Professional Documents
Culture Documents
Probability and Statistics Book
Probability and Statistics Book
Probability and Statistics Book
2
УНИВЕРЗИТЕТ “ГОЦЕ ДЕЛЧЕВ” ВО ШТИП
Татјана Атанасова – Пачемска; Лимонка Коцева Лазарова;
Елена Карамазова
ВЕРОЈАТНОСТ
Штип, 2018
3
Автори:
д-р Татјана Атанасова – Пачемска, редовен професор
д-р Лимонка Коцева Лазарова, доцент
д-р Елена Карамазова, доцент
ВЕРОЈАТНОСТ
Рецензенти:
Проф. д-р Цвета Мартиновска - Банде
Проф. д-р Билјана Јолевска - Тунеска
Лектор:
Весна Ристова
Техничко уредување:
Лимонка Коцева Лазарова
Елена Карамазова
Издавач:
Универзитет „Гоце Делчев” - Штип
519.2(075.8)
ISBN 978-608-244-591-5
1. Коцева Лазарова, Лимонка [автор] 2. Карамазова, Елена [автор]
а) Веројатност - Математика - Високошколски учебници
COBISS.MK-ID 109263626
4
УНИВЕРЗИТЕТ „ГОЦЕ ДЕЛЧЕВ” – ШТИП
ФАКУЛТЕТ ЗА ИНФОРМАТИКА
ВЕРОЈАТНОСТ
Штип, 2018
5
ПРЕДГОВОР
e
2 0
0
k! k 0 k ! 2
Посебно внимание е обратено на случајните променливи како посебно важен
дел од теоријата на веројатност бидејќи се применуваат и се споменуваат во различни
области во учебниците наменети за природните науки.
Учебникот содржи доволен број на решени примери кои на студентите ќе им
помогнат во совладувањето на методите и техниките за решавање на математички
проблеми поврзани со веројатност. Примерите се поткрепени со графички прикази
нацртани во програмот GeoGebra. Учебникот содржи и задачи за самостојна работа кои
се делумно решени и тие се наменети за самостојна работа на студентите со цел
постигнување на поголема ефикасност и ефективност во совладувањето на наставниот
материјал.
За оформувањето на овој учебник посебна заслуга имаат и рецензентите проф.
д-р Цвета Мартиновска - Банде, редовен професор на Факултет за информатика при
Универзитет „Гоце Делчев“– Штип, и проф. д-р Билјана Јолевска - Тунеска, редовен
професор на Факултетот за електротехника и информациски технологии при
Универзитетот „Св. Кирил и Методиј“ – Скопје, кои со своите корисни сугестии и
забелешки придонесоа во подобрувањето на квалитетот на ракописот, за што им
искажуваме голема благодарност.
Се надеваме дека учебникот ќе го користат студентите на техничките факултети
каде се изучува предметот Теорија на веројатност или Веројатност и статистика, но и
останатите студенти кои не го изучуваат предметот Теорија на веројатност, но
изучуваат предмети каде се применуваат содржините обработени во овој учебник.
Од авторите
6
СОДРЖИНА
КОМБИНАТОРИКА ............................................................................................................ 10
1. Комбинаторика ........................................................................................................... 11
1.1 Варијации ............................................................................................................ 12
1.2 Пермутации ......................................................................................................... 14
1.3 Комбинации ......................................................................................................... 17
1.4 Биномна формула ................................................................................................... 21
1.5 Задачи за самостојна работа ............................................................................. 23
Прашања за повторување............................................................................................. 25
ПРОСТОР НА ВЕРОЈАТНОСТ ......................................................................................... 26
2. Простор на веројатност ................................................................................................ 27
2.1 Простор од елементарни настани .......................................................................... 27
2.2 Аксиоматика на Колмогоров ............................................................................... 36
2.3 Дискретен простор на веројатност. Класична дефиниција на веројатност .......... 39
2.3.1 Конечен простор на веројатност....................................................................... 39
2.3.2 Преброив простор на веројатност .................................................................... 41
2.4 Својства на веројатност .......................................................................................... 42
2.5 Геометриска веројатност......................................................................................... 45
2.6 Условна веројатност. Формула за тотална веројатност. Bayes-ови формули ..... 48
2.7 Независност на случајните настани ....................................................................... 56
2.8 Серии од независни експерименти. Шема на Bernoulli.......................................... 61
Задачи за самостојна работа ........................................................................................ 71
Прашања за повторување............................................................................................. 74
СЛУЧАЈНИ ПРОМЕНЛИВИ ............................................................................................... 75
3.Случајни променливи..................................................................................................... 76
3.1 Дефиниција на случајна променлива. Функција на распределба ......................... 76
3.2 Случајни променливи од дискретен тип ................................................................. 82
Познати распределби од дискретен тип ................................................................... 91
3.3 Случајни променливи од непрекинат тип ............................................................... 99
Познати распределби од апсолутно – непрекинат тип .......................................... 102
3.4 Функции од случајна променлива ......................................................................... 117
3.5 Случајни вектори ................................................................................................... 122
3.5.1 Функција на распределба на случаен вектор ................................................ 123
7
3.5.2 Случајни вектори од дискретен тип ................................................................ 124
3.5.3 Случајни вектори од апсолутно непрекинат тип ............................................ 126
3.5.4 Маргинални распределби ............................................................................... 129
3.6 Условна распределба. Независност на случајни променливи ............................ 134
3.7 Функции од случајни вектори ................................................................................ 144
3.7 Задачи за самостојна работа ................................................................................ 147
Прашања за повторување........................................................................................... 159
БРОЈНИ КАРАКТЕРИСТИКИ НА СЛУЧАЈНИ ПРОМЕНЛИВИ ...................................... 160
4. Бројни карактеристики на случајни променливи ....................................................... 161
4.1 Математичко очекување и дисперзија. Својства ................................................. 161
4.1.1 Математичко очекување и дисперзија на некои значајни распределби ...... 169
4.2 Моменти на случајни променливи ........................................................................ 174
4.2.1 Моменти на случајни вектори ......................................................................... 175
4.3 Условно математичко очекување ......................................................................... 180
4.4 Задачи за самостојна работа ................................................................................ 186
Прашања за повторување........................................................................................... 190
ГРАНИЧНИ ТЕОРЕМИ .................................................................................................... 191
5.Гранични теореми ........................................................................................................ 192
5.1 Низи од случајни променливи ............................................................................... 193
5.2 Теорема на Chebyshev .......................................................................................... 196
5.3 Закони на големите броеви ................................................................................... 197
5.4 Карактеристични функции ..................................................................................... 202
5.5 Централна гранична теорема ............................................................................... 207
5.6 Задачи за самостојна работа ................................................................................ 213
Прашања за повторување........................................................................................... 216
ПРИМЕНИ ........................................................................................................................ 217
6. Примени ....................................................................................................................... 218
6.1 Монте Карло метод................................................................................................ 218
6.1.1 Моделирање на рамномерно распределени случајни броеви ..................... 220
6.1.2 Псевдослучајни броеви ................................................................................... 221
6.1.3 Моделирање на дискретни распределби ....................................................... 223
6.1.4 Моделирање на дискретни случајни променливи со преброиво многу
вредности ................................................................................................................. 224
6.1.5 Моделирање непрекинати распределби........................................................ 226
6.2 Маркови вериги ...................................................................................................... 228
6.2.1 Маркови вериги во дискретно време.............................................................. 229
6.2.3 Маркови вериги во непрекинато време .......................................................... 232
Задачи за самостојна работа ...................................................................................... 235
8
ДОДАТОК......................................................................................................................... 237
КОРИСТЕНА ЛИТЕРАТУРА ............................................................................................ 243
9
КОМБИНАТОРИКА
10
Комбинаторика
1. Комбинаторика
11
Комбинаторика
Принцип на производ
1.1 Варијации
Нека B е множеството
n!
Vnk , 1 k n.
n k !
Vnk n k , k 1.
12
Комбинаторика
Пример 1.1: Колку телефонски броеви можат да се формираат, ако се знае дека
броевите се седумцифрени, но ниту еден не почнува со нула, ниту со број поголем од
7?
Решение: На првото место може да стои само некоја од цифрите 1,2,3,4,5,6,7, а на
останатите места која било цифра од 0 до 9. Бидејќи се формираат броеви, важен е
радоследот на цифрите. Различна позиција на една цифра формира различен број. Од
друга страна цифрите во телефонскиот број може да се повторат, па поради тоа ќе
користиме варијации со повторување. Оттука вкупниот број на телефонски броеви ќе
биде V7 V10 7 10 . ♦
1 6 6
Пример 1.2: Колку морзеови зборови можат да се формираат од двата морзеови знаци
и -, ако еден збор се состои најмногу од пет елементарни морзеови знаци.
Решение:
- Ако користиме два елементарни знаци и -, тоа значи дека имаме на
располагање само два елементи.
- Ако треба да формираме морзеов збор со најмногу 5 елементарни знаци,
тогаш ги имаме следниве ситуации:
1) Ако имаме само еден морзеов знак, од дадените два знаци можат да се
формираат вкупно - V21 21 2 ;
Пример 1.3: На една улица има 15 семафори. Секој семафор може да свети црвено,
жолто и зелено.
а) на колку начини можат да светат сите 15 семафори во одреден момент;
б) на колку начини можат да светат 15 семафори, ако 5 од нив светат само црвено или
зелено?
Решение: а) ако има вкупно 15 семафори кои светат во 3 различни бои, тогаш ако се
разгледува бојата на секој од семафорите во одреден момент, важен е распоредот на
13
Комбинаторика
15
трите бои, што значи дека сите 15 семафори можат да светат на V 3 315 14 348907
начини.
б) ако се знае дека 5 семафори светат само во 2 бои (црвена или зелена), а останатите
10 семафори светат во 3 бои, тогаш значи ќе можат да светат на вкупно
5 10
V 2 V 3 2 5 310 32 59 049 1889568 начини. ♦
1.2 Пермутации
Pn n! .
Значи, во случај кога k n т.е. кога имаме варијации без повторување од n елементи
всушност станува збор за пермутации без повторување од n елементи.
n!
Pn (n1 , n2 ,, nk ) , n1 n2 nk n 1 k n .
n1!n2 !nk !
14
Комбинаторика
Пример 1.4: На колку начини можат да се распределат 5 книги на една клупа, ако една
книга секогаш треба да биде на средина?
Решение: На средната позиција ќе биде фиксирана една книга, а на останатите четири
позиции ќе ги распоредуваме преостанатите книги.
P51 4! 24. ♦
15
Комбинаторика
Пример 1.9: Учествувајќи во еден квиз, двајца студенти добиле по шест плочки со
букви. На плочките кај првиот студент биле напишани буквите А, З, Б, Е, С, Т; а на
плочките кај вториот студент А, Н, А, Н, А и С. Колку различни зборови може да формира
секој студент?
Решение: При формирањето на зборови, местоположбата на буквата е важна, бидејќи
различните местоположби даваат различни зборови. Во овој случај не разгледуваме
дали формираните зборови имаат смисла или не. Ќе користиме пермутации, бидејќи ги
вклучуваме сите дадени букви. Под а) имаме пермутации без повторување бидејќи сите
6 букви се различни. Под б) пермутациите ќе бидат со повторување бидејќи една буква
се појавува повеќе пати.
6!
а) P6 6! 720 б) P6 3,2,1 60 . ♦
3! 2!1!
Пример 1.10: На колку начини 6 лица можат да седнат на една тркалезна маса?
Решение: При кружно разместување на елементите не постои ниту прв, ниту последен.
Ако сите што седнале на една маса се поместат налево или надесно за едно или две
места, тогаш не е добиен нов распоред на лицата. Од тие причини, една позиција се
фиксира и на таа позиција седнува едно кое било лице, а во однос на тоа лице се
пермутираат останатите лица. Во овој случај такви се пет лица, па можни се вкупно
P5 5! 120 распоредувања. ♦
Пример 1.11: На колку начини 6 лица можат да седнат на една тркалезна маса, ако две
лица од нив сакаат да седат секогаш еден до друг?
Решение: Две места се фиксирани и тие две лица во однос на останатите се сметаат
за еден елемент. Останатите четири лица се разместуваат на P4 4! 24 начини.
Бидејќи и двете лица можат да се разместат на два начини, што е различен распоред
на лицата, па вкупно има 2 P4 2 24 48 начини. ♦
Пример 1.12: На колку начини од кутија со 7 бели и 3 црни топчиња може да се извлечат
2 бели и 1 црно топче, ако топчињата се извлекуваат едно по едно
а) без враќање
б) со враќање
Решение:
а) Бројот на распореди при извлекувањето на двете бели и едното црно топче е
P3 (2,1) 3 т.е. тоа се распоредите (б,б,ц), (б,ц,б) и (ц,б,б). Од 7 топчиња со влечење едно
по едно топче без враќање, 2 топчиња се извлекуваат на V7 42 начини. Овде
2
б) Се зема само во предвид дека извлекувањето е со враќање, што значи дека топчето
кое еднаш било извлечено и вратено назад може повторно да биде извлечено, па
бараниот број начини сега е P3 (2,1) V7 V3 441. ♦
2 1
16
Комбинаторика
Пример 1.13: Четворица студенти се јавиле на испит по ист предмет во ист ден. Тие
биле оценети со некоја од оценките 7, 8, 9 или 10.
а) На колку начини можат да се распределат дадените оценки по студенти така што сите
студенти да добијат различни оценки?
б) На колку начини можат да се распределат дадените оценки по студенти, ако
студентите се оценуваат само со оценките 9 и 10?
Решение:
а) Бидејќи ги распоредуваме сите елементи од множеството оценки, за да го одредиме
бројот на начини на распределба на оцените, ќе користиме пермутации без
повторување. Оттука, четирите оценки 7, 8, 9 и 10 може да се распределат на
P4 4! 24 начини.
1.3 Комбинации
n n!
Cnk , 0 k n.
k k!n k !
Cnk Cnkk 1 .
17
Комбинаторика
Пример 1.14: Од шпил со 52 карти треба да се изберат три карти. На колку начини
може да се изврши изборот така да
а) сите три карти се со иста вредност,
б) сите три карти се со ист знак
в) две карти се со иста вредност а третата е единица?
Решение:
a) Во еден шпил со 52 карти има 13 различни вредности. Од секоја вредност има по 4
карти со различен знак од кои треба да се одберат 3 изборот може да се направи на
13 C43 52 начини.
б) Во шпилот има 4 различни знаци и во секој знак има 13 различни вредности. Три
карти со ист знак можат да се одберат на 4 C133 1144
в) Една можност е сите три карти да се единици, такви избори има C43 4 Друга можност
е едната карта да е еденица а другите две да имаат различна вредност тогаш единицата
може да се одбере на C41 4 начини, додека вредноста за другите две карти може да се
одбере на C12
1
12 начини, и ако другите две карти се со иста вредност тие можат да се
одберат на C42 6 начини. Па, бараниот број начини е C43 C41 C12
1
C42 292. ♦
18
Комбинаторика
(n 2 1)! (n 1)!
Решение: Cn2 Cn2 21 276, од каде имаме 276 т.е.
(n 1)! 2! (n 1)! 2!
n( n 1)
276, чие решение што ги задоволува барањата на задачата (само
2
позитивниот цел број што е решение) е n 23. ♦
Напомена:
За разлика од варијациите, комбинациите се разликуваат една од друга само по
елементите, а не и по нивниот распоред.
Ако класата е еднаква на бројот на елементи на дадено множество варијациите се
сведуваат на пермутации.
19
Комбинаторика
Дали е
важен
редоследот
на
елементите
при без повторување
правење
n n!
избор Cnk , 0 k n.
да не k k!n k !
комбинации
со повторување
варијации зa
nk n k 1
Cnk Cnkk 1 .
пермутации k
за
k 1
за
1 k n
без
со повторување повторување
Vnk nk Pn n! .
без повторување
n!
Vnk со повторување
n k !
n!
Pn (n1 , n2 , , nk ) , n1 n2 nk n 1 k n .
n1 !n2 ! nk !
20
Комбинаторика
n n n n n
n
(a b)n a n a n1b a n2b2 bn a nk bk , n, k N .
0 1 2 n k 0 k
21
Комбинаторика
4
x 2
Пример 1.19: Со примена на биномната формула да се развие изразот .
2 y
Решениe:
4 2 3 4
x 2 4 x 4 x 2 4 x 2 4 x 2 4 2
4 3 2
2 y 0 2 1 2 y 2 2 y 3 2 y 4 y
x4 x3 2 x 2 22 x 23 24 x 4 x3 x2 x 16
4 6 2 2 4 3 4 6 2 16 3 4 . ♦
16 8 y 2 y 2 y y 16 y y y y
5
1
Пример 1.20: Со примена на биномната формула да се развие изразот x .
x
Решениe:
5 3 5 5 1 5 1 5 1
5
1 1 1 1
x x 1 x 2 x 3 4 3 5 5 x 5 x 10 x 10 5 3 5 . ♦
5 5 3
x x x x x x x
12
1 1
Пример 1.21: Одреди го осмиот член во развојот на степенот на биномот 5 7 .
72 11
Решение: Коефициентот на осмиот член во развојот на дадениот бином е од видот
n 12 12! 12 11 10 9 8 7!
792, а членот е
7 7 7!5! 7!1 2 3 4 5
12 7 7
12 1 1 1 1
T8 5 7 11 9 8 1 . ♦
7 72 11 72 11
22
Комбинаторика
4. На колку различни начини можат да се закачат 7 слики во една низа, така што
една специјална слика да биде во средина?
1 1
2 12
10. Oдреди го членот кој во развојот на биномот ( x x ) не содржи x.
Решенија:
k k k
22 k
5 k 8 . Бараниот член е девети т.е.
6
12 12 1110 9
Бараниот член е T41 T5 x 0 495.
4 4 3 2 1
9 2 9 k 1 9 18 2 k 1 9 18 3k
k
Tk 1 ( x ) x k x
k x k x k
18 3k 0 k 6
Бараниот член е
9 9 9 8 7
T61 T7 84.
6 3 3 2 1
24
Комбинаторика
Прашања за повторување
1. Што се пермутации?
2. Што се варијации?
3. Што се комбинации?
4. Во што се состои е разликата помеѓу пермутации и варијации?
5. Во што се состои разликата помеѓу комбинации и варијации?
