Professional Documents
Culture Documents
I Vihik
I Vihik
I Vihik
Füüsika Instituut
TÕENÄOSUSTEOORIA JA STATISTIKA
I vihik
LOENGUKONSPEKT
Rein Rõõm
TARTU 2010
Sissejuhatus .................................................................................................................................3
Sissejuhatus
Näide.
Täringu viskamisel silmade 1, 2, 3, 4, 5 või 6 saamine on juhuslik nähtus (eeldusel, et täring
on korrapärane ja valmistatud homogeensest materjalist).
Paljudel nähtustel on korduv iseloom, mis on korduvalt realiseeritavate põhjuste (tingimuste)
tagajärg. Niisuguste korduvate nähtuste kohta võib kujuneda teatud ―objektiivne‖ ettekujutus
nende juhuslikkuse või võimalikkuse kohta. Osutub, korduvaid juhuslikke nähtusi
iseloomustavad seaduspärasused, mis ei ole juhuslikud. Selliseid seaduspärasusi nimetatakse
tõenäosuslikeks.
3
Sissejuhatus
Näide.
Tööpingil ühesugustel tingimustel toodetud detailide mõõtmed (pikkus, laius, diameeter) on
üldiselt erinevad, kuid nende mõõtmete arvväärtused kõiguvad väikeses vahemikus, erinedes
küllalt vähe mingist keskmisest. Kõikumistel on küll juhuslik iseloom, kuid suurtes partiides
on erinevate partiide detailide mõõtmete aritmeetilised keskmised ligikaudu võrdsed. Enamgi
– mõõtmete hälbed aritmeetilistest keskmistest erinevates partiides on peaaegu ühesuguse
sagedusega.
Juhuslikes suurustes või nähtustes ilmnevaid mittejuhuslikke seaduspärasusi uurib, põhjendab ja
selgitab tõenäosusteooria. Juhuslike suuruste tõenäosuslike seaduspärasuste eksperimentaalse
uurimisega ja põhjendamisega tegeleb matemaatiline statistika. Kui tõenäosusteooria tegeleb
peaasjalikult juhuslike sündmuste ja juhuslike suuruste analüüsiga, keskendudes tõenäosustele,
jaotusfunktsioonidele ja juhulike suuruste arvkarakteristikute uurimisele, siis matemaatilise
statistika eesmärgiks on korduvatel mõõtmistel või vaatlustel saadud andmete tõenäosuslik--
statistiliste seaduspärasuste väljaselgitamise ja põhjendamise. Selleks kasutab matemaatiline
statistika nn. suurte arvude seadusi – seaduspärasusi, mis ilmnevad väga suure arvu ühesugustes
tingimustes toimuvate sõltumatute katsete keskmistamisel. Suurte arvude seaduste kehtivust
tõestatakse omakorda tõenäosusteooria meetodite ja vahenditega.
Kasulik on külastada vahetevahel definitsioonide asjus ka Wikipedia-t.
Tõenäosusteooria kohta on seal öeldud:
Probability theory is the branch of mathematics concerned with analysis of random
phenomena.[1] The central objects of probability theory are random variables, stochastic
processes, and events: mathematical abstractions of non-deterministic events or measured
quantities that may either be single occurrences or evolve over time in an apparently random
fashion. Although an individual coin toss or the roll of a die is a random event, if repeated many
times the sequence of random events will exhibit certain statistical patterns, which can be studied
and predicted. Two representative mathematical results describing such patterns are the law of
large numbers and the central limit theorem.
Statistics deals with gaining information from data. In practice, data often contain some
randomness or uncertainty. Statistics handles such data using methods of probability theory.
4
Sissejuhatus
Tõenäosusteooria kui rakendusmatemaatika haru tekkis 15. ja 16. sajandil ja arenes sõltuvalt
praktika vajadustest. Tõenäosusteooria oma arengu algstaadiumis oli seotud majanduslike
ülesannetega (näiteks elukindlustus, mis on seotud niisuguste nähtustega nagu haigestumus,
suremus) ja hasartmängudega. Tõenäosusteooria arengut stimuleeris praktiliste ja teaduslike
probleemide hulk, mis omakorda põhinesid vaatlusandmetel ja teoreetilistel üldistustel.
Tänapäeval on tõenäosuse mõiste, tõenäosuslik-teoreetiline meetod, levinud mitte ainult
majanduses, tööstuses ja tehnikaaladel, vaid ka rida täppisteadusi rajaneb tõenäosuslik-
teoreetilistel alustel. Näitena olgu nimetatud termodünaamika (statistiline füüsika) ja kogu
mikrofüüsika alustades kvantmehaanikaga.
5
1. JUHUSLIKUD SÜNDMUSED
1.1. Sündmuste liigitamine
Iga teadusharu põhineb teatud arvul põhimõistetel, mille abil antakse teooria loogiline ülesehitus,
s.t määratakse keerukamad mõisted. Tõenäosusteoorias on esimesteks niisugusteks mõisteteks
katse (eksperiment) ja sündmus. Neid ei defineerita, vaid selgitatakse näidetega.
Tõenäosusteooria baaskontseptsioonideks on katse ja sündmus .
Katse all mõistame teatud tingimuste kompleksi realiseerumist, mille tulemusena võivad
toimuda mingid sündmused. Tingimused võivad olla loodud kunstlikult (tahtlikult), või nad
eksisteerivad sõltumatult eksperimentaatorist. Võime öelda ka, et katse on niisugune olukord või
seisund, mille tulemusena võivad toimuda mingid sündmused.
Katse ~ eksperiment ~ vaatlus
Sõltuvalt sündmuse sisust kasutame nimetuse katse asemel veel nimetusi eksperiment või
vaatlus.
Sündmus - fakt või ilming, mis leiab aset katses.
Niisiis katse tulemusena toimuvad teatavad (aimatavad) sündmused. Katse on määratletud, kui
on teada katse tingimused ja oodatavate sündmuste hulk. Katse võib olla korraldatud kindla
eesmärgi suunitlusega, planeerimisega, aga ka passiivse vaatlusena, lihtsalt andmete
registreerimisega. Rõhutame veel, et katse ei tarvitse olla korraldatud inimese poolt; katse võib
kulgeda sõltumatult inimesest. Siinjuures on inimene ainult vaatleja osas või toimuva
registreerija.
Katse tulemusel toimuv sündmus võib olla deterministlik (ette määratud) või juhulik.
Deterministlik sündmus : korduval katsel on tulemus alati üks ja seesama sündmus.
Juhuslik sündmus: korduval (ühesugusel) katsel on sündmus iga kord erinev.
Tähistame sündmusi ladina tähestiku suurtähtedega, varustades neid vajaduse korral indeksitega:
A, B,....... A1 , B1 jne.
Juhuslikuks sündmuseks nimetatakse sündmust, mis katsel võib toimuda või mitte, kusjuures
varem ei ole teada, kas sündmus toimub. Juhusliku sündmuse toimumine on küll võimalik, kuid
selle reaalne toimumine sõltub mitmetest omavahel seotud või sõltumatutest põhjustest.
6
Näide 2. Valime Tartu elanikest juhuslikult suvalise esindaja. Juhuslikuks sündmuseks on
meesterahva/naisterahva saamine, aga samuti vanema/noorema kui 35 aastat inimese saamine.
Näide 3. Koosnegu toodang n seadmest. Seadme kvaliteedi kontrollimine olgu aga niisugune,
et selle tulemusel seade hävib. Et mitte hävitada kogu toodangut, valitakse m seadet m n
ja kontrollitakse neid. Katse tulemuseks saame defektsete seadmete arvu. Siit võib juba teha
järeldusi toodangu kohta.
Tõenäosusteoorias on eriline koht kahel sündmusel, mida nimetame edaspidi kindel sündmus ja
võimatu sündmus.
Kindel Sündmus
Kindlaks sündmuseks nimetatakse sündmust, mis katse tulemusena alati toimub.
Näiteks kindlateks sündmusteks on:
visatud kivi kukub alati maa peale tagasi;
iga elusolend hukub temperatuuril 1000 C.
Võimatu sündmus .
Võimatu sündmus on sündmus, mis vaadeldava katse tulemusena kunagi ei toimu.
7
Esimese seose korral võime öelda ka nii – kuna sündmus toimub alati, siis toimub ta ka
juhul, kui on toimunud sündmus A , teise seose korral – kuna sündmus ei toimu kunagi, siis
võib öelda, et juhul, kui võimatu sündmus toimub, toimub mis tahes sündmus.
