Tartu Ülikool

Füüsika Instituut

TÕENÄOSUSTEOORIA JA STATISTIKA

I vihik

LOENGUKONSPEKT

Rein Rõõm

TARTU 2010
 Sissejuhatus .................................................................................................................................3

1. JUHUSLIKUD SÜNDMUSED ................................................................................................6

1.1. Sündmuste liigitamine .....................................................................................................6
1.3. Tehted sündmustega ........................................................................................................9
1.4. Elementaarsündmuste ruum ..........................................................................................12
1.5. Vektorsündmused. Juhusliku vektori elementaarsündmuste süsteem ...........................17
1.6. Sündmuse sagedus .........................................................................................................19
1.7. Sündmuse tõenäosus ......................................................................................................23
1.8. Tõenäosus vektorsündmustel .........................................................................................25
1.9. Klassikaline elementaarsündmuste ruum ......................................................................26
1.10. Tingtõenäosus ja Bayesi valem .....................................................................................33
1.11. Geomeetriline tõenäosus................................................................................................35
1.12. Märkusi tõenäosuse mõiste juurde ................................................................................38

2. JUHUSLIKUD SUURUSED ..................................................................................................40

2.1. Juhusliku suuruse mõiste ...............................................................................................40
2.2. Diskreetse juhusliku suuruse jaotusseadus ....................................................................41
2.3. Binoomjaotus .................................................................................................................43
2.4. Geomeetriline jaotus ......................................................................................................45
2.5. Poissoni jaotus ...............................................................................................................46
2.6. Pideva juhusliku suuruse jaotustihedus .........................................................................48
2.7. Tõenäosustiheduse põhiomadused. ...............................................................................50
2.8. Integraalne jaotusfunktsioon..........................................................................................53
2.9. Ühtlane jaotus ................................................................................................................55
2.10. Eksponentjaotus .............................................................................................................56
2.11. Normaaljaotus ................................................................................................................59
2.12. Integraalne normaaljaotus. Veafunktsioon. ...................................................................61
2.13. Astmejaotus. ..................................................................................................................65
2.14. Lognormaaljaotus ..........................................................................................................67
2.15. Weibulli jaotus ...............................................................................................................67
2.16. Deltajaotus .....................................................................................................................68

3. ÕPPEKIRJANDUST TÕENOSUSTEOORIA KOHTA .....................................................72

 Sissejuhatus

Sissejuhatus

Looduses ja ühiskonnas – sealhulgas teaduslikus uurimistöös, mitmesugustel tehnikaaladel ning

tööstuslikus masstootmises - on sageli tegemist korduvalt esinevate nähtustega, mis toimuvad
või kulgevad iga kord veidi erinevalt. Niisuguseid nähtusi nimetatakse juhuslikeks.
Näiteid juhuslikest nähtustest:
 Tänaval vastutulevate inimeste pikkus (vanus, kehakaal, ...);
 Märklaua tabamine märkilaskmisel püssi või vibuga;
 Radioaktiivse elemendi aatomi eluiga;
 Tuule suund ja suurus;
 Viking-loto loosimise kuus võidunumbrit;
 Masstootmises konveierilt tulevate seadmete või detailide parameetrid (näiteks detaili
pikkus);
 Ühe ja sama eseme pikkus (kaal, elektrijuhtivus, ...) erinevatel (korduvatel) mõõtmistel;
 ........................
Üldiselt saab kõiki nähtusi ja sündmusi liigitada kindlateks, võimatuteks ja juhuslikeks.
Nähtust nimetatakse kindlaks, kui ta seatud tingimustel alati toimub. Nähtust nimetatakse
võimatuks, kui see seatud tingimustel ei toimu iialgi.
 Näide.
Nähtus, mis seisneb selles, et käestpillatud ese kukub maha (ja ei lähe selle asemel hoopis
lendu), on kindel sündmus Maal, kuid ei ole seda mitte ümber Maa tiirlevas orbitaaljaamas.
Samal ajal sündmus „käestpillatud pliiats jääb õhku hõljuma‖ on Maal võimatu.
Nähtust nimetatakse juhuslikuks, kui see seatud tingimustel võib toimuda või mitte toimuda.
Võime öelda ka nii, et seatud tingimustel juhuslik nähtus kulgeb korduvatel katsetel iga kord
erinevalt.

 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.

As a mathematical foundation for statistics, probability theory is essential to many human

activities that involve quantitative analysis of large sets of data. Methods of probability theory
also apply to description of complex systems given only partial knowledge of their state, as in
statistical mechanics. A great discovery of twentieth century physics was the probabilistic nature
of physical phenomena at atomic scales, described in quantum mechanics.

Ja matemaatilise statistika tutvustuseks võib Wikipediast lugeda

Mathematical statistics is the study of statistics from a mathematical standpoint, using
probability theory as well as other branches of mathematics such as linear algebra and analysis.
The term "mathematical statistics" is closely related to the term "statistical theory".

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.

Juhuslike sündmuste näiteid

Näide 1. Lihtsamateks juhuslikeks sündmusteks on täringu viskamisel silmade tulek, kaardi
võtmine kaardipakist, mündi viskamine, võit loteriil, inimese eluiga jne.

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.

Näide 4. Vaatleme Browni liikumist – vedelikus heljuvate väikeste aineosakeste kaootilist

liikumist. Osake muudab oma asendit juhuslikult, põrkudes kokku vedeliku molekulidega.
Osakese asend fikseeritud ajamomendil t on aga raskesti prognoositav ja seega juhuslik
sündmus. Kui aga aeg t muutub pidevalt, jõuame üldisema mõiste – juhusliku protsessi juurde.
Vaadeldud näidetest tuleneb, et tõenäosusteoorias sündmus on väga üldine ja universaalne
mõiste, mille alla mahuvad kõik meid igapäevaelus ümbritsevad nähtused.

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.

Näiteks 7 silma saamine täringuviskel on võimatu sündmus.

Kui sündmuse A toimumisest järeldub sündmuse B toimumine, siis tähistame
A B
või
A  B.
Sel korral nimetatakse sündmust A ka sündmuse B alamsündmuseks või osasündmuseks ja
sündmust B sündmuse A ülemsündmuseks. Näiteks, kui sündmus A tähendab, et täringul
tuleb 6 silma ja B – täringul tuleb paarisarv silmi, siis ilmselt A  B .
Ilmselt kehtivad seosed
A  ,   A .

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.

1.2. Venni diagrammid

Graafiliselt kujutame edaspidi sündmusi punktihulkadena Venni1 diagrammi näol. Sündmus A

olgu ekvivalentne juhusliku punkti sattumisega piirkonda A (ühe-, kahe- või kolmemõõtmelises
ruumis), mis on piirkonna  alamhulk. Vaatleme siin kahemõõtmelisi piirkondi. Sel korral
kindlat sündmust kujutame ristkülikuna. Kui on tarvis eraldi eristada või rõhutada mingit
sündmust, siis viirutame vastava piirkonna. Kindel sündmus  ja juhuslik sündmus A on
kujutatud joonisel 1.1. Seos A  B on kujutatud joonisel 1.2.

