Professional Documents
Culture Documents
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/273108671
CITATION READS
1 104
3 authors, including:
Vedeck redaktor:
Recenzovali:
doc. Ing. Ji Slavk, PhD.
Tla:
ISBN:
vod 5
3
4 Obsah
Literatra 323
vod
5
6 vod
Uvaujme in lohu:
Ako ta uebnicu
Autorka vyhlasuje, e u naozaj veakrt videla, ako sa vymieaj koles na
aute. Autori zase, e veakrt videli, ako sa trikuje, alebo ako sa ije na ija-
com stroji. Zodpovedne vak mu vyhlsi, e sa pozorovanm tieto innosti
nielene nenauili, ale naopak zskali repekt a presvedenie, e toto naozaj nie
je v ich silch zvldnu. (A pritom je to tak jednoduch!)
akujeme
Materily, prklady a prbehy, z ktorch je tto uebnica zostaven sme po-
uvali niekoko rokov. Od vyitia tchto loh pri vyuovan po zostavenie
uebnice bola pomerne dlh cesta. akujeme vetkm, ktor ns na nej pod-
porili. Ako prv to bol Pavol ernek, ktor ns poiadal o spoluprcu pri
prprave textov pravdepodobnosti na elementrnej rovni. Vekou motivciou
k alej prci pre ns bolo, e Betka Karpiov a Veronika Hertelov, vtedajie
tudentky 2. ronka Fakulty riadenia a informatiky ilinskej univerzity, pre-
psali do elektronickej podoby svoje poznmky z cvien. akujeme im hlavne
za nadenie a ochotu, s ktorm sa tejto prce zhostili. Poakova chceme aj
vetkm tudentom Fakulty riadenia a informatiky ilinskej univerzity, ktor
na cvieniach z predmetu pravdepodobnos lohy tejto uebnice rieili a svo-
9
11
12 Kapitola 1. Ako predpoveda budcnos (prv nepravdepodobn prbeh)
hodiny trvia hranm kariet. Hrvaj sedmu, priom ich dlhodob sksenosti
hovoria, e bez ohadu na zanajceho hra je v kadej partii anca na v-
azstvo kadho zo sperov rovnak. Prve preto ich hra tak bav!
Maj aj svoj systm zpasov. Najskr sa zloia na cenu pre vaza - vek
okoldu alebo 50 uvaiek.
Potom zan hra a potaj si vazstv v jednotlivch partich. Kto prv
dosiahne 6 vaznch parti, zskava vazstvo v celom zpase a tm aj cel
vhru.
Do tohto systmu ale vniesol zmtok uite sloveniny, ktor v napnavom stave
5:4 pre Marienku naich priateov odhalil a karty zabavil. T sa rozhodli, e
miesto akania na koniec kolskho roku alebo kpu novch kariet si vhru roz-
delia medzi seba hne. Samozrejme v spravodlivom pomere, zodpovedajcom
stavu, v ktorom bol zpas preruen.
loha 1.1.1 Zpas, v ktorom zskava vazstvo a tm aj cel vhru ten, kto
prv dosiahne 6 vaznch parti, bol preruen za stavu 5 : 4. Navrhnite spra-
vodliv rozdelenie vhry! V akom pomere si maj Janko a Marienka rozdeli
vhru? Ak mte viac npadov, skste vymyslie argumenty na podporu kadho
z nich.
Uviedli sme dve vemi ast rieenia, ktor sa objavili aj v histrii. Pre
kad z nich sme nali aj argumenty na ich podporu. Pokia itate naiel aj
alie, o to lepie. Alebo horie? Sprvne rieenie by asi malo by len jedno.
Preto argumenty v prospech niektorch nvrhov nebud sprvne. A ak s
1.1 O zabavench kartch a kolnii netopierov 13
loha 1.1.3 K akmu koncu zpasu sa dosnvali netopiere? Koko z nich vi-
delo zvazi zatia vyhrvajcu Marienku a koko videlo zvazi zatia prehrva-
jceho Janka? Vymyslite schmu zpisu, pomocou ktorej o najlepie popete
priebeh snenia celej kolnie. Akm pomerom by ste na zklade tohto vsledku
rozdelili vhru?
5:4
75 : 25
100
6:4 5:5
50 50
6:5 5:6
25 25
Rieenm lohy 1.1.3 sme dostali nov pomer delenia pre lohu 1.1.1. My
sa k overeniu jeho sprvnosti ete vrtime, ale Janko a Marienka sa rozhodli
dverova netopierom a na delenie nedohranch parti pouva tento systm.
Hne si spomenuli na minul kolsk rok, ke im uitelia preruili dokonca
dva zpasy. Prv za stavu 5:3 a druh za stavu 4 : 3. Ako si mali rozdeli
vhru v tchto prpadoch?
100
6:3 5:4
50 50
6:4 5:5
25 25
6:5 5:6
12.5 12.5
Rieenie pre stav 4:3 nechme na itatea. (Vsledok budeme neskr po-
trebova, tto vzva preto nie je platonick!)
loha 1.1.5 Pre ak poet netopierov v kolnii ich nebude potrebn deli? Ako
sa d tento poet zisti z rieenia a ako zo zadania? Ak poty netopierov s
pre nae experimenty optimlne? Ned sa slo 100 poui pre rieenie loh bez
toho, aby viedlo k deleniu zvierat?
Rieenie: Ke sme pri rieen predchdzajcej lohy dospeli k potu 87.5 a 12.5
netopiera, dleit je, e v oboch prpadoch bola potrebn polovica zvieraa.
Ak preto zaneme z dvojnsobnho potu 200 netopierov, skonme s celo-
selnmi vsledkami.
slo 100, s ktorm sme zanali nae experimenty, ale meme aj napriek
ochrancom prrody pouva aj pre lohu 1.1.4 a jej podobn. Sto ale nesmieme
chpa ako poet netopierov. oho bva najastejie sto? Vetci si po ase spo-
menieme, e s to percent. Pokia sa nm teda prca s slom 100 pi, vo
vzname percent ho meme pouva pre rieenie vetkch loh. Pokia sa vo
vpote objavia aj nie cel sla, ochrancov prrody upokojme vysvetlenm, e
potame s percentami a nie s netopiermi.
100 1
((((((100 : 2) : 2) : 2) : 2) : 2) : 2) % = 6
% = 100 %
2 64
( )
100
Zvynm 100 6 percentm netopierov sa rznym spsobom prisn
2
vazstvo vyhrvajceho hra.
( )
100 26 1 63
Ak slo 100 6 % upravme na tvar 100 6
% = 100 %,
2 2 64
zskame z tejto vahy op pomer delenia 1 : 63.
loha 1.1.7 Riete rovnak lohu pre zpas "do 10" a stavy od 9 : 9 po 9 : 0!
1.1 O zabavench kartch a kolnii netopierov 19
Rieenie: Zmena potu vaznch parti zpasu nezmen charakter rieenia. Pri
stave 9:9 je pomer 1 : 1, Pre 9:8 je pomer 3 : 1, pre 9:7 je pomer 7:1 at.
Rozdiel je v tom, e postupnos stavov je dlhia.
Pomer delenia 63 : 1, ktor bol posledn v predchdzajcej lohe, preto teraz
pouijeme pri stave 9 : 4, a pokraujeme alej. Pri stave 9:0 delme v pomere
1023 : 1.
Rieenie: Meme uvaova podobne, ako v zvere rieenia lohy 1.1.6. Jedin
monos vhry druhho hra spova v tom, e Q-krt za sebou zvaz. Tto
1
situciu uvid len % z vchodzieho potu netopierov. Pomer delenia by preto
2Q
2Q 1
mal by . Tomuto vsledku zodpovedaj aj rieenia loh 1.1.6 a 1.1.7.
1
Metda rieenia loh pomocou netopierov sa ukazuje ako vemi efektvna
a zvldame pomocou nej stle zloitejie lohy. Mali by sme sa preto ete raz
zamyslie, i a z akch dvodov ju budeme povaova za sprvnu.
Cesta k odpovedi vedie cez nvrat k rieeniu lohy 1.1.5. V om sme zistili,
e pokia slo 100 budeme interpretova nie ako poet netopierov, ale 100 % z
ich kolnie, meme ho ako vchodiskov slo poui pre rieenie ubovonej
lohy bez rizika koniktu s ochrancami prrody. Viacer si ale urite pamtme,
e jedno percento je vlastne 1/100 celku. Koko je teda vlastne 100 %?
Rieenie: Ako sme naznaili, 100 % je len inm spsobom pre vyjadrenie jed-
nho celku. Jedna teda me znamena 1 kolniu, 1/2 jej polovicu, 1/4 jej
tvrtinu at.
Meme ale zvoli aj in interpretciu, pri ktorej zabudneme na netopierov
a sstredme sa na to najdleitejie, na cenu pre vaza. Jedna na zaiatku
vpotu znamen, e v tomto stave treba rozdeli cel vhru. Po rozvetven na
20 Kapitola 1. Ako predpoveda budcnos (prv nepravdepodobn prbeh)
dva mon nasledujce stavy dostvame hodnoty 1/2, ktor znamenaj, e pre
ne prislcha po 1/2 vhry. Zlomky, ktor zskame pri stavoch koniacich zpas,
priamo zodpovedaj astiam vhry prislchajcim vazovi. To je aj vhoda
potania s jednotkou. Ak naprklad pri stave 6 : 4 z lohy 1.1.4 vyjde zlomok
1/4, prv hr na zklade tohto vsledku zska 1/4 vhry. Celkov vhru hra
zskame stanm zlomkov pri stavoch zodpovedajcich jeho vhre v zpase.
loha 1.1.10 Vieme u, ako rozdeli vhru pri stave 5 : 2 a 4 : 3. Viete tieto
vsledky vyui pre urenie delenia pri stave 4 : 2?
Rieenie: Mylienka rieenia sa u mono objavila pri lohch 6,7 a 8. Podstata
spova v tom, e zo stavu 4 : 2 sa po odohran jednej partie meme dosta
len do stavu 5:2 alebo 4 : 3. Pre kad z tchto stavov sme u urili, v akom
pomere sa pri nich m rozdeli vhra alebo ete lepie, ak as z nej m dosta
kad z hrov.
loha 1.1.11 V lohe 1.1.6 sme urili pre zpas do 6 pomery delenia vhry
v stavoch 5 : 5 a 5 : 0. Jeden z hrov bol teda len krok od vazstva. Ako to
bude vyzera, ak je od vazstva dva kroky? Inak povedan, urte pomer delenia
vhry, ak zpas bol preruen v stavoch 4 : 4, 4 : 3, 4 : 2, 4 : 1 a 4 : 0. Podobne
urte pomery pre stavy 8 : 8 a 8 : 0 v zpase do 10 a pre stavy V 2 : V 2
a V 2 : 0 pri zpase na V vhier.
Rieenie: 4 : 4 je pomer delenia 1 : 1. Zo stavu 4 : 3 je mon do-
Pri stave
sta sa len do stavu 5 : 3 (s pomerom delenia 7 : 1) alebo 4 : 4 (s delenm
1 : 1). Vyhrvajci hr teda dostane 1/2 zo 7/8 a 1/2 z 1/2. Spolu to bude
7/16 + 1/4 = 11/16 z vhry a pomer delenia teda bude 11 : 5.
Na urenie delenia pre stav 4 : 2 teraz meme poui znme vsledky pre
stavy 4 : 3 a 5 : 2 at. V rieen treba pokraova zoveobecnenm tohto po-
stupu s vyuitm rieenia loh 1.1.6, 1.1.7 a 1.1.8.
loha 1.1.12 Vytvorte pln tabuku rozdelenia vhier pre vetky mon stavy
preruenia pre zpas do 6, do 10 a do V vhier.
22 Kapitola 1. Ako predpoveda budcnos (prv nepravdepodobn prbeh)
Zd sa, e loha 1.1.12 zavila nae snaenie. Ale to len preto, e sme
zabudli na Janka a Marienku. Km sme rieili predchdzajce lohy, Ja-
nko sa zaal intenzvnejie venova futbalu a jeho vkonnos v sedme prudko
poklesla. Analzou vsledkov parti za posledn mesiac Marienka zistila, e
v priemere vyhrva 6 parti z 10 (a Janko len zvyn 4). Na zklade tohto
zistenia poiadala o pln revziu doteraz zskanch vsledkov. Na prv po-
had ich vetky meme zahodi a zaa uvaova znovu. Druh pohad je ale
omnoho optimistickej.
loha 1.1.13 Riete lohy 1.1.3, 1.1.4, 1.1.6 a 1.1.12 pre Marienkinu zven
spenos.
Rieenie: Zadanie je zahka zavdzajce, lebo uritm spsobom si v zme-
nench podmienkach budeme musie znovu premyslie vetky predchdzajce
lohy. Princp ich rieenia ale zostane zachovan, zmen sa len jeden prvok rie-
enia.
Pokia jeden netopier zane snva za stavu P : Q (P vher m Marienka), stav
(P + 1) : Q (teda partiu vyhrala Marienka) vid s pravdepodobnosou 6/10 a
stav P : (Q + 1) (po Jankovej vhre) s pravdepodobnosou 4/10.
Inak povedan, v stave P : Q sa 6/10 vhry bude deli poda pomeru pre stav
(P + 1) : Q a 4 : 10 poda pomeru pre stav P : (Q + 1).
Pri preruen zpasu za stavu 5 : 5 sa teda bude deli vhra v pomere 6 : 4 pre
Marienku. Pri preruen zpasu v stave 5 : 4 pre Marienku sa jej ujde 6/10 (za
vazstvo na 6 : 4) a 6/10-krt 4/10 (za vazstvo 6/5), spolu 84/100 vhry.
Janko dostane zvynch 16/100, o zodpoved dvom za sebou nasledujcim
vhram s pravdepodobnosou 4/10.
1.1 O zabavench kartch a kolnii netopierov 23
Rieenie: loha je vemi podobn lohe 1.1.12. Strom vvoja kartovho zpasu
ale musme zameni za strom vvoja tenisovej hry a setu. Ukka stromu pre
tenisov hru je na obrzku 1.3, ktor sme si poiali z [9].
0:0
0.6 0.4
15 : 0 0 : 15
0.6 0.4 0.6 0.4
30 : 0 15 : 15 0 : 30
0.6 0.4 0.4
0.4 0.6 0.6
40 : 0 30 :15 15 : 30 0 : 40
0.4 0.6
0.6
0.6
0.4 0.6 0.4
40 : 15 15 : 40
0.6 0.4 0.6 0.4
0.4 0.4
vhra A 40:30 30:30 30:40 0.4 vhra B
vhoda zhoda vhoda
0.6
0.6 0.6
loha 1.1.14 bola v tejto kapitole posledn. Mohli by sme ete pokraova
alm zoveobecovanm parametrov loh, uvaovanm o zpasoch 3 hrov
at. Miesto toho si ale teraz doprajeme pocit z dobre vykonanej prce. Riee-
nm poslednej lohy sme sa toti vrtili k vodu kapitoly, kde sme okrem inho
spomnali tipovanie portovch vsledkov. Neviem, koko z tipujcich si vedie
dlhodob tatistiky porovnvajce jednotlivch hrov a na ich zklade pomo-
cou podobnch vpotov stvkuje. Verme ale, e takto vpoty uskutouj
zamestnanci stvkovch kancelri a na ich zklade vznikaj stvkov kurzy.
Tto udia budcnos nielen predpovedaj, ale pre mnohch ud aj pripravuj.
A urite maj zaujmav povolanie.
Ako prv spen rieitelia lohy 1.1.1 s teraz uvdzan dvaja myslitelia,
franczsky prvnik Pierre Fermat a vedec a lozof Blaise Pascal. Zachovali
sa aj listy, ktor si psali o rieen loh z oblasti hazardnch hier a radosti
z spechu. Vemi znmy je Pascalov citt: Ako vidm, pravda je rovnak
"
v Toulouse aj v Pari..." Jeho prca Traktt o aritmetickom trojuholnku"
"
(dnes sa vol Pascalov) z roku 1654 sa nestratila a stala sa jednou z prvch
knh o pravdepodobnosti.
26 Kapitola 1. Ako predpoveda budcnos (prv nepravdepodobn prbeh)
Kapitola 2
Pravdepodobnos nhodnej
udalosti
zjednotenie AB
prienik AB
doplnok A
rozdiel AB
ast oznaenie pre zjednotenie a prienik je aj AB = A+B a A B = A B.
27
28 Kapitola 2. Pravdepodobnos nhodnej udalosti
Prklad 2.1.1 Nhodn pokus, popisujci hody klasickou hracou kockou, je re-
prezentovan mnoinou vetkch monch vsledkov:
={ , , , , , }
4. Pr(A) = 1 Pr(A)
5. ak je mnoina A podmnoinou mnoiny B , potom Pr(A) Pr(B)
Vlastnosti z tvrdenia 2.1.1 nebudeme dokazova, iba sa ich poksime ilus-
trova na obrzkoch. Jednotliv vlastnosti s znzornen na obrzkoch 2.1, 2.2,
2.3.
Obr. 2.2: Vekos zjednotenia mnon A a B je set ich vekost iba vtedy,
ke maj przdny prienik: Pr(A B) = Pr(A) + Pr(B)
loha 2.1.1 Do miestnosti jednm z 5 okien vletela vela. Potom niekto jedno
okno zavrel a vela jednm zo 4 otvorench okien vyletela von. Koko je mo-
nost, ako to mohla urobi?
32 Kapitola 2. Pravdepodobnos nhodnej udalosti
25 monost, 55
Toto rieenie uvdza prve raz kad z monost vletu a odletu, ktor
me nasta a tch je 25. Vbec ns nemus zaujma, ktor okno je pri
tom zavret, lebo to, e vela vlet oknom 1 a vylet oknom 2 je jedin
monos nech u je zavret okno 3, 4 alebo 5.
loha 2.1.1 tu nie je zaraden pre to, aby itatea poplietla. Je potrebn
si uvedomi, e aj rzne rieenia tej istej lohy mu by sprvne". Na to,
"
aby mala tto loha jednoznan rieenie, mus by zadan presnejie. Navye
ako vidme, ani jedno z troch rieen nepouva kombinatorick vzorce. Take
k vyrieeniu lohy 2.1.1 naozaj nepomu spomnan vzorce.
58!
58 57 56 55 54 53 52 51 50 49 48 =
47!
2.1 Mnoinov opercie, zkladn pojmy, kombinatorika 33
9. Uvete aspo tri rzne prklady miery. Napte vdy konkrtnu mieru
nejakej mnoiny.
A B = {1, 4, 5, 6, 7, 8, 9, 10}
Na obrzku 2.4 s sla patriace do tohto doplnku podiarknut.
N (A)
Pr(A) =
N ()
, {1}, {2}, {3}, {4}, {1, 2}, {1, 3}, {1, 4}, {2, 3}, {2, 4}, {3, 4},
, {1},
{2}, {1, 2}
, {1}, {2}, {1, 2}, {3}, {1, 3}, {2, 3}, {1, 2, 3}
{4}, {1, 4}, {2, 4}, {1, 2, 4}, {3, 4}, {1, 3, 4}, {2, 3, 4}, {1, 2, 3, 4}
(A)
Pr(A) =
()
N (A) 1
Pr(A) = =
N () 6
N (A) 1
Pr(A) = =
N () 36
13. Spomedzi vetkch prvkov priestoru , ktor je rovnak ako v lohe 12,
vyberme prvky mnoiny A.
Mnoina A predstavuje vsledky zodpovedajce udalosti "padol set
osem".
A = {(4, 4), (3, 5), (5, 3), (2, 6), (6, 2)}; N () = 36; N (A) = 5
N (A) 5
Pr(A) = =
N () 36
38 Kapitola 2. Pravdepodobnos nhodnej udalosti
2.1.2 Prklady
Rieenie prkladov
10 Sk = 10 Sk
10 Sk = 5 Sk + 5 Sk
10 Sk = 5 Sk + 2 Sk + 2 Sk + 1 Sk
...
1. 10
2. 5, 5
3. 5, 2, 2, 1
4. 5, 2, 2, 50, 50
5. 5, 2, 1, 1, 1
6. 5, 2, 1, 1, 50, 50
7. 5, 2, 1, 50, 50, 50, 50
8. 5, 2, 50, 50, 50, 50, 50, 50
9. 5, 1, 1, 1, 1, 1
10. 5, 1, 1, 1, 1, 50, 50
11. 5, 1, 1, 1, 50, 50, 50, 50
12. 5, 1, 1, 50, 50, 50, 50, 50, 50
13. 5, 1, 50, 50, 50, 50, 50, 50, 50, 50
14. 5, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
15. 2, 2, 2, 2, 2
16. 2, 2, 2, 2, 1, 1
17. 2, 2, 2, 2, 1, 50, 50
18. 2, 2, 2, 2, 50, 50, 50, 50
2.1 Mnoinov opercie, zkladn pojmy, kombinatorika 41
19. 2, 2, 2, 1, 1, 1, 1
20. 2, 2, 2, 1, 1, 1, 50, 50
21. 2, 2, 2, 1, 1, 50, 50, 50, 50
22. 2, 2, 2, 1, 50, 50, 50, 50, 50, 50
23. 2, 2, 2, 50, 50, 50, 50, 50, 50, 50, 50
24. 2, 2, 1, 1, 1, 1, 1, 1
25. 2, 2, 1, 1, 1, 1, 1, 50, 50
26. 2, 2, 1, 1, 1, 1, 50, 50, 50, 50
27. 2, 2, 1, 1, 1, 50, 50, 50, 50, 50, 50
28. 2, 2, 1, 1, 50, 50, 50, 50, 50, 50, 50, 50
29. 2, 2, 1, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
30. 2, 2, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
31. 2, 1, 1, 1, 1, 1, 1, 1, 1
32. 2, 1, 1, 1, 1, 1, 1, 1, 50, 50
33. 2, 1, 1, 1, 1, 1, 1, 50, 50, 50, 50
34. 2, 1, 1, 1, 1, 1, 50, 50, 50, 50, 50, 50
35. 2, 1, 1, 1, 1, 50, 50, 50, 50, 50, 50, 50 50
36. 2, 1, 1, 1, 50, 50, 50, 50, 50, 50, 50, 50 50, 50
37. 2, 1, 1, 50, 50, 50, 50, 50, 50, 50, 50 50, 50, 50, 50
38. 2, 1, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
39. 2, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
40. 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
41. 1, 1, 1, 1, 1, 1, 1, 1, 1, 50, 50
42. 1, 1, 1, 1, 1, 1, 1, 1, 50, 50, 50, 50
43. 1, 1, 1, 1, 1, 1, 1, 50, 50, 50, 50, 50, 50
44. 1, 1, 1, 1, 1, 1, 50, 50, 50, 50, 50, 50, 50, 50
45. 1, 1, 1, 1, 1, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
46. 1, 1, 1, 1, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
47. 1, 1, 1, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
48. 1, 1, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
49. 1, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50
50. 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50,
. 50, 50
Teda monost je 50. itate, ktormu sa takto rozpisovanie vid zdhav,
urite njde lep spsob zpisu, prpadne nejak zkonitosti, ktor vpo-
et zjednoduia. Lenivos je niekedy najlep spsob, ako zaa rozma
a vymyslie rzne zjednoduenia, prpadne vynlezy. A keby sa niekomu
chcelo radej tudova teriu, ne vypisova monosti, me lohu riei
pomocou vytvrajcich funkci, problm rozmieania minc je naprklad
42 Kapitola 2. Pravdepodobnos nhodnej udalosti
v [5].