Sündmusi A ja B nimetatakse võrdseteks või samasteks või identseteks (ekvivalentseteks),
kui kehtivad seosed
A B, B A
ja sel korral kirjutatakse A B.
Joonis 2.1
Joonis 2.2
1
John Venn (1834–1923), inglise matemaatik ja loogik
8
1.3. Tehted sündmustega
Kehtivad seosed
A A A, A A, A .
Definitsioonidest järeldub, et sündmuste summa ja korrutis on kommutatiivsed, s.o
A B B A,
A B B A.
Sündmuste Ak (k 1, 2,..., n) summaks nimetatakse sündmust
n n
Ak ,
k 1
Alternatiivne tähistus:
k 1
Ak
,
9
mis seisneb kõigi nende sündmuste toimumises.
Märgime, et kasutatakse ka lühendatud tähistusi
A ,
k
k A .
k
k
Kehtivad seosed
A \ , A \ A, \ A .
Vahet \ A nimetatakse sündmuse A vastandsündmuseks ja tähistatakse
A \ A,
mis on kujutatud joonisel 2.4. Definitsioonist järeldub, et kui toimub sündmus A, siis ei toimu
sündmust A.
Kehtivad seosed
, ,
10
( A ) A, A A , A A .
Olgu märgitud, et sündmuste vahe võib defineerida ka võrdusega
A\ B A B .
Mitmed tehted avalduvad teiste tehete kaudu.
Näide 1
A B ( A \ B) ( A B) ( B \ A) .
Milline joonis illustreerib seda näidet?
Kasutades vaadeldud tehteid, saab keerukamaid sündmusi (liitsündmusi) avaldada antud
sündmuste (lihtsündmuste) kaudu. Ülesannete lahendamisel on sageli otstarbekas lihtsustada
valemeid, kus mingid sündmused avalduvad teiste sündmuste kaudu. Seda võib teha vastavalt
summa või korrutise kommutatiivsuse, assotsiatiivsuse või distributiivsuse omaduste põhjal.
Kasulikud on siinjuures järgmised duaalsusseosed ehk Morgani seadused:
A B A B, A B A B,
mis formaalselt tähendavad, et korrutamise ja summa tehtemärgid tuleb ära vahetada, kui
sündmused asendada vastandsündmustega. Esimene seadus tähendab, et kumbki sündmustest A
ja B ei toimu, teine – ülimalt üks sündmustest A ja B toimub (toimub sündmus A või B). Need
sündmused on kujutatud joonistel 2.5 ja 2.6.
A A , A A .
k
k
k
k
k
k
k
k
Märkus: Nagu näha, on tehted sündmustega sarnased hulkade tehetega. See on seletatav ja ka
arusaadav selles mõttes, et iga sündmus on seotud teatud hulga võimalike juhtudega. Sündmus
toimub, kui juht kuulub teatud juhtude hulka, ega toimu, kui juht ei kuulu sellesse hulka.
Näide 2 . Olgu sündmus A – vähemalt üks võit maleturniiril esimeses kahes partiis, A1 – võit
esimeses partiis ja A2 – võit teises partiis. Nende sündmuste vahel ilmselt kehtib seos
11
A A1 A2 .
( A1 A2 )
Võib arutleda aga ka järgmiselt: võib võita esimese partii ja kaotada teise või võita
mõlemad partiid ( A1 A2 ) või kaotada esimese ja võita teise ( A1 A2 ) . Seega
A ( A1 A2 ) ( A1 A2 ) ( A1 A2 ) .
Võib leida ka kolmanda variandi sündmuse A kirjeldamiseks. Paneme tähele, et sündmus A on
sündmuse A1 A2 – kaotatakse mõlemas partiis – vastandsündmus. Järelikult
A A1 A2 .
W ( A B ) ( A B),
W A B A B.
12
Vastasel juhul on A ja B vastastikku mittevälistavad ehk kattuvad sündmused (Fig 4.2):
A B .
A k .
k 1
13
Lihtsaim täissüsteem on A, A.
E E1 E2 .
S.t. elementaarsündmus ei ole esitatav ‗lihtsamate‘ sündmuste kaudu, v.a. tema ise.
Elementaarse ja Mitte-elementaarse sündmuse näide:
Joonis 4.5
14
Iga sündmuse
A
saab esitada elementaarsündmuste summana basis E:
A Ei1 Ei2 .... Eik .
Kusjuures see esitus on ainus.
A E1 E6 .
:
E1 E E2 T E3 K E4 N E5 R E6 L E7 P
: Elementaarsündmuseks Ek on ühe
1 2 3 4 5 6 7 8
suvalise kuuli võtmine ‚pimesi‘.
9 10 16 Elementaarsündmuste ruum on siin 48
mõõtmeline. Sündmuseks A võib olla
17 24 kuue konkreetse kuuli valimine kuuel
erineval katsel. Lotomängija poolt
25 32 vaadates on selleks kuue konkreetse
numbri märkimine vahemikus 1 ... 48
33 40 kuuel erineval piletil. Sündmuste ruum
võiks siin olla ka
41 42 46 47 48 ühedimensionaalne tabel nagueelmises
näites.
15
Elementaarsündmuste ruumi dimensioon võib olla ka lõpmatu, n .
16
1.5. Vektorsündmused. Juhusliku vektori elementaarsündmuste süsteem
V A B C ...
Märk
on otsekorrutise märk. Tähendabki seda et ühes ja samas eksperimendis
tulevad korraga mitu juhuslikku suurust, igaüks oma juhuslikkuse määraga ja
iseloomuga.
Olgu igal vektori komponendil oma sõltumatu elementaarsündmuste süsteem
A {a1....,a Na },
B {b1....,bNb },
C {c1....,c Nb },
....
Nii et igas eksperimendis realiseerub mingi ( juhuslik ) valik
A ai , B b j , C ck ,.......
Siis igas eksperimendis realiseerub elementaarsündmus
V vijk .. ai b j ck ...
Vektorsündmuse V elementaarsündmuste süsteem on vastavalt vaadeldav ühedimensionaalste
elementaarsündmuste süsteemide otsekorrutisena
17
Näide 1. Kahe täringu (samaaegne) viskamine.
:
V = {A,B}
Vastavad elementaarsündmuste
süsteemid
EA = {1,2,3,4,5,6} , Na = 6
B\A 1 2 3 4 5 6 EB = {1,2,3,4,5,6}, Nb = 6
Vektorile V vastavaks
1
elementaarsündmuseks Eij on i-nda
2 E25 tahu saamine esimesel täringul ja j-nda
tahu saamine teisel.
3
Elementaarsündmuste ruumi {Eij }
4 E44 mõõde on siin 6 x6 = 36 .
5 E52
6
:
Vektor on kahedimensionaalne, võimalike
elementaarsündmuste hulgaga {1,..., 48}
kummaski dimensioonis}
18
Elementaarsündmuste ruum võib olla ka mitmedimensionaalne, koordinaatide loenduvate
elementaarsündmuste süsteemidega ja / või isegi mitteloenduvate e. kontinuaalsete
elementaarsündmuste süsteemidega vektorruumi struktuuriga.
Juhuslik vektor on R {X , Y }
Elementaarsündmusena vaatleme suvalise punkti ( x, y ) tabamist, ehk juhusliku kohavektori
r {x, y}
saamist .
Elementaarsündmuste ruum on siin kogu
tasand.
Sündmusena A vaatleme märklaua tabamist,
mis seisneb selles, et juhuslik punkt (kuul)
sattub ringi x2 y2 r 2 . Ilmselt
A .
Vaatleme katset, mille tulemusena võib toimuda sündmus A. Eeldame, et katset võib korrata,
kusjuures katsetingimused ei muutu ja igal katsel ei sõltu katsetulemus teiste katsete tulemustest.
Nimetame niisuguseid katseid sõltumatuteks katseteks sündmuse A suhtes. Olgu selles
katseseerias katsete arvn ja m(A) – selles seerias sündmuse A toimumiste (esinemiste) arv.
Vaadeldavas katseseerias nimetatakse sündmuse A sageduseks suurust
m( A)
P * ( A) pn* .
n
19
Kui katsete arv n ei ole suur, siis sündmuse sagedus on oluliselt juhusliku iseloomuga. Katsete
suure arvu n korral on aga sagedused pn* erinevates katseseeriates, nagu näitab pikaajaline
praktika, ligikaudu võrdsed. S.t sagedusel on tendents stabiliseeruda (on stabiilsuse omadus).