6. Што е Паскалов триаголник?
7. Како гласи биномната формула?
8. Наведи ги својствата на биномните коефициенти.
25
Простор на веројатност
ПРОСТОР НА ВЕРОЈАТНОСТ
Простор на веројатност
2. Простор на веројатност
Во оваа глава ќе биде воведен поимот веројатност на случаен настан, при што
најнапред ќе се разгледа дискретниот, а потоа и општиот простор на веројатност.
2.1 Простор од елементарни настани
27
Простор на веројатност
28
Простор на веројатност
i nA nA
n
1 53 0.53
2 48 0.48
3 50 0.50
4 51 0.51
5 53 0.53
(i, j ) i, j {1,2,3,4,5,6},
при што i го означува бројот на точки што се појавиле на горната страна од првата, а j
го означува бројот на точки што се појавиле на горната страна од втората коцка. Во
врска со експериментот S може да се наведат повеќе настани. Пример: настанот А
збирот на точките на двете коцки не е поголем од 4, B производот на точките на двете
коцки е 4. Настаните A и B можат да се опишат со помош на настаните (i, j ). Така
А 1,1 , 1,2 , 1,3 , 2,1 , 2,2 , 3,1 и B 1,4 , 2,2 , 4,1 . Потоа, на пример
производот AB - збирот на точките не е поголем од 4 и нивниот производ е еднаков на 4
е определен со AB 2,2 .
29
Простор на веројатност
30
Простор на веројатност
Решение:
а) Можни се два елементарни настани, а нив ќе ги означиме со Г-појава на “грб” и П-
појава на “писмо”. Множеството на елементарни настани е
П , П , П , Г , Г , П , Г , Г
б) П ,1, П ,2,, П ,6, Г ,1, Г ,2,, Г ,6.
Вкупно има 12 елементарни настани. ♦
Пример 2.13: Стрелец гаѓа во мета три пати, при што се забележува погодок во целта
и промашување на истата. Да се опише просторот од елементарни настани како и
настаните:
A - стрелецот ја погодил метата во последното гаѓање,
B - стрелецот ја промашил метата три пати,
C - стрелецот ја промашил метата точно два пати,
Решение: Погодувањето на метата го означуваме со 1, а промашување со 0, тогаш
елементарните настани може да ги запишеме како
1 0,0,0, 2 1,0,0, 3 0,1,0, 4 0,0,1, 5 1,1,0, 6 1,0,1,
7 0,1,1, 8 1,1,1
32
Простор на веројатност
33
Простор на веројатност
34
Простор на веројатност
C (1,1), (1, 2), (1,3), (1, 4), (2,1), (2, 2), (3,1), (4,1) .
За настанот D имаме D (1,1), (2, 2), (3,3), (4, 4), (5,5), (6, 6).
Јасно е дека важи B C , B D, A D. ♦
35
Простор на веројатност
Доказ:
а) Од аксиомите 1 и 2 од дефиницијата за алгебра се добива F па следува
F.
б) Ако во аксиомата 3 од дефиницијата за алгебра ставиме A1 A, A2 B и
Аi , i 2, ќе добиеме дека А B F. Натаму, од А, B F следува дека А, B F
в) Ако Аi F , i 1, 2, , тогаш од
Ai Ai
i 1 i 1
i 1
Ai F и од аксиомата 2 следува A F A F. ◙
i 1
i
i 1
i
36
Простор на веројатност
F ( ) Fi .
iI
1. Од Fi , i I следува F
iI
i F ()
2. Нека A F ( ) F . Тогаш
i
А Fi , i I . Бидејќи Fi е алгебра, се добива дека
iI
А Fi , i I . Оттука, А Fi F ().
iI
А F
ј 1
ј
iI
i F ( ). ◙
37
Простор на веројатност
38
Простор на веројатност
P( A)
P( )
i: i A
i
i: i A
pi .
39
Простор на веројатност
A
P( A) .
Пример 2.17: Во една кутија има 80 ливчиња нумерирани од 1 до 80. Најди колку е
веројатноста да при едно извлекување се појави ливче со број
а) кој е помал од 9
б) кој е делив со 5
Решение: Нека
А извлечено е ливче со број кој е помал од 9
B извлечено е ливче со број кој е делив со 5
Тогаш
8 1
а) P ( A)
80 10
16 1
б) P ( B ) .♦
80 5
40
Простор на веројатност
Пример 2.18: Дадени се пет отсечки од 2,4,5,7 и 9 единици. Одреди ја веројатноста дека
од случајно избрани три отсечки може да се конструира триаголник.
Решение: Множеството елементарни настани e a, b, c a, b, c 2, 4,5,7,9 т.е. се
состои од сите три елементни подможества од множеството 2, 4,5, 7,9 , па затоа
C53 10. При тоа, секој избор на три елемнтно подможество е еднаквоверојатен.
Настанот А од избрани три отсечки од множеството 2, 4,5, 7,9 , може да се
конструира триаголник, изразен преку елементарните настани е
А 2, 4,5 , 4,5, 7 , 4, 7,9 , 5, 7,9,
бидејќи треба да се земе во предвид правилото за конструкција на триаголник, т.е.
збирот на две страни треба да биде поголем од третата страна на триаголникот.
Според класичната дефиниција на веројатност
A 4
P( A) 0.4 . ♦
10
Пример 2.19: Се фрлаат две коцки за играње. Најди ја веројатноста дека збирот и
производот на паднатите точки е 4.
Решение: Множеството елементарни настани на овој експеримент е
(i, j ) i, j 1, 2,3, 4,5,6 , каде i e бројот на паднати точки на првата коцка, а ј е
бројот на паднати точки на втората коцка, па V6 36.
2
P( A)
i:i A
pi ,
1 , 2 , , n , ,
41
Простор на веројатност
Притоа,
1
1
p n n 2 1. ♦
n 1 2 1
n 1
1
2
А1 , А2 ,, Аn , n 2 n
n
б) ако се по парови дисјунктни тогаш P i P( Ai ).
A
i 1 i 1
в) Ако А B тогаш P ( А) P ( B )
г) За секој A F , 0 P ( A) 1
д) P( А ) 1 P( А)
ѓ) P ( A B ) P ( A) P ( B ) P ( AB ) .
42
Простор на веројатност
начин
A
i 1
i А1 А2 А1 А3 А2 А1
P Ai P( А1 ) P(Аi Аi 1 А2 А1 ). (*)
i 1 i 2
43
Простор на веројатност
P( Аi Аi 1 А2 А) P( Аi ), i 2,3,.
Со замена во (*) го добиваме неравенството P i P( Ai ). ◙
A
i 1 i 1
а) Ако А1 А2 Аn , тогаш P A lim P( A ).
i n
i 1 n
б) Ако А1 А2 Аn , тогаш P A lim P( A ).
i n
i 1 n
Доказ: а) Настанот A i 1
i ќе го претставиме како дисјунктен збир на настани имајќи во
Ai А1 А1 А2 А2 А3 А1 Ak 1 Ak .
i 1 k 2
P Ai P( А1 ) P(Аk 1 Аk ) P(Аk 1 Аk ), каде што A0 .
i 1 k 2 k 1
n
n
Сега, P A lim P(А
i k 1 Аk ) lim P Аk 1 Аk lim P( An ).
k 1 n
i 1 n
k 1
n
б) Од А1 А2 Аn , следува А1 А2 Аn , па од а) и од Де
Моргановите закони имаме
Ai Ai .
i 1 i 1
P Ai 1 P Ai 1 P Ai . 1 lim P( An ) lim P( An ). ◙
i 1 i 1 i 1 n n
44
Простор на веројатност
AB . Во тој случај експериментот се состои од избирање на произволна
точка од отсечката AB . Секоја отсечка со крајни точки C и D, лежи врз отсечката AB
е случаен настан E , E CD . Тогаш, би можеле точките од отсечката AB да ги
m( Е )
P( Е ) ,
m ( )
При што m() е веројатносната мера.
Пример 2.21: Во квадрат е впишан круг. Да се најде веројатноста дека случајно избрана
точка од квадратот припаѓа и на кругот.
45
Простор на веројатност
a 2
2
a
m A . А настанот A ќе се реализира со веројатност:
2 4
a 2
m A
P A 42 . ♦
m a 4
Пример 2.22: Две лица се договриле да се сретнат на одредено место меѓу 6 и 7 часот.
Секој од нив доаѓа на договореното место, чека 15 минути и ако не се сретне со другиот
си заминува. Најди ја веројатност дека тие се сретнале.
Решение: Нека означиме
x време на пристигнување на првото лице
y време на пристигнување на второто лице
Тогаш просторот од елементарни настани е x, y 6 x, y 7 . Настанот B
лицата се сретнале е
1
B x, y 6 x, y 7, x y (слика 2.1). Веројатносните мери на и B се
4
m() 7 6 12 1 и 1
2
m( B ) 1 2 0.75 0.75 0.4375. Па според дефиницијата за
2
46
Простор на веројатност
m( B )
геометриска веројатност бараната веројатност е P( B) 0.4375. ♦
m( )
Пример 2.23: Марко патува од местото А до местото C преку местото B, со константна
брзина. Одалеченоста од местот А до местот B е 30 km , a одалеченоста од местото B
до местото C е 10 km . Во случаен момент во текот на патувањето на мобилен телефон
го бара пријател за да провери кога Марко ќе стигне на местото C. Најди ја веројатноста
дека Марко може да му каже на пријателот дека го поминал местото B.
Решение: Просторот од елеменатрни настани 0,40 x 0 x 40 , каде x е
растојанието кое Марко го поминал од почетокот на патувањето па се до добиениот
телефонски позив.
Поради тоа што пријателот го барал во текот на патувањето, вкупното растојание кое
Марко го поминал до повикот е вкупно 30km 10km 40km. Настанот
X 30,40 x 30 x 40 .
a, b 1 a 2 1 b 2
квадрат со темиња во точките (1,1), (2,1), (2,2) и (1,2) (мерна едница е еден час).
Површината на квадратот е m() 12 1 .
47
Простор на веројатност
Па бараната веројатност е:
m( X )
P( X ) 0.4375. ♦
m ( )
P( AB)
PB ( А) , A F.
P( B)
48
Простор на веројатност
P Ai B P Ai B P( A B)
i 1
i
PB ( Ai ) i 1 i 1
i 1 P( B) P( B) P( B)
P( Ai B)
PB ( Ai ).
i 1 P( B) i 1
Па следува PB е веројатност. ◙
P( BB ) P( B)
На крај, PB ( B ) 1.
P( B) P( B)
Веројатноста PB се нарекува условна веројатност при услов B. Ќе означуваме
P( AB)
PB ( А) P( A | B) па оттука PB ( А) P( A | B) , A F.
P( B)
Аналогно, условната веројатност на настанот B. при услов А, P( А) 0 се определува со
формулата
P( AB )
PA ( B) P( B | A) .
P( A)
Пример 2.25: На случаен начин се бира една карта од шпил од 52 карти. Ако е познато
дека е избрана карта срце, да се најде веројатноста дека таа карта е десетка.
Решение:
1 13
Од P ( AB) , P( B) , се добива дека
52 52
49
Простор на веројатност
1
P( AB) 52 1 ♦
P( A | B) PB ( А) .
P( B) 13 13
52
Од равенствата за условна веројатност на настанот B при услов А, и условна
веројатност на настанот А при услов B , може да се изрази веројатноста за производ
на два настани
P ( AB ) P( A) P ( B | A) P ( B ) P( A | B ).
P( A1 A2 An1 An ) P( A1 ) P( A2 A1 ) P( A3 A1 A2 ) P( An A1 A2 An1 )
P( A1 ) P( A2 | A1 ) P( An | A1 A2 An1 ) P( An1 | A1 A2 An ). ◙
Пример 2.26: Во кутија се наоѓаат 10 светилки од кои 4 се неисправни. Случајно се
извлекуваат 3 светилки без враќање. Најди ја веројатноста дека сите три извлечени
светилки се исправни.
50
Простор на веројатност
Пример 2.27: Од кутија во која се наоѓаат 1 бело и 1 црно топче се извлекува по едно
топче се додека не се појави црно. Ако се извлече бело топче, во кутијата се враќа
извлеченото топче и се додаваат уште две бели топчиња. Одреди ја веројатноста да во
првите 50 извлекувања црно топче нема да биде извлечено.
Решение: Нека
P( A1 A2 A50 )
P( A1 ) P( A2 | A1 ) P( A49 | A1 A2 A48 ) P( A50 | A1 A2 A49 )
13 97 99 100!
24 98 100 2(2 2) (2 49)(2 50)
2
100!
100 2
3.81764 1030.
2 (50!)
n
P( B) P( Ai ) P( B Ai ).
i 1
Сега,
n n n
P( B) P Ai B P( Ai B) P( Ai ) P( B Ai ). ◙
i 1 i 1 i 1
51
Простор на веројатност
Теорема 2.9: (Формула на Bayes) При услови како во претходната теорема, точни се
следните формули:
P( А j ) P( B А j ) P( А j ) P( B А j )
P( А j B) n
, j 1,2,, n.
P( A ) P( B A )
P( B)
i i
i 1
Доказ:
P( BА j ) P( А j ) P( B А j )
P( А j B) .
P( B) P( B)
P( А j ) P( B А j ) P( А j ) P( B А j )
P( А j B)
, j 1,2, . ◙
P( A ) P( B A )
P( B)
i i
i 1
Пример 2.28: Од множеството 1,2,3,4,5 на случаен начин се бира еден број, а потоа
без враќање на извлечениот број се бира уште еден. Најди ја веројатноста за
настаните
А вториот извлечен број е поголем од првиот
B вториот извлечен број е за 2 поголем од првиот
Решение: Ги означуваме со Аi настаните “во првото извлекување извлечен е бројот
i ”, i 1,2,3,4,5. Тогаш P ( H i ) 1 , i 1,2,3,4,5 .
5
, P ( A H 2 ) , P ( A H 3 ) , P ( A H 4 ) , P( A H 5 ) 0,
4 3 2 1
P ( A H1 ) со примена
4 4 4 4
на формулата за тотална веројатност се добива
52
Простор на веројатност
1 4 1 3 1 2 1 1 1 1
P ( A) 0 .
5 4 5 4 5 4 5 4 5 2
P ( B H 1 ) , P ( B H 2 ) , P ( B H 3 ) , P( B H 4 ) 0, P( B H 5 ) 0, со
1 1 1
4 4 4
примена на формулата за тотална веројатност се добива
1 1 1 1 1 1 1 1 30
P ( A) 0 0 .♦
5 4 5 4 5 4 5 5 20
Пример 2.29: Еден работник оди секој ден на работа со автобус, трамвај или велосипед.
Во 50% од случаите се определува за автобус, во 20% од случаите за трамвај и во 30%
од случаите за велосипед. Веројатноста дека поради доцнење на автобусот ќе задоцни
на работа е 0.05, во случај да избере трамвај таа веројатност е 0.1, а со велосипед
доцни со веројатност 0.01.
а) Најди ја веројатноста дека работникот ќе доцни на работа;
б) Ако работникот закаснал на работа, колкава е веројатноста да на работа отишол со
велосипед?
Решение: Ги дефинираме настаните
P( B) P( Z B)
б) P( B Z ) 0.0625. ♦
P( Z )
Пример 2.30: На студентите од еден факултет им е дозволено да повторуваат само
една од I , II , III година. Веројатноста еден студент повторувач да ја повторува
I , II , III година е 0.25; 0,5; 0.25 соодветно. Веројатноста дека студентот кој ја
повторувал I година го завршува студирањето е 0.4, за студентот кој ја повторува II
година е 0.5 и за студентот кој ја повторува III година е 0.9.
а) Најди ја веројатноста дека случајно избран студент повторувач го завршува
студирањето
б) Ако е познато дека студентот повторувач го завршил студирањето, најди ја
веројатност дека тој ја повторувал III година
Решение: Означуваме со
53
Простор на веројатност
P( A) P( A1 ) P( A A1 ) P( A2 ) P( A A2 ) P( A3 ) P( A A3 )
0.25 0.4 0.5 0.5 0.25 0.9 0.575
б) Од Bayes-овите формули за бараната веројатност имаме
P( A3 ) PA3 ( A) 0.25 0.9
P( A3 A) 0.391 . ♦
P( A) 0.575
Пример 2.31: Од броевите: 1, 2, 3, 4, 5, 6, 7, 8, 9 и 10 на случаен начин се избираат два
броја еден по еден без враќање. Со користење на формулата за тотална веројатност
да се најде веројатноста дека вториот избран број е 5.
и
1
P ( B Ai ) , i 5, P ( B A5 ) 0.
9
Бараната веројатност е
10
1 1 1
P( B) P( Ai ) P( B Ai ) 9 . ♦
i 1 9 10 10
Пример 2.32: Еднаков вид на предмети се изработуваат на две машини. Во вкупното
производство, со 7,9% учествуваат исправните предмети изработени на првата
машина, а со 5% неиспарвните предмети изработени на истата машина. Учеството на
предметите изработени на втората машина е 78,2% исправни и 8,9% неисправни. Да се
најде веројатноста дека случајно избраниот предмет да биде неисправен ако се знае
дека тој е изработен
а) на првата
б) на втората машина
54
Простор на веројатност
P( AB ) 0.05
а) P( B A) 0.39,
P( A) 0.129
P( AB ) 0.089
б) P( B A) 0.10. ♦
P( A) 0.871
Пример 2.33: Во продавница за автомобилски делови стигнале акумулатори
произведени во 4 различни фабрики и тоа:
- 500 акумулатори од I фабрика
- 1050 акумулатори од II фабрика
- 550 акумулатори од III фабрика
- 1900 акумулатори од IV фабрика.
Веројатноста дека акумулаторот трае повеќе од 5 години изнесува:
- за првата фабрика 0.20
- за втората фабрика 0.25
- за третата фабрика 0.30
- за четвртата фабрика 0.10.
Случајно се избира еден акумулатор. Да се одреди веројатноста дека ќе трае повеќе од
5 години.
Решение: Ќе ги дефинираме следниве настани:
55
Простор на веројатност
P A P H1 P A H 1 P H 2 P A H 2 P H 3 P A H 3 P H 4 P A H 4
0.125 0.20 0.2625 0.25 0.1375 0.30 0.475 0.10 0.179375.
