PaS Riadiaci Def4

See
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/273108671
Ako sa pota pravdepodobnos?
Book January 2010
CITATION READS
1 104
3 authors, including:
Hynek Bachraty Katarna Bachrat

University of ilina University of ilina
17 PUBLICATIONS 9 CITATIONS 21 PUBLICATIONS 11 CITATIONS
SEE PROFILE SEE PROFILE
Available from: Katarna Bachrat

Retrieved on: 31 October 2016
Hynek Bachrat, Marin Grendr, Katarna Bachrat

ILINSK UNIVERZITA V ILINE, Fakulta riadenia a informatiky
UNIVERZITA MATEJA BELA, BANSK BYSTRICA,
Fakulta prrodnch vied
Hynek Bachrat, Marin Grendr a Katarna Bachrat
Vedeck redaktor:
prof. Ing. Milan Dado, CSc.
Recenzovali:
doc. Ing. Ji Slavk, PhD.
M.Sc. Ondrej uch, PhD.
Vydalo vydavatestvo EDIS, ilina 2010
Tla:
ISBN:
c Hynek Bachrat, Marin Grendr, Katarna Bachrat

Obsah
vod 5
1 Ako predpoveda budcnos (prv nepravdepodobn prbeh) 11

1.1 O zabavench kartch a kolnii netopierov . . . . . . . . . . . . 11
2 Pravdepodobnos nhodnej udalosti 27

2.1 Mnoinov opercie, zkladn pojmy, kombinatorika . . . . . . 27
2.1.1 Otzky z terie . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.2 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2 tatistick, klasick a geometrick spsob vpotu pravdepo-
dobnosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.2.1 Otzky z terie . . . . . . . . . . . . . . . . . . . . . . . 57
2.2.2 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.3 Podmienen pravdepodobnos, nezvisl udalosti, veta o plnej
pravdepodobnosti . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.3.1 Otzky z terie . . . . . . . . . . . . . . . . . . . . . . . 77
2.3.2 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.4 Bayesov vzorec, Bernoulliho nezvisl pokusy . . . . . . . . . . 90
2.4.1 Otzky z terie . . . . . . . . . . . . . . . . . . . . . . . 95
2.4.2 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3 Ako predpoveda as (druh nepravdepodobn prbeh) 107

3.1 Ako dlho sa chod s dbnom po vodu? . . . . . . . . . . . . . . 107
4 Nhodn premenn 125

4.1 Popis nhodnej premennej . . . . . . . . . . . . . . . . . . . . . 125
4.1.1 Rozdelenie pravdepodobnosti . . . . . . . . . . . . . . . 125
4.1.2 Nhodn premenn . . . . . . . . . . . . . . . . . . . . . 126
4.1.3 Otzky z terie . . . . . . . . . . . . . . . . . . . . . . . 140
3
4 Obsah
4.1.4 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 152

4.2 Diskrtne rozdelenia pravdepodobnosti . . . . . . . . . . . . . . 162
4.2.1 Otzky z terie . . . . . . . . . . . . . . . . . . . . . . . 170
4.2.2 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
4.3 Spojit rozdelenia pravdepodobnosti . . . . . . . . . . . . . . . 187
4.3.1 Otzky z terie . . . . . . . . . . . . . . . . . . . . . . . 203
4.3.2 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
4.4 Uiton funkcie a vlastnosti nhodnch premennch . . . . . . 227
4.4.1 Distribun funkcia nhodnej premennej . . . . . . . . . 227
4.4.2 Momentov vytvrajca funkcia nhodnej premennej . . 231
4.4.3 Typick chovanie . . . . . . . . . . . . . . . . . . . . . . 236
4.4.4 Zabdanie . . . . . . . . . . . . . . . . . . . . . . . . . . 242
4.4.5 Otzky z terie . . . . . . . . . . . . . . . . . . . . . . . 248
4.4.6 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
5 Ako predpoveda neastie (tret nepravdepodobn prbeh) 265

5.1 O opitom nmornkovi a zruinovanch hazardroch . . . . . . . 265
6 Nhodn proces 289

6.1 Klasikcia, popis a vlastnosti nhodnch procesov . . . . . . . 289
7 Ako predpoveda smolu (tvrt nepravdepodobn prbeh) 303

7.1 O ppavch a kolonizcii Marsu . . . . . . . . . . . . . . . . . . 303
Literatra 323
vod
V tejto uebnici chceme pomocou rieench loh ukza tudentom bakalr-

skeho stupa technickch vysokch kl, e je v ich silch zvldnu aj zklady
menej obbenej matematickej disciplny, akou je pravdepodobnos. Ke hovo-
rme zvldnu, nemme na mysli vykonanie skky z tohto predmetu, aj ke
je mon, e aj to sa itateom, ktor tto oblas matematiky zvldnu, pri-
hod. Nam hlavnm cieom je naui tudentov pracovn metdy, postupy,
techniky a mylienkov experimenty, ktor im bud uiton pri alom t-
diu, pri spracovan zverenej prce alebo neskr v zamestnan. Za dleit
autori povauj aj podporu spsobu myslenia, vaka ktormu sa itate bude
mc lepie orientova v zmesi informci, reklm, presviedania a navdza-
nia, ktormu mus sasn genercia eli. Na pochopenie spomnanch cieov
uvedieme prklady inpirovan vemi peknou knihou [1]:
Prklad 1 Naprost vina ud m nadpriemern poet rk.

Napriek tomu, e tvrdenie znie vemi udne, je naozaj pravdiv. Sta sa chvu
zamyslie a aj iaci zkladnej koly prisvedia, e je to pravda a e priemern
poet rk na loveka je naozaj trochu menej ako dve. Preto je pravda, e dve
ruky s nadpriemern poet.
No a teraz uvaujme nad vrokom politika, ktor sme pouli v televznej relcii.
Tvrdil, e vina Slovkov m podpriemern plat a e s tm treba nieo urobi.
Toto tvrdenie je tak excitujce, e by lovek danho politika rd podporil.
Nevieme, ak bola relna situcia, ke bola tto veta vysloven, presnejie
informcie toti v relcii uveden neboli. Urobme preto iba mylienkov pokus
a predstavme si, e vetci udia na Slovensku maj plne rovnak plat, len
dotyn politik m plat o 1000 eur vy ako ostatn. Vtedy naozaj vina
bude ma podpriemern plat.
A o me spomenut politik urobi, ak zska podporu a dostane lohu
zabezpei, aby vina Slovkov mala nadpriemern plat? Sta, ak zni svoj
plat tak, aby bol o 100 eur men, ako je priemern plat. Po takejto prave
5
6 vod
platov naopak vina Slovkov bude ma nadpriemern plat!
Uvaujme in lohu:
Prklad 2 Naden fanik zistil, e Slovan Bratislava premenil v priebehu

sezny zo 100 striel na brnu presne 42. Teda spenos Bratislavy je 42 %.
MHK ilina premenila zo 100 striel 37. spenos iliny je iba 37 %.
Poet glov Poet pokusov Vyjadren v percentch

ilina 37 100 37 %
Bratislava 42 100 42 %
Pozrime sa vak na tie ist vsledky detailnejie. Bratislava strelila 21 glov
z 50 pokusov, ke hrala na domcom ade a 21 glov z 50 pokusov, ke hrala u
21 42 21 42
spera. Jej spenos bola = = 42 % na domcom ade a = =
50 100 50 100
42 % ke hrala u spera.
42 % + 42 %
Teda priemern spenos Bratislavy je = 42 %.
2
ilina strelila 30 glov z 30 pokusov, ke hrala doma a 7 glov zo 70 pokusov,
30 7 10
ke hrala u spera. Jej spenos bola = 100 % doma a = = 10 %,
30 70 100
ke hrala u spera.
100 % + 10 %
Teda priemern spenos iliny je = 55 %.
2
Gly Pokusy Perc. Gly Pokusy Perc. Priem. sp.

doma doma u spera u spera v perc.
ZA 30 30 100 % 7 70 10 % 55 %
BA 21 50 42 % 21 50 42 % 42 %
Vidme, e sa sta trochu zamyslie, pozrie si vsledky detailnejie, chvu
pota a zrazu je ilina spenejia ako Bratislava.
Verme, e itateovi je jasn, e predchdzajce vahy boli uritm zjedno-
duenm. S ale ukkou toho, ako vemi sa skrvame za tatistick ukazovatele
a ako mlo sme ochotn o nich rozma. Verme, e po pretan tejto knihy si
itate bude vedie lepie predstavi nielen to, o sa za pravdepodobnostnmi
pojmami skrva, ale aj ako ich poui v praxi. A bude vedie lepie porozumie
a skontrolova, kedy a ako pravdepodobnos pouvaj in.
7
Pre koho je uebnica napsan

Z vyuovacch hodn mme sksenos, e sa tudentom asto podar vymyslie
aj obhji zaujmav, originlne a neakan rieenia mnohch loh. Vinou
vak u nie je as si tieto rieenia zapsa a mlokedy sa tudentom podar
zapamta si vetko, o sa na hodine udialo. Aj ke na vyuovan mylien-
kov kontrukcie chpali, doma u tudenti nemaj materil, poda ktorho
by pracovali a prpadne si zopakovali, o sa na cvien prebralo. Preto sme sa
rozhodli pripravi texty, ktor uahia tudentom prpravu na jednotliv tmy
a pomu im vraca sa k svojm npadom pri rieen loh.
Obsah uebnice pozostva z motivanch rozprvan, v ktorch sa buduj

niektor dleit pojmy a postupy, a komentovanho sboru gradovanch a
nadvzujcich loh, v ktorch je mon tieto pojmy a postupy vyui, po-
chopi a vzjomne prepoji. Jednotliv sady otzok k prednkam usmeruj
tudenta k pochopeniu zkladnch pojmov, sady prkladov na jednoduchch
lohch ukazuj pouitie vzorcov, na nronejch lohch komplikovanejie
spsoby rieenia.
Podrobnejie s rozpracovan hlavne tmy a pojmy, ktor robia tuden-

tom problmy. Detailne s vykonan postupy, ktor sa na prednkach urobi
nestihn kvli asovej nronosti, alebo urobi nemu, pretoe by kvli de-
tailom nebolo mon usledova hlavn mylienku. Preto naprklad odvodenie
charakteristk nhodnch premennch asto ostva na prcu doma. Pre mno-
hch bakalrov s vak technick postupy takchto vpotov nron a aj ke
sa ich poksia urobi, nemaj istotu, i ich potali sprvne. Detailn asti
nronejch loh s v tejto uebnici zaraden nie preto, aby sme tudenta
ntili podrobne sa ich ui, ale aby mal monos kontroly v prpade, e sa do
nronej lohy pust sm, alebo mohol na rieenie nadviaza, ke v budcnosti
bude potrebova upresni niektor jeho detail.
Tto uebnica je primrne napsan pre potreby bakalrskeho tdia pre

technick vysok koly, omu zodpoved jej obsah a obanos. Sli na prvotn,
intuitvne a nzorn pochopenie zkladnch pojmov a zkladnch metd, ako
pravdepodobnos funguje a ako sa pouva. Uebnica myselne neobsahuje cel
systematick budovanie terie, m stimulova tudenta k aktvnemu vnmaniu
prednok, m sli ako pomcka k prednkam, nie ich nhrada. Preto s v
uebnici poloen otzky z terie.
8 vod
Pre tudentov, ktor bud pokraova v ininierskom, prpadne vych

stupoch tdia, je potrebn, aby sa po osvojen zkladov zoznmili aj s for-
mlnejou, exaktnejou a presnejou verziou tejto matematickej disciplny, s
prslunmi denciami, vetami a ich dkazmi.
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!)
S uebnicou, ktor drte v rukch, je to rovnak. Mete sa na u pozera,

mete si ju ta, i ui sa rieenia loh naspam. Vek itok z toho ale
ma nebudete. Pokia nebudete sami riei lohy, (vymiea koles, trikova),
tak sa mnoho nenaute, a zskan repekt pred pravdepodobnosou naozaj
nebude pre vae tdium prnosom!
Ale vysokokolci s u dospel udia a vedia, e sa mu slobodne rozhod-

n. Vedia aj to, e pones sami zodpovednos za svoje rozhodnutia. Autori
im praj, aby ich rozhodnutia boli pre nich samch naozaj tie najlepie.
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
jimi otzkami prispeli k zrozumitenm formulcim rieen.
Niektor lohy a tmy, ktor sa nachdzaj v uebnici sme skali na s-

stredeniach korepondennch seminrov Sezam a KMS, poakovanie patr
vetkm astnkom, ktor lohy rieili. Chceli by sme poakova bvalm rie-
iteom Sezamu, Natlke Karskovej, Jnovi abkovi a Martinovi Bachratmu,
ktor pretali a prepotali podstatn as textu.
Vek vaka patr pnom kolegom, recenzentom Jirkovi Slavkovi a Ondre-

jovi uchovi, ktor opravili mnoh zabudnut chyby, ale hlavne nm poskytli
cenn rady, ktor mali vplyv na celkov tvar a charakter uebnice.
Naa uebnica je pokusom o rozvoj aktvnej prce tudenta pri budovan

matematickch konceptov. Chceli by sme poakova pnom profesorom Mila-
novi Dadovi, Milanovi Hejnmu, Martinovi Klimovi a Lacovi Kvaszovi, ktor
rozumej tomu, e presnm formlnym dencim predchdza postupn budo-
vanie pojmov na zklade pochopenia jednoduchch modelov. Svojm psobe-
nm kad z tchto pnov profesorov prispel k tomu, aby aj tudenti na naej
technickej vysokej kole, mali monos matematick poznatky objavova a nie
ich iba pasvne prijma. akujeme.
Autori
10 vod
Kapitola 1
Ako predpoveda budcnos

(prv nepravdepodobn prbeh)
Predpovedanie budcnosti je na prv poutie tajomnou a zhadnou innosou.

V skutonosti sa mu ale venujeme skoro vetci a skoro stle. Plnujeme si prog-
ram na vkend, nakupujeme potraviny na budci tde. U na jar si platme
letn dovolenku a vo vpredaji kupujeme lye na budcu seznu. Za kadou
z tchto innost sa skrva presn a vinou sprvny predpoklad, o a kde
budeme o pr dn, tdov alebo mesiacov robi. Podobn innosti asto vyko-
nvame aj v prci. Ak ste meteorolg alebo zsobova, dobr odhad budcnosti
je dokonca vaou hlavnou pracovnou innosou. Navye, v tomto prpade je po-
trebn sksenosti z minulosti transformova do budcnosti aj s uritmi ma-
tematickmi alebo fyziklnymi predpoveami, hodnotami, zvislosami. Bez
ohadu na profesiu si kad me vyska svoje schopnosti predpoveda v s-
lach naprklad pri nkupe a predaji akci, pekulovan s kurzami valt alebo
pri tipovan a stvkovan.
Tm sa blime k samotnmu obsahu tejto kapitoly. Zaneme ju rieenm
lohy znmej aj z histrie, ktor v 15. a 17. storo stla pri zrode pravde-
podobnosti ako matematickej disciplny. Budeme k tomu potrebova zdrav
rozum a trochu elementrnej matematiky. A pouijeme ete jednu nezvykl
metdu: snvanie.
1.1 O zabavench kartch a kolnii netopierov

Janko a Marienka s vzorn, ale normlni iaci. Usilovne pracuj a dvaj
pozor na hodinch, ktor ich zaujmaj. A aby ich mozog nezahal, tie ostatn
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.
Rieenie: Sprvnu odpove hadali matematici viac ako 100 rokov. Nm to

sn pjde rchlejie. Zatia ale hadme o najviac (rozumnch) nvrhov a
npadov.
Jeden z nich je urite rozdeli vhru v pomere 5 : 4. Tm sme vlastne zohad-
nili aktulny stav zpasu. Vyhrvajci zskal viac, ale stav zpasu a aj delenie
je dos vyrovnan. Vaz teda dostane 5/9 a porazen 4/9 z okoldy, v uva-
kch to vyjde na 27 a 7/9 uvaky pre vaza a zvyok pre porazenho.
Predchdzajci nvrh delenia vychdzal z toho, ako sa ktormu hrovi darilo
zbiera vazstv od poiatonho stavu 0 : 0. In pohad berie do vahy, ako
sa priblili k svojmu cieu, iestemu vazstvu. To je predsa dleit a rozho-
dujce o celkovej vhre! Jednmu hrovi chba 1 a druhmu ete 2 vazstv.
Pomer delenia by mal zodpoveda tmto slam. Prv hr je k vazstvu 2-
krt bliie, pomer teda bude 2 : 1 v prospech vyhrvajceho hra. Dostane
teda 2/3 okoldy alebo 33 a 1/3 uvaky.
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
niektor zl, musme pripusti aj monos, e s zl vetky a sprvne rieenie

sme ete neobjavili. Nastal as na hlbie a kritick skmanie.
loha 1.1.2 Zoveobecnite navrhnut rieenia. Otestujte, i vo vhodnch pe-

cilnych situcich, zskan vsledky zodpovedaj oakvaniu, alebo s sporn
a nezmyseln.
Rieenie: Zoveobecnenie a nsledn analza vlastnch rieen a npadov,

schopnos njs v nich chybu a prpadne ich plne zamietnu je vekou a od
uritej rovne vzdelania dleitou schopnosou.
Pome sa v nej pocvii. Zoveobecnenie prvho rieenia 5:4 je jednodu-
ch. Pri stave P : Q rozdelme vhru v tom istom pomere. Prv hr teda z
P Q
okoldy dostane a druh . Poet uvaiek dostaneme po vyn-
P +Q P +Q
soben tchto zlomkov slom 50.
A kde s chyby a slab miesta?
Prv problm je v tom, e pri delen vbec neberieme do vahy cieov,

vazn stav. Pri stave 5:2 delme vhru vdy v pomere 5 : 2.
Ak hrme do 6, ctime, e stav je takmer bezndejn a pomer delenia vyzer
rozumne.
Ak hrme do 10, situcia je stle vna, ale tume, e anca prehrvajceho
na zvrat je via a patril by mu v podiel.
A pokia hrme do 1000, stav 5:2 je nezaujmavou vodnou zpletkou a de-
lenie v pomere 5:2 je vemi predasn.
Druh problm je ete vnej. o so stavom 5 : 0?

Poda zoveobecnenho pravidla sa vhra del v pomere 5 : 0, teda prehrva-
jci hr nedostane ni. S tm urite nebudeme shlasi.
Pokia sa hr do 6, aj prehrvajci hr ete stle m, aj ke mal ancu
v zpase zvazi. Preto by aj on mal dosta podiel z vhry, (aj ke mal).
Pravidlo by navye nepriznalo prehrvajcemu ani ksok z vhry aj v prpade,
ak by bol zpas preruen u za stavu 1 : 0. Tmto stavom pritom zana
kad zpas. Vhra prvej partie urite neuruje jednoznanho vaza celho
zpasu, a pokia hraj naprklad do 100, stav je prakticky nerozhodn.
Delenie vhry v pomere vetko:ni" je preto urite predasn. Na zklade
"
tohto argumentu meme prv metdu delenia denitvne zamietnu a vyhl-
si ju za chybn.
Zostalo nm zoveobecni a preskma druh rieenie. Pri om okrem stavu

zpasu pri preruen P : Q berieme V , potrebnch na
do vahy aj poet parti
vazstvo v zpase. Vhru potom delme v pomere (V Q) : (V P ).
V lohe 1.1.1, teda pre stav 5 : 4 a V = 6 delme v pomere (6 4) : (6 5) =
2 : 1. Pokia by sme ale hrali do 10, pomer delenia sa men na 6 : 5 a pri hre
do 1000 na 996 : 995. Pri stave 5 : 0 a hre do 6 sa vhra del v pomere 6 : 1,
take aj prehrvajci m (mal) podiel z vhry. Zd sa, e vetky nmietky z
predchdzajceho odseku s pri tomto spsobe delenia bezpredmetn. Mme
sprvne rieenie?
Sksme podrobnejie rozobra jednoduch a prehadn situciu. Nech sa

zpas hr na 2 vazn partie a stav je 1 : 0. Nae pravidlo v tomto prpade
del vhru v pomere 2 : 1. Prehrvajci hr teda zskava 1/3 vhry. Je to
spravodliv?
Ak by sa zpas normlne hral alej, zvazi by v om mohol len jedinm
spsobom: vyhra obe nasledujce partie. Ak je anca, e sa mu to podar?
Vieme, e anca na vazstvo v jednej partii je pre oboch sperov rovnak. Vy-
hra dve partie za sebou je preto rovnak, ako hodi mincou dvakrt po sebe
rub (a ani raz lc). Ak zoberiete mincu a zanete experimentova, zistte, e
tto situcia nastane nie v jednej tretine, ale iba v jednej tvrtine prpadov.
Dvoma hodmi toti mete zska tyri rovnocenn vsledky:lc + lc", lc +
" "
rub", rub + lc" a rub + rub". Prehrvajcemu hrovi by preto skr patrila
" "
tvrtina ako tretina vhry.
Zd sa, e tento spsob delenia mierne nahrva" prehrvajcemu hrovi. Aj
"
tento mierny rozdiel je ale podozriv. Vrme sa preto k nmu prbehu.
Jankovi s Marienkou sa tie nepodarilo njs pravidlo delenia, na ktorom

by sa obaja dohodli a uznali ho za sprvne. Problm ich preto trpil alej.
Dokonca sa im o dohran zpasu aj snvalo. A kee ich sny boli spravodliv,
striedavo sa im jednu noc prisnila vhra jednho a druh noc vhra druhho.
To ich priviedlo na npad poiada o pomoc ete lepch spov.
Na povale ich koly ila kolnia 100 inteligentnch netopierov. Dalo sa s nimi
rozumne porozprva a hlavne vedeli poas da koordinovane snva o poa-
dovanej situcii. Ak by sa o kartovej partii snvalo naprklad desiatim z nich,
p by nechalo vyhra Janka a p Marienku. Naviac sa s netopiermi dalo
dohodn, aby v snvan zaali za stavu 5:4 a pokraovali a do ukonenia
zpasu, km jeden z hrov nedosiahne 6 vazstiev.
Presne takto dohodu nasledujceho da skoro rno s netopiermi uzavreli.

Netopiere potom zaspali, Janko s Marienkou ili do triedy a netrpezlivo akali,
o sa veer od kolnie dozvedia. My na to budeme musie prs sami...
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?
Rieenie: Spsob zpisu si kad me zvoli vlastn, nm sa osvedila forma

binrneho stromu, ilustrciu ktorej vidme na obrzku 1.1.
5:4
75 : 25
100
6:4 5:5
50 50
6:5 5:6
25 25
Obr. 1.1: Zpis pomocou binrneho stromu
Zachytva poiaton stav 5 : 4 a z neho sa vetviacu truktru nasle-

dujcich monch stavov zpasu. Smerom doava sa vetvia stavy vznikajce
vhrou prvho hra, doprava vhrou druhho hra. K stavom sme pripsali
poet netopierov, ktorm sa prisnil. Vetkch 100 zanalo za stavu 5 : 4. Po-
tom sa polovici z nich prisnilo vazstvo Marienky, ktor tm dosiahla stav
6:4 a celkov vazstvo.
50 netopierov sa preto mohlo zobudi a za vaza zpasu povaova Marienku.
Druhch 50 v prvej partii videlo vazstvo Janka a za stavu 5 : 5 pokraovalo
v snvan. av" polovica z tchto 50 v alej partii videla vazstvo Marienky,
"
ktor tm zvazila aj v celom zpase 6 : 5.

Pravch" 25 videlo druh vazstvo Janka za sebou, ktor tm zvazil aj
"
v zpase 5 : 6. Celkovo teda videlo vazstvo Marienky 75 netopierov a Janka
25.
Ak by sme vhru delili na zklade tohto pomeru, bola by delen v pomere
75 : 25, alebo po zjednoduen 3 : 1. Marienka by teda mala dosta 3/4 a Ja-
nko 1/4 vhry.
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?
loha 1.1.4 Pouite predchdzajcu metdu na urenie pomeru delenia vhry

v zpasoch preruench za stavu 5 : 3 a za stavu 4 : 3.
Rieenie: Rozpis pre prv zpas je na obrzku 1.2.

5:3
100
6:3 5:4
50 50
6:4 5:5
25 25
6:5 5:6
12.5 12.5
Obr. 1.2: Rozpis pre prv zpas

Vidme, e vazstvo prvho hra videlo 87.5 netopierov a vazstvo dru-

hho 12.5 netopiera. Vhru si teda rozdelia v pomere 87.5 : 12.5 = 7 : 1, o
pre vyhrvajceho hra znamen 7/8 a pre prehrvajceho 1/8 vhry.
Rieenie pre stav 4:3 nechme na itatea. (Vsledok budeme neskr po-
trebova, tto vzva preto nie je platonick!)
Pri rieen lohy 1.1.4 dolo k uritej neprjemnosti, a to ku deleniu netopie-

rov. Porcovanie chrnench ivochov je urite nevhodn, preto sa na chvu
pri tomto problme zastavme.
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.
Podobne, pokia sa vo vsledku (alebo aj v priebehu vpotu) stretneme

naprklad s osminami, treba vchodiskov poet vynsobi smimi.
To ns vedie k tomu, ak vchodiskov poty s vhodn. Kee poet ne-

topierov delme vdy na polovice, dleit je opakovan delitenos dvojkou.
Naopak delitenos inmi (prvo)slami ns v podstate nezaujma. Optiml-
nymi pre nae experimenty s preto mocniny dvojky. Pre rieenie prvej lohy
by nm staili 4 netopiere, pre prv as tvrtej lohy 8 netopierov.
Mocnina dvojky potrebn pre rieenie konkrtnej lohy svis s potom

riadkov, ktor bud potrebn pre zakreslenie priebehu zpasu. Poet riadkov
vieme zisti z vchodiskovho stavu a zodpoved potu parti, ktor pre vazs-
tvo v zpase potrebuje prehrvajci hr. Ide vlastne o najdlh mon priebeh
dosnvania" zpasu.
"
Pri vchodiskovom stave, naprklad 5 : 3, m teda graf 4 riadky. Kee de-
li poet netopierov na polovice je potrebn pri kadom z troch prechodov do
nasledujceho riadku, pre tto lohu sta 23 = 8 netopierov a vhodn (ak
nechceme krja netopierov) je aj ubovon nsobok smich.
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.
Ke sme si vyjasnili metdu rieenia aj vznam potu netopierov, z ktorho

zaname experimenty, sksme sa hlbie pozrie na niektor vsledky.
loha 1.1.6 Vyrtajte spravodliv delenie postupne pre stavy 5 : 5, 5 : 4, 5 : 3,

5 : 2, 5 : 1, 5 : 0.Objavuje sa vo vsledkoch nejak pravidlo?
Rieenie: Pre stav 5:5 nm rchly experiment a aj zdrav rozum hovor, e

vhru treba deli v pomere 1 : 1. Pre stavy 5:4 a 5:3 sme u pomer delenia
rtali, a vylo nm 3: 1 a 7 : 1. Po chvli rtania nm pre stav 5 : 2 vyjde
pomer delenia 15 : 1. Vidme u pravidlo?
Meme si tie pre jednotliv stavy napsa, ak as vhry dostane prv hr:
1/2, 3/4, 7/8, 15/16. Pre druhho to bud sla 1/2, 1/4, 1/8 a 1/16. Trfneme
si uhdnu, koko dostan pre stav 5 : 1?
Pokia sa vm to podarilo, urite zvldnete uri aj delenie pre stav 5 : 0.
(Pokia nie, pokojne aj alej vyuvajte sluby netopierov a riete lohu tan-
dardnm zpisom.) To bude 63 : 1, teda prehrvajci hr dostane len 1/64 =
(1/2)6 z vhry.
To zodpoved tomu, e prehrvajci hr me zvazi v tomto zpase len
sriou 6 vaznch parti po sebe. Z vchodiskovho potu 100 % netopierov
sa to prisn len eskrt na polovicu redukovanej asti kolnie, teda:
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!
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.
loha 1.1.8 Zoveobecnme predchdzajce lohy. Uvaujme zpas na V v-

aznch parti, ktor je preruen za stavu V 1 : V Q. (Q je jedna a V ,
teda stavy s od V 1 : V 1 po V 1 : 0.)
V akom pomere je treba deli vhru?
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 %?
loha 1.1.9 D sa naa metda pouva aj s vchodiskovm slom 1? Ak

interpretciu mu meme da? Verme takto zskanm vsledkom, s niem
lepie a uitonejie? A najdleitejia otzka: "Ak vznam maj zskan v-
sledky, ak slo 1 budeme chpa ako jednho (a jedinho) netopiera v kolnii?"
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
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.
o ale v prpade, ak slo 1 znamen jeden netopier"? U po prvom vet-

"
ven (naprklad stavu 4 : 3 na 5 : 3 a 4 : 4) sa nm rozdel na 1/2 a 1/2. Pokia
chceme vzcne zviera zachova neporuen, musme da tmto zlomkom in
vznam. Bude to pravdepodobnos, s akou sa mu prisnia jednotliv stavy.
Ten ist vznam maj aj alie zlomky, ktor zskavame pri alch vetveniach.
Preto (podobne ako v predchdzajcom odseku) ak stame zlomky pri konco-
vch stavoch zodpovedajcich vhre jednho hra v zpase, zskame celkov
pravdepodobnos jeho vhry.
Ako sme u povedali, ke stame zlomky pri koncovch stavoch zodpove-

dajcich vhre jednho hra v zpase, set uruje, ak as vhry m zska.
Zrove ale zodpoved aj pravdepodobnosti, e v zpase vyhral (alebo prav-
depodobnosti, e sa to prisnilo netopierovi, o je to ist). Tm sme vyslovili
podstatu netopierej metdy.
Vhru delme v pomere, ktor presne zodpoved pravdepodob-

nosti vazstva jednotlivch hrov v preruenom zpase.
i takto delenie povaujeme za sprvne, je skr lozock otzka. Sasn
lozoa prrodnch vied hovor, e tento spsob sprvny je. Z matematickho
hadiska v om nenjdeme iadny rozpor podobn rozporom, ktor sme spo-
menuli v rieen druhej lohy.
Tvrdenia terie pravdepodobnosti dokonca hovoria viac. Nechajme Janka

s Marienkou dohra zpas preruen za stavu 5 : 4 naprklad 1000-krt a robme
si tatistiku, kto zskal v jednotlivch zpasoch vhru. Ak potom vypotame
priemern vhru na jeden zpas, zskame hodnotu vemi blzku vsledku ure-
nmu na zklade pravdepodobnosti. Marienka by teda vyhrala poet zpasov
blzkych 750 a Janko doplnok do 1000, blzky hodnote 250. m by bol poet
zpasov vy, tm presnejie by nameran hodnoty zodpovedali vypotanej
pravdepodobnosti.
Zd sa, e sprvnos netopierej metdy je rieenm predchdzajcej lohy

zdvodnen. V kadom prpade sme si objasnili jej vntorn podstatu a inter-
pretciu zskanch vsledkov. Toto pochopenie by nm malo pomc pri rieen

nasledujcich loh. Pjde ale u skr o problmy, vyadujce dlhiu prcu. Ich
rieenia budeme preto uvdza u len v tvare nvodov.
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.
Pretoe sme vychdzali zo stavu 4 : 2, v kadom zo stavov 5 : 2

4 : 3 a
musme v danom pomere rozdeli nie cel, ale len polovicu vhry. Pre stav 5 : 2
sme v lohe 1.1.6 urili pomer delenia 15 : 1, teda hri zskali 15/16 a 1/16
vhry. Teraz by si na zklade tohto pomeru delili len polovicu vhry, zskali by
teda 15/32 a 1/32 vhry. Druh polovicu vhry by si rozdelili poda pomeru
platnho pre stav 4 : 2.
loha 1.1.6 nm ukzala, ako sa daj zo znmych pomerov delenia pota

alie pre blzke" stavy preruenia partie. Tento postup m irok vyuitie.
"
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.
Rieenie: Pre zpas do 6 je najlepie vytvori si strom vetkch stavov od 0 : 0

do 6 : 5, respektve 5 : 6. Stavy s, ako sme u zvyknut, pospjan, ak je
mon z jednho prejs do druhho vazstvom v jednej partii. Pre niektor
z tchto stavov u poznme pomer delenia a pre ostatn ich vieme dopota
pomocou postupu z loh 1.1.10 a 1.1.11. Obrzok nm pomha pri hadan
stavov, ktor vieme tmto pravidlom spota".
"
Pre zpas do 10 je postup rovnak, len obrzok a poet stavov je v. Po-
ui toto rieenie pre zpas do V nie je dos dobre mon, ak nepoznme hod-
notu V. A pokia poznme, ale bude naprklad 100, nebudeme ma dos asu
alebo papiera. Miesto toho sme ale s nami sksenosami mono u schopn
softvrovho rieenia. Meme vytvori algoritmus, ktor po zadan konkrtnej
hodnoty V P : Q vrti sprvny pomer delenia. A meme sa zamyslie,
a stavu
i nhodou nebude rekurzvny...
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.
Naopak pri preruen za stavu 4:5 v prospech Janka m Marienka nrok a

na 36/100 vhry, o zodpoved pravdepodobnosti jej dvoch za sebou nasledu-
jcich vhier. Janko, len krok od vazstva, zska 64/100 z vhry.
Jankovi sa tento nerovnovny stav samozrejme nepil. Prehovoril Ma-

rienku, aby okrem kariet hrvali aj tenis. Tu mal zase trningov nskok Janko
a kad vmena skonila v jeho prospech s pravdepodobnosou 6/10. Marienka
vmenu vyhrala len v 4 prpadoch z 10. Na kurtoch im nikto rakety a loptiku
nebral, pokazen kartami a netopiermi ich ale zaujmali aj pravdepodobnostn
aspekty ich zpasov.
loha 1.1.14 Ak je pravdepodobnos jednotlivch stavov poas jednej hry

(jednom game)? Ak je pravdepodobnos, e kad z hrov vyhr hru, set a
zpas?
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
Obr. 1.3: Strom vvoja tenisovej hry

Druhm rozdielom je potencilne nekonen zpletka pri zhode za stavu

40 : 40. Na jej pln rozuzlenie bude zrejme potrebn uri set dvoch neko-
nench radov. Ke budeme pozna pravdepodobnosti vazstva jednotlivch
hrov v hre, meme zostavi obdobn schmu, popisujcu postupnos stavov
hier vedcich ku zisku setu. A nakoniec podobn schma pre sety nm pome
uri pravdepodobnosti vhier v zpase.
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.
Na pln zver ete spomenieme niektor historick svislosti, ktor sme

naznaili v vode. lohy o rozdelen vhry s znme u dlho. Urite to svis
s hazardnmi hrami, ktor udstvo priahuj ete dlhie a silnejie ako ma-
tematika. Prv matematik, o ktorom je znme, e sa touto lohou zaoberal,
bol Luca Paciolli. Ten v roku 1494 vydal knihu Summa de Arithmetica,...",
"
v ktorej zhrnul vek as vtedajieho matematickho poznania a tie svojich
vlastnch vsledkov. ia, viacero z nich bolo chybnch. Kee kniha bola dlh
roky v podstate jedinou pouvanou uebnicou (aspo v oblasti Talianska), je
ak odhadn, ktorm smerom posunula vvoj matematiky. Jednou z chb
bolo aj rieenie prvej lohy, ktorm mal by pomer 5 : 4.
Chybnm bolo aj tvrdenie, e nie je mon riei kubick rovnice. e to

mon je, ukzali viacer talianski matematici v 30. rokoch 16. storoia. Naj-
znmej z nich bol povolanm lekr, ale tie autor viac ako 150 encyklopdi
a hazardn hr Gerolamo Cardano. Po om sa vzorce na rieenie kubickch
rovnc aj nazvaj. Patril aj k alm rieiteom lohy 1.1.1 a mnohch al-
ch. Vetky svoje objavy v oblasti pravdepodobnosti spsal (ako inak) v roku
1526 do encyklopdie o hre s kockami, ktor sa mohla sta zkladom terie
pravdepodobnosti. To by sa ale nesmela po jeho smrti na 82 rokov strati. Ke
bola v roku 1663 znovu objaven, zklady pravdepodobnosti u stihli poloi
in.
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.
Kapitola 2
Pravdepodobnos nhodnej
udalosti
2.1 Mnoinov opercie, zkladn pojmy,

kombinatorika
Opercie s mnoinami, ktor budeme pouva, s
zjednotenie AB
prienik AB
doplnok A
rozdiel AB
ast oznaenie pre zjednotenie a prienik je aj AB = A+B a A B = A B.
Tmou prvch prednok z pravdepodobnosti s nhodn pokusy a n-

hodn udalosti. Pretoe slov, ktor sa pouvaj na oznaenie tchto ma-
tematickch pojmov, sa pouvaj aj v benom jazyku, niekedy je ak si
uvedomi, e matematick disciplna zvan pravdepodobnos chpe pod poj-
mom nhodn pokus len jeden z vznamov tohto slovnho spojenia. Navye na
jeho presn denciu je potrebn zloitej apart, ne je v zkladnch kurzoch
mon predvies. Nasledujce vymedzenie tohto pojmu treba chpa ako prv
priblenie k jeho skutonmu vznamu.
Nhodn pokus je experiment, ktorho vsledok me by rzny aj pri
plne rovnakch vstupnch podmienkach. Jeho alou vlastnosou je, e je ho
mon opakova pri rovnakch podmienkach.
27
28 Kapitola 2. Pravdepodobnos nhodnej udalosti
Vsledky nhodnho pokusu sa nazvaj aj elementrne udalosti (elemen-

trne javy, outcomes). Nhodn pokus je popsan mnoinou (priestor ele-
mentrnych udalost, sample space), ktor obsahuje vetky mon vsledky,
ktor pri tomto pokuse mu nasta.
Nhodn udalos (event) je podmnoina mnoiny . Pred uskutonenm
pokusu nevieme poveda, ktor z nhodnch udalost nastane. Ak sa uda-
los sklad z viacerch jednoduchch udalost (je to viacprvkov mnoina),
nazvame ju zloen udalos. Ak sa udalos u alej rozdeli ned (je to
jednoprvkov mnoina), nazvame ju elementrna udalos. (In nzov pre
nhodn udalos je nhodn jav.)
Ak s A a B nhodn udalosti, potom aj ich prienik a zjednotenie s
nhodn udalosti. Ak je A nhodn udalos, tak aj jej doplnok do mnoiny
je nhodn udalos.
Doplnok k nhodnej udalosti sa nazva aj opan udalos k udalosti A.
Prklad 2.1.1 Nhodn pokus, popisujci hody klasickou hracou kockou, je re-
prezentovan mnoinou vetkch monch vsledkov:
={ , , , , , }
Elementrna udalos, spovajca v tom, e na kocke padne trojka, bude re-

prezentovan mnoinou A = { }.
Zloen udalos, spovajca v tom, e na kocke padne prne slo, bude

reprezentovan mnoinou B = { , , }.
Udalosti A = { } a B = { , , } s nezluiten, alebo tie disjunktn

(neme padn trojka, ktor je prna).
Doplnok udalosti A = { } do mnoiny = { , , , , , } je udalos,

ktor je nazvan udalos opan k udalosti A:
A={ , , , , }
Udalos A spova v tom, e na kocke nepadne trojka.

Pravdepodobnos, s akou nhodn udalos nastane, bola v minulosti po-
tan rznymi spsobmi. Treba si uvedomi, e ke s splnen ich predpoklady,
je mon poui na vpoet pravdepodobnosti kad z tchto postupov. A aj
ke to pri jednotlivch vpotoch nebudeme hovori, predpoklady pre pouitie
jednotlivch spsobov vpotu pravdepodobnosti treba najskr skontrolova.
2.1 Mnoinov opercie, zkladn pojmy, kombinatorika 29
Na vod uvedieme niekoko spsobov vpotu pravdepodobnosti, tak ako

sa postupne pouvali:
tatistick vpoet pravdepodobnosti na zklade dostatone vekho

potu vykonanch experimentov potame ako pomer potu vsledkov
priaznivch udalosti A ku vetkm vykonanm experimentom:
Uveden pomer sa s rastcim potom pokusov bli k pravdepodobnosti

udalosti A.
Klasick vyjadrenie pravdepodobnosti je mon poui, ak nhodn po-
kus m konen poet vsledkov a kad z vsledkov m rovnak prav-
depodobnos. Pota sa ako pomer potu vetkch monch priaznivch
vsledkov a potu vetkch vsledkov. Teda pomer potu prvkov mno-
iny A, ktor predstavuje udalos, ktorej pravdepodobnos potame a
potu prvkov mnoiny .
Geometrick vyjadrenie pravdepodobnosti je mon poui aj vtedy, ak
nhodn pokus m nekonen poet vsledkov. Na vpoet pravdepo-
dobnosti sa namiesto potu prvkov mnoiny A, pouije in spsob ako
mera vekos tejto mnoiny, miera mnoiny. Je to naprklad dka seky,
plocha rovinnho tvaru, alebo objem telesa. Mieru mnoiny A budeme
oznaova (A).
Axiomatick vyjadrenie pravdepodobnosti zastreuje predchdzajce sp-
soby vpotu pravdepodobnosti. Axiomatick denciu zaviedol A. N.
Kolmogorov v roku 1933, njdeme ju v lnku [6].
Presn dencia Kolmogorovskej pravdepodobnosti bude zaveden vo vych

kurzoch pravdepodobnosti, v tejto uebnici uvedieme iba jej vlastnosti, z kto-
rch budeme pri vpotoch vychdza. Zjednoduene povedan, nhodn uda-
losti meme modelova ako mnoiny a pravdepodobnos nhodnej udalosti je
aksi vekos", presnejie miera mnoiny predstavujcej tto udalos.
"
Tvrdenie 2.1.1 (Vlastnosti pravdepodobnosti) Nech A a B s nhodn
udalosti a nech Pr(A) a Pr(B) s pravdepodobnosti tchto udalost, potom
1. Pr() = 0, Pr() = 1
2. 0 Pr(A) 1
3. ak A B = , (teda mnoiny A a B s disjunktn, udalosti s nezlui-
ten) potom:
Pr(A B) = Pr(A) + Pr(B)
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. 2.1: Vekos mnoiny je 1. A je podmnoina , vekos A je menia

nanajv rovn vekosti
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)
Obr. 2.3: Vekos doplnku mnoiny A do mnoiny a vekos mnoiny A B

Prklad 2.1.2 Uvaujme nhodn pokus z prkladu 2.1.1, popisujci vsledky

hodu klasickou hracou kockou. Predpokladajme, e vetky vsledky hodu kockou
(elementrne udalosti) nastan s rovnakou pravdepodobnosou.
Pre jednoduch zpis nahradme mnoinu elementrnych udalost
{ , , , , , }, selnou mnoinou = {1, 2, 3, 4, 5, 6}.
Potom elementrna udalos, spovajca v tom, e na kocke padne trojka, bude
reprezentovan selnou mnoinou A = {3} a udalos, spovajca v tom, e na
kocke padne prne slo, bude reprezentovan selnou mnoinou B = {2, 4, 6}.
Pravdepodobnos, e na kocke padne nejak z sel 1, 2, 3, 4, 5, 6, je 1:
Pr() = 1
Pravdepodobnos, e na kocke iadne slo nepadne, je 0:

Pr() = 0
Pravdepodobnos, e nastane udalos A = {3}, teda e padne 3, je 1/6:

1
Pr(A) = Pr({3}) =
6
Pravdepodobnos, e nastane udalos B = {2, 4, 6}, teda e padne prne slo,
s 3/6:
3
Pr(B) = Pr({2, 4, 6}) =
6
Pravdepodobnos, e nastane udalos A B , teda e padne 3, alebo padne prne
slo, je 4/6:
1 3 4
Pr(A B) = Pr({3} {2, 4, 6}) = Pr({2, 3, 4, 6}) = + =
6 6 6
Pri vpote pravdepodobnosti poda klasickej dencie sa na urenie potu
monost asto pouvaj kombinatorick vzorce. U na strednej kole sa za-
vdzaj pojmy kombincie, varicie, permutcie, kombincie s opakovanm,
varicie s opakovanm a vzorce pre ich vpoet. Vrelo odporame na vetky
tieto vzorce na nejak as zabudn, nakoko s pomckou pre jednoduchie
vyjadrovanie sa pre matematikov, alebo ud, ktor ich pouvaj s porozu-
menm. V iadnom prpade vak tieto vzorce neukazuj cestu, ako sa naui
kombinatoriku. Sksme otestova nau znalos kombinatoriky na nasledujcej
lohe, ktor sme si poiali zo sae pre iakov zkladnej koly [15].
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?
Rieenie: Sprvnych rieen tejto lohy je niekoko, uvedieme nasledujce tri:

20 monost, 54
Rieenie zdvodnme tm, e pri vstupe (vlete) do miestnosti m vela
5 monost a pri vstupe (odlete) m 4 monosti, dohromady 20. To, o
rob niekto in (lovek, ktor zavrel okno), nie je pre velu monosou a
preto sa do potu vetkch monost nezapotava.
100 monost, 554

Toto rieenie zachytva aj monos, ako lovek okno zavrie. Keby sme to
toti nebrali do vahy a nezapotali do potu monost, tak napr. pri
zavretom druhom okne vylime monos, e nm vela vylet, ale medzi
celkov poet monost tto zarta treba, lebo niekedy nasta me.
Teda je 5 monost pre vlet, 5 monost pre zavretie okna a 4 monosti
pre odlet.
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.
Vysvetovali sme, e k rieeniu loh nm nepome naui sa vzorce pre

kombincie, varicie a permutcie. Tieto nzvy a znaky pre ne si vymysleli
matematici a ke u tmto pojmom dobre rozumeli a potrebovali si ich za-
pisovanie urchli. Poda ich vzoru aj my na tomto mieste zavedieme, pre
zjednoduenie alch zpisov, jedno uiton oznaenie, ktor sa nazva n-
faktoril, oznauje sa n! a vypota sa takto:
n! = n.(n 1).(n 2).(n 3). . . . .3.2.1

Pomocou znaky pre faktoril meme zjednodui zpis nsobenia, naprklad:
58!
58 57 56 55 54 53 52 51 50 49 48 =
47!
2.1.1 Otzky z terie
1. Nech A = {1, 2, 3, 5, 6, 8, 9} a B = {2, 3, 4, 5, 6, 7, 10}.

Njdite A B , ( zjednotenie mnon A a B ).
2. Nech A={1,2,3,5,6,8,9} a B={2,3,4,5,6,7,10}.

Njdite A B, ( prienik mnon A a B ).
3. Nech A={1,2,3,5,6,8,9} a B={2,3,4,5,6,7,10}.

Njdite A, ( doplnok mnoiny A).
4. Nech A = {1, 2, 3, 5} a B = {2, 3, 6, 7, 10}. Njdite doplnok prieniku

mnon A a B do mnoiny = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. Vsledok za-
kreslite!
5. Na hode mincou ilustrujte pojmy: nhodn udalos (=nhodn jav), n-

hodn pokus, elementrna udalos (=elementrny jav), zloen udalos
(=zloen jav).
6. Ak rozdiel je medzi tatistickou a klasickou denciou pravdepodob-

nosti?
7. Preo bolo treba zavies geometrick denciu pravdepodobnosti? V akch

prpadoch nestaili predol dve?
8. Koko podmnon m tvorprvkov a n-prvkov mnoina?
9. Uvete aspo tri rzne prklady miery. Napte vdy konkrtnu mieru
nejakej mnoiny.
10. Napte aspo 5 navzjom disjunktnch neprzdnych mnon.
11. Hdeme hracou kockou so 6 stenami. Vetky vsledky s rovnako mon.

Ak je pravdepodobnos, e padne tvorka?
12. Hdeme dvoma hracmi kockami, takmi ako v predolej lohe. Ak je

pravdepodobnos, e padn sasne dve tvorky?
13. Hdeme dvoma hracmi kockami, takmi ako v predolej lohe. Ak je

pravdepodobnos, e padne set osem?
Odpovede na otzky z terie
1. A B = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}. Je to mnoina, ktor obsahuje prvky,

ktor patria do mnoiny A alebo do mnoiny B .
2. A B = {2, 3, 5, 6}. Je to mnoina, ktor obsahuje prvky patriace do

mnoiny A a sasne do mnoiny B.
3. Tto loha je nesprvne zadan. Pri urovan doplnku mnoiny A je
potrebn pozna mnoinu, do ktorej doplnok robme. Mnoina B to by
neme, doplnok sa d urobi len do nadmnoiny mnoiny A. loha nem
rieenie.
4. Doplnok prieniku mnon A a B do mnoiny je mnoina
A B = {1, 4, 5, 6, 7, 8, 9, 10}
Na obrzku 2.4 s sla patriace do tohto doplnku podiarknut.
Obr. 2.4: Doplnok prieniku mnon A a B do mnoiny
5. Ozname udalos, e na minci padne hlava, psmenom H a udalos, e

na minci padne znak, psmenom Z.
Nhodn udalosti s naprklad A = {H}, B = {H, Z}, C =.
Nhodn pokus je = {H, Z}.
Elementrne udalosti s D = {Z}, E = {H} .
Zloen udalos je C = {H, Z}.
6. tatistick vpoet pravdepodobnosti vychdza z nameranch dt, z v-
sledku nejakho uskutonenho pokusu. Vypota sa tak, e n-krt opa-
kujeme rovnak pokus. Ak z tchto n pokusov nastane udalos A v m
prpadoch, tak pravdepodobnos udalosti A bude:
m
Pr(A) =
n
Poda klasickej dencie sa pota pravdepodobnos bez uskutonenia

pokusu. Teoreticky sa spota poet vsledkov priaznivch udalosti A a
poet vetkch monch vsledkov.
N (A)
Pr(A) =
N ()
Mus vak by splnen predpoklad, e vetky situcie s rovnako prav-

depodobn.
7. Pretoe mnoiny pouit pri vpote mu by nekonen. V takej situ-

cii by vzorec pre klasick pravdepodobnos mal v menovateli (a prpadne
aj v itateli) hodnotu nekoneno.
8. Jednou z monost je zapamta si, e kad n-prvkov mnoina m 2n

podmnon. A jednoducho do vzorca dosadi. tvorprvkov mnoina m
24 = 16 podmnon. Tto metda m t nevhodu, e vzorcov je vea,
dos sa na seba podobaj, a tak pri ich pouvan dochdza k omylom.
In metda je vypsa vetky podmnoiny, nejakej 4-prvkovej mnoiny,

naprklad podmnoiny mnoiny {1, 2, 3, 4}. Pokia mono, treba to urobi
nejako prehadne:
, {1}, {2}, {3}, {4}, {1, 2}, {1, 3}, {1, 4}, {2, 3}, {2, 4}, {3, 4},
{1, 2, 3}, {1, 2, 4}, {1, 3, 4}, {2, 3, 4}, {1, 2, 3, 4}

Tto metda vedie vinou k sprvnemu vsledku, sta len zvoli pre-
hadn systm vypisovania vetkch monost a tch monost nesmie
by prli vea. Vetky podmnoiny 20 prvkovej mnoiny by sme asi vy-
psa nedokzali.
Sksme njs nejak zkonitos, vzah, medzi potom prvkov mnoiny

a potom vetkch jej podmnon. Zanime od malch mnon, kde sa
vsledok ahko njde.
Przdna mnoina m 1 podmnoinu, a to samu seba
1-prvkov mnoina, naprklad mnoina {1} m 2 podmnoiny, a to przdnu

mnoinu a samu seba:
, {1}
2-prvkov mnoina, naprklad mnoina {1, 2} m 4 podmnoiny, s to

vetky podmnoiny z predchdzajceho prpadu, a navye tie ist pod-
mnoiny s pridanm prvku 2:
, {1},
{2}, {1, 2}
3-prvkov mnoina, naprklad mnoina {1, 2, 3} m 8 podmnon
, {1}, {2}, {1, 2}
{3}, {1, 3}, {2, 3}, {1, 2, 3}
4-prvkov mnoina, naprklad mnoina {1, 2, 3, 4} m 16 podmnon
, {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}
Pri tejto metde nie s sce podmnoiny usporiadan prehadne, ale aj

bez vypisovania vetkch monost u teraz vieme poveda, e 5-prvkov
mnoina m 16 2 = 32 podmnon, 6-prvkov mnoina m 32 2 = 64
a n-prvkov mnoina m 1 2 2 2 = 2 podmnon.
podmnon
n
| {z }
n
9. Miera mnoiny je spsob, ako slom ohodnoti mnoinu. Je to teda pri-

radenie medzi systmom podmnon nejakej mnoiny a nezpornmi s-
lami. Presn popis funkcie miera njdeme naprklad v publikcii [7], ozna-
uje sa psmenom . Mierou me by naprklad poet prvkov konenej
mnoiny, dka seky, plocha rovinnho tvaru, objem telesa.
Pomocou miery meme denova pravdepodobnos, e nastane udalos

A aj v prpade, e mnoiny a A s nekonen. Mus vak plati, e
vetky vsledky (elementrne javy) s rovnako mon. Pravdepodobnos,
e nastane udalos A vypotame ako:
(A)
Pr(A) =
()
10. {3}, {1}, {2}, {12, 17}, {27, 42, 128}

11. Vetkch 6 vsledkov je rovnako monch, preto pravdepodobnos, e

padne tvorka, je 1 zo 6, alebo presnejie:
= {1, 2, 3, 4, 5, 6}; A = {4}; N () = 6; N (A) = 1
N (A) 1
Pr(A) = =
N () 6
12. Vypeme najprv vetky prvky priestoru .