1. A, B, C, D, E, F, G, H, I, J, K, L, M, N, O, P, R, S, T, U, V, X, Y,
Z
2. B, A, C, D, E, F, G, H, I, J, K, L, M, N, O, P, R, S, T, U, V, X, Y,
Z
3. B, C, A, D, E, F, G, H, I, J, K, L, M, N, O, P, R, S, T, U, V, X, Y,
Z
4. C, B, A, D, E, F, G, H, I, J, K, L, M, N, O, P, R, S, T, U, V, X, Y,
Z
1. A 3. D 2. B 3. D
3. C 1. A 4. D 1. A
3. C 2. B 4. D 2. B
3. C 3. D 4. D 3. C
2. B 1. A 1. C
2. B 1. A 2. D
2. B 2. C 1. A
2. B 2. C 2. D
2. B 3. D 1. A
2. B 3. D 2. C
3. C 1. A 1. B
3. C 1. A 2. D
3. C 2. B 1. A
3. C 2. B 2. D
3. C 3. D 1. A
3. C 3. D 2. B
4. D 1. A 1. B
4. D 1. A 2. C
4. D 2. B 1. A
4. D 2. B 2. C
4. D 3. C 1. A
4. D 3. C 2. B
24 23 22 21 3 2 1 = 24!
Aby sme si slo 24! vedeli aspo trochu predstavi, sksme pre kad
monos nakresli jednu bodku. Zanime od 1!, teda nakreslme postupne
1, 2, 6, 24, 120, 720, 5040 bodiek.
1! 2! 3!
4!
5!
50 49 48 28 27 26
vahy pri vpote vyzeraj by v poriadku. Aby sme si vak boli sprv-
nosou vpotu plne ist, vyskame, i vzorec plat pre menie sla.
Dkaz sprvnosti to sce nebude, ale je to dobr metda na odstrnenie
prvch omylov. Sksme sa pozrie, koko je monost ako rozsadi 2 tu-
dentov na 4 stoliky. Poda predolho 4-2=2. Poda nho vzorca to m
by:
4 3 2 = 24
Vypeme monosti ako rozsadi tudentov A a B na stoliky 1, 2, 3, 4.
A B 3 4 B A 3 4
A 2 B 4 B 2 A 4
A 2 3 B B 2 3 A
46 Kapitola 2. Pravdepodobnos nhodnej udalosti
1 A B 4 1 B A 4
1 A 3 B 1 B 3 A
1 2 A B 1 2 B A
4!
43=
2!
5. Na prvej stanici vystpilo 0 alebo 1 alebo 2 alebo. . . alebo 35 cestujcich.
V zvislosti od toho, na druhej stanici mohlo vystpi 35 a menej, alebo
34 a menej, alebo . . . alebo u nikto, lebo vetci vystpili na prvej stanici.
Takto vpoet bude vemi komplikovan a nron, ale dopota sa to
d. Spsob ako sa to pota si je mon natudova v odbornej literatre.
5 5 5 5 5 = 535
48 Kapitola 2. Pravdepodobnos nhodnej udalosti
A B 3 4
A 2 B 4
A 2 3 B
B A 3 4
1 A B 4
1 A 3 B
B 2 A 4
1 B A 4
1 2 A B
B 2 3 A
1 B 3 A
1 2 B A
X X 3 4
X 2 X 4
X 2 3 X
X X 3 4
1 X X 4
1 X 3 X
X 2 X 4
1 X X 4
1 2 X X
X 2 3 X
1 X 3 X
2.1 Mnoinov opercie, zkladn pojmy, kombinatorika 49
1 2 X X
4!
43 4! 4!
= 2! = =
2 2 2! 2 2! 2!
Rieenie lohy s 24 zloenmi stolikami spomedzi 50 stoliiek ale nebude
50 49 48 28 27 50!
=
2 26! 2
V prpade 2 tudentov s naozaj len 2 monosti, ako sa vymeni na tch
istch 2 stolikch.
50 49 48 28 27 50!
=
24! 26! 24!
8. Skste najprv uhdnu vsledok tejto lohy. (Vinou nie je ten prv
odhad celkom sprvny!)
Prv z 5 priateov pod ruku 4, druh u len trom, tret dvom a tvrt
jednomu. Piaty si u podal ruku so vetkmi, teda poet je 4+3+2+1.
v1 v2
v3
v5
v4
3 3 3 3 3 = 35
87
14. pln graf s 8 vrcholmi m = 28 hrn.
2
15. Miest, na ktor meme uloi hranu je v grafe s 8 vrcholmi presne 28.
Rznych grafov s 8 vrcholmi a 25 hranami je rovnako vea ako grafov,
ktor maj 8 vrcholov a 3 hrany. Netreba to pota, len utvorme dvojice.
Kadmu grafu z prvej skupiny vyberieme tak graf z druhej skupiny,
ktor bude ma hrany iba tam, kde ich prv nem a naopak, nebude ma
tie hrany, ktor m prv graf. Takto grafy sa volaj komplementrne. A
vidno, e kadmu z grafov meme vytvori dvojicu, take je ich naozaj
rovnako vea.
28 27 26 28! 28! 28 27 26 5 4
= = =
6 25! 3! 3! 25! 25!
16. Tch klkarov nie je tak vea. Ne sa namha so vzorcami, radej vy-
peme vetky monosti. klkarov si pomenujeme A, B, C, D, E a F. A
vypisujeme rzne dvojice.
AB CD EF AB CE DF AB CF DE
AC BD EF AC BE DF AC BF DE
AD BC EF AD BE CF AD BF CE
AE BC DF AE BD CF AE BF CD
AF BC DE AF BD CE AF BE CD
Monost je 15.
AB CD EF CD AB EF CD EF AB
AB EF CD EF AB CD EF CD AB
Monost je 15 6 = 90.
2.2 tatistick, klasick a geometrick spsob vpotu pravdepodobnosti 53
Obr. 2.9: Nhodne zvolen bod X je stred tetivy a krunica L vpsan troju-
holnku ABC
trojuholnka ABC . Ak bod X bude mimo tohto kruhu, tak bude tetiva
kratia ako strana trojuholnka ABC .
Ak je polomer krunice K rovn R, tak polomer r krunice L vpsanej
R
trojuholnku ABC je r = R sin 30 = .
( )2 2
R R2
Obsah kruhu L je r = =
2 .
2 4
Obsah vekho kruhu je R .
2
R2
P1 = 4 =1
R2 4
|U V | 1
P2 = =
|SV | 2
2.2 tatistick, klasick a geometrick spsob vpotu pravdepodobnosti 55
3. alie rieenie tejto lohy s ete inm vsledkom sa d njs v knihe [1].
Z tejto knihy s prevzat aj prv dve rieenia lohy 2.2.1.
Na zaiatku uebnice sme sce sbili rieenia loh, ale nie vdy to bud autori
uebnice, ktor bud lohy riei. Toto je prv z loh, ktor bude uiton
vyriei si samostatne.
loha 2.2.2 (Monty Hall problem) Predstavte si, e ste sa dostali v tele-
vznej sai a k monosti zska auto. Auto je za jednmi z troch dver, za
almi dvoma dverami s prasiatka. Neviete, o kde je. Pravidl s nasledu-
jce: vyberiete si jedny dvere a modertor, ktor vie, o je za dverami, otvor
in, tak kde je prasiatko. Potom sa Vs spta, ktor spomedzi zatvorench
dver chcete otvori. Je len na Vs, i otvorte tie dvere, na ktor ste ukzali
na zaiatku, alebo zmente svoj vber a otvorte tie druh.
Otzka znie, o m viu ancu na spech? Presnejie: je via pravdepo-
dobnos vhry auta, ak otvorme dvere, na ktor sme ukzali na zaiatku, alebo
ak otvorme tie druh? Alebo s pravdepodobnosti rovnak?
Rieenie:
Zadanie aj rieenie lohy bolo publikovan v roku 1990 v [12]. Poda wi-
kipdie pribline 10 000 itateov, vrtane niekokch stoviek matematikov
protestovalo proti publikovanmu rieeniu. Dvod bol asi ten, e rieenie bolo
naozaj nepresn. Ale vsledok, s ktorm dodnes mnostvo ud neshlas, bol
sprvny.
Neverme, e mme lepie presvedovacie schopnosti, ne americk asopis,
preto namiesto teoretickho rieenia ponkame monos vyska si, ako to do-
padne. Je to vlastne spotanie pravdepodobnosti poda frekvennej dencie.
Na internete je mon njs mnostvo hotovch programov, ktor umonia
nielen nasimulova jednu hru, ale aj urobi tatistick vpis z jednotlivch hier.
My sme tak program nali na strnke:
http://www.shodor.org/interactivate/activities/SimpleMontyHall/
ale t strnka u nemus by aktulna. V tom prpade treba hada alej, alebo
si simulciu naprogramova sami. Ukky z hry s na obrzku 2.11.
Verme, e po dostatonom pote pokusov u tute sprvny vsledok. V na-
sledujcej kapitole, venovanej podmienenej pravdepodobnosti, vyrieime lohu
aj teoreticky.
56 Kapitola 2. Pravdepodobnos nhodnej udalosti
10. V prklade 5 njdite tak udalos A, pre ktor plat Pr(A) = Pr(A).
11. Navrhnite experiment, v ktorom sa presvedte, e hracia kocka nie je
falon. Koko pokusov treba urobi?
12. Uite losuje, ktor prklad z tejto sady bude na psomke. S dve mo-
nosti losovania. Bu hod pravidelnm dvansstenom, alebo hod dvoma
hracmi kockami naraz. Prklad 11 bude na psomke, ak na dvansstene
padne slo 11. Alebo pri druhom losovan, ak na dvoch kockch padne
set 11. Pri ktorom losovan m prklad 11 viu pravdepodobnos, e
sa dostane do psomky?
58 Kapitola 2. Pravdepodobnos nhodnej udalosti
Aby sme si pojem lepie uvedomili, tak naprklad udalosti, ktor nie s
disjunktn s: A: padlo prne slo" a B: padlo slo vie ako 4".
" "
2. Zoberme udalosti A: padlo prne slo" a B: padlo slo vie ako 4".
" "
K tmto dvom udalostiam
|A| 3
= = 0.25
|| 12
6.
Pr(A1 ) = 1
Pr(A2 ) = 0
1
Pr(A3 ) =
2
2.2 tatistick, klasick a geometrick spsob vpotu pravdepodobnosti 59
1
Pr(A4 ) =
2
1
Pr(A5 ) =
3
1
Pr(A6 ) =
3
5
Pr(A3 A6 ) = Pr(A3 ) + Pr(A6 ) = Pr({1, 3, 4, 5, 6}) =
6
3 2 1 4
Pr(A4 A5 ) = Pr(A4 ) + Pr(A5 ) Pr(A4 A5 ) = + =
6 6 6 6
Pr(A) = Pr(A)
je naprklad udalos A3 .
11. Urobme vek poet hodov kockou a zaznamenme, kokokrt padli jed-
notliv sla. Tieto poty vydelme celkovm potom pokusov a dosta-
neme celkov podiel spench pokusov pre kad slo. Kockou hdeme
dovtedy, km sa hodnoty neprestan li od predchdzajcich aspo na
2 desatinnch miestach.
Koko pokusov bolo treba urobi, aby sa podiely prestali meni?
60 Kapitola 2. Pravdepodobnos nhodnej udalosti
1
12. Pri hode dvansstenom je pravdepodobnos, e padne slo 11, rovn .
12
2 1
=
36 18
2.2.2 Prklady
Rieenie prkladov
k=1
V prpade, e v miestnosti je jeden lovek, je nepravdepodobn (ne-
mon), e aspo dvaja z nich maj narodeniny v rovnak de.
Pr(A) = 0
k=2
Mnoina vetkch monost , ako mu ma narodeniny 2 udia
X, Y je v priestupnom roku N () = 366.366.
X Y
1.1. 1.1.
1.1. 2.1.
1.1. 3.1.
. .
. .
. .
31.12. 31.12.
X Y
1.1. 2.1.
1.1. 3.1.
. .
. .
. .
31.12. 30.12.
N (A) 366 1
Pr(A) = = 2
= = 0.00273
N () 366 366
k=3
Mnoina vetkch monost , ako mu ma narodeniny 3 udia
X, Y, Z je v priestupnom roku:
X Y Z
1.1. 1.1. 1.1.
1.1. 1.1. 2.1.
1.1. 1.1. 3.1.
. . .
. . .
. . .
X Y Z
1.1. 2.1. 3.1.
1.1. 2.1. 4.1.
. . .
. . .
. . .
k=n
Mnoina vetkch monost , ako me ma narodeniny n ud je:
N () = 366n
1 = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), . . . , (6, 5), (6, 6)}
= {((1, 1), (1, 1), . . . , (1, 1)) , ((1, 1), (1, 1), . . . , (1, 2)) , . . . ,
N (B) = 3524
10 9 8 7 6 5
Pr(A) = = 0.1512
106
Dalo by sa protestova, e nikto nebude vyta telefnne slo s 0 na za-
iatku, aj ke inak vyta nhodne. Ak bude pravdepodobnos udalosti
A v prpade, e vieme, e nula na zaiatku nebude?
30 29 28
N () =
321
Otzka zo tatistiky v sade 3 vytiahnutch otzok nebude, ak budeme
vybera iba spomedzi otzok z pravdepodobnosti.
22 21 20
N (A) =
321
22 21 20
22 21 20
Pr(A) = 3 2 1 = = 0.3793
30 29 28 30 29 28
321
(A) 10 1
Pr(A) = = = = 0.25
() 40 4
(Aj napriek uvedenmu vpotu naa osobn sksenos hovor, e prav-
depodobnos, e zazvon nejak mobil poas prednky je vemi blzka
hodnote 1.)
Obr. 2.12: Mnoina vetkch okamihov odoslania signlu, zakreslen ako tvo-
rec
(A) 9
Pr(A) = = = 0.36
() 25
(1,4)
(5,4)
(0,1)
N (A)
Pr(A) =
N ()
N (A B)
Pr(A|B) =
N (B)
loha 2.3.2 Pravdepodobnos udalosti A, e "na kocke padne slo menie ako
3" je Pr(A) = 2/6.
Ale pravdepodobnos udalosti A|B , e "na kocke padne slo menie ako 3
za predpokladu, e vieme, e na kocke padlo prne slo" je:
N (A B) 1
Pr(A|B) = = (2.1)
N (B) 3
72 Kapitola 2. Pravdepodobnos nhodnej udalosti
A 1 2 4
6
3
5 B
N (A B)
N () Pr(A B)
Pr(A|B) = = (2.2)
N (B) Pr(B)
N ()
BjA AB =B Pr(A|B) = 1
Pr(A|B) = 1 Pr(A|B)
Pr(A|B) = Pr(A)
Pr(A B)
Pr(A|B) = = Pr(A)
Pr(B)
a odtia
Pr(A B) = Pr(A). Pr(B)
2.3 Podmienen pravdepodobnos, nezvisl udalosti, veta o plnej
pravdepodobnosti 73
prpadne aj na
Pr(B|A) = Pr(B)
Ak udalosti nie s nezvisl, nazveme ich zvisl.
Vzorec pre vpoet pravdepodobnosti prieniku dvoch udalost, ktor s zvisl
je:
Pr(A B) = Pr(A|B) Pr(B)
Vzorec pre vpoet pravdepodobnosti prieniku dvoch udalost, ktor s nez-
visl:
Pr(A B) = Pr(A) Pr(B)
lohy, ktor je mon riei pomocou vzorca pre podmienen pravdepodobnos
s teda lohy o tom, ak bude pravdepodobnos, ke sa zmen zkladn mno-
ina .
loha 2.3.3 Rodiia sa dozvedeli, e triede, kam chod ich diea, niekto rozbil
okno. Kee pravdepodobnos, e to bol niekto z triedy, je rovnak pre vetkch
1
30 iakov, kad zaplat sumy za opravu.
30
Na druh de sa zistilo, e okoloidci zvonku videli, e to bol chlapec. Chlapcov
je v triede 14, a tak rodiia musia zaplati in sumu. Viu ak maj v triede
syna a iadnu, ak maj v triede dcru. Predpokladajme, e tto rodiia maj
v triede syna. Ak je pravdepodobnos, e ich syn rozbil okno?
Rieenie: Urobme formlny vpoet. Zkladn mnoina vetkch iakov v triede
je
= {c1 , c2 , . . . , c14 , d1 , d2 , . . . , d16 }.
Udalosti A, e konkrtny chlapec, naprklad c1 , rozbil okno, zodpoved mno-
ina A = {c1 }.
Udalosti B , e okno rozbil chlapec zodpoved mnoina B = {c1 , c2 , . . . , c14 }.
Pravdepodobnos udalosti A, e chlapec c1 rozbil okno je:
N (A) 1
Pr(A) = =
N () 30
H1
H2
H3
H4
H5
H6
W
Pr(A) = Pr(A|Hk ). Pr(Hk )
k
H1 H2
A H3
H4
H5
H6
W
4 32 4 52 8
Pr(E) = Pr(E|S) Pr(S) + Pr(E|Z) Pr(Z) = + =
32 84 52 84 84
Je poteiten, e rovnak vsledok dostaneme, ak rieime lohu jednodu-
chou vahou. V pomieanch balkoch je 84 kariet, z toho 8 z nich s es,
preto pravdepodobnos, e vytiahnut karta bude eso je 8/84.
3
Pr(A) = Pr(A|Hk ). Pr(Hk ) =
k=1
1 1 1
Pr(A B) = Pr(A) Pr(B) = =
6 6 36
2. V tejto a nasledujcich otzkach ide len o to ukza ako svis formlny
zpis a skuton pravdepodobnosti pre hody kockou.
2 4 2
Pr(C) = Pr(A B) = Pr(A|B)Pr(B) = =
4 6 6
3.
3 3 2 4
Pr(C) = Pr(A B) = Pr(A) + Pr(B) Pr(A B) = + =
6 6 6 6
4.
3 4 2 1
Pr(C) = Pr(A B) = Pr(A|B)Pr(B) = = =
6 6 6 3
5.
Pr(D) = Pr(A B C) =
Pr(A)+Pr(B)+Pr(C)Pr(AB)Pr(AC)Pr(BC)+Pr(ABC) =
3 3 2 2 1 0 0 5
= + + + =
6 6 6 6 6 6 6 6
6.
Pr(D) = Pr(A B C) =
Pr(A)+Pr(B)+Pr(C)Pr(AB)Pr(AC)Pr(BC)+Pr(ABC) =
3 2 3 1 1 0 0 6
= + + + = =1
6 6 6 6 6 6 6 6
7.
Pr(A B)
Pr(A|B) = , Pr(B) = 0
Pr(B)
Vo vrecku s tri biele a tri modr guky. Pravdepodobnos, e z
vrecka vytiahneme bielu guku, je 1/2. Guku nevrtime. Pravde-
podobnos, e z vrecka vytiahneme bielu guku pri druhom ahan
u nie je 1/2, ale 2/5.
2.3 Podmienen pravdepodobnos, nezvisl udalosti, veta o plnej
pravdepodobnosti 79
Pr(B2 B1 ) Pr(B2 B1 )
Pr(B2 |B1 ) = = =
Pr(B1 ) 3
6
Na vpoet pravdepodobnosti Pr(B2 B1 ) treba spota vetky mo-
nosti, ako je mon vytiahnu guky
4 1
Pr(B2 B1 ) 20 2
= = = 5 =
3 3 1 5
6 6 2
Poet monost ako postupne vytiahnu 6 guok z toho 3 biele a 3
modr, je rovnak ako poet monost, ako v triede so 6 stolikami, roz-
miestni 3 vyloen a 3 zloen stoliky.
2 3 6 1
Pr(A B) = Pr(A|B) Pr(B) = = =
3 6 18 3
80 Kapitola 2. Pravdepodobnos nhodnej udalosti
Dkaz:
A= (Hk A)
k
Pr(A) = Pr(Hk A)
k
Pr(Hk A)
Pr(A|Hk ) = , pre Pr(Hk ) = 0
Pr(Hk )
Odtia:
Pr(A) = Pr(Hk A) = Pr(A|Hk ) Pr(Hk )
k k
2.3 Podmienen pravdepodobnos, nezvisl udalosti, veta o plnej
pravdepodobnosti 81
2.3.2 Prklady
auto z Nemecka 0.2, pre auto z eska 0.4 a pre auto z Japonska 0.3.