Joonis 2.1
Joonis 2.2

Joonis 2.3 Joonis 2.4

1
John Venn (1834–1923), inglise matemaatik ja loogik

8
1.3. Tehted sündmustega

Sündmuste A ja B summaks nimetatakse sündmust A  B (alternatiivtähis A  B ), mis

seisneb vähemalt ühe sündmuse toimumises sündmustest A ja B. Summa on kujutatud
graafiliselt joonisel 2.1 varjutatud alana.
Ilmselt kehtivad seosed
A  A  A,   A  , A    A.
Sündmuste A ja B korrutiseks nimetatakse sündmust A  B , mis seisneb sündmuste A ja
B toimumises. Korrutis on kujutatud joonisel 2.2.

Joonis 3.1 Joonis 3.2

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 

,

mis seisneb vähemalt ühe sündmuse toimumises nendest sündmustest.

Sündmuste Ak (k  1, 2, ..., n) korrutiseks 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 sündmuste liitmise ja korrutamise assotsiatiivsuse seadus

( A  B)  C  A  ( B  C ),
( A  B)  C  A  ( B  C )
ja distributiivsuse seadus
( A  B)  C  ( A  C )  ( B  C ) .
Sündmuste A ja B vaheks nimetatakse sündmust
A\ B,
mis seisneb selles, et toimub sündmus A, aga ei toimu sündmust B. Vahe on kujutatud joonisel
3.3.

Joonis 3.3 Joonis 3.4

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.

Joonis 3.5. Seose A  B  A  B tõestus Joonis 3.6. Seose A  B  A  B tõestus

Duaalsusseosed võib üldistada sündmuste hulga jaoks:

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 .

Näide 3 . Kirjutada liitsündmusena sündmus W= ‗ toimub kas A või B’ - toimub parajasti

üks sündmustest A ja B:

W  ( A  B )  ( A  B),

Näide 4. Kirjuta liitsündmusena sündmus W= ‘ ülimalt üks (A või B) sündmustest A ja B ’

,

W  A  B  A  B.

Näide 5. Kirjuta liitsündmusena sündmus W= ‘kumbki sündmustest A ega B ei toimu‘.

See on sündmuse A  B vastandsündemus A  B , mis Morgani esimese seaduse järgi on

W  A  B  A  B.
-- kasutatud on Morgani I seadust.

1.4. Elementaarsündmuste ruum

Klassikaline tõenäosusteooria tegeleb sündmustega, mis saab esitada teatud elementaarsete

sündmuste lõpliku summana. Elementaarsündmused seejuures katavad kogu sündmuste ruumi
ja vastastikku ei kattu. Sellist elementaarsündmuste hulka nimetataksegi elementaarsündmuste
ruumiks. Elementaarsündmuste kaudu saab avaldada suvalisi sündmusi, kui
elementaarsündmused üksteise kaudu avaldatavad ei ole.

Mõned eelnevad definitsioonid.

Kaks sündmust A ja B on vastastikku välistavad , kui sündmus A välistab sündmuse B ja
vastupidi (Fig 4.1):
A  B  .

12
Vastasel juhul on A ja B vastastikku mittevälistavad ehk kattuvad sündmused (Fig 4.2):
A  B  .

Olgu A sündmuste hulk

A  A1 , A2 ,..., An ,
Kus kõik sündmused on vastastikku välistavad (Fig 4 .3):
Ai  Ak   (i  k ).

Figure 4.1 Figure 4.2

Figure 4.3 Figure 4.4

Siis A on täielik süsteem (sündmuste täissüsteem), kui (Fig. 4.4)

n

A k  .
k 1

13
Lihtsaim täissüsteem on A, A.

E on elementaarsündmus, kui ei eksisteeri sündmusi

E1  E, E2  E
.
Mille korral

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

Märklaua juhul on (ideaalne

püss tekitab punkti märk-
lauale) elementaar-
sündmuseks punkt märklaual

‘Kull ja kiri‘ juhul on

elementaarsündmusi 2,
elementaarsündmuste ruum
on kahedimensionaalne.

Elementaarsündmuse näol on tegemist väga fundamentaalse kontseptsiooniga,

elementaarsündmuste kaudu kirjeldub sisuliselt kogu sündmuste ruum  :

Kui elementaarsündmuste süsteem E  E1 , E2 , ..., En  on täielik:

n
 Ek  
k 1
siis nimetatakse seda elementaarsündmuste täissüsteemiks e. baasiks (sündmuste) ruumis
. Nii et E on sel juhul baas.

14
Iga sündmuse
A
saab esitada elementaarsündmuste summana basis E:
A  Ei1  Ei2 .... Eik .
Kusjuures see esitus on ainus.

Näide 1. Täringuviskamise eksperiment. Elementaarsündmuste ruum on kuuedimensionaalne,

n = 6. Elementaarsündmusteks Ek (k  1, 2, ..., 6) on kas konkreetse tahu saamine või –
mis on lihtsamini jälgitav - täringu viskamisel saadav silma arv k. Sündmuse A – täringul
tuleb paarisarv silmi – võime kirjutada kujul
A  E2  E4  E6 .
Näide 2. Eksperimendiks on suvalise päeva valimine kalendris (aastas).
Elementaarsündmuseks Ek (k  1, 2, ..., 7) on (defineeritud) konkreetne nädalapäev
(esmapäev,...., pühapäev). Sündmus ‚ puhkepäev‘ on siis

A  E1  E6 .

:
E1  E E2  T E3  K E4  N E5  R E6  L E7  P

Näide 3. Lotoeksperiment. Kinnises anumas (‚urnis‘) on 48 ühetaolist kuuli.

(1) Elementaarsündmuseks on ühe kuuli juhuslik valimine.

: 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 .

Näide 4. (Kvantmehaaniline) Vesinikuaatom võib asuda erinevates energiaseisundites

ei  hi , i  0,1,2,......... . Minnes üle põhiseisundisse kiirgab aatom valguskvandi kindla
(diskreetse) sagedusega  i (h on Plancki konstant) , mida eksperimentaator registreerib
(‚näeb‘ ) teatud värvusega kiirgusena. Elementaarsündmuseks Ei ongi siin mingi konkreetse
sagedusega (lainepikkusega) kiirguskvandi saamine konkreetses kiirgusaktis.

Elementaarsündmuste ruum võib olla ka mitteloenduv e. kontinuaalne.

Näide 5. (Reaaltelg kui kontiinum). Elementaarsündmuseks on arvu ‚saamine‘ reaalteljel
(torkate pliiatsiotsaga juhuslikku punkti reaalteljel. Sellele punktile vastab mingi reaalarv, mis
ongi elementaarsündmuseks). Elementaarsündmuste ruum  on siin kogu reaaltelg.
 
Sündmuseks A või olla näiteks reaalarvu sattumine intervalli x1 , x2 , ehk teiste sõnadega
 
kogu intervallis x1 , x2 sisalduv punktihulk. Seega sisaldab sündmus A mitteloenduvat hulka
elementaarsündmusi. Selline sündmuse definitsioon on kõige huvipakkuvam praktilise
tõenäosusteooria vaatepunktist. Aga huvi pakuvad näiteks ka sündmus B : saadav arv on
ratsionaalarv ja sündmus C : saadav arv on irratsionaalarv.