(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6)

(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6)

(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)
=

(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6)

(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6)

(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)
Mnoina A predstavuje vsledky zodpovedajce udalosti "padli dve tvorky".
A = {(4, 4)}; N () = 36; N (A) = 1
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
2.1.2 Prklady
1. Kokmi rznymi spsobmi sa dalo rozmeni 10 korn na mince?
2. Kokmi rznymi spsobmi sa dalo rozmeni 10 korn na najviac 4

mince?
3. Do posluchrne volo 24 tudentov. Kokmi rznymi spsobmi sa mohli

postavi do radu na zpoty?
4. Kokmi rznymi spsobmi sa me 24 tudentov rozsadi po posluchrni

s 50 stolikami?
5. Vlak zastavil v 5 staniciach. V tchto staniciach z vlaku vystpilo pos-

tupne 35 cestujcich. Kokmi rznymi spsobmi sa to mohlo sta?
6. Do vahu nastpilo 5 ud. Vah vyiel na 7 poschodie. Tch 5 ud z

neho postupne vystpilo. Vah zastavil na vetkch 7 poschodiach, na
kadom mohlo vystpi ubovone vea ud. Vieme len, e nikto cestou
nahor nenastupoval. Koko je rznych monost, ako udia vystpili?
7. tudenti z posluchrne odili a zostali po nich zloen stoliky. Kokmi

rznymi spsobmi mono rozmiestni 24 zloench stoliiek po uebni
s 50 stolikami? To znamen, e v miestnosti je 26 vyloench a 24 zlo-
ench stoliiek.
8. P priateov si podalo ruky, kad s kadm. Koko potrasen rukou sa

zrealizovalo?
9. Koko hrn m pln graf so 7 vrcholmi? Koko hrn m pln graf s N

vrcholmi?
10. Koko rznych 5-cifernch sel meme vytvori z cier 1, 2, 3?
11. Koko rznych 4-cifernch sel meme vytvori z cier 0, 1, 2, 3, 4, 5,

6, 7?
12. V portke sa zakrtva 6 sel zo 49. Koko rznych tiketov je mon

poda?
13. Ak najv poet podmnon 6 prvkovej mnoiny meme vybra tak,

aby mali neprzdny prienik?
14. Koko existuje rznych grafov s 8 vrcholmi a 3 hranami? Koko existuje

rznych grafov s 8 vrcholmi a 28 hranami?
Predpokladme teda, e kad z grafov obsahuje rovnak mnoinu vr-

cholov V = {v1 , v2 , . . . , v8 }. Za rzne budeme povaova grafy, ktor sa
lia aspo v jednej hrane. Naprklad za rzne budeme uvaova grafy
G1 = (V, H1 ) a G2 = (V, H2 ), kde H1 = {[v1 , v2 ], [v1 , v3 ]} a H2 =
{[v1 , v2 ], [v1 , v4 ]}.
15. Koko existuje rznych grafov s 8 vrcholmi a 25 hranami?
16. es klkarov ide na prechdzku, a vytvoria spolu 3 dvojice. Kokmi

spsobmi sa mu rozdeli do dvojc? (Je dleit len kto s km ide
v dvojici, nezle na tom, i je vpravo, alebo vavo, ani na tom i dvojica
je prv alebo inde v porad.)
17. es klkarov ide na prechdzku, a vytvoria spolu 3 dvojice. Kokmi

spsobmi sa mu rozdeli do dvojc? (Teraz je dleit kto s km ide
v dvojici, poradie dvojc, ale nezle na tom, kto je vpravo alebo vavo.)
Rieenie prkladov
1. Tto loha je tak trochu z histrie. V ase zostavovania tejto uebnice sa

platilo na Slovensku korunami. Mince, ktor sa pouvali mali hodnotu
10 Sk, 5 Sk, 2 Sk, 1 Sk a 50 halierov.
Monosti ako rozmeni 10 Sk mu, ale nemusia zaha monos poui-

tia jednej 10 Sk mince. Sprvna odpove nie je zahrn 10 Sk mincu",
"
ale nie je ani nezahrn 10 Sk mincu". Treba sa na tom dohodn ete
"
pred vyrieenm lohy. To sa stva v praxi dos asto. Treba si uvedomi,
e to, ako zadaniu rozumie rieite, nemus by to ist, ako mu rozumie
zadvate lohy. Take sa treba opta!
Vypsan monosti s aj s prpadom, e na rozmenenie 10 Sk pouijeme

aj 10 Sk mincu.
10 Sk = 10 Sk
10 Sk = 5 Sk + 5 Sk
10 Sk = 5 Sk + 2 Sk + 2 Sk + 1 Sk
...
Zanime ete raz s tm, e nebudeme vypisova nepodstatn veci. Uet-

rme tm papier aj as:
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
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
v [5].
2. Najviac 4 mince znamen, e mince s bu 4, alebo je ich menej. Z pred-

chdzajceho rieenia vidme, e to bude v 3 prpadoch.
3. Dva rady na zpoet bud rovnak, ak v nich bud tudenti v rovnakom

porad. Ako bude rad pokrten po triede ns nezaujma. Rzne rady
potom bud tie, kde aspo jeden tudent stoj na inom mieste (aj ke
zmeni poradie iba jednho tudenta sa nm asi nepodar). Pomenujme
si tudentov rznymi psmenami abecedy.
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
Vyzer to tak, e vypisovanie vetkch monost bude naozaj zdhav.

Vyskajme preto najprv men poet tudentov. Ke bud traja, poet
vetkch porad bude 6. Vetky monosti meme vypsa takto:
1. ABC 2. ACB 3. BAC

4. BCA 5. CAB 6. CBA
Ako vidme, na prvom mieste mu by 3 rzni tudenti A, B, alebo

C. Ke u je jeden tudent vybran, tak za nm me st niektor zo
zvynch dvoch. Teda ku kadmu z troch na prvom mieste, meme
doplni jednho z dvoch na druh miesto. To bude 32 monost. Ten
posledn u bude dan jednoznane, ke bud dvaja v rade, postav sa
za nich. Teda monost bude 3 2 1 = 6.
Ako to bude fungova so tyrmi tudentmi? Na zaiatku mu by vo
fronte tyria: 1. A 2. B 3. C 4. D
K tmto tyrom meme prida na druh miesto po troch rznych tu-

dentoch.
1. A 1. B 2. B 1. A
1. A 2. C 2. B 2. C
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
Dostaneme 4 3 = 12 monost, k tmto dvanstim meme prida na

tretie miesto po dvoch rznych tudentoch.
1. A 1. B 1. C
1. A 1. B 2. D
1. A 2. C 1. B
1. A 2. C 2. D
1. A 3. D 1. B
1. A 3. D 2. 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
Monost je teraz 4 3 2 = 24. Posledn tudent, sa zarad na koniec

radu, tm sa poet monost nezmen.
Ako to bude s 24 tudentmi? Na prvom mieste me by 24 rznych tu-

dentov. Na druh miesto ku kadmu z nich meme prida 23 tudentov,
teda 24 23. Na tretie 22 na tvrt 21 a tak alej, a po 24. miesto, na
ktor sa zarad posledn tudent. Poet monost bude:
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!
Obr. 2.5: Obrzky predstavuj 1!, 2!, 3!, 4!, 5!
Nakreslili sme 7! bodiek, a je zrejm, e 24! monost sa nedalo vypsa

(nebolo to v naich silch).
4. Budeme tudentov usdza postupne. Prv vojde do triedy a m 50 mo-

nost, na ktor stoliku si sadne. Druh, ke vojde do triedy, tak vid 49
neobsadench stoliiek. M 49 monost, ako sa posadi ku kadej z 50
monost pre prvho. Spolu teda maj 5049 = 2450 monost. Tret, ke
vojde do triedy, tak vid 48 neobsadench stoliiek. M 48 monost, ako
sa posadi ku kadej z 2450 monost pre prvho a druhho. Spolu teda
Obr. 2.6: Na obrzku je 6! bodiek
maj 50 49 48 monost. Vojde tvrt, rozhliadne sa a vid 47 przd-

nych stoliiek. Tak to pokrauje, a km vojde posledn, 24. tudent.
Dostaneme 50 24 = 26. Poet monost, ako 24 tudentov rozsadi po
posluchrni s 50 stolikami je:
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
Obr. 2.7: Na obrzku je 7! bodiek

1 A B 4 1 B A 4
1 A 3 B 1 B 3 A
1 2 A B 1 2 B A
Poet monost, ako 2 tudentov rozsadi po posluchrni so 4 stolikami,

je len 12 a nie 24, ako sme spotali poda naich vah. Niekde je teda
chyba. Nae vahy je potrebn trochu upravi, njs v nich chybu.
Vrme sa k 24 tudentom. Koko neobsadench stoliiek uvid posledn,

ke vojde do posluchrne? Bude ich 26 alebo 27?
Ke bud vetci 24 tudenti sedie, tak bude v triede 50-24=26 neobsa-

dench stoliiek. Teda ten posledn tudent, km si sadne, bude ma na
vber z 27 neobsadench stoliiek.
Poet monost, ako 24 tudentov rozsadi po posluchrni s 50 stolikami,

je:
50!
50 49 48 28 27 =
26!
Tento posledn vzorec u vyhovuje aj nmu druhmu prkladu. Poet
monost, ako 2 tudentov rozsadi po posluchrni so 4 stolikami, je:
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.
Pozrime sa na tto lohu z hadiska tch cestujcich. Cestujci slo 1

m 5 monost ako vystpi z vlaku. Cestujci slo 2 m tie 5 monost
ako vystpi z vlaku. Spolu teda maj 25 monost.
Bude dobr, ke si teraz uvedomme, preo sa tie monosti nsobia a nie

staj. Cestujci slo 1 vystpil na stanici slo 1 alebo 2 alebo 3 alebo
4 alebo 5. Cestujci slo 1 a 2 vystpili na staniciach slo 1 a 1 alebo
1 a 2 alebo 1 a 3 alebo 1 a 4 alebo 1 a 5 alebo 2 a 1 alebo 2 a 2 alebo 2
a 3 alebo 2 a 4 alebo 2 a 5 alebo . . . . Monosti treba vypisova dovtedy,
km neuverme, e ich bude 25.
Pokraujme v vahch o naom prklade. Aj kad z cestujcich slo 3,

4, . . . , 35 m tie 5 monost ako vystpi z vlaku. Spolu je tch monost
5 5 5 5 5 = 535
Odporame vzorec znovu overi s menm potom cestujcich a stanc.

Vypsa vetky monosti a v prpade nesladu so skutonm potom
treba vzorec opravi.
6. Verme, e po pretan a pochopen predchdzajceho prkladu sa itate

doke sprvne rozhodn medzi rieeniami 57 a 75 .
7. Pozrime sa najprv na rieenie lohy s 2 tudentmi rozsadenmi po miest-

nosti so 4 stolikami. Monost, ako ich rozsadi, bolo 12:
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
Monost, ako po nich ostali zloen stoliky, bolo menej. Na nasleduj-

com rozpise vidme, e je to len es rznych rozloen. Monosti AB a
BA splvaj do jednej monosti XX.
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
1 2 X X
Vsledok bude polovica, teda pvodn poet vydelme 2.
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.
Ale v prpade 24 tudentov je poet monost, ako sa vymeni na tch

istch 24 stolikch, rovn slu 24!
Je to presne toko ako je poet zoraden tchto tudentov do radu na
zpoet.
Poet monost, ako bolo rozmiestnench 24 zloench stoliiek v miest-

nosti s 50 stolikami, je:
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.
In spsob vpotu spova v vahe, e kad z tch piatich podal ruku

inm 4. Ale v tomto vpote je zahrnut aj to, e A podal ruku B aj to,
e B podal ruku A.
54
Take vsledok bude .
2
Alebo lohu meme nakresli ako graf. Piati priatelia bud vrcholy grafu
a podania rk bud hrany medzi tmito vrcholmi. Nakreslme a spo-
tame na obrzku 2.8.
9. Graf na obrzku 2.8 sa vol pln graf s 5 vrcholmi. pln preto, e s

v om zakreslen plne vetky hrany.
v1 v2
v3
v5
v4
Obr. 2.8: Graf s piatimi vrcholmi a vetkmi monmi hranami
Spotajme hrany v plnom grafe so 7 vrcholmi. Kad zo 7 vrcholov

je spojen hranou s ostatnmi 6 vrcholmi. Teda hrn je 7 6. V tomto
vpote je vak kad hrana zapotan 2 razy, preto velkov poet hrn
delme dvoma.
76
pln graf so 7 vrcholmi m hrn.
2
N (N 1)
pln graf s N vrcholmi m hrn.
2
10. Na prvom mieste me ma 5-cifern slo cifru 1, 2 alebo 3. Rovnako na
druhom, treom a piatom mieste. Poet takchto sel je:
3 3 3 3 3 = 35
11. Poet takchto sel je 7 8 8 8 = 7 83 .

o sa zmenilo oproti predchdzajcej lohe?
12. Zakrtnutch sel bude 6. Prv meme umiestni na 49 miest, druh u

len na 48 a tak alej, pre posledn ostva 44 miest. A ete je potrebn
vsledok vydeli potom vetkch monch premiestnen iestich sel.
Preo?
13. Poet vetkch podmnon 5-prvkovej mnoiny je 25 = 32. Poet vet-

kch podmnon 6-prvkovej mnoiny je dvojnsobn. Ku kadej z pred-
chdzajcich mnon pridme 6-ty prvok. To znamen, e tento 6-ty pr-
vok bude obsiahnut presne v 32 podmnoinch. Teda prienikom tchto
32 podmnon bude prve 6-ty prvok. Aspo 32 podmnon bude ma
neprzdny prienik. Viac ako 32 by to bolo iba v prpade, e niektor
z prvkov sa nachdza vo viacerch podmnoinch ako 6-ty prvok. o
myslte, ktor by to mohol by?
87
14. pln graf s 8 vrcholmi m = 28 hrn.
2
Teda v grafe s 8 vrcholmi je 28 miest, kam je mon umiestni hranu.

Preto existuje 28 rznych grafov s 8 vrcholmi a jednou hranou. Ak chceme
umiestni druh hranu, mme na to 27 monost. Pri ukladan hrn ale
dostaneme kad graf dva razy poda toho, i dve hrany boli uloen ako
prv a druh alebo ako druh a prv.
28 27
Preto existuje rznych grafov s 8 vrcholmi a dvoma hranami.
2
28 27 26
Grafov s 8 vrcholmi a 3 hranami je ,
6
pretoe je 6 monost poradia v akom ulome 3 hrany na rovnak miesta.
Rznych grafov s 8 vrcholmi a 28 hranami existuje pomerne mlo. Koko?
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.
17. Teraz by u toho vypisovania bolo vea. Ku kadej z monost rozdelenia

det pribudne 5 alch monost.
Teda namiesto monosti AB CD EF, bud v zozname tieto monosti
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
2.2 tatistick, klasick a geometrick spsob v-

potu pravdepodobnosti
V predchdzajcej kapitole sme uviedli, e pravdepodobnos sa potala via-
cermi spsobmi. Poda situcie sa zvolil tak spsob, ktor najviac vyhovo-
val. Samozrejme, matematici u s tm urobili poriadok a kad z postupov je
vlastne inm zenm axiomatickej dencie.
Rznorodos spsobov, ako sa pravdepodobnos potala, potvrdzuje fakt,
e pravdepodobnos vyrstla z rieenia loh. Nevznikla tak, e by sa vybudo-
vala najprv teoretick pravdepodobnos a potom sa vymysleli na u prklady.
Preto aj my v tejto kapitole vynechme teoretick vahy a sksime sa o prav-
depodobnosti nieo naui tak, e budeme riei lohy.
Nasledujce dve lohy podnietili mnoh vahy a diskusie o pravdepodob-
nosti.
Na prklade ukeme, ako pomocou geometrickho spsobu vpotu prav-
depodobnosti meme dosta dve rzne rieenia nasledujcej lohy.
loha 2.2.1 (Bertrandov paradox) V krunici K sa nhodne zvol tetiva.

Ak je pravdepodobnos, e tto tetiva bude dlhia ako strana rovnostrannho
trojuholnka vpsanho krunici K ?
Rieenie: Rznymi postupmi meme dosta dve rzne rieenia tejto lohy:
1. Vo vntri kruhu zvolme nhodne bod X . Tento bod bude stredom tetivy,
ako vidme na obrzku 2.9.
Obr. 2.9: Nhodne zvolen bod X je stred tetivy a krunica L vpsan troju-
holnku ABC
Krunici K vpeme rovnostrann trojuholnkABC . Tomuto trojuhol-

nku vpeme krunicuL. Ak sa bod X , teda stred tetivy, nachdza vntri
kruhu urenho krunicou L, tetiva so stredom X bude dlhia ako strana
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
Hadan pravdepodobnos je:
R2

P1 = 4 =1
R2 4
2. Vo vntri kruhu K zvolme nhodne bod X. Tento bod bude stredom

tetivy a zrove bude lea na nejakej seke SV , ktor je vlastne polo-
merom krunice K . Tento polomer m dku R. Na obrzku 2.10 vidme,
e strana AB trojuholnka ABC rozdel seku SV na dve asti SU a
U V . seka SU je polomer krunice vpsanej trojuholnku ABC a poda
R
predchdzajceho vpotu m vekos |SU | = r = .
2
Obr. 2.10: Nhodne zvolen bod X le na polomere SV krunice K
Bod X je nhodne zvolen bod vntri kruhu, a teda aj nhodne zvo-

len bod na seke SV . Tetiva so stredom X bude dlhia ako strana
trojuholnka ABC , X
ak bude lea na seke SU .
Hadan pravdepodobnos je:
|U V | 1
P2 = =
|SV | 2
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.
Obr. 2.11: Monty Hall problm a jeho simulcia

2.2.1 Otzky z terie
1. Popte dve udalosti, ktor s disjunktn.
2. K danm dvom udalostiam s aj ich zjednotenie, prienik a doplnok uda-

losti. Ilustrujte toto tvrdenie na hode kockou.
3. Nech mnoina = {1, 2, 3, 4, 5, 6} popisuje vsledky hodu kockou, nech

udalos A spova v tom, e pri hode kockou padlo neprne slo. Napte,
ak sla obsahuje mnoina A.
4. Nech mnoina popisuje vsledky hodu dvansstenom. Nech udalos A
spova v tom, epri hode dvansstenom padlo niektor z sel 2,4,6".
"
Ak je pravdepodobnos udalosti A?
5. Nech mnoina = {1, 2, 3, 4, 5, 6} popisuje vsledky hodu kockou. Po-

pte slovne udalosti zodpovedajce mnoinm A1 = {1, 2, 3, 4, 5, 6},
A2 = , A3 = {1, 3, 5}, A4 = {2, 4, 6}, A5 = {1, 2}, A6 = {4, 6}. Skste
urobi popis udalosti Ak bez pouitia tch sel, ktor obsahuje mnoina
Ak .
6. Napte pravdepodobnosti vetkch udalost z prkladu 5.
7. omu sa rovn pravdepodobnos zjednotenia dvoch disjunktnch uda-

lost? Ilustrujte na nejakch dvoch udalostiach z prkladu 5.
8. omu sa rovn pravdepodobnos zjednotenia dvoch udalost, ktor nie

s disjunktn? Ilustrujte na nejakch dvoch udalostiach z prkladu 5.
9. Njdite dve udalosti tak, e vekos (mohutnos) mnoiny predstavuj-

cej udalos A je menia ako vekos (mohutnos) mnoiny predstavujcej
udalos B, N (A) < N (B), ale zrove pre tieto udalosti plat,
teda plat
e pravdepodobnos Pr(A) > Pr(B).
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?
1. Pri nhodnom pokuse popisujcom hod kockou, udalosti A = {1, 2} a

B = {3} predstavuj dve disjunktn 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
ich zjednotenie je udalos:

A B: padlo niektor z sel 2, 4, 5 alebo 6"
"
ich prienik je udalos:
A B: padlo slo 6"
"
doplnok kadej z udalost je udalos:
A: padlo neprne slo"
"
B : padlo slo menie, nanajv rovn ako 4"
"
3. Udalos na kocke padlo neprne slo" reprezentuje mnoina A = {1, 3, 5}.

"
4. Mnoina , predstavujca nhodn pokus, je konen a vetky vsledky

s rovnako pravdepodobn (predpokladme, e n dvanssten je pravi-
deln a nie falon!) Preto na vpoet pravdepodobnosti meme poui
klasick denciu pravdepodobnosti:
|A| 3
= = 0.25
|| 12
5. A1 : na kocke padlo nejak slo"

"
A2 : nepadlo iadne slo"
"
A3 : na kocke padlo neprne slo"
"
A4 : na kocke padlo prne slo"
"
A5 : na kocke padlo slo menie ako 3"
"
A6 : na kocke padlo prne slo vie ako 3"
"
6.
Pr(A1 ) = 1
Pr(A2 ) = 0
1
Pr(A3 ) =
2
1
Pr(A4 ) =
2
1
Pr(A5 ) =
3
1
Pr(A6 ) =
3
7. Pravdepodobnos zjednotenia dvoch disjunktnch udalost sa rovn stu

pravdepodobnost tchto udalost.
5
Pr(A3 A6 ) = Pr(A3 ) + Pr(A6 ) = Pr({1, 3, 4, 5, 6}) =
6
8. Pravdepodobnos zjednotenia dvoch udalost, ktor nie s disjunktn, sa

rovn stu pravdepodobnost tchto udalost, mnus pravdepodobnos
ich prieniku.
3 2 1 4
Pr(A4 A5 ) = Pr(A4 ) + Pr(A5 ) Pr(A4 A5 ) = + =
6 6 6 6
9. Toto je chytk! Treba sa pripravi na ivot, ktor nie je vdy spravodliv!
UdalosA: na minci padla hlava" m poet prvkov (mohutnos) 1 a jej

"
pravdepodobnos je 1/2.
Udalos B: na kocke padlo slo 1 alebo slo 2" m poet prvkov (mo-
"
hutnos) 2 a jej pravdepodobnos je 2/6.
Naozaj plat N (A) < N (B), ale zrove pre tieto udalosti plat, e prav-
depodobnos Pr(A) > Pr(B).
10. Udalos z prkladu 5, pre ktor plat:
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?
1
12. Pri hode dvansstenom je pravdepodobnos, e padne slo 11, rovn .
12
Pri hode dvoma kockami je pravdepodobnos, e padne set 11, rovn:
2 1
=
36 18
Via pravdepodobnos v prklade 11 je pri losovan dvansstenom.

Ak s ance v prklade slo 10?
2.2.2 Prklady
1. V miestnosti sa zilo k ud.

Ak je pravdepodobnos, e aspo dvaja z nich oslvia narodeniny v ten
ist de?
2. Koko ud mus by v miestnosti, aby pravdepodobnos, e aspo dvaja

z nich oslvia narodeniny v ten ist de, bola via ako 1/2?
3. Ktor z udalost A, B m viu pravdepodobnos?

A: "pri 4 hodoch kockou padne aspo jedna estka"
B: "pri 24 hodoch 2 kockami naraz padne aspo raz vsledok es, es"
4. Ak je pravdepodobnos, e nhodne zvolen escifern telefnne slo

m vetky slice (cifry) rzne?
5. V sade 30 otzok na skke je 8 zo tatistiky a 22 z pravdepodobnosti.

Ak je pravdepodobnos, e medzi 3 nhodne vybranmi otzkami ne-
bude ani jedna otzka zo tatistiky?
6. Priemerne ako dlho treba hdza kockou, km padne estka?

Ktor pravdepodobnos je via, e padne estka na druhkrt alebo na
piatykrt? Urobte pokus s aspo 100 realizciami!
7. Ste dohodnut s partnerom(kou), e vm zavol na mobil v ase od 8:30

do 9:10. Od 9:00 zana prednka.
Ak je pravdepodobnos, e vm dotyn() zavol poas prednky?
8. Signalizan zariadenie dostva signly z dvoch zdrojov. Kad zo zdro-

jov vyle jednu sprvu v nhodnom okamihu v priebehu asovho in-
tervalu 5 hodn. Vyslanie signlu zo zdroja v kadom z okamihov poas
tchto 5 hodn je rovnako pravdepodobn. Signalizan zariadenie sa za-
pne, ak sprvy zo zdrojov prdu za menej ako hodinu po sebe.
Ak je pravdepodobnos, e sa signalizan zariadenie zapne?
9. Miko si nevie vybra medzi dvoma kamartkami, a tak rozhodnutie ne-

chal na nhodu. Prde na stanicu metra v nhodnom ase a pok, km
prde vlak smerom na konen A (a Miko navtvi Aniku) alebo vlak
smerom na konen B (a Miko navtvi Betku). Vlaky obidvoma smermi
chodia v 4 mintovch intervaloch.
Napriek tomu, e si myslel, e je rovnak pravdepodobnos navtvi obe
dievat, zistil, e Aniku navtevuje omnoho astejie. Preo?
10. Dvaja priatelia pracuj v 14-poschodovej budove. Janko pracuje na 2. po-

schod a Ferko na 10. poschod. Ke sa id navtvi, pouij vah, ktor
funguje tak, e sa neprivolva, ale stle ide z 1. na 14. poschodie a potom
zase zo 14. na 1. poschodie. Zastav, ke treba a pokrauje rovnakm
smerom. Smer zmen iba plne hore, alebo plne dole.
Janko m pocit, e astejie, ke prde ku vahu, ide tento nadol, a teda
mus aka, km sa vah vrti.
Ferko naopak tvrd, e ke prde ku vahu on, tak je via pravdepo-
dobnos, e vah pjde nahor, ne pravdepodobnos, e pjde nadol.
Kto z nich m pravdu a preo?
Rieenie prkladov
1. lohy s premennm potom monost sksime riei najprv pre mal

hodnoty k. Ke budeme ma niekoko rieen, budeme hada nejak
svislos medzi vsledkami. Udalos A bude spova v tom, e v miest-
"
nosti s aspo dvaja udia, ktor maj narodeniny v rovnak de".
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.
Monosti, e sa narodili v ten ist de, je toko ako dn v roku, teda

N (A) = 366. Tento vsledok dostaneme aj ke spotame poet
monost, v ktorch nebud ma narodeniny sasne:
X Y
1.1. 2.1.
1.1. 3.1.
. .
. .
. .
31.12. 30.12.
N (A) = 366 365, N (A) potom meme vypota ako:
N (A) = N () N (A) = 366 366 366 365 = 366

Tento druh vpoet vyzer komplikovane, ale d sa mu porozu-

mie. Poet dn, kedy nemaj naraz dvaja udia narodeniny, je
366 365, pretoe prv sa narod v hociktor de v roku (366 mo-
nost) a druh v hociktor in de (365 monost). U v alom
kroku bude toti jednoduchie spota poet monost komplemen-
trnej udalosti, ne udalosti pvodnej.
V prpade, e v miestnosti s 2 udia, je pravdepodobnos, e maj

narodeniny v rovnak de:
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.
. . .
. . .
. . .
31.12. 31.12. 30.12.

31.12. 31.12. 31.12.
N () = 366 366 366 = 3663

Monosti, e sa aspo dvaja z nich narodili v ten ist de, spo-
tame pomocou potu monost, v ktorch nebud ma narodeniny
sasne:
X Y Z
1.1. 2.1. 3.1.
1.1. 2.1. 4.1.
. . .
. . .
. . .
31.12. 30.12. 28.12.

31.12. 30.12. 29.12.
N (A) = 366 365 364, potom:
N (A) = N () N (A) = 366 366 366 366 365 364
V prpade, e v miestnosti s 3 udia, je pravdepodobnos, e maj

aspo dvaja z nich narodeniny v rovnak de:
N (A) 366 366 366 366 365 364

Pr(A) = = = 0.008181
N () 3663
k=n
Mnoina vetkch monost , ako me ma narodeniny n ud je:
N () = 366n
N (A) = 366 365 364 (366 n + 1), potom
N (A) = N () N (A) = 366n 366 365 364 (366 n + 1)
V prpade, e v miestnosti je n ud je pravdepodobnos, e maj

narodeniny v rovnak de:
N (A) 366n 366 365 364 (366 n + 1)

Pr(A) = =
N () 366n
2. Vzorec, ktor sme odvodili v predchdzajcej lohe meme ete upravi

na tvar:
N (A) 366n 366 365 364 (366 n + 1)

Pr(A) = =
N () 366n
Po alej prave dostaneme vzorec popisujci pravdepodobnos celho

"
priestoru okrem udalosti kad sa narodil inokedy".
366 365 364 (366 n + 1)

Pr(A) = 1
366n
Teraz u treba len dosadzova postupne alie sla, a km pravdepo-
1
dobnos nepresiahne hodnotu .
2
3. Cel mnoina monost pre vsledky 4 hodov kockou je:
= {(1, 1, 1, 1), (1, 1, 1, 2), (1, 1, 1, 3), . . . , (6, 6, 6, 6)}

Jej mohutnos je N () = 64 . Udalos A nastane, ak padne pri 4 hodoch

1 estka, alebo 2 estky, alebo 3 estky, alebo 4 estky. Jednoduchie bude
spota poet monost, kedy udalos A nenastane.
A = {(1, 1, 1, 1), (1, 1, 1, 2), (1, 1, 1, 3), . . . , (5, 5, 5, 5)}
Jej mohutnos je N (A) = 54 . Pravdepodobnos, e na kocke padne aspo

1 estka, je:
54
Pr(A) = 1 Pr(A) = 1 = 0.5177
64
Cel mnoina monost pre vsledky hodu dvoma kockami je:
1 = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), . . . , (6, 5), (6, 6)}
Jej mohutnos je:

N (1 ) = 62
Cel mnoina monost pre vsledky 24 hodov dvoma kockami je:
= {((1, 1), (1, 1), . . . , (1, 1)) , ((1, 1), (1, 1), . . . , (1, 2)) , . . . ,
((6, 6), (6, 6), . . . , (6, 6))}

Jej mohutnos je:
N () = 3624
Udalos B nastane, ak padne (6,6) pri 24 hodoch 1-krt, alebo 2-krt,
alebo ..., alebo 24-krt. Zase bude jednoduchie spota poet monost,
kedy udalos B nenastane. To je 35 monost v prvom hode, 35 v druhom,
. . . 35 monost v 24. hode. Mohutnos B je:
N (B) = 3524
Pravdepodobnos, e pri hode dvoma kockami aspo raz padne vsledok

(6,6) je:
3524
Pr(B) = 1 Pr(B) = 1 = 0.4914
3624
4. Cel mnoina monost pre nhodn vytoenie telefnneho sla je:
= {(0, 0, 0, 0, 0, 0), (0, 0, 0, 0, 0, 1), . . . , (9, 9, 9, 9, 9, 9), }
Jej mohutnos je:

N () = 106
Udalos A nastane, ak bud vetky vytoen sla rzne. Mohutnos mno-

iny A je 10 9 8 7 6 5, preto pravdepodobnos, e nhodne zvolen
escifern telefnne slo m vetky slice rzne, je:
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?
5. Vetkch monch trojc, ako si vybra 3 rzne otzky spomedzi 30, je

30 29 28, ale v tomto pote s ete zahrnut rzne poradia tej istej
trojice. Preto je treba vsledok predeli potom porad, ktor sa daj
vyrobi z jednej trojice.
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
Pravdepodobnos, e medzi 3 nhodne vybranmi otzkami nebude ani

jedna otzka zo tatistiky je:
22 21 20
22 21 20
Pr(A) = 3 2 1 = = 0.3793
30 29 28 30 29 28
321
6. Priebeh pokusu bude jednoduch. S hracou kockou so iestimi stenami

budeme hdza dovtedy, km padne slo 6. Potom zaznamenme, na
kok hod t 6-ka padla. Vsledok bude nejak z sel 1, 2, 3, 4, 5, 6,
7, 8,. . . . Nie je jasn, ktor bude to najvie zo zaznamenanch sel.
Takchto pokusov bude aspo 100. Priemer z tchto sel dostaneme
tak, e urobme ich set a tento potom vydelme ich potom. To bude
priemern poet hodov, ktor treba urobi, km na kocke padne estka.
(D sa urobi aj teoretick vpoet tejto hodnoty, ale to urobme niekedy
neskr.)
Predchdzajci pokus dva odpove aj na otzku, ktor pravdepodobnos

je via. i je pravdepodobnejie, e padne estka na druhkrt alebo
na piatykrt. Spotame v zozname sla 2 a sla 5 a zistme, ktorch je
viac.
In monos rieenia je urobi mylienkov pokus:
Namiesto 100 hdzan jednou kockou, budeme hdza naraz 100 kockami,
ke padne na kocke estka, u ju nebudeme alej hdza.
Po prvom hode asi na estine kociek padne estka, tie vylime a h-
deme alej s menm potom (pribline 83 kockami).
Po druhom hdzan 83 kockami asi na estine kociek padne estka (asi na
14), tie vylime a hdeme alej s menm potom (pribline 69 koc-
kami).
Po treom hdzan 69 kockami asi na estine kociek padne estka, tie
vylime a hdeme alej s menm potom (pribline 57 kockami).
Po tvrtom hdzan 57 kockami asi na estine kociek padne estka, tie
vylime a hdeme alej s menm potom (pribline 50 kockami).
Pri piatom hdzan mme k dispozcii asi 50 kociek, na ktorch asi na
estine padne estka. Teda asi na 8 kockch padne estka, priom pri
druhom hode to bolo asi na 14.
Alebo ete jednoduchie: kocky, na ktorch estka padla na druhkrt u

nepouvame pri hdzan na piatykrt, take estiek na piatykrt bude
menej. Skoro urite! Alebo presnejie, s vekou pravdepodobnosou. Pri
100 pokusoch sa ete me sta, e tch na druh pokus bude menej ako
tch na piaty!
7. Okamihov, kedy me zazvoni mobil, je nekonene vea. Aj ke to

nekoneno" trv len 40 mint. Tch 40 mint je vlastne miera aso-
"
vho intervalu, ktor obsahuje nekonene vea okamihov. Takto sme si
nekonene vea monost previedli na konen slo. Teda () = 40.
Udalos A, e telefn zazvon poas prednky, m mieru (A) = 10.
Pravdepodobnos, e mobil zazvon poas prednky, je:
(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.)
8. asov interval pre vysielanie prvho aj druhho zdroja pre signalizan

zariadenie plynie od asovho okamihu 0 po asov okamih 5. Vypme
si niektor hodnoty mnoiny .
= {(0, 0), (0, 0.12), (1, 2.03), . . . }
Mnoina m nekonene vea hodnt. Aby sme mohli vypota mieru

tejto mnoiny, sksme si ju najprv nakresli.
Obr. 2.12: Mnoina vetkch okamihov odoslania signlu, zakreslen ako tvo-
rec
Mnoina vetkch okamihov odoslania signlu, meme zakresli ako

tvorec na obrzku 2.12. Jeho miera (plocha) bude () = 25.
Mnoina na obrzku 2.13 zodpoved udalosti A, kedy sa signalizan za-
riadenie zapne, pretoe sprvy zo zdrojov prdu za menej ako hodinu po
sebe.
Miera (plocha) tejto mnoiny bude (A) = 25 2 8 = 9.

Pravdepodobnos, e sa signalizan zariadenie zapne, je
(A) 9
Pr(A) = = = 0.36
() 25
9. Vymyslime si cestovn poriadok metra.

Naprklad vlak k Anike chod v asoch 12:06, 12:10, 12:14,. . .
Vlak k Betke chod 12:07, 12:11, 12:15,. . . .
Miko prde na stanicu v nhodnom ase.
Ak to bude v intervale (12:07, 12:10, tak skr prde vlak, ktorm sa
odvezie k Anike.
Ak Miko prde na stanicu v intervale (12:10, 12:11, tak skr prde vlak,
(0,5) (4,5) (5,5)
(1,4)
(5,4)
(0,1)
(0,0) (1,0) (5,0)
Obr. 2.13: Mnoina vetkch okamihov, kedy sa signalizan zariadenie zapne,

je vyrafovan as tvorca
ktorm sa odvezie ku Betke. Podobne to bude po cel de.

Teda ak na stanicu prde rovnako nhodne, v ktorkovek mintu da,
tak s pravdepodobnosou 3/4 pocestuje k Anike a s pravdepodobnosou
1/4 pocestuje ku Betke.
10. Tto loha m podobn vysvetlenie, ako predchdzajca loha s met-

rom. Obaja maj pravdu. Ke prde ku vahu Janko, ide vah s vou
pravdepodobnosou nadol, a teda Janko mus aka, km sa vah vrti.
Ke prde ku vahu Ferko, tak bude via pravdepodobnos, e vah
pjde nahor, ne pravdepodobnos, e pjde nadol.
Dvod je jednoduch: na 2. poschod 14-poschodovej budovy je monost,
e je vah niekde vyie urite viac, ne monost, e vah je pod rov-
ou 2. poschodia.
Naopak, na 10. poschod 14-poschodovej budovy je monost, e je vah
niekde niie, urite viac, ne monost, e vah je nad rovou 10. pos-
chodia.
Situcia sa d nakresli a pravdepodobnosti spota presne.
pravdepodobnosti 71
2.3 Podmienen pravdepodobnos, nezvisl

udalosti, veta o plnej pravdepodobnosti
Rieime lohu vpotu pravdepodobnosti udalosti A, ke vieme, e nastala
udalos B.
loha 2.3.1 Ak je hracia kocka vyven tak, e vetky strany mu padn

s rovnakou pravdepodobnosou, tak pravdepodobnos udalosti A, e na kocke
padne slo 2, je:
1
Pr(A) =
6
Ale pravdepodobnos udalosti A, e na kocke padne slo 2 za predpokladu,
e vieme, e nastala udalos B , e na kocke padlo prne slo, je iba:
1
Pr(A|B) =
3

Podmienen pravdepodobnos udalosti A za podmienky B zna-

men, e namiesto pvodnej mnoiny vetkch udalost budeme uvaova
len meniu mnoinu B. Po tomto zen, nenulov pravdepodobnos vskytu
bud ma tie prvky mnoiny A, ktor sa nachdzaj v mnoine B.
Teda zmenme vzorec pre pravdepodobnos udalosti A:
N (A)
Pr(A) =
N ()
na vzorec pre pravdepodobnos udalosti A za podmienky B:
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
A 1 2 4
6
3
5 B
Obr. 2.14: Pravdepodobnos udalosti A|B , kde A znamen, e na kocke padne

slo vie ako 2 a B znamen, e na kocke padlo prne slo.
loha 2.3.2 je ilustrovan na obrzku 2.14.
Vzorec 2.1 ete meme upravi na tvar:
N (A B)
N () Pr(A B)
Pr(A|B) = = (2.2)
N (B) Pr(B)
N ()
Uveden vzorce platia iba pre Pr(B) = .
Nasledujce vlastnosti podmienenej pravdepodobnosti ahko pochopme,

ke prslun mnoiny nakreslme.
BjA AB =B Pr(A|B) = 1
Pr(A B|C) = Pr(A|C) + Pr(B|C) Pr(A B|C)
Pr(A|B) = 1 Pr(A|B)
Dve udalosti A a B nazveme nezvisl, ak podmienen pravdepodobnos

udalosti A za podmienky B nezvis od tejto podmienky, teda ak:
Pr(A|B) = Pr(A)
Podmienka sa d upravi na tvar:
Pr(A B)
Pr(A|B) = = Pr(A)
Pr(B)
a odtia
Pr(A B) = Pr(A). Pr(B)
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
Pravdepodobnos udalosti A|B , e c1 rozbil okno za podmienky, e okno rozbil

chlapec, je:
N (A B) 1
Pr(A|B) = =
N (B) 14

Dleitm tvrdenm o podmienenej pravdepodobnosti je veta o plnej prav-

depodobnosti. Tto veta umouje njs pravdepodobnos komplikovanej uda-
losti pomocou zjednotenia viacerch udalost, ktorch pravdepodobnos vieme
vypota jednoduchie. Rozlome zkladn mnoinu na niekoko mnon
Hk k = 1, 2, . . . tak, aby sa neprekrvali, ako vidno na obrzku 2.15. Takto
podmnoiny nazvame pln systm podmnon, alebo rozklad mnoiny .
H1
H2
H3
H4
H5
H6
W
Obr. 2.15: Rozklad mnoiny na pln systm podmnon
Formlne je teda pln systm podmnon mnoiny , tak systm Hk

pre ktor plat:
Hj Hi = , pre vetky j = i,

Hk = .
k
Veta o plnej pravdepodobnosti.
Pre pln systm podmnon Hk mnoiny , tak, e Hk ; Pr(Hk ) = 0 plat:

Pr(A) = Pr(A|Hk ). Pr(Hk )
k
Mnoinov schmu vety o plnej pravdepodobnosti vidme na obrzku 2.16.
H1 H2
A H3
H4
H5
H6
W
Obr. 2.16: Veta o plnej pravdepodobnosti
loha 2.3.4 Ak je pravdepodobnos, e nhodne vytiahnut karta z kopy po-

mieanch sedmovch a olkovch kariet bude eso (ozname ju ako udalos
E )?
pravdepodobnosti 75
Rieenie: Sedmovch kariet je 32 a olkovch je 52. V kadom z balkov s 4

es, teda pravdepodobnos, e vytiahneme sedmov eso je 4/32 a e vytiahneme
olkov eso je 4/52. To, e karta je zo sedmovho balka (ozname ju ako
udalos S ), je32/(32 + 52) = 32/84. To, e karta je zo olkovho balka
(ozname ju ako udalos Z ), je 52/(32 + 52) = 52/84.
Pouitm vety o plnej pravdepodobnosti dostvame:
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.

Predchdzajca loha bola sce jednoduch na pochopenie, ale nepresvedila

ns, e je potanie pomocou vety o plnej pravdepodobnosti potrebn. Vrme
sa teraz k televznej sai o auto z lohy 2.2.2.
loha 2.3.5 Auto je za jednmi z troch dver, za almi dvoma dverami s

prasiatka. Nevie sa, o kde je. Pravidl s nasledujce: 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. Ak je
pravdepodobnos udalosti A, e auto je za inmi dverami, ne ktor ste si vybrali
pvodne?
Rieenie: Rozlome cel priestor monost na tri mnoiny, poda toho, na ak
dvere ste ukzali.
H1 znamen, e ste ukzali na prv dvere
H2 znamen, e ste ukzali na druh dvere
H3 znamen, e ste ukzali na tretie dvere

3
Pr(A) = Pr(A|Hk ). Pr(Hk ) =
k=1
= Pr(A|H1 ). Pr(H1 ) + Pr(A|H2 ). Pr(H2 ) + Pr(A|H3 ). Pr(H3 ) (2.3)
Zoberme prv prpad H1 a rozdeme ho na monosti, ktor mu nasta

C1 znamen, e auto je za prvmi dverami
C2 znamen, e auto je za druhmi dverami
C3 znamen, e auto je za tretmi dverami
Pravdepodobnos udalosti B = A|H1 , e auto je za inmi dverami, ne

ktor sme si vybrali pvodne, za podmienky, e ste ukzali na prv dvere, je:
Pr(B) = Pr(B|C1 ) Pr(C1 ) + Pr(B|C2 ) Pr(C2 ) + Pr(B|C3 ) Pr(C3 ) =

1 1 1 1 1 1 2
= Pr(B|C1 ) + Pr(B|C2 ) + Pr(B|C3 ) = 0 + 1 + 1 =
3 3 3 3 3 3 3
Dostali sme, e pravdepodobnos udalosti B = A|H1 , e auto je za inmi
dverami, ne ktor sme si vybrali pvodne, za podmienky, e ste ukzali na
2
prv dvere, s .
3
2 2
Podobne ukeme, e aj Pr(A|H2 ) = a Pr(A|H3 ) = .
3 3
Po dosaden vypotanch hodnt do vzahu 2.3, dostaneme:
Pr(A|H1 ) Pr(H1 ) + Pr(A|H2 ) Pr(H2 ) + Pr(A|H3 ) Pr(H3 ) =

2 1 2 1 2 1 2
= + + =
3 3 3 3 3 3 3
pravdepodobnosti 77
2.3.1 Otzky z terie
1. Popte dve udalosti, ktor s nezvisl.
2. Pravdepodobnos udalosti A, e na kocke padne prne slo, je 3/6.

Pravdepodobnos udalosti B , e padne slo vie ako 3, je 2/6.
Pravdepodobnos udalosti C , e na kocke padne prne slo, ktor je
vie ako 3, je 2/6. Vyjadrite pravdepodobnos udalosti C pomocou
pravdepodobnost udalost A a B .

Pravdepodobnos udalosti C , e na kocke padne prne slo alebo slo,
ktor je vie ako 3, je 4/6. Vyjadrite pravdepodobnos udalosti C po-
mocou pravdepodobnost udalost A a B .

Pravdepodobnos udalosti C , e padne prne slo, ktor je vie ako
1, je 1/3. Vyjadrite pravdepodobnos udalosti C pomocou pravdepodob-
nost udalost A a B .

Pravdepodobnos udalosti C , e padne slo menie ako 3, je 2/6. Prav-
depodobnos udalosti D, e na kocke padne prne slo, alebo slo vie
ako 3, alebo slo menie ako 3, je 5/6. Vyjadrite pravdepodobnos uda-
losti D pomocou pravdepodobnost udalost A, B a C .

Pravdepodobnos udalosti C , e padne slo menie ako 4, je 3/6. Prav-
depodobnos udalosti D, e na kocke padne prne slo, alebo slo vie
ako 4, alebo slo menie ako 4, je1. Vyjadrite pravdepodobnos udalosti
D pomocou pravdepodobnost udalost A, B a C .
7. Napte vzorec pre podmienen pravdepodobnos. Uvete prklad na

jeho pouitie.
8. Napte vzorec pre pravdepodobnos prieniku dvoch zvislch udalost.

Uvete prklad na jeho pouitie.
9. Napte vetu o plnej pravdepodobnosti. Vysvetlite, preo plat.

1. Naprklad udalos, e pri hode dvoma kockami padne na prvej slo 1

(udalos A) a na druhej slo 1 (udalos B ).
Naozaj plat:
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.
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
= {(B, B, B, M, M, M ), (B, B, M, B, M, M ), (B, B, M, M, B, M ),
(B, B, M, M, M, B), (B, M, B, B, M, M ), (B, M, B, M, B, M ),

(B, M, B, M, M, B), (B, M, M, B, B, M ), (B, M, M, B, M, B),
(B, M, M, M, B, B), (M, B, B, B, M, M ), (M, B, B, M, B, M ),
(M, B, B, M, M, B), (M, B, M, B, B, M ), (M, B, M, B, M, B),
(M, B, M, M, B, B), (M, M, B, B, B, M ), (M, M, B, B, M, B),
(M, M, B, M, B, B), (M, M, M, B, B, B)}
Tchto monost je 20. Z toho 4 s tak, e s v prvch dvoch ahoch

vytiahnut biele 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.
Ak pouijeme postup z prkladu o stolikch v prklade 7 v asti 2.1.2,

tak dostaneme:
654
= 20
321
8. Naprklad udalos, e pri hode kockou padne slo prne (udalos A) a
zrove vie ako 3 (udalos B ).
Naozaj plat:
2 3 6 1
Pr(A B) = Pr(A|B) Pr(B) = = =
3 6 18 3
9. Pre pln systm podmnon Hk mnoiny , tak, e Hk ; Pr(Hk ) = 0

plat:

Pr(A) = Pr(A|Hk ) Pr(Hk )
k
Dkaz:

A= (Hk A)
k

Pr(A) = Pr(Hk A)
k
Podmienen pravdepodobnos Pr(A|Hk ) sa vypota:
Pr(Hk A)
Pr(A|Hk ) = , pre Pr(Hk ) = 0
Pr(Hk )
Odtia:
Pr(Hk A) = Pr(A|Hk ) Pr(Hk ) , pre Pr(Hk ) = 0
Preto plat veta o plnej pravdepodobnosti:

Pr(A) = Pr(Hk A) = Pr(A|Hk ) Pr(Hk )
k k

pravdepodobnosti 81
2.3.2 Prklady
1. Z balka 32 sedmovch kariet vytiahneme nhodne po sebe tri karty.

Karty do balka nevraciame. Ak je pravdepodobnos, e eso vytiahneme
a na tretkrt?
2. Vo vrecku s hlinen a kovov guky. Ich farba je biela a modr. Prav-

depodobnos, e vytiahneme bielu, hlinen guku, je 0.21 a pravdepo-
dobnos, e vytiahneme bielu guku, je 0.32. Ak je pravdepodobnos,
e spomedzi bielych guok vytiahneme hlinen guku?
3. Sprva prechdzajca sieou mus prejs kanlom K1 , potom jednm z ka-

nlov A1 , A2 , A3 a nakoniec kanlom K2 . Kanl K1 bude ma poruchu
s pravdepodobnosou 0.2, kanl A1 bude ma poruchu s pravdepodob-
nosou 0.1, kanl A2 bude ma poruchu s pravdepodobnosou 0.4, kanl
A3 bude ma poruchu s pravdepodobnosou 0.5 a kanl K2 bude ma po-
ruchu s pravdepodobnosou 0.3. Predpokladme, e vetky kanly maj
poruchy navzjom nezvisle. Ak je pravdepodobnos, e sprva neprejde
sieou kvli poruche niektorho z kanlov?
4. tatistickm pozorovanm sa zistilo, e 8% paketov v sieti prena re.