Ak je pravdepodobnos, e autu vho budceho fa poas prvch troch
rokov nepokaz motor?
Rieenie prkladov
1. Ozname udalosti tak, aby sme si udrali prehad o tom, o robme. Uda-
los, e z balka vytiahneme eso pri k-tom ahu, ozname ako Ek . Na
to, aby sme eso vytiahli a na tretkrt, ho na prvkrt ani na druhkrt
vytiahnu nesmieme. Udalos, e eso nevytiahneme na prvkrt, ozna-
me E1, e ho nevytiahneme na druhkrt E2 a e ho vytiahneme na
tretkrt E3 .
4 27 28
= Pr(E3 |E 1 E 2 ) Pr(E 2 |E 1 ) Pr(E 1 ) = = 0.1016
30 31 32
Pr(B H) 0.21
Pr(H|B) = = = 0.6562
Pr(B) 0.32
A1
K1 K2
A2
A3
7.
3
Pr(B1 ) =
4
Pravdepodobnos, e cukrk vytiahnut z druhej misky je biely, za pred-
pokladu, e prv vytiahnut cukrk bol biely, je:
2
Pr(B2 |B1 ) =
6
3
Pr(B3 |B2 B1 ) =
5
3 2 3
Pr(B3 B2 B1 ) = Pr(B3 |B2 B1 ) Pr(B2 |B1 ) Pr(B1 ) = = 0.15
5 6 4
2 4 3
Pr(B3 Z2 B1 ) = Pr(B3 |Z2 B1 ) Pr(Z2 |B1 ) Pr(B1 ) = = 0.2
5 6 4
10. Na jedno slo budeme vola, ak slicu uhdneme hne na prv raz.
Pravdepodobnos tejto udalosti je:
1
Pr(U1 ) = = 0.1
10
Na dve sla budeme vola, ak slicu neuhdneme na prv raz, ale uhd-
neme ju na druh raz. Pravdepodobnos tejto udalosti je:
1 9
Pr(U 1 U2 ) = Pr(U2 |U 1 ) Pr(U 1 ) = = 0.1
9 10
2.3 Podmienen pravdepodobnos, nezvisl udalosti, veta o plnej
pravdepodobnosti 87
1 8 9
Pr(U 1 U 2 U3 ) = Pr(U3 |U 1 U 2 ) Pr(U 2 |U 1 ) Pr(U 1 ) = = 0.1
8 9 10
11. Dvojcifernch sel je spolu 90, z toho delitench dvoma je 45. Pravde-
podobnos udalosti A, e slo je deliten dvoma, je:
45
Pr(A) = = 0.5
90
Pravdepodobnos udalosti B, e slo je deliten piatimi, je:
18
Pr(B) = = 0.2
90
12.
Pr(E1 S2 E3 ) = Pr(E3 |E1 S2 ) Pr(E1 S2 ) =
3 4 4
= Pr(E3 |E1 S2 ) Pr(S2 |E1 ) Pr(E1 ) = = 0.0016
30 31 32
13. Vo vrecku s hlinen (H ), sklenen (S ) a kovov (K ) guky. Ich
mnostv s v pomere 3 : 2 : 1.
Preto pravdepodobnosti, s akmi vytiahneme jednotliv druhy, s Pr(H) =
3 2 1
, Pr(S) = a Pr(K) = . Zo zadania vieme, e:
6 6 6
Pr(B|H) = 0.7, Pr(B|S) = 0.6, Pr(B|K) = 0.8
88 Kapitola 2. Pravdepodobnos nhodnej udalosti
3 2 1
= 0.7 + 0.6 + 0.8 = 0.6833
6 6 6
14. Poznmka v zadan, ktor hovor o tom, e sa zariadenie pokaz v pra-
covnom ase, je dleit. Keby sme zisovali, i sa pokaz naprklad te-
levzor, dostali by sme urite in vsledok v prpade, e dan udalos
by sa pozorovala najbliie 3 sekundy alebo najblich 30 rokov. Prv
pravdepodobnos by bola skoro 0, druh skoro 1. Preto, ak pozorujeme
udalosti, ktor trvaj nejak dobu, je tam potrebn tto dobu uvies.
1 0.32 = 0.68
16. Vypotame ven priemer z umiestnen v rade pri pokladni. Prv miesto
v rade m vhu 0.4, druh 0.3, tretie 0.2 a tvrt 0.1. In miesta sa
nevyskytuj. Ven priemer tchto umiestnen je
17. Tto loha, tak ako vea alch, s ktormi sa pri tatistickom spraco-
vvan dajov stretneme, nie je dobre zadan. Na to, aby sme ju mohli
vypota, potrebujeme ete daj o tom, ak je podiel tudentov zo iliny
a ak z Bratislavy.
1 2
0.82 + 0.91 = 0.88
3 3
90 Kapitola 2. Pravdepodobnos nhodnej udalosti
Pr(A B)
Pr(A|B) =
Pr(B)
Veta o plnej pravdepodobnosti:
Hj Hi = , pre vetky j = i
Hk = , Hk ; Pr(Hk ) = 0
k
Pr(A) = Pr(A|Hk ) Pr(Hk )
k
Odvodenie:
Pr(A Hi )
Pr(Hi |A) =
Pr(A)
Pr(A) = Pr(A|Hk ) Pr(Hk )
k
po dosaden druhej rovnosti do prvej dostaneme Bayesov vzorec:
Pr(A|Hi ) Pr(Hi )
Pr(Hi |A) = (2.4)
Pr(A|Hk ) Pr(Hk )
k
loha 2.4.1 V ervenej a modrej miske boli cukrky. Cukrky boli zelen a
biele. V ervenej miske boli 2 zelen a 8 bielych cukrkov, v modrej miske boli 4
zelen a 1 biely cukrk. Cukrky sme vysypali na tanier a ponkli hosom. N-
sledne sa zistilo, e cukrky v modrej miske olzal pes. Ak je pravdepodobnos,
e hos si vybral cukrk olzan psom, ak vieme, e hos zjedol biely cukrk?
Rieenie: lohu vyrieime ahko, bez pomoci pecilnych vzorcov. Bielych cuk-
rkov bolo 9, z toho jeden bol v modrej miske. Teda:
Pr(M B) 1
Pr(M |B) = =
Pr(B) 9
2.4 Bayesov vzorec, Bernoulliho nezvisl pokusy 91
2 1 8 1
Pr(C) = , Pr(M ) = , Pr(B|C) = , Pr(B|M ) =
3 3 10 5
Pouitm Bayesovho vzorca dostvame:
1 1
Pr(B|M ) Pr(M ) 1
Pr(M |B) = = 5 3 = = 0.11
Pr(B|M ) Pr(M ) + Pr(B|C) Pr(C) 1 1 8 2 9
+
5 3 10 3
Slovensko:
Predpokladajme, e pravdepodobnos udalosti C pre Slovensko bude
0.000001. Vyjadrime pravdepodobnosti javov pre Bayesov vzorec.
1 1 0 0 0
1 0 1 0 0
1 0 0 1 0
1 0 0 0 1
0 1 1 0 0
0 1 0 1 0
0 1 0 0 1
0 0 1 1 0
0 0 1 0 1
0 0 0 1 1
( )2 ( )3
1 5
6 6
94 Kapitola 2. Pravdepodobnos nhodnej udalosti
( ) ( )2 ( )3
5 1 5
P5 (2) = p (1 p)
2 52
= 10 = 0.16
2 6 6
( )
n
Pn (k) = pk (1 p)nk
k
( )
n n (n 1) (n k + 1)
=
k k (k 1) . . . 3 2 1
k! = k (k 1) . . . 3 2 1
n!
( )
n n (n 1) (n k + 1) (n k)! n!
= = =
k k! k! (n k)! k!
2.4 Bayesov vzorec, Bernoulliho nezvisl pokusy 95
Pr(A/Hi ) Pr(Hi )
Pr(Hi /A) =
Pr(A/H1 ) Pr(H1 ) + Pr(A/H2 ) Pr(H2 ) + Pr(A/H3 ) Pr(H3 )
Ilustran prklad je v vode tejto kapitoly, ale pokste sa vymyslie tak
prklad, ktor sa ned vyriei bez pomoci Bayesovho vzorca. V prpade,
e je to prli ak, pozrite si zadania loh v odseku 2.4.2.
60 3
Pr(B1 ) = = = 0.6
100 5
Pravdepodobnos, e vytiahneme bielu kocku v druhom ahu, zvis od
prvho ahu. Pravdepodobnos je rovn:
59
Pr(B2 /B1 ) =
99
v prpade, e prv vytiahnut kocka bola biela.
Pravdepodobnos je rovn:
60
Pr(B2 /C1 ) =
99
v prpade, e prv vytiahnut kocka bola ierna. Pravdepodobnos, e
vytiahneme bielu kocku v treom ahu, me by v zvislosti od pred-
chdzajcich ahov:
58 59 60
Pr(B3 /B2 B1 ) = Pr(B3 /B2 C1 ) = Pr(B3 /C2 C1 ) =
98 98 98
59
Pr(B3 /C2 B1 ) =
98
Nejde o Bernoulliho nezvisl pokusy. Pravdepodobnos, e vytiahneme
bielu kocku, je v kadom ahu in a zvis od predchdzajcich ahov.
4. ( )
10
P10 (5) = 0.55 0.55 = 0.246
5
2.4 Bayesov vzorec, Bernoulliho nezvisl pokusy 97
5. ( )
10
P10 (2) = 0.58 0.52 = 0.0439
2
6. Pravdepodobnos, e pri 10-tich hodoch mincou, prve 12-krt padne
znak je 0.
7. ( ) ( )4 ( )2
6 5 1
P6 (2) = = 0.2009
2 6 6
8. Pravdepodobnos, e 10-krt padne estka, je 0.0000000165. Tto hod-
nota je sce nenulov, ale prv nenulov cifra sa objav a na 8. mieste
za desatinnou iarkou. Pravdepodobnos, e ani raz nepadne estka, je
podstatne via a je rovn 0.1615.
k 0 1 2 3 4 5 6
P10 (k) 0.1615 0.3230 0.2907 0.1550 0.0543 0.0130 0.0022
k 7 8 9 10
P10 (k) 0.0002 0.0000 0.0000 0.0000
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
10. Verme, e tto lohu nebude itate riei na kalkulake, ale pouije na
vpoet vhodn softvr. V grafe 2.19 s na vodorovnej osi jednotliv hod-
noty k a na zvislej osi s prslun pravdepodobnosti pre sriu 100 hodov
kockou. Pravdepodobnos, e prve k -krt padne estka, je najvia pre
0.12
0.1
0.08
0.06
0.04
0.02
0
0 20 40 60 80 100
Obr. 2.19: Pravdepodobnosti, e pri 100 hodoch kockou, prve k -krt padne
estka
0.12
0.1
0.08
0.06
0.04
0.02
0
0 20 40 60 80 100
2.4.2 Prklady
Rieenie prkladov
(A1 A2 A3 ))
Udalosti s disjunktn, preto meme psa:
Pr(B) = Pr(A1 )Pr(A2 )Pr(A3 )+Pr(A1 )Pr(A2 )Pr(A3 )+Pr(A1 )Pr(A2 )Pr(A3 )+
+ Pr(A1 ) Pr(A2 ) Pr(A3 ) = 0.8 0.7 0.4 + 0.8 0.3 0.6 + 0.2 0.7 0.6+
+0.8 0.7 0.6 = 0.788
() ( )( )( ) ( )( ) ( )
99 24 24 1 99 23 24 1 2 99 22
Pr(A) = + + +
100 1 100 100 2 100 100
( )( ) ( ) ( )( ) ( )
24 1 3 99 21 24 1 4 99 20
+ + = 0.999996373
3 100 100 4 100 100
Pravdepodobnos, e nhodne zvolen paket bude musie by prenan
znovu, je mal, iba:
Pr(A) = 1 A = 0.000003627
2.4 Bayesov vzorec, Bernoulliho nezvisl pokusy 103
5 3 + 2 2 + 3 1 = 22
Pr(A/H1 ) Pr(H1 )
Pr(H1 /A) = =
Pr(A/H1 ) Pr(H1 ) + Pr(A/H2 ) Pr(H2 ) + Pr(A/H3 ) Pr(H3 )
Pr(B/M1 ) Pr(M1 )
Pr(M1 /B) = =
Pr(B/M1 ) Pr(M1 ) + Pr(B/M2 ) Pr(M2 ) + Pr(B/M3 ) Pr(M3 )
3 4
1
= 4 13 =
3 4 1 5 2 4 2
+ +
4 13 5 13 4 13
Samozrejme, d sa to spota aj bez vzorca. V miskch je 6 bielych
cukrkov, z toho 3 s v prvej miske. Preto pravdepodobnos, e biely
cukrk bude z prvej misky je 3/6.
104 Kapitola 2. Pravdepodobnos nhodnej udalosti
( )
13
Pr(A) = 0.46 0.67 = 0.197
6
( ) ( ) ( )
18 0 18 18 1 17 18
Pr(A) = 0.3 0.7 + 0.3 0.7 + 0.32 0.716 = 0, 0997
0 1 2
Pravdepodobnos udalosti A nie je viac ako 0.999. Aby sme zvili prav-
depodobnos spechu aspo jednho hudobnka, zoberieme v poet
hudobnkov. Naprklad pri 15 hudobnkoch bude pravdepodobnos uda-
losti A, e spomedzi tchto hudobnkov aspo nezahr na koncerte fa-
lon tn, rovn:
k 5 6 7 8 9 10 11 12
pk 0.9497 0.9723 0.9848 0.9916 0.9954 0.9975 0.9986 0.9992
1 1 1
Pr(A) = Pr(S Z) = Pr(S) Pr(Z) = =
6 2 12
( ) ( )3 ( )5
8 1 11
P8 (3) = = 0.02097
3 12 12
Kapitola 3
Ako predpoveda as
(druh nepravdepodobn
prbeh)
107
108 Kapitola 3. Ako predpoveda as (druh nepravdepodobn prbeh)
by nie dobre odhadlo budce schopnosti Aniky. Nam cieom je zska odpo-
ve popisujcu sasn stav a nie Anikinu schopnos ui sa. To, e pokus
organizujeme v ase, je len technickou nutnosou. Ak by sme mali k dispoz-
cii 100 identickch domekov, studniiek, dbnov a Aniiek, urobme sasne
100 pokusov a zskame 100 vsledkov bez nutnosti uvaova o zdokonaovan
sa nosia dbnu.
loha 3.1.4 Pokusy, tak ako sme ich zaviedli pred lohou 3.1.2, s charakteri-
zovan svojou dkou n. Sksme teraz vypota pomocou rodiovskej informcie
o pravdepodobnosti nespechu jednotliv pravdepodobnosti
P1 , P2 , P3 , P4 , . . . , Pn , . . .
112 Kapitola 3. Ako predpoveda as (druh nepravdepodobn prbeh)
9 1
M P2 = a OP2 = (1 p) p
10 10
Dku 3 m pokus vtedy, ak za sebou nasleduj dva spen dni s nerozbitm
dbnom a po nich tret de, v ktorom dbn rozbijeme. Potrebujeme teda zl-
i dve pravdepodobnosti nerozbitia dbnu s pravdepodobnosou jeho rozbitia
v posledn de. Podobnou vahou ako pre M P2 dostaneme:
( )2
9 9 1 9 1
M P3 = = a OP3 = (1 p)2 p
10 10 10 10 10
Teraz je u princp jasn, preto bude:
( )3
9 1
M P4 = a OP4 = (1 p)3 p at.
10 10
3.1 Ako dlho sa chod s dbnom po vodu? 113
( )9
9 1
M P10 = = 0.0387420489
10 10
Pokus dky 10 teda nastane (po zaokrhlen) pribline tyrikrt zo sto pokusov
alebo 39-krt z tisc pokusov. Podobne:
( )99
9 1
M P100 = = 0.000002951
10 10
Pokus dky 100 sa teda vyskytne pribline trikrt v kadom miline pokusov.
Pokus dky 1000 nastane s pravdepodobnosou:
( )999
9 1
M P1000 = = ...
10 10
Odhadli ste tento vsledok sprvne? Pokia no, gratulujeme, ale patrte
k vnimkm. Omnoho astejie s nesprvne odpovede. Mete si sksi spra-
vi mal tipovac experiment na svojich priateoch, spoluiakoch alebo rodine.
Miesto Aniky sa ich mete pta na situciu, ktor dobre poznme z lovee,
"
nehnevaj sa" alebo podobnch hier. V nich asto musme hdza kockou dov-
tedy, km nepadne slo 6. Niekedy sa to podar na prv, niekedy na druh,
niekedy a na 10.krt.
Otzka znie, na kokkrt padne na kocke estka najastejie, s najvou
pravdepodobnosou. Situcia je plne analogick s chodenm po vodu, miesto
pravdepodobnosti 1/10 teraz pokus kon s pravdepodobnosou 1/6. Najas-
tejie aj tu estka padne na prv raz, s pravdepodobnosou 1/6, teda pribline
v 167 prpadoch z 1000. Odhady s ale vinou in.
ast je naprklad odpove na iesty raz", pokus dky 6 pritom nastva
"
s pravdepodobnosou (5/6)5 1/6, teda pribline len v 67 prpadoch z 1000.
K otzke, preo sa udia v tchto odhadoch tak asto mlia, sa vrtime ete
neskorie.
(
) ( ) ( )
9 n1 1 1 9 n1 1 9 n
M Pn = = =
10 10 10 10 10 10
n=1 n=1 n=1 n=0
(
)
9 n
10
n=0
Ide o geometrick rad, ktorho vlastnosti vtane vzorca pre hodnotu stu
ste sa u uili. Pokia si ale vzorek nepamtte, sta poui jednoduch trik
na jeho vpoet.
Ak set ozname S , tak plat:
( ) ( )1 ( )2 ( )3
9 0 9 9 9
S= + + + + =
10 10 10 10
( )1 ( )2 ( )3
9 9 9
=1+ + + + =
10 10 10
( ( )1 ( )2 )
9 9 9 9
=1+ 1+ + + ... = 1 + S
10 10 10 10
Dostali sme teda rovnicu:
9
S =1+ S
10
116 Kapitola 3. Ako predpoveda as (druh nepravdepodobn prbeh)
z oho S = 10.
Preto:
( )n
1 9 1
M Pn = = S =1
10 10 10
n=1 n=0
Podobne:
( )
OPn = (1 p) n1
p =p (1 p) n1
=p (1 p)n
n=1 n=1 n=1 n=0
1
S= pre p = 0 a OPn = p (1 p)n = p S = 1
p
n=1 n=0
Vidme teda, e pre konkrtnu hodnotu 1/10, ako aj pre veobecn hodnotu
p pravdepodobnosti nespechu (a teda pre vpoet s jej ubovonou hodnotou
p = 0) je set pravdepodobnost Pn rovn jednej. Pravdepodobnos pokusu
nekonenej dky je preto nulov a dbn nm vene nevydr. Teraz u mme
tento vsledok potvrden nielen vahou o podstate prslovia, ale aj vpotom.
Ke ale spomname vpoet, vrme sa ete na chvu k prave vedcej ku
vzahu:
S = 1 + (1 p) S
Meme tento postup poui naprklad aj pre hodnotu 1p rovn 10 alebo 2?
Ak hodnoty by potom nadobudol set (1 p)n ?
n=1
Pokia vm nie s jasn odpovede na tieto otzky, odporame sa na chvu
vrti k prslunm prednkam z matematickej analzy.
loha 3.1.6 Daj sa zskan hodnoty Pn poui pre urenie hadanej prie-
mernej dky pokusov? Meme si pomc pvodnou mylienkou aritmetickho
priemeru odpozorovanch dok Anikinch pokusov? D sa vymyslie jednodu-
ch vzorec, ktorm z Pn vypotame priemern dku pokusu?
Sksme teraz o ksok zloitejiu situciu. Nech pre dievinu Marienku plat
P2 = 1/2 a P4 = 1/2. Kee u tieto dve pravdepodobnosti dvaj v ste
1, ostatn s nulov. Znamen to, e polovica jej pokusov bude ma dku 2 a
polovica dku 4.
Priemern dka pokusu D by preto mala by:
1 1
(2 + 4)/2 = 2+ 4=3
2 2
Podobne ak P5 = 1/2 a P9 = 1/2, bude:
(5 + 9) 1 1
D= = 5+ 9=7
2 2 2
a pre P100 = 1/2 a P101 = 1/2 bude:
100 + 101 1 1
D= = 100 + 101 = 100.5
2 2 2
Op vo veobecnosti, ak Pk = 1/2, Pl = 1/2 a ostatn Pn s nulov, plat:
1 1
D=k +l
2 2
o sa ale stane, ak Marienka zmen svoje sprvanie a teraz pre u plat
P2 = 1/4 a P4 = 3/4?
Ete stle s ostatn pravdepodobnosti nulov a vetky pokusy maj dku 2
alebo 4. Ich zastpenie u ale nebude rovnak. Len pribline tvrtina pokusov
bude ma dku 2 a trikrt viac pokusov bude ma dku 4. Priemern dka
pokusu by preto mohla by:
2+4+4+4
4
Tu treba pripomen, e Marienke by sa asi nepodarilo z kadch 4 pokusov
raz dosiahnu dku 2 a trikrt dku 3.
Podobne, ak eskrt hodte kockou, mlokedy vm pri tom padne kad slo
presne raz, aj ke pravdepodobnos kadho z nich je 1/6. Ale pri600 hodoch
u bude poet hodench jednotiek (a aj ostatnch sel) bliie ku 100. A aj
keby ich bolo len 98, relatvna poetnos 98/600 sa u vemi bli teoretickej
pravdepodobnosti 1/6. Pri 6000 hodoch dostaneme ete presnejie vsledky.
