00079], [25, 0.0038].
71 / 173

Rozkad X
[40, 0.00404], [41, 0.0104], [42, 0.0232], [43, 0.0454], [44, 0.0764],
[45, 0.111], [46, 0.145], [47, 0.164], [48, 0.164], [49, 0.145], [50, 0.114].
E (X ) = 40 0.00404 + + 50 0.114 = 46.92620.
Rozkad Y
[5, 0.0128], [6, 0.0257], [7, 0.0441], [8, 0.0660], [9, 0.0881],
[10, .106], [11, .115], [12, .115], [13, .107],
[14, 0.0912], [15, 0.0730], [16, 0.0547], [17, 0.0386], [18, 0.0258], [19, 0.0162],
[20, 0.00976], [21, 0.00557], [22, 0.00304], [23, 0.00158], [24, 0.00079], [25, 0.0038].
E (Y ) = 5 0.0128 + + 25 0.0038 = 12.063147.
71 / 173
Rozkad cigy
X ma rozkad zadany przez gsto f . Czyli P(X (a, b)) =
Rb
a
f (x) dx
72 / 173
Rozkad cigy
X ma rozkad zadany przez gsto f . Czyli P(X (a, b)) =
Z
Rb
a
f (x) dx
x f (x) dx.
E (X ) =
Motywacja: Dla uproszczenia zamy, e f : [a, b]R.

Niech a = x0 < x1 < < xn = b bdzie podziaem odcinka [a, b], i [xi1 , xi ]
bd takie, e
Z
xi
(xi xi1 )f (i ) =
f (x) dx.
xi1
Okrelmy zmienn Rlosow X przyjmujc wartoci i o rozkadzie

xi
P(X = i ) = pi = xi1
f (x) dx.
Intuicja:P
X przyblia P
X , wic E (X ) powinna przyblia
E (X ). Mamy:
Pn
n
n
E (X ) = i=1 i pi = i=1 i (xi xi1 )f (i ) = i=1 i f (i )(xi xi1 ).
A wic
Z b
E (X )
xf (x) dx.
a
72 / 173

Rozkad X ma gsto:
f (x) =
gdzie c =
128000000000
,
63
x 2 (20 x)6
, dla 0 x 20,
c
f (x) = 0 dla pozostaych x.
73 / 173

Rozkad X ma gsto:
f (x) =
gdzie c =
128000000000
,
63
f (x) = 0 dla pozostaych x.
Z
x f (x) dx =
E (X ) =
x 2 (20 x)6
, dla 0 x 20,
c
20
x
0
x 2 (20 x)6
dx = 6.
c
73 / 173
Nadzieja matematyczna definicja oglna

Niech (, , P) bdzie przestrzeni probabilistyczn, X : R zmienn losow.
Z
E (X ) =
X dP.
Uwagi:
74 / 173

Z
E (X ) =
X dP.
Uwagi:
1
Nadzieja matematyczna moe nie istnie.
74 / 173

Z
E (X ) =
X dP.
Uwagi:
1
2
Nadzieja matematyczna moe istnie, ale by nieskoczona.
74 / 173

Z
E (X ) =
X dP.
Uwagi:
1
2
E (X ) R E (|X |) R. Bo X = X + X , |X | = X + + X .
74 / 173

Z
E (X ) =
X dP.
Uwagi:
1
2
E (X ) R E (|X |) R. Bo X = X + X , |X | = X + + X .
Wasnoci nadziei matematycznej wynikaj z wasnoci caek: liniowo,

nierwnoci, zbieno (w: wypisa znane wasnoci).
74 / 173

Z
E (X ) =
X dP.
Uwagi:
1
2
E (X ) R E (|X |) R. Bo X = X + X , |X | = X + + X .

Nadzieja matematyczna uoglnia pojcie prawdopodobiestwa. Mianowicie

E (IA ) = P(A), dla kadego A .
74 / 173

Z
E (X ) =
X dP.
Uwagi:
1
2
E (X ) R E (|X |) R. Bo X = X + X , |X | = X + + X .

Nadzieja matematyczna uoglnia pojcie prawdopodobiestwa. Mianowicie

E (IA ) = P(A), dla kadego A .
Niech X ma rozkad dyskretny. Wtedy definicja oglna pokrywa si z

definicj poprzedni.
74 / 173
X ma rozkad zadany przez cigi: x1 , x2 , . . . , xn , p1 , p2 , . . . , pn .

Czyli P(X = xi ) = pi .
Wic X jest kombinacj liniow funkcji charakterystycznych zbiorw
Ai = { : X () = xi }. Oczywicie P(Ai ) = pi .
75 / 173

Ai = { : X () = xi }. Oczywicie P(Ai ) = pi . Mamy kolejno:
X =
n
X
xi IAi .
i=1
75 / 173

Ai = { : X () = xi }. Oczywicie P(Ai ) = pi . Mamy kolejno:
X =
n
X
xi IAi .
i=1
E (X ) = E
n
X
i=1
!
xi IAi
n
X
xi E (IAi ) =
i=1
n
X
xi pi .
i=1
75 / 173
Twierdzenie.
Niech X : Rn bdzie wektorem losowym, g : Rn R funkcj borelowsk.
Wtedy:
Z
E (g (X )) =
g dPX ,
Rn
przy czym obydwie strony istniej jednoczenie.

Dowd, szkic, n = 1.
76 / 173
Twierdzenie.
Wtedy:
Z
E (g (X )) =
g dPX ,
Rn

Dowd, szkic, n = 1.
I. g = IB , gdzie
R B B(R). Wtedy:
R
R
E (g (X )) = IB X dP = X 1 (B) 1 dP = P(X 1 (B)) = PX (B) = R IB dPX .
76 / 173
Twierdzenie.
Wtedy:
Z
E (g (X )) =
g dPX ,
Rn

Dowd, szkic, n = 1.
I. g = IB , gdzie
R B B(R). Wtedy:
R
R
Pk
II. g funkcja schodkowa, czyli g = i=1 ci IAi , gdzie AI s rozkadem Rn na
sum zbiorw rozcznych. Wtedy z liniowoci:
Z
Z
k
k
k
X
X
X
E (g (X )) = E (
ci IAi ) =
ci E (IAi ) =
ci
IAi dPX =
g dPX .
i=1
i=1
i=1
Rn
Rn
76 / 173
Twierdzenie.
Wtedy:
Z
E (g (X )) =
g dPX ,
Rn

Dowd, szkic, n = 1.
I. g = IB , gdzie
R B B(R). Wtedy:
R
R
Pk
II. g funkcja schodkowa, czyli g = i=1 ci IAi , gdzie AI s rozkadem Rn na
sum zbiorw rozcznych. Wtedy z liniowoci:
Z
Z
k
k
k
X
X
X
E (g (X )) = E (
ci IAi ) =
ci E (IAi ) =
ci
IAi dPX =
g dPX .
i=1
i=1
i=1
Rn
Rn
76 / 173
III. g dowolna funkcja borelowska nieujemna. Wtedy g jest granic punktow

cigu rosncego funkcji schodkowych gt . Oczywicie gt (XZ) zmierza punktowo
do
Z
g (X ). Z wasnoci caek: E (g (X )) = lim E (gt (X )) = lim
gt dP =
Rn
g dP.
Rn
77 / 173
III. g dowolna funkcja borelowska nieujemna. Wtedy g jest granic punktow

cigu rosncego funkcji schodkowych gt . Oczywicie gt (XZ) zmierza punktowo
do
Z
g (X ). Z wasnoci caek: E (g (X )) = lim E (gt (X )) = lim
gt dP =
Rn
g dP.
Rn
IV. g dowolna funkcja borelowska. Wtedy g = g + g . Wic

g (X ) = g (X )+ g (X ) . A wic, gdy jedna ze stron istnieje (nie jest symbolem
nieoznaczonym), to istnieje druga strona i zachodzi rwno.
77 / 173
Twierdzenie
1. X ma rozkad dyskretny zadany przez cigi: x1 , x2 , . . . , Rn , p1 , p2 , . . . ,.
g : Rn R jest funkcj borelowsk. =
X
E (g (X )) =
g (xi )pi ,
78 / 173
Twierdzenie
X
E (g (X )) =
g (xi )pi ,
2. X ma rozkad cigy zadany przez gsto f : Rn R.
Z
E (g (X )) =
g (x)f (x) dx,
Rn
przy czym obydwie strony istniej jednoczenie. Cakowanie odbywa si wedyg

miary Lebesguea.
78 / 173
Twierdzenie
X
E (g (X )) =
g (xi )pi ,
2. X ma rozkad cigy zadany przez gsto f : Rn R.
Z
E (g (X )) =
g (x)f (x) dx,
Rn
przy czym obydwie strony istniej jednoczenie. Cakowanie odbywa si wedyg

miary Lebesguea.
Dowd. Ad 1 jak poprzednio (w). Ad 2 przypadek n = 1 jak poprzednio
(w). Przypadek n > 1 jak poprzedni (w na pniej).
78 / 173
Przykad. Znale E (X 2 ) dla zmiennej losowej X majcej rozkad jednostajny na

odcinku [1, 1]. Gsto X wyraa si wic wzorem f (x) = 12 I[1,1] .
79 / 173

Sposb 1. Szukam rozkadu X 2 i korzystam z definicji nadziei dla zmiennej X 2 .
Nietrywialna sytuacja jest,gdy 0 < x < 1.
79 / 173

Z x
2
FX 2 (x) = P(X x) = P( x X x) = f (x) dx = x.
x
79 / 173

Z x
2
x
1
fX 2 (x) = (FX 2 ) (x) = .
2 x
0
79 / 173

Z x
2
x
1
fX 2 (x) = (FX 2 ) (x) = .
2 x
Z
Z 1
Z
2
E (X ) =
xfX 2 (x) dx =
xfX 2 (x) dx =
0
1
1 1
x2 = .
2
3
79 / 173

Z x
2
x
1
fX 2 (x) = (FX 2 ) (x) = .
2 x
Z
Z 1
Z
2
E (X ) =
xfX 2 (x) dx =
xfX 2 (x) dx =
0
1
1 1
x2 = .
2
3
Sposb 2. Korzystam z poprzedniego twierdzenia. Tutaj g (x) = x 2 .
79 / 173

Z x
2
x
1
fX 2 (x) = (FX 2 ) (x) = .
2 x
Z
Z 1
Z
2
E (X ) =
xfX 2 (x) dx =
xfX 2 (x) dx =
0
1
1 1
x2 = .
2
3
Sposb 2. Korzystam z poprzedniego twierdzenia. Tutaj g (x) = x 2 .

Z
Z 1
1 2
1
2
E (X ) =
g (x)f (x) dx =
x = .
2
3
R
1
79 / 173
Przykad
W celu zbadania duej populacji osb, podzielono j na grupy, a nastpnie
pobrano od kadej osoby krew oraz przeprowadzano analiz czn dla
poszczeglnych grup, wykonujc odpowiedni test na prbkach powstaych przez
zmieszanie krwi osb nalecych do tej samej grupy. Gdy w pewnej grupie wykryto
wirus chorobowy, przeprowadzano odrbn analiz dla kadej osoby z tej grupy.
Zamy, e liczebno populacji wynosi N, liczno grup wynosi n, za k niech
bdzie liczb grup (oczywicie N = nk).
Zakadamy te, e prawdopodobiestwo tego, e dany czowiek jest zaraony
interesujcym nas wirusem wynosi p oraz e obecno wirusa u danej osoby jest
niezalena od jego obecnoci u innych osb.
80 / 173
Przykad
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
80 / 173
Przykad
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
1. Ile analiz bdzie trzeba przeprowadzi?
2. Dobra wielko grupy n, tak aby liczba wszystkich (bardzo kosztownych) analiz
bya, w pewnym sensie, minimalna.
80 / 173
Przykad
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
Okrelamy X :
X liczba wszystkich potrzebnych analiz.
80 / 173
Przykad
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
Okrelamy X :
X liczba wszystkich potrzebnych analiz.
Bezporednie wyznaczenie rozkadu X jest trudne.
80 / 173
X = X1 + X2 + + Xk .
81 / 173
X = X1 + X2 + + Xk .
X1 , X2 , . . . , Xk s niezalene i maj taki sam rozkad. Wystarczy znale rozkad,
na przykad, X1 .
81 / 173
X = X1 + X2 + + Xk .
na przykad, X1 .
X1 przyjmuje dwie wartoci:
1
X1 = 1 wszystkie osoby w grupie pierwszej s zdrowe.
81 / 173
X = X1 + X2 + + Xk .
na przykad, X1 .
1
X1 = n + 1 w przeciwnym przypadku.
81 / 173
X = X1 + X2 + + Xk .
na przykad, X1 .
1
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
81 / 173
X = X1 + X2 + + Xk .
na przykad, X1 .
1
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
E (X1 ) = 1 (1 p)n + (n + 1) (1 (1 p)n ) = n + 1 n(1 p)n .
81 / 173
X = X1 + X2 + + Xk .
na przykad, X1 .
1
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
E (X1 ) = 1 (1 p)n + (n + 1) (1 (1 p)n ) = n + 1 n(1 p)n .

E (X ) = E (X1 ) + E (X2 ) + + E (Xk ) = k E (X1 ).
E (X ) = k (n + 1 n(1 p)n ) =
N
(n + 1 n(1 p)n ).
n
81 / 173
X = X1 + X2 + + Xk .
na przykad, X1 .
1
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
E (X1 ) = 1 (1 p)n + (n + 1) (1 (1 p)n ) = n + 1 n(1 p)n .

