Rozdział 1

Zdarzenia losowe i prawdopodobieństwo

1.1 Klasyfikacja zdarzeń

Zdarzenie elementarne – pojęcie aprioryczne, które nie może być zdefiniowane. Odpo-
wiednik pojęcia punkt w geometrii. Zdarzenie elementarne możemy utożsamiać z wyni-
kiem doświadczenia. Oznaczane jest ono najczęściej przez ω.

Przykład 1 Zdarzeniem elementarnym przy jednokrotnym rzucie monetą jest np. wy-
rzucenie orła; w przypadku jednokrotnego rzutu kostką – otrzymanie ścianki z sześcioma
oczkami.

Przestrzeń zdarzeń elementarnych – zbiór wszystkich zdarzeń elementarnych.

Nazywamy ją również zdarzeniem pewnym. Oznaczana jest ona najczęściej przez Ω.

Przykład 2 W przypadku jednokrotnego rzutu monetą Ω = {O, R}, przy jednokrotnym

rzucie kostką Ω = {1, 2, 3, 4, 5, 6}.

Zdarzenie losowe – dowolny podzbiór przestrzeni zdarzeń elementarnych. Zdarzenia

losowe oznaczamy najczęściej dużymi literami A, B, C itp.

Przykład 3 W przypadku jednokrotnego rzutu kostką niech A oznacza zdarzenie, że wy-

padła ścianka z parzystą liczbą oczek, natomiast zdarzenie B, że wypadła ścianka z liczbą
oczek większą od 3. Wówczas A = {2, 4, 6}, B = {4, 5, 6}.

1
1.2 Algebra zdarzeń
Definicja 1 Sumą (alternatywą) dwóch zdarzeń A i B nazywamy zdarzenie składające
się z tych zdarzeń elementarnych ω, które należą do zdarzenia A lub należą do zdarzenia
B. Sumę zdarzeń A i B oznaczamy symbolem A ∪ B.

Definicja 2 Iloczynem (koniunkcją) dwóch zdarzeń A i B nazywamy zdarzenie składające

się z tych zdarzeń elementarnych ω, które należą do zdarzenia A i należą do zdarzenia B.
Iloczyn zdarzeń A i B oznaczamy symbolem A ∩ B.

Definicja 3 Różnicą dwóch zdarzeń A i B nazywamy zdarzenie składające się z tych

zdarzeń elementarnych ω, które należą do zdarzenia A i nie należą do zdarzenia B. Różnicę
zdarzeń A i B oznaczamy symbolem A \ B lub A − B.

Definicja 4 Zdarzeniem przeciwnym do zdarzenia A lub dopełnieniem zdarzenia A nazy-

wamy różnicę Ω \ A i oznaczamy przez A′ . Dopełnienie Ω oznaczamy przez ∅ i nazywamy
zdarzeniem niemożliwym.

Przykład 4 Niech A i B oznaczają zdarzenia z przykładu 3. Wówczas A∪B = {2, 4, 5, 6},

A ∩ B = {4, 6}, A − B = {2}, A′ = {1, 3, 5}, B ′ = {1, 2, 3}.

Definicja 5 Mówimy, że zdarzenie A pociąga zdarzenie B (albo, że zdarzenie B jest

następstwem zdarzenia A), co zapisujemy A ⊂ B, jeśli każde zdarzenie elementarne ω
należące do zdarzenia A należy również do zdarzenia B.

Przykład 5 W przypadku jednokrotnego rzutu kostką, niech C oznacza zdarzenie wypa-

dła ścianka z liczbą oczek mniejszą od 3, D – nie wypadła ścianka z sześcioma oczkami.
Wówczas zdarzenie C pociąga za sobą zdarzenie D.

Definicja 6 Zdarzenia A i B są równe, co zapisujemy A = B, jeżeli A ⊂ B i B ⊂ A.

Definicja 7 Zdarzenia A i B wykluczają się lub wyłączają się, jeśli nie mają wspólnych
zdarzeń elementarnych, tj., gdy ich koniunkcja jest zdarzeniem niemożliwym.

Definicja 8 Zdarzenia A1 , A2 , . . . , An , . . . wykluczają się parami, jeśli każde dwa spośród

nich wykluczają się, czyli Ai ∩ Aj = ∅, gdy i ̸= j.