Siin peab märkima, et tõenäosusteooria uurib ainult niisuguseid sündmusi, millel on stabiilsuse
omadus. Teisisõnu, eksisteerib niisugune konstant P( A) , mida nimetatakse sündmuse A
tõenäosuseks, mille ümber sagedused võnguvad, s.o erinevad vähe sellest konstandist P( A)
(joonis 6.1). Lühidalt, iga lõpliku kuid üha suurema n korral kehtib ligikaudne võrdus
m( A)
P( A) ,
n
Ning piiril
m( A)
P( A) lim n .
n
Joonis 6.1
DEMO: Sageduse stabiliseerumine (Mathcad animatsioon).
Öeldust järeldub, et vaadeldava sündmusega on võimalik siduda konstantset suurust P( A) ,
mille ümbruses on kõik sagedused ja mis iseloomustab sündmuse ja katsetingimuste vahelist
objektiivset seost. Rõhutame, et sageduse leidmiseks ei piisa katsetingimuste teadmisest, vaid on
tarvis veel statistilisi andmeid: katsed on vaja korraldada ! Niisiis sagedus on sündmuse
eksperimentaalne (katseline) karakteristik.
Sageduse põhiomadused
Sagedusel on rida fundamentaalseid omadusi, mis kõik lähevad piiril n üle tõenäosuse
P( A) omadusteks.
1. Iga sündmuse A korral kehtivad võrratused
0 P * ( A) 1 ,
20
s.o sündmuse sagedus on mittenegatiivne reaalarv nulli ja ühe vahel.
Tõepoolest, ilmselt kehtivad võrratused
0 m( A) n .
Jagades need võrratused suurusega n, saame
m( A)
0 1
n
ehk
0 P * ( A) 1 .
2. Kindla sündmuse sagedus on võrdne ühega, s.t
P * () 1.
Sageduse mõiste järgi
m( ) n
1,
n n
mida oligi vaja tõestada.
3. Võimatu sündmuse sagedus on null, s.t
P * () 0 .
Et m() 0 , siis
0
P * ( ) 0.
n
m( A) m( B) m( A) m( B)
P * ( A B) P * ( A) P * ( B) .
n n n
5. Sageduste korrutamisreegel. Kahe juhusliku sündmuse A ja B korral kehtivad võrdused
21
P * ( A B) P * ( A) P * ( B A),
P * ( A B) P * ( B) P * ( A B) ,
kus P * ( A B) on sündmuse A tinglik sagedus sündmuse B suhtes. Ühe sündmuse A
sagedust, mis on leitud tingimusel, et teine sündmus B toimus, nimetatakse sündmuse A
tinglikuks sageduseks sündmuse B suhtes ja tähistatakse P * ( A B) .
Joonis 6.2
m( A) m( B) l
P * ( A) , P * ( B) , P * ( A B) .
n n n
Tingliku sageduse mõiste järgi
l l
P * ( B | A) , P * ( A | B)
m( A) m( B )
järelikult
l m( A) l
P * ( A B) P * ( A) P * ( B | A)
n n m( A)
Analoogiliselt
22
m( B ) l
P * ( A B) P * ( B) P * ( A | B)
n m( B )
pk p( Ek ) 1 / 6
Sündmuseks on igasugune elementaarsündmuste summa ja selle sündmuse tõenäosus on
elementaarsündmuste tõenäosuste summa. Näiteks sündmuse ‘viskel tuleb paarisarv‘ on kolme
elementaarsündmuse – viskel tuleb 2,4 või 6 silma -- summa ja tema tõenäosus on 1/6 + 1/6
+1/6 = 1/2 .
Üldjuhul:
Viimane tähendab seda, et sündmus A toimub, kui toimub üks elementaarsündmustest Eik :
:
23
Iga elementaarsündmusega Ek seome tõenäosuse
pk p( Ek ),
mis rahuldab järgmisi tingimusi
n
0 pk 1, p
k 1
k 1, (7.2)
Siin leiab väljendust asjaolu, et elementaarsündmuse tõenäosus peab olema suurem nullist
(võimatu sündmus, millele vastab p() 0 , ei ole elementaarsündmus) kuid väiksem ühest.
m m
p( A) p Eik pik . (7.3)
k 1 k 1
Teine (1)-s väljendab tõsiasja, et mistahes elementaarsündmuse tulemine on tõene sündmus.
Seos (3) sätestab, et üksteist välistavate sündmuste summa tõenäosus liitub nende sündmuste
tõenäosustest. (1) ja (2) järeldusteks on
0 P( A) 1,
kusjuures
P() 1, P() 0 .
Näide 1.
Vaatame knopkat täringu rollis. Tal on kaks ‗tahku‘ , s.o. kaks asendit - selili ja külili.
Elementaarsündmused on
24
Näide2. Olgu elementaarsündmuseks Ei kulli tulemine kõigil i-l viskel.
1 r
ri
i 1 1 r
,
See on näide lõpmatust kuid loenduvast elementaarsündmuste süsteemist, mil ilmselt ei ole
võimalik saavutada elementaarsündmuste võrdtõenäosust, mis väljendub valemiga
pi pk iga i ja k korral.
pijk P(vijk ) .
Kehtivad varemtõestatud/demonstreeritud omadused, selle vahega et tavaline indeks i on
asendunud multiindeksiga i.j,k. Näiteks:
25
Na , Nb , Nc
0 pijk 1, pijk 1.
i , j ,k 1
Ei , i 1,.....,6, p( Ei ) 1 / 6
Elementaarsündmus on
pijk p( Eijk ) p( Ei E j Ek )
p( Ei ) p( E j ) p( Ek ) (1 / 6)3 1 / 216 0.004(629)
1
pi p .
n
Vastavalt, sündmuse (7.1) tõenäosus avaldub siis ‚soodsate‘ elementaarsündmuste arvu m ja
elementaarsündmuste koguarvu n suhtena
m
P( A) p( A) . (9-1)
n
See valem on formaalselt äravahetamiseni sarnane sagedusvalemile eelmises punktis (Tee
endale selgeks, milles on sisuline erinevus!).
26
Vaatleme näiteid tõenäosuse klassikalise definitsiooni rakenduse kohta. Kõigis järgnevais
näidetes kehtib elementaarsündmuste võrdtõenäosuse printsiip ning valem (9-1).
Kõige aluseks on elementaarsündmuse korrektne määrang igal konkreetsel
juhul
Näide 1. Leida tõenäosus, et täringu viskamisel silmade arv on: 1) kuus, 2) paarisarv. Olgu
sündmus A – täringul on 6 silma, B – täringul on paarisarv silmi. Seega
1 3 1
P( A) , P( B) .
6 6 2
Näide 2. Valides telefoninumbrit oli abonent unustanud kaks viimast numbrit ja teades, et need
on erinevad, valis neid seetõttu juhuslikult. Leida tõenäosus, et valitakse õige telefoninumber.
ai b j i j, i j, j
Variatsioonid n elemendist m kaupa Vnm on arv, mis näitab, mitmel erineval viisil saab n
elemendist valida m erinevat elementi, kusjuures elementide järjestus valimis on oluline.
Variatsioonide arvutusvalem on
Wnm n m .
Mis siin on elementaarsündmus: suvaline tähtede järjestus, kusjuures l,l ja n,n vahetus
ei ole oluline
Kõigi juhtude arv on 7!. Soodsate juhtude arv on 2!2! , sest l-isid ja n-isid võib omavahel
vahetada. Seega
2!2! 4
p 0,000794 .
7! 5040
Kombinatsioonid n elemendist m kaupa Cnm ( nm ) on arv, mis näitab, mitmel eri viisil võib
valida n elemendist m elementi, kusjuures elementide järjestus valimis ei ole oluline.
Kombinatsioonide arvutusvalem on
28
Vnm n(n 1) .... (n m 1)
C P n!
m n
.
n m
m m ! m! ( n m )!
Nii kõiki elementaarsündmusi kui ka soodsaid elementaarsündmusi saab kokku lugeda ka teisiti.
Aluseks on vektorsündmuse alternatiivne esitus kaherealise tabelina.
29
Alternatiivne viis vektorsündmusi graafiliselt esitada. Sündmuste vektorruum on A B
.
Mustad kuulid on paigutatud oranžidesse kastidesse. Ainuke lisakitsendus on siin 𝑖 > 𝑗 (või
soovi korral ka vastupidi).
12 11
n C122 12
2
12!
2!(12 2)! 2!
(Kuna m on väike, on teine vorm Cnm arvutuseks mugavam).
Soodsate juhtude arv on analoogiliselt kombinatsioonide arv
87
m C82 82
8!
2!(8 2)! 2!
ja
8! 2! 10! 7 8 14
p 0,424(24) .