E (X ) = E (X1 ) + E (X2 ) + + E (Xk ) = k E (X1 ).
N
(n + 1 n(1 p)n ).
n
Na przykad. N = 1000, k = 20, n = 50, p = 0.01.
E (X ) = k (n + 1 n(1 p)n ) =
81 / 173
X = X1 + X2 + + Xk .
na przykad, X1 .
1
P(X1 = 1) = (1 p)n ,
P(X1 = n + 1) = 1 (1 p)n .
E (X1 ) = 1 (1 p)n + (n + 1) (1 (1 p)n ) = n + 1 n(1 p)n .

E (X ) = E (X1 ) + E (X2 ) + + E (Xk ) = k E (X1 ).
N
(n + 1 n(1 p)n ).
n
Na przykad. N = 1000, k = 20, n = 50, p = 0.01. Wtedy,E (X ) = 414.99.
E (X ) = k (n + 1 n(1 p)n ) =
81 / 173
Optymalizacja
Nadzieja matematyczna E (X ) jako funkcja wielkoci grupy. n
82 / 173
Optymalizacja
82 / 173
Optymalizacja
82 / 173
Optymalizacja
n = 10 warto optymalna.
82 / 173
Optymalizacja
n = 10 warto optymalna. Wtedy E (X ) = 195.68.
82 / 173
Optymalizacja
n = 10 warto optymalna. Wtedy E (X ) = 195.68.

Pytanie:
Czy liczba analiz moe przekroczy 200? 250? 300?
82 / 173
Twierdzenie: Nadzieja iloczynu

Niech X , Y bd NIEZALENYMI zmiennymi losowymi okrelonymi na tej samej
przestrzeni probabilistycznej (, , P) .
Jeeli X 0, Y 0, lub E (X ), E (Y ) R, to
E (XY ) = E (X )E (Y ).
83 / 173

E (XY ) = E (X )E (Y ).
Dowd. Peny dowd z twierdzenie Fubiniego.
Szkic w przypadku skoczonym dyskretnym. X ma rozkad zadany przez cigi:
x1 , x2 , . . . , xn , p1 , p2 , . . . , pn . Czyli P(X = xi ) = pi .
Y ma rozkad zadany przez cigi: y1 , y2 , . . . , ym , q1 , q2 , . . . , qm . Czyli
P(Y = yj ) = qj .
Wtedy rozkad czny wektora losowego (X , Y ) ma rozkad skupiony w punktach
(xi , yi ), a z niezalenoci wynika, e
P((X , Y ) = (xi , yj )) = P(X = xi , Y = yj ) = P(X = xi )P(Y = yj ) = pi qj .
83 / 173

E (XY ) = E (X )E (Y ).
Dowd. Peny dowd z twierdzenie Fubiniego.
Szkic w przypadku skoczonym dyskretnym. X ma rozkad zadany przez cigi:
x1 , x2 , . . . , xn , p1 , p2 , . . . , pn . Czyli P(X = xi ) = pi .
Y ma rozkad zadany przez cigi: y1 , y2 , . . . , ym , q1 , q2 , . . . , qm . Czyli
P(Y = yj ) = qj .
Wtedy rozkad czny wektora losowego (X , Y ) ma rozkad skupiony w punktach
(xi , yi ), a z niezalenoci wynika, e
P((X , Y ) = (xi , yj )) = P(X = xi , Y = yj ) = P(X = xi )P(Y = yj ) = pi qj .
Biorc g jako
Xmamy:
X
X
X
X g (x, y ) = xy
E (XY ) =
xi yj p i q j =
xi yj pi qj =
xi p i
yj qj = E (X ) E (Y ).
i,j
83 / 173
Momenty
Niech X bdzie zmienn losow okrelon na przestrzeni probabilistycznej
(, , P) . Zakadamy, e m = E (X ) R. Niech k 1
E (X k ) moment rzdu k.
84 / 173
Momenty
E ((X m)k ) centralny moment rzdu k.
84 / 173
Momenty
E (|X |k ) moment bezwzgldny rzdu k.
E (|X m|k ) centralny bezwzgldny moment rzdu k.
84 / 173
Momenty
Twierdzenie
Niech l k. E (X l ) R = E (X k ) R.
84 / 173
Momenty
Twierdzenie
Niech l k. E (X l ) R = E (X k ) R.
Z
Z
Z
Dowd. E (|X k |) =
|X k | dP =
|X k | dP +
|X k | dP
|X |1
Z
Z
Z|X |<1
l
l
1 dP +
|X | dP 1 +
|X | dP = 1 + E (|X l |).
|X |<1
|X |1
84 / 173
Wariancja
85 / 173
Wariancja
X m odchylenie od redniej.
85 / 173
Wariancja
X m odchylenie od redniej. E (|X m|) oczekiwana warto odchylenia

(redni bd)
85 / 173
Wariancja

(redni bd)
Wariancja
2 (X ) = D 2 (X ) = E ((X m)2 ) wariancja.
85 / 173
Wariancja

(redni bd)
Wariancja
p
(X ) = D 2 (X ) odchylenie standardowe.
85 / 173
Wariancja

(redni bd)
Wariancja
p
(X ) = D 2 (X ) odchylenie standardowe.
Uwaga.
D 2 (X ) = 0 X = m.
85 / 173
Obliczanie momentw
86 / 173
Obliczanie momentw
R
E (X k ) = R x k dPX (x) =
X
xik pi w przypadku dyskretnym,
Zi
x k f (x) dx w przypadku cigym.
R
86 / 173
Obliczanie momentw
R
E (X k ) = R x k dPX (x) =
X
Zi
R
R
E ((X m)k ) = R (x m)k dPX (x) =
X
(xi m)k pi w przypadku dyskretnym,
Zi
(x m)k f (x) dx w przypadku cigym.
R
86 / 173
Obliczanie momentw
R
E (X k ) = R x k dPX (x) =
X
Zi
R
R
E ((X m)k ) = R (x m)k dPX (x) =
X
Zi
R
2
D (X ) = E ((X m)2 ) = E (X 2 ) 2mE (X ) + E (m2 ) = E (X 2 ) m2 .
86 / 173
Obliczanie momentw
R
E (X k ) = R x k dPX (x) =
X
Zi
R
R
E ((X m)k ) = R (x m)k dPX (x) =
X
Zi
R
2
D (X ) = E ((X m)2 ) = E (X 2 ) 2mE (X ) + E (m2 ) = E (X 2 ) m2 .

D 2 (cX ) = c 2 D 2 (x), gdy c R.
86 / 173
Wariancja sumy
Dane s dwie zmienne losowe X , Y . Oznaczmy mX = E (X ), mY = E (Y ).
87 / 173
Wariancja sumy
Kowariancja
cov(X , Y ) = E ((X mx )(Y mY )) = E (XY ) mX mY .
87 / 173
Wariancja sumy
Kowariancja
Uwaga
Jeeli X , Y s niezalene, to cov(X , Y ) = 0.
Oglnie:

D 2 (X + Y ) = E (X + Y (mX + mY ))2 = E ((X mX ) = (Y mY ))2 =
D 2 (X ) + D 2 (Y ) + 2cov(X , Y ).
87 / 173
Wariancja sumy
Kowariancja
Uwaga
Jeeli X , Y s niezalene, to cov(X , Y ) = 0.
Oglnie:

D 2 (X + Y ) = E (X + Y (mX + mY ))2 = E ((X mX ) = (Y mY ))2 =
D 2 (X ) + D 2 (Y ) + 2cov(X , Y ).
Twierdzenie
Jeeli X , Y s niezalene, to
D 2 (X + Y ) = D 2 (X ) + D 2 (Y ).
87 / 173
Twierdzenie
Jeeli X1 , X2 , . . . , Xn , s niezalene, to
D 2 (X1 + + Xn ) = D 2 (X1 ) + . . . D 2 (Xn ).
Nadzieja i wariancja sumy oraz redniej

Niech X1 , X2 , . . . , Xn , bd niezalene i maj wspln nadziej matematyczn m
oraz wariancj 2 . Niech
Sn = X1 + + Xn ,
X1 + + Xn
Xn =
.
n
Wtedy:
88 / 173
Twierdzenie
Jeeli X1 , X2 , . . . , Xn , s niezalene, to
D 2 (X1 + + Xn ) = D 2 (X1 ) + . . . D 2 (Xn ).
Nadzieja i wariancja sumy oraz redniej

Niech X1 , X2 , . . . , Xn , bd niezalene i maj wspln nadziej matematyczn m
oraz wariancj 2 . Niech
Sn = X1 + + Xn ,
X1 + + Xn
Xn =
.
n
Wtedy:
E (Sn ) = nm,
E (Xn ) = m,
D 2 (Sn ) = n 2 ,
D 2 (Xn ) =
2
,
n
(Sn ) =
n.
(Xn ) = .
n
88 / 173
Kowariancja i korelacja
89 / 173
Odwzorowanie (X , Y ) E (XY ) jest iloczynem skalarnym na przestrzeni
L1 () = {X : R : E (X ) R} (w.).
Zauwamy, e cov(X , X ) = D 2 (X ).
89 / 173
L1 () = {X : R : E (X ) R} (w.).
Z Nierwnoci Cauchyego-Schwartza wynika, e

cov(X , Y ) D ( X )D 2 (Y ), przy czym:
cov(X , Y ) = D 2 (X )D 2 (Y ) X mX , Y mY s liniowo zalene.
Wtedy, jeeli X oraz Y nie s staymi, to istnieje liczba c taka, e
Y mY = c(X mX ), a znak c = znak cov(X , Y ).
89 / 173
L1 () = {X : R : E (X ) R} (w.).

Oglnie: cov(X , Y ) = D 2 (X )D 2 (Y ) Wartoci (X , Y ) zawarte s w pewnej
prostej.
89 / 173
L1 () = {X : R : E (X ) R} (w.).

prostej.
Mwimy, e zmienne losowe s nieskorelowane cov(X , Y ) = 0.
89 / 173
L1 () = {X : R : E (X ) R} (w.).

prostej.
Wspczynnik korelacji
cov(X , Y )
p
%(X , Y ) = p
;
D 2 (X ) D 2 (Y )
89 / 173
L1 () = {X : R : E (X ) R} (w.).

prostej.
Wspczynnik korelacji
cov(X , Y )
p
%(X , Y ) = p
;
D 2 (X ) D 2 (Y )
1 %(X , Y ) 1.
89 / 173
Twierdzenie (Nierwno Czebyszewa)
X : R zmienna losowa, > 0.
90 / 173

Niech k 1, X 0. Wtedy P(X )
E (X k )
.
k
90 / 173

E (X k )
.
k
Niech m = E (X ) R. Wtedy P(|X m| )
D 2 (X )
.
2
90 / 173

E (X k )
.
k
Niech m = E (X ) R. Wtedy P(|X m| )
Niech m = E (X ) R, =
D 2 (X )
.
2
p
1
D 2 (X ) > 0, c > 0. Wtedy P(|X m| c) 2 .
c
90 / 173
Dowd.
Dowd pierwszej nierwnoci:
91 / 173
Dowd.

R
R
R
E (X k ) = X k dP X X k dP X k dP = k P(X ).
91 / 173
Dowd.

R
R
R
Drug nierwno otrzymujemy stosujc nierwno pierwsz dla zmiennej losowej
|X m| oraz k = 2.
91 / 173
Dowd.

R
R
R
|X m| oraz k = 2.
Trzecia nierwno wynika z drugiej, gdy = c.
91 / 173
Dowd.

R
R
R
|X m| oraz k = 2.
Trzecia nierwno wynika z drugiej, gdy = c.
Regua 3
P(|X m| 3)
1
.
9
91 / 173
Przykad
Wiadomo, e zmienna p
losowa o rozkadzie cigym ma parametry
m = E (X ) = 10, = D 2 (X ) = 2. Szacujemy prawdopodobiestwo tego, e:
92 / 173
Przykad
(a) X 20.
92 / 173
Przykad
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
2
102
= 0.04.
92 / 173
Przykad
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
2
102
= 0.04.
(b) X 15.
92 / 173
Przykad
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
(b) X 15.
P(X 15) = 1 P(X 15) 1
2
52
2
102
= 0.04.
= 1 4/25 = 0.84.
92 / 173
Przykad
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
(b) X 15.
P(X 15) = 1 P(X 15) 1
2
52
2
102
= 0.04.
= 1 4/25 = 0.84.
(c) Szukamy takiej liczby M, aby P(X < M) 0.99.
92 / 173
Przykad
(a) X 20.
P(X 20) = P(X m 10) P(|X m| 10)
(b) X 15.
P(X 15) = 1 P(X 15) 1
2
52
2
102
= 0.04.
= 1 4/25 = 0.84.
(c) Szukamy takiej liczby M, aby P(X < M) 0.99.

Wiemy, e: P(X < M) = 1 P(X M) = 1 P(X m M m)
2
1 P(|M m| M m) 1 (Mm)
2 . Wystarczy wic znale takie M, e
1
2
(Mm)2
0.99. Czyli, e
2
(Mm)2
0.01. Std M m +
0.01
= 30.
92 / 173
Przykad, liczba analiz c.d.

93 / 173
Przykad, liczba analiz c.d.