Teoretick pravdepodobnosti a tatistiky pokusov sa k sebe zan bli a
pri ich vekom pote. Sprvnejie by sme preto mali spota tisc dvojok,
tritisc tvoriek a vydeli ich tyrmi tiscmi. Vidme ale, e numericky by takto
3.1 Ako dlho sa chod s dbnom po vodu? 119
2+4+4+4 1 1 1 3
D= = 2 + 3 4 = 2 + 4 = 3.5
4 4 4 4 4
2 5
A o ak by P3 = a P6 = ? Dlhodobo by teraz dva pokusy zo siedmich mali
7 7
dku 3 a p pokusov zo siedmich malo dku 6. Ich priemer by preto mal
vyjs:
3+3+6+6+6+6+6 1 1 2 5
D= =23 +56 =3 +6
7 7 7 7 7
Podobnch prkladov je mon vyska viac. Vychdza nm z nich ale na-
sledujci vsledok. Ak plat Pk = q a Pl = r , priom q+r = 1 a ostatn
pravdepodobnosti s preto nulov, plat vzorec:
D = k q + l r = k Pk + l Pl
alej by sme mohli pokraova skmanm Eviky, ktor vie realizova pokusy
troch rznych dok. Obdobnm spsobom by sme odvodili, e ak Pk = q ,
Pl = r a Pm = s, priom q+r+s=1 a ostatn pravdepodobnosti s nulov,
plat:
D = k q + l r + m s = k Pk + l Pl + m Pm
Teraz u zaname vidie podstatu. Do hodnoty priemernej dky pokusu D je
potrebn zarta vetky mon dky pokusov. Tie sa ale nevyskytuj rovnako
asto. O ich zastpen nm dvaj informciu pravdepodobnosti Pn . Tieto
pravdepodobnosti umouj porovna poet pokusov danch dok. Ak je na-
prklad Pk desakrt menia ako Pl , pokusov dky k je desakrt menej ako
pokusov dky l zapotan" do hodnoty D .
a mali by by desakrt menej
"
Pravdepodobnos Pn ale zrove hovor aj o zastpen pokusu dky n medzi
vetkm pokusmi. Ak naprklad Pn = 1/10, znamen to, e (dlhodobo) bude
ma desatina pokusov dku n. Preto aj pri numerickom vpote priemernej
dky pokusu (pozrite a premyslite si ete raz vpoty v predchdzajcich od-
sekoch), by do vpotu D prispel hodnotou n 1/10 alebo veobecne n Pn .
Kom ku vzorcu je teda nsobenie dky pokusu s jeho pravdepodobnosou.
Tto vaha plat aj pre stle sa zvujci poet nenulovch pravdepodobnost
Pn a dostvali by sme stle dlhie a dlhie vzorce pre vpoet D.
Navye princp plat aj pre pravdepodobnosti Pn = 0, teda pre dky pokusov,
ktor sa vbec nevyskytn. Tie by do priemernej dky pokusu nemali prispie
nim, o ale tie zodpoved hodnote n Pn = n 0 = 0.
120 Kapitola 3. Ako predpoveda as (druh nepravdepodobn prbeh)
( )n1
9 1
D= n M Pn = n
10 10
n=1 n=1
( )n1 ( )1
( )n
1 9 1 9 9
D= n = n =
10 10 10 10 10
n=1 n=1
( )1
( )n
1 9 9
= n
10 10 10
n=0
3.1 Ako dlho sa chod s dbnom po vodu? 121
Do stu sme sce pridali jeden stanec, ale ten m nulov hodnotu a
vsledok sa preto nezmen. Teraz si sta spomen na vzorec pre set radu:
q
n qn =
(1 q)2
n=0
a s jeho vyuitm zska vsledok. Vzorec op plat len pre sprvne hodnoty
q a treba ho vedie pouva. Druhou monosou je nezakn sa nekonenej
sumy a trochu sa s ou pohra. Pre prehadnos nebudeme pouva numerick
hodnoty, ale len symbolick oznaenia. Plat teda:
D= n M Pn = 1 M P1 + 2 M P2 + 3 M P3 + 4 M P4 + 5 M P5 + =
n=1
= M P1 + M P2 + M P3 + M P4 + M P 5 + +
+ M P2 + M P3 + M P4 + M P 5 + +
+ M P3 + M P4 + M P 5 + +
...
Nekonen set sme teda rozdelili na nekonen poet nekonench s-
tov, z ktorch kad nasledujci je o jeden (prv) len krat. Ke sa po-
zrieme na prv z nich (v druhom riadku), zistme, e ho dobre poznme. Set
vetkch mamikinch pravdepodobnost M Pn sme potali v lohe 3.1.5 a
vieme, e:
( )2 ( )3
1 9 1 9 1 9 1
M P1 +M P2 +M P3 + = + + + + = 1 (3.1)
10 10 10 10 10 10 10
( )2 ( )3
9 1 9 1 9 1
+ + + =
10 10 10 10 10 10
( ( )2 ( )3 )
9 9 1 9 1 9 1
= + + + ... =
10 10 10 10 10 10 10
9 9 9
= (M P1 + M P2 + M P3 + . . . ) = 1=
10 10 10
Jeho set sa nm podarilo vypota pomocou stu radu 3.1. Tento trik
meme zopakova pri vpote alieho riadku.
122 Kapitola 3. Ako predpoveda as (druh nepravdepodobn prbeh)
Mme teda:
( )2 ( )3 ( )
9 1 9 1 9 4 1
M P3 + M P4 + M P5 + = + + + =
10 10 10 10 10 10
( ( )2 ( )3 )
9 9 1 9 1 1 9
= + ++ ... =
10 10 10 10 10
10 10
( )2
9 9 9 9
= (M P2 + M P3 + M P4 + . . . ) = =
10 10 10 10
Podobne:
( )3
9 9
M P4 + M P5 + M P 6 + = (M P3 + M P4 + M P6 + . . . ) =
10 10
at.
Sty jednotlivch riadkov s teda postupne:
( )2 ( )3
9 9 9
1, , , ,...
10 10 10
( )2 ( )3
9 9 9
D =1+ + + + = 10
10 10 10
Aj tento vsledok u poznme z lohy 3.1.5, kde sme rovnako potali hodnotu
S.
Poda mamiky je teda hodnota D rovn 10. Toto je hadan priemern
poet pokusov a odpove na otzku, ako dlho sa chod s dbnom po vodu.
K tomuto slu by sa blil aritmetick priemer zskan z pozorovania Aniky.
Samozrejme ide len o priemern hodnotu, dky pokusov sa menia. Nakoniec
z rieenia lohy 1.1.3 vieme, e pokus dku 10 nastane len pribline 39-krt z
tisc pokusov.
D= n OPn = 1 OP1 + 2 OP2 + 3 OP3 + 4 OP4 + 5 OP5 + . . .
n=1
Rieenie: Rieenie poslednej lohy u neuvdzame. Pokia ste rieili lohu pre
programtorov, mete sa poksi vytvori program modelujci aj Marienkine
a Evikine pokusy. Presn matematick rieenie lohy u presahuje rozsah tejto
knihy. Pokia vs ale naozaj zaujma, odporame obrti pozornos na tzv. te-
riu spoahlivosti, ktor sa venuje tmto a podobnm problmom.
Kapitola 4
Nhodn premenn
V asti 2.4 sme sa stretli s lohou, v ktorej jednotliv udalosti nemali rovnak
pravdepodobnos. Tto situcia nastva dos asto a preto sa budeme v tejto
kapitole venova udalostiam, ktor maj rzne pravdepodobnosti. Presnejie
budeme sa zaobera tm, ako je pravdepodobnos rozdelen medzi jednotliv
udalosti. Odtia je aj nzov rozdelenie pravdepodobnosti (probability dis-
tribution).
125
126 Kapitola 4. Nhodn premenn
vskyt prve k estiek pri hode 5 kockami (alebo pri piatich nezvislch hodoch
jednou kockou).
Pr(X=k)
0,4
0,3
0,2
0,1
0 1 2 3 4 5 k
k 0 1 2 3 4 5
( ) ( )k ( )5k
5 1 5
p5 (k) =
k 6 6
Pr(X=x)
0,2
0,1
1 2 3 4 5 6 x
X : { , , , , , } {1, 2, 3, 4, 5, 6}
1 1 1 1
Pr(X = )= , Pr(X = )= , Pr(X = ) = ,..., Pr(X = )=
6 6 6 6
128 Kapitola 4. Nhodn premenn
1 1 1 1
Pr(X =) = , Pr(X = 2) = , Pr(X = 3) = , . . . , Pr(X = 6) =
6 6 6 6
Tto loha bola prli jednoduch na to, aby sme pojem v plnosti pocho-
pili. alie u bud zloitejie.
4/6
2/6
-2 20
4 2
Pr(X = 2) = , Pr(X = 20) =
6 6
4.1 Popis nhodnej premennej 129
Nhodn premenn meme zmeni tak, e zmenme jej hodnoty, ale nezme-
nme prslun pravdepodobnosti. Rieme naprklad lohu, ako modikova hru
z lohy 4.1.3 tak, aby hri hrali s vmi sumami.
4/6
2/6
-200 2000
4 2
Pr(Y = 200) = , Pr(Y = 2000) =
6 6
1 1 1
Pr(Z = 0) = Pr(X = 0 X = 0) = Pr(X = 0) Pr(X = 0) = =
2 2 4
Pravdepodobnos udalosti, ktorej hodnota je 1, je:
1 1 1
Pr(Z = 2) = Pr(X = 1 X = 1) = Pr(X = 1) Pr(X = 1) = =
2 2 4
Rozdelenie stu nhodnch premennch z prkladu 4.1.1 je znzornen na
obrzku 4.5.
+ =
0 1 0 1 0 1 2
X 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P
36 36 36 36 36 36 36 36 36 36 36
Rozdelenie stu nhodnch premennch z prkladu 4.1.2 je znzornen na
obrzku 4.6.
1 2 3 4 5 6
1 2 3 4 5 6
2 3 4 5 6 7 8 9 10 11 12
E(X) = xk pk (4.1)
k
4 2
E(X) = z + 20 = 0
6 6
z = 10
Pri sume 10 eur, ktor plat hr, ke prehr, bude popsan hra spravodliv.
E(c X) = c E(X)
1/2
1/3
1/6
1 3 7
E(X)
0.4
0.2
0.1
-1 3 4 8 10
E(X)
loha 4.1.6 Nech s vetky body krunice zafarben bu modrou, alebo erve-
nou farbou. Ako s na krunici tieto farby rozdelen, to nevieme. Vieme iba,
e 1/5 bodov je erven a 4/5 bodov s modr. Dokte, e pri ubovonom
rozloen modrch a ervench bodov existuje rovnostrann trojuholnk ABC
vpsan tejto krunici, ktorho vetky tri vrcholy s modr body.
Rieenie: lohu nebudeme riei tak, e vykreslme vetky monosti zafarbenia
krunice a ku kadej takejto monosti, njdeme trojuholnk danej vlastnosti.
Takto rieenie by sce bolo korektn, ale trvalo by prli dlho.
Namiesto toho ukeme, e pre ubovon rozloenie farieb (kde 1/5 bodov
je erven a 4/5 bodov s modr), mus existova trojuholnk poadovanej
vlastnosti (= vpsan, rovnostrann, s 3 modrmi vrcholmi).
Uvaujme ubovon rozloenie farieb a vetky mon vpsan trojuhol-
nky ABC . Ak bude stredn poet ervench vrcholov? Pravdepodobnos, e
vrchol A bude erven je 1/5, rovnako to plat pre vrcholy B a C . Stredn
hodnota nhodnej premennej A popisujcej poet ervench vrcholov A je
E(A) = 1/5, stredn hodnota nhodnej premennej B popisujcej poet er-
vench vrcholov B je E(B) = 1/5 a stredn hodnota nhodnej premennej C
popisujcej poet ervench vrcholov C je E(C) = 1/5.
Stredn hodnota potu ervench vrcholov je 3/5.
1 1 1 3
E(A + B + C) = E(A) + E(B) + E(C) = + + =
5 5 5 5
Poet ervench vrcholov v jednom trojuholnku je jedno z sel 0, 1, 2 a 3.
Stredn hodnota z tchto sel je 3/5, teda slo menie ako 1. Preto spomedzi
4.1 Popis nhodnej premennej 135
M o(X) = max pk
xk X
1
Pr(X M e(X)) =
2
-Kvantil je t hodnota nhodnej premennej, ktor del hodnoty nhodnej
premennej na dve asti uren parametrom . Vavo od -kvantilu s hodnoty
nhodnej premennej, ktorch set pravdepodobnost je a vpravo od -
kvantilu s hodnoty nhodnej premennej, ktorch set pravdepodobnost je
136 Kapitola 4. Nhodn premenn
Pr(X x ) =
x1/2 = M e(X)
D(X) = (xk E(X))2 pk (4.2)
k
kde xk s hodnoty nhodnej premennej a pk = Pr(X = xk ) s pravdepodob-
nosti ich vskytu.
X = D(X)
Tvrdenie 4.1.1 (ebyevova nerovnos) Pre disperziu nhodnej premen-
nej X a pre ubovon kladn slo b plat:
D(X)
Pr((X E(X))2 b) (4.3)
b
4.1 Popis nhodnej premennej 137
Dkaz:
D(X) = (xk E(X))2 pk
k
(xk E(X))2 pk
k; (xk E(X))2 b
b pk = b Pr((X E(X))2 b)
k; (xk E(X))2 b
1
Pr(|X E(X)| 3 )
9
To znamen, e pravdepodobnos, e hodnota ubovonej nhodnej premennej
bude od strednej hodnoty alej ako 3 je menej ako 1/9. Teda 8/9 vetkch
hodnt ubovonej nhodnej premennej je v intervale E(X)3, E(X)+3.
Dosame do nerovnosti 4.4 hodnotu c = 2. Dostaneme:
1
Pr(|X E(X)| 2 )
4
To znamen, e pravdepodobnos, e hodnota ubovonej nhodnej premennej
bude od strednej hodnoty alej ako 2 je menej ako 1/4. Teda 3/4 vetkch
hodnt nhodnej premennej je v intervale E(X) 2 , E(X) + 2 .
1/2
1/3
1/6
1 3 7 E(X)+s
E(X)-s
E(X)
0.4
0.2
0.1
-1 34 8 10
E(X)-s E(X)+s
E(X)
0.4
0.2
0.1
E(X)-s 2 6 7 11 13 E(X)+s
E(X)
11. Navrhnite nhodn premenn, ktorej modus je men ako jej stredn
hodnota.
X:
k 0 1
1 5
p(k)
6 6
Y:
k 3.1415 2.7183
1 5
p(k)
6 6
1 1 1 1 1 1
p(k)
6 6 6 6 6 6
Meme zvoli aj in hodnoty nhodnej premennej. Na kocke naprklad
nahradme sla 1, 2, 3, 4, 5, 6, slami 11, 12, 13, 14, 15, 16. Dostaneme in
nhodn premenn s rovnakm rozdelenm pravdepodobnosti, rovnakou
disperziou, ale inou strednou hodnotou.
142 Kapitola 4. Nhodn premenn
Z:
k 11 12 13 14 15 16
1 1 1 1 1 1
p(k)
6 6 6 6 6 6
alie rozdelenie pravdepodobnosti m nhodn premenn, ktor popi-
suje, na kokkrt padne v srii nezvislch hodov na kocke po prvkrt
estka. Teda, i estka padne na prv pokus, alebo a na druh pokus,
alebo a na 15-ty.
1
Pravdepodobnos, e padne na prv pokus, je , na druh pokus to
6
bude v situcii, ke prv krt nepadne a druhkrt padne. Dostaneme
36 dvojc, ako mohli dva po sebe idce pokusy vyzera, s to monosti:
(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), . . .
W:
k 1 2 3 4 5 ...n...
( )2 ( )3 ( )4 ( )n1
1 1 5 1 5 1 5 1 5 1 5
p(k) ... ...
6 6 6 6 6 6 6 6 6 6 6
1 5 1 5
P (X = 0) = P (X = 1) = + =1
6 6 6 6
1 5 1 5
P (Y = 3.1415) = P (Y = 2.7183) = + =1
6 6 6 6
1 1 1 1
P (V = 1) = , P (V = 2) = , P (V = 3) = , P (V = 4) = ,
6 6 6 6
1 1 1 1 1 1 1 1
P (V = 5) = , P (V = 6) = , + + + + + =1
6 6 6 6 6 6 6 6
1 1 1 1
P (Z = 11) = , P (Z = 12) = , P (Z = 13) =
, P (Z = 14) = ,
6 6 6 6
1 1 1 1 1 1 1 1
P (Z = 15) = , P (Z = 16) = , + + + + + =1
6 6 6 6 6 6 6 6
( )2
1 1 5 1 5
P (W = 1) = , P (W = 2) = , P (W = 3) = ,
6 6 6 6 6
( )3 ( )n1
1 5 1 5
P (W = 4) = , . . . , P (W = n) = ,...,
6 6 6 6
Teraz to u nie je evidentn, ale d sa spota, e aj tento set je 1:
( )2 ( )3 ( )4 ( )5
1 1 5 1 5 1 5 1 5 1 5
+ + + + + + =
6 6 6 6 6 6 6 6 6 6 6
( ( )2 ( )3 ( )4 ( )5 )
1 5 5 5 5 5 1 1
= 1+ + + + + + ... = =1
6 6 6 6 6 6 6 5
1
6
Pouili sme vzah na vpoet stu geometrickho radu s kvocientom
5/6.
144 Kapitola 4. Nhodn premenn
X:
k9 0 4
2 1 3
p(k)
6 6 6
Stredn hodnota X je:
2 1 3
E (X) = 9 + 0 + 4 = 1
6 6 6
To znamen, e na jednu hru hr A priemerne prehr jedno euro. V
realite je to samozrejme pravda len pri dostatone vekom pote hier.
Odpove na to, koko je to dostaton poet, d matematick tatistika.
S takmito odhadmi musia dostatone presne pracova poisovne alebo
lotrie. Ak teda chc ma zisk.
X:
k8 5
2 4
p(k)
6 6
4.1 Popis nhodnej premennej 145
4/6
2/6
-8 0 5
E(X)
1 1 1 1 1 1
E (Z) = 1 + 2 + 3 + 4 + 5 + 6 = 3.5
6 6 6 6 6 6
1 1 1 1 1 1
E (U) = 2 + 4 + 6 + 8 + 10 + 12 = 7
6 6 6 6 6 6
1 1 1 1 1 1
E (W) = 1 + 4 + 9 + 16 + 25 + 36 = 15.167
6 6 6 6 6 6
0,44
0.35
0.2
E(X)
0,01
0 600 800 1000 ... 25000
X:
Y:
k 500 800 900
p(k) 0.4 0.1 0.5
p(k) naozaj tvoria rozdelenie pravdepodobnosti nhodnej premennej, pre-
toe:
0.4 + 0.1 + 0.5 = 1
Stredn hodnota tejto nhodnej premennej je E(Y) = 730 a jej medin
je M e(Y) = 800:
E(Y) = 0.4 500 + 0.1 800 + 0.5 900 = 730
1
M e(Y) = 800, pretoe Pr(Y 800) =
2
Teda naozaj plat M e(Y) > E(Y).
148 Kapitola 4. Nhodn premenn
0.49
0.4
0.11
E(Y)
Me(Y)
0
500 800 900
11. Nhodn premenn, ktorej modus je men ako jej stredn hodnota je
naprklad nhodn premenn Z, ktor popisuje, na kok pokus padne
na minci znak. Tto nhodn premenn nadobda hodnoty 1, 2, 3, 4, 5,
6, 7, 8, . . . s pravdepodobnosami ako udva obrzok 4.15 alebo tabuka.
Y:
k 1 2 3 4 5 6 ... n ...
1 1 1 1 1 1 1
p(k) ... ...
2 4 8 16 32 64 2n
To, e p(k) naozaj tvoria rozdelenie pravdepodobnosti treba dokza.
Treba ukza, e:
p(k) = 1 (4.5)
k=1
Stredn hodnota tejto nhodnej premennej je E(Z) = 2 a jej modus je
M o(Z) = 1. Teda naozaj plat:
Vpoty:
Set nekonenho geometrickho radu 4.5 sa d spota takto (pozor,
4.1 Popis nhodnej premennej 149
1/2
1/4
1/8
1/16
1/32
...
1 2 3 4 5 6 7 8 9 .....
Mo(Z) E(Z)
1
S= p(k) =
2k
k=1 k=1
( )
1 1 1 1 1 1 1 1 1
S= + + + + = 1 + + + + ... = (1 + S)
2 4 8 16 2 2 4 8 2
1
S = (1 + S)
2
S=1
1 1 1 1
, , , ,...
2 4 8 16
Tieto ksky dohromady vytvoria cel okoldu.
150 Kapitola 4. Nhodn premenn
1/4
1/2
1/16
1/8
1/32
1 1 1 1
Obr. 4.16: Set hodnt , , , ,...
2 4 8 16
1 1 1 1 1
E(Z) = zk p(k) = k k
=1 +2 +3 +4 + =
2 2 4 8 16
k=1 k=1
( ) ( )
1 1 1 1 1 1 1 1 1
= + + + + + ... + + + + + ... +
2 4 8 16 32 4 8 16 32
( )
1 1 1 1 1 1
+ + + + ... + = 1 + + + + = 1 + 1 = 2
8 16 32 2 4 8
12. Nhodn premenn, ktorej 0.95-kvantil je men ako aspo polovica hod-
nt tejto nhodnej premennej, je naprklad nhodn premenn Z, ktor
je rieenm predchdzajcej lohy. 0.95-kvantil nhodnej premennej Z je
hodnota medzi z0.95 = 4 a z0.95 = 5, pretoe m plati Pr(Z z ) = ,
teda Pr(Z z0.95 ) = 0.95 Plat vak, e:
1 1 1 1 1
Pr(Z z ) = = + + + + N
2k 2 4 8 2
k;zk z
1/4
1/2
1/16
1/8
1/32 1/32
1 1 1 1 1 1
Obr. 4.17: Set hodnt + + + + =1
2 4 8 16 32 32
Teda plat:
1 1 1 1
+ =1 =1
2 2 2 2
1 1 1 1 1 1
+ + =1 + =1
2 4 4 2 4 4
1 1 1 1 1 1 1 1
+ + + =1 + + =1
2 4 8 8 2 4 8 8
... ...