2! 6! 12! 11 12 33
Märkus. Ka näited 1–3 võime sõnastada nii, et on tegemist kuuli võtmisega urnist. Üldiselt kõiki
ülesandeid, kus eeldatakse elementaarsündmuste võrdtõenäosust, võib taandada nn
urniskeemile.
30
Kuna eksperiment seisneb 5 kuuli juhuslikus valikus, siis eksperimendi juhuslik vektor on 5-
dimensionaalne 𝐴 = {𝐴1 , 𝐴2 , 𝐴3 , 𝐴4 , 𝐴5 , }, Näiteks graafiliselt esitatuna:
32 31 30 29 28
n C32
5
201376 .
1 2 3 4 5
Edasi on juba soodsate sündmuste arvu väljaselgitamise küsimus, kusjuures on vaja kokku
lugeda kõik soodsad elementaarsündmused.
5 4 3 27 26
m3 C53 C27
2
3510
. 1 2 3 1 2
Siin esimene tegur on võimaluste arv sama valiku saamiseks erinevates järjekordades
(valiku 5 erinevatelt vektori komponentidelt) . Teine tegur annab erinevate valikute arvu,
mida kolme õige numbri puhul ülejäänud kaks valet võivad anda.
Seega
3510
p3 0,01743.
201376
31
Võtame appi sageduse mõiste selle tulemuse mõtestamiseks. Oleme ostnud ja märkinud N
= 100 piletit. Milline on oodatav võitude arv M? Kuna sagedus
M
P3* p3 0,01743.
N
Siis saame siit
5 4 3 2 27
m4 C54C27
1
5 27 135
1 2 3 4 1
135
p4 0,00067 .
201376
Siin on vaja mängida 1000 korda et saada üks võit 0.67-se tõenäosusega.
m5 1
1
p5 0,000005 .
201376
Seega ‘jackpoti‘ saamiseks on vaja mängida 200 tuhat korda.
32
Loomulikult tekib küsimus – kui väike peab olema sündmuse tõenäosus, et lugeda see sündmus
võimatuks üksikul katsel? Ühest vastust siin anda ei saa. Erineva sisuga sündmuste korral on
vastused erinevad ega ole seega seotud matemaatilise teooriaga. Kõik sõltub katse tulemuse
tähtsusest ja tagajärgedest. Mida ohtlikum on võimalik katsetulemus, seda lähedasem nullile
peab olema vastava sündmuse tõenäosus, et lugeda seda praktiliselt võimatuks. Näiteks on
lubamatu, et kosmoselaeva langevarju mitteavanemise tõenäosus on 0.01. Samal ajal aga
tõenäosus 0.01, et näiteks Tallinn-Tartu kiirrong saabub hilinemisega, on väga hea näitaja.
Praktiliselt saabub rong õigel ajal, hilinedes keskmiselt ühel korral 3.3 kuu jooksul.
Kasutame edaspidi ka nimetust praktiliselt võimatu sündmus, kui
p( A) 0 .
Analoogiliselt nimetatakse sündmust praktiliselt kindlaks sündmuseks, kui
p( A) 1.
Praktiliselt kindlatel ja võimatutel sündmustel on eriline koht tõenäosusteoorias – neile on
rajatud kogu igapäevane tunnetuslik väärtus. Näiteks lennates lennukiga või sõites laevaga
(autoga), ei arvesta me võimaliku õnnetusega, kuigi niisuguse sündmuse tõenäosus erineb nullist
(kuid on väga väike).
Juhime veel tähelepanu sündmuse praktilise mittetoimumise printsiibi sõnastuses väljendile
üksikul katsel. Asi on selles, et korrates katseid, suurendame tõenäosust, et sündmus toimuks kas
või üks kord selles katseseerias. Vaatleme loteriid, mis koosneb 1 miljonist piletist, kusjuures
ainult üks on võidupilet. Ühe pileti omanikul on võidu tõenäosus 0.000001. Niisiis võit on
praktiliselt võimatu sündmus. Olgu müüdud kõik piletid. Keegi ostjatest võitis! Seega toimub
praktiliselt võimatu sündmus. Mille arvel? Selle arvel, et katset (pileti ostmist) korrati väga palju
kordi.
Materjali mõtlemiseks:
Viking loto võit 10 milj krooni tuleb üks kord nädalas 6 miljoni katse kohta.
Samal ajal toimub (Eestis vähemalt on see nii) nädalas 10 miljoni inimese kohta ca 10 maja
mahapõlemisega lõppevat tulekahju ja 20 inimese surmaga lõppevat autoõnnetust.
Tingtõenäosuse definitsioon on
P( A B)
P( A | B)
P( B)
33
Siin P( A | B) - Tõenäosus A saamiseks tingimusel et sündmus B on toimunud. Selles
kontekstis nimetatakse sündmust B ka hüpoteesiks: tõenäosus A toimumiseks hüpoteesi B
korral.
Joonis 10.1.
Bayesi valem kasutab ära tõsiasja, et varasem valem on toodav sümmeetrilisele kujule
P( A | B) P( B) P( A B) P( B | A) P( A)
Siit saab
P( B | A) P( A)
P( A | B)
P( B)
Nüüd edasi saab esitada täistõenäosuse B jaoks
P( B) P( A B) P( A B) P( B | A) P( A) P( B | A) P( A)
Nii et
P( B | A) P( A)
P( A | B)
P( B | A) P( A) P( B | A) P( A)
34
Seega siis tõenäosus A saamiseks hüpoteesi B korral avaldub pöördhüpoteeside B/A ja B/Ā
kaalutud tõenäosuste kaudu . Kuna siin moodustavad A ja Ā elementarsündmuste
täisruumi, on sellele valemil üldistus suvalisse elelemntaarsündmuste ruumi
E E1 , E2 , ..., En
Joonis 10.2
Siin saame kirjutada elementaarsündmuse E tõenäosuseks hüpoteesi A korral Bayesi
valemi:
P( A | E ) P( E )
P( E | A) i i
P( A | E ) P( E )
i n
j 1 j j
P( A | E ) p
i n
j 1 j i
35
punkti sattumisele (viskamisele) lõiku, lõplikku tasandilisse või ruumilisse piirkonda. Siit
pärinebki meetodi nimetus – geomeetriline tõenäosus.
S ( D1 )
P( A) P( A( D1 )) ,.
S ( D)
s.o., vastavate piirkondade pindalade suhe. Ilmselt kehtib
P( A( D)) P() 1.
Joonis 11.1
Nii et tegu on endiselt Venni diagrammi ‗tehnikaga‘, aga lisaks on kujundile (sündmusele)
lisandunud tõenäaosuse kvaliteet, mis rajaneb eeldusel/oletusel/hüpoteesil, et sündmuse A
saamise sagedus on võrdeline selle sündmuse pindalaga vastaval diagrammil.
36
Olgu tuttavate saabumise ajamomendid x ja y . Kohtumine toimub, kui
t
x y .
2
A( D) t 2 ,
2
1 t t2 3 2
A( D1 ) t 2 t t
2 2
2 2 4 4
ja järelikult
3t 2
p 0,75.
4 t2
.
Näide 2. Kui suur on tõenäosus, et maapinnal
paiknevasse ühikruutu sattuv vihmapiisk satub
ühtlasi ka sellesse ruutu paigutatud
puutujaringjoone sisse?
S R 1, seega
P SO / S R / 4 0,785
37
1.12. Märkusi tõenäosuse mõiste juurde
1. Kui klassikaline tõenäosus ei ole rakendatav, siis võib määrata sündmuse sageduse. Selleks on
aga vaja korraldada katseseeria. Kui katseseerias on n katset ja sündmus toimub mn korda, siis
sündmuse sagedus on
mn
pn* .
n
Vastandades tõenäosuse ja sageduse mõisted, näeme, et sündmuse tõenäosuse määramiseks ei
pea korraldama katseseeriat (eksperimenti), sageduse leidmiseks on see aga eeltingimus.
Teisisõnu – tõenäosus leitakse enne katset (a priori), sagedus – peale katset (a posteriori).
2. Uurimused ja praktika on näidanud (mida juba punktis 1.4 märkisime), et küllalt suure katsete
*
arvu korral on sündmuste sagedusel pn stabiilsuse omadus, mis seisneb selles, et erinevates
katseseeriates sündmuse sagedus muutub vähe (seda vähem, mida suurem on katsete arv) ja
kõigub mingi konstandi ümber, mida nimetatakse sündmuse tõenäosuseks.
Öeldust tuleneb, et kui eksperimentaalselt on määratud sagedus, siis võib selle võtta sündmuse
tõenäosuse ligikaudseks väärtuseks.