Spomedzi paketov, ktor neprenaj re, je 25% paketov takch, e
prenaj obraz. Ak je pravdepodobnos, e nhodne vybran paket
spomedzi vetkch prena obraz?
5. V losovacom zariaden sa nachdzaj tieto sla: 2, 4, 4, 3, 4, 3, 4, 2, 1,

3. Vytiahneme slo a prezradme, e je prne. Ak je pravdepodobnos,
e toto slo je menie ako 3?
6. Strelec zasiahne cie s pravdepodobnosou 0.8. Ak je pravdepodobnos,

e cie zasiahne 10-krt za sebou, ak vieme, e jednotliv pokusy s od
seba nezvisl?
7. Mama troch det pozer telenovelu. Pravdepodobnos, e prv diea ne-

bude od nej poas telenovely ni chcie, je 0.9, pravdepodobnos, e druh
diea nebude od nej poas telenovely ni chcie, je 0.8 a pravdepodobnos,
e tretie diea nebude od nej poas telenovely ni chcie, je 0.85. Pred-
pokladme, aj ke to nie je relne, e vetky deti sa chovaj navzjom
nezvisle. Ak je pravdepodobnos, e mamu poas telenovely nevyru
iadne z jej troch det?
8. Na stole s tri misky. V prvej miske s 3 biele a 1 lt cukrk, v druhej

1 biely a 4 lt cukrky a v tretej miske s 2 biele a 2 lt cukrky.
Nhodne vyberieme cukrk z 1. misky a dme ho do 2. misky, potom

nhodne vyberieme cukrk z 2. misky a potom ho dme do 3. misky.
Nakoniec nhodne vyberieme cukrk z 3. misky. Ak je pravdepodobnos,
e vetky tri vytiahnut cukrky boli biele?
9. Na stole s tri misky. V prvej miske s 3 biele a 1 lt cukrk, v druhej

1 biely a 4 lt cukrky a v tretej miske s 2 biele a 2 lt cukrky.
Nhodne vyberieme cukrk z 1. misky a dme ho do 2. misky, potom
nhodne vyberieme cukrk z 2. misky a dme ho do 3. misky. Nakoniec
nhodne vyberieme cukrk z 3. misky. Ak je pravdepodobnos, e sme
postupne vytiahli biely, lt a biely cukrk?
10. Zabudli ste posledn slicu telefnneho sla a preto ju vytate n-

hodne. Ak je pravdepodobnos, e nebudete vola viac ako tri rzne
sla?
11. Ak je pravdepodobnos, e nhodne vybrat dvojcifern slo je deliten

dvoma alebo piatimi?
12. Z balka 32 kariet vytiahneme nhodne po sebe tri karty. Ak je prav-

depodobnos, e prv bolo eso, druh sedma a tretie zase eso?
13. Vo vrecku s hlinen, sklenen a kovov guky. Ich poty s v pomere

3 : 2 : 1. Farby guok s biela, modr a erven. Pravdepodobnos, e
hlinen guka je biela je 0.7.
Pravdepodobnos, e sklenen guka je biela je 0.6.
Pravdepodobnos, e kovov guka je biela je 0.8.
Ak je pravdepodobnos, e nhodne vytiahnut guka bude biela?
14. Zariadenie me pracova v troch reimoch. V prvom pracuje 50 % pra-

covnho asu, v druhom 35 % a v treom 15 % pracovnho asu. Pravde-
podobnos poruchy v pracovnom ase zvis od reimu, v ktorom zaria-
denie pracuje.
Pravdepodobnos poruchy v prvom reime je rovn 0.01.
Pravdepodobnos poruchy v druhom reime je rovn 0.03.
Pravdepodobnos poruchy v treom reime je rovn 0.05.
Ak je pravdepodobnos poruchy v pracovnom ase?
15. Auto vho budceho fa bude s pravdepodobnosou 0.3 vyroben v Ne-

mecku, s pravdepodobnosou 0.5 bude vyroben v echch a s pravde-
podobnosou 0.2 bude vyroben v Japonsku.
Pravdepodobnos, e poas prvch troch rokov sa pokaz motor je pre
pravdepodobnosti 83
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?
16. Pri pokladni v hypermarkete bude zkaznk prv v porad s pravdepo-

dobnosou 0.4, druh v porad s pravdepodobnosou 0.3, tret v porad
s pravdepodobnosou 0.2, tvrt v porad s pravdepodobnosou 0.1. Ak
by mal by viac ako tvrt v porad, tak ku pokladni nepjde.
Na ktorom mieste v porad bude zkaznk v priemere?
17. Do Siemensu nastupuj tudenti zo iliny a z Bratislavy. tudent zo

iliny ovlda anglitinu s pravdepodobnosou 0.82 a tudent z Bratislavy
ovlda anglitinu s pravdepodobnosou 0.91.
Ak je pravdepodobnos, e novoprijat uchdza ovlda anglitinu?
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 .
Pr(E 1 E 2 E3 ) = Pr(E3 |E 1 E 2 ). Pr(E 1 E 2 ) =
4 27 28
= Pr(E3 |E 1 E 2 ) Pr(E 2 |E 1 ) Pr(E 1 ) = = 0.1016
30 31 32
2. Ozname udalos, e vytiahneme bielu guku, B. Udalos, e vytiah-

neme hlinen guku H. Poznme pravdepodobnosti Pr(B H) = 0.21
a Pr(B) = 0.32.
Pravdepodobnos, e spomedzi bielych guok vytiahneme hlinen gu-
ku, je podmienen pravdepodobnos Pr(H|B).
Pr(B H) 0.21
Pr(H|B) = = = 0.6562
Pr(B) 0.32
3. Sprva prechdzajca sieou mus prejs kanlom K1 , potom jednm z

kanlov A1 , A2 , A3 a nakoniec kanlom K2 , ako to vidme na obrzku
2.17.
A1
K1 K2
A2
A3
Obr. 2.17: Znzornenie monost pre prechod sprvy sieou
Aby sprva prela sieou, mus prejs K1 (A1 A2 A3 ) K2 . Uveden

udalosti s nezvisl poda predpokladu v lohe, hoci v praxi vinou
porucha na jednom mieste spsob aj poruchy v tesnom okol! Spotame
pravdepodobnosti 85
pravdepodobnos jednotlivch udalost, priom K3 reprezentuje as siete

zloenej z kanlov A1 , A2 a A3 .
Pr(prejdeK1 ) = 1 0.2 = 0.8, Pr(prejdeK2 ) = 1 0.3 = 0.7
Pr(prejdeK3 ) = Pr(prejdeA1 prejdeA2 prejdeA3 ) =
= 1 Pr(neprejdeA1 ) Pr(neprejdeA2 ) Pr(neprejdeA3 ) =
= 1 0.1 0.4 0.5 = 0.98
Pr(prejdeK1 prejdeK3 prejdeK2 ) = 0.8 0.98 0.7 = 0.5488
Pravdepodobnos, e sprva neprejde sieou kvli poruche niektorho z
kanlov, je doplnkov k prve vypotanej pravdepodobnosti, e sprva
sieou prejde.
1 Pr(prejdeK1 ) Pr(prejdeK3 ) Pr(prejdeK2 ) = 0.4512

Pravdepodobnos, e sprva neprejde sieou je 0.4512.
4. Ozname udalos, e paket prena re, R a udalos, e paket prena

obraz, O. Potom Pr(R) = 0.08. Vieme, ePr(O|R) = 0.25 a chceme vy-
pota pravdepodobnos, e nhodne vybran paket spomedzi vetkch
prena obraz, teda Pr(O). Tu treba trochu technickch znalost na to,
aby sme si uvedomili, e paket, ktor prena obraz, neprena re. Preto
plat O = O R, oho pravdepodobnos u dokeme vypota:
O = O R = Pr(O|R) Pr(R) = 0.25 0.92 = 0.23
5. Prne spomedzi sel 2, 4, 4, 3, 4, 3, 4, 2, 1, 3 s 2, 4, 4, 4, 4, 2, teda

6
pravdepodobnos, e vytiahnut slo je prne, je .
10
2
Pravdepodobnos, e slo je prne a menie ako 3, je .
10
2
Pravdepodobnos, e vytiahnut prne slo je menie ako 3 je
10 = 1 .
6 3
10
Samozrejme, je aj jednoduchia cesta ako dosiahnu tento vsledok a to
pota priamo zo sady sel 2, 4, 4, 4, 4, 2.
6. Strelec zasiahne cie s pravdepodobnosou 0.8. Pravdepodobnos uda-

losti A, e strelec zasiahne cie 10-krt za sebou, je dos mal. Pretoe
jednotliv pokusy s od seba nezvisl, vypotame ju:
Pr(A) = 0.810 = 0.1073

7.
Pr(A) = 0.9 0.8 0.85 = 0.612
8. Pravdepodobnos, e cukrk vytiahnut z prvej misky je biely, je:
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
Pravdepodobnos, e cukrk vytiahnut z tretej misky je biely, za pred-

pokladu, e druh a prv cukrk bol biely, je:
3
Pr(B3 |B2 B1 ) =
5
Pravdepodobnos, e vetky tri vytiahnut cukrky boli biele, je:
3 2 3
Pr(B3 B2 B1 ) = Pr(B3 |B2 B1 ) Pr(B2 |B1 ) Pr(B1 ) = = 0.15
5 6 4
9. Pravdepodobnos, e cukrky boli vytiahnut v porad biely, lt a biely,

je:
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
pravdepodobnosti 87
Na tri sla budeme vola, ak slicu neuhdneme na prv raz a neuhd-

neme ju ani na druh raz, ale uhdneme ju na tret raz.
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
Pravdepodobnos, e nebudeme vola viac ako na tri miesta, je pravdepo-

dobnos, e budeme vola na jedno alebo na dve alebo na tri miesta. Tieto
udalosti s disjunktn, preto pravdepodobnos ich zjednotenia bude set
ich pravdepodobnost.
Pr(U1 ) + Pr(U 1 U2 ) + Pr(U 1 U 2 U3 ) = 0.3
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
Pravdepodobnos, e nhodne vybrat dvojcifern slo je deliten dvoma

alebo piatimi, je:
Pr(A B) = Pr(A) + Pr(B) Pr(A B) = 0.5 + 0.2 0.1 = 0.6
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
Pravdepodobnos, e nhodne vytiahnut guka bude biela, vypo-

tame pomocou vety o plnej pravdepodobnosti:
Pr(B) = Pr(B|H) Pr(H) + Pr(B|S) Pr(S) + Pr(B|K) Pr(K) =
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.
Pravdepodobnos poruchy zariadenia v pracovnom ase je
0.5 0.01 + 0.35 0.03 + 0.15 0.05 = 0.023
15. Motor sa pokaz s pravdepodobnosou:
0.3 0.2 + 0.5 0.4 + 0.2 0.3 = 0.32
Motor sa nepokaz s pravdepodobnosou:
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
1 0.4 + 2 0.3 + 3 0.2 + 4 0.1 = 2
Priemern umiestnenie zkaznka v rade je druh miesto.
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.
Pri takomto zadan s dve monosti: bu si poveda, e chbajci podiel

je rovnak pre obidve mest alebo druh ( a to je poctivejia monos)
pravdepodobnosti 89
si nejako tieto daje zaobstara.

V prvom prpade by rieenie bolo:
0.5 0.82 + 0.5 0.91 = 0.865
V druhom prpade, za predpokladu, e sme zistili podiel uchdzaov 1:2

pre ZA : BA, by bolo:
1 2
0.82 + 0.91 = 0.88
3 3
2.4 Bayesov vzorec

Bernoulliho nezvisl pokusy
Pouitm vzorca pre podmienen pravdepodobnos a vety o plnej pravdepo-
dobnosti dostaneme Bayesov vzorec.
Podmienen pravdepodobnos:
Pr(A B)
Pr(A|B) =
Pr(B)
Veta o plnej pravdepodobnosti:
Hj Hi = , pre vetky j = i

Hk = , Hk ; Pr(Hk ) = 0
k

k
Odvodenie:
Pr(A Hi )
Pr(Hi |A) =
Pr(A)

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
Nasleduje loha, ktor vyrieime najprv pomocou zdravho sedliackeho rozumu

a nsledne aj pomocou Bayesovho vzorca.
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
Nie vdy s vak znme tie pravdepodobnosti, ktor potrebujeme k takmuto

jednoduchmu vpotu. Vyrieime prklad ete raz, aby sme videli, e na v-
poet meme poui aj in vstupn informcie.
Ozname udalosti postupne C (cukrk z ervenej misky), M (cukrk z mod-

rej misky), B (biely cukrk)a Z (zelen cukrk). Jednotliv pravdepodobnosti
potom bud:
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

loha 2.4.2 Predpokladajme, e bol vyvinut test na diagnostikovanie spavej

choroby. Ak lovek m spav chorobu, tak test to potvrd s pravdepodobnos-
ou 0.95. Ak lovek nem spav chorobu, test to potvrd s pravdepodobnosou
0.95. Ak je pravdepodobnos, e lovek m spav chorobu, ak mu test vyiel
pozitvne?
Rieenie: Zo zadania by sme mohli usudzova, e ak m test 95 % spenos,

tak ak test vyiel pozitvne, tak dotyn m spav chorobu s pravdepodobnos-
ou 0.95.
Rieenie vak zvis od toho, kde test pouijeme. Ak budeme testova oby-
vateov Slovenska dostaneme in pravdepodobnos, ne ke budeme testova
obyvateov subsaharskej Afriky. Zatia, o na Slovensku sa tto choroba ne-
vyskytuje, v Afrike je spomedzi 60 milinov obyvateov nakazench rone asi
500 tisc.
Ozname T udalos, e test preuke, e lovek m spav chorobu.
Potom T oznauje udalos, e test preuke, e lovek nem spav chorobu.
Ozname C udalos, e lovek m spav chorobu.
Potom C oznauje udalos, e lovek nem spav chorobu.
Pravdepodobnos udalosti C bude odlin pre Slovensko a odlin pre sub-
saharsk Afriku.
Slovensko:
Predpokladajme, e pravdepodobnos udalosti C pre Slovensko bude
0.000001. Vyjadrime pravdepodobnosti javov pre Bayesov vzorec.
Pr(T |C) = 0.95
Pr(T |C) = 0.95

Pr(T |C) = 1 Pr(T |C) = 1 0.95 = 0.05
Pr(C) = 0.000001
Pr(C) = 0.999999
Pr(T |C) Pr(C)
Pr(C|T ) = =
Pr(T |C) Pr(C) + Pr(T |C) Pr(C)
0.95 0.000001
= = 0.000019
0.95 0.000001 + 0.05 0.999999
subsaharsk Afrika:
Predpokladajme, e pravdepodobnos udalosti C pre subsaharsk Afriku
bude 0.0083. Vyjadrime pravdepodobnosti javov pre Bayesov vzorec.
Pr(T |C) = 0.95
Pr(T |C) = 0.95

Pr(T |C) = 1 Pr(T |C) = 1 0.95 = 0.05
Pr(C) = 0.0083
Pr(C) = 0.9917
Pr(T |C) Pr(C)
Pr(C|T ) = =
Pr(T |C) Pr(C) + Pr(T |C) Pr(C)
0.95 0.0083
= = 0.1372
0.95 0.0083 + 0.05 0.9917
Z rieenia lohy meme urobi dva zvery.
Ak je pozitvny 95 % test na spav chorobu, ete to neznamen, e pacient ju
m s pravdepodobnosou 0.95. V skutonosti je tto pravdepodobnos omnoho
niia.
Pravdepodobnos toho, e pacient m spav chorobu, sa li v zvislosti od
toho, ak percento populcie chorobu m.
Tieto vahy sa daj ete presmerova a na zklade toho, e vieme, e lovek

m spav chorobu, meme usudzova ak je pravdepodobnos, e pochdza
zo Slovenska. O Bayesinoch sa d dozvedie naprklad na strnke
http://drambuie.lanl.gov/ bayes/tutorial.htm
Poslednou tmou z elementrnej pravdepodobnosti, ktor hovor o prav-

depodobnosti nhodnej udalosti, s Bernoulliho nezvisl pokusy, ktor
ilustrujeme na nasledujcej lohe:
loha 2.4.3 Zistite, ak je pravdepodobnos, e pri 5 hodoch kockou padne

2-krt slo 6.
Rieenie: Pravdepodobnos, e padne 6 pri prvom hode je 1/6, e padne 6

pri druhom hode je tie 1/6, pri ostatnch u musia padn in sla, aby to
boli prve 2 spen pokusy. Ich pravdepodobnosti s 5/6. Poda predpokladu
s udalosti nezvisl, preto je pravdepodobnos, e padne 6 iba pri prvom a
druhom hode ( )2 ( )3
1 1 5 5 5 1 5
=
6 6 6 6 6 6 6
Monost, pri ktorch pokusoch v porad padne estka, je ale viac:
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
Monost je 10, o sa d vypota aj ako:

( )
5 5! 54321 54
= = = = 10
2 (5 2)! 2! 32121 2
Kad z monost m rovnak pravdepodobnos:
( )2 ( )3
1 5

6 6
Monosti, v ktorch pokusoch padn estky, s disjunktn, preto pravdepo-

dobnos ich zjednotenia bude set desiatich rovnakch pravdepodobnost:
( ) ( )2 ( )3
5 1 5
P5 (2) = p (1 p)
2 52
= 10 = 0.16
2 6 6
Po prvkrt sa tu stretvame so situciou, e nie vetky monosti s rov-

nako pravdepodobn. Je to vpoet pravdepodobnosti pre sadu n rovnakch
pokusov, ktorch vsledky s, e nejak udalos A nastala alebo nenastala.
Jednotliv pokusy s nezvisl, navzjom sa neovplyvuj a pravdepodobnos
nastatia udalosti A je Pr(A) = p, p > 0.
Pravdepodobnos, e v sade n rovnakch nezvislch pokusov nastane prve
k -krt udalos A, je:
( )
n
Pn (k) = pk (1 p)nk
k
Dlho sme sa pokali utaji, e poet monost ako vybra k rovnocennch

objektov spomedzi n takchto objektov je slo, ktor sa na poes tejto lohy
vol kombinan slo. asto sa toti pouva zlm spsobom, o je spsoben
tm, e uvate netu, ako tento vzorec funguje. Verme vak, e itate po
zvldnut lohy o vyloench stolikch tomuto vzorcu uver:
( )
n n (n 1) (n k + 1)
=
k k (k 1) . . . 3 2 1
V prpade, e si chceme zjednodui zapisovanie, meme namiesto sinu

k (k 1) . . . 3 2 1 poui znaku k!
k! = k (k 1) . . . 3 2 1
Vzorec pre kombinan slo je:
n!
( )
n n (n 1) (n k + 1) (n k)! n!
= = =
k k! k! (n k)! k!
2.4.1 Otzky z terie
1. Napte Bayesov vzorec pre 3-prvkov pln systm podmnon. Uvete

prklad na jeho pouitie.
2. Uvete prklad na Bernoulliho nezvisl pokusy.
3. V katuli je 100 kociek, 60 bielych a 40 iernych. Kocky postupne vya-

hujeme a po vytiahnut ich nedvame nasp. Ak je pravdepodobnos,
e vytiahneme bielu kocku? S to Bernoulliho nezvisl pokusy?
4. Hdeme 10-krt mincou. Ak je pravdepodobnos, e prve 5-krt padne

znak?
5. Hdeme 10-krt mincou. Ak je pravdepodobnos, e prve 2-krt padne

znak?
6. Hdeme 10-krt mincou. Ak je pravdepodobnos, e prve 12-krt

padne znak?
7. Hdeme 6-krt kockou. Ak je pravdepodobnos, e prve 2-krt padne

dvojka?
8. Hdeme 10-krt kockou. Ktor pravdepodobnos je via, e 10-krt

padne estka, alebo e ani raz nepadne estka?
9. Hdeme 10-krt kockou. Vypotajte vetky pravdepodobnosti, e prve

k -krt padne estka (pre k = 0, 1, 2, . . . , 10). Zakreslite tieto pravdepo-
dobnosti do grafu.
10. Hdeme 100-krt kockou. Vypotajte vetky pravdepodobnosti, e prve

k -krt padne estka (pre k = 1, 2, . . . , 100). Zakreslite tieto pravdepodob-
nosti do grafu.
1. Bayesov vzorec pre 3-prvkov pln systm podmnon H1 , H 2 , H 3 je
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.
2. Prklad na Bernoulliho nezvisl pokusy je pokus s mincou, pri ktorom

potame, kokokrt z 10 hodov padne znak.
3. Pravdepodobnos, e vytiahneme bielu kocku v prvom ahu, je:
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
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.
9. Pravdepodobnosti, e pri desiatich hodoch prve k -krt padne estka pre

k = 0, 1, 2, . . . , 10, s postupne hodnoty
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
Nakreslme tieto hodnoty do grafu 2.18, kde na vodorovnej osi s jednot-

liv hodnoty k a na zvislej osi s prslun pravdepodobnosti.
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
Obr. 2.18: Pravdepodobnosti, e pri 10 hodoch kockou, prve k -krt padne

estka
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
hodnotu k = 16 a je rovn slu 0.1065.
Je dobr si uvedomi, e slo k = 16 svis s pravdepodobnosou 1/6,

s akou na kocke padne slo 6. Skutone, keby sme 100-krt hodili kockou
(alebo hodili naraz 100 kockami), tak v pribline v estine prpadov, teda
16-krt by mala padn estka. Je to sce len teoretick vsledok, ale je
zrejm, e skuton poet 6, ktor padn pri 100 hodoch, nebude aleko
od sla 16. A keby sa predsa len stalo, e dostaneme 6 vo vea prpadoch,
naprklad v 80, tak len s vemi malou pravdepodobnosou (u sa to viac
nestane!).
Teraz u vieme naprklad poveda, e pri pokuse so 150 hodmi kockou

bude vysoko pravdepodobn, e padne okolo 25 estiek. Tie meme
poveda, e je nepravdepodobn, e padne 100 estiek. V skutonosti u
pravdepodobnos, e padne 44 estiek, je slo, ktor m na prvch 4
miestach za desatinnou iarkou slicu 0.
Uveden vlastnos sa pouva v terii informcie pri kdovan, pri kto-

rom sa kduj len pravdepodobn monosti. Tie, ktor nastan s takmer
nulovou pravdepodobnosou sa bu nekduj, alebo s vetky ukladan

ako jedno slovo: chyba".
"
Druh uiton vlastnos, ktor je dobr si vimn je tvar rozdelenia

pravdepodobnost jednotlivch monost (potu, kokokrt padla estka).
Takmuto rozdeleniu budeme neskr hovori binomick.
Na obrzku 2.20 vidme krivku, ktor vznikne spojenm hodnt jednot-

livch pravdepodobnost. Neskr sa ete s krivkou takhoto tvaru stret-
neme. Bude to v svislosti s normlnym rozdelenm pravdepodob-
nosti.
0.12
0.1
0.08
0.06
0.04
0.02
0
0 20 40 60 80 100
Obr. 2.20: Rozdelenie pravdepodobnosti nhodnej premennej a krivka spja-

jca hodnoty pravdepodobnosti
2.4.2 Prklady
1. Robme tri nezvisl pokusy. Pravdepodobnos vskytu udalosti A v pr-

vom pokuse je 0.8, pravdepodobnos vskytu udalosti A v druhom po-
kuse je 0.7 a pravdepodobnos vskytu udalosti A v treom pokuse je 0.6.
Ak je pravdepodobnos, e udalos A nastane pri tchto troch pokusoch
aspo 2-krt?
2. Potaovou sieou je prenan paket s hlavikou vekosti 4 bity a te-

lom vekosti 20 bitov. Pravdepodobnos, e sa pokod jeden z bitov pri
prenose sieou, je Pr(BE ) = 102 . Bity sa pokodia nezvisle od seba.
Pri pokoden aspo 5 bitov v pakete sa paket nedoke opravi a mus
sa prenies znovu. Ak je pravdepodobnos, e nhodne zvolen paket
bude musie by prenan znovu?
3. Na pracovisko prilo 10 balkov s objednanmi a neoznaenmi CD no-

simi. 5 balkov obsahuje po 5 CD nosiov s nahratm softwrom a 3
przdne CD nosie; 2 balky obsahuj po 6 CD nosiov s nahratm soft-
wrom a 2 przdne CD nosie a 3 balky obsahuj po 7 CD nosiov
s nahratm softwrom a 1 przdny CD nosi. Nhodne vyberieme jeden
przdny CD nosi. Ak je pravdepodobnos, e pochdza z prvch piatich
balkov?
4. Zariadenie me pracova v troch reimoch. V prvom pracuje 40 % pra-

covnho asu, v druhom 35 % a v treom 25 % pracovnho asu. Pravde-
podobnos poruchy zvis od reimu, v ktorom zariadenie pracuje a rovn
sa 0.02 v prvom reime, 0.05 v druhom a 0.1 v treom reime. Predpo-
kladajme, e v pracovnom ase dolo k poruche. Ak je pravdepodobnos
toho, e zariadenie vtedy pracovalo v prvom reime?
5. Na stole s tri misky. V prvej miske s 3 biele a 1 lt cukrk, v druhej 1

biely a 4 lt cukrky a v tretej miske s 2 biele a 2 lt cukrky. Cukrky
nasypeme na hromadu a nhodne vyberieme jeden cukrk. Vytiahnut
cukrk je biely. Ak je pravdepodobnos, e pvodne leal v prvej miske?
6. Predpokladajme, e zanajci hudobnk zahr na koncerte falon tn

s pravdepodobnosou 0.4. Vyberme nhodne 13 hudobnkov. Ak je prav-
depodobnos, e spomedzi tchto hudobnkov prve 6 zahr na koncerte
falon tn?
7. Predpokladajme, e hudobnk zahr na koncerte falon tn s pravde-

podobnosou 0.3. Vyberme nhodne 18 hudobnkov. Ak je pravdepo-
dobnos, e spomedzi tchto hudobnkov aspo 3 zahraj na koncerte

falon tn?
8. Predpokladajme, e hudobnk nezahr na koncerte falon tn s pravde-

podobnosou 0.45. Koko treba vybra hudobnkov (vyber sa nhodne),
aby pravdepodobnos, e spomedzi tchto hudobnkov aspo jeden ne-
zahr na koncerte falon tn, bola via ako 0.999?
9. Pokus spova v sasnom hoden kocky a mince. Ak je pravdepo-

dobnos, e pri 8 takchto hodoch nastane prve trikrt udalos A, e
na kocke padne slo 6 a zrove na minci padne znak"?
"
Rieenie prkladov
1. Pravdepodobnos vskytu udalosti A v prvom pokuse ozname A1 . Prav-

depodobnos vskytu udalosti A v druhom pokuse ozname A2 . Pravde-
podobnos vskytu udalosti A v treom pokuse ozname A3 .
Pr(A1 ) = 0.8, Pr(A2 ) = 0.7, Pr(A3 ) = 0.6
Pravdepodobnos udalosti B , e udalos A nastane aspo 2-krt je prav-

depodobnos, e A nastane prve 2-krt, alebo prve 3-krt.
(
Pr(B) = P (A1 A2 A3 ) (A1 A2 A3 ) (A1 A2 A3 )
(A1 A2 A3 ))
Udalosti s disjunktn, preto meme psa:
Pr(B) = Pr(A1 A2 A3 )+Pr(A1 A2 A3 )+Pr(A1 A2 A3 )+Pr(A1 A2 A3 )
A poda zadania lohy s javy aj nezvisl, preto plat:
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
2. Paket obsahuje 24 bitov, kad z nich m rovnak pravdepodobnos, e

sa pokaz a kazia sa nezvisle od seba. Pravdepodobnos udalosti A, e
nhodne zvolen paket bude musie by prenan znovu, je pravdepo-
dobnos, e sa pokod 5 alebo 6 alebo . . . 24 bitov. Pr(A) vypotame
ako doplnkov pravdepodobnos k udalosti A, e sa pokod 0 alebo 1
alebo . . . 4 bity.
() ( )( )( ) ( )( ) ( )
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
3. loha na Bayesov vzorec, ktor sa d riei aj elementrne. Przdnych

CD nosiov je:
5 3 + 2 2 + 3 1 = 22
V prvch piatich balkoch je przdnych CD nosiov 15. Pravdepodobnos,

e nhodne vybrat przdny CD nosi pochdza z prvch piatich balkov
je:
15
Pr(A) =
22
4. V pracovnom ase dolo k poruche. Pravdepodobnos toho, e zariadenie

vtedy pracovalo v prvom reime, je:
Pr(A/H1 ) Pr(H1 )
Pr(H1 /A) = =
Pr(A/H1 ) Pr(H1 ) + Pr(A/H2 ) Pr(H2 ) + Pr(A/H3 ) Pr(H3 )
0.02 0.4 0.008

= = = 0.1584
0.02 0.4 + 0.05 0.35 + 0.1 0.25 0.0505
5. Na stole s tri misky, ozname ich M1 , M2 , M3 .

Pravdepodobnos, e nhodne vytiahnut cukrk z prvej misky bude
3 1
biely, je Pr(B/M1 ) = , z druhej Pr(B/M2 ) = a z tretej Pr(B/M3 ) =
4 5
2
.
4
4
Pravdepodobnos, e cukrk je z prvej misky, je Pr(M1 ) = , e je z
13
5 4
druhej misky je Pr(M2 ) = a e je z tretej misky je Pr(M3 ) = .
13 13
Nhodne vytiahnut cukrk je biely. Pravdepodobnos, e pvodne leal
v prvej miske, je:
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.
6. Pravdepodobnos, e spomedzi 13 nhodne vybratch hudobnkov prve

6 zahr na koncerte falon tn je:
( )
13
Pr(A) = 0.46 0.67 = 0.197
6
7. Pravdepodobnos, e spomedzi 18 hudobnkov aspo 3 zahraj na kon-

certe falon tn, vypotame ako doplnkov pravdepodobnos k opanej
udalosti. Pravdepodobnos, e falon tn na koncerte zahr 0 alebo 1
alebo 2 hudobnci vyaduje toti omnoho menej vpotov.
( ) ( ) ( )
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
Pr(A) = 1 Pr(A) = 0, 9003
8. Treba si ujasni, o vlastne ideme robi. Najlepie si to ozrejmme na

konkrtnom prklade. Vyberme nhodne naprklad 5 hudobnkov a vypo-
tajme, ak je pravdepodobnos udalosti A, e spomedzi tchto hudob-
nkov aspo jeden nezahr na koncerte falon tn.
Tto udalos je opan k udalosti A, ktor spova v tom, e kad zahr
na koncerte falon tn.
Pr(A) = 1 Pr(A); Pr(A) = 0.555 = 0.0503; Pr(A) = 0.9497
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:
Pr(A) = 1 Pr(A) = 1 0.5515 = 0.9998
Ak vyberieme 15 hudobnkov, bude pravdepodobnos, e spomedzi tchto

hudobnkov aspo jeden urob skku z algebry na prv termn, via
ako 0.999.
Meme si poloi aj aliu otzku. Ak je najmen poet hudobnkov,
e pravdepodobnos, e spomedzi nich aspo jeden nezahr na koncerte
falon tn, bude via ako 0.999?
Na vyrieenie tejto lohy meme poui metdu postupnch vpotov,

a km presiahne hodnota pravdepodobnosti slo 0.999:
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
Treba vybra najmenej 12 hudobnkov.
Vyrieme lohu ete raz, tentoraz metdou matematick nstroje po-

"
tanie uahia". Vyjadrime poet hudobnkov pomocou premennej k a
zapme poiadavku, e pravdepodobnos, e spomedzi k hudobnkov as-
po jeden nezahr na koncerte falon tn, bude via ako 0.999:
1 0.55k > 0.999
pravami postupne dostaneme:
1 0.999 > 0.55k

0.001 > 0.55k
Obe strany nerovnice zlogaritmujeme (treba si uvedomi, e logaritmus

zachov znamienko nerovnosti v prpade, e zklad logaritmu je slo
vie ako 1, ako to vidno na obrzku 2.21).
My sme pouili prirodzen logaritmus, teda logaritmus so zkladom e.
Obr. 2.21: Logaritmus so zkladom vm ako 1 zachovva znamienko nerov-

nosti
ln(0.001) > ln(0.55k )

6.9078 > k ln(0.55)
6.9078 > k (0.5978)
6.9078 < k 0.5978
11.5546 < k
Aj inou metdou sme dostali rovnak vsledok. Poet hudobnkov mus
by aspo 12.
9. Pravdepodobnos udalosti A, e na kocke padne estka S a zrove na

minci znak Z je:
1 1 1
Pr(A) = Pr(S Z) = Pr(S) Pr(Z) = =
6 2 12
Pravdepodobnos, e pri 8 takchto hodoch nastane prve trikrt udalos

A je:
( ) ( )3 ( )5
8 1 11
P8 (3) = = 0.02097
3 12 12
Kapitola 3
Ako predpoveda as
(druh nepravdepodobn
prbeh)
Mnohm matematikom (a urite aj informatikom) rob v ich ivote najvie

problmy slovenina a jej pravidl. Minimlne vtedy, ak sa nesta vyjadri
vetou alebo algoritmom, ale svislm psanm textom. Ale odveta sa bli a
matematici zanaj na revan zasahova do neprebdanch oblast sloveniny.
Prvou z lastoviiek tohto vskumu je analza prslov a porekadiel. Jednmu z
nich sa budeme venova v tejto kapitole.
3.1 Ako dlho sa chod s dbnom po vodu?

Znme slovensk porekadlo nm dva vemi presn kvalitatvnu odpove km
"
sa ucho neodtrhne." Ns ako exaktnch vedcov ale zaujma aj kvantitatvna
informcia, za ako dlho k tomu djde. Takto budeme chpa otzku z nadpisu
a odpove na u budeme hada v pokraovan celej kapitoly. Pokia chceme
dosta presn odpove, patr sa poloi o najpresnejiu otzku. Popeme si
preto zkladn situciu. Dievina Anika bva v domeku a kad de rno
si chod do studniky po vodu. Domek stoj v strede lky a studnika je na
kraji blzkeho lesa. Spja ich krivolak chodnek, po ktorom chod Anika
s dbnom po vodu. Kee za rna bva ete rozospat, plet sa jej nohy a
as od asu dbn rozbije. Ke zane pouva nov dbn a podar sa jej
ho rozbi na tvrt de, povieme, e s dbnom chodila po vodu 4 dni. Je to
sprvna odpove na otzku, ako dlho sa chod s dbnom po vodu? Asi nie
107
108 Kapitola 3. Ako predpoveda as (druh nepravdepodobn prbeh)
plne, ale u vidme jednu z monost, ako na to.
loha 3.1.1 D sa pozorovanm Aniky zska odpove na nau otzku? Je

tto odpove plne presn? Akm spsobom sa d spresni? Ak predpoklady
musme doplni k rozprvke o Anike, aby vsledok a spsob, akm sme ho
zskali, bol o najhodnovernej?
Rieenie: Pozorovanie Aniky ns urite k nejakej odpovedi dovedie. Musme

by predovetkm trpezliv. Ak prv dbn rozbila za 4 dni, druh mono
rozbila za 7 dn a al u na druh de. Men sa toti stupe rozospatosti
Aniky, poasie a tm aj mykavos cestiky, to, i a ako sa po vodu ponha
at. V hre je teda mnostvo nhodnch faktorov, ktor ovplyvuj a menia
poet dn, poas ktorch chodila s konkrtnym dbnom po vodu. Pozorovanm
Aniky teda postupne zskavame sadu meniacich sa (asom aj opakujcich sa)
siel. Je zrejm, e m viac ich zskame, tm viac a viackrt sa mohli prejavi
rzne kombincie faktorov. Tch je ale urite vea a kad me nadobda
mnostvo hodnt. Preto v zsade plat, e zvyujcim sa potom vsledkov
zskavame stle lep a lep obraz situcie. Ak zoberieme do vahy, e na
pozorovanie Aniky mme len urit rozumn asov obdobie, urite nehroz,
e by sme jeho predlovanm zskali zbytone vek mnostvo vsledkov.
Druh vec je, e oakvanou odpoveou na nau otzku nie je mnoina -
siel, ale len jedno jedin. Ako toto slo vyrobi naprklad z mnoiny {4, 7, 2, 13, 74, 5},
vzniknutej pozorovanm Aniky poas rozbjania iestich dbnov? Sksenos
nm hovor, e v tomto prpade je rieenm priemer. Matematika aj tatistika
pozn priemerov vea, najastejie pouvan a vyuvan je aritmetick prie-
mer. Pouijeme ho preto aj my a ako odpove na otzku (na zklade tohto
4 + 7 + 2 + 13 + 74 + 5
pozorovania) ponkneme slo = 17.5.
6
Debata na tmu, preo miesto aritmetickho priemeru nepouijeme geomet-
rick priemer, harmonick priemer alebo medin, by bola urite zaujmav,
nechme ju ale na in prleitos.
K hodnovernosti pokusu by urite prispelo, ak by Anika pouvala vdy
rovnak typ dbnu. Pokia by ich bolo viac, situcia by sa skomplikovala u
nad nosn mieru. Navye otzka sa pta na ivotnos dbnu, nie dbnov.
Pokia ich na experimentovanie pouijeme sce viac, ale identickch s rovna-
kmi parametrami, odpove nm hdam uznaj. Vnejou, ale tie dleitou
poiadavkou je, aby stle rovnak bola aj Anika. Pokia by sa v nosen vody v
dbne priebene zdokonaovala, metda dlhodobho pozorovania by stratila
vznam a zmysel. Skr zskan sla by u nezodpovedali sasnm kvalitm
Aniky, priemern slo by v sebe kumulovalo minulos s prtomnosou a aj tak
3.1 Ako dlho sa chod s dbnom po vodu? 109
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.
Po vyrieen lohy 3.1.1 meme trochu spresni terminolgiu. Pouvanie

jednho dbnu od jeho rozbalenia po rozbitie nazveme pokusom. To, koko
dn k tomu Anika potrebovala, nazveme dkou pokusu. Pokus dky n teda
pozostva z postupnosti n ciest ku studnike, priom prvch n1 ciest je spe-
nch (dbn sa nerozbil) a posledn n-t je nespen a dbn sa rozbil. Pri
kadom pokuse pritom predpokladme, e prebieha za rovnakch vstupnch
podmienok, teda s rovnakm dbnom a s rovnakou Anikou. Pokia urobme
vea pokusov, zskame vek zoznam sel zodpovedajcich ich dkam. Z nich
urobme aritmetick priemer, ktor bude odpoveou na otzku, ako dlho sa
chod s dbnom po vodu. Teraz vieme sformulova alie otzky.
loha 3.1.2 Ak je najkrat pokus, ktor me nasta? A ak najdlh? Pokus

akej dky neme nasta? Ako dlh pokusy meme teoreticky a prakticky vidie
pri pozorovan Aniky? Vie nm pozorovanie da naozaj presn a jednoznan
vsledok? A nakoniec, kde je v tom matematika?
Rieenie: Najkrat pokus m dku jedna. Vtedy Anika dbn rozbila hne
prv de a rchlejie sa to u naozaj ned.
Pri hadan najdlhieho pokusu je situcia zloitejia. Pokia si Anika
bude dva pozor, dbn jej me vydra vemi dlho. A ke jej nhodou
vydr naprklad a 100 dn, vdy je tu urit anca, e vydr ete jeden
de a pokus sa predi. D sa teda usdi, e aj ke vemi zriedkavo, mu
nasta aj vemi dlh pokusy. A ak mu nasta oni, mu nasta aj pokusy
ete o pr dn dlhie. Najdlh pokus teda zrejme nebude existova podobne,
ako neexistuje najvie prirodzen slo. Alebo predsa? Existuje pokus dlh
od vetkch ostatnch? A dokonca aj sm od seba, aj ke sa k nemu pr
dn prid? Znie to takmer absurdne, ale teoreticky urite existuje. Sta, ak
sa njde dbn, s ktorm by Anika po vodu chodila stle. Dka pokusu
by teda bola nekoneno. Treba ale starostlivo zvi, i takto pokus me
vbec nasta. Tto monos preto budeme skma aj pri rieen alch loh.
Teraz meme len skontatova, e pozorovacou metdou odpove nezskame.
Aj ke nhodou mme k dispozcii sprvny dbn, Anika ani pozorovate
urite nemaj potrebn vytrvalos a ivotnos k realizcii nekonenho pokusu.
Meme si ale pripomen, e najhlb vznam prslovia, ktor tu skmame,

sa k tejto monosti stavia skepticky.
Z predchdzajcej argumentcie je tie mon nahliadnu, e realizova
sa me pokus kadej dky. Pokia by v mnoine existujcich dok pokusov
bola medzera, zakzali by sme tm monos predenia alebo skrtenia najbli-
ch susednch" existujcich dok pokusov. (Ak by naprklad nemohol nasta
"
pokus dky 13, pokus dky 12 by sa nesmel da predi a pokus dky 14
skrti o jeden de.) K tomu ale nemme iadny rozumn dvod, skr naopak,
monos zmeny dky pokusu musme necha zachovan.
Teraz zaname vidie principilne problmy pozorovacej metdy. Pri cho-
den s dbnom po vodu mu nasta pokusy ubovonej dky. Pre sprvne
urenie priemernej dky naviac potrebujeme, aby jednotliv pokusy nastali nie
len raz, ale v pote zodpovedajcom ich primeranmu zastpeniu v Anikinom
ivote. Skuton pozorovanie Aniky a zberanie dok pokusov ale prebieha len
v konenom asovom obdob. Vo vytvorenom zozname dok pozorovanch po-
kusov preto nikdy nebud obsiahnut vetky, ale len niektor dky, a aj tie
nemusia by v sprvnej poetnosti. Vypotan priemern hodnota preto ni-
kdy nie je presn a aj predlovanm pozorovania sa k presnej hodnote mono
blime, ale urite ju nedosiahneme.
Ako sa teda dosta k presnej odpovedi? Tak, e pouijeme presn vedu,

teda matematiku. Zatia sme ju (okrem aritmetickho priemeru) naozaj takmer
nevyuili. Je preto najvy as napravi to. Matematici by predsa mali viac
rta a rozma ne pozorova dievat.
Miesto alieho pozorovania sme sa preto vybrali navtvi Anikinch rodi-
ov, ktor ju poznaj omnoho lepie. Zistili sme od nich jedno dleit slo, a to
pravdepodobnos toho, e pri jednej ceste Anika rozbije dbn. Mamika si pa-
mt, e to je 1/10. Otecko m horiu pam, vie ale, e tto pravdepodobnos
existuje a oznauje ju slom p. Obaja ju ale nazvaj pravdepodobnosou
nespenej cesty alebo nespechu. Pokia Anikinch rodiov nepoznme, m-
eme sa hodnotu p poksi zska inak. Meme ju op zska pozorovanm,
mono aj vpotom alebo odhadom. Pointa je v tom, e slo p a jeho urenie
je o stupe jednoduchm problmom, ako zistenie veobecnej dky pokusu.
Uveden akosti s pozorovanm sa preto mu op prejavi, ale v niej miere.
Informatici si dokonca mu Aniku rozbjajcu dbn naprogramova.
loha 3.1.3 (Pre programtorov) Vytvorte program, ktor bude simulova

Anikine cesty s dbnom a zrove evidova a vyhodnocova vsledky pozoro-
vania. D sa z vsledkov tohto programu odhadn odpove na nau otzku?
Vychdzaj presn hodnoty, rovnak hodnoty alebo podobn hodnoty?
Rieenie: Program by mal na najniej rovni generova pokus tak, e po

skonen kadho da nhodne rozhodne i sa u dbn rozbil. Pokia no,
pokus skonil a zapamtme si jeho dku. K rozbitiu dbnu s poadovanou
pravdepodobnosou je potrebn vhodne vyui genertor nhodnch sel. Pre
mamikin model sta naprklad nhodne generova prirodzen sla z intervalu
1 a 10, a ke vyjde 1, pokus ukoni.
Dku jednotlivch pokusov si samozrejme musme uklada. Ale ete jed-
noduchie a etrnejie bude uklada si ich prieben set. Zrove si musme
pamta poet pokusov, aby sme na konci mohli sprvne spota aritmetick
priemer. Poet pokusov, ktor chceme uskutoni, potom me by vstupn
parameter, prpadne me program skoni generovanie pokusov prkazom u-
vatea. Ako vstup meme zadva aj hodnotu pravdepodobnosti rozbitia d-
bnu.
Zo tatistickch dajov je potrebn hlavne aritmetick priemer dok po-
kusov, monos jeho vpotu sme u spomenuli. Meme ale evidova aj in
hodnoty, naprklad poetnos vskytu pokusov jednotlivch dok alebo ich
skupn.
i bud vychdza rovnak alebo podobn vsledky, zvis od dvoch vec.
Prvou s vlastnosti pouitho genertora nhodnch siel. Pri jeho opakova-
nom identickom volan sa me sta, e bude generova sce nhodn, ale stle
rovnak sekvenciu siel. Tto vlastnos je mon preveri naprklad kontrol-
nm vpisom generovanch siel. Problm je mon riei nhodnm" natar-
"
tovanm genertora, syntax tohto prkazu asto obsahuje slovo randomize".
"
alou monosou je vyska viac genertorov, i u na rozdielnych po-
taoch (najlepie s rozdielnym operanm systmom) alebo sa zsobi" na
"
internete. Druhou vecou ovplyvujcou kvalitu vslednch hodnt s mate-
matick vlastnosti skmanch pokusov a celej situcie. Ak s a i sa bud
zhodova s vsledkami potaovch experimentov ete musme zisti.
V alom texte teda vyuijeme rodiovsk sksenos s pravdepodobnosou

rozbitia dbnu. Odpove na otzku, ako dlho s nm Anika chod po vodu,
odvodme z tohto jedinho sla. Postup si rozdelme na viac krokov, poas kto-
rch objavme aj in zaujmav vsledky. Vemi asto sa v nich bude objavova
slovo pravdepodobnos.
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 , . . .
toho, e pokus m dku 1, 2, 3, 4, . . . , n, . . .

Vo vsledkoch budeme, ak treba, rozliova pravdepodobnos M Pn (matkina
pravdepodobnos), pre vpoet ktorej budeme pouva hodnotu 1/10, a OPn
(otcova pravdepodobnos) so veobecnou hodnotou p. O hodnote p vieme, e je,
ako sa na pravdepodobnos patr, z intervalu 0, 1.
Skste ete pred vpotom odhadn, pokus akej dky je najviac pravdepo-
dobn a bude sa teda najastejie vyskytova. Ak bude mamikina pravdepo-
dobnos vyskytnutia sa pokusu dky 1, 10, 100 a tisc?
Rieenie: Pokus dky 1 mohol nasta len tak, e hne pri prvej (a tm pdom
aj jedinej) ceste Anika nov dbn rozbila.
To sa poda mamiky stane s pravdepodobnosou 1/10, a teda M P1 = 1/10.
Poda otecka je pravdepodobnos tohto javu p a teda OP1 = p.
Dku 2 m pokus vtedy, ak prv de Anika dbn nerozbila a druh de
rozbila.
Ak pravdepodobnos rozbitia dbnu pri jednej ceste je 1/10, respektve p,
pravdepodobnos, e dbn pri jednej ceste nerozbije, je doplnkom do jed-
notky (teda do istho javu). Nadobda preto hodnotu 9/10, respektve 1 p.
Pri pokuse dky 2 teda Anika prv de dbn s prslunou pravdepodobnos-
ou nerozbije a druh de ho s prslunou pravdepodobnosou rozbije.
Pokia chceme zska vsledn pravdepodobnos toho, e takto dva javy na-
stan za sebou, musme prslun pravdepodobnosti vynsobi.
Mamikinu pravdepodobnos toti meme interpretova tak, e 9/10 Aniki-
nch ciest v prv de skon s nerozbitm dbnom a z nich 1/10 druh de
skon s rozbitm dbnom.
Potrebujeme teda zisti, koko je 1/10 z 9/10, k omu nm sta tieto zlomky
vynsobi. Plat preto, e:
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
Meme napsa aj vzorec pre veobecn pravdepodobnos pokusu dky n.

Plat:
( )n1
9 1
M Pn = a OPn = (1 p)n1 p
10 10
Vypotajme ete niektor konkrtne hodnoty mamikinch pravdepodobnost.
U sme urili M P1 = 1/10. Poda vzorca:
( )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
Vyjde slo, ktor sa zana 46 nulami za desatinou iarkou.
Pokia vs potanie zaujalo, mete ete zrta pravdepodobnosti, e d-

bn vydr Anike tde, mesiac alebo rok. Numerick hodnoty nm op
ukzali ohranienia pozorovacej metdy. Na sprvne zapotanie poetnosti
pokusov dky 100 by sme potrebovali miliny pokusov, ktor by rdovo trvali
desatisce rokov. Na dobr odhad vskytu pokusov dky 10 by stailo rokov
len pr, ale na pokusy dky 1000 by bol krtky aj vek vesmru. Zato pomocou
znmej pravdepodobnosti nespechu p, vzorca pre Pn a kalkulaky meme
bez problmov uri aj vemi nepravdepodobn" pravdepodobnosti okamite.
"
Zrove vidme aj al zaujmav vsledok. Najpravdepodobnej, a teda

aj najastejie sa vyskytujci pokus m dku 1. Ten nastane priemerne v 1 z
10 (alebo v 10 zo 100) pokusov. U pravdepodobnos pokusu dky 2 je mierne
niia a takto pokus sa vyskytuje priemerne len v 9 zo 100 prpadov. Dvod
je mon njs v predchdzajcich vahch. Na predenie pokusu o jeden de
mus pribudn jedna spen cesta po vodu. T nastva s pravdepodobnos-
ou 9/10, respektve 1 p, ktor je menia ako jedna. A kee ou nsobme,
pravdepodobnosti Pn sa postupne zmenuj.
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.
Urenm hodnt pravdepodobnost Pn sa naa prca spene zaala a treba

v nej pokraova. sla Pn maj svoj vznam nielen samy o sebe, ale predsta-
vuj aj dleit shrn vzjomne svisiacich siel. Na jednu z jeho vlastnost,
ktor budeme potrebova aj v nasledujcom, sa teraz pozrieme.
loha 3.1.5 o ak by sme stali vetky hodnoty Pn ? Ak m tento set zmy-

sel, o vyjadruje? Dal by sa uri aj "bez potania", len vahou? Vieme aspo
pribline, ak vsledok meme oakva? Vypotajte skuton set vetkch
pravdepodobnost Pn a preverte si sprvnos vaich predpoved.
Rieenie: So stavanm meme zaa postupne. o dostaneme, ak stame

P1 a P2 ? Ide o set pravdepodobnosti pokusu s dkou 1 a pravdepodobnosti
pokusu s dkou 2. Tieto dva pokusy s jasne odlin, nemu nasta sasne
a to, e nastal jeden z nich neovplyvuje to, i nastal druh. Stanm preto
zskame pravdepodobnos toho, e nastal pokus dky 1 alebo dky 2. Aj nu-
merick vpoet nm d hodnotu stu 19/100, o zodpoved u spomnanm
potom pokusov dky 1 alebo 2 medzi nhodnmi 100 pokusmi.
Podobn vznam bude ma aj set ubovonho inho konenho potu

pravdepodobnost Pn . o sa ale stane, ak ich stame vetky? Budeme rta
nekonen set, o ns nti poui nronejiu matematiku. Stle ale plat,

e stavame pravdepodobnosti pokusov, ktor sa navzjom vyluuj a neovp-
lyvuj. Set preto ur pravdepodobnos, e nastal niektor z nich. A kee
sme stali pravdepodobnosti vetkch konene dlhch pokusov, stom zs-
kame pravdepodobnos toho, e dbn sa niekedy rozbije a nebude sa pouva
do nekonena.
O monosti nekonene dlhho pokusu sme u uvaovali v rieen lohy

3.1.2. Pokia nekonenej vdri dbnu neverme, set hodnt Pn by mal by
presne 1. Naopak, ak je pravdepodobnos nekonenej vdre nenulov, set
Pn bude presne o tto hodnotu men od 1. (Rozdiel ale bude vemi mal.
Spomete si, ak mal bola pravdepodobnos P1000 , a to je od nekonena ete
vemi vzdialen.) V kadom prpade, ak by set Pn vyiel viac ako 1, niekde
v predchdzajcich vahch mme vnu chybu a meme zaa rozma

odznova. Take sksme rta. Upravme najskr M Pn .
n=1

(
) ( ) ( )
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
Podstatou vpotu je teda set:
(
)
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
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
Pomocn vpoet ur, e:
S = (1 p)0 + (1 p)1 + (1 p)2 + (1 p)3 + =
= 1 + (1 p)1 + (1 p)2 + (1 p)3 + =

( )
= 1 + (1 p) 1 + (1 p)1 + (1 p)2 + . . . = 1 + (1 p) S
Z toho:

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.
V naom bdan sme u dos pokroili. Vieme vypota hodnotu ubo-

vonej pravdepodobnosti Pn . Vieme, o znamen a ak hodnotu m ich set
a poznme odpove na otzku existencie nekonenho pokusu. Zostva nm
urobi posledn krok pri hadan monosti vyuitia hodnt Pn . Pripomnam,
e nam hlavnm cieom je zisti, ako dlho sa chod s dbnom po vodu.
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?
Rieenie: Bolo by smutn, ak sme hodnoty Pn pre urenie priemernej dky

poui nevedeli. Kad z nich toti nesie presn a pln informciu o v-
skyte pokusu prslunej dky. ubovone dlhm pozorovanm Aniky a jeho
vyhodnotenm by sme zskali len priblin odhady tchto hodnt. Kad prav-
depodobnos Pn tie vieme interpretova (a robili sme to v predchdzajcich
lohch) ako poet vskytov pokusu dky n vo vekom pote pokusov. To nm
ponka monos predstavi si na zklade tchto hodnt vytvoren umel sadu
pokusov a hlavne ich dok, ktorch aritmetick priemer je hadanou priemer-
nou dkou pokusu.
Tto predstava nm ukazuje, e mylienka aritmetickho priemeru je stle

aktulna. Praktick realizcia by ale narazila na ten ist problm, ako pozo-
rovanie skutonej Aniky. Aj s pomocou potaov by sme stle boli schopn
vygenerova len konen sadu pokusov a ich dok a vypotan priemer by
nebol presn. K plnej presnosti vedie cesta len cez nekoneno a s tm sa naj-
lepie pracuje v udskej hlave. Sksme preto vymyslie presn vzorek, ktorm
budeme rta priemern dku pokusu.
Zanime tm, e si hadan priemern dku ozname D. Nam cieom je

njs predpis, ako D vypota z hodnt Pn . Vypotali sme si hodnoty Pn pre
Aniku, s ale dos zloit a mono nm zbytone komplikuj situciu. Vzorec
by naviac mal by univerzlny a veobecne platn. Sksme preto chvu uva-
ova o jednoduchch hodnotch pravdepodobnost Pn . Musme len dodra
podmienku, e vetky s z intervalu 0, 1 a ich set je jedna.
o by sme naprklad vedeli poveda o dievine, pre ktor P3 = 1? Je zrejm,

e vetky ostatn pravdepodobnosti u musia by nulov. Tto dievina teda
vdy rozbije dbn pri tretej ceste. Vetky jej pokusy s preto dky 3 a aj
priemern dka pokusu je 3.
Podobne ak by P10 = 1, tak kad (a aj priemern) dka pokusu by bola
10. Veobecne plat, e ak pre niektor k je Pk = 1, tak pre ostatn n = k je
Pn = 0 a plat D = k = k 1.
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
vpoet dal rovnak vsledok a po vykrten tisckou by bol plne rovnak.

Plat preto naozaj, e:
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.
Zostva nm urobi posledn krok. K nemu potrebujeme veri, e argumenty

platn pre konen poet nenulovch pravdepodobnost zostan v platnosti aj
pre nekonen sadu. iadne vne dvody proti zatia nevidme. Preto meme
slvnostne napsa hadan vzorec:

D = 1.P1 + 2 P2 + 3 P3 + 4 P4 + = n Pn
Zskan vzorec je sprvny nie len preto, e sme ho starostlivo vymysleli,

ale aj preto, e sa to rovnako podarilo aj mnohm alm. Nazva sa aj vzor-
com na vpoet tzv. venho priemeru, o je in nzov nho sla D. Slovo
ven" m zklad v slove vha. Jednotliv vsledky experimentov, v na-
"
om prpade dky pokusov n, s odven" ich dleitosou, vhou. T je
"
numericky vyjadren pravdepodobnosou ich vskytu Pn . Formlne je vzorec
nekonenm stom, o me spsobi technick problmy pri vpote. Pokia
ale skmame tak sady Pn , kde je len konen poet nenulovch pravdepodob-
nost, nulov leny sumy nemusme uvaova a vraz je konen. To bol prpad
u odvodench vzorcov pre Marienku a Eviku. My by sme sa ale mali vrti
sp k Anike s nekonenou sadou nenulovch Pn a vypota hodnotu D aj
pre u.
loha 3.1.7 Ak je ven priemer D pre Anikine hodnoty Pn ?