Wiemy, e. Dla N = 1000, oraz p = 0.01 optymalnymi ze wzgldu na redni
liczb analiz parametrami s: n = 10, k = 100. Wtedy oczekiwana liczba analiz
wynosi m = E (X ) = 195.68.
Pytanie: Czy liczba analiz moe przekroczy 200? 250? 300?
93 / 173
Policzmy na przykad P(X 300).
94 / 173
Policzmy na przykad P(X 300). Aby skorzysta z Nierwnoci Czebyszewa

musimy policzy wariancj X .
94 / 173

Pamitamy, e X = X1 + + Xk , gdzie Xi s niezalene o takim samym
rozkadzie dwupunktowym P(X1 = 1) = (1 p)n , P(X1 = n + 1) = 1 (1 p)n .
Z niezalenoci:
D 2 (X ) = D 2 (X1 ) + + D 2 (Xk ).
Mona policzy (w przyblieniu): D 2 (Xi ) = 8.65 oraz D 2 (X ) = 865. Podobnie jak
D 2 (X )
w przykadzie poprzednim: P(X 300) (300m)
2 = 0.0795.
94 / 173

Pamitamy, e X = X1 + + Xk , gdzie Xi s niezalene o takim samym
rozkadzie dwupunktowym P(X1 = 1) = (1 p)n , P(X1 = n + 1) = 1 (1 p)n .
Z niezalenoci:
D 2 (X ) = D 2 (X1 ) + + D 2 (Xk ).
Mona policzy (w przyblieniu): D 2 (Xi ) = 8.65 oraz D 2 (X ) = 865. Podobnie jak
D 2 (X )
w przykadzie poprzednim: P(X 300) (300m)
2 = 0.0795.
Wynik ten mona znacznie polepszy. W istocie, P(X 300) jest duo mniejsze.
Symulacja
94 / 173
Sabe prawo wielkich liczb
95 / 173
Zaoenia
Zakadamy, e: zmienne losowe X1 , X2 , X3 , . . . s okrelone na tej samej
przestrzenie probabilistycznej (, , P) ,
95 / 173
Zaoenia
s niezalene,
95 / 173
Zaoenia
s niezalene,
maj skoczone nadzieje matematyczne oraz skoczone i niezerowe wariancje.
95 / 173
Zaoenia
s niezalene,
maj skoczone nadzieje matematyczne oraz skoczone i niezerowe wariancje.
Oznaczmy:
X1 + + Xn
.
Sn = X1 + + Xn , Xn =
n
95 / 173

1
Istnieje M R takie, e D 2 (Xi ) M dla wszystkich i. Wtedy dla kadego

>0

Sn E (Sn )

lim P
= 0.
n
n
96 / 173

1

>0

Sn E (Sn )

lim P
= 0.
n
n
Zakadamy dodatkowo, e wszystkie nadzieje matematyczne s sobie rwne i
rwne m. Wtedy dla kadego > 0

Sn

lim P m = 0.
n
n
96 / 173

1

>0

Sn E (Sn )

lim P
= 0.
n
n
Zakadamy dodatkowo, e wszystkie nadzieje matematyczne s sobie rwne i

rwne m. Wtedy dla kadego > 0

Sn

lim P m = 0.
n
n
Kada zmienna losowa ma taki sam rozkad dwupunktowy,

P(Xi = 0) = 1 p, P(Xi = 1) = p. Wtedy dla kadego > 0

Sn

lim P p = 0.
n
n
96 / 173
Dowd.
Ad 1. Z niezalenoci zmiennych losowych mamy
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
Stosujc Nierwno Czebyszewa do dla zmiennej losowej Sn , dostajemy
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n
co daje tez (twierdzenie o trzech cigach).
97 / 173
Dowd.
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n
Ad 2. Wynika natychmiast z punktu 1, gdy E (Sn ) = nm.
97 / 173
Dowd.
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n

Ad 3. Wynika natychmiast z punktu 2, gdy m = E (Xi ) = p, D 2 (Xi ) = p(1 p).
97 / 173
Dowd.
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n

Interpretacja
97 / 173
Dowd.
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n

Interpretacja
Twierdzenie 2. rednia po przestrzeni = redniej po czasie.
97 / 173
Dowd.
D 2 (Sn ) = D 2 (X1 ) + + D 2 (Xn ) nM.
P(
|Sn E (Sn )|
D 2 (Sn )
M
) = P(|Sn E (Sn )| n)
2,
n
(n)2
n

Interpretacja
Twierdzenie 2. rednia po przestrzeni = redniej po czasie.
Twierdzenie 3. Aksjomatyczna definicja prawdopodobiestwa jest zgodna z
dawniej uywan definicj czstociow.
97 / 173
Waniejsze rozkady
1
Rozkad jednopunktowy, -Diraca, c .
Rozkad jednostajny dyskretny.
Rozkad jednostajny cigy.
Rozkad Bernoulliego (dwupunktowy), (0, 1, p).
Rozkad dwumianowy, B(n, p).
Rozkad Poissona, P .
Rozkad geometryczny Gp .
Rozkad hipergeometryczny.
Rozkad Pascala.
9
10
Rozkad wykadniczy, E .
11
Rozkad Erlanga.
12
Rozkad normalny, N(m, ).
List of probability distributions

98 / 173
Rozkad jednopunktowy, c
Jest to rozkad taki, e P(c) = 1, c R.
Zmienna losowa o rozkadzie a staa = c.
Formalnie: jeeli X : R jest zamienn losow, to
PX = c P(X = c) = 1.
E (X ) = c,
D 2 (X ) = 0.
99 / 173
Rozkad jednostajny dyskretny na zbiorze skoczonym K

Niech K = {x1 , . . . , xn }. Jest to rozkad taki, e P(xi ) = n1 , dla i = 1, . . . , n.
100 / 173

X liczba oczek na kostce symetrycznej ma rozkad jednostajny dyskretny.
100 / 173

X liczba oczek na kostce symetrycznej ma rozkad jednostajny dyskretny.
E (X ) = xn =
n
1X
xi ,
n
i=1
D 2 (X ) =
n
1X
2
(xi xn ) .
n
i=1
100 / 173
Rozkad jednostajny, U(a, b).

Niech a, b R, a < b. Jest to rozkad o gstoci
1
ba I[a,b] .
101 / 173

1
ba I[a,b] .
Niewiele zjawisk podlega rozkadowi dyskretnemu.
101 / 173

1
ba I[a,b] .

Komputer potrafigenerowa liczby wedug rozkadu jednostajnego, co z kolei
suy do generowania liczb z zadanego z gry innego rozkadu (dyskretnego lub
cigego).
101 / 173

1
ba I[a,b] .

Komputer potrafigenerowa liczby wedug rozkadu jednostajnego, co z kolei
suy do generowania liczb z zadanego z gry innego rozkadu (dyskretnego lub
cigego).
E (X ) =
a+b
2
D 2 (X ) =
(b a)2
.
12
101 / 173
Rozkad Bernoulliego, dwupunktowy, (0, 1, p).

Niech 0 < p < 1. Jest to rozkad P, taki, e P(0) = 1 p, P(1) = p.
102 / 173

Gdy X jest wynikiem dowiadczenia, ktre ma dokadnie dwa moliwe zakoczenie
(poraka - 0, lub sukces - 1), to X ma rozkad dwupunktowy.
102 / 173

Gdy X jest wynikiem dowiadczenia, ktre ma dokadnie dwa moliwe zakoczenie
(poraka - 0, lub sukces - 1), to X ma rozkad dwupunktowy.
E (X ) = p,
D 2 (X ) = (1 p)p.
102 / 173
Rozkad dwumianowy B(n, p)

Rozkad P nazywamy rozkadem dwumianowym, jeeli istniej liczby n > 0 oraz p
i q takie, e 0 < p, q < 1, p + q = 1 oraz zachodzi rwno:

n k nk
P(k) =
p q
dla k = 0, 1, . . . , n.
k
103 / 173
Twierdzenie
Niech X1 , . . . , Xn bd niezalenymi zmiennymi losowymi o takim samym
rozkadzie dwupunktowym (0, 1, p). Wtedy suma:
Sn = X1 + + Xn
ma rozkad dwumianowy B(n, p)/
Dowd. Zdarzenie {Sn = k} jest sum rozcznych zdarze polegajcych na tym,
e dokadnie k spord zmiennych losowych X1 , . . . , Xn przyjmuje warto 1, a
wic pozostae n k zmiennych przyjmuje warto 0. Niech Ai1 ,...,ik bdzie jednym
z takich zdarze, gdzie i1 , . . . , ik oznaczaj numery tych zmiennych, ktre
przyjmuj warto 1. Z kolei kade zdarzenie Ai1 ,...,ik jest iloczynem n zdarze
postaci {Xj = j }, gdzie j = 1 lub j = 0, a prawdopodobiestwa tych zdarze s
rwne odpowiednio p i q. Z niezalenoci zmiennych X1 , . . . , Xn wynika, e:
P(Ai1 ,...,ik ) = p k q nk .
104 / 173
Poniewa wskaniki i1 , . . . , ik mona wybra na
P(A) = P
Ai1 ,...,ik =
i1 ,...,ik

n
sposobw, wic:
k
X
i1 ,...,ik
k nk
p q
P(Ai1 ,...,ik )
i1 ,...,ik

n k nk
=
p q
.
k
105 / 173
Poniewa wskaniki i1 , . . . , ik mona wybra na
P(A) = P
Ai1 ,...,ik =
i1 ,...,ik

n
sposobw, wic:
k
k nk
p q
i1 ,...,ik
P(Ai1 ,...,ik )
i1 ,...,ik

n k nk
=
p q
.
k
E (X ) = np,
D 2 (X ) = npq.
Dowd. Jest to wniosek z powyszego twierdzenia.
105 / 173
Losowanie ze zwracaniem
Przypumy, e pewna populacja skada si z N elementw. Niech p bdzie
prawdopodobiestwem tego, e dany element z tej populacji ma pewn wasno,
powiedzmy wasno W . Losujemy ze zwracaniem n elementw i oznaczamy przez
X liczb tych spord nich, ktre maj wasno W . Wida, e zmienna losowa X
ma rozkad dwumianowy.
106 / 173
Rozkad Poissona P
Rozkad P jest rozkadem Poissona, jeeli istnieje taka liczba > 0, e:
P(k) = e
k
k!
dla k = 0, 1, 2, . . .
107 / 173
Wiele zjawisk podlega rozkadowi Poissona. Kolejne twierdzenie mwi o tym, e

jest on w pewnym sensie granic rozkadw dwumianowych. W szczeglnoci, gdy
mamy do czynienia z du (n > 100) liczb niezalenych prb Bernoulliego, z
jednakowym, maym (p < 0.1) prawdopodobiestwem sukcesu kada, to liczba
wszystkich sukcesw ma niemal dokadnie rozkad Poissona z parametrem = np.
Zgodno taka zostaa zaobserwowana w wielu konkretnych sytuacjach
praktycznych. Co wicej, istniej do dokadne oszacowania bdu, jaki
popeniamy przybliajc rozkad dwumianowy rozkadem Poissona.
108 / 173

Liczba X miertelnych wypadkw spowodowanych przez konia w 10 korpusach
armii pruskiej w cigu 20 lat (Bortkiewicz).
k
0
1
2
3
4
SUMA
liczba przypadkw
109
65
22
3
1
200
108 / 173

k
0
1
2
3
4
SUMA
liczba przypadkw
109
65
22
3
1
200
czsto f
0,545 0,325
0,11 0,015 0,005
1
108 / 173

k
0
1
2
3
4
SUMA
liczba przypadkw
109
65
22
3
1
200
czsto f
0,545 0,325
0,11 0,015 0,005
1
k*f
0 0,325
0,22 0,045
0,02
108 / 173

k
0
1
2
3
4
SUMA
liczba przypadkw
109
65
22
3
1
200
czsto f
0,545 0,325
0,11 0,015 0,005
1
k*f
0 0,325
0,22 0,045
0,02
0,61
108 / 173

k
0
1
2
3
4
SUMA
liczba przypadkw
109
65
22
3
1
200
czsto f
0,545 0,325
0,11 0,015 0,005
1
k*f
0 0,325
0,22 0,045
0,02
0,61
P(X = k)
0,543 0,331 0,101 0,021 0,003 0,99957
108 / 173
Twierdzenie
Niech liczby pn > 0 tworz taki cig, e:
lim npn = > 0
oraz niech k bdzie nieujemn liczb naturaln. Wtedy:

k
n k
.
lim
pn (1 pn )nk = e
n k
k!
Dowd. Oznaczajc n = npn , mamy rwno

n
k

n
k n(n 1) (n k + 1)
n
n k
pn (1 pn )nk = n
.
k
k!
nk
n
n
Poniewa k jest ustalone, to ostatni czynnik zmierza do 1. Drugi czynnik jest
rwny 1 (1 n1 ) (1 k1
n ), wic te zmierza do 1. Istotne s czynniki
k
pierwszy oraz trzeci i zmierzaj one odpowiednio do k! oraz e .
109 / 173
k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
n = 100,
rozkad
dwum.
0,3660
0,3697
0,1849
0,0610
0,0149
0,0029
0,0005
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
p = 0, 01
rozkad
Poissona
0,3679
0,3679
0,1839
0,0613
0,0153
0,0031
0,0005
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
n = 50,
rozkad
dwum.
0,0052
0,0286
0,0779
0,1386
0,1809
0,1849
0,1541
0,1076
0,0643
0,0333
0,0152
0,0061
0,0022
0,0007
0,0002
0,0001
p = 0, 1
rozkad
Poissona
0,0067
0,0337
0,0842
0,1404
0,1755
0,1755
0,1462
0,1044
0,0653
0,0363
0,0181
0,0082
0,0034
0,0013
0,0005
0,0002
n = 100,
rozkad
dwum.
0,0000
0,0003
0,0016
0,0059
0,0159
0,0339
0,0596
0,0889
0,1148
0,1304
0,1319
0,1199
0,0988
0,0743
0,0513
0,0327
p = 0, 1
rozkad
Poissona
0,0000
0,0005
0,0023
0,0076
0,0189
0,0378
0,0631
0,0901
0,1126
0,1251
0,1251
0,1137
0,0948
0,0729
0,0521
0,0347
110 / 173
n = 200, p = 0.03,
= 6.
111 / 173
n = 200, p = 0.03,
D 2 (X ) = .
E (X ) = ,
Dowd.
E (X ) =
X
k=0
= 6.
ke
k!
= e
X
X
k1
k
= e
= e e = .
(k 1)!
k!
k=1
k=0
111 / 173
n = 200, p = 0.03,
D 2 (X ) = .
E (X ) = ,
Dowd.
E (X ) =
= 6.
ke
k=0
2
k!
= e
X
X
k1
k
= e
= e e = .
(k 1)!
k!
k=1
k=0
Podobnie D (X ) w.
111 / 173
Twierdzenie
Suma niezalenych zmiennych losowych o rozkadach Poissona ma rozkad
Poissona.
112 / 173
Twierdzenie
Poissona.
Dowd. Niech X ma rozkad P , a Y rozkad P . Niech k 0 bdzie ustalone.
112 / 173
Twierdzenie
Poissona.
Dowd. Niech X ma[
rozkad P , a Y rozkad P . Niech k 0 bdzie ustalone.
P(X + Y = k) = P(
(X = i, Y = j)) =
i+j=k
112 / 173
Twierdzenie
Poissona.
Dowd. Niech X ma[
rozkad P , a Y rozkad
XP . Niech k 0 bdzie ustalone.
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
i+j=k
112 / 173
Twierdzenie
Poissona.
Dowd. Niech X ma[
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
k
X
i+j=k
P(X = i)P(Y = k j) =
i=0
112 / 173
Twierdzenie
Poissona.
Dowd. Niech X ma[
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
k
X
i+j=k
P(X = i)P(Y = k j) =
i=0
k
X
i=0
i
ki
e e
i!
(k i)!
112 / 173
Twierdzenie
Poissona.
Dowd. Niech X ma[
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
k
X
i+j=k
P(X = i)P(Y = k j) =
i=0
k
X
i=0
i
ki
e e
=
i!
(k i)!
k
X
i ki
e (+)
=
i!(k i)!
i=0
112 / 173
Twierdzenie
Poissona.
Dowd. Niech X ma[
P(X + Y = k) = P(
(X = i, Y = j)) =
P(X = i)P(Y = j) =
i+j=k
k
X
i+j=k
P(X = i)P(Y = k j) =
i=0
k
X
i=0
i
ki
e e
=
i!
(k i)!
k
X
( + )k
i ki
.
e (+)
= e (+)
k!
i!(k i)!
i=0
112 / 173
Przykad. W ostatnich piciu latach zanotowano 7, 6, 5, 5, 6 przypadki utoni

w Wile. Oblicz prawdopodobiestwo tego, e w nadchodzcym roku liczba X
utoni w Wile bdzie: (a) rwna 0, (b) wiksza od 6, (c) co najmniej dziesi.
113 / 173

Z charakteru zjawiska wynika, e zmienna losowa X ma rozkad Poissona P .
= 5.8 Jeeli zaoymy, e w
rednia liczba utoni w roku wynosi 7+6+5+5+6
5
poprzednich latach rozkad utoni podlega temu samemu rozkadowi, czyli
rozkadowi o wartoci oczekiwanej , to mona przyj (wyjani to dokadniej
statystyka), e = 5.8.
113 / 173

5
statystyka), e = 5.8. Z komputera (Excel, Maple, Mathematica i duo wicej),
lub z tablic (nie polecam) otrzymujemy wartoci prawdopodobiestw P (k) oraz
wartoci dystrybuanty F (k) dla k = 0, 1, 2, . . . . Mamy wic dla = 5.8:
113 / 173

5
(a) P(X = 0) = P (0) = 0.0030 niestety bardzo mae.
113 / 173

5
(b) P(X > 6) = 1 P(X 6) = F (6) = 1 0.6384 = 0.3616. do due.
113 / 173

5
(b) P(X > 6) = 1 P(X 6) = F (6) = 1 0.6384 = 0.3616. do due.
(c) P(X 10) = P(X > 9) = 1 P(X 9) = 1 F (9) = 1 0, 9292 = 0.0708
ju niezbyt due.
113 / 173
Rozkad hipergeometryczny
Rozkad P nazywamy hipergeometrycznym, jeeli istniej liczby naturalne N,
N0 N, n N takie, e dla kadego k = 0, 1, 2, . . . n zachodzi:

N0
N N0
k
nk

P(k) =
,
N
n
114 / 173
Rozkad hipergeometryczny
Rozkad P nazywamy hipergeometrycznym, jeeli istniej liczby naturalne N,
N0 N, n N takie, e dla kadego k = 0, 1, 2, . . . n zachodzi:

N0
N N0
k
nk

P(k) =
,
N
n
Oznaczajc p =
N0
N
oraz q = 1 p otrzymujemy:

Np
Nq
k
nk

P(k) =
,
N
n
114 / 173
N = 50, n = 5, p = 0.4.
115 / 173
N = 50, n = 5, p = 0.4.
Przypumy, e pewna populacja skada si z N elementw, przy czym przy czym

N0 elementw ma wasno W . Losujemy bez zwracania n elementw i
oznaczamy przez X liczb wylosowanych elementw majcych wasno W .
atwo zauway, nawizujc do rozwaa dotyczcych losowania ze zwracaniem,
e zmienna losowa X ma rozkad hipergeometryczny.
115 / 173
E (X ) = np,
Dowd.
D 2 (X ) = npq
N n
.
N 1
Opuszczam.
116 / 173
E (X ) = np,
Dowd.
D 2 (X ) = npq
N n
.
N 1
Opuszczam.
Przy losowaniu n elementw ze zwracaniem i przy losowaniu n elementw bez

zwracania z populacji o liczebnoci N z wyrnion frakcj losujemy rednio tyle
samo elementw z tych frakcji. Jednak przy losowaniu bez zwracania wariancja
jest mniejsza.
116 / 173
Rozkad geometryczny, Gp .
Rozkad P jest rozkadem geometrycznym, jeeli istniej liczby p, q, 0 < p, q < 1,
p + q = 1 takie, e
P(k) = q k1 p, dla k = 1, 2, 3, . . .
117 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bd niezalenymi zmiennymi losowymi o takim samym
rozkadzie dwupunktowym (0, 1, p). Wtedy funkcja
T = min{n 1 : Xn = 1},
nazywana czasem oczekiwania na pierwszy sukces w nieskoczonym cigu prb
Bernoulliego jest zmienn losow o rozkadzie geometrycznym Gp .
118 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bd niezalenymi zmiennymi losowymi o takim samym
rozkadzie dwupunktowym (0, 1, p). Wtedy funkcja
T = min{n 1 : Xn = 1},
nazywana czasem oczekiwania na pierwszy sukces w nieskoczonym cigu prb
Bernoulliego jest zmienn losow o rozkadzie geometrycznym Gp .
Dowd. Zauwamy, e zdarzenie {T = n} jest takie samo jak zdarzenie
{X1 = 0, . . . , Xn1 = 0, Xn = 1}. Z niezalenoci zmiennych losowych Xi
otrzymujemy
P(T = n) = P(X1 = 0, . . . , Xn1 = 0, Xn = 1) =
P(X1 = 0) P(Xn1 = 0) P(Xn = 1) = q n1 p.
118 / 173
E (X ) =
1
,
p
D 2 (X ) =
1p
p2
119 / 173
E (X ) =
1
,
p
1p
p2
D 2 (X ) =
Dowd. Wiadomo, e
xi =
i=0
1
, dla |x| < 1.
1x
Po zrniczkowaniu otrzymujemy:
ix i1 =
i=1
1
, dla |x| < 1.
(1 x)2
Teraz, biorc x = 1 p otrzymujemy:

E (X ) =
i(1 p)i1 p = p
i=1
1
1
= .
2
p
p
Wariancj oblicza si podobnie, w.


119 / 173
Rozkad Pascala, ujemny rozkad dwumianowy

Rozkad P nazywamy ujemnym rozkadem dwumianowym (lub rozkadem
Pascala), jeeli istniej: liczba naturalna r 1 oraz rzeczywista p > 0 takie, e

r +k 1 r
P(r + k) =
p (1 p)k , dla k = 0, 1, 2, . . .
r 1
r = 5, p = 0, 5.
120 / 173
Zauwamy, e rozkad geometryczny jest szczeglnym przypadkiem ujemnego

rozkadu dwumianowego. r = 1.
121 / 173

Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych prb Bernoulliego o takim
samym prawdopodobiestwie sukcesu p w kadej prbie. Okrelamy:
Tr
:= min
{n : 1 k1 < < kr = n takie, e Xki = 1,

dla i = 1, . . . , r }.
121 / 173

Twierdzenie
Tr
:= min
{n : 1 k1 < < kr = n takie, e Xki = 1,

dla i = 1, . . . , r }.
Wtedy, Tr jest zmienn losow o ujemnym rozkadzie dwumianowym.
121 / 173

Twierdzenie
Tr
:= min
{n : 1 k1 < < kr = n takie, e Xki = 1,

dla i = 1, . . . , r }.

Inaczej: Czas oczekiwania na pierwszych r sukcesw w nieskoczonym schemacie
Bernoulliego ma ujemny rozkad dwumianowy.
Dowd. Dowd jest bardzo podobny do analogicznego twierdzenia o rozkadzie
geometrycznym.
121 / 173

Twierdzenie
Tr
:= min
{n : 1 k1 < < kr = n takie, e Xki = 1,

dla i = 1, . . . , r }.

Inaczej: Czas oczekiwania na pierwszych r sukcesw w nieskoczonym schemacie
Bernoulliego ma ujemny rozkad dwumianowy.
Dowd. Dowd jest bardzo podobny do analogicznego twierdzenia o rozkadzie
geometrycznym.

Mona take udowodni twierdzenie, ktre jeszcze inaczej pozwala spojrze na
problem czasw oczekiwania:
121 / 173
Twierdzenie
Niech T1 , . . . , Tr bdzie cigiem niezalenych zmiennych losowych o takim samym
rozkadzie geometrycznym kada.
Wtedy suma T1 + + Tr ma ujemny rozkad dwumianowy.
122 / 173
Twierdzenie
Dowd.
Indukcja ze wzgldu na r , w.
122 / 173
Twierdzenie
Dowd.
Indukcja ze wzgldu na r , w.
E (X ) = pr ,
Dowd.
D 2 (X ) =
r (1p)
p2 .
Wynika z poprzedniego twierdzenia, w.
122 / 173
Rozkad wykadniczy, E
Rozkad P nazywamy rozkadem wykadniczym, jeeli istnieje taka liczba > 0,
e funkcja f okrelona wzorem
0,
dla x < 0
f (x) =
e x , dla x 0.
jest gstoci tego rozkadu.
= 0.2
=2
123 / 173
Dystrybuanta
Z
F (x) =
f (t) dt =
0,
1 e x ,
dla x < 0
dla x 0.
124 / 173
Dystrybuanta
Z
F (x) =

f (t) dt =
E (X ) =
1
,
0,
1 e x ,
dla x < 0
dla x 0.
D 2 (X ) =
1
.
2
(5)
124 / 173
Dystrybuanta
Z
F (x) =

f (t) dt =
E (X ) =
Dowd.
1
,
0,
1 e x ,
dla x < 0
dla x 0.
D 2 (X ) =
1
.
2
(5)
Proste przeliczenie, w.
124 / 173
Dystrybuanta
Z
F (x) =

f (t) dt =
E (X ) =
Dowd.
1
,
0,
1 e x ,
dla x < 0
dla x 0.
D 2 (X ) =
1
.
2
(5)
Proste przeliczenie, w.
Rozkad wykadniczy jest cigym odpowiednikiem rozkadu geometrycznego.

Mwic niecile, czas oczekiwania na pierwszy sukces w nieskoczonym cigu
niezalenych prb Bernoulliego ma w przyblieniu rozkad wykadniczy o
parametrze , o ile czas pomidzy kolejnymi prbami jest bardzo may, a
prawdopodobiestwo sukcesu w pojedynczej prbie jest mae i proporcjonalne do
tego czasu, przy czym parametr jest wspczynnikiem tej proporcjonalnoci.
124 / 173
Zwizek rozkadu wykadniczego z geometrycznym

Niech > 0 bdzie ustalone.
125 / 173

Dla > 0 oznaczamy p = p = .
125 / 173

Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych zmiennych losowych, z ktrych
kada ma rozkad dwupunktowy o parametrze p.
125 / 173

Niech
T = min{n 1 : Xn = 1}.
125 / 173

Niech
T = min{n 1 : Xn = 1}.
Niech F oznacza dystrybuant rozkadu wykadniczego o parametrze .
125 / 173

Niech
T = min{n 1 : Xn = 1}.
Niech F oznacza dystrybuant rozkadu wykadniczego o parametrze .
Twierdzenie
Dla kadego t R
FT (t) F (t) gdy 0.
125 / 173
Dowd.
Dla t 0 trywialne.
126 / 173
Dowd.
Dla t 0 trywialne.
Niech t > 0.
126 / 173
Dowd.
Dla t 0 trywialne.
Niech t > 0. Zmienna losowa T ma rozkad geometryczny.
126 / 173
Dowd.
Dla t 0 trywialne.
Niech t > 0. Zmienna losowa T ma rozkad geometryczny. Niech n = [ t ].