P( AB) P( B A) P( A) (**) P( A) P( B)
PB ( А) P( A B) P( A) ,
P( B) P( B) P( B)
P( AB) P( B A) P( A) P( A) P( B).
P( AB ) P ( AB ) P ( A) P ( B ) P( A) P( B)
PА ( B) P( B A) P( B),
P( A) P( A)
настан A1 A2 B1 B2 B3
веројатност 0.6 0.5 0.4 0.7 0.9
Табела1.
56
Простор на веројатност
A A1 A2 и B B1 B2 B3 .
P( B) P( B1 B2 B3 ) P( B1 ) P( B2 ) P( B3 ) 0,252.
Бараната веројатност е
P (C ) P ( A B )
P ( A) P ( B ) P ( AB )
P ( A) P ( B ) P ( A) P ( B )
0,8504.
P( А) P( AB) P( AB ).
P( А) P( A) P( B) P( AB ),
па
P( AB ) P( А) P( A) P( B) P( A)(1 P( B)) P( A) P( B ) .◙
57
Простор на веројатност
58
Простор на веројатност
Сега,
1 1 1
P ( A1 A2 ) P ( A1 ) P ( A2 ), па A1 и A2 се независни настани
4 2 2
1 1 1
P ( A1 A3 ) P ( A1 ) P ( A3 ), па A1 и A3 се независни настани
4 2 2
1 1 1
P ( A2 A3 ) P ( A2 ) P ( A3 ), па A2 и A3 се независни настани
4 2 2
Од друга страна,
1 1
P ( A1 A2 A3 ) P ( A1 ) P ( A2 ) P ( A3 ),
4 8
За настанот B имаме B 4,1 , 4,2 , 4,3 , 4,4 , 4,5 , 4,6 , па P( B)
6
36
.
Пример 3.37: Од шпил од 52 карти извлечена е една карта, потоа вратена е во шпилот,
па извлечена е уште една карта. Колкава е веројатноста дека во двата случаи
извлечена е:
а) петка
б) петка, ако првата извлечена карта не се враќа во шпилот
Решение: Дефинираме настани
59
Простор на веројатност
Кај сериската врска системот работи ако и само ако работат двете компоненти Како се
компонентите независни, сигурноста на овој систем е pс p1 p2 . Системот од две
паралелни врзани компоненти работи ако и само ако работи бар една компонента, па
сигурноста на системот е одредена со веројатноста на унија од настаните
pп p1 p2 p1 p2 . Кој систем на Слика 2.4 е посигурен?
Решение: Како е
pп pс ( p1 p2 p1 p2 ) p1 p2 p1 (1 p2 ) p2 (1 p1 ) 0,
Пример 3.39: На следната слика 2.5 се прикажани два система чии компоненти имаат
иста сигурност p (0,1). Одреди кој од нив има поголема сигурност.
60
Простор на веројатност
p A 1 (1 p)3 3 p 3 p 2 p3 .
pB ( p1 p2 p1 p2 ) p3 (2 p p 2 ) p 2 p 2 p3 , p (0,1).
Како е
3
pA pB (3 p 3 p 2 p3 ) (2 p 2 p3 ) p(2 p 2 5 p 3) 2 p(1 p) p 0,
2
системот A е посигурен. ♦
61
Простор на веројатност
Но, n торки 1 , 2 ,, n во кои m пати се појавува А а n m пати А имаме колку
што има комбинации без повторување од класа m од n елементи, сите тие елементи
сметани како настани се заемно дисјунктни. Оттука, P ( X m) ќе биде збир од Cnm
m nm
собироци, сите еднакви на p q .◙
Пример 2.40: Која е веројатноста дека при 8 фрлања на хомогена коцка, единица се
појавила три пати?
Решение: Едно фрлање на хомогена коцка ќе го сметаме за едно независно
испитување. Се добива Бернулиева шема со n 8, во која се разгледува реализација
62
Простор на веројатност
1
на настанот А се појавила единица, чија веројатност е p P ( A) . Се бара
6
веројатноста на настанот P ( X 3) при 8-те фрлања единица се појавила три пати,
8 1 5
3 5
P( X 3) 0.1042.
3 6 6
Пример 2.41: Колкава е веројатноста да во три последователни фрлања на две коцки,
барем еднаш на двете коцки ќе се добие парен број на точки?
Решение: Ќе го дефинираме настанот A се појавил парен број на точки на двете коцки
при едно фрлање на коцките.
3 3 1
P ( A) P ( A1 A2 ) P ( A1 ) P ( A2 )
6 6 4
(Веројатноста за реализација на двата настани Ai се појавиле парен број на точки на
3
i -тата коцка, i 1, 2 е еднаква и изнесува , затоа што од 6 броеви, 3 се парни).
6
За да ја најдеме веројатноста на настанот дека барем еднаш на двете коцки ќе се добие
парен број на точки, значи треба да се земе во предвид дека парен број на точки може
да се појави еднаш, двапати или трипати при трите фрлања на двете коцки. Затоа
поедноставно е да се пресмета веројатноста на спротивниот настан т.е. дека парен број
точки на двете коцки не се појавил ниту еднаш при трите фрлања.
Значи ќе ја најдеме веројатноста на настанот Bi се појавил парен број на точки на
двете коцки i пати.
3 1 3
0 3 3
3
P( B0 ) 3 0.422
0 4 4 4
P( Bk 1 ) 1 P( B0 ) 1 0.422 0.578.
S11
S 21 , S 22
63
Простор на веројатност
a m a
lim P( X m) e .
n m!
m!(n m)! n n
n
m
n (n 1) (n m 1)
n
am a a
1 1
m! n n nm
m
a 1 2 m 1
n
am a
1 1 1 1 1 .
m! n n n n n
n
a
lim1 e a ,
n
n
а
m
a 1 2 m 1
lim1 1 1 1 1.
n
n n n n
Оттука,
a m a
lim P( X m) e .◙
n m!
(Теорема 2.14 се применува кога a np 10 )
m np
Понатаму, ставаме x и ќе ги користеме и погоре наведените ознаки.
npx
64
Простор на веројатност
m np
Доказ: Од x добиваме
npx
m np x npx , n и
n m nq x npx , n ,
n! p m q n m
P( X m) C nm p m q n m
m!(n m)!
2n n n e n
p m q nm
2m m e m m
2 (n m) (n m) nm
e ( n m )
m nm
1 n np nq
.
2 m( n m) m n m
Од друга страна
m nm
ln An m ln (n m) ln
np nq
np x npq nq x npq
np x npq ln
np
nq x npq ln
nq
,
т.е.,
ln An np x npq ln1 x
q
np
nq x npq ln1 x
p
nq
.
Ќе ја користиме Маклореновата формула за ln(1 t ) :
65
Простор на веројатност
t2
ln(1 t ) t o(t 2 ),
2
т.е.,
t2
ln(1 t ) t ,
2
од каде
q q 1 qx 2 1
ln1 x x o ,
np np 2 np n n
p p 1 px 2 1
ln1 x x
o .
nq nq 2 nq n n
ln An np x npq x
q x2 q
np
2 np
nq x npq x
p x2 p
nq
2 nq x2
, кога
2
n .
x2
2
x
Така добиваме дека ln An , кога n т.е. An е 2 , кога n . Па за
2
P ( X m) конечно се добива
x2
1
P ( X m) e 2
, n .◙
2npq
1 m np
P ( X m) ~ , n (m 0,1,2, ) .
npq npq
2
1 x2 x
каде q 1 p, ( x) e , .
2
2
1 x2
Таблица со вредности на функцијата e , може да се најде на крајот од оваа книга,
2
како таблица 1.
66
Простор на веројатност
2
m np
b x
1
P a b e 2
dx, кога n .
npq 2 a
i np 1
Доказ: Да ставиме xi , i 0,1,, n. Тогаш xi xi 1 xi . Веројатноста
npx npq
X np
на настанот a b можеме да ја добиеме како сума од веројатностите P( X i)
npq
ако сумираме по оние i за кои а xi b, затоа што кои било два од настаните X i и
X j за i j се дисјунктни. Ако ја искористиме локалната теорема на Moivre-Laplace
ќе добиеме
X np 1 1
x2
P a b P( X i ) e 2
.
i:a xb 2
npq i:a x b npq
m np m np
P(m1 X m2 ) 0 2 0 1 .
npq npq
2
x
dt , x . При практична примена на оваа
t
1
2 0
каде q 1 p , 0 ( x) e 2
1 1
m2 2 np m1 2 np
P(m1 X m2 ) 0 0 . ◙
npq npq
67
Простор на веројатност
1 m np 1 m 100 0.5 1 k 50
P( X m) ,
npq npq 100 0.5 0.5 100 0.5 0.5 5 5
x2
1 2
Каде вредностите на функцијата ( x) e , се читаат од Tаблица 1. Бараме k
2
такво да 1 k 50 0.0484 т.е. k 50 0.242.
5
5 5
Од Tаблица 1 имаме дека 1 0.242 и бидејќи ( x) е парна функција заклучуваме дека
k 50 k 50
1 или 1, односно k 55 или k 45. ♦
5 5
Пример 2.43: Една група од 200 стрелци изведува гаѓање во мета така што секој
стрелец гаѓа по еднаш во метата и ја погодува истата со веројатност 0.8. Определи ја
веројатноста дека ќе бидат постигнати
а) барем 120 погодоци
б) повеќе од 150, а помалку од 190 погодоци.
1 1
200 2 200 0.8 120 2 200 0.8
а) P( X 120) P (120 X 200) 0 0 , каде
200 0.8 0.2 200 0.8 0.2
x t2
1
вредностите на функцијата 0 ( x)
2 e
2
dt се читаат од Tаблица 2.
б)
1 1
189 2 200 0.8 151 2 200 0.8
P(150 X 190) P(151 X 189) 0 0
200 0.8 0.2 200 0.8 0.2
0 (5.21) 0 (1.68) 1 0.0465 0.9535.
Пример 2.44: Веројатност дека еден телевизор ќе биде произведен со дефект изнесува
0.002. Колкава е веројатноста дека од случајно избрани 500 телевизори ќе има
68
Простор на веројатност
12 1
а) P( X 2) e 0.184,
2!
10 1
б) P( X 1) 1 P( X 0) 1 e 1 0.368 0.632,
0!
4
1k 1 4 1k 1 1 1k 1
в) P(1 X 5) P(2 X 4) e e e
k 2 k ! k 0 k ! k 0 k !
б) p 0.03.
69
Простор на веројатност
2
1 x2
( x) e ,x0 Таблица 1
2
x u2
1
0 ( x)
2 e
0
2
du Таблица 2
a m a
y e Таблица 3
m!
k
a m a
y e , a 10 Таблица 4
m 0 m!
70
Простор на веројатност
9. Една компанија што произведува компјутери има три фабрики кои произведуваат
50%, 30% и 20% од нејзините производи, соодветно. Во секоја од овие фабрики,
веројатноста дека произведен компјутер е неисправен е 0.02, 0.05 и 0.01,
соодветно. Едно лице купило компјутер од таа компанија.
а) Да се определи веројатноста дека купениот компјутер е неисправен?
б) Ако купениот компјутер е неисправен, да се определи веројатноста дека тој е
произведен во втората фабрика?
10. Од шпил со 52 карти, на случаен начин се влечат шест карти. Колкава е
веројатноста дека дамата каро е меѓу извлечените карти?
71
Простор на веројатност
12. Во една кутија се наоѓаат 8 бели и 10 црни топчиња. Два пати едно по друго се
извлекува по едно топче без враќање. Најди ја веројатноста дека двете
извлечени топчиња се бели.
13. Двајца стрелци независно еден од друг гаѓаат во иста цел. Веројатноста првиот
од нив да ја погоси целта е 0,7 а веројатноста вториот од нив да ја погоди целта
0,9. Одреди ја веројатноста дека целта е погодена барем еднаш.
15. Правилна тристрана пирамида има еден ѕид обоен со бела боја, еден ѕид обоен
со црвена, еден ѕид обоен со црна, а четвртиот е тробоен:бела, црвена и црна.
Пирамидата се фрла и се бележи ѕидот на кој пирамидата паѓа. Испитај ја
независноста на настаните A, B и C ако настанот A е: ѕидот на кој пирамидата
паднала има бела боја, B : ѕидот на кој пирамидата паднала има црвена боја и
C : ѕидот на кој пирамидата паднала има црна боја.
16. Ако се знае дека 99% од студентите на еден факултет пишуваат со десна рака,
а 2% со лева, најди ја веројатноста дека од случајно избрани 200 студенти точно
196 пишуваат само со десна рака.
17. Веројатноста да во една продавница за чевли случен купувач купи чевли број 41
е 0,2. Најди ја веројатноста дека од 100 купувачи, чевли број 41 купиле
а) точно 25 луѓе
б) од 10 до 30 луѓе
18. Две коцки се фрлаат 10 пати. Одреди ја веројатноста точно три пати да се добие
збир 8.
19. Компанија во една смена произведува 10000 производи од ист вид. Веројатноста
дека производот е со дефект е 0.05. Дефектноста на еден производ не зависи од
дефектноста на друг. По завршување на смената производите се контролираат
при што сите дефектни се ставаат во складиште. За колку производи би требало
да биде направено складиште за да веројатноста да тоа после контролата не е
исполнето изнесува 0.99?
72
Простор на веројатност
Решенија:
10 5 31
3 7
P{ X 3} 0.113,
3 36 36
каде X 3 е настанот точно три пати е добиен збир 8 при фрлање на две коцки 10 пати.
k 500 0 500
0.99 P(0 X k ) 0 0
475 475
k 500 500 k 500
0 0 ( ) 0 .
475 475 475
k 500 k 500
Оттука 0 0.99 0 (2.33), па 2.33, k 550.7812. Следува,
475 475
складиштето треба да се направи за 551 производ.
73
Простор на веројатност
Прашања за повторување
74
Случајни променливи
СЛУЧАЈНИ ПРОМЕНЛИВИ
75
Случајни променливи
3.Случајни променливи
X (i ) i, i 1,6.
Настаните определени со вредностите на оваа величина очигледно се случајни настани
и се појавуваат со одредена веројатност.
76
Случајни променливи
X x F , x R.
77
Случајни променливи
1
за 1 x 2 , FX ( x) P X x P X {1}
6
2
за 2 x 3 , FX ( x) P X x P X {1, 2}
6
за x 6 , FX ( x) P X x P X RX 1 .
P a X b FX (b) FX (a) ,
т.е.,
FX (b) FX (a) PX a, b,
78
Случајни променливи
F 1: FX е монотоно неопаѓачка;
F 2 : lim FX ( x) 0, lim FX ( x) 1,
x x
F 2 : Нека ( xn )
n 1 е растечка низа од реални броеви и нека lim xn . Ги разгледуваме
n
A1 A2 A3
Оттука, со користење на теоремата за непрекинатост на веројатноста, се добива
P An lim P( An ),
n1 n
т.е.,
P X xn lim P( X xn ) lim FX ( xn ) lim FX ( x).
n1 n n x
Од друга страна X x F , x R,
X xn X x X ,
n
n 1 n 1
па
P X xn P() 1.
n1
Значи lim FX ( x) 1.
x
Сега, нека ( yn ) n1 е опаѓачка низа од реални броеви и нека lim y n . Ги
n
79
Случајни променливи
B1 B2 B3
Повторно, со користење на теоремата за непрекинатост на веројатноста, се добива
P Bn lim P( Bn ),
n1 n
т.е.,
P X y n lim P( X y n ) lim FX ( y n ) lim FX ( y).
n1 n n y
Од друга страна
X yn X yn ,
n 1 n 1
па
P X y n P() 0.
n1
Добивме дека lim FX ( x) 0.
x
F 3: Нека x0 е произволен реален број и нека ( xn ) n 1 е растечка низа од реални броеви
таква што lim xn x0 . Треба да покажеме дека
n
lim FX ( x) FX ( x0 ),
x x0
A1 A2 A3 ,
па според теоремата за непрекинатост на веројатноста
P А nlim P( An ),
n1
т.е.,
P X xn lim P( X xn ) lim FX ( xn ) lim FX ( x).
n1 n n x x0
Од друга страна
n 1
X xn
n 1
X x X x ,
n 0
80
Случајни променливи
па
P X xn P X x0 FX ( x0 ).
n1
1
Ги означуваме настаните Bn X [ x0 , x0 ), n 1,2, и слично како и претходно
n
за нив важат следниве релации:
B1 B2 B3
Сега, со користење на теоремата за непрекинатост на веројатноста, се добива
1
P X x0 P Bn lim P( Bn ) lim P X [ x0 , x0 )
n 1 n n
n
1 1
lim P x0 X x0 lim FX x0 FX ( x0 ) (3.1)
n
n n
n
lim FX ( x) FX ( x0 ).
x x0
81
Случајни променливи
или
82
Случајни променливи
X x1 x2 ... xn
P{ X x} p1 p2 ... pn
n
при што важи дека p 1.
i 1
i
xi 0 1
P{ X xi } 1 1
2 2
1
; x0
2
f ( x)
1 ; x 1
2
83
Случајни променливи
84
Случајни променливи
xi 1 2 3 4 5 6
P{ X xi } 1 1 1 1 1 1
6 6 6 6 6 6
f ( x)
1
, за x {1,2,3,4,5,6}.
6
Алгебарски приказ на законот на распределба.
Графички приказ на законот за распределба на веројатноста во Геогебра е:
85
Случајни променливи
0; x x1
p1 ; x1 x x2
p1 p2 ; x2 x x3
FX ( x) .
p1 p2 pn 2 pn 1 ; xn 1 x xn
1; x xn
xi 0 1
P{ X xi } 1 1
2 2
0; x0
1
FX ( x) ; 0 x 1
2
1; x 1
Графички приказ на функција на распределба во Геогебра е:
86
Случајни променливи
xi 1 2 3 4 5 6
P{ X xi } 1 1 1 1 1 1
6 6 6 6 6 6
87
Случајни променливи
0; x 1
0.2; 1 x 2
FX ( x) .
0.7; 2 x 5
1; x5
Графички функцијата на распределба претставена во GeoGebra е дадена на следната
слика:
88
Случајни променливи
xi -1 2 5
0, А
IA .