Rieenie: Zaneme najskr s mamikinou hodnotou nespechu 1/10. V lohe
3.1.4 sme vypotali, e:
( )n1
9 1
M Pn =
10 10
Plat preto, e mamikina hodnota venho priemeru bude:

( )n1
9 1
D= n M Pn = n
10 10
n=1 n=1
Tento set meme upravi na tvar:
( )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
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
al riadok M P2 + M P3 + M P 4 + M P5 + . . . m seln hodnotu
( )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.
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
Hodnotu D zskame ich stanm, teda plat:
( )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.
Priemern hodnota je ale dobr informcia, ktor naprklad Anike pome

pri nakupovan dbnov. Na kad rok by ich mala ma v zsobe pribline 36, 5.
Pokia miesto Aniky a rozbitch dbnov zaneme uvaova o technickch
zariadeniach a pravdepodobnosti ich poruchy, prenesieme sa z re rozprvok
do vemi praktickch oblast. Kee ich chybovos ale me by aj in ako
1/10, poksime sa zska veobecnej vsledok. K tomu pouijeme veobecn
oteckovu pravdepodobnos p. Vpoet s ou prebehne obdobnm spsobom

ako pre hodnotu 1/10, uvedieme z neho preto len dleit asti.
Pre oteckovu priemern dku pokusu plat (pre p = 0 a p = 1):

D= n OPn = n (1 p)n1 p = p n (1 p)n1 =
n=1 n=1 n=1

p
= p (1 p)1 n (1 p)n = n (1 p)n
1p
n=1 n=1
Na posledn sumu meme op poui vzorek, alebo zopakova postup z
predchdzajceho odseku. plat:

D= n OPn = 1 OP1 + 2 OP2 + 3 OP3 + 4 OP4 + 5 OP5 + . . .
n=1
= OP1 + OP2 + OP3 + OP4 + OP5 + . . . +

+ OP2 + OP3 + OP4 + OP5 + . . . +
+ OP3 + OP4 + OP5 + . . . +
...
Z lohy 1.1.3 vieme, e set:
OP1 + OP2 + OP3 + = 1

Pre nasledujci set plat:
OP2 + OP3 + OP4 + = (1 p) (OP1 + OP2 + OP3 + . . . ) = 1 p

set alieho riadku bude (1 p)2 at.
Preto:
1
D = 1 + (1 p) + (1 p)2 + (1 p)3 + =
p
Tento set sme tie spotali v lohe 1.1.3. Ide o set geometrickho radu
s kvocientom (1 p), ktor m korektn hodnotu.
Tmto vpotom zskan veobecn hodnota D je ete cennejm vpo-
tom. Ke si toti otecko spomenie na skuton hodnotu p (alebo si odmeriame
pravdepodobnos poruchy zariadenia), budeme vedie okamite poveda hod-
notu priemernej dku pokusu (alebo ivotnosti zariadenia).
Rozprvanie o Anike a slovenskch prsloviach sa pomaly kon. Ako sme

u naznaili, nelo len o rozprvku a zskan vsledky a vahy sa tkaj aj
omnoho vnejch oblast. plne na zver preto uvedieme lohu, ktor uke,
akm smerom je mon v skman pokraova.
loha 3.1.8 Spomenut dieviny Marienka a Evika s v skutonosti sestrami

Aniky a dobre poznaj jej problmy s chodenm po vodu. Rozhodli sa preto,
e si pomu druhm dbnom. Kad z nich preto chod po vodu s jednm
dbnom v avej a s jednm v pravej ruke. Predpokladajme, e pravdepodobnos
rozbitia kadho z nich je u znma 1/10. (Meme uvaova aj in, pre av a
prav ruku odlin hodnoty. Takto ale budeme mc vsledky sestier porovna.)
Pri pouvan dvoch dbnov si dievat prines vdy viac vody a po ces-
tike chodia s lepou rovnovhu. Veria preto, e sa aj predi doba, poas ktorej
s nimi bud chodi po vodu. Dievat ale maj rozdielnu povahu. Marienka je
pesimista, a po vodu prestane chodi hne, ke rozbije prv z dbnov. Jej pokus
sa preto kon po rozbit prvho dbnu (alebo oboch naraz). Evika je optimista
a jeden rozbit dbn jej ete nladu nepokaz. Chod po vodu alej, km sa jej
nepodar rozbi aj druh. Jej pokus sa preto kon a pri rozbit druhho dbnu.
Ak bude priemern dka pokusu pre Marienku a ak pre Eviku? Bol sprvny
ich predpoklad, e bud po vodu chodi dlhie ako Anika?
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 tejto kapitole uvedieme lohy na osvojenie si pojmu nhodnej premennej.

Ukeme, ako vypota a vyui vlastnosti a charakteristiky nhodnch pre-
mennch.
4.1 Popis nhodnej premennej

4.1.1 Rozdelenie pravdepodobnosti
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).
Pri potan pravdepodobnosti pre Bernoulliho nezvisl pokusy sme zistili,

e sa lia jednotliv poetnosti, kokokrt vsledok nastane. Popme teraz
Bernoulliho nezvisl pokusy pomocou rozdelenia pravdepodobnosti.
loha 4.1.1 Ak je pravdepodobnos, e z 5 pokusov padne na kocke , teda

stena so estkou, prve k-krt?
Rieenie: Podobn vpoet sme u robili. Rozdelenie pravdepodobnosti ho-
vor o tom, ako je rozdelen hodnota 1, teda cel pravdepodobnos", medzi
"
jednotliv mon vsledky.
Celkov hodnota pravdepodobnosti je 1 a je rozdelen medzi 6 udalost.
Udalosti, ktorch pravdepodobnosti s na obrzku 4.1 zakreslen, predstavuj
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
Obr. 4.1: Rozdelenie pravdepodobnosti nastatia prve k spechov pri hode 5

kockami
Pravdepodobnos, e spomedzi 5 hodov padne prve k -krt na kocke , je:
k 0 1 2 3 4 5
p5 (k) 0.4019 0.4019 0.1608 0.0322 0.0032 0.0001
Rovnak pravdepodobnos zapsan pomocou vzorca, je:
( ) ( )k ( )5k
5 1 5
p5 (k) =
k 6 6
To, ako je pravdepodobnos rozdelen, sa niekedy nazva zkon rozdelenia

pravdepodobnosti a prslun hodnoty meme zakresli do grafu, zapsa
do tabuky alebo napsa tento predpis pomocou vzorca.
4.1.2 Nhodn premenn
Matematika m vea uitonch nstrojov pre prcu s slami. Preto je roz-

umn urobi prevod medzi nhodnmi udalosami a selnmi mnoinami.
4.1 Popis nhodnej premennej 127
Tento prevod (zobrazenie, mapovanie) sa nazva: nhodn premenn. Pres-

nejie, nhodn premenn je zobrazenie elementrnych nhodnch udalost
na relne sla. Elementrnym udalostiam s priraden sla, ktor ich repre-
zentuj. Zkon rozdelenia pravdepodobnosti nhodnej premennej je
popis, ako je rozdelen pravdepodobnos medzi jednotliv sla. Plat pri tom,
e pravdepodobnos, e nhodn premenn nadobudne slo x, je rovnak ako
pravdepodobnos udalosti, zodpovedajcej tomuto slu x.
loha 4.1.2 Nech nhodn premenn X popisuje hod kockou. Udalosti, e na

kocke padla jednotka, teda stena so znakom prirad slo 1; udalosti, e na
kocke padlo prirad slo 2, . . . , udalosti, e na kocke padlo prirad slo
6. Ak rozdelenie pravdepodobnosti m nhodn premenn, ktor takmto sp-
sobom popisuje hod kockou?
Rieenie: Kad z uvedench udalost m rovnak pravdepodobnos rovn

1/6, preto aj kad z sel x = 1, 2, . . . , 6 sa bude vyskytova s touto pravde-
podobnosou. Rozdelenie pravdepodobnosti pre jednotliv hodnoty nhodnej
premennej vidme na obrzku 4.2.
Pr(X=x)
0,2
0,1
1 2 3 4 5 6 x
Obr. 4.2: Rozdelenie pravdepodobnosti nhodnej premennej popisujcej hod

kockou
Predpis pre nhodn premenn, prevod medzi udalosami a slami, je:
X : { , , , , , } {1, 2, 3, 4, 5, 6}
X (na kocke padla hodnota k) 7 k

1
Pr(yX = k) =
6
1 1 1 1
Pr(X = )= , Pr(X = )= , Pr(X = ) = ,..., Pr(X = )=
6 6 6 6
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.
loha 4.1.3 Nhodn premenn X popisuje hru, spovajcu v hode kockou a

vyplaten prslunej vhry. Ak na kocke padne slo 1 alebo slo 2, hr dostane
20 eur. Ak padne nieo in, hr zaplat 2 eur. Ak rozdelenie pravdepodobnosti
m nhodn premenn, ktor popisuje tto hazardn hru?
Rieenie: Udalosti s tentokrt dve, hr dostane 20 eur, hr zaplat 2 eur.

Nhodn premenn X teda nadobudne dve hodnoty.
X (hr dostane 20 eur) = 20
X (hr zaplat 2 eur) = 2

Uveden udalosti maj pravdepodobnosti rovn 2/6 a 4/6. Preto sa sla 2 a
20 bud vyskytova s tmito pravdepodobnosami. Rozdelenie pravdepodob-
nosti vidme na obrzku 4.3.
4/6
2/6
-2 20
Obr. 4.3: Rozdelenie pravdepodobnosti nhodnej premennej popisujcej ha-

zardn hru s kockou
4 2
Pr(X = 2) = , Pr(X = 20) =
6 6

Funkcia nhodnej premennej
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.
loha 4.1.4 Nhodn premenn Y popisuje hru, spovajcu v hode kockou

a vyplaten prslunej vhry. Ak na kocke padne slo 1 alebo slo 2, hr
dostane 2000 eur. Ak padne nieo in, hr zaplat 200 eur. Ak rozdelenie
pravdepodobnosti m nhodn premenn, ktor popisuje tto hazardn hru?
Rieenie: Udalosti s dve, hr dostane 2000 eur, hr zaplat 200 eur. Nhodn
premenn Y teda nadobudne dve hodnoty.
Y (hr dostane 2000 eur) = 2000

Y (hr zaplat 200 eur) = 200
Uveden udalosti maj pravdepodobnosti rovn 2/6 a 4/6. Preto sa sla 200
a 2000 bud vyskytova s tmito pravdepodobnosami. Rozdelenie pravdepo-
dobnosti vidme na obrzku 4.4.
4/6
2/6
-200 2000
Obr. 4.4: Rozdelenie pravdepodobnosti nhodnej premennej popisujcej ha-

zardn hru s vekmi vhrami a prehrami
4 2
Pr(Y = 200) = , Pr(Y = 2000) =
6 6
Set nhodnch premennch
Nhodn premenn denovan na tom istom pravdepodobnostnom priestore

meme sta. Ich set bude nhodn premenn, ktor m vo veobecnosti
in hodnoty ako pvodn nhodn premenn.
Prklad 4.1.1 Nhodn premenn X popisuje vsledky hodu vyvenou min-

cou. Hodnotu 0 priradme vsledku "hlava" a hodnotu 1 priradme vsledku
"znak". Ak rozdelenie pravdepodobnosti bude ma nhodn premenn Z =
X + X?
Rieenie: Rozdelenie pravdepodobnosti nhodnej premennej X popisuje ta-

buka:
X 0 1
1 1
P
2 2
Set Z = X + X dostaneme, ke stame hodnoty pri hode dvoch minc. Set
Z me nadobda hodnoty 0, 1, 2. Realizcie nhodnej udalosti (hodu dvoch
minc) mu by: hlava, hlava", hlava, znak", znak, hlava" a znak, znak".
" " " "
Hodnotu 0 nadobudne X + X iba v prpade nastatia udalosti hlava, hlava".
"
Hodnotu 2 nadobudne X + X iba v prpade nastatia udalosti znak, znak".
"
Hodnotu 1 nadobudne X + X v prpade nastatia udalosti znak, hlava", alebo
"
hlava, znak".
"
Predpokladme, e v prpade hodu dvoch minc s vsledky od seba nez-
visl, preto pravdepodobnos udalosti, ktorej hodnota je 0, je:
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:
Pr(Z = 1) = Pr((X = 1 X = 0) (X = 0 X = 1)) =

1 1 1 1 1
= Pr(X = 0) Pr(X = 1) + Pr(X = 1) Pr(X = 0) = + =
2 2 2 2 2
Pravdepodobnos udalosti, ktorej hodnota je 2, 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.
Prklad 4.1.2 Nhodn premenn Y popisuje vsledky hodu dvoma kockami

pri hre "Osadnci". Hodnoty tejto nhodnej premennej meme povaova za
set dvoch nhodnch premennch X a X, ktor popisuj vsledky hodu jednou
kockou. Ak rozdelenie pravdepodobnosti m nhodn premenn Y = X + X?
+ =
0 1 0 1 0 1 2
Obr. 4.5: Rozdelenie stu nhodnch premennch popisujcich hod mincou
Rieenie: Najmenia hodnota, ktor me nhodn premenn Y nadobudn,

je 2 (ke na oboch kockch padne jednotka) a najvia hodnota je 12 (ke
na oboch kockch padne estka). Podobnm postupom ako v prklade 4.1.1
dostaneme, e nhodn premenn Y m rozdelenie:
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
Obr. 4.6: Rozdelenie stu dvoch nhodnch premennch popisujcich hod

kockou
Pojem stu nhodnch premennch je vo vekej miere vyuvan v mate-

matickej tatistike.
Charakteristiky nhodnej premennej
pln predstavu o nhodnej premennej dostaneme, ke uvedieme vetky hod-

noty, ktor me nadobda a ich pravdepodobnosti. Niektor vlastnosti n-
hodnej premennej je vak mon popsa iba jednm slom. Charakteristiky
nhodnej premennej s sla, ktor uruj niektor vlastnosti jej rozdelenia, jej
charakter, sprvanie sa.
Hra z lohy 4.1.3 vyzer by pre hra vhodn. Nevyhrva sce prli asto,
ale vyhrva dos vea na to, aby prpadn prehry kompenzoval vhrami. Lotrie
funguj na podobnom princpe, len to nie je tak oividn.
Aby sme vedeli spota, i je hra spravodliv, alebo nie, musme zisti
dlhodob priemer. To sa d bu vytrvalm pozorovanm, alebo to meme
vypota teoreticky. Charakteristika nhodnej premennej, ktor prezrad, i
je hazardn hra spravodliv, sa nazva stredn hodnota (mean). Je to,
podobne ako naprklad aisko, ven priemer hodnt nhodnej premennej.
Vha, ktor pridelme kadej hodnote je pravdepodobnos jej vskytu. Preto
na vpoet strednej hodnoty potrebujeme pozna hodnoty nhodnej premennej
a pravdepodobnosti, s akmi nhodn premenn tieto hodnoty nadobda.
Stredn hodnota nhodnej premennej X sa oznauje E(X) a vypota sa
ako:

E(X) = xk pk (4.1)
k
kde xk s hodnoty nhodnej premennej a pk = Pr(X = xk ) s pravdepo-

dobnosti ich vskytu.
loha 4.1.5 Nhodn premenn X popisuje hru, spovajcu v hode kockou a

vyplaten prslunej vhry. Ak na kocke padne slo 1 alebo slo 2, hr dostane
20 eur. Ak sumu m hr zaplati ak padne nieo in ako 1 a 2, aby hra bola
spravodliv?
Rieenie: Hra bude spravodliv, ke hr zaplat toko, ako dostane. Teda

ke stredn hodnota nhodnej premennej X, ktor popisuje hru, spovajcu
v hode kockou a vyplaten prslunej vhry, bude 0. Ozname hadan sumu
z.
z =?
4 2
E(X) = z + 20 = 0
6 6
z = 10
Pri sume 10 eur, ktor plat hr, ke prehr, bude popsan hra spravodliv.
Vlastnosti strednej hodnoty E(X) meme odvodi od vlastnost, ktor m

opercia stania.
E(c) = c, kde c je nenhodn hodnota, (alebo inak, tto nhodn pre-

menn nadobda iba jednu hodnotu c).
E(c X) = c E(X)
E(X + Y) = E(X) + E(Y)
Na obrzkoch 4.7 a 4.8 s znzornen rzne nhodn premenn so svojimi

rozdeleniami pravdepodobnosti a vyznaenou strednou hodnotou. Vidme, e
stredn hodnota nie je v strede medzi hodnotami, ale ak by sme si predstavili
jednotliv pravdepodobnosti ako zvaia na prevaovacej hojdake, tak stredn
hodnota je to miesto, kde treba umiestni stred, aby bola hojdaka v rovnovhe.
1/2
1/3
1/6
1 3 7
E(X)
Obr. 4.7: Rozdelenie pravdepodobnosti nhodnej premennej s hodnotami 1,

3, 7 a s pravdepodobnosami 1/2, 1/6, 1/3. Stredn hodnota tejto nhodnej
premennej je E(X) = 3.3333.
Pomocou strednej hodnoty nhodnej premennej meme dokza existenciu

objektov s danou vlastnosou.
0.4
0.2
0.1
-1 3 4 8 10
E(X)
Obr. 4.8: Rozdelenie pravdepodobnosti nhodnej premennej s hodnotami -1,

3, 4, 8, 10 a s pravdepodobnosami 0.1, 0.2, 0.4, 0.1, 0.2 a jej stredn hodnota
je E(X) = 6.9000
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
vetkch trojuholnkov mus by niekoko takch, ktor maj 0 ervench vr-

cholov. Keby to tak nebolo, priemer by bol iba z sel 1, 2 a 3. To by muselo by
slo vie alebo rovn 1. Teda existuj trojuholnky s 0 ervenmi vrcholmi.
To znamen, e vetky ich vrcholy s modr.
Trojuholnk s poadovanou vlastnosou sme nenali, ale zaruili sme jeho
existenciu.

Postup pouit v lohe 4.1.6 sa nazva pravdepodobnostn metda a

rozvinul ju vo svojich prcach Paul Erds (19131996).
alie charakteristiky, ktor popisuj rozdelenie nhodnej premennej s

modus, medin a kvantily. Kad z tchto charakteristk opisuje in rtu roz-
delenia. Pri niektorch charakteristikch sa stane, e splyn do jednej hodnoty,
pri inch nie, a potom treba rozhodn, ktor charakteristika reprezentuje n-
hodn premenn najvhodnejie. (In charakteristiky s zaujmav pre majitea
kasna, in pre hazardnho hra, in pre majitea poisovne, in pre demogra-
ck a in pre meteorologick stav.) Pravdepodobnos je disciplna, ktor sa
zaober spsobom, ako tieto hodnoty vypota. V matematickej tatistike sa
tieto vlastnosti odhaduj z nameranch dt.
Modus je t hodnota nhodnej premennej, ktor m najviu pravdepo-

dobnos. Modus nhodnej premennej X sa oznauje M o(X) a vypota sa ako:
M o(X) = max pk
xk X
Medin je t hodnota nhodnej premennej, ktor del hodnoty na dve asti

s rovnakou pravdepodobnosou. Vavo od medinu s hodnoty nhodnej pre-
mennej, ktorch set pravdepodobnost je 1/2 a vpravo od medinu s hod-
noty nhodnej premennej, ktorch set pravdepodobnost je 1/2. Medin sa
zapota do avej asti.
Medin nhodnej premennej X sa oznauje M e(X) a vypota sa z rovnice:
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
1 . -kvantil sa zapota do avej asti.

Hodnota x sa nazva -kvantil nhodnej premennej X a vypota sa z rovnice:
Pr(X x ) =
Prklad 4.1.3 1/2-kvantil je tak hodnota x , pre ktor

Pr(X x1/2 ) = 1/2
Teda 1/2-kvantil je medin.
x1/2 = M e(X)
Stredn hodnota, medin, md s charakteristiky polohy, umiestnenia, alebo

aj centra nhodnej premennej. Okrem nich ns zaujma aj to, ako nairoko
alebo zko s jej hodnoty rozhdzan. Jednou z charakteristk rozptlenosti
nhodnej premennej je disperzia (variance) nhodnej premennej.
Disperzia nhodnej premennej X sa oznauje D(X) a vypota sa ako:

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.
Vlastnosti disperzie D(X) meme odvodi od vlastnost strednej hodnoty.
D(c) = 0, kde c je nenhodn hodnota, (alebo inak, tto nhodn pre-

menn nadobda pri vetkch pokusoch iba jednu hodnotu c).
D(c X) = c2 D(X)
ak s X a Y nezvisl, potom D(X + Y) = D(X) + D(Y)
Smerodajn odchlka nhodnej premennej X sa oznauje X a vypota sa
ako:

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
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
Ak vydelme obe strany nerovnosti parametrom b, dostaneme dokazovan ne-

rovnos 4.3.
Tvrdenie 4.1.2 Ak za b v nerovnosti 4.3 dosadme hodnotu c2 D(X) dosta-

neme nerovnos:
1
Pr(|X E(X)| c ) (4.4)
c2
Pomocou nerovnosti 4.4 sa d dokza, e takmer 90 % realizci nhodnej
premennej X le v intervale E(X) 3 , E(X) + 3 .
Dosame do nerovnosti 4.4 hodnotu c = 3. Dostaneme:
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 .
Na obrzkoch 4.9, 4.10 a 4.11 s znzornen rzne nhodn premenn so svo-

jimi rozdeleniami pravdepodobnosti, vyznaenou strednou hodnotou a smero-
dajnou odchlkou.
Porovnajte obrzky 4.10 a 4.11. Nhodn premenn na tchto obrzkoch
maj rovnak smerodajn odchlku. Preo?
1/2
1/3
1/6
1 3 7 E(X)+s
E(X)-s
E(X)
Obr. 4.9: Rozdelenie pravdepodobnosti nhodnej premennej s hodnotami 1, 3,

7, pravdepodobnosami 1/2, 1/6, 1/3 a jej stredn hodnota E(X) a interval
(E(X) , E(X) + )
0.4
0.2
0.1
-1 34 8 10
E(X)-s E(X)+s
E(X)
Obr. 4.10: Rozdelenie pravdepodobnosti nhodnej premennej s hodnotami -1,

3, 4, 8, 10, pravdepodobnosami 0.1, 0.2, 0.4, 0.1, 0.2, jej stredn hodnota E(X)
a interval (E(X) , E(X) + )
0.4
0.2
0.1
E(X)-s 2 6 7 11 13 E(X)+s
E(X)
Obr. 4.11: Rozdelenie pravdepodobnosti nhodnej premennej s hodnotami 2,

6, 7, 11, 13, pravdepodobnosami 0.1, 0.2, 0.4, 0.1, 0.2, jej stredn hodnota
E(X) a interval (E(X) , E(X) + )
4.1.3 Otzky z terie
1. Vymyslite aspo 3 rzne rozdelenia pravdepodobnosti nhodnej premen-

nej, ktor meme zska pri hodoch hracou kockou.
2. Ak je set pravdepodobnost vetkch hodnt nhodnej premennej?
3. Hri A a B hraj hazardn hru s kockou. A d hrovi B 9 eur, ak na

kocke padne 5 alebo 6. B d hrovi A 4 eur, ak na kocke padne 1, 2
alebo 3. Ak na kocke padne 4, peniaze sa nepresvaj. Ktor z hrov
A, B m viu pravdepodobnos vyhra a preo?

kocke padne 5 alebo 6. B d hrovi A 5 eur, ak na kocke padne 1, 2, 3
alebo 4. Nakreslite rozdelenie pravdepodobnosti nhodnej premennej X,
ktor popisuje nann zisk hra A. alej nakreslite rozdelenie pravde-
podobnosti nhodnej premennej Y, ktor popisuje nann stratu hra
B.
5. Ak je stredn hodnota nhodnej premennej, popisujcej vsledok hodu

pravidelnou kockou, ke na stench kocky s sla 1, 2, 3, 4, 5, 6?


8. Navrhnite nhodn premenn, ktor nadobda 10 navzjom rznych

hodnt a jej stredn hodnota je 5.
9. Navrhnite nhodn premenn, ktor popisuje platy zamestnancov neja-

kej rmy. Urobte to tak, aby medin bol v ako modus a men ako
stredn hodnota.
10. Navrhnite nhodn premenn, ktorej medin je v ako jej stredn

hodnota.
11. Navrhnite nhodn premenn, ktorej modus je men ako jej stredn
hodnota.
12. Navrhnite nhodn premenn, ktorej 0.95-kvantil je men ako aspo

polovica hodnt nhodnej premennej.
1. Nhodn premenn popisujca hod hracou kockou me ma rzne roz-

delenia pravdepodobnosti. Zle to na tom, ak nhodn pokus vlastne
realizujeme.
V prpade, e nhodn premenn popisuje, i na kocke padne, alebo

nepadne estka, nhodn premenn bude ma dve hodnoty. Ich prav-
1 5
depodobnosti bud a . seln hodnoty prislchajce udalostiam
6 6
'padla estka' a 'nepadla estka' je mon zvoli ubovone. Teda hodnoty
tejto nhodnej premennej mu by '0' a '1', ale naprklad aj '3.1415' a
'2.7183'.
X:
k 0 1
1 5
p(k)
6 6
Y:
k 3.1415 2.7183
1 5
p(k)
6 6
In rozdelenie pravdepodobnosti m nhodn premenn, ktor popisuje,

o (ak slo) na kocke padlo. Monost, ak slo padne, je 6 a kad je
rovnako pravdepodobn (v prpade, e je kocka 'spravodliv'). Pravdepo-
1
dobnos kadej z udalost bude . Hodnoty takejto nhodnej premennej
6
s obvykle 1, 2, 3, 4, 5, 6.
V:
k 1 2 3 4 5 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.
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), . . .
Z toho iba 5 zodpoved oakvanej udalosti. S to vsledky:
(1, 6), (2, 6), (3, 6), (4, 6), (5, 6)

5
Teda na druh pokus padne estka s pravdepodobnosou .
36
25 514
Na tret pokus to bude , na 15-ty .
216 615
Samozrejme 15-tym pokusom to nekon a pokusy bud pokraova a-
lej. Me sa sta, e estka na kocke padne a na 30-ty pokus, aj ke
pravdepodobnos tejto udalosti je dos mal. Nememe vlastne uri
hranicu, za ktor sa s hdzanm nedostaneme. Teoreticky je vdy anca,
e akkovek hranicu pri nejakom hdzan prekonme. (Pravdepodobnos
5
nejakho potu hodov je nsobok potu hodov o 1 menieho. Teda uve-
6
den pravdepodobnos geometricky kles).
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
2. Set pravdepodobnost vetkch hodnt nhodnej premennej je 1. Toto

tvrdenie plat iba pre nhodn premenn, ktor maj najviac spota-
tene vea hodnt.
Set pravdepodobnost vetkch hodnt nhodnej premennej je prav-

depodobnos udalosti , ktor vznikne ako zjednotenie vetkch elemen-
trnych udalost.
Presvedme sa, e pre kad nhodn premenn z predolej lohy naozaj

plat, e set pravdepodobnost vetkch ich hodnt je 1.
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.
3. Hri A a B hraj hazardn hru s kockou. A d hrovi B 9 eur, ak

na kocke padne 5 alebo 6. B d hrovi A 4 eur, ak na kocke padne 1,
2 alebo 3. Ak na kocke padne 4, peniaze sa nepresvaj. Viu prav-
depodobnos vyhra m hr poda toho, koko hier sa odohr. Ak sa
bude hra iba jedna hra, tak m viu ancu hr A, pretoe pravdepo-
dobnos, e vyhr s 3/6, hr B vyhr s menou pravdepodobnosou,
bud to iba 2/6. S pravdepodobnosou 1/6 nevyhr nikto.
Situcia sa zmen, ke bud hra naprklad 600 hier. V tom prpade hr

A vyhr pribline 300 z nich a hrB vyhr pribline 200. Zisk hra A
bude pribline 1200 eur, zisk hra B bude pribline 1800 eur. Tieto sla
nie s presn, ale aj tak vidme, e pri 600 hrch pravdepodobne vyhr
hr B. Presne nm o rozloen ance na vhru hovor teoretick v-
sledok, stredn hodnota rozdelenia X, ktor popisuje naprklad nann
zisk hra A.
Rozdelenie pravdepodobnosti nhodnej premennej X je popsan nasle-
dujcou tabukou.
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.

kocke padne 5 alebo 6. B d hrovi A 5 eur, ak na kocke padne 1, 2,
3 alebo 4. Nhodn premenn X, ktor popisuje nann zisk hra A,
m dve hodnoty. S to sla -8 a 5.
Rozdelenie pravdepodobnosti nhodnej premennej X je popsan nasle-

dujcou tabukou alebo znzornen na obrzku 4.12.
X:
k8 5
2 4
p(k)
6 6
4/6
2/6
-8 0 5
E(X)
Obr. 4.12: Rozdelenie pravdepodobnosti nhodnej premennej X s hodnotami

-8 a 5 a pravdepodobnosami 2/6 a 4/6
Nhodn premenn Y popisujca nann stratu hra B m rovnak

hodnoty aj rovnak rozdelenie pravdepodobnosti ako nhodn premenn
X, ktor popisuje nann zisk hra A. ( Strata -8" znamen, e hr
"
B stratil -8, teda dostal 8. To sa stane, ak na kocke padne 5 alebo 6.)
Y:
k 8 5
2 4
p(k)
6 6
5. Nhodn premenn Z popisujca vsledok hodu pravidelnou kockou me

by zadan rzne. Najastejie sa pod hodom kockou rozumie pokus,
v ktorom sla 1, 2, 3, 4, 5, 6 nastan kad s pravdepodobnosou 1/6.
Stredn hodnota nhodnej premennej Z je:
1 1 1 1 1 1
E (Z) = 1 + 2 + 3 + 4 + 5 + 6 = 3.5
6 6 6 6 6 6
6. Nech nhodn premenn U popisuje pokus, v ktorom sla 2, 4, 6, 8, 10,

12 nastan kad s pravdepodobnosou 1/6. Stredn hodnota nhodnej
premennej U je:
1 1 1 1 1 1
E (U) = 2 + 4 + 6 + 8 + 10 + 12 = 7
6 6 6 6 6 6
7. Nech nhodn premenn W popisuje pokus, v ktorom sla 1, 4, 9, 16, 25,

36 nastan kad s pravdepodobnosou 1/6. Stredn hodnota nhodnej
premennej W je:
1 1 1 1 1 1
E (W) = 1 + 4 + 9 + 16 + 25 + 36 = 15.167
6 6 6 6 6 6
8. Nhodn premenn V, ktor nadobda 10 navzjom rznych hodnt a

jej stredn hodnota je 5, je naprklad nhodn premenn nadobdajca
hodnoty -2, -1, 3, 4, 5, 6, 7, 8, 9, 11, kad z nich s pravdepodobnosou
0.1 .
9. Predpokladajme, e vo rme s 4 druhy platov. 44 % zamestnancov m

platy v hodnote 600 euro, 35 % zamestnancov m platy v hodnote 800
euro, 20 % zamestnancov m platy v hodnote 1000 euro,a 1% zamest-
nancov m platy v hodnote 25 000 euro.
Nhodn premenn X, ktor popisuje platy zamestnancov tejto rmy,

bude nadobda hodnoty 500, 800, 1000 a 25000.
0,44
0.35
0.2
E(X)
0,01
0 600 800 1000 ... 25000
Obr. 4.13: Rozdelenie pravdepodobnosti nhodnej premennej X s hodnotami

600, 800, 1000 a 25000 a pravdepodobnosami 0.44, 0.2, 0.35 a 0.01
X:
k 600 800 1000 25000

p(k) 0.44 0.2 0.35 0.01
p(k) naozaj tvoria rozdelenie pravdepodobnosti nhodnej premennej, pre-

toe:
0.44 + 0.2 + 0.35 + 0.01 = 1
Skontrolujeme, i je medin naozaj v ako modus a men ako stredn
hodnota.
M e(X) = 800, M o(X) = 600, EX = 1024

Teda naozaj plat:
M e(X) > M o(X) a M e(X) < X
Vetky tieto sla (medin, modus, priemer) charakterizuj centrum,

stred rozdelenia hodnt nhodnej premennej. Kad vak hovor nieo
in. To, e zamestnancovi tejto rmy ponknu podpriemern plat, me
by najlepia ponuka (a 1024 euro). Ak mu ponknu v plat ne m
najvia skupina zamestnancov (600 euro), me to by horie, ne ke
dostane plat v, ne m polovica zamestnancov (800 euro).
Hoci stredn hodnota vyzer ako najskresujcej odhad polohy, m aj

svoje vhody. Ak toti poznme celkov poet zamestnancov, meme
pomocou strednej hodnoty zisti celkov sumu vyplatench peaz. Po-
mocou medinu, ani modusu sa nm to nepodar.
10. Nhodn premenn, ktorej medin je v ako jej stredn hodnota je

naprklad nhodn premenn Y, ktor nadobda hodnoty 500, 800, 900
s pravdepodobnosami 0.4, 0.1, 0.5.
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).
0.49
0.4
0.11
E(Y)
Me(Y)
0
500 800 900
Obr. 4.14: Rozdelenie pravdepodobnosti nhodnej premennej Y s hodnotami

500, 800, 900 a pravdepodobnosami 0.4, 0.1, 0.5
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:
M o(Z) < E(Y)
Vpoty:
Set nekonenho geometrickho radu 4.5 sa d spota takto (pozor,
1/2
1/4
1/8
1/16
1/32
...
1 2 3 4 5 6 7 8 9 .....
Mo(Z) E(Z)
Obr. 4.15: Rozdelenie pravdepodobnosti nhodnej premennej Z s hodnotami

1 1 1 1
1, 2, 3, 4,. . . a pravdepodobnosami , , , ,...
2 4 8 16
tento postup dva nezmyseln vsledky v prpade, e premennou S ozna-

me nekoneno). Ozname:

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
Rovnak vsledok uvidme, ke si pozrieme obrzok 4.16, kde vidme

okoldu rozdelen na asti. S to postupne:
1 1 1 1
, , , ,...
2 4 8 16
Tieto ksky dohromady vytvoria cel okoldu.
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:
Pr(Z 4) = 0.9375 0.95 a Pr(Z 5) = 0.9688 0.95
Ak mme vybra ako kvantil niektor z hodnt nhodnej premennej,

urme poda charakteru lohy, ktor z sel 4 alebo 5 to bude.
V oboch prpadoch vak bude splnen loha zo zadania, lebo hodnota 5

je menia ako nekonene vea hodnt nhodnej premennej Z a via ako
4 hodnoty. Teda hodnota 5 je naozaj menia ako aspo polovica hodnt
nhodnej premennej Z. Skutone vidme 1, 2, 3, 4, |5|, 6, 7, 8, 9, 10, . . .
1 1 1 1 1
Pr(Z z ) = = + + + + N
2k 2 4 8 2
k;zk z
Na vpoet Pr(Z z ) sme pouili obrzok 4.17, z ktorho je vidno,

e set prvch k kskov okoldy (= pravdepodobnost prvch k hod-
nt nhodnej premennej Z) je rovn celej okolde bez ksku, ktor m
vekos poslednho stanca.
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
4.1.4 Prklady
1. Auto mus prejs 4 kriovatky riaden semaformi. Na kadom zo sema-

forov je bu erven alebo zelen s pravdepodobnosou 0.5 (oranov
neuvaujeme). Ozname ako nhodn premenn poet kriovatiek prej-
dench na zelen (po prv, na ktorej mus zasta, kvli ervenej, tto u
nepotame). Urte rozdelenie pravdepodobnosti tejto nhodnej premen-
nej a znzornite ho gracky.
2. Auto m prejs 6 kriovatiek riadench semaformi. Na kadom zo se-

1
maforov je bu erven, oranov alebo zelen s pravdepodobnosou .
3
Ozname ako nhodn premenn poet kriovatiek prejdench na zelen
(po prv, na ktorej mus zasta, kvli ervenej alebo oranovej). Urte
rozdelenie pravdepodobnosti tejto nhodnej premennej a znzornite ho
gracky.
3. Znuden stredokolk poslal na 4 rzne adresy spam. Pravdepodobnos,

e spam prejde na miesto urenia, je vdy 0.3. Urte rozdelenie prav-
depodobnosti nhodnej premennej, ktor popisuje, na koko miest bol
spam doruen.
4. Pozorovanm sa zistilo, e ke futbalista Jano vystrel na brnu, d

gl s pravdepodobnosou 0.1. Popte nhodn premenn, ktor popi-
suje, koko zbytonch striel futbalista Jano spotrebuje, km traf brnu.
Koko priemerne zbytonch striel spotrebuje Jano na jeden gl?
5. Galtonova doska (Galton board), je zariadenie, pomocou ktorho bu-

deme modelova rozdelenie nhodnej premennej G (sir Francis Galton
[3]). Simulcia spova v prechode vekho mnostva zn cez dosku, na
ktorej s kolky, usmerujce pohyb zn. Okolo kadho kolka prejde
zrno vpravo alebo vavo s rovnakou pravdepodobnosou. Ako bud vy-
zera kpky po presune 100 zn? A ak je rozdelenie pravdepodobnosti
nhodnej premennej G, ktor popisuje, s akou pravdepodobnosou bud
zrn v jednotlivch astiach na spodku Galtonovej dosky, znzornenej na
obrzku:
Rieenie prkladov
1. Nhodn premenn X popisuje poet kriovatiek prejdench na zelen

(pokm po prvkrt auto zastane na erven). Kriovatky s dohromady
4, preto poet prejdench kriovatiek me by 0, 1, 2, 3 alebo 4. Prav-
depodobnos, e nhodn premenn dosiahne hodnotu 0, je tak ist ako
pravdepodobnos, e na prvej kriovatke bude erven. To je 1/2.
Pravdepodobnos, e nhodn premenn dosiahne hodnotu 1, je tak

ist ako pravdepodobnos, e na prvej kriovatke bude zelen a potom
na druhej erven. To je pravdepodobnos 1/2, e na prvej kriovatke
bude zelen a z toho 1/2, e na druhej kriovatke bude erven. Teda
pravdepodobnos, e nhodn premenn dosiahne hodnotu 1, je 1/4.
Pravdepodobnos, e nhodn premenn dosiahne hodnotu 2, je tak ist

ako pravdepodobnos, e na prvej kriovatke bude zelen, na druhej ze-
len a potom na tretej erven. To je pravdepodobnos 1/2, e na prvej
kriovatke bude zelen, z toho 1/2, e na druhej kriovatke bude zelen a
z toho 1/2, e na tretej kriovatke bude erven. Teda pravdepodobnos,
1
e nhodn premenn dosiahne hodnotu 2, je .
8
Analogicky pravdepodobnos, e nhodn premenn dosiahne hodnotu 3
1
je a pravdepodobnos, e nhodn premenn dosiahne hodnotu 4 je
16
1
.
32
Rozdelenie pravdepodobnosti nhodnej premennej X, ktor popisuje po-

et kriovatiek prejdench na zelen uruje tabuka: X:
k 0 1 2 3 4
1 1 1 1 1
p(k)
2 4 8 16 32
2. Skr ako vyrieime tento prklad, vrtime sa k prkladu 1. Jeho rieenie

nie je sprvne. Set pravdepodobnost vetkch hodnt nhodnej pre-
mennej X v tomto rieen nie je 1.
Chybn bol vpoet pravdepodobnosti, e auto prejde vetky kriovatky
na zelen. Hodnota nhodnej premennej v tomto prpade bude 4, ale
pravdepodobnos bude rovn sinu pravdepodobnost, e na kadej kri-
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
Set tchto zlomkov je skutone 1, lebo plat:
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
Verme, e predol loha nebude chpan ako pokus zmias itatea,

ale ako vne varovanie pred unhlenm zoveobecovanm a pred nekri-
tickou dverou v tvrdenia autort (knh, spoluiakov, uiteov, internetu).
Vrme sa k rieeniu lohy 2. V tejto lohe m auto prejs 6 kriova-

tiek. Na kadom zo semaforov je bu erven, oranov alebo zelen
1
s pravdepodobnosou . Nhodn premenn Y oznauje poet kriova-
3
tiek prejdench na zelen (po prv na ktorej mus zasta, kvli ervenej,
alebo oranovej).
Rozdelenie pravdepodobnosti nhodnej premennej Y uruje tabuka.

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
3. Urme hodnoty nhodnej premennej, ktor popisuje, na koko miest bol

spam doruen. Spam me by doruen na 0, 1, 2, 3 alebo 4 miesta.
0 miest znamen, e spam nebol doruen ani na miesto A, ani na miesto

B, ani na miesto C, ani na miesto D. Pravdepodobnos tejto udalosti je:
0.7 0.7 0.7 0.7 = 0.2401
1 miesto: spam bol doruen bu iba na miesto A, alebo iba na miesto

B, alebo iba na miesto C, alebo iba na miesto D. Pravdepodobnos tejto
udalosti je:
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 =
= 4 0.3 (0.7)3 = 0.4116
2 miesta: spam bol doruen bu prve na miesta A a B, alebo prve na

miesta A a C, alebo prve na miesta A a D, alebo prve na miesta Ba
C, alebo prve na miesta B a C, alebo prve na miesta C a D. Pravde-
podobnos tejto udalosti je:
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
3 miesta: spam bol doruen bu iba na miesta A, B, C, alebo iba na

miesta A, B, D, alebo iba na miesta A, C, D, alebo iba na miesta B, C,
D.
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
4 miesta: spam bol doruen bu na vetky tyri miesta A, B, C,D.

( )
4
0.3 0.3 0.3 0.3 = 1 (0.3) = 4
(0.3)4 (0.7)0 = 0.0081
4
Rozdelenie pravdepodobnosti nhodnej premennej W, ktor popisuje, na

koko miest bol spam doruen, uruje tabuka a obrzok 4.18.
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
4. Km traf brnu, potrebuje Jano niekokokrt zbytone vystreli na brnu.

Naprklad ak dva razy netraf a potom traf, tak spotreboval dve zbyton
strely. Nhodn premenn Z, ktor popisuje, koko zbytonch striel fut-
balista Jano potrebuje na trafenie brny, me nadobudn hodnoty 0,
1, 2, 3, 4, . . .
Pravdepodobnos, e na strelenie glu pouije 0 zbytonch striel, je z-
rove pravdepodobnos, e traf brnu na prvkrt, teda:
1
p(0) =
10
Pravdepodobnos, e na strelenie glu pouije 1 zbyton strelu, je z-

rove pravdepodobnos, e traf brnu na druhkrt, teda najprv brnu
netraf a potom ju traf.
9 1
p(1) =
10 10
Analogicky:
( )2
9 1
p(2) =
10 10
( )3
9 1
p(3) =
10 10
...
Rozdelenie pravdepodobnosti nhodnej premennej Z, ktor popisuje, koko
zbytonch striel treba na trafenie brny, uruje tabuka a obrzok 4.19.
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 ...
Obr. 4.19: Nhodn premenn popisujca, koko zbytonch striel treba na

trafenie brny
Na to, aby to naozaj bolo rozdelenie pravdepodobnosti treba ukza, e

set pravdepodobnost vetkch hodnt nhodnej premennej je 1.
( )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.
Venujme sa teraz otzke, koko priemerne striel spotrebuje Jano na jeden

gl.
Priemer spomedzi hodnt 0, 1, 2, 3, 4, . . . spota nie je mon. Poet

hodnt je nekonen, preto by sa priemer potal nejako takto:
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
Priemern dka spomedzi tejto srie 100 pokusov je 8.26.
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
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
Priemern dka spomedzi tejto srie 100 pokusov je 10.52.
Tieto sla s odhadmi nejakho teoretickho priemeru, ktor sa nazva

stredn hodnota nhodnej premennej.
D sa dokza, e m viac pokusov urobme, tm ich priemer bude bliie

k tejto teoretickej strednej hodnote. Urobili sme preto ete aliu sriu,
ktor obsahovala 10 000 glov. Jednotliv sla vypisova nebudeme, ale
ich priemern hodnota vyla 9.1301.
Tvrdenie 4.1.3 (Zkon vekch sel) S rastcim potom Bernoul-

liovch pokusov sa stva oraz istejm, e relatvna poetnos nastatia
nejakej udalosti bude ubovone blzko k pravdepodobnosti tejto udalosti.
(Pri vekom pote nezvislch pokusov je vemi pravdepodobn, e rela-
tvna poetnos sa bli k teoretickej hodnote pravdepodobnosti.)
Sksime teraz vypota teoretick hodnotu strednho potu zbytonch

striel. Je jasn, e pokus, v ktorom bude 0 zbytonch striel nastane
astejie ako pokus, v ktorom bude 1 000 000 zbytonch striel. Dokonca
plat, e pokus, v ktorom bude 0 zbytonch striel nastane astejie ako
pokus, v ktorom bud 2 zbyton strely. Je to preto, e pravdepodobnos,
e Jano traf brnu na prvkrt (minie 0 zbytonch striel) je:
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
Potrebujeme teda vypota nekonen set, preto urobme niekoko

prav:
( )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
Ak posledn set ozname S , tak plat:

( )2 ( )3
9 9 9
S= + + + =
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
Dleit je vsledok, e teoretick stredn hodnota vypotan na zklade

vahy o tvare rozdelenia dva skoro rovnak vsledok (slo 9) ako sme
dostali pri vykonan 10 000 pokusov.
Dobre odhadnut tvar rozdelenia poskytne informciu aj o pokusoch,

ktor ete neboli vykonan.
5. Nhodn premenn G popisujca Galtonovu dosku bude ma 11 hodnt.

Keby sme na vrchu dosky nasypali 1024 zn, tak teoreticky by sa na
prvej rovni rozdelili na dve skupiny po 512 zn, na druhej rovni na tri
skupiny po 256, 512 a 256 zn. Na tretej rovni sa teoreticky rozdelia
zrn na skupiny vekosti 128, 384, 384 a 128. Postupne sa kad kpka
rozdel na polovicu a vsype do priehradky na nasledujcej rovni. Na 11-

tej rovni bude v jednotlivch priehradkch 1, 10, 45, 120, 210, 252, 210,
120, 45, 10, 1 zn. Pravdepodobnos, e zrno skon v k -tej priehradke,
je uren tabukou a obrzkom 4.20.
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
Obr. 4.20: Nhodn premenn popisujca koko zn sa dostane do jednotlivch

priehradok na spodku Galtonovej dosky
4.2 Diskrtne rozdelenia pravdepodobnosti

V matematickej analze je okrem pojmu funkcia zaveden aj pojem elemen-
trna funkcia. Nie, e by elementrne funkcie neboli funkciami, alebo naopak,
e by boli vrazne jednoduchie (elementrnejie) ako in funkcie. Ich jedin
pecikum je to, e sa pouvaj tak asto, e je jednoduchie o nich hovori,
ke s nejako pomenovan. Je naozaj jednoduchie poveda, e nejak objekt
je funkcia snus, alebo graf funkcie snus, ne vysvetova spsob, akm sa k
takejto funkcii dostaneme (ako set nekonenho radu, ako rieenie diferen-
cilnej rovnice, ako zznam pohybu po krunici v komplexnej rovine).
Analogicky k elementrnym funkcim, niektor astejie pouvan rozdele-

nia pravdepodobnosti, s pomenovan pecickm nzvom. Dvodom je znovu
potreba vynecha popis celho procesu, ktorm vznikaj tieto nhodn uda-
losti. Je mon vynecha proces zisovania ak s pravdepodobnosti jednotli-
vch elementrnych udalost a ak je zobrazenie z priestoru nhodnch udalost
do selnho oboru. Toto vetko je zhrnut v nzve rozdelenia nhodnej pre-
mennej. A rovnako, ako pri funkcich nie je nutn tieto nzvy pouva, ale ich
pouite me uahi dohovor o nich.
Pre kad rozdelenie uvedieme aj vpoet jeho strednej hodnoty a disper-

zie. Tieto vpoty bud niekedy jednoduchie, niekedy nronejie. Neskr, v
prpade spojitch nhodnch premennch u uvedieme len vsledok bez v-
potu.
V tejto asti sa budeme zaobera nhodnmi premennmi s diskrtnym

rozdelenm pravdepodobnosti. S to tak nhodn premenn, ktor maj
je konen poet hodnt, alebo v prpade nekonenho potu je ich toko ako
prirodzench sel.
Nhodn premenn s alternatvnym (Bernoulliho) rozdelenm prav-

depodobnosti,
A(p)
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
Pravdepodobnos, e udalos A nenastane, oznaujeme q:
Pr(A) = 1 p = q
Zkon rozdelenia pravdepodobnosti alternatvneho rozdelenia me by vyjad-

ren ako:
predpis:
Pr(X = 1) = p Pr(X = 0) = q (4.6)
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
Obr. 4.21: Alternatvne rozdelenie pravdepodobnosti s parametrom p = 1/4
To, e skutone ide o rozdelenie pravdepodobnosti, dokeme tak, e s-

tame pravdepodobnosti jednotlivch hodnt nhodnej premennej. Aby to bolo
rozdelenie pravdepodobnosti, ich set mus by 1.
Plat:
p + q = p + (1 p) = 1
Stredn hodnota a disperzia nhodnej premennej s alternatvnym rozdelenm
pravdepodobnosti s:
E(X) = p, D(X) = p q (4.7)

Nhodn premenn s binomickm rozdelenm pravdepodobnosti,

Bi(n, p)
Toto rozdelenie popisuje nhodn premenn, ktor popisuje poet nastatia

udalosti A pri uskutonen n rovnakch nezvislch pokusov. Tto nhodn
premenn nadobda n+1 hodnt. Hodnotu 0 nadobudne, ke udalos A na-
stane v srii n pokusov prve 0-krt, hodnotu 1 nadobudne, ke udalos A
nastane v srii n pokusov prve 1-krt at. hodnotu n nadobudne, ke uda-
los A nastane v srii n pokusov prve n-krt.
Parameter p nhodnej premennej oznauje pravdepodobnos nastatia uda-
losti A a pravdepodobnos, e udalos A nenastane oznaujeme q:
Pr(A) = p Pr(A) = 1 p = q
Zkon rozdelenia pravdepodobnosti nhodnej premennej s binomickm rozde-

lenm pravdepodobnosti me by vyjadren ako:
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
Naprklad pre n=6 a p = 1/4:
k 0 1 2 3 4 5 6
pk 0.178 0.356 0.2966 0.1318 0.0330 0.0044 0.0002
diagram:
Ide skutone o rozdelenie pravdepodobnosti, pretoe poda binomickej vety:
n ( )
n
pk q nk = (p + q)n = 1n = 1
k
k=0
Stredn hodnota a disperzia nhodnej premennej s binomickm rozdelenm s:
E(X) = n p, D(X) = n p q (4.9)

0 1 2 3 4 5 6
Obr. 4.22: Binomick rozdelenie pravdepodobnosti s parametrami n = 6 a

p = 1/4
Nhodn premenn s geometrickm rozdelenm pravdepodobnosti,

Ge(p)
Toto rozdelenie popisuje nhodn premenn, ktor popisuje poradie pokusu,

v ktorom nastala po prv raz udalos A, alebo v druhom prpade poet nes-
pench pokusov, km nastane udalos A. Teraz sa budeme zaobera prvm
prpadom (poradie pokusu, v ktorom nastala udalos A po prv raz). Druh
prpad je vyrieen v prkladoch v tejto asti. Na bliie porozumenie nhodnej
premennej s geometrickm rozdelenm pravdepodobnosti odporame itate-
ovi pretudova kapitolu 3.
Nhodn premenn s geometrickm rozdelenm pravdepodobnosti me

nadobudn neohranien poet hodnt. Hodnotu 1 nadobudne, ke udalos
A nastane u v prvom pokuse. Hodnotu 2 nadobudne, ke udalos A v pr-
vom pokuse nenastala a nastala v druhom pokuse at. hodnotu k nadobudne,
ke udalos A v prvch k1 pokusoch nenastala a nastane k -tom pokuse.
Parameter p nhodnej premennej oznauje pravdepodobnos nastatia udalosti
A:
Pr(A) = p
Zkon rozdelenia pravdepodobnosti nhodnej premennej s geometrickm roz-
delenm pravdepodobnosti me by vyjadren ako:
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 ...
Naprklad pre p = 0.7:

k 1 2 3 4 5 ...
pk 0.7 0.21 0.063 0.0189 0.0057 . . .
diagram:
0 1 2 3 4 5 6
Obr. 4.23: Geometrick rozdelenie pravdepodobnosti s parametrom p = 0.7
Ide skutone o rozdelenie pravdepodobnosti, pretoe plat:

1
(1 p)k1 p = p (1 p)k1 = p =1
1 (1 p)
k=1 k=1
Vyuili sme skutonos, e set geometrickho radu s kvocientom q a pr-

a
vm lenom a je :
1q

a
a qk = , pre |q| <1
1q
k=1
Nzov rozdelenia svis s geometrickou postupnosou, ktor tvoria pravdepo-

dobnosti jednotlivch hodnt 1, 2, 3, ...
Stredn hodnota a disperzia nhodnej premennej s geometrickm rozdelenm
s:
1 q
E(X) = , D(X) = (4.11)
p p2
Nhodn premenn s rovnomernm rozdelenm pravdepodobnosti,

R(n)
Toto rozdelenie popisuje nhodn premenn, ktor popisuje vskyty rovnako

pravdepodobnch udalost. Nhodn premenn s rovnomernm rozdelenm
pravdepodobnosti me nadobudn hodnoty 1, 2, . . . , n. Kad hodnotu na-

dobudne s rovnakou pravdepodobnosou, hodnt je n, set pravdepodobnost
je 1. Odtia dostvame, e kad hodnota m pravdepodobnos 1/n.
Parameter n nhodnej premennej oznauje poet elementrnych udalost, ktor
s reprezentovan hodnotami 1, 2, . . . , n.
Zkon rozdelenia pravdepodobnosti nhodnej premennej s rovnomernm roz-
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:
Obr. 4.24: Rovnomern rozdelenie pravdepodobnosti s parametrom n=7

n
1
=1
n
k=1
Stredn hodnota a disperzia nhodnej premennej s rovnomernm rozdelenm

s:
n+1 n2 1
E(X) = , D(X) = (4.13)
2 12
Nhodn premenn s Poissonovm rozdelenm pravdepodobnosti,

Po()
Toto rozdelenie popisuje nhodn premenn, ktor popisuje vskyty zriedka-

vch udalost. Nhodn premenn s Poissonovm rozdelenm pravdepodob-
nosti, popisuje poet vskytov nejakej udalosti poas svislho, vopred ur-
enho asovho intervalu. Poet udalost, ktor mu poas tohto intervalu
nasta, nie je ohranien. Hodnota nhodnej premennej me by akkovek
vek prirodzen slo.
Nhodn premenn s Poissonovm rozdelenm pravdepodobnosti me na-

dobudn hodnoty 0, 1, 2, . . . , k, . . .
Hodnotu 0 nadobudne s pravdepodobnosou e , hodnotu 1 nadobudne s prav-
2
depodobnosou e
, hodnotu 2 nadobudne s pravdepodobnosou e
2!
k
at. hodnotu k nadobudne s pravdepodobnosou e .
k!
Parameter nhodnej premennej uruje priemern poet udalost, ktor
nastan poas svislho, vopred urenho asovho intervalu.
Zkon rozdelenia pravdepodobnosti nhodnej premennej s Poissonovm roz-
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
0 1 2 3 4 5 ...
Obr. 4.25: Poissonovo rozdelenie pravdepodobnosti s parametrom = 2.5
Stredn hodnota a disperzia nhodnej premennej s Poissonovm rozdelenm

s:
E(X) = , D(X) = (4.15)
4.2.1 Otzky z terie
1. Ak rozdelenie pravdepodobnosti m nhodn premenn s hodnotami:

0 ak na kocke padne estka
1 ak na kocke padne nieo in.