4. Paljudel juhtudel on teoreetiliste kaalutlustega võimatu leida sündmuse tõenäosust. Nii näiteks
ei osata teoreetiliselt leida tõenäosust, et sündiv laps on näiteks poiss või leida tõenäosust, et
inimene sureb teatud haigusesse.
Näide. Võrreldes andmeid tüdrukute ja poiste sündide kohta kogu maailmas, on saadud
sagedused
38
mis on tuntud demograafias kui tüdrukute ja poiste sündide tõenäosused. Asjaolu, et poisse
sünnib rohkem kui tüdrukuid, märkis esmakordselt J. Arbuthnot2 1710. aastal, uurides 82 aasta
jooksul (1629–1710) toimunud sünde Londonis. Aastal 1812 leidis P.S. Laplace, et poiste ja
tüdrukute sündide suhe on 22:21, mis langeb kokku A. Humboldti andmetega Lõuna-Ameerika
troopiliste alade kohta. See annab sageduse p*p 0,5116 .
Esitame veel tabeli aastatel 1990–1998 Eestis sündinud poisslaste sageduste kohta.
2
John Arbuthnot (1667–1735), šoti arst ja matemaatik
39
2. JUHUSLIKUD SUURUSED
2.1. Juhusliku suuruse mõiste
Teame, et loodusnähtusel on nii kvaliteet kui kvantiteet. Nähtuse ja katse kvalitatiivne tulemus
kujutab endast sündmust. Täppisteaduste eesmärgiks on saada kvantitatiivseid karakteristikuid.
Uurijat huvitab mitte ainult teatud sündmuse toimumine, vaid ka sündmusega kaasnevate
arvsuuruste väärtused. Sageli tehaksegi mingi sündmuse toimumine kindlaks sellega, et mingi
füüsikaline suurus omandas katse (uurimuse) käigus teatud väärtuse. Juhusliku sündmusega
seotud suurust, mis katse tulemusena omandab mingi väärtuse, nimetatakse juhuslikuks
suuruseks. Juhuslik suurus on seotud sündmusega ja juhusliku suuruse mõiste üldistab juhusliku
sündmuse mõistet.
Juhuslik suurus on suurus, mis katse tulemusel omandab ühe või teise, varem mitteteadaoleva
väärtuse mingist väärtuste hulgast. Viimast hulka nimetatakse juhusliku suuruse võimalike
väärtuste hulgaks.
40
Pideva juhusliku suuruse all mõistame niisugust suurust, mille võimalike väärtuste hulk on
reaaltelg R või selle mingi alamhulk, näiteks lõik a,b . Pideva juhusliku suuruse mõistet
täpsustame hiljem.
Juhuslikke suurusi iseloomustatakse jaotusseadustega. Öeldakse, et jaotusseadus ehk jaotus ehk
tõenäosusjaotus on antud, kui on määratud: 1) juhusliku suuruse võimalike väärtuste hulk,
2) eeskiri, mis võimaldab leida tõenäosust, et juhusliku suuruse väärtus on mingis piirkonnas.
Jaotusseaduse enamlevinumateks ja praktilisteks vormideks on jaotustabel, jaotustihedus ja
integraalne jaotusfunktsioon.
Kui juhuslikul suurusel on antud jaotusseadus, siis öeldakse, et juhuslik suurus on antud
jaotusega või juhuslik suurus allub antud jaotusele.
p
k 1
k 1, (2.1)
X x1 x2 ... xn
P p1 p2 ... pn
P( X xk ) g ( xk ) .
41
Joonis 2.1 Joonis 2.2
42
P( X 1) p q .
Tõenäosus, et läbitakse esimene ja teine foor, kuid peatutakse kolmanda ees:
P( X 2) p 2 q .
Tõenäosus, et läbitakse esimene, teine ja kolmas foor, kuid peatutakse neljanda ees:
P( X 3) p 3q .
Tõenäosus, et peatuseta läbitakse kõik neli foori:
P( X 4) p 4 .
Niisiis on jaotustabel kujul
X 0 1 2 3 4
P q pq p 2 q p 3q p 4
Lihtne on kontrollida, et kehtib võrdus (2.1):
4
p
k 0
k q(1 p p 2 p 3 ) p 4 (1 p)(1 p p 2 p 3 ) p 4 1.
X 0 1 2 3 4
2.3. Binoomjaotus
Binoomjaotus ehk Bernoulli jaotus (A. Moivre, 1711; Jakob Bernoulli, 1713). Vaatleme n
sõltumatut katset, kui igal katsel toimub sündmus A konstantse tõenäosusega p. Olgu diskreetne
juhuslik suurus X – sündmuse A toimumiste arv selles katseseerias. Leida juhusliku suuruse X
jaotusseadus.
Ilmselt X : 0, 1, 2, ..., n .
Sündmuse A toimumise tõenäosus üksikkatsel on p, mittetoimumise tõenäosus aga on q =1 –p.
Kui teeme n katset ja saame mingis konkreetses järjestuses sündmuse A toimumise k -l korral,
ning järelikult, vastandsündmuse A toimumise n k -l korral:
A ,... A , A ,......A , A , A , A , A , A , A ,............ A , A , A ,......,A , A , A , A ,................A . A , A ,.............................A , A , A , .................
43
konkreetne katseseeria, kokku n katset,
siis on sellise tulemuse saamise tõenäosus pk qn k . Kokku on erinevaid võimalusi saada
erinevas järjestuses k soodsat katset võrdne kombinatsioonide arvuga n liikmest k kaupa, s.o
k
C n -ga. Seega
P( X k ) Pn (k ) nk p k q n k . (3.1)
Seega oleme jaotusseaduse esitanud tõenäosusfunktsioonina valemi abil. Loomulikult võime
selle esitada ka jaotustabelina
X 0 1 … k … n
P qn npq n 1 ... p q
n
k
k n k
... pn
Niisugust jaotusseadust nimetatakse binoomjaotuseks ehk Bernoulli jaotuseks. Nimetus
binoomjaotus tuleneb sellest, et Newtoni binoomvalemis
( p q) n k 0 nk p k q n k
n
üldliige ongi meid huvitav tõenäosus Pn (k ) . Viimasest võrdusest järeldub veel, et kehtib
võrdus (2.1), kuna p q 1.
Binoomjaotuse graafik
0
0 10 20 30
j
44
2.4. Geomeetriline jaotus
Aga nüüd on katseseeria lõpmatu, ja küsitakse, milline on tõenäosus, et esimesed x-1 korda
tulevad A, s.o. sündmust ei toimu, ja Soodne sündmus A leiab aset x-ndal katsel
Juhuslikuks suuruseks on siin esimese soodsa tulemus järjekorranumber:
X : x k 0, 1, 2, ..., n,......, .
Tema tõenäosusjaotus on
𝑝 𝑘 = 𝑃 𝐴𝑘−1 𝐴 = 𝑃 𝐴 𝑘−1
𝑃 𝐴 = 𝑞 𝑘−1 𝑝. (4.1)
Graafik:
0
0 2 4 6 8 10
i
Kõik tõenäosused on nullist erinevad ja positiivsed, seejuures
∞ ∞
1
𝑝 𝑘 =𝑝 𝑞 𝑘−1 = 𝑝 =1
1−𝑞
𝑘=0 𝑘=0
45
On lihtne näha, et varasem fooriülesanne N fooriga tuleb üle geomeetriliseks jaotuseks, kui
N .
Vaatleme veel kord katseseeriat, milles on n katset ja sündmuse A tõenäosus igal katsel on p.
Tõenäosus, et katseseerias sündmus A toimub k korda, avaldub Bernoulli valemiga. Kui n on
küllalt suur ja p väga väike, siis valem praktiliseks arvutamiseks ei sobi, kuna on tegemist väga
suurte ja väga väikeste arvude korrutamisega. Leiame sobivama valemi.
Eeldame, et korrutis np on konstantne ja tähistame
np ,
täpsemini
lim np .
n
p0
1 .
k! n n
Et n on väga suur, siis leiame piirväärtuse
k 1 2 k 1 nk
lim Pn (k ) lim 1 1 1 ... 1 1
n k! n n n n n
k
k k
n
lim 1 1 e .
k! n n n k!
Saadud jaotust
k
P( X k ) e (k 0, 1, ...) (5.1)
k!
nimetatakse Poissoni jaotuseks (A. de Moivre, 1718; S.D. Poisson, 1830, 1837). Jaotust
nimetatakse samuti väikeste arvude seaduseks ehk harva esinevate sündmuste seaduseks,
sest see kirjeldab harva esinevaid nähtusi.