1 1 1 1 1 1 1 1 1 1
+ + + + k + k = 1 + + + + k = 1 k
2 4 8 2 2 2 4 8 2 2
Odtia:
N
1 1
k
=1 N
2 2
k=1
152 Kapitola 4. Nhodn premenn
4.1.4 Prklady
Rieenie prkladov
k 0 1 2 3 4
1 1 1 1 1
p(k)
2 4 8 16 32
1
ovatke bude zelen, teda .
16
1 1 1 1 1
=
2 2 2 2 16
Rozdelenie pravdepodobnosti nhodnej premennej X, ktor popisuje po-
et kriovatiek (spomedzi 4) prejdench na zelen uruje nasledujca
tabuka.
X:
k 0 1 2 3 4
1 1 1 1 1
p(k)
2 4 8 16 16
1 1 1 1 1
+ + + + =
2 4 8 |16 {z 16}
1 1 1 1
= + + + =
2 4 |8 {z 8}
1 1 1
= + + =
2 |4 {z 4}
1 1
= + =1
2 2
k 0 1 2 3 4 5 6
( ) ( )2 ( )3 ( )4 ( )5 ( )6
2 1 2 1 2 1 2 1 2 1 2 1
p(k)
3 3 3 3 3 3 3 3 3 3 3 3
0.3 0.7 0.7 0.7 + 0.7 0.3 0.7 0.7 + 0.7 0.7 0.3 0.7 + 0.7 0.7 0.7 0.3 =
0.3 0.3 0.7 0.7 + 0.3 0.7 0.3 0.7 + 0.3 0.7 0.7 0.3+
+0.7 0.3 0.3 0.7 + 0.7 0.3 0.7 0.3 + 0.7 0.7 0.3 0.3 =
( )
4
= 6 (0.3) (0.7) =
2 2
(0.3)2 (0.7)2 = 0.2646
2
0.3 0.3 0.3 0.7 + 0.3 0.7 0.3 0.3 + 0.3 0.7 0.3 0.3+
( )
4
+0.7 0.3 0.3 0.3 = 4 (0.3) 0.7 =
3
(0.3)3 (0.7)1 = 0.0756
3
156 Kapitola 4. Nhodn premenn
( )
4
0.3 0.3 0.3 0.3 = 1 (0.3) = 4
(0.3)4 (0.7)0 = 0.0081
4
k 0 1 2 3 4
W:
p(k) 0.2401 0.4116 0.2646 0.0756 0.008
0.4116
0.2646
0.2401
0.15
0.0756
0.0081
0 1 2 3 4
Obr. 4.18: Nhodn premenn popisujca poet miest, na ktor bol doruen
spam
1
p(0) =
10
4.1 Popis nhodnej premennej 157
k 0 1 2 3 4 ...
Z: ( )2 ( )3 ( )4
1 9 1 9 1 9 1 9 1
p(k) ...
10 10 10 10 10 10 10 10 10
0.1
0.05
0
0 10 20 30 ...
( )2 ( )3 ( )4
1 9 1 9 1 9 1 9 1
+ + + + + =
10 10 10 10 10 10 10 10 10
( ( )2 ( )3 ( )4 )
1 9 9 9 9
= 1+ + + + + ...
10 10 10 10 10
( ( ( )2 ( )3 ))
1 9 9 9 9
= 1+ 1+ + + + ...
10 10 10 10 10
( )2 ( )3 ( )4
9 9 9 9
Ak ozname S =1+ + + + + ..., tak plat:
10 10 10 10
9
S =1+ S
10
Odtia S = 10 a preto set pravdepodobnost je naozaj rovn 1.
0 + 1 + 2 + 3 + 4 + ...
priemer zo Z =
Tento vsledok nm o priemernom pote zbytonch striel vea nepovie.
Keby sme ale urobili 100 pokusov (pri ktorch by padlo 100 glov) a
zaznamenali by sme poet zbytonch striel pri kadom gle, dostali by
sme zrejme slo, ktor pravdepodobne nebude vie ako 30.
My sme urobili dve srie po 100 pokusoch (=gloch) a dostali sme takto
vsledky:
14 8 12 13 12 2 24 11 3 10 2 3 1 1 2 1 3 2 1 2 20 10 9 3 3 18 11 6 6 6 1 6
4 4 10 39 5 9 35 10 5 2 2 70 13 17 1 1 6 12 17 8 21 1 11 3 12 2 5 0 12 7 5
16 4 2 19 1 7 5 1 13 31 0 3 2 7 3 5 3 5 2 14 8 2 10 2 6 7 5 12 2 2 4 4 15 0
6 15 8
2 0 28 17 11 8 12 6 1 0 17 0 4 4 13 5 2 3 3 13 8 30 5 1 1 5 5 2 2 22 9 2 1
20 2 5 6 1 5 33 13 17 22 2 2 3 7 0 10 20 2 9 15 7 7 1 4 8 4 32 38 0 12 7
4.1 Popis nhodnej premennej 159
49 2 30 20 14 1 7 29 45 5 0 53 4 11 2 9 20 16 13 28 12 2 2 20 20 7 0 2 16
7 22 6 6 12 4 0
1
10
Pravdepodobnos, e Jano traf brnu na druhkrt (minie 1 zbyton
strelu), teda, e najprv netraf a potom traf, je:
9 1
10 10
Na tretkrt: ( )2
9 1
10 10
Ven priemer z tchto hodnt je:
( )2 ( )3
1 9 1 9 1 9 1
E(X) = zk p(k) = 0 +1 +2 +3 + =
10 10 10 10 10 10 10
k
160 Kapitola 4. Nhodn premenn
( )2 ( )3 ( )4
1 9 9 9 9
= ( + 2 + 3 + 4 + ...) =
10 10 10 10 10
( )2 ( )3 ( )4
1 9 9 9 9
= ( + + + + ...)
10 10 10 10 10
( )2 ( )3
1 9 9 9 9
( ( + + + . . . )+
10 10 10 10 10
( )2 ( )2
1 9 9 9
( ( + + ...) + =
10 10 10 10
( )2 ( )2 ( )3 ( )4
1 1 9 1 9 9 9 9 9
= 9+ 9+ 9+ = + + + +. . .
10 10 10 10 10 10 10 10 10
( ( )1 ( )2 )
9 9 9 9
= 1+ + + ... = (1 + S)
10 10 10 10
9
Dostali sme teda rovnicu S= (1 + S) z oho S = 9.
10
k 1 2 3 4 5
( )10 ( )10 ( )10 ( )10 ( )10
1 1 1 1 1
p(k) 10 45 120 210
2 2 2 2 2
6 7 8 9 10 11
( )10 ( )10 ( )10 ( )10 ( )10 ( )10
1 1 1 1 1 1
252 210 120 45 10
2 2 2 2 2 2
0.246
0.205
0.117
0.0439
0.0097
0 2 4 6 8 10
Toto rozdelenie popisuje nhodn premenn, ktor nadobda iba dve hodnoty.
Hodnotu 1 nadobudne, ke nejak udalos A nastane, hodnotu 0 ke tto uda-
los nenastane. Parameter p nhodnej premennej oznauje pravdepodobnos
nastatia udalosti A:
Pr(A) = p
4.2 Diskrtne rozdelenia pravdepodobnosti 163
Pr(A) = 1 p = q
predpis:
tabuka:
k 0 1
pk q p
Naprklad pre p = 1/4:
k 0 1
pk 3/4 1/4
diagram:
q=3/4
p=1/4
0 1
p + q = p + (1 p) = 1
Stredn hodnota a disperzia nhodnej premennej s alternatvnym rozdelenm
pravdepodobnosti s:
Pr(A) = p Pr(A) = 1 p = q
predpis: ( )
n
Pr(X = k) = pk q nk (4.8)
k
tabuka:
k 0 1 2 ... n
(n) (n) (n) (n)
pk 0 p0 q n 1 p1 q n1 2 p2 q n2 . . . n pn q 0
k 0 1 2 3 4 5 6
diagram:
n ( )
n
pk q nk = (p + q)n = 1n = 1
k
k=0
0 1 2 3 4 5 6
predpis:
Pr(X = k) = (1 p)k1 p , k = 1, 2, 3, . . . (4.10)
tabuka:
k 1 2 ... k ...
pk p (1 p) p . . . (1 p)k1 p ...
166 Kapitola 4. Nhodn premenn
diagram:
0 1 2 3 4 5 6
1
(1 p)k1 p = p (1 p)k1 = p =1
1 (1 p)
k=1 k=1
predpis:
1
Pr(X = k) = (4.12)
n
tabuka:
k 1 2 ... n
1 1 1
pk ...
n n n
Naprklad pre n = 7:
k 1 2 3 4 5 6 7
pk 0.1429 0.1429 0.1429 0.1429 0.1429 0.1429 0.1429
diagram:
n
1
=1
n
k=1
predpis:
k
Pr(X = k) = e (4.14)
k!
tabuka:
k 0 1 2 ... k ...
2 k
pk e e e ... e ...
2! k!
Naprklad pre = 2.5:
k 0 1 2 3 4 5 ...
pk 0.0821 0.2052 0.2565 0.2138 0.1336 0.0668 . . .
diagram:
n
k
n
k
e = e = e e = 1
k! k!
k=0 k=0
4.2 Diskrtne rozdelenia pravdepodobnosti 169
0 1 2 3 4 5 ...
predpis:
5 1
Pr(X = 1) = Pr(X = 0) =
6 6
tabuka:
k 0 1
pk 1/6 5/6
diagram:
p=5/6
q=1/6
0 1
predpis:
5 k1 1
Pr(X = k) =
6 6
tabuka:
k 1 2 ... k ...
pk 1/6 5/6 1/6 . . . (5/6)k1 1/6 . . .
diagram:
0 1 2 3 4 5 6 7 ...
5
1 1 q
E(X) = = = 6, D(X) = 2 = ( 6)2 = 30
p 1 p 1
6 6
4 1 5
E(X) = n p = = 0.67, D(X) = n p q = 4 = 0.56
6 6 6
predpis:
2 2 2
Pr(X = 1) = Pr(X = 2) = Pr(X = 3) =
6 6 6
tabuka:
k 1 2 3
pk 2/6 2/6 2/6
diagram:
3
2 2 2 2 4 6
E(X) = xk p k = 1 +2 +3 = + + =2
6 6 6 6 6 6
k=1
4.2 Diskrtne rozdelenia pravdepodobnosti 175
1/3
1 2 3
3
2
D(X) = (xk E(X))2 pk = (1 2)2 +
6
k=1
2 2 2 2 2 4
+ (2 2)2 + (3 2)2 = 1 + 0 + 1 = = 0.67
6 6 6 6 6 6
n+1 4 n2 1 32 1 8
E(X) = = = 2, D(X) = = = = 0.67
2 2 12 12 12
predpis:
2 4
Pr(X = 1) = Pr(X = 3) =
6 6
tabuka:
k 1 3
pk 2/6 4/6
2
2 4 2 12
E(X) = xk pk = 1 +3 = + = 2.33
6 6 6 6
k=1
176 Kapitola 4. Nhodn premenn
2
2
D(X) = (xk E(X))2 pk = (1 2.33)2 +
6
k=1
4
+ (3 2.33)2 = 0.89
6
6. Poet spench rande" nesmelho tudenta poas jednho mesiaca, bu-
"
deme modelova nhodnou premennou s Poissonovm rozdelenm prav-
depodobnosti. Dlhodobm pozorovanm sme zistili, e za mesiac absol-
vuje tento tudent spen rande" trikrt, preto budeme predpoklada,
"
e stredn hodnota Poissonovho rozdelenia bude 3.
Poda vzorca 4.15 je stredn hodnota teoreticky rovn parametru Po-
issonovho rozdelenia:
E(X) =
.
=3
Na vpoet pravdepodobnosti, e za mesiac absolvuje tudent 5 spench
"
rande" pouijeme predpis pre Poissonovo rozdelenie pre k = 5 a = 3.
k
Pr(X = k) = e
k!
35 3
Pr(X = 5) = e = 0.1
5!
To znamen, e nesmel tudent m naozaj mal ancu na 5 spench
"
rande"!
( )
31
Pr(X = m) = pm (1 p)31m
m
1, 2, 3, 4, . . .
Pr(X = k) = (1 p)k1 p
0, 1, 2, 3, . . .
Pr(X = k) = (1 p)k p
178 Kapitola 4. Nhodn premenn
q q
E(X) = , D(X) = (4.16)
p p2
4.2.2 Prklady
Rieenie prkladov
E(X) = 1 p + 0 q = p
n ( )
n
n n!
E(X) = k p q
k nk
= k pk q nk =
k k! (n k)!
k=0 k=0
n
(n 1)!
=np p(k1) q (n1(k1)) =
(k 1)! (n 1 (k 1))!
k=1
n1
(n 1)!
=np pk q (n1k) =
k! (n 1 k)!
k=0
= n p (p + q)n1 = n p (1)n1 = n p
Rovnak vsledok dostaneme, ke si uvedomme, e nhodn premenn
s binomickm rozdelenm X Bi(n, p) dostaneme ako set n nez-
vislch rovnakch nhodnch premennch, s alternatvnym rozdelenm
Y A(p).
n
E(X) = E( Y) = k E(Y) = n p
k=0
n ( )
n
D(X) = (k n p)
2
pk q nk =
k
k=0
4.2 Diskrtne rozdelenia pravdepodobnosti 181
n
n!
= (k 2 2 k n p + n2 p2 ) pk q nk =
k! (n k)!
k=0
n
n!
= (k (k 1) + k(1 2 n p) + n2 p2 ) pk q nk =
k! (n k)!
k=0
n
n!
= k (k 1) pk q nk +
k! (n k)!
k=2
n
n!
+ k (1 2 n p) pk q nk +
k! (n k)!
k=1
n
n!
+ n 2 p2 pk q nk =
k! (n k)!
k=0
n
(n 2)!
= p2 n (n 1) pk2 q nk +
(k 2)! (n k)!
k=2
n
(n 1)!
+p n (1 2 n p) pk1 q nk +
(k 1)! (n k)!
k=1
n
n!
+n2 p2 pk q nk = p2 n(n1)+pn(12np)+n2 p2 =
k! (n k)!
k=0
= n p (1 p) = n p q
n n (
)
(n 2)! n2
p q
k2 nk
= pk2 q n2k+2 = (p+q)n2
(k 2)! (n k)! k2
k=2 k=2
( )
E(X) = kq k1
p=p kq k1
=p qk =
k=1 k=1 k=1
(
) ( ) ( )
q 1 (1 q) q (1)
=p q k
=p =p =
1q (1 q)2
k=1
( )
1 1 1
=p =p 2 =
(1 q)2 p p
Pri vpote sme pouili p = (1 q), vzorec pre set geometrickho radu
a vetu o zmene sumcie a derivovania pre rovnomerne konvergentn
rady (ktorej dkaz njdeme v matematickej analze):
( )
f = f
(
)2 (
)
1 1 1
D(X) = k q k1
p=p k 2 k+ 2
2
q k1 =
p p p
k=1 k=1
1
1
=p k q2 k1
p 2 k q k1 + p q k1 =
p p2
k=1 k=1 k=1
1 1 k1
=pq k (k 1) q k2 p (2 1) k q k1 + q
p p
k=2 k=1 k=1
( )
( )
1 k1
=pq q k (2 p) qk + q =
p
k=2 k=1 k=1
( ) (
)
1 1
=pq qk (2 p) qk + =
p p
k=2 k=1
2 1 1
= p (1 p) + (p 2) 2 + 2 =
p3 p p
4.2 Diskrtne rozdelenia pravdepodobnosti 183
2 2p p 2 1 1p q
= 2
+ 2 + 2 = 2
= 2
p p p p p
(
) ( )
q 1
k
q = =
1q p2
k=1
( ) ( ) ( )
q 1 2
k
q = = =
1q (1 q)2 p3
k=2
( )
E(X) = kq p =
k
kq p = pq
k
kq k1
= pq qk =
k=0 k=1 k=1 k=1
( ) ( ) ( )
q 1 (1 q) q (1)
=pq q k
=pq =pq =
1q (1 q)2
k=0
( )
1 1 q
=pq =pq =
(1 q)2 p 2 p
q
E(X) = (4.17)
p
( )
D(X) = E(X E(X))2 = E X2 2 X E(X) + E 2 (X) =
( ) ( )
= E X2 E (2 X E(X)) + E E 2 (X) =
( ) ( )
= E X2 2 E (X) E (X) + E 2 (X) = E X2 E 2 (X)
Disperziu E(X) nhodnej premennej s hodnotami 0, 1, 2, 3, . . . , s geo-
metrickm rozdelenm pravdepodobnosti, X Ge(p), teda v prpade, e
hodnotou nhodnej premennej je aj 0, vypotame:
184 Kapitola 4. Nhodn premenn
( )2
q
D(X) = E(X ) E (X) =
2 2
k q p
2 k
=
p
k=0
( )2
q
= p q2 k (k 1) q k2 + p q k q k1 =
p
k=2 k=1
( )
( )
( )2
q
=pq 2
q k
+pq q k
=
p
k=2 k=1
( ) (
( )2 )
1 q 1
= p q2 +pq =
1q p 1q
( )2
2 1 q
=pq
2
+pq =
(1 q) 3 (1 q)2 p
2 q2 + p q q2 q2 + p q q (q + p) q
= 2
= 2
= 2
= 2
p p p p
q
D(X) = 2 (4.19)
p
n
1 1
n
1 (1 + n) n 1+n
E(X) = k = k= =
n n n 2 2
k=1 k=1
n (
)2 n ( )
1+n 1 2 (n + 1)2 1
D(X) = k = k k (1 + n) + =
2 n 4 n
k=1 k=1
n ( )
1 ( 2) 1 1 (n + 1)2
n n
= k (k (1 + n)) + =
n n n 4
k=1 k=1 k=1
1 n (n + 1) (2n + 1) n + 1 n (n + 1) (n + 1)2
= + =
n 6 n 2 4
4.2 Diskrtne rozdelenia pravdepodobnosti 185
4n2 + 6n + 2 3n2 6n 3 n2 1
= =
12 12
n
k n
k1
E(X) = k e = e k =
k! k!
k=0 k=1
n
k1
= e = e e =
(k 1)!
k=1
Pri vpote sme pouili vzorec pre Taylorov rozvoj funkcie ex v bode
nula.
xk
x x2 x3 x x2 x3
= e + e + e0 + e0 + = 1 + + +
0 0
+ = =
1! 2! 3! 1! 2! 3! k!
k=0
n k
D(X) = (k )2 e =
k=0 k!
n k1 n
k1
= e k (k 1) + e k
k=1 k! k!
k=1
n k1 n
k
e 2k + e 2 =
k=1 k! k!
k=0
n k2 k1
n
= e 2 + e
k=2 (k 2)! (k 1)!
k=1
n k1 kn
e 2 + e 2 =
k=1 (k 1)! k!
k=0
( )
= e 2 e + e e e e 2 + e 2 e =
4.3 Spojit rozdelenia pravdepodobnosti 187
1/6
1 2 3 4 5 6
1/12
1 2 3 4 5 6 7 8 9 10 11 12
1/120
1 ... 120
1/1000
1 ... 1000
1/(b-a)
a b
f(x)
f (x) dx = 1 (4.21)
190 Kapitola 4. Nhodn premenn
f(x)
plocha je 1 x
b
Pr(a X b) = f (x) dx
a
f(x)
x
a b
b
Pr(X b) = f (x) dx
f(x)
b
x
f(x)
a x
a b
1 1
f (x) dx = 0 dx + dx + 0 dx = 0 + (b a) + 0 = 1
ba ba
a b
192 Kapitola 4. Nhodn premenn
1/6
1 7
0 [ ]
x ex
f (x) dx = 0 dx+ e dx = 0+ = e + e0 = 1
0
0
0.25
f(x)
0 10 20
(x )2
1
f (x) = e 2 2 (4.26)
2
Funkcia f (x) je hustota rozdelenia pravdepodobnosti, pretoe vekos plochy
medzi osou x a krivkou hustoty f (x) je naozaj 1. Vpoet vekosti plochy pod
krivkou hustoty normlneho rozdelenia vak meme urobi iba numericky.
Funkcia hustoty normlneho rozdelenia nem primitvnu funkciu, ktor by sme
mohli vyjadri pomocou elementrnych funkci. Preto sa hodnoty prslunho
integrlu potaj iba numericky:
b b (x )2
1
Pr(X b) = f (x) dx = e 2 2 dx
2
Y
Z=
Potom njdeme prslun hodnotu v tabukch normovanho normlneho roz-
delenia pravdepodobnosti.
( ) ( )
Y3 b3 b3
Pr(Y b) = Pr(Y 3 b 3) = P =P Z
4
Tak ako pre kad hustotu, aj pre hustotu normlneho rozdelenia pravdepo-
dobnosti plat:
f (x) dx = 1
Stredn hodnota a disperzia nhodnej premennej s normlnym rozdelenm s:
N(0,1)
N(1,2)
N(3,4)
N(1,4)
0 1 4
n=1
n=2
n=3
n=4
n=5
0
n xn1 ex
f (x) dx = 0 dx + dx = 1
(n 1)!