16
1.5. Vektorsündmused. Juhusliku vektori elementaarsündmuste süsteem

Tegemist on juhusliku sündmuse üldistusega mitme juhusliku sündmuse toimumisele

samaaegselt ühes ja samas eksperimendis.
Olgu nii, et
 samas eksperimendis leiab aset korraga (mitu) N erinevat juhuslikku sündmust,
A, B, C,.... ,
Me võime vaadelda siin liitsündmust vektorina V:
V = {A,B,C, .... } ,
mille komponendid on juhuslikud sündmused.
 Sündmused toimuvad alati kõik N tükki; Seega liitsündmus on siin

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

E  {a1....,aNa }  {b1....,bNb }  {c1....,cNb },... .

Tegemist on olulise kontseptsiooniga, kuna ilma selleta on näiteks kahe täringu viskamine
raskesti interpreteeritav elementaarsündmusena.
Olgu öeldud et mitmedimensionaalsetele juhuslikele sündmustele (juhuslikele vektoritele) Venni
diagrammide ehitamine on kunstkopp ülesanne ja on visuaalselt teostatav vaid 2D ja 3D
juhtudel. Siin on parajasti kehedimensionaalne näide.

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

Näide 2. Juhuslikuks kahedimensionaalseks vektoriks on kahe kuuli juhuslik valimine

urnist, kus on 48 kuuli (Viking Loto erijuhtum)

:
Vektor on kahedimensionaalne, võimalike
elementaarsündmuste hulgaga {1,..., 48}
kummaski dimensioonis}

Elementaarsündmuseks Eij on i-nda ja j-nda

kuuli võtmine ‚pimesi‘.
A\B 1 2 … … i … 48
Elementaarsündmuste ruumi mõõde on siin
1 (a) 48 x 48 = 2034
2 Kui kõik ruudud on elementaarsündmused:
sama kuuli võib võtta kaks korda ja kuulide
… järjekord on oluline – ij ja ji on erinevad
sündmused.
j E ji
(b) 48 x 47 / 2 = 1128
… Elementaarsündmused on ülespoole
diagonaali jääv roheline osa:
… Kui sama kuuli ei saa teist korda võtta ja
kuulide järjekord ei ole oluline
48

18
Elementaarsündmuste ruum võib olla ka mitmedimensionaalne, koordinaatide loenduvate
elementaarsündmuste süsteemidega ja / või isegi mitteloenduvate e. kontinuaalsete
elementaarsündmuste süsteemidega vektorruumi struktuuriga.

Näide3. (Tasand kui kahedimensionaalne kontiinum).

Katse all vaatleme ringikujulise märklaua tabamist. Ringi keskpunkt olgu koordinaadisüsteemi
alguspunktis ja raadius olgu r.

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  .

Kokkuvõttes oleme jõudnud järgmise mudelini.

Vaadeldava katsega seome mingi
elementaarsündmuste ruumi  , nii et katse
tulemusel toimub üks ja ainult üks
elementaarsündmus E , mida interpreteerime hulgana, mis sisaldab ainult ühe elemendi
(üheelemendiline hulk). Kindel sündmus on seega kõigi elementaarsündmuste hulk  ja
võimatu sündmus tühi hulk  . Kontseptsioon töötab ühtmoodi hästi nii ühedimensionaalse
juhusliku sündmuse kui mitmedimensionaalsete juhuslike sündmuste vektorite baasil.

1.6. Sündmuse sagedus

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

4. Sageduste liitmisreegel. Kahe teineteist välistava sündmuse A ja B korral kehtib võrdus

P * ( A  B)  P * ( A)  P * ( B) .
Et
m( A) m( B)
P * ( A)  , P * ( B) 
n n
ja
m( A  B)  m( A)  m( B) ,
siis

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) .

Piiril tekib niisiis tingtõenäosus P( A B) .

Joonis 6.2

Olgu (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 )

1.7. Sündmuse tõenäosus

Sündmuse tõenäosus on tõenäosusteooria olulisemaid mõisteid.

Katselise tõenäosusega kui sageduse piirväärtusega tutvusime.
Teoreetiline tõenäosus antakse ette ja on teada aprioorsetest kaalutlustest.

Näide.1. Ideaalse täringu mistahes tahu (silmade) tuleku tõenäosus on 1/6.

Lugedes konkreetse tahu tuleku elementaarsündmuseks E , i  1,.....,6 , võime kirjutada

i

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:

Olgu E  E1 , E2 , ..., En  elementaarsündmuste süsteem ruumis .

Vaatame olukorda, kus n on lõplik. Sündmus A avaldugu m elementaarsündmuse kaudu, s.o
m
A   Eik (ik  1, 2, ..., n) . (7.1)
k 1

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.

Siis tõenäosus sündmuse (6.1) saamiseks on

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 .

Toodud omadused jäävad kehtima ka siis, kui elementaarsündmuste ruum on lõpmatu

loenduv s.t. n   .

Elementaartõenäosused p  p( E ) ei pea olema võrdsed

k k
ja lõpmatu n korral
ei saagi olla.

Näide 1.
Vaatame knopkat täringu rollis. Tal on kaks ‗tahku‘ , s.o. kaks asendit - selili ja külili.

Elementaarsündmused on

E1 " selili" , E2 " külili" ,

Kusjuures vastavad tõenäosused on (kõige

usaldusväärsem on leida sageduse kaudu) üldiselt
erinevad. Näiteks: p1  1 / 4, p2  3 / 4,

24
Näide2. Olgu elementaarsündmuseks Ei kulli tulemine kõigil i-l viskel.

(Küsimus: milline on elementaarsündmuste ruum ? )

Et üksikviskel on kullisaamise tõenäosus (1/2), on
i
1
p ( Ei )   
2
[Isomorfne on lõigu poolitamise ülesanne: Kogu sündmuste ruum on ühiklõik, esimene
elementaarsündmus on esimene pool, teine elementaarsündmus on esimene pool järelejäänust
jne.
Teine sellega isomorfne tõenäosusjaotus on aatomite energeetiline ergastatus, kui valime
ei , i  1,2,3,....,, p(ei )  (1 / 2)i . ].

Kuna kehtib valem (tõestada iseseisvalt)

n
1 rn 
r

i 1
r r
i

1 r
  ri 
i 1 1 r
,

(teine summa on koonduv vaid siis, kui | r | 1)

saame
  i
1

i 1
p( Ei )     1.
i 1  2 

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.

1.8. Tõenäosus vektorsündmustel

Kui on tegu vektorstruktuuri omava sündmusega V ={ A, B, C} siis eeldame

elementaarsündmuste süsteemi olemasolu igal komponendil, nii et sündmuse V igaks
realisatsiooniks on üks sündmustest

vijk  ai  b j  ck , i  1,..., N B , j  1,..., N B , k  1,..., NC .

Tõenäosuse loeme antuks , kui on antud tõenäosus iga elementaarsündmuse jaoks

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

Ainsaks oluliseks üldistuseks on olukord, kus koordinaadid (komponentsündmused) A, B ja

C on vastastikku sõltumatud juhuslikud sündmused. Sel juhul kehtib

pijk  P(vijk )  P(ai  b j  ck )  P(ai )  P(b j )  P(ck ).