1, А
Ако P( A) p, тогаш
P{I A 1} P( A) p, P{I A 0} 1 p .
На овој начин, за секој случаен настан A, може да се дефинира случајна променлива
индикатор на настанот A .
Пример 3.11: Во кутија се наоѓаат три топчиња означени со бројот 1, четири топчиња
означени со бројот 2 и две топчиња означени со бројот 3. На случаен начин се извлекува
едно топче од кутијата. Нека X е случајната променлива која претставува извлечениот
број.
а) најди го законот на распределба на случајната променлива X
б) Пресметај FX (2.5), FX (1), FX (2) и FX (5).
89
Случајни променливи
{ij i, j {1, 2, ,6}}, каде ij е елементарниот настан: на белата коцка се појавил
бројот i, а на црната j , така што i, j {1, 2, , 6}. Бидејќи сите елементарни настани
1
се еднакво веројатни, имаме P (ij ) .
36
а) Множеството вредности кои ќе ги прима случајната променлива Y збир на
паднатите броеви, е RY {2,3, 4,5,6,7,8,9,10,11,12}, а соодветните веројатности се:
1 2
P{Y 2} P{(11 )} , P{Y 3} P{(12 21 )} ,
36 36
6
P{Y 7} P{(16 25 34 43 52 61 )} ,
36
2 1
P{Y 11} P{(56 65 )} , P{Y 12} P{(66 )} .
36 36
Законот на распределба на Y е
90
Случајни променливи
2 3 4 5 6 7 8 9 10 11 12
Y : 1 2 3 4 5 6 5 4 3 2
1 .
36 36 36 36 36 36 36 36 36 36 36
б) Множеството вредности кој ќе ги прима случајната променлива Z разликата помеѓу
паднатиот број на белата и паднатиот број на црната коцка, е множеството:
RZ {5, 4, 3, 2, 1,0,1,2,3,4,5}, а соодветните веројатности се
1 2
P{Z 5} P{(16 )} , P{Z 4} P{(15 26 )} ,
36 36
6
P{Z 0} P{(11 22 33 44 55 66 )} ,
36
2 1
P{Z 4} P{(51 62 )} , P{Z 5} P{(61 )} .
36 36
Законот на распределба на Z е
5 4 3 2 1 0 1 2 3 4 5
Z : 1 2 3 4 5 6 5 4 3 2
1 .♦
36 36 36 36 36 36 36 36 36 36 36
Биномна распределба
Нека случајната променлива X го означува бројот на појавувања на настанот A во n
независни повторувања на експериментот, а p е веројатноста за реализирање на
дадениот настан. Тогаш, случајна променлива X има биномна распределба со
параметри n и p , множество вредности RX 0,1,2, , n и веројатности
n
pi P( X i) pi (1 p)ni , i RX .
i
Притоа е исполнет и условот:
n n
n i
p (1 p) p (1 p) 1.
n i n
pi
i 0 i 0 i
91
Случајни променливи
n
P( X i) pi (1 p)ni , i RX ,
i
со помош на софтверот GeoGebra имаме на следната слика 3.10
Бернулиева распределба
xi 0 1
P{ X xi } 1- p p
92
Случајни променливи
n
RX 0,1,2, , n , и веројатности P( X i) 0.167i 0.833ni , i RX .
i
Со софтверот GeoGebra, графички е претставен законот за распределба на
веројатноста и функција на распределба на случајната променлива X на слика 3.12
93
Случајни променливи
2 {0,1,2 } 0.6889 0
6 {0,1,2,3,4,5,6} 0.40178 1
12 {0,1,2,3,...,12} 0.29595 2
30 {0,1,2,3,…,30} 0.19188 5
50 {0,1,2,3,…,50} 0.14953 8
Максимална веројатност при биномни распределби со p 0.167
Забелешка: Максималниот број на појавување на 6-ка при реализирањето на
експериментот е заокружена вредност на цел број на производот на n и p , т.е x n p.
94
Случајни променливи
Пример 3.16: Стрелец гаѓа во мета. Веројатноста за погодок во секое независно гаѓање
е 0.6.
а) Ако стрелецот на располагање има четири куршуми, најди ја распределбата на
случајната променлива X број на остварени погодоци.
б) Ако стрелецот на располагање има сто куршуми, најди ја распределбата на
случајната променлива Y број на промашувања.
Решение: Врз основа на условот на задачата имаме дека веројатноста за погодок е 0.6,
па веројатноста за промашување е 0.4.
а) Случајната променлива X има B (4, 0.6) распределба па е
4
P{ X i} 0.6i 0.44i , i 0,1, , 4.
i
б) Случајната променлива Y има B (100, 0.4) распределба па е
100 100i i
P{Y i} 0.6 0.4 , i 0,1, , 4. ♦
i
Пример на случајна променлива со Бернулиева распределба е даден на следниот линк:
https://www.youtube.com/watch?v=kjpoFr7J0r4
Рамномерна распределба
За случајната променлива X која прима вредности од множество RX x1 , x2 , , xn
со еднакви веројатности
1
pi P ( X xi ) , i 1, 2, , n,
n
велиме дека има рамномерна распределба на множеството RX и пишуваме
X ~ U ({x1 , x2 , , xn }) .
Хипергеометриска распределба
95
Случајни променливи
Притоа, p 1.
i
i За случајната променлива X велиме дека има хипергеометриска
распределба со параметри n, m, k .
Видео за случајна променлива со хипергеометриска распределба имаме на следниот
линк:
https://www.youtube.com/watch?v=QlyrjPJgdjE
Геометриска распределба
pi P{ X i} (1 p)i 1 p qi 1 p, i 1,2,3...
Притоа е исполнет и условот
P{ X k} P{ X 1} P{ X 2} P{ X 3} ... P{ X n} ...
k 1
96
Случајни променливи
97
Случајни променливи
Пример 3.19: Стрелец гаѓа во мета. Веројатноста за погодок во секое независно гаѓање
е 0.6.
а) Ако стрелецот гаѓа во мета до првиот погодок да се најде распределбата на
случајната променлива U број на стрелани куршуми
б) Ако стрелецот гаѓа во мета до првото промашување да се најде распределбата на
случајната променлива V број на истрелани куршуми
Решение: : Врз основа на условот на задачата имаме дека веројатноста за погодок е
0.6, па веројатноста за промашување е 0.4.
а) Случајната променлива U има геометриска Geo(0.6) распределба па е
Poisson-ова распределба
98
Случајни променливи
а) p X ( x) 0 , за секој x R.
б) p
X ( x)dx 1
99
Случајни променливи
b
в) Pa X b p X ( x)dx за сите a, b R {} {}.
a
x
1 lim F ( x) lim
x x p
X (t )dt p
X (t )dt.
p
a
X ( x)dx.
p
X ( x)dx 1, кое е потребен услов за функцијата p X (x) да биде густина на
100
Случајни променливи
1
1
1 1
p
X ( x)dx p
X ( x)dx pX ( x)dx
1
p
1
X ( x)dx 0 x a dx 0
1
4
1
1 x2 12 (1)2 1 1
ax a 1 a (1) a a 2a 1
4 2 1 8 8 8 8
1
т.е. a
2
1
Следува за a функцијата
2
1 1
x ; x [1,1]
p X ( x) 4 2
0 ; x [1,1]
101
Случајни променливи
За 1 x 1
x
x x
1 1 1 t2 1
FX ( x) pX (t )dt t dt t
1
4 2 4 2 2 1
x 2 x (1) 2 1 x 2 x 3
8 2 8 2 8 2 8
За x 1
1
1
x 1
1 1
x
t2 t
FX ( x) pX (t )dt 0dt t dt 0dt 0 0
1
4 2 1 8 2 1
12 1 ( 1) 2 1 1 1 1 1
1
8 2 8 2 8 2 8 2
Рамномерна распределба
Случајната променлива X има рамномерна распределба на интервалот (а, b), ако
нејзината функција за густина е константна на интервалот (а, b), а е еднаква на 0,
надвор од него, т.е.
C , x (a, b)
p X ( x) .
0, x (a, b)
Константата C се определува од условот
102
Случајни променливи
p
X ( x)dx 1,
a b
a b
За a x b,
x a x
1 1 xa
b a dt 0 b a t|
x
FX ( x) p X ( x)dx 0dt
a
a ba
За x b,
x a b x
1 1 b 1
FX ( x)
p X ( x)dx 0dt
a
ba b
dt 0dt 0 t 0
ba a ba
(b a) 1.
|
103
Случајни променливи
0, x a
xa
Следува, FX ( x) , a x b.
b a
1, x b
Пример 3.22: Пауза помеѓу две последователни операции на една машина за шиење е
од 1.25 до 6.5 секунди. Работата на машината е претставена со случајна променлива
X од непрекинат тип со рамномерна распределба на интервалот (1.25, 6.5).
а) Да се определи законот и функцијата на распределба на X ~ U (1.25, 6.5) .
б) Да се определи веројатноста дека паузата ќе биде помала од 2 секунди.
в) Да се определи веројатноста дека паузата ќе биде помеѓу 2.5 и 4 секунди.
Решение: а) Случајната променлива X од непрекинат тип има рамномерна
распределба на интервалот (a, b) за a 1.25 и b 6.25 .
Густината на распределбата претставена алгебарски е:
1
, x (1.25, 6.5)
p X ( x) 6.5 1.25 т.е.
0, x (1.25, 6.5)
4
, x (1.25,6.5)
p X ( x) 21 .
0 , x (1.25,6.5)
104
Случајни променливи
0, x 1.25
4x 5
FX ( x) , 1.25 x 6.5
21
1 , x 6.5
105
Случајни променливи
Слика 3.23
в) Веројатноста дека паузата ќе биде помеѓу 2.5 и 4 секунди, при реализирање на две
последователни операции е:
4 4
4 4 4 4
P{2.5 X 4}
2.5
p X ( x)dx
2.5
21
dx x 2.5 (4 2.5)
21 21
4 4 3 6 2
1.5 0.29 т.е.
21 21 2 21 7
веројатноста е 29% дека паузата помеѓу две последователни операции на машината ќе
биде помеѓу 2.5 и 4 секунди.
Графички претставена во GeoGebra е на слика 3.24:
Слика 3.24
Експоненцијална распределба
Случајната променлива X има експоненцијална распределба со параметар ако
нејзината густина на распределба е зададена со функцијата:
0, x0
px ( x ) x .
e , x 0
106
Случајни променливи
Слика 3.25
Ознака X ~ ( ) .
Функцијата на распределба е:
За x 0,
x x
FX ( x)
pX (t )dt 0dt 0
За x 0,
x 0 x
p 0dt e
t x
FX ( x) X (t )dt dt 0 e t
0
0
e x e 0 e x 1 1 e x
т.е. функцијата на распределба на случајната променлива е
0, x0
FX ( x) x
1 e , x 0
Графички претставена функцијата на распределба во GeoGebra за 2 е:
107
Случајни променливи
Слика 3.27
Забелешка: Експоненцијалната распределба се употребува за моделирање на време
помеѓу два настани или време на чекање.
0; x0
p X ( x) 0.25 x
0.25e ; x0
претставена графички во GeoGebra е:
108
Случајни променливи
0; x0
FX ( x) 0.25 x
1 e ; x0
Претставена графички функцијата на распределба во GeoGebra е:
б) Веројатноста дека автомобилот купен денес, во наредните пет години нема да има
поголем дефект и нема да има потреба да се поправа, ќе ja пресметаме со помош на
густината на распределба на веројатноста на случајната променлива X со:
5 0 5
0dx 0.25 e dx 0 e
0.25 x 5
0.25 x
P{ X 5} p X ( x)dx
0
0
Слика 3.30. ♦
Видео со пример на случајна променлива со експоненцијална распределба имаме на
линкот:
https://www.youtube.com/watch?v=RQ9VOaWxDFo
Видео за случајна променлива со експоненцијална распределба имаме и на линкот:
https://www.youtube.com/watch?v=iV3VoUA1vxE
109
Случајни променливи
Нормална распределба
Случајната променлива X има нормална распределба (Гаусова распределба) со
параметри a и 2 ( a – аритметичка средина на бесконечно многу мерења на податоци,
- нивна стандардна девијација), ако нејзината густина на распределба е дадена со
функцијата:
( x a )2
1
p X ( x) e 2 2 , x R,
2
каде што a R и >0 се дадени константи.
x ( x a )2
1
Функцијата на распределба на X е FX ( x) e 2 2
dt , x R.
2
Графички претставена густината на распределба на случајната променлива со
нормална распределба во GeoGebra со помош на лизгачи за параметрите a и 2, е на
слика 3.31:
Ознака X ~ N (a, ) .
2
Слика 3.32
110
Случајни променливи
111
Случајни променливи
https://www.geogebra.org/m/xxKzcCvC
Друго видео за визуализација на случајна променлива со нормална распределба имаме
на линкот:
https://www.youtube.com/watch?v=DjktMvfWbNA
a + ≤ X 5
a ≤ X < a + 4
a - ≤ X < a 3
a -2 ≤ X < a - 2
X < a -2 1
112
Случајни променливи
70 ( x 70)2
1
P(a X a) P(56 X 70) e 2102
dx 0.341
56 10 2
84 X 5 15.9
70 X 84 4 34.1
56 X 70 3 34.1
42 X 56 2 13.6
X 42 1 2.3
Слика 3.35
2
Функцијата на распределба на X ~ N (70, 14 ) е дадена на слика 3.36:
113
Случајни променливи
2
Слика 3.36 Функција на распределба на X ~ N (70, 14 ) ♦
Гама распределба
114
Случајни променливи
Слика 3.37.
Кошиева распределба
Случајната променлива X има Кошиева распределба, ако нејзината густина е
зададена со
1
p X ( x) , x R.
(1 x 2 )
На слика 3.38 е дадена густината на распределба на случајна променлива со
Кошиева распределба.
Слика 3.38.
115
Случајни променливи
116
Случајни променливи
117
Случајни променливи
pY ( x) pX ( f 1 ( x)) ( f 1 )( x) .
Доказ: Нека f е строго монотона растечка на (a, b). Тогаш и f 1 е строго монотона
растечка на ( f ( a ), f (b)), па ( f 1 )( x) 0, т.е. ( f 1 )( x) ( f 1 )( x), за x ( f ( a ), f (b)) .
Сега, за функцијата на распределба на случајната променлива Y се добива
118
Случајни променливи
Ако f е строго монотона опаѓачка на (a, b), тогаш и f 1 е строго монотона опаѓачка
на ( f ( a ), f (b)). Оттука, ( f 1 )( x) 0, т.е. ( f 1 )( x) ( f 1 )( x) за x ( f ( a ), f (b)). За
функцијата на распределба на случајната променлива Y добиваме
Понатаму,
Овде ќе дадеме уште една теорема според која функции од независни случајни
променливи се исто така независни случајни променливи.
P ({ f ( X ) B } { g (Y ) B })= P{ f ( X ) B } P{g (Y ) B }.
1 2 1 2
Имено,
од независноста
на X и Y
1 1
P ({ f ( X ) B } { g (Y ) B })= P({ X f ( B )} {Y g ( B )})
1 2 1 2
P{ f ( X ) B } P{g (Y ) B }.◙
1 2
1
Пример 3.27: Случајната променлива X има биномна распределба B 3, . Најди ја
4
распределбата на случајната променлива Y 2 X 1.
Решение:
Случајната променлива X прима вредности X {0,1,2,3} од каде случајната
променлива Y 2 X 1 прима вредности Y {1,3,5,7} со веројатности
3 1
0 3
3 27
P{Y 1} P{2 X 1 1} P{ X 0} ,
0 4 4 64
3 1
1 2
3 27
P{Y 3} P{2 X 1 3} P{ X 1} ,
1 4 4 64
119
Случајни променливи
3 1
2 1
3 9
P{Y 5} P{2 X 1 5} P{ X 2} ,
2 4 4 64
3 1
3 0
3 1
P{Y 7} P{2 X 1 7} P{ X 3} . ♦
3 4 4 64
Пример 3.28: Даден е законот на распределба на случајната променлива
1 0 1
X : . Одреди го законот на распределба на случајната променлива
0.2 0.3 0.5
Y X 2 4.
P{Y 3} P{X 2 4 3} P{X 2 1} P{X 1} P{X 1} 0.2 0.5 0.7
од каде законот на распределба на Y е
4 3
Y : . ♦
0.3 0.7
Пример 3.29: Случајната променлива X има нормална распределба X ~ N (a, ) со
2
па за y 0
FY ( y ) P{Y y} P{ X y} P{} 0
па pY ( y ) 0, y 0. ♦
120
Случајни променливи
i
P{ X i} e , i 0,1, .
i!
Случајната променлива Y X 2 може да ги прима само вредностите кои се квадрати на
природните броеви и нула, при што важи:
i
P{Y i 2 } P{ X i} e , i 0,1, . т.е.
i!
0 1 4
Y : 1
2 .♦
e e e
1! 2!
y b
FX a , a0
1 P X y b P X y b , a 0
a a
y b
FX a , a0
1 F y b P X y b , a 0
X
a a
а густината е
y b 1
pX a a , a0
1 y b
pY ( y ) FY y pX . ♦
p y b 1 , a 0 | a | a
X
a a
121
Случајни променливи
Нека X 1 , X 2 ,
, X n се случајни променливи дефинирани на просторот на
веројатност (, F , P ) . Тогаш на секој му одговара една подредена n торка од
реални броеви X1 ( ), X 2 ( ), , X n ( ) R n . На тој начин се добива една функција
X X1 , X 2 , , X n од во
Rn определена со n торката X 1 , X 2 , , X n која се
нарекува случаен вектор или n димензионална случајна променлива.
Доказ: Нека I n ( x1 , x2 ,, xn ) ai xi bi , ai , bi R, i 1,2, e n димензионален
паралелопипед. Бидејќи X i се случајни променливи, i 1,2, , n , множествата
a i X i ( ) bi F , за секој i 1,2,, n , па
X 1 ( I n ) ai X i ( ) bi , i 1,2,, n
ai X i ( ) bi
n
i 1
n
X i ([ai , bi )) F .