FT (t) = P(T t) = 1 P(T > t) = 1 P(
X
t
T
> )=1
(1 p)k1 p =
k=n+1
126 / 173
Dowd.
Dla t 0 trywialne.
Niech t > 0. Zmienna losowa T ma rozkad geometryczny. Niech n = [ t ].

FT (t) = P(T t) = 1 P(T > t) = 1 P(
X
t
T
> )=1
(1 p)k1 p =
k=n+1

1 tr
1 (1 p)n = 1 1 1
1 e t = F (t),

r
t
dla 0, gdy 0 r = n < 1, wic 1 1
zmierza do 1.
126 / 173
Rozkad Erlanga
Twierdzenie
Niech T1 , . . . , Tr bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze . Niech Sr = T1 + + Tr .
Wtedy Sr ma rozkad o gstoci fr :
fr (x) =
(x)r 1 x
e
dla x > 0
(r 1)!
oraz fr (x) = 0 dla x 0. Rozkad ten nosi nazw rozkadu Erlanga.
127 / 173
Rozkad Erlanga
Twierdzenie
fr (x) =
(x)r 1 x
e
dla x > 0
(r 1)!

Dowd. Rachunkowy dowd polega na zastosowaniu indukcji oraz wzoru na
gsto sumy niezalenych zmiennych losowych o rozkadach cigych. .
127 / 173
Rozkad Erlanga
Twierdzenie
fr (x) =
(x)r 1 x
e
dla x > 0
(r 1)!

Dowd. Rachunkowy dowd polega na zastosowaniu indukcji oraz wzoru na
gsto sumy niezalenych zmiennych losowych o rozkadach cigych. .
Indukcyjnie mona pokaza, e dystrybuanta wyraa si wzorem:

Z t
(x)r 1 x
(t)r 1
t
Fr (t) =
e
dx = 1 e t 1 +
+ +
.
1!
(r 1)!
0 (r 1)!
127 / 173
128 / 173
128 / 173
128 / 173
128 / 173
Proces Poissona
Twierdzenie
Niech T1 , T2 , T3 , . . . bd zmiennymi losowymi niezalenymi o takim samym
rozkadzie wykadniczym o parametrze .
129 / 173
Proces Poissona
Twierdzenie
Niech Sn = T1 + + Tn . Kadziemy dodatkowo S0 = 0.
129 / 173
Proces Poissona
Twierdzenie
Definiujemy:
Nt := max {n : Sn t},
gdzie t > 0 jest ustalon liczb.
129 / 173
Proces Poissona
Twierdzenie
Definiujemy:
Wtedy zmienna losowa Nt ma rozkad Poissona o parametrze t.
129 / 173
Proces Poissona
Twierdzenie
Definiujemy:
Wtedy zmienna losowa Nt ma rozkad Poissona o parametrze t.
Komentarz. Zmienna Nt oznacza liczb sukcesw, ktre maj miejsce na
odcinku czasu (0, t) w cigu niezalenych prb Bernoulliego, o ile prby te mog
by powtarzane nieskoczenie czsto, a prawdopodobiestwo pojawienia si
sukcesu w bardzo maym odcinku czasu t wynosi w przyblieniu t.
129 / 173
Dowd.
Zauwamy, e zdarzenie {Nt = k} jest rwne zdarzeniu {Sk t} \ {Sk+1 t}.
130 / 173
Dowd.

Tak wic:
P(Nt = k) = Fk (t) Fk+1 (t),
gdzie Fk oznacza dystrybuant zmiennej losowej Sk , ktra ma rozkad Erlanga.
Poprzednio okrelilimy ju dystrybuant Fk .
(t)k t
Std atwo wida, e: P(Nt = k) =
e
.

k!
130 / 173
Dowd.

Tak wic:
P(Nt = k) = Fk (t) Fk+1 (t),
gdzie Fk oznacza dystrybuant zmiennej losowej Sk , ktra ma rozkad Erlanga.
Poprzednio okrelilimy ju dystrybuant Fk .
(t)k t
Std atwo wida, e: P(Nt = k) =
e
.

k!
Proces stochastyczny
Rodzina zmiennych losowych okrelonych na tej samej przestrzeni
probabilistycznej indeksowana przez czas nazywa si procesem stochastycznym.
{Nt }t0 jest szczeglnym przypadkiem i nazywa si procesem Poissona.
130 / 173
Rozkad normalny, N(m, ).

Rozkad P nazywamy rozkadem normalnym, jeeli istniej takie liczby rzeczywiste
m oraz > 0, e funkcja f : RR, okrelona wzorem:
f (x) =
1 xm 2
1
e 2 ( ) dla x R,
2
jest gstoci tego rozkadu.
131 / 173
f jest rzeczywicie gstoci. Wiadomo (w. z analizy matem.), e

Z
1 2
e 2 t dt = 2.
xm
Stosujc
podstawienie
Z
Z t = otrzymujemy:
Z
1 2
1
1
)2
12 ( xm
f (x) dx =
dx =
e
e 2 t dt = 1,
2
2
132 / 173

Z
1 2
e 2 t dt = 2.
xm
Stosujc
podstawienie
Z
Z t = otrzymujemy:
Z
1 2
1
1
)2
12 ( xm
f (x) dx =
dx =
e
e 2 t dt = 1,
2
2
Interpretacja parametrw
m punkt maksimum globalnego gstoci, w.
m , m + punkty przegicia gstoci, w.
E (X ) = m,
Dowd.
D 2 (X ) = 2 .
Proste cakowanie przez podstawienie, w.
132 / 173

Z
1 2
e 2 t dt = 2.
xm
Stosujc
podstawienie
Z
Z t = otrzymujemy:
Z
1 2
1
1
)2
12 ( xm
f (x) dx =
dx =
e
e 2 t dt = 1,
2
2
Interpretacja parametrw
m punkt maksimum globalnego gstoci, w.
m , m + punkty przegicia gstoci, w.
E (X ) = m,
Dowd.
D 2 (X ) = 2 .
Proste cakowanie przez podstawienie, w.
Oznaczenie.
m, dystrybuanta rozkadu normalnego N(m, ), czyli

Z x
1 tm 2
1
m, (x) =
e 2 ( ) dt
2
132 / 173
Rozkad N(0, 1) standardowy rozkad normalny.

D 2 (X ) = 1.
E (X ) = 0,
Oznaczenie.
czyli
= 0,1 dystrybuanta rozkadu normalnego standardowego,

1
(x) =
2
(1) = 0.8413447461,
1 2
e 2 t dt.
(2) = 0.9772498681
133 / 173
Poyteczne wzory, w.:

(0) = 0.5,
(x) = 1 (x),
P(|X | < ) = () () = 2() 1,
.
m, (x) = xm
x
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9987
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9987
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9988
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9988
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9989
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9989
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9989
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9990
0,09
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,9990
134 / 173
Centralne twierdzenie graniczne

Zaoenie.
(, , P) jest przestrzeni probabilistyczn, za X1 , X2 , X3 , . . .
cigiem niezalenych zmiennych losowych okrelonych na .
135 / 173

Zaoenie.
Wszystkie zmienne losowe Xi maj taki sam rozkad, a ich wsplna
nadzieja matematyczna m oraz wariancja 2 istniej i s skoczone, przy
czym > 0 (ten ostatni warunek oznacza, e zmienne losowe nie s
staymi).
135 / 173

Zaoenie.
staymi).
Sn = X1 + + Xn .
135 / 173

Zaoenie.
staymi).
Sn = X1 + + Xn .
Zmienn losow:
Sn E (Sn )
Sn nm
Zn := p
=
2
n
D (Sn )
nazywamy standaryzacj sumy Sn .
135 / 173

Zaoenie.
staymi).
Sn = X1 + + Xn .
Zmienn losow:
Sn E (Sn )
Sn nm
Zn := p
=
2
n
D (Sn )
nazywamy standaryzacj sumy Sn .
Jak atwo zauway:
E (Zn ) = 0 oraz D 2 (Zn ) = 1.
135 / 173
Twierdzenie Lindeberga-Leevyego, CTG

Dla kadego x R zachodzi rwno:
lim P(Zn x) = (x),
136 / 173

lim P(Zn x) = (x),
CTG dla sum
Rozkad zmiennej losowej Sn jest asymptotycznie rwny rozkadowi N(nm, n).

Inaczej:
lim (FSn (x) nm,n (x)) = 0,
n
dla x R.
136 / 173

lim P(Zn x) = (x),
CTG dla sum
Rozkad zmiennej losowej Sn jest asymptotycznie rwny rozkadowi N(nm, n).

Inaczej:
lim (FSn (x) nm,n (x)) = 0,
n
dla x R.
CTG dla rednich

Rozkad zmiennej losowej
Inaczej:
Sn
n
jest asymptotycznie rwny rozkadowi N(m, n ).
lim (F Sn (x) m, n (x)) = 0,
dla x R.
136 / 173
Dowd oparty na teorii funkcji charakterystycznych bdzie pniej.
137 / 173

Centralne twierdzenie graniczne jest prawdziwe przy duo oglniejszych
zaoeniach. W szczeglnoci zmienne losowe nie musz mie takiego samego
rozkadu, a nawet nie musz by niezalene. Jednake, rnym wersjom
centralnego twierdzenia granicznego przywieca ta sama idea:
137 / 173

Suma niewiele zalenych od siebie skadnikw losowych, z ktrych
aden nie dominuje istotnie nad pozostaymi, ma w przyblieniu
rozkad normalny.
137 / 173

Suma niewiele zalenych od siebie skadnikw losowych, z ktrych
aden nie dominuje istotnie nad pozostaymi, ma w przyblieniu
rozkad normalny.
Twierdzenie de Moivrea-Laplacea
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych prb Bernoulliego, z takim
samym prawdopodobiestwem sukcesu p i poraki q = 1 p w kadej prbie
(0 < p < 1). Wtedy:

Sn np
P
x (x),
npq
dla kadego x R.
137 / 173
Eksperyment, rzuty kostk.

Wyobramy sobie eksperyment polegajcy na wielokrotnym rzucie kostk do gry.
Suma uzyskanych oczek S jest
zmienn losow majc, zgodnie z CTG, w
przyblieniu rozkad N(nm, n), gdzie m oraz s odpowiednio nadziej
matematyczn oraz odchyleniem standardowym zmiennej losowej X ,
reprezentujcej wynik pojedynczego rzutu, a n jest liczb wykonanych prb.
Poniewa X ma rozkad dyskretny, skupiony w punktach 1, 2, 3, 4, 5, 6
przyjmowanych z jednakowym prawdopodobiestwem 61 , wic bez trudu mona
stwierdzi, e:
105
m = 3.5 oraz =
1.7078251.
6
138 / 173

stwierdzi, e:
105
m = 3.5 oraz =
1.7078251.
6
Przypumy, e wykonano 1000 rzutw (n = 1000). Wwczas na podstawie CTG
suma S1000 ma w przyblieniu rozkad N(3500, 54, 00617).
138 / 173

stwierdzi, e:
105
m = 3.5 oraz =
1.7078251.
6
Zweryfikujmy dowiadczalnie uzyskany wynik. W tym celu mona przeprowadzi
symulacj tysica rzutw kostk za pomoc komputera, uzyskujc odpowiedni
warto sumy wszystkich uzyskanych oczek.
138 / 173

stwierdzi, e:
105
m = 3.5 oraz =
1.7078251.
6
Zweryfikujmy dowiadczalnie uzyskany wynik. W tym celu mona przeprowadzi
symulacj tysica rzutw kostk za pomoc komputera, uzyskujc odpowiedni
warto sumy wszystkich uzyskanych oczek.
Dowiadczenie to powtrzymy 400 razy, uzyskujc 400 wartoci sumy oczek.
138 / 173
Wyniki:
3567, 3423, 3424, . . . , 3671, 3558, 3582.
s przedstawione graficznie w postaci histogramu. W tym celu przedzia
[3300, 3700] zosta podzielony na 20 rwnych przedziaw i zostaa policzona
liczba danych znajdujcych si w kadym z tych przedziaw, ni , i = 1, . . . , 20, a
ni
nad kolejnymi
na rysunku zostay zaznaczone prostokty o wysokociach 20N
P20
przedziaami. Tutaj N = i=1 ni . Wida, e suma pl = 1. Histogram porwnano
na wsplnym rysunku z gstoci rozkadu N(3500, 54, 00617).
139 / 173
Wyniki:
3567, 3423, 3424, . . . , 3671, 3558, 3582.
ni
nad kolejnymi
P20
139 / 173
Wyniki:
3567, 3423, 3424, . . . , 3671, 3558, 3582.
ni
nad kolejnymi
P20
139 / 173
Przykad. Rzucono 1000 razy symetryczn kostk do gry. Obliczy

prawdopodobiestwo tego, e 6wypada wicej ni 150 razy.
140 / 173

Zauwamy najpierw, e interesujca nas ilo 6jest sum Sn , n = 1000,
niezalenych prb Bernoulliego o prawdopodobiestwie sukcesu p = 61 w kadej
prbie.
140 / 173

Zauwamy najpierw, e interesujca nas ilo 6jest sum Sn , n = 1000,
niezalenych prb Bernoulliego o prawdopodobiestwie sukcesu p = 61 w kadej
prbie. Zgodnie z centralnym twierdzeniem granicznym, suma ta ma w
przyblieniu rozkad normalny N(np, npq). Wstawiajc wartoci liczbowe

otrzymujemy: P(S1000 > 150) = 1 P(S1000 150)
= 1 np,npq (150) =
150 1000
6
1 q
= 1 (1, 41) = (1, 41)
= 0, 9207, gdzie ostatnia liczba
51
1000 6 6
pochodzi z tablic rozkadu normalnego.
140 / 173
Przykad.
Jakie jest prawdopodobiestwo, e przy 1000 rzutach monet symetryczn rnica
midzy iloci reszek i orw bdzie wynosi co najmniej 100?
141 / 173
Przykad.
Podobnie jak poprzednio, ilo uzyskanych orw jest sum Sn , n = 1000,
niezalenych prb Bernoulliego o prawdopodobiestwie sukcesu p = 21 w
pojedynczej prbie.
141 / 173
Przykad.
Podobnie jak poprzednio, ilo uzyskanych orw jest sum Sn , n = 1000,
niezalenych prb Bernoulliego o prawdopodobiestwie sukcesu p = 21 w
pojedynczej prbie.
Chcemy obliczy P(|Sn (n Sn )| 100), czyli P(|Sn 500| 50).
Prawdopodobiestwo zdarzenia przeciwnego jest w bardzo duym przyblieniu
rwne:
FSn (550) FSn (450)
= 500, 510 (550) 500, 510 (450) =
2(3, 1622) 1
( 10) ( 10) = 2( 10) 1 =
= 0, 9984.
Interesujce wic nas prawdopodobiestwo wynosi w przyblieniu 0, 0016.
141 / 173
Przykad. (o liczbie analiz, c.d.)