See on sõltumatute juhuslike sündmuste tõenäosute korrutamise reegel.

Näide Kolm ideaalset täringut visatakse korraga.

Tegu on vektorsündmusega. Vektoril on kolm komponenti, igaühe elementaarsündmuste ruum
ja tõenäosuste jaotus on ühetaoline.

Ei , i  1,.....,6,  p( Ei )  1 / 6
Elementaarsündmus on

Eijk  Ei  E j  Ek , i  1,...,6, j  1,...,6, k  1,...,6,

Ja sündmuse tõenäosus on

pijk  p( Eijk )  p( Ei  E j  Ek ) 
p( Ei )  p( E j )  p( Ek )  (1 / 6)3  1 / 216  0.004(629)

1.9. Klassikaline elementaarsündmuste ruum

‚Klassikaline‘ tõenäosusteooria (näiteks mängude teooria) tegeleb selliste eksperimentidega,

kus elementaarsündmuste ruum on lõplik ja kehtib eelmise punkti valem (7.3) - kehtib
elementaarsündmuste võrdtõenäosuse eeldus. Sel juhul järeldub (1)—st (tõesta!)

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.

Siin on tegu vektorsündmusega. Komponendiks 0 1 … i … 8 9

(koordinaadiks) A on eelviimane numbrikoht, mis võib
omandada väärtused 0,...,9 ja analoogiliselt on ka 0
sündmus B viimase numbrikoha väärtus.
Elementaarsündmus on ...

ai  b j  i  j, i  j, j

(lillad ruudud ei ole elementaarsündmused) ...

Elementaarsündmuste arv (kõigi juhtude arv) on
...
n  V  10  9  90,
2
10
8
soodsate juhtude arv on 1. Järelikult
1
p  0,011(1) .
90
Siin ei ole vektori komponendid päris sõltumatud, seetõttu on tõenäosus pisut suurem kui oleks
täieliku sõltumatuse korral.
Kui aga kaks viimast numbrit võivad olla ühesugused, siis lillad ruudud on ka
elementaarsündmused ja kõikide juhtumite kokkulugemine annab

n  W102  102  100

1
p  0,01.
100
Et tegemist on vastastikku sõltumatute komponentidega, kusjuures kummalgi komponendil
kehtib

p(ai )  p(bi )  1 / 10, i  0,....,9

siis vastavuses sõltumatute sündmuste tõenäosuste korrutamise reegliga saame

p  p(ai )  p(bi )  1 / 100.

27
Tuletame meelde: Variatsioonid.

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

Vnm  n(n  1)( n  1)  ........  (n  m  1).

Variatsioonid kordumistega n elemendist m kaupa Wnm on arv, mis näitab, mitmel erineval
viisil saab n elemendist valida m elementi, kusjuures elementide järjestus valimis on oluline,
kuid (erinevalt variatsioonidest) üht ja sama elementi võib valida korduvalt (kuni m korda).
Kordumistega variatsioonide arvutusvalem on

Wnm  n m .

Näide 3. Seitsmele kaardile on kirjutatud tähed

a, i, l , l , n, n, T .
Leida tõenäosus, et juhuslikult järjestatud kaartidel tuleb sõna ―Tallinn‖.

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

Tuletame meelde: Permutatsioonid.

Permutatsioonid n elemendist tähistatakse n!. Permutatsioonid on arv, mis näitab, mitmel eri
viisil saab järjestada n elementi. Permutatsioonide arvutusvalem on
n! 1  2  3  ....... (n  1)  n.

Tuletame meelde: Kombinatsioonid.

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 )!

Näide 4. Urnis on 8 valget ja 4

musta kuuli. Juhuslikult
valitakse 2 kuuli. Leida
tõenäosus, et mõlemad kuulid
on valged.

Taas kõige esimene küsimus:

mis on elementaarsündmus?
See on: 2 kuuli valimine 12-st.
Siin on kahemõõtmeline
vektorsündmus. Kumbki
vektori komponent (koordinaat
A ja koordinaat B) koosneb 12
elementaarsündmusest, kuid
komponendid ei ole päris
sõltumatud:
Et korraga sama kuuli kaks
korda võtta ei saa, ja et kuulide
järjekord pole oluline siis on
elementaarsündmuste ruum
sinised ruudud ülalpool
diagonaali.
Mustas ruudus on ‘mõlemad mustad kuulid‘ elementaarsündmused. Kuldses ruudus on
‘mõlemad kuulid on valged‘ elementaarsündmused.

Lihtne lugemine annab soodsate juhtude arvu 𝑚 = 1 + 2 + . . . . . + 7 = 7 ∙ 8/2 = 28

Kõikide sündmuste arv on n= 1 + 2 + ⋯ + 11 = 11 ∙ 12/2 = 66
Seega
28
𝑝= = 0.424(24)
66
Oleme ära kasutanud aritmeetilise rea summa valemi
𝑛
𝑛(𝑛 + 1)
𝑖=
2
𝑖=1

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
.

A 𝑎1 𝑎2 𝑎3 .... 𝑎𝑗 .... .... 𝑎𝑖 .... .... .... 𝑎12

B 𝑏1 𝑏2 𝑏3 .... 𝑏𝑗 .... .... 𝑏𝑖 .... .... .... 𝑏12

Elementaarsündmus vij  ai  b j , i  j, on i-nda kuuli ja j-nda kuuli võtmine.

Mustad kuulid on paigutatud oranžidesse kastidesse. Ainuke lisakitsendus on siin 𝑖 > 𝑗 (või
soovi korral ka vastupidi).

Siit on näha, et otsitav sündmus -- mõlemad vektori komponendid on valged – ei ole

elementaarsündmus, vaid üksteist välistavate elementaarsündmuste summa ja seega toimub
siin erinevate elementaarsündmuste tõenäosuste liitumine.
Kõikide juhtude arv n on kombinatsioonide arv 12 elemendist 2 kaupa:

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

87
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.

Näide 5. Eesti Loto “5 32-st”.

[Tegelt on see lotomäng nüüdseks lõpetatud Viking Loto kasuks].
Leida tõenäosus, et ühel täidetud piletil on märgitud õigesti: 1) 3 numbrit, 2) 4 numbrit, 3) kõik 5
numbrit.

30
Kuna eksperiment seisneb 5 kuuli juhuslikus valikus, siis eksperimendi juhuslik vektor on 5-
dimensionaalne 𝐴 = {𝐴1 , 𝐴2 , 𝐴3 , 𝐴4 , 𝐴5 , }, Näiteks graafiliselt esitatuna:

𝐴1 𝑎1,1 𝑎1,𝑖 𝑎1,32

𝐴2 𝑎2,1 𝑎2,𝑙 𝑎2,32

𝐴3 𝑎3,1 𝑎3,𝑖 𝑎3,32

𝐴4 𝑎4,1 𝑎4,𝑗 𝑎4,32

𝐴5 𝑎5,1 𝑎5,𝑘 𝑎5,32

Kusjuures iga komponent (koordinaat} 𝐴1 , 𝐴2 , 𝐴3 , 𝐴4 , 𝐴5 võib omada 32 erinevat juhuslikku

väärtust (iga komponendi ühemõõtmeline elementaarsündmuste ruum koosneb kolmekümne
kahest elementaarsündmusest. Näiteks 𝑎𝑖𝑗𝑘𝑙𝑚 = {𝑎1,𝑖 , 𝑎2,𝑙 ,......., 𝑎5,𝑚 } jne.
Erinevate valikute hulk 32 elemendist 5 kaupa, nii et üks element ei saa esineda mitu korda ja
elementide järjekord ei ole ka oluline, on

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.