0 ak na kocke padne estka na prv pokus
1 ak na kocke padne estka na druh pokus
2 ak na kocke padne estka na tret pokus
3 ak na kocke padne estka na tvrt pokus, . . .
k, ak na kocke padne estka na k -ty pokus, . . .
Ak je stredn hodnota a disperzia tejto nhodnej premennej?

0 ak pri hode 4 kockami nepadne estka ani raz
1 ak pri hode 4 kockami padne estka prve raz
2 ak pri hode 4 kockami padne estka prve dva razy
3 ak pri hode 4 kockami padne estka prve tri razy
4 ak pri hode 4 kockami padne estka prve tyri razy?

1 ak na kocke padne estka, alebo pka
2 ak na kocke padne dvojka, alebo trojka
3 ak na kocke padne nieo in?
5. Ak rozdelenie pravdepodobnosti a charakteristiky m nhodn premenn

s hodnotami:
3 ak na kocke padne nieo in?
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. Ak je pravdepodobnos, e
"
za mesiac absolvuje tudent 5 spench rande"?
"
7. Uvete prklad, ktor meme modelova nhodnou premennou s alter-

natvnym rozdelenm pravdepodobnosti.
8. Uvete prklad, ktor meme modelova nhodnou premennou s bino-

mickm rozdelenm pravdepodobnosti.
9. Uvete prklad, ktor meme modelova nhodnou premennou s geo-

metrickm rozdelenm pravdepodobnosti, ktor nem hodnotu 0.
10. Uvete prklad, ktor meme modelova nhodnou premennou s geo-

metrickm rozdelenm pravdepodobnosti, ktor m hodnotu 0.
11. Uvete prklad, ktor meme modelova nhodnou premennou s rovno-

mernm rozdelenm pravdepodobnosti.
12. Uvete prklad, ktor meme modelova nhodnou premennou s Pois-

sonovm rozdelenm pravdepodobnosti.
1. Nhodn premenn nadobda dve hodnoty:

0 ak na kocke padne estka
Hodnotu 1 nadobudne, ke udalos A: na kocke padne nieo in ako

"
estka" nastane.
Hodnotu 0 nadobudne, ke udalos A: na kocke padne nieo in ako
"
estka" nenastane.
Je to alternatvne rozdelenie pravdepodobnosti. Parameter p nhodnej

premennej, ktor oznauje pravdepodobnos nastatia udalosti A:
5
Pr(A) =
6
Pravdepodobnos, e udalos A nenastane oznaujeme q:
1
Pr(A) =
6
Zkon rozdelenia pravdepodobnosti tejto nhodnej premennej vyjadrme:
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
Obr. 4.26: Alternatvne rozdelenie pravdepodobnosti s parametrom p = 5/6

2. Nhodn premenn m neohranien poet hodnt:

0 ak na kocke padne estka na prv pokus
1 ak na kocke padne estka na druh pokus
2 ak na kocke padne estka na tret pokus
3 ak na kocke padne estka na tvrt pokus
...
k ak na kocke padne estka na k -ty pokus
...
Ide o nhodn premenn s geometrickm rozdelenm pravdepodobnosti.

Zkon rozdelenia tejto nhodnej premennej me by vyjadren ako:
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 ...
Obr. 4.27: Geometrick rozdelenie pravdepodobnosti s parametrom p = 1/6
Stredn hodnota a disperzia tejto nhodnej premennej s poda 4.11:
5
1 1 q
E(X) = = = 6, D(X) = 2 = ( 6)2 = 30
p 1 p 1
6 6
3. Chceme uri rozdelenie pravdepodobnosti nhodnej premennej s piatimi

hodnotami:
0 ak pri hode 4 kockami nepadne estka ani raz

1 ak pri hode 4 kockami padne estka prve raz
2 ak pri hode 4 kockami padne estka prve dva razy
3 ak pri hode 4 kockami padne estka prve tri razy
4 ak pri hode 4 kockami padne estka prve tyri razy.
Ide o nhodn premenn s binomickm rozdelenm pravdepodobnosti

Bi(n, p)=Bi(4, 1/6).
Stredn hodnota a disperzia tejto nhodnej premennej s poda 4.9:
4 1 5
E(X) = n p = = 0.67, D(X) = n p q = 4 = 0.56
6 6 6
4. V tomto prpade nie je rozdelenie pravdepodobnosti iadne z nm dote-

raz znmych rozdelen. Meme sa rozhodn pre dve cesty ako prklad
riei. Njs rieenie v literatre alebo na internete, alebo to urobi sami.
Niekedy, naprklad pri zloitch tvaroch rozdelen je rozumnejie pozrie
najprv, i lohu nevyrieil niekto in. V naom prpade, ale sta poui
vlastn hlavu.
Hodnoty nhodnej premennej s tri:
2 ak na kocke padne dvojka, alebo trojka
3 ak na kocke padne nieo in
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:
Stredn hodnotu nhodnej premennej vypotame poda vzorca 4.1:

3
2 2 2 2 4 6
E(X) = xk p k = 1 +2 +3 = + + =2
6 6 6 6 6 6
k=1
1/3
1 2 3
Obr. 4.28: Rozdelenie pravdepodobnosti nhodnej premennej
Disperziu nhodnej premennej vypotame poda vzorca 4.2:

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
Samozrejme, mohli sme predsa len hada v literatre, alebo si uvedomi,

e vlastne ide o nhodn premenn s rovnomernm rozdelenm pravde-
podobnosti R(3), ktorej stredn hodnotu a disperziu vypotame poda
vzorcov 4.13:
n+1 4 n2 1 32 1 8
E(X) = = = 2, D(X) = = = = 0.67
2 2 12 12 12
5. Hadme rozdelenie pravdepodobnosti nhodnej premennej s hodnotami:

predpis:
2 4
Pr(X = 1) = Pr(X = 3) =
6 6
tabuka:
k 1 3
pk 2/6 4/6
Stredn hodnotu nhodnej premennej vypotame poda vzorca 4.1:

2
2 4 2 12
E(X) = xk pk = 1 +3 = + = 2.33
6 6 6 6
k=1
Disperziu nhodnej premennej vypotame poda vzorca 4.2:

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"!
7. Nhodnou premennou s alternatvnym rozdelenm pravdepodobnosti m-

eme modelova naprklad vasn prchod vlaku na stanicu. Ak prde vlak
naas, nhodn premenn dosiahne hodnotu 1 ak bude vlak meka, do-
siahne hodnotu 0. Parameter p tohto rozdelenia odhadneme z niekokch
prchodov vlakov. Ak spomedzi n prchodov vlaku bolo m vas, tak pa-
rameter vypotame:
m
p=
n
8. Nhodnou premennou s binomickm rozdelenm pravdepodobnosti m-
eme modelova naprklad poet slnench dn v mesiaci jl. Treba sce
najprv poveda, o je to slnen de (naprklad v ten de bude svieti
slnko aspo 6 hodn a nebude pra). Budeme predpoklada (nie prli
presne), e slnen de nastane v jli s rovnakou pravdepodobnosou p

v hociktor de. Nhodn premenn s binomickm rozdelenm Bi(31, p)
pravdepodobnosti je model, pomocou ktorho urme pravdepodobnos,
e v jli bude prve m slnench dn.
( )
31
Pr(X = m) = pm (1 p)31m
m
Hodnotu parametra p odhadneme pomocou hodnt nameranch v mi-

nulosti, naprklad za poslednch 100 rokov. Teda p je pomer slnench
jlovch dn ku vetkm jlovm dom.
Tento model samozrejme nie je prli presn, predpoklad naprklad, e
kad de m rovnak ancu by slnenm. Ale zo sksenost vieme, e
ak u 3 dni pr, tak je in pravdepodobnos, e nasledujci de bude
slnen, ne ke je u 2 tdne slneno.
Preto na presnej popis bude treba in model, nm zatia sta aspo
takto (ale uvedomme si, e nie je prve najpresnej).
9. Nhodnou premennou s geometrickm rozdelenm pravdepodobnosti, ktor

nem hodnotu 0, meme modelova naprklad pokus, v ktorom pozoru-
jeme, na kokkrt padne na kocke estka. estka me padn na prv-
krt, druhkrt, tretkrt, . . . Teda hodnoty nhodnej premennej s:
1, 2, 3, 4, . . .
Pravdepodobnosti tchto hodnt s:
Pr(X = k) = (1 p)k1 p
10. Nhodnou premennou s geometrickm rozdelenm pravdepodobnosti, ktor

m hodnotu 0, meme modelova naprklad pokus, v ktorom pozoru-
jeme, koko nespench pokusov sme urobili, km na kocke padla estka.
estka me padn na prvkrt (=0 nespench pokusov), druhkrt
(=1 nespen pokus), tretkrt (=2 nespen pokusy), . . . Teda hod-
noty nhodnej premennej s:
0, 1, 2, 3, . . .
Pravdepodobnosti tchto hodnt s:
Pr(X = k) = (1 p)k p
Stredn hodnota a disperzia nhodnej premennej s geometrickm rozde-

lenm (obsahujcim hodnotu 0) s:
q q
E(X) = , D(X) = (4.16)
p p2
11. Prkladom, ktor meme modelova nhodnou premennou s rovnomer-

nm rozdelenm pravdepodobnosti, by mali by vetky lotrie. anca, e
vetky hodnoty maj rovnak pravdepodobnos nastatia by mala by
rovnak.
12. Nhodnou premennou s Poissonovm rozdelenm pravdepodobnosti mo-

delujeme zriedkav javy, naprklad vskyt tudentov, ktor si robia do-
mce lohy. Ale nakoko Poissonovo rozdelenie modeluje tok, v ktorom
nasledujci vvoj nezvis od predchdzajceho, zvykne sa pouva aj
na modelovanie vskytu udalost v asovom seku. Takto model bude
popisova najvie nepravidelnosti, ak mu nasta. Naprklad poet
dopravnch nehd v okrese za tde, poet vyplench iaroviek v pod-
niku za mesiac, poet skrachovanch leteckch spolonost za rok...
4.2.2 Prklady
1. Vypotajte stredn hodnotu E(X) nhodnej premennej s alternatvnym

rozdelenm pravdepodobnosti, X A(p).
2. Vypotajte disperziu D(X) nhodnej premennej s alternatvnym rozde-

lenm pravdepodobnosti, X A(p).
3. Vypotajte stredn hodnotu E(X) nhodnej premennej s binomickm

rozdelenm pravdepodobnosti, X Bi(n, p).
4. Vypotajte disperziu D(X) nhodnej premennej s binomickm rozdele-

nm pravdepodobnosti, X Bi(n, p).
5. Vypotajte stredn hodnotu E(X) nhodnej premennej s geometrickm

rozdelenm pravdepodobnosti, X Ge(p).
6. Vypotajte disperziu D(X) nhodnej premennej s geometrickm rozde-

lenm pravdepodobnosti, X Ge(p).
7. Vypotajte stredn hodnotu E(X) nhodnej premennej s geometrickm

rozdelenm pravdepodobnosti, X Ge(p), v prpade, e hodnoty nhod-
nej premennej s 0, 1, 2, . . . Hodnoty mu naprklad popisova poet
nespench pokusov, km na kocke padne estka.
8. Vypotajte disperziu E(X) nhodnej premennej s geometrickm rozde-

lenm pravdepodobnosti, X Ge(p), v prpade, e hodnoty nhodnej
premennej s 0, 1, 2, . . . Hodnoty mu naprklad popisova poet ne-
spench pokusov, km na kocke padne estka.
9. Vypotajte stredn hodnotu E(X) nhodnej premennej s rovnomernm

rozdelenm pravdepodobnosti, X R(n).
10. Vypotajte disperziu D(X) nhodnej premennej s rovnomernm rozde-

lenm pravdepodobnosti, X R(n).
11. Vypotajte stredn hodnotu E(X) nhodnej premennej s Poissonovm

rozdelenm pravdepodobnosti, X P o().
12. Vypotajte disperziu D(X) nhodnej premennej s Poissonovm rozdele-

nm pravdepodobnosti, X P o().
Rieenie prkladov
1. Stredn hodnotu E(X) nhodnej premennej s alternatvnym rozdelenm

pravdepodobnosti, X A(p) vypotame:
E(X) = 1 p + 0 q = p
2. Disperziu D(X) nhodnej premennej s alternatvnym rozdelenm prav-

depodobnosti, X A(p) vypotame:
D(X) = (1 p)2 p + (0 p)2 q = p q = p (1 p)
3. Stredn hodnotu E(X) nhodnej premennej s binomickm rozdelenm

pravdepodobnosti, X Bi(n, p) vypotame:

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
4. Disperziu D(X) nhodnej premennej s binomickm rozdelenm pravde-

podobnosti, X Bi(n, p) vypotame:

n ( )
n
D(X) = (k n p)
2
pk q nk =
k
k=0

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
Pri odvoden sme pouili:

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
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 )

D(X) = D Y = n D(Y) = n p q
k=0
5. Stredn hodnotu E(X) nhodnej premennej s hodnotami 1, 2, 3, . . . , s

geometrickm rozdelenm pravdepodobnosti, X Ge(p) vypotame:

( )

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
6. Disperziu D(X) nhodnej premennej s hodnotami 1, 2, 3, . . . , s geomet-

rickm rozdelenm pravdepodobnosti, X Ge(p) vypotame:
(
)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
2 2p p 2 1 1p q
= 2
+ 2 + 2 = 2
= 2
p p p p p
Pri vpote sme pouili:
(
) ( )
q 1
k
q = =
1q p2
k=1
( ) ( ) ( )
q 1 2
k
q = = =
1q (1 q)2 p3
k=2
7. Stredn hodnotu E(X) nhodnej premennej s hodnotami 0, 1, 2, 3, . . . , s

geometrickm rozdelenm pravdepodobnosti, X Ge(p), teda v prpade,
e hodnotou nhodnej premennej je aj 0, vypotame podobne ako v
predchdzajcom prpade:

( )

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
8. Najprv si odvodme vzah pre jednoduch vpoet disperzie:
D(X) = E(X2 ) E 2 (X) (4.18)
( )
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:

( )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
9. Stredn hodnotu E(X) nhodnej premennej s rovnomernm rozdelenm

pravdepodobnosti, X R(n) vypotame:

n
1 1
n
1 (1 + n) n 1+n
E(X) = k = k= =
n n n 2 2
k=1 k=1
10. Disperziu D(X) nhodnej premennej s rovnomernm rozdelenm pravde-

podobnosti, X R(n) vypotame:
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
2 (n + 1) (2n + 1) 6 (n + 1)2 + 3 (n + 1)2

= =
12
4n2 + 6n + 2 3n2 6n 3 n2 1
= =
12 12
11. Stredn hodnotu E(X) nhodnej premennej s Poissonovm rozdelenm

pravdepodobnosti, X P o() vypotame:

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.
(x 0)1 (x 0)2 (x 0)3

ex = (ex )x=0 +(ex )x=0 +(ex )x=0 +(ex )
x=0 + =
1! 2! 3!
xk
x x2 x3 x x2 x3
= e + e + e0 + e0 + = 1 + + +
0 0
+ = =
1! 2! 3! 1! 2! 3! k!
k=0
12. Disperziu D(X) nhodnej premennej s Poissonovm rozdelenm pravde-

podobnosti, X P o() vypotame:

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
4.3 Spojit rozdelenia pravdepodobnosti

V tejto asti sa budeme zaobera nhodnmi premennmi so spojitm rozde-
lenm pravdepodobnosti. S to tak nhodn premenn, ktorch hodnt je
vea. Tak vea, e pravdepodobnos nastatia kadej z tchto hodnt je nulov.
Napriek tomu je mon vyjadri pravdepodobnos toho, e jednotliv hodnoty
sa nachdzaj na rznych intervaloch relnej osi.
Uvaujme o nhodnej premennej s rovnomernm rozdelenm pravdepodob-

nosti, ktor popisuje vsledky hdzania klasickou kockou. Jej hodnoty s sla
1, 2, 3, 4,5 a 6. Rovnomern rozdelenie pravdepodobnosti R(6) vyjadrme dia-
gramom na obrzku 4.29.
1/6
1 2 3 4 5 6
Obr. 4.29: Rovnomern rozdelenie pravdepodobnosti R(6)
Zoberme teraz namiesto kocky pravideln dvanssten. Kad jeho stena

1
m pravdepodobnos, e padne . Hodnt je dvans, set ich pravdepo-
12
dobnost je jedna. Rozdelenie pravdepodobnosti nhodnej premennej R(12),
vidme na obrzku 4.30.
1/12
1 2 3 4 5 6 7 8 9 10 11 12
Na obrzku 4.31 je rozdelenie pravdepodobnosti pre nhodn premenn

popisujcu vsledky hodu pravidelnm 120-stenom.
V poslednom prpade (na obrzku 4.32) ide o pravideln 1000-sten. Tu
u s hodnoty nhodnej premennej zakreslen tak blzko pri sebe, e seky
1/120
1 ... 120
znzorujce pravdepodobnosti na obrzku vypaj cel plochu obdnika.

1
Vieme vak, e seiek je 1000. Preto ich set je 1000 = 1.
1000
1/1000
1 ... 1000
Predstavme si teraz, e to, m budeme hdza nie je mnohosten, ale gua.

(Nebudeme teraz uvaova ako priradi bodom na guli, body seky, uverme,
e sa to nejako podar!) Kadmu vsledku, ktor padne na guli, priradme
jeden bod na seke a, b. Tch bodov je nekonene vea, preto pravdepo-
1
dobnos nastatia konkrtneho bodu je = 0.

Poksime sa vak zachova vlastnos, ktor platila pre diskrtne rozdelenia, a
to, e plocha obdnika nad hodnotami, leiacimi na seke ab je rovn jednej.
1/(b-a)
a b
Obr. 4.33: Rovnomern rozdelenie pravdepodobnosti, R(a,b)
Zoveobecnenm pojmu rozdelenie pravdepodobnosti pre diskrtnu nhodn

premenn, dostaneme pojem hustota rozdelenia pravdepodobnosti spo-
jitej nhodnej premennej. Hustota je funkcia, pomocou ktorej vieme uri

pravdepodobnosti pre hodnoty spojitej nhodnej premennej. Tieto hodnoty
predstavuj body, alebo intervaly na relnej osi. Pravdepodobnosti jednotli-
vch izolovanch bodov s rovn nule, pravdepodobnosti intervalov u mu
by aj nenulov.
Ozname:

0
1
pre x<a
f (x) = pre axb (4.20)

ba
0 pre b<x
Funkciu f (x) uren vzahom 4.20 nazveme hustota spojitej nhodnej
premennej s rovnomernm rozdelenm pravdepodobnosti R(a,b).
Hustota pravdepodobnosti nhodnej premennej je tak nezporn funkcia

denovan na relnych slach, pre ktor je vekos plochy medzi ou a relnou
osou rovn 1. Hustota uruje pre spojit nhodn premenn ich zkon rozdele-
nia pravdepodobnosti. Pomocou hustoty vieme spota, ak pravdepodobnos
maj hodnoty nhodnej premennej z uritho intervalu.
Pre hustotu f (x) nhodnej premennej X a pre prslun pravdepodobnosti

plat:
f (x) 0 pre vetky x (, )
f(x)
Obr. 4.34: Krivka hustoty rozdelenia pravdepodobnosti spojitej nhodnej pre-

mennej
Vekos plochy medzi krivkou hustoty a osou x je 1. Tto plochu meme

vypota ako urit integrl z hustoty ako funkcie denovanej na celej
relnej osi:

f (x) dx = 1 (4.21)

f(x)
plocha je 1 x
Obr. 4.35: Plocha medzi krivkou hustoty a osou x je 1
Pravdepodobnos, e nhodn premenn X le v intervale a, b je ve-

kos plochy medzi krivkou hustoty a oxou x na intervale a, b:
b
Pr(a X b) = f (x) dx
a
f(x)
x
a b
Obr. 4.36: Plocha medzi krivkou hustoty a osou x na intervale a, b
Pravdepodobnos, e nhodn premenn X le v intervale , b je

vekos plochy medzi krivkou hustoty a oxou x na intervale , b:
b
Pr(X b) = f (x) dx

f(x)
b
x
Obr. 4.37: Plocha medzi krivkou hustoty a osou x na intervale , b

Pravdepodobnos, e nhodn premenn X le v intervale a, je ve-

kos plochy medzi krivkou hustoty a osou x na intervale a, :

Pr(a X) = f (x) dx
a
f(x)
a x
Obr. 4.38: Plocha medzi krivkou hustoty a osou x na intervale a,
Pravdepodobnos, e nhodn premenn X nadobudne hodnotu c je ve-

kos plochy medzi krivkou hustoty a osou x v bode c:
c
Pr(X = c) = f (x) dx = 0
c
Nhodn premenn so spojitm rovnomernm rozdelenm pravde-

podobnosti, R(a, b)
Nhodn premenn s rovnomernm rozdelenm pravdepodobnosti popi-

suje rovnocenne zastpen hodnoty z intervalu a, b. Preto je niekedy oznao-
van aj ako Ra, b. Parametre a, b s ubovon relne sla, pre ktor a < b.
Hustota rozdelenia pravdepodobnosti pre tto nhodn premenn je:

1
pre axb
f (x) = ba (4.22)
0 inde
Funkcia f (x) je naozaj hustota rozdelenia pravdepodobnosti, pretoe ve-

kos plochy medzi osou x a krivkou hustoty f (x) je naozaj 1. Na vpoet
vekosti plochy meme, ale nemusme poui integrl. V tomto prpade je to-
ti uveden plocha obdnik so stranami vekosti ba a 1/(b a).
Uvedieme aj vpoet pomocou integrlu:
a b
1 1
f (x) dx = 0 dx + dx + 0 dx = 0 + (b a) + 0 = 1
ba ba
a b
Stredn hodnota a disperzia nhodnej premennej s rovnomernm rozdelenm

s:
a+b (b a)2
E(X) = , D(X) = (4.23)
2 12
1/6
1 7
Obr. 4.39: Hustota nhodnej premennej s rovnomernm rozdelenm pravdepo-

dobnosti, R(1,7)
Nhodn premenn s exponencilnym rozdelenm pravdepodobnosti,

Exp()
Nhodn premenn s exponencilnym rozdelenm pravdepodobnosti po-
pisuje najvmi rozhdzan nezporn hodnoty.
1
Hodnota oznauje priemern vekos nhodnej premennej. Preto parameter

je kladn relne slo.
Navye parameter nhodnej premennej X s exponencilnym rozdelenm prav-
depodobnosti je rovnak ako parameter diskrtnej nhodnej premennej Y s Po-
issonovm rozdelenm, ktor uruje poet vskytov poas asovho intervalu.
Stredn poet vskytov je a stredn dka intervalov medzi tmito vskytmi
1
je .

Prklad 4.3.1 Ak naprklad cez sie prejde priemerne 5 paketov za mintu,
tak priemern dka medzery medzi paketmi je 1/5 minty, teda asi 12 seknd.
{
0 pre x<0
f (x) = (4.24)
ex pre x0
Funkcia f (x) je naozaj hustota rozdelenia pravdepodobnosti, pretoe vekos

plochy medzi osou x a krivkou hustoty f (x) je naozaj 1. Na vpoet vekosti
plochy pouijeme v tomto prpade integrl:
0 [ ]
x ex
f (x) dx = 0 dx+ e dx = 0+ = e + e0 = 1
0
0
Stredn hodnota a disperzia nhodnej premennej s exponencilnym rozdelenm

s:
1 1
E(X) = , D(X) = (4.25)
2
0.25
f(x)
0 10 20
Obr. 4.40: Hustota nhodnej premennej s exponencilnym rozdelenm pravde-

podobnosti, Exp(0.25)
Nhodn premenn s normlnym rozdelenm pravdepodobnosti,

N(, 2 )
Gaussovo rozdelenie, (v prpade = 0 a

Toto rozdelenie sa tie nazva
2 = 1 z -rozdelenie. Nhodn premenn s nor-
sa toto rozdelenie nazva aj
mlnym rozdelenm pravdepodobnosti m medzi rozdeleniami pravde-
podobnosti vnimon postavenie. Nielene popisuje vemi ast rozdelenie
hodnt relneho sveta, ktor je mon mera, ale navye plat, e set do-
statonho potu rovnako rozdelench nhodnch premennch (a nsledne aj
ich aritmetick priemer) m pribline normlne rozdelenie pravdepodobnosti.
Tto vlastnos sa vyuva v matematickej tatistike.
Hodnota parametra oznauje priemern vekos nhodnej premennej.

2
Parameter oznauje rozptyl hodnt nhodnej premennej X s normlnym
rozdelenm pravdepodobnosti. Preto parameter je relne slo a parameter
2 je kladn relne slo.
(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

V minulosti, ke ete nebolo mon vypota tento integrl pomocou po-

taov, pouvali sa na vyslenie uvedenho integrlu tabuky. Tabuky boli
zostaven pre pravdepodobnosPr(Z b), kde Z je nhodn premenn s nor-
mlnym rozdelenm pravdepodobnosti, N(0, 1). Normlne rozdelenie so stred-
2
nou hodnotou = 0 a disperziou = 1 sa nazva normovan normlne
rozdelenie pravdepodobnosti.
Ak naprklad chceme vypota pravdepodobnos Pr(Y b), pre nhodn
premenn Y s normlnym rozdelenm pravdepodobnosti, N( = 3, 2 = 16),
postupujeme takto. Najprv Y normalizujeme, dostaneme:
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:
E(X) = , D(X) = 2 (4.27)

N(0,1)
N(1,2)
N(3,4)
N(1,4)
0 1 4
Obr. 4.41: Nhodn premenn s normlnym rozdelenm pravdepodobnosti

N(0, 1), N(1, 2), N(1, 4) a N(3, 4)
Nhodn premenn s Erlangovm rozdelenm pravdepodobnosti,

Er(n, )
Nhodn premenn s Erlangovm rozdelenm pravdepodobnosti popi-

suje menej rozhdzan nezporn hodnoty ne nhodn premenn s exponen-
cilnym rozdelenm pravdepodobnosti. Tto nhodn premenn vznikne ako
setn nezvislch nhodnch premennch s exponencilnym rozdelenm prav-
depodobnosti s rovnakm parametrom . Preto parameter n je prirodzen a
parameter je kladn relne slo.
n
Priblin hodnota tejto nhodnej premennej je . m via je hodnota

parametra n, tm s hodnoty nhodnej premennej pravidelnejie". Ilustr-
"
ciu tohto tvrdenia si meme pozrie na obrzku 4.42. V prvom riadku s
vyznaen nhodn seky, ktor predstavuj naprklad tok ut na ceste. Pred-
pokladajme, e ich dky maj exponencilne rozdelenie pravdepodobnosti.
Exponencilne rozdelenie s parametrom meme povaova aj za Erlangovo
rozdelenie s parametrami a n = 1. V druhom riadku s vyznaen nhodn
seky, ktor predstavuj zrieden tok, teda naprklad kad druh auto. Dky
tchto sekov maj Erlangovo rozdelenie s parametrami a n = 2. V treom
riadku s vyznaen nhodn seky, ktor predstavuj kad tretie auto. Dky
tchto sekov maj Erlangovo rozdelenie s parametrami a n = 3. V posled-
nom riadku s vyznaen nhodn seky, ktor predstavuj kad piate auto.
Dky tchto sekov maj Erlangovo rozdelenie s parametrami a n = 5. Na
obrzku vidno ako sa na druhom riadku pribline zdvojnsobila a na treom
riadku pribline strojnsobila priemern dka medzi autami. Navye dky in-
tervalov s omnoho pravidelnejie v poslednom riadku ne v prvom (ale stle
nie s plne pravideln).
n=1
n=2
n=3
n=4
n=5
Obr. 4.42: Nhodn premenn s Erlangovm rozdelenm pravdepodobnosti,

Er(n, ), pre n = 1, 2, 3, 4, 5
Hustota rozdelenia pravdepodobnosti pre nhodn premenn s Erlangovm

rozdelenm pravdepodobnosti je:

0 pre x<0
f (x) = n xn1 ex (4.28)
pre x0
(n 1)!

kos plochy medzi osou x a krivkou hustoty f (x) je naozaj 1. Na vpoet
vekosti plochy pouijeme integrl (integrujeme metdou per partes):
0
n xn1 ex
f (x) dx = 0 dx + dx = 1
(n 1)!
0
Stredn hodnota a disperzia nhodnej premennej s Erlangovm rozdelenm,

Er(n, ) s:
n n
E(X) = , D(X) = (4.29)
2
1/3
Er(1,1/3)=Exp(1/3)
Er(2,1/3)
Er(5,1/3)
0 EX11EX2 EX3 20

X1 Er(1, 1/3), X2 Er(2, 1/3) a X3 Er(5, 1/3)
0.3
Er(3,1)
0.2
Er(3,1/2)
0.1
Er(3,1/3)
0 EX2 10 20 30
EX1 EX3

X1 Er(3, 1), X2 Er(3, 1/2) a X3 Er(3, 1/3)
Nhodn premenn s Gama rozdelenm pravdepodobnosti, (a, )
Gama rozdelenie pravdepodobnosti je zoveobecnenm Erlangovho roz-

delenia pravdepodobnosti. Parametre a a s kladn relne sla. Na rozdiel
a
od Erlangovho rozdelenia parameter a nemus by prirodzen slo. Hodnota

oznauje priemern vekos nhodnej premennej. Hustota nhodnej premennej
s Gama rozdelenm pravdepodobnosti je:

0 pre x<0
f (x) = a xa1 ex , pre a R+ , R+ (4.30)
pre x0
(a)
Funkcia (z) je funkcia denovan na komplexnch slach s kladnou relnou

zlokou. Funkcia (z) je zoveobecnenm faktorilu, ktor je denovan pre
prirodzen sla. Hodnota funkcie (z) je:

(z) = tz1 et dt , pre z C tak, e relna as z je kladn
Pre funkciu plat:
(n) = (n 1)! pre nN
(z + 1) = z(z) pre zC tak, e relna as z je kladn
(1) = 1
( )
1
=
2
( )
3
=
2 2
( )
n+1 (2n)!
= 2n
2 2 n!
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
Nhodn premenn s Ch-kvadrt rozdelenm pravdepodobnosti, 2 (n)
pecilnym prpadom nhodnej premennej s rozdelenm pravdepodobnosti

je nhodn premenn s Ch-kvadrt rozdelenm pravdepodobnosti s n
2 n
stupami vonosti, (n). Parametre Gama rozdelenia s a= , kde n je pri-
2
1
rodzen slo a = .
2
( )
n 1
2 (n) zodpoved nhodnej premennej s rozdelenm pravdepodobnosti , .
2 2
In spsob vyjadrenia nhodnej premennej Y s Ch-kvadrt rozdelenm
pravdepodobnosti je jej vyjadrenie ako stu druhch mocnn nezvislch n-
hodnch premennch X s normovanm normlnym rozdelenm pravdepodob-
nosti N(0, 1).

n
Y (n) :
2
Y= X2k , kde X N(0, 1)
k=1
pecilne, ak X N(0, 1), potom pre Y = X2 plat Y 2 (1).

Hustota nhodnej premennej s Ch-kvadrt rozdelenm pravdepodobnosti
je:

0 pre x<0

n x
1
f (x) = x2 e 2 N
pre x0 , pre n (4.32)

n

2 2 ( n )
2
Toto rozdelenie sa pouva v tatistike, naprklad pri teste dobrej zhody,
ktorm sa overuje, i sa nameran hodnoty riadia poda nejakho konkrtneho
rozdelenia pravdepodobnosti.
Stredn hodnota a disperzia nhodnej premennej s Ch-kvadrt rozdelenm
pravdepodobnosti s:
n n
E(X) = 2 = n, D(X) = 2 = 2 n (4.33)
1 1
2 4
Nhodn premenn so Studentovm rozdelenm pravdepodobnosti,

t(n)
Nhodn premenn m Studentovo rozdelenie pravdepodobnosti s n

stupami vonosti, oznaovan aj t-rozdelenie, ak je jej hustota denovan
1.5
X1
0.5
X2
X3
0 EX2 5 10
EX1 EX3
Obr. 4.45: Nhodn premenn s Ch-kvadrt rozdelenm pravdepodobnosti,

X1 2 (1), X2 2 (2) a X3 2 (3)
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
kde X N(0, 1), X1 N(0, 1), . . . , Xn N(0, 1)

Stredn hodnota (pre n > 1) a disperzia (pre n > 2) nhodnej premennej
so Studentovm rozdelenm pravdepodobnosti s:
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
normlneho rozdelenia). K tomu je potrebn pozna pravdepodobnos, s akou

nhodn premenn nadobudne hodnotu viu ako nejak konkrtna hodnota
t . Alebo naopak, treba k zadanej pravdepodobnosti njs takzvan kri-
tick hodnotu t , pre ktor plat:
Pr(T > t ) =
Pre Studentovo rozdelenie s vypracovan tabuky kritickch hodnt (a sa-

mozrejme vpoet tchto hodnt robia rzne tatistick softvry).
k=1
k=10
-3 0 3
Obr. 4.46: Nhodn premenn so Studentovm rozdelenm pravdepodobnosti,

X1 St(1), X2 St(2) a X3 St(5)
Nhodn premenn so Fisher-Snedecorovm rozdelenm pravdepo-

dobnosti, F(n1 , n2 )
Nhodn premenn m Fisher-Snedecorovo rozdelenie pravdepodob-

nosti s n1 a n2 stupami vonosti (ozn. F -rozdelenie), ak je jej hustota de-
novan takto:

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 ).
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)
Nhodn premenn so Fisher-Snedecorovm rozdelenm pravdepodobnosti

sa vyuva v matematickej tatistike pri testovan hypotz (naprklad pri porov-
nvan parametrov dvoch normlnych rozdelen). K tomu je potrebn pozna
pravdepodobnos, s akou nhodn premenn nadobudne hodnotu viu ako
nejak konkrtna hodnota f . Alebo naopak, treba k zadanej pravdepodob-
nosti njs takzvan kritick hodnotu f , pre ktor plat:
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
Obr. 4.47: Nhodn premenn s Fisher-Snedecorovm rozdelenm pravdepo-

dobnosti, X1 F(2, 1), X2 F(5, 2) a X3 F(100, 100)
4.3.1 Otzky z terie
1. Na grafe hustoty nhodnej premennej s exponencilnym rozdelenm, ktor

popisuje dobu obsluhy pri pokladni, nakreslite plochu zodpovedajcu
pravdepodobnosti, e obsluha bude kratia ako 3 minty. Predpokla-
dme, e stredn doba obsluhy je 5 mint.
2. Na grafe hustoty nhodnej premennej s normlnym rozdelenm, s para-

metrami 175 cm a 40 cm2 , ktor popisuje vku tudenta naej koly, na-
kreslite plochu zodpovedajcu pravdepodobnosti, e tudent bude vy
ako 180 cm. Potom zakreslite plochu zodpovedajcu pravdepodobnosti,
e tudent bude ni ako 165 cm. Ktor monos m viu pravdepo-
dobnos, vy ako 180 cm alebo ni ako 165 cm?
3. Doba obsluhy automatom na kvu sa sklad z dvoch ast. Jedna je
nhodn (vber npoja, vhadzovanie minc), modelujeme ju exponen-
cilnym rozdelenm a trv priemerne 1/2 minty. Druh as (nalievanie
npoja) je nenhodn (deterministick) a trv presne 20 seknd. Ak je
pravdepodobnos, e cel obsluha trv viac ako 1 mintu?
4. Priemern dka skania jedenho tudenta je 15 mint a predpokla-

dme, e doba skania sa riadi nhodnou premennou s exponencilnym
rozdelenm. Vyznate na grafe pravdepodobnos, e 5 tudentov bude
skanch kratie ako hodinu!
5. Genertor nhodnch sel generuje rovnomerne sla z intervalu 0, 1.

Nakreslite a potom vypotajte, ak je pravdepodobnos, e takto vyge-
nerovan slo bude z intervalu 0.68, 1.25!
Nakreslite a potom vypotajte, ak je pravdepodobnos, e takto vyge-
nerovan slo bude z intervalu 0.68, 1.25!
7. Nakreslite graf hustoty nhodnej premennej s Erlangovm rozdelenm
pravdepodobnosti, ktor vzniklo ako set dvoch nhodnch premennch
s exponencilnym rozdelenm s parametrom 2! Na grafe nakreslite plo-
chu zodpovedajcu pravdepodobnosti, e nhodn premenn dosiahne
hodnotu viu ako 2.3!
8. Na grafe hustoty nhodnej premennej s exponencilnym rozdelenm s pa-

rametrom 5. Nhodn premenn opisuje dobu obsluhy (v mintach) pri
pokladni v potravinch. Nakreslite plochu zodpovedajcu pravdepodob-
nosti, e obsluha bude kratia ako pol minty!
9. Predpokladajme, e priemern doba obsluhy v kadernctve je 80 mint.

Doba obsluhy pozostva zo 4 fz. Dobu trvania kadej z nich budeme
modelova nhodnou premennou s exponencilnym rozdelenm s rovna-
km parametrom. Nakreslite plochu predstavujcu pravdepodobnos, e
obsluha bude trva viac ako 100 mint.
10. Pri tatistickom pozorovan sa zistilo, e priemern doba trvania jazdy

vlaku zo iliny do Trenna je 45 mint. Odchlka od tejto hodnoty je vy-
2
jadren odhadom disperzie a in 9 mint . Chceme modelova nhodn
premenn, popisujcu dobu jazdy vlaku zo iliny do Trenna, pomocou
Erlangovho rozdelenia. Ak parametre m ma toto rozdelenie?
1. Na obrzku 4.48 je graf hustoty nhodnej premennej s exponencilnym

rozdelenm, ktor popisuje dobu obsluhy pri pokladni. Stredn doba ob-
sluhy je 5 mint. Plocha, ktor je tak vek ako pravdepodobnos, e
obsluha bude kratia ako 3 minty, je znzornen na obrzku sivou far-
bou.
P(X<3)
Obr. 4.48: Pravdepodobnos ako vekos plochy medzi krivkou hustoty a osou
x, na intervale (, 3)
2. Na grafe hustoty nhodnej premennej s nakreslite plochu zodpoveda-

jcu pravdepodobnosti, e tudent bude vy ako 180 cm. Potom zakres-
lite plochu zodpovedajcu pravdepodobnosti, e tudent bude ni ako
160 cm. Na obrzkoch 4.49 a 4.50 s grafy hustoty nhodnej premennej s
2
normlnym rozdelenm, s parametrami 175 cm a 40 cm , ktor popisuje
vku tudenta naej koly. Plocha, ktor je tak vek ako pravdepo-
dobnos, e tudent bude vy ako 180 cm, je znzornen na obrzku
4.49 a plocha, ktor je tak vek ako pravdepodobnos, e tudent bude
ni ako 165 cm, je znzornen na obrzku 4.50.
Z obrzku je zrejm, e viu pravdepodobnos m monos, e tudent

je vy ako 180 cm.
3. Doba obsluhy automatom na kvu sa sklad z dvoch ast. Jedna je

nhodn (vber npoja, vhadzovanie minc), modelujeme ju exponen-
cilnym rozdelenm a trv priemerne 1/2 minty. Druh as (nalievanie
P(X>180)
x, na intervale (180, )
P(X<165)
npoja) je nenhodn (deterministick) a trv presne 20 seknd. Prav-

depodobnos, e cel obsluha trv viac ako 1 mintu je tak ist ako
pravdepodobnos, e prv as trv viac ako 40 seknd. Teda potame
pravdepodobnos, e nhodn premenn s exponencilnym rozdelenm
pravdepodobnosti, so strednou hodnotou pribline 30 seknd, dosiahne
hodnotu viu ako 40 seknd.
Na obrzku 4.51 je tto pravdepodobnos zobrazen ako vekos plochy

medzi krivkou hustoty a osou x na intervale (40, ).
1/30
P(X>40)
Parameter rozdelenia je = 1/30. Vypotajme obsah znzornenej plo-

chy pomocou integrlu.
[ ] 1
40
x x
e dx = e =e 30 = 0.26
40
40
4. Zadanie nie je jednoznan, tak si ho musme doplni. Skanie piatich

tudentov sa me realizova aj paralelne, ale my predpokladajme, e
bud skan za sebou a medzi skanm nebud prestvky. Priemern
doba skania jednho tudenta je 15 mint a predpokladme, e sa riadi
nhodnou premennou s exponencilnym rozdelenm. Set piatich expo-

nencilnych rozdelen je Erlangovo rozdelenie pravdepodobnosti. Para-
meter = 1/15 je rovnak ako m exponencilne rozdelenie, ktorho
stom Erlangovo rozdelenie vzniklo, druh parameter tohto rozdelenia
je n = 5. Pravdepodobnos, e 5 tudentov bude skanch kratie ako
hodinu je zobrazen na obrzku 4.52.
0.013
P(X<60)

Pravdepodobnos vskytu tchto sel budeme modelova pomocou n-
hodnej premennej s rovnomernm rozdelenm pravdepodobnosti. Na ob-
rzku 4.53 je pravdepodobnos, e takto vygenerovan slo bude z inter-
valu 0.68, 1.25, zobrazen ako vekos plochy medzi krivkou hustoty a
osou x na intervale 0.68, 1.25.
Vypotajme obsah znzornenej plochy pomocou vzorca pre obsah ob-
dnika aj pomocou integrlu:
Pr(X 0.68, 1.25) = 0.32 1 = 0.32

1.25 1
1.25
f (x) dx = 1 dx + 0 dx = [x]10.68 + 0 = 1 0.68 = 0.32

0.68 0.68 1
Stailo samozrejme urobi iba jeden z vpotov (vsledky oboch postu-

pov s rovnak). Dva spsoby vpotu s tu uveden preto, aby itate
videl, e obsah sa d niekedy vypota aj inak ako pomocou integrlu.
0 0.68 1 1.25
x, na intervale 0.68, 1.25

Pravdepodobnos vskytu tchto sel budeme modelova pomocou n-
hodnej premennej s rovnomernm rozdelenm pravdepodobnosti. Na ob-
rzku 4.54 je pravdepodobnos, e takto vygenerovan slo bude z inter-
valu 0.68, 1.25, zobrazen ako vekos plochy medzi krivkou hustoty a
osou x na intervale 0.68, 1.25.
0.68 1 1.25 2
x, na intervale 0.68, 1.25
Vypotajme obsah znzornenej plochy pomocou vzorca pre obsah ob-

dnika aj pomocou integrlu:
Pr(X 0.68, 1.25) = 0.25 1 = 0.25

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
7. Nakreslite graf hustoty nhodnej premennej s Erlangovm rozdelenm

pravdepodobnosti, ktor vzniklo ako set dvoch nhodnch premennch
s exponencilnym rozdelenm s parametrom 2. Na grafe nakreslite plo-
chu zodpovedajcu pravdepodobnosti, e nhodn premenn dosiahne
hodnotu viu ako 2.3.
2.3
x, na intervale (2.3, )
8. Na obrzku 4.56 je graf hustoty nhodnej premennej s exponencilnym

rozdelenm s parametrom 5 (ktor popisuje napr. dobu obsluhy pri po-
kladni). Vekos vyznaenej plochy zodpoved pravdepodobnosti, e ob-
sluha bude kratia ako pol minty.
P(X<0.5)
x, na intervale (, 0.5)
9. Priemern doba obsluhy v kadernctve je 80 mint. Doba obsluhy pozos-

tva zo 4 fz. Dobu trvania kadej z nich budeme modelova nhodnou
premennou s exponencilnym rozdelenm s rovnakm parametrom. N-
hodn premenn, ktor bude modelova celkov dobu obsluhy sa bude
riadi Erlangovm rozdelenm pravdepodobnosti. Stredn hodnota tejto
nhodnej premennej je poda 4.29 rovn:
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.
10. Chceme zisti, ak parametre m ma Erlangovo rozdelenie Er(n, ), kto-

rm budeme modelova trvanie jazdy vlaku zo iliny do Trenna. Prie-
mern hodnota je 45 mint, budeme tto hodnotu povaova za stredn
hodnotu rozdelenia. Odchlka od tejto hodnoty je vyjadren odhadom
2
disperzie a in 9 mint . Vzorce pre stredn hodnotu a disperziu Erlan-
govho rozdelenia s poda vzorca 4.29:
n n
E(X) = , D(X) =
2
Zostavme sstavu dvoch rovnc pre neznme parametre n, :
n
= 45

0.01
P(X>100)
n
=9
2
Rieenm tejto sstavy dostaneme parametre Erlangovho rozdelenia:
n = 225, =5
Nehovorili sme o tom, i Erlangovo rozdelenie dobre modeluje n prob-

lm, potali sme iba odhad parametrov, ke sem predpokladali, e ide
o Erlangovo rozdelenie a poznali sme priemern hodnotu aj priemern
odchlku trvan jazdy vlakov.
4.3.2 Prklady
1. Nech funkcia f (x) je hustota nejakej nhodnej premennej. Vypotajte

parameter k, ak predpis pre hustotu je:

0 pre x<0
f (x) = kx pre 0x<2

0 pre 2x
2. Hustota rozdelenia pravdepodobnosti spojitej nhodnej premennej je dan

vzahom:
0 pre x<0
f (x) = kx pre 0x<1

0 pre 1x
Vypotajte pravdepodobnos, e nhodn premenn dosiahne hodnotu
viu ako 0.25 a meniu ako 0.5.
3. Pre ak hodnotu k je funkcia f (x) hustotou pravdepodobnosti nhodnej

premennej? Nakreslite tto hustotu!
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.
5. Hustota rozdelenia pravdepodobnosti nhodnej premennej X je dan

vzahom:

0 pre x<0

x pre 0x<1
f (x) =

2 x pre 1x<2

0 pre 2x
Vypotajte pravdepodobnos, e nhodn premenn X dosiahne hod-
notu viu ako 0.75.
6. Nech funkcia f (x) je hustota nejakej nhodnej premennej. Vypotajte

parameter k, ak predpis pre hustotu je:

0 pre x<1
f (x) = kx pre 1x<2

0 pre 2x
7. Vypotajte pravdepodobnos, e nhodn premenn s normlnym roz-

delenm pravdepodobnosti s parametrami = 12 a = 5, dosiahne
hodnotu viu ako 14.
8. Pre nhodn premenn X s normlnym rozdelenm pravdepodobnosti s

parametrami =1 a = 9, vypotajte pravdepodobnos:
Pr(|X| > 3)
9. Predpokladme, e nameran hodnoty s generovan z rovnakho rozde-

lenia a s to: 12, 1.3, 2, 2.1, 6, 5, 2, 4, 3.4, 2.6, 5, 6, 9, 2.9, 3.4, 1.5, 0.3,
0.4, 3.1, 2.7, 8.2, 3.7, 2, 0, 1.5, 9, 14, 3, 2, 1, 6, 8, 5.6, 11, 1.2, 0.9, 4.1, 5,
2, 3.9, 5.2, 4, 5.2, 4.1, 2.2, 10.2, 2.3, 1.9, 2.1, 5.3, 2, 3.2, 3.7, 2.4, 7.2, 6.1.
Hodnoty chceme popsa nhodnou premennou niektorm z nasleduj-

cich rozdelen: rovnomernm, exponencilnym, Erlangovm, alebo nor-
mlnym. Ktor rozdelenie mme vybra?
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.
Predpokladajme, e tvrdenie dka krajrskeho metra je skoro vdy v

"
intervale 1, 1+" znamen, e je vek pravdepodobnos, e dka je
z uvedenho intervalu. Dohodnime sa, e tto pravdepodobnos je aspo
0.95.
Urte seln hodnoty pre hranice intervalu, z ktorho s hodnoty n-
hodnej premennej popisujcej dku metra.
Rieenie prkladov
1. Na to, aby funkcia f (x) mohla by hustota nejakej nhodnej premennej,

mus plati vzah 4.21:

f (x) dx = 1

Funkcia f (x) je rzna od nuly iba na intervale 0, 2):

0 pre x<0
f (x) = kx pre 0x<2

0 pre 2x
Preto hadme tak hodnotu parametra k, aby platilo:
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.
Zo zadania vidme, e funkcia hustoty je nenulov iba na intervale 0, 1).

Na tomto intervale m linerny priebeh, preto plocha medzi krivkou hus-
toty a osou x je plocha trojuholnka ako vidme na obrzku 4.58 Obsah
Plocha = 1
f(x)=kx
vka
zklada
0 1
Obr. 4.58: Pravdepodobnos ako vekos plochy trojuholnka
trojuholnka vypotame ako
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)
Plochu vypotame ako rozdiel obsahov dvoch trojuholnkov (ale sa-

mozrejme rovnako spen budeme ak pouijeme integrl na prslunom
intervale).
0.5 1 0.25 0.5 3 .