142 / 173

wynosi m = E (X ) = 195.68. Pytanie: Czy liczba analiz moe przekroczy 300?
Stosujc Nierwno Czebyszewa stwierdzilimy, e: P(X 300) 0.0795.
142 / 173

wynosi m = E (X ) = 195.68. Pytanie: Czy liczba analiz moe przekroczy 300?
Stosujc Nierwno Czebyszewa stwierdzilimy, e: P(X 300) 0.0795.
Stosujc CTG moemy zaoy, e zmienna losowa X oznaczajca liczb analiz ma
rozkad normalny, N(m, ). Obliczylimy ju poprzednio: m =195.68, 2 = 865.
Mamy wic: P(X 300) = 1 P(X < 300) = 1 300m
=
1 0.999607712 = 0, 000392288.
142 / 173
Przykad. Wykonano 104 dodawa, z dokadnoci 108 w kadym. Jakim

bdem obarczona jest suma?
143 / 173

Zwrmy uwag, e tak postawiony problem nie ma sensu. W najbardziej
optymistycznym przypadku, gdy wszystkie dodawania byy dokadne, bd sumy
jest rwny zeru; w najgorszym wypadku wynosi on 104 108 = 104 .
143 / 173

Sformuowanie zadania. Znale taki przedzia, w ktrym bd sumy mieci si
z prawdopodobiestwem co najmniej 0, 99.
143 / 173

Oznaczajc bdy powstajce w kolejnych dodawaniach przez i , i = 1, . . . , 104 ,
widzimy, e bd sumy jest znowu sum Sn , n = 104 .
143 / 173

Poszukujemy takich liczb a, b, e P(Sn (a, b)) 0.99.
143 / 173

Zadanie moe mie wiele rozwiza. Jednak w tym przypadku rozsdne wydaje si
szukanie moliwie najmniejszego przedziau, symetrycznego wzgldem punktu 0.
143 / 173

Zadanie moe mie wiele rozwiza. Jednak w tym przypadku rozsdne wydaje si
szukanie moliwie najmniejszego przedziau, symetrycznego wzgldem punktu 0.
143 / 173
Szukamy takiej moliwie najmniejszej liczby > 0, e

P(|Sn | ) 0, 99.
144 / 173

P(|Sn | ) 0, 99.
Z zaoenia wiemy, e wszystkie zmienne losowe i maj taki sam rozkad
jednostajny na przedziale ( 21 108 , 12 108 ) i dlatego ich nadzieja matematyczna
1
108 .
m = 0, a odchylenie standardowe = 2
3
144 / 173

P(|Sn | ) 0, 99.
1
108 . Mamy wic
3
P(|Sn | ) = FS () FS ()
= 2() 1, gdzie = 2 3106 .
n
144 / 173

P(|Sn | ) 0, 99.
1
108 . Mamy wic
3
P(|Sn | ) = FSn () FSn ()

= 2() 1, gdzie = 2 3106 .
W tablicach znajdujemy, e najmniejszym speniajcym warunek
2() 1 0, 99 jest = 2.58. Std, = 0, 745 106 jest szukan przez nas
liczb.
144 / 173

P(|Sn | ) 0, 99.
1
108 . Mamy wic
3
P(|Sn | ) = FSn () FSn ()

= 2() 1, gdzie = 2 3106 .
liczb.
Zmniejszajc nasze dania co do pewnoci wyniku, moemy zwikszy jego
dokadno.
144 / 173

P(|Sn | ) 0, 99.
1
108 . Mamy wic
3
P(|Sn | ) = FSn () FSn ()

= 2() 1, gdzie = 2 3106 .
liczb.
Zmniejszajc nasze dania co do pewnoci wyniku, moemy zwikszy jego
dokadno. Gdybymy zadali, eby P(|Sn | ) 0, 9 (tylko 90% pewnoci
zamiast 99%), to powtarzajc poprzednie rachunki, mona stwierdzi, e szukana
liczba = 0, 372 106 .
144 / 173
Przykad.
Aby stwierdzi, jak wielu wyborcw popiera obecnie parti ABC, losujemy spord
nich reprezentatywn prbk i na niej przeprowadzamy badanie. Jak dua powinna
by ta prbka, aby uzyskany wynik rni si od rzeczywistego poparcia dla partii
ABC nie wicej ni o b = 3% z prawdopodobiestwem co najmniej 1 = 0, 95?
145 / 173
Przykad.
Niech p (0, 1) oznacza faktyczne (lecz nieznane) poparcie dla partii ABC . Jeeli
prbka skada si z n osb, z ktrych Sn wyrazio poparcie dla ABC , to liczba Snn
jest poparciem wyznaczonym na podstawie prbki. Moemy zaoy, e Sn jest
sum niezalenych zmiennych losowych i o rozkadzie: P(i = 0) = 1 p,
P(i = 1) = p.
145 / 173
Przykad.
P(i = 1) = p. Chcemy znale takie n, eby:

Sn

P p b 1 .
n
145 / 173
Przykad.

Sn

P p b 1 .
n
Poniewa rednia arytmetyczna Snn ma w przyblieniu rozkad normalny, wic
powysza nierwno jest (w przyblieniu) rwnowana nastpujcej nierwnoci:
!
b n
2 p
1 1 ,
p(1 p)
145 / 173
Przykad.

Sn

P p b 1 .
n
Poniewa rednia arytmetyczna Snn ma w przyblieniu rozkad normalny, wic
powysza nierwno jest (w przyblieniu) rwnowana nastpujcej nierwnoci:
!
b n
2 p
1 1 ,
p(1 p)
ktra jest z kolei rwnowana:
145 / 173
1 1
b
!2
(1 p)p.
146 / 173
1 1
b
!2
(1 p)p.
Chocia nie znamy p, wiemy, e (1 p)p 14 . W takim razie n speniajce

nierwno:
n
1 1
b
!2
0, 25
okrela wystarczajc wielko prbki.
146 / 173
1 1
b
!2
(1 p)p.

nierwno:
n
1 1
b
!2
0, 25

Podstawiajc b = 0, 03, = 0, 05, otrzymamy: n 1067.
146 / 173
1 1
b
!2
(1 p)p.

nierwno:
n
1 1
b
!2
0, 25

Podstawiajc b = 0, 03, = 0, 05, otrzymamy: n 1067.
Jeeli jeszcze przed losowaniem prbki mamy wstpne informacje o poparciu dla
partii ABC na przykad wiemy, e poparcie to jest mniejsze ni 20% moemy
powyszy wynik znacznie polepszy. Poniewa p 0, 2, wic (1 p)p 0, 16, co
oznacza, e n 683 jest wystarczajc wielkoci prbki.
146 / 173
Zbieno zmiennych losowych i rozkadw

Dany jest cig zmiennych losowych Xn : R, n = 1, 2, 3, . . . . Dana jest
zmienna losowa X : R.
Rozrniamy wiele rodzajw zbienoci Xn X , gdy n . W trakcie tego
kursu dyskutujemy:
1
2
3
Zbieno z prawdopodobiestwem 1.
Zbieno stochastyczna.
Zbieno wedug rozkadw.
147 / 173
Zbieno zmiennych losowych i rozkadw

Dany jest cig zmiennych losowych Xn : R, n = 1, 2, 3, . . . . Dana jest
zmienna losowa X : R.
Rozrniamy wiele rodzajw zbienoci Xn X , gdy n . W trakcie tego
kursu dyskutujemy:
1
2
3
Zbieno z prawdopodobiestwem 1.
Zbieno stochastyczna.
Zbieno wedug rozkadw.
Nie rozwaa si zbienoci punktowej zmiennych losowych!

Powd: Jeeli zmienn losow, powiedzmy X , zmienimy na zbiorze miary zero
otrzymujc zmienn, powiedzmy Y , to obydwie te zmienne maj taki sam
rozkad, wic z punktu widzenia rachunku prawdopodobiestwa s sobie rwne.
Jednak, gdy Xn X punktowo, to wtedy Xn nie moe by zbieny w niektrych
punktach do Y .
147 / 173
Zbieno z prawdopodobiestwem 1
1
Xn X
P({ : lim Xn () = X ()}) = 1.
n
Zbieno stochastyczna
s
Xn X
> 0 lim P(|Xn X | ) = 1.
n
> 0 lim P(|Xn X | ) = 0.

n
Zbieno wedug rozkadw

d
Xn X
a R, punktu cigoci FX , lim FXn (a) = FX (a).
n
148 / 173
Oglniej.
Niech Fn , n = 1, 2, 3, . . . , oraz F bd dystrybuantami.
Zbieno rozkadw.
d
Fn F
a R, punktu cigoci F , lim Fn (a) = F (a).
n
149 / 173
Oglniej.
Niech Fn , n = 1, 2, 3, . . . , oraz F bd dystrybuantami.
Zbieno rozkadw.
d
Fn F
a R, punktu cigoci F , lim Fn (a) = F (a).
n
Wtedy:
d
Xn X FXn FX .
149 / 173
Uwagi.
Sabe Prawo Wielkich Liczb.

Niech Xn bd niezalenymi zmiennymi losowymi o wsplnej nadziei
matematycznej m i wsplnie ograniczonych wariancjach. Niech
Sn s
Sn = X1 + + Xn . Wtedy
m.
n

Niech Xn bd niezalenymi zmiennymi losowymi o takim samym rozkadzie.
Niech m oznacza nadziej matematyczn, a odchylenie standardowe tego
Sn m
. Wtedy
rozkadu. Niech Zn =
n
d
FZn ,
gdzie jest dystrybuant rozkadu N(0, 1).
150 / 173
Przyblienie rozkadu dwumianowego rozkadem Poissona,

Niech liczby pn > 0 tworz taki cig, e:
lim npn = > 0.
. Wtedy:
d
FB(n,pn ) FP .
Dowd. Miech a bdzie punktem cigoci dystrybuanty rozkadu Poissona P .
Wtedy:

k
X
X
n k

=
lim
pn (1 pn )nk =
FP (a) =
e
n k
k!
ka
ka
X n
k
lim
pn (1 pn )nk = lim FB(n,pn ) (a).

k
n
n
ka
151 / 173
Porwnanie zbienoci
Twierdzenie
X1 , X2 , X3 , . . . , X zmienne losowe. Zachodz implikacje:
152 / 173
Porwnanie zbienoci
Twierdzenie
1
Xn X = Xn X .
152 / 173
Porwnanie zbienoci
Twierdzenie
1
Xn X = Xn X .
Xn X = Xn X .
152 / 173
Porwnanie zbienoci
Twierdzenie
1
Xn X = Xn X .
Xn X = Xn X .
Xn X , X c R = Xn X .
152 / 173
Porwnanie zbienoci
Twierdzenie
1
Xn X = Xn X .
Xn X = Xn X .
Dowd.
Ad 1. Niech A = { : Xn () X (), n }. Z zaoenia wiemy, e
P(A) = 1. Ustalmy > 0.
152 / 173
Porwnanie zbienoci
Twierdzenie
1
Xn X = Xn X .
Xn X = Xn X .
Dowd.
[
AN , gdzie
P(A) = 1. Ustalmy > 0. Wiemy, e A A , gdzie A =
N+1
AN = { : |Xn () X ()| < , dla n N}.
152 / 173
Porwnanie zbienoci
Twierdzenie
1
Xn X = Xn X .
Xn X = Xn X .
Dowd.
[
AN , gdzie
N+1
AN = { : |Xn () X ()| < , dla n N}. Zbiory AN tworz cig wstpujcy.
152 / 173
Porwnanie zbienoci
Twierdzenie
1
Xn X = Xn X .
Xn X = Xn X .
Dowd.
[
AN , gdzie
N+1
AN = { : |Xn () X ()| < , dla n N}. Zbiory AN tworz cig wstpujcy.

Mamy wic:
1 = P(A) P(A ) = lim P(AN ) lim P({ : |XN () X ()| < }).