1) ‘Kolm õiget numbrit viiest‘.

Kui oleme mingi konkreetse 5-se valiku teinud, mis sisaldab kolme soovitud kuuli, siis
kõikide erinevate võimaluste arv sellise tulemuse saamiseks on

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

M  0,01743  N  0,01743 100  1,7.

Nii et saja pileti kohta ca 1- 2 kolmest võitu. On seda palju või vähe?

2) ‘neli õiget numbrit viiest‘:

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.

3) viis õiget numbrit viiest ‘:

m5  1
1
p5   0,000005 .
201376
Seega ‘jackpoti‘ saamiseks on vaja mängida 200 tuhat korda.

Näide 6. (Analoogiline eelnevaga). Viking Lotol on 48 numbrit (kuuli) ja võidud on 3, 4, 5 ja 6

õiget numbrit (6 on ‚Jackpot‘). Vastavad võidutõenäosused tulevad
p3  0,02313  1 / 43, p4  0,00116  1 / 860, p5  0,000021  1 / 50000,
p6  1 /(12,3 106 ).

Praktiliselt võimatud ja praktiliselt kindlad sündmused.

Sageli on tegemist sündmustega, millede tõenäosus on väga väike (lähedane nullile). Siit ei
järeldu, et üksikul katsel sündmus ei toimu. Pikaajaline praktika aga näitab, et vähe tõenäoline
sündmus üksikul katsel enamikel juhtudel ei toimu. Näiteks võit loteriil! Siit tuleneb nn väikese
tõenäosusega sündmuse praktilise mittetoimumise printsiip: kui sündmuse tõenäosus on väga
väike, siis praktiliselt üksikul katsel seda sündmust ei toimu.

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.

Küsimus: kuidas muuta loteriil võitmine kindlaks sündmuseks?

Õige vastus: hakake loterii korraldajaks (omanikuks).

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.

1.10. Tingtõenäosus ja Bayesi valem

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.

P(A) - täistõenäosus A saamiseks

P(B) - - täistõenäosus B saamiseks
tõestus on praktiliselt samad mis varem tingsageduse valemi saamisel.
Hästi põhjendatav geomeetrilist tõenäosust kasutades:

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

Kasutades siin elementaarsündmuse tõenäosust , saab selle esitada ka nii

P( A | E ) p
P( E | A)  i i

 P( A | E ) p
i n
j 1 j i

1.11. Geomeetriline tõenäosus

Tõenäosuse klassikaline definitsioon nõuab, et elementaarsündmuste ruum on lõpliku-

mõõtmeline. Rakendustes esinevad aga sageli ülesanded, kus elementaarsündmuste ruum on
lõpmatumõõtmeline ja seejuures pidevalt lõpmatu (kontinuaalne). Mõnikord saab niisugustel
juhtudel kasutada tõenäosuse leidmiseks niisuguseid meetodeid, kus oluline osa on ikkagi
sündmuste võrdvõimalikkuse mõistel. Kasutada saab seda ülesannetes, mis taanduvad juhusliku

35
punkti sattumisele (viskamisele) lõiku, lõplikku tasandilisse või ruumilisse piirkonda. Siit
pärinebki meetodi nimetus – geomeetriline tõenäosus.

Vaatleme algatuseks kahemõõtmelise geomeetrilise tõenäosuse juhtumit. Olgu D ja D1

piirkonnad tasandil, olgu D1  D ja olgu nende pindalad vastavalt S (D) ja S ( D1 )
(Joon. 11.1).
Kui elementaarsündmuseks on punkti sattumine piirkonda D, kui kõik punktid
(elementaarsündmused) on võrdtõenäosed ja kui sündmuseks A  A( D1 ) on punkti
sattumine katsel piirkonda D1 , siis on sündmuse A 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.

Näide. Kaks tuttavat otsustavad kohtuda teatud

kohas ajavahemikul [T , T  t ] . Saabuja ootab
t / 2 min. Kui teist tuttavat selle aja jooksul ei
tulnud või oli enne lahkunud, siis kohtumist ei
toimu. Leida tõenäosus, et kohtumine toimub.

36
Olgu tuttavate saabumise ajamomendid x ja y . Kohtumine toimub, kui
t
x y  .
2

Arvutuste ja joonise lihtsustamiseks võime ilmselt võtta T  0 . Elementaarsündmuste ( x, y )

hulk D on ruut 0, t   0, t .
Kohtumistele vastav elementaarsündmuste hulk D1 (rahuldab võrratust (6.4)) on joonisel
tähistatud halli värviga. Nüüd

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?

Vastav tõenäosus on ühikulise diameetriga ringi

pindala SO   / 4 suhe ühikruudu pindalasse.

S R  1, seega

P  SO / S R   / 4  0,785

DEMO:  väärtuse arvutamine vihmasajus.

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.

3. Kui on olemas piirväärtus

mn
lim  p* ,
n n

siis nimetatakse seda sündmuse statistiliseks tõenäosuseks (R.E. Mises, 1918).

Märgime aga, et põhimõtteliselt ei ole võimalik kindlaks määrata Misese mõttes defineeritud
statistilist tõenäosust, kuna ei saa korraldada lõpmatut katseseeriat. Samal ajal võib aga iga
0 korral määrata katsete arvu n() nii, et sündmuse sagedus pn* erineb piirväärtusest
(statistilisest tõenäosusest) p * absoluutväärtuse poolest vähem kui  , s.o
pn*  p *   .
Praktikas (ja ka käesolevas konspektis) kasutatakse statistilist tõenäosust harilikult selles mõttes,
et selle väärtuseks võetakse sagedus pn* fikseeritud n korral või viimasest ümardamisega saadud
väärtus.

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

pt*  0.486, pn*  0,514 ,

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.

1990 1991 1992 1993 1994 1995 1996 1997 1998

0,5152 0,5141 0,5130 0,5199 0,5100 0,5141 0,5137 0,5188 0,5165

Kokkuvõtteks võib öelda, et sündmuse tõenäosuse võib määrata eksperimentaalselt. Selleks on

vaja korraldada katseseeria ja leida sündmuse sagedus. Seega võib väita, et (mõnedel
kitsendustel) on igal sündmusel olemas tõenäosus.

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.