Pr(0.25 < X < 0.5) = S1 S2 = = = 0.19
2 2 16
3. Chceme zisti, pre ak hodnotu k je funkcia f (x) hustotou pravdepodob-

nosti nhodnej premennej:
k
f (x) =
1 + x2
Hodnoty funkcie bud nezporn pre k 0. Hadme tak k, pre ktor

plat vzah 4.21:

f (x) dx = 1

( ( ))
k 1
dx = k dx = [k arctan(x)] = k = k
1 + x2 1 + x2 2 2

Pre parameter k dostvame podmienku:
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).
Hustota rozdelenia pravdepodobnosti pre nhodn premenn s exponen-

cilnym rozdelenm pravdepodobnosti s parametrom =4 m tvar:
{
0 pre x<0
f (x) =
4 e4x pre x0
Hadan pravdepodobnos vypotame ako integrl
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
1/p
1
Obr. 4.60: Krivka hustoty f (x) =
1 + x2
5. Hustota rozdelenia pravdepodobnosti nhodnej premennej X je dan

vzahom:

0 pre x<0

x pre 0x<1
f (x) =

2x pre 1x<2

0 pre 2x
Hadme pravdepodobnos, e nhodn premenn X dosiahne hodnotu
viu ako 0.75. Vekos plochy, ktor je rovnako vek, ako hadan
pravdepodobnos, vypotame ako integrl:
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
= 0.5 0.28 + (4 2) (2 0.5) = 0.72
6. Hadme parameter k tak, aby funkcia f (x) bola hustota:

0 pre x<1
f (x) = kx pre 1x<2

0 pre 2x
-0.1 0 0.2 0.4 0.6 0.8 1
x, na intervale (0.1, 0.4)
Na to, aby funkcia f (x) mohla by hustota nejakej nhodnej premennej,

mus plati vzah 4.21:

f (x) dx = 1

M plati:
1 2
0 dx + k x dx + 0 dx = 1
1 2
Po pravch:
[ ]2
x2
0+ k +0=1
2 1
( 2 )
2 12
k =1
2 2
3
k =1
2
2
Parameter k=
3
7. Pravdepodobnos, e nhodn premenn s normlnym rozdelenm prav-
depodobnosti N(, 2 ) s parametrami = 12 a = 5, dosiahne hodnotu
viu ako 14 je vyznaen na obrzku 4.62.
0.08
0 5 10 12 14 20 25
Obr. 4.62: Pravdepodobnos, e nhodn premenn N(12, 25) s normlnym

rozdelenm pravdepodobnosti dosiahne hodnotu viu ako 14
Vekos plochy (= hadan pravdepodobnos) vypotame ako integrl z

funkcie hustoty f (x) normlneho rozdelenia na intervale (14, ).
(x )2
1
f (x) = e 2 2
2
(x 12)2
1
Pr(X > 14) = e 2 25 dx
5 2
14
Na vpoet tohto integrlu je potrebn poui numerick metdy, na-

koko primitvnu funkciu nie je mon vyjadri v tvare elementrnej fun-
kcie.
Prv, aj ke nepresn odhad meme urobi priamo z obrzku. In mo-
nos, ako zisti tto pravdepodobnos je, e na numerick vpoet integ-
rlu pouijeme vhodn softvr (Matlab, Mathematica, Maple, Octave,
R).
In monos je poui tabuky u vypotanch integrlov pre normo-
van normlne rozdelenie N(0, 1). Nhodn premenn X m normlne
rozdelenie N(12, 25). Na jej normovanie, teda na kontrukciu nhodnej
premennej Y s normovanm normlnym rozdelenm pouijeme predpis:
X X 12
Y= =
5
Plocha pre nhodn premenn X na obrzku 4.62 je rovnako vek ako

plocha pre nhodn premenn Y na obrzku 4.63.
0.4
Obr. 4.63: Pravdepodobnos, e nhodn premenn s normlnym rozdelenm

14 12
pravdepodobnosti N(0, 1) dosiahne hodnotu viu ako = 0.4
5
( )
X 12 14 12
Pr(X > 14) = P > = P (Y > 0.4) = 1 Pr(Y 0.4)
5 5
Hodnotu pravdepodobnosti Pr(Y 0.4) njdeme v tabukch distribu-

nej funkcie, naprklad na http://www.math.unb.ca/ knight/utility/NormTble.htm.
.
Pre normovan normlnu nhodn premenn plat Pr(Y 0.4) = 0.6554.
Pr(X > 14) = 1 Pr(Y 0.4) = 1 0.6554 = 0.3446
8. Pre nhodn premenn X s normlnym rozdelenm pravdepodobnosti s

parametrami =1 a = 9, vypotajte pravdepodobnos:
Pr(|X| > 3)
9. Predpokladme, e nameran hodnoty s generovan z rovnakho rozde-

lenia a s to: 12, 1.3, 2, 2.1, 6, 5, 2, 4, 3.4, 2.6, 5, 6, 9, 2.9, 3.4, 1.5, 0.3,
0.4, 3.1, 2.7, 8.2, 3.7, 2, 0, 1.5, 9, 14, 3, 2, 1, 6, 8, 5.6, 11, 1.2, 0.9, 4.1, 5,
2, 3.9, 5.2, 4, 5.2, 4.1, 2.2, 10.2, 2.3, 1.9, 2.1, 5.3, 2, 3.2, 3.7, 2.4, 7.2, 6.1.
Hodnoty chceme popsa nhodnou premennou s niektorm z nasleduj-

cich rozdelen: rovnomernm, exponencilnym, Erlangovm, alebo nor-
mlnym. Ktor rozdelenie mme vybra?
Pozrime sa, ako asto sa vyskytuj hodnoty z jednotlivch sekov inter-

valu 0, 14, v ktorom leia vetky nameran hodnoty. V prvej polovici
je hodnt omnoho viac ako v druhej.
Rozdeme interval 0, 14 na 5 rovnakch ast. Jednotliv intervaly bud

ma dku 14/5=2.8 a v tabuke s uveden poetnosti vskytov hodnt
v tchto intervaloch.
intervaly 0, 2.8) 2.8, 5.6) 5.6, 8.4) 8.4, 11.2) 11.2, 14

poetnosti 23 19 7 4 3
relatvne
poetnosti 0.4107 0.3393 0.1250 0.0714 0.0536
Na obrzku 4.64 je znzornench 5 obdnikov, ktorch plochy zodpo-

vedaj poetnostiam hodnt v danom intervale. Set plochy vetkch
obdnikov je 1. V tom istom obrzku je zakreslen hustota exponencil-
neho rozdelenia, ktorho stredn hodnota je rovn priemeru nameranch
hodnt.
Obr. 4.64: Poetnosti vskytov hodnt v 5 intervaloch a hustota pravdepodob-

nosti exponencilneho rozdelenia zakreslen v tom istom obrzku
Pri rozdelen do 5 intervalov je z obrzku zrejm, e nameran dta s

generovan z exponencilneho rozdelenia.
Pozrime sa teraz, ako sa bud dta javi, ke ich rozdelme do 7 inter-

valov.
Rozdeme interval 0, 14 na 7 rovnakch ast. Jednotliv intervaly bud

ma dku 14/7=2 a v tabuke s uveden poetnosti vskytov hodnt
v tchto intervaloch.
intervaly 0, 2) 2, 4) 4, 6) 6, 8) 8, 10) 10, 12) 12, 14)

poetnosti 10 22 11 5 4 2 2
relatvne
poetnosti 0.1786 0.3929 0.1964 0.0893 0.0714 0.0357 0.0357
Na obrzku 4.65 je znzornench 7 obdnikov, ktorch plochy zodpo-

vedaj poetnostiam hodnt v danom intervale. Set plochy vetkch
obdnikov je 1. V tom istom obrzku je zakreslen hustota Erlangovho
rozdelenia, ktorho stredn hodnota je rovn priemeru nameranch hod-

nt.
Obr. 4.65: Poetnosti vskytov hodnt v 7 intervaloch a hustota pravdepodob-

nosti Erlangovho rozdelenia zakreslen v tom istom obrzku
Pri rozdelen do 7 intervalov je z obrzku zrejm, e nameran dta s

generovan z Erlangovho rozdelenia.
Na to, aby sme sa skutone ubezpeili, i ide o exponencilne, alebo Er-

langovo rozdelenie budeme musie venova tatistike viac asu. V tomto
prklade sme ukzali jeden z faktorov, ktor me ovplyvni vsledok:
poet intervalov, do ktorch rozdelme obor hodnt spojitej nhodnej
premennej.
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.
Mme uri hodnotu tak, aby pre hodnoty nhodnej premennej X s

normlnym rozdelenm pravdepodobnosti N(1000, 25) platilo:
Pr(X 1000 , 1000 + ) 0.95
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
P (Y 1.96) = 0.975 a P (Y 1.96) = 0.025

Odtia:

= 1.96 resp. = 1.96
5 5
= 9.8
Dka 95 zo 100 krajrskych metrov vyhovujcich zadaniu tejto lohy,
bude z intervalu:
1000 , 1000 + = 990.2, 1009.8

4.4 Uiton funkcie a vlastnosti nhodnch premennch 227
4.4 Uiton funkcie a vlastnosti nhodnch

premennch
4.4.1 Distribun funkcia nhodnej premennej
V odseku o spojitch nhodnch premennch sme ukzali, ako je mon po-

psa rozdelenie pravdepodobnosti nhodnej premennej pomocou funkcie hus-
toty. Pre vpoet pravdepodobnosti, e spojit nhodn premenn dosiahne
hodnotu z intervalu I (ktor me by konen aj nekonen), sme pouili
predpis:
Pr(X I) = f (x) dx
I
Distribun funkcia nhodnej premennej je funkcia, ktor je vyjadrenm
pravdepodobnosti, e hodnota nhodnej premennej je menia, alebo rovn ako
nejak konkrtna seln hodnota x.
F (x) = Pr(X x) , kde xR
Distribun funkcia je denovan pre spojit aj diskrtne nhodn premenn.
Pre diskrtne nhodn premenn meme distribun funkciu vyjadri ako:

F (x) = Pr(X x) = pk = Pr(X = xk ) , kde xR
xk x xk x
Pre spojit nhodn premenn meme distribun funkciu vyjadri ako:
x
F (x) = Pr(X x) = f (t) dt , kde xR

V spojitom prpade plat, e distribun funkcia je primitvna funkcia k fun-

kcii hustoty. Teda distribun funkcia je integrl z hustoty. Naopak hustotu
dostaneme ako derivciu distribunej funkcie.
f (x) = F (x) , kde xR
alie vlastnosti distribunej funkcie vidno z grafu tejto funkcie:
lim F (x) = 0
x
lim F (x) = 1
x
suma p(x)=F(xk)
x<=xk
p(xk)
xk F(x)
funkn hodnota =F(xk)
p(xk)
xk
Obr. 4.67: Vzah medzi hodnotami pravdepodobnosti a distribunou funkciou

F (x)
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)
distribun funkcia je neklesajca, sprava spojit funkcia
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)

Pre spojit nhodn premenn je distribun funkcia nstrojom, pomocou

ktorho je mon vypota hustotu rozdelenia pravdepodobnosti nhodnej
premennej v situcii, ke poznme pravdepodobnos Pr(X x).
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?
Rieenie: Nhodn premenn X s Poissonovm rozdelenm pravdepodobnosti

nadobda hodnoty 0, 1, 2, 3, . . . To, e nastane 5 nehd za mesiac, teda mo-
5
delujeme X = 5. Prslun pravdepodobnos je Pr(X = 5) = e .
5!
Veobecne, pravdepodobnos k nehd za mesiac je:
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.
Ak namiesto parametra v popise nhodnej premennej s Poissonovm rozde-

lenm pravdepodobnosti, pouijeme parameter t , dostaneme vyjadrenie prav-
depodobnosti pre poet nehd poas t mesiacov.
(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
Vypotajme teraz pravdepodobnos, e interval medzi udalosami bude

v ako nejak konkrtna hodnota asu t. Teda potame pravdepodobnos,
e nhodn premenn T > t. Na obrzku 4.70 vidme, e tto nerovnos plat
vtedy, ke poas asovho intervalu dky t, nenastane iadna nehoda.
T
Obr. 4.70: Ak T > t, potom poas asovho intervalu dky t plat X=0
Teda nhodn premenn X m na intervale t hodnotu 0, medzera je via

ako t, poas t nastane 0 udalost:
Pr(T > t) = Pr(X = 0)

Dosame pravdepodobnos, Pr(X = 0) pre Poissonovo rozdelenie, pre interval
dky t:
0 t
Pr(T > t) = Pr(X = 0) = e = et
0!
Dostvame vzah Pr(T > t) = et , z ktorho vyjadrme distribun funkciu

nhodnej premennej T.
Uvedomme si ete, e interval medzi udalosami neme by men ne 0.
{
0 pre t<0
FT (t) = Pr(T t) =
1 et pre t0
Hustotu nhodnej premennej T vypotame ako derivciu distribunej funkcie.
{
0 pre t < 0
f (t) = FT (t) = t pre t 0
e
Dostali sme hustotu nhodnej premennej T s exponencilnym rozdelenm prav-

depodobnosti, s rovnakm parametrom ako m nhodn premenn X s Po-
issonovm rozdelenm pravdepodobnosti, z ktorej premenn T vznikla.
4.4.2 Momentov vytvrajca funkcia nhodnej

premennej
alou funkciou, pomocou ktorej meme popsa nhodn premenn a vypo-

momentov vytvrajca funkcia,
ta jej stredn hodnotu a disperziu, je
nazvan aj pravdepodobnostn generujca funkcia.
Generujce funkcie s vo veobecnosti funkcie, ktor sa daj napsa v
tvare nekonenho rozvoja aj v tvare jednoduchej funkcie (uzavretom tvare).
Prkladom takhoto rozvoja je generujca funkcia:
1
= 1 + x + x2 + x3 + . . . pre |x| < 1
1x
1
Funkcia generuje nekonen postupnos koecientov {1, 1, 1, 1, 1, . . . }.
1x
Oproti generujcim funkcim maj pravdepodobnostn vytvrajce funkcie
vlastnos, e postupnos koecientov tejto funkcie tvoria pravdepodobnosti
jednotlivch hodnt nhodnej premennej.
Momentov vytvrajca funkcia nhodnej premennej X sa vypota poda

predpisu:
mX (t) = E(eX t ) (4.38)
V prpade diskrtnej nhodnej premennej s hodnotami 0, 1, 2, . . . m momen-

tov vytvrajca funkcia tvar:

mX (t) = E(eX t ) = Pr(X = k) ekt (4.39)
k=0
V prpade spojitej nhodnej premennej m momentov vytvrajca funkcia

tvar:

Xt
mX (t) = E(e ) = f (x) ext dx (4.40)
Dleitou vlastnosou momentovej vytvrajcej funkcie je jej jednoznanos.

Nhodn premenn s uritm rozdelenm pravdepodobnosti m momentov
vytvrajcu funkciu uritho tvaru a naopak ak m nejak nhodn premenn
momentov vytvrajcu funkciu danho tvaru, m aj prslun rozdelenie prav-
depodobnosti.
Pretoe set pravdepodobnost je 1, mus v diskrtnom prpade plati:

mX (0) = Pr(X = k) ek0 = Pr(X) = 1
k=0 k=0
Analogick tvrdenie v spojitom prpade je:

X0
mX (0) = E(e )= f (x) e x0
dx = f (x) dx = 1

Uiton vlastnosti momentovej vytvrajcej funkcie s:
mX (t) generuje postupnos koecientov, ktor s pravdepodobnosti jed-

notlivch hodnt nhodnej premennej X. Pretoe set pravdepodob-
nost je 1, mus plati:
mX (0) = 1
Hodnota derivcie funkcie mX (t) v bode nula je stredn hodnota nhod-

nej premennej X:
E(X) = mX (t)|t=0
Hodnota druhej derivcie funkcie mX (t) v bode nula je E(X2 ). Pomocou

tejto hodnoty vypotame disperziu:
D(X) = E(X2 ) E 2 (X), E(X2 ) = mX (t)|t=0
Nhodn premenn je uren tvarom svojej momentovej vytvrajcej

funkcie.
loha 4.4.2 Njdite momentov vytvrajcu funkciu nhodnej premennej s

Poissonovm rozdelenm pravdepodobnosti. Pomocou tejto funkcie vypotajte
stredn hodnotu a disperziu tohto rozdelenia.
Rieenie: Momentov vytvrajca funkcia pre diskrtnu nhodn premenn je

poda dencie:

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
Taylorov rozvoj funkcie ex je:

x xk
e =
k!
k=0
Pouitm Taylorovho rozvoja pre x = et dostvame momentov vytvrajcu

funkciu nhodnej premennej s Poissonovm rozdelenm pravdepodobnosti:

( et )k
mX (t) = e = e ee = e(e
t t 1)
k!
k=0
Dosadenm meme overi, e:
0 1)
mX (0) = e(e = e0 = 1
Stredn hodnota nhodnej premennej s Poissonovm rozdelenm pravdepodob-

nosti je:
( ) ( )
E(X) = mX (t)|t=0 = e(e 1) |t=0 = e(e 1) et |t=0 = e0 e0 =
t t
K vpotu disperzie potrebujeme druh derivciu:
( )
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:
D(X) = E(X2 ) E 2 (X) = + 2 2 =

loha 4.4.3 Njdite momentov vytvrajcu funkciu nhodnej premennej s

exponencilnym rozdelenm pravdepodobnosti. Pomocou tejto funkcie vypo-
tajte stredn hodnotu a disperziu tohto rozdelenia.
Rieenie: Momentov vytvrajca funkcia pre spojit nhodn premenn je
poda dencie:

Xt
mX (t) = E(e ) = f (x) ext dx =

0 pre x<0
=
ex ext dx pre x0
0
[ ]
ex(t) ex(t)
= ex(t) dx = = lim
(t ) x (t ) t
0 0
Limita v poslednom vraze zvis od vekosti t a :

ex(t)
0 pre t<
lim = pre t>
x (t )
@ pre t=
V momentovej vytvrajcej funkcii ns bud zaujma hodnoty t blzke 0. Hod-
notu 0 dosadzujeme pri vyjadren rozdelenia pravdepodobnosti aj pri vpote
strednej hodnoty a disperzie.
V prpade, e budeme uvaova hodnoty t blzke 0, dostaneme vzah t < ,
pretoe je kladn parameter. Preto:
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
K vpotu disperzie potrebujeme druh derivciu
( ) ( )
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

loha 4.4.4 Njdite momentov vytvrajcu funkciu nhodnej premennej X,

ktor je stom dvoch nezvislch nhodnch premenench X1 a X2 s Pois-
sonovm rozdelenm pravdepodobnosti s parametrami 1 a 2 . Pomocou tejto
funkcie urte, ak rozdelenie pravdepodobnosti m nhodn premenn X.
Rieenie: Momentov vytvrajce funkcie nhodnch premennch X1 a X2 s

Poissonovm rozdelenm pravdepodobnosti s parametrami 1 a 2 s:
mX1 (t) = e1 (e
t 1)
mX2 (t) = e2 (e
t 1)
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 =
= mX1 (t) mX2 (t) = e1 (e

t 1)
e2 (e
t 1) t 1)
= e(1 +2 )(e
Momentov vytvrajca funkcia nhodnej premennej X je momentovou vy-
tvrajcou funkciou nhodnej premennej s Poissonovm rozdelenm pravdepo-
dobnosti s parametrom 1 + 2 .
Set dvoch nhodnch premennch s Poissonovm rozdelenm pravdepo-
"
dobnosti je znovu nhodn premenn s Poissonovm rozdelenm pravdepo-
dobnosti, s parametrom rovnm stu pvodnch parametrov."

loha 4.4.5 Njdite momentov vytvrajcu funkciu nhodnej premennej X,

ktor je stom dvoch nezvislch nhodnch premenench X1 a X2 s expo-
nencilnym rozdelenm pravdepodobnosti s rovnakm parametrom . Pomocou
tejto funkcie urte, ak rozdelenie pravdepodobnosti m nhodn premenn X.
Rieenie: Momentov vytvrajce funkcie nhodnch premennch X1 a X2 s
exponencilnym rozdelenm pravdepodobnosti s parametrami s:

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.)
4.4.3 Typick chovanie
Hodnoty nhodnch premennch a ich pravdepodobnosti meme nielen te-

oreticky vypota, ale aj odhadn z nameranch hodnt. Rieme naprklad
lohu: Koko hodov kockou je potrebn urobi, km na kocke padne estka?"
"
Tto lohu sme rieili u niekokokrt a odpove je, e niekedy sta jeden hod,
inokedy treba hodi aj 30-krt, km na kocke prv krt padne estka. Keby sme
sa ptali, kokokrt priemerne treba hodi kockou, aby padla estka, teoretick
odpove by bola 6. Hodnota 6 je toti stredn hodnota nhodnej premennej s
geometrickm rozdelenm pravdepodobnosti, ktor uveden situciu popisuje.
Urobme teraz experiment a budeme hdza kockou km padne estka.
Potrebovali sme 4 hody. Urobili sme tento experiment ete 9-krt. Potrebovali
sme postupne 6 hodov, 1 hod, 4 hody, 3, 2, 17, 7, 2, 1. Priemern poet hodov,
km padla estka bol:
4 + 6 + 1 + 4 + 3 + 2 + 17 + 7 + 2 + 1
X= = 4.7
10
Zodpoved n teoretick vsledok vykonanmu pokusu? Hodnota 4.7 sa od

teoretickej hodnoty 6 odliuje. M teda vznam robi teoretick odhady, ke
nehovoria ni o skutonch hodnotch, nameranch pri experimentoch? Od-
pove je no. D sa dokza, e ak urobme experimentov dostatone vea,
zan sa chova poda teoretickch vpotov. V naom prpade s kockou to
znamen, e ak urobme pokusov nie 10, ale 10 tisc, bude priemern poet
hodov, potrebnch na hodenie estky, vemi blzko k slu 6.
Charakteristiky, vypotan z nameranch hodnt sa tm viac pribliuj k

teoretickm hodnotm, m v poet experimentlnych vsledkov k vpotu
pouijeme. m viac nameranch hodnt pouijeme, tm via je pravdepo-
dobnos vsledku blzkeho k teoretickej hodnote. Uveden tvrdenia sa nazvaj
zkony vekch sel. Plat, e m viac meran nhodnej premennej X poui-
jeme na vpoet aritmetickho priemeru, tm bude aritmetick priemer bliie
k teoretickej strednej hodnote E(X).
Veta 4.4.1 (ebyevova veta) Nech X1 , X2 , . . . , Xn s navzjom nezvisl

nhodn premenn, ktor maj stredn hodnoty E(Xi ) = a < a ich disperzie
s ohranien rovnakou kontantou D(Xi ) c. Potom pre kad relne slo
> 0 plat: ( )
1
n
1
n

lim P Xi E(Xi ) < =1
n n n
i=1 i=1
Postupnos aritmetickch priemerov nhodnch premennch Xi konverguje poda
pravdepodobnosti k aritmetickmu priemeru ich strednch hodnt.
Veta 4.4.2 (Chininov zkon vekch sel) Nech X1 , X2 , . . . , Xn s na-
vzjom nezvisl nhodn premenn, ktor maj rovnak stredn hodnotu E(Xi ) =
. Potom pre ubovon relne slo > 0 plat:
( n )
1

lim P Xi ) < = 1
n n
i=1
Postupnos aritmetickch priemerov nhodnch premennch Xi konverguje poda

pravdepodobnosti ich strednej hodnote.
Veta 4.4.3 (Bernoulliho zkon vekch sel) Nech udalos A nastane v
jednom pokuse s pravdepodobnosou p, kde p (0, 1). Nech v srii n nezvislch
pokusov nastane tto udalos m-krt. Potom pre > 0 plat:
( m )

lim P p < = 1
n n
m
Postupnos podielov konverguje poda pravdepodobnosti k aritmetickmu
n
priemeru ich strednch hodnt.

Problmom pri urovan hodnt binomickho rozdelenia me by vpoet

(10)
vekch kombinanch sel. Zatia o slo vypotame aj na kalkulake,
(100000) 3
vypota slo
3000 u bude nronejie. Pre hodnoty p blzke 0 je dobrou
aproximciou binomickho rozdelenia pravdepodobnosti rozdelenie Poissonovo.
Presn spsob odhadu udva nasledujca veta.
Veta 4.4.4 (Poissonova veta) Nech {Xn } je postupnos nezvislch nhod-

nch premennch s binomickm rozdelenm pravdepodobnosti s parametrami n
a pn .
Nech n
lim E(Xn ) = . Potom plat:
( )
n k nk k e
lim p q =
n k k!

Prklad 4.4.1 Predpokladajme, e pravdepodobnos, e nhodne vybran hu-

dobnk zahr na koncerte falone je 0.14.
a) Vyslite pravdepodobnos, e spomedzi 10 vybranch hudobnkov bud 4
tak, ktor zahraj na koncerte falone.
b) Vyslite pravdepodobnos, e spomedzi 170 vybranch hudobnkov bude
20 takch, ktor zahraj na koncerte falone.
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
b) Vzorec je rovnak, len dosadme in hodnoty. n = 170 a k = 20.

( )
170
P170 (20) = 0.1420 0.86160 = 0.0715
20
Vpoet pomocou kombinanch sel meme nahradi odhadom. Hod-
nota parametra p je blzko hodnote 0, preto meme poui odhad po-
mocou Poissonovho rozdelenia.
( )
n k nk k e
lim p q
n k k!
Hodnotu Poissonovho rozdelenia odhadneme ako stredn hodnotu tohto
rozdelenia.
. .
EX = n p = = 140
Hadan hodnota je pribline:
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.
Rieenie: Tento prklad sa od prkladu 4.4.1 li vekosou pravdepodobnosti,

e hudobnk zahr na koncerte falone a potom hudobnkov k . V prpade, e je
tto pravdepodobnos blzka 0.5, je lepie aproximova pomocou normlneho
rozdelenia pravdepodobnosti, ne pomocou Poissonovho. Binomick rozdelenie
v naom prklade m parametre n = 170, p = 0.54. Chceme vedie, ak je
pravdepodobnos nastatia k = 100 udalost.
( )
170
P170 (100) = 0.54100 0.46170100 = 0.0278
100
(100 170 0.54)2
. 1
P170 (100) = e 2 170 0.54 0.46 = 0.0277
2 170 0.54 0.46

Pri tatistickom spracovan nameranch experimentlnych hodnt je dle-

it vedie, ak rozdelenie pravdepodobnosti m ich aritmetick priemer. Touto
otzkou sa zaoberaj limitn vety a plat, e aritmetick priemer rovnako roz-
delench nezvislch nhodnch premennch m pribline normlne rozdelenie
pravdepodobnosti.
Veta 4.4.6 (Centrlna limitn veta, Lindebergova-Lvyho) Nech X1 , X2 ,

. . . , Xn s navzjom nezvisl nhodn premenn s rovnakm rozdelenm prav-
depodobnosti, alej E(Xk ) = < a D(Xk ) = 2 < pre vetky k =
1, 2, . . . , n. Potom plat:
( ) ( )

n
n
E Xk =n Xk = n 2
k=1 k=1
Pre distribun funkciu FZn (x) normovanej nhodnej premennej Zn , denova-

nej:

n
Xk n
k=1
Zn =
n
plat:
x t2
1
lim FZn (x) = e 2 dt = FN (x)
n 2

Set vekho potu navzjom nezvislch nhodnch premennch s rovnakm
rozdelenm a charakteristikami m pribline normlne rozdelenie pravdepodob-
nosti.
Binomick rozdelenie pravdepodobnosti meme chpa ako set n nez-

vislch nhodnch premennch s alternatvnym rozdelenm pravdepodobnosti.
Preto poda vety 4.4.6 meme binomick rozdelenie so strednou hodnotou np
a disperziou n p (1 p) aproximova pomocou normlneho rozdelenia s rovna-
kou strednou hodnotou a disperziou (veta 4.4.5).
Poissonovo rozdelenie s parametrom meme chpa ako set n nhodnch

premennch s Poissonovm rozdelenm pravdepodobnosti s parametrami .
n
Preto poda vety 4.4.6 meme Poissonovo rozdelenie so strednou hodnotou
a disperziou aproximova pomocou normlneho rozdelenia s so strednou
hodnotou a disperziou .
Vzahom medzi teoretickmi vsledkami a nameranmi hodnotami sa zaober
matematick disciplna nazvan matematick tatistika. Slovom tatis-
tika sa oznauje aj zber, sumarizcia a publikovanie dajov o spoloenskch
i ekonomickch javoch. Teoretick hodnoty a hodnoty zskan z experimentov
oznauj nejak charakteristiku a jej odhad. Pri jednoduchch a zrozumite-
nejch pojmoch s slov oznaujce teoretick hodnotu in, ako slov ozna-
ujce hodnotu odhadnut z experimentu. Pri niektorch pojmoch s tieto
nzvy rozlen iba slovkom vberov, ktor sa niekedy vynechva. Uveden
pojmy zobrazuje tabuka:
Teoretick hodnota Oznaenie Odhad Oznaenie
Stredn hodnota E(X) Aritmetick priemer X
Disperzia (rozptyl) D(X) Vberov rozptyl S2
Medin M eX Vberov medin MeX
-kvantil x Vberov -kvantil x
Ako vidno z uvedenej tabuky, slov, pouvan na pomenovanie charakte-

ristk, zskanch z meran, s podobn, a teda zameniten so slovami, ktor
sa pouvaj v teoretickej oblasti, v pravdepodobnosti a matematickej tatis-
tike. Nebudeme tvrdi, e niekto pouva tieto pojmy sprvne a niekto nie, len
upozorujeme na to, aby si itate skr, ne zane s danm pojmom pracova
najprv vyjasnil, o naozaj znamen.
lohou matematickej tatistiky je njs pre nameran dta teoretick roz-

delenie pravdepodobnosti, ktormu dta zodpovedaj, prpadne njs charak-
teristiky a parametre tohto rozdelenia a uri, ak je pravdepodobnos, e je

tomu naozaj tak. A pomocou modelu potom generova naprklad alie dta
pre potreby simulcie.
4.4.4 Zabdanie
Spomedzi rozdelen pravdepodobnosti maj iba dve vlastnos zabdania na

minulos (memoryless property). S to exponencilne a geometrick rozdele-
nie pravdepodobnosti. Zabdanm na minulos rozumieme, e pravdepodobnos
budceho vvoja nezle na predchdzajcom vvoji.
loha 4.4.6 Priemern doba telefnneho hovoru je 5 mint.

Ak je pravdepodobnos, e telefnny hovor bude trva ete 2 minty ak
vieme, e hovor trval u 4 minty?
vieme, e hovor trval u 50 mint?
vieme, e hovor prve zaal?
Dobu hovoru modelujeme exponencilnym rozdelenm pravdepodobnosti.
Rieenie: Je dopredu uren, akou nhodnou premennou modelujeme dobu

hovoru. Ozname nhodn premenn popisujcu dku hovoru a riadiacu sa
exponencilnym rozdelenm pravdepodobnosti znakom X. Hustota rozdelenia
pravdepodobnosti pre tto nhodn premenn je:
{
0 pre x<0
f (x) =
ex pre x0
Priemern doba hovoru je 5 mint, preto odhad strednej hodnoty je:
1 . . 1
E(X) = = 5, =
5
K rieeniu sta vypota podmienen pravdepodobnosti:
Potajme pravdepodobnos udalosti A (hovor bude dlh ako 6 mint),

za predpokladu, e nastala udalos B (hovor u trv 4 minty).
Pr(A B) Pr(X > 6 X > 4) Pr(X > 6)

Pr(A|B) = = = =
Pr(B) Pr(X > 4) Pr(X > 4)

ex dx 2
6 [ ex ]6 e6 2

= = = 4 = e = e 5 = 0.6703
[ ex ] e
ex dx 4
4

za predpokladu, e nastala udalos B (hovor u trv 50 mint).
Pr(A B) Pr(X > 52 X > 50) Pr(X > 52)

Pr(A|B) = = = =
Pr(B) Pr(X > 50) Pr(X > 50)

ex dx 2
52 [ ex ]52 e52 2

= = = 50 = e =e 5 = 0.6703
[ ex ] e
ex dx 50
50
Potajme pravdepodobnos udalosti A (hovor bude dlh ako 2 minty).
2

x
Pr(A) = Pr(X > 2) = e dx = ee 5 = 0.6703
2
Vpoty ukazuj, e pri modelovan doby hovoru pomocou exponencilneho

rozdelenia pravdepodobnosti, nie je potrebn uvaova o doterajom priebehu.
Pravdepodobnos toho, ako dlho bude ete hovor prebieha nezvis od toho,
ako dlho u hovor prebieha.
Hovorme, e exponencilne rozdelenie zabda na minulos.
loha 4.4.7 Priemern doba telefnneho hovoru je 5 mint.

vieme, e hovor trval u 4 minty?
vieme, e hovor trval u 50 mint?
vieme, e hovor prve zaal?
Dobu hovoru modelujeme Erlangovm rozdelenm pravdepodobnosti s paramet-
rom n = 2.
Rieenie: Je dopredu uren, akou nhodnou premennou modelujeme dobu

hovoru. Ozname nhodn premenn popisujcu dku hovoru a riadiacu sa
Erlangovm rozdelenm pravdepodobnosti znakom X. Hustota tohto rozdelenia
je:
{
0 pre x<0
f (x) =
2 x ex pre x0
Priemern doba hovoru je 5 mint, preto odhad strednej hodnoty je:
2 . . 2
E(X) = = 5, =
5

za predpokladu, e nastala udalos B (hovor u trv 4 minty).
Pr(A B) Pr(X > 6 X > 4) Pr(X > 6)

Pr(A|B) = = = =
Pr(B) Pr(X > 4) Pr(X > 4)

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

za predpokladu, e nastala udalos B (hovor u trv 50 mint).
Pr(A B) Pr(X > 52 X > 50) Pr(X > 52)

Pr(A|B) = = = =
Pr(B) Pr(X > 50) Pr(X > 50)

2 x ex dx
[ ex (1 + x)]52
= 52 = =
[ ex (1 + x)]
2 x ex dx 50
50
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
Vpoty ukazuj, e pri modelovan doby hovoru pomocou Erlangovho rozde-

lenia pravdepodobnosti je potrebn uvaova o doterajom priebehu. Pravde-
podobnos toho, ako dlho bude ete hovor prebieha zvis od toho, ako dlho
u hovor prebieha. Pravdepodobnejie bud tak dky hovorov, ktor sa blia
k strednej hodnote hovoru (v naom prpade ku hodnote 5/2 = 2.5 minty).
Hovorme, e Erlangovo rozdelenie si pamt minulos.
loha 4.4.8 Hdeme kockou dovtedy, km padne estka. Vieme, e prie-

mern dka pokusu je 6 hodov. Pokus modelujeme geometrickm rozdelenm
pravdepodobnosti.
Ak je pravdepodobnos, e v pokuse bud nasledova ete aspo 2 hody,
ak vieme, e u sme hdzali 4-krt? (Urobili sme 4 hody, pri ktorch
estka nepadla.)
ak vieme, e u sme hdzali 10-krt? (Urobili sme 10 hodov, pri ktorch
estka nepadla.)
ak vieme, e sme prve zaali? (Ete sme nehdzali.)
Rieenie: Je dopredu uren, akou nhodnou premennou modelujeme dobu ho-

voru. Ozname nhodn premenn s geometrickm rozdelenm pravdepodob-
nosti, popisujcu poet hodov, ktor potrebujeme, km padne estka, znakom
X. Pre tto nhodn premenn plat:
Pr(X = k) = (1 p)k1 p
Priemern poet hodov je 6 mint, pretoe stredn hodnota nhodnej pre-

mennej s geometrickm rozdelenm pravdepodobnosti je:
1 1
E(X) = = =6
p 1
6
Potajme pravdepodobnos udalosti A (pokus bude pozostva aspo

zo 6 hodov), za predpokladu, e nastala udalos B (urobili sme u 4
nespen hody).
Pr(A B) Pr(X > 6 X > 4) Pr(X > 6)

Pr(A|B) = = = =
Pr(B) Pr(X > 4) Pr(X > 4)
1 (p + (1 p) p + (1 p)2 p + (1 p)3 p + (1 p)4 p + (1 p)5 p)

= =
1 (p + (1 p) p + (1 p)2 p + (1 p)3 p)
( )
p (1 p)6 p
1
1 (1 p) 1 (1 p) 1 (1 (1 p)6 )
= ( ) = =
p (1 p)4 p 1 (1 (1 p)4 )
1
1 (1 p) 1 (1 p)
(1 p)6 25
= = (1 p)2 =
(1 p) 4 36
Potajme pravdepodobnos udalosti A (pokus bude pozostva aspo

z 52 hodov), za predpokladu, e nastala udalos B (urobili sme u 50
nespench hodov).
Pr(A B) Pr(X > 52 X > 50) Pr(X > 52)

Pr(A|B) = = = =
Pr(B) Pr(X > 50) Pr(X > 50)
( )

51
1 (1 p)k p
= (k=0 )=
49
1 (1 p)k p
k=0
1 (1 (1 p)52 ) 25
= = (1 p)2 =
1 (1 (1 p) )
50 36
Potajme pravdepodobnos udalosti A (pokus bude pozostva aspo z

2 hodov).
25
Pr(A) = Pr(X > 2) = 1 p (1 p) p = (1 p)(1 p) =
36
Vpoty ukazuj, e pravdepodobnos, e estka nepadne ete aspo 2 hody,

nezvis od toho, koko hodov u bolo vykonanch.
Hovorme, e geometrick rozdelenie zabda na minulos.
Rozdelenia, ktor zabdaj na minulos sa nazvaj bezpamov rozde-

lenia pravdepodobnosti (memoryless). S to iba dve rozdelenia, geometrick
a exponencilne.
Vlastnos zabdania sa vyuva pri modeloch vvoja pravdepodobnosti v
ase, pri nhodnch procesoch. Vlastnos zabdania pri nhodnch procesoch
sa nazva Markovova vlastnos. Modely s exponencilnym rozdelenm popi-
suj najvie nepravidelnosti v pravdepodobnosti. To, e exponencilne roz-
delenie zabda na minulos znamen, e nevieme predpoveda, ako bude vvoj
pokraova. Ale na druhej strane, ak urobme model, ktor pouva exponen-
cilne rozdelenie, dostaneme najhor mon odhad. Naprklad, ke modelu-
jeme intervaly prchodu paketov do uzla v sieti, alebo prchodu zkaznkov k
jedinmu okienku na pote. Skuton hodnoty ako bud pakety alebo zkaznci
prichdza, u nemu by horie ako v modeli. Nemu by viac nepravideln!
Teda pomocou exponencilneho rozdelenia pravdepodobnosti meme uro-
bi tak model, ktor bude ohranienm pre vetky ostatn modely.
4.4.5 Otzky z terie
1. Njdite distribun funkciu F (x) = FGe(p) (x) nhodnej premennej s geo-

metrickm rozdelenm pravdepodobnosti, X Ge(p).
2. Njdite momentov vytvrajcu funkciu mX (t) nhodnej premennej X s

geometrickm rozdelenm pravdepodobnosti, X Ge(p).
3. Njdite distribun funkciu F (x) = FP o() (x) nhodnej premennej s

Poissonovm rozdelenm pravdepodobnosti, X P o().
4. Njdite momentov vytvrajcu funkciu mX (t) nhodnej premennej X s

Poissonovm rozdelenm pravdepodobnosti, X P o(.
5. Njdite distribun funkciu FR(a,b) (x) spojitej nhodnej premennej s rov-

nomernm rozdelenm pravdepodobnosti, X R(a, b).
6. Njdite momentov vytvrajcu funkciu mX (t) spojitej nhodnej pre-

mennej s rovnomernm rozdelenm pravdepodobnosti, X R(a, b).
7. Njdite distribun funkciu FExp() (x) nhodnej premennej s exponen-

cilnym rozdelenm pravdepodobnosti, X Exp().
8. Njdite momentov vytvrajcu funkciu mX (t) nhodnej premennej s

exponencilnym rozdelenm pravdepodobnosti, X Exp().
9. Njdite distribun funkciu FEr(n,) (x) nhodnej premennej s Erlango-

vm rozdelenm pravdepodobnosti, X Er(n, ).
10. Njdite momentov vytvrajcu funkciu mX (t) nhodnej premennej s

Erlangovm rozdelenm pravdepodobnosti, X Er(n, ).
11. Njdite distribun funkciu FN (, 2 ) (x) nhodnej premennej s norml-

pravdepodobnosti, X N (, ).
nym rozdelenm
2
12. Njdite momentov vytvrajcu funkciu mX (t) nhodnej premennej s nor-

mlnym rozdelenm pravdepodobnosti, X N (, 2 ).
1. Hadme tvar distribunej funkcie F (x) = FGe(p) (x) nhodnej premennej

s geometrickm rozdelenm pravdepodobnosti, X Ge(p) (4.10):
Pr(X = k) = (1 p)k1 p , k = 1, 2, 3, . . .
Distribun funkcia pre diskrtnu nhodn premenn m tvar:

xk x xk x

0 pre x<1

p pre 1x<2

(1 p) p pre 2x<3

(1 p)2 p pre 3x<4
FGe(p) (x) = (1 p)3 p pre 4x<5

.
.

.

(1 p)k p pre k1x<k

..
.
Priebeh distribunej funkcie si meme pozrie na obrzku 4.71.
1
7/8
3/4
1/2
1 2 3 4 5 6 7 ...
Obr. 4.71: Distribun funkcia FGe(p) (x) nhodnej premennej s geometrickm

rozdelenm pravdepodobnosti s parametrom p = 1/2
2. Momentov vytvrajcu funkciu mX (t) nhodnej premennej X s geo-

metrickm rozdelenm pravdepodobnosti, X Ge(p) vyjadrme poda
predpisu 4.39:

mX (t) = E(eX t ) = Pr(X = k) ekt = (1 p)k1 p ekt =
k=0 k=1

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:

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!

.
.
.
4. Momentov vytvrajcu funkciu mX (t) nhodnej premennej X s Poisso-

novm rozdelenm pravdepodobnosti, X P o() vyjadrme poda pred-
pisu 4.39:

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
1
0.97
0.91
0.61
0 1 2 3 ...
Obr. 4.72: Distribun funkcia FP o() (x) nhodnej premennej s Poissonovm

rozdelenm pravdepodobnosti s parametrom = 1/2
5. Hadme tvar distribunej funkcie FR(a,b) (x) spojitej nhodnej premen-

nej s rovnomernm rozdelenm pravdepodobnosti, X R(a, b), s husto-
tou (4.22):

1
pre axb
f (x) = ba
0 inde
Distribun funkcia pre spojit nhodn premenn m tvar:
x

0 pre x<a

xa
FR(a,b) (x) = pre axb

ba

1 pre x>a
6. Momentov vytvrajcu funkciu mX (t) nhodnej premennej X s rov-

nomernm rozdelenm pravdepodobnosti, X R(a, b) vyjadrme poda
predpisu 4.40:
b
Xt 1
mX (t) = E(e ) = f (x) e xt
dx = 0 + ext dx + 0 =
ba
a
0 1 2 3 4 5
Obr. 4.73: Distribun funkcia FR(a,b) (x) nhodnej premennej s rovnomernm

rozdelenm pravdepodobnosti s parametrami a = 3, b = 5
[ ]b
1 ext ebt eat
= = , pre t R, t = 0
ba t a t(b a)
7. Hadme tvar distribunej funkcie FExp() (x) spojitej nhodnej premen-

nej exponencilnym rozdelenm pravdepodobnosti, X Exp() s husto-
tou (4.24):
{
0 pre x<0
f (x) =
ex pre x0
x

0 pre x<0
FExp() (x) =

1 ex pre x0
8. Momentov vytvrajcu funkciu mX (t) nhodnej premennej X s expo-

nencilnym rozdelenm pravdepodobnosti, X Exp() vyjadrme poda
predpisu 4.40:

Xt
mX (t) = E(e ) = f (x) e xt
dx = 0 + ex ext dx =
0
0 2 4 6 8 10 12
Obr. 4.74: Distribun funkcia FExp() (x) nhodnej premennej s exponencil-

nym rozdelenm pravdepodobnosti s parametrom = 0.5

pre t<
[ ]
t

= e(t)x =
t

pre t>
0

neexistuje pre t=
V teoretickej asti sme hovorili, e momentov vytvrajca funkcia sa

pouva na vytvranie momentov. K tomu sa potaj derivcie tejto
funkcie a potom sa dosad t = 0. Z tohto dvodu sta, aby sme vypotali
tvar momentovej vytvrajcej funkcie v okol bodu 0, teda pre t < :

mX (t) =
t
9. Distribun funkciu FN (, 2 ) (x) nhodnej premennej s normlnym roz-

delenm pravdepodobnosti, X N (, 2 ), nie je mon vyjadri v tvare
elementrnej funkcie. Hustota tohto rozdelenia je poda (4.26):
(x )2
1
f (x) = e 2 2
2
x

x (t )2
1
FN (, 2 ) (x) = e 2 2 dt
2

Hodnoty tejto distribunej funkcie potame numericky, alebo hadme

v tabukch.
3
Obr. 4.75: Distribun funkcia FN (, 2 ) (x) nhodnej premennej s normlnym
rozdelenm pravdepodobnosti s parametrami = 3, 2 = 1)
10. Momentov vytvrajcu funkciu mX (t) nhodnej premennej X s nor-

mlnym rozdelenm pravdepodobnosti, X N (, 2 ) vyjadrme poda
predpisu 4.40:
(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

=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 t)2 x2 + 2x( + 2 t) ( + 2 t)2 t

1
=e 2 2 e 2 2 dx =
2

| {z }
=1
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
4.4.6 Prklady
1. Rozdelenie pravdepodobnosti, popisujce koko ut prejde okolo radaru

za asov sek dky 1 minty, modelujeme pomocou nhodnej premen-
nej s Poissonovm rozdelenm pravdepodobnosti s parametrom = 6.
Ak je pravdepodobnos, e nhodne zvolen medzera medzi autami bude
viac ako pol minty?
2. Rozdelenie pravdepodobnosti, popisujce dku intervalu medzi prejazdmi

ut popri radare na dianici, modelujeme pomocou nhodnej premennej
s exponencilnym rozdelenm pravdepodobnosti s parametrom = 1/10.
Priemern dka intervalu je 10 seknd. Ak je pravdepodobnos, e po-
as jednej minty prejd okolo radaru prve 3 aut?
3. Ak rozdelenie pravdepodobnosti m nhodn premenn, ktorej hodnoty

s sty bodiek pri hode dvoma kockami?
4. Urte interval, v ktorom sa bude nachdza aspo 88 % hodnt, predsta-

vujcich poet hodov potrebnch na hodenie estky.
5. Ak je pravdepodobnos, e poet hodov, ktor potrebujeme urobi, aby

prvkrt padla estka, bude aspo 4?
6. Ak je pravdepodobnos, e poet hodov, ktor potrebujeme ete urobi,

aby prvkrt padla estka, bude aspo 4, ak vieme, e u bolo urobench
5 hodov?
7. V automobilovej skobni overovali trvanlivos prednho skla automobilu

derom kovovou tyou, vdy rovnakou silou. dery opakovali, a km sa
sklo nerozbilo. Pravdepodobnos, e sklo vydralo bola p = 0.7. Vypo-
tajte stredn hodnotu E(X) nhodnej premennej X, ktor popisuje poet
derov, ktor sklo vydralo, km sa rozbilo.
8. Nech nhodn premenn X m normlne rozdelenie pravdepodobnosti

X N (, 2) = N (1, 4). Vypotajte pravdepodobnos, e X nadobudne
hodnoty:
a) vie ako -0.76
b) menie ako 1.73
c) menie ako -0.76
d) menie ako -1.88
e) z intervalu 0.05, 1.05

9. Nhodn premenn X popisuje nann zisk hra pri hre s kockou,

ktor dostane 10 korn ak na kocke padne 5, alebo 6. Zaplat 2 koruny
ak padne 4, 3 alebo 1 a zaplat 5 korn ak padne 2. Nakreslite distribun
funkciu F (x) nhodnej premennej X a vypotajte hodnotu distribunej
funkcie v slach -5, -3, -1, 0, 2, 4, 5, 9, 10, 12.
10. Distribun funkcia F (x) nhodnej premennej X je dan vzahom:

0 pre x < 3
F (x) = k x 1 pre 3 x < 6

1 pre x 6
Vypotajte kontantu k, urte hustotu pravdepodobnosti nhodnej pre-

mennej X a napte o ak rozdelenie pravdepodobnosti ide!
Rieenie prkladov
1. Rozdelenie pravdepodobnosti, popisujce koko ut prejde okolo radaru

za asov sek dky 1 minty, modelujeme pomocou nhodnej premen-
nej X s Poissonovm rozdelenm pravdepodobnosti s parametrom = 6.
Stredn hodnota Poissonovho rozdelenia je , teda priemern poet ut,
ktor prejd okolo radaru za mintu je 6. Veobecnejie, ut ktor prejd
okolo radaru za t mint je 6 t.
Rozdelenie pravdepodobnosti nhodnej premennej T, ktor popisuje dku
intervalu medzi prejazdmi ut je exponencilne rozdelenie s rovnakm
parametrom , ako m Poissonovo rozdelenie, z ktorho vzniklo. Stredn
hodnota nhodnej premennej T s exponencilnym rozdelenm pravdepo-
1
dobnosti Exp() je E(T) = . To znamen, e priemern dka medzery

je 1/6 minty.
[ ] 1
1 6
t t 2 ) = e3 = 0.0498
Pr(T > ) = e dt = e 1 = 0( e
2
1 2
2
2. Rozdelenie pravdepodobnosti, popisujce dku intervalu medzi prejazdmi

ut popri radare na dianici, modelujeme pomocou nhodnej premennej
s exponencilnym rozdelenm pravdepodobnosti s parametrom = 1/10.
Priemern dka intervalu je 10 seknd.
Ak s intervaly medzi vskytmi udalost exponencilne, tak sa vskyt

udalost riadi nhodnou premennou X s Poissonovm rozdelenm prav-
depodobnosti s rovnakm parametrom . Tento parameter znamen, e
za sekundu prejde okolo radaru priemerne = 1/10 auta. Pre 60 seknd
bude ma parameter hodnotu 6.
(6 ut prejde za 60 seknd, 1 auto za 10 seknd, 1/10 auta za sekundu.)
Pravdepodobnos, e poas jednej minty (teda ) prejd okolo radaru
prve 3 aut je:
3 6
Pr(X = 3) = e = 0.0892
3!
3. Zkon rozdelenia pravdepodobnosti nhodnej premennej, ktorej hodnoty

s sty bodiek pri hode dvoma kockami vyjadrme v tabuke:
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
4. Chceme uri interval, v ktorom sa bude nachdza aspo 88 % hodnt,

predstavujcich poet hodov potrebnch na hodenie estky. Nhodn
premenn X popisujca poet hodov potrebnch na hodenie estky sa
riadi geometrickm rozdelenm pravdepodobnosti, Ge(1/6). Jej hodnoty
s sla 1, 2, 3, . . .
Stredn hodnota a disperzia s:
1 q
E(X) = , D(X) =
p p2
Na odhad pouijeme ebyevovu nerovnos 4.4:
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
P (|X 6| 16.4317) 0.8889

Priemerne spomedzi 100 pokusov km padne estka, bude viac ako 88
takch, e na pokus bude treba k hodov, kde k 10.4317 22.4317,
alebo zrozumitenejie, poet hodov bude medzi 0 a 23.
Tento odhad je dos nepresn (poet hodov naprklad nebude nikdy -10),
a existuj aj presnejie odhady, s ktormi sa stretnete neskr.
5. Pravdepodobnos, e poet hodov, ktor potrebujeme urobi, aby pr-

vkrt padla estka, bude aspo 4 vypotame ako pravdepodobnos,
e nhodn premenn X s geometrickm rozdelenm pravdepodobnosti
Ge(1/6), dosiahne hodnotu viu nanajv rovn 4.
Pr(X 4) = 1 Pr(X < 4) = 1 Pr(X = 1) Pr(X = 2) Pr(X = 3) =

( )
1 5 1 5 5 1
=1 + + = 0.5787
6 6 6 6 6 6
6. Potame pravdepodobnos, e poet hodov, ktor potrebujeme urobi,
aby prvkrt padla estka, bude ete aspo 4, ak vieme, e u bolo uro-
bench 5 hodov, pri ktorch estka nepadla. Vypotame ju ako podmie-
nen pravdepodobnos, e nhodn premenn s geometrickm rozdele-
nm pravdepodobnosti dosiahne hodnotu viu nanajv rovn 4+5 za
podmienky, e je viac ako 5.

Pr(X 9 X > 5) Pr(X 9) 1 Pr(X < 9)
Pr(X 9/X > 5) = = = =
Pr(X > 5) Pr(X > 5) 1 Pr(X 5)
( ( )2 ( )3 ( )4 ( )7 )
1 5 1 5 1 5 1 5 1 5 1
1 + + + + + +
6 6 6 6 6 6 6 6 6 6 6
= ( ( )4 ) =
1 5 1 5 1
1 + + +
6 6 6 6 6
0.2326
= = 0.5787
0.4019
Dostali sme rovnak seln vsledok ako v predchdzajcej lohe. To je
dobre, lebo poda terie uvedenej v asti 4.4.4, m geometrick rozdele-
nie pravdepodobnosti vlastnos zabdania.
Pravdepodobnos, e poet hodov, ktor potrebujeme urobi, aby prv-
krt padla estka, bude ete aspo 4, je rovnak, nech u bolo v minulosti
hodench kokokovek nespench pokusov.
7. Hadme stredn hodnotu nhodnej premennej X, ktor popisuje poet

derov kovovou tyou, ktor predn sklo automobilu vydralo, km sa
rozbilo.
Tto nhodn premenn me nadobudn hodnoty 0, 1, 2,. . . a riadi sa
geometrickm rozdelenm pravdepodobnosti Ge(0.3). Stredn hodnota
E(X) je poda vzahu 4.17:
q
E(X) =
p
0.7
E(X) = = 2.33
0.3
Priblin poet derov, ktor sklo vydr, km sa rozbije je 2.33.
8. Je dan nhodn premenn X s normlnym rozdelenm pravdepodobnosti

X N (1, 4). Hodnoty pravdepodobnosti budeme hada v tabukch n-
hodnej premennej Y N (0, 1), naprklad na strnke http://math2.org/math/stat/distributions/z-
dist.htm
Nhodn premenn X prevedieme na nhodn premenn Y takto:
X X1
Y= =
2
Pravdepodobnos, e X nadobudne hodnoty
a) vie ako -0.76
( )
X1 0.76 1
Pr(X > 0.76) = P > = P (Y > 0.88) =
2 2
= 1 P (Y 0.88) = 1 0.1894 = 0.8106
b) menie ako 1.73
( )
X1 1.73 1
Pr(X < 1.73) = P < = P (Y < 0.365) = 0.642
2 2
c) menie ako -0.76
( )
X1 0.76 1
Pr(X < 0.76) = P < = P (Y < 0.88) = 0.1894
2 2
d) menie ako -1.88
( )
X1 1.88 1
Pr(X < 1.88) = P < = P (Y < 1.44) = 0.0749
2 2
e) z intervalu 0.05, 1.05

( )
X1
Pr(0.05 X 1.05) = P 0.525 0.025 =
2
= P (Y 0.025) P (Y 0.525) = 0.51 0.299 = 0.211

9. Nhodn premenn X popisuje nann zisk hra pri hre s kockou,

ktor dostane 10 korn ak na kocke padne 5, alebo 6. Zaplat 2 koruny
ak padne 4, 3 alebo 1 a zaplat 5 korn ak padne 2. Distribun funkcia
F (x) nhodnej premennej X m predpis:
F (x) = Pr(X x) = Pr(X = xk ) , kde xR

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
10. Distribun funkcia F (x) nhodnej premennej X je dan vzahom:

0 pre x < 3
F (x) = k x 1 pre 3 x < 6

1 pre x 6
Zodpovedajca hustota je dan vzahom:

0 pre x<3
f (x) = F (x) = k pre 3x<6

0 pre x6
Koecient k mus by rovn 1/3, aby pre hustotu platilo

f (x) dx = 1

Poda tvaru hustoty vidme, e ide o rovnomern rozdelenie pravdepo-

dobnosti R3, 6.
Kapitola 5
Ako predpoveda neastie

(tret nepravdepodobn prbeh)
V naom ivote ns nestretaj len udalosti, ktor s prjemn alebo zbavn.