46
Ka siin kehtib normeerimistingimus
k
k 0
P( X k ) e e e 1.
k 0 k!
X 0 1 … k …
P e k
e e ... ...
k!
Binoomjaotust võib lähendada Poissoni jaotusega, kui p 0.1.
Graafik:
dpois k 0.1
0.8
dpois k 0.5
dpois k 5
dpois k 20
0.2
0
0 10 20 30
k
47
2.6. Pideva juhusliku suuruse jaotustihedus
soodsad võimalused
P
kõik võima lused
saame tulemuseks
1
P 0 .
Seepärast on mõtet vaid tõenäosusel, et juhusliku suuruse realisatsioon asub mingis intervallis
x1 X x2 , või poollõigul x1 X x2 , või rahuldab tingimust X x , kus x on ette
antud.
Näide. Juhuslik suurus x võib omandada võrdse tõenäosusega mistahes väärtusi lõigust [1, 8].
Kui suur on tõenäosus, et juhuslikult valitud x väärtus kuulub alamlõiku [2, 5] (joonis 3.1)
Joonis 3.1
48
Näiteid. Kujutagu X endast patsiendi kehatemperatuuri C, siis praktiliselt kõik võimalikud x
väärtused katab piirkond 34, 42 . Selles piirkonnas on aga temperatuuride alampiirkond
36, 38 üldiselt hoopis tõenäosem kui 40, 42 .
Teine näide. Kujutagu x endast täiskasvanud mehe kehakaalu (korrektsem oleks öelda massi!)
kilogrammides. Kogu lubatav x väärtuste piirkond on hinnanguliselt 10, 300 . Samas on
ilmne, et alampiirkond 60, 90 on palju tõenäosem kui sama lai piirkond 160,190 .
Juhusliku suuruse võimalike väärtuste erinevate piirkondade tõenäosust väljendab juhusliku
suuruse jaotustihedus. Kasutatakse ka termineid tõenäosustihedus, tihedusfunktsioon,
jaotusfunktsioon. NB! Termin jaotusfunktsioon on levinud ja kasutusel füüsikute ja keemikute
hulgas ning vastavate suundade erialakirjanduses. Matemaatikud tähistavad selle terminiga
tavaliselt suurust, mida käesolevas kursuses (hiljem, allpool) tähistame terminiga integraalne
jaotusfunktsioon. Seepärast peab olema termini jaotusfunktsioon kasutamisega ettevaatlik ja
alati täpsustama, mida selle termini all konkreetselt silmas peetakse. Käesolevas kursuses on
jaotusfunktsioonil alati juhusliku suuruse jaotustiheduse tähendus.
Joonis 3.2
Poolintervalli kasutamine on tarvilik, et üks ja sama punkt ei oleks korraga mitmes alamhulgas.
Vaadeldes kaht kõrvutiseisvat poolintervalli x, x dx ja x dx, x dx dx1 on
kindel, et nende kokkupuutepunkt x dx kuulub parempoolsele intervallile, kuid ei kuulu
vasempoolsele, ning samal ajal ei ole ka olukorda, kus see punkt ei kuuluks kummalegi
alamhulgale.
1. Mittenegatiivsus:
f ( x) 0 .
See omadus järeldub määrangust (3.1). Kuna loeme intervalli dx positiivseks ja kehtib
dP 0 , siis järeldub meie väide. Jaotusfunktsiooni põhimõtteline kuju on toodud joonisel 3.3.
Joonis 7.1
2. Elementaartõenäosuse geomeetriline tõlgendus. Elementaartõenäosus dP on ristküliku
pindala, mille aluse laius on dx ja kõrgus on f (x) (joonis 3.3). Sel põhjusel nimetatakse
elementaartõenäosust dP ka tõenäosuselemendiks.
50
Definitsioon. Tõenäosust p P(a X b) nimetame lõigu a, b usaldusnivooks.
Usaldusnivoo sõltub konkreetsest jaotusest ja lõigu asukohast ja pikkusest.
Usaldusnivood väljendatakse sageli (näiteks füüsikalistel mõõtmistel) ka protsentides.
Joonis 7.2
f ( x)dx 1.
See tingimus väljendab tõsiasja, et suvalise X väärtuse saamine peab olema tõene sündmus.
Joonis 7.3
Geomeetriliselt tähendab see, et jaotustiheduse ja x-telje poolt piiratud kujundi kogupindala on
võrdne ühega, nagu näidatud joonisel 7.3.
51
Märkus. Iga funktsioon, mis rahuldab mittenegatiivsuse tingimust 1 ja normeerimistingimust 5,
on tõenäosustihedus (s.t võib olla mingi tõenäosustihedus).
Märkus. Iga lõplikul lõigul lokaliseeritud jaotust f (x) võib vaadelda antuna kogu reaalteljel,
jätkates teda nulliga a -st vasemale ja b -st paremale. Uus jaotus
0, x a
f * ( x) f ( x), a x b
0, x b
rahuldab kõiki jaotustihedusele esitatavaid nõudeid. Selles mõttes on kõik jaotused antud kogu
reaalteljel. Rakendustes on muidugi suur erinevus, kas jaotus on tegelikult antud lõplikul lõigul
või on suurus jaotunud nullist erineva tõenäosustihedusega kogu reaalteljel.
Lõpmatu muutumispiirkonnaga jaotust võib ka vaadelda kui joonisel 3.6a antud jaotuse piirjuhtu
protsessis a , b .
Samuti on mõttekad pooltelgedel , b ja a, lokaliseeritud jaotused.
52
2.8. Integraalne jaotusfunktsioon
Joonis 8.1
Ümarsulg x väärtuse kohal tähistab asjaolu, et tegemist on paremalt avatud intervalliga, mille
otspunkt (käesoleval juhul x ) ei kuulu selle intervalli koosseisu.
Võttes avaldises (3.3) vasakpoolse raja võrdseks miinus lõpmatusega ja parempoole raja b
võrdseks x -ga, saame
x
P( X x) P( X x) f ( x' )dx' .
Seega
x
F ( x) f ( y)dy .
(8.1)
Joonis 8.2
Tegemist on ülemise raja funktsiooniga ( F (x) argumendiks on integraali ülemine raja).
Segaduse vältimiseks on seejuures integraalialune muutuja tähistatud y -ga.
53
Nagu näeme, on integraalne jaotusfunktsioon leitav, kui on teada jaotustihedus f (x) .
Vastupidi, teades integraalset jaotusfunktsiooni, on võimalik arvutada jaotustihedus, nagu näitab
allpool omaduste kirjelduses omadus 1.
Et viimases integraalis integreerimislõik x, x dx on lõpmata lühike, siis võib lugeda
integraalialuse funktsiooni konstandiks ning ta integraali alt välja tuua, peale mida järgnebki
viimane võrdus. Seega oleme saanud
dF f ( x)dx ,
millest järeldub (4.2).
Kommentaar. Tihedusfunktsiooni ja integraalse jaotusfunktsiooni kasutamine on samaväärne –
teades ühte neist, on alati võimalik üle minna teisele. Üldiselt on nii, et füüsikas ja keemias on
levinum jaotustiheduse (jaotusfunktsiooni) kasutamine, kuna matemaatikud eelistavad
integraalset jaotusfunktsiooni.
2. Integraalse jaotusfunktsiooni tõkestatus. Integraalne jaotusfunktsioon F (x) rahuldab
võrratusi
0 F ( x) 1 .
Et jaotusfunktsioon on sündmuse X x tõenäosus ja tõenäosus on reaalarv nulli ja ühe vahel,
siis siit järeldubki omadus. Geomeetriliselt tähendab see, et jaotusfunktsiooni graafik paikneb
kahe paralleelse sirge y 0 ja y 1 vahel (vt parempoolne joonis 4.2).
54
2.9. Ühtlane jaotus
Ühtlane jaotus on alati antud lõplikul lõigul a, b. See on lihtsaim, kuid rakendustes üsna
levinud jaotus. Ühtlase jaotuse üldkuju on
f ( x) C , a xb .
Seejuures konstandi C saame normeerimistingimusest. Arvutame
b b b
f ( x)dx Cdx C dx C (b a) .
a a a
Et norm oleks üks, peab kehtima
1
C .
ba
Seega ühtlase jaotuse lõplik kuju on
1
f ( x) , a x b. (9.1)
ba
0, x a,
x a
F ( x) , a x b, (9.2)
b a
1, x b.