0
1/3
Er(1,1/3)=Exp(1/3)
Er(2,1/3)
Er(5,1/3)
0 EX11EX2 EX3 20
0.3
Er(3,1)
0.2
Er(3,1/2)
0.1
Er(3,1/3)
0 EX2 10 20 30
EX1 EX3
0 pre x<0
f (x) = a xa1 ex , pre a R+ , R+ (4.30)
pre x0
(a)
(z) = tz1 et dt , pre z C tak, e relna as z je kladn
(1) = 1
( )
1
=
2
( )
3
=
2 2
( )
n+1 (2n)!
= 2n
2 2 n!
Funkcia f (x) je naozaj hustota rozdelenia pravdepodobnosti, pretoe ve-
kos plochy medzi osou x a krivkou hustoty f (x) je 1.
Stredn hodnota a disperzia nhodnej premennej s Gama rozdelenm s:
a a
E(X) = , D(X) = (4.31)
2
4.3 Spojit rozdelenia pravdepodobnosti 199
n n
E(X) = 2 = n, D(X) = 2 = 2 n (4.33)
1 1
2 4
1.5
X1
0.5
X2
X3
0 EX2 5 10
EX1 EX3
takto:
( )
n+1
( ) n + 1
2 x2 2
f (x) = ( n ) 1+ pre x R, n N (4.34)
n n
2
In spsob vyjadrenia nhodnej premennej T so Studentovm rozdelenm
pravdepodobnosti, je jej vyjadrenie ako podielu, v ktorom vystupuj nezvisl
nhodn premenn X, X1 ,X2 ,. . . , Xn , s normovanm normlnym rozdelenm
pravdepodobnosti N(0, 1).
X
T t(n) : T= v
u
u1 n 2
t Xk
n
k=1
n
E(T) = 0, D(T) = (4.35)
n2
Nhodn premenn so Studentovm rozdelenm pravdepodobnosti sa vy-
uva v matematickej tatistike pri testovan hypotz (naprklad o parametroch
4.3 Spojit rozdelenia pravdepodobnosti 201
Pr(T > t ) =
k=1
k=10
-3 0 3
0 ( ) pre x0
n1 + n2
( ) n1 n1 ( ) n1 + n2
f (x) =
2 n1 2 1 n1 2
(n ) (n ) x2 1+ x pre x>0
1
2 n2 n2
2 2
(4.36)
In spsob vyjadrenia nhodnej premennej F so Fisher-Snedecorovm roz-
delenm pravdepodobnosti, je jej vyjadrenie ako podielu, v ktorom vystupuj
nezvisl nhodn premenn X1 a X2 s Ch-kvadrt rozdelenm pravdepodob-
nosti, 2 (n1 ) a 2 (n2 ).
202 Kapitola 4. Nhodn premenn
X1
n
F F(n1 , n2 ) : F= 1 , kde X1 2 (n1 ), X2 2 (n1 )
X2
n2
Stredn hodnota (pre n2 > 2) a disperzia (pre n2 > 4) nhodnej premennej
s Fisher-Snedecorovm rozdelenm pravdepodobnosti s:
n2 2 n22 (n1 + n2 2)
E(F) = , D(F) = (4.37)
n2 2 n1 (n2 2)2 (n2 4)
Pr(F > f ) =
Pre Fisher-Snedecorovo rozdelenie s vypracovan tabuky kritickch hodnt
(a samozrejme vpoet tchto hodnt robia rzne tatistick softvry).
2
F(100,100)
F(2,1)
1
F(5,2)
0
0
EX3
1 2 3 4 5
P(X<3)
Obr. 4.48: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (, 3)
P(X>180)
Obr. 4.49: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (180, )
P(X<165)
Obr. 4.50: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (, 165)
4.3 Spojit rozdelenia pravdepodobnosti 207
1/30
P(X>40)
Obr. 4.51: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (40, )
[ ] 1
40
x x
e dx = e =e 30 = 0.26
40
40
0.013
P(X<60)
Obr. 4.52: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (, 60)
1.25 1
1.25
0 0.68 1 1.25
Obr. 4.53: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale 0.68, 1.25
0.68 1 1.25 2
Obr. 4.54: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale 0.68, 1.25
210 Kapitola 4. Nhodn premenn
1.25 1
1.25
f (x) dx = 0 dx + 1 dx = 0 + [x]1.25
1 = 1.25 1 = 0.25
0.68 0.68 1
2.3
Obr. 4.55: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (2.3, )
P(X<0.5)
Obr. 4.56: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (, 0.5)
4
E(X) = = 80
Preto parameter = 1/20. Na obrzku 4.57 je graf hustoty nhodnej
premennej s Erlangovm rozdelenm s parametrom 1/20 s vyznaenou
plochou, ktorej vekos zodpoved predstavuje pravdepodobnos, e ob-
sluha bude trva viac ako 100 mint.
n n
E(X) = , D(X) =
2
Zostavme sstavu dvoch rovnc pre neznme parametre n, :
n
= 45
212 Kapitola 4. Nhodn premenn
0.01
P(X>100)
Obr. 4.57: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (100, )
n
=9
2
Rieenm tejto sstavy dostaneme parametre Erlangovho rozdelenia:
n = 225, =5
4.3.2 Prklady
k
f (x) = , pre x (, )
1 + x2
4. Nech nhodn premenn X m exponencilne rozdelenie pravdepodob-
nosti s parametrom = 4. Vypotajte pravdepodobnos, e nhodn
premenn X dosiahne hodnotu viu ako -0.1 a meniu ako 0.4.
Pr(|X| > 3)
10. Pri vrobe krajrskych metrov sa zistilo, e ich skuton dka je skoro
vdy v intervale 1 , 1 + .
Modelujme tto situciu pomocou normlneho rozdelenia pravdepodob-
nosti. Predpokladme, e dka krajrskeho metra sa riadi normlnym
rozdelenm so strednou hodnotou 1 meter a disperziou 25 milimetrov
tvorcovch.
Rieenie prkladov
2
k x dx = 1
0
2 [ ]2
k x2 22 02
k x dx = =k k =k2
2 0 2 2
0
k2=1
1
Na to, aby funkcia f (x) bola hustotou mus by parameter k= .
2
2. Hustota rozdelenia pravdepodobnosti spojitej nhodnej premennej je dan
vzahom
0 pre x<0
f (x) = kx pre 0x<1
0 pre 1x
Mme vypota pravdepodobnos, e nhodn premenn dosiahne hod-
notu viu ako 0.25 a meniu ako 0.5. Rovnako ako v predchdzajcej
lohe, potrebujeme najprv vypota hodnotu parametra k. Pouijeme
in (rovnako dobr) spsob vpotu, aby si itate mohol sm vybra,
ako takto lohy riei.
Plocha = 1
f(x)=kx
vka
zklada
0 1
zklada vka
S=
2
1k1 k
S= =
2 2
k
=1
2
Na to, aby funkcia f (x) bola hustotou mus by parameter k = 2.
Pravdepodobnos, e nhodn premenn dosiahne hodnotu viu ako
0.25 a meniu ako 0.5 je znzornen na obrzku 4.59
f(x)=2x
0 0.25 0.5 1
Obr. 4.59: Pravdepodobnos, ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (0.25, 0.5)
intervale).
k
f (x) =
1 + x2
k =1
1
Teda k= , krivka hustoty je znzornen na obrzku 4.60
4. Nhodn premenn X m exponencilne rozdelenie pravdepodobnosti
s parametrom = 4. Mme vypota pravdepodobnos, e nhodn
premenn X dosiahne hodnotu viu ako -0.1 a meniu ako 0.4. Tto
pravdepodobnos tak vek ako plocha medzi krivkou hustoty a osou x
na intervale (plocha je zakreslen na obrzku 4.61).
0.4 0 0.4
[ ]0.4 .
f (x) dx = 0 dx + 4 e4x dx = e4x 0 = 1 e40.4 = 0.8
0.1 0.1 0
218 Kapitola 4. Nhodn premenn
1/p
1
Obr. 4.60: Krivka hustoty f (x) =
1 + x2
1 2 [ 2 ]1 [ ]2
x x2
f (x) dx = x dx+ 2x dx+ 0 dx = + 2x +0 =
2 0.75 2 1
0.75 0.75 1 2
0 pre x<1
f (x) = kx pre 1x<2
0 pre 2x
4.3 Spojit rozdelenia pravdepodobnosti 219
Obr. 4.61: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (0.1, 0.4)
220 Kapitola 4. Nhodn premenn
0.08
0 5 10 12 14 20 25
(x 12)2
1
Pr(X > 14) = e 2 25 dx
5 2
14
X X 12
Y= =
5
( )
X 12 14 12
Pr(X > 14) = P > = P (Y > 0.4) = 1 Pr(Y 0.4)
5 5
Pr(|X| > 3)
10. Pri vrobe krajrskych metrov sa zistilo, e ich skuton dka je skoro
vdy v intervale 1 , 1 + .
Modelujeme tto situciu pomocou normlneho rozdelenia pravdepodob-
nosti. Predpokladme, e dka krajrskeho metra sa riadi normlnym
rozdelenm so strednou hodnotou 1 meter a disperziou 25 milimetrov
tvorcovch. Prevedieme metre na milimetre, aby nevznikli problmy pri
pouvan rznych jednotiek.
4.3 Spojit rozdelenia pravdepodobnosti 225
Pr(1000 X 1000 + ) =
( )
1000 1000 X 1000 1000 + 1000
=P =
5 5 5
( ) ( ) ( )
=P Y =P Y P Y 0.95
5 5 5 5
Nhodn premenn Y m normovan normlne rozdelenie pravdepodob-
nosti, ktor je prnou funkciou (symetrickou poda osi y ). Ako vidno z
obrzku 4.66, sta njs tak hodnotu , aby platilo:
( ) ( )
P Y = 0.975 a P Y = 0.025
5 5
0.95
0.25 0.25
-a/5 a/5
Obr. 4.66:
Hodnoty
riadiace sa normovanm normlnym rozdelenm sa v in-
tervale , vyskytn s pravdepodobnosou 0.95
5 5
Odtia:
= 1.96 resp. = 1.96
5 5
= 9.8
Dka 95 zo 100 krajrskych metrov vyhovujcich zadaniu tejto lohy,
bude z intervalu:
x
F (x) = Pr(X x) = f (t) dt , kde xR
lim F (x) = 0
x
lim F (x) = 1
x
228 Kapitola 4. Nhodn premenn
suma p(x)=F(xk)
x<=xk
p(xk)
xk F(x)
p(xk)
xk
Plocha=F(x)
f(x)
x
funkn hodnota =F(x)
F(x)
f(x)
Obr. 4.68: Vzah medzi plochou pod krivkou hustoty f (x) a distribunou fun-
kciou F (x)
4.4 Uiton funkcie a vlastnosti nhodnch premennch 229
Hodnoty plochy pod krivkou hustoty meme vyjadri ako hodnoty distribu-
nej funkcie:
b
Pr(a X b) = f (x) dx = F (b) F (a)
a
Pr(a X) = f (x) dx = 1 F (a)
a
b
Pr(X b) = f (x) dx = F (b)
loha 4.4.1 Poet dopravnch nehd v iline poas jednho mesiaca budeme
modelova nhodnou premennou s Poissonovm rozdelenm pravdepodobnosti.
Chceme zisti, ak rozdelenie bude ma dka intervalu medzi nehodami.
Ak rozdelenie pravdepodobnosti m nhodn premenn popisujca dku
intervalu medzi vskytmi nhodnej premennej s Poissonovm rozdelenm prav-
depodobnosti?
k
Pr(X = k) = e
k!
Stredn hodnota nhodnej premennej s Poissonovm rozdelenm pravdepodob-
nosti je:
E(X) =
Znamen to, e za mesiac nastane priemerne nehd. Za dva mesiace by to
bolo priemerne 2 nehd. Za t mesiacov by to bolo priemerne t nehd.
230 Kapitola 4. Nhodn premenn
(t )k t
Pr(X = k) = e
k!
Chceme vypota rozdelenie pravdepodobnosti nhodnej premennej T, popisu-
jcej dku asovho intervalu medzi jednotlivmi nehodami. Na obrzku 4.69
je zakreslench niekoko vskytov nhodnej premennej T, popisujcej intervaly
medzi vskytmi udalost popsanch nhodnou premennou s Poissonovm roz-
delenm pravdepodobnosti X.
T T T T
Obr. 4.69: Niekoko realizci nhodnej premennej T, popisujcej intervaly me-
dzi vskytmi Poissonovch udalost
T
Obr. 4.70: Ak T > t, potom poas asovho intervalu dky t plat X=0
mX (0) = Pr(X = k) ek0 = Pr(X) = 1
k=0 k=0
X0
mX (0) = E(e )= f (x) e x0
dx = f (x) dx = 1
mX (0) = 1
Xt k k ( et )k
mX (t) = E(e ) = e e kt
=e t k
(e ) = e
k! k! k!
k=0 k=0 k=0
x xk
e =
k!
k=0
( et )k
mX (t) = e = e ee = e(e
t t 1)
k!
k=0
0 1)
mX (0) = e(e = e0 = 1
( ) ( )
E(X) = mX (t)|t=0 = e(e 1) |t=0 = e(e 1) et |t=0 = e0 e0 =
t t
( )
E(X2 ) = mX (t)|t=0 = e(e 1) et |t=0 =
t
t 1) t 1)
= et e(e + et et e(e |t=0 = + 2
Disperzia nhodnej premennej s Poissonovm rozdelenm pravdepodobnosti je:
234 Kapitola 4. Nhodn premenn
ex(t)
lim =0
x (t )
ex(t)
mX (t) = lim = =
x (t ) t t t
Dosadenm meme overi, e:
mX (0) = =1
0
Stredn hodnota nhodnej premennej s exponencilnym rozdelenm pravdepo-
dobnosti je:
( )
(1)(1) 1
E(X) = mX (t)|t=0 = |t=0 = |t=0 = =
t ( t)2 ()2
4.4 Uiton funkcie a vlastnosti nhodnch premennch 235
( ) ( )
2
2
E(X ) = mX (t)|t=0 = |t=0 = |t=0 = |t=0 =
t ( t)2 ( t)3
2 2
= 3
= 2
Disperzia nhodnej premennej s exponencilnym rozdelenm je:
2 1 1
D(X) = E(X2 ) E 2 (X) = = 2
2 2
mX1 (t) = e1 (e
t 1)
mX2 (t) = e2 (e
t 1)
( ) ( ) ( ) ( ) ( )
mX (t) = E eX t = E e(X1 +X2 ) t = E eX1 t eX2 t = E eX1 t E eX2 t =
mX1 (t) = mX2 (t) =
t
Momentov vytvrajcu funkciu nhodnej premennej X = X1 +X2 vypotame:
( ) ( ) ( ) ( ) ( )
mX (t) = E eX t = E e(X1 +X2 ) t = E eX1 t eX2 t = E eX1 t E eX2 t =
2
= mX1 (t) mX2 (t) = =
t t ( t)2
Momentov vytvrajca funkcia nhodnej premennej X je momentovou vy-
tvrajcou funkciou nhodnej premennej s Erlangovm rozdelenm pravdepo-
dobnosti a parametrami a n = 2. (Tvar momentovej vytvrajcej funkcie
vypotame v asti prklady.)
4 + 6 + 1 + 4 + 3 + 2 + 17 + 7 + 2 + 1
X= = 4.7
10
4.4 Uiton funkcie a vlastnosti nhodnch premennch 237
m
Postupnos podielov konverguje poda pravdepodobnosti k aritmetickmu
n
priemeru ich strednch hodnt.
Rieenie:
a) U v kapitole 2.4 sme odvodili vzorec pre vpoet pravdepodobnosti uda-
losti, e spomedzi 10 vybranch hudobnkov bud 4 tak, ktor zahraj
na koncerte falone:
( )
n
Pn (k) = pk (1 p)nk
k
Po dosaden dostvame:
( )
10
P10 (4) = 0.144 0.866 = 0.0326
4
4.4 Uiton funkcie a vlastnosti nhodnch premennch 239
k e 14020 e140
= = 0.0692
k! 20!
Pre hodnoty p blzke 0.5 je dobrou aproximciou binomickho rozdelenia prav-
depodobnosti rozdelenie normlne. Presn spsob odhadu dva nasledujca
veta.
Veta 4.4.5 (Moivre-Laplaceova loklna veta) Nech pri kadom pokuse uda-
los A nastane s pravdepodobnosou p, kde p je blzke 0.5. Ozname Pn (k) prav-
depodobnos, e v srii n nezvislch pokusov nastane tto udalos k-krt. Nech
q = 1 p. Potom plat:
(n)
k pk q nk
lim =1
n (k np)2
1
e 2npq
2npq
teda:
( ) (k n p) 2
n k nk . 1
Pn (k) = p q = e 2npq
k 2npq
Prklad 4.4.2 Predpokladajme, e pravdepodobnos, e nhodne vybran hu-
dobnk zahr na koncerte falone je 0.54.
Vyslite pravdepodobnos, e spomedzi 170 vybranch hudobnkov bude 100
takch, ktor zahraj na koncerte falone.
240 Kapitola 4. Nhodn premenn
4.4.4 Zabdanie
1 . . 1
E(X) = = 5, =
5
K rieeniu sta vypota podmienen pravdepodobnosti:
ex dx 2
6 [ ex ]6 e6 2
= = = 4 = e = e 5 = 0.6703
[ ex ] e
ex dx 4
4
2
x
Pr(A) = Pr(X > 2) = e dx = ee 5 = 0.6703
2
2 . . 2
E(X) = = 5, =
5
2 x ex dx
6 [ ex (1 + x)]6
= = =
[ ex (1 + x)]
2 x ex dx 4
4
2
6 2
e6 (1 + 6) e 5 (1 + 6)
= 4 = 5 = 0.5876
e (1 + 4) 2
4 2
e 5 (1 + 4)
5
2 x ex dx
[ ex (1 + x)]52
= 52 = =
[ ex (1 + x)]
2 x ex dx 50
50
4.4 Uiton funkcie a vlastnosti nhodnch premennch 245
2
52
2
e52 (1 + 52) e 5 (1 + 52)
= 50 = 5 = 0.4664
e (1 + 50) 2
50 2
e 5 (1 + 50)
5
Potajme pravdepodobnos udalosti A (hovor bude dlh ako 2 minty).
4
2
x
Pr(A) = Pr(X > 2) = xe
2
dx = ee 5 (1 + 2) = 0.8088
5
2
Pr(X = k) = (1 p)k1 p
246 Kapitola 4. Nhodn premenn
1 1
E(X) = = =6
p 1
6
K rieeniu sta vypota podmienen pravdepodobnosti:
(1 p)6 25
= = (1 p)2 =
(1 p) 4 36
1 (1 (1 p)52 ) 25
= = (1 p)2 =
1 (1 (1 p) )
50 36
4.4 Uiton funkcie a vlastnosti nhodnch premennch 247
25
Pr(A) = Pr(X > 2) = 1 p (1 p) p = (1 p)(1 p) =
36
Pr(X = k) = (1 p)k1 p , k = 1, 2, 3, . . .
1
7/8
3/4
1/2
1 2 3 4 5 6 7 ...
mX (t) = E(eX t ) = Pr(X = k) ekt = (1 p)k1 p ekt =
k=0 k=1
250 Kapitola 4. Nhodn premenn
p p ( )k p (1 p) et
= (1p)k ekt = (1 p) et = =
1p 1p 1 p 1 (1 p) et
k=1 k=1
p et
= , pre tR
1 (1 p) et
3. Hadme tvar distribunej funkcie F (x) = FP o() (x) nhodnej premennej
s Poissonovm rozdelenm pravdepodobnosti, X P o(), (4.14):
k
Pr(X = k) = e
k!
Distribun funkcia pre diskrtnu nhodn premenn m tvar:
F (x) = Pr(X x) = pk = Pr(X = xk ) , kde xR
xk x xk x
0 pre x<0
e pre 0x<1
e pre 1x<2
1!
FP o() (x) =
2
e pre 2x<3
2!
.
.
.
k
e pre k x<k+1
k!
.
.
.
Xt k
mX (t) = E(e ) = Pr(X = k) e kt
= e ekt =
k!
k=0 k=1
(
)k
et
= e ee = e(e 1) ,
t t
=e pre tR
k!
k=1
4.4 Uiton funkcie a vlastnosti nhodnch premennch 251
1
0.97
0.91
0.61
0 1 2 3 ...
x
F (x) = Pr(X x) = f (t) dt , kde xR
0 pre x<a
xa
FR(a,b) (x) = pre axb
ba
1 pre x>a
Priebeh distribunej funkcie si meme pozrie na obrzku 4.73.
b
Xt 1
mX (t) = E(e ) = f (x) e xt
dx = 0 + ext dx + 0 =
ba
a
252 Kapitola 4. Nhodn premenn
0 1 2 3 4 5
[ ]b
1 ext ebt eat
= = , pre t R, t = 0
ba t a t(b a)
x
F (x) = Pr(X x) = f (t) dt , kde xR
0 pre x<0
FExp() (x) =
1 ex pre x0
Xt
mX (t) = E(e ) = f (x) e xt
dx = 0 + ex ext dx =
0
4.4 Uiton funkcie a vlastnosti nhodnch premennch 253
0 2 4 6 8 10 12
pre t<
[ ]
t
= e(t)x =
t
pre t>
0
neexistuje pre t=
(x )2
1
f (x) = e 2 2
2
Distribun funkcia pre spojit nhodn premenn m tvar:
x
F (x) = Pr(X x) = f (t) dt , kde xR
254 Kapitola 4. Nhodn premenn
x (t )2
1
FN (, 2 ) (x) = e 2 2 dt
2
3
Obr. 4.75: Distribun funkcia FN (, 2 ) (x) nhodnej premennej s normlnym
rozdelenm pravdepodobnosti s parametrami = 3, 2 = 1)
(x )2
1
mX (t) = E(eX t ) = f (x) ext dx = e 2 2 ext dx =
2
x2 2x + 2
1
= e 2 2 ext dx =
2
x2 + 2x 2 + 2 2 x t
1
= e 2 2 dx =
2
4.4 Uiton funkcie a vlastnosti nhodnch premennch 255
=0
2 z }| {
x + 2x( + t) + ( + t) ( + t)
2 2 2 2 2 2
e 2 2
= e 2 2 dx =
2
2 + ( + 2 t)2
x2 + 2x( + 2 t) ( + 2 t)2
e 2 2
= e 2 2 dx =
2
2 + 2 + 2 2 t + 4 t2 2 t2
t +
=e 2 2 =e 2
Momentov vytvrajcu funkciu mX (t) nhodnej premennej s norml-
pravdepodobnosti, X N (, ) vyjadrme:
nym rozdelenm
2
2 t2
t+
mX (t) = e 2 , pre tR
256 Kapitola 4. Nhodn premenn
4.4.6 Prklady
0 pre x < 3
F (x) = k x 1 pre 3 x < 6
1 pre x 6
Rieenie prkladov
[ ] 1
1 6
t t 2 ) = e3 = 0.0498
Pr(T > ) = e dt = e 1 = 0( e
2
1 2
2
3 6
Pr(X = 3) = e = 0.0892
3!
k 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
pk
36 36 36 36 36 36 36 36 36 36 36
1 q
E(X) = , D(X) =
p p2
1
Pr(|X E(X)| c )
c2
v
u 5
u
u 1
P |X 6| c u
6
t 1 c2
36
( ) 1
P |X 6| c 30 2
c
1 1
Ak polome c = 3, tak dostaneme 2 = 0.1111 a 1 2 = 0.8889:
c c
P (|X 6| 3 5.4772) 0.1111
Tento odhad je dos nepresn (poet hodov naprklad nebude nikdy -10),
a existuj aj presnejie odhady, s ktormi sa stretnete neskr.