Juhuslikuks suuruseks on näiteks:

täringu viskamisel saadud silmade arv,
telefonikeskjaama saabuvate kutsungite arv,
spordivõistlustel kaugushüppe võitja tulemus,
elektripirni põlemiskestus,
gaasimolekuli kiirus,
välisõhu temperatuur (mingil kindlal ajahetkel) Tartus Raekoja Platsil.
Siin kahel esimesel suurusel on naturaalarvulised, kolmel järgneval – reaalarvulised positiivsed
võimalikud väärtused, viimasel – nii positiivsed kui negatiivsed (kui mõõdame Celsiuse
kraadides).
Tähistame juhuslikke suurusi ladina tähestiku suurtähtedega X , Y , ...; nende võimalikke
väärtusi aga vastavate väiketähtedega x, y, ... . Kui katse tulemusel juhuslik suurus X
omandab väärtuse X  x , siis öeldakse ka, et x on juhusliku suuruse X realisatsioon.
Üldiselt nimetatakse juhuslikuks suuruseks suurust X, kui iga reaalväärtuselise x korral
vahemikus
 x
(seda tähistatakse ka nii: x  R, s.t „x kuulub reaalteljele―)
on määratud või antud tõenäosus leida juhuslik suurus punktist x vasemal P( X  x) .
Liigitame juhuslikke suurusi diskreetseteks ja pidevateks suurusteks (võimalikud on ka segatüüpi
juhuslikud suurused, aga neid selles kursuses ei vaadelda).
Juhuslikku suurust nimetatakse diskreetseks, kui selle võimalikeks väärtusteks on üksikud,
diskreetsed või isoleeritud väärtused. Võimalike väärtuste hulk on siin lõplik või loenduv hulk.

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.

2.2. Diskreetse juhusliku suuruse jaotusseadus

Vaatleme diskreetset juhuslikku suurust X võimalike väärtustega x1 , x2 , ..., xn , mida lühidalt

tähistame edaspidi X : x1 , x2 , ..., xn . See, et juhuslik suurus X omandab ühe neist
väärtustest, näiteks X  x2 , on tüüpiline juhuslik sündmus mingi tõenäosusega. Tähistame
tõenäosused
P( X  xk )  pk (k  1, 2, ... n) ,
mida nimetame diskreetse juhusliku suuruse X tõenäosusfunktsiooniks. Ilmselt kehtib
n

p
k 1
k  1, (2.1)

kuna sündmused X  xk on ainuvõimalikud, üksteist välistavad ja moodustavad täissüsteemi.

Siin võib küll vaadelda hulka X : x1 , x2 , ..., xn elementaarsündmuste ruumina, ainult et

klassikalist võrdtõenäosuse eeldust ei tehta.
Võrduse (2.1) paremal poolel olev arv 1 on seega jaotatud juhusliku suuruse võimalike väärtuste
vahel. Siit tuleneb ka nimetus jaotus.
Diskreetse juhusliku suuruse lihtsaimaks jaotusseaduse esitamisvormiks on tabel, kus on
loetletud võimalikud väärtused ja neile vastavad tõenäosused

X x1 x2 ... xn
P p1 p2 ... pn

Niisugust tabelit nimetatakse juhusliku suuruse jaotustabeliks.

Praktikas sobib kasutada jaotustabelit, kui võimalike väärtuste arv ei ole suur. Mõnedel juhtudel
saab jaotusseaduse anda ka valemi kujul

P( X  xk )  g ( xk ) .
41
 Joonis 2.1 Joonis 2.2

Joonis 2.3 Joonis 2.4

Jaotustabeli võib esitada ka graafiliselt, märkides juhusliku suuruse võimalikud väärtused

abstsissteljel ja tõenäosused ordinaatteljel. Seega saame joonisel üksikud isoleeritud punktid
(joonis 2.1). Selle paremaks visualiseerimiseks võib toimida mitmeti. Ühendades punktid
( xk , pk ) nende projektsioonidega ( xk , 0) abstsissteljel sirglõikude abil, saame nn
jaotusspektri (joonis 2.2). Kui ühendame punktid ( xk , pk ) omavahel sirglõikudega (see on
ainult näitlikustamiseks), saame nn jaotuspolügooni (joonis 2.3). Kasutatakse veel mehaanilist
interpretatsiooni (joonis 2.4). Siin on punktid x k kui materiaalsed punktid massidega pk ,
kusjuures masside summa on võrdne ühega .

Näide 1. Teelõigul on 4 valgusfoori. Igaüks neist fooridest lubab liiklusvahendi liikumise

tõenäosusega p . Leida liiklusvahendi poolt peatuseta (kuni esimese peatuseni) läbitud fooride
arvu jaotustabel.
Olgu juhuslik suurus X liiklusvahendi poolt peatuseta läbitud fooride arv. Ilmselt X
võimalikud väärtused on 0 (ei läbi ühtki foori), 1, 2, 3 ja 4. Tähistame tõenäosuse, et
liiklusvahend ei läbi konkreetset foori q  1  p . Siis tõenäosused avalduvad
Tõenäosus, et ei läbita ühtki foori:
P( X  0)  q.
Tõenäosus, et läbitakse esimene foor, kuid peatutakse teise ees:

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.

Konkreetsel erijuhul p = 0.5 saame

X 0 1 2 3 4

P 0,5 0,25 0,125 0,0625 0,0625

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

dbinom j  30  0.1

dbinom j  30  0.3
0.2

dbinom j  30  0.5

dbinom j  30  0.7 0.1

0
0 10 20 30
j

44
2.4. Geomeetriline jaotus

Olukord nagu eelmisel Bernoulli katsete juhul et

sündmuse A toimumise tõenäosus üksikkatsel on p, mittetoimumise tõenäosus aga on q =1 –p.

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)

Tegemist on täisarvulise juhusliku suuruse k monotoonselt kahaneva funktsiooniga.

Graafik:

dgeom( i 0.1) 0.6

dgeom( i 0.3)
dgeom( i 0.5) 0.4
dgeom( i 0.7)
0.2

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

Nii et paigas on ka normeering.

45
On lihtne näha, et varasem fooriülesanne N fooriga tuleb üle geomeetriliseks jaotuseks, kui
N  .

2.5. Poissoni jaotus

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
p0

Teisendame Bernoulli valemit (asendades suuruse p eelmisest võrdusest)

n(n  1) ... n  (k  1) k

Pn (k )  p (1  p) nk 
k!
n(n  1) ... n  (k  1)   
nk
 
k

   1   .
k! n  n
Et n on väga suur, siis leiame piirväärtuse

k   1  2   k  1    nk 
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!

Poissoni jaotuse jaotustabel on

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  1 0.6

dpois k  5

dpois k  10 0.4

dpois k  20
0.2

0
0 10 20 30
k

47
2.6. Pideva juhusliku suuruse jaotustihedus

Pidevalt muutuva suuruse X korral on tõenäosus, et tuleb etteantud fikseeritud väärtus X = x,

võrdne nulliga:
P( X  x)  0.
Et seda demonstreerida, vaatleme näiteks lõiku 0,1 ehk 0  x  1.
Küsime – kui suur on tõenäosus, et sellest intervallist juhuslikult valitud arv on võrdne arvuga
x  0.31813452 ?
Küsimus on sisuliselt mõttetu, sest tõenäosuse arvutamise reegli järgi

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

Otsitav tõenäosus määratakse vastavate lõikude pikkuste suhtena

soodsa piirkonna pikkus 52 3

p    0,428 .
kogu piirkonna pikkus 8 1 7

Siin on ilmselt tegemist geomeetrilise tõenäosuse juhtumiga, kus geomeetriliseks kujundiks on

sirglõik ning juhusliku sündmuse realiseerumise tõenäosus on võrdeline selle lõigu pikkusega.
Toodud näites ei olnud soodsas piirkonnas 2, 5 eelistatumaid ega vähemeelistatumaid alasid.
Praktilistes ülesannetes aga harilikult on.