1
i 1
Bi ( x1 , x2 , , xn ) ai xi bi .
i 1 n i
Всушност, Bi R [ai , bi ) R . Сега,
X 1 (B i ) ai X i ( ) bi , X j ( ) , j 1,2, , n, j i
ai X i ( ) bi X j ( )
n
j 1
j i
1
X i ([ai , bi )),
122
Случајни променливи
123
Случајни променливи
Кај случајните вектори исто како и кај случајните променливи ќе дефинираме два типа
на случајни вектори: од дискретен и од апсолутно – непрекинат тип со природно
обопштување на дефиницијата за случајни променливи од дискретен, т.е. апсолутно -
непрекинат тип.
пребројливо, при што, ако pij P X xi , Y y j , тогаш p ij 1. Множеството
i j
множеството вредности R( X ,Y )
е конечно, т.е. R( X ,Y ) ( xi , y j ) i 1,2,, m; j 1,2,, n;
посебно во случај кога бројот на елементи во ова множество е мал, вообичаено е
законот на распределба на случајниот вектор ( X , Y ) да се претстави со табела со
следниот облик:
X\Y y1 y2
x1 p11 p12
x2 p 21 p 22
Ако xi x xi 1 , y j y y j 1 , тогаш
F ( x, y) PX x, Y y PX {x1 ,, xi }, Y { y1 ,, y j }
i j i j
PX xr , Y y s p r s
r 1 s 1 r 1 s 1
124
Случајни променливи
P X xi , Y y j lim P xi X xi 1 , y j Y y j 2
( 1, , 2 ) (0 ,0 )
lim [ F ( xi 1 , y j 2 ) F ( xi 1 , y j ) F ( xi , y j 2 ) F ( xi , y j )].
(1, , 2 ) (0 ,0 )
а) Пресметај ги веројатностите P X 0 , P X 1 , P X 1, Y 2 и P X 1, Y 2 .
Решение:
а) Бараните веројатности се
11
P X 0 P{ X 1} P{ X 2}
18
PX 1 P{ X 0} P{ X 1}
14
18
б) F (1,0) P X 1, Y 0 0,
F (1,1.35) P X 1, Y 1.35 P X 0, Y 0 P X 0, Y 1
1 6 7
18 18 18
125
Случајни променливи
F (2, 2) P X 2, Y 2 P X 0, Y 0 P X 0, Y 1
1 6 3 4 14 ♦
P X 1, Y 0 P X 1, Y 1 .
18 18 18 18 18
Пример 3.33: Во кутија во која се наоѓаат 3 бели, 2 плави и 1 едно црвено топче, се
извлекуваат, на случаен начин, истовремено две топчиња. Нека X е број на бели
топчиња, а Y број на црвени топчиња меѓу избраните. Одреди го законот на
распределба на случајниот вектор X , Y , а потоа пресметај ја веројатноста P{ X Y }.
Решение:
Случајната променлива X прима вредности 0,1 и 2, а случајната променлива Y
вредности 0 и 1.
C31C21C10 6
P X 1, Y 0
C62 15
C31C20C11 3
P X 1, Y 1
C62 15
Пресметувајќи ги и останатите веројатности на истиот начин го добиваме законот на
распределба на случајниот вектор X , Y
X\Y 0 1
0 1/15 2/15
1 6/15 3/15
2 3/15 0
Бараната веројатност е
6
P{ X Y } P{ X 0, Y 0} P{ X 0, Y 1} P{ X 1, Y 1} .♦
15
F ( x, y ) dt p(t , t )dt
1
1 2 2 . (3.5)
x y
1 lim
( x , y ) ( , )
F ( x, y) lim
( x , y ) ( , )
dt1 p(t1 , t2 )dt2 ,
126
Случајни променливи
т.е.
dx p( x, y)dy 1.
Од друга страна
2 F ( x, y )
p ( x, y ) ,
xy
ако мешаниот извод на F ( x, y ) постои во точката ( x, y ), за ( x, y ) 2
.
Познати распределби на случајни вектори од апсолутно непрекинат тип се:
1
1 ( x aX )2 x aX y aY ( y aY )2
p( x, y) exp 2
2 .
2 X Y 1 2(1 ) X X Y Y
2 2
2
Означуваме ( X , Y ) ~ N (aX , aY , X , Y , ) .
2 2
1
, ( x, y) G
p( x, y ) m(G ) ,
0, ( x, y) G
каде што m(G ) е плоштината на областа G. Означуваме ( X , Y ) ~ U (G ) . Ако G е круг
2
2 2
со центар во 0,0 и радиус r , т.е. G ( x, y) x y r , тогаш плоштината на G е
m(G ) r 2 , па за густината на рамномерна распределба на случајниот вектор ( X , Y )
на областа G се добива:
1 1
2 , ( x, y ) G 2 , x2 y 2 r 2
p ( x, y ) r r .
0, ( x, y ) G 0, x y r
2 2 2
1
, ( x, y ) (a, b) (c, d )
p( x, y ) (b a)(d c) .
0, ( x, y ) (a, b) (c, d )
127
Случајни променливи
p X ( x) p( x, y)dy
1
1 ( x a X )2 x a X y aY ( y aY ) 2
2 exp 2
2 dy
Y 1 2(1 ) X X Y Y
2 2
X
2
1 1 ( x a X ) 2
1 y aY x aX
2
2 X Y 1 2
exp
2 X
2
exp
2(1 ) Y
2
X dy
1 y aY x aX
Воведуваме смена t ,
1 2 Y X
dy
oд каде имаме dt , па имаме
Y 1 2
128
Случајни променливи
1 1 ( x a X )2 t2
p X ( x) p( x, y )dy exp exp dt
2 X 2 X
2
2
1 1 ( x aX )2
exp .
2 X 2 X
2
129
Случајни променливи
pi P X xi P X x , Y y ,
y j RY
i j
на настанот Y y . j
X\Y 0 1 2
0 a /3 a /3 1/36
1 2/9 2/9 a /6
2 1/9 a /3 a /12
а) Определи ја вредноста на a R
в) Да се најдат веројатностите P X 1, Y 1 , P X 2, Y 1 , и P X 0, Y 0 .
Решение:
а) Од тоа што p ij
1 каде pij P X xi , Y y j , xi 0,1,2, y j 0,1,2
i j
130
Случајни променливи
а а 1 2 2 a 1 a a 1
имаме 1, од каде се добива а па табелата со
3 3 36 9 9 6 9 3 12 3
законот на распределба на случајниот вектор е
X\Y 0 1 2
0 1/9 1/9 1/36
1 2/9 2/9 1/18
2 1/9 1/9 1/36
б) Маргиналниот закон на распределба на X e
в) PX 1, Y 1 PX 1, Y 0
2
,
9
131
Случајни променливи
X\Y 0 1
0 1/18 6/18
1 3/18 4/18
2 3/18 1/18
Решение:
а) Маргиналните распределби на X и Y се
0 1 2 0 1
X : 7 7 4 и Y : 7 11 .
18 18 18 18 18
б) Бараните веројатности се
PX 0 P{ X 1} P{ X 2}
11
18
PX 1 P{ X 0} P{ X 1}
14
18
PX 1, Y 2 PX 0, Y 0 PX 0, Y 1
1 6 7
,
18 18 18
PX 1, Y 2 PX 0, Y 0 PX 0, Y 1 .
7
18
в) F (1,0) P X 1, Y 0 0,
F (1,1.35) P X 1, Y 1.35 P X 0, Y 0 P X 0, Y 1
1 6 7
18 18 18
F (2, 2) P X 2, Y 2 P X 0, Y 0 P X 0, Y 1
1 6 3 4 14 ♦
P X 1, Y 0 P X 1, Y 1 .
18 18 18 18 18
X\Y 0 1
0 1/4 1/4
1 1/4 1/4
а) Најди ги маргиналните распределби на случаните променливи X и Y .
132
Случајни променливи
Решение:
а) Маргиналните распределби на X и Y се
0 1 0 1
X :1 1 и Y :1 1 .
2 2 2 2
б) F (1,0) P X 1, Y 0 0,
F (1,1.35) P X 1, Y 1.35 P X 0, Y 0 P X 0, Y 1
1 1 1
,
4 4 2
F (2, 2) P X 2, Y 2 P X 0, Y 0 P X 0, Y 1
1 1 1 1 ♦
P X 1, Y 0 P X 1, Y 1 1.
4 4 4 4
Пример 3.38: Заедничката густина на распределба на дводимензиналната случајна
променлива X , Y е
Ce x y , x 0, y 0
p ( x, y ) .
0, инаку
а) Најди ја константата C
p( x, y)dxdy 1,
следува
1 C e x y dxdy C e x dx e y dy
0 0 0 0
2
1 1 C
C e x e y | dx C e x | 2
0 0
0
C
одкаде 1 C 2.
2
б) За функцијата на распределба имаме
за x 0 y 0 е F x, y 0
133
Случајни променливи
за x 0, y 0 е
x y
F x, y dt p x, y du
0 0
x y x y
2 t u
dt e e dt e u du
x
du 2
0 0 0 0
2
1
2 e y
1 e x 1
1 e x e y e x y .
2 x y 2 x y
p X ( x) 0
e dy e e | e x , x 0
0
0, x0
2 x y 2 x y
pY ( y ) 0
e dx e e | e y , y 0
0 .
0, y0
PX x, A
FX ( x A) PX x A .
P( A)
Нека ( X , Y ) е дводимензинален случаен вектор од дискретен тип зададен со закон на
распределба pij P X xi , Y y j , и нека pi P X xi , q j P Y y j . Тогаш
условната распределба на X при услов Y y j се добива со
p X ( xi y j ) P X xi Y y j PXPYx, Yy y pp( x(,yy )) qp
i j i j ij
, i 1,2,
j Y j j
134
Случајни променливи
PX xi , Y y j
pY ( y j xi ) PY y j X xi
p ( xi , y j ) pij
, j 1,2,
PX xi p X ( xi ) pi
Ако ( X , Y ) е случаен вектор од апсолутно – непрекинат тип тогаш за да ја дефинираме
густината на условната распределба на X при услов Y y ќе земеме дека ( X , Y )
има густина p ( x, y ) и нека y е точка во која маргиналната густина на распределба на
Y е позитивна, т.е. pY ( y ) 0. Ќе претпоставиме дека p ( x, y ) и pY ( y ) се непрекинати
секаде каде што тоа е потребно при изведувањето. се добива
x yh yh
P X x, y Y y h y
p(u, v)dvdu x p(u, v)dv
FX ( x y Y y h) yh
y
du .
Py Y y h yh
p p
Y (v)dv Y (v)dv
y y
p(u, v)dv
y
која гласи:
yh
Аналогно, за y
pY (v)dv од теоремата за средна вредност на интегралното сметање
y h
135
Случајни променливи
x
p(u, y)
FX ( x y)
pY ( y)
du, x R. (3.6)
p( x, y)
pX ( x y) , x R.
pY ( y)
(3.7)
p( x, y)
pY ( y x) , y R. (3.8)
p X ( x)
На крај да забележиме дека и условната густина е густина на распределба.
се одредат:
а) константите c1 и c2 ;
б) густината на распределба на ( X , Y ) ;
1 1 5
в) P X Y .
4 2 8
Решение: а) Имаме
y
x c1 y 2 c1
1 p X ( x y )dx c1 2 dx 2 c1 2,
0
y y 2 y
1
c2
1 c2 y 4 dy c2 5.
0
5
б) По дефиниција на условната густина имаме
p( x, y) pX ( x y) pY ( y) 10 xy 2 , 0 x y, 0 y 1.
в) Бараната веројатност е
136
Случајни променливи
1 1 5 2
5
P X Y pX x y dx
4 2 8 1 8
4
1
2
2x 64 1 1 1
dx 2
1 5
2
25 2 4 16
8
4
64 3 12
.♦
25 16 25
Решение:
Густината на случајниот вектор ( X , Y ) е
0, ( x, y ) K
p ( x, y ) 1
2 , ( x, y ) K
а маргиналните густини
x 1 1
dy, 1 x 0
x 1 2 x 1, 1 x 0
p X ( x) 1 x 1 x , x 1,1.
1 dy, 0 x 1 1 x, 0 x 1
2
x 1
pY ( y) 1 y , y 1,1.
137
Случајни променливи
Па имаме
1
p ( x, y ) 2 , ( x, y ) K 1
pX ( x y) 1 y , ( x, y ) K ,
pY ( y ) 2 1 y
0, ( x, y ) K
1
pY ( y x) , ( x, y) K . ♦
2 1 x
F ( x, y )
i:xi x j: y j y
pij ,
FX ( x) p , F ( y)
i:xi x
i Y qj.
j: y j y
F ( x, y )
i:xi x j: y j y
pij pi q j ,
i: j
p
i:xi x
i
j: y j y
q j FX ( x) FY ( y ).
Од друга страна
138
Случајни променливи
1
(6 x y ), x 0, 2 , y 2, 4
p ( x, y ) 8
0, инаку
139
Случајни променливи
б)
1.2 3.2 1.2 3.5
1 1
F 1.2,3.2 (6 x y )dxdy dx (6 x y )dy
0 2
8 0 2
8
1.2 1.2
1 y 2 3.2 1 1 x 2 1.2
8 0 8 0
(6 y xy ) dx (4.08 1.2 x )dx (4.08 x 1.2 ) 0.312.
2 2 8 2 0
0.5 3.5
1
F 0.5,3.5 8 (6 x y)dxdy 0.28125.
0 2
1 y2 4 1
4
1 1
p X ( x) (6 x y )dy 6 y xy |2 (6 2 x) (3 x).
2
8 8 2 8 4
1 2 1
2
1 x2 1
pY ( y ) (6 x y )dx 6 x yx | (10 2 y ) (5 y ).
0
8 8 2
0 8 4
Пример 3.42: Александар фрла два пати коцка за играње “Не лути се човече”. Нека X
е бројот на појавувања на број делив со 3, а Y бројот на појавувања на бројот 3. Најди
го законот на распределба на случајниот вектор ( X , Y ) . Испитај дали случајните
променливи X и Y се независни.
Решение:
140
Случајни променливи
PX 0, Y 2 0
PX 1, Y 0 P{16 26 46 56 61 62 64 65 }
8
36
PX 1, Y 1 P{13 23 43 53 31 32 34 35 }
8
,
36
PX 1, Y 2 0
PX 2, Y 0 P{ 66 }
1
,
36
PX 2, Y 1 P{ 36 63 }
2
,
36
PX 2, Y 2 P{ 33 }
1
.
36
X\Y 0 1 2
0 16/36 0 0
1 8/36 8/36 0
2 1/36 2/36 1/36
X\Y 0 1 2
0 a/3 a/3 1/36
1 2/9 2/9 a/6
2 1/9 a/3 a/12
141
Случајни променливи
а) Да се определи ја вредноста на a R
Решение:
а) Од тоа што p ij
1 каде pij P X xi , Y y j , xi 0,1,2, y j 0,1,2
i j
имаме
а а 1 2 2 a 1 a a
1,
3 3 36 9 9 6 9 3 12
1
од каде се добива а па табелата со законот на распределба на случајниот вектор
3
X ,Y е
X\Y 0 1 2
0 1/9 1/9 1/36
1 2/9 2/9 1/18
2 1/9 1/9 1/36
б) Маргиналниот закон на распределба на X e
142
Случајни променливи
в) PX 1, Y 1 PX 1, Y 0
2
,
9
143
Случајни променливи
Y B f X1 , X 2 , , X n B X , X ,
1 2 , X n f 1 B F
бидејќи X 1 , X 2 , , X n е случаен вектор.◙
P{Z z} P{ f ( X , Y ) z}
( xi , y j )R( X ,Y )
P{ X xi , Y y j }
( xi , y j )R( X ,Y )
pij .
f ( xi , y j ) z f ( xi , y j ) z
144
Случајни променливи
z f ( x, y )
(3.10)
u x
Инверзната трансформација на претходно дадената се добива ако x и y се изразат
преку z и u , се добива
x g1 ( z , u )
, (3.11)
y g2 ( z, u )
за некои функции g1 и g 2 од R 2 во R .
S2 R2 , т.е.
x x
z u
Ј .
y y
z u
Сега, согласно правилото за смена во двоен интеграл имаме
P{( Z ,U ) S2 } P{( X , Y ) S1} p( x, y )dxdy
S1
p( g1 ( z, u ), g 2 ( z, u )) J dzdu.
S2
p( z, u ) p( g1 ( z, u ), g 2 ( z, u )) J .
145
Случајни променливи
x x
u v cos v u sin v
Ј u,
y y sin v u cos v
u v
па за заедничката густина на случајниот вектор U , V добиваме:
u (cos v sin v )
ue , 0v ,u 0
p(u, v) p( x(u, v), y (u, v)) J p (u cos v, u sin v) J 2 .♦
0, инаку
Пример 3.45: Воведувајќи нова помошна променлива W X да се определи густината
на распределба на случајната променлива Z XY ако е позната заедничката густина
на распределба p ( x, y ) на случајниот вектор X , Y .
z z
x y y x
Ј x,
w w 1 0
x y
p( x, y) 1 z
p( z, w) p w, .
J w w
Маргиналната густина на распределба на случајната променлива Z е
1 z
pZ ( z ) p( z, w)dw
p w, dw.
w w
146
Случајни променливи
147
Случајни променливи
148
Случајни променливи
17. Петар извлекува едно топче од кутија во која се наоѓаат седум топчиња означени
со броевите 3,4,5,6,7,8 и 9. Ако извлечениот број е делив со 3, добива еден
поени, ако е извлечен број делив со 4, добива два поени, а во останатите случаи
добива три поени. Случајната променлива X претставува број на поени кој
Петар ги освоил. Случајната променлива Y прима вредност нула ако е извлечен
парен број а вредност еден ако е извлечен непарен број. Најди го законот на
распределба на на случајниот вектор ( X , Y ). Пресметај ги веројатностите
PX 1Y 0, PX 3, Y 0.
19. Александар фрла два пати коцка за играње “Не лути се човече”. Нека X е бројот
на појавувања на број делив со 3, а Y бројот на појавувања на бројот 3. Најди
го законот на распределба на случајниот вектор X , Y . Испитај дали случајните
променливи X и Y се независни.
8
xy, 1 x 2, 1 y x
p ( x, y ) 9
0, инаку
149
Случајни променливи
Слика 3.39
Пресметај F (0.5, 0.2) , F ( 1, 1) и P0.2 X 0.5, Y 0.5 .