55
Joonis. Ühtlase jaotuse integraalse jaotusfunktsiooni graafik
Leiame veel tõenäosuse, et juhusliku suuruse X väärtus on vahemikus (, ) a, b. Valemi
(3.3) põhjal
1
P ( X ) dx ,
b a b a
mille võime saada ka geomeetrilise tõenäosuse mõistet kasutades.
2.10. Eksponentjaotus
0, x 0,
F ( x) x
(10.1)
1 e , x 0,
kus positiivne konstant on jaotuse parameeter. Integraalse jaotusfunktsiooni graafik on
toodud joonisel 10.1a.
56
Võttes integraalsest jaotusfunktsioonist tuletise, saame jaotustiheduse jaoks avaldise
0, x 0,
f ( x) x (10.2)
e , x 0.
Seega, eksponentjaotuse tihedus on katkev punktis null, hüppe suurus on . Eksponentjaotuse
graafik on toodud joonisel 10.1b.
Joonis 10.1a
Joonis 10.1b
57
Näide 1. Radioaktiivse isotoobi aatomi lõhustumise tõenäosus ajahetkel t ühikulise ajaintervalli
jooksul on
1
f (t ) exp( t / t 0 ) , (10.3)
t0
kus parameeter t 0 on isotoobi karakteristlik eluiga (aeg, mille jooksul isotoobi aatomite arv
kahaneb esialgsega võrreldes e (= naturaallogaritmi alus) korda. Vastavalt, integraalne
jaotusfunktsioon
F (t ) 1 exp( t / t 0 ) (10.4)
võrdeteguri 1 / t0 – ga:
dn (1/ t0 ) n dt .
Miinusmärk võtab arvesse, et osakeste arv kahaneb ja dn on negatiivne. Tegemist on
diferentsiaalides antud võrrandiga, mis kirjeldab isotoobi aatomite arvu kahanemist ajas.
Eraldades siin muutujad
dn dt
,
n t0
saame integreerimisel osakeste arvuks hetkel t:
n(t ) n0 exp( t / t0 ) ,
kus n0 on isotoobi aatomite arv proovis alghetkel. Siit saame veel allesolevate aatomite
suhteliseks hulgaks n(t ) / n0 exp( t / t0 ) . Kuna aatomite arv on väga suur
(n0 ~ 1023 , sest ühes gramm-moolis sisaldub Avogadro arv N A 6.02 1023
aatomit), siis on suhe n(t ) / n0 väga suure täpsusega seesama, mis tõenäosus, et konkreetne
osake ei ole veel laguneda jõudnud. Järeldusena on 1 n(t ) / n0 võrdne tõenäosusega, et osake
58
on hetkeks t juba laguneda jõudnud. Viimane ei ole aga midagi muud kui integraalne
jaotusseadus (6.4).
P( X x) exp( x / l ),
kus l on nn footoni vaba tee pikkus selles keskkonnas ( l suurus sõltub keskkonna
läbipaistvusest ja on seda väiksem, mida hägusem on keskkond). Vastavalt, tõenäosus, et footon
on vahemaa x jooksul neeldunud, on antud integraalse jaotusfunktsiooniga (6.1), mis käesoleval
juhul on
F ( x) 1 exp( x / l ).
2.11. Normaaljaotus
kus a on fikseeritud reaalarv (võib olla nii negatiivne kui positiivne, aga võib olla ka null), ja
0 on fikseeritud positiivne reaalarv. Parameetreid a ja nimetatakse normaaljaotuse
keskväärtuseks ja ruuthälbeks. Nende nimetuste päritolu saab selgemaks veidi hiljem, kui
asume uurima jaotuste arvkarakteristikuid.
Jaotustiheduse määramispiirkond on kogu reaaltelg R (s.t argument x võib omandada väärtusi
kogu reaalteljel). Kui x , siis f ( x) 0 . Seega on sirge y 0 jaotustiheduse
f (x) asümptoot protsessis x .
Punktis x a on jaotustiheduse maksimum, kusjuures ta saavutab seal väärtuse
1 0.3989 0.4
max f ( x) f (a) .
2
Jaotusjoon on sümmeetriline vertikaalsirgex a suhtes.
Normaaljaotuse tiheduse graafik on parameetrite a 2 , 1 korral toodud joonisel 7.1.
59
0.4
0.3
f( x)
0.2
0.1
4 2 0 2 4 6
x
Joonis 11.1. Normaaljaotus a 2 , 1 korral.
Parameetri a muutumisel joone asend muutub x-telje suhtes: a kasvades jaotus nihkub
paremale (toimub kujundi x-telje sihiline paralleellüke). Mida suurem on a , seda paremal
paikneb kõver (joonis 7.2).
0.6
f1 ( x ) 0.4
f2 ( x )
f3 ( x ) 0.2
0
6 4 2 0 2 4 6
6 x 6
Kui parameeter kasvab, siis kahanevad funktsiooni väärtused ja joon muutub lamedamaks –
kõver surutakse kokku y-telje suunas. Kui kahaneb, siis muutub joon teravatipulisemaks –
kõver venitatakse välja y-telje suunas (joonis 7.3).
60
1.5
f1 ( x ) 1
f2 ( x )
f03 ( x ) 0.5
6 4 2 0 2 4 6
x
1 x2
( x ) exp . (11.3)
2 2
Normaaljaotuse ja standardiseeritud normaaljaotuse vahel kehtib seos
1 xa
f ( x) .
61
Teisendame integraali muutujate vahetusega
xa
t , dx 2 dt ,
2
siis
( a ) /( 2 )
exp t dt
1
P( X ) 2
( a ) /( 2 )
(12.1)
( a ) /( 2 ) ( a ) /( 2 )
mida vaadatakse ülemise raja funktsioonina. Funktsiooni tähis erf tuleneb ingliskeelsest
nimetusest error function. Funktsiooni graafik on esitatud joonisel 7.5. Veafunktsiooni tuleb
käsitleda analoogiliselt elementaarfunktsioonidega (sin, ln, exp,...). Veafunktsiooni arvutamise
võimalus on isegi mõnedel kallimatel taskuarvuteil. Tema arvutusalgoritm on kõikides
enamlevinud matemaatilistes tarkvarapakettides (Mathcad, Mathematica, Maple, ...). Joonis 7.5
näiteks on valmistatud Mathcad keskkonnas.
Nõutava tõenäosuse (7.4) saab veafunktsiooni kaudu avaldada järgmiselt
1 a) a )
P( X ) erf erf .
2 2
(12.3)
2
0.5
0.5
62
Veafunktsiooni omadusi.
Mõlemad alljärgnevad omadused on näha graafikult joonisel 7.5. Tõestame need siin ka
definitsioonist (7.5) lähtudes.
erf ( x) erf ( x) .
Tõepoolest, teisendades integraali (7.5) muutujate vahetusega
u t , du dt ,
saame
x
exp u (du ) exp u du erf ( x) .
x
1 1
erf ( x) 2 2
0
0
Seega, tõepoolest on tegu koordinaatide alguse suhtes paaritu funktsiooniga. Seetõttu tema
väärtused tabuleeritakse või salvestatakse vajadusel vaid positiivsete argumendiväärtuste jaoks.
2. Kehtib võrdus
lim erf ( x) 1 .
x
1 1
erf () erf () 1
2 2
ja äsjatõestatud omaduse 1. põhjal
erf () erf () ,
saame
1 1
erf () erf () erf () 1 .
2 2
3. Leiame tõenäosuse, et kehtiks võrratus
X a ,
mis on samaväärne võrratustega
a X a .
Valemi (7.6) abil
63
P( X a ) P(a X a )
1 1
erf erf erf ,
2 2 2 2 2
s.t
P( X a ) erf . (12.4)
2
Lõpuks, avaldame normaaljaotuse integraalse jaotusfunktsiooni veafunktsiooni kaudu. Et
1 x ( y a )2
F ( x) exp 22 dy ,
2
siis muutujate vahetusega
ya
u , dy 2 du
2
saame
1 ( x a ) /( 2 ) 1 0 ( x a ) /(
exp u du exp u 2 du . Kuna
2)
F ( x)
2
0
exp u du
0
1 1 1 1
0
2
exp u 2
du erf ( ) ,
2 2
Saame
1 x a
F ( x) 1 erf .
2 2
1
0.8
0.6
F( x)
0.4
0.2
3 2 1 0 1 2 3
x
Joonis 12.2. Integraalne normaaljaotus, kui a 0, 1 .
64
Normaaljaotuse näiteid
Näide 1. Gaasi molekulide kiirus Vx mingi konkreetse telje x sihis allub normaaljaotusele,
mille keskväärtus a on null ja standardhälbe ruut ~ T (on võrdeline temperatuuriga).