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.

Vaatleme reaalteljel (lõpmata) lühikest poolintervalli x, x  dx  , mis sisaldab vasema

otspunkti x , kuid ei sisalda parempoolset otspunkti x  dx (vt joonis 3.2).

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.

Tähistame tõenäosuse, et pideva muutkonnaga juhuslik suurus X satuks sellesse poolintervalli

x, x  dx  , sümboliga dP . Ilmselt tõenäosus dP on võrdeline elementaarlõigu pikkusega
dx :
dP  f ( x)dx . (6.1)

Võrdetegurit f (x) nimetatakse juhusliku suuruse jaotustiheduseks. Vastavalt toodud

valemile võime kirjutada
dP
f ( x)  ,
dx
49
s.o tõenäosustihedus on tõenäosus, et X satub punkti x lähiümbrusesse, arvutatuna ühikulise
intervalli kohta.
Tõenäosustiheduse olemust illustreerib võrdlus tavalise massitihedusega. Kui vaadelda reaaltelge

muutuva läbimõõduga vardana, mille kogumass on üks, siis dP on poolintervalli x, x  dx 
mass ja f (x) varda massi joontihedus punktis x .

2.7. Tõenäosustiheduse põhiomadused.

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.

3. Tõenäosus lõplikul lõigul. Summeerides valemi (3.1) üle elementaarintervallide dx lõplikul


poolintervallil a, b  , s.o summeerides intervalli elementaartõenäosused dP , saame
tõenäosuse, et juhuslik suurus X satub sellesse vahemikku:
b b
P(a  X  b)   dP   f ( x)dx . (7.1)
a a

Vastavalt määratud integraali definitsioonile on paremal oleva integraali väärtuseks kõvera

f (x) alla jääva, vasemalt ja paremalt vertikaaljoontega x  a ja x  b ning alt reaalteljega
piiratud kujundi pindala S (joonis 7.2)

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

4. Nullile lähenemine argumendi kasvamisel. Selleks, et integraal (3.3) eksisteeriks kõikide

a ja b väärtuste korral, peab kehtima
lim x f ( x)  0.
5. Normeerimistingimus:



 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).

6. Lõplikul lõigul lokaliseeritud tõenäosustihedus.

 
Võib osutuda, et tõenäosustihedus on null väljaspool mingit lõplikku intervalli a, b . Sel juhul
on ka tõenäosus, et juhusliku suuruse realisatsioon satub väljapoole seda intervalli, võrdne
nulliga. Tõenäosustihedus võib seejuures saada nulliks intervalli otstes (joonis 3.6a), aga see ei
ole tingimata tarvilik ning ta võib olla ka nullist erinevate väärtustega otstes (joonis3.6b).
 
Intervalli a, b nimetatakse jaotuse kandjaks.

Joonis 7.4a Joonis 7.4b

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

Integraalne jaotusfunktsioon F (x) on kõrvuti jaotustihedusega teine enamlevinud vahend

pideva juhusliku suuruse X kirjeldamiseks.
Juhusliku suuruse X integraalseks jaotusfunktsiooniks F (x) nimetatakse funktsiooni, mis on
võrdne tõenäosusega, et kehtib võrratus X x:
F ( x)  P ( X  x) .
Seega, funktsioon F(x) on tõenäosus, et juhuslik punkt X asetseb arvsirgel punktist x
vasakul, piirkonnas (, x) (joonis 4.1).

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.

Integraalse jaotusfunktsiooni omadused

1. Jaotustihedus on integraalse jaotusfunktsiooni tuletis
dF
f ( x)  . (8.2)
dx
Tõestuseks vaatame diferentsiaali
x  dx x
dF  F ( x  dx)  F ( x)  

f ( y )dy   f ( y)dy


.
x  dx
  f ( y)dy
x
 f ( x)dx

 
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).

3. Integraalse jaotusfunktsiooni monotoonsus. Integraalne jaotusfunktsioon F (x) on

mittekahanev funktsioon:
Kui x1  x2 , siis F ( x1 )  F ( x2 ) .
Kõige vahetumalt järeldub F monotoonsus tema tuletise f mittenegatiivsusest (vt eelmine
punkt, omadus 1). Kui funktsiooni tuletis on null või suurem nullist, siis funktsioon ei saa
kahaneda, sest tema tõusunurga tangens (võrdub tuletisega ) on kõikjal mittenegatiivne.

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 xb .
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  .
ba
Seega ühtlase jaotuse lõplik kuju on
1
f ( x)  , a  x  b. (9.1)
ba

Leiame ühtlase jaotuse integraalse

jaotusfunktsiooni.
Kui x  a , siis F ( x )  0.
Kui a  x  b , siis valemi (4.1) põhjal
x x
dy xa
F ( x)   f ( y )dy    .
 a b  a b  a
Kui x  b , siis
b
dy x
ba
F ( x)     0  dy   1.
a ba b ba
Seega

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.

Ühtlase jaotuse näiteid.

1. Browni osakesed, mis alguses on vedelikku ‘sisse pritsitud‘ ühte punkti, jaotuvad aja kasvades
(s.o t   korral) lõplikus anumas ühtlaselt. (Kui tahame olla korrektsed ja piirduda siin
vaid ühemõõtmelise juhusliku suurusega, tuleks valida anumaks kapilaartoru, siis osakeste jaotus
piki kapillaartoru on ühemõõtmelise juhusliku suuruse jaotustihedus.)
2. Mõõteriistast põhjustatud mõõtmisvead loetakse ühtlaselt jaotunuks mingis intervallis (nn B-
tüüpi e. mittestatistilise päritoluga mõõtemääramatus, millega teevad tutvust füüsika praktikumi
läbijad).

2.10. Eksponentjaotus

Eksponentjaotus on lihtsaim jaotus, mille kandjaks on kogu positiivne pooltelg 0,  .

Eksponentjaotuse integraalne jaotusfunktsioon on

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)

annab tõenäosuse, et aatom on lõhustunud hetkeks t. Parameeter 

 1 / t 0 käesolevas
näites. Tuumafüüsikas ja kiirguskaitses on kõrvuti t 0 -ga kasutusel poolestusaeg t1 / 2 – aeg, mille
jooksul isotoobi aatomite arv kahaneb kaks korda:

F (t1/ 2 )  1 / 2 ehk exp( t1 / 2 / t 0 )  1 / 2 .

See jaotusseadus saadakse järeldusena lõhustumisseadusest, mille tuletuskäik on järgmine.
Olgu isotoobi aatomite arv antud konkreetses proovis n(t) ja olgu nende muut aja dt jooksul dn.
Ilmselt dn ~ n ja dn ~ dt (märk „~― tähendab „võrdeline―) . Seega dn ~ n dt. Tähistame

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).

Näide 2. Footoni neeldumise tõenäosus hägusas keskkonnas allub eksponentjaotusele.