Naopak, mu sa objavova aj rizikov alebo priamo nebezpen momenty. Sna-
me sa im vyhba, ale pripame, e plne ich vyli nie je mon. (Tento
n opatrn pesimizmus umouje existenciu poisovn.) Prve pri tchto fa-
tlnych situcich vemi ocenme vetky kvalikovan predpovede a odhady, k
omu a ako asto me alebo nemus djs. V nasledujcom texte sa poksime
zska takto odhady pre urit druh na prv pohad nesvisiacich udalost.
Vyuijeme pri tom sksenosti z predchdzajcich prbehov a kapitol, naume
sa ale aj nieo celkom nov.
5.1 O opitom nmornkovi a zruinovanch hazard-

roch
Poas akho semestra asto hadme morlnu podporu a povzbudenie v spo-
mienkach na prjemn chvle przdnin. Pre ns suchozemcov s obzvl vzcne
a atraktvne zitky z prmorskch krajn. Romantika mor, lod a prstavov
ns hlboko oslovuje. Romantick atmosfru, ia, asto naraj nezodpovedn
nmornci, ktor sa po dlhom pobyte v prstavnch krmch potcavm kro-
kom vracaj na svoje lode. Km kraj mestom, je (pre ns) nebezpen
najm ich falon spev. Vnejia situcia (pre nich) nastane, ke nmornk
prde na nbreie a zane hada svoju lo. T bva zakotven na konci mla,
ktor vybieha aleko do mora. A prve nebezpen chdza po zkych mlach
bude objektom nho skmania. Kad pokus nmornka dosta sa po om na
265
266 Kapitola 5. Ako predpoveda neastie (tret nepravdepodobn prbeh)
svoju lo budeme povaova za jeden experiment.

Na zaiatku experimentu teda stoj nmornk na zaiatku mla vybiehaj-
ceho do mora. Chce sa dosta na jeho vemi vzdialen koniec, kde kotv jeho
lo. (Nae spomienky sa bud tka vekch prstavov, kde s mla vemi
dlh a na ich koniec ani poriadne nedovidme. Ako matematici budeme obas
predpoklada, e mlo je nekonen.) Nrt mla je na obrzku 5.1.
Obr. 5.1: Mlo pre opitho nmornka
Nmornk tartuje zo stredu mla, z pozcie 0. Pozciou oznaujeme jeho

vzdialenos od stredovej osi mla. Dleit je, e v dsledku popjania sa pri
kadom kroku vpred nmornk sasne (s rovnakou pravdepodobnosou 1/2)
zapotca napravo alebo naavo. Dostane sa teda nielen o krok vpred, ale aj
do pozcie +1 alebo 1. Nasleduje al krok, ktor sa op riadi rovnakm
pravidlom. Pritom mlo je natoko zke, e u krok do pozcie +2 alebo 2
znamen kpe v mori. N experiment a aj chdza nmornka sa pdom do
vody kon. V jeho stave neuvaujeme o monosti vykriaba sa sp na mlo,
predpokladme ale, e sa udr na hladine a vrti sa do mesta s rannm pr-
livom. Ke je jasn, o je experiment, mali by sme sa zamyslie, o v om
chceme skma.
loha 5.1.1 Ktor udalosti pri pohybe nmornka si v experimente meme

vma a skma? o na nich meme selne popsa a vyhodnoti?
itateovi na tomto mieste pripomname, e pre rozvoj jeho vedomost je naj-
lepie poksi sa jednotliv lohy najskr samostatne vyriei a a potom svoj
postup porovna s tu uvedenmi rieeniami.
Rieenie: Najptavejia je samozrejme otzka, i nmornk spadne do vody.

Tto otzku meme rozmeni na drobn". D sa skma, po kokch kro-
"
koch do vody spadne, na ktorej strane mla sa to stane a podobne. Zaujmav
5.1 O opitom nmornkovi a zruinovanch hazardroch 267
je tie vedie, i sa naopak nmornkovi me podari vhodnm kompenzova-

nm tackania sa vavo a vpravo udra na mle dostatone dlho a djs ku
svojej vzdialenej lodi. Matematici sa mu zamyslie, i sa d udra na mle
neobmedzene dlho, teda kra do nekonena. alou monosou je sledova
nmornka krok po kroku". Meme sa pta, na akej pozcii sa nachdza po
"
prvom, druhom, treom,. . . kroku.
Odpovede na tieto otzky ale nebud presn. Pohyb nmornka v sebe toti
obsahuje nhodn prvok, a to stranu, na ktor sa pri kadom kroku zapotca.
Nae odpovede preto bud musie tto nhodnos zaha. Pre skman cha-
rakteristiky a udalosti teda asto nebudeme vedie presne poveda, ak maj
hodnotu alebo i nastali, ale len pravdepodobnosti tchto vsledkov.
Vyjasnili sme si, o vetko meme pri experimente sledova a vyhodnoco-

va. D sa tie tui, e tieto otzky a odpovede na ne bud navzjom svisie.
Zostva rozhodn, ako sa k odpovediam dopracova. Jednou z monost je pre-
naja si byt s vhadom na prstav a postupne noc o noc sledova tackajcich
sa nmornkov. O tom, kedy a ako (ne)padali do vody si meme vies rzne
tatistiky a z nich, pomocou vpotu priemernch hodnt, zska odpovede na
nae otzky. Z rozprvania o Anike a jej dbne, z kapitoly 3 vieme, e pozo-
rovacia metda nhodne sa sprvajcich udalost ns dovedie len k priblinm
vsledkom. Za zvyovanie ich presnosti musme plati predlovanm pozoro-
vania a tm aj zvyovanm nkladov na dovolenku. Nauili sme sa ale tie,
e pokia mme sledovan udalos kompletne popsan jeho vchodiskovmi
pravdepodobnosami, vieme si skman experiment predstavi a nasimulova.
Vhodn metdy sa bud podoba na postupy pouit v rozprvan o Jankovi,
Marienke a zabavench kartch, v kapitole 1.
loha 5.1.2 Navrhnite spsob mylienkovho pokusu a jeho zpisu, pomocou

ktorho meme sledova a vyhodnocova pohyb nmornkov po mle.
Rieenie: Mme u sksenos, e miesto skmania priebehu jednho experi-
mentu je efektvnejie necha prebehn dostatone vek mnostvo experi-
mentov sasne. Jankovi a Marienke k tomu pomhalo stdo netopierov. V
prstavoch s netopiere vzcne, vieme sa ale obs aj bez tchto pomocnkov.
Miesto nich si meme priamo predstavi, e na zaiatku mla stoj cel sku-
pina nmornkov. V skutonosti by sa zrejme uliapali, v naich predstavch
je ale pre ich pohyb miesta dos.
Je na naom rozhodnut, koko nmornkov na mlo pustme. Pokia chceme
ma dostaton zsobu na ich delenie poda smeru, ktorm sa pri jednotlivch
krokoch zapotcaj, treba zvoli dos vek slo, naprklad 1000. Ak sprvne
tume, e deli sa bude vdy na polovice, meme poui niektor z vekch

mocnn dvojky, naprklad 1024, pri ktorch sa na polovice del vemi ahko.
alia monos je neuvaova o konkrtnom pote nmornkov, ale o celej ich
skupine. V nej je na zaiatku 100 % nmornkov, t sa po prvom kroku rozdelia
na 50 % a 50 % at. slo, s ktorm budeme pracova, je teda 100. Pokia sa
nebojme zlomkov, meme si poveda, e na zaiatku mla stoj jedna skupina
nmornkov a v alom postupne deli jednotku.
Poslednou monosou je slo 1 interpretova ako jednho nmornka. Zlomky
potom neznamenaj jeho asti (aj ke u pirta s drevenou nohou a hkom
miesto ruky by to mono lo), ale pravdepodobnos, s akou sa na uritom
mieste me nachdza.
vahy o vzname tartovacieho" sla s zhodn s tmi, pomocou ktorch
"
sme v prbehu o zabavench kartch rieili lohy 1.1.5 a 1.1.9. Pokia sa chcete
nad problmom ete raz hlbie zamyslie, mete sa k nim vrti. V rieeniach
tohto rozprvania budeme najastejie pouva ako tartovacie slo jednotku.
Teraz sa zamyslime nad samotnm zpisom, pomocou ktorho budeme po-
hyb nmornkov zaznamenva. Mali by sme ma monos zaznai si pozciu
na mle (koko je nmornk odchlen od jeho osi) a vzdialenos, respektve
poet nmornkovch krokov od zaiatku mla. Tm vieme presne uri jeho
polohu. Zpis by navye mal by tak, aby v om prechod medzi polohami
o najlepie zodpovedal skutonmu pohybu nmornka. Pre kad takto po-
lohu ete potrebujeme miesto, kam si zapeme, ak as skupiny nmornkov
sa na om nachdza, alebo ak je pravdepodobnos, e sa tam nachdza jedin
nmornk.
Pozcia - 2 -1 0 +1 +2
Krok Voda Mlo Mlo Mlo Voda
0.
1.
2.
. . . . . .
. . . . . .
. . . . . .
Tabuka 5.1: Tabuka pre zpis pohybu nmornka
Monost vhodnho zpisu je urite viac. D sa poui naprklad stromov

graf z druhej lohy rozprvania o zabavench kartch. In monos je vyui
tu nakreslen tabuku, ktor budeme pouva aj v naich rieeniach. Jednot-
liv riadky zodpovedaj krokom a stpce pozcim. V avom a hornom zhlav
mme vysvetlivky a do vzniknutch okienok budeme zapisova sledovan po-
ty, respektve pravdepodobnosti.
Ke mme premyslen spsob zpisu, je najvy as vyui ho.
loha 5.1.3 Zapte zvolenm spsobom vsledky dostatone rozsiahleho si-

mulovania pohybu nmornkov. Skste popsa vetky zaujmav vlastnosti zs-
kan z experimentov a ich zpisu. Pokia je to mon, pokste sa zskan v-
sledky zoveobecni.
Rieenie: N zpis experimentu je v tabuke 5.2.

Pozcia - 2 -1 0 +1 +2
0. 1
1. 1/2 1/2
2. 1/4 1/2 1/4
3. 1/4 1/4
4. 1/8 1/4 1/8
5. 1/8 1/8
6. 1/16 1/8 1/16
7. 1/16 1/16
8. 1/32 1/16 1/32
. . . . . .
. . . . . .
. . . . . .
Tabuka 5.2: Vyplnen tabuka pre zpis pohybu nmornka
Na zaiatku, teda po 0 krokoch, stoj nmornk (alebo cel ich skupina) v

strede mla v pozcii 0. Pri prvom kroku sa nmornk s rovnakou pravdepodob-
nosou 1/2 zatack doprava alebo doava. Preto sa po prvok kroku nachdza
s pravdepodobnosou 1/2 v pozcii 1 a s pravdepodobnosou 1/2 v pozcii
+1 (alebo sa na nich nachdza vdy polovica skupiny nmornkov). Nasleduje
druh krok. Pokia sa nmornk z pozcie 1 zatack ete raz doava (z nho
pohadu), ocitol sa u v mori na avej strane mla. Kee v pozcii 1 bol
s pravdepodobnosou 1/2 a alie zatackanie doava nastva tie s pravdepo-
dobnosou 1/2, v pozcii 2 a tm aj vo vode sa ocitol s pravdepodobnosou:
1 1 1
=
2 2 4
Pokia rozmame o skupine nmornkov, v pozcii 2 vo vode njdeme tvr-

tinu z nej. Z pozcie 1 sa ale meme zatacka aj sp smerom ku stredu mla
a vrti sa do pozcie 0. To sa nm tie podar s pravdepodobnosou
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.
Je tie vidie, e kad z riadkov sa podob na riadok o dve poschodia"

"
vyie. Vetky hodnoty v om s presne polovin v porovnan s hodnotami
v rovnakch stpcoch. Z toho sa d usdi, e pokia si ich ozname pomo-
cou premennej (s rozlenm prnych a neprnych riadkov), vieme si uri ich
veobecn hodnotu. Vsledok vidme v tabuke 5.3.
Pozcia - 2 -1 0 +1 +2
...
2n 1/2n+1 1/2n 1/2n+1
2n+1 1/2n+1 1/2n+1
. . . . . .
. . . . . .
. . . . . .
Tabuka 5.3: Vyplnen riadky 2n a 2n+1
Po tomto zoveobecnen nm me pohad do tabuky a prca s ou prinies

odpovede na otzky z lohy 5.1.1. Take nech sa pi.
loha 5.1.4 Ak je pravdepodobnos, e po K krokoch je nmornk ete na

mle? Ak je pravdepodobnos, e pri K-tom kroku spadne do vody? Ak je
pravdepodobnos, e do vody spadne po tom, ako po mle urob najviac K kro-
kov? Pokia si predstavme, e mlo je neobmedzene dlh, meme sa pta,
ak je pravdepodobnos toho, e nmornk z neho nespadne nikdy a dokra po
om na nekonene vzdialen druh breh mora?
Rieenie: Postupne odpovieme na jednotliv otzky. Najskr si uvedomme, e

odpovede s zaujmav hlavne pre prne hodnoty K. Pri prnych krokoch sa
rozhoduje, i nmornk zostva na mle alebo pad do vody. Pri neprnom
kroku sa nmornk len presva z pozcie 0 do pozcie +1 1 a pd do
alebo
vody nehroz. Pravdepodobnos, e nmornk je na mle po 11 (alebo 2 n + 1)
krokoch je preto rovnak, ako e na om zostal po 10 (alebo 2 n) krokoch.
V alom preto budeme predpoklada, e K je prne slo a meme ho
vyjadri v tvare K = 2 L. Teraz odpovieme na prv otzku. K tomu sa
sta lepie pozrie u uveden tabuku. Riadok zodpovedajci 2n krokom je
samozrejme vhodn aj pre K = 2L krokov. Plat preto, e pravdepodobnos,
e po K krokoch je nmornk stle na mle je:
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
Spotavan zlomky predstavuj leny geometrickho radu s koecientom 1/2

a na urenie hodnoty jeho stu je sli znmy vzorec. Pokia si ho ale ne-
pamtme a nechce sa nm ho vyhadva alebo odvodzova, sta si skusmo
vypota pr prvch stov. Plat:
1 1 3 1 1 1 7
+ = , + + =
2 4 4 2 4 8 8
1 1 1 1 15
+ + + =
2 4 8 16 16
Na zklade tchto vsledkov meme uveri, e:
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.
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.
Posledn vsledok nm hovor, e nem zmysel pta sa, i sa na neko-

nenom mle udrme alebo nie. Jasn odpove je nie". Zaujmav sa tm
"
ale stva in otzka: ako dlho sa na nekonenom mle udrme, koko krokov
po om spravme pred nevyhnutnm pdom. Samozrejme pokia ns zaujma
jednoduch odpove, pjde o urit priemern hodnotu. K jej njdeniu u
mme urit informcie. Vieme, e do vody padme po prnom pote krokov
a pre kad takto poet krokov poznme pravdepodobnos pdu. S tieto
informcie dostaton?
loha 5.1.5 Koko krokov vykon v priemere nmornk po nekonenom mle?

Vieme tto hodnotu uri pribline a vieme tento odhad vylepova? Vieme ju
uri presne?
Rieenie: Pre odpove na prv dve otzky si op vyplnme tabuku, pomocou

ktorej sme sledovali pohyb nmornkov. Do tartovej pozcie umiestnime sku-
pinu 512 nmornkov a rozpeme si ich pohyb a pozcie v niekokch nasledu-
jcich krokoch. Po kadom prnom kroku si teraz meme spota priemern
poet krokov po mle pre tch nmornkov, ktor s u vo vode. Ostatnch
ete krajcich ignorujeme, o spsobuje nepresnos vypotanej hodnoty. Ich
poet sa ale postupne zmenuje, m dostvame stle lepie a lepie hodnoty.
- 2 -1 0 +1 +2
512
256 256
128 256 128
128 128
64 128 64
64 64
32 64 32
. . . . .
. . . . .
. . . . .
Tabuka 5.4: Pohyb 512 nmornkov
Zanime druhm krokom. Po om je samozrejme priemern poet krokov

po mle 2 a vo vode je polovica, teda 256 nmornkov. Po tvrtom kroku u
treba bra do vahy okrem tchto 256 nmornkov s potom krokov 2 aj 128
nmornkov s potom krokov 4. Spolu 384 nmornkov teda po mle vykonalo
256 2 + 128 4 = 1024 krokov. Priemern poet krokov do pdu je:
256 2 + 128 4 1024 8

= = = 2.66
256 + 128 384 3
Po 6 krokoch u treba zrta priemern hodnotu pre 256 + 128 + 64 = 448
nmornkov, ktor po mle vykonali 256 2 + 128 4 + 64 6 = 1408 krokov.
Priblin priemern hodnota je teraz:
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.
Tm sme preli k hadaniu odpovede na posledn otzku. Naastie vinu

prce sme u vykonali pri rieen loh v rozprvan o choden s dbnom po
vodu. V nej sme hadali a nali metdu pre urenie hodnoty priemernej dky
pokusu na zklade pravdepodobnost jednotlivch dok.
Teraz sme v rovnakej situcii. Dky pokusov (chdza po mle po pd
do vody) s prne sla v tvare 2 L a pravdepodobnos ich vskytu sme v
lohe 5.1.4 urili ako 1/2L . Priemern dka pokusu sa v tejto situcii ur ako
tzv. ven priemer, kde jednotliv dky
odvime" ich pravdepodobnosami.
"
Hadan presn hodnota priemeru je preto:

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
Nebudeme sa teraz vraca k detailom vpotu takejto sumy a zopakujeme u

pouit postup:
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.
Zd sa, e vlastnosti v vode popsanho experimentu sme preskmali do

znanej hbky a dospeli sme k zaujmavm vsledkom. Dleit ale s najm
pouit metdy. Podmienky experimentu sa toti mu meni a jeho seln
charakteristiky je treba znovu vypota.
loha 5.1.6 Ak parametre experimentu je mon zmeni?
Rieenie: Tri zkladn parametre asi ahko njdeme. Po prv sa me meni

rka mla, m sa v zsade zvyuje alebo zniuje nebezpeenstvo pdu do vody
a skracuje alebo predluje pobyt na mle. Druhm parametrom je tartovacia
pozcia nmornka, ktor nemus zana len v strede mla. Pri tejto zmene
djde k strate symetrie situcie a vinu loh treba riei zvl pre
prav" a
"
pre av" variant. Rieenie loh je vinou po numerickej a technickej strnke
"
nronejie. Podobn dsledok m aj zmena tretieho parametra, pravdepodob-
nost zatackania sa vavo alebo vpravo. Tieto hodnoty nemusia by identick,
ale pre prav a av smer sa mu li. alie modikcie si u vyaduj viac
fantzie. Treba ale pota s tm, e pri tchto zmench doteraz pouvan me-
tdy skmania u nemusia stai. Je naprklad mon meni tvar mla, jeho
rka nemus by kontantn, me meni smer a podobne. Potcanie nmor-
nka me by zloitejie, do viac ako dvoch smerov, s prpadnm zastavenm
alebo cvanm. Niektor parametre pohybu nmornka sa mu meni a vyv-
ja v ase at. itate m urite alie npady.
Na tomto mieste sa teraz obmedzme na vyetrenie experimentu, kde zme-

nme len tret zo zkladnch parametrov. (Zmene druhho sa budeme venova
neskr.) Predpokladajme, e na zaiatku mla s u pouvanou rkou a v tan-
dardnej pozcii 0 stoj kapitn Silver. Ako dobre vieme, kapitn m prav nohu
dreven. Nsledkom tohto literrneho hendikepu sa pri kadom kroku vpred
zapotca doava s pravdepodobnosou 1/3 a doprava s pravdepodobnosou
2/3.
loha 5.1.7 Popte zkladn charakteristiky pohybu kapitna Silvera po mle.

Mus aj on v prpade nekonenho mla nevyhnutne skoni v mori? Staia na
zskanie odpoved na tieto otzky u uveden postupy?
Rieenie: Zaneme s pevnou vierou, e odpove na posledn otzku je kladn.

Tm je dan, o budeme robi a v prpade konenho spechu bol tento pred-
poklad oprvnen.
Najskr si vyplnme tabuku 5.5 pravdepodobnost pohybu nmornka a
zaneme v nej hada zkonitosti.
Pozcia - 2 -1 0 +1 +2
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
. . . . . .
. . . . . .
. . . . . .
2n. 4n1 /9n 4n /9n 4n /9n
2n+1. 22n /32n+1 22n /32n+1

. . . . . .
. . . . . .
. . . . . .
Tabuka 5.5: Pohyb nmornka s drevenou nohou
Op vidme, e dleit zmeny sa dej vdy po prnom kroku. V om je

pravdepodobnos pdu do mora na pravej strane rovnak ako pravdepodobnos
zotrvania v strede mla, a je tyrikrt via ako pravdepodobnos pdu na
avej strane mla. alej je vidie podobnos o dva kroky posunutch riadkov.
Vchodiskov hodnoty z prvho a druhho riadku sa znova pravidelne opakuj,
vdy ale prensoben koecientom 4/9. To nm po krtkej vahe umouje
vypsa aj hodnoty pravdepodobnost pre veobecn riadky.
Zamyslime sa ete nad prpadom nekonenho mla. Pokia si budeme v-

ma shrnn pravdepodobnos pdu do mora po prnom pote krokov na
oboch stranch mla, dostaneme geometrick postupnos s prvm lenom 5/9
a u znmym koecientom 4/9. Teda pri druhom kroku je pravdepodobnos
pdu 5/9, pri 4-tom 20/81, pri 6-tom 80/729 at. Celkov pravdepodobnos
pdu do vody dostaneme stanm vetkch tchto hodnt. Meme poui
vzorec pre set geometrickho radu, na poudovanie ale aj v tomto prpade
nm pome okoldov model. Na zaiatku op mme 1 okoldu, z ktorej
prv de zjeme jej 5/9. Zostalo nm 4/9 = 36/81 okoldy. Druh de chceme
zjes 20/81 (celej) okoldy. Ale 20/81 zo zvyujcich 36/81 predstavuje zase
5/9 z toho, o mme. Na dvoch doch nm teraz zostalo 16/81 = 144/729
okoldy a nam cieom je zjes tret de 80/729 okoldy. A kee 80/144 =
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.
Na tomto mieste vyskame pozornos itateov. Pamtte si ete, o sme

vm subovali v nadpise? A splnili sme tento sub? O ivote nmornkov sme
sa dozvedeli naozaj vea. Ale kde zostali hazardn hri a ich smutn koniec?
Je najvy as tento nedostatok napravi.
Presume sa preto z romantickho prstavu do zadymenho hrskeho br-
lohu. Za jednm zo stolov sedia dvaja hri a hraj hazardn hru. Kee ide o
hazard, hr sa o peniaze. Na zaiatku m prv hr A a druh hr B dolrov.
Spolu ich teda maj A + B = N. Po kadej odohranej partii vaz dostane od
porazenho 1$. Na zklade ich dlhodobho pozorovania poznme tie pravde-
podobnosti vazstva prvho, respektve druhho hra v jednej partii. Kee
nikto tret sa hry nezastuje a remza nie je mon, set tchto pravdepo-
dobnost je jedna a meme ich oznai p a (1 p).
Teraz poznme podmienky a hra sa me zaa. Vieme aj kedy sa skon?
ia, hazardn hra je choroba a neakajte iadny happyend". Koniec nastva
"
a vtedy, ke jeden z hrov prehr aj posledn dolr a je denitvne zruino-
van. Zatia o si vaz odna vetkch N dolrov a zana rozma, kto
bude jeho alm sperom, porazen odchdza s plaom domov a spomna,
kde m odloen to pevn lano alebo aspo ako pri prchode nezobudi man-
elku. Tak ako v prpade neistch nmornkov pohybujcich sa po zkom mle
aj teraz tume, e sa schyuje k neastiu. Je to ale jedin vec, ktor spja
tieto dve situcie?
loha 5.1.8 V om sa li a v om zhoduje tackav pohyb opitho nmor-

nka po mle a priebeh zpasu dvoch hazardnch hrov? Viete njs vzjomn
svislosti a korepondencie?
Rieenie: Pokia sa vm v hadan svislost darilo, poznte u odpove na
prv otzku. Ak si odmyslme rozprvanie, ktorm sme oba prbehy uvdzali
a sstredme sa len na ich matematick popis a podstatu, objavme prekva-
pujci vsledok. Obe situcie s plne identick. Sksme sa o tom presvedi.
Postupn pohyb nmornka po mle koreponduje s priebehom zpasu hrov.

Kad krok nmornka zodpoved odohraniu jednej partie. Jeho zatackanie
doprava alebo doava (vtane prslunch pravdepodobnost) zodpoved v-
hre prvho alebo druhho hra. Pozcia nmornka, teda to, ako aleko je
od avho, respektve pravho okraja mla zodpoved aktulnemu nannmu
stavu prvho a druhho hra. Nmornk pri kadom kroku vpred zmen svoju
pozciu o 1, m sa posunie k jednmu a vzdiali od druhho okraja mla. Po-
dobne po kadej partii jeden z hrov zvi svoj majetok o dolr a druh ho
presne o ten ist dolr zmen.
Po kadom kroku sa ale nezmen set vzdialenosti od pravho a avho

okraja mla a tak isto zostva nemenn celkov obnos N vo vreckch oboch
hrov. Vidme, e tto suma N koreponduje s celkovou rkou mla. Presnej-
ie, pokia m po partii prv (alebo druh) z hrov vo vrecku od 1 po N 1
dolrov, zpas pokrauje a zodpovedajci nmornk je stle na mle. Naopak
pokia hrovi ostalo 0 alebo N dolrov, zpas skonil. Kritick situcia pre
nmornka, teda pd do vody na pravej alebo avej strane mla zodpoved de-
nitvnemu vazstvu prvho alebo druhho hra a zruinovaniu jeho spera.
Zodpovedajca rka mla je preto N 1 a celkov poet sledovanch pozci
je N + 1.
Pokia tvrdme, e obe situcie s identick, mali by sme vedie aj naopak

opsa kranie nmornka po mle ako variant hazardnej hry. To by sme urite
zvldli.
Vrme teraz do naich vah oba prbehy. Aj ke ich matematick podstata

je rovnak, ved ns k odlinmu pohadu na to, ktor vstupn parametre a
ktor vsledn hodnoty dleit a vznamn. Km pri nmornkoch bola pri-
rodzen predstava pravo-avej symetrie ich pohybu a aj tartovacej pozcie, v
prpade hrov oakvame skr opak. Pravdepodobnosti ich vhier v partii ne-
bvaj rovnak a meme tie predpoklada, e kad zana hru s inou sumou
peaz. Tume tie, e tlstejia peaenka me kompenzova horiu vkon-
nos alebo menie astie v hre. al rozdiel sa tie tka pravo-avho pohadu.
V prpade pdu nmornka do vody neboli zvan dvody pre rozlenie pdu
na avej a pravej strane mla a tieto udalosti sme zluovali. V prpade hazard-
nch hrov je naopak toto rozlenie kov. Ide predsa o to, kto z hrov
je absoltny vaz a kto je denitvne porazen. Pri skman nmornkov ns
tie zaujmali aj urit seln charakteristiky ich pohybu po mle, naprklad
pravdepodobnos, e po om zvldnu urit poet krokov, priemern poet
krokov pred pdom a podobne. Hazardn hri hraj a do plnho konca a
priebeh zpasu asto upadne do zabudnutia. Dleit je preto v prvom rade
celkov vsledok: vyhral prv alebo druh hr?

Odpove na tto otzku samozrejme nebude jednoznan. Pretoe pre po-
pis situcie pouvame pravdepodobnostn hodnoty, pravdepodobnos bude
obsiahnut aj vo vsledku. Presne ale vieme poveda, ak problm ns teraz
bude zaujma. Uvaujeme situciu, kedy s dan pravdepodobnosti p a 1p
vhry prvho, respektve druhho hra v jednej partii. Druhm dleitm
parametrom je, koko peaz m ktor z hrov k dispozcii. Aby sme mali
v skman poriadok a mohli naviaza na postupy, ktor poznme z probl-
mov nmornkov na mle, budeme vdy analyzova situciu, v ktorej mme
xovan celkov obnos N oboch hrov. Nsledne preberieme vetky jednot-
liv monosti toho, koko je na zaiatku zpasu vo vrecku prvho hra, teda
0, 1, . . . , N 1, N dolrov.
Ako sme u povedali, hodnota N 1 zodpoved rke mla, a peniaze
prvho hra na zaiatku zpasu jeho tartovacej pozcii. Pozcie ale teraz pre
lepiu zrozumitenos budeme slova od 0 naavo po N napravo a budeme
ich nazva stavy. (Nemyslme tm stav zpasu, ale stav peaenky prvho
hra.) Stav 0 zodpoved krachu prvho hra (a pdu do vody na avej strane
mla), stav N zodpoved denitvnemu vazstvu prvho hra (a do vody na
pravej strane spadol druh hr). Sksime sa teraz pozrie na hrsky" variant
"
experimentu zo zaiatku tohto rozprvania. Dvaja hazardn hri maj spolu 4
koruny. Mlo m teda rku 3 a mon tartovn a nsledne aj prieben stavy
bud (z pohadu prvho hra) 0, 1, 2, 3 a 4. Ako sme u povedali, nebude ns
zatia zaujma priebeh zpasu. Chceme sa o najskr dozvedie ako dopadne
z pohadu prvho hra v zvislosti od toho, s kokmi korunami zanal.
Postupn vypanie tabuliek pre jednotliv poiaton stavy preto zrejme nie
je najlepou metdou a chcelo by to nov popis a postup.
loha 5.1.9 Navrhnite vhodn premenn, ktorch zatia neznme hodnoty po

ich uren popu monosti bankrotu prvho hra.
Rieenie: Odpove je u obsiahnut v predchdzajcich vahch. Hovorili sme,
e odpovede bud zvisie od vchodiskovho stavu prvho hra a nebud
jednoznan, ale pravdepodobnostn". Ozname preto postupne P0 , P1 , P2 ,
"
P3 a P4 pravdepodobnosti toho, e prv hr zpas prehr a zbankrotuje (po
ubovonom pote parti), ak mal na zaiatku zpasu 0, 1, 2, 3 alebo 4 dolre.
Pripomeniem, e v prpade nmornka by tieto pravdepodobnosti popisovali

jeho pd do mora na avej strane mla v zvislosti od tartovacej pozcie. Teraz
ns ale viac zaujma, ako hodnoty tchto pravdepodobnost uri. Zd sa to
ak, ale nie pre vetky prpady.
loha 5.1.10 Dve z hadanch pravdepodobnost vieme uri vahou hne.

Ktor to s a ak je ich hodnota?
Rieenie: Ide o dve

"
okrajov" hodnoty, ktor s z hadiska nho prbehu
skoro nezmyseln. Ak prv hr zana s 0 dolrmi vo vrecku, skrachoval u
pred prvou partiou. Inmi slovami jeho bankrot je ist vec". Preto P0 = 1.
"
Naopak ak m na zaiatku vo vrecku N dolrov, na druhho hra u nezostal
iadny. Teraz teda u pred prvou partiou zbankrotoval druh hr, a prvho
toto neastie urite nepostihne. Preto P4 = 0.
ahiu as prce mme za sebou. Potrebujeme ale uri aj hodnoty ostat-

nch, dleitejch pravdepodobnost P1 a P3 . K tomu je potrebn uvedomi
si dve dleit veci.
Po prv hodnoty pravdepodobnost Pn napriek ich dencii v skutonosti
nezvisia od toho, i sme na plnom zaiatku zpasu alebo u prebehol urit
poet parti. Pokia m prv hr teraz vo vrecku n dolrov, pravdepodobnos
Pn , e tto sumu nakoniec prehr a zbankrotuje, nezvis od toho, i sa zpas
prve zaal alebo v om u prebehlo 5 alebo 50 parti. V herni sa nepatr
vyruova, preto ak sme ako pozorovatelia zpas prve teraz zaali sledova,
informciu o doterajom priebehu zpasu ani nemme odkia zska. (Podobne
sa na predchdzajci priebeh zpasu niekedy sna zabudn aj jeden z hrov!)
Tto vlastnos je dan tm, e ostatn parametre zpasu, celkov poet dolrov
v hre a pravdepodobnos vhry hrov v jednej partii, sa poas zpasu v
naom modeli nemenia. Hodnota Pn teda oznauje pravdepodobnos bankrotu
(v budcnosti) prvho hra s n dolrmi (prve teraz), bez ohadu na to, koko
parti m u za sebou (a koko pred sebou).
Teraz si meme uvedomi druh dleit skutonos. Hodnoty hadanch
pravdepodobnost spolu navzjom svisia. A to nie len niektormi oividnmi
spsobmi (naprklad s zrejme usporiadan zava doprava poda vekosti), ale
aj presne kvantikovanmi vzahmi. Uvaujme spolu. Nech je hr v stave n
(rznom od 0 a N ), pravdepodobnos jeho bankrotu je Pn . Teraz hr odohr
jednu partiu. Ak ju vyhr, prejde do stavu n+1 a pravdepodobnos bankrotu sa
zmen na Pn+1 . Pokia by to bola jedin monos pokraovania zpasu, mohli
by sme na zklade tejto vahy usdi, e Pn = Pn+1 . Naozaj, ak zo stavu n
musme vdy prejs do stavu n + 1, nhodn udalosti, ktor ovplyvnia pravde-
podobnos bankrotu sa prejavia a v alom pokraovan zpasu. Neprejavia
sa pri prechode zo stavu n do stavu n + 1. Rozdelenie anc medzi celkov
prehru a vhru, teda pravdepodobnos budceho bankrotu, je preto pre stav n
rovnak ako ke sa z neho prejdeme do jedinho monho nasledujceho stavu
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
Tejto rovnici hovorme stavov rovnica alebo prechodov rovnica. Meme ju

vysvetli aj na zklade interpretcie pravdepodobnosti ako (teoretickho) po-
meru sledovanch a vetkch monost. Pn na avej strane hovor, ak as z-
pasov zanajcich stavom n vedie k bankrotu prvho hra. Na pravej strane
p hovor, ak as zpasov prejde do stavu n+1 a z nich Pn+1 skon ban-
krotom. Preto tieto dve pravdepodobnosti vynsobme. Zrove (1 p) zo
vetkch zpasov prejde do stavu n1 a z nich Pn1 skon bankrotom pr-
vho hra. Tmto druhm spsobom teda k bankrotu dospeje (1 p) Pn1
zo vetkch zpasov. Popsan dva spsoby sa navzjom vyluuj a zrove
pokrvaj vetky monosti, preto v ste uruj pravdepodobnos Pn .
Pre lepie pochopenie uvedieme prklad s vymyslenmi konkrtnymi hod-
notami. Poksme sa naprklad uri P4 , teda pravdepodobnos skrachovania
hra so 4 dolrmi vo vrecku. Ak p = 1/3, v jednej tretine parti hr vy-
hr dolr a prejde do stavu 5. Ak vieme, e P5 = 1/4, teda e s 5 dolrmi
vo vrecku prehr tvrtinu zpasov, celkovo tmto spsobom zbankrotuje v
1/3 1/4 = 1/12 vetkch monch zpasov. Zrove ale v (1 p) = 2/3 prpa-
dov hr dolr prehr a prejde do stavu 3. Ak vieme, e z tohto stavu prehr na-
prklad P3 = 3/4 zpasov, znamen to, e zbankrotuje v 2/33/4 = 6/12 = 1/2
vetkch zpasov, ktor zan v stave 4 a pokrauj do stavu 3. Celkovo teda
zo stavu 4 prehr 1/12 + 1/2 = 7/12 vetkch zpasov, teda P4 = 7/12.
Vrme sa teraz k nmu prkladu. Analyzujeme zpas, v ktorom maj
hri spolu 4 dolre. Vieme u, e P0 = 1 a P4 = 0. Dohodneme sa, e hri
s vyrovnan, a preto p = 1 p = 1/2.
loha 5.1.11 Napte stavov rovnice pre P1 , P2 a P3 .
Rieenie: V podstate sta dosadi do u spomenutho veobecnho vzoreka.

Dostaneme:
1 1
P1 = P2 + P0
2 2
1 1
P2 = P3 + P1
2 2
1 1
P3 = P4 + P2
2 2

Teraz u meme dosiahnu n cie a popsa pravdepodobnosti bankrotu

prvho hra pre vetky mon tartovacie" sumy v jeho vrecku.
"
loha 5.1.12 Urte vetkch 5 hodnt P0 , P1 , P2 , P3 a P4 .
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

Metdu si hne meme precvii na trochu zloitejom prklade.
loha 5.1.13 Teraz mm spolu so svojm sperom vo vrecku 5 dolrov. Ok-

rem toho som lep hr ako on, pravdepodobnos mojej vhry v partii je preto
3/5 a pravdepodobnos prehry len 2/5. S akmi pravdepodobnosami bankrotu
v zvislosti od mojej poiatonej hotovosti mm pota?
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:
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.
V zloitejch lohch, hlavne pri vom pote dolrov N v hre, by sme

museli riei stle vie sstavy rovnc. Pokia ich chceme zvldnu vlast-
norune, v lohe 5.1.12 a 5.1.13 je naznaen veobecn metda. Pouijeme
a dosadme kontanty P0 = 1 a PN = 0 a postupujeme od krajov ku stredu.
Druh monos je rovnice pre P1 a PN 1 upravi na sstavu linernych rovnc
a na ich rieenie poui niektor z existujcich softvrov.
Teraz sa ete pozrieme na podobn rieenie problmu urenia potu parti,
ktor prebehn do ukonenia zpasu bankrotom niektorho z hrov. Kee
je v hre pravdepodobnos, tento poet sa bude meni a hada budeme jeho
priemern hodnotu. V lohe 5.1.5 sme videli, ako sa d pomocou tabuky
a vpotu zska rieenie pre konkrtnu tartovaciu pozciu na mle (alebo
stav dolrov vo vrecku). Pokia ale chceme tieto hodnoty naraz vypota pre
vetky mon stavy, op namiesto vypania mnostva tabuliek pouijeme
radej vhodn psmenk.
Ak je celkov mnostvo dolrov dvoch hrov a tm aj poet stavov N,
ozname D0 , D1 , D2 , D3 , . . . , DN priemern dku zpasu, v ktorho prvej
partii m prv hr vo vrecku 0, 1, 2, 3, . . . , N dolrov. Zpas sa kon v
okamihu, ke ubovon z hrov zbankrotoval. Pravdepodobnos vazstva
prvho z hrov v jednej partii ozname p.
loha 5.1.14 Ktor z hodnt Dn vieme uri okamite? Plat pre susedn
hodnoty Dn1 , Dn a Dn+1 podobn vzjomn vzah, ako pre hodnoty Pn1 , Pn
a Pn+1 ?
Rieenie: Jasn s op krajn" hodnoty D0 a DN . V tchto situcich prv,
"
resp. druh hr u zpas prehral, teda poet parti do jeho konca nula. Preto
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.
Rieenie: Pouijeme vsledky z lohy 5.1.14, D0 = 0 a D4 = 0 a pre alie

hodnoty platia rovnice:
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.
Podobn lohy pre in vstupn parametre meme zvldnu op zostave-

nm prslunch rovnc a ich vyrieenm.
Sksme ete chvu analyzova zskan vsledky. Pokia do zpasu vstu-
pujem s 3 dolrmi vo vrecku, z hodnoty P3 = 3/4 vieme, e priemerne tri
zpasy zo tyroch skonia mojou vhrou a jeden zo tyroch mojou prehrou.
Hodnota D3 , teda priemern poet parti do skonenia zpasu je 3. Toto slo
ale zmiealo" dky vaznch a prehranch zpasov. D sa pritom tui, e
"
zpasy, v ktorch vyhrm, bud v priemere kratie ako prehran zpasy. Vieme
pomocou hodnt D3 a P3 uri priemern dku vaznch a priemern dku

prehranch zpasov?
Mono ani netreba urova a sta uhdnu. Ak bude priemern dka v-
aznch zpasov 1 a prehranch 9, vetko je zd sa v poriadku. V priemere by
na tri vazstv mala pripada jedna prehra. Pokia by dky zpasov presne
zodpovedali priemernm hodnotm, pri vpote priemernej dky by mala na
3 jednotky pripada jedna deviatka. Vsledok potom bude:
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. . .
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.
6.1 Klasikcia, popis a vlastnosti

nhodnch procesov
Nhodn procesy delme na spojit nhodn procesy a diskrtne n-
hodn procesy, poda hodnt asu, v akom s jednotliv hodnoty procesu
udvan. Ak s zo svislho intervalu, alebo celej asovej osi, ide o spojit
proces. Ak ide len o izolovan body na asovej osi, hovorme o diskrtnom n-
hodnom procese.
Prklad 6.1.1 Teplotu v miestnosti, meran poas 24 hodn, meme povao-

va za jednu realizciu spojitho nhodnho procesu. Zznam z inch 24
hodn bude in realizcia nhodnho procesu.
Na obrzku 6.1 je niekoko realizci spojitho nhodnho procesu, predstavu-
jceho teplotu v miestnosti poas 24 hodn.
289
290 Kapitola 6. Nhodn proces
teplota
as
Obr. 6.1: Niekoko realizci spojitho nhodnho procesu
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.
Na obrzku 6.2 je niekoko realizci diskrtneho nhodnho procesu, pred-

stavujceho teplotu v miestnosti poas 24 hodn. Teplota je v tomto prpade
zaznamenan v 7 asovch okamihoch t0 , t1 , ..., t6 .
teplota
t0 t1 t2 t3 t4 t5 t6
as
Obr. 6.2: Niekoko realizci diskrtneho nhodnho procesu
In klasikcia spomedzi nhodnch procesov vyleuje nhodn reazce.

S to tak nhodn procesy, ktorch hodnoty s izolovan body.
6.1 Klasikcia, popis a vlastnosti nhodnch procesov 291
Prklad 6.1.3 Zasvieten svetlo (alebo zhasnut) v miestnosti, zaznamen-

van poas 24 hodn, meme povaova za jednu realizciu spojitho nhodnho
reazca. Zznam z inch 24 hodn bude in realizcia tohto nhodnho reazca.
Na obrzku 6.3 je jedna realizcia spojitho nhodnho reazca, predstavuj-
ceho zasvieten" alebo zhasnut" v miestnosti poas 24 hodn.
" "
svetlo
tma
t0 t1 t2 t3 t4 t5 t6
as
Obr. 6.3: Jedna realizcia spojitho nhodnho reazca
Prklad 6.1.4 Zasvieten svetlo (alebo zhasnut) v miestnosti, meran poas

24 hodn, ale iba v 7 asovch okamihoch t0 , t1 , . . . , t6 , meme povaova za
jednu realizciu diskrtneho nhodnho reazca. Zznam z inch 24 hodn bude
in realizcia nhodnho reazca.
Na obrzku 6.4 je jedna realizcia diskrtneho nhodnho reazca, predstavu-
jceho zasvieten" alebo zhasnut" v miestnosti poas 24 hodn. Hodnoty s
" "
meran v 7 asovch okamihoch t0 , t1 , . . . , t6 .
zasvieten
zhasnut
t0 t1 t2 t3 t4 t5 t6 as
Obr. 6.4: Jedna realizcia diskrtneho nhodnho reazca

Nhodn proces nazveme homognny v ase, ak sa nemenia jednotliv prav-

depodobnosti v zvislosti od asu.
Prklad 6.1.5 Teplota v miestnosti, meran poas 24 hodn nebude realiz-

ciou homognneho nhodnho procesu. Honoty tohto procesu bud zvisie od
toho, i meranie zaalo cez de, alebo v noci, i skoro rno. Na druhej strane
o procese, popisujcom teplotu v miestnosti, meran poas 1 minty s tm, e
zaiatok tejto minty bude v priebehu hodiny, u meme povaova za homo-
gnny.
Hodnoty, ktor me nhodn reazec nadobudn nazvame stavy nhod-
nho reazca.
Prklad 6.1.6 Nhodn reazec z prkladu 6.1.3 m dva stavy, aj reazec z

prkladu 6.1.4 m dva stavy. S to stavy "zasvieten" a "zhasnut".
Pravdepodobnos, e diskrtny nhodn reazec je v ase tk v stave i nazvame
pravdepodobnosou stavu i v ase tk a oznaujeme pi (tk ).
Pr(X(tk ) = i) = pi (tk )
Vektor pravdepodobnost vetkch stavov reazca v jednom asovom okamihu

tk nazvame rozdelenie pravdepodobnost stavov reazca v ase tk a
oznaujeme p(tk ).
p(tk ) = (p1 (tk ), p2 (tk ), . . . , pi (tk ))
Vektor pravdepodobnost vetkch stavov reazca v asovom okamihu t0 naz-

vame poiaton rozdelenie pravdepodobnost stavov reazca a ozna-
ujeme p(t0 ), prpadne p(0).
Pravdepodobnos, e diskrtny nhodn reazec bude v ase tk+1 v stave j , ak
tk v stave i, nazvame pravdepodobnosou prechodu zo stavu
bol v ase
i do stavu j v ase tk a oznaujeme pi,j (tk ).
Pr(X(tk ) = j/X(tk1 ) = i) = pi,j (tk )
Nhodn reazec nazveme homognny v ase, ak pravdepodobnos prechodu

zo stavu i do stavu j nezvis od asu tk . Pre homognny reazec plat:
pi,j (tk ) = pi,j (tl ) , pre vetky stavy i, j, a pre vetky asy tk , tl
Tvrdenie 6.1.1 Ke je nhodn reazec homognny, tak namiesto pi,j (tk ),

sta pouva pravdepodobnos pi,j .
Homognny nhodn reazec nazveme Markovov, ak sa nemenia pravdepo-

dobnosti prechodu zo stavu i do stau j v zvislosti od predchdzajceho vvoja.
Markovovu vlastnos m reazec, ktorho pravdepodobnosti prechodov spaj
rovnos:
Pr(X(tk ) = j/X(tk1 = i) = Pr(X(tk ) = j/X(tk1 ) = i, X(tk2 ) = i1 , . . . )
Prklad 6.1.7 V zoologickej zhrade vybudovali experimentlne bludisko pre

krokodla, pozostvajce zo 6 miestnost. Na obrzku 6.5 s vykreslen miest-
nosti bludiska, oznaen rmskymi slicami I , II , III , IV , V a V I . Prav-
depodobnosti prechodu krokodla cez otvory (=dvere) medzi jednotlivmi miest-
nosami s napsan na prslunch miestach. Popte putovanie krokodla po
I 1/2
II 1/4
III
1/2 1/4 3/4
1/2 1/4
IV V VI
Obr. 6.5: Bludisko so 6 miestnosami
bludisku ak viete, e zanal v miestnosti slo V . Ako model pouite diskrtny

Markovov reazec, ktorho stavy bud predstavova miestnosti, v ktorch sa
krokodl nachdza.
Rieenie: Pohyb krokodla po bludisku chceme modelova ako diskrtny Mar-

kovov reazec. Teda budeme predpoklada, e krokodl si nepamt, ako sa
mu pilo v predchdzajcich miestnostiach. Jeho vber, ktormi dvermi z
miestnosti odde zvis naprklad len od rky dver. Krokodl si vyber dvere
poda pravdepodobnost, ktor s ku dverm priraden. Rovnako vber al-
ej miestnosti nezvis od toho, ak denn alebo non hodina je. Reazec je
homognny v ase.
Spojit priebeh asu, v ktorom sa krokodl pohybuje, zmenme na diskrtny
tak, e budeme zaznamenva iba asy, v ktorch sa krokodl presunie z jednej
miestnosti do inej. Tieto asy postupne ozname t0 , t1 , t2 , t3 , . . .
Rozdelenie pravdepodobnost stavov Markovovskho reazca v ase tk je:
p(tk ) = (pI (tk ), pII (tk ), . . . , pV I (tk ))

Ak pozciu na obrzku 6.5 povaujeme za poiaton rozdelenie v ase t0 , tak

toto rozdelenie je:
p(t0 ) = (pI (t0 ), pII (t0 ), . . . , pV I (t0 )) = (0, 0, 0, 0, 1, 0)
Rozdelenie v ase t1 predstavuje pravdepodobnosti, s akmi sa krokodl bude

nachdza v jednotlivch miestnostiach po prvom prechode dvermi.
Krokodl neme by v miestnosti V, pretoe tam bol v ase t0 a odvtedy
raz preiel dvermi. Me by v miestnostiach II , IV alebo V I. Pravdepo-
dobnosti, s akmi bude krokodl v tchto miestnostiach (Markovov reazec v
tchto stavoch) s uren poda pravdepodobnost, ktor s ku dverm do
tchto miestnost priraden.
( )
1 1 1
p(t1 ) = 0, , 0, , 0,
4 2 4
Rozdelenie v ase t2 predstavuje pravdepodobnosti, s akmi sa krokodl bude

nachdza v jednotlivch miestnostiach po dvoch prechodoch dvermi. Do miest-
nosti I sa z miestnosti V na dva prechody dostane bu cez miestnos IV , alebo
cez miestnos II s pravdepodobnosou:
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
Rovnak vsledok dostaneme, aj ke si uvedomme, e plat:
2=1+1
teda, e stav po 2 krokoch dosiahne krokodl tak, e sa dostane do stavu po

jednom kroku a potom urob ete jeden krok:
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
Rovnakou vahou sa vypotaj ostatn pravdepodobnosti v ase t2 . Na popis

Markovovskho reazec a meme poui aj maticu prechodov (=stochas-
tick maticu) alebo prechodov graf.
Prechodov graf pre Markovov reazec je graf, ktorho vrcholy predstavuj
stavy reazca a orientovan hrany medzi vrcholmi maj ohodnotenie rovn
pravdepodobnosti prechodu medzi zodpovedajcimi stavmi. Diagram grafu pre
nae bludisko a krokodlom je na obrzku 6.6.
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
Obr. 6.6: Prechodov graf pre bludisko
Matica prechodov P je matica, ktorej prvky pij oznauj pravdepodobnos

prechodu reazca zo stavu i do stavu j .