Fakt 1 Działania na zdarzeniach podlegają następującym prawom (analogicznym do praw

rachunku zbiorów):

2
 1. A ∩ B = B ∩ A – przemienność koniunkcji zdarzeń,

2. A ∪ B = B ∪ A – przemienność alternatywy zdarzeń,

3. A ∩ (B ∩ C) = (A ∩ B) ∩ C – łączność koniunkcji zdarzeń,

4. A ∪ (B ∪ C) = (A ∪ B) ∪ C – łączność alternatywy zdarzeń,

5. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) – rozdzielność koniunkcji zdarzeń względem

alternatywy zdarzeń,

6. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) – rozdzielność alternatywy zdarzeń wzgledem

koniunkcji zdarzeń,

7. (A ∩ B)′ = A′ ∪ B ′ , (A ∪ B)′ = A′ ∩ B ′ – prawa De Morgana.

1.3 Pojęcie prawdopodobieństwa

W literaturze można znaleźć klasyczną, geometryczną, częstościową i aksjomatyczną de-
finicję prawdopodobieństa. Poniżej przedstawiamy klasyczną i aksjomatyczną definicję
prawdopodobieństwa.

1.3.1 Klasyczna definicja prawdopodobieństwa

Definicja 9 Jeżeli przestrzeń zdarzeń elementarnych Ω składa się ze skończonej liczby
n zdarzeń elementarnych, co zapisujemy Ω = n oraz zdarzenia jednoelementowe {ωi },
i = 1, . . . , n, są jednakowo prawdopodobne, tzn. P ({ωi }) = 1/n, to prawdopodobieństwo
dowolnego zdarzenia losowego A, składającego się z k zdarzeń elementarnych (A = k),
wyraża się wzorem
k liczba zd. element. sprzyjajäcych zdarzeniu A
P (A) = =
n liczba wszystkich zd. elementarnych

Wady klasycznej definicji prawdopodobieństwa

1. Klasyczna definicja prawdopodobieństwa jest tautologią, tzn. w definicji użyte jest

słowo definiowane.

2. Klasyczna definicja prawdopodobieństwa wymaga, żeby przestrzeń zdarzeń elemen-

tarnych zawierała skończoną liczbę elementów.

3
 3. Klasyczna definicja prawdopodobieństwa wymaga, żeby zdarzenia elementarne były
jednakowo prawdopodobne.

4. Klasyczna definicja prawdopodobieństwa wymaga znajomości zbioru zdarzeń sprzy-

jających zdarzeniu A oraz zbioru wszystkich możliwych zdarzeń, związanych z rea-
lizacją doświadczenia, w wyniku którego może wystąpić zdarzenie A.

1.3.2 Aksjomatyczna definicja prawdopodobieństwa

Definicja 10 Niech Ω będzie przestrzenią zdarzeń elementarnych, F – zbiorem zdarzeń
losowych. Prawdopodobieństwem nazywamy funkcję P przyporządkowującą każdemu zda-
rzeniu A ∈ F liczbę P (A) zgodnie z następującymi warunkami:

(P1) P (A) ­ 0 dla każdego zdarzenia A ∈ F,

(P2) P (Ω) = 1,

(P3) jeżeli A1 , A2 , . . . , An , . . . jest dowolnym ciągiem parami rozłącznych zdarzeń ze zbioru

F, to P (A1 ∪ A2 ∪ . . . ∪ An ∪ . . .) = P (A1 ) + P (A2 ) + . . . + P (An ) + . . . .

Wartość prawdopodobieństwa dla danego zdarzenia A ∈ F, czyli liczbę P (A) nazywamy

prawdopodobieństwem zdarzenia A.

Powyższą aksjomatyczną definicję prawdopodobieństwa sformułował w 1933 roku ra-

dziecki matematyk A. N. Kołmogorow. Warunki P1, P2, P3 nazywamy aksjomatami
prawdopodobieństwa. Aksjomat P2 nazywamy aksjomatem unormowania, aksjomat P3
– aksjomatem przeliczalnej addytywności.

Wnioski z aksjomatyki prawdopodobieństwa

Wniosek 1. Prawdopodobieństwo zdarzenia niemożliwego równa się zeru.

P (∅) = 0.

Wniosek 2. Suma prawdopodobieństw zdarzeń przeciwnych równa się jedności.

P (A) + P (A′ ) = 1.

Wniosek 3. Jeżeli zdarzenie A pociąga za sobą zdarzenie B, to prawdopodbieństwo

zdarzenia A jest nie większe od prawdopodbieństwa zdarzenia B, czyli jeżeli A ⊂ B, to
P (A) ¬ P (B).