22. Случајна променлива X , Y дадена е со густината на распределба
Cx 3 y, 0 y x 1
p ( x, y ) .
0, инаку
а) Најди ја константата C.
б) Најди ја функцијата на распределба
1
( x y ), ( x, y ) T
p ( x, y ) 4 ,
0, ( x, y ) T
Да се најде:
а) Функцијата на распределба на случајниот вектор X , Y ;
150
Случајни променливи
б) густината pX ( x y ) ;
1
в) Веројатноста P Y 1 X .
2
24. Заедничката густина на распределба на случајниот вектор ( X , Y ) е
e ( x y ) , x 0, y 0
p ( x, y ) .
0, инаку
Решенија:
, PX {3,5} P{ X 3} P{ X 3}
1 1 1 5
1. a
2 6 4 12
0, x2
1
, 2 x3
3. PX 0 , PX 1 , PX 2
1 16 28
2. FX ( x) 4 ; 4. 0.125
3 , 3 x4
45 45 45
4
1, x4
0 1 2 3 4 5
5. X : , а функцијата на распределба е
0.4 0.36 0.12 0.084 0.0144 0.0216
0, x 0
0.4, 0 x 1
0.76, 1 x 2
FX ( x) 0.88, 2 x 3 .
0.964, 3 x 4
0.9784, 4 x 5
1, x 5
14
6. Случајната променлива X има биномна распределба X : B 6,
20
6 5
6 14 6
а) P X 2 1 P X 2 1 P X 0 P X 1 1 6 0.989.
20 20 20
б) P2 X 5 P X 2 P X 3 P X 4 P X 5 0.871.
7. Случајната променлива која претставува број на телефонски повици во текот на
23 2
еден час има Поасонова распределба P (2) . a) P{ X 3} e 0,180447044.
3!
151
Случајни променливи
б) Бараната веројатност е
20 2 21 2 22 2
P{ X 2} P{ X 0} P{ X 1} P{ X 2} e e e 0.676676.
0! 1! 2!
20 21
в) Бараната веројатност е P{ X 2} 1 P{ X 2} 1 e 2 e 2 0.59399.
0! 1!
8. а) Функцијата на распределба и густината на распределба се
0, x 0 0, x0
p X ( x) x , FX ( x) x
e , x 0 1 e , x 0
0, x0
0, x (0, 2) x
11. p X ( x) 1 и FX ( x) , 0 x 2 .
2 , x (0, 2) 2
1, x2
Графиците на овие две функции се дадени на слика 3.41
152
Случајни променливи
Слика 3.41
б) Веројатноста дека возот ќе касни барем 45 минути е
3 3 3 3
P X 1 P X 1 FX 1 0.625 .
4 4 4 8
12. Бараните веројатности се:
P{Z 2.17} (2.17) 0.9850,
P{0 Z 1} (1) (0) 0.8413 0.5 0.3413
P{Z 2.5} 1 P{Z 2.5} 1 0.0062 0.9938
P{| Z | 1.2} P{1.2 Z 1.2} (1.2) (1.2) 0.8849 0.1151 0.7698
и
P{0.4 Z 1} (1) (0.4) 0.8413 0.3446 0.4967
0 1 4 1 2 3 4
13. а) Y : б) Y : .
0,1 0,6 0,3 0.2 0.1 0.4 0.3
1 11 2 18 48
и RZ 2,18,48 Z :
9
14. RY 1,9,11 Y : .
0.4 0.5 0.1 0.4 0.5 0.1
153
Случајни променливи
PX 1, Y 0 P ( А6 )
1
7
PX 1, Y 0 P ( А3 А9 )
2
7
PX 2, Y 0 P ( А4 А8 )
2
7
PX 2, Y 1 0
PX 3, Y 0 0
PX 3, Y 1 P ( А5 А7 )
2
7
X\Y 0 1
1 1/7 2/7
2 2/7 0
3 0 2/7
1
PX 1, Y 0 7 1
PX 1Y 0 ,
PY 0 3 3
7
154
Случајни променливи
2
P{ X 0, Y 0} P ( A3 A9 ) P ( A3 ) P ( A9 ) ,
13
3
P{ X 0, Y 1} P ( A1 A7 A13 ) P ( A1 ) P ( A7 ) P ( A13 ) ,
13
2
P{ X 0, Y 2} P ( A5 A11 ) P ( A5 ) P ( A11 ) ,
13
2
P{ X 1, Y 0} P ( A6 A12 ) P ( A6 ) P ( A12 ) ,
13
2
P{ X 1, Y 1} P ( A4 A10 ) P ( A4 ) P ( A10 ) ,
13
2
P{ X 1, Y 2} P ( A2 A8 ) P ( A2 ) P ( A8 ) ,
13
па
X \Y 0 1 2
0 2/13 3/13 2/13
1 2/13 2/13 2/13
0 1 0 1 2
б) X : 7 6 и Y : 4
5 4 .
13 13 13 13 13
2 6 4
P{ X 1, Y 2} P{ X 1} P{ X 2} па X и Y не се независни.
13 13 13
в) F (0,1.5) P{ X 0, Y 1.5} 0
F (5, 6) P{ X 5, Y 6} 1
8 y2 4 3 4
x
x x, x 1,2 .
8
19. p X ( x) x ydy x x
1
9 1 9 2 9 9
8 x2 16
2
y y 3 , y 1,2.
8 4
pY ( y) y xdx y 2
y
9 y 9 2 9 9
4 3 4 16 4 3
x x, x (1,2) y y , y (1,2)
Според тоа p X ( x) 9 9 , pY ( y ) 9 9 .
0 , x (1,2)
0, y (1,2)
155
Случајни променливи
PX 0, Y 2 0
PX 1, Y 0 P{16 26 46 56 61 62 64 65 }
8
36
PX 1, Y 1 P{13 23 43 53 31 32 34 35 }
8
,
36
PX 1, Y 2 0
PX 2, Y 0 P{ 66 }
1
,
36
PX 2, Y 1 P{ 36 63 }
2
,
36
PX 2, Y 2 P{ 33 }
1
.
36
X\Y 0 1 2
0 16/36 0 0
1 8/36 8/36 0
2 1/36 2/36 1/36
PX 1, Y 2 0 PX 1PY 2 следува дека случаните променливи X
16 1
36 36
и Y не се независни.
0.5 0.2 0.5 0.2 0.5
21. F (0.5, 0.2) 2dxdy dx 2dy 2 0.2dx 0.4 x 0.2 ,
0.5
0
0 0 0 0 0
156
Случајни променливи
1 1
F (1, 1) 0dxdy 0
и
0, x 0 y 1
6
x , 0 x 1, y x
y 2
22. а) C 12 б) F ( x, y ) (3 x y ), 0 x 1, y x .
4 4
2
y2
(3 y ), x 1, 0 y 1
4
2
1, x 1, y 1
23. а)
0, x 0 y 0
1 1 x 2 y 1 xy 2 1 x 3 , ( x, y ) T
4 2 2 2
3
y
F ( x, y ) , 0 y 2, x y .
8
1 1 3
2x x x , 0 x 2, y 2
2
4 2
1, x 2, y 2
б)
14
в) .
19
p ( x, y ) e y , x 0, y 0
Условната густина е pY ( y | x) .
p X ( x) 0, инаку
157
Случајни променливи
e y , y 0
pY ( y ) .
0, y 0
158
Случајни променливи
Прашања за повторување
159
Бројни карактеристики на случајни променливи
БРОЈНИ КАРАКТЕРИСТИКИ НА
СЛУЧАЈНИ ПРОМЕНЛИВИ
160
Бројни карактеристики на случајни променливи
под услов редот да е апсолутно конвергентен, т.е. | x
n 1
n | pn .
161
Бројни карактеристики на случајни променливи
Пример 4.2: Стрелец гаѓа во мета и веројатноста да погоди во едно стрелање е 0.7.
Стрелецот стрела се додека не ја погоди целта. Да се определи математичкото
очекување на случајната променлива X број на стрелања во целта.
Решение: Случајната променлива X ~ Geo(0.7), т.е. R X {1,2,3} и
n1
pn P{X n} 0.3 0.7, n 1,2,. Согласно формулата (4.2) за математичкото
очекување на X се добива:
EX x n p n n 0.3 n 1 0.7
n 1 n 1
под услов интегралот да е апсолутно конвергентен, т.е. | x | p
X ( x)dx .
3 2 9
x x 6, x (2,4)
p X ( x) 4 2 .
0, инаку
в) E ( X Y ) EX EY
162
Бројни карактеристики на случајни променливи
n n
г) E ( c X ) c EX , c ,
i 1
i i
i 1
i i i i 1,2, , n дадени константи
е) EX E X .
Доказ:
Во случај кога RX е преброиво множество доказот е аналоген, само што сумите ќе одат
до наместо до n.
Нека X е случајна променлива од апсолутно неприкант тип зададена со густина
p X ( x) и нека Y cX . Ако означиме f ( x ) cx , добиваме дека f 1 ( y ) y , па
c
1
( f 1 ( y )) . Добиваме
c
y 1
pY ( y) pX ( f 1 ( y)) ( f 1 )( y) pX .
c c
1 y
Ако c 0 тогаш pY ( y ) pX , па за математичкото очекување на Y се добива
c c
y
смена t , dy cdt
c
y : t
1 y y : t
1
EY y pX dy
c c
ctpX t cdt c tpX t dt cEX .
c
163
Бројни карактеристики на случајни променливи
1 y
Ако c 0 , тогаш pY ( y) pX , па за математичкото очекување на Y се добива
c c
y
смена t , dy cdt
c
y : t
1 y y : t
1
EY ypX dy ctpX t cdt c tpX t dt cEX .
c c c
EX EY
xn RX
xn P{ X xn }
ym RY
ym P{Y ym }
xn RX
xn
ym RY
pnm
ym RY
ym
xn RX
pnm
xn RX ym RY
( xn ym ) pnm E ( X Y ).
u p(u, t )dtdu t p(u, t )dtdu
u
p (u , t )dtdu t p (u , t )dudt
up X (u )du tp
Y (t )dt EX EY
г) следува индуктивно од б) и в)
ѓ) следува индуктивно од д)
EX xp i i |x | p E X .
i i
xi RX xi RX ◙
164
Бројни карактеристики на случајни променливи
Пример 4.4: (Случајна променлива која нема математичко очекување) Нека густината
на распределба на случајната променлива X е
1
, x 1
p X ( x) x 2 .
0, инаку
Математичкото очекување не постои бидејќи
1 t
xpX ( x)dx
1
x
x 2
dx lim(ln x) . ♦
t 1
X\Y 0 1 2
0 1 2 0
9 9
1 0 1 2
9 9
2 2 0 1
9 9
Дали се X и Y независни?
Решение: Маргиналните расоределби на X и Y се
0 1 2 0 1 2
X : 1 1 1 , Y : 1 1 1 .
3 3 3 3 3 3
Па бараните математички очекувања се
1 1 1
EX ЕY 0 1 2 1.
3 3 3
Случајните променливи X и Y не се независни, бидејќи на пример
2 11
P{ X 0, Y 1} P{ X 0}P{Y 1}. ♦
9 33
165
Бројни карактеристики на случајни променливи
Еg ( X 1 X 2 , , Xn) g(x x ,
1 2 , xn ) p X ( x1 x2 , , xn )dx1dx2 dxn . ◙
3min{x, y}, 0 x y 1
p( x, y) .
0, инаку
DX E ( X EX )2 .
Последниот израз може да се развие на следниот начин
DX E ( X 2 2 X EX ( EX ) 2 )
EX 2 2 EX EX ( EX ) 2
EX 2 ( EX ) 2 .
Што значи DX EX ( EX ) .
2 2
DX ( x EX )
xi RX
i
2
pi , а EX 2 x
xi RX
i
2
pi . Ако X е случајна променлива од апсолутно
EX 2 x
2
pX ( x)dx.
166
Бројни карактеристики на случајни променливи
3
(1 x ), x [1,1]
2
2(1 y), y [0,1]
p X ( x) 4 pY ( y) .
0, y [0,1]
0, x [1,1]
а) X и Y
б) Z 2 X 2 3 и T Y 2
в) X Y , XY и ( X Y ) 2 .
3 x2 x4 1 3
1
3
EX x(1 x 2 )dx | 0 0,
4 1 4 2 4 1 4
1
y 2 y3 1 1
EY 2 y (1 y )dy 2 | .
0 2 3 0 3
3 x3 x5 1
1
3 2 17
б) EZ E (2 X 3) 2 EX 3 2 |1 3 ,
2 2 2
x (1 x )dx 3
4 1 2 3 5 5
2 3 2 51
1
8 38
ET E Y 2 E Y 2 y 2(1 y )dy 2 2 y 2 y 2 | 2 2 .
0 3 5 0 15 15
1 1
E ( X Y ) EX EY 0 ,
3 3
1
E ( XY ) E ( X ) E (Y ) 0 0,
3
1 1 11
E ( X Y ) 2 E ( X 2 2 XY Y 2 ) EX 2 2 EXY EY 2 0 .♦
5 6 30
Пример 4.8: Најди ja константата a а потоа и математичкото очекување и дисперзија
a( x 1), x 1, 4
на случајната променлива X дадена со густината p X ( x) .
0, x 1, 4
Решение: Константата a ја определуваме од условот p
X ( x)dx 1 .
4
x2 1 9
a ( x 1)dx a x 4
1 a (8 4 1) a 1.
1 2 2 2
167
Бројни карактеристики на случајни променливи
2
Од каде a . Според тоа математичкото очекување е
9
2 x3 x 2
4
2
EX x ( x 1)dx 4
1 3.
1
9 9 3 2
2 x 4 x3
4
2 57
EX 2 x 2 ( x 1)dx 4
1 9.5.
1
9 9 4 3 6
б) D ( X c ) DX , за произволно c const;
в) D(cX ) c DX ;
2
168
Бројни карактеристики на случајни променливи
0 1
IA : .
q p
ЕI A 0 q 1 p p .
EX E ( X 1 X 2 X n ) EX 1 EX 2 EX n np,
Значи EX np a DX npq .
169
Бројни карактеристики на случајни променливи
p[(1 q q 2 ) (q q 2 ) (q 2 q 3 ) ]
q n 1 n 1 1 1
p q i 1
p q
n 1 i n n 1 1 q n 1 1 q p
1 q
На сличен начин добиваме EX
2
, па дисперзијата е
p2
1 q 1 q
DX EX 2 ( EX ) 2 2 2 2 .
p p p
i
i
i
EX 2 i 2 pi i 2 e i 2 e i e
i 0 i 0 i! i 1 i! i 1 (i 1)!
r 1
r
r
(r 1) e r e e 2 ,
r 0 r! r 0 r! r 0 r!
r
бидејќи
r 0
r
r!
e , како математичко очекување на разгледуваната распределба.
DX EX 2 ( EX )2 2 2 .
170
Бројни карактеристики на случајни променливи
ab
b
1 1
EX x dx x2 b
.
ba 2(b a)
a
а
2
Потоа,
a 2 аb b 2
b
1 1
EX x 2
2
dx x3 b
, па дисперзијата на X е
ba 3(b a)
a
а
3
a 2 ab b 2 (a b)2 (b a) 2
DX EX ( EX ) 2
2
.
3 4 12
ab (b a) 2
( x a )2
1
p X ( x) e 2 2 .
2
Па математичкото очекување на X е
x a
( x a )2 t , x t a , dx dt
1
EX xp X ( x)dx x 2
2
e dx
2
t2
1
2 ( t a)e
2
dt a
tе
t 2 /2
Бидејќи dt 0 , како интеграл од непарна функција на симетричен интервал, а
1
е
t 2 /2
dt 1, како интеграл од густина на нормална N (0,1) распределба.
2
За дисперзијата се добива
DX E ( X EX ) 2 E ( X a) 2 ( x a) p X ( x)dx
2
xa
( x a )2 t , x t a , dx dt
1
( x a) 2 2
2.
2
e dx
2
171
Бројни карактеристики на случајни променливи
e x , x0
p X ( x) .
0, x0
1
па DX EX 2 ( EX ) 2
2
1 1
Математичкото очекување на X е EX и дисперзијата DX 2 .
добива и EX , па дисперзијата е DX 2 2 2 2 2 .
2 2 2 2 2
0, x2
x2
FX ( x) , 2 x 4. .
2
1, x4
Понатаму,
172
Бројни карактеристики на случајни променливи
y 5
FY ( y ) P{Y y} P{2 X 5 y} P{ X }
2
y 5
0, 2
2
y 5 2
y 5 2 y 5
1 FX 1 , 2 4,
2 2 2
y 5
1, 4
2
0, y 3
y3
па FY ( y ) , 3 y 1
4
1, y 1
24 (4 2) 2 1 3 1 (1 3)2 4
б) EX 3, DX , EY 1 и DY .♦
2 12 3 2 12 3
1
Пример 4.12: Стрелец ја промашува метата со веројатност .
20
а) Ако стрелецот гаѓа во метата 100 пати, одреди го математичкото очекување и
дисперзијата на случајната променлива X која означува број на промашувања.
б) Ако стрелецот гаѓа во метата додека не промаши, одреди го математичкото
очекување и дисперзијата на случајната променлива Z која означува број на гаѓања.
1
Решение: Стрелец ја промашува метата со веројатност p , а ја погодува со
20
19
веројатност q .
20
1
а) Случајната променлива X има биномна B 100, распределба, така да имаме
20
1 1 19 19
EX 100 5 и DX 100 .
20 20 20 4
1
б) Случајната променлива Z има геометриска Geo распределба, така да имаме
20
EZ 1 / (1 / 20) 20 и DZ (19 / 20) / (1/ 20) 2 380. ♦
173
Бројни карактеристики на случајни променливи
k x
xi RX
i
k
P{X xi }, а ако X е апсолутно – непрекината случајна променлива со
густина p X ( x) , тогаш k xk pX ( x)dx.
2 EX 2 DX (EX )2 1 02 1 1!!
2 2
x2
1 x2 1
x
4 EX x 3 x e
4 4
e dx ( x 3e 2
2 2
dx )
2 2
2
1 x2
3 x 2
e dx 3EX 2 3 1 3!!
2
2 2
x2
1 x2 1
x
2 k 2 EX x (2k 1) x e
2k 2 2k 2
e dx ( x 2 k 1e 2
2k 2
dx)
2 2
x2
1
(2k 1) x 2 k e 2
dx (2k 1) EX 2 k (2k 1) (2k 1)!! (2k 1)!!