1 1
0 0 0 0
1 2 1 2 1
0 0 0
2
4 4
3
1
0 0 0 0
P= 1 4 4
1

2 0 0 0 2 0

0 1 0 1 0 1
4
4
3
2
1
0 0 0 0
4 4
Vynsobenm vektora p(t1 ) rozdelenia pravdepodobnosti v ase t1 maticou
prechodov P dostaneme rozdelenie pravdepodobnosti v ase t2 .
p(t2 ) = p(t1 ) P
Veobecnejie
p(tk ) = p(tk1 ) P = p(tk2 ) P P = p(tk2 ) P2 = p(t0 ) Pk
Vpotom sa d zisti, e po 100 krokoch, teda po 100 prechodoch dvermi

bude rozdelenie pravdepodobnosti stavov reazca nasledujce:
( )
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)
V naej lohe sa d ukza, e ak je poiaton rozdelenie pravdepodobnosti

naprklad:
p(t0 ) = (1/2, 1/2, 0, 0, 0, 0),
potom rozdelenie po 100 krokoch bude:
( )
1 1 1 1 1 1
p(t100 ) = , , , , ,
6 6 6 6 6 6
Teda pre nhodn reazec popisujci prtomnos krokodla v bludisku existuje
poiaton rozdelenie, ktor konverguje k invariantnmu rozdeleniu a existuje
aj poiaton rozdelenie, ktor nekonverguje ku iadnemu rozdeleniu.
Nasleduje prklad nhodnho reazca, ktorho rozdelenia pravdepodobnosti

konverguj k jedinmu rozdeleniu. Po niekokch krokoch sa rozdelenie ustli
na nejakch kontantnch hodnotch. Rozdelenie, ku ktormu pravdepodob-
nosti konverguj, je prve invariantn rozdelenie.
Prklad 6.1.8 Predpokladajme, e pravdepodobnos, e sa slobodn mu oen

v priebehu jednho roka je 0.3, pravdepodobnos, e ostane slobodn je 0.7, prav-
depodobnos, e sa rozvedie enat je 0.05 a pravdepodobnos, e ostane enat
je 0.95. Ak bude, pri modelovan Markovovm reazcom, pravdepodobnos, e
po niekokch rokoch bude respondent enat?
Rieenie: Pri rieen si treba najskr uvedomi, e nerieime skuton situciu,

ale iba jej model. Vea predpokladov nasledujceho modelu je nerealistickch,
bez tchto predpokladov by vak bol model omnoho komplikovanej. N mo-
del teda nebude popisom skutonosti, ale len jej priblenm.
Predpoklady pre model:
skupina respondentov sa nemen, (nikto nov sa poas experimentu ne-

narod, nikto nezomrie)
jednotliv pozorovania sa konaj 31.12. o 24:00, (asy t0 , t1 , . . . ,tk , . . . s

vdy po roku, ak nastalo poas roku viac zmien, uvaujeme iba stavy,
ktor boli na Silvestra o polnoci)
chovanie skupiny je homognna v ase, (respondent sa oen kad rok

s rovnakou pravdepodobnosou, take nezle, i m dotyn 15 rokov,
alebo 60, aj ke poda prvej podmienky respondenti vlastne nestarn)
skupina sa chov markovovsky, (pravdepodobnos, e sa respondent oen,

alebo rozvedie nezle na jeho minulch sksenostiach, respondenti s
nepouiten)
na zaiatku experimentu s vetci slobodn, (tto podmienka me by

splnen)
Model m dva stavy, teda Markovov reazec me nadobudn dve hodnoty:

slobodn S a enat Z.
Pravdepodobnosti prechodov medzi tmito stavmi s:
psz = 0.3, pzs = 0.05, pss = 0.7, pzz = 0.95
Inm popisom modelu je prechodov graf na obrzku 6.7.
0.05 0.95
0.7
S Z
0.3
Obr. 6.7: Prechodov graf pre pravdepodobnosti slobodnch a enatch

Informciu o stavoch a pravdepodobnostiach prechodov medzi nimi, dostaneme

aj z matice prechodov pravdepodobnost. Matica je sce menej prehadn ako
graf, no omnoho jednoduchie reprezentovaten v potai.
( )
0.7 0.3
P=
0.05 0.95
Predpokladme sme, e na zaiatku s vetci respondenti slobodn. Poiaton

rozdelenie reazca je vektor, v ktorom pravdepodobnos stavu slobodn je 1 a
stavu enat je 0:
p(t0 ) = (1, 0)
Po jednom roku bude enatch 30 % spomedzi slobodnch. Teda pravdepo-
dobnos, e bude respondent enat je 0.3, ostatn bud slobodn.
p(t1 ) = (0.7, 0.3)
Po druhom roku bude enatch 30 % spomedzi slobodnch. Teda pravdepo-

dobnos, e bude enat tak respondent, ktor bol vlani slobodn je 0.7 0.3.
Druh monos ako by enat je, e respondent bol enat aj vlani a za po-
sledn rok sa nerozviedol. To nastane s pravdepodobnosou 0.30.95, teda prav-
depodobnos, e respondent bude enat v druhom roku je 0.21+0.285 = 0.495.
Pravdepodobnos, e respondent bude slobodn je 1 0.495 = 0.505, in[ mo-
nos v naom modeli nem. V realite m respondent monosti 3: slobodn,
enat alebo neije. Tretiu monos sme ale v predpokladoch o naom modeli
vylili. Rozdelenie pravdepodobnosti v ase t2 bude:
p(t2 ) = (0.505, 0.495)
Po treom roku, teda v ase t3 bude:
p(t3 ) = (0.3782, 0.6218)
Rovnak vsledky dostaneme, ak poiaton rozdelenie p(t0 ) = (1, 0) nso-

bme maticou pravdepodobnost prechodov P.
( )
0.7 0.3
p(t1 ) = p(t0 ) P = (1, 0) = (0.7, 0.3)
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
( )
0.3782 0.6218
p(t3 ) = p(t2 ) P = p(t0 ) P = (1, 0)
3
= (0.3782, 0.6218)
0.1036 0.8964
Rieme lohu, ak je rozdelenie v ase t25 , ak poiaton rozdelenie bolo

p(t0 ) = (1, 0). K rieeniu sta umocni maticu P na 25.
( )
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
Toto rozdelenie sa u alej v ase nemen, je ustlen. V ase 26 a vetkch

alch asoch je rozdelenie rovnak ako v ase 25.
p(t26 ) = p(t25 ) P
Na obrzku 6.8 vidme vvoj pravdepodobnost pS a pZ v zvislosti od asu.

Rovnakm postupom dostaneme, e ak s na zaiatku vetci respondenti
enat, tak po 25 rokoch bude rozdelenie:
( )
0.1429 0.8571
p(t25 ) = p(t0 ) P 25
= (0, 1) = (0.1429, 0.8571)
0.1429 0.8571
Aj ke je na zaiatku polovica enatch a polovica slobodnch, tak

( )
0.1429 0.8571
p(t25 ) = p(t0 ) P 25
= (0.5, 0.5) = (0.1429, 0.8571)
0.1429 0.8571
Alebo veobecne, nech pravdepodobnos, e respondent je na zaiatku slo-

bodn, je rovn r. Potom
( )
0.1429 0.8571
p(t25 ) = p(t0 ) P 25
= (r, 1 r) =
0.1429 0.8571
= (0.1429 r + 0.1429 (1 r), 0.8571 r + 0.8571 (1 r)) = (0.1429, 0.8571)

Teda z akhokovek poiatonho rozdelenia pravdepodobnosti sa po 25 kro-
koch dostaneme k rozdeleniu ustlenmu, ktor sa v ase nemen. Toto rozde-
lenie sa nazva stabilizovan rozdelenie pravdepodobnosti a m rovnak vlast-
nos ako invariantn rozdelenie:
slobodn
zenat
1
0.8
0.6
0.4
0.2
0 5 10 15
Obr. 6.8: Vvoj pravdepodobnost pS a pZ v zvislosti od asu, na zaiatku s

vetci slobodn
p(tk ) = p(tk+1 ) = p(tk ) P =

kde je nejak kontantn pravdepodobnos (nie je to 3.1415. . . ). Odtia
=P
To ale znamen, e stabilizovan rozdelenie pravdepodobnosti pre slobodnch

a enatch meme vypota aj zo vzahu:
( )
0.7 0.3
(S , Z ) = (S , Z )
0.05 0.95
Rovnice, ktor dostaneme s dve rovnice s dvoma premennmi, ich rieenie

vak nie je jednoznan, pretoe jedna rovnica je nsobkom druhej, rovnice
s zvisl. Aby sme dostali jednoznan rieenie, pridme ete tretiu rovnicu,
ktor hovor, e set pravdepodobnost vetkch stavov reazca v rovnakom
ase je rovn 1.
S = 0.7 S + 0.05 Z
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,
Skutonos, e kad poiaton rozdelenie pravdepodobnosti konver-

guje k invariantnmu rozdeleniu, je zaruen v takho homognnom Marko-
vovo m reazci, ktorho prechodov graf m sluky.
Kapitola 7
Ako predpoveda smolu

(tvrt nepravdepodobn
prbeh)
V predchdzajcich rozprvaniach sme sa venovali slovenskmu folklru a spo-

mienkam na chvle strven v kole a na dovolenkch. Je najvy as, aby sme
podstatne rozrili nae obzory. Uprieme preto svoj pohad do budcnosti a do
ozaj vekch diaok. Inmi slovami, nastal as na trochu vedeckej fantastiky.
Aj ke vedy bude viac ako fantastiky, budeme vychdza z optimistickej tzy,
e udstvo akaj svetl zajtrajky. Na ceste k nim ale mu nasta rzne ne-
prjemn, znechucujce, ba a zahanbujce situcie. Ako sa do nich dosta a
ako sa s nimi (aspo) po pravdepodobnostnej strnke vyrovna si povieme v
nasledujcom texte.
7.1 O ppavch a kolonizcii Marsu

U o niekoko desaro zane by aktulna otzka zskania novch ivotnch
priestorov pre udstvo. Okolnosti jasne naznauj, e ich oskoro budeme ha-
da vo vesmre. Prvm a zrove vemi vhodnm kandidtom je planta Mars.
M takmer vetko, o udia k ivotu potrebuj: vyhovujcu gravitciu a vzdia-
lenos od Slnka, dku solu (sol je nzov pre maransk de, ktor trv pribline
24 hodn a 40 mint), pevn povrch, vhodn horniny (a v nich zd sa aj vodu)
at. Chba v podstate len jedno, vhodn atmosfra. Na jej vrobu mme na
astie na Zemi odbornkov a to rastliny. stav vesmrnej botaniky preto do-
stal za lohu vyachti niekoko druhov rastln schopnch prei na Marse a
303
304 Kapitola 7. Ako predpoveda smolu (tvrt nepravdepodobn prbeh)
produkova kyslk. Z pochopitench dvodov voba padla na ppavy. Mu

zmeni nielen atmosfru, ale aj neprjemn erven farbu planty. V prpade
nespechu sa z nich daj uvi vence a chutia krlikom, ktor bud tvori prv
vlnu nslednej ivonej kolonizcie.
stav vyachtil sedem druhov ppav so spolonmi zkladnmi rysmi.
Kad rastlina ije presne mesiac (ak treba aj kalendrny) a vygeneruje po-
as svojho ivota vdy rovnak objem kyslka. Posledn de mesiaca daruje
ivot niekokm potomkom a vzpt vyschne a zahynie. Potomkovia zan
svoj ivot nasledujci de na zaiatku novho mesiaca a kad z nich sa a-
lej sprva a rozmnouje rovnako ako matersk rastlina. (Vlastnosti ppav s
trochu neobvykl, ale v sci- sa to me.)
Poet potomkov je nhodn, stavu sa ale pre sedem vypestovanch dru-
hov podarilo vytvori tabuku popisujcu spsob ich rozmnoovania. S v nej
uveden pravdepodobnosti, s akmi m kad rastlina danho druhu prslun
poet potomkov. Tu s zisten hodnoty:
Poet
potomkov: 0 1 2 3 4 5 ...
Druh A: 0.5 0.2 0.2 0.1 0 0 ...

Druh B: 0.4 0.2 0.2 0.2 0 0 ...
Druh C: 0.3 0.3 0.4 0 0 0 ...
Druh D: 0.2 0.4 0.4 0 0 0 ...
Druh E: 0.4 0.2 0.2 0 0.2 0 ...
Druh F: 0.4 0.3 0.2 0.1 0 0 ...
Druh G: 0.2 0.5 0.3 0 0 0 ...
Tabuka 7.1: Pravdepodobnosti, s akmi m kad rastlina danho druhu pr-

slun poet potomkov
Samozrejme po zjaven sa sel botanici ustpili do pozadia a vber naj-

lepieho druhu pre kolonizciu Marsu nechali na matematikoch.
loha 7.1.1 Zoznmte sa poriadne s tabukou. Ak sla s v nej obsiahnut

a ak musia ma vlastnosti? Ak s zaujmav sasti a truktry tabuky? o
pre ne plat? Skrva sa nieo dleit v asti nahradenej ". . . "?
Ako bva zvykom, pred rieenm prvej lohy itateovi odporume, aby sa
kad lohu najskr poksil vyriei sm. Svoje vsledky si potom me overi
alebo doplni nami uvedenmi rieeniami.
7.1 O ppavch a kolonizcii Marsu 305
Rieenie: Zoznamovanie zaneme pre istotu pripomenutm organizcie tabuky.

Jednotliv riadky zodpovedaj jednotlivm druhom ppav, stpce zodpovedaj
potu ich potomkov. Uvaujeme aj nulov poet potomkov, teda to, e rastlina
nem iadneho potomka a vyhynie". Tabuka je vyplnen dajmi po p po-
"
tomkov, zvyok je naznaen pomocou . . . " . Zo zpisu tabuky vyplva, e
"
poet potomkov me by len nezporn cel slo, o sme aj mlky a logicky
predpokladali. Teraz sa meme pozrie na obsah" tabuky. Ten pozostva z
"
siel udvajcich pravdepodobnos, s akou m druh v prslunom riadku poet
potomkov zodpovedajci prslunmu stpcu. Nebudeme zisova, akmi pes-
tovateskmi metdami botanici na tieto hodnoty prili. Pokia ale tvrdia, e
ide o pravdepodobnosti, sla musia ma urit vlastnosti. Tou zkladnou je,
e to bud relne sla z intervalu 0, 1. Vidme, e aspo vo vyplnenej asti
tabuky je tto vlastnos splnen a botanici zatia maj nau dveru.
Ak vznam maj tieto sla? Ako mme rozumie naprklad daju, e

druh A m jednho potomka s pravdepodobnosou 0,2 = 2/10? Nu tak, ako
rozumieme pravdepodobnosti veobecne. Tento daj hovor, e pokia by sme
sledovali poet potomkov napr. 10 exemplrov druhu A, meme oakva, e
v dvoch prpadoch to bude jeden potomok. Toto oakvanie ale nemus by
pri konkrtnych pozorovaniach presne naplnen. (Podobne aj ke pravdepo-
dobnos padnutia 6 pri hdzan kockou je 1/6, nie vdy sa v kadch iestich
hodoch vyskytne 6 presne raz.) Pokia ale namiesto 10 exemplrov ich budeme
sledova 100 (a hodnota pravdepodobnosti 0,2 je sprvna), poet rastln, ktor
priviedli na svet jedinika by sa nemal prli li od 20 a pri 1000 rastlinch
by (relatvna) odchlka od 200 mala by ete menia.
Vnimku z tohto postupnho dosahovania oakvanej hodnoty tvoria (v

diskrtnych pravdepodobnostnch priestoroch) pravdepodobnosti 0 a 1. Pokia
m dan druh urit poet potomkov s pravdepodobnosou 0, nikdy tento
poet potomkov ma nebude. A pokia pravdepodobnos bude 1, bude ma
vdy tento poet potomkov.
Tieto dve pecilne hodnoty s aj navzjom prepojen. Pokia niektor

druh ppavy m urit poet potomkov s pravdepodobnosou 1, teda vdy,
ostatn poty potomkov nem nikdy, teda s pravdepodobnosou 0. Takto pr-
pad sa v naej tabuke nenachdza, pripomna nm ale, e sla v tabuke
s aj navzjom previazan. Hlavnou truktrou tabuky s jej riadky. Kad
zodpoved jednmu druhu ppavy a poskytuje pln charakteristiku jeho roz-
mnoovania. Nulov hodnoty v riadku hovoria, ak poet potomkov je pre
dan druh zakzan", nenulov hodnoty znamenaj, e prslun poet po-
"
tomkov prichdza do vahy. m je hodnota via, tm astejie sa narod"
"
zodpovedajci poet potomkov.
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.
Skutonos, e set pravdepodobnost v kadom riadku je 1 nm pome

aj pri rieen nasledujcej lohy.
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?
Z terie selnch radov vieme, e to mon je. Typickm prkladom neko-

nenej postupnosti kladnch sel, ktorch set je 1, je postupnos:
{ } { }
1 1 1 1 1
, , , ,... =
2 4 8 16 2n n=1
So stom tejto postupnosti sme sa podrobnejie zaoberali v rozprvan o n-

mornkoch a hazardroch, v kapitole 5. Pre nae potreby meme leny tejto
postupnosti aj premiea" a ubovonm spsobom doplni nulami. Set 1
"
maj aj leny alch, inch postupnost s hodnotami z intervalu 0, 1.
Kee leny takchto postupnost (s nekonenm potom nenulovch le-

nov) zodpovedaj pravdepodobnostiam, e ppava m postupne 0, 1, 2, 3, . . .
potomkov, ide v tomto prpade o druh, ktorho exemplre mu ma ubovone
vek poet potomkov. Pozor, toto tvrdenie si netreba mli s vlastnosou, e
mu ma ubovon poet potomkov (to plat len ak postupnos neobsahuje
iadnu nulu) alebo e mu ma nekonen poet potomkov (to nenastane ni-
kdy, lebo nekoneno nepatr medzi nezporn cel sla ktormi popisujeme
poet potomkov).
Druhy ppav z naej tabuky ale nie s natoko zloit a kad z nich m
najvy mon poet potomkov 2, 3 alebo 4.
Sksme nakoniec na zklade hodnt pravdepodobnost v riadku prslu-

nho druhu uri najastej poet potomkov. Vieme, e m je hodnota via,
tm astejie sa narod" zodpovedajci poet potomkov. Maximlna hodnota
"
v riadku preto zodpoved najastejie sa vyskytujcemu potu potomkov. Aj
v naej tabuke pri druhu D ale vidme, e takto hodnota sa me vyskytova
na viacerch miestach. Odpove preto nemus by jednoznan. Pokia sa v
jednom riadku bude 100-krt nachdza hodnota 1/100 alebo 1000-krt hod-
nota 1/1000 (alebo n-krt hodnota 1/n) a zvyok s nuly, najastejie sa bude
vyskytova prslunch 100, 1000 (alebo veobecne n) rznych potov potom-
kov. Me sa ale najastejie vyskytova aj nekonene vea potov potomkov?
Tu je u odpove zporn. Pokia by to tak bolo, v riadku by sa urite vy-
skytovalo nekonene vea rovnakch kladnch sel (a mono ete vea alch
mench hodnt). Potom by ale set tchto sel bol nekoneno, a nie 1, ako
sa na pravdepodobnosti potu potomkov patr.
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
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
ktorej vetky leny s menie ako 1/10.

V takchto postupnostiach nenjdeme najv prvok ani ke ich leny u-
bovone premieame, prpadne doplnme almi, nie prli vekmi nezpor-
nmi slami. Otzka znie, i set lenov takejto postupnosti me by jedna.
A odpove je op zporn. Plat, e pokia v postupnosti nevieme njs naj-
v prvok, mus v nej by obsiahnut aj postupnos kladnch rastcich sel.
Tie s vetky aspo tak vek ako prv kladn len tejto podpostupnosti, a
preto u ich set je nekoneno. Postupnos pritom me obsahova aj mnoho
alch lenov nezpornch lenov, ktor set ete zvuj. Kad z ppav
preto mus ma najastejie sa vyskytujce poty potomkov, me ich ale by
ubovone (ale konene) vea.
Po vyjasnen si zkladnch vlastnost a informci obsiahnutch v tabuke

rozmnoovania vyachtench druhov sa meme op sstredi na n hlavn
problm, kolonizciu Marsu. Z tejto perspektvy ns samozrejme zaujma dlho-
dobejie plnovanie a aj sprvanie naich ppav. Charakteristika potu potom-
kov jednej ppavy po jednom mesiaci je preto dobrm podkladom, zaujma by
ns ale skr mali otzky potu potomkov viacerch ppav po viacerch mesia-
coch. Zanime skma tento problm najskr odhadom najhorej a najlepej
situcie.
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
"
poslednej uvaovanej genercie budeme vola poet potomkov po danom ob-

dob (po mesiaci, po roku). Ak by sme chceli spota vetkch potomkov
od prvej po posledn generciu, budeme hovori o pote potomkov za dan
obdobie (za rok, za 10 rokov).
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
po 2 rokoch najviac10 324 potomkov a sto po 10 rokoch najviac 100 3120

potomkov. Veobecne S ppav m po n mesiacoch najviac S M a najmenej
n
S mn potomkov.
Otzku najvieho a najmenieho potu potomkov sme spene vyrieili.

Otzne je, nakoko je zskan odpove uiton. Ide toti o hranin, extrmne
hodnoty, ktor sa v skutonosti bud dosahova len vemi zriedkavo. A aj to
rznym spsobom. Predstavme si naprklad ppavu, ktor m najmen poet
potomkov 1 s pravdepodobnosou 0.9 a najv 2 s pravdepodobnosou 0,1.
Druh ppava m tie najmen poet potomkov 1, ale s pravdepodobnosou
0,1 a najv 2 s pravdepodobnosou 0.9. Obe ppavy bud ma po n me-
siacoch zhodne najmenej 1 a najviac 2n potomkov, medzi nim by ale mal by
zsadn rozdiel. Prv ppava m urite viu ancu pribli sa k dolnej a
druh ppava naopak k hornej hranici odhadu. Skuton poet potomkov pre
obe pritom bude skr niekde medzi tmito extrmami.
Tm sme naznaili, o ns v skutonosti zaujma. Horn a doln ohranie-
nie potu potomkov me by zaujmav len pre urenie niektorch hraninch
parametrov navrhovanch technickch (a sci-) rieen. Pre priebeh zmeny at-
mosfry Marsu bude dleitejie urenie typickho, najastejieho, najpravde-
podobnejieho potu potomkov. (Tieto slov nemaj plne rovnak vznam,
tu ale nimi chceme vyjadri ten ist vsledok.) Mohlo by sa zda, e k cieu ns
povedie tret vsledok zskan v lohe 7.1.2, teda najastej poet potomkov.
loha 7.1.4 D sa pomocou najastejieho potu potomkov danho druhu p-

pavy urova typick poet jej potomkov po dlhom asovom obdob?
Rieenie: Vsledky zskan pomocou tohto daja bud urite lepie ako naj-
men alebo najv poet potomkov poda lohy 7.1.3. Na presn vpoet ale
ete stle nebude vhodn. Jednak sa meme dosta do technickch problmov.
o spravme, ak sa najastejie vyskytuj 2, 3 alebo 4 rzne hodnoty potu
potomkov? Ak pre tisc rznych potov mme rovnak (a teda aj najviu)
pravdepodobnos 1/1000, nevieme ani, ako rozumne zaa pota.
Na druhej strane tento daj ete stle nie je dostaton. Predstavme si tri
ppavy, ktor mu ma len 1, 2 alebo 3 potomkov. Prv ich dosahuje s pravde-
podobnosami 1/100, 50/100 a 49/100, druh s pravdepodobnosami 49/100,
50/100 a 1/100 a tretia s pravdepodobnosami 32/100, 34/100 a 32/100. Aj
ke najmen, najv aj najastej poet potomkov je pre vetky tri rovnak,
skuton poty ich potomkov po dlhom obdob sa skoro urite bud li. Po-
dobnch prkladov sa urite d vymyslie viac.
Zver rieenia predchdzajcej lohy naznauje, kadia vedie cesta k pres-

nej odpovedi na otzku typickho potu potomkov. Musme zobra do vahy
seln hodnoty vetkch nenulovch pravdepodobnost, nie len niektor v-
znan hodnoty. Ako to spravi? Naprklad rieenm nasledujcej lohy.
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
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:
0, 5 0 + 0.2 1 + 0.2 2 + 0.1 3 = 0.9
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.
loha 7.1.6 Ak bude poet potomkov kolnie 100 ppav po 2, 3, 6, 12 mesia-

coch? Ako tento daj vypota pre veobecn poet lenov kolnie a ubovon
asov obdobie? Ak lohu vo vpotoch hr priemern poet potomkov jednej
ppavy?
Rieenie: Sksme o najlepie vyui vsledky predchdzajcej lohy. Zanime

op s ppavou druhu A a s obdobm dvoch mesiacov. Vieme, e 100 ppav
tohto druhu m po prvom mesiaci 90 potomkov. Tch ak ete al mesiac, po
ktorom prived na svet hadan poet potomkov po dvoch mesiacoch. Plat

teda, e poet potomkov 100 ppav po 2 mesiacoch je rovnak, ako poet
potomkov 90 ppav po mesiaci. Z lohy 7.1.5 tie vieme, e kadch 10 ppav
bude ma po mesiaci (priemerne) 9 potomkov. 90 ppav preto bude ma 99 =
81 potomkov. Toko potomkov m teda 100 ppav po 2 mesiacoch.
Ak bude poet potomkov pvodnch 100 ppav po troch mesiacoch?

Op presne tak, ak bude poet 81 ppav po mesiaci. Osemdesiat z nich bude
ma 8 9 = 72 potomkov. Koko ich bude ma posledn, osemdesiata prv p-
pava? Z predchdzajcich vah by malo by jasn, e sprvnou, presnou (a je-
dinou rozumnou) odpoveou je priemern hodnota, teda 0.9. Po 3 mesiacoch
teda bude poet potomkov 72+0.9 = 72.9. Aj ke desatinn hodnota vsledku
vyzer nezvyklo, je sprvna. Ako sme spomenuli, pomocou pravdepodobnost
uren poty potomkov treba chpa nie ako vdy dosiahnut presn hodnotu,
ale ako priemer, okolo ktorho sa skuton hodnoty pohybuj. A o bude po
4 mesiacoch? 70 ppav prinesie 7 9 = 63 potomkov a dve alie (priemerne)
2 0.9 = 1.8 potomkov. Koko ich ale bude ma 0.9 ppavy? Miesto nepresnch
predstv urobme presnejiu vahu: ak 90 ppav malo 81 potomkov, potom 9
by ich malo ma 8.1 a 0.9 znovu desakrt menej, teda 0.81. Spolu by malo ma
72.9 ppav 63 + 1.8 + 0.81 = 65.61 potomkov. Op ide o priemern hodnotu,
take desatinn miesta nie s prekkou.
Podobnm spsobom by sme mohli pokraova. Pozrime sa ale ete raz

na postupnos potu potomkov v jednotlivch genercich: 100, 90, 81, 72.9,
65.61. Nie je medzi tmito slami nejak jednoduch vzah? A nehr v om
lohu niektor zo znmych siel? Odpove je kladn. lohu, a to dokonca
hlavn, hr priemern poet potomkov 0.9. Tento vzah je jednoduch, kad
al len postupnosti vznikne vynsobenm predchdzajceho lena hodnotou
0.9.
Poty generci teda meme zapsa aj ako:
100, 100 0.9, 100 0.92 , 100 0.93 , 100 0.94 , 100 0.95 , . . .
Tento vzah vieme aj vysvetli. U na prvch 100 ppav sme sa mohli

pozrie ako na sto jedincov, z ktorch kad m priemerne 0.9 potomkov.
Celkovo ich teda musia ma 1000.9. To je zrove nov poet ppav, z ktorch
op m kad priemerne 0.9 potomkov. Spolu ich teda bude 100 0.9 0.9 =
100 0.92 . Takto meme pota alej.
Veobecne preto plat, e tartovacia" populcia S ppav s priemernm

"
pre kad z nich m po n mesiacoch S p potomkov.
potom potomkov p n
V tomto okamihu u mme za sebou vek kus teoretickej prce. Sksme s

jej pomocou zska aj praktick vsledky.
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?
Rieenie: Rieenie spova hlavne vo vpote. Ven priemer spotame po-

mocou u popsanch spsobov. Pre urenie potu potomkov po n mesiacoch
sta tartovac poet 10 ppav nsobi n-tou mocninou zskanch priemerov.
Pokia ste potali sprvne, mali by sme sa zjednoti na tabuke 7.2. Hod-
noty v nej sme (a po vpote s maximlnou presnosou) zaokrhlili na jedno
desatinn miesto.
Ven Po 1. Po 2. Po 3. Po 6. Po 12. Po 24.

priemer mes. mes. mes. mes. mes. mes.
z 10 ppav
Druh A: 0.9 9 8.1 7.29 5.31 2.82 0.79

Druh B: 1.2 12 14.4 17.3 29.9 89.2 795
Druh C: 1.1 11 12.1 13.3 17.7 31.4 98.5
Druh D: 1.2 12 ... ... ... ... ako B
Druh E: 1.4 14 19.6 27.4 75.3 567 32142
Druh F: 1.0 10 10 10 10 10 10
Druh G: 1.1 11 ... ... ... ... ako C
Tabuka 7.2: Poet potomkov po 1, 2, 3, 6, 12 a 24 mesiacoch
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.
Ak je v ako 1, poet potomkov rastie. Pokia sa zamyslme hlbie, uvedo-

mme si, e poet potomkov zodpoved hodnotm funkcie tvaru f (x) = S px
pre prirodzen hodnoty x, kde S je poet ppav tartovacej genercie a p je
priemern poet potomkov. Spsob ako sa men poet potomkov v ase zod-
poved teda znmemu priebehu exponencilnej funkcie a jej vlastnostiam.
Zd sa, e teraz prila sprvna chva pre triumflnu chvu matematiky a

terie pravdepodobnosti zvl. Pokia si ju chcete vychutna, vyriete nasle-
dujcu lohu:
loha 7.1.8 Ktor z vypestovanch druhov ppav je najlepie poui pre ko-
lonizciu Marsu a zmenu zloenia jej atmosfry?
Rieenie: Predchdzajca tabuka dva jasn odpove. Jednoznane najv-

hodnejm sa jav druh E.
Ke sme ako matematici splnili svoju historick lohu, nastal as posun

sa v naom sci- prbehu. A to smerom, ktor je naznaen v nadpise.
Na zklade nho rieenia lohy 7.1.8 na Mars vyslali sondu, ktor pokusne
vysadila 10 kusov ppavy druhu E. Vetci sa u teili, ako nsledne vyslan
expedcia zhradnkov, ktor pristane presne po roku, njde na Marse kvit-
n ich pribline 567 potomkov, ktorch bude alej zveaova. Pokus sa ale
skonil vemi neastne plnm askom. Na konci prvho mesiaca toti kad
z 10 ppav nemala potomka a cel populcia zahynula. Matematikov okamite
volali na zodpovednos a tie na to, aby vysvetlili, o sa to vlastne stalo. Vedci
neskr zistili pravdepodobnos tohto fatlneho zlyhania. Pravdepodobnos, e
ppava druhu E m 0 potomkov, je 0.4. Pravdepodobnos, e sa to stane 10
ppavm tohto druhu sasne, je potom asi jedna desatiscina:
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
To je sce mal, ale rozhodne nie zanedbaten pravdepodobnos. Pokia by

to bola pravdepodobnos, e sa bezhonn lovek zmen na nebezpenho zlo-
inca, v stotiscovom meste by u po zotmen mlokto vychdzal von. Stvaj
sa aj omnoho menej pravdepodobn udalosti. Naprklad pravdepodobnos ha-
vrie raketoplnu bola pvodne odhadovan na jednu milintinu a desamili-
ntinu.
Ete v rozruch vo vedeckch kruhoch spsobilo zistenie, e pre jeden
zo slabo potentnch" druhov G (po roku by jeho 10 ppav malo ma len asi
"
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
V tomto parametri je teda ppava G pribline tisckrt kvalitnejia! o je

teda lepie? Trva na o najvom pote potomkov? Alebo namiesto 18-krt
vieho potu ppav uprednostni 1000-nsobn znenie rizika totlneho zly-
hania hne po prvom mesiaci?
Sksme zmeni spsob nho uvaovania a namiesto kvantity sa teraz sstre-
dme na kvalitu. Nebude ns teda a tak zaujma poet potomkov, ale skr
ivotaschopnos jednotlivch druhov ppav, respektve ich populci. Treba si
uvedomi, e pri vesmrnych projektoch je cennejia spoahlivos. Kvantita sa
d zabezpei vyslanm alch alebo vch druc. Posla opravra, drbra
alebo zhradnka na rchle odstrnenie aktnych problmov je pri medziplane-
trnych vzdialenostiach omnoho aie a nemon. Odbornci na matematiku
a pravdepodobnos teda dostali inovovan lohu. Ppava druhu E bola po
predchdzajcom nespechu historicky znemonen a vyraden zo sae. Z
hadiska potu potomkov sa ako nasledujce v porad umiestnili druhy B a D.
Vhodnej z nich budeme vybera poda jeho spoahlivosti. Chceme sa hlavne
vyhn tomu, aby populcia ppav (po uritom ase) vyhynula. Pokia sa tomu
plne vyhn ned, chceme pravdepodobnos tejto katastrofy minimalizova.
Budeme preto skma ivotnos populci, tvorench jednm prarodiom
a jeho potomkami. Tabuka pravdepodobnost potu potomkov nm priamo
dva pre kad druh odpove na pravdepodobnos V1 vyhynutia jedinej p-
pavy hne po prvom mesiaci. (Pokia by bolo ppav viac, povedzme S , prav-
depodobnos vyhynutia ich populcie hne po prvom mesiaci by
S
bola (V1 ) .)
Pre al postup je kovm krokom posunutie tchto vah o al mesiac.
Sksme preto zvldnu nasledujcu lohu.
loha 7.1.9 Ak je pravdepodobnos, e populcia vzniknut z jednej ppavy

vyhynie po druhom mesiaci a ak, e vyhynie za dva mesiace? Urte tieto hod-
noty pre druhy B a D a potom aj pre vetky alie.
Rieenie: To, e populcia vyhynie za dva mesiace znamen (v zmysle dohody

z lohy 7.1.3, e vyhynie presne po prvom alebo presne po druhom mesiaci.
Prv hodnotu V1 poznme z tabuky (ppava m nula potomkov) a druh sa
musme naui vypota. Tieto dve sla potom u sta sta.
Kom je teda njdenie pravdepodobnosti vyhynutia populcie po druhom
mesiaci. Pouijeme k tomu metdu nazvan niekedy aj rst step analysis".
"
Preberieme vetky monosti vvoja v prvom mesiaci a al vvoj sa poksime

previes na u znme situcie.
Je zrejm, e po prvom mesiaci ppava nemala nulov poet potomkov,
inak by vyhynula u po om. Ppava druhu B teda mala 1, 2 alebo 3 potom-
kov, kad situcia mohla nasta s pravdepodobnosou 0.2. Po nasledujcom
mesiaci ale tto potomkovia museli vetci vyhyn. Pokia bol len jeden, stalo
sa to s pravdepodobnosou 0.4. Pri dvoch potomkoch to nastalo s pravde-
2
podobnosou 0.4 a pri troch s pravdepodobnosou 0.43 . Ete raz povedan,
ppava druhu B vyhynie presne po dvoch mesiacoch, ak m po mesiaci jednho
potomka a ten vyhynie po (svojom) prvom mesiaci alebo m dvoch potomkov
a obaja vyhyn po (ich) prvom mesiaci alebo m troch potomkov a vetci vy-
hyn po (ich) prvom mesiaci. Tieto tri situcie sa navzjom vyluuj, preto
pravdepodobnos, e nastala prv alebo druh alebo tretia je stom ich prav-
depodobnost Dostaneme teda hodnotu:
0.2 0.4 + 0.2 0.42 + 0.2 0.43 = 0.1248
Pravdepodobnos, e ppava druhu B vyhynie za 2 mesiace, je preto 0.4 +

0.1248 = 0.5248. Pre ppavu druhu D by nm podobnm vpotom vyla
hodnota:
0.2 + 0.4 0.2 + 0.4 0.22 = 0.296
Z tohto hadiska sa teda ppava D jav ako vrazne lepia. Nechme na i-
tatea, aby si podobnm spsobom vypotal pravdepodobnosti aj pre alie
druhy ppav, my ich uvedieme a neskr v rozsiahlejej tabuke. Odporame
tie itateovi, aby si sksil tento vpoet naprogramova alebo pripravi v
tabukovom procesore. Tto investcia sa mu o chvu vrti.
Predchdzajca loha ns nauila, ako vypota pravdepodobnos vyhy-

nutia populcie jednej materskej ppavy za 2 mesiace. Pomocou tejto hodnoty
a metdou prvho kroku meme teraz zisti pravdepodobnos vyhynutia p-
pavy za 3 mesiace. Matersk ppava m bu hne po prvom mesiaci nula
potomkov a vyhynula. V opanom prpade mala ppava so znmymi pravde-
podobnosami urit poet potomkov. Kad z nich ale potom mus vyhyn
za dva mesiace. Pravdepodobnos tohto javu u ale poznme z predchdzajcej
lohy. Pre ppavu B sa k vsledku dostaneme nasledujcim vpotom:
0.4 + 0.2 0.5248 + 0.2 0.52482 + 0.2 0.52483 = 0.588951
Vedeli by sme tento postup zoveobecni? K tomu sa nm zdu psmenk.

Ozname p0 , p1 , p2 , p3 , . . . zadan pravdepodobnosti, e ppava danho druhu
m 0, 1, 2, 3, . . . potomkov. alej ozname V1 , V2 , V 3 , V 4 , V5 , . . . hadan

pravdepodobnosti, e populcia jednej materskej ppavy vyhynie za 1, 2, 3, 4,
5, . . . mesiacov.
Z dencie je jasn, e p 0 = V1 (ppava vyhynie po mesiaci prve vtedy,
ke m nula potomkov). Pred chvou sme pre dva druhy ppavy pomocou
selnch dajov vypotali V2 a V3 . Ako to bude pomocou premennch?
loha 7.1.10 Skste zapsa vzorec pre vpoet V2 a V3 pomocou zavedenho

oznaenia. Viete napsa veobecn vzorec pre Vn ? Akm spsobom je mon
pota konkrtne hodnoty?
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
Pripomname, e ak V1 a nekonene vea pi je nenulovch (a teda kladnch),

set na pravej strane me by aj nekonen. Prklady sme spomenuli v rieen
lohy 7.1.2. Vzhadom na to, e V1 a pravdepodobnosti pi s z intervalu 0, 1,
set tohto nekonenho radu bude men ako set geometrickho radu s
kvocientom V1 , a teda existuje. Vypota jeho presn hodnotu ale me by
problm.
Pokia ale, tak ako pre nae ppavy, je poet nenulovch pi konen, set
na pravej strane je tie konen a s jeho vpotom zsadn problm nemme.
Ke sa alej pozrieme na u uveden vpoet V3 pre ppavu B, vidme v
podstate zhodn postup a vzorec, vtane diskusie o nekonenosti stu. Plat:

V3 = p0 + p1 V2 + p2 (V2 ) + p3 (V2 ) + p4 (V2 ) + p5 (V2 ) + =
2 3 4 5
pi (V2 )i
i=0
Pri pozornejom skman oboch vzorcov v nich ahko objavme pravidel-

nos a pomocou analgie vieme vytvori logicky nasledujci vzorec:

V4 = p0 + p1 V3 + p2 (V3 ) + p3 (V3 ) + p4 (V3 ) + p5 (V3 ) + =
2 3 4 5
pi (V3 )i
i=0
Takto by sa asi dalo pokraova pre V5 , V6 at. Z toho nm vychdza aj

veobecn tvar:

Vn+1 = p0 +p1 Vn +p2 (Vn )2 +p3 (Vn )3 +p4 (Vn )4 +p5 (Vn )5 + = pi (Vn )i
i=0
Okrem analgie ho vieme op vysvetli aj metdou analzy prvho kroku.

Ppava me vyhyn za n+1 mesiacov bu tak, e m hne po prvom mesiaci
nula potomkov (s pravdepodobnosou p0 ). V opanom prpade m po prvom
mesiaci i potomkov s pravdepodobnosou pi . Vetkch i potom mus vyhyn
i
za n mesiacov, o nastane s pravdepodobnosou (Vn ) . Tomu zodpoved zvyn
as pravej strany vzorca.
Pre vpoet skutonch hodnt Vn pre konkrtnu ppavu je dleit, i na
pravej strane budeme rta nekonen alebo konen sty. V prvom prpade
je situcia zloit (k slovu prichdza numerick matematika, otzka presnosti
at.) a nebudeme sa jej podrobne venova.
Pokia je set konen, vetko je v poriadku. Vzorce potom dvaj nvod,
ako postupne rta hodnoty Vn . Z V1 vieme vypota V2 , z V 2 vieme vypota
V3 , z V3 potom V4 a tak alej.
Tto rekurenciu (pre matematikov), respektve rekurziu (pre informati-

kov), meme vyui pri programovan funkcie na vpoet hodnt Vn alebo
pri vytvoren jednoduchej pomcky na ich vpoet v niektorom tabukovom
procesore. Pokia mte nablzku pota, takmer urite v om njdete Excel,
ktor to zvldne tie. Vyskajte!
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.
Rieenie: Napsa sprvne vzoreky by nemal by problm, hodnoty ale treba

pota postupne pre vetky mesiace od 1 po 24. Do tabuky potom zapeme
tie, ktor bolo treba. Za druhom je uveden aj priemern poet potomkov.
Z tabuky 7.3 vidme, e druh D je z hadiska (ne)vyhynutia nielen lep
ako druh B, ale aj ako vetky ostatn. Zrove vidme, e na hodnoty Vn
maj vplyv vetky hodnoty pi . Aj pre druhy so zhodnm priemernm potom
potomkov alebo zhodnou pravdepodobnosou 0 potomkov vychdzaj Vn roz-
dielne.
Tabuka ns inpiruje ete k jednmu zamysleniu. Vidme, e hodnoty v

nej sa postupne zvuj. To je samozrejme logick. Pokia populcia zatia
Po skonen 1.m. 2.m 3.m 6.m 12.m 24.m
Druh A(0.9): 0.5 0.6625 0.749359 0.870068 0.948842 0.988022

Druh B(1.2): 0.4 0.5248 0.588951 0.672306 0.717313 0.730865
Druh C(1.1): 0.3 0.426 0.50039 0.613314 0.694033 0.73662
Druh D(1.2): 0.2 0.296 0.353446 0.436943 0.485226 0.499019
Druh E(1.4): 0.4 0.51712 0.571209 0.629415 0.648645 0.65061
Druh F(1.0): 0.4 0.5584 0.647294 0.776637 0.869122 0.927644
Druh G(1.1): 0.2 0.312 0.385203 0.505878 0.598931 0.650237
Tabuka 7.3: Pravdepodobnosti vyhynutia jednotlivch druhov
nevyhynula a pozorujeme ju al mesiac, vdy je mon, e v om (aj vek)

populcia nhle skolabuje. Preto pravdepodobnos zniku s asom rastie. Dle-
it otzka je, po ak hodnotu. Kee ide o pravdepodobnos, urite by nemala
presiahnu hodnotu 1. Ak sme neurobili logick chybu v naich vahch, n
rekurentn spsob vpotu by mal zachovva tto vlastnos.
Pri ppave druhu A sa zd, e pravdepodobnosti dokonca k tomuto slu
smeruj. To sme ale mohli oakva. Kee priemern poet potomkov pre
tento druh je men ako 1, odhad potu ppav v alch genercich sa bli
k nule. Mohli sme preto naozaj predpoklada, e populcia takejto ppavy
asom vdy vyhynie. Preto m viac mesiacov sledujeme, tm viac sa pravde-
podobnos, e za toto obdobie populcie vyhynie, bli k 1.
Tmto sme si zrove vyjasnili, ak m vznam seln hodnota, ku ktorej
pravdepodobnosti vyhynutia Vn mieria. Ozname ju V a uruje nm pravdepo-
dobnos, e populcia niekedy, po neznmom, ale konenom pote mesiacov
vyhynie. Inmi slovami ide o pravdepodobnos, e populcia nebude i
vene. Pokia ns naopak zaujma pravdepodobnos opanho javu, teda e
populcia nikdy nevyhynie, sta uvaova hodnotu 1 V . Prve tto hodnota
by mohla by urujca pri nlnom vbere optimlneho druhu ppavy pre
kolonizciu Marsu. Ve plnova dlhodobejie ako donekonena sa u ned.
Hodnota V je preto pre ns vemi dleit. Existuje vdy pre kad p-
pavu? A ak no, vieme ako ju vypota? Odpove na prv otzku je ah-
ia. Presne povedan je hodnota V limitou postupnosti hodnt Vn . Kee o
tejto postupnosti vieme, e stle rastie a zrove jej leny nepresiahnu 1, mus
ma tto postupnos limitu. (Ide o dleit a veobecn vlastnos postupnost,
ktor ste sa uili v nich ronkoch). Ako tto hodnotu vypota (a nie len
hda z tabuky), je zloitejia loha. Ale s nami sksenosami by sme ju u
mali zvldnu.
loha 7.1.12 Skste podobne ako v lohe 7.1.10 pomocou analzy prvho kroku
zostavi rovnicu pre vpoet hodnoty V .
Rieenie: vaha je v podstate rovnak, ako pri urovan hodnt Vn . Treba si

len uvedomi, e V je pravdepodobnos, e populcia jednej materskej ppavy
niekedy vyhynie. Ako sa to me sta? Ppava bu s pravdepodobnosou p0
nem iadneho potomka a vyhynie hne. V opanom prpade m s pravdepo-
dobnosami pi potomkov i, z ktorch kad mus niekedy vyhyn. To sa stane
s pravdepodobnosou V i. Tto vahu meme vyjadri rovnicou:

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.
Op plat, e ak suma na pravej strane je nekonen nie len formlne, ale

aj skutone, rieenie rovnice bude problm. V opanom prpade (a to sa tka
aj naich ppav), na vpoet V treba vyriei polynomick rovnicu. Pokia je
druhho (prpadne ete tretieho alebo tvrtho) stupa, pomu nm znme
vzoreky. V tchto aj zloitejch prpadoch ale meme rovnicu riei s ubo-
vonou presnosou aj numericky, na o nie je problm njs vhodn softvr.
Treba si len uvedomi, e zo veobecne viacerch koreov tchto rovnc ns
zaujma ten pravdepodobnostn", teda z intervalu 0, 1. Ste zvedav, ako to
"
dopadne?
loha 7.1.13 Vypotajte hodnotu pravdepodobnosti vyhynutia V pre kad z

naich ppav.
Rieenie: Rieenie rovnc sme hadali pomocou programu MATLAB a dostali

sme nasledujce vsledky:
Vsledky sme zskali numericky a po vpote ich zaokrhlili na dve desa-
tinn miesta. Preto nie presne shlasia s tabukou z lohy 7.1.11, kde niektor
hodnoty po dvoch rokoch s vyie ako limitn hodnoty. Ide len o chyby, res-
pektve nepresnosti numerickch vpotov a zaokrhlenia. V skutonosti s
limitn hodnoty V vie ako hodnoty Vn .
Aj napriek tejto nepresnosti vidme, e limitn hodnoty V sa miestami
vemi presne zhoduj s hodnotami Vn u po 24 mesiacoch. To je aj odpove na
(na prv pohad) rozumn otzku, na o je nm dobr pozna pravdepodobnos
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
Tabuka 7.4: Pravdepodobnosti vyhynutia a preitia pre jednotliv druhy
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.
V tomto okamihu sme na konci nho sci- prbehu. Zakonme ho zopako-

vanm u znmej lohy, ktor ale asi bude ma in rieenie. To u ale nechme
na vs . . .
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
[1] J.ANDL: Matematika nhody, Matfyzpress, Praha, 2000, ISBN 80-

85863-52-9
[2] P.HEBK, J.KAHOUNOV: Poet pravdpodobnosti v pkladech, Poly-

technick kninice SNTL, 1978
[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
[6] A.N.KOLMOGOROV: Grundbegrie der Wahrscheilichkeitsrechnung,

Springer, Berlin, 1933
[7] T.NEUBRUNN, B.RIEAN: Miera a integrl, Bratislava, Veda, 1981

[8] A.RNYI: Teorie pravdpodobnosti, Academia Praha, 1972
[9] L.E.SADOVSKIJ, A.L.SLADOVSKIJ: Matematika i sport, biblioteka
Kvanta 44, Nauka, Moskva 1985
[10] H.SWOBODA: Modern statistika, nakladatelstv Svoboda, Praha, 1977

[11] A.N.KOLMOGOROV: www.mathematik.com/Kolmogorov/
[12] C.F.WHITAKER:
"Ask Marilyn" column, Parade Magazine p. 16 (9. sep-
tember 1990)
[13] KMS: korepondenn matematick seminr pre iakov strednch kl,

www.kms.sk
323
324 Literatra
[14] SEZAM: korepondenn matematick seminr pre iakov 7. - 9. ronka

Z, www.sezam.sk
[15] MALYNR: korepondenn matematick seminr pre iakov 4. - 6. ro-
nka Z, malynar.strom.sk
Register
alternatvne rozdelenie, 167 Kolmogorova dencia, 29

axiomatick dencia, 29 kombincie, 31
kombincie s opakovanm, 31
Bayesov vzorec, 91 kritick hodnota, 206, 207
Bernoulliho nezvisl pokusy, 94
kvantil, 137
Bernoulliho rozdelenie, 167
bezpamov rozdelenia, 252 Markovova vlastnos, 252
matematick tatistika, 246
Ch-kvadrt rozdelenie, 204
medin, 137
charakteristiky, 134
miera, 29
modus, 137
diskrtne rozdelenie, 167
momentov vytvrajca funkcia, 236
disperzia, 138
distribun funkcia, 232
nhodn premenn, 129
doplnok, 28
nhodn udalos, 28
doplnok mnon, 27
nhodn jav, 28
nhodn pokus, 27, 28, 31
elementrna udalos, 28, 31
nezvisl udalosti, 73
elementrny jav, 28
nezluiten udalosti, 28
Erlangovo rozdelenie, 200, 250
normlne rozdelenie, 100, 198
exponencilne rozdelenie, 197
exponencilne rozdelenie, 248 normovan normlne rozdelenie, 199
faktoril, 32 opan udalos, 28
Fisher-Snedecorovo rozdelenie, 206

permutcie, 31
Gama rozdelenie, 203 pravdepodobnos, 20
Gama funkcia, 203 pravdepodobnostn metda, 137
Gaussovo rozdelenie, 198 prienik mnon, 27
generujca funkcia, 236 priestor elementrnych udalost, 28
geometrick rozdelenie, 252

rovnomern rozdelenie, 196
hustota, 194 rozdelenie pravdepodobnosti, 127
325
326 Register
rozdiel mnon, 27
rozklad mnoiny, 75
smerodajn odchlka, 138

spsoby vpotu pravdepodobnosti, 28
spojit rozdelenie, 192
stredn hodnota, 134
Studentovo rozdelenie, 204
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

PaS Riadiaci Def4

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

PaS Riadiaci Def4

Uploaded by

Copyright:

Available Formats

See

Ako sa pota pravdepodobnos?

Book January 2010

Hynek Bachraty Katarna Bachrat

SEE PROFILE SEE PROFILE

Available from: Katarna Bachrat

Hynek Bachrat, Marin Grendr, Katarna Bachrat

UNIVERZITA MATEJA BELA, BANSK BYSTRICA,

Fakulta prrodnch vied

Ako sa pota pravdepodobnos?

Hynek Bachrat, Marin Grendr a Katarna Bachrat

prof. Ing. Milan Dado, CSc.

M.Sc. Ondrej uch, PhD.

Vydalo vydavatestvo EDIS, ilina 2010

c Hynek Bachrat, Marin Grendr, Katarna Bachrat

1 Ako predpoveda budcnos (prv nepravdepodobn prbeh) 11

2 Pravdepodobnos nhodnej udalosti 27

3 Ako predpoveda as (druh nepravdepodobn prbeh) 107

4 Nhodn premenn 125

4.1.4 Prklady . . . . . . . . . . . . . . . . . . . . . . . . . . . 152

5 Ako predpoveda neastie (tret nepravdepodobn prbeh) 265

6 Nhodn proces 289

7 Ako predpoveda smolu (tvrt nepravdepodobn prbeh) 303

V tejto uebnici chceme pomocou rieench loh ukza tudentom bakalr-

Prklad 1 Naprost vina ud m nadpriemern poet rk.

platov naopak vina Slovkov bude ma nadpriemern plat!

Prklad 2 Naden fanik zistil, e Slovan Bratislava premenil v priebehu

Poet glov Poet pokusov Vyjadren v percentch

Gly Pokusy Perc. Gly Pokusy Perc. Priem. sp.

Pre koho je uebnica napsan

Obsah uebnice pozostva z motivanch rozprvan, v ktorch sa buduj

Podrobnejie s rozpracovan hlavne tmy a pojmy, ktor robia tuden-

Tto uebnica je primrne napsan pre potreby bakalrskeho tdia pre

Pre tudentov, ktor bud pokraova v ininierskom, prpadne vych

S uebnicou, ktor drte v rukch, je to rovnak. Mete sa na u pozera,

Ale vysokokolci s u dospel udia a vedia, e sa mu slobodne rozhod-

jimi otzkami prispeli k zrozumitenm formulcim rieen.

Niektor lohy a tmy, ktor sa nachdzaj v uebnici sme skali na s-

Vek vaka patr pnom kolegom, recenzentom Jirkovi Slavkovi a Ondre-

Naa uebnica je pokusom o rozvoj aktvnej prce tudenta pri budovan

Ako predpoveda budcnos

Predpovedanie budcnosti je na prv poutie tajomnou a zhadnou innosou.

1.1 O zabavench kartch a kolnii netopierov

Rieenie: Sprvnu odpove hadali matematici viac ako 100 rokov. Nm to

niektor zl, musme pripusti aj monos, e s zl vetky a sprvne rieenie

loha 1.1.2 Zoveobecnite navrhnut rieenia. Otestujte, i vo vhodnch pe-

Rieenie: Zoveobecnenie a nsledn analza vlastnch rieen a npadov,

Prv problm je v tom, e pri delen vbec neberieme do vahy cieov,

Druh problm je ete vnej. o so stavom 5 : 0?

Zostalo nm zoveobecni a preskma druh rieenie. Pri om okrem stavu

Sksme podrobnejie rozobra jednoduch a prehadn situciu. Nech sa

Jankovi s Marienkou sa tie nepodarilo njs pravidlo delenia, na ktorom

Presne takto dohodu nasledujceho da skoro rno s netopiermi uzavreli.

Rieenie: Spsob zpisu si kad me zvoli vlastn, nm sa osvedila forma

Obr. 1.1: Zpis pomocou binrneho stromu

Zachytva poiaton stav 5 : 4 a z neho sa vetviacu truktru nasle-

ktor tm zvazila aj v celom zpase 6 : 5.

loha 1.1.4 Pouite predchdzajcu metdu na urenie pomeru delenia vhry

Rieenie: Rozpis pre prv zpas je na obrzku 1.2.

Obr. 1.2: Rozpis pre prv zpas

Vidme, e vazstvo prvho hra videlo 87.5 netopierov a vazstvo dru-

Pri rieen lohy 1.1.4 dolo k uritej neprjemnosti, a to ku deleniu netopie-

Podobne, pokia sa vo vsledku (alebo aj v priebehu vpotu) stretneme

To ns vedie k tomu, ak vchodiskov poty s vhodn. Kee poet ne-

Presn dencia Kolmogorovskej pravdepodobnosti bude zaveden vo vych

6. Ak rozdiel je medzi tatistickou a klasickou denciou pravdepodob-

7. Preo bolo treba zavies geometrick denciu pravdepodobnosti? V akch

Poda klasickej dencie sa pota pravdepodobnos bez uskutonenia