4
Wniosek 4. Prawdopodobieństwo dowolnego zdarzenia jest nie większe od jedności, czyli
jeżeli A jest dowolnym zdarzeniem, to P (A) ¬ 1.
Wniosek 5. Jeżeli zdarzenie A pociąga zdarzenie B, to

P (B \ A) = P (B) − P (A).

Wniosek 6. Prawdopodobieństwo sumy dwóch dowolnych zdarzeń jest równe sumie praw-
dopodobieństw tych zdarzeń pomniejszonej o prawdopodbieństwo ich iloczynu, czyli

P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

1.4 Niezależność zdarzeń

Definicja 11 Zdarzenia A i B nazywamy niezależnymi, jeżeli

P (A ∩ B) = P (A)P (B).

Definicja 12 Zdarzenia B1 , B2 , . . . , Bn nazywamy wzajemnie niezależnymi, jeżeli dla do-

wolnego wyboru wskaźników 1 ¬ i1 < i2 < . . . < ir ¬ n, r = 2, 3, . . . n,

∩
r ∏
r
P( Bik ) = P (Bik ).
k=1 k=1

Uwaga 1 Niezależność parami zdarzeń nie wystarcza dla wzajemnej niezależności n zda-
rzeń. I tak na przykład trzy zdarzenia B1 , B2 , B3 są wzajemnie niezależne, wtedy i tylko
wtedy, gdy

P (B1 ∩ B2 ) = P (B1 )P (B2 ),

P (B1 ∩ B3 ) = P (B1 )P (B3 ),
P (B2 ∩ B3 ) = P (B2 )P (B3 ),
P (B1 ∩ B2 ∩ B3 ) = P (B1 )P (B2 )P (B3 ).

Przykład 6 Spośród liczb {2, 3, 5, 30} wybieramy losowo jedną liczbę. Rozważmy zdarze-
nia: A – wylosowano liczbę parzystą, B – wylosowano liczbę podzielną przez 3, C – wylo-
sowano liczbę podzielną przez 5. Czy te zdarzenia są parami niezależne? Czy są wzajemnie
niezależne?

5
1.5 Prawdopodobieństwo warunkowe
Definicja 13 Niech B będzie zdarzeniem takim, że P (B) > 0. Prawdopodobieństwem
warunkowym zdarzenia A przy warunku B nazywamy liczbę
P (A ∩ B)
P (A | B) = .
P (B)
Przykład 7 Niech A i B oznaczają zdarzenia z przykładu 3. Wówczas
2/6 2
P (A | B) = = .
3/6 3

1.6 Twierdzenie o prawdopodobieństwie całkowitym

Twierdzenie 1 Jeżeli zdarzenia B1 , B2 , . . . , Bn są parami rozłączne (tzn. Bi ∩ Bj = ∅,
∪n
gdy i ̸= j) oraz i=1 Bi = Ω, P (Bi ) > 0, dla i = 1, 2, . . . , n, to dla każdego zdarzenia A
∑
n
P (A) = P (A | Bi )P (Bi ).
i=1

Twierdzenie to jest również prawdziwe, gdy mamy do czynienia z ciągiem zdarzeń {Bi },
i = 1, 2, . . . , gdzie zbiory te mają dodatnie prawdopodobieństwo, są parami rozłączne,
a ich suma jest równa Ω.

Przykład 8 Test ELISA na obecność wirusa HIV w organizmie (stosowany w USA w po-
łowie lat osiemdziesiątych) daje wynik pozytywny z prawdopodobieństwem 0, 98 i nega-
tywny z prawdopodobieństwem 0, 02, jeśli wirus jest w organizmie. Jeżeli wirusa w orga-
nizmie nie ma, prawdopodobieństwo wyniku pozytywnego wynosi 0, 07. Zakłada się, że 1%
populacji jest zarażony tym wirusem.
Obliczyć prawdopodobieństwo, że u losowo wybranej osoby z tej populacji test da wynik
pozytywny.

1.7 Wzór Bayesa

Twierdzenie 2 Jeżeli zdarzenia B1 , B2 , . . . , Bn spełniają założenia twierdzenia o praw-
dopodobieństwie całkowitym oraz P (A) > 0, to
P (Bk )P (A | Bk )
P (Bk | A) = ∑
n ,
P (A | Bi )P (Bi )
i=1

k = 1, 2, . . . , n.

6
Przykład 9 (kontynuacja poprzedniego przykładu) Jakie jest prawdopodobieństwo, że lo-
sowo wybrana osoba jest rzeczywiście zarażona wirusem, jeśli wiadomo, że test dał wynik
pozytywny.