Tõenäosus, et footon läbib hägusas keskkonnas vahemaa x enne kui ta neeldub, on

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

Normaaljaotus e. Gaussi jaotus on üks tähtsamaid jaotusseadusi juhuslikele suurustele, mis on

jaotunud kogu reaalteljele ja võivad omandada väärtusi vahemikus  ,  .
Juhusliku suuruse jaotust nimetatakse normaaljaotuseks ehk Gaussi jaotuseks, kui
jaotustihedus on
1  ( x  a) 2 
f ( x)  exp   , (11.1)
 2  2 
2

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

Joonis 11.2. Erinevad normaaljaotused   1 korral: a = –2 (kõver f3(x)),

a = 0 (kõver f2(x)) ja a = 2 (kõver f1(x)).

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

Joonis 11.3. Normaaljaotus ( a  0 ) erinevate  -de korral: f1(x ) –  = 1,

f2(x) –  = 2 ja f03(x) –  = 0,3.

Normaaljaotus (7.1) on normeeritud, s.t kehtib


1  ( x  a) 2 
 2 
exp   dx  1. (11.2)
 2 2


Kui a  0 ja   1, siis nimetatakse jaotust standardiseeritud (standardseks)

normaaljaotuseks. Sel korral on jaotustihedus

1  x2 
( x )  exp    . (11.3)
2  2
Normaaljaotuse ja standardiseeritud normaaljaotuse vahel kehtib seos

1  xa
f ( x)   .
   

2.12. Integraalne normaaljaotus. Veafunktsioon.

Leiame tõenäosuse, et normaaljaotusega juhuslik suurus X omandab väärtuse vahemikust

(, ) . Selleks kasutame valemit (7.1)
 
1  ( x  a) 2 
P(  X  )   f ( x)dx   exp   dx .

 2    2 2


61
Teisendame integraali muutujate vahetusega

xa
t , dx  2  dt ,
2
siis
(  a ) /( 2 )

 exp  t dt 
1
P(  X   )  2

 (  a ) /( 2 )
(12.1)
(  a ) /( 2 ) ( a ) /( 2 )

 exp  t dt  exp  t dt

1 1
 2
 2
.
 0
 0

Et viimased integraalid ei avaldu kvadratuurides (s.t, nad ei ole avaldatavad teadaolevate

elementaarfunktsioonide kaudu), siis defineerime uue funktsiooni, mille kaudu avaldame
nõutava tõenäosuse.
Veafunktsiooniks nimetatakse integraali
x
2
erf ( x)  
0
exp( t 2 )dt , (12.2)

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

erf ( x) 2 1.5 1 0.5 0 0.5 1 1.5 2

0.5

Joonis 12.1. Veafunktsioon. x

62
Veafunktsiooni omadusi.
Mõlemad alljärgnevad omadused on näha graafikult joonisel 7.5. Tõestame need siin ka
definitsioonist (7.5) lähtudes.

1. Veafunktsioon on paaritu funktsioon: kehtib

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

Kuna vastavalt valemile (7.6)

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   22  dy ,
 2    
siis muutujate vahetusega
ya
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

Lähemalt tehakse sellega tutvust statistilise füüsika kursuses.

Näide 2. „Süstime― kapillaartorusse punkti x  a Browni osakese. Igal järgneval ajahetkel

on osakese tõenäosusjaotus piki kapillaartoru (tõenäosus leida osake punkti x ühikulises
ümbruses) antud normaaljaotusega, mille keskväärtus on parajasti a ja mille standardhälbe ruut
 2 ~ t , kus t on eksperimendi algusest möödunud ajavahemik. Tegemist on n.ö ajas
laiali valguva normaaljaotusega (mis läbib järjestikku faasid 3, 2, 1 joonisel 7.3). Kui toru on
piisavalt pikk, siis jaotustihedus läheneb lõpuks nullile. Küllalt lühikese kapillaari korral tekib
suurte t -de piirkonnas kõrvalekaldumine normaalsest seadusest, kuna osake hakkab
põrkumisel toru otsaseinaga sellelt peegelduma, mistõttu Browni osakese tõenäosusjaotus läheb
lõpuks üle ühtlaseks jaotusseaduseks.

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.

Astmejaotus e. Pareto jaotus on

 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

Joonis. Sama asi Wikipediast. Vasemal on tõenäosustihedus ja paremal on integraalne jaotus r

= k = 1 , 2 , 3 korral.

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.

Pareto jaotusele alluvad

 Inimasustuste suurus (vähe linnu, palju külasid)
 Failide suurusjaotus, mis liiguvad internetis
 Õliväljade suurus (mõned suured naftamaardlad, palju väikesi)
 TÜ ‘aurumasina‘ (Arvutuskeskuse superrvuti) tööde maht
 Liivaterade suuusjaotus
 Meteoriitide suurusjaotus
 Aerosooli suurusjaotus.

66
2.14. Lognormaaljaotus

Kui y = ln x on jaotunud normaalselt, siis x kohta öeldakse, et see suurus on jaotunud

logaritmilis-normaalselt e. lognormaalselt.

Joonis. Lognormaalne jaotus. a = 0,   10,1.5,1.,0.5,0.25,0.125

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.

 Aerosool või olla jaotunud selle seaduse järgi.

2.15. Weibulli jaotus

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).

 Weibulli jaotust järgivad suuruste järgi mitmed granulaarsed materjalid

(makroosakesed).
 Kasutatakse populatsiooni suremusjaotuse kirjeldamiseks indiviidi vanusest x. k<1
vastab suurele suremusele imikueas ja selle kiirele kahanemisele vanuse kasvades, k> 1
on suremuse kasvamine koos vanusega. k = 1 on neutraalne juhtum: surma saabumise
tõenäosus ei sõltu vanusest. On sümptomaatiline, et see viimane juhtum on
eksponentjaotus.
 Analoogiline eelnevaga: tööstuslikult toodetud seadmete purunemise tõenäosustihedus
(ingl. failure rate) sõltuvalt ekspluatatsiooniajast x.

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)

Analoogiliselt, olgu ühtlane jaotus (5.1) lokaliseeritud lõigul x0   / 2, x0   / 2 (s.t

a  x0   / 2 , b  x0   / 2 ). Tähistame selle ühtlase jaotuse

 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)

Joonis 16.1 demonstreerib, mil viisil kitsad jaotused  ja  lähendavad delta-funktsiooni

erinevate  ja   -jaotuse puhul on parameetri  väärtusteks valitud
väärtuste korral.
  0.1 ja   0.02 .  -jaotuse parameetri  väärtused on võetud vastavalt võrdseks
   2 , mis tagab  - ja  -jaotuste võrdse kõrguse ja seega parema vastastikuse
võrreldavuse. Lisaks on  -jaotuse tsenter x 0 paigutatud punkti x0  1 ja  -jaotuse tsenter
vastavalt punkti x0  1. On näha, et mida väiksem on  (vastavalt  ) väärtus, seda kitsam ja
kõrgem on jaotustihedus.

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,

tõenäosustihedus on esitatav delta-funktsioonide kaalutud summana, kus kaaludeks on diskreetse

suuruse tõenäosused pk :
n
f ( x)   p  (x  x )
k 1
k k .

2. Delta-funktsioon on normeeritud ühele:



 ( 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