N
152 / 173
Twierdzenie odwrotne do Twierdzenia 1 nie jest prawdziwe.
153 / 173

Przykad.
Niech (, , P) bdzie przestrzeni probabilistyczn tak, e = [0, 1], skada
si ze zbiorw borelowskich zawartych w odcinku [0, 1], a P jest miar Lebesguea
na tym odcinku. Rozwaamy cig zmiennych losowych X11 , X21 , X22 , X31 , . . . ,
zdefiniowanych na w sposb nastpujcy:
l
1, dla l1
k < k
Xkl () =
0, dla pozostaych ,
gdzie k = 1, 2, 3, . . . , l = 1, . . . k.
153 / 173

Przykad.
l
1, dla l1
k < k
Xkl () =
0, dla pozostaych ,
gdzie k = 1, 2, 3, . . . , l = 1, . . . k.
Dla dowolnego 0 < < 1 widzimy, e P(|Xkl | ) = k1 . Tak wic nasz cig jest
zbieny stochastycznie do 0.
153 / 173

Przykad.
l
1, dla l1
k < k
Xkl () =
0, dla pozostaych ,
gdzie k = 1, 2, 3, . . . , l = 1, . . . k.
Dla dowolnego 0 < < 1 widzimy, e P(|Xkl | ) = k1 . Tak wic nasz cig jest
zbieny stochastycznie do 0.
Dla kadego ustalonego cig Xkl () zawiera nieskoczenie wiele zer i
nieskoczenie wiele jedynek, wic nie jest cigiem zbienym. Tym bardziej cig Xkl
nie jest zbieny prawie wszdzie do adnej granicy.
153 / 173
Ad 2. Niech x bdzie punktem cigoci dystrybuanty FX i niech > 0 bdzie

ustalone.
154 / 173

ustalone. Dla kadego n zachodz dwie oczywiste inkluzje
{X x } {|Xn X | } {Xn x}
oraz
{Xn x} {|Xn X | } {X x + }.
154 / 173

{X x } {|Xn X | } {Xn x}
oraz
{Xn x} {|Xn X | } {X x + }.
To oznacza, e
FX (x ) P({|Xn X | }) + FXn (x) 2P({|Xn X | }) + FX (x + ).
154 / 173

{X x } {|Xn X | } {Xn x}
oraz
{Xn x} {|Xn X | } {X x + }.
To oznacza, e
Poniewa P({|Xn X | }) 0, dla n , wic dla kadego > 0 mamy
FX (x ) lim inf FXn (x) lim sup FXn (x) FX (x + ).
n
154 / 173

{X x } {|Xn X | } {Xn x}
oraz
{Xn x} {|Xn X | } {X x + }.
To oznacza, e
Poniewa P({|Xn X | }) 0, dla n , wic dla kadego > 0 mamy
FX (x ) lim inf FXn (x) lim sup FXn (x) FX (x + ).
n
Przechodzc z do zera i korzystajc z cigoci FX w punkcie x otrzymujemy w

powyszym wzorze same rwnoci, co oznacza istnienie granicy i rwno
limn FXn (x) = FX (x).
154 / 173
155 / 173

Przykad.
Niech X oraz Y bd dwiema niezalenymi prbami Bernoulliego o
prawdopodobiestwie sukcesu 12 kada. Cig Xn = X ma w sposb trywialny
dystrybuanty zbiene do dystrybuanty FY .
155 / 173

Przykad.
Z drugiej strony, z niezalenoci zmiennych losowych X oraz Y ,
P(|Xn Y | 1) = 12 , wic Xn nie s zbiene stochastycznie do Y .
155 / 173

Przykad.
Ad 3. Dystrybuanta rozkadu skupionego w jednym punkcie c jest nieciga tylko
w punkcie c.
155 / 173

Przykad.
Ad 3. Dystrybuanta rozkadu skupionego w jednym punkcie c jest nieciga tylko
w punkcie c. Wemy dwa punkty cigoci dystrybuanty FX , mianowicie punkty
c oraz c + , gdzie > 0. Dostajemy
P({|Xn c| }) = P(c Xn c + ) P(c < Xn c + ) =
FXn (c + ) FXn (c ) 1 0 = 1,
co oznacza, e dla kadego > 0 mamy limn P({|Xn c| }) = 1, a to daje
stochastyczn zbieno Xn do c.
155 / 173
Mocne prawa wielkich liczb
Nierwno Komogorowa
Niech X1 , X2 , X3 , . . . bd niezalenymi zmiennymi losowymi, E (Xi ) R, dla
i = 1, 2, 3, . . . . Ustalmy > 0. Wtedy

D 2 (Sn )
.
n 1 P max |Sk E (Sk )|
1kn
2
Uwaga.
Z Nierwnoci Czebyszewa wynika istotnie mniej, mianowicie:

P (|Sn E (Sn )| )
D 2 (Sn )
.
2
156 / 173
Definiujemy zdarzenia: A = { max |Sk | } oraz

1kn
Ak = {|Si | < , i = 1, 2, , . . . , k 1, |Sk | }.
157 / 173

1kn
Ak = {|Si | < , i = 1, 2, , . . . , k 1, |Sk | }.

n
[
Wida, e: A =
Ak , oraz Ai Aj = dla i 6= j.
k=1
157 / 173

1kn
Ak = {|Si | < , i = 1, 2, , . . . , k 1, |Sk | }.

n
[
Wida, e: A =
k=1
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak
157 / 173

1kn
Ak = {|Si | < , i = 1, 2, , . . . , k 1, |Sk | }.

n
[
Wida, e: A =
k=1
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak
Ale Sn = Sk + Yk .
157 / 173

1kn
Ak = {|Si | < , i = 1, 2, , . . . , k 1, |Sk | }.

n
[
Wida, e: A =
k=1
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak
Ale Sn = Sk + YZk . Zauwamy najpierw, e::

Z
Sk Yk dP =
IAk Sk Yk dP = E (IAk Sk Yk ) = E (IAk Sk ) E (Yk ) = 0, gdy
Ak
zmienne losowe IAk Sk oraz Yk s niezalene jako funkcje wektorw niezalenych.
157 / 173

1kn
Ak = {|Si | < , i = 1, 2, , . . . , k 1, |Sk | }.

n
[
Wida, e: A =
k=1
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak

Z
Sk Yk dP =
Ak

Z
Z
Z
Z
Z
2
2
2
Sn dP =
(Sk + Yk ) dP =
Sk dP + 2
Sk Yk dP +
Yk2 dP
Ak
Ak
Ak
Ak
ZAk
Sk2 dP P(Ak )2 , z okrelenia zdarzenia Ak .
Ak
157 / 173

1kn
Ak = {|Si | < , i = 1, 2, , . . . , k 1, |Sk | }.

n
[
Wida, e: A =
k=1
Szacujemy:
Z
Z
n Z
X
D 2 (Sn ) =
Sn2 dP
Sn2 dP =
k=1
Sn2 dP.
Ak

Z
Sk Yk dP =
Ak

Z
Z
Z
Z
Z
2
2
2
Sn dP =
(Sk + Yk ) dP =
Sk dP + 2
Sk Yk dP +
Yk2 dP
Ak
Ak
Ak
Ak
ZAk
Sk2 dP P(Ak )2 , z okrelenia zdarzenia Ak .
Ak
Ostatecznie: D 2 (Sn )
n
X
P(Ak )2 = P(A)2 .
k=1
157 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych zmiennych losowych, takich, e:
D ( Xi ) < .
i=1
Wtedy
X
(Xi E (Xi ))
i=1
jest zbieny z prawdopodobiestwem 1.
158 / 173
Twierdzenie
Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych zmiennych losowych, takich, e:
D ( Xi ) < .
i=1
Wtedy
X
(Xi E (Xi ))
i=1

Dowd. . Korzystajc z warunku Cauchyego zbienoci szeregu chcemy
pokaza, e:
\[ \
P
{ : |Sk () Sl ()| < } = 1.
>0 N k,lN
158 / 173
Wystarczy wic pokaza, e:
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
159 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
Oznaczmy:
\
AN, =
k,lN
{|Sk Sl | < }, BN, =
{|SN+k SN | < }.
k1
159 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
Oznaczmy:
\
AN, =
k,lN
{|Sk Sl | < }, BN, =
{|SN+k SN | < }.
k1
Poniewa |Sk Sl | |Sk SN | + |Sl SN |, to BN, 2 AN, .
159 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
Oznaczmy:
\
AN, =
{|Sk Sl | < }, BN, =
k,lN
{|SN+k SN | < }.
k1

Wystarczy wic wykaza, e:
> 0
lim P(BN, ) = 1.
159 / 173
> 0 P
[ \
|Sk Sl | < = 1.
N k,lN
Oznaczmy:
\
AN, =
{|Sk Sl | < }, BN, =
k,lN
{|SN+k SN | < }.
k1

Wystarczy wic wykaza, e:
> 0
lim P(BN, ) = 1.
Ustalmy > 0 oraz N <!M. Teraz, z Nierwnoci Komogorowa:

M
[
D 2 (SM SN )
P
|SN+k SN | = P( max |SN+k SN | )
.
1kM
2
k=1
159 / 173
Inaczej:
!
M
M
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
160 / 173
Inaczej:
!
M
M
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
Niech M . Wtedy lewa

! strona ma granic (cig zbiorwwstpujcyh)
[
1 X
P
|SN+k SN | , a prawa strona ma granic 2
D 2 (Xk ). Zachodzi
k=1
k=N+1
wic te nierwno:
!
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
160 / 173
Inaczej:
!
M
M
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1

[
1 X
P
D 2 (Xk ). Zachodzi
k=1
k=N+1
wic te nierwno:
!
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
Niech N . Wtedy prawa strona, a wic i lewa strona d do zera.
160 / 173
Inaczej:
!
M
M
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1

[
1 X
P
D 2 (Xk ). Zachodzi
k=1
k=N+1
wic te nierwno:
!
[
1 X
P
|SN+k SN | 2
D 2 (Xk ).
k=1
k=N+1
Niech N . Wtedy prawa strona, a wic i lewa strona d do zera.
[
Poniewa \ BN, =
{|SN+k SN | }, otrzymujemy dan tez:
k=1
> 0
lim P(BN, ) = 1.
160 / 173
Przykad.
Zbadamy zbieno szeregu
X
an
n=1
, gdzie an s niezalenymi zmiennymi losowymi
o wsplnym rozkadzie: P(an = 1) = 12 , P(An = 1) = 12 .
161 / 173
Przykad.
Zbadamy zbieno szeregu
X
an
n=1
, gdzie an s niezalenymi zmiennymi losowymi
o wsplnym rozkadzie: P(an = 1) = 12 , P(An = 1) = 12 .
a
X
1

2
n
Poniewa D 2 ann = D n(a2 n ) = n42 , to szereg
D2
jest zbieny. Z
n
n=1
X
an
powyszego twierdzenia wynika, e
n
n=1
161 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
162 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
Dowd.
Niech > 0. Istnieje takie n1 , e dla n n1 |xn x| < 2 .
162 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
Dowd.
Pn1
|xi x| < 2 .
Istnieje takie n0 > n1 , e dla n n0 n1 i=1
162 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
Dowd.
Pn1
|xi x| < 2 .
Niech n n0 .
162 / 173
Lemat Toeplitza
{xn }
n=1 R, x R.
lim xn = x =
1X
xi = x.
n
i=1
Dowd.
Pn1
|xi x| < 2 .
Niech n n0 .

n1
n
n
1 X
1X
1 X
n n1

|xi x| +
xi x
|xi x| +

n
n
n
2
n 2
i=1
i=1
i=n1 +1
162 / 173
Lemat Kroneckera
{xn }
n=1 R,
n
1X
ixi = 0.
n n
xi zbieny. = lim
i=1
i=1
163 / 173
Lemat Kroneckera
{xn }
n=1 R,
n
1X
ixi = 0.
n n
xi zbieny. = lim
i=1
i=1
Dowd.
Oznaczmy: s0 = 0, sn = x1 + + xn . Wtedy.
n
X
ixi = s1 s0 + 2(s2 s1 ) + + n(sn sn1 ) =
i=1
s0 s1 s2 sn1 + sn =
n
X
si1 + nsn .
i=1
163 / 173
Lemat Kroneckera
{xn }
n=1 R,
n
1X
ixi = 0.
n n
xi zbieny. = lim
i=1
i=1
Dowd.
Oznaczmy: s0 = 0, sn = x1 + + xn . Wtedy.
n
X
ixi = s1 s0 + 2(s2 s1 ) + + n(sn sn1 ) =
i=1
s0 s1 s2 sn1 + sn =
n
X
si1 + nsn .
i=1
Niech s =
xi . Z Lematu Toeplitza:
i=1
n
n
1X
1X
ixi =
si1 + sn s s = 0.
n
n
i=1
.
i=1
163 / 173
Mocne Prawo Wielkich Liczb

Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych zmiennych losowych.
Niech Sn = X1 + X2 + . . . + Xn .
X
D 2 (Xn )
Niech szereg
bdzie zbieny.
n2
n=1
Wtedy:
Sn E (Sn ) 1
0.
n
164 / 173

Niech Sn = X1 + X2 + . . . + Xn .
X
D 2 (Xn )
Niech szereg
bdzie zbieny.
n2
n=1
Wtedy:
Sn E (Sn ) 1
0.
n
Dowd.
Korzystamy z twierdzenia o zbienoci szeregu oraz z Lematu Kroneckera.
X

X
Xi
Xi E (Xi )
2
2
=
D
jest zbieny, wic szereg
Poniewa szereg
D
i
i
i=1
i=1
X
Xi E (Xi )
i
i=1
164 / 173

Niech Sn = X1 + X2 + . . . + Xn .
X
D 2 (Xn )
Niech szereg
bdzie zbieny.
n2
n=1
Wtedy:
Sn E (Sn ) 1
0.
n
Dowd.
Korzystamy z twierdzenia o zbienoci szeregu oraz z Lematu Kroneckera.
X

X
Xi
Xi E (Xi )
2
2
=
D
jest zbieny, wic szereg
Poniewa szereg
D
i
i
i=1
i=1
X
Xi E (Xi )
i
i=1
Ale w takim razie:
n
Sn E (Sn )
1 X Xi E (Xi ) 1
=
i
0
n
n
i
i=1
164 / 173
Zaoenie o wariancjach mona opuci, gdy si zaoy, e wszystkie zmienne

losowe maj ten sam rozkad, czyli s i.i.d (independent, identically distributed)
165 / 173

Mocne Prawo Wielkich Liczb dla i.i.d.