2
Значи,
174
Бројни карактеристики на случајни променливи
0, n 2k 1
n EX n .♦
(n 1)!!, n 2k
k ( x EX )
xi RX
i
k
P{ X xi } (во дискретен случај)
k ( x EX )
k
pX ( x)dx (во апсолутно непрекинат случај).
r , s
( xi , y j )R( X ,Y )
xi r y sj P{ X xi , Y y j },
175
Бројни карактеристики на случајни променливи
r , s
( xi , y j )R( X ,Y )
( xi EX )r ( y j EY ) s P{ X xi , Y y j }.
r , s xy
r s
p( x, y)dxdy ,
cov( X , Y ) E (( X EX )(Y EY ))
Со основни пресметки
cov( X , Y ) Е ( XY X EY Y EX EX EY )
E ( XY ) EX EY EY EX EX EY
E ( XY ) EX EY .
а) cov( X , Y ) cov(Y , X );
б) cov( X , X ) DX ;
cov( X , Y ) E (( X EX )(Y EY ))
XY се нарекува коефициент на корелација
DX DY DX DY
помеѓу случајните променливи X и Y .
176
Бројни карактеристики на случајни променливи
д) cov( X a, Y b) cov( X , Y ). ◙
1 1 1
P{Y 1} P{ X 2 1} P{ X 1} P{ X 1} ,
4 4 2
1 1 1
P{Y 4} P{ X 2 4} P{ X 2} P{ X 2} .
4 4 2
P{ X 2, Y 1} P{} 0
1
P{ X 2, Y 4} P{ X 2}
4
1
P{ X 1, Y 1} P{ X 1}
4
P{ X 1, Y 4} P{} 0
1
P{ X 1, Y 1} P{ X 1}
4
P{ X 1, Y 4} P{} 0
P{ X 2, Y 1} P{} 0
1
P{ X 2, Y 4} P{ X 2}
4
па за заедничкиот закон на распределба на векторот ( X , Y ) се добива
177
Бројни карактеристики на случајни променливи
X\Y 1 4
-2 0 1
4
-1 1 0
4
1 1 0
4
2 0 1
4
1 1
EX (2 1 1 2) 0, EY (1 4) 2.5 ,
4 2
1
E ( XY ) ( 1 1 1 1 2 4 2 4) 0.
4
Пример 4.16: При игра на среќа во кутијата останале пет ливчиња. Од нив две се без
добивка, а три се со добивка од 100 денари. На случаен начин се влечат едно по едно
ливче без да се враќаат во кутијата, се додека не се извлече ливче без добивка.
а) Да се определи заедничкиот закон на распределба на случајниот вектор ( X , Y ) , каде
што X е бројот на извлечени ливчиња, а Y е износот на добивката. Потоа да се
определат маргиналните закони на распределба на случајните променливи X и Y .
178
Бројни карактеристики на случајни променливи
3 2 2 1
На сличен начин се добиваат и веројатностите P{ X 3, Y 200} ,
5 4 3 5
3 2 1 2 1
P{ X 4, Y 300} , а останатите заеднички веројатности се 0. За
5 4 3 2 10
заедничкиот закон на распределба на случајниот вектор ( X , Y ) се добива
2 3 1 1 2 3 1 1
б) EX 1 2 3 4 2 , EY 0 100 200 300 100
5 10 5 10 5 10 5 10
2 3 1 1
EX 2 12 22 32 42 5,
5 10 5 10
2 3 1 1
EY 2 02 1002 2002 3002 20000
5 10 5 10
179
Бројни карактеристики на случајни променливи
0 a 1 b
.
100 a 2 b
Решение на овој систем е а 100 и b 100 , па Y 100 X 100. ♦
p{ X xi , Y y j }
p{ X xi Y y j }
p{Y y j }
m p{ X xi , Y y j }
Е ( X Y y j ) xi .
i 1 p{Y y j }
а) Е (аX 1 bX 2 Y ) aЕ ( X 1 Y ) bЕ ( X 2 Y ), за секои a, b R .
б) ако X 0 , тогаш Е ( X Y ) 0
е) Е ( Е ( X Y )) EX ,
ж) Е (а Y ) а , за секоја константа a R .
180
Бројни карактеристики на случајни променливи
p ( x, y )
p( x Y y )
каде p ( x, y ) е густина на распределба на случајниот вектор
p ( x, y )dx
( X , Y ).
X\Y 0 1 2 3
1 0.05 0 0.05 0
Да се пресмета:
а) P{ X 2 Y 3}
б) E ( X Y 1)
P{ X 2, Y 3} 0.02 0.02
P{ X 2 Y 3} 0.118.
P{Y 3} 0.01 0.02 0.01 0.03 0.1 0.17
б) Бараното математичко очекување е
1
E ( X Y 1) 2 0.01 3 0.05 4 0.02 5 0.02 2.92. ♦
0.12
X\Y 1 3 10
2 3/47 2/47 9/47
4 7/47 8/47 5/47
5 1/47 4/47 8/47
181
Бројни карактеристики на случајни променливи
2 4 5 1 3 10
X : и Y : .
14 / 47 20 / 47 13 / 47 11/ 47 14 / 47 22 / 47
а) Условниот закон на распределба на X при услов Y 1 е
P{ X 2, Y 1} 3
P{ X 2 | Y 1}
P{Y 1) 11
P{ X 4, Y 1} 7
P{ X 4 | Y 1}
P{Y 1) 11
P{ X 5, Y 1} 1
P{ X 5 | Y 1}
P{Y 1) 11
2 4 5
т.е. ( X | Y 1) : .
3 /11 7 /11 1/11
Слично, за останатите условни закони на распределба на X при зададени вредности
на Y добиваме
2 4 5
( X | Y 3) :
2 /14 8 /14 4 /14
2 4 5
( X | Y 10) : .
9 / 22 5 / 22 8 / 22
Условни закони на распределба на Y при зададени вредности на X се
1 3 10
(Y | X 2) :
3 /14 2 /14 9 /14
1 3 10
(Y | X 4) :
7 / 20 8 / 20 5 / 20
1 3 10
(Y | X 5) : .
3 /14 2 /14 9 /14
182
Бројни карактеристики на случајни променливи
3 7 1 39
Е ( X | Y 1) 2 4 5
11 11 11 11
2 8 4
Е ( X | Y 3) 2 4 5 4
14 14 14
9 5 8 39
Е ( X | Y 10) 2 4 5 ,
22 22 22 11
39
значи E ( X Y ) прима само две вредности и 4 со веројатности
11
39 11 22 33
P{Е ( X | Y ) } P{Y 1} P{Y 10}
11 47 47 47
14
P{Е ( X | Y ) 4} P{Y 3}
47
или
39 /11 4
Е( X | Y ) : .
33 / 47 14 / 47
1
( x y ), ( x, y ) T
p ( x, y ) 4
0, инаку
очекување Е ( X Y ).
183
Бројни карактеристики на случајни променливи
За y 0 или y 2 , p ( x, y ) 0 , па добиваме pY ( y) 0dx 0.
1 x2 1 2 1 2 3 2
y
1
4 0
pY ( y ) ( x y ) dx
y
0 yx y
0 y y y .
4 2 8 4 8
3 2
y , y (0, 2)
Според тоа pY ( y ) 8 .
0, y (0, 2)
1
4 ( x y) 2( x y )
p ( x, y ) 3 , ( x, y ) T , ( x, y ) T
p( x y ) y 2 3y2
8
p ( x , y ) dx
0, инаку
0, инаку
За y (0, 2) ,
y
2
E ( X Y ) xp ( x y )dx 2 x( x y )dx
3y 0
2 x3 y x2 2 5 y3 5 y
2 0y
y
0 2
3y 3 2 3y 6 9
За y (0, 2) ,
E ( X Y ) xp( x y)dx 0dx 0.
Според тоа,
5 y
, y (0, 2)
Е( X Y ) 9 .♦
0, y (0, 2)
184
Бројни карактеристики на случајни променливи
4 y ( x y )e ( x y ) , 0 x , 0 y x
p ( x, y ) .
0, инаку
Да се пресмета E ( X | Y ).
p ( x, y ) 4 y ( x y )e ( x y )
p( x | y)
,x y
pY ( y )
4 y ( x y )e
( x y )
dx
y
( x y )e x
( x y )e
x
dx
y
( x y )e ( x y ) , x y
185
Бројни карактеристики на случајни променливи
1 0 1 8
X : .
0.2 0.1 0.4 0.3
1 0 1
2. Случајната променлива X е зададена со таблицата X : . Да се
p1 p2 p3
X\Y 1 2 3 4
0 0.03 0.1 0.2 0.1
1 0.05 0.08 0.1 0.05
2 0.03 0.01 0.05 0.05
3 0 0.1 0.05 0
5. Во една кутија се наоѓаат две бели и четири црни топчиња. На случаен начин без
враќање извлекуваме едно по друго две топчиња. Нека случајните променливи
X и Y го означуваат бројот на бели топчиња во првото и второто извлекување
соодветно. Да се определи коефициентот на корелација на случајните
променливи X и Y .
0, x0
p X ( x) 2 x .
2e , x 0
Да се определат средното време на чекање на клиентот и дисперзијата на
случајната променлива X .
7. Случајната променлива X има експоненцијална распределба со параметар
1
. Да се определат математичкото очекување и дисперзијата на случајната
2
X
променлива Y 1.
2
8. Монета се фрла 7 пати. Нека X е бројот на појавувања на “грб” на монетата.
Најди ги EX и DX .
186
Бројни карактеристики на случајни променливи
X\Y 1 3
-1 0.2 0.3
1 0.4 0.1
како и E (UV ) на непрекинатата случајна променлива (U , V ) дадена со
2e 2 u v
, u 0, v 0
заедничката густина на распределба p(u, v) .
0, u 0, v 0
X\Y 1 2 3 4
1 0 2/64 0 0
2 2/64 0 12/64 0
3 0 12/64 0 0
4 0 0 0 36/64
8xy, 0 x y 1
p( x, y) .
0, инаку
187
Бројни карактеристики на случајни променливи
Решенија:
1 0 1 XY 0.108
1. EX 2.6, DX 13.04 2. X : . 3. EX 1/ 2. 4. 5. Законот на
0.4 0.1 0.5
распределба е
X\Y 0 1
0 6/15 4/15
1 4/15 1/15
а XY 0.244 . 6. 1
EX 0.5, DX 1 / 4. 7. EX 0, DX 1. 8. X ~ B(7, ) , од каде директно
2
1 7 1 1 7 3X 3
EX np 7 , DX npq 7 . 9. Е( ) EX 0.4875,
2 2 2 2 4 4 4
3X 3 2
D( ) ( ) DX 0.8592188 10. Случајните променливи X и Y се зависни. За
4 4
одредување на E ( XY ) треба да ја најдиме распределбата на случајната променлива
XY . Како е
3 1 1 3
XY :
0.3 0.2 0.4 0.1
се добива E ( XY ) 0.4.
1 2 3 4
X :
2 / 64 14 / 64 12 / 64 36 / 64
и
188
Бројни карактеристики на случајни променливи
1 2 3 4
Y : .
2 / 64 14 / 64 12 / 64 36 / 64
б) За условниот закон на распределба X | Y 2 имаме
1 2 3 4
X |Y 2: .
1/ 7 0 6 / 7 0
1 6 19
в) Е ( X | Y 2) 1 2 0 3 4 0 .
7 7 7
210 742
г) EX EY и EX 2 EY 2 па добиваме
64 64
3388 728
DY DX EX 2 ( EX ) 2 . E ( XY ) , па за коефициентот на корелација
4096 64
добиваме XY 0.736 . Од тоа што XY 0 добиваме дека случајните променливи X и
Y се зависни.
p( x, y) 2 y
13. pY ( y | x) , 0 x y 1, па следува Е (Y | X 1 / 3) 13 .
p X ( x) 1 x 2
18
189
Бројни карактеристики на случајни променливи
Прашања за повторување
190
Гранични теореми
ГРАНИЧНИ ТЕОРЕМИ
Гранични теореми
5.Гранични теореми
192
Гранични теореми
аритметички средини се помалку се разликуваат меѓу себе, т.е. примаат вредности што
се се поблиску до одредена константа. Овој закон се нарекува закон на големите
броеви. Тој е фундаментален резултат во теоријата на веројатност.
Законот на големите броеви покажува дека математичкиот модел на
веројатноста е конзистентен со релативните фреквенции на случување, т.е. е во
согласност со стабилноста на експериментите кои теоријата на веројатност ги изучува.
Централната гранична теорема во нејзината наједноставна варијанта тврди дека
сума на независни случајни променливи, под одредени доста општи услови приближно
има нормална распределба. За повеќето распределби приближувањето кон
нормалната распределба се случува многу брзо со зголемување на примерокот.
193
Гранични теореми
1)
X n
с.с.
X X n
P
X,
2) X n
2
X X n
P
X,
3) X n
P
X Xn X. ◙
Аn( ) {| X n X | }, n N. ◙
Последица 5.1: Низата X 1 , X 2 , конвергира скоро сигурно кон случајната променлива
X ако P А .
n
( )
n
X n
с .с .
X , n P Аn( ) .
n
P Аn P
( )
Аk 0.
n k n
194
Гранични теореми
0 1
X n : 2n 1 1 . Покажи дека оваа низа конвергира по веројатност кон нула, но не
2n 2n
конвергира скоро сигурно кон нула.
Решение: Како е
1
lim P{| X n 0 | } lim P ( X n 1) lim 0
n n n 2n
следува X n
P
0, n . Понатаму,
Аn( ) {| X n 0 | } {X n 1},
P Аn( )
1
P Аn( ) P{ X n 1}
1
,
2n n 1 n 1 2n
1 0 1
Xn : 1
1 1 1
1 n 2
2 n
2 n n2
195
Гранични теореми
0, x 1
1
n , 1 x 0
2 n 0, x 0
FX n ( x) 1 1 FX ( x),
1 n 2 , 0 x 2 1, x 0
1, x 1
2
0
каде X : . Според тоа, низата X 1 , X 2 , конвергира по распределба кон нула. Како
1
е
P Аn( ) P{ X n 1} P{ X n 1}
1 1
2,
2n n
имаме
1 1
P А 2 .
( )
n
n 1 n 1 2n n 1 n
196
Гранични теореми
P X EX
DX
.
2
Е ( X EX )2 DX
P X EX P ( X EX )
2 2
2 . (5.1)
2
Бидејќи
1 P X EX P X EX
следува
P X EX 1
DX
.
2 ◙
1 n 1 n
Значи слабиот закон на големите броеви важи ако
n i 1
X i
P
Е Xi .
n i 1
Следната теорема дава доволен услов при кој важи слабиот закон на големите броеви.
197
Гранични теореми
X
P p 0, n .
n
за секое 0 .
198
Гранични теореми
1 n n
n i 1
X i
i 1
EX i 0, n ,
тогаш велиме дека за низата случајни променливи X 1 , X 2 , , Xn, важи строгиот закон
на големите броеви. Тоа значи дека за низата случајни променливи (Xn) важи строгиот
закон на големите броеви ако
1 n 1 n
1 n
X Е Xi .
1 n
P lim X i E X i 1, т.е.
с .с .
i
n n
i 1 n i 1 n i 1 n i 1
Значи, ако конвергенцијата е по веројатност, тогаш за низата случајни променливи
X1, X 2 , , X n , важи слабиот закон на големите броеви. Ако, пак, конвергенцијата е
скоро сигурна, тогаш важи строгиот закон на големите броеви.
Во продолжение ќе го наведеме Коломогоровиот строг закон на големите броеви чие
име произлегува од математичарот кој го открил.
Андре́й Никола́евич Колмого́ров (1903-1987)
Теорема 5.7: (Коломогоров закон на големите броеви) Нека (Xn) е низа независни
DX n
случајни променливи такви што за нив важи
n 1 n
2
. Тогаш
1 n
P lim ( X i EX i ) 0 1.
n n i 1
199
Гранични теореми
n 0 n
Xn : , n 1, 2,
1/ n 1 2 / n 1/ n
важи слабиот закон на големите броеви?
2
n 1n 2 за секој n .
2 1 2
EX n2 n 02 1
n n
DX n EX n2 ( EX n )2 2 02 2 за секој n .
1 n 1 n 1 n 1 n
P X i EX i P X i E X i
n i 1 n i 1 n i 1 n i 1
1 n
1 n
1 n
D Xi 2
D Xi 2
DX i 1
n2
1 i 21 1 i 1 1 n i 1
n n n2
1
2 2
2
2
1 1, n ,
n 2
значи важи слабиот закон на големите броеви.♦
На линкот https://www.youtube.com/watch?v=MntX3zWNWec може да се види
објаснување на законот на големите броеви но и негова визуелизација.
Пример 5.5: Потребно е да се оцени величината a . За таа цел се изведени 100
независни и еднакво точни мерења со грешка не поголема од 0.2. Kолку мерења ќе
треба да се извршат, ако е потребно да се добие оценка која се разликува од a по
апсолутна вредност за помалку од 0.02, со веројатност поголема од 0.90.
Решение: На секое мерење му придружуваме по една случајна променлива при што
добиваме 100 случајни променливи, кои според условите се независно распределени,
нивното математичко очекување треба да биде еднакво на a, дисперзијата како
EX i a, DX i 0.04, i 1, ,100
200
Гранични теореми
P Yn a 0.02
0.04
n(0.02) 2
Според неравенството (5.2) имаме
P Yn a 0.02 0.10
0.04
0.10
n(0.02) 2
од каде добиваме дека n 1000 , значи дека треба да се изведат 1000 мерења.♦
Пример 5.6: Бројот на поени што ги добива еден студент на испит е случајна
променлива што добива вредности од сегментот [0,100] , со математичко очекување 70
и дисперзија 20.
а) Да се оцени веројатноста дека студентот ќе добие помеѓу 65 и 75 поени.
б) Ако 100 студенти го полагаат испитот, да се оцени веројатноста дека средната
вредност на добиените поени ќе биде помеѓу 65 и 75.
односно
P{65 X 75} 1 0.8 0.2.