260 Kapitola 4. Nhodn premenn
q
E(X) =
p
4.4 Uiton funkcie a vlastnosti nhodnch premennch 261
0.7
E(X) = = 2.33
0.3
Priblin poet derov, ktor sklo vydr, km sa rozbije je 2.33.
X X1
Y= =
2
( )
X1 0.76 1
Pr(X > 0.76) = P > = P (Y > 0.88) =
2 2
( )
X1 1.73 1
Pr(X < 1.73) = P < = P (Y < 0.365) = 0.642
2 2
( )
X1 0.76 1
Pr(X < 0.76) = P < = P (Y < 0.88) = 0.1894
2 2
( )
X1 1.88 1
Pr(X < 1.88) = P < = P (Y < 1.44) = 0.0749
2 2
0 pre x < 5
1/6 pre 5 x < 2
F (x) =
4/6 pre 2 x < 10
1 pre 10 x
Nadobda hodnoty:
xk -5 -3 -1 0 2 4 5 9 10 12
F (xk ) 1/6 1/6 4/6 4/6 4/6 4/6 4/6 4/6 1 1
4/6
1/6
-5 -2 0 10
Obr. 4.76: Distribun funkcia F (x) nhodnej premennej, ktor popisuje zisk
hra pri hre s kockou
0 pre x < 3
F (x) = k x 1 pre 3 x < 6
1 pre x 6
0 pre x<3
f (x) = F (x) = k pre 3x<6
0 pre x6
4.4 Uiton funkcie a vlastnosti nhodnch premennch 263
f (x) dx = 1
265
266 Kapitola 5. Ako predpoveda neastie (tret nepravdepodobn prbeh)
Pozcia - 2 -1 0 +1 +2
Krok Voda Mlo Mlo Mlo Voda
0.
1.
2.
. . . . . .
. . . . . .
. . . . . .
1 1 1
=
2 2 4
270 Kapitola 5. Ako predpoveda neastie (tret nepravdepodobn prbeh)
1 1 1
=
2 2 4
respektve do stredu sa z pozcie 1 vrtila tvrtina nmornkov. Tmto sme
zvili monosti druhho kroku z pozcie 1. Pokia prv krok viedol do pozcie
+1, situcia je rovnak, len symetricky prevrten. Do pozcie +2, a teda do
vody (z nho pohadu) na pravej strane mla sa dostal po dvoch zatackaniach
doprava, teda s pravdepodobnosou 1/4. A pokia sa po prvom kroku doprava
v druhom kroku vrtil doava, s pravdepodobnosou 1/4 sa vrtil na pozciu 0.
Nvrat na pozciu 0 cez pozcie 1 a +1 s ale dve udalosti, ktor nemaj (a
ani nemu) nasta sasne. Naopak s od seba nezvisl a nasta mohol len
jeden z nich. Preto celkov pravdepodobnos toho, e po 2 kroku je nmornk
op na pozcii 0 je 1/4 + 1/4 = 1/2 (alebo sa na tejto pozcii nachdza 1/2
pvodnej skupiny).
Teraz mme vyplnen cel riadok po druhom kroku. Vidme, e vo vode
(na jednej alebo druhej strane) sa nmornk nachdza s pravdepodobnosou:
1 1 1
+ =
4 4 2
Dlhodobo by preto mal do vody po druhom kroku spadn v kadom druhom
experimente. Pokia sme sledovali pohyb jednej skupiny, po druhom kroku je
z nej vo vode u polovica. Naopak, po druhom kroku sa s pravdepodobnosou
1/2 nachdza nmornk op v strede mla na pozcii 0. Podobne by sa tam
nachdzala 1/2 z pvodnej skupiny nmornkov.
Nasledujce riadky zodpovedajce alm krokom s vytvran podobnm
spsobom. Pri kadom kroku sa pravdepodobnos miesta pobytu nmornka,
respektve poet nmornkov v skupine del na polovice. Takto meme vypa
alie riadky. Po uritej dobe si zaneme vma urit zkonitosti. Vidme
naprklad, e tabuka je symetrick poda osi, zodpovedajcej pozcii nula.
Pre pozcie +1 a 1 teda dostvame rovnak hodnoty, podobne aj pre pozcie
+2 a 2. Pdy do vody na pravej a avej strane mla sa preto vyskytuj
rovnako asto a v ste dvaj pd do vody ako tak.
alej je vidie, e po neprnom pote krokov sa nmornk (nmornci)
nachdza v pozcii +1 a 1 a nehroz mu pd do vody. Do vody sa pad po
prnom pote krokov, priom do vody sa (v ste na oboch stranch) pad s
rovnakou pravdepodobnosou, s akou sa nmornk vrti do stredovej pozcie 0.
5.1 O opitom nmornkovi a zruinovanch hazardroch 271
Pozcia - 2 -1 0 +1 +2
Krok Voda Mlo Mlo Mlo Voda
...
2n 1/2n+1 1/2n 1/2n+1
2n+1 1/2n+1 1/2n+1
. . . . . .
. . . . . .
. . . . . .
1 1
=
2L K
22
Vsledok si meme overi na tabuke s prvmi 8 krokmi.
Aj odpove na druh otzku ahko njdeme v tabukch. Musme si len
uvedomi, e pokia sa ptame na pravdepodobnos pdu do vody, je potrebn
spota pravdepodobnosti pdu na avej a pdu na pravej strane mla. Prav-
depodobnos pdu do vody po K =2L krokoch je preto:
1 1 1 1
+ = L =
2L+1 2L+1 2 K
22
Vdy po prnom kroku je preto rovnak pravdepodobnos toho, e sa nm
ocitneme vo vode a toho, e zostaneme na mle (a to v jeho strede). Pri nasle-
dujcom neprnom kroku je pravdepodobnos pdu do vody nulov. Pravdepo-
dobnos zotrvania na mle je rovnak, rozdel sa ale na dve polovin hodnoty
zodpovedajce pozcii +1 alebo 1.
Tretia otzka je u zloitejia. Ak nmornk urobil pred pdom do vody po
mle najviac K krokov, znamen to, e do nej spadol po K-tom alebo niektorom
z predchdzajcich krokov. Vieme tie, e k pdu dolo len pri niektorom z
prnych krokov, a e do vody sa d spadn len raz. Pravdepodobnos pdu do
vody najneskr po K = 2L krokoch je preto stom pravdepodobnost pdu do
vody po 2, 4, 6, . . . , K alebo aj 21, 22, 23, . . . 2L krokoch. Z predchdzajceho
ale vieme, e teda pjde o set:
1 1 1 1
+ + + + L
21 22 23 2
1 1 3 1 1 1 7
+ = , + + =
2 4 4 2 4 8 8
1 1 1 1 15
+ + + =
2 4 8 16 16
5.1 O opitom nmornkovi a zruinovanch hazardroch 273
1 1 1 1 2L 1 2K/2 1
+ + + + = =
21 22 23 2L 2L 2K/2
Komu uveri nesta, me si vzah dokza naprklad upravenm stu zlomkov
na spolon menovate a oplat sa poui aj matematick indukciu.
V kadom prpade pravdepodobnos toho, e do vody spadneme naprklad
najneskr po 20 krokoch je:
210 1 1023
=
210 1024
Opakom tejto udalosti je udalos, e po 20 krokoch sme ete stle na mle.
Kee iadna in monos u neexistuje, pravdepodobnos zotrvania na mle
po 20 krokoch je:
1023 1
1 =
1024 1024
Tento vsledok sce u poznme z odpovede na prv otzku, teraz ale jas-
nejie vidme, ako s navzjom prepojen pravdepodobnosti pdu do vody a
zotrvania na mle.
Toto vyuijeme pri odpovedi na posledn otzku. Opakom udalosti, e n-
mornk sa udr na mle vene je udalos, e niekedy, po ubovonom (prnom)
pote krokov do vody spadne. Tieto dve udalosti sa navzjom vyluuj a zro-
ve dopaj. Set ich pravdepodobnost je preto jedna a ak poznme jednu
z nich, ahko urme aj druh. Miesto hadania pravdepodobnosti toho, e z
mla nikdy nespadneme, meme uri pravdepodobnos, e z mla niekedy
spadneme. K tomu nm sta rozri vahy z predchdzajceho odseku. Ak
niekedy z mla spadneme, znamen to, e z neho spadneme po 2, 4, 6, 8, . . . , 2L,
2L + 2, . . . krokoch. Rozdiel je v tom, e zoznam" riskantnch krokov nekon
"
pri 2L, ale pokrauje do nekonena. Stle ale plat, e iadne z udalost pd
"
do vody po n krokoch" nemu nasta sasne. Celkov pravdepodobnos, e
nastala niektor z nich, je preto stom jednotlivch pravdepodobnost, ktor
u poznme. Jej hodnota je preto:
1 1 1 1 1
+ + + + L + L+1 + . . .
21 22 23 2 2
Ide sce o nekonen set, ale naastie dobre znmeho geometrickho radu
s koecientom 1/2. My sme sa mu podrobnejie venovali v rozprvan o Anike,
v kapitole 3. Na vpoet je mon vyui postupy z uvedenej kapitoly.
274 Kapitola 5. Ako predpoveda neastie (tret nepravdepodobn prbeh)
Tento pecilny rad ale umouje uri jeho hodnotu aj inou vahou. Pred-
stavte si, e mte vemi radi okoldu. Pri otvoren novho balenia sa rozhod-
nete riadi tto svoju zvislos a konzumova ju s uritm obmedzenm. Kad
de si z okoldy odhryznete len raz, a vdy to bude presne jedna polovica z
toho, o vm z okoldy zostalo. Ako bude vyzera vaa konzumcia v jed-
notliv dni, a podarilo sa vm skutone redukova jej rozsah? ahko vidie,
e prv zjeme 1/2 okoldy, druh de bude polovica z polovice predstavova
1/4 (a presne toko nm aj zostalo), al de 1/8 at. Pokia chceme zisti,
koko okoldy zjeme celkovo, musme tieto hodnoty sta. Tm sa ale op
dostvame k stu:
1 1 1 1 1
1
+ 2 + 3 + + L + L+1 + . . .
2 2 2 2 2
Jeho hodnotu ale teraz urme vahou. Po prv, urite nm nie je treba viac
ako jedna okolda. Systm konzumcie zabezpeuje, e po kadom dni nm
zostal ete ksok z pvodnej okoldy a nie je treba rozbaova nov. Na druhej
strane, pokia by sme mali menej ako jednu cel okoldu, po uritom pote
dn by sme zostali o hlade. Po L doch sme toti zjedli:
1 1 1 1 2L 1
+ + + + =
21 22 23 2L 2L
z pvodnej okoldy, a je vidie, e tto hodnota sa s rastcim L me ubo-
vone pribli k hodnote 1.
Viacermi spsobmi sme tak dospeli k tomu, e pravdepodobnos pdu do
vody je 1. Komplementrna pravdepodobnos udrania sa na mle navdy"
"
je preto 0. Vsledok je teda jasn, udra sa na mle vene nie je mon a je
ist, e raz nmornk do vody spadne.
- 2 -1 0 +1 +2
512
256 256
128 256 128
128 128
64 128 64
64 64
32 64 32
. . . . .
. . . . .
. . . . .
1408 22
= = 3.1428
448 7
Rozdiel od presnej hodnoty teraz spsobuje u len 64 nezartanch n-
mornkov, ktor s stle nad hladinou. Pokia pokraujeme v tomto postupe
(meme si pomc kalkulakou alebo tabukou v MS EXCEL), okolo 20-teho
kroku sa u zskavan hodnoty ustlia a blia sa k presnej priemernej hodnote.
276 Kapitola 5. Ako predpoveda neastie (tret nepravdepodobn prbeh)
1 1 1 1 1 1 1
2 1 + 4 2 + 6 3 + 8 4 + + 2L L + (2L + 2) L+1 + = 2i i
2 2 2 2 2 2 2
i=1
1 1 1 1 1
2 1
+ 4 2 + 6 3 + 8 4 + + 2L L + =
2 2 2 2 2
( )
1 1 1 1 1
=2 + 2 + 3 + 4 + + L + . . . =
21 22 23 24 2L
1 1 1 1 1
= 2( 1
+ 2 + 3 + 4 + + L + +
2 2 2 2 2
1 1 1 1
2
+ 3 + 4 + + L + +
2 2 2 2
1 1 1
3
+ 4 + + L + +
2 2 2
1 1
+ + L + +
24 2
...) =
( )
1 1 1 1
= 2 1 + + + + + L + ... =22=4
2 4 8 2
K vsledku sme samozrejme mohli djs aj pouitm prslunho vzorca.
V kadom prpade, tackajci sa nmornk prejde po mle v priemere 4 kroky.
5.1 O opitom nmornkovi a zruinovanch hazardroch 277
Pozcia - 2 -1 0 +1 +2
Krok Voda Mlo Mlo Mlo Voda
0. 1
1. 1/3 2/3
2. 1/9 4/9 4/9
3. 4/27 8/27
4. 4/81 16/81 16/81
5. 16/243 32/243
6. 16/729 64/729 64/729
. . . . . .
. . . . . .
. . . . . .
5/9, op zjeme 5/9 zo zvyku okoldy. Inmi slovami, zvolili sme stratgiu
zjes kad de 5/9 z toho, o nm z okoldy ostalo. V rieen lohy 5.1.4
sme rozoberali, preo na nekonen konzumciu tmto spsobom potrebujeme
presne jednu okoldu.
Ak sa vrtime sp k nmornkom, tento vsledok znamen, e ani kapitn
Silver sa na mle neudr vene a je ist, e niekedy skon v mori. Vhodou je
dreven noha, ktor mu pome udra sa na hladine. Hadanie priemernho
potu jeho krokov po mle u nechme na usilovnos itateov. T, ktor ho
zvldnu, zskaj aliu uiton sksenos s vpotom zloitch radov.
n + 1.
N hr ale m aj druh monos. Ak partiu prehr, prejde do stavu n1
a pravdepodobnos bankrotu sa zmen na Pn1 . Stav n teda prejde v pomere
p ku 1p do stavov n+1 a n 1. Podobne sa pvodn pravdepodobnos Pn
transformuje do pravdepodobnost Pn+1 a Pn1 , priom hodnoty p a 1p by
op mali uri pomer ich zmieania". Malo by teda plati, e:
"
Pn = p Pn+1 + (1 p) Pn1
1 1
P3 = P4 + P2
2 2
Rieenie: Rieenie spova len vo vpote. Z tchto piatich hodnt toti u dve
poznme (P0 = 1 a P4 = 0) a na urenie zvynch mme tri rovnice. Dosame
najskr do prvej a poslednej rovnice znme hodnoty, dostaneme:
1 1 1
P1 = P2 + P3 = P2
2 2 2
Tieto vyjadrenia P1 a P2 meme dosadi do prostrednej rovnice, ktor sa
zmen na:
1 1 1 1 1 1 1 1 1 1
P2 = P2 + ( P2 + ) = P2 + P2 + = P2 +
2 2 2 2 2 4 4 4 2 4
Z tejto rovnice u ahko vypotame, e P2 = 1/2 a sptnm dosadenm
P1 = 3/4 a P3 = 1/4. Celkovo teda mme
3 1 3
P0 = 1, P1 = , P2 = , P3 = , P4 = 0
4 2 4
Rieenie: Stavov teraz mme o jeden viac, potrebujeme preto uri hodnoty
P0 , P1 , P2 , P3 , P4 a P5 . Op vieme, e P0 = 1 a P5 = 0. Na urenie zvynch
tyroch hodnt zostavme 4 rovnice. Treba si uvedomi, e k stavu s menej
dolrmi teraz prechdzam s pravdepodobnosou 2/5 a dolr vyhrm s pravde-
podobnosou 3/5. Rovnice teda bud vyzera takto:
5.1 O opitom nmornkovi a zruinovanch hazardroch 285
3 2 3 2
P1 = P2 + P0 = P2 +
5 5 5 5
3 2
P2 = P3 + P1
5 5
3 2
P3 = P4 + P2
5 5
3 2 2
P4 = P5 + P3 = P3
5 5 5
Do prvej a poslednej sme u aj dosadili znme hodnoty P0 a P5 . Dosadenm
prvej rovnice do druhej a poslednej do predposlednej dostaneme dve rovnice s
neznmymi P2 a P3 , ktorch dorieenie u nechme na itatea.
D0 = 0 a DN = 0. Dn1 , Dn a Dn+1 op
Vzjomn vzah pre hodnoty
vychdza z toho, e zo stavu n p zo vetkch zpasov prejde
po jednej partii
do stavu n1, z ktorho sa skon priemerne po Dn1 partich a (1p) zpasov
prejde do stavu n + 1 a bude pokraova priemerne ete Dn+1 partiami. Vo
vzjomnom vzahu musme zapota aj jednu partiu, ktorou sme preli medzi
stavmi. Plat preto:
Dn = p (1 + Dn+1 ) + (1 p) (1 + Dn1 )
loha 5.1.15 Vypotajte hodnoty Dn pre situciu z loh 5.1.9 a 5.1.12, teda
pre N = 4 a p = 1/2.
1 1 1 1
D1 = (1 + D2 ) + (1 + D0 ) = (1 + D2 ) +
2 2 2 2
1 1
D2 = (1 + D3 ) + (1 + D1 )
2 2
1 1 1 1
D3 = (1 + D4 ) + (1 + D2 ) = + (1 + D2 )
2 2 2 2
Ke vrazy pre D1 a D3 z prvej a poslednej rovnosti dosadm do prostrednej,
dostaneme:
1 3 1 1 3 1
D2 = ( + (1 + D2 )) + ( + (1 + D2 ))
2 2 2 2 2 2
a z toho po prave D2 = 4. Potom u meme dopota D1 = 3 a D3 = 3.
1+1+1+9
=3
4
o presne zodpoved njdenej hodnote D3 . Meme sa tei, e sme nali
sprvnu odpove? Len dovtedy, km si nevimneme, e rovnako spokojn by
sme boli aj s hodnotou 2 pre vazn a 6 pre prehran zpasy. Pretoe aj:
2+2+2+6
=3
4
Potom ns mono napadne, e aj:
4 4 4
+ + +8
3 3 3 =3
4
alebo:
2.5 + 2.5 + 2.5 + 4.5
=3
4
Z toho sa u d tui aj veobecn zver. Na zklade hodnt D3 a P3 m-
eme len poveda, e priemern dka vyhranch zpasov je 3 a a prehranch
zpasov 3+3a pre kad hodnotu a medzi 0 a 3. Pre ktor a dostaneme
sprvnu odpove, musme zisti lepmi metdami.
To u ale je in rozprvanie. . .
288 Kapitola 5. Ako predpoveda neastie (tret nepravdepodobn prbeh)
Kapitola 6
Nhodn proces
Pri rieen loh v kapitole 5 o opitom nmornkovi, sme pouili apart, ktor
nm umonil popis vvoja pravdepodobnosti v zvislosti od asu. Matematick
pojem, ktor tto zvislos popisuje sa nazva nhodn proces. Oznaujeme
ho X(t, ). Je to funkcia asu t a vsledku nhodnho pokusu . Keby sme
v tejto funkcii xovali nejak konkrtny as t0 , dostali by sme nhodn pre-
menn. Keby sme v tejto funkcii xovali nejak konkrtnu realizciu nhody"
"
0 , dostali by sme deterministick funkciu asu.