Niech X1 , X2 , X3 , . . . bdzie cigiem niezalenych zmiennych losowych o tym
samym rozkadzie i skoczonej wartoci oczekiwanej m.
Niech Sn = X1 + X2 + . . . + Xn .
Wtedy
Sn 1
m.
n
165 / 173


Niech Sn = X1 + X2 + . . . + Xn .
Wtedy
Sn 1
m.
n
Dowd polega na zastpieniu cigu {Xn } innym cigiem, ktry spenia zaoenia
poprzedniego twierdzenia, ale ma rednie tak samo zbiene jak rednie {Xn }.
165 / 173


Niech Sn = X1 + X2 + . . . + Xn .
Wtedy
Sn 1
m.
n
Dowd polega na zastpieniu cigu {Xn } innym cigiem, ktry spenia zaoenia
poprzedniego twierdzenia, ale ma rednie tak samo zbiene jak rednie {Xn }.
Wykaemy najpierw dwa lematy.
165 / 173
Niech (, , P) bdzie przestrzeni probabilistyczn, A1 , A2 , A3 , .

Interesuje nas zbir:
[
\
A=
Ai .
n=0 i=n
Zauwamy, e:
A naley do nieskoczenie wielu spord zdarze Ai .
Lemat Borela-Cantellego
(1) Jeeli
P(Ai ) < , to P(A) = 0.
i=1
166 / 173
Niech (, , P) bdzie przestrzeni probabilistyczn, A1 , A2 , A3 , .

Interesuje nas zbir:
[
\
A=
Ai .
n=0 i=n
Zauwamy, e:
A naley do nieskoczenie wielu spord zdarze Ai .
Lemat Borela-Cantellego
(1) Jeeli
P(Ai ) < , to P(A) = 0.
i=1
(2) Jeeli
P(Ai ) = oraz A1 , A2 , A3 , . . . s niezalene, to P(A) = 1.
i=1
166 / 173
Dowd.
Ad 1. Dla kadego n P(A) P
[
i=n
!
Ai
P(Ai ).
i=n
167 / 173
Dowd.
Poniewa jednak szereg
[
i=n
!
Ai
P(Ai ).
i=n
P(Ai ) jest zbieny, to jego
i=1
X
kocwka
P(Ai ) 0, gdy n . Std P(A) = 0.
i=n
167 / 173
Dowd.
!
Ai
i=n
P(Ai ).
i=n
i=1
X
kocwka
P(Ai ) 0, gdy n . Std P(A) = 0.
i=n
Ad 2. Zauwamy najpierw e korzystajc z zaoenia o niezalenoci oraz ze

standardowej nierwnoci 1 + x e x , x R, otrzymujemy dla wszystkich n < m:
!
m
m
m
m
Pm
\
Y
Y
Y
P
( \ Ai ) =
P( \ Ai ) =
(1 P(Ai ))
e P(Ai ) = e i=n P(Ai ) .
i=n
i=n
i=n
i=n
167 / 173
Dowd.
!
Ai
i=n
P(Ai ).
i=n
i=1
X
kocwka
P(Ai ) 0, gdy n . Std P(A) = 0.
i=n
Ad 2. Zauwamy najpierw e korzystajc z zaoenia o niezalenoci oraz ze

standardowej nierwnoci 1 + x e x , x R, otrzymujemy dla wszystkich n < m:
!
m
m
m
m
Pm
\
Y
Y
Y
P
( \ Ai ) =
P( \ Ai ) =
(1 P(Ai ))
e P(Ai ) = e i=n P(Ai ) .
i=n
Poniewa szereg
i=n
i=n
i=n
P(Ai ) jest rozbieny, wic dla kadego ustalonego n:
i=1
167 / 173
!
( \ Ai )
i=n
= lim P
m
m
\
i=n
!
( \ Ai )
lim e
m
Pm
i=n
P(Ai )
= 0.
168 / 173
!
( \ Ai )
= lim P
m
i=n
m
\
!
( \ Ai )
i=n
lim e
Pm
i=n
P(Ai )
= 0.
i std kolejno:
P
[
i=n
!
Ai
=1
oraz P
!
Ai
= 1.
n=1 i=n
168 / 173
!
( \ Ai )
= lim P
m
i=n
m
\
!
( \ Ai )
lim e
Pm
i=n
i=n
P(Ai )
= 0.
i std kolejno:
P
[
i=n
!
Ai
=1
oraz P
!
Ai
= 1.
n=1 i=n
Lemat o szacowaniu
Niech Y bdzie zmienn losow nieujemn, czyli P(Y 0) = 1. Wtedy
X
n=1
P(Y n) E (Y ) 1 +
P(Y n).
n=1
168 / 173
Dowd.
Udowodnimy pierwsz nierwno. Dowd drugiej (w). Mamy kolejno:
P(Y n) =
n=1
169 / 173
Dowd.
X
n=1
P(Y n) =
P(k Y < k + 1) =
n=1 k=n
169 / 173
Dowd.
X
n=1
X
k
X
P(Y n) =
P(k Y < k + 1) =
n=1 k=n
P(k Y < k + 1)
k=1 n=1
169 / 173
Dowd.
X
n=1
X
k
X
k=1 n=1
P(Y n) =
P(k Y < k + 1) =
n=1 k=n
P(k Y < k + 1) =
kP(k Y < k + 1) =
k=1
169 / 173
Dowd.
P(Y n) =
P(k Y < k + 1) =
k=1 n=1
Z
X
k=0
P(k Y < k + 1) =
n=1 k=n
n=1
X
k
X
kP(k Y < k + 1) =
k=1
k dP
{kY <k+1}
169 / 173
Dowd.
P(Y n) =
n=1
X
k
X
P(k Y < k + 1) =
n=1 k=n
P(k Y < k + 1) =
k=1 n=1
Z
X
k=0
{kY <k+1}
kP(k Y < k + 1) =
k=1
k dP
Z
X
k=0
Y dP = E (Y ).
{kY <k+1}
169 / 173
Przypomnienie:

Niech Sn = X1 + X2 + . . . + Xn .
Wtedy
Sn 1
m.
n
170 / 173
Przypomnienie:

Niech Sn = X1 + X2 + . . . + Xn .
Wtedy
Sn 1
m.
n
Dowd. Definiujemy nowe zmienne losowe:
Xn , gdy |Xn | < n

Yn =
0,
gdy |Xn | n
Wykaemy najpierw, e cig {Yn } spenia zaoenia Mocnego Prawa Wielkich
Liczb. Zauwamy najpierw, e: Yn = I{|Xn |<n} Xn gdzie IA oznacza funkcj
charakterystyczn (indykator) zbioru A. W zwizku z tym zmienne losowe Yn s
niezalene jako funkcje zmiennych losowych niezalenych.
170 / 173
Wykaemy, e
X
D 2 (Yn )
n=1
n2
< .
171 / 173
Wykaemy, e
X
D 2 (Yn )
n=1
n2
< .
Mamy kolejno:
X
D 2 (Yn )
n=1
n2
X
E 2 (Yn )
n=1
n2
X
1
E (I{|Xn |<n} Xn2 ) =
2
n
n=1
n
X
X
1
1 X
2
E
(I
X
)
=
E (I{k1|X1 |<k} X12 ) =
{|X1 |<n}
1
2
2
n
n
n=1
n=1
k=1
E (I{k1|X1 |<k}
X12 )
k=1
X
k=1
X
1
n2
n=k
1
1
E (I{k1|X1 |<k} |X1 |) k ( + 2 )
k k
2E (I{k1|X1 |<k} = 2E (|X1 |) < .
k=1
Skorzystalimy tutaj z nierwnoci:
X
1
1
1
1
1
1
2+
+
+ = 2 + .
n2
k
k(k + 1) (k + 1)(k + 2)
k
k
n=k
171 / 173
Wykazalimy wic zmienne losowe YN speniaj Mocne Prawo Wielkich Liczb.

Czyli:
Pn
Pn
i=1 E (Yi ) 1
i=1 Yi
0.
(MPL)
n
172 / 173

Czyli:
Pn
Pn
i=1 E (Yi ) 1
i=1 Yi
0.
(MPL)
n
Niech An = {Xn 6= Yn }. Oczywicie An {|Xn | n}. Mamy wic:
P(An )
n=1
X
n=1
P(|Xn | n) =
P(|X1 | n) E (|X1 |) < .
n=1
172 / 173

Czyli:
Pn
Pn
i=1 E (Yi ) 1
i=1 Yi
0.
(MPL)
n
P(An )
n=1
P(|Xn | n) =
n=1
P(|X1 | n) E (|X1 |) < .
n=1
Z Lematu Borela-Cantellego P
!
Ai
= 0.
n=0 i=n
172 / 173

Czyli:
Pn
Pn
i=1 E (Yi ) 1
i=1 Yi
0.
(MPL)
n
P(An )
n=1
P(|Xn | n) =
n=1
P(|X1 | n) E (|X1 |) < .
n=1
Z Lematu Borela-Cantellego P
!
Ai
= 0. Czyli
n=0 i=n
!
{Xi = Yi }
= 1. Inaczej: P(Xi = Yi , dla prawie wszystkich i) = 1.
n=0 i=n
W szczeglnoci:
Pn
Pn
Yi 1
i=1 Xi
(B-C)
0.
i=1
n
n
172 / 173
Zauwamy te, e:
n
1X
(L+T)
E (Yi ) m.
n
i=1
Rzeczywicie, korzystajc z Twierdzenia Lebesguea wiemy, e
E (I{|X1 |<i} X1 ) m, gdy i . Mamy wic
n
n
n
1X
1X
1X
E (Yi ) =
E (I{|Xi |<i} Xi ) =
E (I{|X1 |<i} X1 ) m,
n
n
n
i=1
i=1
i=1
co wynika z Lematu Toeplitza.
173 / 173
Zauwamy te, e:
n
1X
(L+T)
E (Yi ) m.
n
i=1
Rzeczywicie, korzystajc z Twierdzenia Lebesguea wiemy, e
E (I{|X1 |<i} X1 ) m, gdy i . Mamy wic
n
n
n
1X
1X
1X
E (Yi ) =
E (I{|Xi |<i} Xi ) =
E (I{|X1 |<i} X1 ) m,
n
n
n
i=1
i=1
i=1
co wynika z Lematu Toeplitza.
Wykorzystujc kolejno (B-C), (MPL) oraz (L+T), mamy:
Pn
i=1
Xi
Pn
=
i=1
Xi
Pn
i=1
Yi
Pn
+
i=1
Yi
Pn
i=1
E (Yi )
n
1X
E (Yi )
n
i=1
0 + 0 + m = m.
173 / 173

Jerzy Ombach - Rachunek Prawdopodobieństwa I

Uploaded by

Document Information

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

Jerzy Ombach - Rachunek Prawdopodobieństwa I

Uploaded by

Copyright:

Available Formats

Rachunek prawdopodobiestwa I

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

jeeli zbiory A1 , A2 , A3 , s parami rozczne, to:

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

jeeli zbiory A1 , A2 , A3 , s parami rozczne, to:

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Rodzina speniajca warunki 1 - 3 -algebra,

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Rodzina speniajca warunki 1 - 3 -algebra,

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Rodzina speniajca warunki 1 - 3 -algebra,

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Rodzina speniajca warunki 1 - 3 -algebra,

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Rodzina speniajca warunki 1 - 3 -algebra,

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Rodzina speniajca warunki 1 - 3 -algebra,

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Rodzina speniajca warunki 1 - 3 -algebra,

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Rodzina speniajca warunki 1 - 3 -algebra,

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

jeeli Ai Aj = dla i 6= j, to: P(

Jerzy Ombach (IM UJ)

Ai ), gdzie Ai = dla i > n.

Rachunek prawdopodobiestwa I 2015-2016

jeeli A i B s takimi zdarzeniami, e A B, to:

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

jeeli A i B s takimi zdarzeniami, e A B, to:

dla kadego zdarzenia A:

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

jeeli A i B s takimi zdarzeniami, e A B, to:

dla kadego zdarzenia A:

jeeli A i B s takimi zdarzeniami, e A B, to:

Jerzy Ombach (IM UJ)

Rachunek prawdopodobiestwa I 2015-2016

jeeli A i B s takimi zdarzeniami, e A B, to:

dla kadego zdarzenia A:

jeeli A i B s takimi zdarzeniami, e A B, to:

dla dowolnych zdarze A i B:

Rachunek prawdopodobiestwa I 2015-2016

Wasnoci cigw zdarze:

dla dowolnych zdarze A1 , A2 , A3 , . . . :

Bi suma zbiorw rozcznych, gdzie

Jerzy Ombach (IM UJ)