201
Гранични теореми
1 100
DY DX i 20. Бидејќи EX EY и DX DY , на ист начин како во претходниот дел
100 i 1
од оваа задача добиваме дека P{65 X 75} 0.2. ♦
k 1
X (t ) EeitX e
itx
p X ( x)dx,
1) X (0) 1 и X (t ) 1;
2) ако Y aX b , тогаш, Y (t ) eitb X (at );
3) X (t ) X (t )
202
Гранични теореми
Доказ:
1
e X (t )dt , за апсолутно непрекината случајна променлива X , и
itx
p X ( x)
2
e itx1 e itx2
u
кои FX x
1
FX ( x2 ) FX ( x1 ) lim X (t )dt , за точки x1 , x2 во е
2 u u it
непрекината.◙
X Y (t ) X (t ) Y (t ), t R.
Доказ: Користиме дека математичкото очекување на производ на независни
случајни променливи е еднакво на производот на нивните математички очекувања
па имаме
X X
1 2 Xn (t ) X1 (t ) X 2 (t ) X n (t ), t R.
203
Гранични теореми
n itX k n n
X X 2 Xn (t ) Ee it ( X1 X 2 Xn )
Е e Ee X k (t ), t R.
itX k
k 1 k 1
1
k 1
(e
Решение: а) X (t ) g X (e ) e
it it
1)
.
eitb eita
e
b
itx
, t 0,
б) X (t ) dx it (b a) .
ba 1,
a
t 0
1 | x |, | x | 1,
pX (t ) .
0, | x | 1
Решение: а) За x 1 FX ( x) 0,
x
t 2 x x2 1
за 1 x 0 FX ( x) (1 t )dt t | x
1 2 1 2 2
0 x
x2 1
за 0 x 1 FX ( x) (1 t )dt (1 t )dt x ,
1 0
2 2
за x 1 FX ( x) 1.
204
Гранични теореми
0, x 1
2
x x 1 , 1 x 0
FX ( x) 2 2 2 .
x , 0 x 1
x 1
2 2
1, x 1
0 1
x3 x 4 0 x3 x 4 1 1 1 1 1 1
EX 2 0 |1 |0 ,
2 2
x (1 x ) dx x (1 x ) dx
1 3 4 3 4 3 4 3 2 6
1
DX EX 2 ( EX ) 2 .
6
б) По дефиниција имаме
1 1 1
X (t ) EeitX eitx (1 | x |)dx cos tx(1 | x |)dx i sin x(1 | x |)dx.
1 1 1
Вториот интеграл има вредност нула како интеграл од непарна функција на симетричен
интервал, па за карактеристичната функција добиваме
1
X (t ) 2 cos tx(1 x)dx
0
1 1
X (t ) 2 cos txdx x cos txdx
0 0
sin tx 1 x sin tx 1 1 sin tx
2 | t |0 t dx
2
t 0 0
sin t sin t cos tx 1
2 2 2 2 |
t t t 0
2
2 (cos t 1).
t
Следува карактеристичната функција е
2(1 cos t ) / t 2 , t 0
X (t ) .♦
1, t 0
205
Гранични теореми
1 t 2 , | t | 1,
X (t ) .
0, | t | 1
1
3
1
1
e
itx
p X (t ) (1 t 2 )dt
2 1
1
1 1
1
2 2
(1 t ) cos txdt i (1 t ) sin txdt .
2 1
Вториот собирок е еднаков на нула како интеграл од непарна функција на симетричен
интервал, така да
1 1
2 1
p X (t )
2 0
(1 t 2 ) cos txdt (1 t 2 ) cos txdt
0
1 sin tx
2
2 sin tx 1
(1 t ) | 2 tdt
x 0
0
x
2 t cos tx 1 cos tx
1
| dt
x x 0
0
x
2 cos x 1 1
2 sin tx|
x x x 0
2 sin x
2
cos x .
x x
(Интегралот се решава со парцијална интеграција.)
2
p X (2 ) (0 1) 0,
(2 ) 2
1 t 2 , | t | 1,
X (t )
0, | t | 1
206
Гранични теореми
X Y (t ) X (t ) Y (t ) ( X (t ))2 ,
од каде
1 t 2 , | t | 1
X Y (t ) ,
0, | t | 1
207
Гранични теореми
2
X1 X 2 X n na рамномерно, n
t x
1
P x 0.5 e 2 dt 0.5 0 x , за x .
n 2 0
X1 X 2 X n na n X k a
Доказ: Да ставиме Yn .
n k 1 n
t2
X k a (t ) 1 itE ( X k a) E ( X k a) 2 t 2 R(t ).
2
t 2 2 2
X a (t ) 1 t R(t ).
k
2
Сега, од особината карактеристична функција на сума на случајни променливи да е
производ на нивните карактеристични функции, имаме
n
t 2 2 2
n (t ) 1 t R(t ) , од каде што
X k a 2
k 1
n
t t2 t2 t
Yn (t ) n 1 R .
X k a n 2n n n
2
k 1
208
Гранични теореми
t2 t
Ако пуштиме n и имаме предвид дека тогаш n 2 R 0 за секое фиксно
n n
t2
t добиваме lim Yn (t ) e 2
.
n
500
500
X i na
4950 na
P X i 4950 1 P i 1 1 P{Z 2.24}
i 1 n n
500
X i na
Каде Z i 1
согласно централната гранична теорема за големо n може да се
n
апроксимира со стандардизирана случајна променлива со нормална распределба.
Затоа, користејќи ја табела 2
500
P X i 4950 1 P Z 2.24 1 0.5 0 2.24
i 1
1 0.5 0.48745 1 0.01255 0.98745
209
Гранични теореми
50 125
на коцка. Таа има биномна распределба X : B (100,1 / 6) . Па ЕX , DX .
3 9
Случајната променлива Y X / n X /100 е релативната фреквенција на бројот на
добиени шестки при 100 фрлања на коцка и за неа важи
ЕY E ( X / n) EX / n p 1/ 6, DY DX /1002 1/ 720.
a) P Y EY 0.1 P Y p 0.1 P Y
1
0.1
6
1 1 5 31
1 P Y 0.1 1 1 .
6 720 0.01 36 36
Y EY 0.1
б) P Y EY 0.1 P
1 1
720 720
Y EY 6
0.1 Y EY
P P
1 1 1 5
720 720 720
210
Гранични теореми
6 Y EY 6
P
5 1 5
720
6 6
0 0 0 2,97 0 2,97 2 0.49851 0,997 .♦
5 5
Пример 5.13: На мета се броевите од 6 до 10. Стрелец гаѓа во мета со веројатност 0.6
во бројот 10, 0.2 во бројот 9, 0.1 во броевите 7 и 6 или ја промашува цела табла за
пикадо. Колку е веројатноста да во 500 обиди на стрелецот добие повеќе од 420 поени
ако за погодок во 10, 9, 8 се добива 10, 9 односно 8 поени соодветно, додека во
останатите случаи останува без поени.
на Xi е:
10 9 8 0
Xi : .
0.6 0.2 0.1 0.1
500
500
4950 na i 1
X i na
5000 na
P 420 X i 5000 P ;
i 1 n n n
500
420 4300 i 1
X i na
5000 4300
P ;
4320 n 4320
10.65 59.03 1.
0 10,65 0 59,03 1
211
Гранични теореми
X
0.95 P p 0.04 P X np 0.04n
n
X np 0.04n
X np n
P P
npq
n0.8 0.2
npq
10
n n n
0 0 2 0
10 10 10
n
2 0 0.95
10
n
0 0.475
10
n
1.96
10
Користејќи ја табела 2, добиваме дека:
n [384,16] 1 385 .♦
212
Гранични теореми
ln n ln n
Xn : , n 1, 2,
1/ 2 1/ 2
213
Гранични теореми
Решенија:
1. Веројатноста дека капацитетот на студентскиот дом ќе биде помал од бројот на
студенти кои добиле право на сместување и решиле да го искористат тоа право е
приближно 99.7%.
X X 4500
P 0.3 0.01 P 0.01 P X 4500 150
15000 15000
1 P X 4500 150 1 2 0.86.
DX
ЕY E ( X / n) EX / n p 1/ 4, DY 0.1875 104.
P Y p 0.01 1 P Y p 0.01 1
3 13
.
16 16
0 1 2 9
X : , i {1, 2,3, },
1/10 1/10 1/10 1/10
214
Гранични теореми
DX
P{| X EX | 0.5} 1 P{| X EX | 0.5} 1
0.52
DX 0.01
1 2
1 0.96.
0.5 0.52
1 2500 1 2500
D
i
2500 i 1
X Xi
25002 i 1
D
1 1
0.42 0.42
1 2500
2
1
DX i 2500 5
2500 i 1 1 25002
1 0.9875.
0.42 0.42
1 1
8. EX n ln n ln n 0
2 2
1
1
2 2
EX n2 ln n ln n ln n
2 2
DX n EX n2 (EX n )2 ln n .
Нека 0 е произволно.
1 n 1 n 1 n
P X i EX i P X i 0
n i 1 n i 1 n i 1
1 n
D Xi
n i 1 DX 1 DX n
2 n 2 2
ln1 ln 2 ln n ln n ! 1 1 ln 2 n ln n 1
2 2 ~ 2 2 ln 2 n n ln n n 2 2 2 2 0, n ,
n
2 2
n n 2 2n n n
при што се користи Стирлингова формула n ! 2n n e
n n
. Врз основа на добиеното
следува дека важи слабиот законот на големите броеви.
215
Примени
Прашања за повторување
1. Кои се најзначајни гранични теореми?
2. Формулирај ја теоремата на Чебишев.
3. Наведи го Бернулиевиот закон на големите броеви.
4. Наведи го слабиот закон на големите броеви.
5. Што е разликата меѓу слабиот и строгиот закон на големите броеви?
6. Формулирај ја централната гранична теорема.
7. Наведи ги особините на карактеристичните функции.
8. Дефинирај карактеристична функција на случајна променлива.
216
Примени
ПРИМЕНИ
217
Примени
6. Примени
218
Примени
1
a ( x1 x2 xn ).
n
X n a 1
t2
P e 2
dt. (6.1)
/ n 2
n
219
Примени
P X100 a 0.128 0.8, односно со веројатност 0.8 е точно
Значи за 100 пати повеќе податоци ќе се добие само 10 пати поголема прецизност. ♦
Пример на апарат што генерира случајни цифри е рулет чиј круг има 10 еднакви
полиња означени со цифрите 0,1,...,9. Полињата може но не мора да бидат означени по
ред со цифрите од 0 до 9, за да се нагласи карактерот на случајноста. Секој пат кога
рулетот ќе се заврти и топчето застане во некое поле, цифрата што одговара се
запишува и така се добива потребниот број на цифри.
Пример 6.2: Ќе разгледаме пример кој ја оправдува идејата дека при избор на случајни
променливи чие математичко очекување еднакво е на бараниот број a ја избираме онаа
која што има помала дисперзија. Нека a 0 . Случајните променливи
1 1 10 10
X : 1 1 и Y : 1 1
2 2 2 2
220
Примени
0 1 2 3 9
:
0.1 0.1 0.1 0.1 0.1
xa xa
P{Y x} P{a (b a) X x} P X ,
ba ba
221
Примени
Нека првиот број 1 е 0.2403. Тој број на квадрат е 0.05774409. “Средина” е 7744,
па следниот број во низата е 0.7744. Тој број на квадрат е 0.59969536, а неговата
“средина” е 9695, па следниот број во низата е 0.9695. Неговиот квадрат е 0.93993025,
па следниот број е 0.9930, потоа следниот е 0.6094, па 0.1368, .... Па кога добиените
броеви би се запишале во облик на таблица случајни цифри би биле
2403 7744 9695 9930 6094 1368 ... .♦
Постојат и многу други математички формули за добивање на псевдослучајни броеви.
Една од нив се заоснова на следната теорема:
222
Примени
xn 1 axn b(mod m)
P{ X xk } pk , k 1, 2, , n.
223
Примени
n
P{Sn k} p k (1 p)nk , k 0,1, 2, , n.
k
Врз основа на дефиницијата S n може да се претстави како збир на независни случајни
променливи кои имаат иста распредлба
0 1
Sn I1 I 2 In , I j : , j 1, 2, , n.
1 p p
Се моделираат вредности за I j , j 1, 2, , n и се собираат. Добиениот број е
реализирана вредност на случајната променлива S n со биномна распределба.
Предност на оваа постапка е што не мора да се пресметуваат веројатностите
n
pk p k (1 p)nk , k 0,1, 2, ,n
k
од законот на распределба на S n , а недостаток е што треба n псевдослучајни броеви
за една реализација на случајните променливи.
x x2 x3 xn
X : 1 , pk 1, x1 x2
p1 p2 p3 pn k 1
Нека n е природен број таков што
pn 1 pn 2 ,
каде е произволно мал (однапред избран) позитивен реален број. Наместо случајно
избрана променлива X се разгледува случајна променлива со конечно многу
вредности
x1 x2 x3 xn
XZ : * ,
*
p1 p2 p3
*
pn*
224
Примени
1 2 3 n
X : .
p (1 p) p
n 1
(1 p) p2
(1 p) p
(1 p ) n p (1 p ) n 1 p
(1 p ) n p 1 1 п (1 p) 2 (1 p) n
p
1
п
(1 p) n ,
1 2 3 n 0 1 n0
XZ : ,
p (1 p) p (1 p) p (1 p) n0 2 p (1 p) n0 1 p
2
225
Примени
n 1
0
n0 2
e .
(n0 1)! n0 2
б) Нојманова метода
За случајна променлива чија густина на распределба е различна од нула и
ограничена на конечен интервал, моделирањето може да се оствари врз основа на
следната теорема:
226
Примени
позитивен број важи: 1 p X ( x)dx .
a
x ( t a )2
1
FX ( x)
2 e
2 2
dt ,
227
Примени
n n
E (Sn ) , D( Sn ) ,
2 12
па со примена на централната гранична теорема за случајни променливи
Sn E ( Sn ) 3 n
Sn*
D( S n )
(2Yj 1)
n j 1
важи:
x t2
1
P{S x} e dt , n .
* 2
2
n
228
Примени
pij P( X n1 j | X n i) i, j S.
p
j 1
ij 1 , за секое i.
229
Примени
1
1 .♦
Пример 6.6: Во секој нов ден Маја е весела (В), пола-пола (весела-тажна) (П) или тажна
(Т). Ако таа е весела денес, тогаш таа ќе биде (В), (П) или (Т) утре со соодветни
веројатности 0.5, 0.4, 0.1. Ако таа се чуствува така-така денес, тогаш таа ќе биде (В), (П)
или (Т) утре со соодветни веројатности 0.3, 0.4, 0.3. Ако таа се чуствува тажна денес,
тогаш таа ќе биде (В), (П) или (Т) утре со соодветни веројатности 0.2, 0.3, 0.5. Нека X n
го означува расположението на Маја во n тиот ден, тогаш { X n , n 0} е Маркова
верига со три состојби (0=В, 1=П, 2=Т) со матрица на преодни веројатности
230
Примени
0.7 0 0.3 0
0.5 0 0.5 0
.♦
0 0.4 0 0.6
0 0.2 0 0.8
Пример 6.8: Маркова верига чии простор од состојби е даден со целите броеви
i 0, 1, 2, се вели дека е случајна прошетка ако, за некој број 0 p 1,
pi ,i 1 p 1 pi ,i 1 , i 0, 1, .♦
Претходната Маркова верига е случајна прошетка за која може да кажеме дека е модел
за индивидуална прошетка по права линија која во секоја точка од времето или оди еден
чекор на десно со веројатност p или еден чекор на лево со веројатност 1 p.
Врз основа на овие дефиниции во една конечна верига на Марков не може сите
состојби да бидат преодни, бидејќи по дефиниција својството на преодност наметнува
влегување во други состојби без повторно враќање во преодната состојба. Состојбите
3 и 4 коишто во извесна смисла играат улога на апсорбирачка состојба сочинуваат
затворено множество. На пример во Марковата верига претставена со следната
матрица
231
Примени
0 1 0 0
0 0 1 0
0 0 0.3 0.7
0 0 0.4 0.6
232
Примени
A (T1 t1 , , Tn tn , X 0 i0 , , X n 1 in 1 , X n i )
P( X n 1 j , Т n 1 t | A) P( X n 1 j , Т n 1 t | X n i )
qij i pij
qij
pij .
i
Да забележиме дека моделот допушта самопремин, од состојба во себе, кој
всушност може да се случи ако веројатноста на самопремин pii е ненулта. Меѓутоа,
вакви самопремини немаат видливи ефекти: поради недостаток на меморија на
експоненцијалната распределба, преостанатото време до наредниот премин ја има
истата експоненцијална распределба, независно од тоа дали самопреминот се појавил
или не. Поради оваа причина, ние можеме да ги игнорираме самопремините и во иднина
ќе претпоставуваме дека pii qii 0, за секое i .
233
Примени
Z n X (n ), n 0,1, .
pii P( Z n 1 i | Z n i ) 1 pij .
j i
qij o( ) ,
234
Примени
235
Примени
Прашања за повторување
1. Монте Карло Метод.
2. Што се псевдослучајни броеви?
3. Каква е врската помеѓу случајните броеви и случајните цифри?
4. Како се добиваат псевдослучајните броеви?
5. Опиши го методот на средни квадрати.
6. Што е стохастички процес?
7. Опиши ја постапката за моделирање на вредности на дискретна случајна
променлива со конечно многу вредности.
8. Опиши ја постапката за моделирање на вредности на дискретна случајна
променлива со пребројливо многу вредности.
9. Опиши ја постапката за моделирање на вредности на нормална распределба со
примена на централна гранична теорема.
10. Кој е дискретен стохастички процес?
11. Кој е непрекинат стохастички процес?
12. Маркови вериги во дискретно време.
13. Наведи ги и објасни ги состојбите во веригите на Марков.
14. Маркови вериги во непрекинато време.
236
Додаток
ДОДАТОК
237
Додаток
Таблица 1
2
1 x2
Вредности на функцијата x e
2
238
Додаток
Таблица 2
239
Додаток
ak a
Таблица 3. y e
k!
240
Додаток
Таблица 3 (продолжува)
241
Додаток
m
ak a
Таблица 4 y e
k 0 k !
242
КОРИСТЕНА ЛИТЕРАТУРА
243