289
290 Kapitola 6. Nhodn proces
teplota
as
Prklad 6.1.2 Teplotu v miestnosti, meran poas 24 hodn, ale iba kad
tvrt hodinu, meme povaova za jednu realizciu diskrtneho nhod-
nho procesu. Zznam z inch 24 hodn bude aj v tomto prpade in realizcia
nhodnho procesu.
teplota
t0 t1 t2 t3 t4 t5 t6
as
svetlo
tma
t0 t1 t2 t3 t4 t5 t6
as
zasvieten
zhasnut
t0 t1 t2 t3 t4 t5 t6 as
Pr(X(tk ) = i) = pi (tk )
pi,j (tk ) = pi,j (tl ) , pre vetky stavy i, j, a pre vetky asy tk , tl
I 1/2
II 1/4
III
1/2 1/4 3/4
1/2 1/4
IV V VI
( )
1 1 1
p(t1 ) = 0, , 0, , 0,
4 2 4
1 1 1 1 3
Pr(V IV I) + Pr(V II I) = + =
2 2 4 2 8
Podobne vypotame pravdepodobnosti pre ostatn miestnosti a dostaneme:
( )
3 1 3
p(t2 ) = , 0, , 0, , 0
8 4 8
2=1+1
1 1 1 1 1 1 3
pI (t2 ) = pII (t1 ) + pIV (t1 ) = + =
2 2 4 2 2 2 8
Ide vlastne o aplikciu vety o plnej pravdepodobnosti a presn zpis je nasle-
dujci:
1 1
pI (t2 ) = pI (t1 ) 0 + pII (t1 ) + pIII (t1 ) 0 + pIV (t1 ) + pV (t1 ) 0 + pV I (t1 ) 0
2 2
6.1 Klasikcia, popis a vlastnosti nhodnch procesov 295
1/2 1/4
I II 1/4 III
1/2
1/2 3/4
1/4 1/4
1/2
3/4
1/4
1/2
IV V 1/4
VI
1/2
p(t2 ) = p(t1 ) P
Veobecnejie
( )
1 1 1
p(t100 ) = , 0, , 0, , 0
3 3 3
V nasledujcom 100+1 kroku, teda po 101 prechodoch dvermi bude rozdelenie
pravdepodobnosti stavov reazca nasledujce:
( ) ( )
1 1 1 1 1 1
p(t101 ) = , 0, , 0, , 0 P = 0, , 0, , 0,
3 3 3 3 3 3
Rozdelenie pravdepodobnosti sa bude v kadom nasledujcom kroku meni.
D sa vak njs aj rozdelenie, ktor sa meni nebude. Takto rozdelenie
nazveme invariantn rozdelenie pravdepodobnosti stavov nhodnho re-
azca. V naom prpade je invariantnm rozdelenie:
( )
1 1 1 1 1 1
= , , , , ,
6 6 6 6 6 6
Invariantn rozdelenie sa nazva tak rozdelenie stavov nhodnho reazca,
ktor spa podmienku 6.1:
=P (6.1)
0.05 0.95
0.7
S Z
0.3
( )
0.7 0.3
P=
0.05 0.95
( )
0.505 0.495
p(t2 ) = p(t1 ) P = p(t0 ) P = (1, 0)
2
= (0.505, 0.495)
0.0825 0.9175
6.1 Klasikcia, popis a vlastnosti nhodnch procesov 299
( )
0.3782 0.6218
p(t3 ) = p(t2 ) P = p(t0 ) P = (1, 0)
3
= (0.3782, 0.6218)
0.1036 0.8964
( )
25 0.1429 0.8571
P =
0.1429 0.8571
( )
0.1429 0.8571
p(t25 ) = p(t0 ) P 25
= (1, 0) = (0.1429, 0.8571)
0.1429 0.8571
p(t26 ) = p(t25 ) P
slobodn
zenat
1
0.8
0.6
0.4
0.2
0 5 10 15
=P
S = 0.7 S + 0.05 Z
6.1 Klasikcia, popis a vlastnosti nhodnch procesov 301
Z = 0.3 S + 0.95 Z
S + Z = 1
Rieenm uvedenej sstavy rovnc dostvame
1 6
S = = 0.1429 S = = 0.8571
7 7
Vidme, e stabilizovan rozdelenie meme dosta dvoma spsobmi, bu
popisujeme vvoj reazca v ase a stabilizovan rozdelenie dostaneme vtedy,
ke sa pravdepodobnosti prestan meni. Druh monos je,
303
304 Kapitola 7. Ako predpoveda smolu (tvrt nepravdepodobn prbeh)
Poet
potomkov: 0 1 2 3 4 5 ...
Musme si uvedomi ete jednu dleit vlastnos riadkov tabuky. Ako sme
povedali, kad ppava kadho druhu po mesiaci vyschne a mus po sebe za-
necha urit (pripame aj nulov) celoseln poet potomkov. Tento jav je
teda ist a mus preto nasta s pravdepodobnosou 1. Tento jav (privies na
svet celoseln nezporn poet potomkov) ale meme rozdeli na jednotliv,
vzjomne sa vyluujce elementrne javy: ppava bude ma 0 potomkov, 1 po-
tomka, 2 potomkov, 3 potomkov at. Pravdepodobnosti tchto javov s sla,
ktormi je vyplnen riadok tabuky prslunho druhu. Kee tieto elemen-
trne javy sa navzjom vyluuj a zrove ich zjednotenm zskavame ist jav,
set ich pravdepodobnost, a teda aj siel v jednom riadku tabuky mus by
jedna. Tto vlastnos je dleit z pravdepodobnostnho hadiska a v rznych
variantoch sme sa s ou stretli aj v predchdzajcich rozprvaniach.
Pokia preskmame z tohto hadiska nau tabuku zistme, e vypsan sla
pre kad riadok u dvaj set 1. Tm sme zskali odpove aj na posledn
otzku tkajcu sa . . . ". Nekonen a nevypsan zvyok tabuky obsahuje
"
u len nuly a nie je preto zaujmav.
loha 7.1.2 Vimnime si ete raz sla v riadkoch jednotlivch druhov. Sksme
na ich zklade odpoveda na nasledujce tri otzky: ak je najmen, najv
a najastej poet potomkov kadej ppavy danho druhu? Vieme vdy njs
odpove a je vdy jednoznan?
Rieenie: U sme povedali, e povolenm potom potomkom zodpovedaj
kladn hodnoty pravdepodobnost a nepovolenm nulov. Najmen mon
poet potomkov preto zistme njdenm prvho stpca s nenulovou hodnotou
pravdepodobnosti v riadku prslunej ppavy. Kee set pravdepodobnost
v riadku je 1, nemu by vetky nulov. Pokia teda zaneme zava hada
prv nenulov hodnotu pravdepodobnosti, urite na tak narazme a tm aj
zskame odpove. V naej tabuke vetky druhy maj nenulov hodnotu u v
prvom stpci a pripaj teda monos 0 potomkov.
Najv poet potomkov naopak zodpoved poslednmu stpcu s nenulo-
vou hodnotou v riadku danho druhu. Mme aj v tomto prpade istotu, e
tak stpec vdy existuje? Pokia neexistuje, mus to znamena, e v riadku
sa nachdza nekonene vea nenulovch hodnt pravdepodobnosti (a spolu s
nimi prpadne aj ubovon mnostvo nulovch hodnt, ktor z tohto hadiska
nie s zaujmav). Tieto nenulov hodnoty ale musia v ste stle da len 1.
D sa to dodra, aj ke ich je nekonen poet?
7.1 O ppavch a kolonizcii Marsu 307
{ } { }
1 1 1 1 1
, , , ,... =
2 4 8 16 2n n=1
Druhy ppav z naej tabuky ale nie s natoko zloit a kad z nich m
najvy mon poet potomkov 2, 3 alebo 4.
Druh otzka je, i pre kad druh njdeme aspo jeden najastej poet
potomkov. Teda i v riadku vdy njdeme aspo jednu maximlnu hodnotu
pravdepodobnosti. To vbec nie je samozrejm. Pokia postupnos rastie, nem
najv prvok. Jej leny pritom mu osta zhora aj zdola ohranien, napr-
klad (ako to pre pravdepodobnosti potrebujeme) hodnotami 1 a 0. Prkladom
308 Kapitola 7. Ako predpoveda smolu (tvrt nepravdepodobn prbeh)
je postupnos:
{ } { }
1 2 3 4 n1
, , , ,... =
2 3 4 5 n n=1
alebo { } { }
9 99 999 10n 1
, , ,... =
100 1000 10000 10n+1 n=1
loha 7.1.3 Ako by sa dal uri najmen mon a najv mon poet po-
tomkov jednej ppavy po jednom roku? D sa podobne uri najmen a najv
poet potomkov 10 ppav (jednho druhu) po 2 rokoch alebo sto rovnakch ppav
po 10 rokoch?
Ne pristpime k rieeniu, dohodnime sa, e za 1 mesiac ivota ppavy
budeme povaova obdobie od prvho da jednho mesiaca po prv de na-
sledujceho mesiaca vtane. (Pre detailistov od poludnia po poludnie.) Me-
siac ivota jednej ppavy teda zana prvm dom jej vegetanho obdobia
a kon prvm dom ivota jej potomstva. Zodpovedajco rok ivota ppavy
kon prvm dom nasledujceho roku, teda tesne po 12 rozmnoen (respek-
tve rozmnoen predposlednej genercie) vzniknutej rodinky". Poet lenov
"
7.1 O ppavch a kolonizcii Marsu 309
Rieenie: Pre lepiu predstavu zanime najskr skma najv poet potom-
kov. Pre jednu ppavu druhu A s to naprklad 3 potomkovia. Po prvom
mesiaci je teda najv poet potomkov 3. o ns ak po druhom mesiaci?
Kee aj potomkovia sa rozmnouj poda rovnakej tabuky, kad z nich
me op ma najviac 3 potomkov a spolu teda 3.3 = 32 = 9 potomkov.
Po druhom mesiaci je teda najv poet
2
potomkov 3 = 9. Po treom me-
siaci me ma zase kad z nich najviac 3 potomkov, take celkovo ich bude
9.3 = 33 = 27. al mesiac ich zase bude 3-krt viac a tak alej.
Ke si porovnme poet mesiacov a prslun exponent nad trojkou, vi-
dme, e sa presne zhoduj. Po n 3n . Po
mesiacoch je teda poet potomkov
jednom roku bude ma jedna ppava druhu A maximlne 3
12 = 531441, teda
viac ako pol milina potomkov. Podobne na tom bude aj ppava druhu B a F .
Druhy C , D a G s na tom v maximlnom pote potomkov horie. Kee ma-
ximlny poet potomkov jednej ppavy je 2, po roku bude ma ppava najviac
212 = 4096 potomkov. Naopak ppava druhu E s najvm potom potom-
kov 4 sa me v najpriaznivejom prpade tei na 412 = 16777216 potomkov.
Rozdiely v pote potomkov po roku s prekvapujce, ale tak je sprvanie
exponencilnych funkci a ich zvislos od zkladu.
Exponencilna funkcia je aj veobecnm rieenm lohy. Pokia ozname
maximlny poet potomkov M a minimlny m, po n mesiacoch me ma
n
ppava najmenej m a najviac M n potomkov. Princp zostva rovnak s je-
dinou vnimkou. Pokia je najmen poet potomkov 0, je nula aj najmen
mon poet potomkov po roku (a aj po kadom inom mesiaci). Meme sa
k nej ale dopracova viacermi rznymi spsobmi. Na jednej strane me ma
nula potomkov u prv ppava a zvynch 11 mesiacov hadme na spoahlivo
przdnu zhradku. Opan extrm je, ke sa matersk ppava 11 mesiacov
spene rozmnoovala (mono mala aj maximlny poet M 11 potomkov) a a
v poslednom, 12.mesiaci si kad z nich vybral najhor, teda nulov poet
potomkov. To, e nulov poet potomkov m sasne v poet ppav je ale
samozrejme menej pravdepodobn, ako e sa to prihod len jednej.
Zostva nm ete vyjasni, ako sa vyvja poet potomkov nie jednej, ale
viacerch ppav. Aj tu je ale odpove jednoduch. Pokia mme na zaiatku
viac ppav jednho druhu, kad jedna z nich m po n mesiacoch svoj, ale
pre vetky rovnak maximlny alebo minimlny poet potomkov M n a mn .
Toto slo preto sta vynsobi potom ppav. Desa ppav druhu A m preto
310 Kapitola 7. Ako predpoveda smolu (tvrt nepravdepodobn prbeh)
S mn potomkov.
loha 7.1.5 Koko potomkov bude ma po jednom mesiaci kolnia 100 ppav
jednho druhu? Ak by bol vsledok pre 1000 alebo pre 10 ppav? Maj zskan
vsledky interpretciu aj pre poet potomkov jedinej ppavy?
Rieenie: Sksme najskr vyriei lohu pre 100 ppav druhu A. Na zklade
pravdepodobnost z prvho riadku tabuky by polovica z nich, teda 50, malo
ma nula potomkov. Dve desatiny, teda 20, by malo ma 1 potomka. Tak isto
2/10, teda alch 20, by malo ma 2 potomkov. A napokon 1/10, teda 10, bude
ma 3 potomkov. Meme skontrolova, e sme zobrali do vahy vetkch 100
ppav. Spolu maj 50 0 + 20 1 + 20 2 + 10 3 = 90 potomkov. Pre 100 ppav
druhu B by sme rovnakm postupom prili k vsledku 400+201+202+203 =
120 potomkov.
Ako by to bolo v prpade 10 alebo 1000 ppav? Op meme zvi, koko
z nich by vzhadom na uveden pravdepodobnosti malo 0, 1, 2, . . . potomkov
a zopakova vpoet. Pre 10 ppav druhu A by nm tmto spsobom vylo
5 0 + 2 1 + 2 2 + 1 3 = 9 potomkov, pre 1000 ppav druhu B by sme dostali
400 0 + 200 1 + 200 2 + 200 3 = 1200 potomkov.
K tmto vsledkom sa ale dalo dosta jednoduchie. Desa je 10-krt menej
ako 100, preto aj potomkov bude 10-krt menej, teda 90/10=9. A naopak 1000
je 10-krt viac ako 100, potomkov teda bude 120 10 = 1200.
Toto je zrove cesta k ureniu
typickho" potu potomkov jedinej p-
"
pavy. Jedna ppava je 100-krt menej ako 100. Pre ppavu A by teda mal
by 90/100 = 0.9 potomka a pre ppavu B 120/100 = 1.2 potomka. Ako ale
mme tomuto slu rozumie? M vbec zmysel? iadna z ppav predsa nikdy
nebude ma 0.9 alebo 1.2 potomka, vdy to bude cel slo!
Napriek tomu tieto sla svoj vek vznam maj. Pozrime sa na potanie
potomkov 100 ppav ete raz. Teraz ale nie ako na jeden experiment s vea
ppavami, ale ako na 100 experimentov s jednou ppavou. T mala niekedy
0 potomkov, niekedy 1, 2, 3 at. Pokia ns zaujma typick poet potomkov
jednej ppavy, dostali sme na nau otzku zatia sto (celoselnch) odpoved.
Ako tieto vsledky zhrn do jedinho sla? Klasickou a v tomto prpade aj
sprvnou odpoveou je ich aritmetick priemer. Nu a ten m pre ppavu A
hodnotu:
50 0 + 20 1 + 20 2 + 10 3 90
= = 0.9
100 100
312 Kapitola 7. Ako predpoveda smolu (tvrt nepravdepodobn prbeh)
a pre ppavu B:
40 0 + 20 1 + 20 2 + 20 3 120
= = 1.2
100 100
Zhoda vsledkov, ako vidie z porovnania vpotov, urite nie je nhodn.
Tto hodnota nm teda uruje priemern poet potomkov jednej ppavy.
Spsob, akm sme zskali vsledok, by nm mal by povedom. Problmu,
ako z vsledkov pokusov so znmymi pravdepodobnosami zska jednu seln
charakteristiku, sme sa u venovali v rozprvan o Anike a jej dbne. Tu zs-
kan vsledok je len zopakovanm v om rozpracovanho postupu. Priemern
poet potomkov sme nazvali ven priemer a meme si pripomen aj tret
spsob, ako ho vypota:
alebo:
0.4 0 + 0.2 1 + 0.2 2 + 0.2 3 = 1.2
Zskan vsledky vyzeraj vemi ndejne. Navye ich meme vyui pri
rieen alch loh. Kov rolu pritom zohrva posledn, na prv pohad
najmenej praktick daj o priemernom pote potomkov jednej ppavy.
Pre istotu si ete pripomeme, e vsledky s zaloen na hodnotch prav-
depodobnosti uritch javov. Nie s preto presn, ale skr predpokladan alebo
oakvan. Sto ppav druhu A nem vdy 90 potomkov (podobne ako pri 60
hodoch kockou nepadne estka vdy 10 krt). Me ich ma viac aj menej. Sku-
ton hodnoty by sa ale mali pohybova okolo sla 90. A pokia by sme ich
sledovali a evidovali dlhodobo, k slu 90 by sa op blil (a teraz u presne) ich
priemer. V tomto zmysle je treba potu potomkov rozumie aj v pokraovan
prbehu.
100, 100 0.9, 100 0.92 , 100 0.93 , 100 0.94 , 100 0.95 , . . .
loha 7.1.7 Vytvorme pre naich 7 druhov ppav aliu tabuku. Pre kad
z druhov vypotajme na zklade tabuky pravdepodobnost najskr jeho prie-
mern poet potomkov, teda ven priemer. Potom, aby sme videli, ako toto
slo pracuje "v praxi", pre populciu 10 jedincov kadho druhu vypotajme,
koko potomkov bude z nich vzniknut rodina ma postupne po 1, 2, 3, 6, 12
a 24 mesiacoch. Ete predtm len na zklade venho priemeru mete pre
zaujmavos sksi odhadn, ak bud rozdiely v pote potomkov po 2 rokoch.
Po vyplnen celej tabuky porovnajte svoj odhad so skutonm vsledkom. Viete
popsa niektor zvislosti priemeru a potu potomkov?
Ako dopadli vae odhady? Obrovsk nskok druhu E asi prekvapil kadho.
Vidme aj zkladn zvislosti medzi priemerom a potom potomkov. m vy
priemer, tm vy poet potomkov. Pokia je priemer 1, poet lenov popul-
cie je nemenn. Ak je priemer men ako jedna, poet potomkov sa zmenuje.
7.1 O ppavch a kolonizcii Marsu 315
loha 7.1.8 Ktor z vypestovanch druhov ppav je najlepie poui pre ko-
lonizciu Marsu a zmenu zloenia jej atmosfry?
0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 0.4 = (0.4)10 = 0.0001048576
31 a pol potomka, teda pribline 18-krt menej ako pri druhu E) je pravdepo-
dobnos vyhynutia celho desalennho vsadku" po prvom mesiaci len:
"
(0.2)10 = 0.0000001024
Rieenie: Pre vpoet V2 sme pouili v lohe 7.1.9 opakovane nasledujci vzo-
rec:
V2 = p0 + p1 V1 + p2 (V1 )2 + p3 (V1 )3 + p4 (V1 )4 + p5 (V1 )5 + = pi (V1 )i
i=0
V3 = p0 + p1 V2 + p2 (V2 ) + p3 (V2 ) + p4 (V2 ) + p5 (V2 ) + =
2 3 4 5
pi (V2 )i
i=0
V4 = p0 + p1 V3 + p2 (V3 ) + p3 (V3 ) + p4 (V3 ) + p5 (V3 ) + =
2 3 4 5
pi (V3 )i
i=0
Vn+1 = p0 +p1 Vn +p2 (Vn )2 +p3 (Vn )3 +p4 (Vn )4 +p5 (Vn )5 + = pi (Vn )i
i=0
loha 7.1.11 Vypotajte pre nae druhy ppav pravdepodobnos ich vyhynu-
tia za 1, 2, 3, 6, 12 a 24 mesiacov a zapte ich do tabuky. Vyberte na jej
zklade lepiu (ivotaschopnejiu) z ppav B a D.
loha 7.1.12 Skste podobne ako v lohe 7.1.10 pomocou analzy prvho kroku
zostavi rovnicu pre vpoet hodnoty V .
V = p0 + p1 V + p2 V + p3 V + p4 V + p5 V + =
2 3 4 5
pi V i
i=0
Inou monosou bolo vyjs zo vzahu Vn+1 = pi (Vn )i , ktor ke plat
pre vetky Vn , mus plati aj pre ich existujcu limitu.
Vyhynie Preije
Druh A(0.9) 1 0
Druh B(1.2) 0.73 0.27
Druh C(1.1) 0.75 0.25
Druh D(1.2) 0.5 0.5
Druh E(1.4) 0.65 0.35
Druh F(1.0) 1 0
Druh G(1.1) 0.66 0.34
venho" preitia populcie ppav. Tak dlho predsa nebude trva ani vznam
"
Marsu, ani vesmr samotn. Pre ns by mali by zaujmav len hodnoty Vn v
horizonte desiatok, maximlne stoviek rokov.
Hodnota V nm ale dva informciu, k akmu slu sa hodnoty Vn blia
a nikdy ju nepresiahnu. Z numerickho hadiska je pritom hodnota V dobrm
a presnm odhadom hodnt Vn . U pre relatvne mal hodnoty n, teda po
niekokch rokoch, sa v podstate zhoduj.
loha 7.1.14 Ktor z vypestovanch druhov ppav je najlepie poui pre ko-
lonizciu Marsu a zmenu zloenia jeho atmosfry? Poznme jednoznan od-
pove?
Literatra
[3] http://www.math.uah.edu/stat/applets/GaltonBoardExperiment.xhtml
University of Alabama in Huntsville: The Galton Board Experiment
[4] R.HARMAN, E.HNSCHOV, J.SOMORK: Zbierka loh zo zkladov
terie pravdepodobnosti, PACI 2009, ISBN: 978-80-89186-53-2
[5] R.L.GRAHAM, D.E.KNUTH, O.PATASHNIK: Concrete Mathematics,
AddisonWesley, 1994, 657 pp, ISBN: 0201558025
[12] C.F.WHITAKER:
"Ask Marilyn" column, Parade Magazine p. 16 (9. sep-
tember 1990)
323
324 Literatra
325
326 Register
rozdiel mnon, 27
rozklad mnoiny, 75
varicie, 31
varicie s opakovanm, 31
veta o plnej pravdepodobnosti, 75
vlastnosti pravdepodobnosti, 29
z-rozdelenie, 198
zkon rozdelenia pravdepodobnosti, 128,
129
zkony vekch sel, 242
zvisl udalosti, 74
zabdanie na minulos, 247
zjednotenie mnon, 27
zloen udalos, 28