2
Näide 3. Kui mingi suuruse kujunemist põhjustab väga suure arvu tegurite koosmõju, mis kõik
on juhuslikud, vastastikku sõltumatud ning ühtmoodi jaotunud, siis see suurus on jaotunud
normaalselt. Eelnevad näited 1–3 on kõik just taolise tekkemehhanismiga. Konkreetse näitena
võib tuua summa
1 K
s Xi ,
K i 1
kus kõik juhuslikud suurused Xi on ühtmoodi jaotunud (näiteks ühtlane jaotus lõigul , ),
vastastikku sõltumatud suurused. Kui siin lasta K --l saada hästi suureks (teoreetilisel piiril
K ), siis on s normaalselt jaotunud suurus (igakordne matemaatiline probleem on vaid
tema parameetrite a ja leidmine sõltuvalt X i parameetritest.
2.13. Astmejaotus.
r 1 x 1,
,
f ( x; r ) x r (13.1)
0, x 1,
konstant r 1 lugejas arvestab normeeringut ( f integraal x järgi rajades 1, olgu võrdne
ühega). On näha: selleks, et jaotus oleks positiivne, peab kehtima r 1. Astmejaotuse graafik
on toodud erinevate parameetri r väärtuste korral joonisel 1.1.
65
1.5
f ( x 1.5 ) 1
f ( x 2.0 )
f ( x 2.5 ) 0.5
0 1 2 3 4 5 6
x
Joonis 13.1 Tehtud Mathcadiga
Pareto jaotus on nime saanud Itaalia majandusteadlase Vilfredo Pareto järgi, kes kasutas seda
väga ebavõrdsete majandusseaduste ja tingimuste kirjeldamisel.
Tuntud on ja astmejaotusseadusega ühildub nn Pareto printsiip, ehk 20 – 80 reegel, mille
kohaselt kapitalistlikus majanduses 20 % elanikkonnast kontrollib 80 % rikkustest.
66
2.14. Lognormaaljaotus
1 (ln x a) 2
f ( x) exp , x 0.
x 2 2 2
(14.1)
Jaotuse näiteid:
Kui X on paljude ühtmoodi jaotunud sõltumatute positiivsete suuruste 𝑌 korrutis:
𝑁
𝑋= 𝑌𝑖
𝑖=1
Siis X allub log-normaalsele jaotusele.
Nii on läbi laihulise struktuuriga nõrgendava ( neelava, hajutava) keskkonna kulgev valgus või
raadiosignaal jaotunud tugevaus jürgi lognormaalselt.
Saanud nime Wloddi Weibulli järgi, kes selle jaotuse kirjeldas detailselt 1951.
It is named after Waloddi Weibull who described it in detail in 1951, although it was first
identified by Fréchet (1927) and first applied by Rosin & Rammler (1933) to describe the size
distribution of particles.
Ernst Hjalmar Waloddi Weibull (18 June 1887-12 October 1979) Rootsi – insener.
67
Joonis. Weibulli jaotus 1 ja k = 0.5 , 1.0 , 1.5 , ja 5.0 korral.
k x k 1 ( x / )k x 0,
f ( x; r ) e ,
0, x 0,
(15.1)
k > 0 on kujuparameeter ja
0 on skaala- (skaleeriv) parameeter. k = 1 annab
eksponentjaotuse ja k = 2 annab Rayleigh jaotuse (eraldi selles kursuse ei vaadelda).
2.16. Deltajaotus
Kui punktis x0 ainsat maksimumi omava jaotusfunktsiooni f ( x, x0 ) laius läheneb nullile, nii
et maksimumpunkti asend ei nihku, saame piiril lõpmata kitsa, punktis x0 lõpmata kõrge
jaotustiheduse, mida nimetatakse deltajaotuseks, delta-funktsiooniks ehk Diraci funktsiooniks
(inglise füüsiku Paul Dirac‘i järg, kes võttis selle funktsiooni esmakordselt kasutusele
kvantmehaanikas) ja tähistatakse sümboliga ( x x0 ) .
Vaatame näiteks normaaljaotust (7.1):
68
1 ( x x0 ) 2
( x x0 ; ) exp ,
2 2 2
kus keskväärtus a on tähistatud x0 -iga. Selle jaotuse abil saame määrata deltajaotuse kui
piirväärtuse
( x x0 ) lim 0 ( x x0 ; ) . (16.1)
0, | x x0 | / 2
( x x0 ; ) 1 .
, | x x0 | / 2
Selle jaotuse abil saab delta-funktsiooni defineerida analoogiliselt eelnevaga kui piirväärtuse
( x x0 ) lim 0 ( x x0 ; ) . (16.2)
25
(x 1 0.1 ) 20
(x 1 .02 ) 15
x 1 0.1 2 10
x 1 .02 2
5
2 1 0 1 2
x
Joonis 16.1.
69
Delta-funktsiooni omadused.
1. Delta-funktsioon ( x x0 ) on tõenäosustihedus mittejuhuslikule suurusele x, mis võib
omandada vaid fikseeritud väärtuse x0 , s.t
P( X x0 ) 1 .
Järeldus. Diskreetse juhusliku suuruse (vt punkt 2.2) X : x1 , x2 , ... , xn , mille puhul
n
P( X xk ) pk (k 1, 2, ... n) , kusjuures p
k 1
k 1,
( x x
0 )dx 1 iga x0 korral.
See omadus tuleneb nende jaotusfunktsioonide normeeritusest, mille piiriks delta-funktsioon on.
3. Integraal delta-funktsioonist suvalisel lõplikul lõigul a, b:
1 kui a x0 b,
b 1
( x x0 )dx 2 kui x0 a või b, (16.3)
a
0 kui x0 a või x0 b .
Seejuures a ja b võivad paikneda teineteisele kuitahes lähedal, kuid alati peab intervalli pikkus
erinema nullist, s.t peab kehtima a b . Tõestada on seda omadust lihtne, kasutades jällegi
nende lõpliku laiusega jaotustiheduste abi, mille piirväärtusena delta-jaotus on defineeritud.
Võttes konkreetselt näiteks funktsiooni ( x x0 ; ) , kehtib piirväärtus
1 kui a x0 b,
b
1
lim 0 a ( x x0 ; ) dx
2
kui x 0 a või b,
0 kui x0 a või x0 b,
mis sisuliselt tähendabki omadust (8.3).
4. Integraal delta- funktsiooni ja sileda, aeglaselt muutuva funktsiooni g (x) korrutisest.
Kehtib:
70
( x x
0 ) g ( x) dx g ( x0 ) . (16.4)
Selle omaduse näitamiseks tuleb punkti x0 ümbruses eraldada välja kuitahes väike, kuid lõplik
piirkond x0 , x0 , 0 . Väljaspool seda piirkonda on delta-funktsioon ( x x0 )
võrdne nulliga, selle piirkonna sees aga on g (x) kui aeglaselt muutuv funktsioon ligikaudu
konstantne, seetõttu kehtib
x0 x0
( x x ) g ( x) dx
0 ( x x ) g ( x)dx g ( x ) ( x x )
x0
0 0
x0
0 dx g ( x0 )
.
Omaduse (8.4) kohta öeldakse: Delta-funktsioon määrab integraaloperaatori, mis seab suvalisele
integreeruvale funktsioonile vastavusse tema väärtuse fikseeritud punktis
71
3. ÕPPEKIRJANDUST TÕENÄOSUSTEOORIA KOHTA
1. Tiit E., A. Parring, T. Möls, 1977: Tõenäosusteooria ja matemaatiline statistika [õpik TRÜ
matemaatikateaduskonnas]. Tallinn, Valgus, 470 lk.
2. Gurski J, 1986: Tõenäosusteooria ja matemaatilise statistika elemendid. Tallinn, Valgus,
311 lk.
3. Jõgi A, 2000: Tõenäosusteooria, 1. osa. TTÜ Kirjastus, Tallinn, lk 1–198.
4. Jõgi A, 2000: Tõenäosusteooria, 2. osa. TTÜ Kirjastus, Tallinn, lk 199–416.
5. Lefebvre, Mario, 2009: Basic Probability Theory with Applications, Springer, 340 lk.
6. Michel Dekking, C. Kraaikamp, H P Lopuhaa, L. E. Meester, 2005: A Modern Introduction
to Probability and Statistics. Springer, 486 lk.
7. www.staff.ttu.ee/~itammeraid/TOEOPIK.pdf Tammeraid, 2005: Tõenäosusteooria ja
matemaatiline statistika. Elektrooniline õppematerjal.
72